CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORES REMOTOS UTILIZANDO REDES NEURAIS AUTO-ORGANIZÁVEIS E MÉTODOS DE AGRUPAMENTOS HIERÁRQUICOS

Conteúdo do artigo principal

Márcio Leandro Gonçalves
Márcio Luiz de Andrade Netto
Jurandir Zullo Jr.
José Alfredo Ferreira Costa

Resumo

Este trabalho apresenta uma nova metodologia para a classificação não-supervisionada de imagens de sensoriamento remoto. Diferentemente dos métodos convencionais de classificação não-supervisionada, como o K-médias e o ISODATA, os quais se baseiam somente em técnicas de agrupamentos particionais, a metodologia proposta realiza a classificação automática de imagens através de uma abordagem inovadora empregando o Mapa Auto-organizável de Kohonen (SOM - Self-Organizing Map) em conjunto com um método de agrupamento hierárquico aglomerativo. O ponto chave do método proposto é executar o processo de análise de agrupamentos através de um conjunto de protótipos do SOM ao invés de trabalhar diretamente com os padrões originais da imagem. Essa estratégia reduz significativamente a complexidade da análise dos dados tornando possível a utilização de técnicas normalmente consideradas inviáveis para o processamento de imagens de sensoriamento remoto, como métodos de agrupamentos hierárquicos e índices de validação de agrupamentos. Através do SOM, o método proposto mapeia os padrões originais da imagem para uma grade de neurônios bidimensional procurando preservar a distribuição de probabilidade e a topologia dos mesmos. Posteriormente, um método de agrupamento hierárquico aglomerativo com restrições de conectividade é aplicado sobre a grade de neurônios já treinada, gerando um dendrograma simplificado para os dados da imagem. Cada nível do dendrograma apresenta uma configuração diferente de agrupamentos de neurônios (ou protótipos) do SOM que pode ser utilizada para representar as classes sobre as quais a imagem original será classificada. Aplicando versões modificadas de índices de validação de agrupamentos o método determina automaticamente o número ideal de agrupamentos da imagem não exigindo que o usuário defina previamente a quantidade de classes para realizar o processo de classificação. Os resultados experimentais mostram um exemplo de aplicação da metodologia proposta sobre uma imagem teste e compara o seu desempenho com o do algoritmo K-médias.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Detalhes do artigo

Como Citar
GONÇALVES, M. L.; ANDRADE NETTO, M. L. de; ZULLO JR., J.; COSTA, J. A. F. CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORES REMOTOS UTILIZANDO REDES NEURAIS AUTO-ORGANIZÁVEIS E MÉTODOS DE AGRUPAMENTOS HIERÁRQUICOS. Revista Brasileira de Cartografia, [S. l.], v. 60, n. 1, 2008. DOI: 10.14393/rbcv60n1-44880. Disponível em: https://seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44880. Acesso em: 1 dez. 2022.
Seção
Artigos
Biografia do Autor

Márcio Leandro Gonçalves, Pontifícia Universidade Católica de Minas Gerais

Graduado em Matemática pela UNESP, Mestre na área de Automação e Doutor na área de Engenharia de Computação pela Faculdade de Engenharia Elétrica e de Computação da UNICAMP. Atuou como pesquisador na área de Visão Computacional para Robótica no Laboratório de Automação Avançada da Fundação Centro Tecnológico para Informática em Campinas-SP (atual CenPRA). Desde 1997 é professor da Pontifícia Universidade Católica de Minas Gerais ministrando disciplinas de matemática e computação. Atualmente é Diretor Acadêmico da PUC Minas Campus de Poços de Caldas. Suas principais áreas de pesquisa são: Inteligência Artificial (Redes Neurais Artificiais), Processamento Digital de Imagens de Sensoriamento Remoto, Reconhecimento de Padrões, Informática aplicada ao ensino de Matemática. Tem participado como avaliador externo/convidado de vários comitês de congressos internacionais como IEEE WCCI, IJCNN, IEEE IGARSS, ISNN, etc. Atua como revisor dos periódicos IEEE Transactions on Geoscience and Remote Sensing e International Journal of Remote sensing.

José Alfredo Ferreira Costa, Universidade Federal do Rio Grande do Norte

Doutor em Engenharia Elétrica e de Computação pela UNICAMP (1999), graduado em Engenharia Elétrica pela Univ. Federal do Rio Grande do Norte (1992), e mestre em Engenharia Elétrica pela Univ. de São Paulo (EESC, 1996, com distinção e louvor), possui também especializações em Eng. Computação (UFRN, 1993) e Eng. de Produção (UFSCar, 1996). Atualmente é professor associado da Univ. Federal do Rio Grande do Norte. Entre 2009 e 2010 atuou como pesquisador visitante no SISP - Sensing, Imaging & Signal Processing Group, School of Electrical and Electronic Engineering, The University of Manchester, Inglaterra. Tem atuado como avaliador institucional e de cursos do INEP. Membro do IEEE, INNS Intl. Neural Network Society, atual presidente da Soc. Bras. de Inteligência Computacional (antiga Soc. Bras. Redes Neurais - SBRN). Têm atuado como consultor Ad Hoc de fundações estaduais de apoio a pesquisa como FACEPE (PE) e do Mack Pesquisa (SP), além do CNPq e CAPES. Suas áreas de interesse em pesquisa são algoritmos e aplicações de sistemas Inteligentes, redes neurais, auto-organização, processamento de sinais e imagens, algoritmos bio-inspirados, reconhecimento de padrões, avaliação de desempenho, painéis de indicadores, visualização e mineração de dados. Tem participado de vários comitês de congressos internacionais como IEEE WCCI, IJCNN, ACM SAC, ISNN. Atua como revisor de vários periódicos como IEEE Trans. on Neural Networks, Intl. Journal of Neural Systems, Information Sciences, entre outras.