DETECÇÃO DE MUDANÇAS EM IMAGENS MULTITEMPORAIS DE SENSORIAMENTO REMOTO EMPREGANDO SVM COM KERNEL RBF E NOVA MÉTRICA DE PERTINÊNCIA

Resumo

Este artigo investiga uma abordagem para o problema da detecção de mudanças em imagens multitemporais de sensoriamento remoto empregando Support Vector Machines (SVM) com o uso do kernel RBF (Radial Base Function) aliado a uma nova métrica de pertinência denominada Delta b. A proposta metodológica está baseada na diferença das imagens-fração produzidas para cada data. Em imagens de cenas naturais, a diferença nas frações de solo e vegetação tende a apresentar uma distribuição simétrica em torno da média de seus pixels. Este fato pode ser usado para modelar duas distribuições normais multivariadas: mudança e não-mudança. O algoritmo Expectation-Maximization (EM) é implementado para estimar os parâmetros (vetor de médias, matriz de covariância e probabilidade a priori) associados a estas duas distribuições. Amostras aleatórias são extraídas a partir destas duas distribuições e usadas ??para treinar um classificador SVM baseado no kernel RBF. A metodologia proposta é testada usando conjuntos de dados multitemporais de imagens multiespectrais Landsat-TM que cobrem a mesma cena, localizada no estado de Roraima, em duas datas diferentes. Amostras de teste são obtidas pelo uso da técnica Change Vector Analysis (CVA) e usadas para validar o método de estimação de pertinência. Espera-se que esta metodologia possa ser aplicada ao monitoramento agrícola e de desmatamentos florestais, entre outros estudos de caráter ambiental.