DissertacaoFinal

a distribuição é Gaussiana (L2), Exponencial (L1) ou Cauchy, porém há muitas outras distribuições. Yu et al. (2006) propõe usar um critério baseado na Maximum Likelihood Theory (Máxima Verossimilhança) para encontrar a métrica ideal para cada modelo de distribuição. Considerando esse critério tem-se que a métrica L2 corresponde a média aritmética enquanto que a métrica L1 corresponde a mediana. Esse trabalho investiga uma nova métrica sem considerar qualquer tipo de distribuição para o conjunto de dados e a compara com as mais populares. Vários outros trabalhos analisam o desempenho das métricas para recuperação de imagens. Em (KOKARE; CHATTERJI; BISWAS, 2003) nove métricas são analisadas para recuperação de imagens de textura: Manhattan (Ll), Weighted-Mean -Variance (WMV), Euclidiana (L2), Chebychev (Lm ), Mahalanobis, Canberra, Bray- Curtis, Squared Chord e Squared Chi-Squared. As imagens de textura são derivadas do álbum de Brodatz 2 , cujas características foram extraídas usando Wavelet de Gabor. Para os vetores de características foi 2 Brodatz é um álbum público de imagens de textura. Capítulo 2 – Aspectos Gerais da Recuperação de Imagens baseada em Conteúdo ___________________ 46 considerado a média e o desvio padrão de cada imagem filtrada. Em seu estudo as métricas Canberra e Bray-Curtis apresentaram melhor desempenho quando comparadas as tradicionais Euclidiana e Mahalanobis. Já Lui et al. (2008) vão além e avalia o desempenho de 14 métricas para…

5,4% relativamente à Solução 1 (o índice de Gini passa de 0,147 para 0,139). Em resultado disso, a acessibilidade agregada baixa de 2,505 para 2,493, significando uma redução de 4,8%. Figura 4: (esq.) Solução 2 – maximização da acessibilidade agregada e minimização do índice de Gini; (dta.) Comparação da Solução 2 com a Solução 1 4.3 Impacto de adicionar um objetivo de consumo energético Posteriormente, substituiu-se o objetivo de equidade por um objetivo de consumo energético…