COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS

Resumo

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 o 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 digitalizadora, 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.

A Comparison Among Methods of Likelihood, Minimun Distance and Fishers
Method for Pattern recognition in colored images

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 developing 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 Fishers 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, statistical methods
were compared without controlling both the sample and the image by the use 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.