Estimativa de máxima verossimilhança, você acabou de encontrar artigo definitivo sobre o tema.
Com a leitura do mesmo você aprenderá:
- O que é a estimativa de máxima verossimilhança;
- O que é o método de classificação máxima verossimilhança;
- Porque é necessário utilizar-se um limiar;
- Como a estimativa de máxima verossimilhança é utilizada na classificação de imagens existentes de sensoriamento remoto e;
- Qual o produto oriundo da mesma.
Prossiga a leitura com máxima atenção, pois o conteúdo é ouro puro.
O que é a técnica de classificação pela estimativa da máxima verossimilhança
Fonte da imagem: https://slideplayer.com.br/slide/10602347/
A estimativa de máxima verossimilhança é um método para estimar os parâmetros de um modelo estatístico.
No Geoprocessamento, o mesmo é utilizado para a classificação de imagens de satélite. Vamos entender melhor como o mesmo funciona.
Estimativa de máxima verossimilhança
Fonte da imagem: Livro Introdução ao processamento de imagens de sensoriamento remoto.
O classificador pela estimatida de máxima verossimilhança (MaxVer) considera a ponderação das distâncias entre as médias dos valores dos pixels das classes, utilizando parâmetros estatísticos.
Este classificador assume que todas as bandas têm distribuição normal, calculando a probabilidade de um dado pixel pertencer a uma classe específica.
A máxima verossimilhança é um classificador mais eficiente porque as classes de treinamento são utilizadas para estimar a forma da distribuição dos pixels contidos em cada classe no espaço de n bandas, como também a localização do centro de cada classe.
Na classificação pela máxima verossimilhança, a alocação dos pixels às suas classes depende da posição do pixel em relação às distribuições, sendo que o pixel é destinado a classe que tem maior probabilidade de pertencer.
Estimativa de máxima verossimilhança – Utilização de limiar
A necessidade de se usar um limiar acontece quando ocorrem situações ruins de classificação.
Essas situações surgem se as classes espectrais se sobrepõem ou se conhecendo que existam outras classes, não há, contudo, suficientes áreas de treinamento para estimar com confiança os parâmetros de suas distribuições.
Aplica-se o limiar para estabelecer um limite para o processo de decisão de separabilidade.
O limiar é um valor real positivo que indica a porcentagem de pixels da distribuição de probabilidade de uma classe que será classificada como pertencente a essa classe.
Abaixo do limiar os pixels não são considerados como pertencentes a uma classe.
Ou seja, pode-se fixar uma verossimilhança máxima a partir da qual o ponto não será considerado como pertencente à classe analisada. Esses pixels normalmente estão situados nas extremidades da curva de distribuição de probabilidade.
O limiar fornece ao usuário a possibilidade de variar o rigor da classificação. Quanto menor o limiar, mais rigorosa será a classificação.
A desvantagem que pode apresentar é se existir uma dispersão dos pixels em uma classe de treinamento. Neste caso, a matriz de covariância irá mostrar valores altos.
Entenda melhor a estimativa de máxima verossimilhança
A USP possui disponível a apresentação de uma fabulosa aula sobre o tema. Imortalizei a mesma em um backup exclusivo. Assim garantimos que ela jamais se perderá.
Estimativa de máxima verossimilhança e o processamento de imagens digitais
Zanetti Et All informa que a estimativa de máxima verossimilhança é o método de classificação de imagens mais utilizado em sensoriamento remoto dentro da abordagem estatística.
Este método se adequa a elipses, de modo que a localização, a forma e tamanho da elipse, refletem a média variância e covariância de duas variáveis.
A distribuição dos valores de refletância é descrita por uma função de probabilidade que avalia a possibilidade de um determinado pixel pertencer a uma categoria e classifica o pixel para uma categoria à qual o mesmo tem maior probabilidade de associação.
Fonte da imagem:
O livro Introdução ao processamento de imagens de sensoriamento remoto em sua página 93, apresenta um fabuloso mapa mental com as diferentes técnicas de processamento de imagens digitais.
Perceba que o processamento digital de imagens pode ser dividido em 2 etapas:
- Pré processamento e;
- Processamento de imagens.
No pré processamento a imagem passa por uma série de correções. Correções estas inerentes a erros atmosféricos, do sensor e do processo de mapeamento.
Posteriormente, no processamento as imagens são realçadas ou classificadas, sendo que a classificação de imagens pode ser:
- Supervisionada;
- Não supervisionada;
- Segmentada;
- Espectral ou;
- Feita através da utilização de redes neurais.
A classificação não supervisionada se divide em 2 métodos de classificação:
- Isodata e;
- K-médias.
Já a classificação supervisionada se divide em 4 métodos. São eles:
- Paralelepípedo;
- Estimativa de máxima verossimilhança;
- Distância mínima e;
- Distância de Mahalanobis.
Perceba que a máxima verossimilhança é um dos diferentes métodos de classificação supervisionada existentes.
O que é a classificação supervisionada
Fonte da imagem: http://www.csr.ufmg.br/geoprocessamento/publicacoes/Jorge2003.PDF
Na classificação supervisionada as amostras são estabelecidas em áreas cujas feições no campo são conhecidas.
Estas amostras é que guiarão o computador para que o mesmo encontre áreas com características espectrais semelhantes.
Resultado da classificação pela estimativa de máxima verossimilhança
A figura abaixo mostra o resultado da classificação pela estimativa de máxima verossimilhança para oito classes selecionadas e seis bandas do sensor ETM+.
O uso desse classificador exige que as áreas de amostragem das classes de treinamento tenham uma grande quantidade de pixels, da ordem de centenas.
Por ser um classificador com base na probabilidade é recomendável que se tenha números de pixels por classe de amostragem mais ou menos iguais, e que sejam tomadas várias áreas de amostragem por classe.
Veja na imagem abaixo o resultado da classificação.
Aprenda mais a respeito de sensoriamento remoto e processamento digital de imagens
Se você gostou deste artigo eu tenho uma ótima notícia para você. Isso porque possuo vários outros artigos a respeito de sensoriamento remoto e processamento digital de imagens aqui no blog.
Seguem os links de acesso a 3 deles:
- > Realce de Imagem: O Que É e Tipos Existentes…
- > Filtragem de Imagens: O que são…
- > Ortoimagens: O Que São e Para Que Servem…
Artigos sobre os diferentes satélites
Aqui no blog eu também possuo artigos a respeito dos diferentes satélites e suas aplicações. Separei 8 deles para você.
> RapidEye: Histórico, Características e Aplicações…
> Alos: Conheça este fabuloso satélite e suas imagens…
> CBERS 4 e CBERS 4a: História e Aplicações…
> Landsat: histórico e aplicações…
> Ikonos: imagens, características e aplicações….
> GeoEye: um poderoso satélite com resolução espacial submétrica…
> QuickBird: Um satélite com uma alta resolução…
> Wordview: tudo que você precisa saber a respeito…
Estimativa de máxima verossimilhança – Referencial bibliográfico utilizado
Este artigo foi adaptado a partir do texto existentes na página 212 do livro Introdução ao processamento de imagens de sensoriamento remoto. O mesmo está disponível para download na internet.
Contando como fontes secundárias os seguintes conteúdos:
(a imagem de capa do post também pertence a este artigo)
https://bdm.unb.br/bitstream/10483/24425/1/2018_WellingtonBernardoDeSousa_tcc.pdf
Para finalizar este artigo, eu gostaria de lembrar você que possuo uma série de cursos e de livros práticos.
Se você quer mergulhar fundo e aprender a operar equipamentos topográficos e prestar serviços com grande velocidade e com segurança, acesse este link e conheça os mesmos.
Para finalizar este artigo, eu gostaria de lembrar você que possuo uma série de cursos e de livros práticos.
Se você quer MERGULHAR FUNDO e aprender a prestar serviços com grande velocidade e com segurança, acesse este link e conheça os mesmos.
Entre eles, o Curso de Confecção de Plantas Topográficas. Um curso prático com o qual você vai aprender a produzir as 15 diferentes plantas produzidas em um escritório de topografia.
Gratidão por você ter lido o artigo. 🙏
Domine a Topografia Cadastral através de um livro formado por centenas de exemplos práticos
Você quer dominar a Topografia Cadastral?
Então eu tenho uma ótima noticia para você. Me refiro ao livro Topografia Cadastral e Georreferenciamento de Imóveis Rurais na Prática.
O mesmo é dividido em 10 capítulos recheados com muitos estudos de caso e exemplos práticos. Dê uma espiadinha no sumário do mesmo:
Para conhecer melhor a estrutura do livro, juntar-se a mais de 800 profissionais e adquirir sua cópia é só clicar no botão abaixo: