Um modelo gravitacional simplificado para análise de textura
|
|
- Ângela de Escobar Bergmann
- 5 Há anos
- Visualizações:
Transcrição
1 Um modelo gravitacional simplificado para análise de textura Jarbas Joaci de Mesquita Sá Junior Departamento de Engenharia de Teleinformática - DETI Centro de Tecnologia - UFC Campus do Pici, S/N, Bloco 725 Caixa Postal 6007, CEP: , Fortaleza, Brasil e Departamento de Engenharia de Computação - UFC Rua Estanislau Frota, S/N, Centro CEP: , Sobral, Brasil jarbas joaci@yahoo.com.br Paulo César Cortez Departamento de Engenharia de Teleinformática - DETI Centro de Tecnologia - UFC Campus do Pici, S/N, Bloco 725 Caixa Postal 6007, CEP: , Fortaleza, Brasil cortez@lesc.ufc.br André Ricardo Backes Faculdade de Computação Universidade Federal de Uberlândia Av. João Naves de Ávila, , Uberlândia, MG, Brasil backes@facom.ufu.br Renato Rodrigues da Silva Faculdade de Computação Universidade Federal de Uberlândia Av. João Naves de Ávila, , Uberlândia, MG, Brasil renato.rsufu@gmail.com Resumo As texturas estão entre os mais importantes atributos visuais na análise de imagens. Este trabalho apresenta um novo método para analisar textura, baseado na representação de um processo simplificado de colapso gravitacional cujos estados são descritos pelo método da lacunaridade. O resultado da abordagem proposta é comparado com outros métodos clássicos usando a base de dados Outex como benchmark. 1. Introdução A análise de textura é um dos mais importantes campos da visão computacional. Não obstante não haja uma definição formal do conceito de textura, esta é facilmente identificada por humanos e é rica em informação visual. No geral, texturas são padrões visuais complexos compostos por entidades, ou sub-padrões, com brilho, cor, orientação e tamanho característicos [12]. Assim, as texturas provêem informações úteis para reconhecimento automático e interpretação de uma imagem por computador [6]. Ao longo dos anos, muitos métodos de análise de textura foram desenvolvidos, cada um deles obtendo informação de uma maneira diferente. Atualmente, a maioria dos métodos pode ser agrupada em quatro categorias principais [19]: estatísticas, geométricas, baseadas em modelos e em processamento de sinais. A abordagem estatística inclui métodos clássicos, como matrizes de co-ocorrência. Um importante exemplo de métodos baseados em processamento de sinais é o descritor por filtros de Gabor [7]. Ainda nessa categoria há muitos estudos sobre análise de textura no domínio do espectro, especialmente após a invenção da transformada wavelet ([14, 21, 2]). Nos anos mais recentes, muitas outras abordagens têm sido desenvolvidas para estudar o relacionamento entre os pixels. Uma delas almeja representar as relações entre os pixels usando a Teoria das Redes Complexas [8]. Uma outra abordagem importante é a Caminhada do Turista [5], em que cada pixel é um turista que visita N cidades de acordo com a seguinte regra: ir para a cidade mais próxima que não foi visitada nos últimos µ passos de tempo. Outrossim, foi recentemente proposto que a análise fractal pode substituir o histograma no estudo das distribuições de nível de cinza de um padrão de textura [20]. Com o intuito de amplificar as metodologias de interpretação de imagens e, por conseguinte, extrair informações delas, este trabalho apresenta uma abordagem original, a qual transforma uma imagem em um processo de colapso gravitacional. Esse processo transforma a imagem em um sistema dinâmico que apresenta diferentes estados, cada qual representando um novo padrão de
2 textura e fonte de informações a ser explorada. Para tal intento, nós empregamos o método da lacunaridade para quantificar cada estado de modo a obter um vetor de características. Nossa apresentação é composta da seguinte maneira: a Seção 2 mostra as regras estabelecidas para simular o colapso gravitacional simplificado de uma imagem. A Seção 3 descreve o processo de compor assinaturas pela aplicação do método lacunaridade nos estados do processo de colapso. Na Seção 4, nós descrevemos um experimento que usa 68 classes de texturas (20 imagens por classe). A Seção 5 demonstra a performance superior da abordagem proposta quando comparada aos resultados de outros métodos importantes. Finalmente, nós fazemos algumas considerações sobre este trabalho na Seção Sistema Gravitacional Simplificado Quando um objeto está em órbita, como a terra em torno do sol, duas forças precisam ser consideradas. A primeira é a força gravitacional, que foi estabelecida pelo físico inglês Isaac Newton nos Principia e que pode ser definida pela seguinte sentença: duas partículas massivas no universo se atraem com uma força que é diretamente proporcional ao produto de duas massas e inversamente proporcional ao quadrado da distância que as separa [16]. Essa força, como ilustrada na figura 1, é dada pela seguinte equação: f a = G.m 1.m 2 r r 2. r, (1) em que G é a constante gravitacional, m 1 e m 2 são as massas das duas partículas, r é um vetor conectando as posições das partículas e f a é a força gravitacional entre elas. denota a magnitude ou norma do vetor. Figura 1. Exemplo de força gravitacional entre duas partículas massivas. A outra força é a força centrípeta, cuja direção é o centro de uma trajetória circular descrita por um objeto, e que é diretamente proporcional à sua velocidade tangencial. Essa força pode ser definida pela seguinte equação: f c = m a c = m v2 r, (2) em que f c é a força centrípeta, m é a massa, a c é a aceleração centrípeta, v é a velocidade tangencial e r é o raio da trajetória circular. Figura 2. (a) Uma particula movendo de p 1 para p 2 e sua velocidade variando de v 1 para v 2 ; (b) Triângulo que determina a direção da mudança na velocidade v. A aceleração centrípeta a c pode ser derivada da figura 2(a), a qual mostra uma partícula em dois momentos diferentes. A partícula está no ponto p 1 no tempo t 1 com velocidade v 1 e no ponto p 2 no tempo t 2 com velocidade v 2. Se for assumido que v 1 = v 2 = v, isto é, as velocidades diferem apenas na direção, a magnitude da aceleração pode ser definida como a seguir: a c = v 2 v 1 v =. (3) t 2 t 1 t Como os dois triângulos na figura 2 são similares (ambos são isósceles e possuem o mesmo ângulo θ), é possível estabelecer a seguinte relação: v v = r d. (4) r d Se a equação acima é resolvida para v e a expressão resultante é substituída em a c = v / t (equação 3), nós obtemos a c = v r d. (5) r d t Como último etapa, nós consideramos que os pontos p 1 e p 2 estão extremamente próximos, o que acarreta que v aponte para o centro da trajetória circular. Como a aceleração possui a mesma direção de v, ela também aponta para o centro da referida trajetória. Além disso, à
3 medida que os pontos p 1 e p 2 aproximam-se um do outro, t tende a 0, e a divisão aproxima-se da magnitude da velocidade v. Finalmente, quando t 0, a magnitude da aceleração centrípeta é a c = v2 r. (6) Antes de aplicar esses conceitos a uma imagem de textura, mais algumas considerações são necessárias. A literatura comumente descreve uma textura em nível de cinza como uma estrutura bidimensional de pixels. Assim, seja I(x, y) = , (x, y = 1... N) um pixel numa imagem quadrada I, em que x e y são as coordenadas cartesianas do pixel. Os valores inteiros associados ao pixel I(x, y) representam o nível de cinza do pixel. Uma vez estabelecida a base teórica, nós consideramos cada pixel I(x, y) como uma partícula em um sistema gravitacional, no qual a intensidade associada a esse pixel I(x, y) é sua massa m. Em um sistema gravitacional real, todos os pixels interagem uns com os outros. Em vez de adotar essa abordagem, a qual possui um alto custo computacional, nós consideramos que há apenas interação entre cada pixel e um objeto de massa M, localizado no centro da imagem de textura. Para cada pixel, nós estabelecemos uma força gravitacional de acordo com a equação 1, em que nós substituímos a massa m 1 por M e m 2 pelo nível de cinza do pixel, e a força centrípeta de acordo com a equação 2, em que cada intensidade de pixel substitui m e determina sua velocidade tangencial. Para determinar essa velocidade, nós temos de levar em conta que uma velocidade muita baixa causa um colapso muito rápido e, por conseguinte, perda de informação, enquanto que altas velocidades implicam na ausência de colapso. Assim, com o intuito de encontrar uma faixa de velocidades tangenciais de modo que todos os pixels possam colapsar lentamente, nós estabelecemos que f a = f c, assim encontrando a mais alta velocidade tangencial que os pixels podem obter, de acordo com a seguinte equação: v max = GM r max, (7) em que v max é a máxima velocidade de um pixel e r max é a maior distância entre um pixel e o centro da imagem. Essa velocidade garante que até mesmo o pixel mais distante do centro da imagem colapsará, isto é, o pixel se aproximará gradualmente do centro da imagem. Para extrair informação relacionada tanto à distância como à intensidade de nível de cinza, cada pixel tem sua velocidade determinada de acordo com a seguinte equação: v pix = ( 1 + ) I(x, y) vmax 255 2, (8) em que v pix é a velocidade tangencial do pixel e I(x, y) é a intensidade do seu nível de cinza. Dessa maneira, cada pixel tem uma trajetória particular definida por sua distância ao centro da imagem e por sua intensidade, o que resulta em uma imagem com uma assinatura característica. Essas regras permitem que os pixels tenham dois tipos de movimento. O primeiro é constante, circular e anti-horário, definido por D 1 = v pix.t, em que D 1 é a distância percorrida pelo pixel no tempo t. Para computar essa nova posição o pixel é rotacionado usando um ângulo de D 1 /(2πr), em que r é a distância entre o pixel e o centro da imagem. O segundo movimento é retilíneo e acelerado, direcionado ao centro da imagem. A nova localização do pixel é computada como D 2 = (1/2). a pix.t 2, em que a pix é a aceleração do pixel em direção ao centro da imagem, dada pela seguinte equação: a pix = { fa f c /I(x, y), if I(x, y) 0 0, if I(x, y) = 0, e D 2 representa o espaço percorrido pelo pixel no tempo t. Para computar essa nova posição, nós decrementamos/incrementamos os eixos x e y usando a proporção D 2 /r. A figura 3 mostra o movimento de um pixel em um determinado tempo t. Figura 3. Exemplo de um modelo gravitacional simplificado em que um pixel p colapsa. A nova posição do pixel é definida pelas distâncias D 1 e D 2. Aplicando esse modelo gravitacional em imagens, eventualmente dois ou mais pixels tentam ocupar a mesma posição durante o processo de colapso. Se essa situação ocorre, a posição receberá a média dos níveis de cinza dos pixels. Essa adaptação foi necessária para reduzir a comple- (9)
4 xidade do método e para preservar as informações da imagem. 3. Assinaturas Nesta seção, nós apresentamos uma abordagem para extrair assinatura de textura usando o modelo de colapso proposto e um descritor de textura tradicional, a lacunaridade. O conceito de lacunaridade foi introduzido por Mandelbrot [15] para caracterizar diferentes padrões de textura que apresentavam a mesma dimensão fractal. Inicialmente proposta para padrões binários, a lacunaridade descreve uma textura de acordo com o número de gaps (lacunas) dispersos sobre ela. Esse descritor é considerado como uma medida multi-escala da heterogeneidade da textura, uma vez que a medida de lacunaridade depende do tamanho do gap [1]. O algoritmo gliding-box (janela deslizante) é frequentemente usado para computar a lacunaridade devido à sua simplicidade [1, 11]. O método consiste em deslizar uma janela de tamanho r sobre um padrão de textura e contar o número de gaps existentes no padrão binário. Com o passar dos anos, essa abordagem foi também estendida para aplicação em imagens em nível de cinza [9, 10]. Em vez de simplesmente contar o número de gaps, essa abordagem computa o valor mínimo u e máximo v de pixels dentro de uma janela. De acordo com esses valores, uma coluna com mais de um cubo pode ser necessária para cobrir as coordenadas de intensidade da imagem. Essa altura relativa de coluna é definida como S = v u 1. Considerando cada possível posição de janela na imagem, nós computamos a distribuição de probabilidade Q(S, r) da altura relativa pelo tamanho da janela r. Desse modo, a lacunaridade é computada como S 2.Q(S, r) Λ(r) = [ S.Q(S, r)] 2. (10) Durante o colapso de uma imagem de textura, seu padrão de rugosidade muda. Isso significa que a sua lacunaridade é diferente para cada tempo de colapso t. Assim, a abordagem gravitacional proposta permite caracterizar um padrão de textura por meio das variações de sua lacunaridade. Desse modo, nós propomos um vetor de características que representa o padrão de textura em diferentes tempos de colapso t por meio de um conjunto de valores de lacunaridade computados para um mesmo tamanho de janela r: ψ t1,t 2,...,t M (r) = [Λ t1 (r), Λ t2 (r),..., Λ tm (r)]. (11) É preciso enfatizar que a lacunaridade é uma medida multi-escala, isto é, ela depende do tamanho da janela r [1]. Desse modo, é conveniente considerar um segundo vetor de características que explore essa particularidade. Assim, nós propomos um segundo vetor de características que analisa a textura em diferentes estágios de colapso usando diferentes valores de lacunaridade. Esse vetor é obtido por meio da concatenação das assinaturas calculadas usando ψ t1,t 2,...,t M (r) para diferentes valores de r: [ ϕ(r max ) = ψt1,t 2,...,t M (2),..., ψ t1,t 2,...,t M (r max )], (12) em que r max é o máximo tamanho de janela usado. 4. Experimentos Para a realização desse experimento, foi considerada a base de texturas Outex [17]. Trata-se de uma coleção de texturas naturais que fornece entidades significativas para a avaliação empírica de um algoritmo de análise de textura. Ao todo, uma base contendo 1360 amostras de texturas em tons de cinza ( ) foi construída dividindo cada uma das 68 imagens da base original ( ) em 20 sub-imagens sem sobreposição (Figura 4). Figura 4. Exemplo de cada classe de textura utilizada no experimento. Para avaliar o método proposto, as amostras de texturas foram classificadas utilizando a classificação por distância euclidiana mínima (KNN para K = 1). A assinatura proposta é calculada para cada textura, e o esquema de validação cruzada leave-one-out é usado durante a classificação. De modo a obter uma melhor avaliação do método, uma comparação com métodos tradicionais na área de análise de texturas também foi realizada. Para tanto, os seguintes métodos foram considerados: Descritores de Fourier [3], Matrizes de Co-ocorrência [12], Filtros de Gabor [13], Caminhada do Turista [4]. É importante salientar quue os parâmetros dos métodos citados foram definidos com base em trabalhos já estabelecidos na literatura.
5 5. Resultados Para aplicar o método no conjunto de imagens previamente descritas alguns parâmetros tiveram de ser estabelecidos. Esses parâmetros são a massa M e a constante gravitacional G. A massa M pode ser interpretada como um buraco negro no centro da imagem. Essa massa deve ser capaz de atrair os pixels mais distantes e de menores intensidades de nível de cinza (menores massas) da imagem. Para alcançar esse objetivo, o valor foi empiricamente estabelecido como M = 200. A constante gravitacional foi estabelecida como G = 1 a fim de dar aos pixels uma aproximação gradativa ao centro da imagem durante o processo de colapso. A figura 5 mostra um exemplo de processo de colapso de uma textura da base Outex em três tempos t diferentes usando os valores de parâmetros citados. Primeiramente, nós analisamos o comportamento da lacunaridade estimada usando diferentes janelas enquanto a imagem colapsava (figura 6). Nós notamos que diferentes valores de r resultariam em uma estimação diferente da lacunaridade. Contudo, as mudanças no valor de lacunaridade Λ(r) são sutis enquanto o tempo de colapso t aumenta, independente do tamanho de janela usado. Como consequência, um vetor de características ψ construído usando passos de tempo sequenciais apresentaria uma grande quantidade de informação redundante, situação esta que deve ser evitada. Por conseguinte, o uso de valores espaçados de t é mais apropriado. É importante salientar que a lacunaridade é considerada uma medida multi-escala. Isso é evidente na figura 6, na qual a lacunaridade Λ(r) é diferente para cada tamanho de janela r considerado. passo de tempo t e o tamanho de janela r, nós propusemos usar múltiplos valores r e diferentes conjuntos de valores de t para compor o vetor de características ϕ. A seguir, esse vetor foi usado para classificar as amostras da base Outex no experimento proposto. Usando configurações avaliadas em um trabalho prévio [18], nós obtivemos o melhor resultado (73.60% das amostras são corretamente classificadas em suas respectivas classes) quando nós usamos t = {1, 6, 12, 18} e r max = 11. A tabela 1 apresenta os resultados obtidos por cada método comparado. Os resultados demonstram que nossa abordagem é um eficiente descritor de textura, uma vez que o seu resultado superou todos os métodos tradicionais usados nos experimentos de comparação Complexidade computacional A fim de gerar um estágio de colapso de uma textura é necessário processar cada pixel da imagem. Considerando uma imagem de tamanho N N, temos um total de N 2 pixels para serem processados. Para cada imagem gerada, é necessário calcular a lacunaridade da mesma. Para um determinado valor de janela r, o custo computacional da lacunaridade é (N r + 1) 2 r 2. Note que o maior tamanho de caixa usado nos experimentos foi r = 11, muito inferior ao tamanho da imagem N = 128. Assim, podemos considerar o custo computacional da lacunaridade como sendo N 2. Por fim, o custo computacional do nosso método pode ser estimado como sendo O(T.N 2 + R.N 2 ), onde T é o número de estágios de colapso considerado para uma imagem, e R é o número total de valores de lacunaridade calculados para cada estágio de colapso. 6. Conclusão Figura 6. Lacunaridade estimada para os passos de tempo t = 1,..., 20 e tamanhos de janela r = {2, 3, 4, 5, 6}. De acordo com as considerações precedentes sobre o Este trabalho apresenta um método novo para extrair informação de texturas pela transformação dessas imagens em um sistemas gravitacional simplificado cujos estados são explorados pelo método da lacunaridade. Essa abordagem mostrou resultados superiores ao resultados de métodos clássicos, quando testado na base de imagens Outex. Os resultados mostraram que o método apresenta os melhores resultados usando valores espaçados de t e um conjunto de valores r. Assim, a abordagem proposta abre uma nova pesquisa na análise de textura e amplifica o conjunto de métodos para sua identificação, melhorando a precisão dos sistemas já desenvolvidos. Referências [1] C. Allain and M. Cloitre. Characterizing the lacunarity of random and deterministic fractal sets. Phys. Rev. A, 44(6): , 1991.
6 Figura 5. Exemplos de imagens de textura em processo de colapso: (a) Imagem original; (b)-(d) Texturas em processo de colapso nos tempos t = {10, 20, 30}. Método Imagens corretamente classificadas Taxa de acertos (%) Descritores de Fourier Matrizes de Co-ocorrência Filtros de Gabor Caminhada do Turista Abordagem Proposta Tabela 1. Resultados de diferentes métodos de textura na base de imagens Outex. [2] S. Arivazhagan and L. Ganesan. Texture classification using wavelet transform. Pattern Recognition Letters, 24(9-10): , [3] R. Azencott, J.-P. Wang, and L. Younes. Texture classification using windowed fourier filters. IEEE Trans. Pattern Anal. Mach. Intell, 19(2): , [4] A. R. Backes, W. N. Gonçalves, A. S. Martinez, and O. M. Bruno. Texture analysis and classification using deterministic tourist walk. Pattern Recognition, 43(3): , [5] A. R. Backes, W. N. Gonçalves, A. S. Martinez, and O. M. Bruno. Texture analysis and classification using deterministic tourist walk. Pattern Recognition, 43: , [6] J. W. Bala. Combining structural and statistical features in a machine learning technique for texture classification. In IEA/AIE (Vol. 1), pages , [7] D. Casanova, J. J. de Mesquita Sá Junior, and O. M. Bruno. Plant leaf identification using gabor wavelets. International Journal of Imaging Systems and Technology, 19(1): , [8] L. da F. Costa, F. A. Rodrigues, G. Travieso, and P. R. V. Boas. Characterization of complex networks: A survey of measurements. Advances in Physics, 56: , [9] P. Dong. Test of a new lacunarity estimation method for image texture analysis. International Journal of Remote Sensing, 21(17): , [10] G. Du and T. S. Yeo. A novel lacunarity estimation method applied to SAR image segmentation. IEEE Trans. Geoscience and Remote Sensing, 40(12): , [11] J. Facon, D. Menoti, and A. de Albuquerque Araújo. Lacunarity as a texture measure for address block segmentation. In Progress in Pattern Recognition, Image Analysis and Applications, 10th Iberoamerican Congress on Pattern Recognition, CIARP 2005, Havana, Cuba, November 15-18, 2005, Proceedings, volume 3773 of Lecture Notes in Computer Science, pages Springer, [12] R. M. Haralick. Statistical and structural approaches to texture. Proc. IEEE, 67(5): , [13] M. Idrissa and M. Acheroy. Texture classification using gabor filters. Pattern Recognition Letters, 23(9): , [14] C. S. Lu, P. C. Chung, and C. F. Chen. Unsupervised texture segmentation via wavelet transform. Pattern Recognition, 30(5): , [15] B. Mandelbrot. The fractal geometry of nature. Freeman, San Francisco, [16] I. Newton. Philosophiae Naturalis Principia Mathematica. University of California, original 1687, translation guided by I.B. Cohen. [17] T. Ojala, T. Mäenpää, M. Pietikäinen, J. Viertola, J. Kyllönen, and S. Huovinen. Outex: New framework for empirical evaluation of texture analysis algorithms. In International Conference on Pattern Recognition, pages , [18] J. J. M. Sá Junior and A. R. Backes. A simplified gravitational model for texture analysis. In CAIP (1), volume 6854 of Lecture Notes in Computer Science, pages Springer, [19] M. Tuceryan and A. K. Jain. Texture analysis. In C. H. Chen, L. F. Pau, and P. S. P. Wang, editors, Handbook of Pattern Recognition and Computer Vision, pages World Scientific, [20] M. Varma and R. Garg. Locally invariant fractal features for statistical texture classification. In ICCV International Conference on Computer Vision, pages 1 8, [21] H. Wendt, S. G. Roux, S. Jaffard, and P. Abry. Wavelet leaders and bootstrap for multifractal analysis of images. Signal Processing, 89: , 2009.
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de formas. Uberlândia 17/05/2013 IDENTIFICAÇÃO
Leia maisA SIMPLIFIED GRAVITATIONAL MODEL TO ANALYZE TEXTURE ROUGHNESS
A SIMPLIFIED GRAVITATIONAL MODEL TO ANALYZE TEXTURE ROUGHNESS Introdução Um padrão de textura é definido como uma função da variação espacial nas intensidades dos pixels Um dos mais importantes atributos
Leia maisA gravitational model for texture analysis applied to plant identification
A gravitational model for texture analysis applied to plant identification Jarbas Joaci de Mesquita Sá Junior Departamento de Engenharia de Computação Universidade Federal do Ceará Rua Estanislau Frota,
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 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 maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
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 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 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 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 maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
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 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 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 / 40 Descritores baseados em textura Local Activity
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 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 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 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 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 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 maisPerson Re-Identification. Autor: Guilherme Zasyeki Machado
Person Re-Identification Autor: Guilherme Zasyeki Machado Sumário - Introdução ao problema - Visão geral ao processo de Re-Identificação - Evolução estado da arte - Datasets disponíveis - Análise estado
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 maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
Leia maisFusão de Atributos para Segmentação de Couro Bovino
Fusão de Atributos para Segmentação de Couro Bovino Lia Nara Balta Quinta. Grupo de Pesquisa em Engenharia e Computação, GPEC Universidade Católica Dom Bosco, UCDB Av. Tamandaré, 6000 - Jardim Seminário
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisRECONHECIMENTO DE ÍRIS EM AMBIENTES NÃO COOPERATIVOS UTILIZANDO WAVELETS E GABOR 2D
RECONHECIMENTO DE ÍRIS EM AMBIENTES NÃO COOPERATIVOS UTILIZANDO WAVELETS E GABOR 2D Fernanda Maria Sirlene Pio SUMÁRIO 1. Introdução 2. Trabalhos relacionados 3. Metodologia 1. Segmentação 2. Normalização
Leia maisAlexandre Diehl Departamento de Física UFPel
- 6 Alexandre Diehl Departamento de Física UFPel Características do movimento Módulo do vetor velocidade é constante. O vetor velocidade muda continuamente de direção e sentido, ou seja, existe aceleração.
Leia maisOccupancy grid based graph-slam using the distance transform, SURF features and SGD
Occupancy grid based graph-slam using the distance transform, SURF features and SGD Autores: Arturo Gil, Miguel Juliá, Óscar Reinoso Artur Segal Kaim Agenda Introdução Arquitetura Resultados Trabalho futuro
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisAjuste de parâmetros no algoritmo de segmentação de imagens do software ecognition. Giovana Mira de Espindola Gilberto Câmara
Ajuste de parâmetros no algoritmo de segmentação de imagens do software ecognition Giovana Mira de Espindola Gilberto Câmara Instituto Nacional de Pesquisas Espaciais - INPE Caixa Postal 515-12245-970
Leia maisColor Texture Classification by using Opponent Color and Local Mapped Pattern
Color Texture Classification by using Opponent Color and Local Mapped Pattern Tamiris Trevisan Negri 1,2, Raissa Tavares Vieira 1, Adilson Gonzaga 1 1 Department of Electrical Engineering and Computing,
Leia maisReconhecimento de Tipos de Movimento Humano baseados no método GMM.
Reconhecimento de Tipos de Movimento Humano baseados no método GMM. C.Gonçalves 1 ; L.A.Pereira; J.C.Pizolato, Jr.; A.Gonzaga. Escola de Engenharia de São Carlos-EESC-USP Av. Trab. São-Carlense, 400 CP
Leia maisArquitetura para Transformada de Distância e sua aplicação. para o cálculo da Dimensão Fractal
Arquitetura para Transformada de Distância e sua aplicação Abstract para o cálculo da Dimensão Fractal Maximiliam Luppe, Angelo Cesar Colombini Unifran Universidade de Franca Av. Dr. Armando Sales Oliveira,
Leia maisIMPLEMENTAÇÃO DE ALGORITMO PARA IDENTIFICAÇÃO DE IMPRESSÕES DIGITAIS
Anais do 12 O Encontro de Iniciação Científica e Pós-Graduação do ITA XII ENCITA / 2006 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 16 a 19 2006 IMPLEMENTAÇÃO DE ALGORITMO
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 maisDimensão Fractal aplicada em imagens de satélite de áreas urbanas
Dimensão Fractal aplicada em imagens de satélite de áreas urbanas André R. Backes Universidade de São Paulo Instituto de Ciências Matemáticas e Computação São Carlos - SP backes@icmc.usp.br Adriana B.
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 maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia 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 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 maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
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 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 maisRECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
Leia maisMétodo da Determinação da Dimensão Fractal por Fourier e Análise Multiescala para Reconhecimento de Padrões
Método da Determinação da Dimensão Fractal por Fourier e Análise Multiescala para Reconhecimento de Padrões Leandro Paganotti Brazil, Leonardo A. Andrade, Odemir M. Bruno USP - Universidade de São Paulo
Leia maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisAVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO GUSTAVO TADEU ZANIBONI 1 LUCIANO VIEIRA DUTRA 1 1 INPE - Instituto
Leia maisAUTENTICAÇÃO DE IMPRESSÕES DIGITAIS
AUTENTICAÇÃO DE IMPRESSÕES DIGITAIS Felipe Negreiros Pedrosa- IC Aluno de graduação do curso de Eng. de Computação do Instituto Tecnológico de Aeronáutica Bolsista PIBIC-CNPQ; Brasil; e-mail: felipe.pedrosa@gmail.com
Leia maisDimensão Fractal Volumétrica aplicada à imagens urbanas de sensoriamento remoto
Dimensão Fractal Volumétrica aplicada à imagens urbanas de sensoriamento remoto André R. Backes backes@icmc.usp.br Adriana B. Bruno adbbruno@gmail.com Odemir M. Bruno bruno@icmc.usp.br Mauro N. Barros
Leia maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisFísica 1. 3 a prova 09/12/2017. Atenção: Leia as recomendações antes de fazer a prova.
Física 1 3 a prova 09/12/2017 Atenção: Leia as recomendações antes de fazer a prova. 1- Assine seu nome de forma LEGÍVEL na folha do cartão de respostas. 2- Leia os enunciados com atenção. 3- Analise a
Leia maisUm sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV
Um sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV Rodrigo Mendes Garcês 1, Geraldo Braz Júnior 2 1 Laboratório de métodos de otimização e robótica Universidade Federal do
Leia maisIdentificação de Órgãos Foliares utilizando as Wavelets de Daubechies
Identificação de Órgãos Foliares utilizando as Wavelets de Daubechies Alexander Scaranti, Ronaldo Bernardi e Rodrigo de Oliveira Plotze Instituto de Ciências Exatas e Tecnologia - Universidade Paulista
Leia maisFace Descrip+on with Local Binary Pa6erns: Applica+on to Face Recogni+on JULIANO RAMOS LUANN LUNA
Face Descrip+on with Local Binary Pa6erns: Applica+on to Face Recogni+on JULIANO RAMOS LUANN LUNA Introdução O ar%go visa criar uma abordagem para o problema de reconhecimento de face: i.e.: Dada uma face,
Leia maisSISTEMA DE EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS EM IMAGENS
SISTEMA DE EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS EM IMAGENS Flávia Gonçalves Fernandes, João Ludovico Maximiano Barbosa, Ana Cláudia Patrocínio Universidade Federal de Uberlândia - UFU Faculdade de Engenharia
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia maisEstudos de métodos de análise de complexidade em imagens. André Ricardo Backes
Estudos de métodos de análise de complexidade em imagens André Ricardo Backes SERVIÇO DE PÓS-GRADUAÇÃO DO ICMC-USP Data de Depósito: 17 de março de 2010 Assinatura: Estudos de métodos de análise de complexidade
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 maisAplicações dos Postulados da Mecânica Quântica Para Simples Casos: Sistema de Spin 1/2 e de Dois Níveis
Aplicações dos Postulados da Mecânica Quântica Para Simples Casos: Sistema de Spin 1/ e de Dois Níveis Bruno Felipe Venancio 8 de abril de 014 1 Partícula de Spin 1/: Quantização do Momento Angular 1.1
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 maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisAplicação de Sistemas de Partículas e Smoothed Particle Hydrodynamics na Simulação de Regiões Espaço-Tempo Afetadas por Singularidades
Aplicação de Sistemas de Partículas e Smoothed Particle Hydrodynamics na Simulação de Regiões Espaço-Tempo Afetadas por Singularidades Autor: Douglas Farias Cordeiro, Orientadora: Celia A. Zorzo Barcelos
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 maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisUtilização das transformadas wavelets na detecção de características em um sinal de ECG
Utilização das transformadas wavelets na detecção de características em um sinal de ECG Orientador: Prof. Dr. Aldo Artur Belardi Departamento: Engenharia Elétrica Candidato: Gabriel Diego Porfirio N FEI:.206.062-9
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia 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 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 maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA - UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA - UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Implementação de métodos de Pré-Processamento de Imagens para a ferramenta imaged Uberlândia 25/05/2012 IDENTIFICAÇÃO
Leia maisImage Descriptors: color
Image Descriptors: color 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: color 2011 1 / 29 Agenda
Leia maisUniversidade Católica Dom Bosco
Universidade Católica Dom Bosco Centro de Ciências Exatas e Tecnológicas Curso de Engenharia de Computação Segmentação e Reconhecimento Baseado em Textura: Técnicas e Ferramentas Wagner Beloti Leal Prof.
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisUniversidade de Aveiro Departamento de Electrónica, Telecomunicações e Informática. Transformações 2D
Universidade de Aveiro Departamento de Electrónica, Telecomunicações e Informática Transformações 2D Computação Visual Beatriz Sousa Santos, Joaquim Madeira Transformações 2D Posicionar, orientar e escalar
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 maisMotivação Por que estudar?
Aula 04 Imagens Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação Motivação Por que estudar? Imagens digitais
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisTeoria do Controle: fundamentos teóricos e técnicas numéricas
Teoria do Controle: fundamentos teóricos e técnicas numéricas Identificação: Grande área do CNPq: Ciências Exatas e da Terra Área do CNPq: Matemática Título do Projeto: Teoria do Controle de Sistemas Quânticos
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisFÍSICA LEI DA GRAVITAÇÃO DE NEWTON ENGENHARIA
LEI DA GRAVITAÇÃO DE NEWTON ENGENHARIA 1 INTRODUÇÃO À LEI DE NEWTON DA GRAVITAÇÃO Por quê não caímos da Terra? Por que a Terra orbita o Sol? Por que quando soltamos um objeto ele cai em direção ao chão?
Leia mais4 Extração direta das PELs
4 Extração direta das PELs A detecção de arestas em imagens está relacionada à extração de feições, sendo uma ferramenta fundamental em processamento de imagens e visão computacional. Essa detecção visa
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Extração de Características
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Extração de Características Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Entender os conceitos de
Leia maisMathematical Morphology An Overview
Universidade Federal Fluminense Instituto de Computação Mathematical Morphology An Overview Jacó Júlio de Souza Costa jacojulio@gmail.com jacojulio@id.uff.br March 29, 2019 Sumário 1 Definição do Tema
Leia maisTransformada de Discreta de Co senos DCT
Transformada de Discreta de Co senos DCT O primeiro passo, na maioria dos sistemas de compressão de imagens e vídeo, é identificar a presença de redundância espacial (semelhança entre um pixel e os pixels
Leia maisKanade-Lucas-Tomasi Tracker
COPPE-UFRJ Kanade-Lucas-Tomasi Tracker Ricardo Marroquim data entrega: pós-graduação: 18/05/2016 graduação: 27/05/2016 1 NOTAÇÕES Uma imagem é definida como uma função f (x, y), x, y Z, onde f (x, y) :
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisImage Descriptors: local features
Image Descriptors: local features 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: local features 2011
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 maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisProf. Dr. Ronaldo Rodrigues Pelá. 6 de junho de 2013
GRAVITAÇÃO Mecânica II (FIS-26) Prof. Dr. Ronaldo Rodrigues Pelá IEFF-ITA 6 de junho de 2013 Roteiro 1 Roteiro 1 O problema gravitacional de 2 corpos pode ser estudado, de um modo mais fácil, como um problema
Leia maisESCOAMENTO INCOMPRESSÍVEL TRIDIMENSIONAL
6 ESCOAMENTO INCOMPRESSÍVEL TRIDIMENSIONAL 6.1. Introdução Até agora foram analisados escoamentos bidiemensionais. Os escoamentos em torno dos corpos e perfis dos capítulos anteriores envolvem apenas duas
Leia maisUniversidade Federal do Rio de Janeiro. Flávio Henrique Schuindt da Silva. Estimativa de Fluxo Ótico com o método de Lukas-Kanade
Universidade Federal do Rio de Janeiro Programa de Engenharia de Sistemas e Computação Introdução ao Processamento de Imagens Flávio Henrique Schuindt da Silva Estimativa de Fluxo Ótico com o método de
Leia mais