Metodi di elaborazione di immagini SAR: un’applicazione di Support Vector Machines

Nell’ambito del remote-sensing, notevoli sviluppi si sono avuti dal momento in cui tecniche non lineari proprie dell’Intelligenza Artificiale sono state impiegate nel campo della cosiddetta land cover classification. In quest’ambito, è stato pensato di implementare un algoritmo di riconoscimento immagini tramite l’applicazione di una nuova tecnica di riconoscimento pattern alla classificazione di immagini SAR. Tale tecnica è stata recentemente introdotta all’interno della cosiddetta Statistical Learning Theory sviluppata da V. Vapnik e al., e viene indicata sotto il nome di Support Vector Machines (SVMs). Poiché, però, le SVMs sono propriamente dei classificatori binari, è stata utilizzata una loro estensione, definita come Multiclass Support Vector Machines (M-SVMs). Queste sono state implementate da Hsu and Lin al fine di applicare la teoria di Vapnik anche alle applicazioni nelle quali sono coinvolte più di due classi di elementi. La tecnica proposta ha portato a risultati molto interessanti, con un grado di affidabilità stimabile attorno ad un 94% circa. Essa, pertanto, potrebbe essere a ragion veduta applicata ad applicazioni di monitoraggio ambientale e rilevazione di cambiamenti di sorta nel contesto di singole zone oggetto di telerilevamento da aereo e/o da satellite.