Made available in DSpace on 2016-06-02T19:05:18Z (GMT). No. of bitstreams: 1
DissALML.pdf: 2156518 bytes, checksum: eb0b0619b9319fd2b1128f575f5041ff (MD5)
Previous issue date: 2006-02-22 / Universidade Federal de Sao Carlos / Methods for feature extraction represent an important stage in statistical pattern recognition applications. In this work we present how to improve classification performance creating a feature fusion framework to combine second and higher order statistical methods, avoiding existing limitations of the individual approaches and
problems as ill-conditioned behavior, which may cause unstable results during the estimation of the independent components (whitening process) and eventual noise amplifications. The resulting scheme is used to combine features obtained from a variety of methods into a unique feature vector defining two approaches: Concatenated
and Hierarquical Feature Fusion. The methods are tested on both multispectral and
hyperspectral remote sensing images, which are classified using the maxver (maximum
likelihood) approach. Results indicate that the technique outperforms the usual methods
in some cases, providing a valid useful tool for multivariate data analysis and classification. / Métodos para extração de atributos compõem uma etapa fundamental em aplicações na área de reconhecimentos de padrões. O presente trabalho apresenta uma metodologia para melhorar o desempenho da classificação criando modelos para fusão de atributos que combinam métodos estatísticos de segunda ordem com métodos de ordens superiores, superando limitações existentes nas abordagens tradicionais, como problemas de mal-condicionamento, o que pode provocar instabilidade na estimação dos componentes independentes, além de eventuais amplificações de ruídos. O esquema resultante é utilizado para combinar atributos obtidos através de diversos métodos num único vetor de padrões em duas abordagens: Fusão Concatenada e Fusão Hierárquica. A metodologia proposta é aplicada em diversos estudos de casos, incluindo imagens
multiespectrais e hiperespectrais de sensoriamento remoto, classificadas utilizando-se a abordagem de máxima verossimilhança. Resultados indicam que essa metodologia
supera métodos de segunda ordem tradicionais em alguns casos, constituindo um válido
e interessante ferramental para análise e classificação de dados multivariados.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/318 |
| Date | 22 February 2006 |
| Creators | Levada, Alexandre Luís Magalhães |
| Contributors | Mascarenhas, Nelson Delfino d'Ávila |
| Publisher | Universidade Federal de São Carlos, Programa de Pós-graduação em Ciência da Computação, UFSCar, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0268 seconds