Fusão Hierárquica de Medidas de Textura e Níveis de Descontinuidade para Extração de Estradas em Imagens de Satélite de Alta Resolução
|
|
- Iago Fidalgo Henriques
- 6 Há anos
- Visualizações:
Transcrição
1 Fusão Hierárquica de Medidas de Textura e Níveis de Descontinuidade para Extração de Estradas em Imagens de Satélite de Alta Resolução José Oniram de Aquino Limaverde Filho 1, Díbio Leandro Borges 1, Osmar Abílio de Carvalho Junior 1 Departamento de Ciência da Computação Universidade de Brasília - UnB Campus Darcy Ribeiro, Brasília DF, Brasil LSIE Laboratório de Sistemas de Informações Espaciais Departamento de Geografia Universidade de Brasília UnB Campus Darcy Ribeiro, Brasília DF, Brasil joniram_15@hotmail.com, dibio@unb.br, osmarjr@unb.br Abstract Automatic object detection in satellite images is still an unsolved problem that many researchers are trying to address. In this context road detection is of particular importance for transportation and environmental applications. In this paper we propose a novel algorithm for detection roads in high resolution pancromatic imagery. It first detects and labels five levels of discontinuities in the images, and using the same original images fractal dimension and homogeneity measures of texture are computed. Those information are then fused in order for having a set of hypotheses of the pixels being actually roads. Results are presented showing roads detected in ALOS images of a region in Brazil. 1. Introdução Extração automática de objetos, e elementos como estradas é ainda um problema não resolvido, e de intensa pesquisa nas áreas de Processamento de Imagens e Reconhecimento de Padrões [1]. Em particular, com a disponibilização de imagens de satélite de alta resolução, esse é um problema de extrema relevância para avaliar logística em transporte e rotas não oficiais em vastas regiões []. Nos últimos anos, métodos para extração automática de estradas vêm sendo desenvolvidos utilizando principalmente imagens de satélite (média e alta resolução), ou imagens aéreas. Em [4], Shi e Zhu propõem uma aproximação para detecção de estradas a partir da análise das características de imagens de satélites de alta resolução. Em [6], Zanin e Poz propõem uma detecção automática combinando os resultados da segmentação da imagem em alta e baixa resolução e a extração automática dos segmentos de rodovias, para gerar uma descrição das bordas dos cruzamentos dos segmentos de rodovias que já foram extraídos por uma metodologia pré-existente. Em [], Mokhtarzdae & Zoej propõe um classificador de redes neuronais artificiais em dados de textura da imagem para extrair estradas de imagens do sat élite IKONOS. Todas as medidas são colocadas e treinadas na rede para classificação final. Em [3], é proposto um método para detecção de estradas e marcas de pivôs em imagens pancromáticas de alta resolução em que se consideram as magnitudes e direções de descontinuidades detectadas nas imagens como evidências de caminhos, estradas ou trilhas menores. Neste trabalho é proposto um novo algoritmo para a extração de estradas de imagens de alta resolução. Com base no trabalho anterior em [3], uma nova etapa de decisão é adicionada, onde características de textura são extraídas e adicionadas ao processo de seleção e hipótese de estradas por um método de fusão. Duas técnicas de extração de texturas são testadas, uma a partir de dimensão fractal e outra a partir de matriz de coocorrência. Testes são apresentados mostrando significativa melhora na detecção de estradas.
2 . Detecção Automática de Estradas e Trilhas de Pivôs Na abordagem apresentada em [3], divide-se o processamento em quatro módulos principais: Primeiro, uma filtragem espacial é aplicada a imagem para a extração de magnitudes e direções da descontinuidade. Uma quantização para as magnitudes e direções é introduzida e um algoritmo de consistência hierárquica é desenvolvido para manter regiões da imagem que apresentem fortes candidatos a hipóteses de estradas. A partir de um algoritmo de seleção e verificação de consistências, os candidatos são transformados em segmentos de retas e, assim, obtendo as hipóteses iniciais de estradas. Por último, com o objetivo de eliminar partes desconectadas, aplica-se a transformada de Hough para completar as estradas detectadas e também identificar possíveis trilhas de pivôs. No módulo inicial, aplica-se à imagem um filtro espacial com o operador Sobel de tamanho 3x3 nos componentes x e y, gerando duas matrizes: Matriz de Magnitudes (G) e Matriz de Direções (T). Cada magnitude se relaciona a uma direção e vice-versa. No módulo seguinte, propõe-se uma quantização em 5 níveis para a magnitude, utilizando como limite inferior o menor valor em G e como limite superior o maior valor em G. Os níveis foram caracterizados pelas seguintes cores na ordem crescente de magnitude: preto, verde, azul, amarelo e vermelho. Em relação às direções, são utilizadas 8 direções, de 0 a 7. Em seguida, essas matrizes são decompostas em janelas 7x7 e armazenadas em uma Lista Aberta simplesmente Encadeada. As informações armazenadas são: i) Valores das magnitudes quantizadas ii) Valores das direções iii) A freqüência de cada magnitude na janela iv) A freqüência de cada direção na janela A seleção das janelas é realizada a partir de dois processos. Primeiro, mantém-se, em cada janela, somente as magnitudes que apresentem a direção predominante da janela, a qual corresponde à direção, dentre as 8 possíveis, que apresente a maior freqüência. Segundo, um parâmetro de profundidade do processamento é introduzido, ou seja, mantêm-se somente as janelas que contenham um valor limite de magnitude. No terceiro módulo, introduz-se o conceito de macrojanela, ou seja, as matrizes são decompostas em janelas de tamanho 9x9. Nesta etapa, somente serão mantidas as magnitudes que apresentem a direção predominante da macro-janela, a qual, neste caso, é aquela em que a soma das magnitudes em cada uma das 4 direções (horizontal, vertical, diagonal principal e diagonal secundária) é maior. Os pixels que serão mantidos são aqueles que estão na janela central 3x3 da macro-janela e na direção predominante. Caso haja algum pixel de valor 0, esse sofrerá um upgrade para o menor valor de magnitude na direção predominante. Deve-se ressaltar que a vizinhança apenas reforça a seleção da direção da janela central, ou seja, os valores da vizinhança não são alterados, estes somente serão alterados quando estiverem na janela central do processamento. Este é o princípio denominado de consistência. Ao final do processamento de consistência, as janelas vão apresentar somente segmentos de retas em uma determinada direção. No entanto, estes segmentos podem não se ligar à vizinhança, logo se propõe aplicar um prolongamento, em determinadas direções, nas extremidades até n pixels ou até que se encontre algum outro ponto com valor diferente de 0. Após o prolongamento, realiza-se a binarização dos valores. Os segmentos de retas presentes são denominados de sementes, ou seja, as hipóteses iniciais de estradas. No módulo final apresentado em [3], identificam-se as hipóteses finais de estradas utilizando-se a transformada paramétrica de Hough para detecção de retas (estradas) e de círculos (trilhos de pivô). Contudo, informações relevantes no processo de detecção de estradas podem ser extraídas a partir da análise de textura da imagem de alta resolução [1,]. Neste trabalho propõe-se um novo algoritmo, onde a partir das hipóteses iniciais, ou sementes, serão acrescidas informações de textura e combinadas às hipóteses de estradas por um método de fusão, o qual a partir de um limiar da informação de textura reforçará, ou não, os níveis de hipóteses do mecanismo de detecção das estradas. Duas técnicas de extração de texturas são testadas e mostradas a seguir. 3. Dimensão Fractal Um avanço significativo em processamento digital de imagens é devido a utilização de técnicas baseadas em fractais, principalmente naquelas que envolvem a extração de informações sobre textura. Dimensão fractal é o conceito chave na teoria Fractal e, de certa forma, reflete a aspereza dos diferentes elementos de textura em imagens de sensoriamento remoto [6]. Uma das técnicas utilizadas para calcular a dimensão fractal em uma imagem é o Movimento Browniano
3 Fracional (MBF), a qual foi desenvolvida por Chi-Chang Chen, John S. DaPonte e D. Martin Fox em 1989 para localização de bordas baseado no princípio que a dimensão fractal apresenta valores menores no limite entre texturas diferentes e tende a ser constante em regiões de textura uniforme. Nessa técnica, o valor da dimensão fractal de cada pixel é obtido através do cálculo da dimensão fractal de um bloco de dimensões 7X7 pixels centrado neste pixel. Para cada janela 7x7 na imagem, as distâncias inteiras possíveis são dist(i) =[1,,...,7]. Assim, para cada distância i possível, determina-se: i) A quantidade ND(i) de pares de pixels com a mesma parte inteira da distância entre eles. ii) A média absoluta da diferença de intensidade (ΔI) para os pares de pixels com a mesma parte inteira da distância entre eles. media( i) Em seguida, plotam-se os pontos [log(media(i)), log(dist(i))] e utiliza-se um método de ajuste de retas para encontrar o coeficiente angular resultante H. A partir deste valor, calcula-se a dimensão fractal: D= H 3 I(x, y 3.1 Dimensão fractal e detecção de estradas Devido ao potencial de detecção de bordas, o MBF foi selecionado para reforçar aqueles pixels que possuem uma evidência forte de presença de estradas e, a partir disso, adicionar novas evidências de estradas. Aplicando o método ao conjunto de imagens testadas, percebe-se que as trilhas de estradas se tornam bem definidas a partir de um limiar dentro de um intervalo de [.94,.97]. As trilhas de estradas se encontram envolvidas por uma região preta nos dois lados, enquanto as trilhas são brancas. Assim, propõe-se uma técnica para identificar esse traço característico e, assim, melhorando a consistência hierárquica após a quantização das magnitudes no segundo módulo. O método proposto para identificação desse traço característico é percorrer a imagem, após aplicar o MBF, selecionando janelas 5x5 que apresentem até no máximo 3 elementos pretos em seu interior. Caso isso seja satisfeito, verifica-se se há pelo menos elementos pretos em duas direções paralelas (horizontal ou vertical). Se isto for verificado, os pixels correspondentes ND( i) ) I(x, y 1 1 ) dessa janela sofrerão um aumento em seu nível de quantização, reforçando a possibilidade de pertencerem a uma estrada. 4. Medidas de Textura por Matriz de Coocorrência Para descrição de padrões de texturas em imagens, normalmente utilizam-se três tipos de abordagens: a estatística, a estrutural e a espectral. A abordagem estatística nos possibilita extrair medidas da distribuição dos níveis de cinza em imagens: como média, variância, desvio padrão, homogeneidade e entropia. Dentro dessa abordagem, uma das técnicas mais utilizada é a matriz de Co-ocorrência. Vários parâmetros texturais, obtidos a partir desta matriz, ajudam a extrair informações gerais da imagem. A idéia é percorrer a imagem e obter a freqüência das diferentes combinações de pares de pixels que ocorrem em uma janela M x N da imagem de acordo com uma determinada direção. Normalmente, calculam-se 4 matrizes de co-ocorrência para as seguintes direções: 0º, 45º, 90º e 135º [1]. A partir da matriz de co-ocorrência, é possível calcular algumas propriedades da imagem e caracterizá-la através de descritores. Os mais conhecidos são: 1) Contraste C(k,n)= ) Entropia 3) Variância (i 4) Homogeneidade i j i j g ij onde g ij corresponde ao valor do elemento na matriz de co-ocorrência referente a posição (i,j), e μ corresponde a média dos elementos da janela M x N. 4.1 Homogeneidade e detecção de estradas j) E(k, n)= g V(k,n)= H(k,n)= (i i j i j ij ( log gij ) μ) g g ij ij 1+ i j
4 Determinando a matriz de co-ocorrência para a imagem original e calculando os descritores, observa-se que o descritor de Homogeneidade fornece informações relevantes para a extração de novas hipóteses de estradas a partir de um limiar obtido durante os testes. O descritor fornece uma imagem com valores de pixels pertencentes ao intervalo de [0, 1]. Segmentando a imagem em dois níveis no sentido de realçar a separação entre estradas e não estradas, percebe-se que as trilhas de estradas se tornam bem características a partir de um limiar dentro de um intervalo de [0.9, 0.31]. No método apresentado aqui propomos que os pixels correspondentes que estão abaixo do limiar fornecido sofrerão um aumento em seu nível de quantização, reforçando a hipótese do pixel de pertencer a uma trilha de estrada. 5. Testes e Resultados Visando a avaliação dos métodos propostos, foram realizados testes com duas imagens geradas por satélites de sensoriamento remoto, o ALOS(Advanced Land Observing Satellite), e que são relativas a região oeste do estado da Bahia, Brasil. O programa de visualização das imagens utilizado foi o ENVI 4.3 e a implementação dos métodos propostos, junto com o método em [3], foi em C++ Builder 6.0. Durante o processamento, o parâmetro de profundidade escolhido foi até a quarta magnitude [3]. Fig.. Imagem 0, ALOS, Oeste Bahia. A imagem 01 apresenta um tamanho de 40 x 40 pixels, enquanto a imagem 0 apresenta um de 55 x 546 pixels. O resultado da técnica MBF para determinar a dimensão fractal das imagens, junto com a segmentação proposta pode ser observado nas Figuras 03 e 05. O limiar utilizado foi.95 em que valores maiores ou iguais ao limiar são mantidos (cor branca) e, se menores, são descartados (cor preta). Verificou-se que este valor foi satisfatório para o conjunto de imagens utilizadas durantes os testes. Para valores menores que o limiar, observa-se que a imagem tende a perder o traço característico que se deseja identificar, enquanto, para valores maiores, observa-se uma queda na qualidade do traço característico na imagem, aumentando a probabilidade do método proposto não identificar somente as trilhas de estradas. Os resultados da identificação do traço característico no Fractal das imagens 01 e 0 podem ser visualizados nas Figuras 04 e 06. A Figura 07 apresenta os resultados da segmentação da imagem, obtidos a partir da matriz de co-ocorrência e do descritor de homogeneidade, sobreposto à imagem 01 e 0, respectivamente. O limiar utilizado foi 0.3 em que valores menores ou iguais ao limiar são mantidos e, se maiores, são descartados. Fig. 1. Imagem 01, ALOS, Oeste Bahia. Fig. 3. Resultado do MBF (dimensão fractal) (esquerda), e segmentação do fractal (direita). Imagem original 01.
5 Fig. 4. Resultado da identificação de evidências de estradas a partir do traço característico para o fractal da imagem 01 Fig. 5. Resultado do MBF (dimensão fractal) (esquerda), e segmentação do fractal (direita). Imagem original 0. Fig. 7. Resultado da identificação de evidências de estradas a partir da Matriz de Co-ocorrência para as imagens 01 (esquerda) e 0 (direita). O resultado da seleção e hipóteses iniciais de estradas para a Imagem 01 obtida a partir do método em [3] pode ser visualizado na Figura 08. Na Figura 09 são mostrados os resultados para a Imagem 01, agora com a fusão das informações de textura pelos métodos aqui propostos, dimensão fractal e co-ocorrência. Avaliando-se a imagem original vê-se que somente elementos consistentes com estradas são adicionados e reforçados. Os elementos mostrados em azul representam hipótese mais forte, e em verde hipótese mínima. Os mesmos testes foram realizados para a Imagem 0 e podem ser visualizados nas Figuras 10 e 11. Novamente as hipóteses de estradas são amplamente reforçadas, mostrando que a fusão das informações de textura a partir do método proposto melhora a detecção das estradas. Fig. 6. Resultado da identificação de evidências de estradas a partir do traço característico para o fractal da imagem 0. Verificou-se que este limiar utilizado foi satisfatório na identificação de novas hipóteses de trilhas de estradas no conjunto de imagens testadas. Para valores menores que o limiar, observou-se que a imagem deixa de identificar algumas trilhas de estradas, enquanto, para valores maiores, percebeu-se que o método proposto identifica outros elementos da imagem, além das trilhas de estradas. Fig. 8. Hipóteses iniciais de estradas, sem a fusão a partir de textura, da Imagem 01.
6 Além disso, houve um acréscimo no número de hipóteses de trilhas de estradas em ambas as imagens. 6. Conclusões Fig. 9. Hipóteses de estradas, com o método de fusão a partir das hipóteses iniciais. Utilizando a dimensão fractal (esquerda) e o do método utilizando a matriz de co-ocorrência (direita) para a Imagem 01 Detecção automática de estradas em imagens de satélite é um problema em aberto e várias técnicas têm sido apresentadas. Neste trabalho é proposto um novo algoritmo para detecção de estradas, onde a partir do trabalho em [3] um método de fusão hierárquica de características de textura (medidas por dimensão fractal e homogeneidade) e níveis de descontinuidade é construído. Resultados são mostrados comparando os níveis de detalhes em imagens de alta resolução, para estradas não pavimentadas, conseguidos. Disponibilização da ferramenta de extração de estradas e validação em diversas áreas do país é meta de trabalhos futuros desenvolvida no LSIE-UnB. Agradecimentos Os autores agradecem a apoios do CNPq, FINATEC e FAPDF e DPP-UnB para a realização deste projeto. 7. Referências Bibliográficas Fig. 10. Hipóteses iniciais de estradas, sem a fusão a partir de textura, da Imagem 0. [1] Mena, J.B., 003. State of the art on automatic road extraction for GIS update: a novel classification. Pattern Recognition Letters, 4(16), pp [] Mokhtarzdae, M., & Valadan Zoej, M.J. Road detection from high resolution satellite images using artificial neural networks. Int. J. of applied earth observation and geoinformation, 9(1), pp [3] Serique, L.M.F.S.; Borges, D.L. & Carvalho Júnior, O.A. Um Método para Detecção Automática de Estradas e Trilhas de Pivôs em Imagens Pancromáticas de Alta Resolução. In Anais do XIV Simpósio Brasileiro de Sensoriamento Remoto (SBSR) 009, Natal, pp Fig. 11. Hipóteses de estradas, com o método de fusão a partir das hipóteses iniciais. Utilizando a dimensão fractal (esquerda) e o do método utilizando a matriz de co-ocorrência (direita) para a Imagem 0. Nos resultados fornecidos pelo método baseado na dimensão fractal, verificou-se a presença de novas trilhas de estradas em relação ao método proposto em [3]. Em relação ao método baseado na matriz de co-ocorrência, observou-se que as trilhas já identificadas pelo método proposto em [3] foram reforçadas, por exemplo, na imagem 01, várias trilhas de cor verde tornaram-se azuis. [4] Shi, W. & Zhu, C. The Line Segment Match Method for Extracting Road Network From High-Resolution Satellite Images, IEEE Trans. Geoscience and Remote Sensing, v.40, n., 00, pp [5] Zanin, R. B. & Poz, A. P. D. Metodologia automática para extração de cruzamento de rodovias em imagens de alta resolução, Revista Brasileira de Cartografia, Vol.55, n., 004, pp [6] Zheng, J.; Yan, L.; He, K. & Suny, Y.The Fractal Method Study to Distinguish Road and Water from the IKONOS Image, IEEE IGARSS 005, pp
Um Método para Detecção Automática de Estradas e Trilhas de Pivôs em Imagens Pancromáticas de Alta Resolução
Um Método para Detecção Automática de Estradas e Trilhas de Pivôs em Imagens Pancromáticas de Alta Resolução Luiz Marcelo Ferreira Sirotheau Serique 1 Díbio Leandro Borges 1,2 Osmar Abílio de Carvalho
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
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 maisAplicação da Esqueletização no Processo de Extração de Rodovias
Anais do CNMAC v.2 ISSN 1984-820X Aplicação da Esqueletização no Processo de Extração de Rodovias Rodrigo Bruno Zanin Universidade do Estado de Mato Grosso (UNEMAT) Departamento de Matemática 78550-000,
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 maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisTELEVISÃO DIGITAL LEEC 2006/2007
TELEVISÃO DIGITAL LEEC 2006/2007 DETECÇÃO DE CONTORNOS GRUPO 6: Hugo Miguel Rodrigues Gonçalves Dinis Guedes Afonso ee01171 ee01148 Introdução Este trabalho tem como objectivo a implementação de métodos
Leia maisTE073 PDS II Programa de Graduação em Engenharia Elétrica
TE073 PDS II Programa de Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Segmentação Os algoritmos
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 maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisE\$QGUp/XL]%UD]LO. 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE
E\$QGUp/XL]%UD]LO 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE O reconhecimento de texturas em imagens é uma atividade importante, que faz parte de uma vasta gama de aplicações em diversas áreas. Dentre elas podemos
Leia maisUNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Leia maisFusão de imagens de Sensoriamento Remoto utilizando a Transformada Wavelet Haar
Fusão de imagens de Sensoriamento Remoto utilizando a Transformada Wavelet Haar Osny Ferreira da Silva 1 Giovanni Araujo Boggione 1 Leila Maria Garcia Fonseca 2 1 Centro Federal de Educação Tecnológica
Leia maisCLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA
XI Simpósio de Mecânica Computacional II Encontro Mineiro de Modelagem Computacional Juiz De Fora, MG, 28-30 de Maio De 2014 CLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA Weiner Esmerio Batista
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Segmentação
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Segmentação A separação dos pixeis relativos a cada objeto, ou região, é uma etapa fundamental para o sucesso do processo de análise da imagem. Embora
Leia maisTextura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Leia 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 maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia 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 maisUSO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC
USO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC 1 2 3 Fausta Joaquim Faustino, Álisson Gomes Linhares, John Hebert Da Silva Felix Resumo: O uso das
Leia maisMorfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia 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 maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Leia maisGEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD
GEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD Introdução A detecção de elipse, de forma robusta e confiável, é uma questão fundamental em processamento de imagens, pois que fornece uma ferramenta útil
Leia maisTE073 PDS II Programa de Graduação em Engenharia Elétrica
TE073 PDS II Programa de Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Segmentação Os algoritmos
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisSENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE FEIRA DE SANTANA-BA
Revista do CERES Volume 1, Número 2 2015 http://www.cerescaico.ufrn.br/ceres/ SENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE
Leia maisDEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS
DEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS * Aluno do curso Tecnologia em Sistemas de Telecomunicações da UTFPR jvrsschaid@gmail.com ** Aluno
Leia maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisImage Descriptors: texture
Image Descriptors: texture Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: texture 2011 1 / 28 Agenda
Leia 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 maisSegmentação automática de áreas urbanas em imagens de sensoriamento remoto
Segmentação automática de áreas urbanas em imagens de sensoriamento remoto Anderson Marco Instituto de Física de São Carlos anderson.marco@gmail.com Adriana B. Bruno Departamento de Arquitetura e Urbanismo
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisDetecção de objetos regulares em imagens de alta resolução utilizando casamento de modelos. Douglas Messias Uba 1 Luciano Vieira Dutra 1
Detecção de objetos regulares em imagens de alta resolução utilizando casamento de modelos Douglas Messias Uba 1 Luciano Vieira Dutra 1 1 Instituto Nacional de Pesquisas Espaciais INPE Caixa Postal 515
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 2 Detecção de alterações UFPR Departamento de Geomática Prof. Jorge Centeno O problema de deteção de mudanças É possível detectar as alterações em uma série de imagens orbitais
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
Leia maisEsqueletização na Modelagem e Extração de Cruzamentos Simples de Rodovias
Esqueletização na Modelagem e Extração de Cruzamentos Simples de Rodovias Rodrigo Bruno Zanin (1) Aluir Porfírio Dal Poz () Érico Fernando O. Martins (1) (1) Universidade do Estado de Mato Grosso UNEMAT
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 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 maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisClassificação de Texturas Invariante a Rotação Usando Matriz de Co-ocorrência
Classificação de Texturas Invariante a Rotação Usando Matriz de Co-ocorrência Rodrigo Hajime Ito, Hae Yong Kim, Walter Jaimes Salcedo Dept. Eng. Sistemas Eletrônicos, Escola Politécnica Universidade de
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisUniversidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática
Universidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática DETECÇÃO DE BORDAS DE IMAGENS UTILIZANDO ELEMENTOS DE MORFOLOGIA MATEMÁTICA PROPOSTA DE TRABALHO DE GRADUAÇÃO
Leia maisInterpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução
Thiago Broerman Cazes Interpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução Dissertação de Mestrado Dissertação apresentada ao Programa de Pósgraduação em Engenharia Elétrica
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisProcessamento de Imagens Termais Aplicado à Navegação Autônoma. Wanessa da Silva
Processamento de Imagens Termais Aplicado à Navegação Autônoma Wanessa da Silva Outubro, 2016 Introdução Roteiro Métodos Imagens Utilizadas Resultados Considerações Finais 1. Introdução 2. Métodos 4. Imagens:
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Julio Arakaki Ciência da Computação 1 Imagem Digital Full Color Image (Matriz de Pixels) RGB (24 bits): Red (8 bits) Green (8 bits) Blue (8 bits) 2 Imagem Digital Um modelo
Leia maisAPLICAÇÃO E ANÁLISE DAS TÉCNICAS DE FUSÃO IHS E COMPONENTES PRINCIPAIS EM IMAGENS DO SATÉLITE CBERS-2B MULTISSENSORES HRC/CCD RESUMO ABSTRACT
S B C Anais do XXVII Congresso Brasileiro de Cartografia e XXVI Exposicarta 6 a 9 de novembro de 2017, SBC, Rio de Janeiro - RJ, p. 502-506 APLICAÇÃO E ANÁLISE DAS TÉCNICAS DE FUSÃO IHS E COMPONENTES PRINCIPAIS
Leia maisAvaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre
Avaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre Regiane Maria Paes Ribeiro 1 Vicente Paulo Soares 2 Carlos Antônio Oliveira Vieira 2 1 Agência Nacional
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisJoão Paulo Ribeiro do Nascimento Heraldo Maciel França Madeira Hélio Pedrini. Keywords: texture, co-occurrence matrix, image classification.
CLASSIFICAÇÃO DE IMAGENS UTILIZANDO DESCRITORES ESTATÍSTICOS DE TEXTURA João Paulo Ribeiro do Nascimento Heraldo Maciel França Madeira Hélio Pedrini Universidade Federal do Paraná Departamento de Informática
Leia maisAula 5 - Segmentação de Imagens
Aula 5 - Segmentação de Imagens Parte 1 Prof. Adilson Gonzaga 1 Segmentação Agrupamento de partes de uma imagem em unidades homogêneas relativamente a determinadas características. Segmentação é o processo
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 de imagens aéreas de alta-resolução utilizando Redes Neurais Artificiais e dados de varredura a laser
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 20, INPE p.7792 Classificação de imagens aéreas de alta-resolução utilizando Redes Neurais
Leia maisO algoritmo para extraça o automa tica de drenagem do TerraHidro
O algoritmo para extraça o automa tica de drenagem do TerraHidro Trabalho de Análise Espacial 2012 Alexandre Copertino Jardim 1 Introdução O TerraHidro é um aplicativo geográfico em desenvolvimento para
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 maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Transformações Geométricas
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Transformações Geométricas .(x,y, P).(x,y, P) Imagem fonte Imagem transformada Deve-se notar que, como uma imagem digital é representada por uma matriz
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 maisAVALIAÇÃO DE TÉCNICAS CLASSIFICAÇÃO NA EXTRAÇÃO DE FEIÇÕES EM IMAGENS DE ALTA RESOLUÇÃO DO SENSOR AEROTRANSPORTADO ADS-80.
AVALIAÇÃO DE TÉCNICAS CLASSIFICAÇÃO NA EXTRAÇÃO DE FEIÇÕES EM IMAGENS DE ALTA RESOLUÇÃO DO SENSOR AEROTRANSPORTADO ADS-80. Marcelo Parise 1, Wandrevy Ribeiro dos Santos 2 1 Oceanólgo, Analista em C & T,
Leia maisQuadro Segmentação de Imagens
UNIVERSIDADE DE SÃO PAULO - SÃO CARLOS INSTITUTO DE CIÊNCIAS Processamento de Imagens - SCC0251 2013/1 Prof. Dr. Mario Gazziro Monitor PAE: Vinicius Ruela Pereira Borges - viniciusrpb@icmc.usp.br 1 Método
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
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 maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
Leia mais4 as Jornadas Politécnicas de Engenharia
4 as Jornadas Politécnicas de Engenharia Imagens de Faces: Exemplos de Metodologias e Aplicações Fernando Carvalho, João Manuel R. S. Tavares Aplicação Metodologias Modelos Conclusões Trabalho Futuro Introdução:
Leia maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
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 maisMÉTODO PARA CLASSIFICAÇÃO DE IMAGENS BASEADA EM MATRIZES DE CO-OCORRÊNCIA UTILIZANDO CARACTERÍSTICAS DE TEXTURA
MÉTODO PARA CLASSIFICAÇÃO DE IMAGENS BASEADA EM MATRIZES DE CO-OCORRÊNCIA UTILIZANDO CARACTERÍSTICAS DE TEXTURA William Robson Schwartz 1 Hélio Pedrini 2 1 Universidade Federal do Paraná william@pet.inf.ufpr.br
Leia maisAula 10 Reconhecimento de Padrões : Texturas (parte
Aula 10 Reconhecimento de Padrões : Texturas (parte 4). Análise de Imagens - 2015 Aura Conci DEFINIÇÕES DE TEXTURA Padrão visual : que possui algumas propriedades de homogeneidade que não resultam simplesmente
Leia maisAlfredo Borges de Campos 1 Maria Gonçalves da Silva Barbalho 2 Simone de Almeida Jácomo 3.
Identificação de Níveis de Terraços em Imagem LANDSAT7-TM através do Emprego de Técnicas de Processamento Digital Alfredo Borges de Campos 1 Maria Gonçalves da Silva Barbalho 2 Simone de Almeida Jácomo
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisPRÁTICA 5 Prof. Dr. Evandro Luis Linhari Rodrigues
PRÁTICA 5 Prof. Dr. Evandro Luis Linhari Rodrigues Além da solução usando Matlab, todos os exercícios deverão ser implementados também usando Python e OpenCV. Segmentação de Imagens Parte 1. 1) Detecção
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 maisMaria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França Ferreira 1
Imagens CBERS para o Monitoramento da 2 a Safra Agrícola de 2004 Município de Jataí Goiás Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França
Leia maisLip Recognition. Victor Mocelin
Lip Recognition Victor Mocelin Sumário 1. Introdução do problema 2. Por que usar os lábios? 3. Dificuldades 4. Artigos relacionados 5. Referências 2 Introdução do problema Entradas Credencial Imagem dos
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Leia maisProcessamento de Imagens Filtragem Digital
Filtragem Digital Consiste na aplicação de técnicas de transformação (operadores máscaras) com o objetivo de corrigir, suavizar ou realçar determinadas características de uma imagem dentro de uma aplicação
Leia 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 maisCaracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil. Suellen Silva de Almeida David Menotti
Caracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil Suellen Silva de Almeida David Menotti 1 Introdução Grande ocorrência de ataques de pragas nos cultivares
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisINFORMAÇÕES DO ACADÊMICO PLANO DE TRABALHO. 1. Justificativa
INFORMAÇÕES DO ACADÊMICO Nome: Kleber Padovani de Souza Curso: Engenharia de Computação Semestre: R.A.: Título do plano de trabalho: Extração de atributos da imagem através de momentos de imagem. Nome
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 maisEfeito do Padrão de Distribuição dos Pontos na Interpolação do NDBI. Rúbia Gomes Morato Fernando Shinji Kawakubo Marcos Roberto Martines
Efeito do Padrão de Distribuição dos Pontos na Interpolação do NDBI Rúbia Gomes Morato Fernando Shinji Kawakubo Marcos Roberto Martines Laboratório de Aerofotogeografia e Sensoriamento Remoto Lasere Departamento
Leia maisEstudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
Leia maisCLASSIFICAÇÃO ORIENTADA A OBJETOS PARA MAPEAMENTO DO USO E COBERTURA DO SOLO UTILIZANDO IMAGEM RAPIDEYE
Presidente Prudente - SP, 24-26 de julho de 2017 p. 239-243 CLASSIFICAÇÃO ORIENTADA A OBJETOS PARA MAPEAMENTO DO USO E COBERTURA DO SOLO UTILIZANDO IMAGEM RAPIDEYE ALEX GARCEZ UTSUMI¹ TERESA CRISTINA TARLÉ
Leia maisSistema de Reconhecimento de Logotipos
Sistema de Reconhecimento de Logotipos Fellipe Duarte, Saulo T. Oliveira {duartefellipe,sto}@cos.ufrj.br Relatório Técnico, Introdução ao Processamento de Imagens Programa de Engenharia de Sistemas e Computação
Leia maisExtração de Características de Textura em Imagens utilizando Matrizes de Co-ocorrência
Extração de Características de Textura em Imagens utilizando Matrizes de Co-ocorrência João Paulo Ribeiro do Nascimento Hélio Pedrini Universidade Federal do Paraná Departamento de Informática Curitiba-PR,
Leia maisSEL Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-5895 - Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Adilson Gonzaga Prof. Dr. Evandro Linhari Rodrigues Prof. Dr. Marcelo Andrade da Costa
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 18 Sumário Conceitos Sistema de
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Dr. Márcio Sarroglia Pinho 1 Histogramas Equalização Histogramas alpha = 255 / numpixels for each pixel g(x,y) = cumulativefrequency[f(x,y)] * alpha end for http://www.generation5.org/content/2004/histogramequalization.asp
Leia mais0DWUL]HVGH&R2FRUUrQFLD
0DWUL]HVGH&R2FRUUrQFLD,QWURGXomR Uma 0DWUL]GH&R2FRUUrQFLD, ou de RFRUUrQFLDVLPXOWkQHD é uma tabulação de quantas combinações diferentes de valores de intensidade dos pixels (níveis de cinza) ocorrem em
Leia 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 mais