Campos Aleatórios para Classificação de Imagens Multiespectrais

A classificação de imagens multiespectrais é uma tarefa desafiadora devido à presença de ruídos nos dados observados. Modelos de campos aleatórios Markovianos são ferramentas matemáticas que nos permitem incorporar conhecimento a priori na forma de restrições de suavidade. O problema é que a introdução de tais modelos faz com que não seja possível a obtenção de soluções analíticas. Dessa forma, torna-se necessário a aplicação de métodos iterativos de otimização combinatória. Como esses algoritmos são sub-ótimos, no sentido de que não garantem o ótimo global, neste trabalho é proposto uma abordagem para a combinação de tais métodos, de modo a evitar ótimos locais. Além disso, a estimação dos parâmetros dos modelos Markovianos é fundamental para a obtenção de bons resultados. São propostas equações de máxima pseudo-verossimilhança para a estimação da temperatura inversa do modelo de Potts. Experimentos computacionais são desenvolvidos para demonstrar a viabilidade dos métodos propostos.