normas para redaÇÃo de artigos para o...

IV Simpósio Brasileiro de Geomática – SBG2017

II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017

Presidente Prudente - SP, 24-26 de julho de 2017

p. 244-250

Z. Zanetti; F. L. S. Braga; D. C. O. Duarte ISSN 1981-6251

COMPARAÇÃO DOS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM MÁXIMA VEROSSIMILHANÇA,

DISTÂNCIA EUCLIDIANA, PARALELEPÍPEDO E REDES NEURAIS EM

IMAGENS VANT, UTILIZANDO O MÉTODO DE EXATIDÃO GLOBAL,

ÍNDICE KAPPA E O TAU

2JULIETTE ZANETTI

FRANCIELE LÚCIA SILVA BRAGA 2

DANIEL CAMILO DE OLIVEIRA DUARTE 2

Universidade Federal de Viçosa - UFV1

Departamento de Engenharia Civil - DEC

Programa de Pós-Graduação em Engenharia Civil - MG2

{juliette.zanetti, franciele.braga, daniel.duarte}@ufv.br

RESUMO - O objetivo do trabalho foi testar técnicas de classificação em imagens aéreas digitais de alta

resolução espacial obtidas por Veículo Aéreo Não Tripulado (VANT). As imagens recobrem uma área da

Universidade Federal de Viçosa, campus Viçosa-MG. A partir da ortofoto gerada foram realizados os testes

de classificação, utilizando quatro classificadores: Paralelepípedo, Distância Euclidiana, Máxima

Verossimilhança e Redes Neurais Artificiais. A classificação que melhor delimitou as diferentes feições

presentes na imagem foi à classificação por Redes Neurais Artificiais. Para comprovar estatisticamente a

eficiência da classificação a validação foi realizada por meio da Exatidão Global, índice Kappa, índice Tau,

além da análise visual.

Palavras chave: Classificadores, VANT, Exatidão Global, Índice Kappa, Índice Tau.

ABSTRACT - The aim of this work was to test the classification techniques in digital aerial images of

spatial high resolution obtained by Unmanned Aerial Vehicle (UAV). The images cover an area of the

Federal University of Viçosa, campus Viçosa-MG. From the orthophoto generated, the classification test

was made, by using four classifiers: Parallelepiped, Average Minimum Distance, Maximum Likelihood

and Artificial Neural Networks. The classification that best delimited the different features present in the

image was the classification by Artificial Neural Networks. In order to prove statistically the classification

efficiency, the validation was carried out through Global Accuracy, Kappa index, Tau index, besides the

visual analysis.

Key words: Classifiers, UAV, Global Accuracy, Kappa Index, Tau Index

1 INTRODUÇÃO

Atualmente, existem diversos métodos para o

tratamento de imagens digitais de sensoriamento remoto

que permitem realizar tarefas de manipulação, análise e

compreensão das imagens. No processamento das imagens

de sensoriamento remoto, a natureza dos alvos é

determinada baseada no fato de que diferentes materiais

são caracterizados por interagir de diferentes formas em

cada uma das faixas do espectro eletromagnético

(JENSEN, 2009).

O uso de Veículos Aéreos Não Tripulados

(VANTs) é o campo de estudos que está crescendo

rapidamente dentro das tecnologias de sensoriamento

remoto, oferecendo uma opção de baixo custo que permite

mensurar e monitorar aspectos do meio ambiente com a

possibilidade de aquisição das imagens (HONKAVAARA,

et al., 2013). Imagens aéreas com alta resolução espacial e

temporal contribuem para obtenção de informações em

campo, caracterização do problema e até a geração de

cartas temáticas em escala de elevado detalhe. Lian e Chen

(2011) trabalharam com classificação orientada a objeto

em imagens de satélites de alta resolução espacial e

concluíram que a precisão da classificação está relacionada

diretamente com a resolução espacial.

Segundo Queiroz et al. (2004), as informações

contidas nas imagens podem ser extraídas através do

processo de classificação. Existem vários métodos de




classificação que buscam, através de diversas abordagens,

identificar com acurácia a informação de cada pixel da

imagem, classificando-o em categorias. Os métodos de

classificação de imagens podem apresentar diferentes

níveis de acurácia, dependendo da abordagem utilizada

pelo método e da especificação dos parâmetros do mesmo.

Desta forma, o objetivo deste estudo foi avaliar e

comparar o desempenho de quatro classificadores:

Paralelepípedo (PPD), Distância Euclidiana (DE), Máxima

Verossimilhança (MAXVER) e Redes Neurais Artificiais

(RNA) para a determinação de um mapa de uso e cobertura

com as classes: Floresta, Água, Urbanização, Agricultura e

Solo Exposto, em imagens de VANT, na região de Viçosa-

MG. Na avaliação da qualidade das classificações dos

mapas obtidos, foi utilizado o índice Kappa, Exatidão

Global e o índice Tau.

2 CLASSIFICAÇÃO DE IMAGENS

Os métodos de classificação podem ser divididos

em classificadores por pixel ou por regiões e podem levar

em conta uma ou mais bandas das imagens. Os

classificadores por pixel utilizam a informação espectral de

cada pixel isolado para encontrar regiões homogêneas,

definidas como classes. Classificadores por regiões

baseiam-se na informação de um conjunto de píxeis

vizinhos (CROSTA, 1992). Segundo Santos (2013), o

método da Distância Euclidiana atribui cada pixel

desconhecido à classe cuja média seja mais próxima a ele.

Cada pixel dentro e fora das áreas de treinamento é

avaliado e assinalado à classe à qual o mesmo tem a maior

probabilidade de pertencer (Figura 1).

Figura 1- Esquema do método de classificação

supervisionada Distância Euclidiana. Fonte: LIRA et al.

(2016).

O método PPD define áreas quadradas, usando

unidades de desvio padrão, ou de valores de refletância

mínimos e máximos dentro de cada área de treinamento,

conforme a Figura 2. Já o método MAXVER, segundo

Queiroz et al. (2004) é o mais utilizado em sensoriamento

remoto dentro da abordagem estatística. Este método se

adequa a elipses, de modo que a localização, a forma e

tamanho da elipse, refletem a média variância e

covariância de duas variáveis. A distribuição dos valores

de refletância é descrita por uma função de probabilidade

que avalia a possibilidade de um determinado pixel

pertencer a uma categoria e classifica o pixel para uma

categoria à qual o mesmo tem maior probabilidade de

associação (SANTOS, 2013) como o representado na

Figura 3.

Figura 2 – Esquema do método de classificação

supervisionada de paralelepípedo. Fonte: LIRA et al.

(2016).

Figura 3 - Esquema do método de classificação

supervisionada de Máxima Verossimilhança. Fonte: LIRA

et al. (2016).

As redes RNA também são utilizadas em

processamento de imagens. Para Queiroz et al. (2004) as

RNA são algoritmos cujo funcionamento baseia-se na

estrutura do cérebro humano pois adquire e armazena

conhecimentos através do processo de aprendizado, que se

dá pelas conexões entre neurônios, que também são

conhecidas como sinapses. Segundo Abdalla e Sá Volotão

(2013) existem redes neurais de camada simples, que são

constituídas por um grupo de neurônios arranjados em

apenas uma camada, e as redes multicamadas, formadas

por inúmeras camadas escondidas ou pela combinação de

várias redes de camadas simples.

Para Mazhar et al (2013), em uma rede neural a

camada de entrada 𝑋𝑖 é aquela na qual os padrões são

apresentados à rede. As camadas intermediárias, (também

chamadas de ocultas ou escondidas) as quais podem ser

mais do que uma, são responsáveis por grande parte do

processamento. Nessa etapa os dados de entrada são

multiplicados pelo peso 𝑊𝑗𝑖 e também é adicionado

polarização 𝜃𝑗 para ajustar o erro residual. Uma ativação

ou transferência função f calcula a saída 𝑌𝑗 do neurônio,




usando uma lógica pré-definida. Desta forma, os padrões

são passados para os outros neurônios obedecendo às

funções de transferência que cada neurônio possui. O

funcionamento de um neurônio típico numa rede é

mostrado na Figura 4, podendo matematicamente ser

escrita pelas equações 1 e 2:

Іj = WjiXi + θj

Yi = f (Ij) = f(WjiXi + θj)

Figura 4 - Arquitetura de uma RNA com duas camadas

escondidas. Fonte: Abdalla e Sá Volotão (2013).

De acordo com Galo (2000) o número de neurônios

da primeira camada corresponde à dimensionalidade do

vetor de atributos dos dados de entrada. Desse modo, de

acordo com a apresentação do padrão de treinamento na

entrada da rede, é possível saber qual deve ser a resposta

de cada neurônio na camada de saída (MENDES & DAL

POZ, 2011). No entanto, o problema maior está na

definição do número de camadas escondidas, e do número

de neurônios que as compõem. Na prática este problema

tem sido geralmente resolvido por tentativa e erro (GALO,

2000).

3 AVALIAÇÃO DA CLASSIFICAÇÃO

Segundo Campbell (1987), os erros estão presentes

em qualquer tipo de classificação. A forma padronizada

para verificar tais erros em locais específicos é a chamada

matriz de erros, também conhecida como matriz de

confusão por identificar não somente o erro global da

classificação para cada categoria, mas também como

deram as confusões entre categorias.

A análise quantitativa da matriz de erros é

geralmente necessária após a realização inicial para se

detectar a natureza genérica dos erros presentes. As

medidas derivadas da matriz de confusão são: a Exatidão

Global, o índice Kappa, o índice Tau, entre outros.

O método da Exatidão Global é calculado dividindo

a soma da diagonal principal da matriz de erros 𝑥𝑖𝑖 , pelo

número total de amostras coletadas n, ou seja:

𝐺 = ∑ 𝑥𝑖𝑖

𝑐𝑖=𝑛

𝑛.

Sendo:

G= Coeficiente de Exatidão Global;

𝑥𝑖𝑖 = Observações na linha i e coluna i;

𝑛 = Número de observações (pontos amostrais);

O método do índice Kappa é calculado com base

em uma matriz de erros, e é utilizado como medida de

concordância entre o mapa e a referência adotada para a

estimativa da exatidão, neste caso, a ortofoto. A Equação 4

calcula o coeficiente Kappa (COHEN, 1960):

𝐾 = 𝑛 ∑ 𝑥𝑖𝑖

𝑐𝑖=𝑛 −∑ 𝑥𝑖+𝑥+𝑖

𝑐

𝑖=𝑛

n2− ∑ 𝑥𝑖+𝑥+𝑖𝑐

𝑖=𝑛

Sendo:

𝐾 = Coeficiente Kappa de concordância;

𝑛 = Número de observações (pontos amostrais);

𝑥𝑖𝑖 = Observações na linha i e coluna i;

𝑥𝑖+= Total marginal da linha i;

𝑥+𝑖= Total marginal da coluna i;

Por fim o método do índice Tau baseia-se na

probabilidade a priori (KLECKA, 1980), ou seja, a

concordância esperada (Pr) pode ser obtida antes mesmo

de elaborar a matriz de erros. Pr é expresso por 1/n, onde n

é número de categorias ou classes. Pode ser considerado,

ainda, se a classificação das categorias foi efetuada com a

mesma probabilidade ou não (MA & REDMOND, 1995).

O método do índice Tau é expresso por:

𝑇 = 𝑃𝑜 − 𝑃𝑟

1 − 𝑃𝑟

Sendo:

T= Coeficiente Tau de concordância;

𝑃𝑜=Proporção de pontos de verdade terrestre concordantes;

𝑃𝑟=Concordância esperada;

Segundo Brites (1996), o índice global superestima

a classificação e sempre resultará em valores mais altos do

que os outros índices. O índice Kappa, ao calcular a

concordância casual, inclui os elementos da diagonal

principal, fazendo com que esta concordância seja

superestimada, reduzindo o valor do índice. Segundo Ma e

Redmond (1995) o índice Tau não superestima como

Exatidão Global e não subestima como o Kappa, sendo o

índice mais adequado na avaliação do mapeamento.

4 ÁREA DE ESTUDO E MATERIAIS

A área de estudo faz parte da Universidade Federal

de Viçosa (UFV) campus Viçosa, estado de Minas Gerais.

A paisagem da UFV apresenta uma diversidade de classes

de uso e ocupação do solo como: remanescentes florestais;

campos experimentais de agricultura e solo exposto;

edificações e logradouros com características distintas;

corpos d’água como rios e lagoas, entre outras. Devido a

estas características foram selecionadas as classes floresta,

agricultura, solo exposto, urbanização e água, para a

realização do experimento.

(1)

(2)

(3)

(4)

(5)




No presente trabalho foi utilizado o equipamento

VANT Echar 20A fabricado pela XMOBOTS (2015),

acoplada com câmera RGB Sony ILCE – 7R, 36.4 MP Full-

Frame Exmor® CMOS Sensor. O processamento das fotos

foi realizado no software PhotoScan Professional Edition

1.0.2 da Agisoft. Foram coletados pontos de controle e de

validação utilizando receptor GNSS (Global Navigation

Satellite System) JAVAD TRIUMPH 1 com aplicação do

método Real Time Kinematic (RTK) para o

georreferenciamento ao Sistema Geodésico Brasileiro. Para classificar a ortoimagem (RGB) foi utilizado o

Sistema de informação Geográfica (SIG) IDRISI versão 17

- Selva, desenvolvido pela Clark University. O software foi

escolhido por apresentar diversas ferramentas de

processamento e análise de imagens digitais.

5 METODOLOGIA

A fim de facilitar a compreensão da metodologia

empregada, um fluxograma das atividades realizadas é

apresentado na Figura 5.

Figura 5 - Fluxograma da metodologia proposta.

As imagens VANT foram obtidas dia 10/08/2015 às

11 horas e 41 minutos. De posse das fotos do VANT e dos

pontos de controle, foi gerada a ortofoto com resolução

espacial de 5 cm. De modo a minimizar o esforço

computacional dos classificadores, a ortofoto foi recortada

nos limites da área de estudo.

Em seguida foram coletadas amostras

aleatoriamente na região de estudo de classe de Floresta,

Água, Urbanização, Agricultura e Solo exposto, sendo

divididas em dois grupos: treinamento e validação. Foram

aproximadamente 61.995 pixels de treinamento e 12.810

pixels de validação para cada classe. É importante ressaltar

que o tamanho da amostra de cada classe foi um fator de

controle no experimento possibilitando que as análises dos

classificadores fossem independentes do tamanho amostral

de cada classe.

Uma vez coletada as amostras de treinamento para

as diferentes classes, a próxima etapa refere-se à execução

do processo de classificação de toda a imagem, por regras

de decisão. No caso deste estudo foi utilizado os métodos

Paralelepípedo (PPD), Distância Euclidiana (DE), Máxima

Verossimilhança (MAXVER) e Redes Neurais Artificiais

(RNA).

O processo de análise da qualidade das

classificações foi realizado a partir das amostras de

validação utilizando o índice Kappa, Exatidão Global, e o

índice Tau. Também foi realizado a análise qualitativa,

baseando-se na análise visual, onde se comparou os

resultados das imagens classificadas com a imagem

original, visando-se verificar se a identificação das classes

foi coerente com a realidade.

6 RESULTADOS

Foi observado que dos quatro classificadores

avaliados, RNA e o MAXVER demostraram as melhores

performances, em conformidade com os valores de

Exatidão Global, índice Kappa e o índice Tau. O menor

nível de exatidão das classificações realizadas, foi obtido

pelo método do classificador Paralelepípedo, onde se

obteve os valores de 0,44 para a exatidão global com 0,30,

para o índice Kappa e 0,30 para o índice Tau, de acordo

com a Figura 6.

Figura 6 - Gráfico da validação das classificações

aplicando a exatidão global, o índice Kappa e o índice Tau

dos classificadores Máxima Verossimilhança, Distância

Euclidiana, Paralelepípedo e RNA, respectivamente.

As Figuras 7, 8, 9 e 10, ilustram os mapas dos

classificadores utilizados.

Figura 7 - Mapa do classificador por Redes Neurais.

https://www.sinonimos.com.br/em-conformidade-com/




Figura 8 - Mapa do classificador por Máxima

Verossimilhança.

Figura 9 - Mapa do classificador por Distância Euclidina.

Figura 10 - Mapa do classificador por Paralelepípedo.

Pode-se observar que o método do Paralelepípedo

apresentou o pior resultado (Figura 10), não sendo assim

recomendado para este tipo de mapeamento. Salienta-se

que a regra de decisão do Paralelepípedo é indicada em

classificações preliminares, para efeitos de visualização

(MENESES &ALMEIDA, 2012).

Já o resultado do método da distância euclidiana

deve-se ao fato de que foram trabalhadas classes de

interesse na imagem que tiveram melhor adequação ao

algoritmo do método, apresentando boa semelhança

espectral, o que facilitou a classificação.

Avaliando-se visualmente as imagens geradas pelos

classificadores, observa-se que o método de redes neurais

e o da máxima verossimilhança mostraram-se mais

condizentes com a realidade, conseguindo distinguir

melhor os alvos. Para a obtenção da imagem classificada

por RNA, modificaram-se os parâmetros, e por tentativa e

erro, obteve-se um resultado aceitável.

As configurações utilizadas para teste na tentativa

de obter a rede que melhor classifique a imagem estão

apresentadas na Tabela 1.

Tabela 1 - Configurações utilizadas para realização dos

testes.

Camadas Nó

1

Nó

2

Exatidão

Global Kappa Tau

Escondidas

1 10 0 0,91 0,89 0,89

1 14 0 0,93 0,91 0,91

2 10 6 0,95 0,94 0,94

2 12 8 0,95 0,94 0,94

2 14 10 0,95 0,94 0,94

De acordo com a Tabela 1, pode-se relatar que com

uma camada e aumentando o número de nós, os valores da

validação das classificações empregando Exatidão Global,

o índice Kappa e o índice Tau tem comportamento

aleatório. Com duas camadas o método de classificação por

redes neurais obteve o melhor desempenho.

Nos testes realizados, observou-se que, aumentando

o número de nós nas duas camadas, a rede não produziu

resultados significativos na imagem e a avaliação ficou

constante, apresentando na avaliação da Exatidão Global

valor igual a 0,95, já em relação aos índices Kappa e Tau,

os valores da validação estatística foi o mesmo: 0,94. As

Figuras 11, 12, 13, 14 e 15 ilustram os mapas obtidos pelo

método de Redes Neurais Artificiais.


DISTÂNCIA EUCLIDIANA




Figura 12 - Mapa do classificador Redes por Neurais.




4 CONCLUSÕES

Imagens de maior resolução espacial podem vir a

melhorar a classificação, devido à melhor identificação de

objetos no solo. Assim, após a realização do trabalho

verificou-se que a utilização de imagens VANT mostrou-

se eficiente na delimitação de alvos de interesse, evitando-

se o trabalho de digitalização, baseado em

fotointerpretação. Importante ressaltar também, que essas

análises podem ser feitas de forma extremamente rápida e

dinâmica, permitindo o acompanhamento da evolução

física, ambiental e social urbana, por exemplo.

A escolha dos melhores resultados neste trabalho

baseou-se na avaliação da qualidade das classificações a

partir dos valores obtidos da análise da Exatidão Global, do

índice Kappa e do índice TAU, assim como uma análise

visual dos resultados gerados. Foi verificado que o

classificador de redes neurais obteve melhor acurácia

apresentando valor de Exatidão Global de 0,92. O índice

Kappa para o mapa foi de 0,89, sendo assim menor que a

validação da classificação por redes neurais empregando a

Exatidão Global. Isso pode ser explicado pela formulação

do índice Kappa, que considera todos os elementos da

matriz de erros.

Além disso, analisando a Figura 6, os valores da

acurácia total obtida para os três métodos de avaliação não

apresentam diferenças significativas entre si, em relação ao

método de classificação empregando a regra de decisão de

redes neurais. No entanto, o coeficiente de concordância

Kappa e Tau são mais consistentes por envolver no valor

final todas as células da matriz de erros. Além disso, como

o coeficiente de concordância Tau e Kappa apresentam

valores aproximados neste presente trabalho (Figura 6),

ambos podem ser recomendados na avaliação da acurácia

de mapas temáticos. No entanto, salienta-se que o índice

Tau é o mais simples de se determinar.

Conclui-se, portanto, que a utilização do método de

classificação por redes neurais mostrou-se mais eficiente

que os demais métodos testados, porém a definição dos

parâmetros e seu treinamento foram demorados, sendo

necessários testes, com parâmetros modificados, para que

se chegasse a um resultado aceitável. No entanto, alguns

autores na literatura (e.g., Benedicktsson, 1990; Austin,

1997), constataram que a mudança de regra de decisão de

um método estatístico para o de redes neurais, apenas

melhora um pouco os resultados da classificação. Isto

posto, o problema não é com a regra de decisão e sim com

a etapa de extração de características.

É importante ressaltar a necessidade de uma

análise integrada de todos os índices para escolha da

melhor classificação. A acurácia do produto dá um bom

indício da qualidade do mapeamento explicitando a

porcentagem de área mapeada de uma classe que

corresponde a sua realidade. Então, se toda a área fosse

mapeada como floresta haveria um acerto de 100% com

relação ao real, porém uma grande porcentagem

corresponderia a erros de comissão, ou seja, áreas que não

são floresta, mas que foram mapeadas como tal.




Nesse contexto, os dados gerados pela presente

pesquisa, podem trazer uma contribuição efetiva, podendo

ser considerados como uma alternativa para uma

sistematização na detecção de classes na imagem não se

limitando a técnicas tradicionais.

REFERÊNCIAS

ABDALLA, L.S.; SÁ VOLOTÃO, C.F. Estudo da

configuração de diferentes arquiteturas de redes neurais

artificiais MLP para classificação de imagens ópticas. In:

XVI Simpósio Brasileiro de Sensoriamento Remoto -

SBSR, 2013, Foz do Iguaçu, PR, Brasil. Anais. 2013.p.

8200-8207, 2013.

AUSTIN, J., HARDING, S., KANELLOPOULUS, I.,

Lees, K., McNAUGHTON, H., ROLI, F., VERNAZZA,

G.,WILKINSON, G. G. (1997). Connectionist

computation in Earth observation. In Report of the

Research Strategy Meeting of the European Concerted

Action “COMPARES”, held in Cagliari, Sardinia, Italy,

24-25 October. Joint Research Centre – European

Commission (EUR 17341 EN), Ispra, Italy.

BENEDIKTSSON, J. A., SWAIN, P. H., ERSOY, O. K.

(1990). Neural network approaches versus statistical

methods in classification of multisource remote sensing

data. IEEE Transactions on Geoscience and Remote

Sensing,GE-28,540-552.

BRITES, R. S. Verificação da exatidão em classificação

de imagens digitais orbitais: efeitos de diferentes

estratégias de amostragens e avaliação de índices de

exatidão.1996. 101 p. Tese (Doutorado em Ciência

Florestal) - Universidade Federal de Viçosa, Viçosa.1996.

CAMPBELL, J.B. Introduction to remote sensing. New

York, The Guilford Press, 1987. 551p.

CROSTA, A. P. Processamento digital de imagens de

sensoriamento remoto. Campinas: IG/UNICAMP. 1992.

170p.

COHEN, J.A. Coefficient of agreement for nominal

scales. Educational and Psychological Measurement,

20:37-46, 1960.

GALO, M. L. B. T., Aplicação de redes Neurais

Artificiais e Sensoriamento Remoto na Caracterização

Ambiental do Parque Estadual Morro do Diabo. Tese

de Doutorado, Escola de Engenharia de São Carlos da

Universidade de São Paulo, São Carlos, SP, 2000.

HONKAVAARA, E.; SAARI H.; KAIVOSOJA, J.; POLONEN,

I; HAKALA T.; LITKEY, P; MAKYNEN J.; PESONEN L.

Processing and assessment of Spectrometric, Stereoscopic

Imagery Collected Using a Lightweight UAV Spectral

Camera for Precision Agriculture. Remote Sensing, 5:5006-

5039,2013.

JENSEN, J. R. Sensoriamento remoto do ambiente: uma

perspectiva em recursos terrestres. São José dos

Campos: Parêntese, 2009. 4-29 p.

KLECKA, W.R. Discriminat analysis. Beverly Hills:

SALE, 1980. 71 p.

LIAN, L. & CHEN, J. 2011. Research on segmentation

scale of multi-resources remote sensing data based on

object-oriented. Procedia Earth and Planetary Science,

2(1): 352-357.

LIRA, C., AMORIM, A., SILVA, A. N. e TABORDA, R.,

(2016). Sistemas de Informação Geográfica: Análise de

Dados de Satélite. DGRM, Lisboa, Portugal. E-book

disponível em www.sophia-mar.pt.

MA, Z.; REDMOND, R.L. Tau coefficients for accuracy

assessment of classification of remote sensing

data. Photogrammetric Engineering and Remote

Sensing, Reston, v.61, n.4, p.63-152, 1995

.

MAZHAR, F.; KHAN, A. M.; CHAUDHRY, I. A.;

AHSAN, M. On using neural networks in UAV structural

design for CFD data fitting and classification. Aerospace

Science and Technology (2013).

MENDES, T. S. G; DAL POZ, A. P. Classificação de

imagens de alta-resolução utilizando Redes Neurais

Artificiais e dados de varredura a laser: In: SIMPOSIO

BRASILEIRO DE SENSORIAMENTO REMOTO, 15.,

2011, Curitiba. Anais...São José dos Campos: INPE,

2011.p.7792-7799.

MENESES, P. R; ALMEIDA, T. (org.), Introdução ao

Processamento de Imagens de Sensoriamento Remoto: 1 ed. Brasília: UnB/CNPq, 2012.

SANTOS, R. D. B. Dinâmica espaço-temporal (1990 -

2010) do uso da terra no município de Seropédica, RJ,

determinado por classificação automatizada. 2013.

Trabalho de conclusão de curso de Engenharia florestal -

Universidade Federal Rural do Rio de Janeiro (UFRRJ).

QUEIROZ, R. B.; RODRIGUES, A. G.; GÓMEZ, A. T.

Estudo comparativo entre as técnicas máxima

verossimilhança gaussiana e redes neurais na

classificação de imagens IR-MSS CBERS 1",

WORKCOMP 2004, 2004.

normas para redaÇÃo de artigos para o...

Documents