Use este identificador para citar ou linkar para este item: https://repositorio.ufrn.br/jspui/handle/123456789/15117
Título: Classificação de imagens de ambientes coralinos: uma abordagem empregando uma combinação de classificadores e máquina de vetor de suporte
Autor(es): Henriques, Antônio de Pádua de Miranda
Palavras-chave: Recifes de corais;Classificação de imagens;Conjunto de classificadores;Máquina de vetor de suporte;Coral reefs;Image classification;Classifiers ensemble;Support vector machine
Data do documento: 8-Ago-2008
Editor: Universidade Federal do Rio Grande do Norte
Citação: HENRIQUES, Antônio de Pádua de Miranda. Classificação de imagens de ambientes coralinos: uma abordagem empregando uma combinação de classificadores e máquina de vetor de suporte. 2008. 149 f. Tese (Doutorado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2008.
Resumo: The use of the maps obtained from remote sensing orbital images submitted to digital processing became fundamental to optimize conservation and monitoring actions of the coral reefs. However, the accuracy reached in the mapping of submerged areas is limited by variation of the water column that degrades the signal received by the orbital sensor and introduces errors in the final result of the classification. The limited capacity of the traditional methods based on conventional statistical techniques to solve the problems related to the inter-classes took the search of alternative strategies in the area of the Computational Intelligence. In this work an ensemble classifiers was built based on the combination of Support Vector Machines and Minimum Distance Classifier with the objective of classifying remotely sensed images of coral reefs ecosystem. The system is composed by three stages, through which the progressive refinement of the classification process happens. The patterns that received an ambiguous classification in a certain stage of the process were revalued in the subsequent stage. The prediction non ambiguous for all the data happened through the reduction or elimination of the false positive. The images were classified into five bottom-types: deep water; under-water corals; inter-tidal corals; algal and sandy bottom. The highest overall accuracy (89%) was obtained from SVM with polynomial kernel. The accuracy of the classified image was compared through the use of error matrix to the results obtained by the application of other classification methods based on a single classifier (neural network and the k-means algorithm). In the final, the comparison of results achieved demonstrated the potential of the ensemble classifiers as a tool of classification of images from submerged areas subject to the noise caused by atmospheric effects and the water column
metadata.dc.description.resumo: A utilização de mapas, derivados da classificação de imagens de sensores remotos orbitais, tornou-se de fundamental importância para viabilizar ações de conservação e monitoramento de recifes de corais. Entretanto, a acurácia atingida no mapeamento dessas áreas é limitada pelo efeito da variação da coluna d água, que degrada o sinal recebido pelo sensor orbital e introduz erros no resultado final do processo de classificação. A limitada capacidade dos métodos tradicionais, baseados em técnicas estatísticas convencionais, para resolver este tipo de problema determinou a investigação de uma estratégia ligada à área da Inteligência Computacional. Neste trabalho foi construído um conjunto de classificadores baseados em Máquinas de Vetor de Suporte e classificador de Distância Mínima, com o objetivo de classificar imagens de sensoriamento remoto de ecossistema de recifes de corais. O sistema é composto por três estágios, através dos quais acontece o refinamento progressivo do processo de classificação. Os padrões que receberam uma classificação ambígua em uma determinada etapa do processo são reavaliados na etapa posterior. A predição não ambígua para todos os dados aconteceu através da redução ou eliminação dos falsos positivos. As imagens foram classificadas em cinco tipos de fundos: águas profundas, corais submersos, corais intermarés, algas e fundo arenoso. A melhor acurácia geral (89%) foi obtida quando foram utilizadas Máquinas de Vetor de Suporte com kernel polinomial. A acurácia das imagens classificadas foi comparada, através da utilização de matriz de erro, aos resultados alcançados pela aplicação de outros métodos de classificação baseados em um único classificador (redes neurais e o algoritmo k-means). Ao final, a comparação dos resultados alcançados demonstrou o potencial do conjunto de classificadores como instrumento de classificação de imagens de áreas submersas, sujeitas aos ruídos provocados pelos efeitos atmosféricos e da coluna d água
URI: http://repositorio.ufrn.br:8080/jspui/handle/123456789/15117
Aparece nas coleções:PPGEE - Doutorado em Engenharia Elétrica e de Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
AntonioPMH.pdf3,4 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.