Ícone do site Adenilson Giovanini

Máxima Verossimilhança?

Adenilson Giovanini

Máxima verossimilhança, você acabou de encontrar artigo definitivo sobre o tema.

Com a leitura do mesmo você aprenderá:

Prossiga a leitura com máxima atenção, pois o conteúdo é ouro puro.

 

O que é a técnica de classificação máxima verossimilhança

Fonte da imagem: https://slideplayer.com.br/slide/10602347/

 

A máxima verossimilhança é uma das diferentes técnicas de classificação de imagens existentes. Antes de mergulharmos de cabeça na mesma, vamos entender quais são as diferentes técnicas de classificação de imagens existentes.

 

Etapas do processamento de imagens digitais

O livro Introdução ao processamento de imagens de sensoriamento remoto na 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:

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:

A classificação não supervisionada se divide em 2 métodos de classificação:

Já a classificação supervisionada se divide em 4 métodos. São eles:

Perceba que a máxima verossimilhança é um dos diferentes métodos de classificação de imagens supervisionada.

 

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.

 

Máxima verossimilhança

Fonte da imagem: Livro Introdução ao processamento de imagens de sensoriamento remoto.

O classificador por 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.

 

Máxima verossimilhança – Utilização de limiar

A necessidade de se usar um limiar é 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.

 

Resultado da classificação pela máxima verossimilhança

A Figura abaixo mostra o resultado da classificação 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 mais do que uma área 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:

 

Referência 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.

Fonte da imagem utilizada no início do artigo: https://seos-project.eu/remotesensing/remotesensing-c06-p03.pt.html

É isso por este artigo. Gratidão por você ter lido o mesmo. 🙏

 

 

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:

 

➜ Quero Conhecer Melhor o Livro, Pois Quero e Preciso Aprender Mais Sobre Legislação Cadastral e Geo. de Imóveis Rurais

 

 

Sair da versão mobile