UNIVERSIDADE DE BRASÍLIA / INSTITUTO DE GEOCIÊNCIAS

TESE DE DOUTORADO N^o 065

PAULO QUINTILIANO DA SILVA

Palavras-chave:  Reconhecimento automático de alvos, classificação, KLT, imagens multiespectrais e hiperespectrais, thresholds..

DATA DA DEFESA: 07/11/2003
ÁREA DE CONCENTRAÇÃO: PROCESSAMENTO DE DADOS EM GEOLOGIA E ANÁLISE AMBIENTAL
ORIENTADOR: Prof.  ANTONIO NUNO DE CASTRO SANTA ROSA (UnB)
EXAMINADORES: Prof. PAULO ROBERTO MENESES (UnB); Prof. ROBERTO ALEXANDRE VITÓRIA DE MORAES (UnB); Profa. JULIANA FERNANDES CAMAPUM WANDERLEY (ENE/UNB); Prof. SILVIO ROGÉRIO CORRÊA DE FREITAS (UFPR)

RESUMO

Nesta Tese de Doutorado propõe-se um modelo de reconhecimento automático de alvos em imagens multiespectrais e hiperespectrais, baseado em modelo, nos eigenspaces e na KLT- Karhunen-Loève Transform. Para tanto, os conceitos de reconhecimento automático de alvos (ATR – Automated Target Recognition) são adaptados à realidade dos interesses geocientíficos e às especificidades de seus alvos, de forma a viabilizar o reconhecimento desses alvos em imagens multiespectrais ou hiperespectrais. O modelo proposto utiliza a KLT para a redução da dimensionalidade dos dados.
Para efeito de processamento das imagens multiespectrais ou hiperespectrais, os pixels são tratados como se fossem vetores-coluna, com tantas linhas quantas forem as bandas espectrais das imagens trabalhadas. Assim, essas imagens multiespectrais ou hiperespectrais são armazenadas em grandes vetores, tendo todos os seus pixels representados na forma de imagens em níveis de cinza, de forma a ser possível a utilização da KLT.
Os alvos são representados por modelos no domínio dos autovalores e dos autovetores (eigenspace), obtidos após a aplicação da transformada KL. Esses modelos são vetores construídos a partir dos autovetores com os maiores autovalores, com quantidade de elementos determinada pelo threshold aplicado no corte dos autovalores. Assim, tanto os padrões utilizados para treinamento do modelo para cada uma das classes, como os novos alvos submetidos a reconhecimento, têm os seus modelos, constituídos por um vetor contendo os descritivos obtidos no eigenspace, trabalhando-se no domínio dos autovetores.
Na fase de treinamento, na modalidade supervisionada, com base nas amostras coletadas de todas as classes trabalhadas, são calculados e construídos os modelos de todas as classes, já no domínio dos autovalores. Na fase de reconhecimento são calculados e construídos os modelos dos novos alvos. Esses modelos são, então, comparados com os modelos das classes, por meio das distâncias euclidiana e de Mahalanobis. Dessa forma, são calculadas as distâncias entre o modelo do alvo submetido a reconhecimento e os modelos de todas as classes trabalhadas. Se a distância entre o novo alvo e a classe i for a menor encontrada, e se tal distância estiver dentro do threshold aplicado, então houve o reconhecimento do novo alvo como pertencente à classe i.
Para efeito de demonstração do funcionamento do modelo proposto, foram desenvolvidos alguns aplicativos de detecção de alvos e de classificação de imagens multiespectrais. Com base nos resultados obtidos, esses aplicativos montam mapas com as classificações feitas e com a detecção dos alvos trabalhados.
No cálculo dos thresholds, está sendo proposta a utilização de um Fator Q, que possibilita a abertura ou o fechamento dos thresholds, de forma a ajustar e a controlar os índices de falso-positivos e de falso-negativos dos resultados obtidos, permitindo-se a adequação do modelo às necessidades específicas de quaisquer aplicações.

     
UNIVERSITY OF BRASILIA / INSTITUTE OF GEOSCIENCES

PhD THESIS N^o 065

KeyWords: Automated target recognition, classification, KLT, multispectral and hyperspectral images, thresholds

DATE OF ORAL PRESENTATION:  07/11/2003
TOPIC OF THE THESIS: GEOLOGICAL DATA PROCESSING AND ENVIRONMENTAL ANALYSIS
ADVISOR:  Prof.  ANTONIO NUNO DE CASTRO SANTA ROSA (UnB)
COMMITTEE MEMBERS: Prof. PAULO ROBERTO MENESES (UnB); Prof. ROBERTO ALEXANDRE VITÓRIA DE MORAES (UnB); Profa. JULIANA FERNANDES CAMAPUM WANDERLEY (ENE/UNB); Prof. SILVIO ROGÉRIO CORRÊA DE FREITAS (UFPR)

ABSTRACT

In this Doctorate Thesis an automated target recognition approach was proposed using multispectral or hyperspectral images, based on model, on eigenspaces and on KLT- Karhunen-Loève Transform. For this, the ATR - Automated Target Recognition concepts are adapted to the Earth Sciences reality and to the characteristics of its targets, in the way of making possible the recognition of these targets in multispectral or hyperspectral images. The proposed approach uses KLT for the dimensionality reduction of the data.
In order to process the multispectral or hyperspectral images, the pixels are treated as if they were column-vectors, with so many lines as many spectral bands of the worked images have. In this way, these multispectral or hyperspectral images are stored in big vectors, and all of their pixels are represented in the form of two-dimensional images, in the way it is possible to use KLT.
The targets are represented by models in the eigenvalues and eigenvectors domain (i.e., eigenspace), obtained after the application of the KLT. These models are vectors built from eigenvectors with the biggest eigenvalues, with quantity of elements determined by the threshold applied in the eigenvalues cutting. In this way, both the standards used to the model training for each one of the classes, and the standards of the new targets submitted for recognition have their models, constituted by a vector with the descriptives obtained in eigenspace, working in the eigenvectors domain.
In the training time, using the supervised modality, based on the samples collected from all the worked classes are calculated and built the models of all the classes, already in the eigenvalues domain. In the recognition time, the new targets models are calculated and built. So, these models are compared with the classes models, by means of the Euclidean and Mahalanobis distances. Thus, these distances are calculated between the model of the submitted target for recognition and the models of all the worked classes. If the distance between the new target and the class "i" is the smaller, and if such distance is inside the threshold applied, then there was the recognition of the new target as belonging to class "i".
In order to demonstrate the proposed model operation, It was developed some target detection and image classification applications. Based on the obtained results, these applications drawn some maps with the classifications done and with the detection of the worked targets.
In the calculation of the thresholds, It was proposed the utilization of a Factor Q, which enables the opening or the closing of the thresholds, in the way of adjusting and controlling the indices of false-positive and of false-negative of the obtained results, allowing the adaptation of the approach to the specific needs of any applications.