Seleção Automática de Parâmetros de Detectores de Bordas de Imagens Digitais Baseado em Algoritmos Genéticos
|
|
- Carlos Araújo Farias
- 6 Há anos
- Visualizações:
Transcrição
1 Seleção Automática de Parâmetros de Detectores de Bordas de Imagens Digitais Baseado em Algoritmos Genéticos Cristiane Leal da Costa Inês Aparecida Gasparotto Boaventura DCCE - IBILCE - UNESP Rua Cristovão Colombo, São José do Rio Preto, SP, Brasil Resumo The aim of this paper is to present a new method of automatic selection of edge detector parameters. The developed system automates the process of parameters adjustment through a intelligent system based on genetic algorithm (GA). The adjustment of these parameters uses the information of quantitative assessment of the edges obtained in different steps, regarded here as fitness function of the GA. The quantitative assessment is performed using quantitative measures for the optimal adjustment of the edges. These measures are obtained by comparing the edges generated by the edge detector with the ideals edges, also called ground truth image, which is considered absolute truth. The space ROC (Receiver Operating Characteristics) is used to classify the edges in different steps of the algorithm application. The edge detector FUNED (Fuzzy Number Edge Detector) is used to show the feasibility of the proposed method. The results obtained so far show that is feasible select optimized parameters and the precision of edge detection is improved adaptively. 1. Introdução Borda é a característica básica de um objeto em imagens digitais. O processo de detecção de bordas reduz uma imagem aos detalhes de contorno dos objetos que estão presentes na imagem e que, frequentemente, são usados em operações de análise de imagem para obtenção de características e reconhecimento de objetos. Os pixels de borda são definidos como localizações na imagem onde existe uma variação significativa nos níveis de cinza em uma direção fixa através de alguns pixels. O desempenho de um detector de bordas é o elemento chave de algoritmos bem sucedido para a análise e percepção de imagens. Existem diferentes métodos de detecção de bordas e, de maneira geral, são baseados em duas abordagens principais: análise do gradiente e análise de regiões [9]. Dentre os métodos baseados em gradientes, encontram-se o filtro de Sobel, Prewitt, Robert, Canny, e outros [4] Esses métodos são baseados na descontinuidade dos gradientes de uma imagem e, embora os algoritmos destes métodos sejam simples e implementados facilmente, são sensíveis à ruídos e possuem dificuldade em extrair bordas de imagens com iluminação não uniforme, presentes na maioria das imagens naturais. Por outro lado, existem técnicas que caracterizam a detecção de bordas como um problema de raciocínio fuzzy. Estas técnicas são baseadas em regiões da imagem e utilizam a teoria fuzzy de diversas maneiras [1]. Dentre os detectores fuzzy, tem-se o detector de bordas FUNED (Fuzzy Number Edge Detector) [3], o qual considera uma vizinhança local dos pixels da imagem, definida pelo usuário e, baseado no conceito de números fuzzy, verifica se um pixel pertence ou não àquela região da imagem, com base na intensidade dos tons de cinza que compõem a região. O pixel que não pertence a região é classificado como um possível pixel de borda. Por meio de uma função de pertinência, a técnica fornece uma matriz de pertinência em tons de cinza e, pela escolha de um limiar, as bodas da imagem são segmentadas. Para a modelagem do problema, os tons de cinza são considerados como números fuzzy e, para cada pixel da imagem, calcula-se a sua pertinência em relação a uma determinada região, considerando os vizinhos que possuem níveis de cinza próximos do pixel em análise. Quando se considera os valores de cinza, incorpora-se a variabilidade inerente dos valores de cinza da imagem, proporcionando assim uma abordagem mais adequada ao tratamento de imagens digitais em comparação ao tratamento clássico, baseado em uma formulação analítica. A técnica permite ao usuário o ajuste manual desses parâmetros: o tamanho da vizinhança local a ser considerada; o suporte de um número fuzzy 284
2 e o limiar. Embora o ajuste manual destes parâmetros proporciona diversas possibilidades de visualização das bordas de uma imagem, permitindo ao usuário a escolha de detalhes da imagem, pode dificultar o uso do detector FUNED, quando o usuário está interessado simplesmente nas bordas ótimas da imagem. Por outro lado, Boaventura [1] desenvolveu uma metodologia de avaliação de detectores de bordas baseada na análise ROC. O processo de avaliação considera diferentes medidas, que são tomadas comparando-se as bordas obtidas com as bordas ideais de uma imagem. A técnica calcula, para as bordas obtidas, um ponto no espaço e com essa informação, pode-se comparar desempenhos de diferentes detectores de bordas ou, comparar o desempenho de resultados diferentes de um mesmo detector de bordas, quando são variados os seus parâmetros. O Ajuste automático de parâmetros de detectores de borda é um assunto de grande interesse e tem sido abordado com frequência na literatura científica. A maior parte das técnicas apresentadas até agora são baseadas na teoria estatística [9, 6, 10]. Neste artigo é proposto um método de seleção automática de parâmetros de detectores de bordas para melhorar a habilidade adaptativa e determinativa de detectores de bordas. A abordagem proposta utiliza algoritmos genéticos (AG) [5, 7], os quais possuem características de alta eficiência e otimização global e podem ser aplicados em áreas onde a busca heurística se faz necessária. A definição de uma função objetivo apropriada ao problema de detecção de bordas, faz com que o AG opere adequadamente, levando a uma estratégia efetiva para seleção automática de parâmetros para detectores de borda, com boa performance e facilidade de implementação. Na seção 2 apresenta-se brevemente o detector de bordas FUNED. A seção 3 é dedicada ao método de avaliação de detecção de bordas baseado no espaço ROC. O método de seleção automática de parâmetros baseado em algoritmo genético é discutido na seção 4. Alguns resultados experimentais são mostrados na seção 5. As conclusões são apresentadas na seção O Detector de Bordas FUNED Os níveis de cinza de uma imagem são interpretados como números fuzzy. Com essa interpretação, incorpora-se a variabilidade inerente aos valores de cinza de imagens, proporcionando assim uma abordagem mais adequada ao tratamento de imagens digitais, em comparação ao tratamento clássico, baseado em uma formulação analítica. Para esta formulação foram adotados os números fuzzy simétricos e triangulares definidos pelas equações (1) e (2): μ A (x) =f( x g,δ), (1) sendo que f(.) controla a forma do número fuzzy e δ R +, chamado de suporte, controla o espalhamento do número fuzzy. O número fuzzy representado pela equação (2) é um número fuzzy triangular e simétrico. x g μ A (x) =MAX(0, 1 ). (2) δ A função de pertinência utilizada pelo detector de bordas tem a seguinte formulação [2, 3]: para cada pixel g i,j da imagem, interpretado como um número fuzzy, calcula-se a pertinência desse pixel em relação à região determinada por uma vizinhança local. Assim, seja uma imagem A N M em que, para cada pixel g(i, j), tem-se uma janela de vizinhança espacial W W. A função de pertinência, ˆμ g(i,j), de cada pixel g(i, j) ao conjunto fuzzy Região Homogênea da imagem é definida pela equação: W W g(i,j) A(k,l) k=1 l=1 max(0, 1 δ ) 1 ˆμ g(i,j) = W 2, 1 (3) i =1...N,j =1...M, sendo que δ R representa o parâmetro de espalhamento do número fuzzy. Quanto menor δ, menor é a base do número triangular, ou seja, menor é o intervalo onde se considera a pertinência dos vizinhos. A matriz resultante desta operação é chamada de matriz de pertinências ou imagem pertinência e é definida pela equação: A = M N i=1 j=1 ˆμ ij g ij, (4) sendo que, ˆμ ij indica o grau de pertinência de cada pixel à região W W pré-definida da imagem. Os valores de pertinências próximos de 1 significam uma maior pertinência dos respectivos pixels a uma região homogênea. Para valores de pertinências próximos de 0, tem-se que os pixels avaliados são diferentes dos pixels da região, ou melhor, podem pertencer à borda de uma região e não a uma região homogênea. Os pixels mais escuros que aparecem na matriz de pertinências são aqueles com menor pertinência a uma região homogênea, ou seja, com maior possibilidade de representar as bordas da imagem. 3. Método para Avaliação de Detectores de Bordas Nesta abordagem, um detector de bordas é considerado como um classificador de padrões. Cada pixel da imagem pode ser mapeado para um elemento do conjunto de rótulos de classe {1,0}, em que 1 significa pertencente à classe borda (positivo) e 0 significa não pertencente à classe borda (negativo). 285
3 Dado um detector de bordas, a matriz de pixels que representa a imagem é o conjunto de amostras, em que cada pixel pode assumir valores positivo e negativo, respectivamente. Ao aplicar o detector de bordas a um pixel da imagem (elemento de entrada), tem-se quatro situações distintas. Se o elemento de entrada é um pixel de borda, considerado genuíno (positivo), e o detector de bordas o classifica como positivo, conta-se como Verdadeiro Positivo (VP); se é classificado como negativo, conta-se como Falso Negativo (FN). Se o elemento de entrada não é um pixel de borda, ou seja é um impostor (negativo) e, é classificado como tal, conta-se como Verdadeiro Negativo (VN); se é classificado como positivo, conta-se como Falso Positivo (FP). Para quantificar a eficácia de um detector de bordas são tomadas as seguintes medidas: razão de verdadeiros positivos (sensibilidade), razão de falsos positivos. A razão de verdadeiros positivos, também chamada de sensibilidade, é a proporção de verdadeiros positivos classificados corretamente como genuínos, ou seja, é a proporção de genuínos de uma classe que são classificados corretamente como genuínos. A razão de falsos positivos, ou taxa de falso alarme, é a proporção de falsos positivos classificados relativamente ao total de impostores existentes, ou seja, é a proporção de impostores erroneamente classificados como genuínos. Para a análise do desempenho dos métodos de detecção de bordas, as imagens de bordas obtidas devem ser comparadas com as respectivas imagens ideais (GT). A correspondência entre bordas obtidas e bordas ideais é feita pixel a pixel. Assim, seja a matriz B o mapa de bordas obtido a partir de uma imagem G e seja a matriz GT a imagem de bordas ideal correspondente. Cada elemento b i,j em B é avaliado em relação ao elemento gt i,j em GT e essa correspondência pode ser não exata. Neste caso, considerase um limiar T mj, chamado de limiar de tolerância, o qual permite fazer a correspondência de um pixel de borda b i,j em B com um pixel de borda ideal p em GT, mesmo que p esteja a uma pequena distância ao redor de uma vizinhança W Tmj T mj centralizada em gt i,j. Dada essa tolerância, em geral, um pixel de borda em B pode ter múltiplos casamentos potenciais a um pixel de borda correspondente em GT, em torno dessa vizinhança, neste caso, toma-se o pixel com distância mínima. Quando a correspondência é estabelecida, marca-se o pixel correspondente com zero na matriz GT. O cálculo dos verdadeiros positivos (VP) e falsos positivos (FP) é dado pela seguinte expressão: se b i,j =1 e(gt i,j =1ou p W Tmj T mj centralizada em gt i,j tal que p =1) então considera-se verdadeiro positivo (VP), caso contrário, considera-se falso positivo (FP). O cálculo dos verdadeiros negativos (VN) e falsos negativos (FN) é feito da seguinte maneira: se b i,j = 0 e gt i,j =0então considera-se verdadeiro negativo (VN), caso contrário, considera-se falso negativo (FN). Dada uma imagem de bordas B, sua correspondente imagem ideal GT e uma janela de vizinhança W Tmj T mj centralizada em gt i,j, a menor distância entre um determinado pixel p W Tmj T mj e o pixel gt i,j é zero, ou seja p = gt i,j e a maior distância entre p e gt i,j é T mj /2 2. Uma vez que o processo de comparação entre as bordas obtidas e bordas ideais considera a janela W Tmj T mj, essa busca fica restrita à distância euclidiana em R 2 d 2 [0, T mj /2 2]. Para a avaliação dos detectores de bordas, é considerada a variação de distâncias dentro desse intervalo. Por exemplo, se for tomado o limiar T mj = 5 então, em uma janela de vizinhança W 5 5, tem-se as seguintes distâncias entre o pixel central g i,j e os demais pixels de W : {0, 1, 1.4, 2, 2.2, 2.8}. A avaliação pode ser restringida à busca por bordas com distância 0, ou seja, o casamento de pixels somente é aceito quanto b i,j = gt i,j.a avaliação pode ser estendida aos pixels com distância de no máximo 1.4, em que a busca por pixels de borda é estendida à vizinhança W 3 3 do pixel central gt i,j. Conforme a distância é aumentada, flexibiliza-se a busca por bordas em uma região próxima ao pixel em análise. A partir das medidas de sensibilidade e taxa de falso alarme, o espaço ROC (Receiver Operating Characteristics) é usado para avaliar os resultados de classificação de um detector de bordas. A figura 1 ilustra o espaço ROC de um detector de bordas, o qual é um classificador discreto. O espaço ROC de um detector de bordas mostra um ponto, o par ordenado (Razão de Falso Positivo (RFP), Razão de Verdadeiro Positivo (RVP)). Deve-se observar na figura 1 alguns pontos indicados com significados importantes. O ponto (0,1) representa um resultado de detecção de bordas perfeito, ou seja, nenhum falso positivo foi encontrado e todos os verdadeiros positivos foram classificados. Este caso pode ser representado pelo detector D. O ponto (x,0) representa o pior caso, ou seja, o detector de bordas não apresenta nenhum verdadeiro positivo. No ponto inferior esquerdo (0,0) o detector de bordas não apresenta nenhuma saída. A linha diagonal que vai do ponto (0,0) ao ponto (1,1) divide o espaço ROC em áreas de classificação boas ou ruins e é também chamada de linha de não discriminação (random guess). De maneira geral, um ponto no espaço ROC é melhor que outro se ele está mais à noroeste, em que a razão dos verdadeiros positivos é maior e/ou a razão de falsos positivos é menor. Classificadores no lado esquerdo do gráfico ROC (perto do eixo Y) são ditos conservadores, pois fazem classificações positivas somente com uma evidência forte, portanto comentem poucos falsos positivos. Classificadores no lado direito são ditos liberais, pois fazem classificações positivas com pouca evidência, mas cometem muitos erros falsos positivos. Na Figura 1, A 286
4 Razão de Verdadeiros Positivos (Sensibilidade) D perfeito A Melhor C Pior linha de não discriminação (Random Guess) Razão de Falsos Positivos (1 Especificidade) Figura 1. Espaço ROC de um detector de bordas. B C Início 1. Gerar a população inicial 2. Repita até obter 200 gerações sem evolução (a) Aplicar o Detector de Bordas FUNED e Avaliar a População; (b) Selecionar a Elite; (c) Repita até gerar nova população i. Selecionar dois indivíduos; ii. Cruzar esses indivíduos gerando dois novos indivíduos; (d) Realizar a mutação da população gerada; (e) Verifica se houve evolução; Fim Figura 2. Algoritmo Genético Implementado é mais conservador do que C. Classificadores sobre a linha diagonal são considerados classificadores aleatórios (Na Figura 1, Béumclassificador aleatório) 4. Método de Seleção Automática de Parâmetros de Detectores de Bordas A geração manual de parâmetros para obtenção de bordas ótimas de uma imagem é uma tarefa que demanda bastante tempo do usuário. O uso de uma técnica de otimização evolucionária, tais como algoritmos genéticos, é bastante útil, uma vez que o problema pode ser visto como um problema de otimização combinatorial. Assim, a automatização do processo de ajuste dos parâmetros do detector de bordas FUNED é feita por meio de um algoritmo genético. O ajuste dos parâmetros utiliza as informações de avaliação quantitativa das bordas obtidas em diferentes passos. A figura 2 apresenta o algoritmo correspondente ao algoritmo genético implementado. Nas subseções seguintes são apresentados os passos do algoritmo desenvolvido, considerando as seguintes questões: o esquema de codificação dos cromossomos; a metodologia empregada para produzir a população inicial; a função objetivo; os operadores genéticos de seleção, cruzamento, mutação, elitismo; e o critério de parada O esquema de Codificação A codificação de uma solução do problema em um cromossomo é uma questão crucial para os algoritmos genéticos. Considerando que a seleção de parâmetros do detector FUNED é um problema de otimização restrita, o esquema de codificação real de variáveis e um operador de busca, que respeite as regiões contínuas no espaço de busca, tem desempenho melhor do que o esquema de codificação binária [8]. Portanto, utiliza-se nesta implementação o esquema de codificação real dos cromossomos. O espaço de busca do problema em questão estão delimitados dentro das seguintes faixas de valores: W [2, 5], Threshold(Thr) [0, 1] e σ [1, 100]. Observa-se que os valores para W e σ foram restringidos por meio de avaliações empíricas Produção da População Inicial Pelo esquema de codificação escolhido, o espaço da solução coincide com o espaço de cromossomo. O tamanho da população pode influenciar no tempo de processamento do algoritmo e uma população inicial pequena pode prejudicar a convergência do algoritmo. Assim, foi escolhido para esse problema uma população inicial de 100 indivíduos. Para a produção dos indivíduos da população inicial, os valores iniciais dos parâmetros projetados são distribuídos no espaço de solução de maneira mais uniforme possível por meio de cálculos que consideram números aleatórios em combinação com os espaços de busca de cada um dos parâmetros em questão. Cada cromossomo, C i,da população inicial tem a forma C i = (W i,th i,σ i ) Função Objetivo Conforme apresentado na seção 3, os resultados de classificação de um detector de bordas pode ser avaliado pelo espaço ROC. Assim, a técnica de avaliação quantitativa de detectores de bordas é utilizada nesta implementação como a função objetivo à qual cada indivíduo da população 287
5 é submetido. Portanto, dada uma imagem de entrada, cada indivíduo da população inicial é submetido ao detector de bordas FUNED e a imagem borda resultante é submetida à avaliação quantitativa. Dado o resultado desta avaliação, o qual é um ponto no espaço ROC, calcula-se a distância entre este ponto ao ponto (O,1), que é o resultado ótimo para uma detecção de bordas perfeita. Após os cálculos, os indivíduos são ordenados conforme sua aptidão, onde as menores distâncias representam as melhores soluções para o problema Seleção Após a aplicação da função objetivo, seleciona-se os 45 melhores indivíduos da população corrente para o processo de reprodução, permitindo que estes indivíduos possam passar as suas características às próximas gerações. Essa escolha é feita por amostragem direta em que os indivíduos que possuem as menores distâncias do ponto ótimo são selecionados para gerar a nova população Cruzamento A implementação do cruzamento está intimamente relacionada ao esquema de codificação empregado no problema, que no caso desta implementação é a codificação real. Portanto, neste trabalho adota-se a técnica de cruzamento de média simples, que consiste em gerar um novo cromossomo usando a média simples de dois cromossomos pais, conforme é mostrado pela equação 5: 4.6. Mutação C 1 = (P 1 + P 2 ). (5) 2 Na fase de mutação é preciso estabelecer uma porcentagem da população a ser mutada. Para a taxa de mutação é preciso escolher o operador de mutação de maneira a manter a diversidade da população nos primeiros passos do algoritmo genético e evitar a precocidade. Nesta implementação adota-se a probabilidade de mutação adaptativa, conforme a equação 6, em que nos passos iniciais do algoritmo, tem-se uma taxa de mutação maior e a medida que o algoritmo caminha para a solução ótima o valor da taxa de mutação vai diminuindo. exp( 1.5 t/2) P m = tam pop (6) L em que t é a geração da iteração genética, tam pop é o tamanho da população, L = 3 é o comprimento do indivíduo Elitismo O elitismo é uma técnica utilizada para melhorar a convergência do algoritmo, em que se escolhe o melhor (ou melhores) indivíduos de cada geração, passando-o para a geração seguinte, sem que sofra cruzamento e mutação. Desta forma, mantém-se indivíduos cujas características são consideradas boas para a solução do problema. A utilização do elitismo faz com que o algoritmo convirja mais rápido, pois evita que os elementos mais aptos sejam perdidos ou modificados. Nesta implementação, são escolhidos os dois melhores indivíduos para formarem a próxima geração Critério de Parada O algoritmo termina quando o melhor resultado obtido sobre as últimas gerações não se altera. Assim, para o algoritmo implementado, a diferença entre a menor distância do passo corrente e a menor distância do passo anterior deve ser menor do que 10 5 em 200 gerações. 5. Resultados e Discussões Um conjunto de imagens sintéticas e suas respectivas imagens ideais foram utilizadas para a validação do sistema automático para seleção automática de parâmetros do detector de bordas FUNED. Os resultados obtidos até o momento mostram a viabilidade da técnica desenvolvida no sentido de auxiliar o usuário na tarefa automática de seleção dos parâmetros. Sabe-se que o comportamento dos algoritmos genéticos é influenciado pelos parâmetros utilizados, para tanto, se faz necessário ainda estudar de que forma os parâmetros estabelecidos na implementação afetam o comportamento dos algoritmos genéticos. 6. Conclusões Este trabalho apresenta um novo método para seleção automática de parâmetros de detector de bordas. Os resultados da avaliação quantitativa podem ser usados como a função objetivo de um algoritmo genético que procura pelo melhor conjunto de parâmetros de acordo com a correspondência entre diferentes resultados de detecção de bordas. O propósito do algoritmo desenvolvido é melhorar o uso prático dos detectores de bordas paramétricos e ajudar com a incerteza associada com a seleção dos parâmetros. O método proposto é baseado em uma imagem ground truth, o que leva a necessidade da existência de uma imagem ground truth traçada manualmente. Para um conjunto de imagens com características semelhantes às imagens testadas, a técnica oferece uma maneira de ajustar os parâmetros automaticamente. Como trabalho futuro, pretende-se investigar uma maneira de construir mapas de 288
6 bordas denominados potenciais ground truth, produzidos por um conjunto de resultados de detecção por diferentes conjuntos de parâmetros. Neste caso, ao considerar um conjunto inicial de parâmetros do detector, de tamanho N por exemplo, pode-se utilizar essas informações para construir N diferentes resultados de detecção de bordas. Um pixel identificado como uma borda por todos os resultados de detecção terá uma grande chance de ser um pixel de borda, ou seja terá a mais alta correspondência a uma borda, e uma localização identificada como borda por poucos resultados de detecção terá baixa correspondência a uma borda. A teoria fuzzy será investigada para a modelagem deste problema, em que, a partir de diversos resultados de detecção de bordas, em que são variados os parâmetros do detector, constrói-se potenciais ground truth, o que torna a técnica de ajuste automático de bordas independente da existência de imagens ideais traçadas manualmente. Referências [1] I. A. G. Boaventura. Números Fuzzy em Processamento de Imagens Digitais e suas Aplicações na Detecção de Bordas. PhD thesis, Escola de Engenharia de São Carlos, USP, [2] I. A. G. Boaventura and A. Gonzaga. Border detection in digital images: An approach by fuzzy numbers. In Seventh International Conference on Intelligent Systems Design and Applications, pages IEEE Computer Society, [3] I. A. G. Boaventura and A. Gonzaga. Edge detection in digital images using fuzzy numbers. International Journal of Innovative Computing and Applications, 2(1):1 12, [4] R. Gonzalez and R. Woods. Digital Image Processing. Prentice Hall, 2nd edition, [5] J. H. Holland. Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor, [6] A. Koren and Y. Yitzhaky. Automatic selection of edge detector parameters based on spatial and statistical measures. Computer VIsion and Image Understanding, 102: , [7] Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag, [8] A. Santa Catarina and S. L. Bach. Estudo do efeito dos parâmetros genéticos sobre a solução otimizada e sobre o tempo de convergência em algoritmos genéticos com codificações binária e real. Acta Scientiarum. Technology, [9] L. Xia Xinghua and W. Chengdong. Automatic parameters selection method of edge detector in thr unstruturec environment. In Proceedings of the IEEE International Conference on Robotics and Biomimetics, Barcelona, Spain, pages , [10] Y. Yitzhaky. A method for objective edge detection evaluation and detector parameter selection. IEEE Transations on Pattern Analysis and Machine Intelligence, 8: ,
de Bordas em Imagens Digitais
Anais do CNMAC v.2 ISSN 1984-820X Avaliação Quantitativa de um Método Automático de Extração de Bordas em Imagens Digitais Inês A. Gasparotto Boaventura Departamento de Ciências de Computação e Estatística,
Leia maisMétodo de Avaliação de Detector de Bordas em Imagens Digitais
Método de Avaliação de Detector de Bordas em Imagens Digitais Inês A. G. Boaventura DCCE, IBILCE, UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto, SP, Brasil ines@ibilce.unesp.br Adilson
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisOtimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
Leia maisAPLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS
Leia maisAula 9. Prof. Adilson Gonzaga
Aula 9 Prof. Adilson Gonzaga Mapeamento Atribuir uma Instância a uma classe. Cada Instância é mapeada para um elemento do conjunto de Rótulos de Classe {p,n} p positivo n negativo Atribui uma Instância
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 maisDetecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
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 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 maisCAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR
CAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR Segundo Gonzales e Wintz (1987), um dos primeiros passos do processo de análise de uma imagem digital consiste em particioná-la em seus elementos constituintes. O
Leia maisMetahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Metahuerísticas: Algoritmos Genéticos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 8) Meta-heurísticas Classificação de métodos heurísticos: os métodos
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
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 maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisExtração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
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 maisInterpolação de Curvas de Nível por Difusão de Calor
Interpolação de Curvas de Nível por Difusão de Calor Roberto de Beauclair Seixas Luiz Henrique de Figueiredo Cláudio Antonio da Silva {tron,lhf,cads}@visgraf.impa.br Motivação Identificação de um método
Leia maisAlgoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Leia mais4 Detecção de Silhueta
4 Detecção de Silhueta No decorrer deste capítulo é proposto um modelo de detecção da silhueta da mão capaz de lidar com os erros da segmentação e ruídos na sua morfologia. Num primeiro passo são considerados
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia maisANÁLISE DA SEGMENTAÇÃO DO VENTRÍCULO ESQUERDO EM IMAGENS DIGITAIS DE ECOCARDIOGRAMA POR DIFERENTES MÉTODOS DE CONTORNOS ATIVOS
ANÁLISE DA SEGMENTAÇÃO DO VENTRÍCULO ESQUERDO EM IMAGENS DIGITAIS DE ECOCARDIOGRAMA POR DIFERENTES MÉTODOS DE CONTORNOS ATIVOS José de Arimatéia CARVALHO SILVA JÚNIOR(1); Tarique SILVEIRA CAVALCANTE(1);
Leia maisSÍNTESE DE TEXTURAS UTILIZANDO OS ALGORITMOS GENÉTICOS DA MÍNIMA ENTROPIA MODIFICADO E DOS MODELOS DE TEXTURA MODIFICADO
SÍNTESE DE TEXTURAS UTILIZANDO OS ALGORITMOS GENÉTICOS DA MÍNIMA ENTROPIA MODIFICADO E DOS MODELOS DE TEXTURA MODIFICADO Robson Vieitas Ramos e Edna Lúcia Flôres Universidade Federal de Uberlândia Faculdade
Leia maisMétodos de Segmentação de Imagem para Análise da Marcha
Métodos de Segmentação de Imagem para Análise da Marcha Maria João M. Vasconcelos, João Manuel R. S. Tavares maria.vasconcelos@fe.up.pt, tavares@fe.up.pt 3º Congresso Nacional de Biomecânica 11-12 Fevereiro
Leia maisEXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq ( )
USP UNIVERSIDADE DE SÃO PAULO EP ESCOLA POLITÉCNICA EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq (2000-2001) LEONARDO
Leia maisFERRAMENTAS ESTATÍSTICAS PARA ANÁLISE DA CLASSIFICAÇÃO
Objetivos: - QUANTIFICAR OS ERROS COMETIDOS NA CLASSIFICAÇÃO - MEDIR A QUALIDADE DO TRABALHO FINAL - AVALIAR A APLICABILIDADE OPERACIONAL DA CLASSIFICAÇÃO Fontes de erro das classificações temáticas Os
Leia maisMETODOLOGIA DE MEDIÇÃO AUTOMÁTICA DE DUREZA BRINELL POR MEIO DE TÉCNICAS DE VISÃO COMPUTACIONAL
METODOLOGIA DE MEDIÇÃO AUTOMÁTICA DE DUREZA BRINELL POR MEIO DE TÉCNICAS DE VISÃO COMPUTACIONAL Vilson Berilli Mendes Programa de Pós-Graduação em Engenharia Mecânica Universidade Federal Fluminense Grupo
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia mais5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia maisResumo. Como um agente busca de seqüência de ações para alcançar seus objetivos.
Resumo Inteligência Artificial Russel e Norvig Capítulos 3,4 e 5 Prof. MsC Ly Freitas UEG Resolução de problemas por meio de busca Como um agente busca de seqüência de ações para alcançar seus objetivos.
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 maisUm Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico
Um Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico Amarísio da S. Araújo 1, Haroldo F. de Campos Velho 2, Vitor C.
Leia maisPlanejamento e Otimização de Experimentos
Planejamento e Otimização de Experimentos Planejamentos Fatoriais Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com Planejamento Fatorial Fatores ou Variáveis Temperatura
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisCARACTERÍSTICAS ESTÁTICAS DE SISTEMAS DE MEDIÇÃO
DETERMINAÇÃO DA DERIVA DO ZERO: ENSAIO: Manter P o = 0 e variar a temperatura T dentro da faixa de temperaturas ambientes [T max, T min ] previstas para uso do SM. Os ensaios feitos em CÂMARA de temperatura
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 maisCARACTERIZAÇÃO DE CROMOSSOMOS DE TARTARUGAS DA ESPÉCIE PHRYNOPS GEOFFROANUS (TESTUDINES: PLEURODIRA)
CARACTERIZAÇÃO DE CROMOSSOMOS DE TARTARUGAS DA ESPÉCIE PHRYNOPS GEOFFROANUS (TESTUDINES: PLEURODIRA) Ivan Botacini Zanon Rua Lourenço Manzano, 218 Neves Paulista - SP (17) 3271-1398 ivanzanon@gmail.com
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisExercício Área - SPRING
Exercício Área - SPRING Figura 01 - Visualização dos dados contidos no projeto ativo. Comentários - Nesta etapa foi aberto o banco de dados, neste caso denominado São Paulo e foi definido o projeto, também
Leia maisA procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP
A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP Lúcia Sousa Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Viseu Fernanda Sousa Faculdade de Engenharia
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 maisRealce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
Leia maisFiltragem. 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 maisPMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
Leia maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisSimulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
Leia maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
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 maisMEDIDAS E INCERTEZAS
MEDIDAS E INCERTEZAS O Que é Medição? É um processo empírico que objetiva a designação de números a propriedades de objetos ou a eventos do mundo real de forma a descrevêlos quantitativamente. Outra forma
Leia maisInteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
Leia maisCAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO
182 CAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO Neste trabalho foi proposta uma metodologia para a automação da resseção espacial de imagens digitais baseada no uso hipóteses
Leia maisIntrodução ao Processamento de Imagens Digitais Aula 01
Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação
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 maisAnálise de Correspondência em acessos de pimenta
Análise de Correspondência em acessos de pimenta Bruno Caetano Vidigal 1 Paulo Roberto Cecon 2. 1 Introdução A Análise de Correspondência (AC) é uma das diversas técnicas de análise multivariada desenvolvida
Leia maisFundamentos da Computação Gráfica
Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno (1322198) Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
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 maisBancos de Dados Geográficos. Modelagem Dinâmica EspaçoTemporal para Análise do Uso e. Ocupação do Solo
Bancos de Dados Geográficos Modelagem Dinâmica EspaçoTemporal para Análise do Uso e Ocupação do Solo Prólogo Introdução Tradicionalmente, os Sistemas de Informação Geográfica são baseados em suposições
Leia maisFiltros espaciais. Processamento e Recuperação de Imagens Médicas. Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP)
Processamento e Recuperação de Imagens Médicas Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP) 1 Propriedades Operadores de suavização os elementos da máscara são positivos e
Leia maisProcessamento Digital de Sinais:
Processamento Digital de Sinais: Conceitos e Aplicações Joseana Macêdo Fechine Régis de Araújo IC-DSC-UFCG 1 Por que estudar PDS? 2 PDS Conceitos Básicos Sinais Padrões de variações que representam uma
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
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 maisFILTRAGEM DE IMAGEM NO DOMÍNIO ESPACIAL (Operações aritméticas orientadas à vizinhança)
PROCESSAMENTO DE IMAGEM #5 Operações Aritméticas Orientadas à Vizinhanças Filtragem no Domínio Espacial (Máscaras) Máscaras de suavização (média e mediana) e aguçamento (laplaciano) Correlação x Convolução
Leia maisOtimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
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 maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Leia maisSimulação Monte Carlo
Simulação Monte Carlo Nome do Prof. Fernando Saba Arbache Email do prof. fernando@arbache.com Definição Análise de risco faz parte da tomada de decisão Surgem constantemente incertezas, ambiguidades e
Leia maisProcessamento e Análise de Imagens
Processamento e Análise de Imagens Prof. Moacir Ponti www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2017/1 Moacir Ponti Jr. (ICMCUSP) Processamento e Análise de Imagens
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisRestauração de Imagens. Tsang Ing Ren - UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Restauração de Imagens Tsang Ing Ren - tir@cin.ufpe.br UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Tópicos! Introdução! Modelo de degradação/restauração! Modelo de ruído! Restauração
Leia maisAlterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e DOMINIQUE PIRES SILVA
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e 2010. DOMINIQUE PIRES SILVA Universidade Federal Rural do Rio de Janeiro E-mail: nique_rhcp@hotmail.com
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisMINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS - INEP DIRETORIA DE AVALIAÇÃO PARA CERTIFICAÇÃO DE COMPETÊNCIAS
MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS - INEP DIRETORIA DE AVALIAÇÃO PARA CERTIFICAÇÃO DE COMPETÊNCIAS Exame Nacional de Certificação de Competências de Jovens e
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisBC Fenômenos Mecânicos. Experimento 1 - Roteiro
BC 0208 - Fenômenos Mecânicos Experimento 1 - Roteiro Movimento Retilíneo Uniforme (MRU) Professor: Turma: Data: / /2015 Introdução e Objetivos Na disciplina de Fenômenos Mecânicos estamos interessados
Leia maisFace Detection. Image Processing scc moacir ICMC/USP São Carlos, SP, Brazil
Face Detection Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Face Detection 2011 1 / 24 Agenda 1 Detectando faces 2
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisUma abordagem Fuzzy para Detecção de Bordas em Imagens Digitais
Uma abordagem Fuzzy para Detecção de Bordas em Imagens Digitais Inês Aparecida Gasparotto Boaventura Depto de Ciências de Computação e Estatística, IBILCE, UNESP, 15054-000, São José do Rio Preto, SP E-mail:
Leia maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia maisCompressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA. Utilizando JAVA. TCC - Monografia
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA TCC - Monografia Wanderson Câmara dos Santos Orientador : Prof. Dr. Luiz Felipe de Queiroz Silveira 1 Departamento
Leia maisGERAÇÃO DO CONJUNTO DE REGRAS DE INFERÊNCIA PARA UM CONTROLADOR NEBULOSO USANDO ALGORITMOS GENÉTICOS
o. SBAI Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 8- de Setembro de 999 GERAÇÃO DO CONJUNTO DE REGRAS DE INFERÊNCIA PARA UM CONTROLADOR NEBULOSO USANDO ALGORITMOS GENÉTICOS Yván J. Túpac,
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 maisEstimação parâmetros e teste de hipóteses. Prof. Dr. Alberto Franke (48)
Estimação parâmetros e teste de hipóteses Prof. Dr. Alberto Franke (48) 91471041 Intervalo de confiança para média É um intervalo em que haja probabilidade do verdadeiro valor desconhecido do parâmetro
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
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 maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisCLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC
p. 001-007 CLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC RAPHAEL SOUZA RIBEIRO DENILSON DORTZBACH. JUAN ANTÔNIO ALTAMIRANO FLORES Universidade
Leia maisClassificação de Folhas por Tamanho e Forma Através de Descritores Geométricos e Análise dos Componentes Principais
Classificação de Folhas por Tamanho e Forma Através de Descritores Geométricos e Análise dos Componentes Principais MARCOS C. DE ANDRADE, LÚCIO C. M. PINTO Centro de Desenvolvimento da Tecnologia Nuclear
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia maisAlgoritmo Genético. Teoria da Evolução Princípio seguido pelos AGs
Algoritmo Genético Técnica de busca e otimização. Metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John Holland (1975) e seus
Leia maisEstatística
Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...
Leia mais