CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO"

Transcrição

1 AULA 6 Segmentação: Introdução e Conceitos CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO A- Segmentação B- Contexto e topologia C- Métodos Mínima Distância e Lógica Fuzzy D- Trabalho Prático: e-cogntition A segmentação tem sido alvo de um grande número de pesquisas na área de análises de imagem, onde diferentes estudos tem sido elaborados na área de segmentação. Entretanto, poucos são os resultados que levam a produtos de qualidade. Uma destas razões é que a segmentação da imagem, em áreas de grande diversidade de objetos, pode existir um vasto número de possíveis soluções. Outra razão é que em vários casos, as regiões de interesse são heterogêneas, desta forma a informação necessária para fazer o discernimento das regiões (objetos) não é possível. A segmentação subdivide uma imagem em suas partes ou objetos constituintes, e o nível até a qual essa subdivisão deve ser realizada depende da escala e/ou do problema a ser resolvido. Ou seja, a segmentação deve parar quando os objetos de interesse na aplicação tiverem sido isolados. Os algoritmos de segmentação de imagens são muitos e específicos, ou seja, desenvolvidos para determinada aplicação. O algoritmo que detecta com grande precisão um tumor não obteria o mesmo resultado ao tentar detectar um defeito de uma peça numa linha de montagem, portanto, não existe um modelo formal para segmentação. Pode se dizer, o processo é essencialmente empírico e deverá se ajustar a diferentes tipos de imagens e que melhor resultado da segmentação é aquele que fornecerá informações precisas para os futuros processamentos de classificação. Os algoritmos de segmentação de imagens em níveis de cinza, geralmente são baseados em uma das duas propriedades dos valores de níveis de cinza: - descontinuidade -e similaridade. Na primeira categoria, a abordagem é particionar uma imagem baseandose nas mudanças abruptas no nível de cinza. Já a similaridade baseia-se em limiarização, crescimento de regiões, divisão e fusão de regiões. 1 Ler: GONZALEZ & WOODS, Processamento de imagens digitais

2 Alguns algoritmos utilizados em Imagem de S. Remoto, tipo Landsat/Spot4/Cbers2 Agrupamentos Baseados na mínima distância espectral Crescimento de Regiões: Isoseg/Isodata O segmentador Isoseg/Isodata é um dos algoritmos disponíveis no Spring/Erdas. É um algoritmo de agrupamento de dados aplicado sobre o conjunto de regiões, que por sua vez são caracterizadas por seus atributos estatísticos de média, matriz de covariância, e também pela área. µ + σ µ µ - σ Banda B 5 Agrupamentos Iniciais baseados em µ (média) e σ (desvio padrão) Banda A µ - σ µ µ+ σ Um algoritmo de "clustering ou agrupamento não supõe nenhum conhecimento prévio da distribuição de densidade de probabilidade dos temas, como ocorre no algoritmo de máxima verossimilhança. É uma técnica de pré-classificação que procura agrupar regiões, a partir de uma medida de similaridade entre elas. Este tipo de segmentação permite reagrupar os segmentos ou objetos em classes utilizando uma medida de similaridade, em geral, distância de Mahalanobis que reagrupa ou pré-classifica os objetos objetos candidatos a determinada classes. Alguns autores denominam este processo de classificação não supervisionada. Modernamente este tipo de segmentação é um procedimento para detecção de algumas regiões de interesse na cena, portanto, não é um fim em si mesmo. O Processamento : A classificação não supervisionada é baseada no método da mínima distância espectral para categorizar determinado grupo de pixels. A primeira interação do algoritmo ISODATA utiliza a média dos N agrupamentos (clusters) que pode ser arbitrariamente determinada de acordo com o interesse do usuário. Após a primeira iteração uma nova média para os N agrupamentos são determinadas, baseada nas posições espectrais. O processo iterativo continua até não haver mais variação significativa entre as médias. 2

3 AGRUPAMENTO: Segmentos crescimento de regiões REAGRUPAMENTO: classes ou grupo de clustes agrupados pela Min. Distância. ITERAÇÕES: Imagem segmentada Definição do limiar: o usuário define um limiar de aceitação, dado em percentagem. Este limiar por sua vez define uma distância de Mahalanobis, de forma que todas regiões pertencentes a uma dada classe estão distantes da classe por uma distância inferior a esta. Detecção das classes ou agrupamento: as regiões são ordenadas em ordem decrescente de área e inicia-se o procedimento para agrupá-las em classes. Serão tomados como parâmetros estatísticos de uma classe (média e matriz de covariância), os parâmetros estatísticos da região de maior área que ainda não tenha sido associada a classe alguma. Em seguida, associa-se a esta classe todas regiões cuja distância de Mahalanobis for inferior a distância definida pelo limiar de aceitação. Competição entre classes: as regiões são reclassificadas, considerando-se os novos parâmetros estatísticos das classes, definidos na etapa anterior. Ao término, todas regiões estarão associadas á uma classe definida pelo algoritmo Crescimento de Regiões: pixel semente Crescimento de regiões é um procedimento que agrupa pixels ou sub-regiões em regiões maiores. A mais simples das abordagens é a agregação de pixels, a qual começa com um conjunto de pontos sementes, e desses crescem regiões pela junção de cada ponto semente aqueles pixels vizinhos que têm propriedades similares (tais como nível de cinza, textura, cor). Na primeira etapa do processo, pares de pontos vizinhos são ligados para formar um conjunto, que os autores chamaram de regiões atômicas, se eles têm o mesmo valor de cinza. Em outras palavras, se eles têm a mesma intensidade e são conectados, então eles irão formando regiões conexas; Heuristica: Seja I todos os objetos da imagem, a segmentação por região pode ser vista como o processo de subdivisão de I em n sub-regiões, R1, R2,...RN, tal que: Ri = R U n i onde todos os pixels devem pertencer a uma única região, Ri, região conexa, i=1,2,3...n; =1 As regiões devem ser disjuntas, tal que, Ri Rj = Ø para todo i e j, i j; Os pixels em Ri de uma mesma região devem possuir a mesma intensidade ou característica; P(Ri)= verdadeiro para i= 1,2,..n e para diferentes regiões P(Ri U Rj )= falso, para i j. Em que P(Ri) é um predicado lógico sobre os pontos do conjunto Ri e Ø é o conjunto vazio; Heuristica:Hipótese que, numa pesquisa, leva a descoberta científica, método analítico para a descoberta de verdades científicas. 3

4 A condição (1) sugere que a segmentação deve ser completa. A segunda condição requer que pixels de uma mesma região devem ser conexos. A região cresce através da agregação de pixels com características similares tipo cor, brilho. A agregação que forma o objeto ou região é interrompida até não poder crescer mais, baseados nos parâmetros associados e limiar Segmentação: Cor Níveis de Heterogeneidade Segmentação Multiresolução A segmentação numa primeira instância é determinada por um grau de homogeneidade que permita um agrupamento de pixels de acordo com uma resolução o mais fina possível. Usando segmentações repetidas ou re-segmentação, mais parâmetros poderão ser inseridos construindo, assim, relações entre os objetos em diferentes níveis O critério de semelhança é usado para definir a uniformidade dos segmentos. Dois critérios são usados para descrever a separação do objeto da imagem: critério da cor (espectral) e o critério da forma (suavização e compactação). Estes critérios controlam a homogeneidade dos segmentos e regiões. A descrição de heterogeneidade espectral é composta pela soma dos desvios padrão dos tons de cinza para uma dada banda σ c ponderados pelos pesos ω c He = ω c σ c Em muitos casos, a minimização exclusiva da heterogeneidade espectral resulta em segmentos fragmentados, principalmente em imagem muito texturizada. Por esta razão, em muitos casos deve-se considerar além da heterogeneidade espectral o critério de heterogeneidade espacial e, conseqüentemente, as formas dos objetos podem ser suavizadas. hf= l n heterogeneidade da forma ou espacial hf é dada por: onde: l= comprimento real da borda n= número de pixels que compõe o objeto 4

5 Segmentação Multiresolução Critério Forma: A cor está diretamente relacionada com a homogeneidade espectral e a forma com homogeneidade espacial. A escala e os critérios de semelhança controlam o resultado da segmentação criando objetos maiores ou menores, homogêneos ou menos homogêneos, ou ainda, suavizados ou não. A escolha do parâmetro de escala e critérios de semelhança está relacionada a resoluções espacial e espectral da imagem. A análise de forma e tamanho é uma poderosa ferramenta para a discriminação de objetos que possuem a mesma aparência espectral. Considerando, por exemplo, duas regiões de uma imagem R1 e R2 ambas podem apresentar resposta espectral muito similar nas bandas usadas para captar a imagem. Assim como a análise espectral baseia-se nos valores digitais das bandas, é necessário dispor de um parâmetro de forma e tamanho para descrever a forma dos objetos. Parâmetros : Área (A); Perímetro (P); Coeficiente de compacidade (cc); Distância polar ao centro de gravidade. Compacidade Cp = 4. π. A/ P 2 É definido pela razão área A do objeto (polígono) e o raio da circunferência abrangente. Varia de 0 a 1. Segmentação Multiresolução MULTIRESOLUÇÃO: FUSÃO DE OBJETOS Fusão- Segmentação Multi-resolução Cp= 0,51 Cp= 0,78 Suavidade Níveis S = Cl / 4. A Cl somatório dos segmentos limítrofes entre dois objetos. Expressa a suavidade do limite entre objetos. Quanto mais fractal, maior o índice de forma. Critérios de fusão multiresolução A segmentação pode ser descrita como uma fusão de regiões. O processo inicia-se com um pixel formando um objeto ou região, sendo que, a cada etapa, um par de objetos funde-se para formar um objeto maior. O processo de fusão está baseado no critério de homogeneidade (acima referido), observando-se a heterogeneidade h entre os objetos adjacentes. S= 0,56 S=0,20 5

6 É definido um parâmetro de heterogeneidade entre dois objetos adjacentes, dados pela seguinte expressão: 2 h= ( f1d - f2d ) d onde: h heterogeneidade entre objetos para um espaço d-dimensional; f 1d e f 2d variância espectral de dois objetos. Como já foi citado, o critério de fusão depende da característica espectral (cor) e da espacial (forma). O valor geral do critério de fusão f é determinado por: Seja: h = w.( n. σ ( n. σ n. σ )) cor c a c c h = w. h + ( 1 w ). h forma cp cp cp sv onde: c= bandas; n= tamanho do objeto agrupado; n 1 e n 2 = tamanho dos objetos; σ 1 e σ 2 = desvios padrões dos objetos onde: wcp= peso; h cp = compacidade; h sv = suavidade, a determinação de hcp e hsv f = wh. + ( 1 w). h cor forma f = critério de fusão; w= é o peso dado a variável; h cor = hetorogeneidade espectral; h for = heterogeneidade espacial. ( 1 ( 1 ) 2 ( 2 2) ) h = n.( l / b ) n. l / b + n. l / b sv a a a.( / ) (.( / ).( / )) h = n l n n l n + n l n cp a a a 1 l 1 el 2 são os perímetros dos objetos; b 1 e b 2 são os perímetros dos quadrados envolventes; ba, la referem-se ao perimetro objeto fundido n número de pixels Características Topologicas e Semânticas dos Objetos 1. O que é objeto: O espaço é composto por objetos que possuem muitas propriedades e relações com outros objetos. O cérebro humano pode armazenar informações sobre os objetos tanto no âmbito espacial (localização) como no âmbito não espacial (atributo). A cognição espacial é baseada no conhecimento armazenado no cérebro humano, logo depende de condicionantes a priori. A ciência cognitiva vem ganhando interesse em Sensoriamento Remoto no que se refere à percepção e análise de imagens. No que concerne à Inteligência Artificial, o conhecimento pode ser definido como a informação ou os modelos usados pelo computador para interpretar, predizer e responder apropriadamente questões do mundo real. Conceitos No âmbito da imagem, objetos são agrupados de acordo com um modelo cognitivo. Existe uma capacidade intuitiva do cérebro em agrupar coisas similares. Objetos ou segmentos de características semelhantes podem ser agrupados formando regiões ou superobjetos. Esta capacidade de agrupamento é tão mais apurada quanto maior for a base do conhecimento, quanto mais bem definido o objetivo a ser alcançado. Os objetos e (ou) regiões que representam o mundo real possuem relações que podem ser expressas por um modelo semântico, de forma a exprimir a visão humana do arcabouço espacial (VORWERG & RICKHEIT, 1998). 6

7 Conceitos A representação do conhecimento é uma translação de uma situação ou problema em um sistema constituído de um vocabulário que nomeia os objetos e suas relações. MOLENAAR (1998) descreve os conceitos de sintaxe e semântica, na representação do conhecimento. A sintaxe se refere às regras formais que estruturam relações. A semântica por sua vez, refere-se ao significado dos objetos dentro de determinada situação. A semântica dos objetos espaciais pode ser manipulada por meio de uma sintaxe. 2. Semântica dos objetos A semântica é uma notação gráfica representando o conhecimento através da conexão entre arcos e nós. A implementação computacional da rede semântica foi pela primeira vez desenvolvida através de programas de inteligência artificial. Antigamente, estruturas semânticas eram aplicadas amplamente na filosofia, psicologia e lingüística como forma de representar o processo cognitivo O que é comum em todas as redes semânticas é a representação gráfica que tanto pode ser utilizada para representar o conhecimento como para apoiar sistemas de inteligência artificial. Exemplo de semântica O tipo mais antigo de rede semântica é a denominada definidora que enfatiza subtipos (relações de pertinência e subdivisões de conceitos tipo: parte_de). IMAGEM parte_de VEGETAÇÃO Superobjetos A primeira rede semântica definidora foi descrita pelo filósofo grego Porphiri, século III a.c, baseado no método de Aristóteles para separar categorias (genus). parte_de Ambiente Ciliar A relação entre conceitos é baseada em especialização,onde, conceito mais geral é denominado supertype ou hypernym e conceito mais especializado é denominado subtype or hyponym. Galeria tipo_de Várzea Subobjetos 7

8 3. ORIENTAÇÃO A OBJETO: Relações Topológicas Topologia: Relações entre objetos Topologia é um processo matemático para definir explicitamente relacionamentos espaciais; Adjacência Conectividade Disjunção Contingência Para mapas a topologia define conexões entre entidades, identifica polígonos adjacentes. Características: armazenar dados vetoriais mais eficientemente; processar um maior número de dados; permitir a conexão de linhas em rede, combinar objetos adjacentes e sobrepor feições geográficas; Agregar objetos por meio de relações espaciais O conceito de vizinhança entre objetos ou regiões é definido por meio das relações topológicas. Estando definidos os relacionamentos topológicos sobre os objetos, pode-se a partir das propriedades de atributos (ex.: textura, forma, brilho, etc.) e propriedades geométricas (ex.: área e perímetro) realizar operações entre objetos. Estas operações produzem como resultado um agrupamento de objetos e valores que satisfazem a determinada restrição espacial Objeto com Topologia Objeto com topologia Dado Temático Atributo OBJETO ID Dado Geométrico Topologia Tamanho e forma Posição e orientação Atributos o Espectral o Forma otextura o Relações de vizinhança o Subobjetos 8

9 CLASSIFICAÇÃO DOS SEGMENTOS Superobjetos Subobjetos 1- INSERÇÃO DO CONTEXO RICHARDS. & JIA (1999) definem contexto como a relação de determinado pixel com os pixels da sua vizinhança. Em imagens de S. remoto, o conceito de contexto considera também à relação entre uma região com outra região (ou regiões). Métodos de classificação que consideram a categorização de determinado pixel ou objeto, baseado nas características dos pixels ou objetos vizinhos são denominados de classificador contextual. O grau com que pixels ou objetos adjacentes são correlacionados pode depender da resolução espacial e radiométrica da imagem da imagem. O contexto é um elemento muito importante no processo de classificação de imagem de alta resolução, pois este exprime uma maior possibilidade de similaridade espacial e espectral entre os objetos Conceitos A segmentação multi-resolução é baseada em contexto e segundo MOLENNAAR (1998) permite a construção de estrutura hierárquica. O contexto é expresso através de definições semânticas dos objetos e suas estruturas descritivas. Isto significa que um objeto relativo à determinada classe se relaciona com outros objetos de acordo com um grau de hierarquia. A classificação baseada nesta estrutura de classes e superclasses através de uma relação de dependência hierárquica está subordinada ao conhecimento. No processo de classificação, o contexto entre os objetos está vinculado à análise de relacionamentos- uma classe A só existe se for adjacente a uma classe C, ou, A só existe se estiver contida em C. As regras Booleanas são oriundas das propriedades que compõem os objetos, propriedades estas de carácter geométrico e descritivo. Segundo MOLENAAR & CHENG (2000), o agrupamento de objetos com topologia vetorial permite a determinação de regiões, baseadas em características semânticas. Um mapa temático pode ser composto por conjuntos de regiões que compartilham de uma mesma classe. Contudo, uma região pode ser delimitada praticamente sob qualquer ângulo, sob diferentes óticas, permitindo assim flexibilizar limites. Leia mais: MOLENAAR, Martien. Na indroduction to the theory of object modelling in GIS. Taylor&Francis

10 Uma região se distingue das demais por possuir características próprias. Cabe aduzir o termo domínio para justificar as características inerentes aos fenômenos naturais localizados junto as unidades físicas estruturais, climáticas, morfológicas e espectrais, como por exemplo: domínio de várzea, domínio de erosão, domínio espectral, etc. Relações e hierarquia A orientação a objeto permite ao usuário definir regras complexas baseadas em características espectrais e de relações espaciais. Este modelo permite que a semântica possa ser desenvolvida apoiada em parâmetros físicos e de conhecimento sobre relacionamentos. Segmentos Rede Semântica Exercício: Segmentar uma imagem IKONOS, utilizando ecognition. Criar diferentes niveis de segmentação testando os parâmetros espectrais, forma, textura. Avalie a tabela de atributos dos diferentes objetos. Analise os resultados. 10

Classificação de Imagens

Classificação de Imagens Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS

UFGD 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 mais

CLASSIFICAÇÃO DE IMAGENS

CLASSIFICAÇÃO DE IMAGENS CLASSIFICAÇÃO DE IMAGENS SIG Profa.. Dra. Maria Isabel Castreghini de Freitas ifreitas@rc.unesp.br Profa. Dra. Andréia Medinilha Pancher medinilha@linkway.com.br O que é classificação? É o processo de

Leia mais

Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³. ²Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - rfariageo@hotmail.

Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³. ²Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - rfariageo@hotmail. GERAÇÃO DE MAPA DE USO E COBERTURA DE SOLO UTILIZANDO IMAGENS DE SATÉLITE LANDSAT 8 PARA O SUPORTE AO PLANEJAMENTO MUNICIPAL DO MUNICÍPIO DE NITERÓI RJ. Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³ 1 Universidade

Leia mais

CLASSIFICAÇÃO DE IMAGEM

CLASSIFICAÇÃO DE IMAGEM DISCIPLINA SIG OFICINA: Classificação de Imagens de Sensoriamento Remoto Responsável: MARIA ISABEL C DE FREITAS Colaboração: BRUNO ZUCHERATO E KATIA CRISTINA BORTOLETTO CLASSIFICAÇÃO DE IMAGEM Para realizar

Leia mais

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com

Processamento 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 mais

Segmentação de Imagens

Segmentação 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 mais

INTELIGÊNCIA 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 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 mais

Aula 5 - Classificação

Aula 5 - Classificação AULA 5 - Aula 5-1. por Pixel é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente

Leia mais

Universidade Federal do Rio de Janeiro - IM/DCC & NCE

Universidade Federal do Rio de Janeiro - IM/DCC & NCE Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação 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 mais

Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy.

Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy. Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy. Marcelo Musci Baseado no artigo: Change detection assessment using fuzzy sets and remotely sensed data: an application

Leia mais

Reconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller

Reconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Reconhecimento de marcas de carros utilizando Inteligência Artificial André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Motivação Análise estatística das marcas de carros em

Leia mais

Processamento Digital de Imagens

Processamento Digital de Imagens Processamento Digital de Imagens Israel Andrade Esquef a Márcio Portes de Albuquerque b Marcelo Portes de Albuquerque b a Universidade Estadual do Norte Fluminense - UENF b Centro Brasileiro de Pesquisas

Leia mais

Aula 6 - Segmentação de Imagens Parte 2. Prof. Adilson Gonzaga

Aula 6 - Segmentação de Imagens Parte 2. Prof. Adilson Gonzaga Aula 6 - Segmentação de Imagens Parte 2 Prof. Adilson Gonzaga 1 Motivação Extração do Objeto Dificuldades Super segmentação over-segmentation 1) Segmentação por Limiarização (Thresholding Global): Efeitos

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS Executar as principais técnicas utilizadas em processamento de imagens, como contraste, leitura de pixels, transformação IHS, operações aritméticas

Leia mais

Processamento de Imagem. Prof. Herondino

Processamento de Imagem. Prof. Herondino Processamento de Imagem Prof. Herondino Sensoriamento Remoto Para o Canada Centre for Remote Sensing - CCRS (2010), o sensoriamento remoto é a ciência (e em certa medida, a arte) de aquisição de informações

Leia mais

Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445)

Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445) Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445) Prof. Hélio Pedrini Instituto de Computação UNICAMP 2º Semestre de 2015 Roteiro 1 Morfologia Matemática Fundamentos Matemáticos Operadores

Leia mais

29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica

29/08/2011. 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 mais

Chow&Kaneko buscam as modas da imagem para separar os objetos. Admite que os tons na vizinhança de cada moda são do mesmo objeto.

Chow&Kaneko buscam as modas da imagem para separar os objetos. Admite que os tons na vizinhança de cada moda são do mesmo objeto. Respostas Estudo Dirigido do Capítulo 12 Image Segmentation" 1 Com suas palavras explique quais os problemas que podem ocorrer em uma segmentação global baseada em níveis de cinza da imagem. Que técnicas

Leia mais

Filtragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha

Filtragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha Filtragem As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que dependem do nível de cinza de um determinado "pixel" e do valor dos níveis de cinza dos "pixels" vizinhos, na imagem

Leia mais

Diagrama de Classes. Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes.

Diagrama de Classes. Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes. 1 Diagrama de Classes Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes. Um dos objetivos do diagrama de classes é definir a base para

Leia mais

MINERAÇÃO 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 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 mais

2.1.2 Definição Matemática de Imagem

2.1.2 Definição Matemática de Imagem Capítulo 2 Fundamentação Teórica Este capítulo descreve os fundamentos e as etapas do processamento digital de imagens. 2.1 Fundamentos para Processamento Digital de Imagens Esta seção apresenta as propriedades

Leia mais

A limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação.

A limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação. Limiarização A limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação. O princípio da limiarização consiste em separar as regiões

Leia mais

Teoria : Estruturas de Dados. Estrutura Vetorial. Quais tipos de dados são representados por estruturas vetoriais? Mapa temático:

Teoria : Estruturas de Dados. Estrutura Vetorial. Quais tipos de dados são representados por estruturas vetoriais? Mapa temático: Universidade do Estado de Santa Catarina UDESC Centro de ciências Humanas e da Educação FAED Mestrado em Planejamento Territorial e Desenvolvimento Socio- Ambiental - MPPT Disciplina: Geoprocessamento

Leia mais

3 Estado da arte em classificação de imagens de alta resolução

3 Estado da arte em classificação de imagens de alta resolução 37 3 Estado da arte em classificação de imagens de alta resolução Com a recente disponibilidade de imagens de alta resolução produzidas por sensores orbitais como IKONOS e QUICKBIRD se tornou-se possível

Leia mais

Utilização de imagem CBERS-2 na análise e avaliação dos impactos ambientais da cultura da cana-de-açúcar da região de Ribeirão Preto SP

Utilização de imagem CBERS-2 na análise e avaliação dos impactos ambientais da cultura da cana-de-açúcar da região de Ribeirão Preto SP Utilização de imagem CBERS-2 na análise e avaliação dos impactos ambientais da cultura da cana-de-açúcar da região de Ribeirão Preto SP Valéria de Souza Assunção 1 Elizabete Cristina Kono 1 Rafael Frigerio

Leia mais

PROCESSAMENTO DIGITAL DE IMAGENS

PROCESSAMENTO DIGITAL DE IMAGENS PROCESSAMENTO DIGITAL DE IMAGENS Msc. Daniele Carvalho Oliveira Doutoranda em Ciência da Computação - UFU Mestre em Ciência da Computação UFU Bacharel em Ciência da Computação - UFJF FILTRAGEM ESPACIAL

Leia mais

Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão

Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão 01 Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão Rodrigo G. Trevisan¹; José P. Molin² ¹ Eng. Agrônomo, Mestrando em Engenharia de Sistemas Agrícolas (ESALQ-USP); ² Prof. Dr. Associado

Leia mais

Sensoriamento Remoto

Sensoriamento Remoto Sensoriamento Remoto É a utilização conjunta de modernos sensores, equipamentos para processamento de dados, equipamentos de transmissão de dados, aeronaves, espaçonaves etc, com o objetivo de estudar

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 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 mais

Dado Vetorial. Características do Dado Vetorial. Usa entidades como ponto, linha e polígono para identificar localizações;

Dado Vetorial. Características do Dado Vetorial. Usa entidades como ponto, linha e polígono para identificar localizações; Estrutura dos Dados Geográficos Organização lógica dos dados para preservar sua integridade e facilitar o seu uso. Vetorial Raster ou Matricial Dado Vetorial Usa entidades como ponto, linha e polígono

Leia mais

Tratamento da Imagem Transformações (cont.)

Tratamento da Imagem Transformações (cont.) Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Tratamento de Imagens - Sumário Detalhado Objetivos Alguns

Leia mais

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS

SEGMENTAÇÃO 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 mais

Introdução ao SIG. Objetivos Específicos 18/11/2010. Competência: Apresentar: Utilidade de um SIG

Introdução ao SIG. Objetivos Específicos 18/11/2010. Competência: Apresentar: Utilidade de um SIG MINISTÉRIO DO MEIO AMBIENTE - MMA INSTITUTO CHICO MENDES DE CONSERVAÇÃO DA BIODIVERSIDADE - ICMBio DIRETORIA DE PLANEJAMENTO, ADMINISTRAÇÃO E LOGÍSTICA - DIPLAN COORDENAÇÃO GERAL DE GESTÃO DE PESSOAS -

Leia mais

SIG - Sistemas de Informação Geográfica

SIG - Sistemas de Informação Geográfica SIG - Sistemas de Informação Geográfica Gestão da Informação Para gestão das informações relativas ao desenvolvimento e implantação dos Planos Municipais de Conservação e Recuperação da Mata Atlântica

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Características das Imagens de SAR

Características das Imagens de SAR Características das Imagens de SAR Natural Resources Ressources naturelles Canada Canada Características das Imagens de SAR - Tópicos - Elementos de interpretação Tonalidade Textura Artefatos em imagens

Leia mais

Técnicas de Cartografia Digital

Técnicas de Cartografia Digital Técnicas de Cartografia Digital Maria Cecília Bonato Brandalize 2011 Aula 8 1. Vetoriais 2. Matriciais 3. Vantagens e Desvantagens 1. Vetoriais 2. Matriciais 3. Vantagens e Desvantagens Como são representados

Leia mais

MODELAGEM DIGITAL DE SUPERFÍCIES

MODELAGEM DIGITAL DE SUPERFÍCIES MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais

Leia mais

Site da disciplina: Site do Laboratório de Geotecnologias Aplicadas: https://moodleinstitucional.ufrgs.br. http://www.ufrgs.

Site da disciplina: Site do Laboratório de Geotecnologias Aplicadas: https://moodleinstitucional.ufrgs.br. http://www.ufrgs. Universidade Federal do Rio Grande do Sul Instituto de Geociências Departamento de Geografia Sistemas de Informações Geográficas I GEO 01007 Professora: Eliana Lima da Fonseca Site da disciplina: https://moodleinstitucional.ufrgs.br

Leia mais

Sensoriamento Remoto. Características das Imagens Orbitais

Sensoriamento Remoto. Características das Imagens Orbitais Sensoriamento Remoto Características das Imagens Orbitais 1 - RESOLUÇÃO: O termo resolução em sensoriamento remoto pode ser atribuído a quatro diferentes parâmetros: resolução espacial resolução espectral

Leia mais

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Prof Fabrízzio Alphonsus A M N Soares 2012 Capítulo 2 Fundamentos da Imagem Digital Definição de Imagem: Uma imagem

Leia mais

Ontologias. Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília

Ontologias. Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília Ontologias Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília Origem Teoria sobre a natureza da existência Ramo da filosofia que lida com a natureza e organização da realidade.

Leia mais

Introdução do Processamento de Imagens. Julio C. S. Jacques Junior juliojj@gmail.com

Introdução do Processamento de Imagens. Julio C. S. Jacques Junior juliojj@gmail.com Introdução do Processamento de Imagens Julio C. S. Jacques Junior juliojj@gmail.com Porque processar uma imagem digitalmente? Melhoria de informação visual para interpretação humana Processamento automático

Leia mais

SEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno

SEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno SEGEMENTAÇÃO DE IMAGENS Nielsen Castelo Damasceno Segmentação Segmentação Representação e descrição Préprocessamento Problema Aquisição de imagem Base do conhecimento Reconhecimento e interpretação Resultado

Leia mais

Reconhecimento de Padrões. Reconhecimento de Padrões

Reconhecimento de Padrões. Reconhecimento de Padrões Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.

Leia mais

TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS

TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS Luciene Bianca Alves ITA Instituto Tecnológico de Aeronáutica Praça Marechal Eduardo Gomes, 50 Vila das Acácias

Leia mais

Cálculo do conjunto paralelo

Cálculo do conjunto paralelo Cálculo do conjunto paralelo Vamos usar letras maiúsculas A; B, etc para representar conjuntos e letras minusculas x, y, etc para descrever seus pontos. Vamos usar a notação x para descrever a norma de

Leia mais

Este documento foi elaborado sob a licença

Este documento foi elaborado sob a licença 1 2 Este documento foi elaborado sob a licença Atribuição - Não Comercial - Sem Trabalhos Derivados Brasil (CC BY-NC-ND 4.0) Sobre este documento, você tem o direito de: Compartilhar - reproduzir, distribuir

Leia mais

UNIVERSIDADE 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 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 mais

Representação de Conhecimento Redes Semânticas e Frames

Representação de Conhecimento Redes Semânticas e Frames Representação de Conhecimento Redes Semânticas e Frames Profa. Josiane M. P. Ferreira e Prof. Sérgio R. P. da Silva David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach

Leia mais

Trabalho 2 Fundamentos de computação Gráfica

Trabalho 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 mais

GERMÁN TORRIJOS CADENA

GERMÁN TORRIJOS CADENA unesp UNIVERSIDADE ESTADUAL PAULISTA Faculdade de Ciências e Tecnologia Pós-Graduação em Ciências Cartográficas GERMÁN TORRIJOS CADENA CLASSIFICAÇÃO DOS TIPOS DE PAVIMENTOS DAS VIAS URBANAS A PARTIR DE

Leia mais

5 Mecanismo de seleção de componentes

5 Mecanismo de seleção de componentes Mecanismo de seleção de componentes 50 5 Mecanismo de seleção de componentes O Kaluana Original, apresentado em detalhes no capítulo 3 deste trabalho, é um middleware que facilita a construção de aplicações

Leia mais

PONTIFÍCIA 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 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 mais

PROF. DR. JACQUES FACON

PROF. 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 mais

Aprendizagem de Máquina

Aprendizagem 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 mais

PROCESSAMENTO DIGITAL DE IMAGENS

PROCESSAMENTO DIGITAL DE IMAGENS PROCESSAMENTO DIGITAL DE IMAGENS Motivado por duas principais aplicações: Melhorar a informação da imagem para interpretação humana Processamento de cenas para percepção de máquinas (Visão Computacional)

Leia mais

SPRING 3.6.03 - Apresentação

SPRING 3.6.03 - Apresentação SPRING 3.6.03 - Apresentação GEOPROCESSAMENTO Conjunto de ferramentas usadas para coleta e tratamento de informações espaciais, geração de saídas na forma de mapas, relatórios, arquivos digitais, etc;

Leia mais

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses

Leia mais

Descritores de textura na análise de imagens de microtomografia computadorizada

Descritores 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 mais

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES

CAPÍTULO 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 mais

Sistemas Distribuídos. Professora: Ana Paula Couto DCC 064

Sistemas Distribuídos. Professora: Ana Paula Couto DCC 064 Sistemas Distribuídos Professora: Ana Paula Couto DCC 064 Consistência e Replicação Capítulo 7 Agenda Razões para Replicação Replicação como técnica de escalabilidade Modelos de Consistência centrados

Leia mais

Introdução aos Sistemas de Informação Geográfica

Introdução aos Sistemas de Informação Geográfica Introdução aos Sistemas de Informação Geográfica Mestrado Profissionalizante 2015 Karla Donato Fook karladf@ifma.edu.br IFMA / DAI Análise Espacial 2 1 Distribuição Espacial A compreensão da distribuição

Leia mais

Marco Aurélio Gonçalves da Silva Orientador: Anselmo Antunes Montenegro

Marco Aurélio Gonçalves da Silva Orientador: Anselmo Antunes Montenegro Marco Aurélio Gonçalves da Silva Orientador: Anselmo Antunes Montenegro Universidade Federal Fluminense 31/10/2012 Pixel art é uma forma de arte digital na qual os detalhes da imagem são representados

Leia mais

B.I.S.T. Built-In Self Test

B.I.S.T. Built-In Self Test Instituto Superior de Engenharia do Porto Mestrado de Engenharia Electrotécnica Automação e Sistemas Disciplina de Síntese Alto Nível de Componentes Programáveis B.I.S.T. Built-In Self Test Elaborado por:

Leia mais

Classificação automática de cobertura do solo urbano em imagem IKONOS: Comparação entre a abordagem pixel-a-pixel e orientada a objetos

Classificação automática de cobertura do solo urbano em imagem IKONOS: Comparação entre a abordagem pixel-a-pixel e orientada a objetos Classificação automática de cobertura do solo urbano em imagem IKONOS: Comparação entre a abordagem pixel-a-pixel e orientada a objetos Carolina Moutinho Duque de Pinho Flávia da Fonseca Feitosa Hermann

Leia mais

COMPUTAÇÃO GRÁFICA. Rasterização e Preenchimento de Regiões. MARCO ANTONIO GARCIA DE CARVALHO Fevereiro de 2009. Computação Gráfica

COMPUTAÇÃO GRÁFICA. Rasterização e Preenchimento de Regiões. MARCO ANTONIO GARCIA DE CARVALHO Fevereiro de 2009. Computação Gráfica COMPUTAÇÃO GRÁFICA Rasterização e Preenchimento de Regiões Objetivos Conhecer os fundamentos da construção de linhas e círculos Conhecer o modelo scan-line modelo de sementes para preenchimento de polígonos

Leia mais

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada 5.1 AULA 5 Manipulando Dados Matriciais: Grades e Imagens Nessa aula serão apresentadas algumas funcionalidades do TerraView relativas a manipulação de dados matriciais. Como dados matriciais são entendidas

Leia mais

Recuperação de Informação em Bases de Texto. Aula 10

Recuperação de Informação em Bases de Texto. Aula 10 Aula 10 1 Agrupamento/ clustering de documentos: Agrupar os documentos em classes/grupos, de acordo com a sua semelhança Aprendizagem não supervisionada Sem conjunto de treino/exemplos 2 3 Agrupamento/

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação SOFT DISCIPLINA: Engenharia de software AULA NÚMERO: 08 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir conceitos relacionados a modelos e especificações. Nesta aula

Leia mais

Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo

Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo Tema/Subtema Conteúdos Metas Nº de Aulas Previstas Org.Trat.Dados / Planeamento Estatístico Especificação do problema Recolha de dados População

Leia mais

Relações mais harmoniosas de convívio com a natureza; O mundo como um modelo real que necessita de abstrações para sua descrição; Reconhecimento de

Relações mais harmoniosas de convívio com a natureza; O mundo como um modelo real que necessita de abstrações para sua descrição; Reconhecimento de Relações mais harmoniosas de convívio com a natureza; O mundo como um modelo real que necessita de abstrações para sua descrição; Reconhecimento de padrões espaciais; Controle e ordenação do espaço. Técnicas

Leia mais

Computação Gráfica. Introdução. Profª Alessandra Martins Coelho

Computação Gráfica. Introdução. Profª Alessandra Martins Coelho Computação Gráfica Introdução Profª Alessandra Martins Coelho março/2013 Introdução Computação gráfica (CG) é a utilização de computadores para gerar imagens (GUHA, 2013). Nos dias atuais, para não se

Leia mais

Uma Versão Intervalar do Método de Segmentação de Imagens Utilizando o K-means

Uma Versão Intervalar do Método de Segmentação de Imagens Utilizando o K-means TEMA Tend. Mat. Apl. Comput., 6, No. 2 (2005), 315-324. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Uma Versão Intervalar do Método de Segmentação de Imagens Utilizando

Leia mais

UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS

UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS Laboratório de Ensino, Pesquisa e Projetos em Análise Espacial TUTORIAL DE SPRING Alexandro Medeiros

Leia mais

Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira

Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2014 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação

Leia mais

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada

AULA 5 Manipulando Dados Matriciais: Grades e Imagens. 5.1 Importando Grades e Imagens Interface Simplificada 5.1 AULA 5 Manipulando Dados Matriciais: Grades e Imagens Nessa aula serão apresentadas algumas funcionalidades do TerraView relativas à manipulação de dados matriciais. Como dados matriciais são entendidas

Leia mais

PROCESSAMENTO DIGITAL DE IMAGENS SPRING 5.0.6

PROCESSAMENTO DIGITAL DE IMAGENS SPRING 5.0.6 Universidade do Estado de Santa Catarina UDESC Centro de Ciências Humanas e da Educação CCE/FAED Deapartamento de Geografia DG Curso Mestrado em Planejamento Regional e Desenvolvimento Sócio Ambiental

Leia mais

UNIVERSIDADE FEDERAL DA BAHIA - UFBA

UNIVERSIDADE FEDERAL DA BAHIA - UFBA UNIVERSIDADE FEDERAL DA BAHIA - UFBA Instituto de Ciências Ambientais e Desenvolvimento Sustentável Prof. Pablo Santos 4 a Aula SISTEMA DE INFORMAÇÃO GEOGRÁFICA - SIG Introdução Definições Necessárias

Leia mais

3 Metodologia para Segmentação do Mercado Bancário

3 Metodologia para Segmentação do Mercado Bancário 3 Metodologia para Segmentação do Mercado Bancário Este capítulo descreve a metodologia proposta nesta dissertação para a segmentação do mercado bancário a partir da abordagem post-hoc, servindo-se de

Leia mais

Interface Homem-Computador

Interface Homem-Computador Faculdade de Ciências e Tecnologia do Maranhão Interface Homem-Computador Aula: Percepção Visual e de Cores - Parte I Professor: M.Sc. Flávio Barros flathbarros@gmail.com Conteúdo Percepção Visual e de

Leia mais

MORFOLOGIA MATEMÁTICA. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR

MORFOLOGIA MATEMÁTICA. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR MORFOLOGIA MATEMÁTICA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Outubro/2015 Morfologia Matemática Morfologia na Biologia Estudo da estrutura dos animais e plantas;

Leia mais

UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS

UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE GEOCIÊNCIAS Laboratório de Ensino, Pesquisa e Projetos em Análise Espacial TUTORIAL DE SPRING Alexandro Medeiros

Leia mais

Grupo de Estudos sobre Organização e Representação do Conhecimento. UNESP de Marília.

Grupo de Estudos sobre Organização e Representação do Conhecimento. UNESP de Marília. 1 Grupo de Estudos sobre Organização e Representação do Conhecimento UNESP de Marília. Pontos principais do texto: HJØRLAND, B. Towards a Theory of Aboutness, Subject, Topicality, Theme, Domain, Field,

Leia mais

CAPÍTULO 2. Grafos e Redes

CAPÍTULO 2. Grafos e Redes CAPÍTULO 2 1. Introdução Um grafo é uma representação visual de um determinado conjunto de dados e da ligação existente entre alguns dos elementos desse conjunto. Desta forma, em muitos dos problemas que

Leia mais

Processamento digital de imagens. introdução

Processamento digital de imagens. introdução Processamento digital de imagens introdução Imagem digital Imagem digital pode ser descrita como uma matriz bidimensional de números inteiros que corresponde a medidas discretas da energia eletromagnética

Leia mais

Transformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis

Transformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis Transformada de Hough Cleber Pivetta Gustavo Mantovani Felipe Zottis A Transformada de Hough foi desenvolvida por Paul Hough em 1962 e patenteada pela IBM. Originalmente, foi elaborada para detectar características

Leia mais

Notas da Aula 17 - Fundamentos de Sistemas Operacionais

Notas da Aula 17 - Fundamentos de Sistemas Operacionais Notas da Aula 17 - Fundamentos de Sistemas Operacionais 1. Gerenciamento de Memória: Introdução O gerenciamento de memória é provavelmente a tarefa mais complexa de um sistema operacional multiprogramado.

Leia mais

AULA 6 - Operações Espaciais

AULA 6 - Operações Espaciais 6.1 AULA 6 - Operações Espaciais Essa aula descreve as operações espaciais disponíveis no TerraView. Antes de iniciar sua descrição é necessário importar alguns dados que serão usados nos exemplos. Exercício:

Leia mais

Reconhecimento de Padrões

Reconhecimento de Padrões Engenharia Informática (ramos de Gestão e Industrial) Departamento de Sistemas e Informação Reconhecimento de Padrões Projecto Final 2004/2005 Realizado por: Prof. João Ascenso. Departamento de Sistemas

Leia mais

Modelo Entidade-Relacionamento

Modelo Entidade-Relacionamento Modelo Entidade-Relacionamento ome Designação Doc... #Disc... Docente Ensina Disciplina Abordagem proposta por Peter P. Chen (década de 70) para o processo de modelação de dados com ampla aceitação; Trabalho

Leia mais

Resultados Experimentais

Resultados Experimentais Capítulo 6 Resultados Experimentais Este capítulo é dedicado às avaliações experimentais do sistema CBIR. Os experimentos aqui realizados têm três objetivos principais: comparar os nossos resultados com

Leia mais

BANCO DE DADOS GEOGRÁFICOS E WEBMAPPING -MODELAGEM DE BD GEOGRÁFICOS. Prof. Angelo Augusto Frozza, M.Sc. http://about.me/tilfrozza

BANCO DE DADOS GEOGRÁFICOS E WEBMAPPING -MODELAGEM DE BD GEOGRÁFICOS. Prof. Angelo Augusto Frozza, M.Sc. http://about.me/tilfrozza 1 BANCO DE DADOS GEOGRÁFICOS E WEBMAPPING -MODELAGEM DE BD GEOGRÁFICOS Prof. Angelo Augusto Frozza, M.Sc. http://about.me/tilfrozza MODELAGEM DE BDG Modelagem de dados convencional abstração de entidades

Leia mais

3.1 Definições Uma classe é a descrição de um tipo de objeto.

3.1 Definições Uma classe é a descrição de um tipo de objeto. Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Classes Autoria:Aristófanes Corrêa Silva Adaptação:

Leia mais

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Análise Multi-Critério Classificação continua (Lógica Fuzzy) Técnica AHP (Processo Analítico Hierárquico)

Leia mais

CAPÍTULO 1 INTRODUÇÃO

CAPÍTULO 1 INTRODUÇÃO CAPÍTULO 1 INTRODUÇÃO A atuação do homem no meio ambiente, ao longo da história, fornece provas de suas ações em nome do progresso. Esta evolução tem seu lado positivo, pois abre novos horizontes, novas

Leia mais

COERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS

COERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS COERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS O documento que serviu de base para a análise a seguir é o denominado "Diretrizes Curriculares

Leia mais