PT
A integração de imagens aéreas e satélite com metodologias do âmbito da
Aprendizagem Automática (Machine Learning) e Visão Computacional (Computer
Vision) providenciou a capacidade de cobrir terrenos amplos e permitiu a extração de
novas características do terreno, fornecendo meios para localizar, monitorizar e proteger
remotamente de destruição locais com património cultural. Este trabalho procura unir
informações espectrais e espaciais, derivadas de imagens multiespectrais, hiperespectrais
e pancromáticas cedidas e obtidas pelos satélites da ESA, para implementar um sistema
de deteção automática de alto desempenho capaz de detetar dolmens enterrados ou
cobertos por vegetação. Separadamente, implementaram-se métodos onde se tentou
desenvolver um sistema baseado na assinatura espectral do material dos dolmens, para
imagens hiperespectrais, e, para imagens pancromáticas e multiespectrais, um sistema
para extrair índices espectrais, fundir todos os índices extraídos num só e aplicar deteção
de círculos para identificar locais onde haja grande probabilidade de existir um dólmen,
após eliminação de falsos positivos através de uma técnica supervisionada de
Aprendizagem Automática. As imagens hiperespectrais não demonstraram capacidade de
definir uma assinatura de material de dolmens e, por extensão, não aptas a delinear
automaticamente regiões com alta probabilidade de presença de dólmen, devido à grande
dimensão dos pixels em comparação com os pixels dos dolmens conhecidos e os arredores
dos dolmens serem demasiado semelhantes. O sistema criado da fusão de imagens
pancromáticas e multiespectrais mostrou-se capaz de detetar localizações de dólmen,
provando, simultaneamente, que parte da informação na ontologia existente para dólmens
em Portugal (nomeadamente, a inserção usual próximo de fontes de água) pode ser usada
para delinear áreas de alta probabilidade de presença de dólmen e que o uso de métodos
de aprendizagem supervisionada permitiu eliminar cerca de 87.2% falsos positivos.
EN
The integration of airborne and satellite imagery with Computer Vision and Machine
Learning methodologies provided the ability of covering ample ground and enabled the
detection of new terrain features, providing means to remotely locate, monitor and protect
from destruction sites of cultural heritage. This work seeks to fuse spectral information
obtainable from multispectral or hyperspectral images with spatial information derived
from panchromatic images, provided by ESA and obtained from its satellites, to
implement a high-performance automatic detection system capable of detecting buried or
covered by vegetation dolmens. Separate methods were implemented, where for
hyperspectral images a system was attempted based on the dolmens respective spectral
material signature, and for panchromatic and multispectral images a system that extracted
spectral indices, fused all into one and applied circle detection to identify dolmen
locations, eliminating false positives through supervised machine learning. The
hyperspectral images could not be used for the creation of a dolmens’ material signature,
and by extension cannot automatically delineate regions of high likelihood of dolmen
presence in images, due to the size of each pixel being of much higher dimensions than
the known dolmens and the dolmens surrounding environments being too similar. The
system created through the fusion of panchromatic and multispectral images proved
capable of detecting dolmen locations, while simultaneously proving that part of the
existent defined ontology of the dolmen (their insertion near water sources) can be used
to delineate areas of high probability of dolmen presence, and that using supervised
learning methods can enable the elimination of around 87.2% of false positives.
