Victor Vinicius Araujo Ferreira
Título
Caracterização e Classificação de Alvos no Oceano em Imagens SAR Utilizando a Dimensão Fractal Dinâmica em Diferentes Cenários Ambientais do Golfo do México
Orientador(es)
José Luis Drummond Alves
Fernando Pellon de Miranda
Resumo
A presente pesquisa é uma análise exploratória de dados, que visa estudar os valores de Dimensão Fractal Dinâmica (DFD) para diferentes alvos no oceano, utilizando imagens de Radar de Abertura Sintética (SAR) sob condições ambientais diversas. A metodologia consiste em retirar amostras lineares de alvos de interesse das imagens SAR e considera a sequência dos valores dos pixels como uma estrutura fractal. Tal estrutura foi virtualmente submetida a um movimento harmônico simples com três graus de liberdade, resultando em três DFD’s (Dm, Dh e Dv). O conjunto de dados utilizados abrange 22 imagens RADARSAT-2 obtidas durante o ano de 2012 na região da Baia de Campeche (Golfo do México). Estas foram agrupadas em cinco cenários ambientais, utilizando como critérios a intensidade do vento e a altura significativa de onda. As imagens SAR foram processadas de forma a gerar cinco produtos: escala de cinza, número digital, σ0, β0 e γ0. Para todos os produtos foram analisados quatro tipos de alvos: (1) regiões do mar com espalhamento difuso do sinal de radar; (2) plataformas e embarcações (P&E); (3) manchas de óleo; (4) falsos alvos (áreas com velocidade do vento < 3 m/s). Os resultados mostraram que Dh possui intervalos bem definidos para as amostras de mar, óleo e falso alvo nos produtos σ0, β0 e γ0. Por fim, foram utilizados três modelos de classificação de dados baseados em aprendizado de máquina para distinguir entre amostras de óleo e falsos alvos. O modelo Support Vector Machine (SVM) apresentou melhor acurácia (76%) para σ0 e γ0.
Abstract
This research is an exploratory data analysis aiming to study Dynamics Fractal Dimension (DFD) values for different targets in the ocean, using Synthetic Aperture Radar (SAR) images under different environmental conditions. The methodology is focused in taking linear samples of specific targets in SAR images to consider the sequence of pixel values as a fractal structure. Such structure is virtually subjected to a simple harmonic motion with three degrees of freedom, resulting in three DFD’s (Dm, Dh and Dv). The dataset includes 22 RADARSAT-2 images acquired during 2012 in the Campeche Bay region (Gulf of Mexico). These images were grouped into five environmental scenarios, using the wind speed and the significant wave height as selection criteria. The SAR images were processed to generate five products: gray scale, digital number, σ0, β0 and γ0. For all products, four types of targets were analyzed: (1) sea regions with diffuse scattering of the radar signal; (2) platforms and vessels (P&E); (3) oil slick; (4) false targets (areas with wind speed <3 m/s). The results show that Dh has well-defined ranges for sea samples, oil slicks and false targets to σ0, β0 and γ0 products. Finally, data classification including three models based on machine learning were used to distinguish between oil samples and false targets. The Support Vector Machine (SVM) model showed better accuracy (76%) to σ0 and γ0.
