Evaluación de clasificaciones máxima verosimilitud gaussiana y de modas condicionales iteradas para imágenes ópticas multiespectrales / Susana Beatriz Ferrero.
Tipo de material: TextoDetalles de publicación: Córdoba, Argentina : s.n., 2004Descripción: 67 h. : ilTema(s): Clasificación CDD:- 519.53 21
Tipo de ítem | Biblioteca actual | Signatura topográfica | URL | Estado | Notas | Fecha de vencimiento | Código de barras | |
---|---|---|---|---|---|---|---|---|
Tesis de maestría | Biblioteca Manuel Belgrano | R-TM 519.53 F 48590 (Navegar estantería(Abre debajo)) | Enlace al recurso | Disponible | Préstamo en sala de lectura | 48590 |
Tesis (Maestría en Estadística Aplicada) -- Universidad Nacional de Córdoba. Facultad de Ciencias Económicas. Escuela de Graduados, 2004.
Bibliografía: p. 66-67
1. Introducción -- 2. Tratamiento digital de imágenes -- 3. Clasificadores Gaussianos por máxima verosimilitud puntual y por modas condicionales iteradas -- 4. Validación de la clasificación -- 5. Aplicaciones a una imagen real -- 6. Aplicaciones a imágenes simuladas -- 7. Resultados obtenidos -- 8. Conclusiones y trabajos futuros.
Resumen: Para la mayoría de los usuarios de la teledetección una de las tareas más importantes en el procesamiento y análisis de imágenes es la clasificación digital. Mediante la misma, a partir de una imagen se puede producir un mapa temático de la zona en estudio, discriminando las categorías homogéneas presentes. Este trabajo presenta dos clasificadores: el de máxima verosimilitud Gaussiana (MVG) y el de modas condicionales iteradas (ICM). El primero es, probablemente, el clasificador estadístico supervisado más utilizado en la clasificación de imágenes ópticas multiespectrales. Es un clasificador puntual, es decir que clasifica cada pixel sobre la base de sus propiedades espectrales. El segundo que es un clasificador contextual, no solo tiene en cuenta la información espectral de un determinado pixel, sino también la de los píxeles vecinos. El clasificador puntual MVG utiliza la distribución normal multivariada para describir las clases. El algoritmo ICM además utiliza los campos aleatorios Markovianos para formalizar la dependencia espacial entre los píxeles que constituyen las distintas clases temáticas en una imagen. Esta tesis concluye con una evaluación cuantitativa del desempeño del clasificador ICM relatico al desempeño del clasificador estadítico MVG sobre imágenes reales y sintéticas. Se muestra la superioridad del ICM en la mayoría de las situaciones.
No hay comentarios en este titulo.