D - SCHNEIDER, MARIO JORGE.pdf - Universidade Federal do ...
D - SCHNEIDER, MARIO JORGE.pdf - Universidade Federal do ...
D - SCHNEIDER, MARIO JORGE.pdf - Universidade Federal do ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
CAPÍTULO 8 - SEGMENTAÇÃO E CLASSIFICAÇÃO.<br />
8.1 CLASSIFICAÇÃO SUPERVISIONADA<br />
Méto<strong>do</strong> mais utiliza<strong>do</strong> em análises quantitativas em Sensoriamento<br />
Remoto, basea<strong>do</strong> em algoritmos que rotulam pixeis numa imagem,<br />
representan<strong>do</strong> tipos particulares de cobertura vegetal, ou classes. (Richards,<br />
1993).<br />
Os passos para execução desta classificação são:<br />
1) Selecionar um grupo de tipos de coberturas ou classes para<br />
segmentação da imagem. Neste estu<strong>do</strong>, determinamos como<br />
objetos de estu<strong>do</strong>, a água, mata fechada, campos, solos,<br />
armamento, edificações, sombras.<br />
2) Escolher amostras de cada uma das classes para treinar o<br />
classifica<strong>do</strong>r.<br />
3) Classificar cada pixel da imagem, de acor<strong>do</strong> com as amostras<br />
determinadas.<br />
4) Produzir tabelas ou mapas temáticos que sumanzem o<br />
resulta<strong>do</strong>s obti<strong>do</strong>s.<br />
Existem diversos algoritmos, como o de Máxima Verossimilhança, e<br />
Paralelepípe<strong>do</strong>. Segun<strong>do</strong> Richards, 1993 o de Máxima Verossimilhança, é o de<br />
maior utilização em Sensoriamento Remoto e baseia-se num conjunto de<br />
probabilidades, que indicam a maior probabilidade de um pixel pertencer a uma<br />
determinada classe.<br />
Este méto<strong>do</strong> de classificação mostra-se eficiente, quan<strong>do</strong> podemos<br />
estimar um valor de média e matriz de covariância para cada classe, com<br />
precisão, e dispomos de vários "pixeis" bem determina<strong>do</strong>s por cada classe.<br />
61