Tópicos Especias em Sensoriamento Remoto
|
|
- Adriano Vilaverde
- 4 Há anos
- Visualizações:
Transcrição
1 Tópicos Especias em Sensoriamento Remoto Enfoque: Programa Sensoriamento Remoto: Aplicações Em Ambiente Urbana Conteúdo Introdutório: «A cartografia Urbana» escala, qualidade e niveis de informação. «Imagens de Alta-Resolução: Estado da Arte» 1
2 AULA 6 CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO A- Segmentação B- Contexto e topologia C- Métodos Mínima Distância e Lógica Fuzzy D- Trabalho Prático: e-cogntition Segmentação: Introdução e Conceitos A segmentação tem sido alvo de um grande número de pesquisas na área de análises de imagem, onde diferentes estudos tem sido elaborados na área de segmentação. Entretanto, poucos são os resultados que levam a produtos de qualidade. Uma destas razões é que a segmentação da imagem, em áreas de grande diversidade de objetos, pode existir um vasto número de possíveis soluções. Outra razão é que em vários casos, as regiões de interesse são heterogêneas, desta forma a informação necessária para fazer o discernimento das regiões (objetos) não é possível. 2
3 A segmentação subdivide uma imagem em suas partes ou objetos constituintes, e o nível até a qual essa subdivisão deve ser realizada depende da escala e/ou do problema a ser resolvido. Ou seja, a segmentação deve parar quando os objetos de interesse na aplicação tiverem sido isolados. Os algoritmos de segmentação de imagens são muitos e específicos, ou seja, desenvolvidos para determinada aplicação. O algoritmo que detecta com grande precisão um tumor não obteria o mesmo resultado ao tentar detectar um defeito de uma peça numa linha de montagem, portanto, não existe um modelo formal para segmentação. Pode se dizer, o processo é essencialmente empírico e deverá se ajustar a diferentes tipos de imagens e que melhor resultado da segmentação é aquele que fornecerá informações precisas para os futuros processamentos de classificação. Os algoritmos de segmentação de imagens em níveis de cinza, geralmente são baseados em uma das duas propriedades dos valores de níveis de cinza: - descontinuidade - e similaridade. Na primeira categoria, a abordagem é particionar uma imagem baseandose nas mudanças abruptas no nível de cinza. Já a similaridade baseia-se em limiarização, crescimento de regiões, divisão e fusão de regiões. 1 Ler: GONZALEZ & WOODS, Processamento de imagens digitais
4 Alguns algoritmos utilizados em Imagem de S. Remoto, tipo Landsat/Spot4/Cbers2 Crescimento de Regiões: Isoseg/Isodata O segmentador Isoseg/Isodata é um dos algoritmos disponíveis no Spring/Erdas. É um algoritmo de agrupamento de dados aplicado sobre o conjunto de regiões, que por sua vez são caracterizadas por seus atributos estatísticos de média, matriz de covariância, e também pela área. Agrupamentos Baseados na mínima distância espectral µ + σ µ µ - σ Banda B 5 Agrupamentos Iniciais baseados em µ (média) e σ (desvio padrão) Banda A µ - σ µ µ + σ 4
5 Um algoritmo de "clustering ou agrupamento não supõe nenhum conhecimento prévio da distribuição de densidade de probabilidade dos temas, como ocorre no algoritmo de máxima verossimilhança. É uma técnica de pré-classificação que procura agrupar regiões, a partir de uma medida de similaridade entre elas. Este tipo de segmentação permite reagrupar os segmentos ou objetos em classes utilizando uma medida de similaridade, em geral, distância de Mahalanobis que reagrupa ou pré-classifica os objetos objetos candidatos a determinada classes. Alguns autores denominam este processo de classificação não supervisionada. Modernamente este tipo de segmentação é um procedimento para detecção de algumas regiões de interesse na cena, portanto, não é um fim em si mesmo. O Processamento : A classificação não supervisionada é baseada no método da mínima distância espectral para categorizar determinado grupo de pixels. A primeira interação do algoritmo ISODATA utiliza a média dos N agrupamentos (clusters) que pode ser arbitrariamente determinada de acordo com o interesse do usuário. Após a primeira iteração uma nova média para os N agrupamentos são determinadas, baseada nas posições espectrais. O processo iterativo continua até não haver mais variação significativa entre as médias. 5
6 AGRUPAMENTO: Segmentos crescimento de regiões REAGRUPAMENTO: classes ou grupo de clustes agrupados pela Min. Distância. ITERAÇÕES: Imagem segmentada Definição do limiar: o usuário define um limiar de aceitação, dado em percentagem. Este limiar por sua vez define uma distância de Mahalanobis, de forma que todas regiões pertencentes a uma dada classe estão distantes da classe por uma distância inferior a esta. Detecção das classes ou agrupamento: as regiões são ordenadas em ordem decrescente de área e inicia-se o procedimento para agrupá-las em classes. Serão tomados como parâmetros estatísticos de uma classe (média e matriz de covariância), os parâmetros estatísticos da região de maior área que ainda não tenha sido associada a classe alguma. Em seguida, associa-se a esta classe todas regiões cuja distância de Mahalanobis for inferior a distância definida pelo limiar de aceitação. Competição entre classes: as regiões são reclassificadas, considerando-se os novos parâmetros estatísticos das classes, definidos na etapa anterior. Ao término, todas regiões estarão associadas á uma classe definida pelo algoritmo 6
7 Crescimento de Regiões: pixel semente Crescimento de regiões é um procedimento que agrupa pixels ou sub-regiões em regiões maiores. A mais simples das abordagens é a agregação de pixels, a qual começa com um conjunto de pontos sementes, e desses crescem regiões pela junção de cada ponto semente aqueles pixels vizinhos que têm propriedades similares (tais como nível de cinza, textura, cor). Na primeira etapa do processo, pares de pontos vizinhos são ligados para formar um conjunto, que os autores chamaram de regiões atômicas, se eles têm o mesmo valor de cinza. Em outras palavras, se eles têm a mesma intensidade e são conectados, então eles irão formando regiões conexas; Heuristica: Seja I todos os objetos da imagem, a segmentação por região pode ser vista como o processo de subdivisão de I em n sub-regiões, R1, R2,...RN, tal que: Ri = R U n i =1 onde todos os pixels devem pertencer a uma única região, Ri, região conexa, i=1,2,3...n; As regiões devem ser disjuntas, tal que, Ri Rj = Ø para todo i e j, i j; Os pixels em Ri de uma mesma região devem possuir a mesma intensidade ou característica; P(Ri)= verdadeiro para i= 1,2,..n e para diferentes regiões P(Ri U Rj )= falso, para i j. Em que P(Ri) é um predicado lógico sobre os pontos do conjunto Ri e Ø é o conjunto vazio; Heuristica:Hipótese que, numa pesquisa, leva a descoberta científica, método analítico para a descoberta de verdades científicas. 7
8 A condição (1) sugere que a segmentação deve ser completa. A segunda condição requer que pixels de uma mesma região devem ser conexos. A região cresce através da agregação de pixels com características similares tipo cor, brilho. A agregação que forma o objeto ou região é interrompida até não poder crescer mais, baseados nos parâmetros associados e limiar Segmentação: Cor Níveis de Heterogeneidade 8
9 Segmentação Multiresolução A segmentação numa primeira instância é determinada por um grau de homogeneidade que permita um agrupamento de pixels de acordo com uma resolução o mais fina possível. Usando segmentações repetidas ou re-segmentação, mais parâmetros poderão ser inseridos construindo, assim, relações entre os objetos em diferentes níveis O critério de semelhança é usado para definir a uniformidade dos segmentos. Dois critérios são usados para descrever a separação do objeto da imagem: critério da cor (espectral) e o critério da forma (suavização e compactação). Estes critérios controlam a homogeneidade dos segmentos e regiões. A descrição de heterogeneidade espectral é composta pela soma dos desvios padrão dos tons de cinza para uma dada banda σ c ponderados pelos pesos ω c He = ω c σ c Em muitos casos, a minimização exclusiva da heterogeneidade espectral resulta em segmentos fragmentados, principalmente em imagem muito texturizada. Por esta razão, em muitos casos deve-se considerar além da heterogeneidade espectral o critério de heterogeneidade espacial e, conseqüentemente, as formas dos objetos podem ser suavizadas. hf= l n heterogeneidade da forma ou espacial hf é dada por: onde: l= comprimento real da borda n= número de pixels que compõe o objeto 9
10 A cor está diretamente relacionada com a homogeneidade espectral e a forma com homogeneidade espacial. A escala e os critérios de semelhança controlam o resultado da segmentação criando objetos maiores ou menores, homogêneos ou menos homogêneos, ou ainda, suavizados ou não. A escolha do parâmetro de escala e critérios de semelhança está relacionada a resoluções espacial e espectral da imagem. Segmentação Multiresolução Critério Forma: A análise de forma e tamanho é uma poderosa ferramenta para a discriminação de objetos que possuem a mesma aparência espectral. Considerando, por exemplo, duas regiões de uma imagem R1 e R2 ambas podem apresentar resposta espectral muito similar nas bandas usadas para captar a imagem. Assim como a análise espectral baseia-se nos valores digitais das bandas, é necessário dispor de um parâmetro de forma e tamanho para descrever a forma dos objetos. Parâmetros : Área (A); Perímetro (P); Coeficiente de compacidade (cc); Distância polar ao centro de gravidade. 10
11 Compacidade Cp = 4. π. A/ P 2 É definido pela razão área A do objeto (polígono) e o raio da circunferência abrangente. Varia de 0 a 1. Suavidade Cp= 0,51 Cp= 0,78 S Cl / 4. A = Cl somatório dos segmentos limítrofes entre dois objetos. Expressa a suavidade do limite entre objetos. Quanto mais fractal, maior o índice de forma. S= 0,56 S=0,20 Segmentação Multiresolução MULTIRESOLUÇÃO: FUSÃO DE OBJETOS Fusão- Segmentação Multi-resolução Níveis Critérios de fusão multiresolução A segmentação pode ser descrita como uma fusão de regiões. O processo inicia-se com um pixel formando um objeto ou região, sendo que, a cada etapa, um par de objetos funde-se para formar um objeto maior. O processo de fusão está baseado no critério de homogeneidade (acima referido), observando-se a heterogeneidade h entre os objetos adjacentes. 11
12 É definido um parâmetro de heterogeneidade entre dois objetos adjacentes, dados pela seguinte expressão: h = ( f1 d - f2d ) d 2 onde: h heterogeneidade entre objetos para um espaço d-dimensional; f 1d e f 2d variância espectral de dois objetos. Como já foi citado, o critério de fusão depende da característica espectral (cor) e da espacial (forma). O valor geral do critério de fusão f é determinado por: f = w. h + ( 1 w ). h cor forma f = critério de fusão; w= é o peso dado a variável; h cor = hetorogeneidade espectral; h for = heterogeneidade espacial. Seja: h = w.( n. σ ( n. σ n. σ )) cor c a c c onde: c= bandas; n= tamanho do objeto agrupado; n 1 e n 2 = tamanho dos objetos; σ 1 e σ 2 = desvios padrões dos objetos h = w. h + ( 1 w ). h forma cp cp cp sv onde: wcp= peso; h cp = compacidade; h sv = suavidade, a determinação de hcp e hsv ( 1 ( 1 ) 2 ( 2 2 )) h = n.( l / b ) n. l / b + n. l / b sv a a a ( ) ( 1 ( 1 1 ) 2 ( 2 2 )) h = n. l / n n. l / n + n. l / n cp a a a 1 l 1 e l 2 são os perímetros dos objetos; b 1 e b 2 são os perímetros dos quadrados envolventes; ba, la referem-se ao perimetro objeto fundido n número de pixels 12
13 Características Topologicas e Semânticas dos Objetos 1. O que é objeto: O espaço é composto por objetos que possuem muitas propriedades e relações com outros objetos. O cérebro humano pode armazenar informações sobre os objetos tanto no âmbito espacial (localização) como no âmbito não espacial (atributo). A cognição espacial é baseada no conhecimento armazenado no cérebro humano, logo depende de condicionantes a priori. A ciência cognitiva vem ganhando interesse em Sensoriamento Remoto no que se refere à percepção e análise de imagens. No que concerne à Inteligência Artificial, o conhecimento pode ser definido como a informação ou os modelos usados pelo computador para interpretar, predizer e responder apropriadamente questões do mundo real. Conceitos No âmbito da imagem, objetos são agrupados de acordo com um modelo cognitivo. Existe uma capacidade intuitiva do cérebro em agrupar coisas similares. Objetos ou segmentos de características semelhantes podem ser agrupados formando regiões ou superobjetos. Esta capacidade de agrupamento é tão mais apurada quanto maior for a base do conhecimento, quanto mais bem definido o objetivo a ser alcançado. Os objetos e (ou) regiões que representam o mundo real possuem relações que podem ser expressas por um modelo semântico, de forma a exprimir a visão humana do arcabouço espacial (VORWERG & RICKHEIT, 1998). 13
14 Conceitos A representação do conhecimento é uma translação de uma situação ou problema em um sistema constituído de um vocabulário que nomeia os objetos e suas relações. MOLENAAR (1998) descreve os conceitos de sintaxe e semântica, na representação do conhecimento. A sintaxe se refere às regras formais que estruturam relações. A semântica por sua vez, refere-se ao significado dos objetos dentro de determinada situação. A semântica dos objetos espaciais pode ser manipulada por meio de uma sintaxe. 2. Semântica dos objetos A semântica é uma notação gráfica representando o conhecimento através da conexão entre arcos e nós. A implementação computacional da rede semântica foi pela primeira vez desenvolvida através de programas de inteligência artificial. Antigamente, estruturas semânticas eram aplicadas amplamente na filosofia, psicologia e lingüística como forma de representar o processo cognitivo 14
15 O que é comum em todas as redes semânticas é a representação gráfica que tanto pode ser utilizada para representar o conhecimento como para apoiar sistemas de inteligência artificial. O tipo mais antigo de rede semântica é a denominada definidora que enfatiza subtipos (relações de pertinência e subdivisões de conceitos tipo: parte_de). A primeira rede semântica definidora foi descrita pelo filósofo grego Porphiri, século III a.c, baseado no método de Aristóteles para separar categorias (genus). A relação entre conceitos é baseada em especialização,onde, conceito mais geral é denominado supertype ou hypernym e conceito mais especializado é denominado subtype or hyponym. Exemplo de semântica IMAGEM parte_de Superobjetos VEGETAÇÃO parte_de Ambiente Ciliar tipo_de Subobjetos Galeria Várzea 15
16 3. ORIENTAÇÃO A OBJETO: Relações Topológicas Topologia é um processo matemático para definir explicitamente relacionamentos espaciais; Para mapas a topologia define conexões entre entidades, identifica polígonos adjacentes. Características: armazenar dados vetoriais mais eficientemente; processar um maior número de dados; permitir a conexão de linhas em rede, combinar objetos adjacentes e sobrepor feições geográficas; Agregar objetos por meio de relações espaciais Topologia: Relações entre objetos Adjacência Conectividade Disjunção Contingência O conceito de vizinhança entre objetos ou regiões é definido por meio das relações topológicas. Estando definidos os relacionamentos topológicos sobre os objetos, pode-se a partir das propriedades de atributos (ex.: textura, forma, brilho, etc.) e propriedades geométricas (ex.: área e perímetro) realizar operações entre objetos. Estas operações produzem como resultado um agrupamento de objetos e valores que satisfazem a determinada restrição espacial 16
17 Objeto com Topologia Dado Temático Atributo OBJETO ID Dado Geométrico Topologia Tamanho e forma Posição e orientação Objeto com topologia Atributos o Espectral o Forma o Textura o Relações de vizinhança o Subobjetos 17
18 Superobjetos Subobjetos CLASSIFICAÇÃO DOS SEGMENTOS 1- INSERÇÃO DO CONTEXO RICHARDS. & JIA (1999) definem contexto como a relação de determinado pixel com os pixels da sua vizinhança. Em imagens de S. remoto, o conceito de contexto considera também à relação entre uma região com outra região (ou regiões). Métodos de classificação que consideram a categorização de determinado pixel ou objeto, baseado nas características dos pixels ou objetos vizinhos são denominados de classificador contextual. O grau com que pixels ou objetos adjacentes são correlacionados pode depender da resolução espacial e radiométrica da imagem da imagem. O contexto é um elemento muito importante no processo de classificação de imagem de alta resolução, pois este exprime uma maior possibilidade de similaridade espacial e espectral entre os objetos 18
19 Conceitos A segmentação multi-resolução é baseada em contexto e segundo MOLENNAAR (1998) permite a construção de estrutura hierárquica. O contexto é expresso através de definições semânticas dos objetos e suas estruturas descritivas. Isto significa que um objeto relativo à determinada classe se relaciona com outros objetos de acordo com um grau de hierarquia. A classificação baseada nesta estrutura de classes e superclasses através de uma relação de dependência hierárquica está subordinada ao conhecimento. Leia mais: MOLENAAR, Martien. Na indroduction to the theory of object modelling in GIS. Taylor&Francis No processo de classificação, o contexto entre os objetos está vinculado à análise de relacionamentos- uma classe A só existe se for adjacente a uma classe C, ou, A só existe se estiver contida em C. As regras Booleanas são oriundas das propriedades que compõem os objetos, propriedades estas de carácter geométrico e descritivo. Segundo MOLENAAR & CHENG (2000), o agrupamento de objetos com topologia vetorial permite a determinação de regiões, baseadas em características semânticas. Um mapa temático pode ser composto por conjuntos de regiões que compartilham de uma mesma classe. Contudo, uma região pode ser delimitada praticamente sob qualquer ângulo, sob diferentes óticas, permitindo assim flexibilizar limites. 19
20 Uma região se distingue das demais por possuir características próprias. Cabe aduzir o termo domínio para justificar as características inerentes aos fenômenos naturais localizados junto as unidades físicas estruturais, climáticas, morfológicas e espectrais, como por exemplo: domínio de várzea, domínio de erosão, domínio espectral, etc. A orientação a objeto permite ao usuário definir regras complexas baseadas em características espectrais e de relações espaciais. Este modelo permite que a semântica possa ser desenvolvida apoiada em parâmetros físicos e de conhecimento sobre relacionamentos. Relações e hierarquia Segmentos Rede Semântica 20
21 Exercício: Segmentar uma imagem IKONOS, utilizando ecognition. Criar diferentes niveis de segmentação testando os parâmetros espectrais, forma, textura. Avalie a tabela de atributos dos diferentes objetos. Analise os resultados. 21
ANÁLISE ORIENTADA A OBJETO (OBIA) E INTEGRAÇÃO SIG/SR
ANÁLISE ORIENTADA A OBJETO (OBIA) E INTEGRAÇÃO SIG/SR UFPR DEPARTAMENTO DE GEOMATICA PROF.ALZIR FELIPPE BUFFARA ANTUNES felipe@ufpr.br OBIA- object-based image analysis ObjectBased (OBIA) ou GEOBIA é uma
Leia maisCLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO
AULA 6 Segmentação: Introdução e Conceitos CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO A- Segmentação B- Contexto e topologia C- Métodos Mínima Distância e Lógica Fuzzy D- Trabalho Prático: e-cogntition
Leia maisSegmentação local. geralmente baseados em análise de descontinuidade ou similaridade de valores digitais.
Segmentação Segmentação local 2 Segmentação local geralmente baseados em análise de descontinuidade ou similaridade de valores digitais. descontinuidade : a abordagem é dividir a imagem baseando-se em
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisUniversidade 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
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisCAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR
CAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR Segundo Gonzales e Wintz (1987), um dos primeiros passos do processo de análise de uma imagem digital consiste em particioná-la em seus elementos constituintes. O
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisProcessamento de Imagens. Segmentação por regiões
Processamento de Imagens Segmentação por regiões Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em
Leia maisGEOPROCESSAMENTO. Classificação de imagens de Sensoriamento Remoto. Prof. Luiz Rotta
GEOPROCESSAMENTO Classificação de imagens de Sensoriamento Remoto Prof. Luiz Rotta CLASSIFICAÇÃO Processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos Sensoriamento
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia 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 maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia 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 maisSISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2. SIG- Eng. Cartográfica Prof. Luciene Delazari
SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2 SIG- Eng. Cartográfica Prof. Luciene Delazari Descrição de uma realidade com algum propósito Modelo MODELAR Termo geral para denotar o processo de construir representações
Leia maisSimulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisCLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisPMR2560 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
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Leia maisClassificação hierárquica e fuzzy de imagens de alta resolução
Classificação hierárquica e fuzzy de imagens de alta resolução Rodrigo Mikosz Gonçalves 1 João Batista Ramos Cortes 1 Marcio Augusto Reolon Schmidt 1 Marcos Benedito Schimalski 1 1 Universidade Federal
Leia maisPARTE 2 INTRODUÇÃO AO SIG/GIS. Mundo Real. Curso de Geoprocessamento: Prof. Alzir Felippe B. Antunes
PARTE 2 INTRODUÇÃO AO SIG/GIS Mundo Real Camadas de Informações Estrutura dos Dados Geográficos Organização lógica dos dados para preservar sua integridade e facilitar o seu uso. Vetorial Raster ou Matricial
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisDADOS EM GEOPROCESSAMENTO
Universidade Federal de Campina Grande Centro de Tecnologia e Recursos Humanos Unidade Acadêmica de Engenharia Civil DADOS EM GEOPROCESSAMENTO Prof. Iana Alexandra Alves Rufino : dois grandes grupos Dados
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisQuestões concursos
Questões concursos Grandezas radiométricas Índices de vegetação Classificação Concurso Público para Pesquisador do IMB Instituto Mauro Borges de Estatísticas e Estudos Socioeconômicos 25. A
Leia maisRESUMO. Palavras-chave: Segmentação, Limiarização, Classificação, Orientação a Objetos.
RESUMO Este trabalho tem como objetivo a avaliação temática da aplicabilidade dos dados ópticos do satélite alemão Rapideye nos estudos de empreendimentos energéticos, comparando a técnica de Classificação
Leia mais3 Segmentador Multiresolução Estendido
3 Segmentador Multiresolução Estendido Neste capítulo é abordado o método de segmentação de imagens proposto neste trabalho. A seção 3.1 apresenta o método de segmentação. Na seção 3.2 são apresentados
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
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 maisDADOS EM GEOPROCESSAMENTO
Universidade Federal de Campina Grande Centro de Tecnologia e Recursos Humanos Unidade Acadêmica de Engenharia Civil DADOS EM GEOPROCESSAMENTO Prof. Mauro Normando M. Barros Filho : dois grandes grupos
Leia maisModelos Conceituais Geográficos na Literatura... MGeo + Valéria Times e Flávio Pimentel Ana Carolina Salgado UFPE
Modelos Conceituais Geográficos na Literatura... MGeo + Valéria Times e Flávio Pimentel Ana Carolina Salgado UFPE 1 Modelo MGeo + O modelo MGeo + é um modelo conceitual orientado a objetos para aplicações
Leia maisExemplos. 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
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
Leia maisO mundo real é muito complexo para ser representado em sua totalidade, em qualquer sistema de informações.
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA SUL DE MINAS GERAIS Câmpus Inconfidentes Sistemas de Informações Geográficas Mundo Real X Modelo O mundo real é muito complexo para ser representado
Leia maisSISTEMAS DE INFORMAÇÃO GEOGRÁFICA (II)
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisSEGMENTAÇÃO DE IMAGENS
SEGMENTAÇÃO DE IMAGENS Definição Segmentação é o processo que divide uma imagem em regiões distintas, cada uma com pixels com atributos similares Particiona os pixels de uma imagem em grupos, geralmente
Leia maisMorfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
Leia maisLes-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO. Junho de 2017
Les-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO AULA 4 02/06/17 Prof a Lilian M. Lima Cunha Junho de 2017 DEFINIÇÃO Análise de conglomerados (Cluster Analysis) é uma das técnicas de análise multivariada
Leia maisCLASSIFICAÇÃO DE UMA IMAGEM IKONOS UTILIZANDO AS TÉCNICAS PIXEL A PIXEL E A ANÁLISE ORIENTADA A REGIÃO
CLASSIFICAÇÃO DE UMA IMAGEM IKONOS UTILIZANDO AS TÉCNICAS PIXEL A PIXEL E A ANÁLISE ORIENTADA A REGIÃO Ítalo Cavassim Junior 1 Jorge Centeno 2 1 Universidade Federal do Paraná italo@geoc.ufpr.br 2 Universidade
Leia maisSensoriamento Remoto: introdução ao Processamento Digital de Imagens. Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho.
Sensoriamento Remoto: introdução ao Processamento Digital de Imagens Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho. Organização de uma imagem As imagens de sensoriamento remoto são
Leia maisRESPOSTA BASE GRÁFICA. Banco de Dados: Exemplo. Banco de Dados. Banco de Dados. Banco de Dados
: Exemplo RESPOSTA AS RESPOSTAS À TODAS ESSAS PERGUNTAS, SOMENTE SERÃO POSSÍVEIS SE O SISTEMA POSSUIR UM BANCO DE DADOS QUE CONTENHA TODOS OS DADOS NECESSÁRIOS PARA AS MESMAS. FORMA GRÁFICA Mapa Desenho
Leia maisTRATAMENTO DOS DADOS DE SATÉLITES
TRATAMENTO DOS DADOS DE SATÉLITES Fonte de radiação SISTEMA DE COLETA Trajetória ria PRODUTOS INTERAÇÃO SISTEMA TRATAMENTO AÇÕES Produto final Tratamento de imagem Consiste em aplicar determinadas técnicas
Leia maisCapítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos. Computação Gráfica - Vol. 2 - Cap. 6
Capítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos 1 Capítulo 6 6.1. Segmentação 6.2. Tipos de características 6.3. Descritores de forma 6.4. Reconhecimento de Padrões em Imagens
Leia maisClustering: k-means e Agglomerative
Tópicos Avançados em Avaliação de Desempenho de Sistemas Jackson Nunes Marco Eugênio Araújo Outubro de 2014 1 Sumário Contextualização Classificação Agrupamento (Clustering) Cenários de Aplicação Clustering
Leia maisBanco de dados Brasil
Banco de dados Brasil Elemento de resolução: célula de 100x100m Conteúdo: linhas de transmissão, casas, quadras, distritos, municípios, estados, país Quais distritos são cortados pela linha de transmissão
Leia maisGeoprocessamento. Aula - 01/08/2016. Professor: Diogenes Carvalho Viana
Geoprocessamento Aula - 01/08/2016 Professor: Diogenes Carvalho Viana Ementa: Introdução ao Geoprocessamento. Característica dos SIGs. Dados Espaciais. Fontes de Dados. Bases digitais na Internet. Atlas
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Segmentação
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Segmentação A separação dos pixeis relativos a cada objeto, ou região, é uma etapa fundamental para o sucesso do processo de análise da imagem. Embora
Leia 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 maisTratamento da Imagem Transformações (cont.)
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/33 Transformações Geométricas 3 Transformações Geométricas
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 maisGEOPROCESSAMENTO SIAD,
Aplicações do SIG GEOPROCESSAMENTO SIAD, 2005 SISTEMA DE INFORMAÇÕES GEOGRÁFICAS SIG é um sistema que engloba hardware, software, procedimentos e módulos, ou subsistemas, integrados e projetados para dar
Leia maisSIG: Sistemas de Informações Geográficas
SIG: Sistemas de Informações Geográficas Relacionamento topológico Topologia: Palavra derivado do Grego Estudo da forma Ramo da geometria que se preocupa com um conjunto particular de propriedades geométricas
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 18 Sumário Conceitos Sistema de
Leia maisAula 9 Representação e Descrição. Profa. Fátima Nunes AULA 9 / 1. Profa. Fátima L. S. Nunes
Fundamentos de Processamento Gráfico Aula 9 Representação e Descrição Profa. Fátima Nunes AULA 9 / 1 Reconhecimento de padrões AULA 9 / 2 Após a segmentação dar significado aos objetos extraídos da cena.
Leia maisProcessamento de Imagens: fundamentos. Julio C. S. Jacques Junior
Processamento de Imagens: fundamentos Julio C. S. Jacques Junior juliojj@gmail.com Fronteiras do Processamento de Imagens Processamento de dados Dados / Informação Visão Computacional Computação Gráfica
Leia maisSensoriamento Remoto Aplicado à Geografia. Interpretação de imagens e confecção de mapas
Sensoriamento Remoto Aplicado à Geografia Interpretação de imagens e confecção de mapas Prof. Dr. Ailton Luchiari Prof. Dr. Reinaldo Paul Pérez Machado Interpretação de imagens e confecção de mapas Etapas
Leia maisClassificação orientada objeto de imagem de alta resolução para modelagem hidrológica em sub-bacias do Alto Rio Grande
Classificação orientada objeto de imagem de alta resolução para modelagem hidrológica em sub-bacias do Alto Rio Grande Gil Júlio de Souza Netto 1 Luís Marcelo Tavares de Carvalho 2 Malcon do Prado Costa
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Leia maisAula 3: Análise Exploratória de Dados Espaciais (AEDE) Prof. Eduardo A. Haddad
Aula 3: Análise Exploratória de Dados Espaciais (AEDE) Prof. Eduardo A. Haddad Exercício 4 (spatial scale and rate of density) Inferência pode mudar com a escala espacial Problemas de agregação espacial
Leia maisDisciplina: Cartografia Geoambiental
Disciplina: Cartografia Geoambiental Professor: Me. Diego Alves de Oliveira Outubro de 2013 Cartografia temática e de síntese para a Cartografia Geoambiental A Cartografia é uma linguagem de representação
Leia maisPrograma 25/02/2019. Objetivo Geral: Processamento Digital de Imagens I Turma A. Objetivos Específicos:
Curso de Engenharia Cartográfica e Agrimensura Processamento Digital de Imagens I Turma A 2019/1 semestre Objetivo Geral: Conhecer técnicas de processamento de digitais que permitem extrair e identificar
Leia maisProcessamento de Imagens Marcia A. S. Bissaco
Engenharia Biomédica Processamento de Imagens Marcia A. S. Bissaco 1 Exemplos filtros Média Mediana Passa_B Passa_A Borda_H Borda_V Sobel_Y Sobel_X Oliveira, Henrique J. Quintino (UMC-SP), 2 Media Mediana
Leia mais18/11/2018. Resumo dos Conceitos Sensoriamento Remoto Prática. Espectro Visível-04 a 0.7 µm
Resumo dos Conceitos Sensoriamento Remoto Prática Fotogrametria 1 Os objetos da superfície terrestre refletem e absorvem seletivamente energia eletromagnética, devido a sua diferente composição molecular.
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisAprendizagem de Máquina
Problema do Agrupamento Aprendizagem de Máquina Alessandro L. Koerich Seja x = (x 1, x 2,, x d ) um vetor d dimensional de características Seja D um conjunto de x vetores, D = { x(1), x(2),, x(n) } Problema
Leia maisModelagem de BDG. Modelagem de BDG
Modelagem de BDG Modelagem de dados convencional abstração de entidades e relacionamentos do mundo real com propriedades alfanuméricas Modelagem de dados geográficos é mais complexa entidades com propriedades
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Leia maisDescrição do Método de Análise de Clusters
ANÁLISE DE CLUSTERS A análise de Clusters designa uma série de procedimentos estatísticos sofisticados que podem ser usados para classificar objectos e pessoas por observação das semelhanças e dissemelhanças
Leia maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 2 Detecção de alterações UFPR Departamento de Geomática Prof. Jorge Centeno O problema de deteção de mudanças É possível detectar as alterações em uma série de imagens orbitais
Leia maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Leia mais24/05/2011. O que significa PDI? I- Introdução
I- Introdução O que significa PDI? GONZALEZ & WOODS (2000) descrevem o objetivo do processamento digital de imagem como sendo um conjunto de procedimentos que melhoram a informação pictorial para interpretação
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda,
Leia maisSegmentação orientada a objeto aplicado ao monitoramento de ocupações irregulares em áreas de proteção ambiental
Segmentação orientada a objeto aplicado ao monitoramento de ocupações irregulares em áreas de proteção ambiental Prof. Dr. Alzir Felippe Buffara Antunes 1 Ulrike Sturm 2 1 Universidade Federal do Paraná,
Leia maisCLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA
XI Simpósio de Mecânica Computacional II Encontro Mineiro de Modelagem Computacional Juiz De Fora, MG, 28-30 de Maio De 2014 CLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA Weiner Esmerio Batista
Leia maisClassificação digital de Imagens
Classificação digital de Imagens Workshop III - (Bio)Energia Florestas Energéticas: Técnicas de Inventariação de Biomassa Florestal Universidade de Évora 2 Junho 2010 Adélia Sousa (asousa@uevora.pt) Imagem
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões
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 maisClustering - c-means e Self Organizing Maps
- c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisFunções do SIG. Todos os SIG s têm a capacidade de realizar operações de Superposição Banco de Dados consistente e bem planejado
Funções do SIG Todos os SIG s têm a capacidade de realizar operações de Superposição Banco de Dados consistente e bem planejado O SIG opera no meio digital, trabalha com dados georeferenciados, possui
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança Conectividade Operações Lógicas e Aritméticas
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança e Aritméticas Efeitos de em Pixel a Pixel
Leia maisCARTOGRAFIA TEMÁTICA. Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura
CARTOGRAFIA TEMÁTICA Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura - 2019 Classificação de dados Desvio Padrão Considera como os dados estão distribuídos
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda
Leia maisDesenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
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
Leia maisProcessamento de Imagens Segmentação
Processamento de Imagens Segmentação 1 Segmentação Segmentação Análise de Imagem Divisão da imagem em partes fortemente relacionadas aos objetos e áreas do mundo real contidos na imagem Completa: regiões
Leia maisDescoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Descoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters Descoberta
Leia maisDetecção: quais os caminhos?
Detecção: quais os caminhos? Visão Computacional Programa de Pós- Graduação em Ciência da Computação UFMA Prof. Geraldo Braz Junior Baseado nas notas de aula do CS131, CS229 CS231B Porque? Aplicações necessitam
Leia maisSISTEMAS DE INFORMAÇÃO GEOGRÁFICA SIG FORMATOS DE REPRESENTAÇÃO DE DADOS FORMATO VETORIAL
FORMATO VETORIAL 1 FORMATO VETORIAL Formato que utiliza como primitivas Pontos, Linhas e Polígonos, baseadas em equações matemáticas para representar imagens na computação gráfica Primitivas: elementos
Leia mais2 Fundamentos Teóricos
2 Fundamentos Teóricos Neste capítulo são abordados alguns fundamentos teóricos importantes para o entendimento deste trabalho. Na seção 2.1 é apresentado o conceito básico de segmentação de imagens e
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisGEOPROCESSAMENTO. Bases conceituais e teóricas. Prof. Luiz Henrique S. Rotta
1 GEOPROCESSAMENTO Bases conceituais e teóricas Prof. Luiz Henrique S. Rotta GEOPROCESSAMENTO Disciplina do conhecimento que utiliza técnicas matemáticas e computacionais para o tratamento da informação
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisProcessamento de Imagem. Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres
Processamento de Imagem Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres Relacionamentos básicos entre elementos de uma imagem Vizinhança Conectividade Adjacência
Leia mais