CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO
|
|
- Giulia Wagner Graça
- 8 Há anos
- Visualizações:
Transcrição
1 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 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. 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
2 Alguns algoritmos utilizados em Imagem de S. Remoto, tipo Landsat/Spot4/Cbers2 Agrupamentos Baseados na mínima distância espectral 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. 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 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. 2
3 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 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 onde todos os pixels devem pertencer a uma única região, Ri, região conexa, i=1,2,3...n; =1 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. 3
4 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 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 4
5 Segmentação Multiresolução Critério Forma: 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. 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. 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. Segmentação Multiresolução MULTIRESOLUÇÃO: FUSÃO DE OBJETOS Fusão- Segmentação Multi-resolução Cp= 0,51 Cp= 0,78 Suavidade Níveis 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. 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. S= 0,56 S=0,20 5
6 É definido um parâmetro de heterogeneidade entre dois objetos adjacentes, dados pela seguinte expressão: 2 h= ( f1d - f2d ) d 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: Seja: h = w.( n. σ ( n. σ n. σ )) cor c a c c h = w. h + ( 1 w ). h forma cp cp cp sv 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 onde: wcp= peso; h cp = compacidade; h sv = suavidade, a determinação de hcp e hsv f = wh. + ( 1 w). h cor forma f = critério de fusão; w= é o peso dado a variável; h cor = hetorogeneidade espectral; h for = heterogeneidade espacial. ( 1 ( 1 ) 2 ( 2 2) ) h = n.( l / b ) n. l / b + n. l / b sv a a a.( / ) (.( / ).( / )) h = n l n n l n + n l n cp a a a 1 l 1 el 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 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). 6
7 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 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. Exemplo de semântica O tipo mais antigo de rede semântica é a denominada definidora que enfatiza subtipos (relações de pertinência e subdivisões de conceitos tipo: parte_de). IMAGEM parte_de VEGETAÇÃO Superobjetos A primeira rede semântica definidora foi descrita pelo filósofo grego Porphiri, século III a.c, baseado no método de Aristóteles para separar categorias (genus). parte_de Ambiente Ciliar 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. Galeria tipo_de Várzea Subobjetos 7
8 3. ORIENTAÇÃO A OBJETO: Relações Topológicas Topologia: Relações entre objetos Topologia é um processo matemático para definir explicitamente relacionamentos espaciais; Adjacência Conectividade Disjunção Contingência 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 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 Objeto com Topologia Objeto com topologia Dado Temático Atributo OBJETO ID Dado Geométrico Topologia Tamanho e forma Posição e orientação Atributos o Espectral o Forma otextura o Relações de vizinhança o Subobjetos 8
9 CLASSIFICAÇÃO DOS SEGMENTOS Superobjetos Subobjetos 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 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. 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. Leia mais: MOLENAAR, Martien. Na indroduction to the theory of object modelling in GIS. Taylor&Francis
10 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. Relações e hierarquia 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. Segmentos Rede Semântica 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. 10
Tópicos Especias em Sensoriamento Remoto
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
Leia maisClassificação de Imagens
Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a
Leia maisDiagrama de Classes. Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes.
1 Diagrama de Classes Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes. Um dos objetivos do diagrama de classes é definir a base para
Leia maisClassificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões
Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos
Leia maisCLASSIFICAÇÃO DE IMAGENS
CLASSIFICAÇÃO DE IMAGENS SIG Profa.. Dra. Maria Isabel Castreghini de Freitas ifreitas@rc.unesp.br Profa. Dra. Andréia Medinilha Pancher medinilha@linkway.com.br O que é classificação? É o processo de
Leia maisINTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por
INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca
Leia mais29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica
Mapeamento não-linear Radiologia Digital Unidade de Aprendizagem Radiológica Princípios Físicos da Imagem Digital 1 Professor Paulo Christakis 1 2 Sistema CAD Diagnóstico auxiliado por computador ( computer-aided
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisCosta, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³. ²Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - rfariageo@hotmail.
GERAÇÃO DE MAPA DE USO E COBERTURA DE SOLO UTILIZANDO IMAGENS DE SATÉLITE LANDSAT 8 PARA O SUPORTE AO PLANEJAMENTO MUNICIPAL DO MUNICÍPIO DE NITERÓI RJ. Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³ 1 Universidade
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisAula 5 - Classificação
AULA 5 - Aula 5-1. por Pixel é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros
Leia maisSegmentação de Imagens
Segmentação de Imagens (Processamento Digital de Imagens) 1 / 36 Fundamentos A segmentação subdivide uma imagem em regiões ou objetos que a compõem; nível de detalhe depende do problema segmentação para
Leia maisEste documento foi elaborado sob a licença
1 2 Este documento foi elaborado sob a licença Atribuição - Não Comercial - Sem Trabalhos Derivados Brasil (CC BY-NC-ND 4.0) Sobre este documento, você tem o direito de: Compartilhar - reproduzir, distribuir
Leia maisCLASSIFICAÇÃO DE IMAGEM
DISCIPLINA SIG OFICINA: Classificação de Imagens de Sensoriamento Remoto Responsável: MARIA ISABEL C DE FREITAS Colaboração: BRUNO ZUCHERATO E KATIA CRISTINA BORTOLETTO CLASSIFICAÇÃO DE IMAGEM Para realizar
Leia mais3.1 Definições Uma classe é a descrição de um tipo de objeto.
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Classes Autoria:Aristófanes Corrêa Silva Adaptação:
Leia maisReconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller
Reconhecimento de marcas de carros utilizando Inteligência Artificial André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Motivação Análise estatística das marcas de carros em
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisTransformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis
Transformada de Hough Cleber Pivetta Gustavo Mantovani Felipe Zottis A Transformada de Hough foi desenvolvida por Paul Hough em 1962 e patenteada pela IBM. Originalmente, foi elaborada para detectar características
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
PROCESSAMENTO DIGITAL DE IMAGENS Msc. Daniele Carvalho Oliveira Doutoranda em Ciência da Computação - UFU Mestre em Ciência da Computação UFU Bacharel em Ciência da Computação - UFJF FILTRAGEM ESPACIAL
Leia maisA limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação.
Limiarização A limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação. O princípio da limiarização consiste em separar as regiões
Leia maisFiltragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha
Filtragem As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que dependem do nível de cinza de um determinado "pixel" e do valor dos níveis de cinza dos "pixels" vizinhos, na imagem
Leia maisAULA 6 - Operações Espaciais
6.1 AULA 6 - Operações Espaciais Essa aula descreve as operações espaciais disponíveis no TerraView. Antes de iniciar sua descrição é necessário importar alguns dados que serão usados nos exemplos. Exercício:
Leia maisANÁLISE 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 maisAula 3 - Registro de Imagem
1. Registro de Imagens Aula 3 - Registro de Imagem Registro é uma transformação geométrica que relaciona as coordenadas da imagem (linha e coluna) com as coordenadas geográficas (latitude e longitude)
Leia maisCAPÍTULO 2. Grafos e Redes
CAPÍTULO 2 1. Introdução Um grafo é uma representação visual de um determinado conjunto de dados e da ligação existente entre alguns dos elementos desse conjunto. Desta forma, em muitos dos problemas que
Leia maisUniversidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens
Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Prof Fabrízzio Alphonsus A M N Soares 2012 Capítulo 2 Fundamentos da Imagem Digital Definição de Imagem: Uma imagem
Leia maisAlgoritmos e Estruturas de Dados II. Trabalho Prático 2
Algoritmos e Estruturas de Dados II Entrega: 24/09/08 Devolução: 15/10/08 Trabalho individual Prof. Jussara Marques de Almeida Trabalho Prático 2 Você foi contratado pela XOL X Online para desenvolver
Leia maisCorelDRAW 11 1. UM PROGRAMA DE DESIGN
CorelDRAW 11 1. UM PROGRAMA DE DESIGN Com o Corel você vai trabalhar com um dos aplicativos mais usados no campo do design e da auto-edição, já que permite operar com dois tipos de gráficos (vetoriais
Leia maisCONTROLE DE QUALIDADE e VALIDAÇÃO DE PRODUTO CARTOGRÁFICO
CONTROLE DE QUALIDADE e VALIDAÇÃO DE PRODUTO CARTOGRÁFICO Editar dados em vários formatos e armazenar estas informações em diferentes sistemas é provavelmente uma das atividades mais comuns para os profissionais
Leia maisBanco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados
Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses
Leia maisAMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO BACHARELADO AMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS Orientando: Oliver Mário
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia maisCapacidade = 512 x 300 x 20000 x 2 x 5 = 30.720.000.000 30,72 GB
Calculando a capacidade de disco: Capacidade = (# bytes/setor) x (méd. # setores/trilha) x (# trilhas/superfície) x (# superfícies/prato) x (# pratos/disco) Exemplo 01: 512 bytes/setor 300 setores/trilha
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia mais1 http://www.google.com
1 Introdução A computação em grade se caracteriza pelo uso de recursos computacionais distribuídos em várias redes. Os diversos nós contribuem com capacidade de processamento, armazenamento de dados ou
Leia maisCálculo do conjunto paralelo
Cálculo do conjunto paralelo Vamos usar letras maiúsculas A; B, etc para representar conjuntos e letras minusculas x, y, etc para descrever seus pontos. Vamos usar a notação x para descrever a norma de
Leia maisProcessamento Digital de Imagens
Processamento Digital de Imagens Israel Andrade Esquef a Márcio Portes de Albuquerque b Marcelo Portes de Albuquerque b a Universidade Estadual do Norte Fluminense - UENF b Centro Brasileiro de Pesquisas
Leia maisDetecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy.
Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy. Marcelo Musci Baseado no artigo: Change detection assessment using fuzzy sets and remotely sensed data: an application
Leia maisDisciplina: Unidade III: Prof.: E-mail: Período:
Encontro 08 Disciplina: Sistemas de Banco de Dados Unidade III: Modelagem Lógico de Dados Prof.: Mario Filho E-mail: pro@mariofilho.com.br Período: 5º. SIG - ADM Relembrando... Necessidade de Dados Projeto
Leia maisOntologias. Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília
Ontologias Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília Origem Teoria sobre a natureza da existência Ramo da filosofia que lida com a natureza e organização da realidade.
Leia maisSEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS
SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS André Zuconelli 1 ; Manassés Ribeiro 2 1. Aluno do Curso Técnico em Informática, turma 2010, Instituto Federal Catarinense, Câmpus Videira, andre_zuconelli@hotmail.com
Leia maisCálculo de volume de objetos utilizando câmeras RGB-D
Cálculo de volume de objetos utilizando câmeras RGB-D Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Bruno Alberto Soares OLIVEIRA 1,3 ; Marlon MARCON 2,3 1 Estudante de Engenharia de
Leia maisENGENHARIA DA COMPUTAÇÃO BANCO DE DADOS I CONTEÚDO 5 ABORDAGEM RELACIONAL
ENGENHARIA DA COMPUTAÇÃO BANCO DE DADOS I CONTEÚDO 5 ABORDAGEM RELACIONAL PROF. MS C. RICARDO ANTONELLO WWW.ANTONELLO.COM.B R PORQUE SER RELACIONAL? Hoje, há um claro predomínio dos SGBD relacionais, principalmente
Leia maisResolução de problemas e desenvolvimento de algoritmos
SSC0101 - ICC1 Teórica Introdução à Ciência da Computação I Resolução de problemas e desenvolvimento de algoritmos Prof. Vanderlei Bonato Prof. Cláudio Fabiano Motta Toledo Sumário Análise e solução de
Leia maisTécnicas de Cartografia Digital
Técnicas de Cartografia Digital Maria Cecília Bonato Brandalize 2011 Aula 8 1. Vetoriais 2. Matriciais 3. Vantagens e Desvantagens 1. Vetoriais 2. Matriciais 3. Vantagens e Desvantagens Como são representados
Leia maisMODELAGEM DE DADOS MODELAGEM DE DADOS. rafaeldiasribeiro.com.br 04/08/2012. Aula 7. Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord
MODELAGEM DE DADOS PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS Aula 7 Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord 1 Objetivos: Aprender sobre a modelagem lógica dos dados. Conhecer os
Leia maisChow&Kaneko buscam as modas da imagem para separar os objetos. Admite que os tons na vizinhança de cada moda são do mesmo objeto.
Respostas Estudo Dirigido do Capítulo 12 Image Segmentation" 1 Com suas palavras explique quais os problemas que podem ocorrer em uma segmentação global baseada em níveis de cinza da imagem. Que técnicas
Leia mais15- Representação Cartográfica - Estudos Temáticos a partir de imagens de Sensoriamento Remoto
15- Representação Cartográfica - Estudos Temáticos a partir de imagens de Sensoriamento Remoto O Sensoriamento Remoto é uma técnica que utiliza sensores, na captação e registro da energia refletida e emitida
Leia maisSUMÁRIO. Introdução... 3
SUMÁRIO Introdução..................................... 3 1 Consultas por Similaridade e Espaços métricos............. 5 1.1 Consultas por abrangência e consultas aos k-vizinhos mais próximos... 5 1.2
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar
Leia maisAula 3 - Registro de Imagem
Aula 3 - Registro de Imagem 1. Registro de Imagens Registro é uma transformação geométrica que relaciona coordenadas da imagem (linha e coluna) com coordenadas geográficas (latitude e longitude) de um
Leia maisDiagrama de transição de Estados (DTE)
Diagrama de transição de Estados (DTE) O DTE é uma ferramenta de modelação poderosa para descrever o comportamento do sistema dependente do tempo. A necessidade de uma ferramenta deste tipo surgiu das
Leia mais3 Metodologia para Segmentação do Mercado Bancário
3 Metodologia para Segmentação do Mercado Bancário Este capítulo descreve a metodologia proposta nesta dissertação para a segmentação do mercado bancário a partir da abordagem post-hoc, servindo-se de
Leia mais5 Mecanismo de seleção de componentes
Mecanismo de seleção de componentes 50 5 Mecanismo de seleção de componentes O Kaluana Original, apresentado em detalhes no capítulo 3 deste trabalho, é um middleware que facilita a construção de aplicações
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisCOMPUTAÇÃO GRÁFICA. Rasterização e Preenchimento de Regiões. MARCO ANTONIO GARCIA DE CARVALHO Fevereiro de 2009. Computação Gráfica
COMPUTAÇÃO GRÁFICA Rasterização e Preenchimento de Regiões Objetivos Conhecer os fundamentos da construção de linhas e círculos Conhecer o modelo scan-line modelo de sementes para preenchimento de polígonos
Leia maisUNIVERSIDADE FEDERAL DA BAHIA - UFBA
UNIVERSIDADE FEDERAL DA BAHIA - UFBA Instituto de Ciências Ambientais e Desenvolvimento Sustentável Prof. Pablo Santos 4 a Aula SISTEMA DE INFORMAÇÃO GEOGRÁFICA - SIG Introdução Definições Necessárias
Leia maisLocalização dos inquéritos de rua para Arroios e Gulbenkian
Project IAAPE Pedestrian Accessibility and Attractiveness Indicators: Tool for Urban Walkability Assessment and Management Working Paper No. WP-8 Localização dos inquéritos de rua para Arroios e Gulbenkian
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia mais3 Estado da arte em classificação de imagens de alta resolução
37 3 Estado da arte em classificação de imagens de alta resolução Com a recente disponibilidade de imagens de alta resolução produzidas por sensores orbitais como IKONOS e QUICKBIRD se tornou-se possível
Leia mais4ª aba do cadastro: Mapa Orientações para upload de shapefiles
Conteúdo: 1. Como fazer upload de arquivos espaciais no SiCAR-SP? Formato dos arquivos Características do shapefile Sistema de Coordenadas requerido Como preparar o shapefile para o upload 2. O que fazer
Leia maisSPRING 3.6.03 - Apresentação
SPRING 3.6.03 - Apresentação GEOPROCESSAMENTO Conjunto de ferramentas usadas para coleta e tratamento de informações espaciais, geração de saídas na forma de mapas, relatórios, arquivos digitais, etc;
Leia maisSensoriamento Remoto. Características das Imagens Orbitais
Sensoriamento Remoto Características das Imagens Orbitais 1 - RESOLUÇÃO: O termo resolução em sensoriamento remoto pode ser atribuído a quatro diferentes parâmetros: resolução espacial resolução espectral
Leia maisPROF. DR. JACQUES FACON
PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON LIMIARIZAÇÃO DUPLA DE ISTVÁN CSEKE PROJETO DE UMA RÁPIDA SEGMENTAÇÃO PARA
Leia maisProcessamento e Análise de Imagens (MC940) Análise de Imagens (MO445)
Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445) Prof. Hélio Pedrini Instituto de Computação UNICAMP 2º Semestre de 2015 Roteiro 1 Morfologia Matemática Fundamentos Matemáticos Operadores
Leia maisIntrodução aos cálculos de datas
Page 1 of 7 Windows SharePoint Services Introdução aos cálculos de datas Aplica-se a: Microsoft Office SharePoint Server 2007 Ocultar tudo Você pode usar fórmulas e funções em listas ou bibliotecas para
Leia maisMIG - Metadados para Informação Geográfica
MIG - Metadados para Informação Geográfica Introdução à Norma ISO 19115 Henrique Silva, Instituto Geográfico Português, hsilva@igeo.pt Lisboa, 14 de Fevereiro de 2008 Metadados para Informação Geográfica
Leia maisGlossário das Camadas do SISTEMA CADEF
Glossário das Camadas do SISTEMA CADEF Imagem dos Corredores Ecológicos: Exibe a imagem de satélite baixa resolução de SPOT-5, adquirida em 2005. Esta imagem está como padrão defaut ao iniciar o sistema,
Leia maisFunção Mudar de unidade estatística
Função Mudar de unidade estatística Frequentemente, certas pesquisas contêm informações correspondentes a níveis estatísticos diferentes. No Sphinx (Survey ou Léxica), a partir do menu Gestão, opção Mudar
Leia maisCurso: Redes II (Heterogênea e Convergente) Tema da Aula: Características Roteamento
Curso: Redes II (Heterogênea e Convergente) Tema da Aula: Características Roteamento Professor Rene - UNIP 1 Roteamento Dinâmico Perspectiva e histórico Os protocolos de roteamento dinâmico são usados
Leia maisAnálise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem
Leia maisDistribuição de Freqüências
Distribuição de Freqüências Por constituir-se o tipo de tabela importante para a Estatística Descritiva, faremos um estudo completo da distribuição de freqüências. Uma distribuição de freqüências condensa
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA INF2608 FUNDAMENTOS DE COMPUTAÇÃO GRÁFICA RELATÓRIO: IMAGENS SÍSMICAS VISUALIZAÇÃO E DETECÇÃO
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
PROCESSAMENTO DIGITAL DE IMAGENS Motivado por duas principais aplicações: Melhorar a informação da imagem para interpretação humana Processamento de cenas para percepção de máquinas (Visão Computacional)
Leia maisStatus. Barra de Título. Barra de Menu. Barra de. Ferramentas Padrão. Caixa de nomes. Barra de. Ferramentas de Formatação. Indicadores de Coluna
O que é uma planilha eletrônica? É um aplicativo que oferece recursos para manipular dados organizados em tabelas. A partir deles pode-se gerar gráficos facilitando a análise e interpretação dos dados
Leia mais2.1.2 Definição Matemática de Imagem
Capítulo 2 Fundamentação Teórica Este capítulo descreve os fundamentos e as etapas do processamento digital de imagens. 2.1 Fundamentos para Processamento Digital de Imagens Esta seção apresenta as propriedades
Leia maisUNIDADE 4 - ESTRUTURA CRISTALINA
UNIDADE 4 - ESTRUTURA CRISTALINA 4.1. INTRODUÇÃO Em geral, todos os metais, grande parte dos cerâmicos e certos polímeros cristalizam-se quando se solidificam. Os átomos se arranjam em uma estrutura tridimensional
Leia maisNotas da Aula 17 - Fundamentos de Sistemas Operacionais
Notas da Aula 17 - Fundamentos de Sistemas Operacionais 1. Gerenciamento de Memória: Introdução O gerenciamento de memória é provavelmente a tarefa mais complexa de um sistema operacional multiprogramado.
Leia maisAula 8 Circuitos Integrados
INTRODUÇÃO À ENGENHRI DE COMPUTÇÃO PONTIFÍCI UNIVERSIDDE CTÓLIC DO RIO GRNDE DO SUL FCULDDE DE ENGENHRI ula Circuitos Integrados Introdução Portas Lógicas em Circuitos Integrados Implementação de Funções
Leia maisProcessamento de Imagem. Prof. Herondino
Processamento de Imagem Prof. Herondino Sensoriamento Remoto Para o Canada Centre for Remote Sensing - CCRS (2010), o sensoriamento remoto é a ciência (e em certa medida, a arte) de aquisição de informações
Leia maisTécnicas para Programação Inteira e Aplicações em Problemas de Roteamento de Veículos 14
1 Introdução O termo "roteamento de veículos" está relacionado a um grande conjunto de problemas de fundamental importância para a área de logística de transportes, em especial no que diz respeito ao uso
Leia maisTRANSMISSÃO DE DADOS Prof. Ricardo Rodrigues Barcelar http://www.ricardobarcelar.com
- Aula 3-1. A CAMADA DE REDE (Parte 1) A camada de Rede está relacionada à transferência de pacotes da origem para o destino. No entanto, chegar ao destino pode envolver vários saltos em roteadores intermediários.
Leia maisTrabalho 2 Fundamentos de computação Gráfica
Trabalho 2 Fundamentos de computação Gráfica Processamento de Imagens Aluno: Renato Deris Prado Tópicos: 1- Programa em QT e C++ 2- Efeitos de processamento de imagens 1- Programa em QT e C++ Para o trabalho
Leia maisTécnicas de Caixa Preta de Teste de Software
Técnicas de Caixa Preta de Teste de Software Na maioria de projetos de teste, o tempo para a realização dos mesmos sempre é curto e os números de testes a serem realizados nas aplicações são inúmeros.
Leia maisOrientação a Objetos
1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou
Leia maisArquitetura de Rede de Computadores
TCP/IP Roteamento Arquitetura de Rede de Prof. Pedro Neto Aracaju Sergipe - 2011 Ementa da Disciplina 4. Roteamento i. Máscara de Rede ii. Sub-Redes iii. Números Binários e Máscara de Sub-Rede iv. O Roteador
Leia maisAula 6 - Segmentação de Imagens Parte 2. Prof. Adilson Gonzaga
Aula 6 - Segmentação de Imagens Parte 2 Prof. Adilson Gonzaga 1 Motivação Extração do Objeto Dificuldades Super segmentação over-segmentation 1) Segmentação por Limiarização (Thresholding Global): Efeitos
Leia maisRevisão de Estatística Básica:
Revisão de Estatística Básica: Estatística: Um número é denominado uma estatística (singular). Ex.: As vendas de uma empresa no mês constituem uma estatística. Estatísticas: Uma coleção de números ou fatos
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisSite da disciplina: Site do Laboratório de Geotecnologias Aplicadas: https://moodleinstitucional.ufrgs.br. http://www.ufrgs.
Universidade Federal do Rio Grande do Sul Instituto de Geociências Departamento de Geografia Sistemas de Informações Geográficas I GEO 01007 Professora: Eliana Lima da Fonseca Site da disciplina: https://moodleinstitucional.ufrgs.br
Leia maisSó Matemática O seu portal matemático http://www.somatematica.com.br FUNÇÕES
FUNÇÕES O conceito de função é um dos mais importantes em toda a matemática. O conceito básico de função é o seguinte: toda vez que temos dois conjuntos e algum tipo de associação entre eles, que faça
Leia maisTarefa Orientada 14 Subconsultas
Tarefa Orientada 14 Subconsultas Objectivos: Subconsultas não correlacionadas Operadores ALL, SOME e ANY Subconsultas correlacionadas Operador EXISTS Subconsultas incluídas na cláusula FROM de uma consulta
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
Leia mais