[pt] Nos últimos anos, diversas fórmulas de diferença de cores foram desenvolvidas para o espaço CIELAB, tais como CMC, CIE94 e CIEDE2000. Embora essas fórmulas obtenham maior precisão na medida perceptual entre cores, muitas aplicações não podem usufruir desta maior precisão, pois as distâncias euclidianas no CIELAB não são isométricas de acordo com essas novas fórmulas. Com isso, aplicações como gamut mapping e interpolação de cores precisam de um espaço de cores que seja isométrico em relação as fórmulas mais recentes de medição de diferenças de cores. Esse trabalho estuda o mapeamento do espaço CIELAB, em particular do plano ab deste espaço, sob a métrica da fórmula CIEDE2000, por meio de técnicas de escalonamento multidimensional, ou Multidimensional Scaling (MDS), tais como o ISOMAP e uma otimizaçãobaseada em Sammon Mapping. / [en] In recent years, various color difference formulas were developed for the CIELAB space, such as CMC, CIE94 and CIEDE2000. Although these formulas have achieved greater accuracy in perceptual measurement between colors, many applications cannot take advantage of this greater precision, because the Euclidean distances in CIELAB are not isometric in accordance with these new formulas. Thus, applications such as gamut mapping and color interpolation need a color space that is isometric in relation to the latest color difference formulas. This paper studies the mapping of the CIELAB space, particularly the ab plane of this space according to the metrics of the CIEDE2000 formula, through multidimensional scaling (MDS) techniques, more specifically ISOMAP and an optimization based on Sammon Mapping.

[pt] Classificação de imagens é o processo de extração de informação em imagens digitais para reconhecimento de padrões e objetos homogêneos, que em sensoriamento remoto propõe-se a encontrar padrões entre os pixels pertencentes a uma imagem digital e áreas da superfície terrestre, para uma análise posterior por um especialista. Nesta dissertação, utilizamos a metodologia de aprendizado de máquina support vector machines para o problema de classificação de imagens, devido a possibilidade de trabalhar com grande quantidades de características. Construímos classificadores para o problema, utilizando imagens distintas que contém as informações de espaços de cores RGB e HSB, dos valores altimétricos e do canal infravermelho de uma região. Os valores de relevo ou altimétricos contribuíram de forma excelente nos resultados, uma vez que esses valores são características fundamentais de uma região e os mesmos não tinham sido analisados em classificação de imagens de sensoriamento remoto. Destacamos o resultado final, do problema de classificação de imagens, para o problema de identificação de piscinas com vizinhança dois. Os resultados obtidos são 99 por cento de acurácia, 100 por cento de precisão, 93,75 por cento de recall, 96,77 por cento de F-Score e 96,18 por cento de índice Kappa. / [en] Image Classification is an information extraction process in digital images for pattern and homogeneous objects recognition. In remote sensing it aims to find patterns from digital images pixels, covering an area of earth surface, for subsequent analysis by a specialist. In this dissertation, to this images classification problem we employ Support Vector Machines, a machine learning methodology, due the possibility of working with large quantities of features. We built classifiers to the problem using different image information, such as RGB and HSB color spaces, altimetric values and infrared channel of a region. The altimetric values contributed to excellent results, since these values are fundamental characteristics of a region and they were not previously considered in remote sensing images classification. We highlight the final result, for the identifying swimming pools problem, when neighborhood is two. The results have 99 percent accuracy, 100 percent precision, 93.75 percent of recall, 96.77 percent F-Score and 96.18 percent of Kappa index.