Extração de Características
|
|
- Yasmin Maria Laura de Sá Castelhano
- 7 Há anos
- Visualizações:
Transcrição
1 Extração de Características Alceu S. Britto Jr. Alessandro L. Koerich Aprendizagem de Máquina Mestrado/Doutorado em Informática 2009
2 Definição Característica: variável ou atributo utilizado na descrição de um padrão. Padrão: Exemplo: objeto, comportamento, situação,... Descrição: Exemplo: padrão carro (dados de uma instância): azul escuro, 2 portas, 6 cilindros, 5 passageiros,... Variáveis: assumem número particular de valores com possibilidade de assumir valores diferentes para cada instância. Neste exemplo: características: cor, número de portas, número de cilindros, número máximo passageiros.
3 Escala das Variáveis Nominal: valores não numéricos e não ordenados. Exemplo: cor e modelo do carro. Ordinal: Valores não numéricos e ordenados. Uma instância pode apresentar valor comparativamente maior do que uma outra. Exemplo: Faixa Etária: Jovem, Adulto, Idoso. Intevalar: Valores numéricos. Existe não apenas uma ordem entre os valores, mas também existe diferença entre esses valores. Exemplo: Temperatura em Graus Celsius (o zero é relativo).
4 Escala das Variáveis Proporcional: Valores numéricos. Além da diferença, tem sentido calcular a proporção entre valores (zero é absoluto). Exemplo: Peso, Altura, etc.
5 Tipos de Variáveis Variáveis qualitativas: Escalas nominais ou ordinais. Variáveis quantitativas: Escalas intervalares e proporcionais. Variáveis dicotômicas: Exemplo: Sexo (M,F). Variáveis binárias: 0s ou 1s: 0 em geral indicam ausência de propriedade. Exemplo: Possui casa (Sim/Não). Variáveis discretas: Exemplo: Idade. Variáveis contínuas: Exemplo: Distância.
6 Variáveis com Valores Ausentes ou Inaplicáveis Valores Ausentes: ausente no conjunto de dados mas existente no contexto em que a medida foi realizada. Numa base de dados eles são indicados por valores negativos ou nulos em atributos numéricos. Em atributos não numéricos por brancos ou traços. As vezes são indicados por uma mesma constante. Valores Inaplicáveis: ausente e inexistente no contexto em que a medida foi realizada. Exemplo: Sexo = Masculino e Número de Partos = null, Sexo = Feminino e Número de Partos = 0 A diferenciação entre valores ausentes e valores inaplicáveis é importante, mas ainda não se dispõe de técnicas automáticas para fazer isso.
7 Pré-Processamento Extração de características normalmente exige um etapa de préprocessamento dos dados. Necessidade de pré-processamento: dados podem estar sujos Incompletos: Ausência de atributos de interesse Ausência de valores Ruidosos: Erros aleatórios ou valores aberrantes (outliers) Inconsistentes: discrepâncias nas codificações ou nos nomes
8 Pré-Processamento Limpeza dos dados: preencher dados ausentes, alisar ruído, identificar e/ou remover valores aberrantes, resolver inconsistências. Integração e transformação de dados: integração de múltiplas bases de dados e arquivos; Normalização e agregação: redução de dados e do volume de dados com resultados similares; Discretização e Construção de Hierarquias Conceituais: importante para dados numéricos. Eliminação de características redundantes: através de técnicas de seleção de características (filter ou wrapper-based).
9 Pré-Processamento: Exemplo Tratamento de Dados Ausentes Ignorar a descrição do indivíduo ou mesmo eliminar o descritor; Preencher os valores ausentes manualmente; Usar uma constante global para representar os valores ausentes (não recomendado, pois o sistema pode identificar esse valor como um conceito); Usar a média (ou o modo); Usar a média (ou o modo) por classe Usar o valor mais provável segundo um modelo (regressão, regra de Bayes, árvores de decisão)
10 Pré-Processamento: Exemplo Mudança de Escala: Muitos modelos só se aplicam à variáveis de mesma escala Intervalar Ordinal Ex: Idade O = [0, 150] 0-20: jovem; 20-60: adulto; >60: idoso O ={jovem, adulto, idoso} Problema: Perda de informação na mudança de escala Distinção entre objetos de uma mesma categoria. Amplitude da diferença entre objetos de categorias diferentes.
11 Pré-Processamento: Exemplo Tratamento de Ruído (erro aleatório ou variabilidade presente em descritores) -> Alisamento (Suavização) ou Regressão Alisamento (Suavização): distribuir dados ordenados em caixas tendo como referência os seus vizinhos Ordenação: 1, 1, 2, 3, 3, 3, 4, 5, 5, 7 Particionamento em caixas Alisamento pela mediana Outras alternativas: média, freqüência,... Regressão: os dados podem ser alisados pelo ajustamento a uma função (regressão linear, por exemplo);
12 Pré-Processamento: Exemplo y Y1 Y1 y = x + 1 X1 x
13 Pré-Processamento: Exemplo Clustering: detecção e remoção de valores aberrantes. Os valores são organizados em grupos; os valores isolados podem ser considerados aberrantes (outliers). Normalização: minimiza problemas oriundos do uso de unidades e dispersões distintas entre as variáveis. As variáveis podem ser normalizadas segundo a amplitude ou segundo a distribuição. Algumas ferramentas de modelagem são beneficiadas com a Normalização (redes neurais, KNN, clustering).
14 Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena: é preciso a definição de um método de extração de características. Conceito: Um métodos de extração de características determina um subespaço apropriado de dimensionalidade m (conjunto contendo m características) a partir de um espaço de dimensionalidade d (a cena), sendo (m <=d) (Jain et al, 2000).
15 Métodos de Extração de Características Importância: A definição do método de extração de características é um dos fatores mais importantes para a construção de um sistema de visão ou reconhecimento de padrões. O desempenho de um sistema de visão está diretamente relacionado ao poder de discriminação do conjunto de características escolhido. As características devem destacar a diferenças entre objetos de classes distintas (interclasses) e minimizar possíveis diferenças de objetos de mesma classe (intraclasse).
16 Métodos de Extração de Características Desafio: Quais características, como representá-las, como definí-las de maneira confiável? Normalmente, as características são calculadas em imagens bidimensionais, contudo estão relacionadas a objetos tridimensionais. Tipos de características: Jain et al (1995) classificam as características normalmente utilizadas em sistemas de visão, como: Características Globais: descritores obtidos com base em todos os pontos de uma região, sua localização, intensidade e relações espaciais. Exemplos: área, perímetro, descritores de Fourier e momentos (por exemplo: Hu e Zernike).
17 Métodos de Extração de Características Características Locais: normalmente calculadas a partir do contorno de um objeto ou a partir de pequenas regiões na imagem. Curvatura de contorno ou superfície, segmentos de contorno, código de cadeia, detecção de cantos e concavidades são exemplos de características locais. Características Relacionais: posições relativas de entidades diferentes como regiões, contornos fechados, transições, concavidades, ou qualquer outra característica local. Distâncias entre características e medidas de orientação relativa.
18 Métodos de Extração de Características Exemplo um objeto e sua representação parcial usando múltiplas.
19 Tipos de Características Descritores de Forma (Shape) Características relacionadas a forma normalmente são extraídas a partir da imagem binarizada do objeto. A descrição da forma deve ser invariante a: translação escala rotação pois essas transformações não mudam a forma do objeto. Em Loncaric 1998 a avaliação dos descritores de forma utilizados em um sistema de visão deve seguir os seguintes critérios: Acessibilidade: deve ser fácil de calcular; Escopo: quantas classes de formas podem ser descritas; Unicidade:mapeamento 1-1 entre forma e descritor; Estabilidade e sensibilidade:quão sensível é o descritor à pequenas mudanças no objeto.
20 Descritores de Forma (Shape) Representação das características extraídas: a) nós e ligações no esqueleto; b) representação da estrutura do esqueleto
21 Descritores de Forma (Shape) Contorno + Esqueleto Objeto original; Imagem distância; Imagem esqueleto distância 3 pixels; Imagem esqueleto distância 10 pixels.
22 Descritores de Forma (Shape) Informação extraída a partir de contorno/esqueleto
23 Descritores de Forma (Shape) Esqueletos dos dígitos 5 e 4 divididos em 9 regiões possibilidades extração de características como: cruzamentos(x, T,...), pontos de fim, loops, concavidades, etc... + informação espacial (zoning).
24 Descritores de Forma (Shape) Curvaturas Aproximação poligonal (polylines) e função de ajuste (acumulo dos ângulos).
25 Descritores de Forma (Shape) Curvaturas Curvaturas obtidas a partir do contorno e após redução de mudanças (ruídos) na curvatura
26 Descritores de Forma (Shape) Código de Cadeia (Chain Code) (a) Contorno; (b) Código de cadeia; (c) Histograma direcional
27 Descritores de Forma (Shape) Perfil (Profile) Para cada valor de y, o perfil esquerdo (direito) é o x mais a esquerda (direita) no contorno do caractere
28 Descritores de Forma (Shape) Superfície (Surface) Exemplo superfície analisada por regiões em imagem tons de cinza: (a) imagem original; (b) análise da superfície por regiões.
29 Descritores de Forma (Shape) Projeções Histograma vertical e horizontal - acúmulo de pixels pretos por coluna (linha)
30 Descritores de Forma (Shape) Momentos Linha 1-2: Imagem entrada e momentos de Zernike ordem Linha 3-4: Imagem de entrada e imagens reconstruídas a partir do momentos de Zernike ordem 1-13, respectivamente.
31 Descritores de Forma (Shape) Descritores de Fourier Reconstrução dígito 4 a partir dos descritores de Fourier ordem 1..10, 15, 20, 30, 40, 50 e 100.
32 Descritores de Cor Cor Sistema de representação: RGB (Red, Green, Blue) componentes altamente correlacionadas.
33 Descritores de Cor Cor Sistema de representação: HSV (Hue, Saturation, Intensity) componentes descorrelacionadas
34 Descritores de Cor Redução de Cores
35 Descritores de Cor Histogramas Vetor [h 1,..., h n ] onde cada h j contém a quantidade de pixels de cor j da imagem. Para comparação de histogramas:
36 Descritores de Cor Representação Espacial Exemplos de quantidade iguais e distribuição espacial diferentes. Divisão em Regiões
37 Textura Importância: a textura tem sido utilizada em muitas aplicações de visão: Inspeção de superfície; Classificação de cena; Orientação de superfície; Determinação da forma em imagens 3D. Definição: repetição de padrões de variação local em imagem de intensidade, as quais são muito pequenas para serem consideradas como objetos em separado na resolução em uso.
38 Textura Desta forma, um conjunto conectado de pixels satisfazendo um dada propriedade nível de cinza (intensidade) e que ocorre repetidamente in uma região da imagem constitui uma região de textura. A textura não pode ser definida por um ponto, pois esta é caracterizada pela distribuição espacial dos níveis de cinza em uma vizinhança. A resolução na qual a imagem é observada determina a escala na qual a textura é percebida. Desafio: representar a textura de forma invariante à escala e orientação.
39 Textura Descritores de Textura Embora existam vários espaços de percepção de textura que capturam a forma humana de percebê-la, o mapeamento para características computacionais ainda está em estudo. Na literatura a textura tem sido definida segundo 6 características visuais: Acabamento (coarseness) Contraste Direção Semelhança com linha (line-likeness) Regularidade Aspereza
40 Textura Descritores Estatísticos Co-ocorrência de níveis de cinza, contraste, entropia e homogeneidade. Matriz co-ocorrência:
41 Textura Entropia (desordem) Energia Contraste Homogeneidade i j i j P ( i, j)log P( i, j) 2 P ( i, j) ( i j 2 i j) P( i, j) P( i, j) i j 1 + i j
42 Textura Descritores baseados em modelos Um modelo de textura é inicialmente definido e então seus parâmetros são estimados. (HMM).
43 Textura Métodos Estruturais Determina-se a forma e propriedades da primitiva básica (microtextura) e então as regras que governam a disposição desta forma básica são determinadas para formar macrotexturas. Descritores Baseados em Fourier a) textura estruturada b) textura direcional c) textura granular d) textura aleatória.
44 Textura Descritores Baseados em Wavelet
45 Métodos Extração de Características: Exemplos Exemplo: Método de extração de característica a partir de caracteres manuscritos Características complementares: foreground + background, coluna + linha, globais + locais
46 Métodos Extração de Características: Exemplos Exemplo: Reconhecimento de face
47 Métodos Extração de Características: Exemplos
48 Seleção de Características Identificar o melhor subconjunto de características para representar um padrão a partir de um conjunto maior freqüentemente redundante e/ou apresentando características irrelevantes. Objetivos: minimizar o erro do classificador minimizar o número de características. Métodos de seleção devem avaliar não somente as características segundo seus méritos individuais mas considerar interações entre características
49 Seleção de Características Abordagens Filter: seleção realizada independentemente do classificador Wrapper: seleção com base nos resultados do classificador Modified-wrapper: seleção com base nos resultados do classificador, porém sem a necessidade de re-treinamento (caso da análise sensitiva em redes neurais)
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) EXTRAÇÃO DE CARACTERÍSTICAS Definição Característica: variável ou atributo
Leia maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Extração de Características
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Extração de Características Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Entender os conceitos de
Leia maisMetodologia Aplicada a Computação.
Metodologia Aplicada a Computação gaudenciothais@gmail.com Pré-processamento de dados Técnicas utilizadas para melhorar a qualidade dos dados; Eliminam ou minimizam os problemas como ruídos, valores incorretos,
Leia maisAula 6 Mineração Streams Representação dos Dados. Profa. Elaine Faria UFU
Aula 6 Mineração Streams Representação dos Dados Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof. Andre C. P. L. F. Carvalho Agradecimentos
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados. Por que pré-processar os dados? Introdução. Limpeza de Dados
Roteiro PCC142 / BCC444 - Mineração de Dados Introdução Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br www.decom.ufop.br/luiz
Leia maisProcessamento de Imagens: fundamentos. Julio C. S. Jacques Junior
Processamento de Imagens: fundamentos Julio C. S. Jacques Junior juliojj@gmail.com Fronteiras do Processamento de Imagens Processamento de dados Dados / Informação Visão Computacional Computação Gráfica
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 3 de maio de 206 Representação e descrição de regiões Uma
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisTE073 PDS II Programa de Pós-Graduação em Engenharia Elétrica
TE073 PDS II Programa de Pós-Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Objetivos Melhoria
Leia maisUNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Leia maisTextura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 3 Processamento de Imagens Coloridas
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 3 Processamento de Imagens Coloridas Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisum conjunto de métodos e processos quantitativos que servem para estudar e medir os fenômenos coletivos Aplicações em quase todas as áreas de
Estatística Básica O que é Estatística? um conjunto de métodos e processos quantitativos que servem para estudar e medir os fenômenos coletivos Aplicações em quase todas as áreas de Aplicações em quase
Leia maisKDD E MINERAÇÃO DE DADOS
KDD E MINERAÇÃO DE DADOS Etapas do Processo de KDD Livro: Data Mining Conceitos, técnicas, algoritmos, Orientações e aplicações Ronaldo Goldschmidt, Eduardo Bezerra, Emmanuel Passos KDD Knowledge Discovery
Leia maisAula 2: Resumo de Dados
Aula 2: Resumo de Dados Professor: José Luiz Padilha da Silva email: jlpadilha@ufpr.br Departamento de Estatística Universidade Federal do Paraná Curitiba, 2018 José Luiz Padilha da Silva (UFPR) ce003
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisAula 9 Representação e Descrição. Profa. Fátima Nunes AULA 9 / 1. Profa. Fátima L. S. Nunes
Fundamentos de Processamento Gráfico Aula 9 Representação e Descrição Profa. Fátima Nunes AULA 9 / 1 Reconhecimento de padrões AULA 9 / 2 Após a segmentação dar significado aos objetos extraídos da cena.
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Leia maisMineração de Dados. Dados Escalar Cardinalidade Porque pré-processar dados?
Mineração de Dados Pré-Processamento de Dados 1 Sumário Dados Escalar Cardinalidade Porque pré-processar dados? Limpeza de Dados Integração e Transformação Redução de Dados Discretização 2 1 Dados Medidas
Leia maisProcessamento de imagem a cores
A cor é um poderoso descritor que frequentemente simplifica a identificação e extracção de objectos de uma cena Os humanos podem discernir milhares de cores, mas apenas duas dezenas de cinzentos O processamento
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 19 Introdução
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Julio Arakaki Ciência da Computação 1 Imagem Digital Full Color Image (Matriz de Pixels) RGB (24 bits): Red (8 bits) Green (8 bits) Blue (8 bits) 2 Imagem Digital Um modelo
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisCLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture 1 e Sandro Roberto Fernandes 2 Resumo: Nesta pesquisa foi desenvolvido
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisCaracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil. Suellen Silva de Almeida David Menotti
Caracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil Suellen Silva de Almeida David Menotti 1 Introdução Grande ocorrência de ataques de pragas nos cultivares
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisAprendizagem de Máquinas. Extração de Características
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizagem de Máquinas Extração de Características David Menotti, Ph.D. http://web.inf.ufpr.br/menotti 1 Objetivos Entender os
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisProcessamento de Imagens Filtragem Digital
Filtragem Digital Consiste na aplicação de técnicas de transformação (operadores máscaras) com o objetivo de corrigir, suavizar ou realçar determinadas características de uma imagem dentro de uma aplicação
Leia maisProcessamento de Imagem. Filtragem no Domínio Espacial Professora Sheila Cáceres
Processamento de Imagem Filtragem no Domínio Espacial Professora Sheila Cáceres Filtragem A filtragem de imagens pode ser realizada no domínio do espaço e da frequência Operadores de filtragem são classificados
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 10 Modelos Preditivos - Árvore de Decisão 2 de 20 Aula 10 - Árvore de
Leia mais12/06/14. Estatística Descritiva. Estatística Descritiva. Estatística Descritiva. Estatística Analítica (Inferência estatística/estatística indutiva)
Estatística Analítica (Inferência estatística/estatística indutiva) 2 Método quantitativo utilizado apenas para descrever os dados, mostrando seus subtipos, sua distribuição, freqüência, média etc. 3 1
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia mais1 Estatística Descritiva
1 Estatística Descritiva A estatística descritiva é parte da estatística que lida com a organização, resumo e apresentação de dados. Esta é feita por meio de: Tabelas; Gráficos; Medidas Descritivas (média,
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia maisCapítulo II Imagem Digital
Capítulo II Imagem Digital Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Formação de uma imagem 2. Representação digital de uma imagem 3. Cor 4. Histogramas 5. Ruído
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisExemplos. Propagação (Reconstrução)
Processamento de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) Propagação (Reconstrução) lgoritmos Baseados
Leia maisTIPOS DE VARIÁVEIS E RESUMO DE DADOS
TIPOS DE VARIÁVEIS E RESUMO DE DADOS Prof. Dr. Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 26 de março de 2018 Londrina 1 / 32 Definição Tipos de variáveis Definição
Leia maisIntrodução ao Processamento de Imagens
IFSul Eng. Elétrica Processamento de Imagens Digitais Introdução ao Processamento de Imagens Material de apoio organizado por: Glaucius Décio Duarte Atualizado em 18 jul. 2017 Conceitos Processamento digital
Leia maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Preparação de Dados: Parte A Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões: dos originais gentilmente
Leia maisTIPOS DE VARIÁVEIS E RESUMO DE DADOS
TIPOS DE VARIÁVEIS E RESUMO DE DADOS Lucas Santana da Cunha lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 24 de abril de 2017 É o que está sendo medido em uma população,
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisFILTRAGEM NO DOMÍNIO ESPACIAL. Daniel C. Zanotta 22/05/2017
FILTRAGEM NO DOMÍNIO ESPACIAL Daniel C. Zanotta 22/05/2017 FREQUÊNCIA EM IMAGENS DIGITAIS Análise da intensidade dos NCs da imagem Banda 7 Landsat TM ao longo da distância: FREQUÊNCIA EM IMAGENS DIGITAIS
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia mais1 1 1 *1/ *1/ *1/49
O que é filtragem? As técnicas de filtragem são transformações da imagem pixel a pixel, que não dependem apenas do nível de cinza de um determinado pixel, mas também do valor dos níveis de cinza dos pixels
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Representação. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Representação David Menotti www.inf.ufpr.br/menotti/ci171-182 Representação Agenda Introdução Extraindo Representações de Imagens
Leia maisPMR2560 Visão Computacional Detecção de cores e blobs. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Detecção de cores e blobs Prof. Eduardo L. L. Cabral Objetivos Detecção de cores; Detecção de blobs. Detecção de cores Cores são facilmente identificadas nas imagens. Cor a
Leia maisEstatística Aplicada. UNIVERSIDADE ESTÁCIO DE SÁ-RECIFE 2013 Prof: Wildson Cruz
Estatística Aplicada UNIVERSIDADE ESTÁCIO DE SÁ-RECIFE 2013 Prof: Wildson Cruz Estatística Descritiva A estatística descritiva preocupa-se com a forma pela qual podemos apresentar um conjunto de dados
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança Conectividade Operações Lógicas e Aritméticas
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança e Aritméticas Efeitos de em Pixel a Pixel
Leia maisRESUMO DE DADOS. Lucas Santana da Cunha Universidade Estadual de Londrina. 24 de abril de 2017
RESUMO DE DADOS Lucas Santana da Cunha lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 24 de abril de 2017 e gráficos Apresentação de dados A apresentação de dados estatísticos
Leia maisMORFOLOGIA MATEMÁTICA
MORFOLOGIA MATEMÁTICA Morfologia Na Biologia área que trata com a forma e a estrutura de plantas e animais Processamento de Imagens Ferramenta para extração de componentes de imagens que sejam úteis na
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia mais0DWUL]HVGH&R2FRUUrQFLD
0DWUL]HVGH&R2FRUUrQFLD,QWURGXomR Uma 0DWUL]GH&R2FRUUrQFLD, ou de RFRUUrQFLDVLPXOWkQHD é uma tabulação de quantas combinações diferentes de valores de intensidade dos pixels (níveis de cinza) ocorrem em
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Leia maisExtração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
Leia maisExtração de Características. Carlos Alexandre Mello
Extração de Características Carlos Alexandre Mello Pós-Graduação em Ciência da Computação Carlos Alexandre Mello cabm@cin.ufpe.br 1 Extração de Características Representação de objetos através de um conjunto
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisIntrodução ao Reconhecimento. Prof. Dr. Geraldo Braz Junior
Introdução ao Reconhecimento Prof. Dr. Geraldo Braz Junior O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos Vários 4 Pergunta:
Leia maisImage Descriptors: texture
Image Descriptors: texture Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: texture 2011 1 / 28 Agenda
Leia maisProcessamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e de Imagens Sensoriamento Remoto 2 Introdução Espectro Eletromagnético
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
Leia maisProcessamento de Imagens Marcia A. S. Bissaco
Engenharia Biomédica Processamento de Imagens Marcia A. S. Bissaco 1 Exemplos filtros Média Mediana Passa_B Passa_A Borda_H Borda_V Sobel_Y Sobel_X Oliveira, Henrique J. Quintino (UMC-SP), 2 Media Mediana
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisCLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA
XI Simpósio de Mecânica Computacional II Encontro Mineiro de Modelagem Computacional Juiz De Fora, MG, 28-30 de Maio De 2014 CLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA Weiner Esmerio Batista
Leia maisPSI2651 PROCESSAMENTO, ANÁLISE E SÍNTESE DE IMAGENS. 1 o período de 2005 LISTA DE EXERCÍCIOS
PSI PROCESSAMENTO, ANÁLISE E SÍNTESE DE IMAGENS o período de LISTA DE EXERCÍCIOS ) Considerando imagens do tipo da figura abaixo. Descreva um procedimento que identifique quantas células com furo e quantas
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Segmentação. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Segmentação Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos básicos de segmentação
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Leia maisFILTRAGEM NO DOMÍNIO ESPACIAL. Daniel C. Zanotta 10/06/2016
FILTRAGEM NO DOMÍNIO ESPACIAL Daniel C. Zanotta 10/06/2016 Passa-Baixas O efeito visual de um filtro passa-baixa é o de suavização da imagem e a diminuição de mudanças abruptas de níveis de cinza. As altas
Leia maisProcessamento Digital de Imagens. Análise de Imagens
Processamento Digital de Imagens Análise de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações eduardo@smt.ufrj.br Sergio L.
Leia maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisAnálise Descritiva de Dados
Análise Descritiva de Dados 1 Estatística estatística descritiva estatística inferencial 2 Estatística descritiva Envolve técnicas que permitem representar, mensurar e analisar um conjunto de dados 3 Estatística
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisRespostas do Teste de Analise de Imagens :
Respostas do Teste de Analise de Imagens - 2004: 1Diga com suas palavras o que é: (Valor total da questão: 12) Filtragem passa alta (valor deste item até 0,3) - importante falar que apesar do nome ser
Leia maisAprendizagem de Máquina. Prof. Júlio Cesar Nievola PPGIA - PUCPR
Aprendizagem de Máquina Prof. Júlio Cesar Nievola PPGIA - PUCPR Introdução Justificativa Recente progresso em algoritmos e teoria Disponibilidade crescente de dados online Poder computacional disponível
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisESTATÍSTICA. Estatística é o conjunto de métodos para a obtenção, organização, resumo, análise e interpretação dos dados.
ESTATÍSTICA Termo vem de status Aspectos de um país (tamanho da população, taxas de mortalidade, taxas de desemprego, renda per capita). Estatística é o conjunto de métodos para a obtenção, organização,
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução + Estudo de Caso Introdução Percepção de máquina Um
Leia mais