Classificação de Imagens IF 133 Por que e para que? Classificar é transformar dados em informação Imagens em mapas Números em rótulos Objetivo primário da análise de dados Permite reduzir o volume de dados e aumentar a quantidade de informação Operação de visão computacional Classificação Abordagens Segundo a intervenção do usuário: Com treinamento – supervisionado Sem treinamento – sem supervisão Segundo a modelagem Com modelo Sem modelo Segundo a abordagem Estatística Morfológica Ad hoc etc. Máxima Verossimilhança O rei dos métodos estatísticos Requer modelagem e treinamento Presente em todos os sistemas profissionais de análise de imagens É um processo de estimação O valor observado é comparado com modelos Escolhe-se a classe na qual o valor é mais verossímil Modelagem N 1 , 12 N 2, 22 Treinamento N 1 , 12 , ˆ1 94,32, ˆ12 325,87 N 2 , 22 substituída por , , ˆ 1,47, ˆ 1.2 101 Regra de classificação MV Resultado Qualidade do Resultado Nem sempre satisfatório, logo… Verificar as hipóteses Refinar o treinamento Refinar o modelo Classes não descritas Correlação entre dados Correlação entre classes Melhorando a classificação Classificação MVG Máxima Verossimilhança Gaussiana O imperador dos métodos Supõe dados independentes e obedecendo leis Gaussianas Dados 1D: intervalos de decisão Dados nD: regiões de decisão MVG - 1D x Ci se f i ( x) f j ( x) i j ( x i ) 2 1 f i ( x) exp 2 2 i 2 i MVG-nD Regiões de Retas Parábolas Decisão Hipérboles Método do Paralelepípedo Supervisionado, com modelo, ad hoc Mais simples As amostras induzem paralelepípedos no espaço Esses paralelepípedos determinam regiões de decisão Rápido, pouco interpretável, bom para primeira tentativa Peculiaridades Não necessariamente particiona o espaço Pode induzir inconsistências ou indecisões
Download
