1. Classificação de Imagens IF 133

2. 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

3. Classificação

4. 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.

5. 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

6. Modelagem

7. Treinamento

8. Regra de classificação MV

9. Resultado

10. 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

11. Melhorando a classificação

12. 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

13. MVG - 1D

14. MVG-nD

15. Regiões de Decisão • Retas • Parábolas • Hipérboles

16. 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

17. Peculiaridades • Não necessariamente particiona o espaço • Pode induzir inconsistências ou indecisões