COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS
Abstract
Uma das grandes preocupações no processo de automação em
Fotogrametria está relacionado com os algoritmos de reconhecimento de
padrões. Apesar da metodologia ter avançado significativamente nos
últimos anos, principalmente no que se refere ao tom de cinza, o
reconhecimento de padrões de cores reais em imagens coloridas ainda se
encontra em fase de desenvolvimento. Neste sentido objetiva-se realizar
uma série de ensaios com dados (cores) controlados e também com dados
reais para comparar a performance dos métodos estatísticos de Máxima
Verossimilhança, Distância Mínima e de Fisher para reconhecimento das
cores reais. A comparação entre os métodos estatísticos foi feita
controlando o processo de classificação, ou seja, utilizando amostras
determinísticas para treinamento das funções discriminantes e criando
imagens para classificação no software (MATLAB). Com intuito de que a
comparação pudesse ser feita sem controle da imagem a ser classificada e
das amostras, utilizou-se uma imagem retirada de uma foto digitalizada,
para verificar a performance dos métodos frente a um caso real. A análise de desempenho dos métodos foi observada pela estatística kappa e a
comparação pelo teste Z apropriado. Os resultados indicam que o Método
de Distância Mínima foi o melhor para classificação de cores reais sob
todos os aspectos estudados.
Abstract
One of the main issues in the photogrametry automation process is related
to pattern recognition algorithms. Although there were significant
advances in the last years, mainly in regard to the gray tones, color
pattern recognition in colored images is still in a developmental stage. In
this sense, a series of tests with controlled data (colors) and also with real
data is made to compare the performance of the statistical methods:
Maximum Likelihood, Minimum Distance, and Fishes method in their
ability to recognize real colors. The comparison among the statistical
methods was performed by controlling the classification process, that is,
using deterministic samples for the training of discriminant functions and
test images created by a software (MATLAB). For the case of real
images, the statistical methods were compared without controlling both
the sample and the image by the utilization of an image extracted from a
digitized picture. The methods performance was analyzed using the kappa
statistic and the Z test. The results indicated that the Minimum Distance
Method was the best method to classify real colors under all assumptions.
