Neste trabalho apresenta-se um novo segmentador para imagens de radar e ópticas, SegSAR. O segmentador SegSAR faz uso de técnicas de crescimento e agrupamento de regiões, detecção de bordas, teste de homogeneidade e teste de área mínima, integradas numa estrutura de compressão piramidal. Assim, o segmentador SegSAR apresenta-se como uma inovação no processo de segmentação por integrar técnicas tradicionais de segmentação, sendo um segmentador hierárquico, multi-nível e multi-modelo e trabalha com imagens em uma banda ou multi-bandas. Uma outra inovação deste segmentador é a possibilidade de se obter resultados intermediários nos diferentes níveis de compressão do processo de segmentação. O processamento das imagens de radar é feito em intensidade, no entanto as imagens de entrada podem ser em amplitude, intensidade ou dB. O segmentador trabalha com dois modelos para representar os dados das imagens: o primeiro é o modelo de manchas (cartoon) que é adequado para imagens com regiões homogeneas onde o backscatter é constante, e o segundo é o modelo de textura, o qual é mais indicado para imagens com regiões em que o backscatter nao é constante. O modelo de manchas para imagens de radar faz uso das propriedades da distribuição Gama para segmentar as imagens, e usa como critério para determinar a homogeneidade de uma região o coeficiente de variação, o qual é obtido por simulação Monte Carlo sobre amostras com distribuição Gama para diferentes níveis de significância. O modelo de textura para imagens de radar usa como principal critério de segmentação, o coeficiente de variação das regiões, que é comparado com um coeficiente de variação crítico determinado pelo usuário. Para imagens ópticas, o modelo de manchas supõe que a variância é constante para toda a imagem, enquanto que o modelo de textura faz uso da variância das regiões no processo de segmentação. Em ambos os modelos, o teste de homogeneidade é calculado sobre um valor de coeficiente de variação. O SegSAR foi implementado na linguagem IDL - Interative Data Language e faz uso de algumas ferramentas do ENVI para tornar a interface mais amigável. A avaliação do SegSAR foi realizada usando critérios qualitativos e quantitativos sobre conjuntos de imagens simuladas. Adicionalmente foram realizadas segmentações sobre imagens de radar na banda X e sobre imagens ópticas Landsat7/ETM+ e Landsat5/TM, sendo estes resultados analisados qualitativamente. O modelo de manchas apresentou um bom desempenho tanto para imagens formadas por regiões homogêneas com para imagens com textura. Os modelos de manchas e de textura apresentaram um bom desempenho quando aplicados às imagens ópticas. O modelo de textura para imagens de radar apresentou um bom resultado para imagem real, o mesmo nao ocorrendo para imagens simuladas.
This research presents an innovative automatic segmentation method (SegSAR) designed for radar and optical satellite imagery. The design of SegSAR is innovative because it encompasses (i) several common segmentation techniques such as region growing and merging, edge detection, and minimum area and homogeneity test, which are integrated in a pyramidal compression structure; (ii) a hierarchical segmentation procedure; (iii) a multi-level segmentation procedure; (iv) a multi-model homogeneity test; (v) a single band or multi-bands of satellite imagery option; and (vi) the generation of intermediate results at each level of the segmentation process. The processing of radar imagery is performed in intensity values; however, options of input image are amplitude, intensity, and dB. SegSAR is designed to represent imagery in two different models, (i) the cartoon model that is suitable for homogeneous regions, i.e., constant backscattering, of the image; and (ii) the texture model that is suitable for heterogeneous regions, i.e., variable backscattering. For segmentation of radar imagery, the cartoon model assumes that the data for each region has a Gamma distribution, and uses the coefficient of variation to determine the homogeneity degree of a region. Gamma distributed samples are used to obtain the critical coefficients of variation, at different levels of significance, through Monte Carlo simulation. Differently, the texture model uses only a comparison between a coefficient of variation of a region and a user defined coefficient of variation. For segmentation of optical imagery, the cartoon model assumes that the variability of digital number is constant over the entire image. Conversely, the texture model uses the variability among regions to segment the image. A used defined coefficient of variance is used to define the homogeneity degree for both models. SegSAR was implemented in IDL (Interactive Data Language), and uses ENVI tools to make the interface user friendly. The performance of SegSAR over radar imagery was conducted using quantitative and qualitative criteria over simulated data and qualitative criteria over airborne band X image. The performance over optical data was conducted using qualitative criteria over Landsat 7/ETM+ and Landsat 5/TM imagery. Both, the cartoon and the texture models, showed good results for both the radar and optical imagery, except for the not satisfactory results obtained when the texture model was applied over simulated radar imagery.
