Extração semiautomática de estradas vicinais com base em algoritmos genéticos
|
|
- Carolina Bennert Palma
- 5 Há anos
- Visualizações:
Transcrição
1 DOI: /actascitechnol.v3i.4763 Extração semiautomática de estradas vicinais com base em algoritmos genéticos Claudionor Ribeiro da Silva 1* e Jorge Antonio Silva Centeno 1 Universidade Federal do Piauí, Campus Prof a Cinobelina Elvas, s/n, , Bom Jesus, Piauí, Brasil. Departamento de Geomática, Universidade Federal do Paraná, Curitiba, Paraná, Brasil. *Autor para correspondência. crs@ufpr.br Introdução RESUMO. O objetivo deste trabalho é a extração semiautomática de estradas vicinais. Este estudo é dividido em duas fases distintas. Na primeira fase é proposto um método para determinar larguras de estradas; na segunda fase é proposta uma função de aptidão para algoritmos genéticos que possibilita a detecção de segmentos candidatos a eixo de estradas vicinais. Três imagens digitais são usadas na realização dos experimentos. Para o estudo, a validação dos resultados obtidos foi realizada a partir de uma imagem de referência. A imagem de referência foi criada por meio de vetorização manual. O julgamento da acurácia foi computado com base nos índices: completeza, correção e RMS. Os resultados obtidos apontam a metodologia proposta como promissora. Palavras-chave: extração de estradas vicinais, algoritmos genéticos, detecção de feições lineares. ABSTRACT. Semi automatic extraction of local roads base on genetic algorithms. The aim objective of this paper is to present a semi-automatic extraction of local roads. The research is divided in two different phases. In the first one, a method to determine road width is proposed; in the second one, a fitness function for genetic algorithms is proposed. The referred function makes possible the detection of candidate segments for local roads axis. Three digital images are used in conducting the experiments. For the study, the validation of the obtained results was accomplished based on a reference image. The reference image was created through manual vectoring, and an accuracy evaluation was computed based on the following indexes: completeness, correctness and RMS. The obtained results point out the proposed methodology as promising. Key words: road extraction, genetic algorithms, detection of linear features. A base de dados rodoviários é útil para várias finalidades, desde o uso no turismo até o suporte para Sistemas de Informações Geográficas (SIG). Contudo, a vetorização e a geração manual de mapas rodoviários são um processo exaustivo e oneroso. Várias abordagens têm sido propostas no intuito de automatizar ou, pelo menos, semiautomatizar esse processo. No presente estudo é proposto um método semiautomático para extrair estradas vicinais, baseado nos algoritmos genéticos. A extração de rodovias e/ou estradas, a partir de imagens digitais, tem sido abordada de diversas formas, com aplicação de diferentes algoritmos, em função do tipo de dados usado. Exemplos podem ser vistos em Clode et al. (004), Baumgartner et al. (1999), Hasegawa (004) ou Wiedemann e Hinz (1999). Quanto aos dados usados, podem ser imagens digitais, comumente classificadas em alta, média e baixa resolução espacial de acordo com a área de cobertura do pixel sobre a superfície terrestre, e dados altimétricos (JEON et al., 00; CLODE et al., 007). Quanto às estratégias usadas, estas podem ser de baixo ou alto nível (DAL POZ, 001; LIU et al., 003; VALADAN ZOEJ; MOKHTARZADE, 004). O grupo dos algoritmos robustos (alto nível) apresenta um escopo mais complexo, pois extrapola o conhecimento intrínseco do objeto estudado, usando informação contextual de vizinhança (CLODE et al., 004; EKER; SEKER, 004; MOHAMMADZADEH et al., 004; WESSEL, 004; HU; TAO, 007). A maioria das técnicas de extração de estradas faz uso de detecção de linhas e/ou bordas. No entanto, estudos sobre detecção de linhas não têm recebido a mesma atenção dada às bordas no
2 138 Silva e Centeno processo de extração de estradas, embora existam diferentes métodos de detecção de eixos de estradas (linhas). Exemplos de detecção de feições lineares com ênfase em estradas e/ou rodovias e uso de imagens de alta resolução podem ser vistos em Bacher e Mayer (004). Adicionalmente, exemplos de detecção de eixos de estradas, em imagens de baixas e médias resoluções, podem ser encontrados em Gomes et al. (004). As rodovias e/ou estradas, segundo Volsselman e Knecht (1995), apresentam características radiométricas, geométricas, topológicas, funcionais e contextuais. Neste estudo, porém, são consideradas apenas as características radiométricas e geométricas de estradas vicinais. Isto significa que parâmetros intrínsecos à estrada, tais como direção e comprimento dos segmentos, largura da estrada (geométricas) e valores digitais (radiométricas), são usados na função de aptidão dos algoritmos genéticos (AG s). Exemplos de aplicação dos AG s no processo de extração de rodovias podem ser vistos em Jeon et al. (00) e Liu et al. (003). Embora usem AG s, os trabalhos supracitados aplicam abordagens e/ou dados de entrada distintos do método proposto neste estudo. Os algoritmos genéticos são um método de otimização que consiste em uma pesquisa baseada no mecanismo de seleção e genética natural. Esses algoritmos possibilitam buscas por soluções de problemas em espaços multidimensionais. Os AG s são compostos pelos seguintes componentes: (a) codificação das variáveis (indivíduo) e configuração da população inicial; (b) função para medir a capacidade dos indivíduos na solução do problema (aptidão); (c) técnicas de seleção e operadores genéticos que regem o processo de reprodução (cruzamento e mutação) (GOLDBERG, 1989; MITCHELL, 1997; MICHALEWICZ, 1999). tamanhos (linhas x colunas) de 800 x 500, 675 x e 75 x pixels, respectivamente. Tanto a fotografia aérea quanto a cena Ikonos foram cedidas pelo Laboratório de Fotogrametria e Sensoriamento Remoto da Universidade Federal do Paraná (UFPR). Figura 1. Imagens usadas nos experimentos. Detecção de segmentos lineares A Figura ilustra as fases do método proposto, desde o dado de entrada (imagem original) até o eixo de estrada detectado. Figura. Detecção de eixos de estradas usando algoritmos genéticos. Material e métodos Dados usados Para a pesquisa foram utilizadas três imagens digitais (Figura 1): a primeira originada de uma foto aérea (Figura 1a - Imagem 1), reamostrada para uma resolução espacial de 0,8 m; as duas últimas originadas de uma cena Ikonos (Figura 1b - Imagem e Figura 1c - Imagem ), com 1,0 m de resolução espacial. Essas imagens apresentam O método proposto neste trabalho exige o fornecimento de segmentos-sementes, ou pares de pixels, como mostrado no início de cada estrada na Figura 1. Esses segmentos são fornecidos pelo operador e devem ser localizados, necessariamente, sobre o eixo da estrada de interesse. São comumente posicionados em uma das extremidades das estradas de interesse. A interação do operador com o programa caracteriza o método como semiautomático.
3 Extração de estradas usando algoritmos genéticos 145 Determinação de larguras de estradas vicinais Dado o segmento-semente 1- (Figura 3), a partir do ponto 1, com uma direção e raios menores que a distância entre os pontos 1 e, são traçados 3 semiarcos que cruzam esse segmentosemente, formando perfis transversais à estrada, conforme ilustra a Figura 3. semiarco 1 semiarco semiarco 3 Figura 3. Definição da largura da estrada. vetores (Figura 4). Os pontos de máximos representam os locais onde existe alto gradiente, ou seja, são locais onde ocorrem mudanças bruscas nos valores digitais da imagem. A largura w de estrada é determinada a partir de duas distâncias medidas em cada semiarco. A primeira distância é medida entre os pontos 1 e ; a outra, entre os pontos 3 e 4. A distância d é calculada pela média dessas duas medidas. Ressalta-se que ambas as distâncias são calculadas no espaço imagem. A média das distâncias d, medidas nos três semiarcos, é usada como a largura (w) da estrada. Esse procedimento é realizado sobre todos os segmentos-sementes fornecidos. 0 < < 90º é um ângulo que define os tamanhos dos semiarcos e é fornecido pelo operador. Os valores digitais correspondentes aos pixels pertencentes aos semiarcos 1, e 3 são armazenados em três vetores distintos ( v 1, v e v 3 ). Sobre cada um dos vetores é calculado o gradiente, gerando três novos vetores denominados de vetores gradientes ( vg 1, vg e vg 3). O gradiente de uma função contínua de duas variáveis f(x, y) é definido pela Equação 1. f f f î ĵ (1) x y f é a derivada parcial na direção do eixo x; x f é a derivada parcial na direção do eixo y. y Em processamento de imagem digital (dados discretos) é comum aproximar o gradiente por meio da convolução de um filtro, de tamanho predefinido, com a imagem original. São vários os filtros propostos na literatura, por exemplo, os de Sobel e Prewitt. Neste estudo foi utilizado o filtro de Prewitt, com a seguinte janela: [-1 0 1]. A Figura 4 apresenta o módulo do gradiente de um perfil transversal ou semiarco. Definidos os vetores gradientes, quatro pontos de máximos são coletados em cada um destes Figura 4. Módulo do gradiente de um perfil transversal. Construção do perfil de referência Um perfil de referência deve apresentar as seguintes características: (a) forma linear e armazenamento na forma de vetor ( vr ); (b) comprimento maior que a largura (w) da estrada, para possibilitar a análise da variação espectral entre a pista de rolamento e as margens desta estrada; (c) a parte central do perfil (vetor vr ) deve conter valores maiores que as margens, correspondendo à característica intrínseca das estradas vicinais, que apresentam altos valores digitais em relação às feições vizinhas. Com base nessas premissas, o tamanho adotado para o perfil de referência ( vr ) foi de 3 w pixels (Figura 5). Os 3 w pixels são armazenados no vetor vr da seguinte forma: os primeiros w pixels (parte 1) e os últimos w pixels (parte 3) recebem valor digital 0 (zero), representando as duas margens da estrada; os w pixels intermediários (parte ) do vetor vr recebem valor digital 1 (um), representando a pista de rolamento da estrada, como ilustra a Figura 5c. O perfil de referência, simulado na Figura 5c, tem largura (w) igual a 6 pixels. As Figuras 5a e b ilustram perfis transversais retirados manualmente da imagem real.
4 140 Silva e Centeno (a) (b) (c) Figura 5. Perfis retirados da imagem real (a e b) e perfil de referência (c). Adaptação dos algoritmos genéticos Alguns conceitos intrínsecos aos AG s, tais como: (a) espaço de busca de novos segmentos, (b) codificação dos indivíduos, (c) definição da população inicial, (d) técnica de seleção, (e) operadores genéticos e (f) critérios de parada, são definidos a seguir. Espaço de busca, codificação dos indivíduos e definição da população inicial O espaço de busca para um novo segmento candidato à estrada vicinal é definido por uma circunferência de raio R, como ilustra a Figura 6. Figura 6. Espaço de busca. O raio R é fornecido pelo operador e varia de acordo com a resolução espacial da imagem. Isto é, quanto melhor a resolução espacial da imagem, maior deve ser o tamanho de R. Em imagens de baixa resolução espacial (0 ou 30 m), a largura de estrada vicinal é muito estreita, podendo ser representada por um pixel apenas, o que possibilita o uso de menores valores para R. O valor de R é mantido constante durante todo o processo iterativo. O espaço de busca proposto é formado pelo conjunto de pixels pertencentes à circunferência C. Todos esses pixels são armazenados em um vetor denominado de v C. A quantidade (Q) de C pixels presentes nessa circunferência (no vetor v ) é definida em função de R, como ilustra a Equação. Todavia, assume-se que a quantidade de bits escolhida é suficiente para representar a quantidade de pixels que compõem a circunferência (C), conforme a Equação. π log 1 atan R Q bits bits () log A ordenação dos Q pixels existentes na circunferência tem início em um eixo horizontal (x) e sentido anti-horário. Assim, a posição de um determinado pixel na circunferência C pode ser determinada por um número inteiro. Por exemplo, na Figura 6, os números 1, e 3 representam as posições dos três primeiros pixels na circunferência C. Sabe-se que os números inteiros podem ser representados na forma binária, isto é, por cadeias ou vetores binários, contendo 0 s e 1 s. Neste estudo, cada cadeia binária é um indivíduo e cada indivíduo representa um pixel, ou a posição de um pixel, na circunferência C. Na linguagem genética, a cadeia binária é denominada de cromossomo, enquanto os valores 0 s e 1 s contidos nas células são denominados genes e as células, lócus. Todos os pixels pertencentes ao espaço de busca são investigados como possíveis candidatos à estrada. O pixel P i, ilustrado na Figura 6, é o pixel desejado que se encontra na região central da estrada. A população inicial é definida por um grupo de indivíduos criados aleatoriamente. O tamanho da população é definido pelo operador. Deste modo, se o tamanho da população é de 30 indivíduos, são criadas 30 cadeias binárias, aleatoriamente, para representar a população inicial. O tamanho da população usado foi de 150 indivíduos. Técnica de seleção, operadores genéticos e critérios de parada A técnica de seleção usada foi o elitismo. A seleção por elitismo é muito simples e computacionalmente econômica. Nessa técnica, um grupo de elite é conservado para a nova população a cada iteração. O grupo de elite é composto pelos melhores indivíduos (maior aptidão) da população atual. O tamanho do grupo de elite comumente usado é de 5% do tamanho da população (MICHALEWICZ, 1999). Os operadores genéticos utilizados foram a mutação e o cruzamento (Figura 7). O cruzamento é realizado com um único ponto de corte e atua de forma que dois ou mais
5 Extração de estradas usando algoritmos genéticos 145 cromossomos-pais trocam material genético entre si, gerando suas proles (Figura 7a). A mutação, por sua vez, altera o código genético de um pai selecionado (Figura 7b). (a) genéticos, por meio de três parâmetros: (a) medida de correlação linear entre perfil transversal de referência e perfil selecionado (p C ); (b) direção do novo segmento em relação ao segmento anterior (p D ); e (c) medida de similaridade espectral entre perfil transversal de referência e perfil selecionado (p S ). A função de aptidão (FA) proposta é definida pela Equação 3, integrando a informação contida nos três parâmetros. C D S FA ap bp cp (3) (b) Figura 7. Operadores de cruzamento (a) e mutação (b). Os valores de probabilidade de ocorrência de cruzamento e/ou mutação usados foram 0,6 e 0,01, respectivamente. Ambos foram definidos empiricamente. São vários os critérios de parada dos algoritmos genéticos. Como exemplos podem ser citados: quando o valor de aptidão alcança um limiar (T) e/ou quando o número de iterações atinge um valor máximo estipulado. O segundo critério foi utilizado tendo como valor máximo 30 iterações. Função de aptidão proposta Para o presente trabalho propôs-se um modelo conceitual de trechos de estrada vicinal baseado em pares de segmentos retos e contíguos. Nesse modelo, uma estrada vicinal é descrita como uma coleção de segmentos retos e contíguos que, combinados, definem o eixo da estrada. As informações contidas nesse modelo são introduzidas na função de aptidão dos algoritmos a, b e c são constantes; a + b + c = 1. Neste trabalho, os valores dessas constantes foram 0,6; 0,3 e 0,1, respectivamente. Esses valores foram definidos empiricamente. A definição dos parâmetros exige o conhecimento, a priori, do perfil transversal ( vs ) selecionado a cada iteração. Esse perfil é criado a partir de cada posição P i, na circunferência C, utilizando informações do vetor v C. O perfil vs tem tamanho igual a 3w e posição central coincidente com P i, do vetor v C. Dois exemplos hipotéticos, (a) e (b), de vetores vs são ilustrados na Figura 8. Correlação linear entre perfis transversais Uma forma de quantificar a correlação linear entre duas variáveis é calculando o coeficiente de correlação. Um coeficiente muito usado é o coeficiente de correlação de Pearson (r). Se r = 1, todos os pontos analisados estão exatamente sobre uma reta ajustada crescente; se r = -1, todos os pontos estão localizados exatamente sobre uma reta ajustada decrescente. A ausência de correlação entre as duas variáveis implica um valor de coeficiente nulo (r = 0). Figura 8. Exemplos de perfil transversal selecionado.
6 14 Silva e Centeno Neste estudo, as variáveis são os perfis transversais de estradas vicinais. Dessa forma, o objetivo é analisar o quão correlacionado, positivamente, estão dois perfis transversais, usando o coeficiente de correlação de Pearson. Este coeficiente é definido pela Equação 4. r i xi xy i y x x y y i i i i (4) x1, x,..., x3w são os valores digitais do perfil de referência ( vr ); y 1, y,..., yn são os valores digitais pertencentes ao perfil selecionado ( vs ); x é o valor médio de vr ; y é o valor médio de vs e i 1,..., 3w. O parâmetro relacionado com a correlação entre perfis é medido pela Equação 5. r se r 0 p C (5) 0 se r 0 Direção do novo segmento O objetivo do parâmetro relacionado com a direção é evitar que o segmento anterior seja novamente selecionado. Esse controle é feito por meio do ângulo, que define a direção do novo segmento (Figura 6). Considerando como vetores os dois segmentos, anterior e novo, o ângulo entre os dois é determinado pela Equação 6. K L K L cos( ) arccos (6) K L K L K e L são os vetores correspondentes ao segmento anterior e ao segmento novo, respectivamente; K L é o produto escalar entre os dois vetores K e L. Em estradas vicinais é comum a presença de curvas muito sinuosas, o que exige menores valores de. Por outro lado, não pode ser muito pequeno ao ponto de possibilitar retornos. A Equação 7 mostra como é calculado o parâmetro relacionado com a direção dos segmentos. se T p D cos( ) cos( ) 0 se cos( ) T T é um limiar fornecido pelo operador. Similaridade espectral entre perfis (7) Partindo da premissa que as estradas vicinais possuem maior valor digital em relação à sua vizinhança, o valor digital máximo da circunferência, na iteração atual, é assumido como valor digital de estrada vicinal. Assim, seja vd o valor digital máximo da circunferência e w a largura da estrada, um vetor vm de tamanho igual a vr é criado, como ilustra a Figura 9. De posse dos vetores vr, vs e vm, o parâmetro relacionado com a similaridade espectral entre perfis é determinado pela Equação 8. p S 3w i 3w i vs( i) vr( i) vm( i) vr( i) (8) Buscando melhor visualização dos resultados, foram extraídas as pistas de rolamento das estradas de interesse correspondentes aos eixos detectados. A extração das pistas é realizada com o deslocamento de um círculo de raio w/ sobre todos os pixels dos eixos detectados. Em cada pixel do eixo, todos os pixels vizinhos que estiverem dentro do círculo são rotulados como estrada. Esse procedimento é repetido em todos os eixos detectados. Figura 9. Perfil com valores máximos.
7 Extração de estradas usando algoritmos genéticos 143 Validação dos resultados A validação é dada por meio dos índices: completeza, correção e RMS (HEIPKE et al., 1997; CLODE et al., 004). Assim, seja CD o número de dados de estradas corretamente extraído, ND o total de dados atribuídos como estrada na imagem de referência mas que não são extraídos pelo método proposto e ED a quantidade de dados de estradas erroneamente detectada, os dois primeiros índices são definidos pelas Equações 9 e 10. Pelo fato de não existir um Padrão de Exatidão Cartográfico (PEC) para avaliação dessa medida, juntamente com a complexidade em estimá-la, pode-se considerar acurada a qualidade das larguras determinadas pelo método proposto, uma vez que os erros (diferenças) cometidos têm magnitude subpixels, com maior erro de 0,5 pixel. A análise visual dos produtos gerados (estradas extraídas) pode ser realizada por meio das imagens ilustradas na Figura 10. CD completeza CD ND (9) CD correção CD ED (10) Os valores desses índices variam no intervalo [0, 1], em que zero representa o erro máximo e 1 indica o valor ótimo. A qualidade geométrica dos eixos detectados foi medida pelo RMS diferente (Equação 11). Essa nova nomenclatura deve-se ao fato de que o erro entre duas observações é substituído pela distância mínima d i entre o eixo de referência e o eixo detectado. O valor do RMS varia no intervalo [0, +], no qual zero é o valor ótimo. n d i i1 RMS (11) n n é o total de pontos (pixels), ou vértices, de eixos detectados como estradas. Resultados e discussão As larguras determinadas automaticamente são comparadas com as medidas de larguras medidas manualmente (referência) sobre as imagens. Para definir a largura de referência de uma estrada são realizadas três medidas ao longo desta estrada, e a média destas medidas é assumida como a largura de referência (wr). A Tabela 1 apresenta os valores das larguras de referência e das larguras determinadas pelo método proposto. Tabela 1. Larguras das estradas vicinais estudadas (em pixels). Larguras Larguras Referência Determinadas Erro = wr - w (pixel m -1 ) (wr) (w) Estrada 1 Imagem 1 5,53 5,07 0,5/0,368 Estrada Imagem 1 4,8 3,8 0,5/0,368 Estrada 1 Imagem 4,8 4,61 0,/0,10 Estrada Imagem 3 4,61 4,94 0,3/0,330 Figura 10. Estradas extraídas Adicionalmente ao estudo qualitativo (visual) foi realizado o estudo quantitativo para medir a qualidade dos eixos detectados. A Tabela apresenta os valores dos índices medidos nos resultados obtidos com as três imagens. Tabela. Qualidade dos eixos detectados. Completeza Correção RMS (pixels m -1 ) Imagem 1 0,885 0,935 0,7/0,544 Imagem 0,889 0,870 0,9/0,910 Imagem 3 0,854 0,856 1,6/0,610 O erro de completeza referente à Imagem 1 indica que 11,5% dos eixos de referência não foram detectados pelo método proposto. Por outro lado, a correção, na mesma imagem, indica que apenas 6,5% dos eixos detectados não pertencem, efetivamente, à estrada de referência. A qualidade geométrica dos eixos detectados com a Imagem 1 foi quantificada com um erro subpixel, isto é, um erro com magnitude de 0,7 pixel. As medidas de completeza entre as Imagens 1 e são similares, contudo na Imagem foram somados 6,5% de eixos erroneamente detectados. Adicionalmente, a qualidade geométrica dos eixos detectados na Imagem 1 foi superior à da Imagem. A perda na qualidade do produto final deve-se ao grau de complexidade (quantidade de obstruções)
8 144 Silva e Centeno existente nessas duas imagens, sendo o grau de complexidade da segunda imagem superior ao da primeira. O mesmo fato ocorre entre os pares de imagens 1-3 e -3. A magnitude do RMS calculado para a Imagem 3 é superior a um pixel. A falha dos algoritmos que mais contribuiu para esse erro é visível na imagem resultante, como mostra o retângulo claro desenhado no canto superior direito da Figura 10c. Uma explicação para essa falha é a existência de uma obstrução no fim da imagem. Essa ocorrência diminui o espaço de busca e, consequentemente, reduz as opções de busca pelos algoritmos genéticos. O erro medido nessa falha é de 8,0 pixels e o desvio-padrão do conjunto de erros medidos ao longo de todo o eixo é de 0,7 pixel. Assim, conclui-se que o erro discrepante referente a essa falha é o causador do acréscimo no valor do RMS, se comparado aos erros médios calculados nos outros dois experimentos. A maior qualidade do produto gerado no primeiro experimento deve-se ao melhor desempenho dos algoritmos genéticos na detecção de eixos de estradas com menor índice de obstáculos. Isto é, o método proposto apresentou-se sensível à presença de obstáculos que cobrem parcial ou totalmente a pista da estrada, principalmente, causados pela existência de árvores. Após análise da qualidade dos eixos detectados foi realizada a extração das pistas de rolamento das estradas, usando tanto as larguras medidas quanto os eixos detectados. É visível para a estrada da Imagem 1 (Figura 10a) que a pista de rolamento extraída é mais larga que a da imagem de referência. Esse fato se deve à largura medida automaticamente para essa estrada. Além da importância cartográfica no processo de generalização, as pistas de rolamento extraídas são úteis na análise visual dos produtos resultantes. Uma verificação mais apurada dos resultados foi realizada por meio da comparação com outros métodos propostos. Não se tratou, porém, de uma comparação coerente, uma vez que os experimentos foram realizados em áreas de estudos diferentes. Em Wiedemann (003) é apresentado um estudo para extração de estradas no meio rural, ou seja, extração de estradas vicinais. Os valores de acurácia encontrados por esse autor estão apresentados na Tabela 3. Tabela 3. Qualidade dos resultados obtidos por Wiedemann (003). Método Completeza Correção RMS (m) Agrupamento local 0,858 0,985 1,550 Propriedade de rede 0,893 0,980 1,540 A quantidade de eixos detectados erroneamente pelo método proposto foi superior aos valores medidos nos dois métodos propostos por Wiedemann (003). Todavia, os valores de completeza medidos nos dois primeiros experimentos do presente estudo foram superiores ao respectivo valor do primeiro empregado por Wiedemann (003) e semelhantes ao segundo método deste autor. O pior caso de completeza da metodologia proposta assemelha-se ao método de agrupamento local de Wiedemann (003), porém ainda é inferior ao método de propriedade de rede, utilizado pelo mesmo autor. Com base nos resultados dos experimentos realizados neste estudo, em termos de qualidade geométrica das feições detectadas, pode-se dizer que o método proposto é mais eficiente que os dois métodos propostos por Wiedemann (003), considerando a justificativa para o erro ocorrido no terceiro experimento. Ressalta-se que os dados são provenientes de diferentes fontes. Em Vale e Dal Poz (003) é testado um método, denominado de Método Modificado, e comparado com outro, denominado de Método Original. Os RMS s medidos nos resultados desses autores, em duas imagens distintas, são apresentados na Tabela 4. Tabela 4. Qualidade dos resultados obtidos por Vale e Dal Poz (003). RMS (pixel) Imagem 1 RMS (pixel) Imagem Método Modificado 0,7 0,9 Método Original 0,9 4,1 Os resultados apresentados nas Tabelas e 4 mostram que o método proposto neste estudo é mais eficiente que o Método Original proposto por Vale e Dal Poz (003). A qualidade geométrica dos eixos detectados pelo Método Modificado foi superior, se comparada à qualidade dos eixos detectados pelo método proposto, usando a Imagem 3. Todavia, os dois métodos, Modificado de Vale e Dal Poz (003) e o proposto nesse estudo, usando as Imagens 1 e, proporcionaram resultados similares. Destaca-se, novamente, que os dados utilizados nos métodos apresentados nessa comparação são de fontes diferentes. Esse fato não invalida a comparação, mas a torna incompleta. Conclusão Neste estudo foi proposto um método para extração de estradas que compreendeu três fases distintas. Na primeira fase, foi proposto um método para mensurar larguras de estradas; na segunda, foi proposto um método, usando algoritmos genéticos,
9 Extração de estradas usando algoritmos genéticos 145 para detecção de segmentos de reta ou eixos de estradas vicinais; na terceira fase, foi proposto um método para extração das pistas de rolamento das estradas vicinais cujos eixos foram detectados na segunda fase. Frente ao erro de magnitude subpixel e à inexistência de um PEC para avaliar a qualidade dessa medida, entende-se que o método proposto é promissor. Entretanto, ressalta-se que o método é totalmente dependente do operador ou da qualidade do segmento-semente fornecido por este operador. É notório que os algoritmos genéticos apresentam desvantagens, tais como: (a) o grande número de parâmetros inerente ao método; (b) dependendo da complexidade do problema, é necessária a repetição do experimento até encontrar um resultado aceitável. Contudo, esses algoritmos apresentam potencial em alguns fatores, a saber: (a) possível redução do esforço computacional, (b) procura por soluções em espaço n-dimensional e (c) possível iteração com o operador. Apesar das desvantagens citadas, os resultados indicam que esses algoritmos são eficientes no processo de detecção de eixos de estradas, quando se usa a função de aptidão proposta. Isto é, embora os valores de completeza e correção medidos sejam modestos, a qualidade geométrica dos eixos é aceitável. Referências BACHER, U.; MAYER, H. Automatic road extraction from irs satellite images in agricultural and desert areas. ISPRS Congress, v. 35, n. 3B, p , 004. BAUMGARTNER, A.; STEGER, C.; MAYER, H.; ECKSTEIN, H. W.; EBNER, H. Automatic road extraction based on multi-scale, grouping, and context. Photogrammetric Engineering and Remote Sensing, v. 65, n. 7, p , CLODE, S.; KOOTSOOKOS, P.; ROTTENSTEINER, F. The automatic extraction of roads from LIDAR data. ISPRS Congress, v. 35, n. 3B, p , 004. CLODE, S.; ROTTENSTEINER, F.; KOOTSOOKOS, P.; ZELNIKER, E. Detection and vectorization of roads from lidar data. Photogrammetric Engineering and Remote Sensing, v. 73, n. 5, p , 007. DAL POZ, A. P. Extração semi-automática de rodovias através de uma metodologia cooperativa. Boletim de Ciências Geodésicas, v. 11, n., p EKER, B.; SEKER, D. Z. Semi-automatic road extraction from Digital Aerial Photographs. ISPRS congress, v. 35, n. 3B, p , 004. GOLDBERG, D. E. Genetic algorithms in search, optimization and machine learning. New York: Addison-Wesley, GOMES, O. F. M.; FEITOSA, R. Q.; COUTINHO, H. L. C. Sub-pixel unpaved roads detection in andsat images. ISPRS Congress, v. 35, n. 3B, p , 004. HASEGAWA, H. A Semi automatic road extraction method for alos satellite imagery. ISPRS Congress, v. 35, n. 3B, p , 004. HEIPKE, C.; MAYER, H.; WIEDEMANN, C.; JAMET, O. Evaluation of automatic road extraction. International Archives of Photogrammetry and Remote Sensing, v. 33, n. 4W, p , HU, X.; TAO, C. V. Automatic extraction of main road centerlines from high resolution satellite imagery using hierarchical grouping. Photogrammetric Engineering and Remote Sensing, v. 73, n. 9, p , 007. JEON, B. K.; JANG, J. H.; HONG, K. S. Road detection in spaceborne SAR images using a genetic algorithms. (IEEE) Transactions on Geocience and Remote Sensing, v. 40, n. 1, p. -9, 00. LIU, H.; LI, J.; CHAPMAN, M. A. Automated road extraction from satellite imagery using hybrid genetic algorithms and cluster analysis. Journal of Environmental Informatics, v. 1, n., p , 003. MICHALEWICZ, Z. Genetic algorithms + data structures = evolution programs. 3 rd ed. rev. New York: Springer, MITCHELL, M. An introduction to genetic algorithms. Cambridge: Mit Press, MOHAMMADZADEH, A.; TAVAKOLI, A.; VALADAN ZOEJ, M. J. Automatic linear feature extraction of iranian roads from high resolution multi-spectral satellite imagery. ISPRS Congress, v. 35, n. 3B, p , 004. VALADAN ZOEJ, M. J. V.; MOKHTARZADE, M. Road Detection From High Resolution Satellite Images Using Artificial Neural Networks. ISPRS Congress, v. 35, n. 3B, p , 004. VALE, G. M.; DAL POZ, A. P. Metodologia modificada de programação dinâmica para a extração acurada do eixo de rodovia em imagens digitais. Revista Brasileira de Cartografia, v. 1, n. 55, p. 11-0, 003. VOSSELMAN, G.; KNECHT, J. Road tracing by profile matching and kalman filtering. In: Automatic extraction of man-made objects from aerial and space images. Basel: Birkhauser Verlag, p WESSEL, B. Road network extraction from SAR imagery supported by context information. ISPRS Congress, v. 35, n. 3B, p , 004. WIEDEMANN, C. External evaluation of road networks. ISPRS Congress, v. 34, n. 3W8, p , 003. WIEDEMANN, C.; HINZ, S. Automatic extraction and evaluation of road networks from satellite imagery. International Archives of Photogrammetry and Remote Sensing, v. 3, n. 3-W5, p , Received on August 17, 008. Accepted on February 3, 009. License information: This is an open-access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Determinação de larguras de estradas vicinais em imagens de alta resolução. Claudionor Ribeiro da Silva 1,2 Jorge Antônio Silva Centeno 2
Determinação de larguras de estradas vicinais em imagens de alta resolução Claudionor Ribeiro da Silva 1,2 Jorge Antônio Silva Centeno 2 1 Universidade Federal do Piauí - UFPI CEP 64900 000 Bom Jesus -
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 mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisCLAUDIONOR RIBEIRO DA SILVA EXTRAÇÃO DE ESTRADAS VICINAIS EM IMAGENS DIGITAIS E DADOS LASER SCANNER USANDO ABORDAGENS AUTOMÁTICA E SEMI-AUTOMÁTICA
CLAUDIONOR RIBEIRO DA SILVA EXTRAÇÃO DE ESTRADAS VICINAIS EM IMAGENS DIGITAIS E DADOS LASER SCANNER USANDO ABORDAGENS AUTOMÁTICA E SEMI-AUTOMÁTICA Tese apresentada ao Curso de Pós-Graduação em Ciências
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisExtração automática da malha viária em imagens de média e alta resolução de cenas rurais
Extração automática da malha viária em imagens de média e alta resolução de cenas rurais Aluir Porfírio Dal Poz Rodrigo Bruno Zanin Giovane Maia do Vale Universidade Estadual Paulista - UNESP Programa
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
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 maisBreve Avaliação de Parâmetros básicos de Algoritmos Genéticos
https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisDETECTOR DE LINHA DE STEGER: POTENCIAL NA EXTRAÇÃO DE RODOVIAS
II Simpósio Brasileiro de Geomática Presidente Prudente - SP, 4-7 de julho de 007 ISSN 1981-651, p. 584-591 DETECTOR DE LINHA DE STEGER: POTENCIAL NA EXTRAÇÃO DE RODOVIAS RODRIGO BRUNO ZANIN 1, REGINA
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
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 mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisPROGRAMA DE ENSINO. 3 quadrimestre Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Código Semestre Ano Letivo 3 quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO
Leia maisEXTRAÇÃO DE BORDAS EM IMAGEM DE ALTA RESOLUÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DE IMAGEM
EXTRAÇÃO DE BORDAS EM IMAGEM DE ALTA RESOLUÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DE IMAGEM Thaisa Manoela Silva França 1, Ana Lúcia Bezerra Candeias 2 1 Acadêmico em Engenharia Cartográfica e Agrimensura,
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisMETODOLOGIA AUTOMÁTICA PARA EXTRAÇÃO DE CRUZAMENTO DE RODOVIAS EM IMAGENS DE ALTA RESOLUÇÃO. Rodrigo Bruno Zanin 1 Aluir Porfírio Dal Poz 2 RESUMO
METODOLOGIA AUTOMÁTICA PARA EXTRAÇÃO DE CRUZAMENTO DE RODOVIAS EM IMAGENS DE ALTA RESOLUÇÃO Rodrigo Bruno Zanin 1 Aluir Porfírio Dal Poz 2 1 Mestrando do Programa de Pós Graduação em Ciências Cartográficas
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 mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
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 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 maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisModelagem de Curvas B-Spline na Metodologia de Extração de Rodovias em Imagens Digitais
Modelagem de Curvas B-Spline na Metodologia de Extração de Rodovias em Imagens Digitais Autor(a): Elizeu Martins de Oliveira Junior¹ Instituição: Universidade do Estado de Mato Grosso Orientador(a): Érico
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
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 maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
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 maisContornos de Telhados Convexos de Edifícios Baseado em Snake
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Método de Extração Semiautomático de Contornos de Telhados Convexos de Edifícios Baseado em Snake Diego Venâncio Thomaz Núcleo de Matemática e Estatística,
Leia maisExtração Semi-Automática de Feições Lineares e a Calibração dos Parâmetros Intrínsecos de Câmeras
Extração Semi-Automática de Feições Lineares e a Calibração dos Parâmetros Intrínsecos de Câmeras Leonardo Ercolin Filho 1 1 Escola Politécnica Universidade de São Paulo (USP) Caixa Postal São Paulo SP
Leia maisINSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS SER-300: INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório II: Cartografia em GIS/Registro
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 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 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 maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
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 maisDetecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC
Detecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC André Caceres Carrilho Mauricio Galo Renato César dos Santos Curitiba,
Leia maisEXTRAÇÃO DE FEIÇÕES RODOVIÁRIAS EM IMAGENS DIGITAIS: METODOLOGIAS DESENVOLVIDAS PELO GP-F&VC
EXTRAÇÃO DE FEIÇÕES RODOVIÁRIAS EM IMAGENS DIGITAIS: METODOLOGIAS DESENVOLVIDAS PELO GP-F&VC Road extraction from digital images: methodologies developed by the GP- F&VC ALUIR PORFÍRIO DAL POZ Departamento
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 maisIDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar
Leia maisESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO LINEARES UTILIZANDO ALGORITMOS GENÉTICOS
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais ESTIMAÇÃO DE PARÂMETROS DE SISTEMAS NÃO
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
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 mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
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 maisEXTRAÇÃO SEMIAUTOMÁTICA DE RODOVIAS NO ESPAÇO-OBJETO: USO INTEGRADO DE UM ESTEREOPAR DE IMAGENS AÉREAS E UM MDT
EXTRAÇÃO SEMIAUTOMÁTICA DE RODOVIAS NO ESPAÇO-OBJETO: USO INTEGRADO DE UM ESTEREOPAR DE IMAGENS AÉREAS E UM MDT Semiautomatic road extraction in the object-space: integrated use of a stereopair of aerial
Leia mais3 Algoritmos Genéticos
Algoritmos Genéticos Algoritmos Genéticos (AGs) constituem um mecanismo de busca adaptativa que se baseia no princípio Darwiniano de seleção natural e reprodução genética [101]. AGs são tipicamente empregados
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
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 maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia maisUniversidade Federal do Paraná - Setor de Ciências da Terra
Universidade Federal do Paraná - Setor de Ciências da Terra APLICAÇÃO DE DIFERENTES NÍVEIS DE REALISMO DERIVADOS DE IMAGEM DE SATÉLITE NA REALIDADE VIRTUAL Juliana Moulin Fosse - jumoulin@ufpr.br Mosar
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisSISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2. SIG- Eng. Cartográfica Prof. Luciene Delazari
SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2 SIG- Eng. Cartográfica Prof. Luciene Delazari Descrição de uma realidade com algum propósito Modelo MODELAR Termo geral para denotar o processo de construir representações
Leia maisDELINEAMENTO DE RODOVIA USANDO OS PRINCÍPIOS DE TESTE ATIVO E DE BORDAS ANTI-PARALELAS
p.194-205. DELINEAMENTO DE RODOVIA USANDO OS PRINCÍPIOS DE TESTE ATIVO E DE BORDAS ANTI-PARALELAS ALUIR PORFÍRIO DAL POZ MARCO AURÉLIO OLIVEIRA DA SILVA Universidade Estadual Paulista - Unesp Faculdade
Leia maisAVALIAÇÃO DA ACURÁCIA POSICIONAL PLANIMÉTRICA DE IMAGENS CBERS 4 SENSOR PAN, NA REGIÃO DE ALVINÓPOLIS-MG
AVALIAÇÃO DA ACURÁCIA POSICIONAL PLANIMÉTRICA DE IMAGENS CBERS 4 SENSOR PAN, NA REGIÃO DE ALVINÓPOLIS-MG Lígia da Silva Barbosa 1, Afonso de Paula dos Santos 2 1 Graduanda em Engenharia de Agrimensura
Leia maisX Colóquio Brasileiro de Ciências Geodésica. Curitiba-Pr, 06-08/Junho/2018 SNAKES: FUNDAMENTOS E APLICAÇÕES NA EXTRAÇÃO DE FEIÇÕES LINEARES
X Colóquio Brasileiro de Ciências Geodésica Curitiba-Pr, 06-08/Junho/018 SNAKES: FUNDAMENTOS E APLICAÇÕES NA EXTRAÇÃO DE FEIÇÕES LINEARES ALUIR P. DAL POZ (1) ÉRICO F. O. MARTINS () (1) FCT/UNESP Depto.
Leia maisSensoriamento remoto 1. Prof. Dr. Jorge Antonio Silva Centeno Universidade Federal do Paraná 2016
Sensoriamento remoto 1 correções geométricas Prof. Dr. Jorge Antonio Silva Centeno Universidade Federal do Paraná 2016 Correções geométricas Uma imagem digital de sensoriamento remoto é uma representação
Leia maisEXTRAÇÃO AUTOMÁTICA DE FEIÇÕES RODOVIÁRIAS EM IMAGENS DIGITAIS
EXTRAÇÃO AUTOMÁTICA DE FEIÇÕES RODOVIÁRIAS EM IMAGENS DIGITAIS Aluir Porfirio Dal Poz Rodrigo Bruno Zanin Giovane Maia do Vale Depto. de Cartografia - FCT-UNESP Caixa Postal 467 CEP 19060-900 - Presidente
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 maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
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 maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
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 maisRespostas do Teste de Analise de Imagens :
Respostas do Teste de Analise de Imagens - 2004: 1Diga com suas palavras o que é: (Valor total da questão: 12) Filtragem passa alta (valor deste item até 0,3) - importante falar que apesar do nome ser
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
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 maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisEXTRAÇÃO AUTOMATICA DE SEGMENTOS LINEARES DE RODOVIAS EM IMAGENS DE RESOLUÇÕES VARIADAS
EXTRAÇÃO AUTOMATICA DE SEGMENTOS LINEARES DE RODOVIAS EM IMAGENS DE RESOLUÇÕES VARIADAS Automatic road segment extraction from images with different resolutions REGINA ISHIBASHI 1 ALUIR PORFÍRIO DAL POZ
Leia maisSISTEMAS DE INFORMAÇÃO GEOGRÁFICA (II)
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisDETERMINAÇÃO DE REGIÕES HOMÓLOGAS PARA REGISTRO DE UMA SÉRIE MULTITEMPORAL DE IMAGENS DE SATÉLITE USANDO ALGORITMOS GENÉTICOS
DETERMINAÇÃO DE REGIÕES HOMÓLOGAS PARA REGISTRO DE UMA SÉRIE MULTITEMPORAL DE IMAGENS DE SATÉLITE USANDO ALGORITMOS GENÉTICOS Establishing of homologous regions for the registration of a multitemporal
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 maisMNT: MODELAGEM NUMÉRICA DE TERRENOS
MNT: MODELAGEM NUMÉRICA DE TERRENOS LEB 450 Topografia e Geoprocessamento II Prof. Carlos A. Vettorazzi 1. Introdução MODELO : Representação da realidade sob a forma material (representação tangível) ou
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
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 maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
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 maisPARTE 2 INTRODUÇÃO AO SIG/GIS. Mundo Real. Curso de Geoprocessamento: Prof. Alzir Felippe B. Antunes
PARTE 2 INTRODUÇÃO AO SIG/GIS Mundo Real Camadas de Informações Estrutura dos Dados Geográficos Organização lógica dos dados para preservar sua integridade e facilitar o seu uso. Vetorial Raster ou Matricial
Leia maisCampus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisEvolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório
https://eventos.utfpr.edu.br//sicite/sicite2017/index Evolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório RESUMO Iolanda Ortiz Bernardes ibernardes@alunos.utfpr.edu.br Estudante
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 mais2.1. Construção da Pista
2 Malha de Controle Para que se possa controlar um dado sistema é necessário observar e medir suas variáveis de saída para determinar o sinal de controle, que deve ser aplicado ao sistema a cada instante.
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 mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
Leia maisDADOS EM GEOPROCESSAMENTO
Universidade Federal de Campina Grande Centro de Tecnologia e Recursos Humanos Unidade Acadêmica de Engenharia Civil DADOS EM GEOPROCESSAMENTO Prof. Iana Alexandra Alves Rufino : dois grandes grupos Dados
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 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 maisPROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia mais4 Rastreamento de horizontes e falhas
36 4 Rastreamento de horizontes e falhas Os horizontes sísmicos e as falhas sísmicas são dois eventos sísmicos importantes, sendo relevante encontrar sua localização ao interpretar dados sísmicos. Uma
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia maisAprendizado de Máquinas. Seleção de Características
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Seleção de Características David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução Um dos principais aspectos na construção de um
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 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 mais