Classificação supervisionada de imagens SAR do SIVAM pré-filtradas. Orlando Alves Máximo 1,2 David Fernandes 2

Transcrição

1 Classfcação supervsonada de magens SAR do SIVAM pré-fltradas Orlando Alves Máxmo 1,2 Davd Fernandes 2 1 Insttuto de Estudos Avançados IEAv Rodova dos Tamoos Km 5, São José dos Campos SP, Brasl oamaxmo@eav.cta.br 2 Insttuto Tecnológco de Aeronáutca (ITA) Centro Técnco Aeroespacal (CTA) Praça Mal. Eduardo Gomes, São José dos Campos - SP, Brasl {davd, maxmo}@ele.ta.br Abstract. Ths paper evaluates the accuracy of multdmensonal supervsed classfers usng SAR mages preprocessed by nose speckle reducton flters. Three flters were appled: Lee, Frost and Mean. Fve supervsed classfers were compared: Mnmum Dstance, Mahalanobs Dstance, Maxmum Lkelhood, Cascade and Global Membershp Functon wth relablty factors (GMF). Two mages processed by the Brazlan Ar Force SAR Processor (PROSAR-BR) were used n the comparson. The results ndcate that the classfers were senstve to the flterng and to the type of flterng appled. The Mahalanobs classfer acheved the lower accuracy results n all cases. For the orgnal mage, and all wndows flterng for the Lee and Frost flters, the best results were acheved by the GMF classfer. For the Mean flter, the best results were acheved by the Maxmum Lkelhood Classfer. Palavras-chave: SIVAM, SAR, supervsed classfcaton, relablty factors; speckle reducton flters, classfcação supervsonada, graus de confança, fltros redutores de speckle. 1. Introdução Nos últmos anos, tem aumentado o número de sensores que operam na faxa das mcroondas em atvdade, fornecendo uma varada gama de produtos para comundade centífca. No Brasl, a entrada em operação das aeronaves de sensoramento remoto do Proeto SIVAM (operadas pela Força Aérea Braslera FAB) consttuu um sgnfcatvo ncremento na dsponbldade de magens de sensoramento remoto na faxa das mcroondas. Equpadas com dos sensores SAR, as aeronaves podem gerar magens nas Bandas X (HH) e L (HH, VV, HV, VH), em város modos de mageamento e em váras resoluções. Durante o processo de mplantação das aeronaves, uma equpe da FAB partcpou de um grupo de absorção de tecnologas SAR em Vancouver, Canadá. Ao retornar ao Brasl, o grupo fo ncorporado à Dvsão de Sensoramento Remoto (ESR), IEAv/CTA. Após esta ncorporação, a ESR, aprovetando os resultados da parcera com o ITA e contando com o apoo da Comssão para Coordenação do Proeto SIVAM (CCSIVAM), desenvolveu um processador SAR para as magens geradas pelos sensores a bordo das aeronaves de sensoramento remoto, no ntuto de suprr algumas defcêncas do processador adqurdo unto à empresa fornecedora dos sensores (Vega, 2004). Este processador recebeu o nome de PROSAR-BR, e á está em uso no Centro Regonal de Vglânca de Manaus e na cdade de Anápols, sede dos avões de sensoramento remoto. Este artgo tem como obetvo utlzar um par de magens geradas pelo PROSAR-BR em um expermento que compara a nfluênca das técncas de fltragem do speckle e da nclusão de pesos controladores de nfluênca (graus de confança) num processo de classfcação supervsonada bdmensonal. Na Seção 2 é feta uma descrção das técncas de classfcação supervsonada com e sem a nclusão dos graus de confança em classfcadores estatístcos. Na Seção 3 é realzada uma 4139

2 descrção sumára das prncpas característcas do PROSAR-BR. O expermento é descrto na Seção 4 e os resultados são analsados na Seção 5. 2 Classfcação Supervsonada Segundo Campbell (1996), a classfcação supervsonada pode ser nformalmente defnda como o processo no qual amostras de dentdade conhecda são utlzadas para classfcar pxels de dentdade desconhecda. Neste processo, um analsta dentfca na magem as classes de nformação de seu nteresse e separa regões que melhor representem estas classes. Dentro destas regões ele separa áreas de trenamento que contêm os pxels que serão usados como representantes da classe. A partr destes pxels são extraídas determnadas característcas das classes, que serão usadas para a classfcação dos demas pxels. Anda segundo Campbell (1996), o processo de classfcação supervsonada apresenta vantagens e desvantagens em relação à classfcação não-supervsonada. As prncpas vantagens são: a) O analsta tem maor controle sobre o processo (escolhe o número e o tpo de classes, as regões de amostragem e o número de amostras). Esta característca é mportante prncpalmente quando a classfcação vsa a um obetvo específco; b) a classfcação supervsonada é balzada pelas classes pré-defndas pelo analsta, desta forma, não é necessáro concatenar a magem classfcada com as classes de nteresse; e c) o analsta tem condções de dentfcar possíves mprecsões graves pela análse das áreas de trenamento. As prncpas desvantagens são: a) O analsta mpõe uma determnada estrutura de classfcação aos dados, através da defnção préva das classes de nformação. Estas classes podem não corresponder às classes reas exstentes na cena mageada, ou não ser separáves no espaço n-dmensonal; e b) As áreas de trenamento seleconadas podem não apresentar todas as característcas das classes que representam. Esta característca pode ter muta nfluênca, prncpalmente quando a área a ser classfcada é grande, complexa ou nacessível. Técncas de classfcação supervsonada a) Maxver Segundo Rchards (1986) a classfcação Maxver é a técnca de classfcação mas utlzada em magens de sensoramento remoto. A regra de decsão utlzada pode ser defnda como: x w ln p(x w ) + ln p( w ) = max ln p(x w ) + ln p( w ) (1) onde w { w,, } Λ 1 w m ( ), que é o conunto de classes seleconadas pelo analsta. Consderando que as classes são normalmente dstrbuídas e equprováves, a Equação (1) pode ser reescrta como: x w t 1 t 1 ( x m ) Σ ( x m ) = max ln Σ ( x m ) Σ ( x m ) ( ) ln Σ (2) onde Σ e m são, respectvamente, a matrz de covarânca e o vetor méda da classe, obtdas através das amostras de trenamento. b) Dstânca Mínma Nesta técnca, as áreas de trenamento defnem regões no espaço de dados n-dmensonal. Cada uma das regões pode ser representada por um ponto, denomnado centróde. O processo de classfcação basea-se na proeção de cada pxel neste espaço n-dmensonal e no cálculo 4140

3 da dstânca n-dmensonal entre ele e os centródes. O pxel será classfcado na classe que corresponder à menor dstânca calculada. Muto embora sea de mplementação smples, esta técnca é bastante nfluencada pela sobreposção de classes e pela varabldade dentro de cada classe. É possível construr modelos sofstcados deste classfcador usando dferentes técncas para medção de dstâncas e para a defnção dos centródes. c) Classfcador Mahalanobs Efetuando uma nversão de snas na Equação (2), a função dscrmnante da regra de decsão pode ser consderada como uma medda de dstânca, defnda como (Rchards, 1986): t 1 ( x m ) Σ ( x m ) 2 d( x; m, Σ ) = ln Σ +. (3) Consderando o caso onde as matrzes de covarânca são guas, sto é, Equação (3) pode ser reescrta como: t 1 ( x m ) Σ ( x m ) Σ = Σ, a 2 d( x; m ) = (4) O classfcador construído com base nesta dstânca é conhecdo como Classfcador Mahalanobs. d) Classfcador em Cascata Em determnadas stuações nos casos n-dmensonas, cada conunto de nformação (cada banda da magem, por exemplo) pode ser consderado como uma fonte ndependente. Neste caso, Swan (1978) utlzou a abordagem Bayesana do MaxVer para defnr o Classfcador em Cascata, que tem como regra de decsão: x w p n n 1 n 1 n ( w ) p( xk w ) = max p( w ) p( xk w ) k = 1, (5) onde k = 1,, n, representa o número de fontes ndependentes e x k é o valor do pxel na x = x,,. fonte k e { } 1 Λ x k e) Função de Adesão com graus de confança Uma outra abordagem para o caso n-dmensonal onde cada conunto de nformação é consderado como uma fonte ndependente consdera a qualdade de cada uma das fontes. O obetvo é mnmzar a nfluênca das fontes consderadas com menor qualdade. Benedktsson et al. (1990) ntroduzram a Função de Adesão com graus de confança como sendo: ( w xk ) p( w ) α n k p F ( x) = p( w ) (6) k = 1 onde α k é o grau de confança da fonte k, com valores no ntervalo [0,1] e x { x,, } k = 1 =. Uma regra de decsão para o classfcador utlzando esta Função de Adesão pode ser escrta como: x w F x = max F x. (7) ( ) ( ) 1 Λ x k 4141

4 3 O PROSAR-BR Dentre os dversos sensores e sstemas de coleta de dados adqurdos para compor o SIVAM, o Radar Imageador de Abertura Sntétca (SAR), que equpa três aeronaves operadas pela FAB, destaca-se como sendo o de maor potencal para uso na comundade centífca. Após a sua entrada em operação, embora estes Sstemas tenham sdo concebdos como uma solução completa e seam capazes de cumprr todo o seu cclo operaconal, desde a coleta, processamento, dstrbução e análse de dados, foram dentfcadas algumas lmtações onde era possível e/ou necessára uma adequação. Dentre outras podem ser ctadas: a) A arqutetura de hardware para o processador SAR adqurdo possu alto custo de manutenção e atualzação; b) O processador também não permte o agendamento de tarefas, exgndo a presença constante do operador do sstema; c) Não hava domíno naconal sobre o códgo fonte, o que mpeda a sua modfcação, adaptação e/ou melhora por técncos brasleros; e d) Não exsta um sstema de catálogo eletrônco capaz de armazenar os metadados mas sgnfcatvos dos vôos de mageamento e seus produtos fnas (magens), que permtsse a consulta parametrzada sobre o hstórco dos dados coletados, bem como a vsualzação prelmnar dos mesmos. Em vrtude desta stuação, e aprovetando os resultados promssores da parcera com o ITA, a ESR sugeru o desenvolvmento de um sstema que pudesse soluconar/mnmzar estas lmtações. O PROSAR-BR fo proposto com as seguntes característcas prncpas: a) Ser um Sstema baseado em plataformas de baxo custo, do tpo PC, dotados de sstema operaconal Wndows ; b) Possbltar a paralelzação do processamento, bem como seu agendamento; c) Possur um sstema de catálogo de mssões e produtos que permta a clentes remotos, seleconados e dentfcados, efetuar consultas sobre a d sponbldade de dados, pré vsualzação de magens á processadas, bem como apresentar e acompanhar peddos de mssão de coleta de dados através da Internet; e d) Possur um sstema de armazenamento de dados brutos do SAR em dscos de DVD-R ou ftas DLT, de baxo custo e alta confabldade. A arqutetura fnal do Sstema contemplou três módulos ou subsstemas: a) SPSAR (Subsstema de Processamento SAR) nteramente mplementado em lnguagem IDL, este subsstema é o responsável pelo processamento dos dados brutos obtdos pelo SAR (Bandas X e L) e a conseqüente geração de magens no modo strp (Vega, 2004). b) PRODIS (Subsstema de Processamento Dstrbuído) responsável por estabelecer a estratéga de dstrbução de tarefas com o ntuto de paralelzar o processamento das magens. Para sso, efetua a dvsão dos dados brutos em blocos de 1000X1000 pxels e os dstrbu para uma matrz de computadores que possuem o SPSAR nstalado. Atualmente, trabalha com uma matrz de 16 computadores, que pode ser amplada. c) CATCON (Subsstema de Catalogação e Controle) é responsável pela coleta, catalogação, armazenamento e recuperação de dados sobre as mssões de mageamento utlzando todos os sensores a bordo da aeronave. Incorpora também uma nterface com o usuáro que permte a consulta de magens á coletadas, solctação de peddos de magens á coletadas e de mssões de mageamento, bem como o acompanhamento destes peddos. Este Sstema á fo concluído e está em operação no CRV Manaus e na sede do esquadrão que opera as aeronaves de sensoramento remoto. Seu desempenho está sendo consderado superor ao do processador adqurdo orgnalmente. 4 Descrção do Expermento O expermento consttuu na comparação da precsão dos classfcadores descrtos na Seção 2 (quas seam: MaxVer, Dstânca Mínma, Mahalanobs, Cascata e Função de Adesão com 4142

5 graus de confança) para avalar a nfluênca da manpulação estatístca e da nclusão de graus de confança no processo de classfcação. Foram seleconadas duas magens SAR ampltude (Banda X, polarzação HH; e Banda L polarzação VV) de uma regão próxma à cdade de São José dos Campos SP, que foram coletadas pelos sensores a bordo das aeronaves do 2º Esquadrão do 6º Grupo de Avação (2º/6º GAv) da Força Aérea Braslera (FAB), que opera as aeronaves do Proeto SIVAM. Os dados brutos foram processados pelo PROSAR-BR e as magens são apresentadas na Fgura 1. (a) (b) Fgura 1 a) Imagem Banda L, pol. VV; b) Imagem Banda X, pol. HH. Após a sntetzação das magens, elas foram entregues a três analstas para a seleção/defnção das classes e das regões de coleta de dados. Essas regões foram utlzadas para a coleta de dados de trenamento e para o teste do classfcador. Para a avalação da precsão do classfcador, fo utlzado o Índce de Precsão, defndo por Máxmo e Fernandes (2002). Os autores defnram o Índce de Precsão como: D( X ) = 1 P P( X ) 5, onde P(X) é um vetor de precsão composto pelos seguntes coefcentes: Precsão Global, Precsão Méda por Classes, Coefcente Kappa, e os Coefcentes de Kullback-Lebler com dstrbução unforme e proporconal. As formulações para estes coefcentes podem ser encontradas em Nsh (1999). Para a aplcação dos classfcadores MaxVer, Dstânca Mínma e Mahalanobs, foram utlzados os algortmos dsponblzados no software ENVI, versão 3.6. O classfcador em Cascata e o Classfcador da Função de Adesão com graus de confança foram mplementados em lnguagem IDL ( Interactve Data Language ), versão 5.6. Nesta mplementação, o grau de confança de cada conunto de dados varou entre zero (0) e um (1), com ntervalos de 0,1, totalzando 121 combnações em cada classfcação. Todo o processo de classfcação fo repetdo para a magem orgnal e para magens processadas com os fltros de Lee, de Frost e da méda, com anelas de fltragem de tamanho 3x3, 7x7 e 11x11. 5 Análse dos Resultados Os resultados obtdos pelos classfcadores foram analsados em duas etapas dstntas. Na prmera, todos os classfcadores foram comparados entre s, de acordo com o Índce de Precsão defndo na seção anteror. Para representar o resultado do uso da Função de Adesão 4143

6 com graus de confança, foram seleconadas as combnações que obtveram o maor e o menor Índce, respectvamente. Anda na prmera etapa, os classfcadores foram avalados com relação ao seu comportamento em função da aplcação dos fltros utlzados. Na segunda etapa, fo avalado o comportamento da Função de Adesão em função da varação da combnação de graus de confança. A Fgura 2 apresenta um sumáro dos resultados obtdos no expermento. Pode-se perceber que o resultado da classfcação é bastante dependente do tpo de classfcador e do pré-processamento. O ntervalo de varação do Índce de Precsão no expermento fo de [0,28 0,97], correspondendo, respectvamente, ao desempenho do classfcador Mahalanobs com a magem orgnal e ao desempenho do classfcador MaxVer com a magem processada pelo fltro da méda, anela 11. A Fgura 3 apresenta o resultado da classfcação para estes casos. 1 0,9 0,8 0,7 Índce de Precsão 0,6 0,5 0,4 0,3 0,2 0,1 0 Mndst MaxVer Maha Cascata Adesão Máxmo Adesão Mínmo Org Lee3 Lee7 Lee11 Frost3 Frost7 Frost11 Med3 Med7 Med11 Fgura 2 Índce de Precsão em função dos classfcadores e da anela de fltragem. (a) (b) Fgura 3 a) Classfcação com o Classfcador Mahalanobs, magem orgnal; b) Classfcação com o MaxVer, magem processada com fltro da méda, anela

7 Analsando o desempenho dos classfcadores, observa-se que o Classfcador Mahalanobs apresentou resultados nferores aos demas em todas as stuações. No geral, a aplcação dos fltros provocou um ncremento no Índce de Precsão em relação ao obtdo com a magem orgnal. Este ncremento está relaconado dretamente com o tamanho da anela de fltragem, havendo snas de establzação a partr da anela 11 para os fltros de Lee e de Frost. Indvdualmente, alguns classfcadores apresentaram comportamento específco para cada tpo de fltro. Em relação ao seu desempenho com a magem orgnal, o Classfcador em Cascata teve seu desempenho bastante deterorado pela aplcação dos fltros de Lee e de Frost, tanto em termos absolutos quanto em comparação com os demas classfcadores. Esta tendênca fo revertda com a aplcação do fltro da méda, que provocou um ncremento na precsão do classfcador. O Classfcador da Dstânca Mínma teve seu desempenho ncrementado com a aplcação dos fltros, tanto em termos absolutos quanto em comparação com os demas. Neste últmo caso, a nfluênca do fltro de Lee fo dscreta, a do fltro de Frost fo mas acentuada e a do fltro da méda fo bastante acentuada, chegando a um desempenho de 0,969, pratcamente gual ao maor desempenho obtdo em todo o expermento, que fo de 0,974. O Classfcador da Função de Adesão apresentou os maores Índces de Precsão entre todos os classfcadores utlzados na magem orgnal e com a aplcação dos fltros de Lee e de Frost. Com a aplcação do fltro da méda, o seu desempenho fo superado pelo Classfcador da Dstânca Mínma e pelo MaxVer a partr da anela 7. O comportamento da Função de Adesão com graus de confança será analsado com mas detalhe. De manera geral, não há uma combnação únca que maxmze o desempenho do classfcador. Esta característca á hava sdo notada em Máxmo e Fernandes (2002, 2003). A Fgura 4a apresenta o comportamento do Índce de Precsão em função dos graus de confança para as magens, para o caso do fltro da méda, anela 7. (a) (b) (c) Fgura 4 Índce de Precsão em função dos graus de confança para as magens a) fltro da méda, anela 7; b) fltro de Lee, anela 7; e c) fltro de Frost, anela

8 Dos dados da Fgura 2, pode-se calcular, usando todas as anelas, uma dferença méda de ses pontos percentuas entre os valores mínmo e máxmo dos Índces de Precsão obtdos. A análse da Equação 6 revela que, quando os graus de confança são guas, a Função de Adesão fca equvalente ao Classfcador em Cascata. Este fato acarreta um baxo Índce de Precsão na classfcação das magens pré-processadas com o fltro de Lee (Fgura 4b) e com o fltro de Frost (Fgura 4c). Não fo possível, até o momento, estabelecer uma relação determnístca para calcular a combnação de graus de confança que maxmzam o desempenho do classfcador. Conclusão A análse dos dados revelou que os classfcadores têm seu comportamento alterado de acordo com o pré- processamento das magens. De manera geral, o fltro da méda proporconou os maores valores para a medda de precsão utlzada. Com relação à Função de Adesão, não fo possível estabelecer uma combnação de graus de confança que maxmzasse o desempenho do classfcador. Agradecmentos Os autores agradecem à Comssão para Coordenação do Proeto SIVAM (CCSIVAM), ao Insttuto Tecnológco de Aeronáutca (ITA) e ao Insttuto de Estudos Avançados (IEAv) pelo apoo na realzação deste expermento. Referêncas Benedktsson, J.A.; Swan, P.H.; Ersoy, O.K. Neural network approaches versus statstcal methods nclassfcaton of multsource remote sensng data. IEEE Transactons on Geoscence and Remote Sensng, v. 28,n. 4, p , Campbell, J. B. Introducton to remote sensng. New York: The Gulford Press, p. Máxmo, O.A.; Fernandes, D. The use of data set relablty factors n a multdmensonal Bayesan classfer. In:Internaton Geoscence and Remote Sensng Symposum, Toronto, CA, June Proceedngs. Publcação em CD. Máxmo, O.A.; Fernandes, D. Uso de graus de confança das classes em classfcadores Bayesanos. In: Smpóso Braslero de Sensoramento Remoto, 11., 2003, Belo Horzonte. Anas... São José dos campos: INPE, p Dsponível na bbloteca dgtal URLb: < ltd.npe.br/sbsr/2002/ >. Nsh.R, Tanaka S., Accuracy and naccuracy assessment n land-cover classfcaton. IEEE Transactons on Geoscence and Remote Sensng, v. 37, n. 1, p , Rchards, J. A. Remote sensng dgtal mage analyss. Berln:Sprnger Verlag, p. Swan, P.H. Bayesan classfcaton n a tme-varyng envronment. IEEE Trans. Syst., Man, Cybern, v. SMC-8, p , Vega, R. Q. Processador SAR com compensação de movmento para o SAR-SIVAM p. Dssertação (Mestrado em Engenhara Eletrônca) Insttuto Tecnológco de Aeronáutca, São José dos Campos