SUMMARY
Uma das grandes preocupações no processo de automação emFotogrametria está relacionado com os algoritmos de reconhecimento de padrões.Apesar da metodologia ter avançado significativamente nos últimos anos,principalmente no que se refere ao tom de cinza, o reconhecimento de padrões decores reais em imagens coloridas ainda se encontra em fase de desenvolvimento.Neste sentido objetiva-se realizar uma série de ensaios com dados (cores)controlados e também com dados reais para comparar a performance dos métodosestatísticos de Máxima Verossimilhança, Distância Mínima e de Fisher parareconhecimento das cores reais. A comparação entre os métodos estatísticos foi feitacontrolando o processo de classificação, ou seja, utilizando amostras determinísticaspara treinamento das funções discriminantes e criando imagens para classificação nosoftware (MATLAB). Com o intuito de que a comparação pudesse ser feita semcontrole da imagem a ser classificada e das amostras, utilizou-se uma imagemretirada de uma foto digitalizadora, para verificar a performance dos métodos frentea um caso real. A análise de desempenho dos métodos foi observada pela estatísticakappa e a comparação pelo teste Z apropriado. Os resultados indicam que o Métodode Distância Mínima foi o melhor para classificação de cores reais sob todos osaspectos estudados.A Comparison Among Methods of Likelihood, Minimun Distance and FishersMethod for Pattern recognition in colored imagesAbstract One of the main issues in the photogrametry automation process is relatedto pattern recognition algorithms. Although there were significant advances in thelast years, mainly in regard to the gray tones, color pattern recognition in coloredimages is still in a developing stage. In this sense, a series of tests with controlleddata (colors) and also with real data is made to compare the performance of thestatistical methods: Maximum Likelihood, Minimum Distance, and Fishers methodin their ability to recognize real colors. The comparison among the statisticalmethods was performed by controlling the classification process, that is, usingdeterministic samples for the training of discriminant functions and test imagescreated by a software (MATLAB). For the case of real images, statistical methodswere compared without controlling both the sample and the image by the use of animage extracted from a digitized picture. The methods performance was analyzedusing the kappa statistic and the z test. The results indicated that the MinimumDistance Method was the best method to classify real colors under all assumptions.