Classificadores e máquinas de suporte vectorial em imagens multi-espectrais

Abstract

O método de classificação por máquinas de suporte vectorial surge na sequência do desenvolvimento da Teoria de Aprendizagem Estatística introduzida por Vapnik no final dos anos 70. Este método de classificação, desenvolvido a partir dos anos 90, produz fronteiras lineares num espaço de dimensão superior ao original usando funções kernel de Mercer.As máquinas de suporte vectorial têm sido aplicadas em diversas áreas com resultados positivos. São frequentes os casos em que este método ultrapassa outros mais conceituados. Esta é uma das motivações para este trabalho: explorar a capacidade das máquinas de suporte vectorial na classificação de imagens multi-espectrais.Inicialmente são apresentadas algumas ideias da Teoria da Aprendizagem Estatística, avançando-se depois para o método de Máquinas de Suporte Vectorial. A sua aplicação numa imagem de satélite ASTER, com 9 bandas espectrais, é feita de uma forma especial. A classificação é orientada a objectos e não a pixels como tradicionalmente. Esta é uma abordagem que reflecte melhor a realidade. Os objectos são o resultado da segmentação da imagem. Existem vários trabalhos de classificação de imagens de satélite com máquinas de suporte vectorial, mas estes usam apenas a informação espectral do pixel. A classificação de imagens segmentadas permite ter em conta aspectos relativos à textura, morfologia e vizinhança dos pixels que doutra forma seriam ignorados pela classificação tradicional. Para além de que, permite a redução do número de indivíduos a classificar.Também o método dos K vizinhos mais próximos e discriminação logística são utilizados neste trabalho. É feita uma breve descrição destes métodos e uma análise dos resultados. A introdução destes métodos visa a comparação com os resultados obtidos pelas máquinas de suporte vectorial.Estes três métodos de classificação foram testados nos dados originais, nas suas componentes principais e nas variáveis canónicas. Sendo que, estas últimas demonstraram ser as mais ...