Classificadores induzidos de divergências para modelos vetoriais e para distribuição Wishart complexa: experimentos em imagens PolSAR

Abstract

Dentre as técnicas de sensoriamento remoto, o sistema de radar de abertura sintética polarimétrico (Polarimetric Synthetic Aperture Radar-PolSAR) tem assumido uma posição de destaque. Isto se deve a capacidade do PolSAR em (i) operar em várias condições atmosféricas (na ausência de luz, tempo nublado, entre outros), (ii) produzir imagens em alta resolução espacial e (iii) fornecer informações sobre uma cena na perspectiva de vários canais de polarização. Entretanto dados de imagens PolSAR são fortemente contaminados por um ruído multidimensional (chamado de ruído speckle), o que dificulta sua modelagem e processamento. Em particular, pesquisas indicam que o uso dos clas-sificadores clássicos (tais como, análise discriminante linear-LDA, análise discriminante quadrática-QDA, K vizinhos mais próximos-KNN e máquina de vetores de suporte-SVM) comumente resultam em desempenhos insuficientes, o que motiva a proposta de classi-ficadores adaptados à natureza de dados PolSAR. Neste trabalho, objetiva-se construir uma coleção de classificadores para dados PolSAR com base em distâncias e divergências entre medidas de probabilidade para vetores e matrizes aleatórios. São considerados os modelos vetoriais normal, skew-normal, t-Student e skew-t e a distribuição matricial Wishart complexa escalonada (WCE). Utilizando as divergências/distâncias de Rényi, Kullback-Leibler e Jeffreys combinadas aos modelos vetoriais e matricial na elaboração de classificadores para dados de intensidade SAR multivariados e “full PolSAR” (matricial hermitiano), são propostos quatorze classificadores. Em particular, oito deles são classes de classificadores incorporadas a um processo de otimização para um parâmetro de flexibilidade (induzido da ordem da divergência de Rényi). Através de um estudo de simulação Monte Carlo, a performance dos métodos propostos é quantificada e comparada com outras obtidas pela distância de Kullback-Leibler para a distribuição normal multivariada e pelos métodos LDA, QDA, KNN e SVM. Para este fim, imagens sintéticas foram simuladas obedecendo à física de formação de imagens PolSAR. O classificador com base na divergência otimizada de Rényi para a lei WCE pode superar os demais. Finalmente, experimentos com dados reais extraídos de duas imagens PolSAR são realizados. Resultados apresentam evidências em favor dos classificadores ótimos com base na divergência de Rényi para a imagem de São Francisco com base no sensor AIRSAR (Radar de Abertura Sintética Airborne) e do classificador baseado na divergência Kullback-Leibler para a distribuição t-Student multivariada para a imagem de Foulum com base no sensor EMISAR (Electromagnetics Institute SAR).