Comparação da discriminação logística com o método da máxima verossimilhança gaussiana na classificação de imagens digitais

AUTOR(ES)

Bittencourt, Helio Radke

DATA DE PUBLICAÇÃO

2007

RESUMO

A tradicional técnica de regressão logística, muito conhecida e utilizada em estudos médicos, permitia apenas a modelagem de variáveis-resposta binárias. A extensão do modelo logístico para variáveis-resposta multinominais ampliou em muito as áreas de aplicação de regressão logística. Na área de reconhecimento de padrões o modelo logístico multinominal recebeu a denominação de discriminação logística apresenta aparentes vantagens em relação a métodos convencionais de classificação. O método da máxima verossimilhança gaussiana, amplamente difundido e utilizado, necessita da estimação de um número muito grande de parâmetros, pois supõe que as distribuições subjacentes de cada classe sejam normais multivariadas. A discriminação logística por sua vez, não faz restrições quanto a forma funcional das variáveis, e o número de parâmetros do modelo é relativamente pequeno. Nesse estudo, os princípios da técnica de discriminação logística são apresentados detalhadamente, bem como aplicações práticas de classificação de imagens Landsat-TM e AVIRIS. Os procedimentos de discriminação logística e da máxima verossimilhança gaussiana foram comparados a partir de dados reais e simulados. Os resultados sugerem que a discriminação logística seja considerada como uma alternativa ao método da máximaverossimilhança gaussiana, principalmente quando os dados apresentarem desvios da normalidade.

ASSUNTO(S)

sensoriamento remoto

Documentos Relacionados

• Comparação entre redes neurais artificiais e classificação por máxima verossimilhança no mapeamento digital de solos
• Receptores de sequencia maxima verossimilhança aplicados em telecomunicações moveis digitais
• Metodo Spline modificado : acoplamento do metodo da maxima verossimilhança ao metodo Spline
• Comparação de classificadores de imagens digitais na determinação da cobertura do solo
• Estimação de maxima verossimilhança não parametrica pelos metodos de grenander e de maxima verossimilhança penalizada