ALGORITMO GENÉTICO PARA CLASSIFICAÇÃO TEMÁTICA DE IMAGENS MULTIESPECTRAIS
|
|
- João Guilherme Prada Sabrosa
- 7 Há anos
- Visualizações:
Transcrição
1 ALGORITMO GENÉTICO PARA CLASSIFICAÇÃO TEMÁTICA DE IMAGENS MULTIESPECTRAIS Éldman de Oliveira Nunes Instituto de Computação - UFF R. Passo da Pátria 156, , Niterói, RJ, Brasil eldman@pop.com.br Aura Conci Instituto de Computação - UFF R. Passo da Pátria 156, , Niterói, RJ, Brasil aconci@ic.uff.br Resumo Diversos trabalhos em processamento digital de imagens abrangem a identificação e classificação de regiões. Esta tarefa apesar de básica envolve um elevado grau de complexidade. Este trabalho apresenta um modelo de algoritmos genéticos para classificação de imagens multiespectrais baseado na evolução genética de regras de associação a partir dos atributos de cor e textura de um conjunto de amostras de treinamento. A implementação de uma ferramenta denominada AGCIM (Algoritmo Genético de Classificação de Imagens Multiespectrais) permitiu avaliar o modelo do algoritmo genético proposto para o problema de classificação de imagens. Com a implementação do AGCIM foram realizados testes experimentais com diversas imagens e foram apresentados os resultados obtidos pela implementação desenvolvida. A partir desses testes, foi possível comprovar a viabilidade da utilização dos algoritmos genéticos na classificação de imagens multiespectrais. A classificação de imagens por evolução genética de regras abre caminho para uma gama de aplicações nos mais diversos campos do conhecimento, cuja identificação e classificação de regiões em imagens coloridas ou multibandas tornam-se necessárias. Tal possibilidade permite diversas alternativas de trabalhos futuros. Palavras-Chaves: Algoritmos Genéticos; Classificação; Imagens Digitais; Segmentação. Abstract Diverse works in digital processing of images enclose the identification and classification of regions. This task, although basic, involves one high degree of complexity. This work presents a model of genetic algorithms for classification of multispectral images based in the genetic evolution of rules of association from the attributes of color and texture of a set of samples of training. The implementation of a called tool AGCIM (Genetic Algorithm of Classification of Multiespectrais Images) allowed to evaluate the model of the considered genetic algorithm for the problem of classification of images. With the implementation of the AGCIM experimental tests with diverse images had been carried through and had been presented the results gotten for the developed implementation. By these tests, it was possible to prove the viability of the use of the genetic algorithms in the classification of multispectral images. The classification of images for genetic evolution of rules opens way for a gamma of applications in the most diverse fields of the knowledge, whose identification and classification of regions in colorful images or multibands become necessary. Such possibility discloses diverse alternatives of future works. Keywords: Genetic algorithms; Classification; Digital images; Segmentation. 40
2 1. INTRODUÇÃO A Análise de Imagens é uma área que desperta crescente interesse por envolver as atividades de identificação e classificação de informações extraídas de uma cena. Métodos de reconhecimento e classificação de imagens são amplamente empregados em aplicações destinadas para o meio científico e industriais, e têm beneficiado áreas como medicina, microscopia, sensoriamento remoto, controle de qualidade, dentre outras. Num sistema de classificação a análise de imagens tem por finalidade extrair informação suficiente para possibilitar a distinção entre regiões de interesse. Esta tarefa apesar de básica reveste-se de elevado grau de complexidade, pois tenta reproduzir o sofisticado processo de classificação e reconhecimento realizado pela visão humana. No reconhecimento de padrões em imagens, algumas das características mais empregadas são: a cor e a textura. A boa quantificação destas características permitirá a identificação e a classificação de padrões. A classificação baseada apenas na cor é a forma mais simples. Já a classificação por textura envolve maior complexidade. Vários métodos para classificação de imagens empregando características de textura têm sido propostos. Porém, não existe um método genérico ou uma abordagem formal que seja útil para uma grande variedade de imagens. Este trabalho descreve um método para classificação de imagens multiespectrais. Na abordagem adotada, cada pixel é representado por um vetor de características de cor e textura em cada banda espectral. Apesar da presença de componentes aleatórios, espera-se que os pixels de uma mesma classe apresentem um comportamento padrão nas diferentes bandas espectrais. O problema consiste em alocar cada um dos pixels da imagem nas classes correspondentes, de forma a maximizar acertos ou minimizar erros de classificação. Tal problema pode ser modelado como um problema de maximizar ou minimizar uma função cujas variáveis devem obedecer a certas restrições. Neste contexto, de vasto espaço de busca e de soluções sujeitas a restrições, surgem os algoritmos genéticos como uma forma de resolver problemas de busca adaptativa em que o conhecimento para controlar a procura é obtido dinamicamente. A estratégia adotada foi empregar Algoritmos Genéticos na descoberta de regras de associação para as classes, a partir de um conjunto de amostras de cada classe de interesse, que permitissem atribuir os pixels da imagem nas classes correspondentes, minimizando os erros de classificação. Uma regra de associação, representada por um cromossomo, assume a forma SE (C 1, C 2,C 3,..., C n e/ou T 1,T 2,T 3,..., T n )entãop, onde os atributos de cor e textura da imagem (C 1, C 2,C 3,..., C n e/ou T 1,T 2,T 3,..., T n ) estão representado simbolicamente como condições para que a conclusão da regra, caracterizada por (P), seja verdadeira. Baseado nesta hipótese pode-se procurar obter regras que caracterizem uma classe através de evolução genética. Os Algoritmos Genéticos têm sido bem sucedidos em diversas aplicações, particularmente em problemas de otimização. Tais problemas são caracterizados pela busca de boas soluções dentre um número elevado de possíveis soluções (espaço de busca). Os Algoritmos Genéticos tornam-se atrativos devido ao fato de não ser necessário descrever como encontrar uma boa solução. Assim, a descoberta de padrões em forma de regras de associação, através de Algoritmos Genéticos, revela-se um método promissor de classificação de imagens. 2. DESCRIÇÃO DE REGIÕES A segmentação é uma tarefa básica no processo de análise de imagens. Na segmentação, a imagem é dividida em regiões semelhantes (em um determinado contexto de 41
3 interesse) para uma aplicação específica. Talvez a característica mais importante de um método de segmentação seja a definição do que é uma região. Por exemplo, uma região pode ser definida como um conjunto de pixels conectados por meio de uma condição de uniformidade ou, ainda, uma região pode ser vista como um conjunto de pixels conectados envolvidos por uma borda de pixels criando um contorno. Na primeira definição, a segmentação é realizada com base na similaridade, enquanto na segunda definição, com base na descontinuidade [1]. Após a segmentação de uma imagem em regiões, os agrupamentos resultantes de pixels segmentados normalmente são representados e descritos em um formato apropriado para o processamento subseqüente. A representação de uma região pode ser feita em termos de suas características externas (sua fronteira) ou em termos de suas características internas (os pixels que compõe a região). Uma representação externa normalmente ocorre quando as características de forma são mais relevantes. E uma representação interna quando propriedades como cor e textura forem mais importantes. Em ambos os casos, as características escolhidas como descritores devem ser o menos sensível possível a variações de tamanho, rotação e translação [2]. Concluída a representação, a próxima tarefa consiste na descrição da região a partir da forma como foi representada. Neste trabalho, priorizou-se a representação interna enfatizando as características de cor e textura na descrição de regiões [3] DESCRITOR DE COR A cor é uma resposta subjetiva a um estímulo luminoso que penetra nos olhos. Ela é uma das características mais utilizadas pelos seres humanos para conhecimento e discriminação visual. Para perceber a cor, o sistema visual humano possui células foto sensíveis que se subdividem em três categorias, com diferentes máximos de sensibilidade situados em torno do vermelho, verde e azul. As sensações de cor percebidas são baseadas na combinação das intensidades dos estímulos recebidos por estas células [4]. Devido à possibilidade de se obter qualquer outra cor a partir da combinação destas três, em diferentes proporções, elas passaram a ser denominadas de cores primárias aditivas. A combinação das cores primária duas a duas produz as chamadas cores secundárias: Ciano, Magenta e Amarelo. A combinação das três cores primárias aditivas produz a cor branca. Vários modelos de representação de cores foram criados para permitir a especificação de cores em um formato padronizado. O modelo RGB, se baseia em um sistema de coordenadas cartesianas representado na forma de um cubo, onde três de seus vértices são cores primárias (R, G, B) e os outros três são cores secundárias (C, M, Y), a escala de cinza se estende pela diagonal do cubo que sai da origem (preto) até o vértice mais distante dela (branco) DESCRITOR DE TEXTURA Uma importante abordagem para descrição de regiões é a quantificação do seu conteúdo de textura [5]. A textura refere-se a um padrão visual que possui algumas propriedades de homogeneidade que não resultam simplesmente de uma cor ou intensidade. A textura, presente na maioria das imagens naturais, é fundamental para visão humana e serve como excelente descritor regional contribuindo na melhoria da exatidão do processo de reconhecimento, descrição e classificação de imagens [6]. Entretanto, o sofisticado processo de reconhecimento de textura, realizado intuitivamente pela visão humana, se reveste de grande complexidade computacional [7]. A Textura é uma expressão relacionada com as propriedades que representam a superfície de um objeto. É um termo intuitivo e de largo emprego, mas apesar de sua importância, não possui uma definição precisa [8]. 42
4 Para quantificação da textura, os autores desenvolveram um coeficiente denominado Coeficiente de Variação Espacial que apresentou bons resultados na classificação de imagens coloridas permitindo distinguir satisfatoriamente diferentes classes de texturas [9]. 3. RECONHECIMENTO DE PADRÕES O reconhecimento de padrões é um procedimento que tem por finalidade classificar ou descrever objetos através de um conjunto de características (padrão) com o objetivo de atribuí-los a um conjunto desconhecido de classes de padrões (clustering) ou identificar um objeto como membro de um conjunto conhecido de classes (classificação). No reconhecimento de padrões busca-se uma classificação em que o grau de associação entre os objetos de mesma classe seja maior do que o grau de associação entre os objetos de classes distintas PADRÕES E CLASSE DE PADRÕES Segundo Gonzalez [8] padrão é uma descrição quantitativa ou estrutural de um objeto. Um padrão normalmente é formado por um ou mais descritores. Assim, um padrão é um arranjo de descritores. Já uma classe de padrões é uma família de padrões que compartilham de algumas propriedades comuns. Na prática, os três principais arranjos de padrões utilizados são os vetores (para descrições quantitativas), cadeias e árvores (para descrições estruturais). Vetores de padrões são representados como colunas (matrizes n x 1) com letras minúsculas em negrito, como x, y e z, tomando a forma: x1 x2 x = x 3... x n onde, x 1, x 2, x 3...x n são suas características (descritores). A natureza dos descritores de um vetor de padrões x depende da técnica de medida usada na descrição do próprio padrão físico. Uma vez que um conjunto de características tenha sido selecionado, um vetor de padrões representará cada amostra física. Portanto, cada objeto será representado por um ponto no espaço euclidiano, cuja dimensão espacial será igual ao número de características presentes no vetor FASES DO RECONHECIMENTO DE PADRÕES O reconhecimento de padrões abrange as seguintes fases: a representação dos dados de entrada e sua mensuração, a extração das características e a identificação e classificação do objeto em estudo. Afasederepresentação dos dados de entrada visa descrever padrões característicos do objeto, possibilitando a sua posterior classificação numa determinada classe. A fase de extração de características tem por objetivo selecionar, dentre infinitas características, as mais significativas para a tarefa de classificação. Busca-se reduzir a dimensionalidade do vetor padrão e conseqüentemente o esforço computacional, sem prejuízo de informação que prejudique a qualidade da classificação. Para um bom desempenho do classificador é fundamental uma escolha apropriada dessas características que normalmente envolve conhecimento específico sobre o problema em estudo. A última etapa envolve a determinação de procedimentos que permitam a identificação e classificação do objeto em uma classe de objetos (algoritmo de classificação). Ao contrário da etapa anterior, nesta etapa, o classificador pode ser concebido de forma independente da natureza do problema, e sua aplicação é possível em diferentes contextos, sem prejuízo de sua eficiência [10]. 43
5 Algumas técnicas de reconhecimento de padrões possuem uma etapa de aprendizado que tem o propósito de ensinar o classificador a distinguir dentre as classes, aquela que for mais pertinente ao objeto. Este aprendizado é realizado por meio de um conjunto de amostras denominado de amostras de treinamento. Existem basicamente duas formas de treinamento: supervisionado e nãosupervisionado. No treinamento supervisionado, as classes são pré-definidas pelo usuário através das amostras de treinamento. No treinamento não-supervisionado, o usuário utiliza algoritmos para reconhecer as classes presentes. Neste caso, o problema envolve, além da classificação propriamente dita, a identificação das classes existentes num conjunto de dados. Uma abordagem possível para solucionar tal problema seria a busca por aglomerados (clusters) de pontos no espaço. Estes aglomerados são formados por um grupo de pontos que podem ser considerados como semelhantes entre si, em função de um determinado critério (como uma medida de distância). Este processo é denominado de clustering ou análise de aglomerados. 4. O PROCESSO DE KDD (KNOWLEDGE DISCOVERY DATABASE) O processo de descoberta de conhecimento em bancos de dados - Knowledge Discovery in Databases - KDD refere-se ao processo não trivial de identificação de padrões válidos, novos, potencialmente úteis e compreensíveis em conjuntos de dados. A descoberta de conhecimento em banco de dados tem ampla aplicação prática em diversos domínios da ciência, principalmente aplicações que envolvem a tecnologia da informação. Assim, os bancos de dados representam depósitos de conhecimento em potencial, que podem ser explorados para se descobrir relações, padrões e regras MINERAÇÃO DE DADOS (DATA MINING) Das diversas fases que compõe o processo de KDD a mineração de dados é considerada a mais importante. Esta fase é a responsável pela transformação de dados em informações. A mineração de dados está relacionada com a descoberta de novos fatos, regularidades, restrições, padrões e relacionamentos e não apenas consultas complexas e elaboradas com a finalidade de confirmar uma hipótese em função dos relacionamentos existentes. A fase de Mineração de Dados caracteriza-se pelo emprego de um algoritmo que, diante da tarefa especificada, busca extrair o conhecimento implícito e potencialmente útil dos dados. A mineração de dados, na verdade, é uma descoberta eficiente de informações válidas e não óbvias de uma grande coleção de dados [11] CLASSIFICAÇÃO Na tarefa de classificação cada tupla ou registro pertence a uma classe dentre um conjunto pré-definido de classes. As tuplas compõe-se de atributos preditivos e um atributo objetivo, cujo valor definido pelo usuário indica a que classe essa tupla pertence. O atributo objetivo é do tipo categórico, ou discreto, isto é, pode tomar apenas um valor dentro de um conjunto de valores discretos, determinando classes ou categorias. Esse atributo pode ter valores discretos como SIM ou NÃO, um valor pertencente a um intervalo de números inteiros, etc. O propósito da tarefa de classificação é descobrir algum tipo de relacionamento entre os atributos preditivos e o atributo objetivo que permita encontrar um conhecimento que possa ser utilizado para prever a classe de uma tupla ainda não classificada. Um algoritmo de classificação pode analisar estes dados e determinar que valores 44
6 dos atributos preditivos tendem a ser relacionados com cada um dos atributos objetivos. O conhecimento descoberto pode então ser aplicado para prever um determinado evento. Observe que esse conhecimento será aplicado no atributo preditivo para o qual o valor do atributo objetivo ainda é desconhecido. O conhecimento descoberto é normalmente representado na forma de regras SE - ENTÃO. Essas regras são interpretadas da seguinte forma: SE os atributos preditivos de uma tupla satisfazem as condições no antecedente da regra, ENTÃO a tupla tem a classe indicada no conseqüente da regra. 5. ALGORITMOS GENÉTICOS Algoritmos Genéticos são modelos estocásticos e probabilísticos de busca e otimização, inspirados na evolução natural e na genética, aplicados a problemas complexos de otimização [12]. Problemas desta natureza envolvem tipicamente três componentes: variáveis, restrições e funções objetivo. As variáveis descrevem os vários aspectos do problema. As restrições delimitam os valores válidos para as variáveis e as funções objetivo envolvem a minimização ou a maximização de algum tipo de recurso e são empregadas para medir a qualidade de uma solução gerada. A finalidade da otimização é encontrar, num espaço de busca multidimensional, onde são consideradas todas as possibilidades de solução de um determinado problema, um tal conjunto de valores que, ao serem aplicados às variáveis do problema, permitam minimizar (ou maximizar) uma função cujas variáveis devem obedecer às restrições impostas. Encontrar soluções ótimas ou aproximadas para problemas de otimização NP-árduos está longe de ser uma tarefa fácil. Problemas desta complexidade são caracterizados por não linearidade, ruídos, descontinuidades ou espaço de busca extremamente grande. O emprego de métodos convencionais normalmente torna-se inviável em virtude do enorme esforço computacional exigido para sua solução. Metaheuristicas como os Algoritmos genéticos (AG s) são estratégias adequadas para solução de problemas desta natureza [13]. Estas estratégias empregam mecanismos de busca que combinam escolhas aleatórias com o conhecimento obtido em resultados anteriores. Guiando-se através do espaço de pesquisa do problema evitam paradas prematuras em ótimos locais e proporcionam, conseqüentemente, melhores soluções. Os Algoritmos Genéticos não garantem a solução ótima, mas fornecem soluções próximas, ou aceitáveis (sub-ótimas). Além de serem mais facilmente aplicados em problemas complexos com muitas variáveis e restrições ou com grandes espaços de busca [14] MODELAGEM DO ALGORITMO GENÉTICO A abordagem proposta utiliza uma imagem multiespectral como fonte de dados para mineração de dados. Neste caso, cada pixel da imagem é tratado como um registro do banco de dados. O padrão é representado por um vetor de características para cada pixel, composto por um descritor local de cor e um descritor regional de textura, em cada uma das bandas visíveis (RGB), figura 1. Uma vez selecionado as medidas de cor e textura, um vetor de padrões torna-se a completa representação de cada amostra física. Assim, cada amostra torna-se um ponto no espaço euclidiano bidimensional. Como as medidas de cor e textura variam para cada amostra, variarão também os vetores de padrões que descrevem os objetos, esta variação ocorre não somente entre diferentes classes, mas também dentro de cada classe. Entretanto, considerando que o usuário tenha selecionado pixels representativos das classes A e B (classificação supervisionada), o 45
7 grau de associação entre os pixels de mesma classe será maior do que o grau de associação entre os pixels de classes distintas. A seleção adequada das características é um fator relevante, pois, o grau de separação entre as classes depende fortemente da escolha das medidas dos padrões selecionadas para uma aplicação. O algoritmo genético empregará, então, este conjunto de treinamento como banco de dados, a fim de evoluir uma regra de associação que permita representar cada vez melhor as características dos pixels que pertençam a cada classe banda banda banda O vetor de características é formado pelo valor do descritor local em cada banda (intensidade da cor) e ao descritor regional em cada banda (textura) FIGURA 1 - Formação do vetor de características A Tabela 1 apresenta, de forma ilustrativa, as medidas de textura e cor de 20 pixels selecionados como conjunto de treinamento. Foram escolhidos dez pixels de amostra para classe A e dez pixels de amostra para classe B. TABELA 1 Medidas de textura e cor Classe Pixel Textura Cor A B Uma regra de associação define um relacionamento entre atributos preditivos (A condição de uma regra - parte SE) composto pelos descritores de cor e textura; e um atributo objetivo (conseqüência - parte ENTÃO) que define a classe a que pertence o pixel. 46
8 A partir dos dados da Tabela 1 seriam geradas duas regras de decisão, uma para cada classe: Regra de associação 1 SE (Textura >=1 E Textura<=4) E (Cor>=1 E Cor<=4) ENTÃO CLASSE1 Pixel n Regra de associação 2 SE (Textura >=3 E Textura<=6) E (Cor>=2 E Cor<=6) ENTÃO CLASSE2 Pixel n Assim, é possível criar uma imagem temática através da aplicação destas regras sobre cada pixel da imagem. As figuras 2 e 3 demonstram que a ordem de aplicação destas regras pode produzir diferentes fronteiras de decisão. Agrupamento Descritor de Cor CLASSE 1 CLASSE Descritor de Textura FIGURA 2 Fronteira de decisão aplicando a regra de decisão (1 2) Agrupamento Descritor de Cor CLASSE 1 CLASSE Descritor de Textura FIGURA 3 Fronteira de decisão aplicando a regra de decisão (2 1) 6. TESTE E RESULTADOS Esta seção apresenta diversos testes realizados com a finalidade de observar o desempenho da metodologia adotada. Foram realizados testes com texturas naturais, testes com imagens de satélites e testes com imagens médicas. Nestes testes, examinou-se o desempenho do descritor de cor e do descritor de textura proposto TESTE DE PRECISÃO A Figura 4 apresenta um mosaico de texturas de cenas naturais extraídas de imagens de satélite (Landsat -7 TM) construída com a finalidade de verificar o desempenho do método 47
9 na presença de outras texturas. Cada textura que compõe o mosaico possui 32x32 pixels e demonstram a complexidade de variação tonal existente. Foram selecionadas vinte amostras com janela de dimensão 3x3 pixels das quatro classes centrais da imagem. A Tabela 2 apresenta o coeficiente de variação para o conjunto de amostras selecionadas utilizando os descritores de cor e textura em cada um dos três canais (RGB). FIGURA 4. Mosaico de texturas naturais TABELA 2 Coeficiente de variação das amostras da figura 4. Coeficiente de Variação das Amostras Classe Cor Textura R G B R G B 1 4,70 4,83 6,73 4,71 5,18 5,49 2 5,79 3,31 7,69 4,00 2,83 5,94 3 4,03 5,53 4,14 2,65 4,20 2, ,00 15,52 6,43 26,60 25,75 15,40 A Tabela 3 apresenta a Matriz de classificação para as regras de associação geradas pelo algoritmo genético. Verifica-se, neste exemplo, que a aplicação de cada regra definida para uma determinada classe não causaram omissões nem erros de classificação. TABELA 3 Matriz de de classificação para as regras de associação do AG CLASSES Desconhecida 1 100, , , ,00 0 A Figura 5 apresenta o percentual de pixels classificados corretamente, erroneamente e não classificados, para o conjunto de teste (figura 4), pelo critério de classificação por cor e textura. Pode-se observar também que a filtragem realizada pós-classificação, permitiu melhorar ainda mais o resultado. 48
10 TestedePrecisão Percentual 100,00 90,00 80,00 70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00 Classificados Corretamente (Amostra) Classificados Erroneamente (Imagem) Não Classificados Classe 1 88,38 0,01 11,62 Classe 2 95,21 0,01 4,79 Classe 3 65,04 0,00 34,96 Classe 4 97,46 0,00 2,54 FIGURA 5. Resultado após a filtragem A figura 6a. apresenta o resultado da classificação pelo critério de cor ou textura da imagem da figura 4. Pode-se notar ao centro as quatro texturas de onde foram extraídas as amostras (nas cores vermelho, laranja, roxo e verde). A figura 6b. apresenta o resultado da filtragem pela mediana da figura 6a. Pode-se notar o preenchimento das regiões interiores e eliminação de arestas e ruídos. FIGURA 6a. Classificação pelo critério de cor ou textura da imagem da figura 4 FIGURA 6b. Imagem filtrada Percebe-se, a partir da Figura 6b. que a metodologia empregada permitiu distinguir de modo satisfatório as diferentes classes de texturas presentes na imagem TESTE COM IMAGEM DE SATÉLITE A Figura 7 apresenta uma composição colorida das bandas 2/3/5, da região do parque Nacional, próximo a Brasília DF, registrada em 14 de junho de 1985, pelo satélite Landsat- 5 TM (DGI/INPE - utilizada com o propósito de verificar o desempenho do método com este tipo de imagem. Foram selecionadas vinte amostras com janela de dimensão 3x3 pixels. 49
11 FIGURA 7. Composição colorida bandas 2/3/5 Parque Nacional A Tabela 4 apresenta a Matriz de classificação para as regras de associação geradas pelo algoritmo genético. Verifica-se, neste exemplo que, com exceção da classe 3, as demais classes obtiveram resultados maiores ou iguais a 90% de acerto. TABELA 4 Matriz de de classificação para as regras de associação do AG CLASSES Desconhecida 1 95, ,00 90, , , ,00 0 A figura 8a. apresenta o resultado da classificação pelo critério de cor e textura da imagem da figura 7. A figura 8b. apresenta o resultado da filtragem da figura 8a. Pode-se notar o preenchimento das regiões interiores e eliminação de arestas e ruídos. Nota-se uma correta classificação dos temas e boa definição dos limítes. FIGURA 8a. Imagem da figura 7 classificada FIGURA 8b. Imagem da figura 8a. filtrada. 50
12 6.3. TESTE COM IMAGENS MÉDICAS Dois novos testes foram realizados com imagens de emprego na medicina. Em ambos os casos, foram utilizados vinte amostras com janelas de extração com dimensão de 3x3 pixels. A figura 9a. apresenta a imagem de um melanoma (câncer de pele). A figura 9b. apresenta a mesma imagem após a aplicação de um filtro para localização das bordas. Pode-se observar que o resultado não foi satisfatório, pois a complexidade das texturas presentes não permitiu uma boa definição dos limites. FIGURA 9a. Melanoma FIGURA 9b. Resultado da detecção das bordas A figura 10a. apresenta o resultado da classificação da imagem da figura 9a., pelo critério de cor e textura, sem a preservação do fundo, para uma classe (melanoma). A figura 9b. mostra o resultado após a aplicação do filtro de mediana sobre a imagem 10a. FIGURA 10a. Classificação pelo critério de cor e textura sem o fundo FIGURA 10b. Resultado da filtragem da figura 10a. A figura 11a. apresenta o resultado da detecção de borda aplicada sobre a figura 10b. Nota-se uma definição de limites muito superior ao da figura 9b. A figura 11b. mostra a associação da imagem da figura 9a. com a imagem da figura 10b. Pode-se verificar a perfeita classificação do melanoma. 51
13 FIGURA 11a. Detecção das bordas da figura 10b. FIGURA 11b. Associação da figura 9a. com a figura 10b. A figura 12a. apresenta uma imagem com amostras de células do sangue. Foram consideradas duas classes (roxo escuro e roxo claro). A figura 12b. apresenta o resultado da classificação utilizando o critério de cor e textura, onde nota-se que as células presentes foram corretamente classificadas. FIGURA 12a. Amostra de células do sangue FIGURA 12b. Imagem classificada 7. CONCLUSÕES Diversos trabalhos em processamento digital de imagens envolvem a identificação e classificação de regiões. Esta tarefa apesar de básica, envolve um elevado grau de complexidade, pois tenta reproduzir o sofisticado processo de classificação e reconhecimento feito pela visão humana. A cor e a textura são importantes descritores utilizados no reconhecimento de padrões em imagens. Uma boa caracterização destes, permite identificar padrões ou realizar descrições sobre o conteúdo da imagem. A textura refere-se a um padrão visual que possui propriedades de homogeneidade que não resultam simplesmente de uma cor ou intensidade. A extração de suas características é considerada uma importante fonte de informação para segmentação de imagens. Um modelo de Algoritmos Genéticos para classificação de pixels em uma imagem multiespectral foi desenvolvido. Este modelo, baseado em conceitos de mineração de dados por regras de associação, permitiu a evolução de regras que melhor caracterizassem um conjunto de pixels da imagem. A implementação de uma ferramenta denominada AGCIM (Algoritmo Genético de Classificação de Imagens Multiespectrais) permitiu avaliar o modelo proposto para o problema de classificação de imagens. O AGCIM analisa um conjunto de amostras de diferentes classes e extrai a regra que melhor diferencie um grupo de pixels em relação a 52
14 odos os pixels da imagem. Visando otimizar o processo de busca de regras e obter melhor qualidade, foram implementadas técnicas evolutivas (método de inicialização, normalização linear, elitismo, busca local e interpolação adaptativa). Com a implementação do AGCIM, foram realizados testes experimentais com diversas imagens e foram apresentados os resultados obtidos. A partir desses testes, foi possível comprovar a viabilidade da utilização do Algoritmo Genético na classificação de imagens multiespectrais. Outra contribuição do método proposto está na ampliação da capacidade de distinção de regiões. A associação de cor e textura amplia as possibilidades de identificação, através da análise de sua informação combinada nas diversas bandas. Este trabalho empregou imagens multiespectrais que podem ser visualizadas na forma de composições coloridas de três bandas associadas aos canais Red, Green e Blue. Tais composições, capazes de sintetizar numa única imagem uma grande quantidade de informação, facilitam a interpretação dos objetos através da representação dessa informação em diferentes cores. Mas o método não se limita a apenas três bandas, podendo futuramente ampliar o número de bandas consideradas e aumentar em muito as possibilidades de análise (imagens hiperespectrais). A classificação de imagens multiespectrais por evolução genética de regras abre caminho para uma gama de aplicações nos mais diversos campos do conhecimento, cuja identificação e classificação de regiões em imagens coloridas ou multibandas tornam-se necessárias. Tal possibilidade descortina diversas alternativas de trabalhos futuros. 8. REFERÊNCIAS BIBLIOGRÁFICAS [1] Nunes, E.O. Emprego da Dimensão Fractal para Análise de Texturas em Imagens Multiespectrais f. Dissertação (Mestrado em Ciência da Computação) Universidade Federal Fluminense, Niterói. [2] Nunes, E.O.; Conci, A. Texture Segmentation Considering Multi Band, Multi Scale Resolution and Affine Invariant Roughness. In: XVI Simpósio Brasileiro de Computação Gráfica e Processamento de Imagens (SIBGRAPI). Anais, ISBN: , São Carlos, pp [3] Nunes, E.O.; Conci, A. Segmenting Multi Bands Images by Color and Texture Analysis. In: 10th International Workshop on Systems, Signals and Image Processing IWSSIP' 03, Prague, Czech Republic - Czech Technical University in Prague, 2003.[3] [4] Conci, A.; Nunes, E.O. Multi-bands Image Analysis Using Local Fractal Dimension. Proceedings of SIBIGRAPI Brasilian Symposio on Compution Graphics, october 15-20, 2001, Florianópolis, SC. Image Proc. and Vision, p [5] Nunes, E.O.; Conci, A. Técnicas De Descrição Regional Baseadas em Textura. In: 2º Congresso Temático de Aplicações de Dinâmica e Controle da Sociedade Brasileira de Matemática Aplicada e Computacional (SBMAC). São José dos Campos. Anais, ISBN: Editores: J. M. Balthazar, G. N. da Silva, M. Tsuchida, M. Boaventura, L. S. Goes e J. D. S. Silva, Série Arquimedes, Volume 2, [6] Nunes, E.O.; Conci, A. Determinação da Dimensão Fractal de Conjunto de Pontos à Imagens de Satélites, Anais do 1º Congresso Temático de Aplicações de Dinâmica e Controle (APPLICON) da Sociedade Brasileira de Matemática Aplicada e Computacional (SBMAC), São Carlos, Anais, 2001.[2] [7] Parker, J. R. Algorithms for Image Processing and Computer Vision. John Wiley & Sons, Toronto, [8] Gonzalez, R. C.; Woods, R. E. Processamento de Imagens Digitais. São Paulo: Edgard Blucher,
15 [9] Nunes, E.O.; Conci, A. O Coeficiente de Hurst e o Coeficiente de Variação Espacial na Segmentação de Texturas Multiespectrais. In: 4º Congresso Temático de Aplicações de Dinâmica e Controle da Sociedade Brasileira de Matemática Aplicada e Computacional (DINCON). Bauru, [10] Marques, J. S. Reconhecimento de Padrões Métodos Estatísticos e Neuronais. IST Press, Portugal, [11] Bigus, J. P. Data Mining with Neural Network Solving Business Problems from Application Development to Decision Support. McGraw-Hill,1996. [12] Goldberg, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, MA: Addison-Wesley Publishing Company, Inc., [13] Nunes, E.O.; Conci, A. Implementação de Algoritmos Genéticos no Balanceamento Interativo de Linhas de Montagem. In: VI Simpósio de Pesquisa Operacional da Marinha/VII Simpósio de Logística da Marinha (SPOLM). Escola de Guerra Naval, Rio de Janeiro, 2003.[1] [14] Nunes, E.O.; Conci, A. Otimização de Linhas de Montagem por Algorítmos Genéticos: Análise, Aperfeiçoamento e Implementação. Pôster In: XXXV Simpósio Brasileiro de Pesquisa Operacional da Sociedade Brasileira de Pesquisa Operacional (SOBRAPO), Natal, 2003.[2] 54
PROCESSAMENTO DIGITAL DE IMAGENS
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
PROCESSAMENTO DE IMAGENS COLORIDAS
PROCESSAMENTO DE IMAGENS COLORIDAS Fundamentos da cor A visão da cor É a capacidade de um organismo ou máquina de distinguir objetos baseando-se nos comprimentos de onda (ou freqüências) da luz sendo refletida,
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
INTRODUÇÃO 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
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA Rodrigo Moura Pereira¹ (UEG) Gustavo Henrique Mendes
SEL-0339 Introdução à Visão Computacional. Aula 3 Processamento de Imagens Coloridas
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 3 Processamento de Imagens Coloridas Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Processamento Digital de Imagens. Cor
Processamento Digital de Imagens Cor Em uma descrição física a cor está associada ao seu comprimento de onda. Ao se analisar o espectro eletromagnético na região do visível, os menores comprimentos de
Aula 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
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
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"
Universidade do Estado de Minas Gerais Curso de Sistemas de Informações. Multimídia. A Imagem (Parte I)
Universidade do Estado de Minas Gerais Curso de Sistemas de Informações Multimídia A Imagem (Parte I) Prof Sérgio Carlos Portari Júnior portari.uemgituiutaba@gmail.com Multimídia A imagem Tópico: Representação
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],
Introdução a Análise de Imagens Digitais
Introdução a Análise de Imagens Digitais Uma imagem digital é uma representação de uma cena por meio de um conjunto de elementos discretos e de tamanhos finitos, chamados de pixels, colocados em um arranjo
Reconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
PROCESSAMENTO 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
METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS
METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Marcelo Zaniboni 1, Osvaldo Severino Junior 2 1: Universitário do curso de Ciência da Computação, Faculdade
Sensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Sensoriamento Remoto II
Sensoriamento Remoto II 2: transformações espetrais IHS, Tasseled Cap UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Sensoriamento Remoto II Descrição da Ementa: Transformações
Cores em Imagens e Vídeo
Aula 05 Cores em Imagens e Vídeo Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Ciência da Computação Ciência das Cores A cor é fundamentada
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
Descritores 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,
Classificação 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
Processamento 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
Representação 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
Sensoriamento 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
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
IMAGE MINING: CONCEITOS E TÉCNICAS
125 IMAGE MINING: CONCEITOS E TÉCNICAS Diogo Floriano diiogofloriano@gmail.com Resumo A facilidade em armazenar imagens e a grande concentração de imagens em bases de dados impulsionou a geração de aplicações
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
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
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 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
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
Mapeamento 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
CLASSIFICAÇÃO 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
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Mineração de Dados. Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri
Mineração de Dados Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri 1 Motivação Aumento da capacidade de processamento e de armazenamento de dados; Baixo custo; Grande quantidade de dados
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
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
Extração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Face Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Conceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Introdução ao Processamento de Imagens Digitais Aula 01
Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação
PROCESSAMENTO DE IMAGENS COLORIDAS. Nielsen Castelo Damasceno
PROCESSAMENTO DE IMAGENS COLORIDAS Nielsen Castelo Damasceno Definições A cor é um poderoso descritor que muitas vezes simplifica a identificação do objeto e sua extração de uma cena. Os seres humanos
Processamento 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
SBC - Sistemas Baseados em Conhecimento
Siglas, Símbolos, Abreviaturas DW - Data Warehouse KDD Knowledge Discovery in Database MD Mineração de Dados OLAP - On-line analytical processing SBC - Sistemas Baseados em Conhecimento 1. INTRODUÇÃO O
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
Rastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Segmentação por Textura e Localização do Contorno de Regiões em Imagens Multibandas
IEEE LATIN AMERICA TRANSACTIONS, VOL. 5, NO. 3, JUNE 007 185 Segmentação por Textura e Localização do Contorno de Regiões em Imagens Multibandas E. O. Nunes e A. Conci Resumo Muitos esquemas de classificação
Métodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Fundamentos de Processamento Gráfico. Modelos de cores. Fátima Nunes. Profa. Fátima L. S. Nunes
Fundamentos de Processamento Gráfico Aula 10 Modelos de cores Fátima Nunes 1 Introdução Por que usar cor em processamento de imagens? 2 Introdução Por que usar cor em processamento de imagens? Cor: descritor
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
Descritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
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
Tópicos Especiais em Informática Fatec Indaiatuba 13/07/2017
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos da Mineração de Dados (MD) Entender o processo KDD (Knowledge Discovery Data) e MD Descrever as etapas
T4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
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:
Extração de Conhecimento & Mineração de Dados
Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
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
Processamento de Imagens Coloridas. Prof. Adilson Gonzaga
Processamento de Imagens Coloridas Prof. Adilson Gonzaga 1 Aparência de um Objeto A aparência de um objeto é o resultado de uma complexa interação da luz incidente sobre este objeto, suas características
Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França Ferreira 1
Imagens CBERS para o Monitoramento da 2 a Safra Agrícola de 2004 Município de Jataí Goiás Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França
Processamento de imagem a cores
A cor é um poderoso descritor que frequentemente simplifica a identificação e extracção de objectos de uma cena Os humanos podem discernir milhares de cores, mas apenas duas dezenas de cinzentos O processamento
UNIVERSIDADE FEDERAL FLUMINENSE Pedro Martins Menezes. Um estudo dos estágios dos pipelines gráficos
UNIVERSIDADE FEDERAL FLUMINENSE Pedro Martins Menezes Um estudo dos estágios dos pipelines gráficos Niterói 2008 Pedro Martins Menezes Um estudo dos estágios dos pipelines gráficos Trabalho de Conclusão
Processamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Processamento de sinais em Sistemas
CLASSIFICAÇÃO 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
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
18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA
18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) MIRELA TEIXEIRA CAZZOLATO Orientador(es) MARINA TERESA PIRES VIEIRA Apoio
4 Resultados Exemplo 1 Reprodução da Opacidade 2D
Resultados 47 4 Resultados Neste capítulo serão apresentados os testes feitos com a opacidade 3D. Nestes testes reproduzimos, inicialmente, os resultados obtidos pela opacidade 2D em Silva[30]. Serão apresentados
Propriedades da Imagem Amostragem & Quantização (Quantificação) Histograma Imagem Colorida x Imagem Monocromática. Propriedades da Imagem
Proc. Imagem Prof. Júlio C. Klafke [1] TÓPICOS DESENVOLVIDOS NESTE MÓDULO PROCESSAMENTO DE IMAGEM #02 Propriedades da Imagem Amostragem & Quantização (Quantificação) Histograma Imagem Colorida x Imagem
Processamento de Imagem. A Imagem digital Professora Sheila Cáceres
Processamento de Imagem A Imagem digital Professora Sheila Cáceres Visão Humana Processamento de Imagens 2 Semelhança entre o sistema visual humano e uma câmera fotográfica Várias semelhanças podem ser
Aprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Processamento de Imagens
Processamento de Imagens Prof. Julio Arakaki Ciência da Computação 1 Imagem Digital Full Color Image (Matriz de Pixels) RGB (24 bits): Red (8 bits) Green (8 bits) Blue (8 bits) 2 Imagem Digital Um modelo
Satélites Artificiais da Terra
Satélites Artificiais da Terra Os valores numéricos correspondem aos níveis radiométricos registados pelo sensor em cada uma das bandas espectrais. Satélites Artificiais da Terra As imagens de satélite
Computaçã. Visão Geral. Sistema Gráfico. Computação Gráfica. Pixels. Sistema Gráfico e o Frame Buffer. Introdução à Computação Gráfica
Visão Geral Computaçã ção o Gráfica Introduçã ção, conceitos básicosb sicos, áreas relacionadas Introdução à Computação Gráfica Como funciona um sistema gráfico Como imagens são representadas Áreas relacionadas,
SISTEMA PARA EXTRAÇÃO DE CARACTERÍSTICAS VISUAIS DE IMAGENS DE MADEIRA DE PINUS
SISTEMA PARA EXTRAÇÃO DE CARACTERÍSTICAS VISUAIS DE IMAGENS DE MADEIRA DE PINUS Camila Piacitelli 1, Osvaldo Cesar Pinheiro de Almeida 2 1 Informática para Negócios, Faculdade de Tecnologia, Botucatu,
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
Otimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
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
Image Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
2 Mineração de Dados Processo de Busca de Conhecimento (KDD) 2 Mineração de Dados
2 Mineração de Dados 2 Mineração de Dados A mineração de dados, ou data mining, é uma das principais etapas do processo de busca de conhecimento. Este conceito é utilizado para identificar técnicas avançadas
Textura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
PROCESSAMENTO E CLASSIFICAÇÃO DE IMAGENS DE SATÉLITE PARA CARACTERIZAÇÃO DE USOS DO SOLO
PROCESSAMENTO E CLASSIFICAÇÃO DE IMAGENS DE SATÉLITE PARA CARACTERIZAÇÃO DE USOS DO SOLO Jairo Lima do Nascimento 1, George Leite Mamede 2, João Paulo do Vale Madeiro 3 Resumo: A aplicação de técnicas
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS SER-300: INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório II: Cartografia em GIS/Registro
Descoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Ambiente de Data Warehouse Para Imagens Médicas Baseado Em Similaridade
Universidade de São Paulo - USP Instituto de Ciências Matemáticas e de Computação - ICMC Programa de Pós-Graduação em Ciências da Computação e Matemática Computacional Ambiente de Data Warehouse Para Imagens
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
T4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
José Alberto Quintanilha Mariana Giannotti
José Alberto Quintanilha jaquinta@usp.br Mariana Giannotti mariana.giannotti@usp.br Estrutura da Aula Momento Satélite (Apresentação de um novo satélite a cada aula) O que é uma imagem de satélite? O histograma
Inteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
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
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
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução + Estudo de Caso Introdução Percepção de máquina Um
Capítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
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
Algoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução