COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS
Autor(a) principal: | |
---|---|
Data de Publicação: | 1999 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Boletim de Ciências Geodésicas |
Texto Completo: | https://revistas.ufpr.br/bcg/article/view/1496 |
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 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. |
id |
UFPR-2_3842f8c1d8f3ab84213a431b31640eff |
---|---|
oai_identifier_str |
oai:revistas.ufpr.br:article/1496 |
network_acronym_str |
UFPR-2 |
network_name_str |
Boletim de Ciências Geodésicas |
repository_id_str |
|
spelling |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS 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. Boletim de Ciências GeodésicasBulletin of Geodetic Sciences1999-06-30info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufpr.br/bcg/article/view/1496Boletim de Ciências Geodésicas; Vol 4, No 1 (1999)Bulletin of Geodetic Sciences; Vol 4, No 1 (1999)1982-21701413-4853reponame:Boletim de Ciências Geodésicasinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRporhttps://revistas.ufpr.br/bcg/article/view/1496/1250Müller, Sonia Isoldi Marty GamaDalmolin, QuintinoAraki, Hideoinfo:eu-repo/semantics/openAccess2005-12-09T20:58:51Zoai:revistas.ufpr.br:article/1496Revistahttps://revistas.ufpr.br/bcgPUBhttps://revistas.ufpr.br/bcg/oaiqdalmolin@ufpr.br|| danielsantos@ufpr.br||qdalmolin@ufpr.br|| danielsantos@ufpr.br1982-21701413-4853opendoar:2005-12-09T20:58:51Boletim de Ciências Geodésicas - Universidade Federal do Paraná (UFPR)false |
dc.title.none.fl_str_mv |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS |
title |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS |
spellingShingle |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS Müller, Sonia Isoldi Marty Gama |
title_short |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS |
title_full |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS |
title_fullStr |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS |
title_full_unstemmed |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS |
title_sort |
COMPARAÇÃO ENTRE OS MÉTODOS DE MÁXIMA VEROSSIMILHANÇA, DISTÂNCIA MÍNIMA E O MÉTODO DE FISHER PARA RECONHECIMENTO DE PADRÕES EM IMAGENS COLORIDAS |
author |
Müller, Sonia Isoldi Marty Gama |
author_facet |
Müller, Sonia Isoldi Marty Gama Dalmolin, Quintino Araki, Hideo |
author_role |
author |
author2 |
Dalmolin, Quintino Araki, Hideo |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Müller, Sonia Isoldi Marty Gama Dalmolin, Quintino Araki, Hideo |
description |
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. |
publishDate |
1999 |
dc.date.none.fl_str_mv |
1999-06-30 |
dc.type.none.fl_str_mv |
|
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://revistas.ufpr.br/bcg/article/view/1496 |
url |
https://revistas.ufpr.br/bcg/article/view/1496 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://revistas.ufpr.br/bcg/article/view/1496/1250 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Boletim de Ciências Geodésicas Bulletin of Geodetic Sciences |
publisher.none.fl_str_mv |
Boletim de Ciências Geodésicas Bulletin of Geodetic Sciences |
dc.source.none.fl_str_mv |
Boletim de Ciências Geodésicas; Vol 4, No 1 (1999) Bulletin of Geodetic Sciences; Vol 4, No 1 (1999) 1982-2170 1413-4853 reponame:Boletim de Ciências Geodésicas instname:Universidade Federal do Paraná (UFPR) instacron:UFPR |
instname_str |
Universidade Federal do Paraná (UFPR) |
instacron_str |
UFPR |
institution |
UFPR |
reponame_str |
Boletim de Ciências Geodésicas |
collection |
Boletim de Ciências Geodésicas |
repository.name.fl_str_mv |
Boletim de Ciências Geodésicas - Universidade Federal do Paraná (UFPR) |
repository.mail.fl_str_mv |
qdalmolin@ufpr.br|| danielsantos@ufpr.br||qdalmolin@ufpr.br|| danielsantos@ufpr.br |
_version_ |
1799771718746636288 |