Projeto, desenvolvimento e avaliação de classificadores estatísticos pontuais e contextuais para imagens SAR polarimétricas

Abstract

Este trabalho tem como objetivos investigar, implementar e testar classificadores de Máxima Verossimilhança Pontuais (MaxVer), associados com o classificador contextual Iterated Conditional Modes (ICM), para vizinhança oito, desenvolvido por Vieira (1996), para os dados polarimétricos multi-look de radares de abertura sintética (SAR). A modelagem dos dados é feita através do modelo multiplicativo, sendo o speckle modelado pela distribuição de Wishart complexa multivariada, enquanto que o backscatter é modelado por diferentes distribuições, de acordo com o grau de homogeneidade da área imageada. Sob a suposição do backscatter constante são apresentadas as distribuições dos dados polarimétricos univariados (diferença de fase e razão de intensidades) e bivariados (par de intensidades e par intensidade-diferença de fase) multi-look. Considerando-se a modelagem disponível atualmente para os dados mutivariados complexos multi-look (representados pela matriz de covariância complexa) foi desenvolvida neste trabalho uma nova distribuição, denominada de 0 C G multivariada. Este distribuição modela os dados provenientes de áreas consideradas extremamente heterogêneas. Com base nas propriedades estatísticas dos dados polarimétricos foram implementadas cinco rotinas de classificação, uma para cada tipo de dado polarimétrico uni/bivariado e outra que utiliza as distribuições multivariadas mais apropriadas para os dados multivariados complexos. Essas rotinas funcionam através de interfaces gráficas e são totalmente amigáveis ao usuário, tendo sido implementadas dentro do software ENVI 3.0, com a finalidade de aproveitar os diversos recursos deste software no processamento e análise de imagens SAR. Para testar as rotinas implementadas foram utilizadas imagens polarimétricas multi-look (HH, HV e VV) da missão SIR-C/X-SAR, nas bandas L e C, na tentativa de discriminar nove classes de interesse. A fim de se avaliar quantitativamente, através do coeficiente de concordância Kappa, o ganho de qualidade das classificações obtidas com dados polarimétricos sob diferentes modelagens estatísticas, foram utilizados diferentes tipos de dados SAR multi-look: univariados em amplitude (utilizando-se as distribuições mais apropriadas), polarimétricos uni/bivariados, multivariados em amplitude (utilizando-se a distribuição Normal mutlivariada) e multivariados complexos. Os resultados mostram que o uso das distribuições multivariadas complexas produziu classificações de qualidade superior às demais e permitiu discriminar as nove classes de interesse, enquanto que com as distribuições Normal multivariada, polarimétricas uni/bivariadas e univariadas em amplitude mais apropriadas, apenas oito, seis e quatro classes, respectivamente, foram discriminadas em uma mesma classificação. Considerando-se que os dados multivariados complexos nem sempre estão disponíveis, os resultados das classificações dos dados polarimétricos uni/bivariados também são significativos pois, com esses dados, foi possível discriminar todas as classes de interesse em diferentes classificações. O uso dos dados multivariados complexos permite, portanto, obter ótimos resultados na discriminação de classes como estágios de cultivo de soja (três) e milho (dois), solo preparado, restolho, caatinga e rio, como é o caso das imagens SIRC/ X-SAR utilizadas.

The purposes of this study is to investigate, implement and test a Maximum Likelihood Classifier (MLC), associated to the Iterated Conditional Modes (ICM) contextual classifier, for eight neighborhood, developed by Vieira (1996), for multi-look Synthetic Aperture Radar (SAR) polarimetric data. The modeling of the data is made using the multiplicative model, where the speckle is modeled by Wishart multivariate complex distribution, while the backscatter is modeled by different distributions, depending on the degree of homogenity of the imaged area. The distributions of the univariate (phase difference and intensity ratio) and bivariate (intensity pair and intensity-phase difference pair) multi-look polarimetric data are presented based on the assumption of the constant backscatter. Considering the modeling available for multi-look complex multivariate data (represented by the complex covariance matrix) at the moment a new distribution, denominated 0 GC multivariate was developed in this study. This distribution models the data from areas considered extremely heterogeneous. Using statistical properties from polarimetric data it was implemented five classification routines, one for each kinds of univariate and bivariate polarimetric data and another which uses the multivariate distribution more appropriated for the complex multivariate data. This routines function using graphics interface and they are totally user-friendly. They were implemented inside the software ENVI 3.0, with the aim of using the several tools of this software in the processing and analysis of SAR images. To test the implemented routines it was used multi-look polarimetric images from SIR-C/X-SAR mission, in L and C bands, in attempt to discriminate nine classes of interest. With the finality of evaluate quantitatively the quality gain from classification obtained using polarimetric data under different statistical modeling, through the Kappa coefficient of agreement, different types of multi-look SAR data were used: univariate in amplitude (using the distribution most appropriate), univariate and bivariate polarimetric, multivariate in amplitude (using Normal mutlivariate distribution) and complex multivariate. The results show that the use of complex multivariate distribution produced a classification better than any other and it allowed the discrimination of the nine classes of interest, while the others ones with Normal multivariate distribution, univariate and bivariate polarimetric and the most appropriate univariate in amplitude only eight, six and four class, respectively, were discriminated in the same classification. Considering that the complex multivariate data are not always available, the results obtained from univariate and bivariate polarimetric data classification are also significatives because it was possible to discriminate every class of interest in different classification. The use of the complex mutivariate data allow, therefore, to obtain very good results in the discrimination of class such soybean (three) and corn (two) cultivation periods, prepared soil, tillage, caatinga and river, as it is the case of the SIR-C/X-SAR image used in this study.