Pedro Ronalt Vieira - DPI - Inpe

More documents

Recommendations

Info

Maxver. CAPITULO 5 A CLASSIFICAC» ~ AO MAXVER Neste cap³tulo ser~ao apresentados os fundamentos da classi¯ca»c~ao 5.1 - Os Passos da Classi¯ca»c~ao por Maxima Verossimilhan»ca A classi¯ca»c~ao por Maxima Verossimilhan»ca (Maxver) e uma das tecnicas de classi¯ca»c~ao supervisionada comumente utilizada em dados de Sensoria- mento Remoto (Richards, 1986). Os passos essenciais s~ao: 1) Decidir, entre os poss³veis conjuntos de classes da cobertura terrestre, aquele que sera utilizado para particionar a imagem a ser classi¯cada. Os elementos desse conjunto, as classes, podem ser agua, cobertura vegetal, solo exposto, area urbana, etc. 2) Associar uma distribui»c~ao a cada classe. 3) Selecionar regi~oes representativas de cada classe na imagem. Isto pode ser feito atraves da consulta a outros documentos, fotointerpreta»c~ao, visitas µa area em estudo, etc. 4) Efetuar a amostragem na imagem a ser classi¯cada para estimar os parâ- metros das distribui»c~oes associadas a cada classe. 5) Opcionalmente pode-se testar o ajuste das distribui»c~oes associadas a cada classe. 6) Classi¯car a imagem, que dependendo se o caso e univariado ou multivari-
48 ado, pode ser feito da seguinte maneira: a) Para o casounivariado pode-se calcular, paracada \pixel" daimagem, as verossimilhan»cas relativas a cada uma das distribui»c~oes associadas µas classes e atribu³-lo µa classe com maior verossimilhan»ca calculada ou, considerando os poss³veis valores encontrados na imagem, gerar uma tabela (\Look Up Table" - LUT) e aplica-la µa imagem. b) Para o caso multivariado pode-se calcular, para cada \pixel", uma distância probabil³stica µa cada classe e atribu³-lo µaquela com menor distância. No decorrer deste trabalho, sera considerado apenas o caso univariado, cuja implementa»c~ao foi feita usando-se uma LUT. 5.2 - A Implementa»c~ao Maxver Nesta se»c~ao ser~ao apresentadas as considera»c~oes necessarias µa implementa»c~ao da classi¯ca»c~ao Maxver. 5.2.1 - Parti»c~ao da Imagem em Classes O numero de classes depende de alguns fatores que devem ser con- sideradosa priori. Entre osprincipaisa considerar est~ao a ¯nalidade da classi¯ca»c~ao, quais os dados dispon³veis e quais as classes que se deseja destacar. Deve-se considerar ainda a existência de cada classe na imagem e ser conhecida a localiza»c~ao de pelo menos uma area representativa de cada classe, adequada para a amostragem. Selecionadasas classes e os dadosSAR que ser~ao utilizados, deve-se decidir tambema priori qualo tipo de informa»c~ao(monoespectralou multiespectral) e quais os processamentos que se espera aplicar.
Page 1 and 2:
MINISTÉRIO DA CIÊNCIA E TECNOLOGI
Page 3 and 4:
vi RESUMO Este trabalho tem como ob
Page 5 and 6:
SUMÁRIO LISTA DE FIGURAS .........
Page 7 and 8:
5.2 - A Implementação Maxver ....
Page 9 and 10:
APÊNDICE B - ESTIMAÇÃO DE β PAR
Page 11 and 12:
22 - Classificação ICM com o uso
Page 13 and 14: 51 - Matriz de confusão da classif
Page 15 and 16: 86 - Visualização de uma classifi
Page 17 and 18: 31 - Distribuições para o caso mo
Page 19 and 20: 2 a resolu»c~ao espacial azimutal.
Page 21 and 22: 4 No Cap³tulo 4 e apresentada a mo
Page 23 and 24: 2.2 - De¯ni»c~oes 6 No decorrer d
Page 25 and 26: 2.2.5 - A Fun»c~ao de Distribui»c
Page 27 and 28: 10 b) Para quaisquer constantesa eb
Page 29 and 30: E(X r ) = 12 Z R xr f(x)dx 1) Coe¯
Page 31 and 32: 14 oj-esimo momento de Y i, comj·r
Page 34 and 35: 17 CAPITULO 3 PRINCIPAIS DISTRIBUIC
Page 36 and 37: 3.4 - Distribui»c~ao Log-Normal 19
Page 38 and 39: 21 3.7 - Distribui»c~ao Exponencia
Page 40 and 41: 23 2) O seu momento de ordemr 2 R e
Page 42 and 43: 25 bn m = cm 2 1 cm 2 ¡ cm 2 1 b¸
Page 44 and 45: 3.15 - Distribui»c~ao Beta 27 Diz-
Page 46 and 47: 29 Var(X) = ¡ (2=®+1) ¡(¡ (®¡
Page 48 and 49: 31 3) Variância (Frery, 1993; Yana
Page 50 and 51: 4®nx fX(x;®;¯;n) = ¯¡(®)¡(n)
Page 52 and 53: 35 ¸; denotada porX » N ¡1=2 (®
Page 54 and 55: 37 1) Convem observar que, quando°
Page 56 and 57: CAPITULO 4 MODELAGEM DOS DADOS SAR
Page 58 and 59: 41 Assim os casos paran visadas pod
Page 60 and 61: 43 TABELA 2 - RETORNO EM AMPLITUDE
Page 62 and 63: 4.1.1, p. 40), isto e,X I » C(¯):
Page 66 and 67: 5.2.2 - Associa»c~ao da Distribui
Page 68 and 69: 51 Paraocaso dasimagensmonoespectra
Page 70 and 71: CAPITULO 6 CLASSIFICADORES CONTEXTU
Page 72 and 73: 55 ¯nitos e in¯nitos; sabe-se bas
Page 74 and 75: 57 O seguinte resultado, cuja valid
Page 76 and 77: 59 tem-se um modelo repulsivo; quan
Page 78 and 79: 61 suponha-se que ¥ s e um subconj
Page 80 and 81: 63 ² k 4 denota o contador das con
Page 82 and 83: 65 Desenvolvendo a Equa»c~ao 6.3,
Page 84 and 85: k0422 Ä Ä N ¥ | N ¥ N N k032111
Page 86 and 87: 69 Para detalhes de implementa»c~a
Page 88 and 89: 71 Figure 2: - Janela exemplo para
Page 90 and 91: 73 em uso. O terceiro metodo, com u
Page 92 and 93: w Ã y ¯ Ã Estima Beta ( y) y Ã
Page 94 and 95: CAPITULO 7 O TESTE DA CLASSIFICAC»
Page 96 and 97: 7.2 - Os Testes de Hipoteses para C
Page 98: 81 2:257, o mesmo pertence µa regi
Page 101 and 102: 84 b) Imagem com resolu»c~ao espac
Page 103 and 104: 86 Figure 7: - Imagem JERS-1 de Tap
Page 105 and 106: 88 Figure 9: - Imagem TM classi¯ca
Page 107 and 108: 90 8.1.2 - Estima»c~ao do Numero E
Page 109 and 110: 92 mas de convergência na estima»
Page 111 and 112: 94 Figure 12: - Autocorrela»c~ao v
Page 113 and 114: 96 Figure 16: - Ajuste da distribui
Page 115 and 116:
98 duas classi¯ca»c~oes. Sob a hi
Page 117 and 118:
100 Figure 19: - Classi¯ca»c~ao M
Page 119 and 120:
102 TABELA 16 - EXATID ~ AO DA CLAS
Page 121 and 122:
104 Figure 25: - Matriz de confus~a
Page 123 and 124:
8.1.7 - Conclus~oes 106 para a imag
Page 125 and 126:
108 numero de visadas, a imagem ori
Page 127 and 128:
110 do modelo multiplicativo, foi a
Page 129 and 130:
112 TABELA 21 - AJUSTES DO SOLO NA
Page 131 and 132:
114 Figure 29: - Ajuste da GA0 para
Page 133 and 134:
116 observados na Figura 32, p. 117
Page 135 and 136:
118 Figure 34: - Fun»c~oes densida
Page 137 and 138:
120 classes foi obtida a classi¯ca
Page 139 and 140:
122 Figure 38: - Classi¯ca»c~ao I
Page 141 and 142:
124 Figure 40: - Classi¯ca»c~ao M
Page 143 and 144:
126 Figure 42: - Classi¯ca»c~ao I
Page 145 and 146:
128 2) Imagem degradada: Os valores
Page 147 and 148:
130 3) Dos resultados obtidos com o
Page 149 and 150:
132 Figure 43: -Matriz de confus~ao
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
138 Figure 55: -Matriz de confus~ao
Page 158 and 159:
141 CAPITULO 9 CONCLUS ~ OES E SUGE
Page 160 and 161:
143 ² Pode-se a¯rmar que a aplica
Page 162 and 163:
145 REFER ^ ENCIAS BIBLIOGR AFICAS
Page 164 and 165:
147 Erthal, G.J.; Frery, A.C. Segme
Page 166 and 167:
149 Kelly, P.A.; Derin, H.; Hartt,
Page 168 and 169:
151 Yanasse, C.C.F;Frery, A.C.; San
Page 170 and 171:
153 APÊNDICE A ESTIMAC» ~ AO DE¯
Page 172 and 173:
155 APÊNDICE B ESTIMAC» ~ AO DE¯
Page 174 and 175:
+k 1322ln 157 Ã e +k14111ln ¯ e4
Page 176 and 177:
159 B.2 - Equa»c~ao para estima»c
Page 178 and 179:
¡e 2¯ +K ¡7 161 +k1211111 e2¯ +
Page 180 and 181:
163 APÊNDICE C ESTIMAC» ~ AO DE¯
Page 182 and 183:
165 TABELA 30 - Conclus~ao k081111
Page 184 and 185:
+k 543ln +k 552ln Ã +k54111ln +k 5
Page 186 and 187:
+k 3522ln Ã +k 351111ln +k3432ln +
Page 188 and 189:
+k24311ln +k242211ln Ã Ã +k 24111
Page 190 and 191:
173 Ã e +k153111ln ¯ e5¯ +e3¯ +
Page 192 and 193:
175 ¡k081111ln ³ e 8¯ +4e ¯ +K
Page 194 and 195:
177 ¡k 03321111ln ³ 2e 3¯ +e 2¯
Page 196 and 197:
e 5¯ +5e ¯ +6K ¡18 179 +k651 e6
Page 198 and 199:
¡5e 8¯ +2e ¯ +3K ¡9 181 +k381 e
Page 200 and 201:
¡2e 4¯ +K ¡4 183 +2k2442 2e4¯ +
Page 202 and 203:
¡4e 5¯ ¡2e 3¯ +K ¡6 185 +k1531
Page 204 and 205:
¡k 0741 ¡k07311 ¡k 072111 187 7e
Page 206 and 207:
¡k 033222 ¡k 03321111 ¡k 0322221
Page 208 and 209:
191 APÊNDICE D ESTRUTURA DO SISTEM
Page 210 and 211:
193 de arquivos (*.i, *.mxv, *.tif,
Page 212 and 213:
195 Se a imagem for aberta a mesma
Page 214 and 215:
D.2.3 - \Close" vas. 197 Esta op»c
Page 216 and 217:
199 Na atualidade apenas o modulo p
Page 218 and 219:
201 ² \List of samples": lista das
Page 220 and 221:
203 Figure 69: - Interface para sel
Page 222 and 223:
205 opera»c~ao a imagem sera gerad
Page 224 and 225:
207 As opera»c~oes aplicadas na im
Page 226 and 227:
? \N Intensities" 209 ? \Pair Ampli
Page 228 and 229:
211 \Multispectral Univariate Phase
Page 230 and 231:
213 Figure 73: - Interface para eli
Page 232 and 233:
215 ± \Add": bot~ao que ativa a GU
Page 234 and 235:
217 ± \Samples List": lista para s
Page 236 and 237:
² \Chi-square goodness-of-¯t test
Page 238 and 239:
221 Figure 82: - Interface com o re
Page 240 and 241:
D.5.2 - \Utilities - Statistics" 22
Page 242 and 243:
D.5.4 - \Utilities - Annotate" 225
Page 244 and 245:
D.5.6 - \Utilities - Color Tables"
Page 246 and 247:
229 2 Distribui»c~ao Normal.......
Page 248 and 249:
231 2.5.1 O Numero Equivalente de V
Page 250:
233 2.7 Teste de Igualdade dos Coe
show all

Pedro Ronalt Vieira - DPI - Inpe

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?