Integração entre Estratégias Multiclasses e diferentes Funções Kernel em Máquinas de Vetores Suporte para Classificação de Imagens de Sensoriamento Remoto

Abstract

Although several image classification methods have been proposed in literature, Support Vector Machine (SVM) is widely used in Remote Sensing applications. In addition to its robust mathematical formulation, the possibility of using different kernel functions and multiclass strategies highlights the attractiveness of this method. While kernel functions make possible to enhance the classification performance face to non-linearly separable data, multiclass strategies extend the original formulation of SVM in order to cope with problems involving more than two classes. However, it worth mention that particular choice involving a kernel function and a multiclass strategy implies directly on the classification performance. Furthermore, the best choice may be not a simple task. In order to reduce the freedom degree that arises from different possible combinations between kernel function and multiclass strategy, two architectures to training SVM are proposed. Three case studies involving land use and land cover classification with images acquired by different sensors are carried in order to verify the potential of presented architectures in comparison to usual approaches.Dentre diferentes métodos de classificação de imagens, Máquina de Vetores Suporte (Support Vector Machine – SVM) tem sido amplamente utilizado em diferentes aplicações em Sensoriamento Remoto. Além de sua excelente formulação matemática, a possibilidade de emprego de diferentes funções kernel e estratégias multiclasses tornam o método SVM ainda mais atrativo. Enquanto as funções kernel possibilitam aumentar a capacidade de distinção entre dados não linearmente separáveis, as estratégias multiclasses estendem a formulação original do método SVM a fim de lidar com problemas de classificação envolvendo além de duas classes. A escolha envolvendo uma função kernel e uma estratégia multiclasses em particular implica diretamente sobre a acurácia da classificação. Este trabalho propõe duas arquiteturas para treinamento do método SVM com finalidade de diminuir o grau de liberdade que surge diante das diferentes combinações possíveis entre função kernel e estratégia multiclasses. Três estudos de caso, envolvendo classificação de uso e cobertura do solo a partir de imagens adquiridas por diferentes sensores, são realizados a fim de verificar o potencial das arquiteturas formalizadas em comparação as abordagens usuais.