Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
MINISTÉRIO DA CIÊNCIA E TECNOLOGIA<br />
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS<br />
DESENVOLVIMENTO DE CLASSIFICADORES DE MÁXIMA<br />
VEROSSIMILHANÇA E ICM PARA IMAGENS SAR<br />
<strong>Pedro</strong> <strong>Ronalt</strong> <strong>Vieira</strong><br />
Dissertação de Mestrado em Sensoriamento Remoto,<br />
orientada pela Dr a . Corina da Costa Freitas Yanasse<br />
e pelo Dr. Alejandro César Frery Orgambide,<br />
aprovada em 30 de agosto de 1996.<br />
INPE<br />
São José dos Campos<br />
Agosto de 1996
Meus agradecimentos:<br />
- ao Senhor, por esta gratificante oportunidade de<br />
trabalho.<br />
- aos Orientadores, exemplos de profissionalismo,<br />
competência e dedicação, por sua amizade e orientação<br />
segura, definida e dentro dos objetivos especificados para<br />
o trabalho.<br />
- aos Membros da Banca Examinadora pela sua<br />
presença, avaliação e contribuições pertinentes para a<br />
melhor qualidade da dissertação.<br />
- ao filhote que, com a sua presença em constante<br />
alegria, energia e encanto, proporcionou a mim o equilíbrio<br />
necessário nas horas mais difíceis.<br />
- aos Professores do IME e amigos da 5 a DL e DSG<br />
pelo incentivo, indicação e apoio para a realização deste<br />
trabalho.<br />
- aos Professores do INPE, Mestres, Doutores e<br />
funcionários, por sua contribuição no curso de mestrado.<br />
- aos integrantes da Senzala, pela colaboração e<br />
paciência nos momentos necessários.<br />
- aos colegas da turma e de outras turmas<br />
contemporâneas, por sua participação na construção de um<br />
ambiente de amizade e camaradagem.<br />
- aos integrantes do SERE e também aos amigos da<br />
Meteorologia, Computação, Biblioteca e outros, solidários e<br />
prestativos nos momentos em que precisei.<br />
- aos que, embora não citados, contribuiram de<br />
alguma forma para a realização deste trabalho.<br />
v
vi<br />
RESUMO<br />
Este trabalho tem como objetivo implementar, testar<br />
e aplicar um classificador de Máxima Verossimilhança Pontual<br />
(Maxver) e um classificador contextual Markoviano amigável, que<br />
utilizam as distribuições mais apropriadas para dados de radares<br />
de abertura sintética (SAR). São apresentadas as principais<br />
distribuições para os dados SAR e como várias dessas<br />
distribuições surgem através do modelo multiplicativo. Para<br />
atingir o objetivo proposto e possibilitar aplicações futuras da<br />
metodologia desenvolvida, as implementações foram efetuadas na<br />
forma de um Sistema Integrado para Processamento, Classificação<br />
e Análise de Dados SAR, com uma estrutura que permite a<br />
incorporação de outros modelos e técnicas. O sistema<br />
desenvolvido baseia-se nas propriedades estatísticas dos dados<br />
e, além das funções básicas necessárias para a classificação,<br />
possibilita a determinação de estatísticas básicas das<br />
radiometrias das classes, a realização do teste Qui-quadrado de<br />
aderência para a escolha das distribuições que mais se ajustam a<br />
essas radiometrias, a classificação propriamente dita e a<br />
avaliação dos resultados com o coeficiente de concordância Kappa<br />
para matrizes de confusão. O classificador contextual<br />
implementado é o algoritmo das Modas Condicionais Iterativas<br />
(ICM), cuja formulação para estimação do parâmetro foi<br />
desenvolvida para as vizinhanças de oito e doze coordenadas.<br />
Testes foram realizados na discriminação de três classes em<br />
imagens SAR-580 e JERS-1 com diferentes números de visadas. A<br />
análise dos resultados indica que o uso das distribuições que<br />
mais se ajustam às classes leva a classificações de qualidade<br />
superior, quando comparadas às obtidas com uso do método<br />
clássico, que utiliza a distribuição Gaussiana para os dados.<br />
Outra conclusão importante é que o algoritmo ICM apresenta, sob<br />
qualquer hipótese para as radiometrias, resultados sempre<br />
superiores aos obtidos com a classificação Maxver. As<br />
classificações obtidas pelo primeiro são, em média, mais de duas<br />
vezes melhores do que as obtidas pelo método pontual quando<br />
comparadas através da estatística Kappa. O uso do algoritmo ICM<br />
permite, portanto, obter bons resultados na discriminação de<br />
classes como floresta primária, regeneração e desmatamento em<br />
áreas de floresta tropical, como é o caso das imagens JERS-1<br />
utilizadas. O sistema desenvolvido possui também algumas<br />
operações auxiliares à tarefa de classificação de imagens em<br />
geral (modificação e edição da tabela de cores, equalização do<br />
histograma, gerenciamento de amostras, decorrelação de<br />
observações, operações aritméticas, etc.) e de imagens SAR em<br />
particular (filtros redutores de “speckle”, estimação do número<br />
equivalente de visadas, seleção do tipo de imagem e de<br />
modelagem, etc.).
DEVELOPMENT OF MAXIMUM LIKELIHOOD<br />
AND ICM CLASSIFIERS FOR SAR IMAGES<br />
ABSTRACT<br />
The purpose of this study is to implement, test and<br />
apply a Maximum Likelihood Classifier (MLC) and a user-friendly<br />
contextual Markovian classifier, which use the distributions<br />
most appropriate to the Synthethic Aperture Radar (SAR) data.<br />
This study presents the main distributions to the SAR data and<br />
how several of these distributions arise from the multiplicative<br />
model. In order to achieve the proposed aim and to allow future<br />
applications of the developed methodology, the implementations<br />
have been done in a integrated system for SAR data processing,<br />
classification and analysis, with a structure which allows the<br />
addition of other models and techniques.The developed system is<br />
based on the statistical properties of the data and, besides the<br />
necessary functions for the classification, it also allows the<br />
determination of the basic statistics of the classes'<br />
radiometries, the Chi-Square goodness-of-fit test in order to<br />
choose the most suitable distributions for these radiometries,<br />
the classification itself, and the evaluation of the results<br />
with the Kappa coefficient of agreement for the error matrices.<br />
The implemented contextual classifier is the Iterated<br />
Conditional Modes (ICM) algorithm. Its formulation for the<br />
parameter estimation was done for 8- and 12-coordinate<br />
neighborhoods. Tests have been done for the discrimination of<br />
three classes in SAR-580 and JERS-1 images with different<br />
numbers of looks. The analysis of the results indicates that a<br />
more precise classification is achieved by using the<br />
distributions which are the most suitable for the classes, when<br />
compared to those obtained through the classic method that uses<br />
Gaussian distributions.Another conclusion is that the ICM<br />
algorithm presents results which are always superior to those<br />
obtained through the MLC classification, whichever distributions<br />
these radiometries may have.The classifications obtained from<br />
the ICM have Kappa values that are usually twice than those<br />
obtained with the MLC method. Therefore, when using the ICM<br />
algorithm, it is possible to achieve good results in the<br />
discrimination of classes such as primary forest, regeneration,<br />
and deforestation in rainforest areas, as it is the case of the<br />
JERS-1 images used in this study.The developed system has also<br />
some operations which assist the classification of images in<br />
general (color table modification and edition, histogram<br />
equalization, sample manipulation, decorrelation of<br />
observations, arithmetical operations, etc.), and other<br />
operations specific for SAR images (speckle filtering,<br />
equivalent number of looks estimation, selection of image type<br />
and modelling, etc.).<br />
vii
SUMÁRIO<br />
LISTA DE FIGURAS ....................................<br />
Pág.<br />
xvii<br />
LISTA DE TABELAS ................................... xxiii<br />
CAPÍTULO 1 - INTRODUÇÃO ............................. 1<br />
CAPÍTULO 2 - NOTAÇÕES, CONVENÇÕES E DEFINIÇÕES ...... 5<br />
2.1 - Notação e Convenções .......................... 5<br />
2.2 - Definições .................................... 6<br />
2.2.1 - Função Indicadora de um Conjunto A .......... 6<br />
2.2.2 - A Função Gamma de Euler ..................... 6<br />
2.2.3 - A Função Digamma ............................ 7<br />
2.2.4 - A Função Kv de Bessel de 3 o Tipo e Ordem v ... 7<br />
2.2.5 - A Função de Distribuição Acumulada .......... 8<br />
2.2.6 - Esperança ................................... 8<br />
2.2.7 - Variância ................................... 9<br />
2.2.8 - Covariância e Correlação .................... 10<br />
2.2.9 - Momentos .................................... 11<br />
2.2.10 - Autocovariância e Autocorrelação ........... 13<br />
2.3 - Estimação dos Parâmetros ...................... 13<br />
2.3.1 - Estimação pelo Método dos Momentos ..........<br />
2.3.2 - Estimação pelo Método de Máxima Verossimi-<br />
13<br />
lhança ..................................... 14<br />
CAPÍTULO 3 - PRINCIPAIS DISTRIBUIÇÕES ............... 17<br />
3.1 - Distribuição Normal Padrão .................... 17<br />
3.2 - Distribuição Normal ........................... 17<br />
3.3 - Distribuição Normal Multivariada .............. 18<br />
3.4 - Distribuição Log-Normal ....................... 19<br />
3.5 - Distribuição Constante ........................ 20<br />
3.6 - Distribuição Uniforme ......................... 20<br />
3.7 - Distribuição Exponencial Padrão ............... 21<br />
viii
3.8 - Distribuição Exponencial ...................... 21<br />
3.9 - Distribuição Rayleigh Padrão .................. 22<br />
3.10 - Distribuição Rayleigh ........................ 22<br />
3.11 - Distribuição Gama Padrão ..................... 23<br />
3.12 - Distribuição Gama ............................ 24<br />
3.13 - Distribuição Raiz de Gama Padrão ............. 25<br />
3.14 - Distribuição Raiz de Gama .................... 25<br />
3.15 - Distribuição Beta ............................ 27<br />
3.16 - Distribuição Weibull ......................... 28<br />
3.17 - Distribuição K-Intensidade Padrão ............ 29<br />
3.18 - Distribuição K-Intensidade ................... 30<br />
3.19 - Distribuição K-Amplitude Padrão .............. 32<br />
3.20 - Distribuição K-Amplitude ..................... 33<br />
3.21 - Distribuição Gaussiana Inversa Generalizada ..<br />
3.22 - Distribuição Raiz de Gaussiana Inversa Genera-<br />
34<br />
lizada ....................................... 34<br />
3.23 - Distribuição G-Intensidade ................... 35<br />
3.24 - Distribuição G-Intensidade Zero .............. 36<br />
3.25 - Distribuição G-Amplitude ..................... 36<br />
3.26 - Distribuição G-Amplitude Zero ................ 37<br />
CAPÍTULO 4 - MODELAGEM DOS DADOS SAR ................ 39<br />
4.1 - O Modelo Multiplicativo ....................... 39<br />
4.1.1 - Imagens Intensidade ......................... 40<br />
4.1.2 - Imagens Amplitude ........................... 41<br />
4.1.3 - Imagens Complexas ........................... 43<br />
4.2 - As Distribuições Normais Restritas ............ 44<br />
4.2.1 - Normal Restrita Intensidade ................. 44<br />
4.2.2 - Normal Restrita Amplitude ................... 45<br />
4.3 - Distribuições ad-hoc .......................... 45<br />
CAPÍTULO 5 - A CLASSIFICAÇÃO MAXVER ................. 47<br />
5.1 - Os Passos da Classificação por Máxima Verossimilhança<br />
..................................... 47<br />
ix
5.2 - A Implementação Maxver ........................ 48<br />
5.2.1 - Partição da Imagem em classes ............... 48<br />
5.2.2 - Associação da Distribuição .................. 49<br />
5.2.3 - Amostragem ..................................<br />
5.2.4 - Teste da Aderência das Distribuições Selecio-<br />
49<br />
nadas ...................................... 50<br />
5.2.5 - Estimação dos Parâmetros das Distribuições .. 50<br />
5.2.5.1 - O Número Equivalente de Visadas ........... 50<br />
5.2.6 - Classificação ............................... 51<br />
CAPÍTULO 6 - CLASSIFICADORES CONTEXTUAIS ............ 53<br />
6.1 - Técnicas Markkovianas de Classificação ........ 53<br />
6.2 - Modelo de Potts-Strauss ....................... 54<br />
6.3 - Formulação Teórica ............................ 56<br />
6.3.1 - O Modelo de Potts-Strauss Propriamente Dito .<br />
6.4 - Estimação pela Equação de Máxima Pseudoverossi-<br />
58<br />
milhança ..................................... 59<br />
6.4.1 - Estimação para Vizinhança Quatro ............ 62<br />
6.4.2 - Estimação para Vizinhança Oito .............. 65<br />
6.4.3 - Estimação para vizinhança Doze .............. 67<br />
6.5 - O Algoritmo ICM ............................... 67<br />
6.6 - Pseudocódigos do Algoritmo ICM ................ 74<br />
6.6.1 - Pseudocódigo do Algoritmo de Classificação .. 74<br />
6.6.2 - Pseudocódigo da Função para Estimação de β ..<br />
6.6.3 - Pseudocódigo da Função que gera uma Segmenta-<br />
75<br />
ção ICM .................................... 76<br />
CAPÍTULO 7 - O TESTE DA CLASSIFICAÇÃO ............... 77<br />
7.1 - Coeficiente de Concordância Kappa .............<br />
7.2 - Os Testes de Hipótese para Comparar Matrizes de<br />
77<br />
Confusão ..................................... 79<br />
7.2.1 - Teste Bilateral ............................. 79<br />
7.2.2 - Teste Unilateral ............................ 80<br />
7.2.3 - Determinação do p-valor do Teste ............ 81<br />
x
CAPÍTULO 8 - RESULTADOS OBTIDOS ..................... 83<br />
8.1 - Resultados com a Imagem SAR-580 ............... 84<br />
8.1.1 - Metodologia Utilizada ....................... 84<br />
8.1.2 - Estimação do Número Equivalente de Visadas .. 90<br />
8.1.3 - Partição, Modelagem, Inferência e Amostragem 90<br />
8.1.3.1 - Decorrelação das Amostras ................. 91<br />
8.1.3.2 - Teste Qui-quadrado de Ajuste .............. 91<br />
8.1.4 - As Classificações Maxver e ICM .............. 97<br />
8.1.5 - Matrizes de Confusão das Classificações .....<br />
8.1.6 - Teste de Igualdade dos Coeficientes de Concor-<br />
98<br />
dância ..................................... 102<br />
8.1.7 - Conclusões .................................. 106<br />
8.2 - Resultados com a JERS-1 Original .............. 107<br />
8.2.1 - Metodologia Utilizada .......................<br />
8.2.2 - Obtenção da Imagem com a Resolução Espacial<br />
107<br />
Degradada .................................. 107<br />
8.2.3 - Estimação do Número Equivalente de Visadas .. 108<br />
8.2.4 - Partição, Modelagem, Inferência e Amostragem 108<br />
8.2.4.1 - Decorrelação das Amostras ................. 109<br />
8.2.4.2 - Teste Qui-quadrado ........................ 109<br />
8.2.5 - As Classificações Maxver e ICM .............. 119<br />
8.2.6 - Matrizes de Confusão das Classificações .....<br />
8.2.7 - Teste de Igualdade dos Coeficientes de Concor-<br />
127<br />
dância ..................................... 128<br />
8.2.8 - Conclusões .................................. 131<br />
CAPÍTULO 9 - CONCLUSÕES E SUGESTÕES ................. 141<br />
9.1 - Conclusões .................................... 141<br />
9.2 - Sugestões ..................................... 143<br />
REFERÊNCIAS BIBLIOGRÁFICAS .......................... 145<br />
APÊNDICE A - ESTIMAÇÃO DE β PARA VIZINHANÇA QUATRO .. 153<br />
xi
APÊNDICE B - ESTIMAÇÃO DE β PARA VIZINHANÇA OITO .... 155<br />
APÊNDICE C - ESTIMAÇÃO DE β PARA VIZINHANÇA DOZE .... 163<br />
APÊNDICE D - ESTRUTURA DO SISTEMA E GUIA DE OPERAÇÃO 191<br />
xii
LISTA DE FIGURAS<br />
xiii<br />
Pag.<br />
1 - Densidades associadas à três classes e respectivos<br />
pontos de intersecção ........................... 52<br />
2 - Janela exemplo para análise ..................... 71<br />
3 - Densidades para três classes .................... 71<br />
4 - Classificação Maxver para a janela exemplo ...... 71<br />
5 - Classificação ICM para a janela exemplo ......... 71<br />
6 - Imagem SAR-580 .................................. 85<br />
7 - Imagem JERS-1 de Tapajós ........................ 86<br />
8 - Imagem TM, bandas 3(R), 4(G) e 5(B) ............. 87<br />
9 - Imagem TM classificada ..........................<br />
10 - Estimação do número equivalente de visadas da i-<br />
88<br />
magem SAR 580 .................................. 90<br />
11 - Autocorrelação horizontal da classe Floresta ... 93<br />
12 - Autocorrelação vertical da classe Floresta .....<br />
13 - Ajuste da distribuição Raiz de Gama para Cultu-<br />
94<br />
ra 1 ........................................... 94<br />
14 - Ajuste da distribuição Weibull para a Cultura 1 95<br />
15 - Ajuste da distribuição K-Amplitude para Cultura 2 95<br />
16 - Ajuste da distribuição GA0 para Floresta .......<br />
17 - Funções densidade de probabilidade Normais para<br />
96<br />
as classes da SAR-580 ..........................<br />
18 - Funções de densidade de probabilidade ajustadas<br />
99<br />
para as classes da SAR-580 .....................<br />
19 - Classificação Maxver com o uso de distribuições<br />
99<br />
Normais para as classes ........................<br />
20 - Classificação Maxver com o uso das distribuições<br />
100<br />
mais ajustadas para as classes .................<br />
21 - Classificação ICM com o uso de distribuições Nor-<br />
100<br />
mais ........................................... 101
22 - Classificação ICM com o uso das distribuições<br />
mais ajustadas ................................. 101<br />
23 - Matriz de confusão da Maxver com o uso das distribuições<br />
Normais ............................. 103<br />
24 - Matriz de confusão da Maxver com o uso das distribuições<br />
mais ajustadas ...................... 103<br />
25 - Matriz de confusão da ICM com o uso de distribuições<br />
Normais ................................... 104<br />
26 - Matriz de confusão da ICM com o uso das distribuições<br />
mais ajustadas ......................... 104<br />
27 - Ajuste da GA0 para a classe Solo na imagem Original<br />
............................................ 111<br />
28 - Ajuste da GA0 para a classe Solo na imagem Degradada<br />
........................................... 111<br />
29 - Ajuste da GA0 para a classe Regeneração na JERS-1<br />
Original ....................................... 114<br />
30 - Ajuste da Log-Normal para a classe Regeneração<br />
na JERS-1 Degradada ............................ 114<br />
31 - Ajuste da GA0 para a classe Floresta na JERS-1<br />
Original ....................................... 116<br />
32 - Ajuste da Log-Normal para a classe Floresta na<br />
JERS-1 Degradada ............................... 117<br />
33 - Funções densidade de probabilidade Normais na imagem<br />
JERS-1 Original .......................... 117<br />
34 - Funções densidade de probabilidade GA0 na imagem<br />
JERS-1 Original ................................ 117<br />
35 - Funções densidade de probabilidade Normais na imagem<br />
JERS-1 Degradada ......................... 118<br />
36 - Funções densidade de probabilidade ajustadas na<br />
imagem JERS-1 Degradada ........................ 118<br />
37 - Classificação Maxver da imagem JERS-1 original,<br />
com o uso das distribuições mais ajustadas às<br />
classes ........................................ 121<br />
38 - Classificação ICM da imagem JERS-1 original sob<br />
xiv
a hipótese da normalidade para as classes ...... 122<br />
39 - Classificação ICM da imagem JERS-1 original com<br />
uso das distribuições mais ajustadas para as<br />
classes ........................................ 123<br />
40 - Classificação Maxver da imagem JERS-1 degradada<br />
com o uso das distribuições mais ajustadas às<br />
classes ........................................ 124<br />
41 - Classificação ICM da imagem JERS-1 degradada sob<br />
a hipótese da normalidade para as classes ...... 125<br />
42 - Classificação ICM da imagem JERS-1 degradada, com<br />
uso das distribuições mais ajustadas ........... 126<br />
43 - Matriz de confusão da classificação Maxver-Normais<br />
da JERS-1 original, obtida com o uso das<br />
amostras ....................................... 132<br />
44 - Matriz de confusão da classificação Maxver-Normais<br />
da JERS-1 original, obtida com o uso da imagem<br />
TM classificada .......................... 132<br />
45 - Matriz de confusão da classificação Maxver-ajustadas<br />
da JERS-1 original, obtida com o uso das<br />
amostras ....................................... 133<br />
46 - Matriz de confusão da classificação Maxver-ajustadas<br />
da JERS-1 original, obtida com o uso da imagem<br />
TM classificada .......................... 133<br />
47 - Matriz de confusão da classificação ICM-Normais<br />
da JERS-1 original, obtida com o uso das amostras 134<br />
48 - Matriz de confusão da classificação ICM-Normais<br />
da JERS-1 original, obtida com o uso da imagem<br />
TM classificada ................................ 134<br />
49 - Matriz de confusão da classificação ICM-ajustadas<br />
da JERS-1 original, obtida com o uso das<br />
amostras ....................................... 135<br />
50 - Matriz de confusão da classificação ICM-ajustadas<br />
da JERS-1 original, obtida com o uso da imagem<br />
TM classificada ............................ 135<br />
xv
51 - Matriz de confusão da classificação Maxver-Normais<br />
da JERS-1 degradada, obtida com o uso das<br />
amostras ....................................... 136<br />
52 - Matriz de confusão da classificação Maxver-Normais<br />
da JERS-1 degradada, obtida com o uso da<br />
imagem TM classificada ......................... 136<br />
53 - Matriz de confusão da classificação Maxver-ajustadas<br />
da JERS-1 degradada, obtida com o uso das<br />
amostras ....................................... 137<br />
54 - Matriz de confusão da classificação Maxver-ajustadas<br />
da JERS-1 degradada, obtida com o uso da<br />
imagem TM classificada ......................... 137<br />
55 - Matriz de confusão da classificação ICM-Normais<br />
da JERS-1 degradada, obtida com o uso das amostras<br />
........................................... 138<br />
56 - Matriz de confusão da classificação ICM-Normais<br />
da JERS-1 degradada, obtida com o uso da imagem<br />
TM classificada ................................ 138<br />
57 - Matriz de confusão da classificação ICM-ajustadas<br />
da JERS-1 degradada, obtida com o uso das amostras<br />
........................................ 139<br />
58 - Matriz de confusão da classificação ICM-ajustadas<br />
da JERS-1 degradada, obtida com o uso da imagem<br />
TM classificada .......................... 139<br />
59 - Estrutura do Sistema de Processamento e Análise<br />
de Imagens SAR ................................. 191<br />
60 - Interface para seleção de arquivo .............. 194<br />
61 - Interface para inserção de dados da imagem ..... 194<br />
62 - Interface para visualizar uma imagem ........... 195<br />
63 - Interface para selecionar imagem a ser salva em<br />
arquivo ........................................ 196<br />
64 - Interface para selecionar uma imagem para ser fechada<br />
.......................................... 196<br />
65 - Interface para estimação do número equivalente de<br />
visadas ........................................ 199<br />
xvi
66 - Interface para definição de região de interesse<br />
67 - Interface para eliminar uma amostra utilizada na<br />
201<br />
estimação do número equivalente de visadas .....<br />
68 - Interface com a análise descritiva e resultado<br />
do teste da amostra selecionada para estimar o<br />
202<br />
número equivalente de visadas ..................<br />
69 - Interface para selecionar as imagens que serão<br />
202<br />
somadas ........................................<br />
70 - Interface para aplicar operações matemáticas so-<br />
203<br />
bre uma imagem .................................<br />
71 - Interface para efetuar a partição e modelagem da<br />
203<br />
imagem a ser classificada ...................... 207<br />
72 - Interface para adicionar uma classe ............<br />
73 - Interface para eliminar uma classe da partição e<br />
209<br />
modelagem ......................................<br />
74 - Interface para editar os dados relativos a deter-<br />
213<br />
minada classe .................................. 213<br />
75 - Interface para inferência e amostragem ......... 214<br />
76 - Interface para adicionar uma amostra ........... 216<br />
77 - Interface para editar os dados de uma amostra .. 216<br />
78 - Interface para eliminar uma amostra ............ 218<br />
79 - Interface para decorrelacionar as amostras .....<br />
80 - Interface para aplicar o teste Qui-quadrado às<br />
218<br />
classes ........................................ 219<br />
81 - Interface que mostra a análise descritiva das amostras<br />
relativas à classe selecionada para teste 220<br />
82 - Interface com o resultado do teste Qui-quadrado<br />
relativo a dada classe, considerando a distribuição<br />
selecionada ................................ 221<br />
83 - Interface que apresenta as funções densidade de<br />
probabilidade usadas na classificação .......... 222<br />
84 - Interface para aplicação do ICM ................ 223<br />
85 - Visualização de uma classificação Maxver de uma<br />
imagem SAR-580 com quatro visadas .............. 224<br />
xvii
86 - Visualização de uma classificação ICM de uma imagem<br />
SAR 580 a quatro visadas ................... 224<br />
87 - Interface para visualização da matriz de confusão<br />
88 - Interface para edição de elementos gráficos na i-<br />
224<br />
magem .......................................... 225<br />
89 - Interface para edição de paleta de cores ....... 226<br />
90 - Interface para edição de tabela de cores ....... 227<br />
xviii
LISTA DE TABELAS<br />
xix<br />
Pag.<br />
1 - Retorno em intensidade para n visadas ........... 41<br />
2 - Retorno em amplitude para n visadas ............. 43<br />
3 - Retorno complexo ................................ 44<br />
4 - Distribuições usadas com dados monoespectrais ... 49<br />
5 - Número de termos de acordo com a vizinhaça ...... 61<br />
6 - Exemplos de configurações para δ = 1 ............ 64<br />
7 - Configurações para δ = 2 1/2 ...................... 65<br />
8 - Resultados para a janela exemplo ................ 70<br />
9 - Seqüência de visitas ao suporte S6x6 ............. 74<br />
10 - Conceitos para Kappa ........................... 78<br />
11 - Classes na imagem SAR-580 ...................... 91<br />
12 - Teste Qui-quadrado da classe Cultura 1 ......... 92<br />
13 - Teste Qui-quadrado da classe Cultura 2 ........ 93<br />
14 - Teste Qui-quadrado da classe Floresta .......... 97<br />
15 - LUT Maxver para as classes SAR-580 ............. 98<br />
16 - Exatidão da classificação ...................... 102<br />
17 - Estatísticas z e p-valores p dos testes bilaterais 102<br />
18 - Estatísticas z e p-valores p dos testes unilaterais<br />
........................................... 102<br />
19 - Classes na imagem SAR - JERS-1 ................. 108<br />
20 - Ajustes da classe Solo na JERS-1 original ...... 110<br />
21 - Ajustes da classe Solo na JERS-1 degradada ..... 112<br />
22 - Ajustes da Regeneração na imagem original ...... 113<br />
23 - Ajustes da Regeneração na imagem degradada ..... 114<br />
24 - Ajustes da Floresta na JERS-1 original ......... 115<br />
25 - Ajustes da Floresta na JERS-1 degradada ........ 116<br />
26 - Exatidão da classificação para JERS-1 original . 127<br />
27 - Exatidão da classificação para JERS-1 degradada 128<br />
28 - p-valores p dos testes na JERS-1 original ...... 129<br />
29 - p-valores_p dos testes na JERS-1 degradada ..... 129<br />
30 - Tabela de Coeficientes para vizinhança doze .... 163
31 - Distribuições para o caso monoespectral ........ 210<br />
32 - Distribuições para o caso monoespectral ........ 210<br />
33 - Distribuições para o caso multiespectral ....... 210<br />
34 - Distribuições para o caso multiespectral ....... 211<br />
35 - Distribuições para o caso multiespectral ....... 211<br />
36 - Distribuições para o caso multiespectral ....... 211<br />
xx
CAPITULO 1<br />
INTRODUC» ~ AO<br />
O avan»co do conhecimento cient³¯co na area de Sensoriamento Re-<br />
moto tem possibilitado aos usuarios o acesso a um numero crescente de produtos,<br />
oriundos de sistemas sensores ativos e passivos.<br />
Entre os produtos de sensores passivos se encontram os dados<br />
LANDSAT e SPOT que, apesar de amplamente conhecidos, tem a sua aplica»c~ao<br />
severamente limitada pelas condi»c~oes atmosfericas.<br />
Entre os produtos de sensores ativos encontram-se os dados Radar<br />
que, operando na faixa de microondas, s~ao independentes da luz solar e de condi»c~oes<br />
atmosfericas para obterem imagens da superf³cie terrestre.<br />
O termo Radar e um acr^onimo das palavras \RAdio Detection and<br />
Ranging", que caracterizam este tipo de sensor. Descoberto no come»co do seculo, e<br />
com importantesaplica»c~oesmilitares desde 1938, so maisrecentemente e que o radar<br />
passou a ser usado como uma ferramenta de Sensoriamento Remoto. Os radares de<br />
Sensoriamento Remoto, tambem denominados radares imageadores, podem ser do<br />
tipo \Side Looking Airborne Radar" (SLAR) ou do tipo \Synthetic Aperture Radar"<br />
(SAR).<br />
Os sensores SLAR s~ao transportados em aeronave e trabalham com<br />
as dimens~oes efetivas da antena. A resolu»c~ao espacial em azimute (\along track")<br />
e dependente das dimens~oes da antena: uma melhor resolu»c~ao implica em maior<br />
dimens~ao da antena. A resolu»c~ao espacial transversal (\cross-track") e dependente<br />
do ^angulo de incid^encia na superf³cie e da dura»c~ao do pulso (Kuplich, 1994).<br />
Os sensores SAR utilizam o movimento da plataforma para<br />
simular uma antena maior que o seu tamanho real (antena sintetica), melhorando
2<br />
a resolu»c~ao espacial azimutal. A resolu»c~ao transversal e dependente da largura da<br />
banda utilizada no pulsode freqÄu^encia modulada (\chirped pulse") (Kuplich, 1994).<br />
Modelos para dados SAR v^em sendo estudados, e as possibilidades<br />
levam em conta as combina»c~oes poss³veis considerando as caracter³sticas do sensor,<br />
formato dos dados dispon³veis, grau de homogeneidade das fei»c~oes terrestres, etc<br />
(Frery et al., 1995b). Devido a complexidade de fatores que interv^em na obten»c~ao<br />
dos dados, os estudos na area de aplica»c~oes s~ao muitas vezes realizados utilizando-<br />
se de modelos estat³sticos. A correta modelagem para o processamento das imagens<br />
implica no conhecimentoprecisodaspropriedades estat³sticasdosdadosSAR (Fau et<br />
al., 1993; Ulabye Dobson, 1989; Yanasse et al., 1994, 1995). Muitosestudosja foram<br />
realizados no sentido de relacionar as diferentes fei»c~oes da superf³cie terrestre com<br />
as propriedades estat³sticas dos dados SAR, quando foram consideradas algumas<br />
hipoteses e distribui»c~oes (Beaudoin et al., 1990, 1992; Frery, 1993; Frery et al.,<br />
1995b; Lopeset al., 1990; Zito et al., 1998; Yanasse, 1991; Yanasse et al., 1993; 1994;<br />
1995). As propriedades estat³sticas dos dados de radar podem ser diferentes para<br />
os diferentes alvos e para as diferentes imagens, uma vez que o retroespalhamento e<br />
dependente de varios fatores, alguns deles relacionados ao sensor (comprimento de<br />
onda, polariza»c~ao, ^angulodeincid^encia,etc),outrosdo alvo (tipo de alvo,rugosidade,<br />
permissividade,etc) e outrosdo tipo de processamento dosdados(numerode visadas,<br />
formato, etc). Considerando este motivo, o emprego do classi¯cador supervisionado<br />
de Maxima Verossimilhan»ca Pontual (Maxver) de uso corrente, sob a hipotese de<br />
que os dados de todas as classes s~ao normalmente distribu³dos, pode n~ao ser o mais<br />
adequado para os dados SAR.<br />
Nestetrabalhoser~ao apresentadosalgunsdosprincipaistopicos rela-<br />
cionados µa classi¯ca»c~ao Maxver de imagens SAR, sob a hipotese de distribui»c~oes<br />
adequadas aos dados SAR. A determina»c~ao das distribui»c~oes que mais se ajus-<br />
tam ao dados e feita com o uso do teste Qui-quadrado de ajuste e de amostras<br />
representativas das classes. O teste da classi¯ca»c~ao e realizado com o coe¯ciente de<br />
concord^ancia Kappa para matrizes de confus~ao. Aplicada esta modelagem em uma
3<br />
imagem SAR-580 de uma visada e em outra JERS-1 de tr^es visadas, os resultados<br />
obtidos apresentaram coe¯cientes de concord^ancia Kappa em media 11% superiores,<br />
quando comparados aos obtidos sob a hipotese da normalidade para as classes.<br />
Considerando a maior import^ancia relativa dasinforma»c~oes de con-<br />
texto na interpreta»c~ao de imagens SAR, apresenta-se tambem neste trabalho a<br />
modelagem de um classi¯cador contextual Markoviano, denominado algoritmo das<br />
Modas Condicionais Iterativas(ICM),cujo par^ametro e estimado sem a interfer^encia<br />
do usuario. Aplicada esta modelagem sobre as imagens citadas no paragrafo an-<br />
terior, os resultados obtidos apresentaram coe¯cientes de concord^ancia Kappa em<br />
media 115% superiores, quando comparados µas respectivas classi¯ca»c~oes pontuais<br />
Maxver.<br />
Para facilitar o prosseguimento dos trabalhos de pesquisa relativas<br />
aos dados SAR a implementa»c~ao do sistema foi feita na linguagem \Interactive De-<br />
velopment Language" (IDL). Primeiramente implementado para dados monoespec-<br />
trais em amplitude, o sistema possui uma estrutura que permite a incorpora»c~ao de<br />
outras rotinas que sejam adequadas aos dados SAR.<br />
Para apresentar os fundamentos teoricos, formula»c~oes conhecidas<br />
utilizadase outrasdesenvolvidas,detalhesda implementa»c~aoe resultadosalcan»cados,<br />
este trabalho possui a capitula»c~ao abaixo descrita.<br />
No Cap³tulo 2 s~ao apresentadas asnota»c~oes, conven»c~oes e de¯ni»c~oes<br />
basicas a serem utilizadas no decorrer da disserta»c~ao, incluindo-se os metodos dos<br />
Momentos e de Maxima Verossimilhan»ca para estima»c~ao dos par^ametros das dis-<br />
tribui»c~oes.<br />
No Cap³tulo 3 s~ao apresentadas as formula»c~oes das principais dis-<br />
tribui»c~oes aplicaveis aos dados SAR, incluindo-se as fun»c~oes densidade de probabi-<br />
lidade,fun»c~oesde distribui»c~aoacumulada, fun»c~oesgeradorasde momentos,esperan»ca,<br />
vari^ancia e estimadores pelos metodos dos Momentos e Maxver, quando existentes<br />
em forma analiticamente tratavel e de facil solu»c~ao computacional.
4<br />
No Cap³tulo 4 e apresentada a modelagem utilizada para os dados<br />
SAR, as distribui»c~oes decorrentes do modelo multiplicativo e outras que s~ao comu-<br />
mente utilizadas. Sob o modelo multiplicativo s~ao abordadas distribui»c~oes para as<br />
imagens em amplitude, intensidade e complexas.<br />
No Cap³tulo 5 e apresentada a classi¯ca»c~ao Maxver, seus passos<br />
essenciais, a abordagem empregada para a implementa»c~ao e o conceito do numero<br />
equivalente de visadas.<br />
No Cap³tulo 6 e apresentada a fundamenta»c~ao teorica do modelo<br />
de Potts-Strauss, a estima»c~ao pela equa»c~ao de maxima pseudoverossimilhan»ca, as<br />
tecnicas Markovianas de segmenta»c~ao e o algoritmo ICM.<br />
No Cap³tulo 7 e apresentada a teoria utilizada no teste da classi-<br />
¯ca»c~ao, incluido o coe¯ciente de concord^ancia Kappa e os testes de hipoteses que<br />
podem ser aplicados.<br />
No Cap³tulo 8 s~ao apresentados os resultados obtidos com o sis-<br />
tema. Para teste foram utilizadas imagens SAR-580 e JERS-1, nas quais buscou-se<br />
discriminar tr^es classes visualmente distintas. S~ao apresentados todos os passos e<br />
resultados parciais executados ate a obten»c~ao das imagens classi¯cadas por Maxver<br />
e ICM. Foram adotadasas hipoteses da normalidade e da distribui»c~ao maisajustada<br />
para cada classe. As matrizes de confus~ao obtidas s~ao comparadas pelo coe¯ciente<br />
de concord^ancia Kappa e os resultados indicam a superioridade incontestavel da<br />
classi¯ca»c~ao ICM quando comparada µa Maxver.<br />
deste trabalho.<br />
No Cap³tulo 9 s~aoapresentadasasconclus~oese sugest~oesresultantes<br />
Nos Ap^endices A, B e C s~ao apresentas as formulas para estima»c~ao<br />
dos par^ametros utilizados no algoritmo ICM.<br />
No Ap^endice D e apresentado o sistema implementado, incluindo a<br />
descri»c~ao dos menus e interfacesgra¯cas uteis no processamento e analise digitais.
CAPITULO 2<br />
NOTAC» ~ OES, CONVENC» ~ OES E DEFINIC» ~ OES<br />
Neste cap³tulo s~ao apresentadas as nota»c~oes, conven»c~oes e algumas<br />
de¯ni»c~oes que ser~ao usadas no decorrer desta disserta»c~ao.<br />
2.1 - Nota»c~ao e Conven»c~oes<br />
ocorr^encias em minusculas.<br />
As variaveis aleatoriasser~ao denotadas com letrasmaiusculase suas<br />
Os vetores e matrizes ser~ao denotados em negrito.<br />
A matriz identidade sera denotada por I:<br />
A transposta de uma dada matriz A sera denotada por A t .<br />
A inversa de uma dada matriz A sera denotada por A ¡1 .<br />
O determinante de uma matriz A sera denotado por jAj:<br />
O conjunto dos numeros reais, (¡1, +1); sera denotado por R.<br />
O conjunto dos reais positivos, (0;+1); sera denotado por R +.<br />
O conjunto dos numeros inteiros, f:::; ¡1;0;1;:::g, sera denotado por Z:<br />
Conjunto dos numeros naturais, f1;2;3;:::g; sera denotado por N.<br />
O conjunto amostral sera denotado por .<br />
A probabilidade sera denotada por Pr.<br />
A cardinalidade do conjunto A sera denotada por #A.
2.2 - De¯ni»c~oes<br />
6<br />
No decorrer deste trabalho somente ser~ao consideradas as variaveis<br />
aleatorias reais do tipo absolutamente cont³nuas (Koroliuk, 1986).<br />
2.2.1 - Fun»c~ao Indicadora de um Conjunto A<br />
E a fun»c~ao 1I: A ! f0;1g dada por (James, 1981):<br />
1I A(x) =<br />
2.2.2 - A Fun»c~ao Gamma de Euler<br />
8<br />
><<br />
>:<br />
1, sex 2 A;<br />
0, sex=2 A.<br />
De¯nida para cadaº>¡1,e dada por(Abramowitz eStegun, 1964;<br />
DeGroot, 1975; Gradshteyn e Ryzhik, 1965; James, 1981; Yanasse et al., 1995):<br />
¡(º +1) =<br />
Z<br />
R+<br />
t º exp(¡t)dt<br />
1) Tambem e valida a rela»c~ao (DeGroot, 1975; James, 1981, Yanasse et al.,<br />
1995):<br />
º¡(º) =¡(º +1)<br />
2) Seº 2 N, (DeGroot, 1975; James, 1981; Yanasse et al., 1995):<br />
¡(º +1) =º!
2.2.3 - A Fun»c~ao Digamma<br />
7<br />
A fun»c~ao Digamma de¯ne-se como (Gradshteyn e Ryzhik, 1965):<br />
ª(x) = d<br />
dx ln(¡(x))<br />
Assim sendo (Gradshteyn e Ryzhik, 1965; Spiegel, 1968):<br />
onde<br />
ª(x) =<br />
=<br />
d<br />
dx ¡(x)<br />
¡(x)<br />
Z<br />
R+<br />
= ¡° +<br />
à exp(¡t)<br />
t<br />
1X<br />
n=1<br />
µ 1<br />
n ¡<br />
<br />
1<br />
=<br />
x+n¡1<br />
¡ exp(¡2t)<br />
!<br />
dt<br />
1 ¡exp(¡t)<br />
° = ¡¡ 0 Z 1<br />
(1) = ¡ exp(¡x)ln(x)dx =<br />
0<br />
¼2<br />
6<br />
2.2.4 - A Fun»c~aoKº de Bessel de Terceiro Tipo e Ordemº<br />
De¯nida por (Gradshteyn e Ryzhik, 1965):<br />
Kº (z) =<br />
Z<br />
R +<br />
exp(¡zcosh(t))cosh(ºt)dt<br />
Uma forma util empregada nas densidades das distribui»c~oes<br />
K-Amplitude e K-Intensidade e a seguinte (Gradshteyn e Ryzhik, 1965):<br />
Kº<br />
µ q <br />
2 ¯° = 1<br />
2<br />
à ! º=2 Z<br />
°<br />
x<br />
¯ R +<br />
º¡1 Ã<br />
exp ¡ ¯<br />
x ¡°x<br />
!<br />
dx
2.2.5 - A Fun»c~ao de Distribui»c~ao Acumulada<br />
8<br />
A fun»c~ao de distribui»c~ao acumulada (fda) de uma variavel aleatoria<br />
X, para cadax 2 R, e de¯nida por (James, 1981):<br />
F X(x) = Prf! 2 :X(!) ·xg<br />
ondeX(!) denota uma ocorr^encia da variavel aleatoriaX:<br />
por (James, 1981):<br />
e vale que (James, 1981):<br />
2.2.6 - Esperan»ca<br />
A fun»c~ao densidade de probabilidade (fdp)f(x) se relaciona a fda<br />
FX(x) =<br />
Z 1<br />
¡1<br />
Z x<br />
¡1 f(x)dx<br />
f(x)dx =1<br />
A esperan»ca de uma variavel aleatoria cont³nuaX cuja fdp ef(x);<br />
e denotada porE(X) e de¯nida por (James, 1981):<br />
desde que a integral acima exista.<br />
E(X) =<br />
Z 1<br />
¡1<br />
xf(x)dx;<br />
1) Propriedades da esperan»ca (DeGroot, 1975):<br />
a) SeY =aX +b; ondea ebs~ao constantes, ent~ao:<br />
E(Y) =aE(X) +b
2.2.7 - Vari^ancia<br />
9<br />
b) Se existe uma constantea tal que Pr(X ¸a) = 1; ent~aoE(X) ¸a:<br />
Se existe uma constantebtal que Pr(X ·b) = 1; ent~aoE(X) ·b:<br />
c) SeX1;:::;XN s~ao variaveis aleatorias tais que cada esperan»caE(Xi);<br />
i= 1;:::;N, existe ent~ao:<br />
E(X1 +:::+XN) =E(X1) +:::+E(XN)<br />
d) SeX1;:::;XN s~aoN variaveis aleatorias independentes tais que cada<br />
esperan»caE(X i): parai=1;:::;N; existe ent~ao:<br />
E<br />
à NY<br />
Xi<br />
i=1<br />
!<br />
=<br />
NY<br />
i=1<br />
E(Xi)<br />
Suponha queX e uma variavel aleatoria com media¹=E(X). A<br />
vari^ancia deX, denotada porVar(X); e de¯nida por (DeGroot, 1975):<br />
Var(X) =E ³<br />
(X ¡¹) 2´<br />
Var(X) =<br />
desde que a integral acima exista.<br />
Z 1<br />
¡1<br />
(x ¡¹) 2 f (x)dx<br />
1) Propriedades da vari^ancia (DeGroot, 1975):<br />
a)Var(X) =0 se e somente se existe uma constantectal que:<br />
Pr(X =c) =1
10<br />
b) Para quaisquer constantesa eb;<br />
Var(aX +b) =a 2 Var(X);<br />
desde que a vari^ancia deX exista.<br />
c) Para qualquer variavel aleatoriaX;<br />
Var(X) =E ³<br />
X 2´<br />
¡E 2 (X)<br />
d) SeX1;:::;XN s~aoN variaveis aleatorias independentes, ent~ao<br />
Var(X1 §::: §XN) =Var(X1)+:::+Var(XN);<br />
desde que as vari^ancias existam.<br />
2.2.8 - Covari^ancia e Correla»c~ao<br />
SejamX eY variaveis aleatorias com uma espec³¯ca distribui»c~ao<br />
conjunta, eE(X) =¹X;E(Y ) =¹Y;Var(X) =¾2 X eVar(Y ) =¾2 Y :A covari^ancia<br />
deX eY, denotada porCov(X;Y); e dada por (DeGroot, 1975):<br />
Cov(X;Y) =E ((X ¡¹X)(Y ¡¹Y))<br />
Se 0
1) Propriedades da covari^ancia e da correla»c~ao (DeGroot, 1975):<br />
11<br />
a)Para quaisquer variaveisaleatoriasX eY taisque¾ 2 X < 1 e¾2 Y<br />
Cov(X;Y) =E(XY) ¡E(X)E(Y )<br />
b) SeX eY s~ao variaveis aleatorias independentes com 0
E(X r ) =<br />
12<br />
Z<br />
R xr f(x)dx<br />
1) Coe¯ciente de assimetria (Yanasse et al., 1995):<br />
° 1 =<br />
E ³<br />
(X ¡E(X)) 3´<br />
Var 3 (X)<br />
2) Coe¯ciente de curtose (Yanasse et al., 1995):<br />
°2 =<br />
E ³<br />
(X ¡E(X)) 4´<br />
Var 4 (X)<br />
3) Coe¯ciente de varia»c~ao (Yanasse et al., 1995):<br />
4) Quantidades amostrais<br />
Cv = Var1=2 (X)<br />
E (X)<br />
Seja x = (x 1;:::;x N) um vetor de amostras, onde N > 1. O<br />
momento amostral n~ao centrado de ordemrde x, paraN ¸r; denotado por cmr e<br />
de¯nido por (Yanasse et al., 1993):<br />
cmr = 1<br />
N<br />
NX<br />
x<br />
i=1<br />
r i<br />
Usando-se estas quantidades pode-se calcular os coe¯cientes amos-<br />
trais de assimetria, de curtose e de varia»c~ao.<br />
tado por c m r e de¯nido por:<br />
O momento amostral centrado de ordemrdex, paraN¸r; deno-<br />
cmr = 1<br />
N<br />
NX<br />
(xi ¡ cm1)<br />
i=1<br />
r
13<br />
2.2.10 - Autocovari^ancia e Autocorrela»c~ao<br />
Sejam z =[zi;j] uma matriz retangular e a = z¡cm1; onde<br />
1 ·i ·Nx e 1 ·j ·Ny e cm1 e a media amostral de z: Sejamsx;sy 2 N dist^ancias<br />
consideradas nas linhas e colunas, respectivamente. A fun»c~ao de autocovari^ancia<br />
espacial estimada e de¯nida por:<br />
b°z(sx;sy) = 1<br />
K x<br />
X<br />
Ky X<br />
atx;tyatx+sx;ty+sy<br />
NxNytx=kxty=ky<br />
ondekx = max f1; 1 ¡sxg;ky = max f1; 1 ¡syg;Kx = minfNx;Nx ¡sxg e<br />
K y =minfN y;N y ¡s yg:<br />
A fun»c~ao de autocorrela»c~ao espacial estimada e de¯nida por:<br />
2.3 - Estima»c~ao de Par^ametros<br />
b½z(sx;sy) = b° z(s x;s y)<br />
b°z(0; 0)<br />
Nesta Se»c~ao ser~ao apresentados os metodos dos Momentos e de<br />
Maxima Verossimilhan»ca para a obten»c~ao dos estimadores dos par^ametros das dis-<br />
tribui»c~oes.<br />
2.3.1 - Estima»c~ao pelo Metodo dos Momentos<br />
Seja o vetor de observa»c~oes y =(y1;:::;yN), cujasNcomponentes<br />
s~ao ocorr^enciasde variaveisaleatoriasindependentese identicamente distribu³das se-<br />
gundo uma fun»c~ao de distribui»c~ao dada porF(yi;µ) para todo 1 ·i·N. Suponha-<br />
se tambem que essa distribui»c~ao possui momentos ¯nitos de ate, pelo menos, ordem<br />
r ¸ 1. Denotar-se-a:<br />
mj(µ) =<br />
Z<br />
y j dF (y;µ)
14<br />
oj-esimo momento de Y i, comj·r. Para todoj¸1oestimador dem j(µ) sera o<br />
j-esimo momento amostral (Frery, 1993). Em Chung (1974) e poss³vel ver que, pela<br />
Lei dos Grandes Numeros, cm j(µ) ¡!m j (µ) quase certamente quandoN ! 1.<br />
ate ordemr, isto e:<br />
Se a fun»c~ao que se quer estimar,q(µ), depende dos momentos de<br />
q(µ) =h (d) (m 1(µ);:::;m r(µ));<br />
h (d) cont³nua, ent~ao um estimador deq(µ) pelo metodo dos momentos e:<br />
bq m(µ) =h (d) (cm 1(µ);:::; cm r(µ))<br />
e, pelo mesmo argumento que anteriormente (Bickel e Doksum, 1977), vale que<br />
bq m(µ) ¡!q(µ) quase certamente quandoN ! 1. O super-³ndice \(d)" indica<br />
a possibilidade de formar mais de um estimador, para a mesma fun»c~aoq, com os<br />
mesmosmomentosde ate ordemr. Paratodod, afun»c~ao bq m(µ)echamadaestimador<br />
deq(µ) obtido pelo Metodo dos Momentos (EMO) (Frery, 1993).<br />
2.3.2 - Estima»c~ao pelo Metodo de Maxima Verossimilhan»ca<br />
Este metodo de¯ne, como estimador, aquele que maximiza a fun»c~ao<br />
de verossimilhan»ca vetor de observa»c~oes y (Frery, 1993). O estimador de maxima<br />
verossimilhan»ca deq(µ), que sera denotado bqv(µ), e de¯nido como:<br />
bqv(µ) =q<br />
Ã<br />
¡1<br />
sup fPrµ(y)g<br />
µ2£<br />
Estes estimadores, ou pequenas varia»c~oes deles, s~ao muito usados<br />
devido µa relativa facilidade com que podem ser obtidos para uma classe muito larga<br />
de problemas estat³sticos. Alem disso, eles possuem boas propriedades assintoticas<br />
(e¯ci^encia, consist^encia e normalidade), o que assegura o sucesso desta tecnica de es-<br />
tima»c~ao quando o tamanho da amostra cresce inde¯nidamente (Frery, 1993). Parti-<br />
!<br />
.
15<br />
lham com os estimadores pelo metodo dos momentos a desvantagem de n~ao ser<br />
simples a adi»c~ao de informa»c~ao previa ao experimento estat³stico. A fun»c~ao bq v(µ)<br />
e chamada estimador para q(µ) obtido pelo Metodo de Maxima Verossimilhan»ca<br />
(EMV) (Frery, 1993).
17<br />
CAPITULO 3<br />
PRINCIPAIS DISTRIBUIC» ~ OES<br />
Neste cap³tulo ser~ao apresentadas as principais distribui»c~oes<br />
aplicaveis aos dados SAR, suas respectivas fun»c~oes de densidade de probabilidade,<br />
fun»c~oes de distribui»c~ao acumulada e fun»c~oesgeradoras de momentosque apresentam<br />
forma expl³cita. Ser~ao apresentadas tambem as respectivas esperan»cas, vari^ancias<br />
e estimadores pelos metodos dos Momentos e de Maxima Verossimilhan»ca, quando<br />
existentes e de facil solu»c~ao computacional. Na determina»c~ao dos estimadores pelo<br />
metodo dos momentos ser~ao considerados os momentos n~ao nulos de ordem mais<br />
baixa poss³vel no conjunto dos numeros naturais, com exce»c~ao da distribui»c~ao<br />
G-Amplitude com par^ametro¸= 0;ondeapareceraum momentodeordemracional.<br />
3.1 - Distribui»c~ao Normal Padr~ao<br />
Diz-se que uma variavel aleatoriaX tem uma distribui»c~ao Normal<br />
com media¹=0 e vari^ancia¾ 2 = 1, denotada porX»N(0;1), se a sua densidade<br />
e, para todox2 R, dada por (DeGroot, 1975):<br />
3.2 - Distribui»c~ao Normal<br />
fX(x;0;1) = 1<br />
Ã<br />
p exp ¡<br />
2¼ x2<br />
!<br />
2<br />
Diz-se que uma variavel aleatoriaX tem uma distribui»c~ao Normal<br />
com media¹ 2 R e vari^ancia ¾ 2 2 R+, denotada por X » N(¹;¾ 2 ), se a sua<br />
densidade e, para todox 2 R, dada por (DeGroot, 1975; Frery, 1993; Yanasse et al.,<br />
1993, 1995):<br />
fX(x;¹;¾) =<br />
Ã<br />
1<br />
p exp ¡<br />
2¼¾ (x ¡¹)2<br />
2¾2 !
18<br />
1) SeY » N(¹;¾ 2 ) ent~ao (DeGroot, 1975; Frery, 1993; Yanasse et al., 1993,<br />
1995):<br />
X =¾ ¡1 (Y ¡¹) » N(0;1)<br />
2) Estimadores pelos Metodos de Maxima Verossimilhan»ca e dos Momentos<br />
(DeGroot, 1975; Sant'Anna, 1995):<br />
b¾ 2 = 1<br />
N<br />
b¹ = 1<br />
N<br />
NX<br />
i=1<br />
3.3 - Distribui»c~ao Normal Multivariada<br />
NX<br />
xi = cm1<br />
i=1<br />
(x i ¡ b¹) 2 = cm 2 ¡ cm 2 1<br />
Sejam o vetor aleatorio Y = (Y1;:::;YN);N 2 N, constitu³do de<br />
variaveis aleatorias independentes identicamente distribu³das tais queYi » N(0;1)<br />
para todo 1 ·i·N; a matriz real n~ao-singularA NxN e © 2 R N :Diz-se que o vetor<br />
aleatorioX = YA+© possui uma distribui»c~ao NormalN-variada com vetor media<br />
© e matriz de covari^ancia § = A T A, denotado por X » N(©;§): A sua densidade,<br />
para todo vetor x 2 R N , e dada por (James, 1981; Richards, 1986):<br />
fX(x;©;§) = 1<br />
p j§j<br />
2¼ ¡1=2 µ<br />
exp ¡ 1<br />
2 [x ¡©] §¡1 [x ¡©] T<br />
<br />
Os estimadores de Maxima Verossimilhan»ca s~ao (Frery, 1993):<br />
b§v = 1<br />
N<br />
b©v = 1<br />
N<br />
NX<br />
i=1<br />
NX<br />
xi = cm1<br />
i=1<br />
³<br />
xi ¡ b © ´ T ³<br />
xi ¡ b © ´
3.4 - Distribui»c~ao Log-Normal<br />
19<br />
SejaY » N(¹;¾ 2 ):Diz-se que a variavelaleatoriaX = exp(Y) pos-<br />
sui uma distribui»c~ao Log-Normal com par^ametros ¹ e ¾ 2 ; denotada por<br />
X » LN(¹;¾ 2 ). A sua densidade e, para todox 2 R, dada por (Frery, 1993;<br />
Frery et al., 1995b; Yanasse et al., 1993):<br />
1<br />
fX(x;¹;¾) =<br />
x¾ p 2¼ exp<br />
0<br />
@¡ 1<br />
à ! 1<br />
2<br />
ln(x) ¡¹<br />
A1IR+ (x)<br />
2 ¾<br />
1) Momento de ordemr2 R (Sant'Anna, 1995):<br />
E(X r ) = exp<br />
2) Esperan»ca (Sant'Anna, 1995):<br />
Ã<br />
E(X) =exp<br />
3) Vari^ancia (Sant'Anna, 1995):<br />
r¹+ (r¾)2<br />
!<br />
2<br />
Ã<br />
¹+ ¾2<br />
2<br />
Var(X) = ³<br />
exp(¾ 2 ) ¡1 ´<br />
exp ³<br />
2¹+¾ 2´<br />
4) Estimadoresde Maxima Verossimilhan»ca (Sant'Anna, 1995; Yanasse et al.,<br />
1993):<br />
b¾ 2 v<br />
b¹v = 1<br />
N<br />
= 1<br />
N<br />
NX<br />
i=1<br />
NX<br />
i=1<br />
ln(xi)<br />
!<br />
(ln(x i) ¡ b¹) 2
5) Estimadores pelo Metodo dos Momentos (Sant'Anna, 1995):<br />
3.5 - Distribui»c~ao Constante<br />
b¹ m = ln<br />
20<br />
b¾ 2 m =ln<br />
à !<br />
cm 2<br />
1 p<br />
cm2<br />
à !<br />
cm2<br />
cm 2 1<br />
Diz-se que uma variavel aleatoriaXpossui uma distribui»c~ao dege-<br />
nerada emk 2 R; ou Constante igual ao valork, denotada porX » C(k); se a sua<br />
fda e dada, para todox 2 R; por (Yanasse et al., 1995):<br />
3.6 - Distribui»c~ao Uniforme<br />
FX(x) = 1I[k;1)(x)<br />
Seja A ½ R N : Diz-se que o vetor aleatorio X possui distribui»c~ao<br />
Uniforme no conjunto A se para todo B ½ A vale que:<br />
Pr(X 2 B) =<br />
R<br />
B dx<br />
R<br />
A dx<br />
Um caso particular de interesse e quando A = [a;b]: Neste caso<br />
fX(x;a;b) = 1<br />
b ¡a 1I[a;b](x)<br />
e a sua fda, para todox2 R , e dada por:<br />
FX(x;a;b) =<br />
8<br />
><<br />
>:<br />
0; sexb
21<br />
3.7 - Distribui»c~ao Exponencial Padr~ao<br />
Diz-se que uma variavelaleatoria tem uma distribui»c~ao Exponencial<br />
Padr~ao com media unitaria, denotada porX » E(1); se a sua densidade, para todo<br />
x 2 R, e dada por (Frery,1993; Yanasse et al., 1995):<br />
3.8 - Distribui»c~ao Exponencial<br />
f X(x;1) =exp(¡x)1I R+ (x)<br />
SejamY » E(1) e¸ 2 R+. Diz-se que variavel aleatoriaX =¸ ¡1 Y<br />
possui uma distribui»c~ao Exponencial com par^ametro¸; denotada porX » E(¸). A<br />
sua densidade, para todox 2 R , e dada por (DeGroot, 1975; Frery, 1993; Koroliuk,<br />
1986; Yanasse et al., 1995):<br />
fX(x;¸) = (¸exp(¡¸x))1IR + (x)<br />
1) A sua fda e dada por (Frery, 1993; Sant'Anna,1995;Yanasse et al., 1995):<br />
FX(x;¸) =(1 ¡exp(¡¸x))1IR + (x)<br />
2) O momento de ordemr 2 R e dado por (Frery, 1993; Koroliuk, 1986;<br />
Sant'Anna, 1995; Yanasse et al., 1995):<br />
E(X r ) =¸ ¡r ¡(r +1)<br />
3) Esperan»ca (DeGroot, 1975; Frery, 1993; Sant'Anna, 1995):<br />
E(X) =¸ ¡1
22<br />
4)Vari^ancia(DeGroot,1975;Frery,1993;Koroliuk,1986;Sant'Anna, 1995):<br />
Var(X) =¸ ¡2<br />
5) Estimador pelos Metodos de Maxima Verossimilhan»ca e dos Momentos<br />
(Frery, 1993; Sant'Anna, 1995):<br />
b¸ =N<br />
à NX<br />
3.9 - Distribui»c~ao Rayleigh Padr~ao<br />
xi<br />
i=1<br />
!¡1<br />
= cm ¡1<br />
1<br />
SejaY » E(1). Diz-se que a variavel aleatoriaX =Y 1=2 possui<br />
uma distribui»c~ao Rayleigh Padr~ao, denotada porX » R(1), cuja densidade, para<br />
todox 2 R, e dada por (Yanasse et al., 1995):<br />
3.10 - Distribui»c~ao Rayleigh<br />
f X(x;1) =2xexp ³<br />
¡x 2´<br />
1I R+ (x)<br />
SejamY » R(1) e¸2 R+. Diz-se que a variavel aleatoriaX =¸Y<br />
possui uma distribui»c~ao Rayleigh com par^ametroµ=¸ ¡2 ; denotada porX » R(µ),<br />
cuja densidade, para todox 2 R, e dada por (Frery, 1993; Yanasse et al., 1995):<br />
f X(x;µ) = ³<br />
2µxexp ³<br />
¡µx 2´´<br />
1I R+ (x)<br />
1) A sua fda, para todox2R, e dada por (Frery, 1993; Sant'Anna, 1995;<br />
Yanasse et al., 1995):<br />
FX(x;µ) = ³<br />
1 ¡exp ³<br />
¡µx 2´´<br />
1IR + (x)
23<br />
2) O seu momento de ordemr 2 R e dado por (Frery, 1993; Sant'Anna, 1995;<br />
Yanasse et al., 1995):<br />
E(X r ) = 1<br />
p ¡ (r=2 +1)<br />
µ r<br />
3) Esperan»ca (Frery, 1993; Sant'Anna, 1995):<br />
E(X) = 1<br />
r<br />
¼<br />
2 µ<br />
4) Vari^ancia (Frery, 1993; Sant'Anna, 1995):<br />
Var(X) =<br />
4 ¡¼<br />
4µ<br />
5) Estimador pelo Metodo de Maxima Verossimilhan»ca (Sant'Anna, 1995):<br />
bµv =N<br />
Ã<br />
NX<br />
x<br />
i=1<br />
2 !¡1<br />
i<br />
6) Estimador pelo Metodo dos Momentos:<br />
3.11 - Distribui»c~ao Gama Padr~ao<br />
bµm = ¼<br />
4cm 2 1<br />
= cm ¡1<br />
2<br />
Sejamn 2 N e (Xi); 1
3.12 - Distribui»c~ao Gama<br />
24<br />
fX(x;n;1) = 1<br />
¡(n) xn¡1 exp(¡x)1IR + (x)<br />
Sejam Y » ¡(n;1) e ¸ 2 R +: Diz-se que a variavel aleatoria<br />
X =¸ ¡1 Y possui uma distribui»c~ao Gama com par^ametrosn e¸2R +; denotada<br />
porX» ¡(n;¸): A sua densidade, para todox2R, e dada por (DeGroot, 1975;<br />
Frery, 1993; Frery et al., 1995a,b; Sant'Anna, 1995; Yanasse et al., 1993, 1995):<br />
fX(x;n;¸) = ¸n<br />
¡(n) xn¡1 exp(¡¸x)1IR + (x)<br />
1) Momento de ordemr 2 R (Frery, 1993; Frery et al., 1995b; Sant'Anna,<br />
1995; Yanasse et al., 1993; Yanasse et al., 1995):<br />
E(X r ) = ¡(n+r)<br />
¸ r ¡(n)<br />
2) Esperan»ca (DeGroot, 1975; Frery, 1993; Sant'Anna, 1995; Yanasse et al.,<br />
1993)<br />
E(X) =n=¸<br />
3) Vari^ancia (DeGroot, 1975; Frery, 1993; Sant'Anna, 1995; Yanasse et al.,<br />
1993):<br />
Var(X) =n¸ ¡2<br />
4) Estimadores pelo Metodo dos Momentos (Frery, 1993; Sant'Anna, 1995;<br />
Yanasse et al., 1995):
25<br />
bn m = cm 2 1<br />
cm 2 ¡ cm 2 1<br />
b¸m = bn<br />
cm1<br />
(3.1)<br />
(3.2)<br />
5) Para imagens de radar, o par^ametron e denominado numero equivalente<br />
de visadas (ver Subse»c~ao 5.2.5.1, p. 50). Este par^ametro e, em geral,<br />
conhecido ou estimado separadamente para toda imagem. Nestes casos,<br />
somente a Equa»c~ao 3.2 acima e utilizada na estima»c~ao do par^ametro¸:<br />
3.13 - Distribui»c~ao Raiz de Gama Padr~ao<br />
SejaY » ¡(®;1): A variavel aleatoriaX = Y 1=2 e dita possuir<br />
uma distribui»c~ao Raiz de Gama Padr~ao com par^ametro®: Este caso e denotado por<br />
X » ¡ 1=2 (®;1) e a sua densidade, para todox 2 R, e dada por (Yanasse et al.,<br />
1995):<br />
3.14 - Distribui»c~ao Raiz de Gama<br />
fX(x;®;¸) = 2<br />
¡(®) x2®¡1 exp ³<br />
¡x 2´<br />
1IR + (x)<br />
SejamY » ¡ 1=2 (n;1) e¸ 2 R +: A variavel aleatoriaX =¸ ¡1=2 Y e<br />
dita possuir uma distribui»c~ao Raiz de Gama com par^ametrosne¸ 2 R +; denotada<br />
porX » ¡ 1=2 (n;¸): A sua densidade, para todox 2 R, e dada por (Frery, 1993;<br />
Frery et al., 1995b,c; Yanasse et al., 1993, 1995):<br />
fX(x;n;¸) = 2¸n<br />
¡(n) x2n¡1 exp ³<br />
¡¸x 2´<br />
1IR+(x)<br />
1) Momento de ordemr2 R (Frery, 1993; Frery et al., 1995b; Yanasse et al.,<br />
1995):
26<br />
E(X r ) = ¡(n+r=2)<br />
¸ r=2 ¡(n)<br />
2) Esperan»ca (Frery, 1993; Yanasse et al., 1993):<br />
E(X) = ¡(n+1=2)<br />
¸ 1=2 ¡(n)<br />
3) Vari^ancia (Frery, 1993; Yanasse et al., 1993):<br />
Var(X) = 1<br />
0<br />
@n ¡<br />
¸<br />
à ¡(n+1=2)<br />
¡(n)<br />
! 2 1<br />
4) Estimadores pelo Metodo dos Momentos (Frery, 1993; Yanasse et al.,<br />
1993):<br />
a) bnm e obtido pela raiz da equa»c~ao:<br />
0s<br />
1<br />
cm2<br />
@ A<br />
bnm<br />
b) b ¸ m e obtido por:<br />
¡ (bnm+1=2)<br />
¡(bnm)<br />
b¸ m = bnm<br />
cm 2<br />
A<br />
¡ cm1 =0 (3.3)<br />
(3.4)<br />
5) Seonumero equivalente de visadasneconhecido,opar^ametro¸eestimado<br />
pela Equa»c~ao 3.4.
3.15 - Distribui»c~ao Beta<br />
27<br />
Diz-se que uma variavel aleatoriaX possui uma distribui»c~ao Beta<br />
com par^ametros®;¯ 2 R+, denotada porX » B(®;¯); se a sua densidade, para<br />
todox 2 R, e dada por (DeGroot, 1975; Frery, 1993; Frery et al., 1995b; Koroliuk,<br />
1986; Sant'Anna, 1995; Yanasse et al., 1993):<br />
f X(x;®;¯) = ¡(®+¯)<br />
¡(®)¡(¯) x®¡1 (1 ¡x) ¯¡1 1I [0;1](x)<br />
1) Momento de ordemr2R, e dado por (DeGroot, 1975; Frery, 1993; Ko-<br />
roliuk, 1986; Sant'Anna, 1995):<br />
E(X r ) = ¡(®+r)¡(®+¯)<br />
¡(®)¡(®+¯+r)<br />
2) Esperan»ca (DeGroot, 1975; Frery, 1993; Sant'Anna, 1995; Yanasse et al.,<br />
1993):<br />
E(X) = ®<br />
® +¯<br />
3) Vari^ancia (DeGroot, 1975; Frery, 1993; Koroliuk, 1986; Sant'Anna, 1995;<br />
Ya-nasse et al., 1993):<br />
®¯<br />
Var(X) =<br />
(®+¯) 2 (®+¯+1)<br />
4) Estimadores pelo Metodo dos Momentos (Frery, 1993; Sant'Anna, 1995;<br />
Yanasse et al., 1993):<br />
b® m = cm1(cm1 ¡ cm2)<br />
cm 2 ¡ cm 2 1
28<br />
b¯m = (cm1 ¡1)(cm2 ¡ cm1)<br />
cm2 ¡ cm 2 1<br />
5) Para o caso das imagens nas quais o dom³nio de varia»c~ao dos dados n~ao<br />
pertence ao conjunto [0;1]; faz-se necessaria a convers~ao dos dados.<br />
3.16 - Distribui»c~ao Weibull<br />
Diz-se que uma variavelaleatoriaXpossuiuma distribui»c~aoWeibull<br />
com par^ametros®;¯ 2 R+, denotada porX » W(®;¯); se a sua densidade, para<br />
todox2 R, e dada por (DeGroot, 1975; Frery et al., 1995b):<br />
fX(x;®;¯) =®¯ ® x ®¡1 exp(¡(¯x) ® )1IR + (x)<br />
1) A sua fda e dada por (Frery, 1993; Sant'Anna,1995;Yanasse et al., 1993):<br />
FX(x;®;¯) = 1 ¡exp(¡(¯x) ® )1IR+(x)<br />
2) Momento de ordemr 2 R, e dado por(Frery, 1993; Sant'Anna, 1995;<br />
Yanasse et al., 1993):<br />
E(X r ) = ¡(r=®+1)<br />
¯ r<br />
3) Esperan»ca (Frery, 1993; Sant'Anna, 1995; Yanasse et al., 1993):<br />
E(X) = ¡(® ¡1 +1)=¯<br />
4) Vari^ancia (Frery, 1993; Sant'Anna, 1995):
29<br />
Var(X) = ¡ (2=®+1) ¡(¡ (®¡1 +1)) 2<br />
5) Os estimadores pelo Metodo dos Momentos s~ao obtidos pela solu»c~ao do<br />
sistema (Frery, 1993; Sant'Anna, 1995; Yanasse et al., 1993):<br />
8<br />
><<br />
>:<br />
¡(2b® ¡1<br />
m<br />
b¯ m ¡¡ (b® ¡1<br />
m<br />
¯ 2<br />
+1) ¡(¡ (b®¡1 m +1))2 cm 2cm ¡2<br />
1 = 0<br />
+1) cm¡1<br />
1<br />
= 0<br />
6) Estimadorespelo Metododa Maxima Verossimilhan»ca(Sant'Anna, 1995):<br />
b¯v =<br />
Ã<br />
Nb®v=<br />
b®v e obtido resolvendo-se a equa»c~ao:<br />
¡<br />
Ã<br />
N b® ¡1<br />
v +<br />
N b® v=<br />
NX<br />
i=1<br />
NX<br />
i=1<br />
x b®v<br />
i<br />
NX<br />
i=1<br />
x b® v<br />
i<br />
!1=b® v<br />
ln(xi) +N b® ¡1<br />
Ã<br />
v (1 ¡ b®)ln N b®=<br />
!1=b®v NX<br />
xi ¡<br />
i=1<br />
Ã<br />
N b® v=<br />
NX<br />
i=1<br />
x b®v<br />
i<br />
! NX<br />
NX<br />
x<br />
i=1<br />
b® !<br />
i<br />
+<br />
x<br />
i=1<br />
b®v<br />
i ln(xi) = 0<br />
Pode-se veri¯car facilmente que a distribui»c~ao Weibull com® = 2 e<br />
¯ = p µ se reduz µa distribui»c~ao Rayleigh, apresentada na Se»c~ao 3.10, p. 22.<br />
3.17 - Distribui»c~ao K-Intensidade Padr~ao<br />
Diz-se que uma variavelaleatoriaX possuidistribui»c~aoK-Intensida-<br />
de com par^ametros®2 R +;¯ = 1;n 2 R +; denotada porX»KI(®;1;n); se a sua
30<br />
densidade, para cadax 2 R, e dada por (Frery, 1993; Sant'Anna, 1995; Yanasse et<br />
al., 1995):<br />
f X(x;®;1;n) =<br />
2n®<br />
¡(®)¡(n) (®nx)(®+n¡2)=2 ³<br />
K ®¡n 2 p ®nx ´<br />
1IR+ (x)<br />
ondeK º e a fun»c~ao de Bessel modi¯cada de terceiro tipo e ordemº, apresentada na<br />
Subse»c~ao 2.2.4, p. 7.<br />
3.18 - Distribui»c~ao K-Intensidade<br />
SejamY » KI(®;1;n) e®;n 2 R +: Diz-se que a variavel aleatoria<br />
X =¯Y possui distribui»c~ao K-Intensidade (KI) com par^ametros®; ¯; n 2 R+;<br />
denotada porX » KI(®;¯;n); cuja densidade, para cadax 2 R, e dada por (Frery,<br />
1993; Frery et al., 1995a,c; Yanasse et al., 1995):<br />
fX(x;®;¯;n) =<br />
2n®<br />
¯¡(®)¡(n)<br />
à ®nx<br />
¯<br />
! (®+n¡2)=2<br />
K®¡n<br />
Ã<br />
s<br />
®nx<br />
2<br />
¯<br />
!<br />
1IR + (x)<br />
Pode-se demonstrar (Yanasse et al., 1995) que a variavel aleatoria<br />
formada pelo produto de duas variaveis aleatorias independentes com distribui»c~oes<br />
¡(®;¸) e ¡(n;n) possui uma distribui»c~ao KI(®;¯;n); onde¯ =®=¸: Este caso,<br />
dada a sua import^ancia para dados radar, e tratado tambem na Subse»c~ao 4.1.1, p.<br />
40.<br />
1) Momento de ordemr2 R (Frery, 1993; Frery et al., 1995c; Yanasse et al.,<br />
1993, 1995):<br />
E(X r ) =<br />
à ! r<br />
¯ ¡(r +®)¡(r +n)<br />
®n ¡(®)¡(n)<br />
2) Esperan»ca (Frery, 1993; Yanasse et al., 1993, 1995):<br />
E(X) =¯
31<br />
3) Vari^ancia (Frery, 1993; Yanasse et al., 1993, 1995):<br />
Var(X) = ®+n+1<br />
¯<br />
®n<br />
2<br />
4) Estimadorespelo Metodo dos Momentos(Frery, 1993; Yanasse et al., 1993,<br />
1995):<br />
onde:<br />
b®m =<br />
b¯m = cm1<br />
cm 2 1 (bnm +1)<br />
bn m(cm 2 ¡ cm 2 1 ) ¡ cm2 1<br />
bn m = ¡b § p c<br />
2a<br />
a= 2cm 2 2 ¡ cm 2 1 cm2 ¡ cm1 cm3<br />
b =4cm 2 2 ¡3cm2 1 cm2 ¡ cm1cm3<br />
c = cm 4 1 cm2 2 ¡8cm2 1 cm3 2 ¡2cm3 1 cm2cm3 +16cm 4 2 ¡8cm1cm 2 2 cm3 + cm 2 1 cm2 3<br />
5) Se o numero equivalente de visadasn e conhecido, os par^ametros® e¯<br />
s~ao estimados por:<br />
cm<br />
b®m =<br />
2 1 (n+1)<br />
n(cm2 ¡ cm 2 1) ¡ cm 2 1<br />
b¯ m = cm 1
8<br />
><<br />
>:<br />
32<br />
6) Estimadoresde Maxima Verossimilhan»ca de®ede¯para o casoparticular<br />
n = 1; (Caves, 1993):<br />
(b® v +1)<br />
v<br />
u<br />
t b ¯v b® v<br />
ln(ª(b®v))+ln<br />
¡ 1<br />
XN N i=1<br />
à !<br />
b¯v<br />
b®v<br />
0<br />
B<br />
Bp<br />
B xi<br />
@<br />
¡ 1<br />
XN N i=1<br />
0<br />
B<br />
@<br />
K b®v<br />
Ã<br />
2<br />
@<br />
Kb®v¡1 @b® v<br />
K b®v¡1<br />
s !<br />
b®vxi<br />
b¯v<br />
K b®v¡1<br />
às ! 1<br />
b®vxi<br />
2<br />
b¯v<br />
C<br />
s ! C<br />
b®vx C<br />
i A<br />
b¯v<br />
+K b®v¡2<br />
Ã<br />
2<br />
= 0<br />
às ! 1<br />
b®vxi<br />
2<br />
b¯<br />
C<br />
à v C<br />
s ! C<br />
b®vxi A ¡ PN i=1ln ³ p ´<br />
xi<br />
onde ª e fun»c~ao Di-Gamma apresentada na Subse»c~ao 2.2.3, p. 7.<br />
3.19 - Distribui»c~ao K-Amplitude Padr~ao<br />
2<br />
b¯ v<br />
= 0<br />
SejamY » KI(®;1;n) e®;n 2 R+: Diz-se que a variavel aleatoria<br />
X = p Y possui distribui»c~ao K-Amplitude (KA) com par^ametros ® 2 R+;<br />
¯ = 1; n 2 R+; denotada porX » KA(®;1;n); e a sua densidade, para cada<br />
x 2 R, e dada por (Frery, 1993; Sant'Anna, 1995; Yanasse et al., 1995):<br />
fX(x;®;1;n) = 4®nx<br />
q<br />
(®nx<br />
¡(®)¡(n)<br />
2 ) (®+n¡2) ³<br />
K ®¡n 2x p ®n ´<br />
1IR+ (x);<br />
ondeKº e a fun»c~ao de Bessel modi¯cada de terceiro tipo e ordemº, apresentada na<br />
Subse»c~ao 2.2.4, p. 7.<br />
3.20 - Distribui»c~ao K-Amplitude<br />
SejamY » KA(®;1;n) e®;n 2 R+: Diz-se que a variavel aleatoria<br />
X = p ¯Y possui distribui»c~ao KA com par^ametros ®;¯;n 2 R+; denotada por<br />
X » KA(®;¯;n); cuja densidade, para cadax 2 R, e dada por (Frery, 1993; Frery<br />
et al., 1995a,b,c; Yanasse et al., 1993, 1995):
4®nx<br />
fX(x;®;¯;n) =<br />
¯¡(®)¡(n)<br />
v<br />
u<br />
t<br />
33<br />
à ®nx 2<br />
¯<br />
! (®+n¡2)<br />
K®¡n<br />
Ã<br />
s<br />
®n<br />
2x<br />
¯<br />
!<br />
1IR + (x)<br />
Pode-se demonstrar (Yanasse et al., 1995) que a variavel aleatoria<br />
formada pelo produto de duas variaveis aleatorias independentes com distribui»c~ao<br />
¡ 1=2 (®;¸) e¡ 1=2 (n;n)possuiumadistribui»c~ao KA(®;¯;n);onde¯ =®=¸:Este caso,<br />
dada a sua import^ancia para dados radar, e tratado tambem na Subse»c~ao 4.1.2, p.<br />
41.<br />
1) Momento de ordemr2 R (Frery, 1993; Frery et al., 1995c; Yanasse et al.,<br />
1993, 1995):<br />
E(X r ) =<br />
v<br />
u<br />
t<br />
Ã<br />
¯<br />
®n<br />
! r¡(r=2+®)¡(r=2+n)<br />
¡(®)¡(n)<br />
2) Estimadores pelo Metodo dos Momentos (Frery, 1993; Frery et al., 1995c;<br />
Yanasse et al., 1993, 1995):<br />
b¯m = cm2<br />
b® m e bn m s~ao obtidos pela solu»c~ao do sistema:<br />
8<br />
><<br />
>:<br />
s cm2<br />
b®mn<br />
v<br />
uÃ<br />
u cm2<br />
t<br />
¡(1=2+ b® m)¡(1=2+n)<br />
¡(b®m)¡(n)<br />
¡ cm1 = 0<br />
! 3¡(3=2+<br />
b®m)¡(3=2 +n)<br />
¡ cm 3 = 0<br />
b® mn ¡(b® m)¡(n)<br />
3) Se o numero equivalente de visadasn e conhecido, os par^ametros® e¯<br />
s~ao estimados por:
s cm2<br />
b®mn<br />
34<br />
¡(1=2+ b®m)¡(1=2+n)<br />
¡(b®m)¡(n)<br />
b¯ m = cm 2<br />
¡ cm1 =0<br />
3.21 - Distribui»c~ao Gaussiana Inversa Generalizada<br />
Diz-se que uma variavel aleatoriaX possui uma distribui»c~ao Gaus-<br />
siana Inversa Generalizada,com par^ametros®;° e¸;denotada porX » N ¡1 (®;°;¸);<br />
se a sua densidade, para cadax 2 R, e dada por (Frery et al., 1995a,b):<br />
q<br />
(¸=°)<br />
fX(x;®;°;¸) =<br />
®<br />
³<br />
2K® 2 p ¸° ´x ®¡1 µ<br />
exp ¡ °<br />
x ¡¸x<br />
<br />
1IR + (x)<br />
1) O dom³nio dos par^ametros e dado por (Frery et al., 1995a,b):<br />
8<br />
><<br />
>:<br />
°>0;¸ ¸ 0; se®< 0<br />
°>0;¸>0; se® = 0<br />
° ¸ 0;¸>0; se®> 0<br />
2) Momento de ordemr2 R (Frery et al., 1995a,b):<br />
E(Xr ) = K ®+r<br />
³<br />
K ®<br />
³<br />
2 p °¸ ´<br />
2 p °¸ ´<br />
s µ° r<br />
3.22 - Distribui»c~ao Raiz de Gaussiana Inversa Generalizada<br />
¸<br />
(3.5)<br />
SejaY » N ¡1 (®;°;¸): Diz-se que uma variavel aleatoriaX=Y 1=2<br />
possui distribui»c~ao Raiz de Gaussiana Inversa Generalizada, com par^ametros®;° e
35<br />
¸; denotada porX » N ¡1=2 (®;°;¸): A sua densidade, para cadax 2 R, e dada por<br />
(Frery et al., 1995a,b,c):<br />
fX(x;®;°;¸) = (¸=°)®=2<br />
³<br />
K ® 2 p ¸° ´x2®¡1exp µ<br />
¡ °<br />
¡¸x2<br />
x2 1) Momento de ordemr2R(Frery et al., 1995a,b,c):<br />
³<br />
2 p °¸ ´<br />
E(X r ) = K®+r=2<br />
³<br />
K ® 2 p °¸ ´<br />
3.23 - Distribui»c~ao G-Intensidade<br />
µ <br />
° r=4<br />
¸<br />
<br />
1I R+ (x)<br />
Sejam as variaveis aleatoriasX » N ¡1 (®;°;¸); cujo dom³nio dos<br />
par^ametros e dado na Equa»c~ao 3.5, eY » ¡(n;n),n 2 R +. Diz-se que a variavel<br />
aleatoriaZ =XY possuidistribui»c~aoG-Intensidade(GI),com par^ametros®;°;¸ en,<br />
denotada porZ»GI(®;°;¸;n): A sua densidade, para cadax 2 R, e dada por<br />
(Frery et al., 1995a):<br />
n n (¸=°) ®=2<br />
fZI (x;®;°;¸) = ³<br />
¡ (n)K® 2 p ´x<br />
n¡1<br />
¸°<br />
µ ° +nx<br />
¸<br />
(®¡n)=2 µ q <br />
K®¡n 2 ¸(° +nx) 1IR + (x)<br />
1) Convem observar que, quando° ! 0, a distribui»c~ao GI tende, em dis-<br />
tribui»c~ao, para a distribui»c~ao KI. E se®,¸!1e a raz~ao®=¸ !¯1<br />
(¯1 constante), a distribui»c~ao KI tende em distribui»c~ao para a distribui»c~ao<br />
Gama, isto e:<br />
GI(®;°;¸;n) D ¡! KI(®;<br />
°#0<br />
®;¸!1<br />
®<br />
¸ ;n) D ¡!<br />
®;¸!1<br />
®=¸!¯1 2) Momento de ordemr2R(Frery et al., 1995a,b):<br />
E(Z r ) = K®+r<br />
K®<br />
³<br />
2 p ¸° ´<br />
¡(n+r)<br />
³<br />
2 p ¸° ´<br />
¡(n)<br />
¡(n;n=¯ 1)<br />
µ r r<br />
1 °<br />
n ¸
36<br />
3.24 - Distribui»c~ao G-Intensidade Zero<br />
Este e um caso particular da GI de interesse e aplica»c~ao em<br />
imagens SAR. Denominada GI0 e denotada por GI(®;°;0;n); e obtida supondo-<br />
se¸ = 0;®< 0 e°>0na GI(®;°;¸;n). A sua densidade, para todox 2 R e dada<br />
por:<br />
f ZI (x;®;°;0;n) =<br />
n n ¡ (n ¡®)x n¡1<br />
° ® ¡ (n)¡ (¡®)(° +nx) n¡®1I R+<br />
1) Convem observar que se ¡®,° ! 1 e a raz~ao ¡®=° !¯2 (¯2 constante),<br />
a distribui»c~ao GI0 tende em distribui»c~ao para a distribui»c~ao Gama, isto<br />
e:<br />
GI(®;°;0;n) D ¡!<br />
¡®;°!1<br />
¡®=°!¯ 2<br />
2) Momento de ordemr2R e dado por:<br />
8<br />
E (Zr ><<br />
I ) =<br />
>:<br />
¡ (¡® ¡r)¡ (n+r)<br />
¡ (¡®)¡ (n)<br />
3.25 - Distribui»c~ao G-Amplitude<br />
¡(n;n¯2)<br />
µ <br />
° r<br />
; ser< ¡2®<br />
n<br />
1; em caso contrario<br />
Sejam as variaveis aleatoriasX» N ¡1=2 (®;°;¸); cujo dom³nio dos<br />
par^ametrose dado na Equa»c~ao 3.5, p. 34, eY » ¡ 1=2 (n;n),n2 R+. Ent~ao a variavel<br />
aleatoriaZ =XY possui distribui»c~ao G-Amplitude (GA), com par^ametros®;°;¸<br />
en, denotada porX » GA(®;°;¸;n); com densidade, para cadax2 R, dada por<br />
(Frery et al., 1995a,b,c):<br />
fZ(x;®;°;¸) =<br />
¡(n)K®<br />
2nn r ³¸° ´ ®<br />
³<br />
2 p ´x<br />
2n¡1<br />
°¸<br />
à ° +nx 2<br />
¸<br />
!®¡n<br />
2<br />
K®¡n<br />
µ q<br />
2 ¸(° +nx2 <br />
) 1IR + (x)
37<br />
1) Convem observar que, quando° ! 0 e®,¸>0, a distribui»c~ao GA tende,<br />
em distribui»c~ao,para adistribui»c~ao KA.Ese®,¸ ! 1 earaz~ao®=¸ !¯ 1<br />
(¯ 1 constante), a distribui»c~aoKAtendeem distribui»c~ao paraa distribui»c~ao<br />
Raiz de Gama, isto e:<br />
GA(®;°;¸;n) D ¡! KA(®;<br />
®;¸!1<br />
®=¸!¯1 ®<br />
¸ ;n) D ¡!<br />
®;¸!1<br />
®=¸!¯1 2) Momento de ordemr2 R (Frery et al., 1995a,b,c):<br />
E(Z r ) = K ®+r=2<br />
³<br />
K®<br />
2 p ¸° ´<br />
¡(n+r=2)<br />
³<br />
2 p ¸° ´<br />
¡(n)<br />
3.26 - Distribui»c~ao G-Amplitude Zero<br />
¡ 1=2 (n;n=¯ 1)<br />
µ<br />
°<br />
n2 r=4<br />
¸<br />
Este e um caso particular da GA de interesse e aplica»c~ao em<br />
imagens SAR. Denominada GA0 e denotada por GA(®;°;0;n);e obtida supondo-se<br />
¸ = 0;®< 0 e°> 0 na GA(®;°;¸;n). A sua densidade, para todox2Re dada<br />
por (Frery et al., 1995c):<br />
f ZA (x;®;°;0;n) =<br />
2n n ¡ (n ¡®)x 2n¡1<br />
° ® ¡ (n)¡ (¡®)(° +nx 2 ) n¡®1I R+<br />
1) Convem observar que se ¡®, ° ! 1 e a raz~ao ¡®=° ! ¯2<br />
(¯2 constante),adistribui»c~ao GA0tende emdistribui»c~aoparaadistribui»c~ao<br />
Raiz de Gama, isto e:<br />
GA(®;°;0;n) D ¡! ¡<br />
¡®;°!1<br />
®=°!¯2 1=2 (n;n¯2)<br />
2) Momento de ordemr2R e dado por (Frery et al., 1995c):
8<br />
E(Z r ><<br />
A ) =<br />
>:<br />
38<br />
¡ (¡® ¡r=2)¡ (n+r=2)<br />
¡ (¡®)¡ (n)<br />
µ <br />
° r=2<br />
n<br />
ser
CAPITULO 4<br />
MODELAGEM DOS DADOS SAR<br />
Sera apresentado neste cap³tulo o modelo multiplicativo, muito uti-<br />
lizado na modelagem de imagens SAR, e as distribui»c~oes dele decorrentes. Ser~ao<br />
apresentadas tambem outras distribui»c~oes comumente utilizadas em imagens SAR,<br />
mas que n~ao decorrem do modelo multiplicativo.<br />
4.1 - O Modelo Multiplicativo<br />
O modelo multiplicativo e comumente adotado na explica»c~ao do<br />
comportamento estat³stico de dados obtidos com radia»c~ao coerente, como e o caso<br />
das imagens SAR (Frery, 1993; Frery et al., 1995a; Yanasse, 1991; Yanasse et al.,<br />
1995). Este modelo sup~oe que o valor observado em cada \pixel" e a ocorr^encia<br />
de uma variavel aleatoriaZ =XY, ondeX representa a variavel aleatoria mode-<br />
lando oretroespalhamento dopulso incidente na superf³cie terrestre(\backscatter") e<br />
Y representa a variavel aleatoria modelando o ru³do apresentado, associado µa ra-<br />
dia»c~ao coerente que incide sobre a cena (\speckle") (Yanasse et al., 1995).<br />
Diferentes distribui»c~oes paraXeY produzem diferentes distribui-<br />
»c~oes para os dados observadosZ. Ser~ao apresentados os casos determinados pelas<br />
combina»c~oes obtidas considerando-se os tipos de regi~oes, o numero de visadas e<br />
os tipos de detec»c~ao utilizados. Quanto aos tipos de regi~oes, ser~ao abordadas as<br />
homog^eneas (p. ex.: areas de cultura agr³cola, pastagens, solo exposto, etc), as<br />
heterog^eneas (°orestas primarias, p. ex.) e as extremamente heterog^eneas (areas<br />
urbanas, p. ex.). Quanto aos tipos de detec»c~ao ser~ao abordadas a linear (imagem<br />
amplitude),denotada com \A"subscrito,e a quadratica (imagem intensidade), deno-<br />
tada com \I" subscrito. Tambem ser~ao abordadas as imagens complexas, denotadas<br />
com \C" subscrito.
4.1.1 - Imagens Intensidade<br />
40<br />
A modelagem do \backscatter" para regi~oes homog^eneas parte da<br />
hipotese basica de que o mesmo possui um valor constante, embora desconhecido.<br />
Assim sup~oe-se que (Yanasse et al., 1995):<br />
X I » C(¯)<br />
A modelagem do \backscatter" para regi~oes heterog^eneas parte da<br />
hipotese basica de que o mesmo n~ao possui um valor constante, mas que pode ser<br />
modelado por uma distribui»c~ao apropriada. E muito comum supor-se que (Frery et<br />
al., 1995b; Ulaby e Dobson, 1989; Yanasse et al., 1995):<br />
XI » ¡(®;¸)<br />
A modelagem do \backscatter" para regi~oes extremamente heterog^e-<br />
neas parte da hipotese basica de que o \backscatter" possui uma distribui»c~ao Gaus-<br />
siana Inversa Generalizada (Frery et al., 1995a), isto e:<br />
e extremamente heterog^eneas.<br />
XI » N ¡1 (®;°;¸)<br />
Ser~ao consideradasn visadas em regi~oes homog^eneas, heterog^eneas<br />
Paranvisadas , sup~oe-se que o ru³do \speckle" possuia distribui»c~ao<br />
da media denvariaveis aleatorias Exponenciais Padr~oes independentes (Yanasse et<br />
al., 1995) e, de acordo com a Se»c~ao 3.11, p. 23, tem-se que:<br />
ou seja:<br />
YI »n ¡1 ¡(n;1)<br />
YI » ¡(n;n)
41<br />
Assim os casos paran visadas podem ser resumidos na Tabela 1.<br />
TABELA 1 - RETORNO EM INTENSIDADE PARAn VISADAS<br />
Regi~oes \Backscatter" \Speckle" Retorno<br />
XI YI ZI =XIYI<br />
Homog^eneas C(¯) ¡(n;n) ¡(n;n¯ ¡1 )<br />
Heterog^eneas ¡(®;¸) ¡(n;n) KI(®;¯;n)<br />
Extremamente Heterog^eneas N ¡1 (®;°;¸) ¡(n;n) GI(®;°;¸;n)<br />
Apesar da distribui»c~ao GI estar sendo proposta para areas extrema-<br />
mente heterog^eneas, ela aplica-se tambem µas areasheterog^eneas e homog^eneas, uma<br />
vez que as distribui»c~oes KI e a Gama s~ao casos particulares da GI, conforme Se»c~ao<br />
3.23, p. 35.<br />
Para os casos de uma visada, a distribui»c~ao Gama do retorno se<br />
reduz a uma Exponencial com par^ametro¯ ¡1 :<br />
4.1.2 - Imagens Amplitude<br />
A modelagem para regi~oes homog^eneas parte da hipotese basica de<br />
que o \backscatter"possuium valor constante,emboradesconhecido. Assim sup~oe-se<br />
que (Yanasse et al., 1995):<br />
q<br />
XA » C( ¯)<br />
A modelagem para regi~oes heterog^eneas parte da hipotese basica<br />
de que o \backscatter" n~ao possui um valor constante, mas que pode ser modelado<br />
por uma distribui»c~ao apropriada. E muito comum supor-se que (Frery et al., 1995b;<br />
Ulaby e Dobson, 1989; Yanasse et al., 1995):<br />
XA » ¡ 1=2 (®;¸)<br />
A modelagem para regi~oes extremamente heterog^eneas parte da
42<br />
hipotese basica de que o \backscatter" possui uma distribui»c~ao Raiz de Gaussiana<br />
Inversa Generalizada (Frery et al., 1995a), isto e:<br />
e extremamente heterog^eneas.<br />
X A » N ¡1=2 (®;°;¸)<br />
Ser~ao consideradasn visadas em regi~oes homog^eneas, heterog^eneas<br />
Quanto ao ru³do \speckle" sup~oe-se que o mesmo possui a dis-<br />
tribui»c~ao da media denvariaveisaleatoriasindependentesidenticamentedistribu³das,<br />
isto e,Y A =n ¡1 P n i=1 Y i; comY i » R(1). A densidade desta variavel aleatoria n~ao<br />
possui uma forma expl³cita paran> 2: Caso a imagem com mais de uma visada<br />
de amplitude seja gerada formando-se a media das intensidades de uma visada e<br />
extraindo-se a raiz quadrada tem-se que o \speckle" e dado por:<br />
v<br />
u<br />
YA = tn ¡1<br />
nX<br />
Yi<br />
i=1<br />
ondeY I » E(1) e, de acordo com a Se»c~ao 3.12, p. 24 e Se»c~ao 3.13, p. 25:<br />
isto e:<br />
YA » 1<br />
p n ¡ 1=2 (n;1);<br />
YA » ¡ 1=2 (n;n):<br />
Esta hipotese tambem e usada , como aproxima»c~ao tratavel, na modelagem da raiz<br />
da media de imagens de uma visada em amplitude.<br />
Assim os casos paran visadas podem ser resumidos na Tabela 2.
43<br />
TABELA 2 - RETORNO EM AMPLITUDE PARAn VISADAS<br />
Regi~oes \Backscatter" \Speckle" Retorno<br />
XA YA ZA =XAYA<br />
Homog^eneas C( p ¯) ¡ 1=2 (n;n) ¡ 1=2 (n;n¯ ¡1 )<br />
Heterog^eneas ¡ 1=2 (®;¸) ¡ 1=2 (n;n) KA(®;¯;n)<br />
Extremamente Heterog^eneas N ¡1=2 (®;°;¸) ¡ 1=2 (n;n) GA(®;°;¸;n)<br />
Apesar dadistribui»c~ao GA estarsendopropostaparaareasextrema-<br />
mente heterog^eneas, ela aplica-se tambem µas areasheterog^eneas e homog^eneas, uma<br />
vez que asdistribui»c~oesKA e aRaiz de Gama s~aocasosparticularesda GA,conforme<br />
Se»c~ao 3.25, p. 36.<br />
Para os casos de uma visada,n=1; a distribui»c~ao Raiz de Gama<br />
se reduz ao seu caso particular Rayleigh com par^ametro¯ ¡1 :<br />
4.1.3 - Imagens Complexas<br />
Sup~oe-se que o \speckle" complexo possui uma distribui»c~ao Normal<br />
Bivariada, com as componentes real e imaginaria independentes e identicamente<br />
distribu³das com media¹=0evari^ancia¾ 2 =1=2 , isto e (Frery et al., 1995a):<br />
tambem denotada por N 2<br />
Y C » N 2<br />
³<br />
00<br />
BB<br />
@<br />
0; 1<br />
2 I´ :<br />
1<br />
@ 0 C<br />
A;<br />
0<br />
0<br />
B<br />
@<br />
1=2 0<br />
0 1=2<br />
11<br />
CC<br />
A<br />
Quanto ao modelos para o \backscatter", ser~ao utilizados os de am-<br />
plitude apresentados na Subse»c~ao 4.1.2, p. 41.<br />
Desta forma, os casos para os retornos das componentes real ou<br />
imaginaria das imagens complexas podem ser resumidos na Tabela 3.<br />
A:
44<br />
TABELA 3 - RETORNO COMPLEXO<br />
Regi~oes \Backscatter" \Speckle" Retorno<br />
XA Yc ZC =XAYC<br />
´<br />
´<br />
Homog^eneas C( p ¯) N ³<br />
0; 1<br />
Heterog^eneas ¡ 1=2 (®;¸) N ³<br />
2<br />
0; 1 ´<br />
2<br />
´<br />
Extremamente Heterog^eneas N ¡1=2 (®;°;¸) N ³<br />
0; 1<br />
2<br />
N ³<br />
0; ¯<br />
2<br />
KC(®;¸)<br />
GC(®;°;¸)<br />
onde KC e a densidade das componentes real ou imaginaria deZC; denominada<br />
K-Complexa e dada por (Frery et al., 1995a):<br />
fZC (x) = 2<br />
s<br />
¸<br />
¡(®)<br />
®+1=2<br />
¼<br />
jxj ®¡1=2 K®¡1=2<br />
³<br />
2jxj p ¸ ´<br />
; e<br />
GCeadensidade dascomponentesrealouimaginariadeZ C;denominada G-Complexa<br />
e dada por (Frery et al., 1995a):<br />
f ZC (x) =<br />
1<br />
K®(2 p s<br />
(¸=°)<br />
¸°)<br />
®<br />
¼<br />
à ° +x 2<br />
4.2 - As distribui»c~oes Normais Restritas<br />
¸<br />
! (®¡1=2)=2 µ<br />
K ®¡1=2 2 q<br />
¸(° +x2 <br />
)<br />
Em algunscasosespeciais, sob a hipotese do modelo multiplicativo,<br />
as distribui»c~oes Normais podem ser usadaspara modelar os retornos em intensidade<br />
e amplitude. As demonstra»c~oes podem ser vistas em Yanasse et al. ( 1995).<br />
Estes casos ocorrem quando s~ao consideradas regi~oes homog^eneas e<br />
um numero de visadas su¯cientemente grande,porem n~ao o bastante para supor que<br />
o \speckle" esteja ausente.<br />
4.2.1 - Normal Restrita Intensidade<br />
Sup~oe-seque o\backscatter" possuidistribui»c~ao Constante(Subse»c~ao
4.1.1, p. 40), isto e,X I » C(¯):<br />
45<br />
Para um numero de visadasnsu¯cientemente grande sup~oe-se que<br />
o \speckle" possui uma distribui»c~ao Normal com media¹=1 e vari^ancia¾ 2 = 1=n,<br />
isto e,<br />
YI » N(1;1=n):<br />
Esta suposi»c~ao decorre do Teorema Central do Limite (Yanasse et al. 1995).<br />
Aplicando-se o modelo multiplicativo decorre que:<br />
4.2.2 - Normal Restrita Amplitude<br />
ZI =XIYI » N(¯;¯ 2 =n)<br />
Sup~oe-seque o\backscatter" possuidistribui»c~ao Constante(Subse»c~ao<br />
4.1.2, p. 41), isto e, isto e,XA » C( p ¯).<br />
Para um numero de visadasnsu¯cientemente grande sup~oe-se que<br />
o \speckle" possui uma distribui»c~ao Normal (Yanasse et al., 1995):<br />
ent~ao decorre que:<br />
Y A » N<br />
0<br />
@<br />
Z A =X AY A » N<br />
¡ (n+1=2)<br />
¡ (n) p 0<br />
1<br />
; @n ¡<br />
n n<br />
0s<br />
@<br />
4.3 - Distribui»c~oes ad-hoc<br />
à ¡ (n+1=2)<br />
¡ (n)<br />
! 11<br />
2<br />
AA<br />
¯¡<br />
(n+1=2)<br />
;<br />
n ¡ (n)<br />
¯<br />
0 Ã<br />
@n<br />
¡ (n+1=2)<br />
¡<br />
n ¡ (n)<br />
! 11<br />
2<br />
AA<br />
Existem tambem outras distribui»c~oes que, embora n~ao decorrentes<br />
do modelo multiplicativo, eventualmente se ajustam-se bem aos dados SAR. Cabe<br />
ressaltar entretanto que n~ao se pode concluir acerca do grau de homogeneidade dos
46<br />
dados com a mesma con¯abilidade das distribui»c~oes oriundas do modelo multiplica-<br />
tivo. No decorrer deste trabalho, para efeito de classi¯ca»c~ao, foram consideradas e<br />
implementadas as seguintes distribui»c~oes:<br />
1) Normal, apresentada nas Se»c~oes 3.1, 3.2 e 3.3 (p. 17 e 18).<br />
2) Log-Normal, apresentada na Se»c~ao 3.4 (p. 19).<br />
3) Beta, apresentada na Se»c~ao 3.15 (p. 27).<br />
4) Weibull, apresentada na Se»c~ao 3.16 (p. 28).
Maxver.<br />
CAPITULO 5<br />
A CLASSIFICAC» ~ AO MAXVER<br />
Neste cap³tulo ser~ao apresentados os fundamentos da classi¯ca»c~ao<br />
5.1 - Os Passos da Classi¯ca»c~ao por Maxima Verossimilhan»ca<br />
A classi¯ca»c~ao por Maxima Verossimilhan»ca (Maxver) e uma das<br />
tecnicas de classi¯ca»c~ao supervisionada comumente utilizada em dados de Sensoria-<br />
mento Remoto (Richards, 1986).<br />
Os passos essenciais s~ao:<br />
1) Decidir, entre os poss³veis conjuntos de classes da cobertura terrestre,<br />
aquele que sera utilizado para particionar a imagem a ser classi¯cada. Os<br />
elementos desse conjunto, as classes, podem ser agua, cobertura vegetal,<br />
solo exposto, area urbana, etc.<br />
2) Associar uma distribui»c~ao a cada classe.<br />
3) Selecionar regi~oes representativas de cada classe na imagem. Isto pode ser<br />
feito atraves da consulta a outros documentos, fotointerpreta»c~ao, visitas µa<br />
area em estudo, etc.<br />
4) Efetuar a amostragem na imagem a ser classi¯cada para estimar os par^a-<br />
metros das distribui»c~oes associadas a cada classe.<br />
5) Opcionalmente pode-se testar o ajuste das distribui»c~oes associadas a cada<br />
classe.<br />
6) Classi¯car a imagem, que dependendo se o caso e univariado ou multivari-
48<br />
ado, pode ser feito da seguinte maneira:<br />
a) Para o casounivariado pode-se calcular, paracada \pixel" daimagem,<br />
as verossimilhan»cas relativas a cada uma das distribui»c~oes associadas<br />
µas classes e atribu³-lo µa classe com maior verossimilhan»ca calculada<br />
ou, considerando os poss³veis valores encontrados na imagem, gerar<br />
uma tabela (\Look Up Table" - LUT) e aplica-la µa imagem.<br />
b) Para o caso multivariado pode-se calcular, para cada \pixel", uma<br />
dist^ancia probabil³stica µa cada classe e atribu³-lo µaquela com menor<br />
dist^ancia.<br />
No decorrer deste trabalho, sera considerado apenas o caso univari-<br />
ado, cuja implementa»c~ao foi feita usando-se uma LUT.<br />
5.2 - A Implementa»c~ao Maxver<br />
Nesta se»c~ao ser~ao apresentadas as considera»c~oes necessarias µa im-<br />
plementa»c~ao da classi¯ca»c~ao Maxver.<br />
5.2.1 - Parti»c~ao da Imagem em Classes<br />
O numero de classes depende de alguns fatores que devem ser con-<br />
sideradosa priori. Entre osprincipaisa considerar est~ao a ¯nalidade da classi¯ca»c~ao,<br />
quais os dados dispon³veis e quais as classes que se deseja destacar. Deve-se consi-<br />
derar ainda a exist^encia de cada classe na imagem e ser conhecida a localiza»c~ao de<br />
pelo menos uma area representativa de cada classe, adequada para a amostragem.<br />
Selecionadasas classes e os dadosSAR que ser~ao utilizados, deve-se<br />
decidir tambema priori qualo tipo de informa»c~ao(monoespectralou multiespectral)<br />
e quais os processamentos que se espera aplicar.
5.2.2 - Associa»c~ao da Distribui»c~ao<br />
49<br />
A associa»c~ao da distribui»c~ao depende do tipo de informa»c~ao sele-<br />
cionado para os dados dispon³veis e do conhecimento a priori de alguns par^ametros<br />
dasdistribui»c~oesassociadasµa classe obtidos ou testados emclassi¯ca»c~oesanteriores.<br />
dados monoespectrais.<br />
A Tabela 4 apresenta as distribui»c~oes comumente associadas aos<br />
TABELA 4 - DISTRIBUIC» ~ OES USADAS COM DADOS MONOESPECTRAIS<br />
Modelo multiplicativo Distribui»c~oes<br />
Imagem Amplitude Imagem Intensidade ad-hoc<br />
Normal Restrita Amplitude Normal Restrita Intensidade Normal<br />
5.2.3 - Amostragem<br />
Raiz de Gama Gama Log-Normal<br />
K-Amplitude K-Intensidade Weibull<br />
GA0 GI0 Beta<br />
Para cada amostra de cada classe sera considerada a possibilidade<br />
daquela ser, quanto ao emprego, de infer^encia, teste ou ambas.<br />
Atravesda fun»c~ao de autocorrela»c~ao estimada e poss³vel determinar<br />
a dist^ancia (\lag") a partir do qual os dados podem ser considerados n~ao correla-<br />
cionados. Utilizando-se esses \lags" cada amostra e decorrelacionada 1 , com uma<br />
reamostragem a intervalos em linhas e colunas com valores correspondentes as esses<br />
1 Este termo e comumente utilizado para indicar que foi aplicada uma opera»c~ao com a ¯nalidade<br />
de diminuir ou eliminar a correla»c~ao existente entre os dados.
50<br />
\lags". Este procedimento e recomendavel para efetuar a estima»c~ao dos par^ametros<br />
das distribui»c~oes e para a aplica»c~ao do teste Qui-quadrado de ader^encia, descrito a<br />
seguir.<br />
5.2.4 - Teste da Ader^encia das Distribui»c~oes Selecionadas<br />
Uma vez coletadas as amostras para cada classe, pode-se testar<br />
a hipotese de que as mesmas s~ao provenientes das distribui»c~oes a ela associadas.<br />
Para tal e utilizado o teste do Qui-quadrado e fornecido o p-valor, o qual indica<br />
o maximo n³vel de signi¯c^ancia para o qual podemos aceitar a hipotese (isto e, um<br />
p-valor proximo de um indica uma boa ader^encia da distribui»c~ao aos dados). Para a<br />
realiza»c~ao do teste as amostras devem estar decorrelacionadas.<br />
5.2.5 - Estima»c~ao dos Par^ametros das Distribui»c~oes<br />
Os par^ametros de cada distribui»c~ao s~ao calculados, considerando os<br />
estimadores da distribui»c~ao mais ajustada e os dados amostrais. No sistema imple-<br />
mentado s~ao utilizados, sempre que poss³vel, os estimadores de Maxima Verossimi-<br />
lhan»ca ou os estimadores obtidos pelo metodo dos Momentos, quando os primeiros<br />
n~aoestiveremdispon³veis. Est~aooperacionaisasrotinasde estima»c~aodospar^ametros<br />
para o caso dos dados monoespectrais em amplitude.<br />
5.2.5.1 - O Numero Equivalente de Visadas<br />
O numero equivalente de visadas e um dos par^ametros utilizados<br />
quando se usa o modelo multiplicativo (Se»c~ao 4.1, p. 39).<br />
Para o caso dasimagensmonoespectrais em amplitude,e par^ametro<br />
dasdistribui»c~oes Raiz de Gama (Se»c~ao 3.14 p. 25), K-Amplitude (Se»c~ao 3.20,p. 32),<br />
G-Amplitude (Se»c~ao 3.25, p. 36) e Normal Restrita Amplitude (Subse»c~ao 4.2.2, p.<br />
45).
51<br />
Paraocaso dasimagensmonoespectraisem intensidade,epar^ametro<br />
das distribui»c~oes Gama (Se»c~ao 3.12, p. 24), K-Intensidade (Se»c~ao 3.18, p. 30),<br />
G-Intensidade (Se»c~ao 3.23, p. 35) e Normal Restrita Intensidade (Subse»c~ao 4.2.1, p.<br />
44).<br />
Este par^ametro e estimado uma unica vez para toda a imagem,<br />
com o uso dos primeiro e segundo momentos estimados de amostras, selecionadas e<br />
coletadas em regi~oes homog^eneas da imagem.<br />
Os dados em amplitude provenientes de regi~oes homog^eneas, de<br />
acordo com a Subse»c~ao 4.1.2, Tabela 2, p. 43, possuem distribui»c~ao Raiz de Gama,<br />
sendo ent~ao o numero equivalente de visadas estimado com o uso da Equa»c~ao 3.3, p.<br />
26.<br />
Os dados em intensidade provenientes de regi~oes homog^eneas, de<br />
acordo com a Subse»c~ao 4.1.1, Tabela 1, p. 41, possuem distribui»c~ao Gama, sendo<br />
ent~ao o numero equivalente de visadas estimado com o uso da Equa»c~ao 3.1, p. 25.<br />
5.2.6 - Classi¯ca»c~ao<br />
Para a classi¯ca»c~ao da imagem sera utilizada uma LUT, cujo ele-<br />
mento de³ndice igualao valor do \pixel" em analise, contem o valor numerico da cor<br />
correspondente µa classe verossimilhante. Para o caso univariado, os pontos de mu-<br />
dan»ca de classe para as radiometrias s~ao coincidentes com os pontos de intersec»c~ao<br />
entre as distribui»c~oes, conforme pode ser observado na Figura 1. Estes pontos s~ao<br />
denominados tambem como pontos de corte.<br />
Na implementa»c~ao do sistema n~ao foi considerada a hipotese de<br />
valores na imagem n~ao serem classi¯cados em alguma das classes existentes. O<br />
caso da distribui»c~ao Beta n~ao esta operacional em virtude da necessidade da imple-<br />
menta»c~ao de uma fun»c~ao de transfer^encia.
52<br />
Figure 1: - Densidades associadas a tr^es classes e respectivos pontos de intersec»c~ao.
CAPITULO 6<br />
CLASSIFICADORES CONTEXTUAIS<br />
Nestecap³tuloser~aoapresentadasasprincipaistecnicasMarkovianas<br />
de classi¯ca»c~ao, o algoritmo ICM e um metodo para estima»c~ao do seu principal<br />
par^ametro.<br />
6.1 - Tecnicas Markovianas de Classi¯ca»c~ao<br />
Frery (1993) no Cap³tulo 2 cita algumas tecnicas para classi¯ca»c~ao<br />
de imagens, sendo a mais popular a de Maxima Verossimilhan»ca, tambem apresen-<br />
tada no Cap³tulo 5 deste trabalho.<br />
Mais modernamente, e sempre dentro do conceito estat³stico, t^em<br />
sidopropostosalguns modelosque incorporam a no»c~aode depend^encia espacial entre<br />
classes e/ou observa»c~oes, dadas as classes (Frery, 1991, 1993; Frery e Mascarenhas,<br />
1993; Erthal e Frery, 1993; Carnevalli et al., 1985; Derin et al., 1990; Kelly et al.,<br />
1988). S~ao os campos aleatorios Markovianos popularizados dentro da comunidade<br />
de processamento de imagens, entre outros, por Besag (1986, 1989) e pelos irm~aos<br />
Geman (1984, 1988, 1990).<br />
O uso espec³¯co destes modelos permite uma maior °exibilidade (a<br />
segmenta»c~ao Maxver e um caso particular deles) ao custo, entretanto, de maior com-<br />
plexidade computacional (Frery, 1993). Outra vantagem da modelagem Markoviana<br />
e ainvari^ancia dosmodelosenvolvidos, talcomo citado por Frery(1993),noCap³tulo<br />
3. Para aplica»c~oesespec³¯casde tecnicasMarkovianasaproblemasde processamento<br />
de imagens e vis~ao computacional podem-se examinar os trabalhos de Chellappa e<br />
Jain (1993), Torre~ao (1992) e as refer^encias neles indicadas. E importante frisar que<br />
as tecnicas Markovianas n~ao formam uma ilha, isto e, n~ao est~ao isoladas de outros<br />
metodos; em Yuille et al. (1991) mostra-se como algumas opera»c~oes da Morfologia
54<br />
Matematica se relacionam com tecnicasbaseadas na modelagem Markoviana (Frery,<br />
1993).<br />
Frery(1993) apresenta no Cap³tulo 2 os principaisestimadores rela-<br />
cionados µas tecnicas Markovianas, que s~ao o ICM (\Iterated Conditional Modes":<br />
modas condicionais iterativas), o MAP (\Maximum A Posteriori": maximo a pos-<br />
teriori) e o MPM (\Marginal Posteriori Mode": moda da marginal a posteriori). No<br />
Cap³tulo 3 apresenta um quadro resumo dos estimadores com suas principais carac-<br />
ter³sticas e resultados comparativos em termos de tempo de execu»c~ao, considerados<br />
os processamentos de uma mesma imagem em uma mesma maquina.<br />
O uso espec³¯co de tecnicas Markovianas em processamento de<br />
imagens SAR, citado por Frery (1993), ja aparece no trabalho de Besag (1986) e,<br />
nos ultimos anos, tem ganho muito espa»co na literatura Derin et al. (1990); Farag<br />
e Delp (1992); Geman e Geman (1984); Geman et al. (1990); Kelly et al. (1988);<br />
Rignot e Chellappa (1991) e Sperry e Parker (1991).<br />
6.2 - O Modelo de Potts-Strauss<br />
O modelo de Potts-Strauss e um caso particular de campo Marko-<br />
viano e que vem sendo largamente empregado em varias areas.Um caso particular<br />
dele e o modelo de Ising, citado por Frery (1993).<br />
Este modelo visa descrever, em forma estat³stica, a depend^encia<br />
espacial entre variaveis aleatorias. Por ser um modelo parametrico, tal depend^encia<br />
e controlada por um numero ¯nito de par^ametros (Frery, 1993).<br />
Oselementosbasicosdo modelo de Potts-Strauss, que e uma fun»c~ao<br />
de¯nida sobre um dom³nio com valores em um contradom³nio e propriedades pro-<br />
babil³sticas, s~ao (Frery, 1993):<br />
1) O seu suporte ou dom³nio (tamanho e estrutura) sobre o qual e de¯nido<br />
(por exemplo, as suas propriedades s~ao muito diferentes para suportes
55<br />
¯nitos e in¯nitos; sabe-se bastante para o caso quando o suporte e Z 2 , e<br />
muito pouco para outras dimens~oes);<br />
2) O seu contradom³nio (no caso do modelo de Ising com suporte S, o con-<br />
tradom³nio e o conjunto f¡1;+1g S );<br />
3) Os par^ametros que descrevem a depend^encia.<br />
A generalidade do modelo de Potts-Strauss e enorme, e a escolha<br />
de um modelo em particular, depende fortemente da aplica»c~ao para a qual deseja-se<br />
destina-lo. O interesse deste trabalho reside no processamento e analise de imagens;<br />
por isto, empregar-se-a exclusivamente o modelo dado pelo suporte ¯nito S: um<br />
subconjunto de Z 2 , e pelo contradom³nio de¯nido por = f1;:::;Kg para todo<br />
s 2 S. Desta forma pode estabelecer-se uma correspond^encia entre cada elemento de<br />
S e a coordenada de cada \pixel" de uma imagem; da mesma maneira, os elementos<br />
de corresponder~ao µasK classesposs³veisde cada\pixel" daimagem (Frery, 1993).<br />
Este modelo e util para a formula»c~ao de tecnicas de processamento<br />
de imagens pois e evidente que, na maioria delas, o fato de um \pixel" pertencer<br />
a uma determinada classe e afetado pelo fato dos seus vizinhos mais proximos per-<br />
tencerem a certas classes. Isto e, ao observar um aglomerado de \pixels" de °oresta,<br />
na hora de decidir a respeito da classe µa qual pertence um \pixel" interior a esse<br />
aglomerado, incorpora-se a informa»c~ao dos seus vizinhos: existira a tend^encia de<br />
atribu³-lo µa classe °oresta (Frery, 1993).<br />
Pelo mesmo racioc³nio, se o objetivo for simular uma imagem, sera<br />
desejavel que \pixels" espacialmente proximos exibam a tend^encia de pertencerem<br />
µas mesmas classes (Frery, 1993).<br />
A no»c~ao de depend^encia espacial e util quando incorporada num<br />
esquema Bayesiano de processamento de imagens, o que sera feito no decorrer deste<br />
trabalho;istoe, omodelode Potts-Strausssera empregado comodistribui»c~aoa priori<br />
para o desenvolvimento de algoritmos de classi¯ca»c~ao de imagens (Frery, 1993).
56<br />
A import^ancia do uso de distribui»c~oesadequadaspara o tratamento<br />
Bayesiano de imagens tem sido frisada por muitos autores. Por exemplo, em Besag<br />
(1986, 1989) pode-se ver uma formula»c~ao muito geral dos problemas de restaura»c~ao<br />
e segmenta»c~ao de imagens dentro do contexto Bayesiano. Citado por Frery (1993),<br />
Ripley (1989) apresenta o uso de modelos espaciais para a deconvolu»c~ao de imagens<br />
astron^omicas, segmenta»c~ao de imagens binarias e extra»c~ao de formas em objetos<br />
contidos em imagens digitais. A literatura referente ao uso de modelos espaciais em<br />
processamento de imagens e enorme, e cresce dia a dia (Frery, 1993).<br />
6.3 - Formula»c~ao Teorica<br />
OscamposMarkovianoss~aomodelosprobabil³sticosque incorporam<br />
a no»c~ao de depend^encia espacialentre variaveisaleatorias. Uma dasareasonde estes<br />
modelos t^em grande sucesso e a Mec^anica Estat³stica (Frery, 1993).<br />
Seja Sum conjunto¯nito representandoascoordenadasdo processo.<br />
Para cadas 2 S seja ¥s ½ R um conjunto ¯nito. De¯ne-se o contradom³nio (ou as<br />
con¯gura»c~oes poss³veis) do campo como (Frery, 1993):<br />
¥= Y<br />
¥ s =<br />
s2S<br />
8<br />
<<br />
: x : S ! [<br />
s2S<br />
¥ s :x s 2 ¥ s8s 2 S.<br />
Para cada A ½ S seja ¥A = ¦s2A¥s. Identi¯ca-se ¥S com ¥ e ¥s<br />
com ¥fsg. Considera-se que ¥ e um espa»co mensuravel com a¾-algebra de todos os<br />
seus subconjuntos (Frery, 1993).<br />
Seja¼ uma probabilidade nunca nula sobre ¥, isto e,¼(x)>0 para<br />
todo x 2 ¥. Para cadas2 S seja¼s a fun»c~ao de¯nida sobre ¥ por (Frery, 1993):<br />
¼s(x) =¼(y 2 ¥ : fys =xsg j fy :yt =xtg;t 6=s)<br />
A fam³lia de fun»c~oes f¼s :s 2 Sg sera chamada fam³lia de carac-<br />
ter³sticas locais associadas a¼(Frery, 1993).<br />
9<br />
=<br />
;
57<br />
O seguinte resultado, cuja validade e garantida apenas para o caso<br />
do suporte S ¯nito,assegura que a distribui»c~aoconjunta ¯ca unicamentedeterminada<br />
pelas carater³sticas locais (Frery, 1993).<br />
Proposi»c~ao 6.1. Sejam¼e¹duasprobabilidadessobre ¥com¼(x)>0 e¹(x)> 0<br />
para todo x 2 ¥. Se¼ s e¹ s s~ao iguais para todos 2 S, ent~ao¼ coincide com¹<br />
(Frery, 1993).<br />
Para as provas das Proposi»c~oes apresentadas nesta Se»c~ao, e para<br />
outras propriedades relevantes de campos Markovianos, uma refer^encia muito com-<br />
pleta e Bustos (1993). Outras refer^encias interessantes s~ao Besag (1986); Dubes e<br />
Jain (1989); Frery (1991); Geman (1988); Geman e Geman (1984); Georgii (1988);<br />
Huang (1963); MÄuller (1988); Pickard (1987) e Sher (1991).<br />
De¯ni»c~ao 6.1. Uma fam³lia V = fV s :s 2 Sg de subconjuntos de S e um sistema<br />
de vizinhan»cas de S se (Frery, 1993):<br />
1)s=2Vs;<br />
2)s 2Vt implica quet 2Vs.<br />
De¯ni»c~ao 6.2. Sejam G = (S; V) um grafo e¼ uma probabilidade nunca nula sobre<br />
¥. Dir-se-a que¼e G-Markoviana se (Frery, 1993):<br />
¼s(x) =¼(y 2¥ : fys =xsg j fy :yt =xtg;t 2Vs).<br />
Para cadas2 S sejaV 0<br />
s = S Âfsg. Ent~ao V0 = fV 0<br />
s :s 2 Sg e um<br />
sistema de vizinhan»cas de S, G =(S; V 0 ) e um grafo, e<br />
¼s(x) =¼ ³<br />
y 2¥ : fys =xsg j fy :yt =xtg;t 2V 0<br />
qualquer que seja¼, probabilidade nunca nula sobre ¥. Isto e,¼ e G 0 -Markoviana<br />
(Frery, 1993).<br />
s<br />
´<br />
,
58<br />
Sejam (; A; Pr) um espa»co de probabilidade e X : ! ¥ uma<br />
fun»c~ao mensuravel, que sera chamada campo aleatorio. Supor-se-a que<br />
Pr X(x) = Pr(X =x)> 0 para todo x 2¥ (Frery, 1993).<br />
De¯ni»c~ao 6.3. Seja G = (S; V) um grafo. Dir-se-a que X e um campo aleatorio<br />
G-Markoviano (e um G-CAM) se Pr X e G-Markoviana (Frery, 1993).<br />
De¯ni»c~ao 6.4. Seja P (S) a cole»c~ao dos subconjuntos do conjunto S (as partes de<br />
S); uma fun»c~aoV : ¥ £ P (S) ! R e um potencial se satisfaz µas propriedades dadas<br />
por (Frery, 1993):<br />
1)V(x;Â) = 0 para todo x 2¥,<br />
2) Sex s =y s para todos2A, ent~aoV (x;A) =V (y;A).<br />
Suponha-se agora que 0 2 ¥s para todos 2 S.<br />
6.3.1 - O Modelo de Potts-Strauss Propriamente Dito<br />
Especializando um pouco a teoria anteriormente apresentada, para<br />
formular modelos de interesse para processamento de imagens, chega-se ao modelo<br />
de Potts-Strauss (Frery, 1993). Para tanto, seja S ½ Z 2 o suporte (¯nito) do pro-<br />
cesso. Sup~oe-se que e da forma S = S 1 £ S 2, com S i um intervalo ¯nito de Z para<br />
i = 1;2; por exemplo, S = f1;:::;mg £ f1;:::;ng. µ As vezes sera conveniente escrever<br />
S =fs 1;:::;s Ng. Sejam ¥ s conjuntoscom um numero ¯nito de elementos,iguais para<br />
todos 2 S, seja ¥ = ¦s2S¥s, e seja o numero real¯ 2 R. Seja X : ! ¥ uma<br />
variavel aleatoria com distribui»c~ao dada por (Frery, 1993):<br />
Pr X(x) = Pr(X = x) = 1<br />
Z ¯<br />
exp<br />
0<br />
@¯ X<br />
s;t2S:0
59<br />
tem-se um modelo repulsivo; quando¯> 0 tem-se um modelo atrativo; ¯nalmente,<br />
quando¯ =0 tem-se um modelo de independ^encia.<br />
dadas por (Frery, 1993):<br />
Denota-se@s a vizinhan»ca da coordenadas: Estas vizinhan»cas s~ao<br />
@s = ft 2 S : 0< ks ¡tk ·±g<br />
e,@s denomina-se vizinhan»ca 4, vizinhan»ca 8 ou vizinhan»ca 12 se±=1;± = p 2 ou<br />
± = 2; respectivamente.<br />
segundo a De¯ni»c~ao 6.4.<br />
Note que os somandos do expoente da Equa»c~ao 6.1 s~ao potenciais,<br />
6.4 - Estima»c~ao pela Equa»c~ao de Maxima Pseudoverossimilhan»ca<br />
O problema de estimar por maxima verossimilhan»ca o par^ametro<br />
¯ dada uma ocorr^encia de X e, em geral, intratavel computacionalmente devido a<br />
queZ¯ depende de¯ de uma forma muito complexa (Frery, 1993). Lan»ca-se m~ao<br />
ent~ao, da solu»c~ao da equa»c~ao de pseudoverossimilhan»ca. Para detalhes a respeito<br />
desta tecnica de infer^encia, pode ver-se o trabalho de Jensen e MÄuller (s.d.) e as<br />
refer^encias a³ indicadas, e o Cap³tulo 4 de Bustos (1993).<br />
Seja S ½ Z 2 um ret^angulo ¯nito, isto e, existemN1 eN2 inteiros<br />
positivos tais que S = f(i;j) : 1 ·i·N 1;1 ·j·N 2g. Sejam ¥ s ½ R ¯nito para<br />
cadas2 S e ¥ =¦ s2S¥ s. Seja £ ½ R k um subconjunto aberto (Frery, 1993).<br />
Para cadaµ 2 £ sejapµ : ¥ ! (0;1) tal que P<br />
x2¥pµ = 1, isto<br />
e, p µ > 0 para todo x 2¥ e para todo µ 2 £. Seja (; F; Pr) um espa»co de<br />
probabilidade e a variavel aleatoria X : ! ¥ uma fun»c~ao mensuravel. Suponha-se<br />
que existe um unico valorµ 0 2 £ tal que Pr(X = x) =p µ0 (x) para todo x 2¥;<br />
assim sendo, o par^ametro e identi¯cavel (Frery, 1993).<br />
Para cadaµ 2 £ e cadas 2 S seja a fun»c~aop µ;s : ¥ ! (0;1)
60<br />
de¯nida porp µ;s(x) = Pr µ(¾ s =x s j¾ t =x t;t 6=s),onde Pr µ e a probabilidade sobre<br />
(¥; P (¥)) induzida porp µ, e P (¥) s~ao as partes do conjunto ¥ (Frery, 1993).<br />
De¯ni»c~ao 6.5 . SejaT ½ S n~ao vazio; chama-se fun»c~ao de pseudoverossimilhan»ca<br />
sobreT a PL T : £ £¥ ! (0;1) dada por (Frery, 1993):<br />
PLT (µ;x) = Y<br />
pµ;t(x) (6.2)<br />
t2T<br />
Existe um Teorema que prova a consist^encia assintotica do esti-<br />
mador de maxima pseudoverossimilhan»ca na sua forma geral (Frery, 1993). Nas<br />
aplica»c~oes de interesse para este trabalho, sera empregado o estimador do par^ametro<br />
de atratividade do modelo de Potts-Strauss.<br />
A seguir e desenvolvido o calculo do estimador de maxima pseu-<br />
doverossimilhan»ca para o modelo de Potts-Strauss, de forma tal a se ter estimadores<br />
computacionalmente trataveis para todos os casos deste modelo. Resultados s~ao<br />
apresentados em Frery (1993).<br />
Pode calcular-se b ¯ = b ¯(x), o estimador de maxima pseudoverossi-<br />
milhan»ca do modelo de Potts-Strauss (de¯nido na Equa»c~ao 6.1, p. 58), como a<br />
solu»c~ao da seguinte equa»c~ao (Frery, 1993):<br />
2<br />
X<br />
s2S<br />
4 vs(xs) ¡<br />
P<br />
y2¥ s vs(y)exp ³ b ¯vs(y) ´<br />
P<br />
y2¥s exp³ b ¯vs(y) ´<br />
3<br />
5 =0,<br />
ondev s(t) = #fu 2@ s :x u =tg, e@ s e a vizinhan»ca do pontos2 S.<br />
Este estimador possui boaspropriedades de consist^encia e e¯ci^encia<br />
assintoticas, porem, nessa forma geral, e computacionalmente muito caro (Frery,<br />
1993).<br />
A primeira simpli¯ca»c~ao que pode ser introduzida consiste em se<br />
supor que os conjuntos ¥s s~ao iguais para todos2 S (Frery, 1993). Assim, tem-se<br />
que ¥ = (¥ s) S . Aindamais,por simplicidade notacionale sem perdade generalidade,
61<br />
suponha-se que ¥ s e um subconjunto de inteiros, por exemplo, ¥ s = f0;:::;K ¡1g.<br />
Outra simpli¯ca»c~ao de ordem computacional, considerando± = 1<br />
ou± =2;consiste em se usar somente aquelascoordenadasde Sque tenham o mesmo<br />
numero de vizinhos (Frery, 1993). Se S = f1;:::;mg £ f1;:::;ng e<br />
@ s = ft 2 S : 0< ks ¡tk ·±g, de¯nem-seE = f(1;1);(1;m);(1;n);(m;n)g o con-<br />
junto das esquinas, W = fs =(i;j) 2 S : 1
¨ s =<br />
62<br />
1<br />
z ¯(v s(x s)) exp(¯v s(x s))<br />
Aplicando logaritmo µa fun»c~ao de pseudoverossimilhan»ca, dada na<br />
Equa»c~ao 6.2, p. 60, comPµ;t( x) = ¨s tem-se:<br />
pl(¯;x) = X<br />
s2W<br />
ln(¨s) (6.3)<br />
O valor de b ¯ que maximiza pl(¯; x) e obtido procurando numeri-<br />
camente o zero termo µa direita da equa»c~ao abaixo:<br />
b¯ PL =<br />
(<br />
¯ 2 R : d<br />
d¯ plx (¯) = 0<br />
)<br />
(6.4)<br />
Em todososcasosaseguir aproveita-sea forma peculiarde d<br />
d¯ pl x(¯):<br />
Esta fun»c~ao, para o modelo em quest~ao e da forma<br />
d<br />
d¯ pl x (¯) = X k²f²;<br />
onde \²" denota o tipo de con¯gura»c~ao local de fx s; x @s g;k ² denota o numero<br />
de con¯gura»c~oes do tipo \²" observadas em x ef: E uma fun»c~ao que depende<br />
exclusivamente de¯ e do tipo de con¯gura»c~ao \²":<br />
6.4.1 - Estima»c~ao para Vizinhan»ca Quatro<br />
Para facilitar o tratamento computacional, os coe¯cientes de vizi-<br />
nhan»cak tem uma denomina»c~ao que identi¯ca pelo ³ndice qual a con¯gura»c~ao da<br />
vizinhan»ca de um dado \pixel". O primeiro numero do ³ndice indica a quantidade<br />
de vizinhos iguais ao \pixel" considerado. Os demais numeros do ³ndice indicam a<br />
quantidade de vizinhos diferentes, n~ao importando quaisas classes vizinhas. Se uma<br />
dada con¯gura»c~ao for inexistente o valor do coe¯ciente sera nulo e o termo n~ao tera<br />
in°u^encia na estima»c~ao do¯.<br />
Oscoe¯cientesposs³veispara vizinhan»ca quatro s~ao listadosabaixo,<br />
com exemplos no Tabela _6, p. 64:
63<br />
² k 4 denota o contador das con¯gura»c~oes onde o valor do \pixel" central<br />
coincide com o valor de todos os seus vizinhos.<br />
²k31 denota o contador das con¯gura»c~oes onde o valor do \pixel" central<br />
coincide com somente tr^es dos valores dos seus vizinhos.<br />
²k22 denota o contador das con¯gura»c~oes onde o valor do \pixel" central<br />
coincide com somente dois dos valores dos seus vizinhos, e onde os valores<br />
dos outros dois vizinhos s~ao iguais.<br />
²k211 denota o contador das con¯gura»c~oes onde o valor do \pixel" central<br />
coincide com somente dois dos valores dos seus vizinhos, e onde os valores<br />
dos outros dois vizinhos s~ao distintos entre si.<br />
²k13 denota o contador das con¯gura»c~oes onde o valor do \pixel" central<br />
coincide com somente um valor vizinho, e onde os valores dos outros tr^es<br />
vizinhos s~ao iguais entre si.<br />
²k121 denota o contador das con¯gura»c~oes onde o valor do \pixel" central<br />
coincide com somente um valor vizinho, e onde somente dois dos valores<br />
dos outros tr^es vizinhos s~ao iguais entre si.<br />
²k1111 denota o contador das con¯gura»c~oes onde o valor do \pixel" central<br />
coincide com somente um valor vizinho, e onde os valores dos outros tr^es<br />
vizinhos s~ao distintos entre si.<br />
²k04 denota o contador das con¯gura»c~oes onde o valor do \pixel" central e<br />
diferente dos valores de todosos vizinhosque, por sua vez, s~ao iguais entre<br />
si.<br />
²k031 denota o contador das con¯gura»c~oes onde o valor do \pixel" central e<br />
diferente dosvaloresde todos os vizinhos,dosquais somente tr^ess~ao iguais<br />
entre si.<br />
²k022 denota o contador das con¯gura»c~oes onde o valor do \pixel" central
64<br />
e diferente dos valores de todos os vizinhos, e esses quatro valores est~ao<br />
arranjados de maneira que ha dois iguais entre si e diferentes de outros<br />
dois iguais entre si.<br />
² k 0211 denota o contador onde o valor do \pixel" central e diferente dos<br />
valores de todos os vizinhos, e esses quatro valores est~ao arranjados de<br />
maneira que ha doisiguaisentre sie diferentesdosoutrosdoisque tambem<br />
s~ao diferentes entre si.<br />
²k 01111 denota o contador das con¯gura»c~oes onde os cinco valores considera-<br />
dos s~ao diferentes entre si.<br />
TABELA 6 - EXEMPLOS DE CONFIGURAC» ~ OES PARA±=1<br />
k 4<br />
|<br />
| | |<br />
|<br />
k13<br />
|<br />
Ä | Ä<br />
Ä<br />
k031<br />
¥<br />
Ä | Ä<br />
Ä<br />
k 31<br />
|<br />
| | |<br />
Ä<br />
k121<br />
|<br />
Ä | Ä<br />
¥<br />
k022<br />
¥<br />
¥ | Ä<br />
Ä<br />
k 22<br />
|<br />
| | Ä<br />
Ä<br />
k1111<br />
|<br />
¥ | Ä<br />
¨<br />
k0211<br />
N<br />
N | ¥<br />
Ä<br />
k 211<br />
|<br />
| | ¥<br />
Ä<br />
k04<br />
|<br />
| N |<br />
|<br />
k01111<br />
N<br />
¥ | Ä<br />
¨
65<br />
Desenvolvendo a Equa»c~ao 6.3, p. 62, com± = 1, tem-se a fun»c~ao de<br />
pseudoverossimilhan»ca para vizinhan»ca quatro, apresentada no Ap^endice A. E de-<br />
senvolvendo a Equa»c~ao 6.4, p. 62 obt^em-se a solu»c~ao para b ¯ PL, tambem apresentada<br />
no Ap^endice A.<br />
6.4.2 - Estima»c~ao para Vizinhan»ca Oito<br />
A fun»c~ao de pseudoverossimilhan»ca e a solu»c~ao para o valor de b ¯ PL<br />
para vizinhan»ca oito s~ao apresentados no Ap^endice B e os desenvolvimentos e de-<br />
nomina»c~ao dos³ndices seguem osmesmos padr~oesutilizados para vizinhan»ca quatro,<br />
descritos na Subse»c~ao 6.4.1, p. 62.<br />
Os termos poss³veis para a vizinhan»ca oito, com exemplos de con-<br />
¯gura»c~oes, est~ao apresentados na Tabela 7.<br />
k8<br />
| | |<br />
| | |<br />
| | |<br />
k5111<br />
Ä | |<br />
¥ | |<br />
¨ | |<br />
k35<br />
N N N<br />
N | |<br />
N | |<br />
TABELA 7 - CONFIGURAC» ~ OES PARA±= p 2<br />
k71<br />
| | Ä<br />
| | |<br />
| | |<br />
k44<br />
¨ ¨ ¨<br />
¨ | |<br />
| | |<br />
k341<br />
¥ ¥ ¥<br />
¥ | |<br />
N | |<br />
k62<br />
Ä Ä |<br />
| | |<br />
| | |<br />
k431<br />
¨ ¨ ¨<br />
¥ | |<br />
| | |<br />
k332<br />
¥ ¥ ¥<br />
N | |<br />
N N |<br />
k611<br />
Ä ¥ |<br />
| | |<br />
| | |<br />
k422<br />
Ä ¥ ¥<br />
Ä | |<br />
| | |<br />
k3311<br />
Ä Ä Ä<br />
N | |<br />
¥ | |<br />
k53<br />
Ä | |<br />
Ä | |<br />
Ä | |<br />
k4211<br />
Ä ¨ |<br />
¥ | |<br />
¥ | |<br />
k3221<br />
Ä N N<br />
Ä | ¥<br />
| | |<br />
k521<br />
¥ ¥ |<br />
Ä | |<br />
| | |<br />
k41111<br />
¨ N |<br />
Ä | |<br />
¥ | |<br />
k32111<br />
| | |<br />
Ä | N<br />
¨ ¨ ¥
k311111<br />
Ä | |<br />
¥ | |<br />
z N ¨<br />
k2321<br />
¨ ¨ ¨<br />
z | |<br />
z N |<br />
k 17<br />
N N N<br />
N | N<br />
N | N<br />
k 14111<br />
z z z<br />
| | z<br />
N Ä ¨<br />
k122111<br />
Ä N N<br />
Ä | J<br />
| z ¥<br />
k0611<br />
¥ N N<br />
z | N<br />
N N N<br />
k26<br />
| | ¨<br />
¨ | ¨<br />
¨ ¨ ¨<br />
k23111<br />
z Ä ¥<br />
| | ¨<br />
| ¨ ¨<br />
k 161<br />
¨ | z<br />
¨ | ¨<br />
¨ ¨ ¨<br />
k 1331<br />
J z |<br />
J | Ä<br />
J Ä Ä<br />
k1211111<br />
| ¨ ¨<br />
Ä | ¥<br />
z J N<br />
k053<br />
J J ¨<br />
J | ¨<br />
¨ ¨ ¨<br />
66<br />
TABELA 7 - Continua»c~ao<br />
k251<br />
Ä Ä Ä<br />
¨ | Ä<br />
| | Ä<br />
k2222<br />
Ä Ä |<br />
z | |<br />
z ¨ ¨<br />
k 152<br />
¨ ¨ ¨<br />
¨ | J<br />
¨ J |<br />
k 1322<br />
N | ¥<br />
N | ¥<br />
J J ¥<br />
k11111111<br />
¨ z |<br />
N | J<br />
¥ Ä H<br />
k0521<br />
H ¨ ¨<br />
H | z<br />
H H H<br />
k242<br />
Ä Ä Ä<br />
¨ | Ä<br />
| | Ä<br />
k22211<br />
N ¥ z<br />
N | Ä<br />
| | Ä<br />
k 1511<br />
¨ ¨ ¨<br />
¨ | ¨<br />
J N |<br />
k 13211<br />
Ä Ä z<br />
| | ¥<br />
N N N<br />
k08<br />
H H H<br />
H | H<br />
H H H<br />
k05111<br />
z z z<br />
¥ | z<br />
N H z<br />
k2411<br />
| | ¥<br />
¨ | ¥<br />
z ¥ ¥<br />
k221111<br />
z | |<br />
Ä | ¥<br />
¨ N N<br />
k 143<br />
Ä Ä Ä<br />
Ä | J<br />
| J J<br />
k 131111<br />
J J J<br />
¥ | |<br />
N ¨ z<br />
k071<br />
Ä ¥ ¥<br />
¥ | ¥<br />
¥ ¥ ¥<br />
k044<br />
¥ ¥ ¥<br />
z | ¥<br />
z z z<br />
k233<br />
¨ ¨ ¨<br />
z | |<br />
z z |<br />
k2111111<br />
Ä z ¨<br />
N | |<br />
¥ J |<br />
k 1421<br />
¥ ¥ |<br />
¥ | J<br />
¥ ¨ ¨<br />
k 12221<br />
¨ ¨ Ä<br />
J | Ä<br />
| z z<br />
k062<br />
N N N<br />
z | N<br />
z N N<br />
k0431<br />
J J J<br />
Ä | H<br />
H H H
k0422<br />
Ä Ä N<br />
¥ | N<br />
¥ N N<br />
k032111<br />
¥ Ä Ä<br />
H | Ä<br />
J N N<br />
k011111111<br />
z J ¨<br />
¥ | N<br />
Ä H I<br />
k04211<br />
¨ ¨ ¨<br />
Ä | ¨<br />
N z z<br />
k0311111<br />
¥ ¥ ¥<br />
¨ | N<br />
J z Ä<br />
67<br />
TABELA 7 - Conclus~ao<br />
k041111<br />
N ¨ z<br />
¥ | z<br />
Ä z z<br />
k02222<br />
H J J<br />
H | z<br />
Ä Ä z<br />
6.4.3 - Estima»c~ao para Vizinhan»ca Doze<br />
k0332<br />
Ä Ä Ä<br />
J | z<br />
J J z<br />
k022211<br />
¨ z N<br />
¨ | ¥<br />
J J ¥<br />
k03311<br />
N ¥ H<br />
N | H<br />
N Ä H<br />
k0221111<br />
¥ J ¨<br />
N | ¨<br />
N z H<br />
k03221<br />
z J J<br />
z | H<br />
z ¨ H<br />
k02111111<br />
Ä Ä J<br />
z | ¨<br />
¥ N H<br />
A denomina»c~ao dos³ndices e o desenvolvimento da fun»c~ao de pseu-<br />
doverossimilhan»ca e solu»c~ao para o valor de b ¯PL para vizinhan»ca doze seguem o<br />
mesmo padr~ao descrito na Subse»c~ao 6.4.1, p. 62, e s~ao apresentados no Ap^endice<br />
C.<br />
6.5 - O Algoritmo ICM<br />
Frery (1993) cita no Cap³tulo 3 as vantagens do algoritmo ICM<br />
para classi¯ca»c~ao de imagens em rela»c~ao aos estimadores MAP e MPM. Uma das<br />
vantagens mais interessantes, alem do tempo de execu»c~ao, e o fato de permitir uma<br />
implementa»c~ao amigavel para o usuario. Para aplica»c~ao o usuario n~ao precisa mais
68<br />
conhecimentos do que os requeridos para utilizar o metodo de classi¯ca»c~ao Maxver<br />
pontual, que e de uso corrente. Este algoritmo foioriginalmente proposto como uma<br />
forma de se obter uma solu»c~ao MAP aproximada e, mais tarde, ganhou o \status"<br />
de algoritmo com interesse proprio (Frery, 1993).<br />
Oalgoritmo ICMe determin³stico,istoe,a unicidade de sua solu»c~ao<br />
e garantida por de¯ni»c~ao (Erthal e Frery, 1993). Mostra-se tambem neste trabalho<br />
a obten»c~ao de melhor qualidade na pos-classi¯ca»c~ao com o algoritmo ICM.<br />
Oalgoritmoe descrito como do tipo \spin-°ip" (atualiza uma coor-<br />
denada de cada vez) (Frery, 1993). O metodo consiste em procurar, iterativamente,<br />
ate alcan»car uma con¯gura»c~ao de equil³brio, o valor bx s que maximiza<br />
Pr ³<br />
´<br />
xs j y; xSnfsg e em substituirx s por bx s, para toda coordenadas: Tem a propriedade de parar<br />
em um maximo (possivelmente local) da distribui»c~ao a posteriori (Erthal e Frery,<br />
1993):<br />
Pr(X j Y = y)<br />
A sua implementa»c~ao em forma sequencial assegura uma seqÄu^encia<br />
de estima»c~oes (bx(k)) k>0 tal que (Frery e Mascarenhas, 1993):<br />
Pr(bx(0) j y) · Pr(bx(1) j y) · Pr(bx(2) j y) · ¢ ¢ ¢:<br />
O algoritmo ICM pode ser implementado tambem em forma<br />
paralela; porem a propriedade de assegurar uma seqÄu^encia de estima»c~oes com a<br />
caracter³stica acima, so esta provada para implementa»c~oes sequenciais (Frery, 1993;<br />
Frery e Mascarenhas, 1993). O sistema desenvolvido adotou uma implementa»c~ao<br />
sequencial descrita em detalhes no ¯nal desta Se»c~ao.
69<br />
Para detalhes de implementa»c~ao (a respeito de \pixels" visitados<br />
fs;t;:::g; da estima»c~ao inicial bx(0) e dos poss³veis criterios de parada), para a<br />
conex~ao do ICM com as tecnicas de relaxa»c~ao estocastica e para resultados experi-<br />
mentais ver as refer^encias Besag (1986, 1989).<br />
Sendo adotado o modelo apresentado na Equa»c~ao 6.1, p. 58, como<br />
distribui»c~ao a priori para o algoritmo ICM, o metodo consiste em substituir, na<br />
itera»c~ao t; bx s(t) pela classe» que maximiza o valor obtido do produto entre as<br />
verossimilhan»cas Maxver e do modelo de Potts-Strauss nas classes:<br />
max ¡1<br />
»2f0;:::;K¡1g fP(y s j») P ¯(» jx @s )g (6.5)<br />
As verossimilhan»casMaxver nasclassescorrespondem µasdensidades<br />
calculadasparaysem cadauma dasdistribui»c~oesassociadasµasclassesnaclassi¯ca»c~ao<br />
Maxver. As verossimilhan»cas para cada classe segundo o modelo de Potts-Strauss<br />
(Equa»c~ao 6.1, p. 58), podem ser obtidas avaliando-se apenas a Equa»c~ao 6.6 abaixo,<br />
ja que o termoZ ¯ e comum a todas elas:<br />
exp<br />
0<br />
@ ¯ X<br />
s;t2S:0
Verde, cujas densidades s~ao parcialmente apresentadas na Figura 3, p. 71.<br />
70<br />
1) Analise Maxver: Observando-se somente os valores de cada \pixel" tem-se<br />
a classi¯ca»c~ao Maxver constante da Figura 4, p. 71. As verossimilhan»cas<br />
para o \pixel" central, observando-se a Figura 4, p. 71, s~ao apresentadas<br />
na terceira coluna da Tabela 8, onde observa-se tambem que o maior valor<br />
obtido corresponde µa classe Azul.<br />
2) Analise contextual: Considerando-se a classi¯ca»c~ao Maxver obtida, os<br />
resultados da informa»c~ao contextual para o \pixel" central constam na<br />
quarta coluna da Tabela 8. O maior valor obtido corresponde µa classe<br />
Amarela e coincide tambem com a moda da janela em estudo.<br />
3) Analise pelo algoritmo ICM: o algoritmo considera em cada classe o pro-<br />
duto dos valoresobtidospara asanalisesMaxver e Contextual. Os resulta-<br />
dos s~ao apresentados na ultima coluna da Tabela 8, onde pode-se observar<br />
que o maior valor corresponde µa classe Verde.<br />
TABELA 8 - RESULTADOS PARA A JANELA EXEMPLO<br />
Analise<br />
Classe Maxver Contextual ICM<br />
Amarela 0.0031 exp(4¯) 0.023<br />
{ Azul 0.0089 exp(1¯) 0.015<br />
Verde 0.0077 exp(3¯) 0.035<br />
Resultado Azul Amarela Verde<br />
Frery (1993); Frery e Mascarenhas (1993) e Erthal e Frery (1993)<br />
implementaram o algoritmo ICM com vizinhan»ca quatro (± =1): Nesta disserta»c~ao<br />
abordam-se as formula»c~oes para vizinhan»ca quatro, oito e doze. Entretanto, em<br />
continuidade ao trabalho de Frery e Mascarenhas (1993), a implementa»c~ao levada a<br />
efeito refere-se somente µa vizinhan»ca oito ³<br />
± = p 2 ´<br />
:
71<br />
Figure 2: - Janela exemplo para analise.<br />
Figure 3: - Densidades para tr^es classes.<br />
Figure 4: - Classi¯ca»c~ao Maxver para a janela exemplo.<br />
Figure 5: Classi¯ca»c~ao ICM para a janela exemplo.
72<br />
O estimador do par^ametro¯ e obtido a cada itera»c~ao pelo metodo<br />
de pseudoverossimilhan»ca, baseado na ultima classi¯ca»c~ao completa obtida. O seu<br />
valor e dado pela raiz da equa»c~ao de pseudoverossimilhan»ca para estima»c~ao de b ¯;<br />
apresentada no Ap^endice B. A classi¯ca»c~ao inicial bx(0) para estima»c~ao de b ¯ e a<br />
classi¯ca»c~ao Maxver pontual da imagem y.<br />
Como o numero de con¯gura»c~oes da vizinhan»ca de cada \pixel" e<br />
¯nito e, no caso da vizinhan»ca oito, s~ao poss³veis no maximo 67 con¯gura»c~oes (se a<br />
parti»c~ao de classes da imagem tiver pelo menosK= 9 classes), foram consideradas<br />
tr^es metodos para a implementa»c~ao da estima»c~ao de b ¯:<br />
1) Visitar todos os \pixels" da imagem, contar o numero de ocorr^encias de<br />
cada con¯gura»c~ao e estimar o b ¯;<br />
2) Visitar os \pixels" da imagem em um processo iterativo crescente, usando<br />
a tecnica do processamento piramidal do vertice para a base, e estimar o<br />
b¯ ate que o mesmo estabilize em rela»c~ao µa itera»c~ao anterior a menos de<br />
uma toler^ancia especi¯cada.<br />
3) Visitar os \pixels" da imagem em um processo iterativo crescente, usando<br />
a tecnica do processamento piramidal do vertice para a base, ate que as<br />
propor»c~oes de ocorr^encia de cada con¯gura»c~ao de vizinhan»ca estabilizem<br />
em rela»c~ao µa itera»c~ao anterior a menos de uma toler^ancia especi¯cada.<br />
O processamento piramidal adotado e um metodo iterativo de estima»c~ao<br />
onde o numero de amostras e incrementado em propor»c~ao crescente a cada<br />
itera»c~ao.<br />
Foram testados os tr^es metodos e registrados os tempos de con-<br />
verg^encia para uma mesma imagem na mesma maquina. O primeiro metodo estima<br />
o b ¯ mais preciso para a classi¯ca»c~ao considerada. Entretanto, por visitar toda<br />
imagem, e o computacionalmente mais caro. O segundo metodo converge rapida-<br />
mente,dependendoobviamente, da toler^ancia especi¯cada para o b ¯ e daclassi¯ca»c~ao
73<br />
em uso. O terceiro metodo, com uma especi¯ca»c~ao de toler^ancia para propor»c~ao<br />
equivalente µa especi¯cada para o b ¯; converge com o mesmo numero de itera»c~oes,<br />
porem com maior custo devido µa maior complexidade computacional. Na imple-<br />
menta»c~ao ¯nal optou-se pelo segundo metodo que, testado com uma imagem de<br />
2400 x 1600 \pixels", apresenta um tempo medio na ordem de 30 vezes inferior ao<br />
apresentado pelo primeiro metodo.<br />
O criterio de parada para o algoritmo e o percentual de trocas, em<br />
rela»c~ao a classi¯ca»c~ao anterior, ser inferior a um determinado valor especi¯cado pelo<br />
usuario.<br />
Para a aplica»c~ao do algoritmo ICM propriamente dito, o conjunto<br />
suporte S = f1;:::;mg £ f1;:::;ng e particionado nos quatro subconjuntos Sp<br />
descritos abaixo (o sub³ndice \p" usado e por parti»c~ao, ja que S = S 4 i=1 Sp e<br />
T Sp =0):<br />
S1 = f(i;j) 2 S :i= 1(2)m;j = 1(2)ng;<br />
S 2 = f(i;j) 2 S :i= 2(2)m;j = 2(2)ng;<br />
S3 = f(i;j) 2 S :i= 2(2)m;j = 1(2)ng;<br />
S4 = f(i;j) 2 S :i= 1(2)m;j = 2(2)ng:<br />
Autiliza»c~aodesta parti»c~ao evitaosefeitosindesejaveisque varreduras<br />
sistematicas podem acarretar: o efeito diagonal citado por Frery (1993) e outros au-<br />
tores. Este procedimentoe ilustradonaTabela 9, p. 74,onde cadanumerorepresenta<br />
a ordem na qual a correspondente coordenada e visitada pelo algoritmo.
74<br />
TABELA 9 - SEQ Ä U ^ ENCIA DE VISITAS AO SUPORTE S6£6<br />
1 10 2 11 3 12<br />
19 28 20 29 21 30<br />
4 13 5 14 6 15<br />
22 31 23 32 24 33<br />
7 16 8 17 9 18<br />
25 34 26 36 27 36<br />
6.6 - Pseudocodigos do Algoritmo ICM<br />
menta»c~ao do algoritmo ICM.<br />
Ser~ao apresentados a seguir os pseudocodigos relativos µa imple-<br />
6.6.1 - Pseudocodigo do Algoritmo de Classi¯ca»c~ao<br />
In³cio<br />
s à imagem SAR<br />
v à matriz das verossimilhan»cas Maxver ff1;:::;max( s)g £Kg<br />
lut à Indice Onde(maximo(col y( v)))<br />
y Ãlut( s) : Gera Imagem Maxver<br />
pareicm à Usuario especi¯ca o criterio de parada do ICM<br />
trocas à 100<br />
e ¯ Ã h<br />
1;e ¯ ;e 2¯ ;e 3¯ ;e 4¯ ;e 5¯ ;e 6¯ ;e 7¯ ;e 8¯i<br />
Enquanto (trocas ¸pareicm) executar
w à y<br />
¯ Ã Estima Beta ( y)<br />
y à Gera Imagem ICM ³<br />
75<br />
s;w; v;¯ ,e ¯<br />
trocas à (Contagem Onde ( w 6=y)) ¤100= Numero de \pixels" ( y)<br />
Fim enquanto<br />
Retornar y<br />
Fim<br />
6.6.2 - Pseudocodigo da Fun»c~ao para Estima»c~ao de¯<br />
In³cio<br />
contadorescoeficientesk à 0<br />
(dif ¯;¯ 0 Ã 1:) e (tol ¯ Ã 0:02)<br />
step à m³nimo [nrcolunas( y) ¤ 0:05;nrlinhas( y) ¤ 0:05]<br />
Enquanto (step> 1:0) e (dif¯>tol¯) executar<br />
Parai=1;step;nrlinhas( y) ¡1 executar<br />
Paraj = 1;step;nrcolunas( y) ¡1 executar<br />
Fimj;i<br />
Determinar a con¯gura»c~ao da vizinhan»ca do \pixels"y(j;i)<br />
Incrementar o contador de coe¯ciente da con¯gura»c~ao.<br />
step Ãstep=2<br />
´
76<br />
¯ ÃRaizdaequa»c~aodepseudoverossimilhan»ca (contadorescoeficientesk)<br />
dif¯ à j¯ ¡¯0j<br />
¯0 ï<br />
Fim enquanto<br />
Retornar¯<br />
Fim<br />
6.6.3 - Pseudocodigo da Fun»c~ao que Gera uma Classi¯ca»c~ao ICM<br />
In³cio<br />
Para parti»c~ao (p =1; 4) da imagem y executar<br />
Fimp<br />
Para caday2 y p executar<br />
vizclasse à numero de vizinhos por classe<br />
icm Ãe ¯( vizclasse) ¤ v( s) 2<br />
y à Indice Onde (maximo ( icm))<br />
Fim y p<br />
Retornar y<br />
Fim<br />
2 E uma opera»c~ao de multiplica»c~ao entre os elementos dos vetores, considerados os mesmos<br />
³ndices.
CAPITULO 7<br />
O TESTE DA CLASSIFICAC» ~ AO<br />
Comparando-se a imagem classi¯cada com amostras de teste es-<br />
pec³¯cas ou com imagens verdade que estejam co-registradas, pode-se obter uma<br />
matriz de confus~ao, onde s~ao apresentadas as quantidades e/ou percentagens de<br />
\pixels" classi¯cados correta e incorretamente em cada classe.<br />
Alguns metodos tem sido propostos para a determina»c~ao da<br />
exatid~ao da classi¯ca»c~ao utilizando-se as matrizes de confus~ao (Bishop et al., 1975;<br />
Congalton e Mead., 1983; Rosen¯eld e Fitzpatrick-Lins, 1986; Campbel, 1987; Hud-<br />
son e Ramm, 1987; Ma e Redmond, 1995 e Brites et al., 1996).<br />
Na analise dos resultados obtidos no decorrer deste trabalho sera<br />
utilizado o Coe¯ciente de Concord^ancia Kappa, descrito abaixo, o qual foi imple-<br />
mentado no sistema desenvolvido.<br />
7.1 - Coe¯ciente de Concord^ancia Kappa<br />
(Bishop et al., 1975):<br />
O estimador do coe¯ciente de concord^ancia Kappa e obtido por<br />
b· = N P r i=1 x ii ¡ P r i=1 (x i²x ²i)<br />
N 2 ¡ P r i=1 (xi²x²i)<br />
ondere o numero de linhas ou colunas da matriz de confus~ao,x ii e o numero de<br />
observa»c~oes na linhaie colunai;x i² e a soma dos valores na linhai;x ²i e a soma<br />
dos valores na colunai eN e o numero total de observa»c~oes.<br />
A vari^ancia de b· e obtida por (Bishop et al., 1975):
onde:<br />
78<br />
b¾ 2 = 1<br />
Ã<br />
µ1(1 ¡µ 1)<br />
N (1 ¡µ2) 2 + 2(1 ¡µ 1)(2µ 1µ 2 ¡µ 3)<br />
(1 ¡µ2) 3 + (1 ¡µ2 1 )(µ 4 ¡4µ 2 2 )<br />
(1 ¡µ2) 4<br />
!<br />
µ 1 = 1<br />
N<br />
µ2 = 1<br />
N 2<br />
µ3 = 1<br />
N 2<br />
µ 4 = 1<br />
N 3<br />
rX<br />
i=1j=1<br />
rX<br />
i=1<br />
rX<br />
x ii<br />
xi²x²i<br />
i=1<br />
rX<br />
xii(xi²x²i)<br />
i=1<br />
rX<br />
x ij(x j² +x ²i) 2<br />
Landise Koch(1977) sugerem uma conceitua»c~ao para aclassi¯ca»c~ao<br />
em fun»c~ao do Kappa obtido, apresentada na Tabela 10.<br />
TABELA 10 - CONCEITOS PARA KAPPA<br />
Kappa Conceito<br />
< 0 Pessima<br />
0
7.2 - Os Testes de Hipoteses para Comparar Matrizes de Confus~ao<br />
79<br />
Atraves da estat³stica Kappa e de sua vari^ancia e poss³vel testar a<br />
igualdade de duasmatrizesde confus~ao, com coe¯cientespopulacionais·1 e·2:Ser~ao<br />
apresentados e utilizados neste trabalho os testes bilateral e unilateral, descritos a<br />
seguir.<br />
7.2.1 - Teste Bilateral<br />
O teste bilateral sera aplicado na compara»c~ao de matrizes de con-<br />
fus~ao obtidas a partir de um mesmo metodo de classi¯ca»c~ao, ou seja, sera utilizado<br />
nas compara»c~oes Maxver versus Maxver e ICM versus ICM.<br />
dadas por:<br />
SejamH 0 e H 1 as hipoteses nula e alternativa, respectivamente,<br />
e seja a estat³sticaz de¯nida por:<br />
8<br />
><<br />
>:<br />
H0 :·1 =·2<br />
H1 :·1 6=·2<br />
z = b·1 ¡ b·2<br />
q<br />
b¾ 2 1 + b¾ 2 2<br />
onde b· 1 e b· 2 s~ao os estimadores de· 1 e· 2 e b¾ 2 1 e b¾2 1 as vari^ancias de b· 1 e b· 2:<br />
Como a estat³sticaz possui, assintoticamente, distribui»c~ao Normal,<br />
pode-se a¯rmar que, paraN su¯cientemente grande, se jzj e maior 1:645; 1:96 ou<br />
2:329, o mesmo pertence µa regi~ao cr³tica do teste, rejeitando-se portanto a hipotese<br />
H0; com coe¯ciente de con¯an»ca de 90%; 95% e 99%, respectivamente. Como as<br />
hipoteses s~ao excludentes, neste caso aceita-se a hipotese alternativaH1, ou seja, de<br />
que as matrizes de classi¯ca»c~ao s~ao diferentes entre si.
7.2.2 - Teste Unilateral<br />
80<br />
A aplica»c~ao do teste unilateral e mais adequada quando se sabe a<br />
priori que uma classi¯ca»c~ao e de qualidade superior a outra. Este e o caso nas<br />
compara»c~oes das matrizes de confus~ao obtidas a partir de classi¯ca»c~ao por metodos<br />
ICM e por Maxver. O uso deste teste diminui a possibilidade de se cometer o<br />
Erro do Tipo II no teste de hipoteses (aceitar a hipotese nulaH0 quando a hipotese<br />
alternativaH1 e averdadeira). Ajusti¯cativaparaaaplica»c~ao do testeunilateralesta<br />
no fato dos melhores resultados da classi¯ca»c~ao ICM comparativamente µa Maxver,<br />
pela propria modelagem da classi¯ca»c~ao ICM, que tem a Maxver como um caso<br />
particular (quando¯ = 0, conforme Equa»c~ao 6.5, p. 69). O fato da estima»c~ao do<br />
par^ametro¯ da modelagem ICM apresentar sempre valores positivos tambem entra<br />
em considera»c~ao, uma vez que, a pior hipotese poss³vel e quando¯ = 0; ou seja, a<br />
classi¯ca»c~ao ICM e igual a Maxver.<br />
dadas por:<br />
SejamH0 e H1 as hipoteses nula e alternativa, respectivamente,<br />
e seja a estat³sticaz de¯nida por:<br />
8<br />
><<br />
>:<br />
H0 :·1 =·2<br />
H1 :·1>·2<br />
z = b·1 ¡ b·2<br />
q<br />
b¾ 2 1 + b¾ 2 2<br />
Neste caso b· 1 e o coe¯ciente estimado para a matriz de confus~ao<br />
da classi¯ca»c~ao ICM e b· 2 e o coe¯ciente estimado para a matriz de confus~ao da<br />
classi¯ca»c~ao Maxver, e b¾ 2 1 e b¾2 2<br />
suas respectivas vari^ancias.<br />
Como a estat³sticaz possui, assintoticamente, distribui»c~ao Normal,<br />
pode-se a¯rmar que, paraNsu¯cientemente grande, sez e maior 1:282; 1:645 ou
81<br />
2:257, o mesmo pertence µa regi~ao cr³tica e, portanto, rejeita-se a hipoteseH 0; com<br />
coe¯ciente de con¯an»ca de 90%; 95% e 99%, respectivamente. Como as hipoteses<br />
s~ao excludentes, neste caso aceita-se a hipotese alternativaH 1, ou seja, de que o<br />
coe¯ciente de concord^ancia da classi¯ca»c~ao ICM e maior do que o da Maxver.<br />
7.2.3 - Determina»c~ao do p-valor do Teste<br />
Uma vez obtida a estat³sticaz no teste bilateral ou unilateral, pode-<br />
secalcular orespectivo p-valor com ouso da Tabeladafun»c~ao de distribui»c~aoNormal<br />
Padr~ao. Entrando com a estat³sticazcomo argumento na Tabela obtem-se o valor<br />
©(z), que corresponde µa area sob a curva da densidade Normal de ¡1 atez: O<br />
p-valor e dado por:<br />
p = 1 ¡©(z)<br />
O p-valor e um indicador do maximo n³vel de signi¯c^ancia® para<br />
o qual a hipotese nulaH 0 e aceita. Quanto maior for o p-valor, maior a seguran»ca<br />
na aceita»c~ao da hipotese nula.<br />
Se o n³vel de signi¯c^ancia®para o teste for previamente especi¯-<br />
cado, a hipotese nulaH 0 sera aceita se o p-valor obtido for superior ao®:
83<br />
CAPITULO 8<br />
RESULTADOS OBTIDOS<br />
Neste Cap³tulo ser~ao apresentados os resultados da classi¯ca»c~ao de<br />
imagens SAR de dois sensores distintos, usando os classi¯cadores Maxver e ICM<br />
implementados no sistema descrito no Ap^endice D.<br />
E mostrado neste Cap³tulo que para as imagens utilizadas ha uma<br />
melhora signi¯cativa na classi¯ca»c~ao quando se utiliza o classi¯cador Maxver com<br />
as distribui»c~oes adequadas aos dados, quando comparada ao classi¯cador Maxver<br />
classico que utiliza a distribui»c~ao Gaussiana. Mostra-se tambem que o classi¯cador<br />
ICM sempre produz resultados melhores que o Maxver.<br />
especi¯cadas:<br />
Paraarealiza»c~ao dasclassi¯ca»c~oesforamutilizadasasimagensabaixo<br />
1) Imagem SAR 580: Imagem obtida por sensor aerotransportado, em ampli-<br />
tude, na banda L, com numero nominal de visadas igual a um, tamanho<br />
de 512 x 512 \pixel", da regi~ao de Freiburg, Alemanha, utilizada tambem<br />
por Frery (1993), Frery e Mascarenhas (1993), Erthal e Frery (1993),<br />
Sant'Anna (1995), apresentada na Figura 6, p.85.<br />
2) Imagens JERS-1<br />
a)Imagemoriginal: Orbita/ponto D405/306, em amplitude,com numero<br />
nominal de visadas igual a tr^es, espa»camento entre \pixels" de 12.5 x<br />
12.5m,polariza»c~aohorizontal/horizontal(HH),de26Jun93,tamanho<br />
de 1600 x 2400 \pixels", da regi~ao da Floresta Nacional de Tapajos,<br />
Para, apresentada na Figura 7, p. 86, com as regi~oes de coleta de<br />
amostras das classes demarcadas de acordo com a legenda.
84<br />
b) Imagem com resolu»c~ao espacial degradada: Orbita/ponto D405/306,<br />
em amplitude, obtida a partir da imagem original transformada para<br />
intensidade, extraindo-se a raiz quadrada damedia de quatro \pixels",<br />
com espa»camento entre \pixels" de 25 x 25 m, polariza»c~ao HH, de 26<br />
Jun 93, tamanho de 800 x 1200 \pixels".<br />
Para a realiza»c~ao dostestesde classi¯ca»c~ao dasimagens JERS-1 foi<br />
utilizada uma imagem TM da mesma regi~ao (Figura 8, p. 87), orbita 227, ponto<br />
62, bandas 3, 4 e 5 de 29 maio de 1993, classi¯cada usando algoritmo ISOSEG<br />
implementado no SPRING(INPE,1995), apresentadana Figura 9,p. 88. A imagem<br />
foi reamostrada e co-registrada em rela»c~ao µas imagens JERS-1 classi¯cadas. As<br />
cores apresentadas na imagem TM classi¯cada s~ao correspondentes µas utilizadas na<br />
classi¯ca»c~ao JERS-1, com uma classe adicional (nuvens, sombras e borda exterior),<br />
apresentada na cor branca.<br />
A utiliza»c~ao da imagem TM classi¯cada como imagem refer^encia<br />
teve como objetivoveri¯cara possibilidade do uso de imagensSARem substitui»c~aoas<br />
TMem classi¯ca»c~oesdo uso da terra. Isso se torna importante nosprojetosnosquais<br />
se deseja medir areas desmatadas, como por exemplo o Projeto de Desmatamento<br />
da Amaz^onia (PRODES).<br />
8.1 - Resultados com a imagem SAR-580<br />
SAR-580.<br />
Ser~ao apresentados nesta Se»c~ao osresultadosobtidoscom a imagem<br />
8.1.1 - Metodologia Utilizada<br />
lizada a seguinte metodologia:<br />
Para a aplica»c~ao das rotinas do sistema µa imagem SAR-580 foi uti-<br />
1) Estima»c~ao do numero equivalente de visadas.
85<br />
Figure 6: - Imagem SAR-580
86<br />
Figure 7: - Imagem JERS-1 de Tapajos.
87<br />
Figure 8: - Imagem TM, bandas 3 (R), 4 (G) e 5 (B).
88<br />
Figure 9: - Imagem TM classi¯cada.
89<br />
2) Sob a hipotese da normalidade para as classes, efetuar:<br />
a) A parti»c~ao e modelagem,<br />
b) A amostragem e infer^encia<br />
c) A classi¯ca»c~ao Maxver<br />
d) A classi¯ca»c~ao ICM<br />
e) A obten»c~ao das matrizesde confus~ao com base nas amostras de teste.<br />
3) Sob a hipotese das distribui»c~ao mais ajustada para cada classe, efetuar:<br />
a) A parti»c~ao e modelagem<br />
b) A amostragem e infer^encia<br />
c) As classi¯ca»c~oes Maxver e ICM.<br />
d) Aobten»c~ao dasmatrizesde confus~ao com base nasamostrasde teste.<br />
4) Compara»c~ao entre asquatro classi¯ca»c~oes obtidas com o uso do coe¯ciente<br />
de concord^ancia Kappa.
90<br />
8.1.2 - Estima»c~ao do Numero Equivalente de Visadas<br />
A imagem em quest~ao possui numero de visadas igual a um, valor<br />
que foi utilizado no decorrer dos processamentos executados com a imagem SAR-<br />
580. Paracomprovar a e¯ci^encia domoduloparaestima»c~ao do numero equivalente de<br />
visadasforamcoletadasquatroamostrasemregi~oeshomog^eneas, conformemetodolo-<br />
gia apresentada na Se»c~ao 5.2.5.1, p. 50. As amostras coletadas foram aprovadas no<br />
teste Qui-quadrado de ajuste ao n³vel de signi¯c^ancia de 1% (um por cento), com<br />
p-valores bem superiores ao m³nimo exigido, conforme apresentados na Figura 10.<br />
O valor medio obtido para o numero equivalente de visadas para imagem, 1:00968,<br />
esta coerente com o valor original fornecido.<br />
Figure 10: - Estima»c~ao do numero equivalente de visadas da imagem SAR 580.<br />
8.1.3 - Parti»c~ao, Modelagem, Infer^encia e Amostragem<br />
Foram selecionadas tr^es classes distintasna imagem, µas quais foram<br />
associadasasdistribui»c~oesmaisajustadas,cores,tipo etamanhooriginaldasamostras<br />
constantes da Tabela 11, p. 91.
91<br />
TABELA 11 - CLASSES NA IMAGEM SAR-580<br />
Classe Cultura 1 Cultura 2 Floresta<br />
Distribui»c~ao Raiz de Gama K-Amplitude GA0<br />
Cor rosa verde claro amarela<br />
Amostra Tipo Infer^encia e teste<br />
Amostra Tamanho 21456 7312 21652<br />
8.1.3.1 - Decorrela»c~ao das Amostras<br />
Para a aplica»c~ao da rotina que estima osvalores das autocorrela»c~oes<br />
horizontal e verticaldospixelsdas classes, foram selecionadasamostrasretangulares.<br />
Exemplos de resultados relativos µa classe Floresta podem ser observados na Figura<br />
11, p. 93 e Figura 12, p. 94. Para a sele»c~ao do fator de subamostragem foi adotado<br />
o criterio de se utilizar o primeiro valor obtido que apresenta estima»c~ao da autocor-<br />
rela»c~ao menor do que 0.2. Com este criterio todasas classes foram decorrelacionadas<br />
com fator 2 na horizontal e 2 na vertical, ou seja, as amostras foram reduzidas a 1/4<br />
do tamanho original.<br />
8.1.3.2 - Teste Qui-quadrado de Ajuste<br />
Uma vez efetuada a subamostragem das amostras, foi aplicado o<br />
teste Qui-quadrado a cada uma das classes. Os resultados obtidos s~ao apresentados<br />
a seguir.<br />
1) Ajuste da classe Cultura 1<br />
Aplicado o teste Qui-quadrado para veri¯car o ajuste das distribui-<br />
»c~oesµa classe Cultura 1,foramobtidosospar^ametrose p-valores constantesda Tabela<br />
12, p. 92. N~ao foram obtidos valores para a distribui»c~ao GA0 em virtude de proble-
92<br />
mas de converg^encia na estima»c~ao dos par^ametros.<br />
A distribui»c~ao Raiz de Gama, sob a hipotese do modelo multiplica-<br />
tivo, foi a que apresentou melhor ajuste para a classe Cultura 1. O histograma das<br />
amostras e fun»c~ao densidade de probabilidade da distribui»c~ao Raiz de Gama, com<br />
os par^ametros estimados e p-valor resultantes do teste, podem ser observados na<br />
Figura 13, p. 94. Cabe ressaltar que neste caso, por sern=1; a distribui»c~ao e<br />
Rayleigh, caso particular da Raiz de Gama. Um p-valor muito proximo foi apresen-<br />
tado tambem pela distribui»c~ao Weibull, conforme pode ser observado na Figura 14,<br />
p. 95, o que era esperado, uma vez que a distribui»c~ao Raiz de Gama (e Rayleigh,<br />
consequentemente) e um caso particular da Weibull (Se»c~ao 3.16, p.28).<br />
TABELA 12 - TESTE QUI-QUADRADO DA CLASSE CULTURA 1<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n= 1 ¸ = 5:14145e ¡4 { 0:1508<br />
KA ® =37:94 ¯ =1944:98 n = 1 0:117<br />
GA0 ® ° n = 1 {<br />
N RA ¹ =39:084 ¾ 2 =417:4 { 2:0e ¡4<br />
N ¹ =39:087 ¾ 2 =417:3 { 0<br />
LN ¹ = 3:5 ¾ 2 =0:40066 { 0<br />
W ® = 2:00073 ¯ = 0:0226755 { 0:1506<br />
B ® =2:3 ¯ = 6:45 { 0:013<br />
2) Ajuste da classe Cultura 2<br />
Aplicado o teste Qui-quadrado para veri¯car o ajuste das distribui-<br />
»c~oesµa classe Cultura 2,foramobtidosospar^ametrose p-valores constantesda Tabela<br />
13, p. 93. N~ao foram obtidos valorespara asdistribui»c~oes GA0 e Weibull em virtude<br />
de problemas de converg^encia na estima»c~ao dos par^ametros.
93<br />
A distribui»c~ao K-Amplitude, sob a hipotese do modelo multiplica-<br />
tivo, foi a que apresentou melhor ajuste para a classe Cultura 2. O histograma e<br />
fun»c~ao densidade de probabilidade com os par^ametrosestimadose p-valor resultante<br />
do teste podem ser observados na Figura 15, p. 95.<br />
Figure 11: - Autocorrela»c~ao horizontal da classe Floresta.<br />
TABELA 13 - TESTE QUI-QUADRADO DA CLASSE CULTURA 2<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n= 1 ¸ = 1:34473e ¡4 { 0:52<br />
KA ® = 31:400555 ¯ =7436:43 n = 1 0:80<br />
GA0 ® ° n = 1 {<br />
N RA ¹ =76:42 ¾ 2 =1595:87 n = 1 2:0e ¡4<br />
N ¹ =76:67 ¾ 2 =1558:3 { 7:5e ¡5<br />
LN ¹ =4:174 ¾ 2 =0:408948 { 0<br />
W ® = ¡5:545 ¯ =0:00824 { {<br />
B ® =2:0755 ¯ = 3:986 { 0:58
94<br />
Figure 12: - Autocorrela»c~ao vertical da classe Floresta.<br />
Figure 13: - Ajuste da distribui»c~ao Raiz de Gama para Cultura 1
95<br />
Figure 14: - Ajuste da distribui»c~ao Weibull para a Cultura 1<br />
Figure 15: - Ajuste da distribui»c~ao K-Amplitude para Cultura 2.
96<br />
Figure 16: - Ajuste da distribui»c~ao GA0 para Floresta.<br />
3) Ajuste da classe Floresta<br />
Aplicado o teste Qui-quadrado para veri¯car o ajuste das distribui-<br />
»c~oes µa classe Floresta, foram obtidos os par^ametros e p-valores constantes da Tabela<br />
14, p. 97. N~ao foram obtidos valores para a distribui»c~ao K-amplitude em virtude de<br />
problemas de converg^encia na estima»c~ao dos par^ametros.<br />
A distribui»c~ao GA0, sob a hipotese do modelo multiplicativo, foi a<br />
que apresentou melhor ajuste para a classe Floresta. O histograma e fun»c~ao den-<br />
sidade de probabilidade com os par^ametros estimados e p-valor resultante do teste<br />
podem ser observados na Figura 16, p. 96. A distribui»c~ao Raiz de Gama tambem se<br />
ajustou bem µa classe Floresta, com um p-valor igual a 0.47.
97<br />
TABELA 14 - TESTE QUI-QUADRADO DA CLASSE FLORESTA<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n= 1 ¸ = 7:83627e ¡5 { 0:47<br />
KA ® ¯ n= 1 {<br />
GA0 ® = ¡32:3877 ° =404804 n= 1 0:53<br />
NRA 100:113 ¾ 2 = 2738:57 { 0<br />
N 100:244 ¾ 2 = 2713:23 { 0<br />
LN 4:4328 ¾ 2 =0:4398 { 0<br />
W ® =2:0133 ¯ = 8:84e ¡3 { 0:36<br />
B ® =1:788 ¯ =2:8166 { 4:6e ¡6<br />
8.1.4 - As Classi¯ca»c~oes Maxver e ICM<br />
Ser~ao apresentadas as classi¯ca»c~oes Maxver e ICM, ambas obtidas<br />
sob a hipotese da normalidade para as classes e sob a hipotese da distribui»c~ao mais<br />
ajustada para cada classe.<br />
Com base na hipotese da normalidade para as classes foi obtida a<br />
classi¯ca»c~ao Maxver apresentada na Figura 19, p. 100, cujas densidades s~ao apre-<br />
sentadas na Figura 17, p. 99, com as cores correspondentes µas selecionadas para as<br />
classes. Com base na hipotese da distribui»c~ao mais ajustada para cada classe foi<br />
obtida a classi¯ca»c~ao Maxver apresentada na Figura 20, p. 100, com as densidades<br />
constantes da Figura 18, p. 99. Comparando-se visualmente as duas classi¯ca»c~oes<br />
n~aos~ao signi¯cativamente diferentes. Ospontosde separa»c~ao dosn³veisdecinza (uti-<br />
lizados nas LUTs) e o percentual de pixels da imagem em cada classe por hipotese<br />
podem ser vistosnaTabela 15,p. 98. Nacoluna de \pixels" comunstem-se o numero<br />
de \pixels" que receberam a mesma classi¯ca»c~ao considerando as duas hipoteses. A<br />
soma dos \pixels" comuns, 240084; corresponde a 91:6% de concord^ancia entre as
98<br />
duas classi¯ca»c~oes. Sob a hipotese de que a classi¯ca»c~ao com o uso das distribui»c~oes<br />
maisajustadase a maiscorreta, neste caso, o uso da distribui»c~ao Normal apresenta<br />
8:4 % de erro em rela»c~ao µaquela.<br />
TABELA 15 - LUT MAXVER PARA AS CLASSES SAR-580<br />
Hipotese para as classes<br />
Classe Distr Normal Distr Mais Ajustada # pixels<br />
Niv. cinza % Niv. cinza % comuns<br />
Cultura 1 0 a 62 50.76 0 a 58 47.12 123534<br />
Cultura 2 63 a 105 27.23 59 a 95 26.08 58837<br />
Floresta 106 a 255 22.01 96 a 255 26.80 57713<br />
Soma 240084 (91:6%)<br />
Sobre as classi¯ca»c~oes Maxver obtidas foram aplicadas as classi-<br />
¯ca»c~oes ICM, tendo sido estabelecido como criterio de parada o percentual de trocas<br />
inferior a 0:1% em rela»c~ao µa classi¯ca»c~ao obtida na itera»c~ao anterior. Para atingir<br />
esta toler^ancia foram efetuadas 17 itera»c~oes, com um b ¯ inicial igual a 0:397 e o ¯nal<br />
igual a 1:835. A classi¯ca»c~ao ICM obtida sob a hipotese de distribui»c~oes Normais<br />
para as classese apresentada na Figura 21, p. 101 e a ICM obtida sob a hipotese de<br />
distribui»c~oes mais ajustadas para as classes e apresentada na Figura 22, p. 101.<br />
8.1.5 - Matrizes de Confus~ao das Classi¯ca»c~oes<br />
As matrizes de confus~ao da classi¯ca»c~oes, obtidasatravesdasamos-<br />
tras de teste, podem ser vistas nas Figuras 23, 24, 25 e 26, p. 103 e 104. A Tabela<br />
16, p. 102, apresenta os valores estimados para o coe¯ciente de concord^ancia Kappa<br />
de cada matriz, as respectivas vari^ancias e conceitos obtidos segundo Landis e Koch<br />
(1977).
99<br />
Figure 17: - Fun»c~oes densidade de probabilidade Normais para as classes da SAR-<br />
580.<br />
Figure 18: - Fun»c~oes de densidade de probabilidade ajustadas para a SAR-580.
100<br />
Figure 19: - Classi¯ca»c~ao Maxver com o uso de distribui»c~oes Normais.<br />
Figure 20: - Classi¯ca»c~ao Maxver com o uso das distribui»c~oes mais ajustadas.
101<br />
Figure 21: - Classi¯ca»c~ao ICM com o uso de distribui»c~oes Normais.<br />
Figure 22: - Classi¯ca»c~ao ICM com o uso das distribui»c~oes mais ajustadas.
102<br />
TABELA 16 - EXATID ~ AO DA CLASSIFICAC» ~ AO<br />
Classi¯ca»c~ao b k b¾ 2 Conceito<br />
Maxver Normais 0:385923 7:29603e ¡5 Razoavel<br />
Maxver Ajustadas 0:406014 6:20625e ¡5 Boa<br />
ICM Normais 0:722186 3:32097e ¡5 Muito Boa<br />
ICM Ajustadas 0:768764 2:89532e ¡5 Muito Boa<br />
8.1.6 - Teste de Igualdade dos Coe¯cientes de Concord^ancia<br />
Usando os valores estimados para b· e b¾ 2 constantes da Tabela 16<br />
foram aplicados os testes de hipoteses descritos na Se»c~ao 7.2, p. 77. Os resultados<br />
dos testes bilaterais podem ser vistos na Tabela 17 e os dos testes unilaterais na<br />
Tabela 18.<br />
TABELA 17 - ESTAT ISTICASz E P-VALORESpDOS TESTES BILATERAIS<br />
Classi¯ca»c~ao Teste Bilateral<br />
z p<br />
Maxver Normais x Maxver Ajustadas 1:729 0:042<br />
ICM Normais x ICM Ajustadas 5:832 ¼ 0<br />
TABELA 18 - ESTAT ISTICASz E P-VALORESpDOS TESTES UNILATERAIS<br />
Classi¯ca»c~ao Teste Unilateral<br />
z p<br />
Maxver Normal x ICM Normal 32:64 ¼ 0<br />
Maxver Normal x ICM Ajustada 37:86 ¼ 0<br />
Maxver Ajustada x ICM Normal 32:39 ¼ 0<br />
Maxver Ajustada x ICM Ajustada 37:96 ¼ 0
103<br />
Figure 23: - Matriz de confus~ao da Maxver com o uso das distribui»c~oes Normais.<br />
Figure 24: - Matriz de confus~ao da Maxver com o uso das distribui»c~oes mais ajus-<br />
tadas.
104<br />
Figure 25: - Matriz de confus~ao da ICM com o uso de distribui»c~oes Normais.<br />
Figure 26: - Matriz de confus~ao da ICM com o uso das distribui»c~oes mais ajustadas.
105<br />
1) Dos resultados obtidos com os testes bilaterais pode-se concluir que:<br />
a) As matrizes de confus~ao das classi¯ca»c~oes Maxver com distribui»c~oes<br />
Normais e Maxver com as distribui»c~oes mais ajustadas µas classes s~ao<br />
diferentes, aos n³veis de signi¯c^ancia superiores a 4:2%: Pode-se a¯r-<br />
mar que, para a imagem considerada, a classi¯ca»c~ao Maxver com o<br />
uso das distribui»c~oes mais ajustadas µas classes, por possuir coe¯ciente<br />
de concord^ancia· superior, apresenta um resultado de melhor quali-<br />
dade, aos n³veis de signi¯c^ancia superioresa 4:2%; quando comparada<br />
µaMaxver obtida com usode distribui»c~oesNormaisparaasclasses. Pe-<br />
los resultados apresentados na Tabela 16, p. 102, e poss³vel veri¯car<br />
que houve uma melhora de 5:2% para o b· da classi¯ca»c~ao Maxver ao<br />
se utilizar as distribui»c~oes mais adequadas aos dados SAR.<br />
b) As matrizes de confus~ao dasclassi¯ca»c~oesICM com distribui»c~oes Nor-<br />
mais e ICM com as distribui»c~oes mais ajustadas µas classes s~ao difer-<br />
entes para n³veis de signi¯c^ancia utilizados na pratica. Isto permite<br />
a¯rmar que, para a imagem considerada, a classi¯ca»c~ao ICM com o<br />
uso das distribui»c~oes mais ajustadas µas classes, por apresentar coe-<br />
¯ciente de concord^ancia·superior, e de melhor qualidade quando<br />
comparada µa classi¯ca»c~ao ICM com o uso de distribui»c~oes Normais<br />
para as classes. Pelos resultados apresentados na Tabela 16 e poss³vel<br />
veri¯car que houve uma melhora de 6:5% para o b· da classi¯ca»c~ao<br />
ICM ao se utilizar as distribui»c~oes mais adequadas aos dados SAR.<br />
2) Dos resultados obtidos com os testes unilaterais pode-se concluir que:<br />
a) As classi¯ca»c~oesICM s~ao sempre diferentes das classi¯ca»c~oes Maxver,<br />
n~aoimportandoahipotese consideradapara asdistribui»c~oesdasclasses,<br />
a n³veis de signi¯c^ancia de ordem pratica. Isto permite a¯rmar que,
8.1.7 - Conclus~oes<br />
106<br />
para a imagem considerada, em quaisquer hipoteses, a classi¯ca»c~ao<br />
ICM e superior µa classi¯ca»c~ao Maxver. Este resultado esta de acordo<br />
com asconceitua»c~oesapresentadasna Tabela 16, onde asclassi¯ca»coes<br />
ICMforam conceituadascomo MuitoBoas,e asduasclassi¯ca»c~oes por<br />
maxima verossimilhan»ca como Razoavel e Boa. Pelosresultadosapre-<br />
sentados e poss³vel veri¯car que houve uma melhora media de 88:2%<br />
para o b· ao se utilizar a classi¯ca»c~ao ICM em substitui»c~ao µa Maxver.<br />
Os resultados obtidos nos testes indicam que, para a imagem SAR-<br />
580 utilizada, as classi¯ca»c~oes ICM s~ao sempre superiores µas classi¯ca»c~oes Maxver,<br />
n~ao importando a hipotese utilizada para a distribui»c~ao das classes. Permitem con-<br />
cluir ainda que, para classi¯ca»c~oes obtidas por um mesmo metodo, as que utilizam a<br />
hipotese da distribui»c~ao mais ajustada para cada classe apresentam resultados supe-<br />
riores. Pelosresultadosapresentados na Tabela 16 e poss³vel veri¯car que houve uma<br />
melhora media de 5:9% para o b· da classi¯ca»c~ao ao se utilizar as distribui»c~oes mais<br />
adequadas aos dados SAR e uma melhora media de 88:2% para o b· ao se utilizar a<br />
classi¯ca»c~ao ICM em substitui»c~ao µa Maxver.
107<br />
8.2 - Resultados com as Imagens JERS-1 Original<br />
JERS-1 original.<br />
Ser~ao apresentados nesta Se»c~ao osresultadosobtidoscom a imagem<br />
8.2.1 - Metodologia Utilizada<br />
Para a aplica»c~ao das rotinas do sistema µa imagem JERS-1 original<br />
e analise dos resultados foi utilizada a seguinte metodologia:<br />
1) Estima»c~ao do numero de visadas.<br />
2) Sob a hipotese da normalidade e tambem sob a hipotese das distribui»c~oes<br />
mais ajustadas para as classes, efetuar:<br />
a) A parti»c~ao e modelagem,<br />
b) A amostragem e infer^encia<br />
c) A classi¯ca»c~ao Maxver<br />
d) A classi¯ca»c~ao ICM<br />
e) A obten»c~ao das matrizes de confus~ao com base nas amostras de teste<br />
e na imagem TM classi¯cada.<br />
3) Compara»c~ao entre asquatro classi¯ca»c~oes obtidas com o uso do coe¯ciente<br />
de concord^ancia Kappa.<br />
8.2.2 - Obten»c~ao da Imagem com a Resolu»c~ao Espacial Degradada<br />
Com a ¯nalidade de testar o sistema com uma imagem com maior
108<br />
numero de visadas, a imagem original foi degradada com fator dois na horizontal e<br />
dois na vertical. Para simular a imagem degradada que seria recebida pelo usuario,<br />
cada \pixel" da imagem degradada foi obtido extraindo-se a raiz quadrada da media<br />
de quatro \pixels" da imagem intensidade gerada a partir da amplitude.<br />
8.2.3 - Estima»c~ao do Numero Equivalente de Visadas<br />
Aplicando-se a metodologia preconizada na Subse»c~ao 5.2.5.1, p. 50,<br />
para determina»c~ao o numero equivalente de visadas da imagem, foi obtido o valor de<br />
2:83522 para a imagem original. Tal valor, como esperado,e menor que o numero de<br />
visadas originalmente fornecido em virtude da correla»c~ao existente entre os \pixels"<br />
da imagem original.<br />
igual a 5:0357:<br />
Paraaimagem degradadafoiobtido onumero equivalente devisadas<br />
8.2.4 - Parti»c~ao, Modelagem, Infer^encia e Amostragem<br />
Foram selecionadastr^esclassesdistintasnasimagens,µasquaisforam<br />
associadasasdistribui»c~oesmaisajustadas,cores,tipo etamanhooriginaldasamostras<br />
constantes da Tabela 19.<br />
TABELA 19 - CLASSES NA IMAGEM SAR - JERS-1<br />
JERS-1 Original<br />
Classe Solo Regenera»c~ao Floresta<br />
Cor rosa verde claro verde<br />
Tipo da Amostra Infer^encia e teste<br />
Tamanho na Imagem Original 2636 13940 20740<br />
Tamanho na Degradada 2432 6428 11148
8.2.4.1 - Decorrela»c~ao das Amostras<br />
109<br />
Para a aplica»c~ao da rotina que estima osvalores das autocorrela»c~oes<br />
horizontal e verticaldasclasses, foram selecionadas amostras retangularesassociadas<br />
µasclasses. Para sele»c~aodofatorde subamostragemfoiadotadoocriterio de se utilizar<br />
o primeiro valor obtido que apresenta estima»c~ao da autocorrela»c~ao menor do que 0:2.<br />
Com este criterio, todas as amostras das classes foram decorrelacionadas com fator<br />
2 na horizontal e na vertical, ou seja, as amostrasforam reduzidas a 1=4 do tamanho<br />
original.<br />
8.2.4.2 - Teste Qui-quadrado<br />
Uma vez efetuada a subamostragem das amostras, foi aplicado o<br />
teste Qui-quadrado a cada uma das classes. Os resultados obtidos s~ao apresentados<br />
a seguir.<br />
1) Ajuste da classe Solo<br />
a) Imagem Original: Aplicado o teste Qui-quadrado para veri¯car o<br />
ajuste das distribui»c~oes µa classe Solo, foram obtidos os par^ametros e<br />
p-valores constantes da Tabela 20, p. 110. A distribui»c~ao GA0, sob a<br />
hipotese do modelo multiplicativo, foi a que apresentou melhor ajuste<br />
para aclasse Solo,seguidadadistribui»c~ao K-Amplitude. Ohistograma<br />
da amostra e o gra¯co da fun»c~ao densidade de probabilidade da dis-<br />
tribui»c~ao GA0, com os par^ametrosestimadose o p-valor resultante do<br />
teste, podem ser observados na Figura 27, p. 111.<br />
b) Imagem Degradada: Aplicado o teste Qui-quadrado para veri¯car o<br />
ajuste das distribui»c~oes µa classe Solo, foram obtidos os par^ametros e<br />
p-valores constantes da Tabela 21, p. 112. N~ao foram obtidos valores<br />
para a distribui»c~ao Weibull em virtude de problemas de converg^encia<br />
na estima»c~ao dos par^ametros. A distribui»c~ao GA0, sob a hipotese
110<br />
do modelo multiplicativo, foi a que apresentou melhor ajuste para<br />
a classe Solo, seguida da distribui»c~ao K-Amplitude. O histograma<br />
das amostras e os gra¯cos das fun»c~oes densidade de probabilidade da<br />
distribui»c~oes GA0, com os par^ametros estimados, e p-valor resultante<br />
do teste, podem ser observados na Figura 28, p. 111.<br />
TABELA 20 - AJUSTES DA CLASSE SOLO NA JERS-1 ORIGINAL<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n =2:83522 ¸ = 8:94267e ¡4 { 1:307e ¡2<br />
KA ® = 13:32466 ¯ =3170:44 n =2:83522 0:3115<br />
GA0 ® = ¡13:108548 ° = 38461:8 n =2:83522 0:3241<br />
NRA ¹= 53:89 ¾ 2 =266:306 { 6:5e ¡4<br />
N ¹ =53:387 ¾ 2 =320:76 { 7:55e ¡2<br />
LN ¹ =3:91774 ¾ 2 =0:127644 { 7:84e ¡3<br />
W ® =3:2834 ¯ = 1:68e ¡2 { 0<br />
B ® =3:21 ¯ = 6:33 { 0<br />
2) Ajuste da classe Regenera»c~ao<br />
a)Imagemoriginal: Aplicado otesteQui-quadrado paraveri¯caro ajuste<br />
das distribui»c~oes µa classe Regenera»c~ao, foram obtidos os par^ametros<br />
e p-valores constantes da Tabela 22, p. 113. A distribui»c~ao GA0 foi<br />
a que apresentou melhor ajuste para a classe Regenera»c~ao, seguida<br />
da distribui»c~ao K-Amplitude. O histograma das amostras e o gra¯co<br />
da fun»c~ao densidade de probabilidade da distribui»c~ao GA0, com os<br />
par^ametros estimados e p-valor resultado do teste, podem ser obser-<br />
vados na Figura 29, p. 114.
111<br />
Figure 27: - Ajuste da GA0 para a classe Solo na imagem original.<br />
Figure 28: - Ajuste da GA0 para a classe Solo na imagem degradada..
112<br />
TABELA 21 - AJUSTES DO SOLO NA JERS-1 DEGRADADA<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n =5:0357 ¸ =1:13338e ¡3 ¡ 2:64e ¡3<br />
KA ® = 18:44 ¯ = 4443:06 n =5:0357 0:496<br />
GA0 ® = ¡19:0477 ° =80211:1 n =5:0357 0:525<br />
NRA ¹ =65:02 ¾ 2 = 214:85 ¡ 1:36e ¡5<br />
N ¹ =64:586 ¾ 2 = 272:22 ¡ 5:68e ¡2<br />
LN ¹ =4:1346 ¾ 2 =6:898e ¡2 ¡ 0:15<br />
W ® ¯ ¡ ¡<br />
B ® = 3:54 4:666 ¡ 0<br />
b) Imagem degradada: Aplicado o teste Qui-quadrado para veri¯car<br />
o ajuste das distribui»c~oes µa classe Regenera»c~ao, foram obtidos os<br />
par^ametros e p-valores constantes da Tabela 23, p. 113. A dis-<br />
tribui»c~ao Log-Normalfoi a que apresentou melhor ajuste para a classe<br />
Regenera»c~ao, seguida da distribui»c~ao K-Amplitude, esta ultima sob<br />
a hipotese do modelo multiplicativo. O histograma das amostras e<br />
o gra¯co da fun»c~ao densidade de probabilidade da distribui»c~ao Log-<br />
Normal, com os par^ametros estimados e p-valor resultante do teste,<br />
podem ser observados na Figura 30, p. 114.
113<br />
TABELA 22 - AJUSTES DA REGENERAC» ~ AO NA IMAGEM ORIGINAL<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n = 2:83522 ¸ =5:0844e ¡4 { 0<br />
KA ® = 13:285 ¯ = 5576:31 n = 2:83522 0:355<br />
GA0 ® = ¡15:851 ° = 82649:9 n = 2:83522 0:418<br />
NRA ¹ = 71:4697 ¾ 2 = 468:39 { 0<br />
N ¹ =70:8 ¾ 2 = 563:81 { 0<br />
LN ¹ =4:2 ¾ 2 = 0:119 { 5:44e ¡5<br />
W ® = 3:282 ¯ = 1:27e ¡2 { 0<br />
B ® = 3:41 ¯ = 7:18 { 0<br />
TABELA 23 - AJUSTES DA REGENERAC» ~ AO NA IMAGEM DEGRADADA<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n =5:0357 ¸ =8:56546e ¡4 { 2:56e ¡4<br />
KA ® =28:73 ¯ = 5879:07 n = 5:0357 0:226<br />
GA0 ® = ¡41:9835 ° = 240319 n = 5:0357 0:19<br />
NRA ¹= 74:8 ¾ 2 = 284:29 { 0<br />
N ¹= 74:47 ¾ 2 = 332:97 { 8:94e ¡7<br />
LN ¹ =4:28139 ¾ 2 = 5:80293e ¡2 { 0:792<br />
W ® =4:645 ¯ = 1:2227e ¡2 { 0<br />
B ® =3:0333 ¯ = 7:417 { 0
114<br />
Figure 29: - Ajuste da GA0 para a classe Regenera»c~ao na JERS-1 Original .<br />
Figure 30: - Ajuste da Log-Normal para a classe Regenera»c~ao na JERS-1 degradada.
3) Ajuste da classe Floresta<br />
115<br />
a)Imagemoriginal: Aplicado otesteQui-quadrado paraveri¯caro ajuste<br />
das distribui»c~oes µa classe Floresta, foram obtidos os par^ametros e p-<br />
valores constantes da Tabela 24. A distribui»c~ao GA0, sob a hipotese<br />
do modelo multiplicativo, foi a que apresentou melhor ajuste para a<br />
classe Floresta, seguida da distribui»c~ao K-Amplitude. O histograma<br />
das amostras e o gra¯co da fun»c~ao densidade de probabilidade da<br />
distribui»c~ao GA0, com os par^ametros estimados e p-valor resultante<br />
do teste, podem ser observados na Figura 31, p. 116.<br />
TABELA 24 - AJUSTES DA FLORESTA NA JERS-1 ORIGINAL<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n = 2:83522 ¸ =1:91539e ¡4 { 0<br />
KA ® = 15:045 ¯ = 14802:3 n =2:83522 0:172<br />
GA0 ® = ¡15:7025 ° = 217715 n =2:83522 0:272<br />
NRA ¹ = 116:443 ¾ 2 = 1243:34 { 0<br />
N ¹ = 115:48 ¾ 2 = 1467:47 { 0<br />
LN ¹ =4:69 ¾ 2 = 0:1218 { 0<br />
W ® = 3:323 ¯ =7:77e ¡3 { 0<br />
B ® = 3:283 ¯ = 4:797 { 0<br />
b) Imagem degradada: Aplicado o teste Qui-quadrado para veri¯car o<br />
ajuste dasdistribui»c~oesµa classe Floresta, foram obtidos os par^ametros<br />
e p-valores constantes da Tabela 25, p. 116. A distribui»c~ao Log-<br />
Normal foi a que apresentou melhor ajuste para a classe Floresta,<br />
seguida da distribui»c~ao GA0. O histograma das amostras e o gra¯co<br />
da fun»c~ao densidade de probabilidade da distribui»c~ao Log-Normal,<br />
com os par^ametros estimados e p-valor resultante do teste, podem ser
116<br />
observados na Figura 32, p. 117.<br />
TABELA 25 - AJUSTES DA FLORESTA NA JERS-1 DEGRADADA<br />
Distribui»c~ao Par^ametros p-valor<br />
¡ 1=2 n =5:0357 ¸ =3:67799e ¡4 { 0:051<br />
KA ® =35:653 ¯ = 13691:5 n = 5:0357 0:313<br />
GA0 ® = ¡75:458 ° =1:01784e6 n = 5:0357 0:296<br />
NRA ¹ =114:15 ¾ 2 = 662:07 { 0<br />
N ¹ =113:87 ¾ 2 = 726:66 { 8:35e ¡7<br />
LN ¹ =4:70714 ¾ 2 = 5:64237e ¡2 { 0:683<br />
W ® =4:8239 ¯ = 0:805e ¡3 { 0<br />
B ® =4:352 ¯ = 7:373 { 0<br />
Figure 31: - Ajuste da GA0 para a classe Floresta na JERS-1 Original.
117<br />
Figure 32: - Ajuste da Log-Normal para a classe Floresta na JERS-1 degradada.<br />
Figure 33: - Fun»c~oes densidade de probabilidade Normais na imagem JERS-1 origi-<br />
nal.
118<br />
Figure 34: - Fun»c~oes densidade de probabilidade GA0 na imagem JERS-1 original.<br />
Figure 35: - Fun»c~oes densidade de probabilidade Normais na imagem JERS-1<br />
degradada.<br />
Figure 36: - Fun»c~oes densidade de probabilidade ajustadas na imagem JERS-1<br />
degradada.
119<br />
8.2.5 - As Classi¯ca»c~oes Maxver e ICM<br />
Ser~ao apresentadas as classi¯ca»c~oes Maxver e ICM, ambas obtidas<br />
sob a hipotese da normalidade para as classes e sob a hipotese da distribui»c~ao mais<br />
ajustada para cada classe. O algoritmo ICM foi aplicado sobre as classi¯ca»c~oes<br />
Maxver obtidas, tendo sido estabelecido como criterio de parada o percentual de<br />
trocas inferior a 1% em rela»c~ao µa classi¯ca»c~ao obtida na itera»c~ao anterior.<br />
1) Imagem original<br />
a) Classi¯ca»c~oes Maxver: Com base na hipotese da normalidade para as<br />
classesfoiobtida a classi¯ca»c~aoMaxver,cujas densidadess~ao apresen-<br />
tadasna Figura33,p. 117. Com base na hipotese da distribui»c~ao mais<br />
ajustada para cada classe foi obtida a classi¯ca»c~ao Maxver apresen-<br />
tada na Figura 37,p. 121, com asdensidadesconstantesda Figura 34,<br />
p. 117. As classi¯ca»c~oes Maxver n~ao apresentam diferen»cas vis³veis<br />
entre si, raz~ao pela qual so e apresentada a imagem resultante de uma<br />
delas.<br />
b) Classi¯ca»c~oes ICM: Para atingir a toler^ancia de parada foram efe-<br />
tuadas sete itera»c~oes, com um b ¯ inicial em torno de 0:35 e o ¯nal<br />
em torno de 0:98. A classi¯ca»c~ao ICM obtida sob a hipotese de dis-<br />
tribui»c~oes Normais para as classes e apresentada na Figura 38, 122, e<br />
a ICM obtida sob a hipotese de distribui»c~oes mais ajustadas para as<br />
classes e apresentada na Figura 39, p. 123.<br />
2) Imagem degradada<br />
a) Classi¯ca»c~oes Maxver: Com base na hipotese da normalidade para as
120<br />
classes foi obtida a classi¯ca»c~ao Maxver, cujas densidades s~ao apre-<br />
sentadas na Figura 35, p. 118. Com base na hipotese da distribui»c~ao<br />
mais ajustada para cada classe foi obtida a classi¯ca»c~ao Maxver apre-<br />
sentada na Figura 40, p. 124, com asdensidades constantesda Figura<br />
36, p. 118.<br />
b) Classi¯ca»c~oes ICM: Para atingir a toler^ancia de parada foram efe-<br />
tuadas sete itera»c~oes no ICM, com um b ¯ inicial igual a 0:38 e o ¯nal<br />
iguala 0:82. Aclassi¯ca»c~ao ICMobtida soba hipotese de distribui»c~oes<br />
Normais para as classes e apresentada na Figura 41, p. 125, e a ICM<br />
obtida sob a hipotese de distribui»c~oes mais ajustadas para as classes<br />
e apresentada na Figura 42, p. 126.
121<br />
Figure 37: - Classi¯ca»c~ao Maxver da imagem JERS-1 original, com o uso das dis-<br />
tribui»c~oes mais ajustadas µas classes.
122<br />
Figure 38: - Classi¯ca»c~ao ICM da imagem JERS-1 original sob a hipotese da nor-<br />
malidade para as classes.
123<br />
Figure 39: - Classi¯ca»c~ao ICM da imagem JERS-1 original com o uso das dis-<br />
tribui»c~oes mais ajustadas para as classes.
124<br />
Figure 40: - Classi¯ca»c~ao Maxver da imagem JERS-1 degradada, com o uso das<br />
distribui»c~oes mais ajustadas µas classes.
125<br />
Figure 41: - Classi¯ca»c~ao ICM da imagem JERS-1 degradada, sob a hipotese da<br />
normalidade para as classes
126<br />
Figure 42: - Classi¯ca»c~ao ICM da imagem JERS-1 degradada, com o uso das dis-<br />
tribui»c~oes mais ajustadas.
127<br />
8.2.6 - Matrizes de Confus~ao das Classi¯ca»c~oes<br />
1) Imagem original: A Tabela 26, p. 127, apresenta os valoresestimados para<br />
o coe¯ciente de concord^ancia Kappa, as respectivas vari^ancias e conceitos<br />
obtidos segundo Landis e Koch (1977).<br />
a) Uso das amostras de teste: As matrizes de confus~ao obtidas atraves<br />
das amostras de teste podem ser vistas nas Figuras 43, 45, 47 e 49, p.<br />
132 a 135.<br />
b) Uso da imagem TM classi¯cada: As matrizes de confus~ao obtidas<br />
atraves da imagem TM classi¯cada podem ser vistas nas Figuras 44,<br />
46, 48 e 50, p. 132 a 135.<br />
TABELA 26 - EXATID ~ AO DA CLASSIFICAC» ~ AO PARA JERS-1 ORIGINAL<br />
Teste com<br />
Classi¯ca»c~ao Amostras Imagem TM<br />
b· b¾ 2 b· b¾ 2<br />
Maxver 0:328303 1:02966e ¡4 0:107105 7:87481e ¡7<br />
Normais Conceito Razoavel Ma<br />
Maxver 0:372769 9:78906e ¡5 0:122291 8:41666e ¡6<br />
Ajustadas Conceito Razoavel Ma<br />
ICM 0:655896 8:71681e ¡5 0:319259 1:26331e ¡6<br />
Normais Conceito Muito Boa Razoavel<br />
ICM 0:738752 6:77915e ¡5 0:332008 1:64927e ¡6<br />
Ajustadas Conceito Muito Boa Razoavel
128<br />
2) Imagem degradada: Os valores e conceitos do coe¯ciente de concord^ancia<br />
· para os casos da imagem degradada s~ao apresentados na Tabela 27, p.<br />
128<br />
TABELA 27 - EXATID ~ AO DA CLASSIFICAC» ~ AO DA JERS-1 DEGRADADA<br />
Teste com<br />
Classi¯ca»c~ao Amostras Imagem TM<br />
b· b¾ 2 b· b¾ 2<br />
Maxver 0:385609 1:681e ¡4 0:164227 3:4311e ¡6<br />
Normais Conceito Razoavel Ma<br />
Maxver 0:45224 1:69641e ¡4 0:207049 4:044e ¡6<br />
Ajustadas Conceito Boa Razoavel<br />
ICM 0:634602 1:649e ¡4 0:406223 7:4983e ¡6<br />
Normais Conceito Muito Boa Boa<br />
ICM 0:755474 1:1051e ¡4 0:438202 9:6071e ¡6<br />
Ajustadas Conceito Muito Boa Boa<br />
8.2.7 - Teste de Igualdade dos Coe¯cientes de Concord^ancia<br />
descritos na Se»c~ao 7.2, p. 77.<br />
Usandoestesvaloresestimadosforamaplicadosostestesdehipoteses<br />
1) Imagem original: Os resultados dos testes bilaterais e unilaterais podem<br />
ser vistos na Tabela 28.
129<br />
TABELA 28 - P-VALORESp DOS TESTES NA JERS-1 ORIGINAL<br />
p-valor do Teste com<br />
Classi¯ca»c~ao Amostras TM<br />
Maxver Normais x Maxver Ajustadas 8:8e ¡4 ¼ 0<br />
ICM Normais x ICM Ajustadas ¼ 0 ¼ 0<br />
Maxver Normal x ICM Normal ¼ 0 ¼ 0<br />
Maxver Normal x ICM Ajustada ¼ 0 ¼ 0<br />
Maxver Ajustada x ICM Normal ¼ 0 ¼ 0<br />
Maxver Ajustada x ICM Ajustada ¼ 0 ¼ 0<br />
2) Imagem degradada: Os resultadosdostestes bilaterais e unilateraispodem<br />
ser vistos na Tabela 29.<br />
TABELA 29 - P-VALORESp DOS TESTES NA JERS-1 DEGRADADA<br />
p-valor do Teste com<br />
Classi¯ca»c~ao Amostras TM<br />
Maxver Normais x Maxver Ajustadas ¼ 0 ¼ 0<br />
ICM Normais x ICM Ajustadas ¼ 0 ¼ 0<br />
Maxver Normal x ICM Normal ¼ 0 ¼ 0<br />
Maxver Normal x ICM Ajustada ¼ 0 ¼ 0<br />
Maxver Ajustada x ICM Normal ¼ 0 ¼ 0<br />
Maxver Ajustada x ICM Ajustada ¼ 0 ¼ 0
130<br />
3) Dos resultados obtidos com os testes bilaterais e unilaterais pode-se con-<br />
cluir que:<br />
a) As matrizes de confus~ao das classi¯ca»c~oes Maxver com distribui»c~oes<br />
Normais e Maxver com as distribui»c~oes mais ajustadas µas classes s~ao<br />
diferentes, aos n³veis de signi¯c^ancia de ordem pratica, seja o teste<br />
realizado com amostras ou com a imagem TM classi¯cada. Pode-se<br />
a¯rmar que, para a imagem considerada, a classi¯ca»c~ao Maxver com o<br />
uso das distribui»c~oes mais ajustadas µas classes, por possuir coe¯ciente<br />
de concord^ancia b· superior, apresenta um resultado de melhor qual-<br />
idade quando comparada µa Maxver obtida com uso de distribui»c~oes<br />
Normais para as classes. Pelos resultados apresentados na Tabela 26,<br />
p. 127, e Tabela 27, p. 128, e poss³vel veri¯car que houve uma mel-<br />
hora media de 17:8% para o b· da classi¯ca»c~ao Maxver ao se utilizar<br />
as distribui»c~oes mais ajustadas aos dados SAR.<br />
b) As matrizes de confus~ao dasclassi¯ca»c~oesICM com distribui»c~oes Nor-<br />
mais e ICM com as distribui»c~oes mais ajustadas µas classes s~ao difer-<br />
entes para os n³veis de signi¯c^ancia de ordem pratica, seja o teste<br />
realizado com amostras ou com a imagem TM classi¯cada. Isto per-<br />
mite a¯rmar que, paraa imagem considerada, aclassi¯ca»c~ao ICMcom<br />
o uso das distribui»c~oes mais ajustadas µas classes, por apresentar co-<br />
e¯ciente de concord^ancia· superior, e de melhor qualidade quando<br />
comparada µa classi¯ca»c~ao ICM com o uso de distribui»c~oes Normais<br />
para as classes. Pelos resultados apresentados na Tabela 26, p. 127, e<br />
Tabela 26, p. 128, e poss³vel veri¯car que houve uma melhora media<br />
de 10:9% para o b· da classi¯ca»c~ao ICM ao se utilizar as distribui»c~oes<br />
mais adequadas aos dados SAR.<br />
c) As classi¯ca»c~oes ICM s~ao sempre diferentes das classi¯ca»c~oes Maxver<br />
aosn³veisdesigni¯c^ancia de ordem pratica,n~ao importandoa hipotese
8.2.8 - Conclus~oes<br />
131<br />
consideradaparaasdistribui»c~oesdasclasses,seja oteste realizadocom<br />
amostras ou com a imagem TM classi¯cada. Isto permite a¯rmar que,<br />
para a imagem considerada, em qualquer situa»c~ao a classi¯ca»c~ao ICM<br />
e superior µa classi¯ca»c~ao Maxver. Pelos resultados apresentados na<br />
Tabela 26, p. 127, e Tabela 26, p. 128, e poss³vel veri¯car que houve<br />
uma melhora media de 117:3% para o b· ao se utilizar a classi¯ca»c~ao<br />
ICM em substitui»c~ao µa Maxver.<br />
Os resultados obtidos nos testes indicam que, para a imagem<br />
JERS-1 utilizada,asclassi¯ca»c~oesICMs~ao sempre superioresµasclassi¯ca»c~oesMaxver,<br />
n~ao importando a hipotese para a distribui»c~ao das classes. Permitem concluir ainda<br />
que, para classi¯ca»c~oes obtidas por um mesmo metodo, as que utilizam a hipotese da<br />
distribui»c~ao mais ajustada para cada classe apresentam resultados superiores. Pelos<br />
resultados apresentados e poss³vel veri¯car que houve uma melhora media de 14:3%<br />
para o b· das classi¯ca»c~oes ao se utilizar as distribui»c~oes mais adequadas aos dados<br />
SAR e uma melhora media de 117:3% para o b· ao se utilizar a classi¯ca»c~ao ICM em<br />
substitui»c~ao µa Maxver.<br />
Apesar das classi¯ca»c~oes ICM apresentarem valores para b· consi-<br />
derados Muito Bons, com o uso de amostras de teste, o valor de b· e considerado<br />
Razoavel para a imagem JERS-1 original e Bom para a degradada, quando a clas-<br />
si¯ca»c~ao e comparada com a imagem TM classi¯cada. Uma das causas para esta<br />
diferen»ca, alem da presen»ca do \speckle" na imagem SAR, e a presen»ca de erros na<br />
classi¯ca»c~ao da imagem TM,que originalmente possui muitas nuvens. Maisestudos,<br />
tendo-se a verdade terrestre obtida em campo, s~ao necessarios para se obter uma<br />
efetiva compara»c~ao entre os dois sensores e identi¯ca»c~ao das causas das diferen»cas<br />
ocorridas.
132<br />
Figure 43: -Matriz de confus~ao da classi¯ca»c~ao Maxver-Normaisda JERS-1 original,<br />
obtida com o uso das amostras.<br />
Figure 44: -Matriz de confus~ao da classi¯ca»c~ao Maxver-Normaisda JERS-1 original,<br />
obtida com o uso da imagem TM classi¯cada .
133<br />
Figure 45: - Matriz de confus~ao da classi¯ca»c~ao Maxver-ajustadas da JERS-1 origi-<br />
nal, obtida com o uso das amostras.<br />
Figure 46: - Matriz de confus~ao da classi¯ca»c~ao Maxver-ajustadas da JERS-1 origi-<br />
nal, obtida com o uso da imagem TM classi¯cada.
134<br />
Figure 47: - Matriz de confus~ao da classi¯ca»c~ao ICM-Normais da JERS-1 original,<br />
obtida com o uso das amostras.<br />
Figure 48: - Matriz de confus~ao da classi¯ca»c~ao ICM-Normais da JERS-1 original,<br />
obtida com o uso da imagem TM classi¯cada.
135<br />
Figure 49: - Matriz de confus~ao da classi¯ca»c~ao ICM-ajustadas da JERS-1 original,<br />
obtida com o uso das amostras.<br />
Figure 50: - Matriz de confus~ao da classi¯ca»c~ao ICM-ajustadas da JERS-1 original,<br />
obtida com o uso da imagem TM classi¯cada.
136<br />
Figure 51: - Matriz de confus~ao da classi¯ca»c~ao Maxver-Normais da JERS-1<br />
degradada, obtida com o uso das amostras.<br />
Figure 52: - Matriz de confus~ao da classi¯ca»c~ao Maxver-Normais da JERS-1<br />
degradada, obtida com o uso da imagem TM classi¯cada.
137<br />
Figure 53: - Matriz de confus~ao da classi¯ca»c~ao Maxver-ajustadas da JERS-1<br />
degradada, obtida com o uso das amostras.<br />
Figure 54: - Matriz de confus~ao da classi¯ca»c~ao Maxver-ajustadas da JERS-1<br />
degradada, obtida com o uso da imagem TM classi¯cada.
138<br />
Figure 55: -Matriz de confus~ao da classi¯ca»c~ao ICM-Normaisda JERS-1 degradada,<br />
obtida com o uso das amostras.<br />
Figure 56: -Matriz de confus~ao da classi¯ca»c~ao ICM-Normaisda JERS-1 degradada,<br />
obtida com o uso da imagem TM classi¯cada.
139<br />
Figure 57: - Matriz de confus~ao da classi¯ca»c~ao ICM-ajustadas da JERS-1<br />
degradada, obtida com o uso das amostras.<br />
Figure 58: - Matriz de confus~ao da classi¯ca»c~ao ICM-ajustadas da JERS-1<br />
degradada, obtida com o uso da imagem TM classi¯cada.
141<br />
CAPITULO 9<br />
CONCLUS ~ OES E SUGEST ~ OES<br />
Este trabalho teve por objetivo implementar, testar e aplicar os<br />
classi¯cadores Maxver e ICM em imagens SAR monoespectrais em amplitude, com<br />
o uso das distribui»c~oes adequadas a dados SAR.<br />
O algoritmo ICM e de facil aplica»c~ao, uma vez que foi implemen-<br />
tada a fun»c~ao de estima»c~ao do seu par^ametro. A formula»c~ao necessaria para imple-<br />
menta»c~ao do mesmo foi apresentada no Cap³tulo 6 e nos Ap^endices A, B e C.<br />
Com a ¯nalidade de permitir a continuidade das pesquisase uso dos<br />
algoritmos desenvolvidos,osclassi¯cadoresforam implementados na estrutura de um<br />
sistema baseado em interfaces gra¯cas que, alem de possuir as opera»c~oes auxiliares<br />
necessarias para se executar as tarefas de classi¯ca»c~ao, permite a incorpora»c~ao de<br />
outros modelos. A descri»c~ao completa das op»c~oes do sistema, com exemplos das<br />
interfaces gra¯cas, e apresentada no Ap^endice D.<br />
Como contribui»c~ao importante este trabalho apresenta uma revis~ao<br />
das principais distribui»c~oes aplicaveis aos dados SAR e como varias dessas dis-<br />
tribui»c~oes surgem do Modelo Multiplicativo. Apresenta tambem como contribui»c~ao<br />
importante o desenvolvimento da formula»c~ao do algoritmo ICM para as vizinhan»cas<br />
oito e doze.<br />
9.1 - Conclus~oes<br />
No Cap³tulo 8 foram apresentados os resultados obtidos com o sis-<br />
tema aplicado em imagens SAR-580 e JERS-1, cujas principais conclus~oes s~ao as<br />
seguintes:
142<br />
² Para asimagens SAR-580, JERS-1 original e JERS-1 degradada utilizadas,<br />
os resultados obtidos nos testes indicam que as classi¯ca»c~oes ICM s~ao<br />
sempre superiores µas classi¯ca»c~oes Maxver. Quando comparadas pela es-<br />
tat³stica Kappa apresentada no Cap³tulo 7, a melhora media e de 115%.<br />
² Para asimagens SAR-580, JERS-1 original e JERS-1 degradada utilizadas,<br />
os resultados obtidos nos testes permitem concluir que o uso das dis-<br />
tribui»c~oes mais ajustadas para os dados apresentam resultados de qual-<br />
idade superior, quando comparados aos obtidos usando-se as distribui»c~oes<br />
Gaussianas. Quando comparadas pela estat³stica Kappa esta melhora e,<br />
em media, de 8%.<br />
² Apesar das classi¯ca»c~oes ICM apresentarem valores para b· considerados<br />
Muito Bons, com o uso de amostras de teste, o valor de b· foi considerado<br />
de Razoavel para Bom quando a classi¯ca»c~ao e comparada com a imagem<br />
TM classi¯cada. Uma das causas para esta diferen»ca e a presen»ca de erros<br />
na classi¯ca»c~ao da imagem TM, que originalmente possui muitas nuvens.<br />
² O uso de imagens com maior numero de visadas diminui o efeito do ru³do<br />
\speckle", apresentando consequentemente, resultados ligeiramente supe-<br />
riores aos das imagens originais.<br />
²Maisestudos, tendo-se a verdade terrestre obtidaem campo,s~ao necessarios<br />
para se obter uma efetiva compara»c~ao entre os sensores SAR e TM para<br />
identi¯ca»c~ao das causas das diferen»cas entre as classi¯ca»c~oes.<br />
² Os resultados obtidos permitem concluir que a classi¯ca»c~ao Maxver apre-<br />
senta resultadosno maximo Razoaveis para a discrimina»c~ao de tr^es classes<br />
(solo, regenera»c~ao e °oresta) em imagens SAR.<br />
² O uso da informa»c~ao contextual, introduzida com a aplica»c~ao do algoritmo<br />
ICM, permite a obten»c~ao de resultados ate Muito Bons, quando o coe¯-<br />
ciente de concord^ancia Kappa e obtido com o uso de amostras de teste.
143<br />
² Pode-se a¯rmar que a aplica»c~ao do algoritmo ICM na discrimina»c~ao de<br />
ate tr^es classes (solo, regenera»c~ao e °oresta) distintas em areas de °oresta<br />
tropical, como e o interesse do Projeto de Desmatamento da Amaz^onia,<br />
produz resultados no m³nimo Razoaveis.<br />
² A implementa»c~ao do sistema atingiu os objetivos da proposta inicial, apre-<br />
sentando facilidade de uso, consist^encia na formula»c~ao e resultados satis-<br />
fatorios para os dados SAR monoespectrais em amplitude.<br />
² O sistema permite ilustrar didaticamente o uso de modelagem estat³stica<br />
9.2 - Sugest~oes<br />
na analise de imagens.<br />
1) Implementar o sistema para os dados monoespectrais em intensidade e<br />
complexos.<br />
2) Implementar o sistema para os dados multiespectrais univariados e multi-<br />
variados.<br />
3) Implementar o algoritmo ICM com vizinhan»ca doze e comparar os seus<br />
resultados com os ja obtidos para a vizinhan»ca oito.<br />
4) Pesquisar e implementar metodos computacionais que diminuam o tempo<br />
de processamento do algoritmo ICM.<br />
5) Implementar as tecnicas temas principais desta disserta»c~ao em outros sis-<br />
temas em uso no INPE.<br />
6) Realizar os testes de classi¯ca»c~ao com imagens que possuam a verdade<br />
terrestre obtida no campo.<br />
7) Realizar testese compara»c~oescom produtos de outrossensores, com multi-<br />
plas visadas.
144<br />
8) Avaliar os resultados com a aplica»c~ao de ¯ltros redutores de \speckle".
145<br />
REFER ^ ENCIAS BIBLIOGR AFICAS<br />
Abramowitz, M.; Stegun, I. Handbook of mathematical functions: with for-<br />
mulas, graphs, and mathematical tables. New York, Dover, 1964.<br />
Beaudoin, A.; Le Toan, T.; Lopes, A.; Laur, H. Forest and land-use segmentation<br />
of SAR images using backscatter and textural information. In: IGARSS'90 Sym-<br />
posium, 1990, Washington DC. Remote Sensing Sciencies for the Nineties.<br />
New York, IEEE, 1990, p 871-874.<br />
Beaudoin, A.; Le Toan, T.; Mougin, E.; Hoekman, D.H.; Wooding, M. Observation<br />
and modelling of pine forest responses and mapping of forest and land-use type.<br />
In: Maestro-1/Agriscatt Final Workshop, Noordwijk, The Netherlands, 1992, p.<br />
183-188.<br />
Besag, J. On the statistical analysis of dirty pictures (with discussion). Journal<br />
of the Royal Statistical Society B. 48(3):259-302, 1986<br />
Besag, J. Towards Bayesian image analysis. Journal of Applied Statistics.<br />
16(3):395-407. 1989.<br />
Bickel, P.J.;Doksum, K.A. Mathematical statistics: basic ideas and selected<br />
topics. USA, Holden-Day, 1977. 493p.<br />
Bishop, Y.M.;Feinberg, S.E.; Holland, P.W. Discrete Multivariate Analysis -<br />
Theory and Practice. MIT Press, Cambridge, MA, 1975. 575 p.<br />
Brites, R.S.; Soares,V.P.; Ribeiro,C.A.A.S. Compara»c~ao de Desempenho entre Tr^es<br />
Indice de Exatid~ao Aplicados a Classi¯ca»c~oes de Imagens Orbitais.
146<br />
Bustos, O.H.; Ojeda, S. Campos aleatorios Markovianos en procesamiento<br />
de imagenes: notas de aulas dadas no INPE. S~ao Jose dos Campos, 1 per³odo,<br />
1993. Datilografado.<br />
Campbell, J.B. Introduction to Remote Sensing. New York, The Guilford<br />
Press, 1987. 551 p.<br />
Carnevalli, P.; Coletti, L.; Patarnello, S. Image processing by simulated annealing.<br />
IBM Journal of Research and Development. 29(6):569-579, Nov. 1985.<br />
Caves, R.G. Automatic matching of features in synthetic aperture radar<br />
data to digital map data. (PhD Thesis)-She±eld, UK, University of She±eld,<br />
1993. 228p.<br />
Chellappa, R.; Jain, A., Markov random ¯elds: theory and application. San<br />
Diego, CA, Academic, 1993. 581p.<br />
Congalton, R.C.; Mead, R.A. A quantitative method to test for consitency and<br />
correctness in photointerpretation. Photogrammetric Enginnering and Re-<br />
mote Sensing, 49(1):69-74, 1983.<br />
Chung, K.L. Acourse in probability theory. 2. ed. New York, Academic, 1974.<br />
DeGroot, M.H. Probability and statistics. Menlo Park, CA, Addison-Weslwy,<br />
1975.<br />
Derin, H.; Kelly, P.A.; Vezina, G.; Labitt, S.G. Modelling and segmentation of<br />
speckled imagesusing complex data. IEEE Transactions on Geoscience and<br />
Remote Sensing. 28(1):76-87, Jan. 1990.<br />
Devroye, L. Non-uniform random variate generation. New York, Springer-<br />
Verlag, 1986.<br />
Dubes, R.C.; Jain, A.K. Random ¯eld models in image analysis. Journal of<br />
Applied Statistics. 16(2):131-164, 1989.
147<br />
Erthal, G.J.; Frery, A.C. Segmenta»c~ao de Imagens Multiespectrais pelo Al-<br />
goritmo ICM: Integra»c~ao ao ambiente SPRING. INPE, S~ao Jose dos<br />
Campos, 1993. (INPE-5516-PRE/1791)<br />
Farag, A.A.; Delp, E.J. Image segmentation based on composite random ¯eld mod-<br />
els. Optical Engineering. 31(12):2594-2607, 1992.<br />
Fau, R.; Benie, G.B.; Boucher,J.M.; He, D.-C. Segmentation Markovienne<br />
pyramidale d 'images. In: Canadian Symposium on Remote Sensing, 16,<br />
Canada, L'AQT/CRSS, 1993, p. 701-708.<br />
Fernandes, D. Forma»c~ao de Imagem de Radar de Abertura Sintetica e<br />
Modelos para Rela»c~ao Speckle-textura. (Tese de Doutorado)-S~ao Jose dos<br />
Campos, Instituto Tecnologico de Aeronautica, 1993.In Portuguese.<br />
Frery, A.C. Markovian¯elds: theory, simulationandparameterestimation.<br />
Rio de Janeiro, Instituto de Matematica Pura e Aplicada - CNPq, Fev. 1991b.<br />
(Informes de Matematica, B-064).<br />
Frery, A. C. Algumas Ferramentas Estat³sticas na S³ntese, Processamento<br />
e Analise de imagens de Radar de Abertura Sintetica. (PhD Thesis)-S~ao<br />
Jose dos Campos, INPE, 1993.<br />
Frery A.C.; Mascarenhas, N.D. Segmenta»c~ao Binaria de Imagens SAR pelo<br />
Algoritmo ICM. INPE, S~ao Jose dos Campos, 1993. (INPE-5464-PRE/1772)<br />
Frery, A.C.; Yanasse, C.C.F.; Sant'Anna, S.J.S. Statistical Characterization of SAR<br />
Data: The Multiplicative Model and Extensions. In: VII Simposio Latinoameri-<br />
cano de Percepcion Remota.Sexta Reunion Nacional-SELPER-Mexico -Puerto<br />
Vallarta, 5-10 Nov 95, Memorias, p 502-515.<br />
Frery, A.C.; Yanasse, C.C.F.; Sant'Anna, S.J.S. Alternative Distribuitions for<br />
the Multiplicative Model in SAR Images INPE, S~ao Jose dos Campos,<br />
1995. (INPE-5624-PRE/1823)
148<br />
Frery, A.C.; MÄuller, H.J.; Yanasse, C.C.F.; Sant'Anna, S.J.S. A Model for Ex-<br />
tremely Heterogeneous Cluter. Nov 1995. (Submetido µa IEEE T.G.R.S).<br />
Geman, D. Random ¯elds and inverse problems in imaging. In: Hennequin, P.<br />
L., ed. Ecole d'ete de probabilites de Saint-Flour XVIII-1988. Berlin.<br />
Springer-Verlag, 1988. (Lecture Notes in Mathematics, 1427).<br />
Geman, D.; Geman, S.; Gra±gne, C; Dong, P. Boundary detection by constrained<br />
optimization. IEEE Transactions on Pattern Analysis and Machine In-<br />
telligence. PAMI-12(7):609-628, 1990.<br />
Geman, S.; Geman, D. Stochastic relaxation, Gibbs distributions, and the Bayesian<br />
restoration of images. IEEE Transactions on Pattern Analysis and Ma-<br />
chine Intelligence. PAMI-6(6):721-741, Nov, 1984.<br />
Georgii, H. Gibbs measures andphase transitions. Berlin,Walter De Gruyter,<br />
1988. (De Gruyter Studies in Mathematics. 9).<br />
Gradshteyn, I.S.; Ryzhik, I.M. Table of Integrals, Series, and Products. New<br />
York, NY, Academic Press, 1965. 1086p.<br />
Huang, K. Statistical mechanics. New York, John Wiley, 1963.<br />
Hudson,W.D.; Ramm,C.W. CorrectFormulationofthe Kappa Coe±cient ofAgree-<br />
ment. PhotogrammetricEnginnering and Remote Sensing, 53(4):421-422,<br />
1987.<br />
Instituto Naional de Pesquisas Espaciais (INPE). SPRING 1.1: Manual de<br />
Opera»c~ao. INPE, S~ao Jose dos Campos, 1995.<br />
James, B.R. Probabilidade: umcursoemn³velintermediario. Rio deJaneiro,<br />
Instituto de Matematica Pura e Aplicada, 1981.<br />
Jensen, J.L.; Moller, J. Pseudolikelihood for exponential family models of<br />
spatial processes. Denmark, Department of Theoretical Statistics, Institute of<br />
Mathematics, University of Arhus, s.d.
149<br />
Kelly, P.A.; Derin, H.; Hartt, K.D. Adaptative segmentation of speckled images<br />
using a hierarchical random ¯eld model. IEEE Transactions on Acoustics,<br />
Speech and Signal Processing. 36(10):1628-1641. Oct. 1988.<br />
Koroliuk, V. Manual de la Teoria de Probabilidades y Estad³stica<br />
matematica. Moscu, Editorial Mir, 1986.<br />
Landis, J.; Koch, G.G. The measurements of observer agreement for categorical<br />
data. Biometrics. 33(3):159-174. Mar.,1977.<br />
Lopes, A.; Laur, H.: Nezry, E. Statistical distribuition and texture in multilook<br />
and complex SAR images. In: IGARSS'90 Symposium, 1990, Washington DC,<br />
Remote Sensing Sciencies for the Nineties. New York, IEEE, 1990, v. 3, p.<br />
2427-2430.<br />
Ma, Z.; Redmond, R.L. Tau Coe±cients for accuracy assessment of classi¯cation of<br />
remote sensing data. Photogrammetric Enginnering and Remote Sensing,<br />
61(4):453-439, 1995.<br />
MÄuller, J. Lectures on Markov random ¯elds. Denmark, Department of The-<br />
oretical Statistics, Arhus University, 1988.<br />
Oliver, C.J. Information from SAR images. Journal of Physics D: Applied<br />
Physics, 24:1493-1514, 1991.<br />
Pickard, D.K. Inference for discrete Markov ¯elds: the simplest nontrivial case.<br />
Journal of the American Statistical Association. 82(1):90-96, 1987.<br />
Richards, J.A. Remote Sensing Digital Image Analysis: an Introduction.<br />
Berlin, Germany, Spring-Verlag, 1986. 281 p.
150<br />
Rignot, E.; Chellappa, R. Segmentation of synthetic-aperture-radar complex data.<br />
Journal of the Optical Society of America A: Optics and Image Science.<br />
8(9):1499-1509, Sep. 1991.<br />
Ripley, B.D. The use of spatial modelsas image priors. In: Possolo, A..ed. Spatial<br />
statistics and imagery. s.1., s.ed., 1989 (IMS Lecture Notes)<br />
Rosen¯eld, G.H.; Fitzpatrick-Lins, K.A. A coefcicient of agreement as a measure<br />
of thematic classi¯cation accuracy. Photogrammetric Enginnering and Re-<br />
mote Sensing, 52(2):223-227, 1986.<br />
Sant'Anna, S.J.S. Avalia»c~ao de desempenho de ¯ltros redutores de<br />
\speckle" em imagens de radar de abertura sintetica. (Disserta»c~ao de<br />
Mestrado) - S~ao Jose dos Campos, INPE, 1995.<br />
Sher, D. Minimizing the cost of errors with a Markov random ¯eld. Pattern<br />
Recognition Letters. 12(2):85-89, 1991.<br />
Sperry, R.H.; Parker, K.J. Segmentation of speckled images based on level-crossing<br />
statistics. Journal of the Optical Society America A: Optics and Image<br />
Science. 8(3):490-498, Mar. 1991.<br />
Spiegel M.R. Mathematical Handbook of Formulas and Tables. New York,<br />
McGraw-Hill, 1968. 270 p.<br />
Torre~ao, J.R.A. Metodos estocasticos em computa»c~ao visual. Porto Alegre,<br />
Instituto de Informatica da UFRGS, Taisy Silva Weber, 1992. 148p. Notas de<br />
curso da Escola de Computa»c~ao, 8.<br />
Ulaby, F.T.; Craig Dobson, M. Handbook of radar scattering statistics for<br />
terrain. Norwood, MA, Artech House, 1989.<br />
Yanasse, C.C.F. Statistical analysis of synthetic aperture radar images and<br />
its applications to system analysis and change detection. (PhD The-<br />
sis)She±eld, UK, University of She±eld, 1991.
151<br />
Yanasse, C.C.F;Frery, A.C.; Sant'Anna,S.J.S.;Hernandes,P.F.; Dutra,L.V. Statis-<br />
tical analysis of SAREX data over Tapajos - Brazil. In: Final Results Workshop<br />
for SAREX'92, Paris, 1993, p. 25-40.<br />
Yanasse, C.C.F;Frery, A.C.; Sant'Anna,S.J.S.;Dutra,L.V. On the use of amplitude<br />
K distribuition for SAR image analysis. In: IGARSS'94, Pasadena, 1994, v. 4.,<br />
p. 2173-2195.<br />
Yanasse, C.C.F;Frery,A.C.;Sant'Anna, S.J.S. Stochasticdistribuitionsandthe<br />
multiplicative model: relations, properties, estimators and applications<br />
to SAR image analysis. INPE, S~ao Jose dos Campos, 1995. (INPE-5630-<br />
NTC/318).<br />
Yuille, A.; Vicent, L.; Geiger, D. Statistical morphology. In: Image Algebra and<br />
Morphological Image Processing I. Billingham. WS. SPIE. 1991. p.271-282.<br />
(SPIE Proceeding, v. 1568).<br />
Zito, R.R. The shape of SAR histograms. Computer Vision, Graphics and<br />
Image Processing, 43(3):281-293, 1988.
152
153<br />
AP^ENDICE A<br />
ESTIMAC» ~ AO DE¯ PARA VIZINHANC»A QUATRO<br />
A.1 - Fun»c~ao de pseudoverossimilhan»ca para vizinhan»ca 4<br />
de pseudoverossimilhan»ca:<br />
Para±=1; desenvolvendo a Equa»c~ao 6.3, tem-se a seguinte fun»c~ao<br />
pl(¯;x) =k4ln<br />
+k22ln<br />
+k13ln<br />
Ã<br />
Ã<br />
e 4¯<br />
e 4¯ +K ¡1<br />
e 2¯<br />
2e 2¯ +K ¡2<br />
!<br />
!<br />
+k211<br />
+k31ln<br />
Ã<br />
Ã<br />
e 3¯<br />
e 3¯ +e ¯ +K ¡2<br />
e 2¯<br />
e 2¯ +2e ¯ +K ¡3<br />
Ã<br />
e¯ e3¯ +e¯ ! Ã<br />
e<br />
+k121ln<br />
+K ¡2<br />
¯<br />
e2¯ +2e¯ !<br />
+K ¡3<br />
Ã<br />
e<br />
+k1111ln<br />
¯<br />
4e¯ !<br />
+K ¡4<br />
µ<br />
+k031ln<br />
1<br />
e 3¯ +e ¯ +K ¡2<br />
µ<br />
1<br />
+k0211ln e2¯ +2e¯ +K ¡3<br />
<br />
µ<br />
1<br />
+k04ln<br />
e4¯ +K ¡1<br />
µ<br />
+k022ln<br />
<br />
<br />
!<br />
+<br />
1<br />
2e 2¯ +K ¡2<br />
<br />
+<br />
µ<br />
1<br />
+k01111ln 4e¯ +K ¡4<br />
!<br />
+<br />
<br />
+<br />
+
154<br />
A.2 - Equa»c~ao para estima»c~ao de¯ para vizinhan»ca 4<br />
solu»c~ao da seguinte equa»c~ao:<br />
Para este caso, desenvolvendo a Equa»c~ao 6.4, b ¯PL e obtido pela<br />
4k4<br />
K ¡1<br />
e 4¯ +K ¡1 +k31<br />
2e¯ +3K ¡6<br />
e3¯ +e¯ +K ¡2 +<br />
K ¡2<br />
+2k22 2e2¯ +K ¡2 +2k e<br />
211<br />
¯ +K ¡3<br />
e2¯ +2e¯ +K ¡3 +<br />
¡2e 3¯ +K ¡2<br />
+k13<br />
e3¯ +e¯ +K ¡2 +k121<br />
¡e2¯ +K ¡3<br />
e2¯ +2e¯ +K ¡3 +<br />
K ¡4<br />
+k1111 4e¯ +K¡4 ¡4k e<br />
04<br />
4¯<br />
e4¯ +K ¡1 +<br />
¡k031<br />
3e3¯ +e¯ e3¯ +e¯ +K ¡2 ¡4k022<br />
e2¯ 2e2¯ +K ¡2 +<br />
e<br />
¡2k0211<br />
2¯ +e¯ e2¯ +2e¯ +K¡3 ¡4k01111<br />
e¯ 4e¯ = 0<br />
+K¡4
155<br />
AP^ENDICE B<br />
ESTIMAC» ~ AO DE¯ PARA VIZINHANC»A OITO<br />
B.1 - Fun»c~ao de pseudoverossimilhan»ca para vizinhan»ca 8<br />
de pseudoverossimilhan»ca:<br />
Para± = p 2;desenvolvendoaEqua»c~ao6.3,tem-se aseguintefun»c~ao<br />
pl(¯;x) =k 8ln<br />
+k 62ln<br />
+k 53ln<br />
+k431ln<br />
+k4211ln<br />
+k35ln<br />
Ã<br />
Ã<br />
+k 5111ln<br />
Ã<br />
Ã<br />
Ã<br />
e 8¯<br />
e 8¯ +K ¡1<br />
e 6¯<br />
e 6¯ +e 2¯ +K ¡2<br />
e 5¯<br />
e 5¯ +e 3¯ +K ¡2<br />
Ã<br />
!<br />
!<br />
!<br />
+k 71ln<br />
+k 611ln<br />
+k 521ln<br />
e 5¯<br />
e 5¯ +3e ¯ +K ¡4<br />
e 4¯<br />
e 4¯ +e 3¯ +e ¯ +K ¡3<br />
e 4¯<br />
e 4¯ +e 2¯ +2e ¯ +K ¡4<br />
Ã<br />
+k332ln<br />
e 3¯<br />
e 5¯ +e 3¯ +K ¡2<br />
Ã<br />
!<br />
e 3¯<br />
2e 3¯ +e 2¯ +K ¡3<br />
!<br />
!<br />
!<br />
+k341ln<br />
!<br />
Ã<br />
Ã<br />
Ã<br />
+k 44ln<br />
+k422ln<br />
e 7¯<br />
e 7¯ +e ¯ +K ¡2<br />
e 6¯<br />
e 6¯ +2e ¯ +K ¡3<br />
!<br />
!<br />
e 5¯<br />
e 5¯ +e 2¯ +e ¯ +K ¡3<br />
Ã<br />
Ã<br />
+k41111ln<br />
Ã<br />
+k3311ln<br />
e 4¯<br />
2e 4¯ +K ¡2<br />
!<br />
+<br />
+<br />
+<br />
!<br />
e 4¯<br />
e 4¯ +2e 2¯ +K ¡3<br />
Ã<br />
!<br />
e 4¯<br />
e 4¯ +4e ¯ +K ¡5<br />
e 3¯<br />
e 4¯ +e 3¯ +e ¯ +K ¡3<br />
Ã<br />
e 3¯<br />
2e 3¯ +2e ¯ +K ¡4<br />
!<br />
!<br />
+<br />
+<br />
!<br />
+<br />
+<br />
+
+k3221ln<br />
Ã<br />
e 3¯<br />
e 3¯ +2e 2¯ +e ¯ +K ¡4<br />
+k311111ln<br />
+k 251ln<br />
+k2411ln<br />
+k2321ln<br />
Ã<br />
Ã<br />
Ã<br />
Ã<br />
!<br />
e 3¯<br />
e 3¯ +5e ¯ +K ¡6<br />
e 2¯<br />
e 5¯ +e 2¯ +e ¯ +K ¡3<br />
156<br />
+k32111ln<br />
!<br />
!<br />
e 2¯<br />
e 4¯ +e 2¯ +2e ¯ +K ¡4<br />
e 2¯<br />
e 3¯ +2e 2¯ +e ¯ +K ¡4<br />
+k2222ln<br />
+k 221111ln<br />
+k 17ln<br />
Ã<br />
Ã<br />
e 2¯<br />
4e 2¯ +K ¡4<br />
!<br />
e 2¯<br />
2e 2¯ +4e ¯ +K ¡6<br />
!<br />
Ã<br />
e¯ e7¯ +e¯ +K ¡2<br />
!<br />
!<br />
+k26ln<br />
+k 242ln<br />
Ã<br />
Ã<br />
+k233ln<br />
+k23111ln<br />
+k22211ln<br />
!<br />
Ã<br />
e 3¯<br />
e 3¯ +e 2¯ +3e ¯ +K ¡5<br />
e 2¯<br />
e 6¯ +e 2¯ +K ¡2<br />
Ã<br />
Ã<br />
+k 2111111ln<br />
+k 161ln<br />
!<br />
e 2¯<br />
e 4¯ +2e 2¯ +K ¡3<br />
Ã<br />
+<br />
!<br />
e 2¯<br />
2e 3¯ +e 2¯ +K ¡3<br />
!<br />
+<br />
+<br />
e 2¯<br />
e 3¯ +e 2¯ +3e ¯ +K ¡5<br />
e 2¯<br />
3e 2¯ +2e ¯ +K ¡5<br />
Ã<br />
!<br />
+<br />
e 2¯<br />
e 2¯ +6e ¯ +K ¡7<br />
Ã<br />
e¯ e6¯ +2e¯ +K ¡3<br />
!<br />
Ã<br />
e<br />
+k152ln<br />
¯<br />
e5¯ +e2¯ +e¯ ! Ã<br />
e<br />
+k1511ln<br />
+K ¡3<br />
¯<br />
e5¯ +3e¯ !<br />
+K ¡4<br />
Ã<br />
e<br />
+k143ln<br />
¯<br />
e4¯ +e3¯ +e¯ ! Ã<br />
e<br />
+k1421ln<br />
+K ¡3<br />
¯<br />
e4¯ +e2¯ +2e¯ !<br />
+K ¡4<br />
+<br />
!<br />
+<br />
+<br />
!<br />
!<br />
+<br />
+<br />
+
+k 1322ln<br />
157<br />
Ã<br />
e<br />
+k14111ln<br />
¯<br />
e4¯ +4e¯ ! Ã<br />
e<br />
+k1331ln<br />
+K ¡5<br />
¯<br />
2e3¯ +2e¯ !<br />
+K ¡4<br />
Ã<br />
e¯ e3¯ +2e2¯ +e¯ +K ¡4<br />
!<br />
+k 13211ln<br />
+<br />
Ã<br />
e¯ e3¯ +e2¯ +3e¯ +K ¡5<br />
!<br />
Ã<br />
e<br />
+k131111ln<br />
¯<br />
e3¯ +5e¯ ! Ã<br />
e<br />
+k12221ln<br />
+K ¡6<br />
¯<br />
3e2¯ +2e¯ !<br />
+K ¡5<br />
+k 122111ln<br />
Ã<br />
e¯ 2e2¯ +4e¯ +K ¡6<br />
!<br />
Ã<br />
e<br />
+k11111111ln<br />
¯<br />
8e¯ !<br />
+K ¡8<br />
+k 1211111ln<br />
Ã<br />
e¯ e2¯ +6e¯ +K ¡7<br />
!<br />
¡k08ln ³<br />
e 8¯ +K ¡1 ´<br />
+<br />
¡k 071ln ³<br />
e 7¯ +e ¯ +K ¡2 ´<br />
¡k 062ln ³<br />
e 6¯ +e 2¯ +K ¡2 ´<br />
+<br />
¡k0611ln ³<br />
e 6¯ +2e ¯ +K ¡3 ´<br />
¡k053ln ³<br />
e 5¯ +e 3¯ +K ¡2 ´<br />
+<br />
¡k 0521ln ³<br />
e 5¯ +e 2¯ +e ¯ +K ¡3 ´<br />
¡k 05111ln ³<br />
e 5¯ +3e ¯ +K ¡4 ´<br />
+<br />
¡k044ln ³<br />
2e 4¯ +K ¡2 ´<br />
¡k0431ln ³<br />
e 4¯ +e 3¯ +e ¯ +K ¡3 ´<br />
+<br />
¡k 0422ln ³<br />
e 4¯ +2e 2¯ +K ¡3 ´<br />
¡k 04211ln ³<br />
e 4¯ +e 2¯ +2e ¯ +K ¡4 ´<br />
+<br />
¡k041111ln ³<br />
e 4¯ +4e ¯ +K ¡5 ´<br />
¡k0332ln ³<br />
2e 3¯ +e 2¯ +K ¡3 ´<br />
+<br />
+<br />
+<br />
+
158<br />
¡k 03311ln ³<br />
2e 3¯ +2e ¯ +K ¡4 ´<br />
¡k 03221ln ³<br />
e 3¯ +2e 2¯ +e ¯ +K ¡4 ´<br />
+<br />
¡k 032111ln ³<br />
e 3¯ +e 2¯ +3e ¯ +K ¡5 ´<br />
¡k 0311111ln ³<br />
e 3¯ +5e ¯ +K ¡6 ´<br />
+<br />
¡k 02222ln ³<br />
4e 2¯ +K ¡4 ´<br />
¡k 022211ln ³<br />
3e 2¯ +2e ¯ +K ¡5 ´<br />
+<br />
¡k0221111ln ³<br />
2e 2¯ +4e ¯ +K ¡6 ´<br />
¡k02111111ln ³<br />
e 2¯ +6e ¯ +K ¡7 ´<br />
+<br />
¡k011111111ln ³<br />
8e ¯ +K ¡8 ´
159<br />
B.2 - Equa»c~ao para estima»c~ao de¯ para vizinhan»ca 8<br />
Efetuando-se desenvolvimento para±= p 2;o valor de b ¯PL e obtido<br />
pela solu»c~ao da seguinte equa»c~ao:<br />
(K ¡1)<br />
8k8 e8¯ +K ¡1 +k 6e<br />
71<br />
¯ +7K ¡14<br />
e7¯ +e¯ +K ¡2 +2k 2e<br />
62<br />
2¯ +3K ¡6<br />
e6¯ +e2¯ +K ¡2 +<br />
5e<br />
+2k611 ¯ +3K ¡9<br />
e6¯ +2e¯ +K ¡3 +k 2e<br />
53<br />
3¯ +5K ¡10<br />
e5¯ +e3¯ +K ¡2 +<br />
3e 2¯ +4e ¯ +5K ¡15<br />
+k521<br />
e5¯ +e2¯ +e¯ +K ¡3 +k5111<br />
4(K ¡2)<br />
+k44<br />
2e4¯ +K ¡2 +k431<br />
e 2¯ +K ¡3<br />
+4k422<br />
e4¯ +2e 2¯ +K ¡3 +2k4211<br />
3e ¯ +K ¡5<br />
+4k41111<br />
e4¯ +4e¯ +K ¡5 +k35<br />
¡e 4¯ +2e ¯ +3K ¡9<br />
+k341<br />
e4¯ +e3¯ +e¯ +K ¡3 +k332<br />
4e<br />
+k3311 ¯ +3K ¡12<br />
2e3¯ +2e¯ +K ¡4 +k3221 12e¯ +5K ¡20<br />
e5¯ +3e¯ +K ¡4 +<br />
e3¯ +3e¯ +4K ¡12<br />
e4¯ +e3¯ +e¯ +K ¡3 +<br />
e2¯ +3e¯ +2K ¡8<br />
e4¯ +e2¯ +2e¯ +K ¡4 +<br />
¡2e5¯ +3K ¡6<br />
e5¯ +e3¯ +K ¡2 +<br />
e2¯ +3K ¡9<br />
2e3¯ +e2¯ +K ¡3 +<br />
2e 2¯ +2e ¯ +3K ¡12<br />
e 3¯ +2e 2¯ +e ¯ +K¡4 +<br />
e<br />
+k32111 2¯ +6e¯ +3K ¡15<br />
e3¯ +e2¯ +3e¯ +K ¡5 +k 10e<br />
311111<br />
¯ +3K ¡18<br />
e3¯ +5e¯ +K ¡6 +<br />
¡2e<br />
+2k26 6¯ +K ¡2<br />
e6¯ +e2¯ +K ¡2 +k ¡3e<br />
251<br />
5¯ +e¯ +2K ¡6<br />
e5¯ +e2¯ +e¯ +K ¡3 +
¡e 4¯ +K ¡3<br />
160<br />
+2k242<br />
e4¯ +2e 2¯ +K ¡3 +2k2411<br />
¡e 3¯ +K ¡3<br />
¡e4¯ +e¯ +K ¡4<br />
e4¯ +e2¯ +2e¯ +K ¡4 +<br />
¡e 3¯ +e ¯ +2K ¡8<br />
+2k233<br />
2e3¯ +e2¯ +K ¡3 +k2321<br />
e3¯ +2e2¯ +e¯ +K¡4 +<br />
¡e 3¯ +3e ¯ +2K ¡10<br />
+k23111<br />
e3¯ +e2¯ +3e¯ +K ¡5 +k2222<br />
e ¯ +K ¡5<br />
+2k22211<br />
3e2¯ +2e¯ +K ¡5 +2k221111<br />
3e ¯ +K ¡7<br />
+2k2111111<br />
e2¯ +6e¯ +K ¡7 +k17<br />
¡5e 6¯ +K ¡3<br />
+k161<br />
e6¯ +2e¯ +K ¡3 +k152<br />
2(K ¡4)<br />
4e2¯ +K ¡4 +<br />
2e¯ +K ¡6<br />
2e2¯ +4e¯ +K ¡6 +<br />
¡6e7¯ +K ¡2<br />
e7¯ +e¯ +K ¡2 +<br />
¡4e5¯ ¡e2¯ +K ¡3<br />
e5¯ +e2¯ +e¯ +K ¡3 +<br />
¡4e<br />
+k1511 5¯ +K ¡4<br />
e5¯ +3e¯ +K ¡4 +k ¡3e<br />
143<br />
4¯ ¡2e 3¯ +K ¡3<br />
e4¯ +e3¯ +e¯ +K ¡3 +<br />
¡3e<br />
+k1421 4¯ ¡e2¯ +K ¡4<br />
e4¯ +e2¯ +2e¯ +K ¡4 +k ¡3e<br />
14111<br />
4¯ +K ¡5<br />
e4¯ +4e¯ +K ¡5 +<br />
¡4e<br />
+k1331 3¯ +K ¡4<br />
2e3¯ +2e¯ +K ¡4 +k1322 ¡2e 3¯ ¡2e 2¯ +K ¡4<br />
e 3¯ +2e 2¯ +e ¯ +K¡4 +<br />
¡2e<br />
+k13211 3¯ ¡e2¯ +K ¡5<br />
e3¯ +e2¯ +3e¯ +K ¡5 +k ¡2e<br />
131111<br />
3¯ +K ¡6<br />
e3¯ +5e¯ +K ¡6 +<br />
¡3e<br />
+k12221 2¯ +K ¡5<br />
3e2¯ +2e¯ +K ¡5 +k ¡2e<br />
122111<br />
2¯ +K ¡6<br />
2e2¯ +4e¯ +K ¡6 +
¡e 2¯ +K ¡7<br />
161<br />
+k1211111<br />
e2¯ +6e¯ +K ¡7 +k11111111<br />
¡2k 062<br />
¡k 053<br />
¡k 0431<br />
¡2k 04211<br />
¡k03221<br />
¡k08<br />
K ¡8<br />
8e¯ +K ¡8 +<br />
8<br />
e8¯ +K ¡1 e8¯ 7e<br />
¡k071<br />
7¯ +e¯ e7¯ +e¯ +K ¡2<br />
3e 6¯ +e 2¯<br />
3e 6¯ +e ¯<br />
e6¯ +e2¯ +K ¡2 ¡2k0611 e6¯ +2e¯ +K ¡3 +<br />
5e 5¯ +3e 3¯<br />
5e 5¯ +2e 2¯ +e ¯<br />
e5¯ +e3¯ +K ¡2 ¡k0521 e5¯ +e2¯ +e¯ +K ¡3 +<br />
¡k 05111<br />
¡2k 0332<br />
5e5¯ +3e¯ e5¯ +3e¯ +K ¡4 ¡k 8<br />
044<br />
2e4¯ +K ¡2 e4¯ +<br />
4e 4¯ +3e 3¯ +e ¯<br />
e 4¯ +e 2¯<br />
e4¯ +e3¯ +e¯ +K ¡3 ¡4k0422 e4¯ +2e2¯ +K ¡3 +<br />
2e 4¯ +e 2¯ +e ¯<br />
e 4¯ +e ¯<br />
e4¯ +e2¯ +2e¯ +K ¡4 ¡4k 041111<br />
e4¯ +4e¯ +K ¡5 +<br />
3e 3¯ +e 2¯<br />
3e 3¯ +e ¯<br />
2e3¯ +e2¯ +K ¡3 ¡2k03311 2e3¯ +2e¯ +K ¡4 +<br />
3e 3¯ +4e 2¯ +e ¯<br />
3e 3¯ +2e 2¯ +3e ¯<br />
e3¯ +2e 2¯ +e¯ +K ¡4 ¡k032111<br />
e3¯ +e2¯ +3e¯ +K ¡5 +<br />
¡k0311111<br />
¡2k022211<br />
3e3¯ +5e¯ e3¯ +5e¯ +K ¡6 ¡8k02222<br />
e2¯ 4e2¯ +K ¡4 +<br />
3e 2¯ +e ¯<br />
e 2¯ +e ¯<br />
3e2¯ +2e¯ +K ¡5 ¡4k0221111<br />
2e2¯ +4e¯ +K ¡6 +<br />
e<br />
¡2k02111111<br />
2¯ +3e¯ e2¯ +6e¯ +K¡7 ¡8k011111111<br />
e¯ 8e¯ +K ¡8 =0
162
163<br />
AP^ENDICE C<br />
ESTIMAC» ~ AO DE¯ PARA VIZINHANC»A QUATRO<br />
C.1 - Coe¯cientes e con¯gura»c~oes para vizinhan»ca 12<br />
Para vizinhan»ca doze s~ao poss³veis os coe¯cientes na Tabela 30<br />
abaixo, com exemplos de con¯gura»c~ao para os nove primeiros:<br />
TABELA 30 - TABELA DE COEFICIENTES PARA VIZINHANC»A DOZE<br />
k12<br />
|<br />
| | |<br />
| | | | |<br />
| | |<br />
|<br />
k102<br />
|<br />
| | |<br />
| | | | |<br />
| | z<br />
Ä<br />
k9111<br />
|<br />
| | |<br />
| | | | Ä<br />
| | ¨<br />
z<br />
k111<br />
|<br />
| | |<br />
| | | | |<br />
| | |<br />
z<br />
k93<br />
|<br />
| | |<br />
| | | | z<br />
| | z<br />
z<br />
k84<br />
|<br />
| | |<br />
| | | | z<br />
z | z<br />
z<br />
k102<br />
|<br />
| | |<br />
| | | | |<br />
| | z<br />
z<br />
k921<br />
|<br />
| | |<br />
| | | | Ä<br />
| | z<br />
z<br />
k831<br />
|<br />
| | |<br />
| | | | z<br />
¥ | z<br />
z
164<br />
TABELA 30 - Continua»c~ao<br />
k822 k8211 k81111 k75 k741 k732 k7311<br />
k7221 k72111 k711111 k66 k651 k642 k6411<br />
k 633 k 6321 k 63111 k 6222 k 62211 k 621111 k 6111111<br />
k57 k561 k552 k5511 k543 k5421 k54111<br />
k 5331 k 5322 k 53211 k 531111 k 52221 k 522111 k 5211111<br />
k51111111 k48 k471 k462 k4611 k453 k4521<br />
k45111 k444 k4431 k4422 k44211 k441111 k4332<br />
k43311 k43221 k432111 k4311111 k42222 k422211 k4221111<br />
k42111111 k411111111 k39 k381 k372 k3711 k363<br />
k 3621 k 36111 k 354 k 3531 k 3522 k 35211 k 351111<br />
k3441 k3432 k34311 k34221 k3411111 k342111 k3333<br />
k 33321 k 333111 k 33222 k 332211 k 3321111 k 33111111 k 322221<br />
k3222111 k32211111 k321111111 k3111111111 k210 k291 k282<br />
k2811 k273 k2721 k27111 k264 k2631 k2622<br />
k 26211 k 261111 k 255 k 2541 k 2532 k 25311 k 25221<br />
k252111 k2511111 k2442 k24411 k2433 k24321 k243111<br />
k 24222 k 242211 k 2421111 k 24111111 k 23331 k 233211 k 2331111<br />
k232221 k2322111 k23211111 k231111111 k222222 k2222211 k22221111<br />
k 222111111 k 2211111111 k 21111111111 k 1B k 1C 1 k 192 k 1911<br />
k183 k1821 k18111 k174 k1731 k1722 k17211<br />
k171111 k165 k1641 k1632 k16311 k16221 k162111<br />
k 1611111 k 1551 k 1542 k 15411 k 1533 k 15321 k 153111<br />
k15222 k152211 k1521111 k15111111 k1443 k14421 k144111<br />
k 14331 k 14322 k 143211 k 1431111 k 142221 k 1422111 k 14211111<br />
k141111111 k13332 k133311 k133221 k1332111 k13311111 k132222<br />
k 1322211 k 13221111 k 132111111 k 1311111111 k 1222221 k 12222111 k 122211111<br />
k1221111111 k12111111111 k111111111111 k0C k0B1 k0A2 k0A11<br />
k093 k0921 k09111 k084 k0831 k0822 k08211
165<br />
TABELA 30 - Conclus~ao<br />
k081111 k075 k0741 k0732 k07311 k07221<br />
k 072111 k 0711111 k 066 k 0651 k 0642 k 06411<br />
k0633 k06321 k063111 k06222 k062211 k0621111<br />
k06111111 k0552 k05511 k0543 k05421 k054111<br />
k 05331 k 05322 k 053211 k 0531111 k 052221 k 0522111<br />
k05211111 k051111111 k0444 k04431 k04422 k044211<br />
k 0441111 k 04332 k 043311 k 043221 k 0432111 k 04311111<br />
k042222 k0422211 k04221111 k042111111 k0411111111 k03333<br />
k 033321 k 0333111 k 033222 k 0332211 k 03321111 k 033111111<br />
k0322221 k03222111 k032211111 k0321111111 k03111111111 k0222222<br />
k02222211 k022221111 k0222111111 k02211111111 k021111111111 k0111111111111<br />
C.2 - Fun»c~ao de pseudoverossimilhan»ca para vizinhan»ca 12<br />
Para± = 2; desenvolvendo a Equa»c~ao 6.3, p. 62 tem-se a seguinte<br />
fun»c~ao de pseudoverossimilhan»ca:<br />
pl(¯;x) =kCln<br />
+kA2ln<br />
+k 93ln<br />
Ã<br />
+k9111ln<br />
+k831ln<br />
Ã<br />
Ã<br />
e 12¯<br />
e 12¯ +K ¡1<br />
!<br />
+kB1ln<br />
Ã<br />
e10¯ e10¯ +e2¯ ! Ã<br />
+kA11ln<br />
+k¡2<br />
e 9¯<br />
e 9¯ +e 3¯ +K ¡2<br />
Ã<br />
!<br />
e 9¯<br />
e 9¯ +3e ¯ +K ¡4<br />
e 8¯<br />
e 8¯ +e 3¯ +e ¯ +K ¡3<br />
+k 921ln<br />
!<br />
!<br />
+k84ln<br />
Ã<br />
e11¯ e11¯ +e¯ +k¡2<br />
!<br />
e 10¯<br />
e 10¯ +2e ¯ +K ¡3<br />
!<br />
Ã<br />
e9¯ e9¯ +e2¯ +e¯ +k¡3<br />
!<br />
Ã<br />
+k822ln<br />
e 8¯<br />
e 8¯ +e 4¯ +K ¡2<br />
Ã<br />
!<br />
+<br />
+<br />
+<br />
e 8¯<br />
e 8¯ +2e 2¯ +K ¡3<br />
+<br />
!<br />
+
+k 8211ln<br />
+k 75ln<br />
+k732ln<br />
+k 7221ln<br />
+k651ln<br />
+k6321ln<br />
Ã<br />
Ã<br />
Ã<br />
e 8¯<br />
e 8¯ +e 2¯ +2e ¯ +K ¡4<br />
Ã<br />
e 7¯<br />
e 7¯ +e 5¯ +K ¡2<br />
!<br />
e 7¯<br />
e 7¯ +e 3¯ +e 2¯ +K ¡3<br />
e 7¯<br />
e 7¯ +2e 2¯ +e ¯ +K ¡4<br />
+k711111ln<br />
Ã<br />
+k 6411ln<br />
Ã<br />
+k6222ln<br />
Ã<br />
166<br />
!<br />
+k 741ln<br />
!<br />
!<br />
e 7¯<br />
e 7¯ +5e ¯ +K ¡6<br />
e 6¯<br />
e 6¯ +e 5¯ +e ¯ +K ¡3<br />
Ã<br />
!<br />
e 6¯<br />
e 6¯ +e 4¯ +2e ¯ +K ¡4<br />
e 6¯<br />
e 6¯ +e 3¯ +e 2¯ +e ¯ +K ¡4<br />
Ã<br />
+k 621111ln<br />
+k57ln<br />
e 6¯<br />
e 6¯ +3e 2¯ +K ¡4<br />
Ã<br />
!<br />
e 6¯<br />
e 6¯ +e 2¯ +4e ¯ +K ¡6<br />
Ã<br />
e 5¯<br />
e 7¯ +e 5¯ +K ¡2<br />
!<br />
+k 81111ln<br />
Ã<br />
+k7311ln<br />
+k 72111ln<br />
!<br />
Ã<br />
e 8¯<br />
e 8¯ +4e ¯ +K ¡5<br />
e 7¯<br />
e 7¯ +e 4¯ +e ¯ +K ¡3<br />
Ã<br />
!<br />
!<br />
+<br />
e 7¯<br />
e 7¯ +e 3¯ +2e ¯ +K ¡4<br />
Ã<br />
+k66ln<br />
+k642ln<br />
!<br />
!<br />
+k62211ln<br />
!<br />
+k561ln<br />
Ã<br />
+k 633ln<br />
+k63111ln<br />
Ã<br />
+<br />
!<br />
e 7¯<br />
e 7¯ +e 2¯ +3e ¯ +K ¡5<br />
Ã<br />
e 6¯<br />
2e 6¯ +K ¡2<br />
!<br />
+<br />
e 6¯<br />
e 6¯ +e 4¯ +e 2¯ +K ¡3<br />
Ã<br />
Ã<br />
e 6¯<br />
e 6¯ +2e 3¯ +K ¡3<br />
!<br />
!<br />
+<br />
!<br />
+<br />
+<br />
e 6¯<br />
e 6¯ +e 3¯ +3e ¯ +K ¡5<br />
e 6¯<br />
e 6¯ +2(e 2¯ +e ¯ )+K ¡5<br />
+k 6111111ln<br />
Ã<br />
Ã<br />
e 6¯<br />
e 6¯ +6e ¯ +K ¡7<br />
e 5¯<br />
e 6¯ +e 5¯ +e ¯ +K ¡3<br />
!<br />
+<br />
!<br />
!<br />
+<br />
+<br />
+<br />
!<br />
+
+k 543ln<br />
+k 552ln<br />
Ã<br />
+k54111ln<br />
+k 5322ln<br />
Ã<br />
+k531111ln<br />
+k522111ln<br />
Ã<br />
e 5¯<br />
2e 5¯ +e 2¯ +K ¡3<br />
e 5¯<br />
e 5¯ +e 4¯ +e 3¯ +K ¡3<br />
Ã<br />
!<br />
!<br />
e 5¯<br />
e 5¯ +e 4¯ +3e ¯ +K ¡5<br />
e 5¯<br />
e 5¯ +e 3¯ +2e 2¯ +K ¡4<br />
Ã<br />
Ã<br />
!<br />
e 5¯<br />
e 5¯ +e 3¯ +4e ¯ +K ¡6<br />
e 5¯<br />
e 5¯ +2e 2¯ +3e ¯ +K ¡6<br />
+k 51111111ln<br />
+k471ln<br />
+k4611ln<br />
+k 4521ln<br />
Ã<br />
Ã<br />
Ã<br />
Ã<br />
167<br />
+k 5511ln<br />
+k 5421ln<br />
!<br />
Ã<br />
+k5331ln<br />
+k 53211ln<br />
!<br />
!<br />
e 5¯<br />
e 5¯ +7e ¯ +K ¡8<br />
e 4¯<br />
e 7¯ +e 4¯ +e ¯ +K ¡3<br />
!<br />
e 4¯<br />
e 6¯ +e 4¯ +2e ¯ +K ¡4<br />
!<br />
e 4¯<br />
e 5¯ +e 4¯ +e 2¯ +e ¯ +K ¡4<br />
+k444ln<br />
Ã<br />
e 4¯<br />
3e 4¯ +K ¡3<br />
!<br />
Ã<br />
e5¯ 2(e5¯ +e2¯ ) +K¡4<br />
!<br />
+<br />
e 5¯<br />
e 5¯ +e 4¯ +e 2¯ +e ¯ +K ¡4<br />
Ã<br />
+k52221ln<br />
Ã<br />
e 5¯<br />
e 5¯ +2e 3¯ +e ¯ +K ¡4<br />
!<br />
!<br />
+<br />
e 5¯<br />
e 5¯ +e 3¯ +e 2¯ +2e ¯ +K ¡5<br />
Ã<br />
+k5211111ln<br />
!<br />
+k 48ln<br />
+k462ln<br />
+k453ln<br />
!<br />
+k4431ln<br />
Ã<br />
Ã<br />
e 5¯<br />
e 5¯ +3e 2¯ +e ¯ +K ¡5<br />
Ã<br />
!<br />
e 5¯<br />
e 5¯ +e 2¯ +5e ¯ +K ¡7<br />
e 4¯<br />
e 8¯ +e 4¯ +K ¡2<br />
!<br />
+<br />
e 4¯<br />
e 6¯ +e 4¯ +e 2¯ +K ¡3<br />
Ã<br />
+k 45111ln<br />
Ã<br />
e 4¯<br />
e 5¯ +e 4¯ +e 3¯ +K ¡3<br />
Ã<br />
!<br />
!<br />
+<br />
+<br />
e 4¯<br />
e 5¯ +e 4¯ +3e ¯ +K ¡5<br />
e 4¯<br />
2e 4¯ +e 3¯ +e ¯ +K ¡4<br />
!<br />
+<br />
+<br />
!<br />
+<br />
!<br />
!<br />
+<br />
+<br />
+
+k 4422ln<br />
Ã<br />
+k 441111ln<br />
+k43311ln<br />
+k 432111ln<br />
Ã<br />
e 4¯<br />
2(e 4¯ +e 2¯ )+K ¡4<br />
Ã<br />
!<br />
e 4¯<br />
2(e 4¯ +2e ¯ ) +K ¡6<br />
e 4¯<br />
e 4¯ +2(e 3¯ +e ¯ )+K ¡5<br />
Ã<br />
+k42222ln<br />
+k4221111ln<br />
168<br />
e 4¯<br />
e 4¯ +e 3¯ +e 2¯ +3e ¯ +K ¡6<br />
Ã<br />
Ã<br />
e 4¯<br />
e 4¯ +4e 2¯ +K ¡5<br />
!<br />
+k 44211ln<br />
!<br />
!<br />
e 4¯<br />
e 4¯ +2(e 2¯ +2e ¯ )+K ¡7<br />
+k 411111111ln<br />
+k381ln<br />
+k 3621ln<br />
Ã<br />
+k3711ln<br />
Ã<br />
+k354ln<br />
Ã<br />
Ã<br />
+k 4332ln<br />
+k43221ln<br />
!<br />
+k422211ln<br />
!<br />
e 4¯<br />
e 4¯ +8e ¯ +K ¡9<br />
e 3¯<br />
e 8¯ +e 3¯ +e ¯ +K ¡3<br />
Ã<br />
!<br />
e 3¯<br />
e 7¯ +e 3¯ +2e ¯ +K ¡4<br />
e 3¯<br />
e 6¯ +e 3¯ +e 2¯ +e ¯ +K ¡4<br />
Ã<br />
e 3¯<br />
e 5¯ +e 4¯ +e 3¯ +K ¡3<br />
!<br />
e 4¯<br />
2(e 4¯ +e ¯ )+e 2¯ +K ¡5<br />
Ã<br />
Ã<br />
+k 4311111ln<br />
Ã<br />
+k42111111ln<br />
!<br />
+k 39ln<br />
+k372ln<br />
!<br />
!<br />
Ã<br />
+k363ln<br />
e 4¯<br />
e 4¯ +2e 3¯ +e 2¯ +K ¡4<br />
!<br />
!<br />
+<br />
+<br />
e 4¯<br />
e 4¯ +e 3¯ +2e 2¯ +e ¯ +K ¡5<br />
Ã<br />
e 4¯<br />
e 4¯ +e 3¯ +5e ¯ +K ¡7<br />
e 4¯<br />
e 4¯ +3e 2¯ +2e ¯ +K ¡6<br />
Ã<br />
+k 36111ln<br />
+k3531ln<br />
Ã<br />
!<br />
+<br />
e 4¯<br />
e 4¯ +e 2¯ +6e ¯ +K ¡8<br />
e 3¯<br />
e 9¯ +e 3¯ +K ¡2<br />
!<br />
+<br />
e 3¯<br />
e 7¯ +e 3¯ +e 2¯ +K ¡3<br />
Ã<br />
Ã<br />
Ã<br />
e 3¯<br />
e 6¯ +2e 3¯ +K ¡3<br />
!<br />
!<br />
+<br />
+<br />
e 3¯<br />
e 6¯ +e 3¯ +3e ¯ +K ¡5<br />
e 3¯<br />
e 5¯ +2e 3¯ +e ¯ +K ¡4<br />
!<br />
!<br />
+<br />
!<br />
!<br />
!<br />
+<br />
+<br />
+<br />
+
+k 3522ln<br />
Ã<br />
+k 351111ln<br />
+k3432ln<br />
+k 34221ln<br />
e 3¯<br />
e 5¯ +e 3¯ +2e 2¯ +K ¡4<br />
Ã<br />
Ã<br />
Ã<br />
+k342111ln<br />
+k33321ln<br />
+k 33222ln<br />
+k3321111ln<br />
+k322221ln<br />
+k 32211111ln<br />
!<br />
e 3¯<br />
e 5¯ +e 3¯ +4e ¯ +K ¡6<br />
e 3¯<br />
e 4¯ +2e 3¯ +e 2¯ +K ¡4<br />
e 3¯<br />
e 4¯ +e 3¯ +2e 2¯ +e ¯ +K ¡5<br />
Ã<br />
Ã<br />
Ã<br />
Ã<br />
169<br />
+k 35211ln<br />
!<br />
!<br />
Ã<br />
+k 3441ln<br />
+k34311ln<br />
e 3¯<br />
e 4¯ +e 3¯ +e 2¯ +3e ¯ +K ¡6<br />
e 3¯<br />
3e 3¯ +e 2¯ +e ¯ +K ¡5<br />
e 3¯<br />
2e 3¯ +3e 2¯ +K ¡5<br />
Ã<br />
!<br />
e 3¯<br />
2e 3¯ +e 2¯ +4e ¯ +K ¡7<br />
e 3¯<br />
e 3¯ +4e 2¯ +e ¯ +K ¡6<br />
!<br />
!<br />
e 3¯<br />
e 5¯ +e 3¯ +e 2¯ +2e ¯ +K ¡5<br />
Ã<br />
Ã<br />
+k 3411111ln<br />
!<br />
+k333111ln<br />
+k 332211ln<br />
!<br />
Ã<br />
e3¯ e3¯ +2e¯ +5e¯ +K ¡8<br />
!<br />
Ã<br />
e<br />
+k3111111111ln<br />
3¯<br />
e3¯ +9e¯ !<br />
+K¡10<br />
!<br />
Ã<br />
e 3¯<br />
2e 4¯ +e 3¯ +e ¯ +K ¡4<br />
e 3¯<br />
e 4¯ +2(e 3¯ +e ¯ )+K ¡5<br />
!<br />
!<br />
!<br />
+<br />
+<br />
Ã<br />
e3¯ e4¯ +e3¯ +5e¯ +K¡7<br />
!<br />
+k3333ln<br />
Ã<br />
+k33111111ln<br />
+k3222111ln<br />
Ã<br />
e 3¯<br />
4e 3¯ +K ¡4<br />
!<br />
e 3¯<br />
3(e 3¯ +e ¯ )+K ¡6<br />
e 3¯<br />
2(e 3¯ +e 2¯ +e ¯ ) +K ¡6<br />
Ã<br />
+k 321111111ln<br />
+k2Aln<br />
Ã<br />
!<br />
+<br />
e 3¯<br />
2e 3¯ +6e ¯ +K ¡8<br />
!<br />
+<br />
!<br />
e 3¯<br />
e 3¯ +3(e 2¯ +e ¯ ) +K ¡7<br />
Ã<br />
Ã<br />
+<br />
e 3¯<br />
e 3¯ +e 2¯ +7e ¯ +K ¡9<br />
e 2¯<br />
e 10¯ +e 2¯ +K ¡2<br />
!<br />
+<br />
+<br />
!<br />
!<br />
+<br />
+<br />
+<br />
+
+k 291ln<br />
+k 2811ln<br />
+k2721ln<br />
+k 264ln<br />
Ã<br />
Ã<br />
+k2622ln<br />
+k 2541ln<br />
+k25311ln<br />
Ã<br />
Ã<br />
e 2¯<br />
e 9¯ +e 2¯ +e ¯ +K ¡3<br />
e 2¯<br />
e 8¯ +e 2¯ +2e ¯ +K ¡4<br />
e 2¯<br />
e 7¯ +2e 2¯ +e ¯ +K ¡4<br />
e 2¯<br />
e 6¯ +e 4¯ +e 2¯ +K ¡3<br />
Ã<br />
+k261111ln<br />
Ã<br />
Ã<br />
+k252111ln<br />
+k 2442ln<br />
+k2433ln<br />
Ã<br />
e 2¯<br />
e 6¯ +3e 2¯ +K ¡4<br />
Ã<br />
!<br />
!<br />
!<br />
170<br />
!<br />
!<br />
+k 282ln<br />
+k 273ln<br />
+k27111ln<br />
+k 2631ln<br />
+k26211ln<br />
e 2¯<br />
e 6¯ +e 2¯ +4e ¯ +K ¡6<br />
e 2¯<br />
e 5¯ +e 4¯ +e 2¯ +e ¯ +K ¡4<br />
e 2¯<br />
e 5¯ +e 3¯ +e 2¯ +2e ¯ +K ¡5<br />
Ã<br />
e 2¯<br />
e 5¯ +2e 2¯ +3e ¯ +K ¡6<br />
Ã<br />
e 2¯<br />
2(e 4¯ +e 2¯ )+K ¡4<br />
e 2¯<br />
e 4¯ +e 2¯ +2e 3¯ +K ¡4<br />
!<br />
!<br />
!<br />
!<br />
!<br />
!<br />
Ã<br />
Ã<br />
Ã<br />
Ã<br />
e 2¯<br />
e 8¯ +2e 2¯ +K ¡3<br />
!<br />
+<br />
e 2¯<br />
e 7¯ +e 3¯ +e 2¯ +K ¡3<br />
Ã<br />
!<br />
e 2¯<br />
e 7¯ +e 2¯ +3e ¯ +K ¡5<br />
!<br />
e 2¯<br />
e 6¯ +e 3¯ +e 2¯ +e ¯ +K ¡4<br />
e 2¯<br />
e 6¯ +2(e 2¯ +e ¯ )+K ¡5<br />
+k255ln<br />
+k 2532ln<br />
Ã<br />
+k25221ln<br />
+k2511111ln<br />
+k 24411ln<br />
+k24321ln<br />
Ã<br />
Ã<br />
Ã<br />
e 2¯<br />
2e 5¯ +e 2¯ +K ¡3<br />
!<br />
!<br />
+<br />
+<br />
+<br />
!<br />
+<br />
e 2¯<br />
e 5¯ +e 3¯ +2e 2¯ +K ¡4<br />
Ã<br />
Ã<br />
e 2¯<br />
e 5¯ +3e 2¯ +e ¯ +K ¡5<br />
e 2¯<br />
e 5¯ +e 2¯ +5e ¯ +K ¡7<br />
e 2¯<br />
2(e 4¯ +e ¯ )+e 2¯ +K ¡5<br />
!<br />
!<br />
!<br />
+<br />
e 2¯<br />
e 4¯ +e 3¯ +2e 2¯ +e ¯ +K ¡5<br />
+<br />
!<br />
+<br />
+<br />
!<br />
+<br />
+
+k24311ln<br />
+k242211ln<br />
Ã<br />
Ã<br />
+k 24111111ln<br />
171<br />
e 2¯<br />
e 4¯ +e 3¯ +e 2¯ +2e ¯ +K ¡5<br />
e 2¯<br />
e 4¯ +3e 2¯ +2e ¯ +K ¡6<br />
Ã<br />
!<br />
e 2¯<br />
e 4¯ +e 2¯ +6e ¯ +K ¡8<br />
!<br />
+k2421111ln<br />
!<br />
+k24222ln<br />
Ã<br />
+k 23331ln<br />
Ã<br />
e<br />
+k233211ln<br />
2¯<br />
2(e3¯ +e2¯ +e¯ ! Ã<br />
+k2331111ln<br />
) +K¡6<br />
+k232221ln<br />
+k 23211111ln<br />
Ã<br />
e 2¯<br />
e 3¯ +4e 2¯ +e ¯ +K ¡6<br />
Ã<br />
!<br />
e 2¯<br />
e 3¯ +2e 2¯ +5e ¯ +K ¡8<br />
+k222222ln<br />
+k22221111ln<br />
+k 2211111111ln<br />
Ã<br />
Ã<br />
+k 1Bln<br />
Ã<br />
e 2¯<br />
6e 2¯ +K ¡6<br />
!<br />
e 2¯<br />
4(e 2¯ +e ¯ ) +K ¡8<br />
+k2322111ln<br />
!<br />
Ã<br />
Ã<br />
e 2¯<br />
e 4¯ +4e 2¯ +K ¡5<br />
!<br />
e 2¯<br />
e 4¯ +2(e 2¯ +2e ¯ )+K ¡7<br />
Ã<br />
+k 231111111ln<br />
+k2222211ln<br />
!<br />
e 2¯<br />
2(e 2¯ +4e ¯ ) +K ¡10<br />
Ã<br />
e¯ e11¯ +e¯ +K ¡2<br />
!<br />
Ã<br />
+k222111111ln<br />
!<br />
e 2¯<br />
3e 3¯ +e 2¯ +e ¯ +K ¡5<br />
!<br />
+<br />
e 2¯<br />
2(e 3¯ +2e ¯ ) +e 2¯ +K ¡7<br />
e 2¯<br />
e 3¯ +3(e 2¯ +e ¯ ) +K ¡7<br />
Ã<br />
e 2¯<br />
e 3¯ +e 2¯ +7e ¯ +K ¡9<br />
e 2¯<br />
5e 2¯ +2e ¯ +K ¡7<br />
Ã<br />
+k 21111111111ln<br />
+k 1A1ln<br />
Ã<br />
!<br />
+<br />
e 2¯<br />
3(e 2¯ +2e ¯ ) +K ¡9<br />
Ã<br />
!<br />
e 2¯<br />
e 2¯ +10e ¯ +K ¡11<br />
e¯ e10¯ +2e¯ !<br />
+K ¡3<br />
Ã<br />
e<br />
+k192ln<br />
¯<br />
e9¯ +e2¯ +e¯ ! Ã<br />
e<br />
+k1911ln<br />
+K ¡3<br />
¯<br />
e9¯ +3e¯ !<br />
+K ¡4<br />
+<br />
+<br />
!<br />
!<br />
+<br />
!<br />
+<br />
!<br />
!<br />
+<br />
+<br />
+<br />
+<br />
+
172<br />
Ã<br />
e<br />
+k183ln<br />
¯<br />
e8¯ +e3¯ +e¯ ! Ã<br />
e<br />
+k1821ln<br />
+K ¡3<br />
¯<br />
e8¯ +e2¯ +2e¯ !<br />
+K ¡4<br />
Ã<br />
e<br />
+k18111ln<br />
¯<br />
e8¯ +4e¯ ! Ã<br />
e<br />
+k174ln<br />
+K ¡5<br />
¯<br />
e7¯ +e4¯ +e¯ !<br />
+K ¡3<br />
+k 1731ln<br />
Ã<br />
e¯ e7¯ +e3¯ +2e¯ +K ¡4<br />
!<br />
+k 1722ln<br />
+<br />
Ã<br />
e¯ e7¯ +2e2¯ +e¯ +K ¡4<br />
!<br />
Ã<br />
e<br />
+k17211ln<br />
¯<br />
e7¯ +e2¯ +3e¯ ! Ã<br />
e<br />
+k171111ln<br />
+K ¡5<br />
¯<br />
e7¯ +5e¯ !<br />
+K ¡6<br />
Ã<br />
e<br />
+k165ln<br />
¯<br />
e6¯ +e5¯ +e¯ ! Ã<br />
e<br />
+k1641ln<br />
+K ¡3<br />
¯<br />
e6¯ +e4¯ +2e¯ !<br />
+K ¡4<br />
Ã<br />
e<br />
+k1632ln<br />
¯<br />
e6¯ +e3¯ +e2¯ +e¯ ! Ã<br />
e<br />
+k16311ln<br />
+K ¡4<br />
¯<br />
e6¯ +e3¯ +3e¯ !<br />
+K ¡5<br />
+k 16221ln<br />
Ã<br />
e¯ e6¯ +2(e2¯ +e¯ ) +K ¡5<br />
!<br />
+k 1611111ln<br />
Ã<br />
e¯ e6¯ +6e¯ !<br />
+K ¡7<br />
+k 162111ln<br />
+k 1551ln<br />
+<br />
+<br />
+<br />
+<br />
Ã<br />
e¯ e6¯ +e2¯ +4e¯ +K ¡6<br />
!<br />
Ã<br />
e¯ 2(e5¯ +e¯ )+K ¡4<br />
!<br />
Ã<br />
e<br />
+k1542ln<br />
¯<br />
e5¯ +e4¯ +e2¯ +e¯ ! Ã<br />
e<br />
+k15411ln<br />
+K ¡4<br />
¯<br />
e5¯ +e4¯ +3e¯ !<br />
+K ¡5<br />
Ã<br />
e<br />
+k1533ln<br />
¯<br />
e5¯ +2e3¯ +e¯ ! Ã<br />
e<br />
+k15321ln<br />
+K ¡4<br />
¯<br />
e5¯ +e3¯ +e2¯ +2e¯ !<br />
+K ¡5<br />
+<br />
+<br />
+<br />
+<br />
+
173<br />
Ã<br />
e<br />
+k153111ln<br />
¯<br />
e5¯ +e3¯ +4e¯ ! Ã<br />
e<br />
+k15222ln<br />
+K ¡6<br />
¯<br />
e5¯ +3e2¯ +e¯ !<br />
+K ¡5<br />
Ã<br />
e<br />
+k152211ln<br />
¯<br />
e5¯ +2e2¯ +3e¯ !<br />
Ã<br />
e<br />
+k1521111ln<br />
+K ¡6<br />
¯<br />
e5¯ +e2¯ +5e¯ !<br />
+K ¡7<br />
+k 15111111ln<br />
Ã<br />
e¯ e5¯ +7e¯ +K ¡8<br />
!<br />
+k 1443ln<br />
Ã<br />
e¯ 2e4¯ +e3¯ +e¯ +K ¡4<br />
!<br />
Ã<br />
e<br />
+k14421ln<br />
¯<br />
2e4¯ +e2¯ +2e¯ ! Ã<br />
e<br />
+k144111ln<br />
+K ¡5<br />
¯<br />
2(e4¯ +2e¯ !<br />
) +K ¡6<br />
Ã<br />
e<br />
+k14331ln<br />
¯<br />
e4¯ +2(e3¯ +e¯ ! Ã<br />
e<br />
+k14322ln<br />
)+K ¡5<br />
¯<br />
e4¯ +e3¯ +2e 2¯ +e¯ !<br />
+K ¡5<br />
Ã<br />
e<br />
+k143211ln<br />
¯<br />
e4¯ +e3¯ +e2¯ +3e¯ ! Ã<br />
e<br />
+k1431111ln<br />
+K ¡6<br />
¯<br />
e4¯ +e3¯ +5e¯ !<br />
+K ¡7<br />
+k 142221ln<br />
+k 14211111ln<br />
Ã<br />
e¯ e4¯ +3e2¯ +2e¯ +K ¡6<br />
!<br />
Ã<br />
e¯ e4¯ +e2¯ +6e¯ +K ¡8<br />
!<br />
+k 1422111ln<br />
+k 141111111ln<br />
+<br />
+<br />
+<br />
Ã<br />
e¯ e4¯ +2(e2¯ +2e¯ )+K ¡7<br />
!<br />
Ã<br />
e¯ e4¯ +8e¯ +K¡9<br />
!<br />
Ã<br />
e<br />
+k13332ln<br />
¯<br />
3e3¯ +e2¯ +e¯ ! Ã<br />
e<br />
+k133311ln<br />
+K ¡5<br />
¯<br />
3(e3¯ +e¯ !<br />
)+K ¡6<br />
Ã<br />
e<br />
+k133221ln<br />
¯<br />
2(e3¯ +e2¯ +e¯ ! Ã<br />
e<br />
+k1332111ln<br />
) +K¡6<br />
¯<br />
2(e3¯ +2e¯ ) +e2¯ !<br />
+K ¡7<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+
174<br />
Ã<br />
e<br />
+k13311111ln<br />
¯<br />
2(e3¯ +3e¯ ! Ã<br />
e<br />
+k132222ln<br />
)+K ¡8<br />
¯<br />
e3¯ +4e2¯ +e¯ !<br />
+K ¡6<br />
Ã<br />
e<br />
+k1322211ln<br />
¯<br />
e3¯ +3(e2¯ +e¯ ! Ã<br />
e<br />
+k13221111ln<br />
)+K ¡7<br />
¯<br />
e3¯ +2e2¯ +5e¯ !<br />
+K ¡8<br />
+k 132111111ln<br />
Ã<br />
e¯ e3¯ +e2¯ +7e¯ +K ¡9<br />
!<br />
+k 1311111111ln<br />
Ã<br />
e¯ e3¯ +9e¯ +K ¡10<br />
!<br />
Ã<br />
e<br />
+k1222221ln<br />
¯<br />
5e2¯ +2e¯ !<br />
Ã<br />
e<br />
+k12222111ln<br />
+K ¡7<br />
¯<br />
4(e2¯ +e¯ !<br />
) +K ¡8<br />
Ã<br />
e<br />
+k122211111ln<br />
¯<br />
3(e2¯ +2e¯ !<br />
Ã<br />
e<br />
+k1221111111ln<br />
) +K ¡9<br />
¯<br />
2(e2¯ +4e¯ !<br />
)+K ¡10<br />
Ã<br />
e<br />
+k12111111111ln<br />
¯<br />
e2¯ +10e¯ !<br />
Ã<br />
e<br />
+k111111111111ln<br />
+K ¡11<br />
¯<br />
12e¯ !<br />
+K ¡12<br />
¡k 0Cln ³<br />
e 12¯ +K ¡1 ´<br />
+k 0B1ln ³<br />
e 11¯ +e ¯ +k ¡2 ´<br />
¡k 0A2ln ³<br />
e 10¯ +e 2¯ +k ¡2 ´<br />
+<br />
¡k0A11ln ³<br />
e 10¯ +2e ¯ +K ¡3 ´<br />
¡k093ln ³<br />
e 9¯ +e 3¯ +K ¡2 ´<br />
+<br />
¡k0921ln ³<br />
e 9¯ +e 2¯ +e ¯ +k¡3 ´<br />
¡k09111ln ³<br />
e 9¯ +3e ¯ +K ¡4 ´<br />
+<br />
¡k084ln ³<br />
e 8¯ +e 4¯ +K ¡2 ´<br />
¡k0831ln ³<br />
e 8¯ +e 3¯ +e ¯ +K ¡3 ´<br />
+<br />
¡k0822ln ³<br />
e 8¯ +2e 2¯ +K ¡3 ´<br />
¡k08211ln ³<br />
e 8¯ +e 2¯ +2e ¯ +K ¡4 ´<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+
175<br />
¡k081111ln ³<br />
e 8¯ +4e ¯ +K ¡5 ´<br />
¡k075ln ³<br />
e 7¯ +e 5¯ +K ¡2 ´<br />
+<br />
¡k 0741ln ³<br />
e 7¯ +e 4¯ +e ¯ +K ¡3 ´<br />
¡k 0732ln ³<br />
e 7¯ +e 3¯ +e 2¯ +K ¡3 ´<br />
+<br />
¡k 07311ln ³<br />
e 7¯ +e 3¯ +2e ¯ +K ¡4 ´<br />
¡k 07221ln ³<br />
e 7¯ +2e 2¯ +e ¯ +K ¡4 ´<br />
+<br />
¡k 072111ln ³<br />
e 7¯ +e 2¯ +3e ¯ +K ¡5 ´<br />
¡k 0711111ln ³<br />
e 7¯ +5e ¯ +K ¡6 ´<br />
+<br />
¡k066ln ³<br />
2e 6¯ +K ¡2 ´<br />
¡k0651ln ³<br />
e 6¯ +e 5¯ +e ¯ +K ¡3 ´<br />
+<br />
¡k0642ln ³<br />
e 6¯ +e 4¯ +e 2¯ +K ¡3 ´<br />
¡k06411ln ³<br />
e 6¯ +e 4¯ +2e ¯ +K ¡4 ´<br />
+<br />
¡k0633ln ³<br />
e 6¯ +2e 3¯ +K ¡3 ´<br />
¡k06321ln ³<br />
e 6¯ +e 3¯ +e 2¯ +e ¯ +K ¡4 ´<br />
+<br />
¡k063111ln ³<br />
e 6¯ +e 3¯ +3e ¯ +K ¡5 ´<br />
¡k06222ln ³<br />
e 6¯ +3e 2¯ +K ¡4 ´<br />
+<br />
¡k 062211ln ³<br />
e 6¯ +2 ³<br />
e 2¯ +e ¯´<br />
+K ¡5 ´<br />
¡k 0621111ln ³<br />
e 6¯ +e 2¯ +4e ¯ +K ¡6 ´<br />
+<br />
¡k 06111111ln ³<br />
e 6¯ +6e ¯ +K ¡7 ´<br />
¡k 0552ln ³<br />
2e 5¯ +e 2¯ +K ¡3 ´<br />
+<br />
¡k 05511ln ³<br />
2 ³<br />
e 5¯ +e 2¯´<br />
+K ¡4 ´<br />
¡k 0543ln ³<br />
e 5¯ +e 4¯ +e 3¯ +K ¡3 ´<br />
+<br />
¡k05421ln ³<br />
e 5¯ +e 4¯ +e 2¯ +e ¯ +K ¡4 ´<br />
¡k054111ln ³<br />
e 5¯ +e 4¯ +3e ¯ +K ¡5 ´<br />
+<br />
¡k05331ln ³<br />
e 5¯ +2e 3¯ +e ¯ +K ¡4 ´<br />
¡k05322ln ³<br />
e 5¯ +e 3¯ +2e 2¯ +K ¡4 ´<br />
+
176<br />
¡k053211ln ³<br />
e 5¯ +e 3¯ +e 2¯ +2e ¯ +K ¡5 ´<br />
¡k0531111ln ³<br />
e 5¯ +e 3¯ +4e ¯ +K ¡6 ´<br />
+<br />
¡k 052221ln ³<br />
e 5¯ +3e 2¯ +e ¯ +K ¡5 ´<br />
¡k 0522111ln ³<br />
e 5¯ +2e 2¯ +3e ¯ +K ¡6 ´<br />
+<br />
¡k 05211111ln ³<br />
e 5¯ +e 2¯ +5e ¯ +K ¡7 ´<br />
¡k 051111111ln ³<br />
e 5¯ +7e ¯ +K ¡8 ´<br />
+<br />
¡k 0444ln ³<br />
3e 4¯ +K¡3 ´<br />
¡k 04431ln ³<br />
2e 4¯ +e 3¯ +e ¯ +K ¡4 ´<br />
+<br />
¡k04422ln ³<br />
2 ³<br />
e 4¯ +e 2¯´<br />
+K ¡4 ´<br />
¡k044211ln ³<br />
2 ³<br />
e 4¯ +e ¯´<br />
+e 2¯ +K ¡5 ´<br />
+<br />
¡k0441111ln ³<br />
2 ³<br />
e 4¯ +2e ¯´<br />
+K ¡6 ´<br />
¡k04332ln ³<br />
e 4¯ +2e 3¯ +e 2¯ +K ¡4 ´<br />
+<br />
¡k043311ln ³<br />
e 4¯ +2 ³<br />
e 3¯ +e ¯´<br />
+K ¡5 ´<br />
¡k043221ln ³<br />
e 4¯ +e 3¯ +2e 2¯ +e ¯ +K ¡5 ´<br />
+<br />
¡k0432111ln ³ 4¯ +e 3¯ +e 2¯ +3e ¯ +K ¡6 ´<br />
¡k04311111ln ³<br />
e 4¯ +e 3¯ +5e ¯ +K ¡7 ´<br />
+<br />
¡k 042222ln ³<br />
e 4¯ +4e 2¯ +K ¡5 ´<br />
¡k 0422211ln ³<br />
e 4¯ +3e 2¯ +2e ¯ +K ¡6 ´<br />
+<br />
¡k 04221111ln ³<br />
e 4¯ +2 ³<br />
e 2¯ +2e ¯´<br />
+K ¡7 ´<br />
¡k 042111111ln ³<br />
e 4¯ +e 2¯ +6e ¯ +K ¡8 ´<br />
+<br />
¡k 0411111111ln ³<br />
e 4¯ +8e ¯ +K ¡9 ´<br />
¡k 03333ln ³<br />
4e 3¯ +K ¡4 ´<br />
+<br />
¡k033321ln ³<br />
3e 3¯ +e 2¯ +e ¯ +K ¡5 ´<br />
¡k0333111ln ³<br />
3 ³<br />
e 3¯ +e ¯´<br />
+K ¡6 ´<br />
+<br />
¡k033222ln ³<br />
2e 3¯ +3e 2¯ +K ¡5 ´<br />
¡k0332211ln ³<br />
2 ³<br />
e 3¯ +e 2¯ +e ¯´<br />
+K ¡6 ´<br />
+
177<br />
¡k 03321111ln ³<br />
2e 3¯ +e 2¯ +4e ¯ +K ¡7 ´<br />
¡k 033111111ln ³<br />
2e 3¯ +6e ¯ +K ¡8 ´<br />
+<br />
¡k0322221ln ³<br />
e 3¯ +4e 2¯ +e ¯ +K ¡6 ´<br />
¡k03222111ln ³<br />
e 3¯ +3 ³<br />
e 2¯ +e ¯´<br />
+K ¡7 ´<br />
+<br />
¡k032211111ln ³<br />
e 3¯ +2e ¯ +5e ¯ +K ¡8 ´<br />
¡k0321111111ln ³<br />
e 3¯ +e 2¯ +7e ¯ +K ¡9 ´<br />
+<br />
¡k03111111111ln ³<br />
e 3¯ +9e ¯ +K ¡10 ´<br />
¡k0222222ln ³<br />
6e 2¯ +K¡6 ´<br />
+<br />
¡k 02222211ln ³<br />
5e 2¯ +2e ¯ +K ¡7 ´<br />
¡k 022221111ln ³<br />
4 ³<br />
e 2¯ +e ¯´<br />
+K ¡8 ´<br />
+<br />
¡k0222111111ln ³<br />
3 ³<br />
e 2¯ +2e ¯´<br />
+K ¡9 ´<br />
¡k02211111111ln ³<br />
2 ³<br />
e 2¯ +4e ¯´<br />
+K ¡10 ´<br />
+<br />
¡k021111111111ln ³<br />
e 2¯ +10e ¯ +K ¡11 ´<br />
¡k0111111111111ln ³<br />
12e ¯ +K ¡12 ´
178<br />
C.3 - Equa»c~ao para estima»c~ao de¯ para vizinhan»ca 12<br />
Efetuando-se desenvolvimento para±=2; o valor de b ¯PL e obtido<br />
pela solu»c~ao da seguinte equa»c~ao:<br />
12kCe 12¯ (K ¡1)<br />
+2kA2<br />
+3k93<br />
4e 2¯ +5k ¡10<br />
e ¡12¯<br />
10e ¯ +11k ¡22<br />
e12¯ +K ¡1 +kB1<br />
e11¯ +e¯ +k¡2<br />
e 10¯ +e 2¯ +k¡2 +2kA11<br />
2e 3¯ +3K ¡6<br />
9e¯ +5K ¡15<br />
e10¯ +2e¯ +K ¡3 +<br />
7e 2¯ +8e ¯ +9k ¡27<br />
e9¯ +e3¯ +K ¡2 +k921<br />
e9¯ +e2¯ +e¯ +k¡3 +<br />
8e<br />
+3k9111 ¯ +3K ¡12<br />
e9¯ +3e¯ +K ¡4 +4k e<br />
84<br />
4¯ +2K ¡4<br />
e8¯ +e4¯ +K ¡2 +<br />
5e<br />
+k831 3¯ +7e¯ +8K ¡24<br />
e8¯ +e3¯ +e¯ +K ¡3 +4k 3e<br />
822<br />
2¯ +2K ¡6<br />
e8¯ +2e2¯ +K ¡3 +<br />
3e<br />
+2k8211 2¯ +7e¯ +4K ¡16<br />
e8¯ +e2¯ +2e¯ +K ¡4 +4k 7e<br />
81111<br />
¯ +2K ¡10<br />
e8¯ +4e¯ +K ¡5 +<br />
2e<br />
+k75 5¯ +7K ¡14<br />
e7¯ +e5¯ +K ¡2 +k 3e<br />
741<br />
4¯ +6e¯ +7K ¡21<br />
e7¯ +e4¯ +e¯ +K ¡3 +<br />
4e<br />
+k732 3¯ +5e 2¯ +7K ¡21<br />
e7¯ +e3¯ +e2¯ +K ¡3 +k 4e<br />
7311<br />
3¯ +12e¯ +7K ¡28<br />
e 7¯ +e 3¯ +2e ¯ +K¡4 +<br />
10e<br />
+k7221 2¯ +6e¯ +7K ¡28<br />
e7¯ +2e 2¯ +e¯ +K ¡4 +k 5e<br />
72111<br />
2¯ +18e¯ +7K ¡35<br />
e7¯ +e2¯ +3e¯ +K ¡5 +<br />
30e<br />
+k711111 ¯ +7K ¡42<br />
e7¯ +5e¯ +K ¡6 +6k K ¡2<br />
66<br />
2e6¯ +K ¡2 +
e 5¯ +5e ¯ +6K ¡18<br />
179<br />
+k651<br />
e6¯ +e5¯ +e¯ +K ¡3 +2k642<br />
e4¯ +2e2¯ +3K ¡9<br />
e6¯ +e4¯ +e2¯ +K ¡3 +<br />
e<br />
+2k6411 4¯ +5e¯ +3K ¡12<br />
e6¯ +e4¯ +2e¯ +K ¡4 +6k e<br />
633<br />
3¯ +K ¡3<br />
e6¯ +2e3¯ +K ¡3 +<br />
3e<br />
+k6321<br />
3¯ +4e2¯ +5e¯ +6K ¡24<br />
e6¯ +e3¯ +e2¯ +e¯ +K ¡4 +3k63111<br />
2e 2¯ +K ¡4<br />
+6k6222<br />
e6¯ +3e 2¯ +K ¡4 +2k62211<br />
2e<br />
+2k621111 2¯ +10e¯ +3K ¡18<br />
e6¯ +e2¯ +4e¯ +K ¡6 +6k6111111 e3¯ +5e¯ +2K ¡10<br />
e6¯ +e3¯ +3e¯ +K ¡5 +<br />
4e2¯ +5e¯ +3K ¡15<br />
e6¯ +2e2¯ +2e¯ +K ¡5 +<br />
5e ¯ +K ¡7<br />
e 6¯ +6e ¯ +K¡7 +<br />
¡2e<br />
+k57 7¯ +5K ¡10<br />
e7¯ +e5¯ +K ¡2 +k ¡e<br />
561<br />
6¯ +4e¯ +5K ¡15<br />
e6¯ +e5¯ +e¯ +K ¡3 +<br />
3e 2¯ +5K ¡15<br />
6e 2¯ +5K ¡20<br />
+k552<br />
2e5¯ +e2¯ +K ¡3 +k5511<br />
2e5¯ +2e2¯ +K¡4 +<br />
e 4¯ +2e 3¯ +5K ¡15<br />
+k543<br />
e5¯ +e4¯ +e3¯ +K ¡3 +k5421<br />
e4¯ +3e2¯ +4e¯ +5K ¡20<br />
e5¯ +e4¯ +e2¯ +e¯ +K ¡4 +<br />
e<br />
+k54111 4¯ +12e¯ +5K ¡25<br />
e5¯ +e4¯ +3e¯ +K ¡5 +k 4e<br />
5331<br />
3¯ +4e¯ +5K ¡20<br />
e5¯ +2e3¯ +e¯ +K ¡4 +<br />
2e 3¯ +6e 2¯ +5K ¡20<br />
+k5322<br />
e5¯ +e3¯ +2e 2¯ +K ¡4 +k53211<br />
2e 3¯ +16e ¯ +5K ¡30<br />
+k531111<br />
e5¯ +e3¯ +4e¯ +K ¡6 +k52221<br />
2e3¯ +3e2¯ +8e¯ +5K ¡25<br />
e5¯ +e3¯ +e2¯ +2e¯ +K ¡5<br />
9e2¯ +4e¯ +5K ¡25<br />
e5¯ +3e 2¯ +e¯ +K ¡5<br />
6e<br />
+k522111 2¯ +12e¯ +5K ¡30<br />
e5¯ +2e 2¯ +3e¯ +K ¡6 +k 3e<br />
5211111<br />
2¯ +20e¯ +5K ¡35<br />
e5¯ +e2¯ +5e¯ +K ¡7 +
+k51111111<br />
180<br />
28e¯ +5K ¡40<br />
e5¯ +7e¯ +K ¡8 +4k48<br />
¡e8¯ +K ¡2<br />
e8¯ +e4¯ +K ¡2 +<br />
¡3e<br />
+k471 7¯ +3e¯ +4K ¡12<br />
e7¯ +e4¯ +e¯ +K ¡3 +2k ¡e<br />
462<br />
6¯ +e2¯ +2K ¡6<br />
e6¯ +e4¯ +e2¯ +K ¡3 +<br />
¡e 6¯ +3e ¯ +2K ¡8<br />
+2k4611<br />
e6¯ +e4¯ +2e¯ +K ¡4 +k453<br />
¡e<br />
+k4521<br />
5¯ +2e2¯ +3e¯ +4K ¡16<br />
e5¯ +e4¯ +e2¯ +e¯ +K ¡4 +k45111<br />
¡e5¯ +e3¯ +4K ¡12<br />
e5¯ +e4¯ +e3¯ +K ¡3 +<br />
¡e5¯ +9e¯ +4K ¡20<br />
e5¯ +e4¯ +3e¯ +K ¡5 +<br />
+4k444e4¯ e<br />
(K ¡3)<br />
¡4¯<br />
3e4¯ +K ¡3 +k e<br />
4431<br />
3¯ +3e¯ +4K ¡16<br />
2e4¯ +e3¯ +e¯ +K ¡4 +<br />
e<br />
+4k4422 2¯ +K ¡4<br />
2e4¯ +2e 2¯ +K ¡4 +2k 3e<br />
44211<br />
¯ +e2¯ +2K ¡10<br />
2e4¯ +2e¯ +e2¯ +K ¡5 +<br />
3e ¯ +K ¡6<br />
+4k441111<br />
2e4¯ +4e¯ +K ¡6 +2k4332<br />
e 3¯ +3e ¯ +2K ¡10<br />
+2k43311<br />
e4¯ +2e 3¯ +2e¯ +K ¡5 +k43221<br />
e3¯ +e2¯ +2K ¡8<br />
e4¯ +2e 3¯ +e2¯ +K ¡4 +<br />
e3¯ +4e2¯ +3e¯ +4K ¡20<br />
e4¯ +e3¯ +2e2¯ +e¯ +K ¡5 +<br />
e<br />
+k432111 3¯ +2e2¯ +9e¯ +4K ¡24<br />
e4¯ +e3¯ +e2¯ +3e¯ +K ¡6 +k e<br />
4311111<br />
3¯ +15e¯ +4K ¡28<br />
e4¯ +e3¯ +5e¯ +K ¡7 +<br />
2e 2¯ +K ¡5<br />
+4k42222<br />
e4¯ +4e 2¯ +K ¡5 +2k422211<br />
e 2¯ +3e ¯ +K ¡7<br />
+4k4221111<br />
e4¯ +2e 2¯ +4e¯ +K ¡7 +2k42111111<br />
3e2¯ +3e¯ +2K ¡12<br />
e4¯ +3e2¯ +2e¯ +K ¡6 +<br />
e2¯ +9e¯ +2K ¡16<br />
e4¯ +e2¯ +6e¯ +K ¡8 +<br />
6e<br />
+4k411111111 ¯ +K ¡9<br />
e4¯ +8e¯ +K ¡9 +3k ¡2e<br />
39<br />
9¯ +K ¡2<br />
e9¯ +e3¯ +K ¡2 +
¡5e 8¯ +2e ¯ +3K ¡9<br />
181<br />
+k381<br />
e8¯ +e3¯ +e¯ +K ¡3 +k372<br />
¡4e<br />
+k3711 7¯ +4e¯ +3K ¡12<br />
e7¯ +e3¯ +2e¯ +K ¡4 +3k363 ¡3e<br />
+k3621<br />
6¯ +e2¯ +2e¯ +3K ¡12<br />
e6¯ +e3¯ +e2¯ +e¯ +K ¡4 +3k36111<br />
¡2e 5¯ ¡e 4¯ +3K ¡9<br />
¡4e7¯ +e2¯ +3K ¡9<br />
e7¯ +e3¯ +e2¯ +K ¡3 +<br />
¡e 6¯ +K ¡3<br />
e 6¯ +2e 3¯ +K¡3 +<br />
¡e6¯ +2e¯ +K ¡5<br />
e6¯ +e3¯ +3e¯ +K ¡5 +<br />
¡2e 5¯ +2e ¯ +3K ¡12<br />
+k354<br />
e5¯ +e4¯ +e3¯ +K ¡3 +k3531<br />
e5¯ +2e3¯ +e¯ +K¡4 +<br />
¡2e<br />
+k3522 5¯ +2e2¯ +3K ¡12<br />
e5¯ +e3¯ +2e 2¯ +K ¡4 +k ¡2e<br />
35211<br />
5¯ +e2¯ +4e¯ +3K ¡15<br />
e5¯ +e3¯ +e2¯ +2e¯ +K ¡5 +<br />
¡2e<br />
+k351111 5¯ +8e¯ +3K ¡18<br />
e5¯ +e3¯ +4e¯ +K ¡6 +k ¡2e<br />
3441<br />
4¯ +2e¯ +3K ¡12<br />
2e4¯ +e3¯ +e¯ +K ¡4 +<br />
¡e 4¯ +e 2¯ +3K ¡12<br />
+k3432<br />
e4¯ +2e3¯ +e2¯ +K ¡4 +k34311<br />
¡e 4¯ +2e 2¯ +2e ¯ +3K ¡15<br />
+k34221<br />
e4¯ +e3¯ +2e 2¯ +e¯ +K ¡5 +k342111<br />
¡e4¯ +4e¯ +3K ¡15<br />
e4¯ +2e3¯ +2e¯ +K ¡5 +<br />
¡e4¯ +e2¯ +6e¯ +3K ¡18<br />
e4¯ +e3¯ +e2¯ +3e¯ +K ¡6 +<br />
¡e<br />
+k3411111 4¯ +10e¯ +3K ¡21<br />
e4¯ +e3¯ +5e¯ +K ¡7 +3k K ¡4<br />
3333<br />
4e3¯ +K ¡4 +<br />
e 2¯ +2e ¯ +3K ¡15<br />
+k33321<br />
3e3¯ +e2¯ +e¯ +K ¡5 +3k333111<br />
e 2¯ +K ¡5<br />
2e¯ +K ¡6<br />
3e3¯ +3e¯ +K ¡6 +<br />
2e 2¯ +4e ¯ +3K ¡18<br />
+3k33222<br />
2e3¯ +3e 2¯ +K ¡5 +k332211<br />
2e3¯ +2e2¯ +2e¯ +K¡6 +<br />
e<br />
+k3321111 2¯ +8e¯ +3K ¡21<br />
2e3¯ +e2¯ +4e¯ +K ¡7 +3k 4e<br />
33111111<br />
¯ +K ¡8<br />
2e3¯ +6e¯ +K ¡8 +
4e 2¯ +2e ¯ +3K ¡18<br />
182<br />
+k322221<br />
e3¯ +4e2¯ +e¯ +K ¡6 +3k3222111<br />
e2¯ +2e¯ +K ¡7<br />
e3¯ +3e2¯ +3e¯ +K ¡7 +<br />
14e<br />
+k32211111 ¯ +3K ¡24<br />
e3¯ +7e¯ +K ¡8 +k e<br />
321111111<br />
2¯ +14e¯ +3K ¡27<br />
e3¯ +e2¯ +7e¯ +K ¡9 +<br />
+3k3111111111<br />
6e¯ +K ¡10<br />
e3¯ +9e¯ +K ¡10 +2k2A<br />
¡4e10¯ +K ¡2<br />
e10¯ +e2¯ +K ¡2 +<br />
¡7e 9¯ +e ¯ +2K ¡6<br />
+k291<br />
e9¯ +e2¯ +e¯ +K ¡3 +2k282<br />
¡3e8¯ +K ¡3<br />
e8¯ +2e2¯ +K ¡3 +<br />
¡3e<br />
+2k2811 8¯ +e¯ +K ¡4<br />
e8¯ +e2¯ +2e¯ +K ¡4 +k ¡5e<br />
273<br />
7¯ ¡e3¯ +2K ¡6<br />
e7¯ +e3¯ +e2¯ +K ¡3 +<br />
¡5e<br />
+k2721 7¯ +e¯ +2K ¡8<br />
e7¯ +2e 2¯ +e¯ +K ¡4 +k ¡5e<br />
27111<br />
7¯ +3e¯ +2K ¡10<br />
e7¯ +e2¯ +3e¯ +K ¡5 +<br />
¡2e 6¯ ¡e 4¯ +K ¡3<br />
+2k264<br />
e6¯ +e4¯ +e2¯ +K ¡3 +k2631<br />
¡2e 6¯ +K ¡4<br />
+2k2622<br />
e6¯ +3e 2¯ +K ¡4 +2k26211<br />
¡4e6¯ ¡e3¯ +e¯ +2K ¡8<br />
e6¯ +e3¯ +e2¯ +e¯ +K ¡4 +<br />
¡2e6¯ +e¯ +K ¡5<br />
e6¯ +2e2¯ +2e¯ +K ¡5 +<br />
¡2e<br />
+2k261111 6¯ +2e¯ +K ¡6<br />
e6¯ +e2¯ +4e¯ +K ¡6 +2k ¡3e<br />
255<br />
5¯ +K ¡3<br />
2e5¯ +e2¯ +K ¡3 +<br />
¡3e 5¯ ¡2e 4¯ +e ¯ +2K ¡8<br />
+k2541<br />
e5¯ +e4¯ +e2¯ +e¯ +K ¡4 +k2532<br />
¡3e 5¯ ¡e 3¯ +2e ¯ +2K ¡10<br />
+k25311<br />
e5¯ +e3¯ +e2¯ +2e¯ +K ¡5 +k25221<br />
¡3e5¯ ¡e3¯ +2K ¡8<br />
e5¯ +e3¯ +2e2¯ +K ¡4 +<br />
¡3e5¯ +e¯ +2K ¡10<br />
e5¯ +3e2¯ +e¯ +K ¡5 +<br />
¡3e<br />
+k252111 5¯ +3e¯ +2K ¡12<br />
e5¯ +2e 2¯ +3e¯ +K ¡6 +k ¡3e<br />
2511111<br />
5¯ +5e¯ +2K ¡14<br />
e5¯ +e2¯ +5e¯ +K ¡7 +
¡2e 4¯ +K ¡4<br />
183<br />
+2k2442<br />
2e4¯ +2e 2¯ +K ¡4 +2k24411<br />
¡e 4¯ ¡e 3¯ +K¡4<br />
+2k2433<br />
e4¯ +2e3¯ +e2¯ +K ¡4 +k24321<br />
¡2e 4¯ ¡e 3¯ +2e ¯ +2K ¡10<br />
+k24311<br />
e4¯ +e3¯ +e2¯ +2e¯ +K ¡5 +2k24222<br />
¡2e4¯ +e¯ +K ¡5<br />
2e4¯ +2e¯ +e2¯ +K ¡5 +<br />
¡2e4¯ ¡e3¯ +e¯ +2K ¡10<br />
e4¯ +e3¯ +2e2¯ +e¯ +K ¡5 +<br />
¡e4¯ +K ¡5<br />
e4¯ +4e2¯ +K ¡5 +<br />
¡e<br />
+2k242211 4¯ +e¯ +K ¡6<br />
e4¯ +3e2¯ +2e¯ +K ¡6 +2k ¡e<br />
2421111<br />
4¯ +2e¯ +K ¡7<br />
e4¯ +2e2¯ +4e¯ +K ¡7 +<br />
¡e<br />
+2k24111111 4¯ +3e¯ +K ¡8<br />
e4¯ +e2¯ +6e¯ +K ¡8 +k ¡3e<br />
23331<br />
3¯ +e¯ +2K ¡10<br />
3e3¯ +e2¯ +e¯ +K ¡5 +<br />
¡e<br />
+2k233211 3¯ +e¯ +K ¡6<br />
2e3¯ +2e 2¯ +2e¯ +K ¡6 +2k ¡e<br />
2331111<br />
3¯ +2e¯ +K¡7<br />
2e3¯ +e2¯ +4e¯ +K ¡7 +<br />
¡e<br />
+k232221 3¯ +e¯ +2K ¡12<br />
e3¯ +4e 2¯ +e¯ +K ¡6 +k ¡e<br />
2322111<br />
3¯ +3e¯ +2K ¡14<br />
e3¯ +3e2¯ +3e¯ +K ¡7 +<br />
¡e<br />
+k23211111 3¯ +5e¯ +2K ¡16<br />
e3¯ +2e 2¯ +5e¯ +K ¡8 +k ¡e<br />
231111111<br />
3¯ +7e¯ +2K ¡18<br />
e3¯ +e2¯ +7e¯ +K ¡9 +<br />
K ¡6<br />
+2k222222<br />
6e2¯ +K ¡6 +2k2222211<br />
2e ¯ +K ¡8<br />
+2k22221111<br />
4e2¯ +4e¯ +K ¡8 +2k222111111<br />
4e ¯ +K ¡10<br />
+2k2211111111<br />
2e2¯ +8e¯ +K ¡10 +2k21111111111<br />
e¯ +K ¡7<br />
5e2¯ +2e¯ +K ¡7 +<br />
3e¯ +K ¡9<br />
3e2¯ +6e¯ +K ¡9 +<br />
5e¯ +K ¡11<br />
e2¯ +10e¯ +K ¡11 +<br />
¡10e<br />
+k1B 11¯ +K ¡2<br />
e11¯ +e¯ +K ¡2 +k ¡9e<br />
1A1<br />
10¯ +K ¡3<br />
e10¯ +2e¯ +K ¡3 +
¡8e 9¯ ¡e 2¯ +K ¡3<br />
184<br />
+k192<br />
e9¯ +e2¯ +e¯ +K ¡3 +k1911<br />
¡7e 8¯ ¡2e 3¯ +K ¡3<br />
+k183<br />
e8¯ +e3¯ +e¯ +K ¡3 +k1821<br />
¡7e 8¯ +K ¡5<br />
+k18111<br />
e8¯ +4e¯ +K ¡5 +k174<br />
¡6e 7¯ ¡2e 3¯ +K ¡4<br />
+k1731<br />
e7¯ +e3¯ +2e¯ +K ¡4 +k1722<br />
¡6e 7¯ ¡e 2¯ +K ¡5<br />
+k17211<br />
e7¯ +e2¯ +3e¯ +K ¡5 +k171111<br />
¡5e 6¯ ¡4e 5¯ +K ¡3<br />
+k165<br />
e6¯ +e5¯ +e¯ +K ¡3 +k1641<br />
¡8e9¯ +K ¡4<br />
e9¯ +3e¯ +K ¡4 +<br />
¡7e8¯ ¡e2¯ +K ¡4<br />
e8¯ +e2¯ +2e¯ +K ¡4 +<br />
¡6e7¯ ¡3e4¯ +K ¡3<br />
e7¯ +e4¯ +e¯ +K ¡3 +<br />
¡6e7¯ ¡2e2¯ +K ¡4<br />
e7¯ +2e2¯ +e¯ +K ¡4 +<br />
¡6e7¯ +K ¡6<br />
e7¯ +5e¯ +K ¡6 +<br />
¡5e6¯ ¡3e4¯ +K ¡4<br />
e6¯ +e4¯ +2e¯ +K ¡4 +<br />
¡5e<br />
+k1632 6¯ ¡2e3¯ ¡e2¯ +K ¡4<br />
e6¯ +e3¯ +e2¯ +e¯ +K ¡4 +k ¡5e<br />
16311<br />
6¯ ¡2e3¯ +K ¡5<br />
e6¯ +e3¯ +3e¯ +K ¡5 +<br />
¡5e<br />
+k16221 6¯ ¡2e2¯ +K ¡5<br />
e6¯ +2e 2¯ +2e¯ +K ¡5 +k ¡5e<br />
162111<br />
6¯ ¡e2¯ +K ¡6<br />
e6¯ +e2¯ +4e¯ +K ¡6 +<br />
¡5e<br />
+k1611111 6¯ +K ¡7<br />
e6¯ +6e¯ +K ¡7 +k ¡8e<br />
1551<br />
5¯ +K ¡4<br />
2e5¯ +2e¯ +K ¡4 +<br />
¡4e<br />
+k1542 5¯ ¡3e4¯ ¡e2¯ +K ¡4<br />
e5¯ +e4¯ +e2¯ +e¯ +K ¡4 +k ¡4e<br />
15411<br />
5¯ ¡3e4¯ +K ¡5<br />
e5¯ +e4¯ +3e¯ +K ¡5 +<br />
¡4e<br />
+k1533 5¯ ¡4e3¯ +K ¡4<br />
e5¯ +2e3¯ +e¯ +K ¡4 +k ¡4e<br />
15321<br />
5¯ ¡2e3¯ ¡e2¯ +K ¡5<br />
e5¯ +e3¯ +e2¯ +2e¯ +K ¡5 +
¡4e 5¯ ¡2e 3¯ +K ¡6<br />
185<br />
+k153111<br />
e5¯ +e3¯ +4e¯ +K ¡6 +k15222<br />
¡4e 5¯ ¡2e 2¯ +K ¡6<br />
+k152211<br />
e5¯ +2e 2¯ +3e¯ +K ¡6 +k1521111<br />
¡4e 5¯ +K¡8<br />
+k15111111<br />
e5¯ +7e¯ +K ¡8 +k1443<br />
¡6e 4¯ ¡e 2¯ +K ¡5<br />
+k14421<br />
2e4¯ +e2¯ +2e¯ +K ¡5 +k144111<br />
¡3e 4¯ ¡4e 3¯ +K ¡5<br />
+k14331<br />
e4¯ +2e 3¯ +2e¯ +K ¡5 +k14322<br />
¡3e 4¯ ¡2e 3¯ ¡e 2¯ +K ¡6<br />
+k143211<br />
e4¯ +e3¯ +e2¯ +3e¯ +K ¡6 +k1431111<br />
¡4e5¯ ¡3e 2¯ +K ¡5<br />
e5¯ +3e2¯ +e¯ +K ¡5 +<br />
¡4e5¯ ¡e2¯ +K ¡7<br />
e5¯ +e2¯ +5e¯ +K ¡7 +<br />
¡6e4¯ ¡2e 3¯ +K ¡4<br />
2e4¯ +e3¯ +e¯ +K ¡4 +<br />
¡6e4¯ +K ¡6<br />
2e4¯ +4e¯ +K ¡6 +<br />
¡3e4¯ ¡2e3¯ ¡2e 2¯ +K ¡5<br />
e4¯ +e3¯ +2e2¯ +e¯ +K ¡5 +<br />
¡3e4¯ ¡2e3¯ +K ¡7<br />
e4¯ +e3¯ +5e¯ +K ¡7 +<br />
¡3e<br />
+k142221 4¯ ¡3e2¯ +K ¡6<br />
e4¯ +3e2¯ +2e¯ +K ¡6 +k ¡3e<br />
1422111<br />
4¯ ¡2e2¯ +K ¡7<br />
e4¯ +2e2¯ +4e¯ +K ¡7 +<br />
¡3e<br />
+k14211111 4¯ ¡e2¯ +K ¡8<br />
e4¯ +e2¯ +6e¯ +K ¡8 +k ¡3e<br />
141111111<br />
4¯ +K ¡9<br />
e4¯ +8e¯ +K ¡9 +<br />
¡6e<br />
+k13332 3¯ ¡e2¯ +K ¡5<br />
3e3¯ +e2¯ +e¯ +K ¡5 +k ¡6e<br />
133311<br />
3¯ +K ¡6<br />
3e3¯ +3e¯ +K ¡6 +<br />
¡4e<br />
+k133221 3¯ ¡2e2¯ +K ¡6<br />
2e3¯ +2e 2¯ +2e¯ +K ¡6 +k ¡4e<br />
1332111<br />
3¯ ¡e2¯ +K ¡7<br />
2e3¯ +4e¯ +e2¯ +K ¡7 +<br />
¡4e<br />
+k13311111 3¯ +K ¡8<br />
2e3¯ +6e¯ +K ¡8 +k ¡2e<br />
132222<br />
3¯ ¡4e2¯ +K ¡6<br />
e3¯ +4e2¯ +e¯ +K ¡6 +
186<br />
¡2e<br />
+k1322211 3¯ ¡3e2¯ +K ¡7<br />
e3¯ +3e2¯ +3e¯ +K ¡7 +k ¡2e<br />
13221111<br />
3¯ ¡2e2¯ +K ¡8<br />
e3¯ +2e2¯ +5e¯ +K ¡8 +<br />
¡2e 3¯ ¡e 2¯ +K ¡9<br />
+k132111111<br />
e3¯ +e2¯ +7e¯ +K ¡9 +k1311111111<br />
¡5e 2¯ +K ¡7<br />
+k1222221<br />
5e2¯ +2e¯ +K ¡7 +k12222111<br />
¡2e3¯ +K ¡10<br />
e3¯ +9e¯ +K ¡10 +<br />
¡4e2¯ +K ¡8<br />
4e2¯ +4e¯ +K ¡8 +<br />
¡3e<br />
+k122211111 2¯ +K ¡9<br />
3e2¯ +6e¯ +K ¡9 +k ¡2e<br />
1221111111<br />
2¯ +K ¡10<br />
2e2¯ +8e¯ +K ¡10 +<br />
¡e 2¯ +K ¡11<br />
+k12111111111<br />
e2¯ +10e¯ +K ¡11 +k111111111111e ¯ (K ¡12)<br />
³<br />
11e 11¯ +e ¯´<br />
¡ 12k0C e12¯ +K ¡1 e12¯ + k0B1 e11¯ +e¯ +k¡2 ¡k 0A2<br />
k0A11<br />
¡<br />
e10¯ +2e¯ +K ¡3<br />
¡<br />
k0921<br />
e9¯ +e2¯ +e¯ +k¡3<br />
k084 ¡<br />
e8¯ +e4¯ +K ¡2<br />
¡k 0822<br />
¡k 081111<br />
³<br />
10e 10¯ +2e ¯´<br />
¡<br />
8e 8¯ +4e 2¯<br />
³<br />
9e 9¯ +2e 2¯ +e ¯´<br />
³<br />
8e 8¯ +4e 4¯´<br />
e 8¯ +2e 2¯ +K ¡3 ¡k 08211<br />
8e 8¯ +4e ¯<br />
e 8¯ +4e ¯ +K ¡5 ¡<br />
e ¡¯<br />
12e ¯ +K ¡12 +<br />
³<br />
10e 10¯ +2e 2¯´<br />
e 10¯ +e 2¯ +k¡2 +<br />
k093<br />
e9¯ +e3¯ ³<br />
9e<br />
+K ¡2<br />
9¯ +3e3¯´ +<br />
¡k0831<br />
¡k09111<br />
9e 9¯ +3e ¯<br />
e 9¯ +3e ¯ +K ¡4 +<br />
8e 8¯ +3e 3¯ +e ¯<br />
e 8¯ +e 3¯ +e ¯ +K ¡3 +<br />
8e8¯ +2e 2¯ +2e¯ e8¯ +e2¯ +2e¯ +K¡4 +<br />
k075<br />
e7¯ +e5¯ ³<br />
7e<br />
+K ¡2<br />
7¯ +5e5¯´ +
¡k 0741<br />
¡k07311<br />
¡k 072111<br />
187<br />
7e7¯ +4e4¯ +e¯ e7¯ +e4¯ +e¯ +K ¡3 ¡k ³<br />
7e<br />
0732<br />
7¯ +3e3¯ +2e2¯´ e7¯ +e3¯ +e2¯ +K ¡3 +<br />
7e 7¯ +3e 3¯ +2e ¯<br />
³<br />
7e 7¯ +4e 2¯ +e ¯´<br />
e7¯ +e3¯ +2e¯ +K ¡4 ¡k07221<br />
e7¯ +2e2¯ +e¯ +K ¡4 +<br />
7e 7¯ +2e 2¯ +3e ¯<br />
e 7¯ +e 2¯ +3e ¯ +K ¡5 ¡<br />
k066 ¡12<br />
2e6¯ +K ¡2 e6¯ ¡<br />
¡k0642<br />
¡k0633<br />
¡k063111<br />
¡k 062211<br />
6e 6¯ +4e 4¯ +2e 2¯<br />
k0711111<br />
e7¯ +5e¯ ³<br />
7e<br />
+K ¡6<br />
7¯ +5e¯´ k0651 e6¯ +e5¯ +e¯ ³<br />
6e<br />
+K ¡3<br />
6¯ +5e 5¯ +e ¯´<br />
+<br />
6e 6¯ +4e 4¯ +2e ¯<br />
e6¯ +e4¯ +e2¯ +K ¡3 ¡k06411<br />
e6¯ +e4¯ +2e¯ +K ¡4 +<br />
6e 6¯ +6e 3¯<br />
6e 6¯ +3e 3¯ +2e 2¯ +e ¯<br />
e6¯ +2e 3¯ +K ¡3 ¡k06321<br />
e6¯ +e3¯ +e2¯ +e¯ +K ¡4 +<br />
6e 6¯ +3e 3¯ +3e ¯<br />
6e 6¯ +6e 2¯<br />
e6¯ +e3¯ +3e¯ +K ¡5 ¡k06222<br />
e6¯ +3e2¯ +K ¡4 +<br />
6e 6¯ +4e 2¯ +2e ¯<br />
6e 6¯ +2e 2¯ +4e ¯<br />
e6¯ +2e 2¯ +2e¯ +K ¡5 ¡k0621111 e6¯ +e2¯ +4e¯ +K ¡6 +<br />
k06111111<br />
¡<br />
e6¯ +6e¯ +K ¡7<br />
k05511<br />
¡<br />
2e5¯ +2e 2¯ +K ¡4<br />
¡k05421<br />
¡k 05331<br />
³<br />
6e 6¯ +6e ¯´<br />
¡<br />
³<br />
10e 5¯ +4e 2¯´<br />
5e 5¯ +4e 4¯ +2e 2¯ +e ¯<br />
k0552<br />
2e5¯ +e2¯ ³<br />
10e<br />
+K ¡3<br />
5¯ +2e 2¯´<br />
+<br />
¡k 0543<br />
5e 5¯ +4e 4¯ +3e 3¯<br />
e 5¯ +e 4¯ +e 3¯ +K ¡3 +<br />
5e 5¯ +4e 4¯ +3e ¯<br />
e5¯ +e4¯ +e2¯ +e¯ +K ¡4 ¡k054111<br />
e5¯ +e4¯ +3e¯ +K ¡5 +<br />
5e 5¯ +6e 3¯ +e ¯<br />
5e 5¯ +3e 3¯ +4e 2¯<br />
e5¯ +2e 3¯ +e¯ +K ¡4 ¡k05322 e5¯ +e3¯ +2e2¯ +K ¡4 +
¡k053211<br />
¡k 052221<br />
5e 5¯ +3e 3¯ +2e 2¯ +2e ¯<br />
188<br />
5e 5¯ +3e 3¯ +4e ¯<br />
e5¯ +e3¯ +e2¯ +2e¯ +K ¡5 ¡k0531111<br />
e5¯ +e3¯ +4e¯ +K ¡6 +<br />
¡k05211111<br />
¡12k0444<br />
5e 5¯ +6e 2¯ +e ¯<br />
5e 5¯ +4e 2¯ +3e ¯<br />
e5¯ +3e 2¯ +e¯ +K ¡5 ¡k0522111 e5¯ +2e2¯ +3e¯ +K ¡6 +<br />
5e 5¯ +2e 2¯ +5e ¯<br />
5e 5¯ +7e ¯<br />
e5¯ +e2¯ +5e¯ +K ¡7 ¡k051111111<br />
e5¯ +7e¯ +K ¡8 +<br />
e4¯ 3e4¯ +K ¡3 ¡<br />
k04431<br />
2e4¯ +e3¯ +e¯ ³<br />
8e<br />
+K ¡4<br />
4¯ +3e 3¯ +e ¯´<br />
+<br />
k04422<br />
¡<br />
2e4¯ +2e2¯ +K ¡4<br />
k0441111 ¡<br />
2e4¯ +4e¯ +K ¡6<br />
¡k043311<br />
¡k0432111<br />
4e 4¯ +6e 3¯ +2e ¯<br />
³<br />
8e 4¯ +4e 2¯´<br />
³<br />
8e 4¯ +4e ¯´<br />
¡k 044211<br />
¡k 04332<br />
8e 4¯ +2e ¯ +2e 2¯<br />
2e 4¯ +2e ¯ +e 2¯ +K ¡5 +<br />
4e 4¯ +6e 3¯ +2e 2¯<br />
e 4¯ +2e 3¯ +e 2¯ +K ¡4 +<br />
4e 4¯ +3e 3¯ +4e 2¯ +e ¯<br />
e4¯ +2e 3¯ +2e¯ +K ¡5 ¡k043221<br />
e4¯ +e3¯ +2e2¯ +e¯ +K ¡5 +<br />
4e 4¯ +3e 3¯ +2e 2¯ +3e ¯<br />
4e 4¯ +3e 3¯ +5e ¯<br />
e4¯ +e3¯ +e2¯ +3e¯ +K ¡6 ¡k04311111<br />
e4¯ +e3¯ +5e¯ +K ¡7 +<br />
k042222<br />
¡<br />
e4¯ +4e2¯ +K ¡5<br />
¡k04221111<br />
³<br />
4e 4¯ +8e 2¯´<br />
4e 4¯ +4e 2¯ +4e ¯<br />
¡k 0422211<br />
4e 4¯ +6e 2¯ +2e ¯<br />
e 4¯ +3e 2¯ +2e ¯ +K ¡6 +<br />
4e 4¯ +2e 2¯ +6e ¯<br />
e4¯ +2e 2¯ +4e¯ +K ¡7 ¡k042111111<br />
e4¯ +e2¯ +6e¯ +K ¡8 +<br />
k0411111111<br />
¡<br />
e4¯ +8e¯ +K ¡9<br />
¡k 033321<br />
9e 3¯ +2e 2¯ +e ¯<br />
³<br />
4e 4¯ +8e ¯´<br />
k03333<br />
¡12<br />
4e3¯ +K ¡4 e3¯ +<br />
9e 3¯ +3e ¯<br />
3e3¯ +e2¯ +e¯ +K ¡5 ¡k0333111 3e3¯ +3e¯ +K ¡6 +
¡k 033222<br />
¡k 03321111<br />
¡k 0322221<br />
6e 3¯ +6e 2¯<br />
189<br />
2e 3¯ +3e 2¯ +K ¡5 ¡k 0332211<br />
6e 3¯ +2e 2¯ +4e ¯<br />
2e 3¯ +e 2¯ +4e ¯ +K ¡7 ¡<br />
3e 3¯ +8e 2¯ +e ¯<br />
6e3¯ +4e2¯ +2e¯ 2e3¯ +2e2¯ +2e¯ +K¡6 +<br />
k033111111<br />
2e3¯ +6e¯ ³<br />
6e<br />
+K ¡8<br />
3¯ +6e¯´ +<br />
3e 3¯ +6e 2¯ +3e ¯<br />
e3¯ +4e 2¯ +e¯ +K ¡6 ¡k03222111 e3¯ +3e2¯ +3e¯ +K ¡7 +<br />
k032211111<br />
¡<br />
e3¯ +7e¯ +K ¡8<br />
k03111111111<br />
³<br />
3e 3¯ +7e ¯´<br />
¡<br />
e3¯ +9e¯ +K ¡10<br />
k02222211<br />
¡<br />
5e2¯ +2e¯ +K ¡7<br />
k0222111111<br />
¡<br />
3e2¯ +6e¯ +K ¡9<br />
k021111111111<br />
¡<br />
e2¯ +10e¯ +K ¡11<br />
¡k 0321111111<br />
³<br />
3e 3¯ +9e ¯´<br />
³<br />
10e 2¯ +2e ¯´<br />
¡<br />
³<br />
6e 2¯ +6e ¯´<br />
¡<br />
3e 3¯ +2e 2¯ +7e ¯<br />
e 3¯ +e 2¯ +7e ¯ +K ¡9 +<br />
k0222222<br />
¡12<br />
6e2¯ +K ¡6 e2¯ +<br />
k022221111<br />
4e2¯ +4e¯ ³<br />
8e<br />
+K ¡8<br />
2¯ +4e¯´ +<br />
k02211111111<br />
2e2¯ +8e¯ ³<br />
4e<br />
+K ¡10<br />
2¯ +8e¯´ +<br />
³<br />
2e 2¯ +10e ¯´<br />
¡12 k0111111111111<br />
12e ¯ +K ¡12 e¯ = 0
190
191<br />
AP^ENDICE D<br />
ESTRUTURA DO SISTEMA E GUIA DE OPERAC» ~ AO<br />
D.1 - Estrutura do Sistema<br />
Neste Ap^endice sera apresentada a estrutura e a descri»c~ao da uti-<br />
liza»c~ao do sistema para processamento e analise de imagens SAR implementado com<br />
o uso da linguagem \Interactive Development Language" (IDL).<br />
A estrutura do sistema, apresentada na Figura 59, foi montada de<br />
forma a possibilitar a incorpora»c~ao de rotinas que ainda ser~ao desenvolvidas para o<br />
processamento, analise e classi¯ca»c~ao de imagens SAR.<br />
Figure 59: - Estrutura do Sistema de Processamento e Analise de Imagens SAR.<br />
D.1.1 - Nota»c~ao para este Ap^endice<br />
As op»c~oes de menu utilizadas no programa ser~ao denotadas em<br />
italico, assim como os termos em ingl^es que forem empregados.<br />
A sigla GUI (\Graphical User Interface") sera utilizada para deno-<br />
tar o uso de uma interface gra¯ca so¯sticada, que pode conter elementos gra¯cos
192<br />
tais como imagens, bot~oes do tipo comum, exclusivo, n~ao-exclusivo e deslizantes,<br />
\pull-down menus" (PDM), campos de texto editaveis ou n~ao e listas de elementos<br />
textuais, todos com sele»c~ao atraves do teclado ou do \mouse".<br />
De um modo geral as GUIs, que permitem a sele»c~ao de opera»c~oes<br />
aplicaveis aos dados, possuem as op»c~oes:<br />
D.2 - \File"<br />
² \OK": bot~ao para ¯nalizar as opera»c~oes indicadas para execu»c~ao ou ja<br />
executadas em memoria.<br />
² \Cancel" ou \Exit": bot~ao para cancelar as opera»c~oes indicadas para ex-<br />
ecu»c~ao ou ja executadas em memoria e fechar a GUI.<br />
²\Help": bot~aoparafornecer aousuarioajudasobreaexecu»c~aodasopera»c~oes<br />
da GUI.<br />
² \Error Message": e uma GUI ativada no lugar da fun»c~ao (ou GUI solici-<br />
D.2.1 - \Open"<br />
tada), quando algum pre-requisito ainda n~ao atingido foi detectado para a<br />
opera»c~ao selecionada. A GUI ativada indica os poss³veiserros e opera»c~oes<br />
necessarias para corre»c~ao.<br />
Ser~ao apresentadas nesta Se»c~ao as op»c~oes do PDM File.<br />
Esta op»c~ao do PDM e utilizada realizar sele»c~ao, abertura e ar-<br />
mazenamento em memoria dos dados do arquivo imagem.<br />
A GUI apresentada na Figura 60, p. 194,e ativada com asop»c~oes:<br />
² \Path": campo texto editavel, indicador do caminho onde esta o arquivo<br />
na arvore de subdiretorios;<br />
² \Search for": campo texto editavel, com o ¯ltro de caracteres para procura
193<br />
de arquivos (*.i, *.mxv, *.tif, etc);<br />
² \Subdirectories": lista os subdiretorios, com sele»c~ao via \mouse";<br />
² \Files": lista de arquivos, com possibilidade de sele»c~ao via \mouse";<br />
² \Selection": campo texto onde aparece o nome do arquivo selecionado com<br />
o \mouse". Tambem permite a edi»c~ao do nome do arquivo via teclado.<br />
Se a imagem possuir arquivo de informa»c~oes (com extens~ao *.hdx),<br />
as informa»c~oes a³ presentes ser~ao usadas na abertura da imagem. Caso contrario,<br />
sera ativada a GUI correspondente µa Figura 61, p. 194, com:<br />
² \File Format": bot~ao tipo exclusivo para os formatos de armazenagem em<br />
arquivo do tipo \raw" ou \ti®". A implementa»c~ao para leitura de arquivo<br />
\ti®" ainda n~ao esta operacional;<br />
²\NumericFormat": bot~ao tipoexclusivoparaosformatosnumericos\Byte",<br />
\Integer", \Long Integer", \Float", \Double" e \Complex";<br />
² \Rows": campo texto editavel para o numero de linhas;<br />
² \Columns": campo texto editavel para o numero de colunas;<br />
² \Bands": campo texto editavel para o numero de bandas da imagem.<br />
² \Interleave": bot~ao do tipo exclusivo para sele»c~ao do modo de armazena-<br />
mento de bandas intercaladas por \pixel" (BIP), bandas em seqÄu^encia<br />
(BSQ) e bandas intercaladas por linhas (BIL). Esta op»c~ao ainda n~ao esta<br />
implementada, uma vez que o sistema so esta operacional para dados mo-<br />
noespectrais em amplitude.<br />
Caso exista incompatibilidade entre asinforma»c~oesinseridasnaGUI<br />
acima e o arquivo imagem, aGUI permanecera ativaate que seja cancelada ousejam<br />
efetuadas as corre»c~oes nos dados de entrada.
194<br />
Figure 60: - Interface para sele»c~ao de arquivo.<br />
Figure 61: - Interface para inser»c~ao de dados da imagem.
195<br />
Se a imagem for aberta a mesma sera mostrada em uma GUI cor-<br />
respondente a da Figura 62, com bot~oes para deslocamento da imagem e pass³vel<br />
apenas de minimiza»c~ao na tela de trabalho.<br />
D.2.2 - \Save as"<br />
Figure 62: - Interface para visualizar uma imagem.<br />
Esta op»c~ao esta dispon³vel para salvar as imagens geradas em pro-<br />
cessamentos ou para mudar o nome em arquivo.<br />
Uma GUI, correspondente a apresentada na Figura 63, p. 196, e<br />
ativada com a lista das imagens ativas e suas informa»c~oes principais.<br />
Selecionada com o \mouse" uma imagem para ser salva, uma GUI<br />
correspondente a da Figura 60, p. 194, e aberta, permitindo especi¯car novo nome<br />
e subdiretorio para a imagem.<br />
O arquivo de informa»c~oes em formato ASCII, com o nome principal<br />
da imagen e extens~ao *.hdx, e gerado no subdiretorio corrente da imagem ao ¯nal<br />
da opera»c~ao.
196<br />
Figure 63: - Interface para selecionar imagem a ser salva em arquivo.<br />
Figure 64: - Interface para selecionar uma imagem para ser fechada.
D.2.3 - \Close"<br />
vas.<br />
197<br />
Esta op»c~ao e utilizada para fechar imagens da lista de imagens ati-<br />
Uma GUI correspondente a da Figura 64 e ativada com a lista<br />
das imagens ativas e suas informa»c~oes principais. Para fechar uma imagem basta<br />
seleciona-la com o \mouse".<br />
D.2.4 - \Exit"<br />
Estaop»c~ao permitaa sa³dadosistema, com ofechamentodasjanelas<br />
ativas e libera»c~ao dos dados da memoria principal.<br />
D.3 - \Operations"<br />
D.3.1 - \Convertions"<br />
Ser~ao apresentadas nesta Se»c~ao as op»c~oes do PDM \Operations".<br />
Esta op»c~ao do PDM e utilizada para efetuar a convers~ao entre<br />
imagens amplitude, intensidade e complexa.<br />
tude.<br />
dade.<br />
1) \Complex" ! \Amplitude"<br />
Op»c~ao para converter uma imagem complexa em imagem ampli-<br />
2) \Complex" ! \Intensity"<br />
Op»c~ao para converter uma imagem complexa em imagem intensi-<br />
3) \Complex" ! \Phase"<br />
Op»c~ao para converter uma imagem complexa em imagem fase.
ginaria.<br />
198<br />
4) \Complex" ! \Real and Imaginary"<br />
Op»c~ao para decompor uma imagem complexa nas partes reale ima-<br />
5) \Amplitude" ! \Intensity"<br />
Op»c~ao para converter uma imagem amplitude em intensidade.<br />
6) \Intensity" ! \Amplitude"<br />
D.3.2 - \Filters"<br />
D.3.3 - \Nr Looks Estimation"<br />
Op»c~ao para converter uma imagem intensidade em amplitude.<br />
Esta op»c~ao permite a inser»c~ao de ¯ltros adequados aos dadosSAR.<br />
Op»c~ao para estima»c~ao do numero equivalente de visadas da uma<br />
imagem selecionada, de¯nido na Subse»c~ao 5.2.5.1, p. 50.<br />
O numero equivalente de visadas e um dos par^ametros utilizados<br />
quando se usa o modelo multiplicativo (Se»c~ao 4.1, p. 39). Para o caso das ima-<br />
gens monoespectrais, e par^ametro das distribui»c~oes Raiz de Gama, K-Amplitude,<br />
G-Amplitude, Normal Restrita Amplitude, Gama, K-Intensidade G-Intensidade e<br />
Normal Restrita Intensidade, apresentadas no Cap³tulo 3.<br />
Este par^ametro e estimado uma unica vez para toda a imagem,<br />
com o uso dos primeiro e segundo momentos estimados de amostras selecionadas e<br />
coletadas em regi~oes homog^eneas da imagem.<br />
Usando os dados inseridos relativos ao tipo de informa»c~ao, a rotina<br />
seleciona a op»c~ao correta para a estima»c~ao e teste de ader^encia da distribui»c~ao, caso<br />
os dados sejam em amplitude ou em intensidade.
199<br />
Na atualidade apenas o modulo para dados em amplitude esta tes-<br />
tado. Oalgoritmo foi implementadosob a hipotese do modelo multiplicativo e de que<br />
o sinal de retorno provem de uma regi~ao homog^enea. Sob esta hipotese o valor obser-<br />
vado para cada\pixel" e a ocorr^enciade uma variavelaleatoriacom distribui»c~ao Raiz<br />
de Gama. O estimador do numero equivalente de visadasn e obtido pela solu»c~ao da<br />
seguinte equa»c~ao do Metodo dos Momentos, tambem apresentada na Se»c~ao 3.14, p.<br />
25:<br />
0s<br />
1<br />
cm2<br />
@ A<br />
bnv<br />
¡ (bnv +1=2)<br />
¡(bnv)<br />
¡ cm1 =0<br />
O modulo implementado permite a captura de varias amostras, as<br />
quais s~ao testadas pelo teste do Qui-quadrado quanto ao ajuste µa uma distribui»c~ao<br />
Raiz de Gama. As amostras com baixo p-valor podem ser rejeitadas e as amostras<br />
remanescentes podem ser novamente testadas para um certo numero equivalente de<br />
visadas medio ou inserido via teclado.<br />
correspondente µa Figura 65 com:<br />
A estima»c~ao do numero equivalente de visadas inicia com a GUI<br />
Figure 65: - Interface para estima»c~ao do numero equivalente de visadas.
200<br />
² \Signi¯cance level": bot~ao tipo exclusivo para o n³veis de signi¯c^ancia de<br />
1%, 5% e 10%. O valor selecionado sera usado no teste de hipoteses que<br />
determina se a amostra pertence ou n~ao µa distribui»c~ao em quest~ao. Ser~ao<br />
aceitas as amostras cujo p-valor seja superior ao n³vel de signi¯c^ancia<br />
selecionado.<br />
² \Image Zoom": bot~ao tipo deslizante para sele»c~ao do fator de amplia»c~ao<br />
na imagem da qual ser~ao coletadas as amostras.<br />
² \Sampling": bot~ao para amostragem, que abre a GUI correspondente a<br />
da Figura 62, p. 195, com bot~oes deslizantes para deslocar a imagem e<br />
outra GUI correspondente a Figura 66, p. 201, para sele»c~ao das regi~oes<br />
de interesse, com as seguintes op»c~oes:<br />
± \New": bot~ao para iniciar a coleta de nova subamostra;<br />
± \Delete": bot~ao para apagar o ultimo ponto da lista;<br />
± \Delete All": bot~ao para apagar todas as subamostras coletadas;<br />
± \Collect": bot~ao tipo exclusivo, com as op»c~oes \Polygon" e - \Point",<br />
para coleta de subamostras por pol³gono ou por pontos;<br />
± \Mode": bot~ao tipo exclusivo, com as op»c~oes \Add" e \Remove", para<br />
sele»c~ao de modo de adi»c~ao ou remo»c~ao de pontos.<br />
Um exemplode teste deamostra para a distribui»c~ao Raiz deGama pode ser<br />
visto na Figura 68, p. 202, onde e apresentada tambem uma analise des-<br />
critiva da amostra, o p-valor e o resultado do teste ao n³vel de signi¯c^ancia<br />
considerado.<br />
² \N Looks Est": campo texto editavel, onde e mostrada a media do numero<br />
equivalente de visadas das amostras da lista;
201<br />
² \List of samples": lista dasamostras ativas, com seus respectivostamanhos<br />
em \pixels", numeros equivalente de visadas e p-valores obtidos;<br />
² \Sample Discard": bot~ao que abre uma GUI correspondente a da Figura<br />
67, p. 202, com a lista das amostras ativas, permitindo a elimina»c~ao de<br />
amostras com o uso do \mouse";<br />
² \P-Value Reestimate": bot~ao para recalcular os p-valores para todas as<br />
amostras, considerando o valor existente no campo texto \N Looks Est".<br />
² Oultimo valor estimado ou editado no campo\N LooksEst" para o numero<br />
equivalente de visadas e o que sera armazenado no arquivo de informa»c~oes<br />
da imagem, quando selecionada a op»c~ao de sa³da \OK".<br />
Figure 66: - Interface para de¯ni»c~ao de regi~ao de interesse.
202<br />
Figure 67: - Interface para eliminar uma amostra utilizada na estima»c~ao do numero<br />
equivalente de visadas.<br />
Figure 68: - Interface com a analise descritiva e resultado do teste da amostra sele-<br />
cionada para estimar o numero equivalente de visadas.
203<br />
Figure 69: - Interface para selecionar as imagens que ser~ao somadas.<br />
Figure 70: - Interface para aplicar opera»c~oes matematicas sobre uma imagem.
D.3.4 - \Operations - Image Resample"<br />
204<br />
Op»c~ao para redimensionar o tamanho dos \pixels" e compatibilizar<br />
dimens~oes entre imagens, com op»c~oes para escolha do vizinho mais proximo ou uso<br />
dos metodos de interpola»c~ao bilinear ou convolu»c~ao cubica. Esta rotina ainda n~ao<br />
esta incorporada ao sistema.<br />
D.3.5 - \Operations - Image Extract"<br />
Op»c~ao para extrair uma regi~ao retangular de uma imagem, gerando<br />
o correspondente arquivo de informa»c~oes. Esta rotina ainda n~ao esta incorporada ao<br />
sistema.<br />
D.3.6 - \Operations - Image Addition"<br />
Op»c~ao para realizar a adi»c~ao \pixel"-a-"pixel" entre imagens. As<br />
imagens a serem adicionadas devem ser selecionadas da lista aprentada na GUI cor-<br />
respondente a da Figura 69, p. 203. Uma vez determinada a execu»c~ao da opera»c~ao<br />
a imagem sera gerada em formato numerico adequado aos dados de entrada e<br />
visualizada em uma GUI.<br />
D.3.7 - \Operations - Image Subtraction"<br />
Op»c~ao para realizar a subtra»c~ao \pixel"-a-"pixel" entre imagens.<br />
As imagens a serem usadas na opera»c~ao devem ser selecionadas da lista aprentada<br />
na GUI similar a da Figura 69, p. 203. Uma vez determinada a execu»c~ao da<br />
opera»c~ao a imagem sera gerada em formato numerico adequado aos dados de entrada<br />
e visualizada em uma GUI.<br />
D.3.8 - \Operations - Image Division"<br />
Op»c~ao para realizar a divis~ao \pixel"-a-"pixel" entre imagens. As<br />
imagens a serem usadas na opera»c~ao devem ser selecionadas da lista aprentada na<br />
GUI correspondente a da Figura 69, p. 203. Uma vez determinada a execu»c~ao da
205<br />
opera»c~ao a imagem sera gerada em formato \°oat" e visualizada em uma GUI.<br />
D.3.9 - \Operations - Image Multiplication"<br />
Op»c~ao pararealizar amultiplica»c~ao \pixel"-a-"pixel" entre imagens.<br />
As imagens a serem usadas na opera»c~ao devem ser selecionadas da lista aprentada<br />
na GUI correspondente a da Figura 69, p. 203. Uma vez determinada a execu»c~ao<br />
da opera»c~ao a imagem sera gerada em formato \°oat" e visualizada em uma GUI.<br />
D.3.10 - \Operations - Image Math Operations"<br />
cionada.<br />
Op»c~ao para realizar opera»c~oes sobre cada \pixel" da imagem sele-<br />
Abre a GUI correspondente µa Figura 70, p. 203, e apresenta uma<br />
lista com as imagens ativas e as seguintes op»c~oes:<br />
² \Addition": campo texto editavel para digitar o escalar que sera somado a<br />
cada \pixel". Dispensa o sinal algebrico e executa a opera»c~ao com a tecla<br />
\Enter".<br />
² \Subtraction": campo texto editavel para digitar o escalar que sera sub-<br />
tra³do de cada pixel. Dispensa o sinal algebrico e executa a opera»c~ao com<br />
a tecla \Enter".<br />
² \Multiplication": campo texto editavel para digitar o escalar pelo qual cada<br />
\pixel" sera multiplicado. Dispensa o sinal algebrico e executa a opera»c~ao<br />
com a tecla Enter.<br />
² \Division": campo texto editavel para digitar o escalar pelo qual cada<br />
\pixel" sera dividido. Dispensa o sinal algebrico e executa a opera»c~ao com<br />
a tecla \Enter".<br />
² Log: bot~ao para aplicar o logaritmo natural a cada \pixel".<br />
² Exp: bot~ao para aplicar a fun»c~ao exponencial a cada \pixel".
206<br />
² \Sqroot": bot~ao para extrair a raiz quadrada de cada \pixel".<br />
² \Sqr": bot~ao para elevar cada \pixel" ao quadrado.<br />
²\Hist equal": bot~ao para gerar a imagemcom oseuhistogramaequalizada.<br />
² \Ceil": bot~ao para efetuar o truncamento de dados \°oat" ou \double"<br />
para o maior inteiro mais proximo.<br />
² \Floor": bot~ao para efetuar o truncamento de dados \°oat" ou \double"<br />
para o menor inteiro mais proximo.<br />
² \Round": bot~ao para efetuar o truncamento de dados \°oat" ou \double"<br />
para o inteiro mais proximo.<br />
² Min (): op»c~ao para efetuar a transla»c~ao pelo valor m³nimo da imagem.<br />
² / Max (): op»c~ao para efetuar a divis~ao pelo valor maximo da imagem.<br />
²\Byte": Aplica-seesta opera»c~aoparafor»cardadosemoutroformatonumerico<br />
para o formato \byte". Deve-se observar que os dados \byte" s~ao numeros<br />
naturais entre 0 e 255.<br />
²\Int": Aplica-seestaopera»c~ao para for»car dadosemoutroformatonumerico<br />
para o formato \Integer". Deve-se observar que os dados \Integer" s~ao<br />
numeros inteiros entre ¡32:768e32:767.<br />
² \LongInt": Aplica-se esta opera»c~ao para for»car dados em outro formato<br />
numerico para o formato \Long Integer". Deve-se observar que os dados<br />
\Long Integer" s~ao numeros inteiros entre ¡2:0e9 e 2:0e9.<br />
² \Float": Aplica-se esta opera»c~ao para for»car dados em outro formato<br />
numerico para o formato \°oat".<br />
² \Double": Aplica-se esta opera»c~ao para for»car dados em outro formato<br />
numerico para o formato \double".
207<br />
As opera»c~oes aplicadas na imagem aparecem em seqÄu^encia na lista<br />
de opera»c~oes. Dependendo do tipo de opera»c~ao, ha a convers~ao a priori dos dados<br />
para o formato numerico adequado, especi¯cado dentro dos par^enteses na linha da<br />
opera»c~ao que foi aplicada.<br />
D.3.11 - \Operations - Read Special"<br />
formatos n~ao previstos no ENVI.<br />
Op»c~ao para realizar a leitura de imagem em ¯ta ou CDROM, em<br />
Figure 71: - Interface para efetuar a parti»c~ao e modelagem da imagem a ser classi¯-<br />
cada.
D.4 - \Classi¯cation"<br />
208<br />
D.4.1 - \Classi¯cation - Partition and Modelling"<br />
respectivos modelos estat³sticos.<br />
Op»c~ao para determinar a parti»c~ao da imagem em classes e os<br />
Uma GUI correspondente a da Figura 71 e ativada, com uma lista<br />
para classes ativas e as seguintes op»c~oes:<br />
² \Info Type": e um \pull-down menu" para selecionar ou alterar o tipo de<br />
dado e processamento que sera aplicado. Conforme citado na introdu»c~ao<br />
deste trabalho,apenasa implementa»c~aoreferente aosdadosmonoespectrais<br />
em amplitude est~ao operacionais para a classi¯ca»c~ao. Possui as op»c~oes:<br />
± \Monospectral"<br />
¦ \Complex"<br />
¦ \Amplitude"<br />
¦ \Intensity"<br />
± \Multispectral"<br />
¦ \Univariate"<br />
? \Amplitudes Ratio"<br />
? \Intensities Ratio"<br />
? \Phase Di®erence"<br />
¦ \Multivariate"<br />
? \N Amplitudes"
? \N Intensities"<br />
209<br />
? \Pair Amplitude - Phase Di®erence"<br />
? \Pair Intensity - Phase Di®erence"<br />
² \Classes Input File Selection": bot~ao para ativar a GUI correspondente a<br />
da Figura 60, p. 194, que permite a abertura de uma arquivo de classes ja<br />
existente.<br />
² \Insert": bot~ao que ativa a GUI correspondente a da Figura 72, p. 209,<br />
para inser»c~ao de uma nova classe em uma posi»c~ao selecionada na lista,com<br />
as op»c~oes abaixo:<br />
Figure 72: - Interface para adicionar uma classe.<br />
± \Name": campo texto para edi»c~ao do nome;<br />
± \Color": campo numerico para inser»c~ao do numero da cor desejada<br />
para a classe, de acordo com a tabela de cores em uso.<br />
± \Statistic Model": lista as distribui»c~oesde acordo com a sele»c~ao especi-<br />
¯cada no PDM \Info Type", conforme as Tabelas 31, 32, 33, 34, 35 e<br />
36.
210<br />
\Monospectral Complex"<br />
\Bivariate Normal"<br />
\Bivariate Complex K"<br />
\Bivariate Complex G0"<br />
\Bivariate Complex G"<br />
\Monospectral"<br />
Amplitude "Intensity"<br />
\Restrict Normal Amplitude" \Restrict Normal Intensity"<br />
\Square Root of Gamma" \Gamma"<br />
Amplitude K \Intensity K"<br />
Amplitude G0 \Intensity G0"<br />
Amplitude G \Intensity G"<br />
Normal<br />
Log-Normal<br />
Weibull<br />
Beta<br />
\Multispectral Multivariate"<br />
\Amplitude" \Intensity"<br />
\N Sqrt Gammas" \N Gammas"<br />
\N Amplitudes K" \N Intensities K"<br />
\N Amplitudes G0" \N Intensities G0"<br />
\Multispectral Multivariate"<br />
\Pair Amplitude - Phase Di®erence" \Pair Intensity - Phase Di®erence"<br />
\Sqrt Gamma", \Uniform Di®erence" \Gamma", \Uniform Di®erence"<br />
\Amplitude K", \K Phase Di®erence" \Intensity K", \K Phase Di®erence"<br />
\Amplitude G0", \G0 Phase Di®erence" \Intensity G0", \G0 Phase Di®erence"
211<br />
\Multispectral Univariate Phase Di®erence"<br />
\Uniform" { \Uniform"<br />
\Phase K" { \Phase K"<br />
\Phase G0" { \Phase G0"<br />
\Uniform" { \Phase K"<br />
\Uniform" { \Phase G0"<br />
\Phase K" { \Phase G0"<br />
\Multispectral Univariate"<br />
Amplitude \Intensity"<br />
\Sqrt Gamma" / \Sqrt Gamma" \Gamma" / \Gamma"<br />
AmplitudeK / AmplitudeK \Intensity K" / \Intensity K"<br />
Amplitude G0 / Amplitude G0 \Intensity G0" / \Intensity G0"<br />
\Sqrt Gamma" / Amplitude K \Gamma" / \Intensity K"<br />
\Sqrt Gamma" / Amplitude G0 \Gamma" / \Intensity G0"<br />
Amplitude K / Amplitude G0 \Intensity K" / \Intensity G0"
212<br />
² \Discard": bot~ao que abre a GUI correspondente a da Figura 73 com a<br />
lista das classes ativas. O \mouse" e usado para selecionar a classe a ser<br />
elimina da lista.<br />
² \Change": bot~ao que abre a GUI correspondente a da Figura 74, p. 213,<br />
com a lista das classes ativas. O uso do \mouse" sobre o nome da classe<br />
permite a edi»c~ao donome no campo texto \name" e a troca dadistribui»c~ao<br />
associada.<br />
² \Classes Output File Selection": bot~ao que ativa a GUI correspondente a<br />
da Figura 60, p. 194, para sele»c~ao do arquivo no qual ser~ao armazenados<br />
os dados relativos µas classes. Oarquivo e escrito em formato ASCII e deve<br />
possuir a extens~ao .cla.<br />
² \Reset": bot~ao que apaga em memoria todas as classes da lista.<br />
D.4.2 - \Classi¯cation - Sampling and Inference"<br />
Op»c~ao para coletar, na imagem, amostras associadas a cada classe<br />
e estimar os par^ametros em fun»c~ao da distribui»c~ao associada.<br />
op»c~oes:<br />
Uma GUI correspondente a da Figura 75, p. 214, e ativada com as<br />
² \Input Sample File Selection": bot~ao que ativa a GUI correspondente a da<br />
Figura 60, p. 194, para sele»c~ao de um arquivo de amostras existente. O<br />
arquivo em formato ASCII e binario possui extens~ao *.amo.
213<br />
Figure 73: - Interface para eliminar uma classe da parti»c~ao e modelagem.<br />
Figure 74: - Interface para editar os dados relativos a determinada classe.
214<br />
Figure 75: - Interface para infer^encia e amostragem.
215<br />
± \Add": bot~ao que ativa a GUI correspondente a da Figura 76, p. 216,<br />
para captura de uma amostra com:<br />
± \Sample Name": campo texto editavel para o nome da amostra;<br />
± \Type": bot~ao tipo exclusivo para sele»c~ao do tipo de amostra, com as<br />
op»c~oes \Inference", \Test" e \Both".<br />
± \Classes List": lista das classes, para associa»c~ao de uma classe µa<br />
amostra que esta sendo adicionada.<br />
± \Image Zoom": bot~ao deslizante para sele»c~ao do fator de amplia»c~ao na<br />
imagem de captura das amostras.<br />
± \Sample Capture": bot~ao para amostragem, que abre a GUI corre-<br />
spondente a da Figura 62, p. 195, e outra GUI correspondente a da<br />
Figura 66, p. 201, com as seguintes op»c~oes para sele»c~ao das regi~oes de<br />
interesse:<br />
¦ \New": bot~ao para iniciar a coleta de nova amostra;<br />
¦ \Delete": bot~ao para apagar o ultimo ponto da lista;<br />
¦ \Delete All": bot~ao para apagar todos os pontos coletados;<br />
¦ \Collect": bot~ao tipo exclusivo, com asop»c~oes \Polygon" e \Point",<br />
para coleta de amostras;<br />
¦ \Mode": bot~ao tipo exclusivo, com as op»c~oes , \Add" e \Remove",<br />
para sele»c~ao de modo de a»c~ao;<br />
² \Change": bot~ao que ativa a GUI correspondente a da Figura 77, 216, que<br />
permite trocar os par^ametros da amostra com:
216<br />
Figure 76: - Interface para adicionar uma amostra.<br />
Figure 77: - Interface para editar os dados de uma amostra.
217<br />
± \Samples List": lista para sele»c~ao via \mouse" da amostra a ser edi-<br />
tada;<br />
± \SampleName": campotextoeditavelparatroca do nome da amostra;<br />
± \Type": bot~ao para trocar o tipo da amostra (\Inference", \Test" e<br />
\Both");<br />
± \Classes List": lista de classes, para alterar a distribui»c~ao associada.<br />
² \Discard": bot~ao para elimina»c~ao de amostras. A GUI correspondente a da<br />
Figura 78 e ativada com a lista de amostras, cuja sele»c~ao para elimina»c~ao<br />
e feita com o uso do \mouse".<br />
² \Decorrelation of Samples"<br />
Op»c~ao para efetuar a decorrela»c~ao das amostras coletadas. Abre a<br />
GUI correspondente a da Figura 79, p. 218, com a lista das amostras coletadas e as<br />
op»c~oes:<br />
± \Lag Horizontal": campo texto para inser»c~ao do fator de reamostragem<br />
na dire»c~ao horizontal (em colunas).<br />
± \Lag Vertical": campo texto para inser»c~ao do fator de reamostragem<br />
na dire»c~ao vertical (em linhas).<br />
± \Apply Decorrelation": bot~ao para aplicar µa amostra selecionada da<br />
lista osfatoresde decorrela»c~ao inseridos. Se nenhum valor for inserido<br />
a amostra permanece inalterada.
218<br />
Figure 78: - Interface para eliminar uma amostra.<br />
Figure 79: Interface para decorrelacionar as amostras.
² \Chi-square goodness-of-¯t test"<br />
219<br />
Op»c~ao para veri¯car, em cada classe, se distribui»c~ao escolhida na<br />
parti»c~ao e modelagem e o mais adequado. Para tal e aplicado o teste Qui-quadrado.<br />
A GUI correspondente a da Figura 80, com a lista das classes a serem testadas e<br />
ativada.<br />
Figure 80: - Interface para aplicar o teste Qui-quadrado µas classes.<br />
Selecionando-se com o \mouse" a classe a ser testada, a GUI<br />
correspondente a da Figura 81, p. 220, e aberta, onde e apresentada a analise<br />
descritiva do conjunto de amostras da classe selecionada. Outras GUIs correspon-<br />
dentes a da Figura 82, p. 221, s~ao abertas quando selecionadas as distribui»c~oes a<br />
serem testadas. Para cada teste s~ao mostrados o histograma das amostras da classe,<br />
a fun»c~ao densidade de probabilidade e par^ametros estimados da distribui»c~ao esco-<br />
lhida e o p-valor resultante do teste Qui-quadrado. Uma vez veri¯cada a escolha
220<br />
incorreta da distribui»c~ao para uma dada classe, o usuario deve fazer a corre»c~ao do<br />
modelo usando a op»c~ao \Classi¯cation - Partition and Modelling - Change". Para<br />
esta corre»c~ao, obrigatoria antes de se estimar e salvar em arquivo os par^ametros das<br />
classes, n~ao e necessario fechar as janela ativas.<br />
Figure 81: - Interface que mostra a analise descritiva das amostras relativas µa classe<br />
selecionada para teste.<br />
² \Calculate and Save Parameter in File": bot~ao que ativa a rotina que cal-<br />
cula ospar^ametrosda distribui»c~ao de cada classe. A GUI correspondente a<br />
da Figura 60, p. 194, permite a sele»c~ao do arquivo (com a extens~ao *.cla)<br />
no qual ser~ao salvos os par^ametros estimados e as de¯ni»c~oes das classes.<br />
Estas informa»c~oes e que ser~ao utilizadas nas classi¯ca»c~oes Maxver.<br />
² \Output Samples File Selection": bot~ao que ativa a GUI correspondente a<br />
da Figura 60, p. 194, que permite a sele»c~ao do arquivo (com a extens~ao<br />
*.amo), no qual as amostras ser~ao salvas.<br />
D.4.3 - \Classi¯cation - Classify"<br />
Op»c~ao para aplicar os par^ametros de classi¯ca»c~ao armazenados em<br />
um arquivo e classi¯car a imagem.
221<br />
Figure 82: - Interface com o resultado do teste Qui-quadrado relativo a dada classe,<br />
considerando a distribui»c~ao selecionada.<br />
E aberta uma GUI com a lista de imagens ativas na qual, com o<br />
uso do \mouse", se faz a sele»c~ao da imagem a ser classi¯cada. Uma vez selecionada<br />
uma imagem da lista, a GUI correspondente a da Figura 60, p. 194, e aberta para a<br />
sele»c~ao do arquivo (com extens~ao *.cla) que contem as de¯ni»c~oes e par^ametros das<br />
distribui»c~oes dasclasses. Oalgoritmo de Maxima Verossimilhan»ca faz a classi¯ca»c~ao<br />
inicial da imagem. A GUI correspondente a da Figura 83 e ativada, na qual se<br />
pode visualizar as fun»c~oes densidade de probabilidade das distribui»c~oes associadas<br />
µas classes. A GUI apresentada na Figura 85, p. 224, e ativada para visualiza»c~ao da<br />
imagem classi¯cada. As cores apresentadas na imagem s~ao as que foram escolhidas<br />
na de¯ni»c~ao das classes.<br />
Sobre a imagem gerada pelo algoritmo MaxVer e aplicado o algo-<br />
ritmo \Iterated Conditional Modes" (ICM). A imagem obtida tambem e visualizada<br />
em uma GUI correspondente a da Figura 86, p. 224.
222<br />
Figure 83: - Interface que apresenta as fun»c~oes densidade de probabilidade usadas<br />
na classi¯ca»c~ao.<br />
D.4.4 - \Classi¯cation - Results"<br />
Op»c~ao para avaliar o resultado da classi¯ca»c~ao, atraves da matriz<br />
de confus~ao, calculada com o uso das amostras selecionadas para teste ou de uma<br />
imagem verdade registrada em rela»c~ao µa imagem classi¯cada. A GUI correspondente<br />
a da Figura 87, p. 224, e ativada com os bot~oes para se fazer a op»c~ao do teste. Se<br />
selecionada a op»c~ao da imagem verdade para avalia»c~ao da classi¯ca»c~ao, a mesma<br />
deve ser previamente inserida na lista de imagens ativas.<br />
A matriz de confus~ao apresenta, por linhas, quanto cada classe foi<br />
classi¯cada corretamente e erradamente nas outras classes.<br />
D.5 - \Utilities"<br />
D.5.1 - \Utilities - Image Default"<br />
Esta op»c~ao e usada para selecionar a imagem sobre a qual ser~ao<br />
executadas opera»c~oes, caso exista mais de uma imagem na lista. Uma GUI com a<br />
lista dasimagensativase aberta,sobrea qualse faz a sele»c~aocom o uso do\mouse".
D.5.2 - \Utilities - Statistics"<br />
223<br />
Figure 84: - Interface para aplica»c~ao do ICM.<br />
Esta op»c~ao permite para visualizar a analise descritiva de uma<br />
imagem e tambem veri¯car quala distribui»c~aomaisaderente µa imagem. S~ao ativadas<br />
as GUIs correspondentes as das Figuras 81 e 82, p. 220 e 221.<br />
D.5.3 - \Utilities - Info Type"<br />
E um \pull-down menu" para selecionar ou alterar o tipo de dado<br />
de entrada e de processamento a ser aplicado na imagem SAR corrente.
224<br />
Figure 85: -Visualiza»c~ao de uma classi¯ca»c~ao Maxver de uma imagem SAR-580 com<br />
quatro visadas.<br />
Figure 86: - Visualiza»c~ao de uma classi¯ca»c~ao ICM de uma imagem SAR 580 a<br />
quatro visadas.<br />
Figure 87: - Interface para visualiza»c~ao da matriz de confus~ao.
D.5.4 - \Utilities - Annotate"<br />
225<br />
Esta op»c~ao ativa a GUI apresentada na Figura 88. Esta fun»c~ao e<br />
da biblioteca da linguagem IDL e possui op»c~oes para inserir interativamente textos,<br />
linhas, setas, ret^angulos, c³rculos, el³pses e pol³gonos na imagem corrente. Podem<br />
ser geradosarquivos com osdadosinseridos nos formatos TIFF, GIFou PostScript.<br />
Figure 88: - Interface para edi»c~ao de elementos gra¯cos na imagem.
D.5.5 - \Utilities - Color Palette"<br />
226<br />
Esta op»c~ao ativa a GUI apresentada na Figura 89. Esta rotina e da<br />
biblioteca do IDL e permite interativamente a cria»c~ao e modi¯ca»c~ao de tabelas de<br />
cores usando ossistemasde cores RGB, CMY, HSV ou HLS. Mais informa»c~oessobre<br />
o uso da rotina podem ser obtidas no Guia de Refer^encia da linguagem IDL.<br />
Figure 89: - Interface para edi»c~ao de paleta de cores.
D.5.6 - \Utilities - Color Tables"<br />
227<br />
Esta op»c~ao mostra a tabela de cores em uso e tambem permite<br />
selecionar uma dastabelas prede¯nidas na lista. Esta fun»c~ao tambem e da biblioteca<br />
dalinguagemIDLe possibilitainterativamente alongar,efetuaracorre»c~aodoGamma<br />
e aplicar fun»c~ao de transfer^encia de contraste na tabela em uso.<br />
Figure 90: - Interface para edi»c~ao de tabela de cores.
Contents<br />
228<br />
INTRODUC» ~ AO.............................................................. 1<br />
NOTAC» ~OES, CONVENC»~OES E DEFINIC»~OES ........................ 5<br />
1 Nota»c~ao e Conven»c~oes..................................................... 5<br />
2 De¯ni»c~oes ................................................................. 6<br />
2.1 Fun»c~ao Indicadora de um Conjunto A............................... 6<br />
2.2 A Fun»c~ao Gamma de Euler.......................................... 6<br />
2.3 A Fun»c~ao Digamma ................................................. 7<br />
2.4 A Fun»c~aoKº de Bessel de Terceiro Tipo e Ordemº ................ 7<br />
2.5 A Fun»c~ao de Distribui»c~ao Acumulada ............................... 8<br />
2.6 Esperan»ca ........................................................... 8<br />
2.7 Vari^ancia ............................................................ 9<br />
2.8 Covari^ancia e Correla»c~ao ........................................... 10<br />
2.9 Momentos .......................................................... 11<br />
2.10 Autocovari^ancia e Autocorrela»c~ao .................................. 13<br />
3 Estima»c~ao de Par^ametros ................................................ 13<br />
3.1 Estima»c~ao pelo Metodo dos Momentos ............................. 13<br />
3.2 Estima»c~ao pelo Metodo de Maxima Verossimilhan»ca ............... 14<br />
PRINCIPAIS DISTRIBUIC»~OES.........................................17<br />
1 Distribui»c~ao Normal Padr~ao.............................................. 17
229<br />
2 Distribui»c~ao Normal...................................................... 17<br />
3 Distribui»c~ao Normal Multivariada........................................ 18<br />
4 Distribui»c~ao Log-Normal................................................. 19<br />
5 Distribui»c~ao Constante................................................... 20<br />
6 Distribui»c~ao Uniforme.................................................... 20<br />
7 Distribui»c~ao Exponencial Padr~ao......................................... 21<br />
8 Distribui»c~ao Exponencial................................................. 21<br />
9 Distribui»c~ao Rayleigh Padr~ao ............................................ 22<br />
10 Distribui»c~ao Rayleigh .................................................... 22<br />
11 Distribui»c~ao Gama Padr~ao ............................................... 23<br />
12 Distribui»c~ao Gama ....................................................... 24<br />
13 Distribui»c~ao Raiz de Gama Padr~ao....................................... 25<br />
14 Distribui»c~ao Raiz de Gama............................................... 25<br />
15 Distribui»c~ao Beta ........................................................ 27<br />
16 Distribui»c~ao Weibull ..................................................... 28<br />
17 Distribui»c~ao K-Intensidade Padr~ao....................................... 29<br />
18 Distribui»c~ao K-Intensidade ............................................... 30<br />
19 Distribui»c~ao K-Amplitude Padr~ao........................................ 32<br />
20 Distribui»c~ao K-Amplitude................................................ 32<br />
21 Distribui»c~ao Gaussiana Inversa Generalizada............................. 34<br />
22 Distribui»c~ao Raiz de Gaussiana Inversa Generalizada .................... 34
230<br />
23 Distribui»c~ao G-Intensidade ............................................... 35<br />
24 Distribui»c~ao G-Intensidade Zero ......................................... 36<br />
25 Distribui»c~ao G-Amplitude................................................ 36<br />
26 Distribui»c~ao G-Amplitude Zero .......................................... 37<br />
MODELAGEM DOS DADOS SAR......................................39<br />
1 O Modelo Multiplicativo ................................................. 39<br />
1.1 Imagens Intensidade................................................ 40<br />
1.2 Imagens Amplitude................................................. 41<br />
1.3 Imagens Complexas ................................................ 43<br />
2 As distribui»c~oes Normais Restritas....................................... 44<br />
2.1 Normal Restrita Intensidade........................................ 44<br />
2.2 Normal Restrita Amplitude ........................................ 45<br />
3 Distribui»c~oes ad-hoc...................................................... 45<br />
A CLASSIFICAC» ~ AO MAXVER .........................................47<br />
1 Os Passos da Classi¯ca»c~ao por Maxima Verossimilhan»ca................. 47<br />
2 A Implementa»c~ao Maxver ................................................ 48<br />
2.1 Parti»c~ao da Imagem em Classes .................................... 48<br />
2.2 Associa»c~ao da Distribui»c~ao ......................................... 49<br />
2.3 Amostragem ........................................................ 49<br />
2.4 Teste da Ader^encia das Distribui»c~oes Selecionadas ................. 50<br />
2.5 Estima»c~ao dos Par^ametros das Distribui»c~oes ....................... 50
231<br />
2.5.1 O Numero Equivalente de Visadas............................ 50<br />
2.6 Classi¯ca»c~ao ........................................................ 51<br />
CLASSIFICADORES CONTEXTUAIS.................................53<br />
1 Tecnicas Markovianas de Classi¯ca»c~ao ................................... 53<br />
2 O Modelo de Potts-Strauss............................................... 54<br />
3 Formula»c~ao Teorica ...................................................... 56<br />
3.1 O Modelo de Potts-Strauss Propriamente Dito ..................... 58<br />
4 Estima»c~ao pela Equa»c~ao de Maxima Pseudoverossimilhan»ca ............. 59<br />
4.1 Estima»c~ao para Vizinhan»ca Quatro................................. 62<br />
4.2 Estima»c~ao para Vizinhan»ca Oito ................................... 65<br />
4.3 Estima»c~ao para Vizinhan»ca Doze................................... 67<br />
5 O Algoritmo ICM ........................................................ 67<br />
6 Pseudocodigos do Algoritmo ICM........................................ 74<br />
6.1 Pseudocodigo do Algoritmo de Classi¯ca»c~ao........................ 74<br />
6.2 Pseudocodigo da Fun»c~ao para Estima»c~ao de¯ ..................... 75<br />
6.3 Pseudocodigo da Fun»c~ao que Gera uma Classi¯ca»c~ao ICM......... 76<br />
O TESTE DA CLASSIFICAC» ~ AO........................................77<br />
1 Coe¯ciente de Concord^ancia Kappa...................................... 77<br />
2 Os Testes de Hipoteses para Comparar Matrizes de Confus~ao............ 79<br />
2.1 Teste Bilateral...................................................... 79<br />
2.2 Teste Unilateral .................................................... 80
232<br />
2.3 Determina»c~ao do p-valor do Teste.................................. 81<br />
RESULTADOS OBTIDOS ................................................83<br />
1 Resultados com a imagem SAR-580...................................... 84<br />
1.1 Metodologia Utilizada .............................................. 84<br />
1.2 Estima»c~ao do Numero Equivalente de Visadas ..................... 90<br />
1.3 Parti»c~ao, Modelagem, Infer^encia e Amostragem .................... 90<br />
1.3.1 Decorrela»c~ao das Amostras ................................... 91<br />
1.3.2 Teste Qui-quadrado de Ajuste ................................ 91<br />
1.4 As Classi¯ca»c~oes Maxver e ICM.................................... 97<br />
1.5 Matrizes de Confus~ao das Classi¯ca»c~oes............................ 98<br />
1.6 Teste de Igualdade dos Coe¯cientes de Concord^ancia .............102<br />
1.7 Conclus~oes.........................................................106<br />
2 Resultados com as Imagens JERS-1 Original............................107<br />
2.1 Metodologia Utilizada .............................................107<br />
2.2 Obten»c~ao da Imagem com a Resolu»c~ao Espacial Degradada.......107<br />
2.3 Estima»c~ao do Numero Equivalente de Visadas ....................108<br />
2.4 Parti»c~ao, Modelagem, Infer^encia e Amostragem ...................108<br />
2.4.1 Decorrela»c~ao das Amostras ..................................109<br />
2.4.2 Teste Qui-quadrado..........................................109<br />
2.5 As Classi¯ca»c~oes Maxver e ICM...................................119<br />
2.6 Matrizes de Confus~ao das Classi¯ca»c~oes...........................127
233<br />
2.7 Teste de Igualdade dos Coe¯cientes de Concord^ancia .............128<br />
2.8 Conclus~oes.........................................................131<br />
CONCLUS ~ OES E SUGEST ~ OES ....................................... 141<br />
1 Conclus~oes ..............................................................141<br />
2 Sugest~oes................................................................143