Documento completo - OBT - Inpe

as categorias, podem-se utilizar as seguintes definições para o vetor de medidas e a
matriz de variância e covariância:
M
∗
A =
∑i=
∑
1, n
U
i=
1, n
A
U
( M i ) M
( M )
A
i
i
; e (6)
V
∗
A
=
∑
i=
1, n
U
A
∗
∗
( M )( M − M )( M − M )
i
∑
i=
1, n
i
U
A
A
( M )
i
i
A
T
(7)
Onde U A indica o grau de pertinência da classe A , M é o vetor de ND formado por n
pixels utilizado na amostra, e V A a matriz de variância-covariância para esta classe. O
asterisco no vetor M A e na matriz V A refere-se a médias e variância-covariância para
um espaço contínuo (fuzzy).
Com estes valores, calcula-se a probabilidade de pertinência desse espaço, variando as
fórmulas da probabilidade bayesiana:
p
∗
−0,5
−m
∗ ⎧
∗ T ∗−1
∗
( x A) = ( 2 ) 2 V exp −0,
5( M − M ) V ( M − M ) ⎬ ⎫
⎭
/ π A ⎨ x A A x A
(8)
⎩
Isto permite conhecer a probabilidade de cada pixel estar inserido numa categoria.
As classes podem ser descritas através de um número diversificado de parâmetros
possíveis, herdando características de outras classes. Isto permite, por exemplo, a
diferenciação entre “floresta” e “floresta em área urbana”: ambas as classes possuem as
mesmas características espectrais (as quais podem ser herdadas na definição de
características), através da inclusão do comprimento da borda (limite) para objetos
vizinhos “cidade”, na continuidade da classificação pode ser identificado de modo mais
refinado. Com a definição de um conjunto de regras, determinam-se diferentes planos
hierárquicos, objetos podem ser classificados nas diferentes escalas, dependendo de
onde podem ser melhor identificados. Pode-se definir ainda uma distância mínima e/ou
61