1 / 95

Por PAULO QUINTILIANO DA SILVA

Universidade de Brasília - UnB IG – Instituto de Geociências. RECONHECIMENTO AUTOMÁTICO DE ALVOS EM IMAGENS MULTIESPECTRAIS E HIPERESPECTRAIS BASEADO EM MODELO, NOS EIGENSPACES E NA KLT – KARHUNEN-LOÈVE TRANSFORM. Por

sasson
Download Presentation

Por PAULO QUINTILIANO DA SILVA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Universidade de Brasília - UnB IG – Instituto de Geociências • RECONHECIMENTO AUTOMÁTICO DE ALVOS EM IMAGENS MULTIESPECTRAIS E HIPERESPECTRAIS BASEADO EM MODELO, NOS EIGENSPACES E NA KLT – KARHUNEN-LOÈVE TRANSFORM • Por • PAULO QUINTILIANO DA SILVA

  2. Objetivo • Construção de modelo de Reconhecimento automático de Alvos (discretos e contínuos) • classificação de imagens • detecção de alvos • reconhecimento de alvos 02

  3. Contribuições • Novo sistema ATR • Tratamento de imagens multiespectrais e hiper-espectrais com a KLT • Manipulação dos índices de falso-positivos e falso-negativos – Fator Q 03

  4. Título • ATR • Imagens multiespectrais e hiperespectrais • Modelo • Eigenspaces • KLT 04

  5. KLT • Descreve as informações c/conjunto mínimo de dados • Redução da dimensiona-lidade dos dados • Adaptação da KLT para imagens multiespectrais e hiperespectrais 05

  6. Reconhecimento • Uso de alvos militares • Etapas • Treinamento • Representação • Detecção • Reconhecimento 06

  7. Treinamento • Supervisionado • Escolha de classes • Coleta de amostras • Ensinamento 07

  8. Representação • Codificação • Modelos • Template-based • Feature-based • Appearance-based 08

  9. Detecção • Localização do alvo no cenário • Reconhecimento • Definição da classe em que pertence 09

  10. Imagens usadas • Satélite Landsat 7 • Satélite Ikonos II • Satélite Aviris • LADAR (Radar a laser) 10

  11. Métricas • Métrica euclidiana 11

  12. Distâncias • Distância euclidiana Distância de Mahalanobis 12

  13. Autovalores e Autovetores Autovalores  de W Autovetores de W Para 13

  14. Modelo proposto O modelo varre exaustivamente as imagens, gerando-se janelas. Conversão das imagens (colunas) Conversão das imagens (bandas) 14

  15. Modelo proposto Cálculo da imagem média Cálculo do “Espaço ” 15

  16. Montagem da matriz A 1 2 3 4 M 16

  17. Montagem da matriz C 1 2 3 4 17

  18. Montagem da matriz L 1 2 3 4 M 18

  19. Montagem da matriz V Autovetores da matriz L 19

  20. Montagem da matriz U Autovetores da matriz C 20

  21. Cálculo dos Autovetores de C 21

  22. Treinamento do modelo Treinamento supervisionado Classes usadas 22

  23. Reconhecimento dos alvos Cálculo da distância euclidiana 23

  24. Cálculos dos thresholds 1) Máxima distância aceitável dos padrões • 2) Corte das quantidades de autovalores • Autovetores com os 1, 5, 10 ou 20 maiores autovalores 24

  25. Resultados obtidos Imagem Landsat 7 Classes: Água Cerrado Reflorest. C.Limpo M.Galeria 25

  26. Resultados obtidos 26

  27. Resultados obtidos Blocos: 11, 12, 21 e 22 3 bandas espectrais 27

  28. Resultados obtidos Fator Q = 1 28

  29. Resultados obtidos Fator Q = 5 29

  30. Resultados obtidos Fator Q = 10 30

  31. Resultados obtidos Fator Q = 20 31

  32. Resultados obtidos Fator Q = 30 32

  33. Resultados obtidos Fator Q = 40 33

  34. Resultados obtidos Fator Q = 50 34

  35. Resultados obtidos Blocos: 23, 24, 33 e 34 35

  36. Resultados obtidos Fator Q = 1 36

  37. Resultados obtidos Fator Q = 5 37

  38. Resultados obtidos Cortes “hard” com diferentes quantidades de autovalores Com 1 autovetor Com 3 autovetor Fator Q = 1 Com 5 autovetores Com 10 autovetores 38

  39. Resultados obtidos 39

  40. Resultados obtidos 40

  41. Resultados obtidos 41

  42. Resultados obtidos Uso das seis bandas espectrais: 1, 2, 3, 4, 5 e 7. Pixels tomados por colunas Fator Q = 1 42

  43. Resultados obtidos Uso das seis bandas espectrais: 1, 2, 3, 4, 5 e 7. Pixels tomados por colunas Fator Q = 5 43

  44. Resultados obtidos Uso das seis bandas espectrais: 1, 2, 3, 4, 5 e 7. Pixels tomados por bandas Fator Q = 1 44

  45. Resultados obtidos Uso das seis bandas espectrais: 1, 2, 3, 4, 5 e 7. Pixels tomados por bandas Fator Q = 5 45

  46. Resultados obtidos Uso de 8 classes: água, cerrado, reflorestamento, campo limpo, mata galeria, grama, solo exposto e zona urbanizada. Uso de 3 bandas. Fator Q = 1 46

  47. Resultados obtidos Uso de 8 classes: água, cerrado, reflorestamento, campo limpo, mata galeria, grama, solo exposto e zona urbanizada Fator Q = 5 47

  48. Resultados obtidos Uso de 8 classes: água, cerrado, reflorestamento, campo limpo, mata galeria, grama, solo exposto e zona urbanizada Fator Q = 10 48

  49. Resultados obtidos Uso de 8 classes: água, cerrado, reflorestamento, campo limpo, mata galeria, grama, solo exposto e zona urbanizada Fator Q = 20 49

  50. Resultados obtidos Uso de 8 classes: água, cerrado, reflorestamento, campo limpo, mata galeria, grama, solo exposto e zona urbanizada Fator Q = 30 50

More Related