Patrícia Carneiro Genovez

Título



Segmentação e Classificação de Imagens SAR Aplicadas à Detecção de Alvos Escuros em Áreas Oceânicas de Exploração e Produção de Petróleo

Orientador(es)



Nelson Francisco Favilla Ebecken e Corina da Costa

Resumo



Sistemas para detecção automática de vazamentos de óleo têm sido desenvolvidos para auxiliar a interpretação das imagens SAR, sendo compostos por 4 etapas: a) pré-processamento; b) detecção de alvos escuros; c) cálculo de atributos, e; d) classificação dos alvos em óleo ou assemelhados. A detecção dos alvos escuros é a principal etapa, sem a geometria dos alvos não há como classificá-los em óleo ou assemelhados. Neste contexto, o desenvolvimento de um procedimento automático para a detecção de alvos escuros em imagens SAR, integrando técnicas de segmentação de imagens e de reconhecimento de padrões constitui o objetivo proposto. Os procedimentos envolveram as seguintes etapas: a) definição do espaçamento de pixel e do filtro para o pré-processamento; c) partição das imagens em regiões utilizando técnicas de segmentação por crescimento de regiões; d) cálculo, análise exploratória e seleção de atributos; e) detecção de alvos escuros utilizando clusterização de dados, e; f) validação do método proposto. Embora o método proposto tenha detectado alvos escuros com diferentes níveis de complexidade em diferentes recortes de cena, não obteve resultados satisfatórios em todos os exemplos estudados. Como ainda não há um consenso sobre a utilização operacional de métodos plenamente automáticos, a elaboração de um sistema híbrido inteligente capaz de indicar através de regras de decisão as imagens aptas para o processamento automático ou semi-automático foi proposta. Os resultados evidenciaram o potencial destas regras para auxiliar no processo de automatização, sendo necessárias mais amostras para retornar regras mais robustas aplicáveis a toda nova imagem SAR adquirida.

Abstract



Automatic oil detection systems have been developed to improve SAR image interpretation, composed of four principal stages: a) image pre-processing; b) dark spot detection; c) feature extraction, and; d) oil and look-alike classification. The dark spot detection is considered the main step in the processing chain: without the geometry of the spots, the oil and look-alikes classification is unfeasible. In this context, this work aimed to develop an automatic classification procedure able to detect dark spots in SAR images, by the integration of segmentation and pattern recognition techniques. The proposed methodology were organized in six stages as follow: a) images subset selection; b) pixel spacing and filter definition; c) image partition into proper regions using region growing segmentation techniques; d) features extraction, exploratory analyses and feature selection; e) dark spot detection using data clustering, and; f) validation of the proposed method. In spite of the proposed method had been able to detect dark spots with different complexity levels in different image subsets, it didn’t achieve good results for all analyzed examples. Considering that in the scientific community there isn’t a wide agreement about the operational use of fully automatic methods, the development of an intelligent hybrid system, including decision rules able to conduct the images for one automatic or semi-automatic processing, was an interesting approach. The potential of these rules to improve the automation process was indicated. Nevertheless, more samples to return more robust rules are recommended in order to be widely applied to all SAR images acquired.

Imprimir