Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
|
|
|
- Luzia Macedo
- 5 Há anos
- Visualizações:
Transcrição
1 Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea Pedro Henrique Campos Cunha Gondim Orientador: André Ricardo Backes Coorientador: Bruno Augusto Nassif Travençolo Universidade Federal de Uberlândia 16 de agosto de 2018 Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
2 Roteiro 1 Introdução 2 Fundamentação Teórica 3 Método Proposto 4 5 Conclusão Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
3 Introdução Roteiro 1 Introdução 2 Fundamentação Teórica 3 Método Proposto 4 5 Conclusão Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
4 Introdução Introdução A cada ano a computação auxilia mais a biologia: Processamento de sinais; Processamento de dados numéricos; Processamento de imagens digitais. (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
5 Introdução Introdução Rede vascular óssea Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
6 Introdução Introdução Aquisição de imagem histológica Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
7 Introdução Introdução Aquisição de imagem histológica Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
8 Introdução Introdução Análise de imagem histológica Detectar características inerentes ao indivíduo Detectar anomalias no tecido; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
9 Introdução Motivação Ainda hoje feito de maneira manual; Auxiliar especialistas da área; Segmentação é um campo de pesquisa pouco explorado; Utilizam Redes Neurais Artificiais; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
10 Introdução Objetivo Método de segmentação automática/semiautomática para imagens histológicas da rede vascular óssea corada com H&E; Aumentar a precisão de detecção de componentes histológicos (canais e osteócitos); Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
11 Introdução Dificuldades Diversidade e complexidade dos tecidos analisados; Preparação imperfeita das amostras; Alta dimensionalidade dos dados; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
12 Fundamentação Teórica Roteiro 1 Introdução 2 Fundamentação Teórica 3 Método Proposto 4 5 Conclusão Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
13 Fundamentação Teórica Espaços de cores e suas transformações XYZ Luminosidade: referente ao brilho (intensidade); Cromaticidade: referente a matiz e saturação (cor); Y: brilho; X e Z: cromaticidade; RGB para XYZ pixel a pixel; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
14 Fundamentação Teórica Espaços de cores e suas transformações CIE L*a*b* 1976 Luminosidade: referente ao brilho (intensidade). Cromaticidade: referente a matiz e saturação (cor). L*: brilho; a* e b*: cromaticidade; RGB para CIE L*a*b* 1976, sistema de equações baseado no branco; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
15 Fundamentação Teórica Normalização de imagens histológicas Reduzir as variações nas características; Melhorar os padrões dos tecidos biológicos; (a) (b) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
16 Deconvolução de cor Fundamentação Teórica Separação de corantes por canais Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
17 Fundamentação Teórica Algoritmo de agrupamento k-means Aprendizado não supervisionado; Separa dados de entrada em k grupos; Em segmentação k-means separa os grupos por similaridade de intensidade. Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
18 Fundamentação Teórica Operações morfológicas Erosão; Dilatação; Abertura; Fechamento; Convex Hull; Cálculo da circularidade através do PCA. Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
19 Fundamentação Teórica Segmentação Otsu Segmentação automática baseado no histograma; Maximizar a variância entre classes divididas pelo limiar T; Valley-emphasis A probabilidade do limiar T ocorrer deve ser pequena. Neighborhood valley-emphasis Considera a vizinhança do limiar T; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
20 Registro de imagem Fundamentação Teórica Registro por Deformação Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
21 Registro de imagem Fundamentação Teórica Registro por Deformação Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
22 Fundamentação Teórica Técnicas de avaliação para segmentação de imagens Abordagem diagnóstica Verdadeiro Positivo (VP): pixels que foram segmentados como objeto e também são objeto na imagem do especialista; Verdadeiro Negativo (VN): pixels que foram segmentados como fundo e são parte do fundo na imagem do especialista; Falso Positivo (FP): pixels que foram segmentados como objeto mas não são parte do objeto na imagem do especialista; Falso Negativo(FN): pixels que foram segmentados como fundo e não fazem parte do fundo na imagem do especialista; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
23 Fundamentação Teórica Técnicas de avaliação para segmentação de imagens Abordagem diagnóstica Ac = Se = Es = VP VP + FN VN VN + FP VP + VN VP + VN + FP + FN (1) (2) (3) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
24 Fundamentação Teórica Técnicas de avaliação para segmentação de imagens Coeficiente de Dice A B Dice = 2 A + B (4) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
25 Método Proposto Roteiro 1 Introdução 2 Fundamentação Teórica 3 Método Proposto 4 5 Conclusão Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
26 Método Proposto Descrição Geral Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
27 Método Proposto Pré-processamento Normalização de imagens histológicas; Mudança de espaço de cor RGB para CIE L*a*b* 1976; Deconvolução de cor; (a) (b) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
28 Método Proposto Processamento k-means aplicado nos canais, L*, H e HE; Menor distância entre a media de intensidade e o branco é selecionado como região de interesse; União entre as imagens segmentadas (J); Crescimento de regiões guiado aplicado na imagem J; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
29 Método Proposto Pós-processamento Preenchimento de buracos; Eliminação de objetos não circulares (elongação através do PCA); Eliminação de grandes e pequenos objetos (baseado no tamanho da imagem); Eliminação de objetos sem coloração branca; Eliminação de objetos não tingidos pelo corante hematoxilina; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
30 Roteiro 1 Introdução 2 Fundamentação Teórica 3 Método Proposto 4 5 Conclusão Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
31 Maxila e mandíbula humana. Imagens cedidas pela Profa. Dra. Rejane de Faria Ribeiro-Rotta (UFG); Média de 1388 linhas por 1040 colunas, total de pixels: ; Conjunto Local Quantidade P3A mandíbula posterior esquerda 13 P3D mandíbula posterior direita 20 S17 maxila posterior direita 12 S19F maxila posterior esquerda 10 S27 mandíbula posterior direita 20 S29A maxila anterior 17 S35 mandíbula posterior direita 21 S36A maxila posterior esquerda 13 S37 mandíbula posterior esquerda 13 S39A mandíbula posterior direita 14 Total Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
32 Maxila e mandíbula humana. Imagens relacionadas a cada grupo P3A P3D S17 S19 S27 S29A Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
33 Maxila e mandíbula humana. Imagens relacionadas a cada grupo S35 S36A S37 S39A Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
34 Maxila e mandíbula humana. Alinhamento manual (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
35 Maxila e mandíbula humana. Irregularidades encontradas nas imagens (a) (b) (c) (d) (e) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
36 Maxila e mandíbula humana. Normalização (a) (b) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
37 Maxila e mandíbula humana. Mudança do espaço de cor e Deconvolução de cor (a) (b) (c) (d) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
38 Maxila e mandíbula humana. k-means (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
39 Maxila e mandíbula humana. Escolha do grupo mais próximo ao branco (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
40 Maxila e mandíbula humana. Junção das imagens H e L*, Crescimento de regiões guiado (a) (b) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
41 Maxila e mandíbula humana. Pós-processamento (a) (b) (c) (d) (e) (f) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
42 Maxila e mandíbula humana. Relação total de imagens e imagens segmentadas Conjunto Quantidade Total Quantidade Segmentada P3A P3D S S19F 10 9 S S29A S S36A 13 9 S S39A 14 8 Total Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
43 Maxila e mandíbula humana. Imagens descartadas (a) (b) (c) (d) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
44 Maxila e mandíbula humana. Resultado Abordagem Diagnóstica Conjunto Sensibilidade Especificidade Acurácia P3A 91,17% 99,91% 98,44% P3D 67,40% 99,40% 98,37% S17 83,59% 99,78% 98,97% S19F 62,16% 99,98% 97,20% S27 94,51% 98,74% 98,18% S29A 63,18% 94,15% 91,10% S35 85,68% 99,95% 99,41% S36A 97,86% 91,99% 94,20% S37 81,42% 99,93% 96,95% S39A 90,33% 99,21% 97,69% Média 85,99% 98,30% 97,05% Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
45 Maxila e mandíbula humana. Média do coeficiente de Dice Conjunto NVE Otsu VE MP P3A 90,67% 89,84% 63,93% 95,08% P3D 42,25% 43,45% 49,25% 73,58% S17 72,33% 63,48% 64,87% 88,93% S19 30,79% 19,58% 18,54% 76,21% S27 89,50% 87,61% 88,13% 93,60% S29A 51,74% 48,17% 48,23% 60,81% S35 63,52% 55,31% 56,55% 91,40% S36A 78,68% 78,75% 78,75% 92,74% S37 69,16% 64,82% 64,09% 89,11% S39A 76,50% 64,60% 64,42% 93,02% Média 61,51% 53,69% 59,76% 85,44% Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
46 Fêmur esquerdo de rato. Imagens cedidas pela Profa. Dra. Paula Dechichi (UFU); Média de 7844 linhas por 7786 colunas, total de pixels: ; Total de imagens: 168; Tiveram de ser redimensionadas para 80% do seu tamanho original; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
47 Fêmur esquerdo de rato. Remoção de objetos não conectados a matriz óssea (a) (b) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
48 Fêmur esquerdo de rato. Aberturas morfológicas para eliminação de objetos externos a matriz óssea (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
49 Fêmur esquerdo de rato. Operações de reconstrução da matriz óssea (a) (b) (c) (d) (e) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
50 Fêmur esquerdo de rato. Eliminação de partes do convex hull (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
51 Fêmur esquerdo de rato. Aberturas morfológicas para eliminação de objetos internos a matriz óssea (a) (b) (c) (d) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
52 Fêmur esquerdo de rato. Resultado final do isolamento da matriz óssea (a) (b) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
53 Fêmur esquerdo de rato. Alinhamento automático das imagens - 1 (Original) (Alinhado) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
54 Fêmur esquerdo de rato. Alinhamento automático das imagens - 2 (Original) (Alinhado) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
55 Fêmur esquerdo de rato. Alinhamento automático das imagens - 3 (Original) (Alinhado) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
56 Fêmur esquerdo de rato. Normalização (a) (b) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
57 Fêmur esquerdo de rato. Mudança do espaço de cor e Deconvolução de cor (L*) (H) (E) (HE) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
58 Fêmur esquerdo de rato. k-means (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
59 Fêmur esquerdo de rato. Escolha do grupo mais próximo ao branco (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
60 Fêmur esquerdo de rato. Junção das imagens H, L* e HE; Crescimento de Regiões (a) (b) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
61 Fêmur esquerdo de rato. Pós-processamento Resultado Processamento: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
62 Fêmur esquerdo de rato. Pós-processamento Preenchimento de buracos: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
63 Fêmur esquerdo de rato. Pós-processamento Remoção de objetos não circulares: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
64 Fêmur esquerdo de rato. Pós-processamento Remoção de grandes e pequenos objetos: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
65 Fêmur esquerdo de rato. Pós-processamento Remoção de objetos não segmentados na imagem L*: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
66 Fêmur esquerdo de rato. Pós-processamento Remoção de objetos não segmentados na imagem H ou HE: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
67 Fêmur esquerdo de rato. Relação entre área marcada pelo especialista e artefato real Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
68 Fêmur esquerdo de rato. Resultado Abordagem Diagnóstica Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
69 Fêmur esquerdo de rato. Comparação resultado Dice Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
70 Fêmur direito de rato. Cedidas pela Profa. Dra. Paula Dechichi (UFU); Média de linhas por colunas; Total de pixels: ; Total de imagens: 85; Tiveram de ser cortadas na metade; Não foram redimensionadas; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
71 Fêmur direito de rato. Eliminação de objetos pouco conectados a matriz óssea (a) (b) (c) (d) (e) (f) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
72 Fêmur direito de rato. Eliminação de objetos muito conectados a matriz óssea (a) (b) (c) (d) (e) (f) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
73 Fêmur direito de rato. Segmentação do interior da matriz óssea para referência de corte (a) (b) (c) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
74 Fêmur direito de rato. Tentativa alinhamento Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
75 Fêmur direito de rato. Pós-processamento Resultado Processamento: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
76 Fêmur direito de rato. Pós-processamento Preenchimento de buracos: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
77 Fêmur direito de rato. Pós-processamento Remoção de objetos não circulares: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
78 Fêmur direito de rato. Pós-processamento Remoção grandes e pequenos objetos: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
79 Fêmur direito de rato. Pós-processamento Remoção de objetos não segmentados na imagem L*: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
80 Fêmur direito de rato. Pós-processamento Remoção de objetos não segmentados na imagem H ou HE: Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
81 Fêmur direito de rato. Resultado Abordagem Diagnóstica Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
82 Fêmur direito de rato. Comparação resultado Dice Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
83 Conclusão Roteiro 1 Introdução 2 Fundamentação Teórica 3 Método Proposto 4 5 Conclusão Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
84 Conclusão Conclusão Foi desenvolvido um método que pode ser usado tanto de maneira automática, como semiautomática para a segmentação de canais ósseos e osteócitos; Método foi capaz de segmentar de maneira satisfatória as regiões de interesse; A aquisição das imagens interferem muito no resultado da segmentação; Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
85 Conclusão Trabalhos Futuros Imagens do estudo de caso 3 serão alinhadas manualmente; Reconstrução 3D de cada estudo de caso; Análise entre os artefatos do segundo e terceiro estudo de caso, para avaliar o impacto da radioterapia na rede vascular óssea. (GONDIM et al., 2017) Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
86 Conclusão Contribuições em Produção Bibliográfica GONDIM, P. H. C. C. et al. Automatic segmentation of the human bone vascular network. XIII Workshop de Visão Computacional, p , Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
87 Conclusão Produção Bibliográfica em andamento Está sendo desenvolvido um artigo para a revista Neurocomputing, a respeito da reconstrução 3D do Estudo de Caso do Fêmur esquerdo do rato de laboratório. Pedro Gondim (UFU) Desenvolvimento de um método automático de agosto de / 87
PMR2560 Visão Computacional Detecção de cores e blobs. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Detecção de cores e blobs Prof. Eduardo L. L. Cabral Objetivos Detecção de cores; Detecção de blobs. Detecção de cores Cores são facilmente identificadas nas imagens. Cor a
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
![[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações](/thumbs/53/31629185.jpg "[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações")
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Dr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 32 Sumário Conceitos Sistema de
Extração 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
Ferramenta de Reconhecimento de Gestos da Mão
Ferramenta de Reconhecimento de Gestos da Mão Rodrigo Bambineti Acadêmico Dalton Solano dos Reis Orientador Roteiro Introdução Objetivo Motivação Processo Visão computacional: Técnicas Realce Morfologia
Detecção automática de pontos para alinhamento de guia tomográfica de mandíbula
Detecção automática de pontos para alinhamento de guia tomográfica de mandíbula Autor: Renan Carlos Pereira de Moraes Orientador: André Ricardo Backes Introdução Descoberta dos Raios X em 1895 por Wilhelm
Visão 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) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
Visão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Processamento 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
Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Prof. André Y. Kusumoto andrekusumoto.unip@gmail.com Amostragem e Quantização Amostragem refere-se ao número de pontos
Dr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 18 Sumário Conceitos Sistema de
Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Amostragem e Quantização Amostragem refere-se ao número de pontos amostrados de uma imagem digitalizada (resolução).
Estudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
DETECÇÃO DE LINHA DO HORIZONTE EM IMAGENS DIGITAIS HORIZON LINE DETECTION IN DIGITAL IMAGES
DETECÇÃO DE LINHA DO HORIZONTE EM IMAGENS DIGITAIS HORIZON LINE DETECTION IN DIGITAL IMAGES BEUREN, Arlete Teresinha 1 ; FACON, Jacques 2 1 UTFPR, Santa Helena, Paraná, Brasil; 2 Pontifícia Universidade
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Segmentação. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Segmentação Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos básicos de segmentação
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Análise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
1.1. Trabalhos Realizados na Área
1 1 Introdução Várias formas de tratamento de lesões de úlceras de perna têm sido empregadas hoje em dia. O método de tratamento dependerá da origem da úlcera bem como de seu estado patológico. Com o objetivo
3 Sistema Proposto Descrição do Sistema
3 Sistema Proposto Este capítulo apresenta em detalhes os elementos de hardware e software que compõem o protótipo do sistema de reconhecimento de íris construído neste trabalho. 3.1. Descrição do Sistema
Reconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
PMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
DEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS
DEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS * Aluno do curso Tecnologia em Sistemas de Telecomunicações da UTFPR jvrsschaid@gmail.com ** Aluno
2 Subtração de fundo
14 2 Subtração de fundo Este capítulo apresenta a subtração de fundo, tarefa para qual foi reservado um grande esforço inicial devido a sua enorme importância para a boa funcionalidade das outras etapas.
Conclusões e Trabalhos Futuros
79 8 Conclusões e Trabalhos Futuros O presente trabalho teve o propósito de desenvolver um algoritmo para segmentação e quantificação de tecidos internos em imagens de úlceras de perna. O trabalho fará
Reconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Dermanostic: um método para normalização da iluminação em imagens de lesões cutâneas
Departamento de Sistemas e Computação FURB Curso de Ciência da Computação Trabalho de Conclusão de Curso 2016/2 Dermanostic: um método para normalização da iluminação em imagens de lesões cutâneas Acadêmico:
Processamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
Resultados da Segmentação
59 6 Resultados da Segmentação Neste capítulo são avaliados os três algoritmos de binarização abordados no capítulo 4. A avaliação é obtida comparando-se as imagens segmentadas, com as mesmas imagens segmentadas
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
SEL-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
Determinação 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
Método de Otsu. Leonardo Torok 1
Método de Otsu Leonardo Torok 1 1 Instituto de Computação Universidade Federal Fluminense (UFF) Av. Gal. Milton Tavares de Souza, s/nº 24.210 346 Niterói RJ Brasil ltorok@ic.uff.br Resumo. O método de
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Introdução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira
Análise de Extratores de Características para a Classificação de Tecidos Pulmonares e Não-Pulmonares em Imagens de Tomografia Computadorizada de Alta Resolução Aluna: Aline Dartora Orientador: Prof. Dr.
Detecção 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
Diagnóstico Médico de Imagem Auxiliado por Computador
Diagnóstico Médico de Imagem Auxiliado por Computador Fundamentos de Sistemas Multimídia Flávio Luiz Seixas 2005 Agenda Agenda: Sistemas CAD Telemedicina Princípios da Tomografia Computadorizada Processamento
Um método automático de segmentação de imagens aplicado à análise do marmoreio da carne em plataforma móvel
Um método automático de segmentação de imagens aplicado à análise do marmoreio da carne em plataforma móvel Gabriel Fillipe Centini Campos 1, Sylvio Barbon Júnior 1 1 Departamento de Computação Universidade
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Introdução ao Reconhecimento. Prof. Dr. Geraldo Braz Junior
Introdução ao Reconhecimento Prof. Dr. Geraldo Braz Junior O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos Vários 4 Pergunta:
VISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Detalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
![[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações](/thumbs/82/85819626.jpg "[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações")
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 2 Introdução ao Processamento
Processamento e Análise de Imagem. Aplicações na Imagem Médica
Processamento e Análise de Imagem Aplicações na Imagem Médica António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Tecnologia de Imagem Imagem de Entrada Processamento
Roteiro. Métodos diagnósticos: conceitos gerais. Download da aula e links. Introdução. Fases de um programa sanitário. Parâmetros. PCR ou ELISA?
Roteiro Métodos diagnósticos: conceitos gerais. Apresentação de conceitos e suas inter relações. Reação de Elisa e PCR como exemplos. Prof. Dr. Fábio Gregori Laboratório de Biologia Molecular Aplicada
SEMINÁRIO 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
Uma abordagem baseada em texels para síntese de texturas que variam progressivamente
Uma abordagem baseada em texels para síntese texturas que variam progressivamente Leandro Tonietto Orientador Marcelo Walter Mestrado em Computação Aplicada Março/2005 Introdução Problema: custo/dificulda
Mapeamento 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
Processamento de Imagens
Processamento de Imagens Morfologia Matemática Binária Prof. Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR)
Segmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo
Segmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo Dissertação de Mestrado Aluno: Bruno Costa Orientador: Herman Gomes
Relatório de Experimentos: Processamento de Imagens em Alimentos
Relatório de Experimentos: Processamento de Imagens em Alimentos Saulo Martiello Mastelini 12 de Julho de 2016 Para realização das operações requeridas, a ferramenta ImageJ foi utilizada. Após cada passo
- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry
PCS - 5689 - lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno:
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
MORFOLOGIA MATEMÁTICA
MORFOLOGIA MATEMÁTICA Morfologia Na Biologia área que trata com a forma e a estrutura de plantas e animais Processamento de Imagens Ferramenta para extração de componentes de imagens que sejam úteis na
API para transformação de imagem em cartum utilizando plataforma ios. Acadêmico Christian Hess Orientador Dalton Solano dos Reis
API para transformação de imagem em cartum utilizando plataforma ios Acadêmico Christian Hess Orientador Dalton Solano dos Reis Roteiro da apresentação Introdução Fundamentação teórica Desenvolvimento
4 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
Diego 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
Morfologia 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
Comunicado MMC 030/2010 Belo Horizonte, 30 de novembro de 2010 OFERTA DE DISCIPLI AS PARA O 1º SEMESTRE DE 2011
Comunicado MMC 030/2010 Belo Horizonte, 30 de novembro de 2010 OFERTA DE DISCIPLI AS PARA O 1º SEMESTRE DE 2011 º DISCIPLI A TIPO CH CR DOCE TE DIA HORÁRIO 1. Álgebra Linear OB 45 3 Fausto de Camargo Júnior
Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
![Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]](/thumbs/73/68656289.jpg "Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]")
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Investigating Color Models for Cellular Segmentation of White Blood Cells
Investigating Color Models for Cellular Segmentation of White Blood Cells Thaína A. Azevedo Tosta, Andrêssa Finzi de Abreu, Diogo Silva Vilela, Leandro Alves Neves, Bruno A. Nassif Travençolo e Marcelo
Bibliografia. Processamento de imagem digital com FIJI/ImageJ. Algumas aplicações. Análise de Imagens 27/08/2018. Processamento e Análise de Imagens
Bibliografia Fiji/ImageJ: http://fiji.sc Processamento de imagem digital com FIJI/ImageJ Otávio da Fonseca Martins Gomes Gomes, O. Processamento e Análise Digital de Imagens (Cap. 3). In: Microscopia Co-
Morfologia Matemática em Imagens
Processamento e nálise de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. FMB Departamento de Computação e Matemática (FFCLRP/USP) Principais Tópicos Introdução Morfologia
5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Exemplos. Propagação (Reconstrução)
Processamento de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) Propagação (Reconstrução) lgoritmos Baseados
PMR2560 Visão Computacional Imagens binárias. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Imagens binárias Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens binárias: Operadores binários; Propriedades geométricas; Múltiplos objetos; Segmentação da imagem.
Aula 4: Morfologia de Imagens
SEL 5886 - VISÃO COMPUTACIONAL Aula 4: Morfologia de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Colaboração: Dr. Bruno R. N. Matheus Morfologia Morfologia matemática: Ferramenta para extração de
Lip Recognition. Victor Mocelin
Lip Recognition Victor Mocelin Sumário 1. Introdução do problema 2. Por que usar os lábios? 3. Dificuldades 4. Artigos relacionados 5. Referências 2 Introdução do problema Entradas Credencial Imagem dos
Imagem, Pixels, Modelos de Cor e Operações. Visão Computacional - UFMA
Imagem, Pixels, Modelos de Cor e Operações Visão Computacional - UFMA Imagem Digital Uma imagem contém uma quan9dade discreta de elementos chamados pixels Cada pixel possui um valor intensidade no caso
Processamento 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
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
AMANDA SAORI FUKUSHIGUE HAMA SEGMENTAÇÃO DE OBJETOS EM MOVIMENTO UTILIZANDO PROCESSAMENTO DE VÍDEO
AMANDA SAORI FUKUSHIGUE HAMA SEGMENTAÇÃO DE OBJETOS EM MOVIMENTO UTILIZANDO PROCESSAMENTO DE VÍDEO LONDRINA PR 2018 AMANDA SAORI FUKUSHIGUE HAMA SEGMENTAÇÃO DE OBJETOS EM MOVIMENTO UTILIZANDO PROCESSAMENTO
Processamento de Imagens Coloridas. 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227
Processamento de Imagens Coloridas 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227 Introdução Apesar do processo de percepção e interpretação de cores não ser completamente compreendido,
Processamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Consultas 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
Roteiro Testes sorológicos e moleculares no diagnóstico das doenças infecciosas: o que é necessário saber? Download da aula e links.
Roteiro Testes sorológicos e moleculares no diagnóstico das doenças infecciosas: o que é necessário saber? Apresentação de conceitos e suas relações. Reação de Elisa e PCR como exemplos. Prof. Dr. Fábio
Implementação de um Sistema de Fusão de Imagens no Modelo
Implementação de um Sistema de Fusão de Imagens no Modelo HSI 27 de novembro de 2009 O que será apresentado O que será apresentado : Problemática; O Modelo HSI; Proposta; Implementação do sistema: ; ;
PROCESSAMENTO DE IMAGENS DIGITAIS PARA VISÃO ROBÓTICA. Digital Image Processing for Robotic Vision
PROCESSAMENTO DE IMAGENS DIGITAIS PARA VISÃO ROBÓTICA Digital Image Processing for Robotic Vision Luiz Ferreira MENEZES Jr. Faculdade de Jaguariúna Resumo: Este trabalho descreve quatro métodos para converter
Segmentação automática de áreas urbanas em imagens de sensoriamento remoto
Segmentação automática de áreas urbanas em imagens de sensoriamento remoto Anderson Marco Instituto de Física de São Carlos anderson.marco@gmail.com Adriana B. Bruno Departamento de Arquitetura e Urbanismo
Segmentação para Identificação de Defeitos em Superfícies Metálicas: Uma Comparação de Técnicas de Redes Neurais Artificiais e Sistemas Fuzzy
Segmentação para Identificação de Defeitos em Superfícies Metálicas: Uma Comparação de Técnicas de Redes Neurais Artificiais e Sistemas Fuzzy Diego Rafael Moraes Universidade de São Paulo (São Carlos)
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Visão Computacional. Prof. Leandro Augusto Frata Fernandes TCC Introdução à Ciência da Computação (2012.
Visão Computacional Prof. Leandro Augusto Frata Fernandes laffernandes@ic.uff.br TCC-00.169 Introdução à Ciência da Computação (2012.1) Visão Humana Responsável por cerca de 75% de nossa percepção O ato
TE073 PDS II Programa de Pós-Graduação em Engenharia Elétrica
TE073 PDS II Programa de Pós-Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Objetivos Melhoria
DIÓGENES DOS SANTOS SILVA AJUSTES DO ELEMENTO ESTRUTURAL E FILTROS PARA CONTAGEM AUTOMÁTICA DE OVOS DO AEDES AEGYPTI EM IMAGENS DE ARMADILHAS DE OVOS
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA CURSO DE BACHARELADO EM ENGENHARIA DA COMPUTAÇÃO DIÓGENES DOS SANTOS SILVA AJUSTES DO ELEMENTO ESTRUTURAL E FILTROS PARA CONTAGEM AUTOMÁTICA DE
Detecção de faces. Marta Villanueva Torres
Detecção de faces Marta Villanueva Torres Introdução ao Processamento de Imagens 2014.1 1. INTRODUÇÃO O objetivo deste trabalho é desenvolver um algoritmo que detecte faces em imagens. Sendo que, atualmente,
Processamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 30 de julho de 2015 Motivações: cor ajuda reconhecimento
READING 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
Introdução ao Processamento de Imagens
IFSul Eng. Elétrica Processamento de Imagens Digitais Introdução ao Processamento de Imagens Material de apoio organizado por: Glaucius Décio Duarte Atualizado em 18 jul. 2017 Conceitos Processamento digital
Motivação 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
Universidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Caracterização de danos de maquinagem em placas compósitas
Caracterização de danos de maquinagem em placas compósitas Luís Miguel Pereira Durão ISEP/CIDEM João Manuel R. S. Tavares FEUP/LOME António Torres Marques FEUP/INEGI Manuel Freitas IST/DEM António G. Magalhães
Processamento de Imagens Termais Aplicado à Navegação Autônoma. Wanessa da Silva
Processamento de Imagens Termais Aplicado à Navegação Autônoma Wanessa da Silva Outubro, 2016 Introdução Roteiro Métodos Imagens Utilizadas Resultados Considerações Finais 1. Introdução 2. Métodos 4. Imagens:
Aprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Introdução
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Introdução Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceito básicos de reconhecimento
Segmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Alinhamento de Estruturas em Imagens Médicas: Estudo, Desenvolvimento e Aplicação
Alinhamento de Estruturas em Imagens Médicas: Estudo, Desenvolvimento e Aplicação Orientador: Prof. João Manuel R. S. Tavares FEUP/DEMec Co-orientador: Dra. Ana Mafalda Reis Hospital Pedro Hispano 26 de