Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
24podem ser citados K-médias e o ISOSEG, sendo o primeiro um classificadorpixel a pixel e o segundo um classificador por regiões.A seguir serão detalhados os métodos de classificação pelamáxima verossimilhança e o ISOSEG, por serem os utilizados no presentetrabalho.♦ Classificação pelo método da máxima verossimilhança: este método declassificação é, segundo Richards (1986), o mais comumente utilizadoem sensoriamento remoto e baseia-se no cálculo da distância estatísticaentre cada pixel e as classes definidas. Para isto, são selecionadas asamostras de treinamento de cada uma das classes definidas. Estasamostras devem representar a classe a que pertencem, assim, éimportante que reflitam a variabilidade de cada categoria dentro da áreaem estudo.Não existe um número ideal de amostras detreinamento para cada classe. Richards (1986) indica que devem sertomadas pelo menos N + 1 amostras para cada classe, sendo N onúmero de bandas que integram a imagem a classificar. Para Swain eDavis (1978) este mínimo aumenta a 10N amostras por classe.A probabilidade de que um dado pixel pertença auma das classes definidas é calculada pela função de probabilidade. Ocálculo é realizado para todas as classes que intervêm na classificação,e o pixel é atribuído àquela classe que maximize a função deprobabilidade. Esta regra de decisão pressupõe que todas as classespossuem a mesma probabilidade de ocorrência (probabilidade a priori),o que nem sempre ocorre. Ao considerar a probabilidade a priori decada classe, é introduzido um novo fator no critério de decisão que sebaseia na probabilidade Bayesiana (Chuvieco, 1990).Posteriormente, são calculadas as estatísticaselementares de cada classe: média, desvio padrão, matriz de variânciacovariância,a partir de todos os pixels de cada classe. Com estes dadosé possível analisar o desempenho de cada amostra, permitindo eliminaraquelas amostras que apresentem confusão com várias classes, demaneira a reduzir os erros de comissão, devidos a uma má definiçãoespectral de algumas classes.Comumente a imagem resultante da classificaçãosegundo a máxima verossimilhança apresenta uma excessivafragmentação, produzida pela presença de pixels isolados dentro dasclasses, ocasionando a perda de uniformidade da imagem e dificultandoa interpretação dos resultados. Com a finalidade de eliminar estespontos isolados, aplica-se um filtro de moda sobre a imagem resultante