Avaliação do uso de agrupamento semissupervisionado na segmentação do disco óptico em imagens de retina
|
|
- Yago Gentil Olivares
- 8 Há anos
- Visualizações:
Transcrição
1 Avaliação do uso de agrupamento semissupervisionado na segmentação do disco óptico em imagens de retina Luis G. T. dos Santos 1, Marcos A. de S. Frazão 1, Rodrigo de M. S. Veras 1 1 Departamento de Computação, Universidade Federal do Piauí, Teresina-PI luisguilherme.ufpi@gmail.com, frazaomarcos@yahoo.com.br, rveras@ufpi.edu.br. Abstract. This paper aims to evaluate the semi-supervised clustering in segmentation task of Optical Disc (OD) in retinal color images. The analysis of these images is important to assist the specialist in the detection of eye diseases as glaucoma. However, the segmentation of images follows a lineage of supervised and unsupervised clustering. Unlike the other clustering methods, we evaluated the segmentation to find out the algorithms that perform better results for retinal background. Resumo. Este trabalho tem como objetivo avaliar o agrupamento semissupervisionado na tarefa de segmentação do Disco Óptico (DO) em imagens coloridas de retina. A análise destas imagens constitui uma tarefa relevante para auxiliar o especialista na detecção de doenças oculares assim como o glaucoma. Contudo, a segmentação de imagens segue uma linhagem do agrupamento supervisionado e não-supervisionado. Diferente de outros agrupamentos, fizemos essa avaliação na segmentação do DO para saber quais dos algoritmos apresentam um melhor desempenho com imagens de retina. 1. Introdução Recentes avanços na aquisição de imagem digitais e poder computacional tornaram possível usar os dados fornecidos a partir de imagens médicas de maneiras novas e revolucionárias. Isso levou a um considerável interesse no desenvolvimento de sistemas automáticos de diagnóstico médico. Conhecidos como sistemas de Diagnóstico Auxiliado por Computador (CAD - Computer Aided Diagnosis). Estudos sobre sistemas CAD mostram que eles podem auxiliar os médicos em diversas tarefas, como medir estruturas anatômicas, monitorar as mudanças pela comparação de imagens sequenciais, diagnosticar e planejar o tratamento. Eles também aliviam o trabalho repetitivo, prevenindo erros por fadiga e aumentando a eficiência no trabalho. As aplicações de CAD mais estabelecidas em áreas médicas envolvem uso de sistemas automatizados em mamografias, tomografias computadorizadas de tórax e radiografias [Gonzalez e Woods 2011]. A detecção automática da posição do disco óptico (DO) é um passo importante para a análise automática de imagens de retina. A correta detecção das coordenadas do centro e raio do DO, poderão ser utilizadas para analisar a gravidade de algumas doenças, tais como o glaucoma. Aproximadamente 66,8 milhões de pessoas são portadoras de glaucoma primário de ângulo aberto e aproximadamente 10% desta população tornarse-á cega de ambos os olhos devido a esta doença [Quigley e Broman 2006]. Por isso a
2 necessidade de um diagnóstico mais rápido e preciso para a sua detecção em seus estágios iniciais [Dawn et al. 2015]. Uma forma de auxiliar o diagnóstico do glaucoma é a segmentação do DO em imagens de retina e, posteriormente, o cálculo relacionado a proporção da Escavação (parte mais interna) e do contorno do DO (parte mais externa e que engloba a escavação), como mostra a Figura 1. Segundo Póvoa et al. [Póvoa et al. 2001], quando essa proporção (Escavação/DO) chega a 0,7 suspeita-se que o paciente tenha glaucoma. Figura 1. Exemplo de retina e detalhe no DO com marcação da verdade terrestre. Segundo Muramatsu et al. [Muramatsu et al. 2011] os três principais métodos utilizados para segmentação do DO são modelos de contorno ativos, redes neurais artificiais e algoritmos de agrupamento (clustering). Partindo dessa ideia, analisamos algoritmos de agrupamento semissupervisionados com a finalidade de que o mesmo aprenda a partir de exemplos rotulados e não rotulados. A grande motivação para se estudar esse tipo de aprendizado se dá pelo fato de exemplos não rotulados existirem em abundância e exemplos rotulados serem geralmente escassos [Basu et al. 2002]. No futuro, pretendemos criar um software capaz de auxiliar o médico especialista. Ele marcará alguns pontos pertencentes a cada uma das regiões e o sistema segmentará e calculará a proporção da Escavação e do contorno do DO (CDR) automaticamente. Segundo Muramatsu et al. [Muramatsu et al. 2011] o agrupamento não supervisionado pode ser vantajoso na minimização do efeito de overtrainning (perda da capacidade de generalização). 2. Algoritmos de Agrupamentos Avaliados 2.1. Base de Imagens A base DRISHTI é composta por 101 imagens de retina. Todas as imagens foram tiradas com centro no DO, com um "campo de visão" de 30 e dimensões 2896 x 1944 pixels. Apenas 50 desse total possuem informações sobre suas verdades terrestres K-means O algoritmo K-means é um método de agrupamento particional, primeiramente apresentando por Macqueen [Macqueen 1967]. O objetivo é particionar os dados em k grupos mutualmente exclusivos e indicar a qual grupo cada elemento pertence. Este método utiliza uma medida de similaridade para encontrar os elementos pertencentes a cada grupo Seeded K-means Esse algoritmo, proposto por Basu et al. [Basu et al. 2002], é um variante do K-means, e também particiona o conjunto de dados em k grupos. A diferença mais característica
3 é o fato do Seeded K-means utilizar exemplos, inicialmente, rotulados como centroides inicias dos grupos, isto é, as sementes (Seed, em inglês), e não escolhê-los aleatoriamente. Uma exigência do algoritmo é que para cada grupo seja atribuído no mínimo uma semente. Dado um conjunto de exemplos E, toma-se um subconjunto S E como sendo o conjunto de sementes. Na inicialização do algoritmo, o usuário é responsável por atribuir cada exemplo x i S a um dos k grupos a serem encontrados, dividindo o conjunto S em k subconjuntos S l, de tal forma que S = U k l=1s l Constrained K-means Assim como o Seeded K-means, o Constrained K-means também tem na inicialização dos centroides a utilização de sementes. A modificação principal feita por Wagstaff et al. [Wagstaff et al. 2001] ao Seeded K-means foi no momento da atualização dos centroides. O algoritmo garante que nenhuma das restrições antes especificadas são violadas, ou seja, o elemento que faz parte do conjunto do cálculo dos centroides iniciais não pode ter a classe que lhe foi dada alterada, garantindo assim que tais elementos não serão rotulados erroneamente K-means ki O algoritmo K-means ki é uma abordagem semissupervisionada baseada no algoritmo Seeded K-means proposta em Sanches [Sanches 2003]. Assim como o Seeded K-means, o K-means ki também se utiliza de exemplos rotulados, assim a sua diferença se dá no processo de clustering propriamente dito. Quando o Seeded K-means é utilizado, cada elemento é associado ao cluster (centroide) mais próximo. No caso do K-means ki é estipulado a priori um threshold (limiar) t. Esse threshold será o responsável pela associação exemplo/cluster, ou seja, o exemplo somente poderá ser associado a um dado cluster caso esteja a uma distância menor ou igual a t de seu respectivo centroide. Esse valor de t não é um valor absoluto, mas sim relativo. O valor absoluto do limiar é baseado em um vetor ordenado v contendo todas as distâncias entre todos os centroides (exemplos rotulados) e todos os exemplos não rotulados [Sanches 2003]. 3. Experimentos 3.1. Metodologia de Avaliação Para avaliar o desempenho dos algoritmos foram utilizadas as métricas Sobreposição, Sensibilidade, Especificidade e Acurácia, todas essas métricas são calculadas com base no valores VP, FP, VN e FN, representadas nas equações de 1 a 4. A Sobreposição é a interseção da região segmentada com a real, a Sensibilidade representa a proporção de verdadeiros positivos, ou seja, avalia a capacidade do algoritmo predizer que um elemento pertence a um grupo quando ele realmente pertence a tal. A Especificidade reflete a proporção de verdadeiros negativos, isto é, avalia a capacidade do algoritmo predizer que um elemento não pertence a um grupo dado que ele realmente não pertence. Por fim, a acurácia é a proporção de predições corretas, sem considerar o que é positivo e o que é negativo e sim o acerto total. Sobreposição = V P V P + F P + F N (1)
4 V P Sensibilidade = V P + F N V N Especificidade = V N + F P V P + V N Acurácia = V P + F P + F N + V N (2) (3) (4) Cada algoritmo foi executado 5 vezes, e em cada inicialização as sementes utilizadas foram diferentes. No grupo dos rotulados foi usado 1% dos dados da imagem original como sementes iniciais, e 99% nos conjunto dos não rotulados. Particularmente no K-means ki, utilizamos um limiar igual a 0,5%. Em todas as execuções, foi utilizado um vetor de atributos como entrada para os algoritmos. Esse vetor contém o valor dos componentes: R (red - vermelho), G (green - verde), B (blue - azul), H (hue - matiz), S (saturation - saturação), V (value - valor do brilho), I (intensity - intensidade) e Luv de cada pixel da imagem Resultados e Discussão A Figura 2 apresenta o resultado da segmentação para uma das imagens da base DRISHTI. Os pixels marcados de vermelho correspondem a região da Escavação, os marcados de verde correspondem ao Disco Óptico, os que foram marcados de azul correspondem ao fundo. Na Figura 2(d) a cor preta é a região em que não foi possível rotular, já que o K-means ki só agrupa um dado elemento quando tem um grau de certeza (definido previamente), ou seja, se ao tentar agrupar algum elemento e o mesmo não estiver dentro do limiar, ficará sem rótulo. Na Figura 2(b) e 2(c), podemos ver a diferença entre as imagens geradas após o agrupamento feito pelo Seeded K-means e Constrained K-means, que a olho nu fica imperceptível a sua distinção. Por isso, em cada uma das duas imagens foi feito uma marcação (círculo) no mesmo ponto, exemplificando as diferenças de pixels referentes aos centroides iniciais que não poderiam mudar de classe. A Tabela 1 apresenta o resultado da avaliação dos algoritmos. Como pode ser visto, o algoritmo K-means ki se sobressaiu no cálculo das taxas de Especificidade e Acurácia. Já nas taxas de Sobreposição e Sensibilidade, os melhores resultados ficaram divididos entre K-means e Constrained K-means. O K-means ki se destacou na Especificidade e Acurácia, justamente nos dois parâmetros de desempenho mais importantes, pois a Especificidade é basicamente o cálculo da taxa de acerto referente aquele grupo, que neste caso são dois (Escavação e DO), e a Acurácia é a proporção de acertos no agrupamento geral de todas as classes. 4. Conclusão e Trabalhos Futuros Com o objetivo de segmentar as regiões do disco óptico, implementamos 4 algoritmos de agrupamento e utilizamos 50 imagens de retina como forma de avaliar seus desempenhos, contudo, em todos os algoritmos o desvio padrão obtido foi baixo. Em alguns parâmetros, o K-means ki se sobressaiu e obteve desvio menor ou similar quando comparado ao restante, somente na Sobreposição e na Sensibilidade que ele não obteve êxito em nenhuma das taxas. Com isso, percebemos que tais métodos avaliados mantém sempre uma saída semelhante, o que os tornam algoritmos estáveis.
5 (a) K-means (b) Seeded K-means (c) Constrained K-means (d) K-means ki Figura 2. Resultado da segmentação dos quatro algoritmos avaliados. K-means ki Tabela 1. Avaliação de desempenho dos métodos. Escavação Contorno do DO Métodos Taxa Máx Min Média Desvio Máx Min Média Desvio (%) (%) (%) (%) (%) (%) (%) (%) Sobreposição 55,20 53,97 54,57 0, ,85 23,55 25,68 0,0125 K-means Sensibilidade 81,74 78,75 80,40 0,011 53,17 50,02 51,87 0,0114 Especificidade 90,67 89,65 90,20 0, ,75 71,67 72,93 0,008 Acurácia 87,32 86,78 87,07 0, ,83 67,46 68,63 0,0118 Sobreposição 53,27 53,27 53, ,55 33,14 33,29 0,0015 Seeded K-means Sensibilidade 72,81 72,54 72,69 0, ,61 60,32 60,42 0,0011 Especificidade 92,67 92,59 92,62 0, ,77 78,35 78,48 0,0017 Acurácia 87,53 87,49 87,51 0, ,18 74,78 74,90 0,0016 Sobreposição 53,85 53,81 53,83 0, ,91 33,83 33,87 0,0003 Constrained K-means Sensibilidade 73,11 73,0 73,05 0, ,11 60,98 61,04 0,0005 Especificidade 92,77 92,73 92,75 0, ,03 78,94 78,98 0,0004 Acurácia 87,74 87,73 87, ,47 75,41 75,43 0,0002 Sensibilidade 55,09 54,77 54,88 0, ,41 27,11 27,22 0,0012 Especificidade 99,95 99,94 99, ,89 99,88 98,89 0 Sobreposição 55,01 54,68 54,79 0, ,27 26,98 27,09 0,0012 Acurácia 92,05 91,98 92,03 0, ,87 87,81 87,84 0,0002
6 Foi percebido que a presença dos vasos dificulta a diferenciação das regiões da Escavação e DO, visto que em algumas imagens esses vasos são segmentados, ora como Escavação, ora com Disco Óptico. Os bons resultados do K-means ki se deram justamente porque o algoritmo só agrupa o elemento quando ele está com um grau de certeza dentro do limiar, ou seja, se as distâncias de um elemento que seja vaso está muito confusa, tanto próximo aos centroides da Escavação como do DO, o algoritmo não rotula. Com relação aos trabalhos futuros, pretende-se realizar um pré-processamento para todas as regiões segmentadas, tornando-as mais homogêneas, além de remover ruídos e os vasos presentes na imagem, portanto, apresentando uma avaliação da localização das bordas das regiões obtidas. Referências Basu, S., Barnejee, A., e Mooney, R. (2002). Semi-supervised clustering by seeding. In Proceedings of the Nineteenth International Conference on Machine Learning, pp 19 26, Austrália. Dawn, S., Pearse, K., Adnan, T., Catherine, E., Lloyd, A., e Paolo, S. (2015). Automated retinal image analysis for diabetic retinopathy in telemedicine. Current Diabetes Reports. Gonzalez, R. C. e Woods, R. E. (2011). Processamento Digital De Imagens. Pearson Education, 3 edição. Macqueen, J. (1967). Some methods for classfication and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, pp 17 33, University of California Press. Muramatsu, C., Nakagawa, T., Sawada, A., Hatanaka, Y., Hara, T., Yamamoto, T., e Fujita, H. (2011). Automated segmentation of optic disc region on retinal fundus photographs: Comparison of contour modeling and pixel classification method. Computer Methods and Programs in Biomedicine, 101(1): Póvoa, C. A., Nicolela, M. T., Valle, A. L. S. L., de Siqueira Gomes, L. E., e Neustein, I. (2001). Prevalência de glaucoma identificada em campanha de detecção em são paulo. Arq Bras Oftalmol., 64: Quigley, H. A. e Broman, A. T. (2006). The number of people with glaucoma worldwide in 2010 and British Jornal de ophthalmology, 90: Sanches, M. K. (2003). Aprendizado de máquina semi-supervisionado: proposta de um algoritmo para rotular exemplos a partir de poucos exemplos rotulados. Dissertação de Mestrado, Universidade de São Paulo. Wagstaff, K., Cardie, C., S, R., e Schroedl, S. (2001). Constrained k-means clustering with background knowledge. In Proceedings of the Eighteenth Internacional Conference on Machine Learning, volume 18, pp
5 Extraindo listas de produtos em sites de comércio eletrônico
5 Extraindo listas de produtos em sites de comércio eletrônico Existem diversos trabalhos direcionadas à detecção de listas e tabelas na literatura como (Liu et. al., 2003, Tengli et. al., 2004, Krüpl
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a
Leia mais29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica
Mapeamento não-linear Radiologia Digital Unidade de Aprendizagem Radiológica Princípios Físicos da Imagem Digital 1 Professor Paulo Christakis 1 2 Sistema CAD Diagnóstico auxiliado por computador ( computer-aided
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisVerificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas. Marina Silva Fouto - Reconhecimento de Padrões
Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas Marina Silva Fouto - Reconhecimento de Padrões Tópicos Importância Trabalhos Relacionados Imagens e
Leia maisSistemas Operacionais e Introdução à Programação. Vetores e matrizes
Sistemas Operacionais e Introdução à Programação Vetores e matrizes 1 Matrizes Cada elemento de uma matriz é referenciado indicando-se sua posição dentro da matriz. Na Matemática, matrizes são arranjos
Leia maisGARANTIA DA QUALIDADE DE SOFTWARE
GARANTIA DA QUALIDADE DE SOFTWARE Fonte: http://www.testexpert.com.br/?q=node/669 1 GARANTIA DA QUALIDADE DE SOFTWARE Segundo a NBR ISO 9000:2005, qualidade é o grau no qual um conjunto de características
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisDetecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV
Detecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV Bruno Alberto Soares OLIVEIRA 1,3 ; Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Marlon MARCON 2,3 1 Estudante
Leia maisSEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS
SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS André Zuconelli 1 ; Manassés Ribeiro 2 1. Aluno do Curso Técnico em Informática, turma 2010, Instituto Federal Catarinense, Câmpus Videira, andre_zuconelli@hotmail.com
Leia maisTrabalho 2 Fundamentos de computação Gráfica
Trabalho 2 Fundamentos de computação Gráfica Processamento de Imagens Aluno: Renato Deris Prado Tópicos: 1- Programa em QT e C++ 2- Efeitos de processamento de imagens 1- Programa em QT e C++ Para o trabalho
Leia maisCálculo de volume de objetos utilizando câmeras RGB-D
Cálculo de volume de objetos utilizando câmeras RGB-D Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Bruno Alberto Soares OLIVEIRA 1,3 ; Marlon MARCON 2,3 1 Estudante de Engenharia de
Leia mais3 Classificação. 3.1. Resumo do algoritmo proposto
3 Classificação Este capítulo apresenta primeiramente o algoritmo proposto para a classificação de áudio codificado em MPEG-1 Layer 2 em detalhes. Em seguida, são analisadas as inovações apresentadas.
Leia maisClassificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões
Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisAnálise e visualização de dados utilizando redes neurais artificiais auto-organizáveis
Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisSegmentação de Imagens
Segmentação de Imagens (Processamento Digital de Imagens) 1 / 36 Fundamentos A segmentação subdivide uma imagem em regiões ou objetos que a compõem; nível de detalhe depende do problema segmentação para
Leia maisIntrodução ao Processamento de Imagens com o IRIS Por Rodolfo Barros
Introdução ao Processamento de Imagens com o IRIS Por Rodolfo Barros O IRIS é um software poderoso para o processamento de imagens astronômicas. Ele possui métodos avançados para realizar uma grande quantidade
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisOrientação a Objetos
1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA INF2608 FUNDAMENTOS DE COMPUTAÇÃO GRÁFICA RELATÓRIO: IMAGENS SÍSMICAS VISUALIZAÇÃO E DETECÇÃO
Leia maisComparação entre as Técnicas de Agrupamento K-Means e Fuzzy C-Means para Segmentação de Imagens Coloridas
Comparação entre as Técnicas de Agrupamento K-Means e Fuzzy C-Means para Segmentação de Imagens Coloridas Vinicius Ruela Pereira Borges 1 1 Faculdade de Computação - Universidade Federal de Uberlândia
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisConteúdo. Disciplina: INF 02810 Engenharia de Software. Monalessa Perini Barcellos
Universidade Federal do Espírito Santo Centro Tecnológico Departamento de Informática Disciplina: INF 02810 Prof.: (monalessa@inf.ufes.br) Conteúdo 1. Introdução 2. Processo de Software 3. Gerência de
Leia maisTrabalho 7 Fila de prioridade usando heap para simulação de atendimento
Trabalho 7 Fila de prioridade usando heap para simulação de atendimento Data: 21/10/2013 até meia-noite Dúvidas até: 09/10/2013 Faq disponível em: http://www2.icmc.usp.br/~mello/trabalho07.html A estrutura
Leia mais2 Classificação de Imagens de Sensoriamento Remoto
2 Classificação de Imagens de Sensoriamento Remoto 2.1. Processamento Digital de Imagens Processamento Digital de Imagens entende-se como a manipulação de uma imagem por computador de modo que a entrada
Leia maisLogin Integrado (Quiosque / Visão Descentralizada TOTVS 11)
Login Integrado (Quiosque / Visão Descentralizada Produto : Datasul HCM Visão Descentralizada / Quiosque Eletrônico TOTVS 11 Chamado/Requisito : D1180HCM13/2080 Data da criação : 16/07/2014 Data da revisão
Leia maisVCA Treinamento em Algoritmo
Conteúdo VCA Treinamento em Algoritmo VCA Treinamento em Algoritmo Conteúdo Algoritmos Rastreador (tracker) Monitoramento Objeto Abandonado/Removido Pessoas Calibração Classificação Linha de contagem Auto
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisINTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por
INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca
Leia maisFigura 01: Aplicações do Filtro Espacial Passa-Baixa.
791 IMPLEMENTAÇÃO DE TÉCNICAS DE PRÉ-PROCESSAMENTO E PROCESSAMENTO DE IMAGENS PARA RADIOGRAFIAS CARPAIS Rafael Lima Alves 1 ; Michele Fúlvia Angelo 2 Bolsista PROBIC, Graduando em Engenharia de Computação,
Leia maisDOCBASE. 1. Conceitos gerais. 2. Estrutura da pasta de associações. 3. A área de documentos reservados. 4. Associação de Imagens
Documentação, Informática e Desenvolvimento 1 DOCBASE ASSOCIAÇÔES MULTIMÉDIA 1. Conceitos gerais 2. Estrutura da pasta de associações 3. A área de documentos reservados 4. Associação de Imagens 5. Procedimentos
Leia maisChave de Acesso Remoto Manual do cliente:
Chave de Acesso Remoto Manual do cliente: 3.COM Sistemas & Suprimentos de Informática LTDA. Acesse www.trespontocom.com.br Conteúdo O que é a Chave de Acesso Remoto:... 3 Noções básicas da Chave de Acesso
Leia maisManual Processamento de Imagem. João L. Vilaça
Manual Processamento de Imagem João L. Vilaça Versão 1.0 31/1/2014 Índice 1. Sistema de eixo e movimentos possíveis do Drone... 3 2. Imagem... 3 3. Espaços de cor... 4 4.1 RGB... 5 4.2HSV... 5 4.3 GRAY...
Leia maisDemonstração dos Fluxos De Caixa. (DFC)
Demonstração dos Fluxos De Caixa. (DFC) Índice 1. DEMONSTRAÇÃO DOS FLUXOS DE CAIXAS - DFC... 1 1.1. Objetivo... 1 1.2. Obrigatoriedade e Período de Apuração... 1 1.3. Definições... 1 1.4. Método e Estrutura
Leia maisUtilização de Análise de Características Dinâmicas em analises estáticas.
Utilização de Análise de Características Dinâmicas em analises estáticas. Felipe A. Miziara 1, Marcelo A. Maia 1 1 Departamento de pós-graduação em Ciências da Computação Universidade Federal de Uberlândia
Leia maisDescritores de textura na análise de imagens de microtomografia computadorizada
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Descritores de textura na análise de imagens de microtomografia computadorizada Sandro R. Fernandes Departamento de Educação e Tecnologia, Núcleo de
Leia maisInformática Aplicada a Radiologia
Informática Aplicada a Radiologia Apostila: Imagem Digital parte I Prof. Rubens Freire Rosa Imagem na forma digital A representação de Imagens na forma digital nos permite capturar, armazenar e processar
Leia maisMÓDULO 8 ARQUITETURA DOS SISTEMAS DE BANCO DE DADOS
MÓDULO 8 ARQUITETURA DOS SISTEMAS DE BANCO DE DADOS Quando falamos em arquitetura, normalmente utilizamos esse termo para referenciar a forma como os aplicativos computacionais são estruturados e os hardwares
Leia maisCurva ROC. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Curva ROC George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Introdução ROC (Receiver Operating Characteristics) Curva ROC é uma técnica para a visualização e a seleção de classificadores baseado
Leia maisLuz, olho humano e óculos Capítulo 12 (pág. 219)
Luz, olho humano e óculos Capítulo 12 (pág. 219) Raios de Luz - Alguns filósofos gregos pensavam que nossos olhos emitiam raios que permitiam enxergar os objetos; - Só nos é possível ver quando há luz
Leia maisCONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES
CELG DISTRIBUIÇÃO S.A EDITAL N. 1/2014 CONCURSO PÚBLICO ANALISTA DE GESTÃO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI RESPOSTAS ESPERADAS PRELIMINARES O Centro de Seleção da Universidade Federal de Goiás
Leia maisTÉCNICA DE MARFRAN PARA CÁLCULO DE CONSTANTES
UNIVERSIDADE FEDERAL DE SERGIPE CAMPUS DA SAÚDE PROF. JOÃO CARDOSO NASCIMENTO JÚNIOR HOSPITAL UNIVERSITÁRIO - UNIDADE DE IMAGENS E MÉTODOS GRÁFICOS TÉCNICA DE MARFRAN PARA CÁLCULO DE CONSTANTES PROJETO
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração
Leia maisCSF FasTest SOLUÇÕES DE OUTPUT DE PAGAMENTO
CSF FasTest SOLUÇÕES DE OUTPUT DE PAGAMENTO CSF FasTest Reduzindo o esforço empregado nos testes Os testes são a faca de dois gumes da composição de documentos: durante o ciclo de vida de seu documento,
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisAULA 2 Planos, Vistas e Temas
2.1 AULA 2 Planos, Vistas e Temas Essa aula apresenta os conceitos de Plano de Informação, Vista e Tema e suas manipulações no TerraView. Para isso será usado o banco de dados criado na AULA 1. Abra o
Leia maisCONCEITOS E MÉTODOS PARA GESTÃO DE SAÚDE POPULACIONAL
CONCEITOS E MÉTODOS PARA GESTÃO DE SAÚDE POPULACIONAL ÍNDICE 1. Introdução... 2. Definição do programa de gestão de saúde populacional... 3. Princípios do programa... 4. Recursos do programa... 5. Estrutura
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisProgramação Orientada a Objeto
Programação Orientada a Objeto Classes, Atributos, Métodos e Objetos Programação de Computadores II Professor: Edwar Saliba Júnior 1) Java é uma linguagem orientada a objetos. Para que possamos fazer uso
Leia maisThales Trigo. Formatos de arquivos digitais
Esse artigo sobre Formatos de Arquivos Digitais é parte da Tese de Doutoramento do autor apresentada para a obtenção do titulo de Doutor em Engenharia Elétrica pela Escola Politécnica da USP. Thales Trigo
Leia maisTema UFPel 2.0 WP Institucional Guia de Opções de Personalização
Tema UFPel 2.0 WP Institucional Guia de Opções de Personalização Sumário 1. Configurações Iniciais...2 1.1. Configurando o Menu Personalizado...2 1.2. Configurando os Widgets...3 2. Localize o nome de
Leia maisTOPOLOGIA DA IMAGEM DIGITAL
Faculdade de Computação Universidade Federal de Uberlândia TOPOLOGIA DA IMAGEM DIGITAL Sumário Vizinhança de um pixel O que é conectividade? Algoritmo para rotular componentes conectadas Relação de adjacência
Leia maisManual Sistema MLBC. Manual do Sistema do Módulo Administrativo
Manual Sistema MLBC Manual do Sistema do Módulo Administrativo Este documento tem por objetivo descrever as principais funcionalidades do sistema administrador desenvolvido pela MLBC Comunicação Digital.
Leia maisSistema Banco de Preços Manual do Usuário OBSERVATÓRIO
Sistema Banco de Preços Manual do Usuário OBSERVATÓRIO da Despesa Pública 1 Sumário O Banco de Preços... 3 Acessando o Banco de Preços... 4 Funções do Banco de Preços... 5 Gerar Preço de Referência...
Leia maisAnálise do uso de diferentes bandas de cores na detecção do disco óptico em imagens de retina
Análise do uso de diferentes bandas de cores na detecção do disco óptico em imagens de retina Fernando A. Sousa, Luckas M. R. dos Santos e Rodrigo de M. S. Veras 1 Departamento de Computação Universidade
Leia maisSistemas Operacionais
Sistemas Operacionais Aula 13 Gerência de Memória Prof.: Edilberto M. Silva http://www.edilms.eti.br Baseado no material disponibilizado por: SO - Prof. Edilberto Silva Prof. José Juan Espantoso Sumário
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisDesenvolvimento do Módulo de Pré-processamento e Geração de Imagens de. Imagens de Teste do Sistema DTCOURO
Desenvolvimento do Módulo de Pré-processamento e Geração de Imagens de Teste do Sistema DTCOURO Willian Paraguassu Amorim 27 de julho de 2005 1 Título Desenvolvimento do Módulo de Pré-processamento e Geração
Leia maisCurso de Data Mining
Curso de Data Mining Sandra de Amo Aula 2 - Mineração de Regras de Associação - O algoritmo APRIORI Suponha que você seja gerente de um supermercado e esteja interessado em conhecer os hábitos de compra
Leia maisSeção 2/E Monitoramento, Avaliação e Aprendizagem
Seção 2/E Monitoramento, Avaliação e Aprendizagem www.bettercotton.org Orientação Text to go here O documento Monitoramento, Avaliação e Aprendizagem da BCI proporciona uma estrutura para medir as mudanças
Leia maisO Windows 7 é um sistema operacional desenvolvido pela Microsoft.
Introdução ao Microsoft Windows 7 O Windows 7 é um sistema operacional desenvolvido pela Microsoft. Visualmente o Windows 7 possui uma interface muito intuitiva, facilitando a experiência individual do
Leia maisSESSÃO 5: DECLINAÇÃO SOLAR AO LONGO DO ANO
SESSÃO 5: DECLINAÇÃO SOLAR AO LONGO DO ANO Respostas breves: 1.1) 9,063 N 1.2) norte, pois é positiva. 1.3) São José (Costa Rica). 2) Não, porque Santa Maria não está localizada sobre ou entre os dois
Leia maisNoções de. Microsoft SQL Server. Microsoft SQL Server
Noções de 1 Considerações Iniciais Basicamente existem dois tipos de usuários do SQL Server: Implementadores Administradores 2 1 Implementadores Utilizam o SQL Server para criar e alterar base de dados
Leia maisExercícios resolvidos sobre Definição de Probabilidade
Exercícios resolvidos sobre Definição de Probabilidade Nesta Unidade de estudo, até este ponto você aprendeu definições de probabilidade e viu como os conceitos se aplicam a várias situações. Observe agora
Leia maisTestes de Usabilidade
Testes de Usabilidade Instituto Federal de Educação, Ciência e Tecnologia do Triângulo Mineiro Setembro de 2012 Prof. Edwar Saliba Júnior 1 Reflexão Ao fazer referência à questão da qualidade da relação
Leia maisCapítulo 7 Medidas de dispersão
Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).
Leia mais6. Geometria, Primitivas e Transformações 3D
6. Geometria, Primitivas e Transformações 3D Até agora estudamos e implementamos um conjunto de ferramentas básicas que nos permitem modelar, ou representar objetos bi-dimensionais em um sistema também
Leia maisPodemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em um projeto.
Discussão sobre Nivelamento Baseado em Fluxo de Caixa. Item aberto na lista E-Plan Podemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em
Leia maisCorelDRAW 11 1. UM PROGRAMA DE DESIGN
CorelDRAW 11 1. UM PROGRAMA DE DESIGN Com o Corel você vai trabalhar com um dos aplicativos mais usados no campo do design e da auto-edição, já que permite operar com dois tipos de gráficos (vetoriais
Leia maisEstudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada
Estudo de Casos 57 5 Estudo de Casos Neste capítulo são relatados três estudos de caso com sismogramas de referência sintéticos que têm como objetivo avaliar o modelo proposto. Na descrição dos estudos
Leia maisConstrutor de sites SoftPixel GUIA RÁPIDO - 1 -
GUIA RÁPIDO - 1 - Sumário Introdução...3 Por que utilizar o Construtor de Sites?...3 Vantagens do Construtor de Sites...3 Conceitos básicos...3 Configuração básica do site...5 Definindo o layout/template
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisSistemas Distribuídos
Sistemas Distribuídos Modelo Cliente-Servidor: Introdução aos tipos de servidores e clientes Prof. MSc. Hugo Souza Iniciando o módulo 03 da primeira unidade, iremos abordar sobre o Modelo Cliente-Servidor
Leia maisO Windows 7 é um sistema operacional desenvolvido pela Microsoft.
Introdução ao Microsoft Windows 7 O Windows 7 é um sistema operacional desenvolvido pela Microsoft. Visualmente o Windows 7 possui uma interface muito intuitiva, facilitando a experiência individual do
Leia mais1. Sistema de cadastramento para empresas NÃO cadastradas (cadastro inicial) 1.1. Links de acesso direto na área de cadastro
Atualizado: 22 / 04 / 2013 - FAQ - AI 1. Sistema de cadastramento para empresas NÃO cadastradas (cadastro inicial) 1.1. Links de acesso direto na área de cadastro 1.2. Informações gerais 1.3. Tabela Ação
Leia maisPesquisa com Professores de Escolas e com Alunos da Graduação em Matemática
Pesquisa com Professores de Escolas e com Alunos da Graduação em Matemática Rene Baltazar Introdução Serão abordados, neste trabalho, significados e características de Professor Pesquisador e as conseqüências,
Leia maisORGANIZAÇÃO DE COMPUTADORES MÓDULO 10
ORGANIZAÇÃO DE COMPUTADORES MÓDULO 10 Índice 1. A Organização do Computador - Continuação...3 1.1. Memória Primária - II... 3 1.1.1. Memória cache... 3 1.2. Memória Secundária... 3 1.2.1. Hierarquias de
Leia mais1 Introdução maligno metástase
1 Introdução Câncer é o nome dado a um conjunto de doenças que têm em comum o crescimento desordenado (maligno) de células que invadem os tecidos e órgãos, podendo espalhar-se (metástase) para outras regiões
Leia maisAnálise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem
Leia maisPROF. DR. JACQUES FACON
PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON LIMIARIZAÇÃO DUPLA DE ISTVÁN CSEKE PROJETO DE UMA RÁPIDA SEGMENTAÇÃO PARA
Leia maisCOMO USAR DOIS MONITORES NO WINDOWS 8
COMO USAR DOIS MONITORES NO WINDOWS 8 Trabalhar com dois monitores no Windows tem diversas utilidades. Dentre elas podemos destacar a possibilidade de visualizar mais itens ao mesmo tempo, exibir o conteúdo
Leia maisFundamentos de Hardware
Fundamentos de Hardware Curso Técnico em Informática SUMÁRIO PLACAS DE EXPANSÃO... 3 PLACAS DE VÍDEO... 3 Conectores de Vídeo... 4 PLACAS DE SOM... 6 Canais de Áudio... 7 Resolução das Placas de Som...
Leia maisAgrupamento de dados
Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação
Leia maisDisciplina: Unidade III: Prof.: E-mail: Período:
Encontro 08 Disciplina: Sistemas de Banco de Dados Unidade III: Modelagem Lógico de Dados Prof.: Mario Filho E-mail: pro@mariofilho.com.br Período: 5º. SIG - ADM Relembrando... Necessidade de Dados Projeto
Leia maisProjetos. Universidade Federal do Espírito Santo - UFES. Mestrado em Informática 2004/1. O Projeto. 1. Introdução. 2.
Pg. 1 Universidade Federal do Espírito Santo - UFES Mestrado em Informática 2004/1 Projetos O Projeto O projeto tem um peso maior na sua nota final pois exigirá de você a utilização de diversas informações
Leia maisModelagemde Software Orientadaa Objetos com UML
Modelagemde Software Orientadaa Objetos com UML André Maués Brabo Pereira Departamento de Engenharia Civil Universidade Federal Fluminense Colaborando para a disciplina CIV 2802 Sistemas Gráficos para
Leia maisCasos de teste semânticos. Casos de teste valorados. Determinar resultados esperados. Gerar script de teste automatizado.
1 Introdução Testes são importantes técnicas de controle da qualidade do software. Entretanto, testes tendem a ser pouco eficazes devido à inadequação das ferramentas de teste existentes [NIST, 2002].
Leia maisMANUAL DE UTILIZAÇÃO SISTEMA DE CADASTRO INTRANET
MANUAL DE UTILIZAÇÃO SISTEMA DE CADASTRO INTRANET I Sumário 1. Objetivo do Documento... 1 2. Início... 1 3. Cadastro de Pessoa Física... 3 3.1. Preenchimentos Obrigatórios.... 4 3.2. Acesso aos Campos
Leia maisCiclo de Vida de Projetos. Notas de aula exclusivas Proibido a reprodução total ou parcial sem consentimentos
Ciclo de Vida de Projetos Notas de aula exclusivas Proibido a reprodução total ou parcial sem consentimentos Introdução Todo e é qualquer projeto pode ser subdividido em determinadas fases ou grupos de
Leia maisRedes de Computadores
Redes de Computadores Prof. Macêdo Firmino Princípios de Gerência de Redes Macêdo Firmino (IFRN) Redes de Computadores Maio de 2011 1 / 13 Introdução Foi mostrado que uma rede de computadores consiste
Leia mais