Detecção de mudanças em dados de imagens multitemporais de sensoriamento remoto empregando Support Vector Machines com o uso de kernel polinomial e kernel RBF (kernel função de base radial)

This paper investigates an approach to the problem of detecting changes in multitemporal remote sensing images using Support Vector Machines (SVM) with the use of the polynomial kernel and RBF kernel (kernel based radial function). For the experiments two Landsat 5-TM images were used covering the same area, located in the State of Roraima, Brazil (61°37’W–61°49’W of longitude and 3°40’N–3°52’N of latitude). The methodological proposal is based on the difference of fraction images. The difference in soil and vegetation fractions in natural scene images tends to have a symmetrical distribution around the origin and this fact is used to model two normal multivariate distributions: change and non-change. The Expectation-Maximization (EM) algorithm was implemented to estimate the parameters associated with these two distributions. Random samples were extracted from the distributions and used to train the SVM classifier. Two procedures were used to assess the accuracy of the methodology. First, the qualitative analysis carried out through the production of the change map. Then, the quantitative analysis carried out through the construction of the confusion matrix using a synthetic image. It was observed that the RBF kernel presented very similar results for all sets of test samples, regardless of the size of the training sample set, which does not occur with the polynomial kernel. The experiments developed in this work show the adequacy of the proposed methodology, producing acceptable results in the detection of changes in soil cover, since the SVM is a robust method, handles the problem of dimensionality and with noisy samples and requires a number small sample of training samples for the classification process.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 dokernel polinomial e do kernel RBF (kernel função de base radial). Para os experimentos, foram consideradas duas imagens Landsat 5-TM cobrindo a mesma área, localizada no Estado de Roraima, Brasil (61°37’W–61°49’W de longitude e 3°40’N–3°52’N de latitude). A proposta metodológica está baseada na diferença de imagens-fração. Em imagens de cenas naturais, a diferença nas frações de solo e vegetação tende a apresentar uma distribuição simétrica em torno da origem, fato utilizado para modelarduasdistribuições normais multivariadas:mudança e não-mudança. O algoritmo Expectation-Maximization (EM) foiimplementado para estimar os parâmetrosassociados a essas duas distribuições. Amostras aleatórias foram extraídas a partir das distribuições e usadas para treinar o classificador SVM. Para a avaliação da acuráciada metodologia, foram utilizados dois procedimentos: a análise qualitativa, realizada por meio da produção do mapa de mudança, e a análise quantitativa, a partir da construção da matriz de confusão em uma imagem sintética.Foi possível observar que o kernel RBF apresentou resultados muito semelhantes para todos os conjuntos de amostras de teste, independentemente do tamanho do conjunto de amostras de treinamento, o que não ocorre com o kernel polinomial.Os experimentos desenvolvidos neste trabalho mostram a adequação da metodologia proposta, produzindo resultados aceitáveis na detecção de alterações na cobertura do solo, uma vez que o SVM é um método robusto, lida bem com o problema da dimensionalidade e com amostras ruidosas e necessita de um número pequeno de amostras de treinamento para o processo de classificação