Avaliação de Descritores de Imagem
|
|
- Alessandra Barateiro Medina
- 6 Há anos
- Visualizações:
Transcrição
1 Avaliação de Descritores de Imagem André Tavares da Silva
2 Descritor O par descritor de imagem e função de distância descreve como as imagens de uma coleção estão distribuídas no espaço de características (medida).
3 Busca por similaridade
4 Busca por similaridade
5 Medidas de Avaliação Ao avaliar um novo descritor, os autores buscam medir: Velocidade/complexidade do processamento da extração de características; Separabilidade entre classes; Percentual de acertos em uma classificação; Gráfico Precisão-Revocação; Exemplo individual.
6 Bases de Imagem
7 Desafios Antigo VOC Pascal ( ( ImageNet ( WebVision (
8 Desafios CVPR
9 Medidas de Avaliação Precisão Revocação Precisão x Revocação Medida-F (F-measure, F1 score) MAP Curva ROC Acurácia
10 Avaliação simples Ao comparar dois descritores de imagem, o objetivo é verificar se as imagens consideradas parecidas (mais próximas) são realmente de uma mesma classe (tipo). Neste caso, observa-se as N imagens mais parecidas e verificamos quantas realmente são da mesma classe.
11 Precisão Precisão (também chamada de valor preditivo positivo) é a fração de instâncias recuperadas que são relevantes em um conjunto retornado pelo sistema. Suponha que um programa de computador para o reconhecimento de cães em cenas de um vídeo identifica 7 cães em uma cena contendo cães e alguns gatos. Se 4 das identificações estão corretas, mas 3 são gatos, a precisão do programa é 4/7.
12 Precisão imagens relevantes imagens recuperadas Precisão= imagens recuperadas Ou simplesmente: Precisão= imagens relevantes recuperadas imagens recuperadas
13 Precisão em K (P@k) Para sistemas modernos de busca (Web, CBIR, CBVR) com quantidade enorme de imagens (documentos), a precisão ao encontrar as k primeiras imagens (ou documentos na Web, por exemplo) é uma boa medida para avaliar o sistema e interessante para quem for utilizá-lo. P@10 (Precision at 10 - ou P10) corresponde ao número de resultados relevantes encontrados nas 10 primeiras imagens apresentadas. Alguns métodos apresentam como resultado a precisão em diferentes P@k (P10, P20, P30, ).
14 Revocação Revocação (também conhecida como sensibilidade) é a fração de instâncias relevantes que são recuperadas. Tanto precisão quanto revocação (ou recall) são, portanto, bases para o estudo e compreensão da medida de relevância. Suponha que um programa de computador para o reconhecimento de cães em cenas de um vídeo identifica 7 cães em uma cena contendo 9 cães e alguns gatos. Se 4 das identificações estão corretas, mas 3 não, a sua revocação é 4/9.
15 Revocação imagens relevantes imagens recuperadas Revocação= imagens relevantes Ou simplesmente: Revocação= imagens relevantes recuperadas total de imagens relevantes
16 Precisão x Revocação Ao tomar uma imagem de exemplo (query image) e fazer o sistema retornar as imagens mais similares de acordo com um descritor, a precisão diminui conforme a quantidade de imagens retornadas. É normal as primeiras imagens serem de uma mesma classe ou categoria (mesmo tipo de objeto) e depois aparecerem imagens similares mas de outro tipo. Em uma busca na Web, por exemplo, é comum que somente as primeiras páginas sejam realmente relevantes.
17 Curva Precisão x Revocação Dessa forma, as medidas de precisão e revocação variam conforme a busca vai avançando. Como comparar resultados de imagens cujas classes tenham diferentes números de elementos? Por isso calcula-se a precisão em diferentes níveis de revocação (0%, 10%, 20%,,100%), gerando uma curva.
18 Alguns exemplos
19 Medida-F A medida que combina precisão e revocação é a média harmônica de precisão e revocação, a tradicional F-measure ou F-score balanceada: precisão revocação F=2 precisão +revocação Esta medida também é conhecida como medida F1, pois revocação e precisão são ponderadas uniformemente. A medida Fβ geral é: precisão revocação F=1+β 2 β precisão+ revocação 2 Duas medidas F normalmente utilizadas são a medida F2, que pondera a revocação com maior valor que a precisão e a medida F0.5, que coloca mais ênfase na precisão do que a revocação.
20 Precisão Média e MAP Ao calcular a curva Precisão-Revocação, ao plotar a precisão p(r) como uma função da revocação r, podemos calcular a precisão média (Average precision) por: 1 AP= p( r ) r 0 Para um conjunto de consultas (exemplos), podemos calcular a medida MAP (Mean Average Precision): Q AP (q) MAP= 1 Q
21 Medidas de Avaliação As medidas de avaliação são normalmente medidas após um sistema de recuperação (busca) de informação ou classificação (reconhecimento); Po isso normalmente as comparações entre descritores são realizados em conjunto com um sistema de classificação para verificar quanto o sistema está acertando ou errando.
22 Reconhecimento / Classificação
23 Realimentação de Relevância
24 Realimentação de Relevância
25 Verdadeiros/Falsos Positivos/Negativos Em um sistema com classificador, ele pode acertar ou errar qual o tipo de imagem (objeto) estamos tentando classificar/buscar. Caso a imagem seja corretamente classificada como sendo do tipo desejado, considera-se como sendo verdadeiro positivo (VP); Caso a imagem seja classificada como sendo do tipo desejado, mas seja de outro, é um falso positivo (FP); Caso a imagem seja classificada como sendo de outro tipo, mas seja do tipo correto, é um falso positivo (FP); Caso a imagem seja corretamente classificada como sendo de outro tipo, é um verdadeiro negativo (VN);
26 Matriz de Confusão Uma forma de visualizar os valores de VPs, FPs, VNs e FNs, é através de uma tabela: VN FN FP VP
27 Matriz de Confusão A matriz da confusão é uma ferramenta usada tipicamente para verificar o erro do classificador para as diferentes classes. Cada coluna da matriz representa os tipos em uma classe predita e cada linha representar a classe real. O principal benefício da matriz da confusão verificar facilmente se o sistema está confundindo duas (ou mais) classes distintas.
28 Matriz de Confusão Cachorro Gato Cavalo Cachorro Gato Cavalo
29 Precisão Em uma tarefa de classificação, o coeficiente de precisão é o número de verdadeiros positivos (o número de itens corretamente rotulados como pertencentes aos positivos), dividido pelo número total de elementos identificados como pertencentes ao conjunto positivo (a soma de verdadeiros positivos e falsos positivos, que são itens incorretamente rotulados como pertencente ao conjunto). A precisão é a probabilidade de que uma imagem selecionada aleatoriamente seja relevante.
30 Precisão imagens relevantes imagens recuperadas Precisão= imagens recuperadas Ou: Precisão= TP TP+ FN
31 Revocação Em uma tarefa de classificação, o coeficiente de revocação é definido como o número de verdadeiros positivos, dividido pelo número total de elementos que pertencem aos positivos (a soma de verdadeiros positivos e falsos negativos, que são itens que não foram rotulados como pertencentes aos positivos, mas deveriam ter sido). Revocação é a probabilidade de selecionar aleatoriamente uma imagem relevante.
32 Revocação imagens relevantes imagens recuperadas Revocação= imagens relevantes Ou: Revocação= TP TP+ FN
33 Acurácia Ela é relativa aos acertos na classificação. É a soma de verdadeiros positivos e negativos dividido pelo tamanho da base (ou dos dados classificados): VP+VN AP= VP+ FP+VN + FN
34 Característica de Operação do Receptor Quando classificamos uma imagem usando um classificador binário (acerta ou erra), podemos alterar a característica do classificador para ser mais ou menos "rigoroso" ao rotular uma imagem (objeto) como sendo de uma determinada classe ou não. A Característica de Operação do Receptor (COR), ou Receiver Operating Characteristic (ROC), ou simplesmente curva ROC, é uma representação gráfica que ilustra o desempenho de um sistema classificador binário, mostrando como seu limiar de discriminação varia. É obtido pela representação da fracção de Verdadeiros Positivos dos Positivos Totais (RPV=PV/P) versus a fracção de Falsos Positivos dos Negativos Totais (RPF=PF/N), em várias configurações do limite. RPV é também conhecido como sensividade, e RPF é um menos a especificidade.
35 Curva ROC Usada para selecionar modelos ótimos de possibilidade e descartar as de qualidade inferior a partir do contexto de custo. Está relacionada com a análise de custo/benefício da tomada de decisão.
36 Curva ROC
37 Descritores (exemplos) A seguir serão apresentados alguns tipos de descritores de Cor, Textura e Forma; Também são apresentados os resultados obtidos usando um busca simples, mostrando a curva média PrecisãoRevocação a fim de comparar alguns descritores que serão apresentados e estudados ao longo da disciplina.
38 Descritores baseados em cor Na literatura existem quatro abordagens principais para a análise de cor: global baseada em regiões fixas baseada em segmentação local
39 Abordagem Global A abordagem global considera a informação de cor de uma imagem globalmente. Como nenhum particionamento ou préprocessamento da imagem é necessário durante a extração de características, descritores que seguem esta abordagem normalmente apresentam algoritmos de extração de características mais simples e rápidos.
40 Baseado em Regiões Fixas A abordagem baseada em regiões fixas divide a imagem em células de tamanho fixo e extrai informações de cor de cada célula separadamente. Esta abordagem codifica uma quantidade maior de informação espacial e, no entanto, descritores deste tipo normalmente geram vetores de características pouco compactos.
41 Baseado em Segmentação A abordagem baseada em segmentação divide uma imagem em regiões que podem variar em quantidade e tamanho de uma imagem para outra. Esta divisão é normalmente feita por um algoritmo de segmentação ou agrupamento de cores, aumentando a complexidade do processo de extração de características. Outra forma de segmentação é a realização de uma classificação dos pixels da imagem antes de se realizar a extração do vetor de características. Descritores deste tipo podem apresentar melhor eficácia, embora quase sempre apresentem maior complexidade computacional.
42 Locais A abordagem local usa algoritmos para a extração de características que encontram pontos de interesse na imagem e os caracterizam por informações invariantes a transformações como orientação e escala. Dessa maneira, o vetor de características contém informações sobre elementos locais da imagem.
43 Testes com descritores de cor ETH80
44 Caltech
45 Columbia (COIL)
46 Corel
47 Microsoft (MSRCORID)
48 Pascal (VOC)
49 Descritores baseados em textura Existem diversas abordagens para a extração de textura de uma imagem e elas variam nos trabalhos encontrados na literatura. Uma das taxonomias separa os tipos nos métodos: estatísticos geométricos baseados em modelos de processamento de sinais
50 Estatísticos Uma das maneiras mais tradicionais para se analisar a distribuição espacial dos níveis de cinza de uma imagem é a análise estatística. Dessa maneira, é possível extrair informações estatísticas sobre os níveis de cinza de uma imagem, como por exemplo, a probabilidade de co-ocorrência de níveis de cinza em diferentes distâncias e orientações. Métodos que utilizam histogramas também caracterizam estatisticamente propriedades de textura de uma imagem.
51 Geométricos Analisam a textura por meio de "elementos de textura" ou primitivas. Esta análise é feita considerando-se as propriedades geométricas destas primitivas, como tamanho, forma, área e comprimento. Uma vez que as primitivas estejam identificadas em uma imagem, são extraídas delas regras de posicionamento que descrevem a textura. Este tipo de análise se torna difícil em texturas naturais pois tanto as primitivas quanto os padrões de posicionamento podem ser bastante irregulares.
52 Baseados em modelos Constroem um modelo que pode ser usado para descrever a textura ou sintetizá-la. Os parâmetros do modelo capturam as qualidades perceptivas essenciais de uma textura. Por exemplo, podem ser modelados elementos de textura como: um ponto claro ou um ponto escuro, uma transição horizontal ou vertical, cantos ou retas, etc. Descritores que seguem esta abordagem são bons para texturas bem definidas.
53 Processamento de sinais Podem ser usadas tanto filtragens no domínio espacial quanto filtragens no domínio da frequência. Propriedades são extraídas das imagens filtradas, como a densidade de bordas no caso de uma filtragem espacial, ou a média e desvio padrão dos valores no caso de uma filtragem no domínio da frequência. Descritores baseados em Fourier, Wavelets e filtros de Gabor se enquadram nesta abordagem.
54 Testes com descritores de textura ETH80
55 Caltech
56 Columbia (COIL)
57 Corel
58 Microsoft (MSRCORID)
59 Pascal (VOC)
60 Vistex
61 Descritores baseados em forma Os descritores de forma podem ser divididos basicamente em duas abordagens: baseada em contorno global estrutural baseada em região global estrutural
62 Baseado em contorno É mais popular na literatura, embora possa sofrer efeitos negativos na presença de ruído. Além disso, não é sempre que o contorno de uma forma está presente na imagem e, em algumas aplicações, o conteúdo da forma é mais importante do que o contorno.
63 Baseado em região Pode ser mais robusta na recuperação de formas por considerar a informação de toda a forma ao invés de considerar apenas a informação do contorno É a mais adequada para ser usada em aplicações de propósito geral.
64 Globais x Estruturais Os descritores globais consideram o contorno ou a região da forma como um todo, sem realizar divisões em subpartes. Os descritores estruturais dividem o contorno ou a região em segmentos e possibilitam a comparação parcial de formas, conseguindo, portanto, suportar oclusão de formas.
65 Globais x Estruturais Entretanto, os estruturais são mais complexos computacionalmente, especialmente para o cálculo de distância. Além disso, são mais sensíveis a ruído e necessitam de ajuste de parâmetros que dependem de informações das formas existentes na base de imagens, o que os torna impraticáveis em sistemas de propósito geral.
66 Forma e segmentação Um dos principais problemas envolvendo descritores de forma é relativa à segmentação das formas de uma imagem. A segmentação é ainda um problema em aberto. Em bases de imagens com conteúdo conhecido e controlado, é possível realizar ajustes de parâmetros de maneira a conseguir bons resultados de segmentação.
67 Forma e segmentação No entanto, em bases de conteúdo heterogêneo, os ajustes de parâmetros que satisfaçam todas as possíveis categorias de imagens são difíceis de serem realizados. Dessa maneira, torna-se impraticável o uso de descritores de forma que dependam de segmentação em um sistema de CBIR.
68 Testes com descritores de forma ETH80
69 MPEG7
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
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisExtração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisRecuperação de Informação
Recuperação de Informação Avaliação de Desempenho de Sistemas de Recuperação de Informação Renato Fernandes Corrêa 1 Para que avaliar? Existem muitos modelos de RI, mas qual é o melhor? Qual a melhor escolha
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia maisRecuperação de texturas coloridas trasladadas, rotacionadas e escaladas
Recuperação de texturas coloridas trasladadas, rotacionadas e escaladas Página 1 de 22 Alexadre Leão Guillermo Cámara Chávez Processamento digital de imagens DCC UFMG Maio 2003 Recuperação de texturas
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia maisCompressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA. Utilizando JAVA. TCC - Monografia
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA TCC - Monografia Wanderson Câmara dos Santos Orientador : Prof. Dr. Luiz Felipe de Queiroz Silveira 1 Departamento
Leia maisTextura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Leia mais5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Leia maisUNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisClassificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Leia maisDiagnóstico Médico de Imagem Auxiliado por Computador
Diagnóstico Médico de Imagem Auxiliado por Computador Fundamentos de Sistemas Multimídia Flávio Luiz Seixas 2005 Agenda Agenda: Sistemas CAD Telemedicina Princípios da Tomografia Computadorizada Processamento
Leia mais1 1 1 *1/ *1/ *1/49
O que é filtragem? As técnicas de filtragem são transformações da imagem pixel a pixel, que não dependem apenas do nível de cinza de um determinado pixel, mas também do valor dos níveis de cinza dos pixels
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisProcessamento de Imagem. Filtragem no Domínio Espacial Professora Sheila Cáceres
Processamento de Imagem Filtragem no Domínio Espacial Professora Sheila Cáceres Filtragem A filtragem de imagens pode ser realizada no domínio do espaço e da frequência Operadores de filtragem são classificados
Leia maisArquivos invertidos 39
Arquivos invertidos 39 Arquivos invertidos É um mecanismo que utiliza palavras para indexar uma coleção de documentos a fim de facilitar a busca e a recuperação Estruturas de um arquivo invertido Vocabulário
Leia maisSimulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
Leia maisEfeitos da filtragem sobre sinais de onda quadrada
Efeitos da filtragem sobre sinais de onda quadrada Autores: Pedro Rodrigues e André F. Kohn Introdução O texto a seguir ilustra efeitos que diferentes sistemas lineares invariantes no tempo (SLIT) podem
Leia mais2.1. Construção da Pista
2 Malha de Controle Para que se possa controlar um dado sistema é necessário observar e medir suas variáveis de saída para determinar o sinal de controle, que deve ser aplicado ao sistema a cada instante.
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 maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisEstudando com o MATLAB
Estudando com o MATLAB Curso de Extensão Docentes: > Fabiano Araujo Soares > Marcelino M. de Andrade Monitor: >Luan Felipe Aula 4: Aplicações - Parte II 1ª Parte - Estatística Aula 4-1ª Parte: Estatística
Leia maisProcessamento de Imagens
Processamento de Imagens André Tavares da Silva andre.silva@udesc.br Roteiro O que é imagem Operações com imagens Convolução discreta Transformada de Fourier Transformada de Wavelets Morfologia matemática
Leia maisFERRAMENTAS ESTATÍSTICAS PARA ANÁLISE DA CLASSIFICAÇÃO
Objetivos: - QUANTIFICAR OS ERROS COMETIDOS NA CLASSIFICAÇÃO - MEDIR A QUALIDADE DO TRABALHO FINAL - AVALIAR A APLICABILIDADE OPERACIONAL DA CLASSIFICAÇÃO Fontes de erro das classificações temáticas Os
Leia maisMORFOLOGIA MATEMÁTICA
MORFOLOGIA MATEMÁTICA Morfologia Na Biologia área que trata com a forma e a estrutura de plantas e animais Processamento de Imagens Ferramenta para extração de componentes de imagens que sejam úteis na
Leia maisInformação - Ficha de Avaliação Global de Matemática 3.º ano. 1.º Ciclo do Ensino Básico maio de 2016
Agrupamento de Escolas de Marrazes Cód. 1609 Informação - Ficha de Avaliação Global de Matemática.º ano 1.º Ciclo do Ensino Básico maio de 2016 O presente documento divulga informação relativa à ficha
Leia maisCapítulo 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
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia maisCAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO
182 CAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO Neste trabalho foi proposta uma metodologia para a automação da resseção espacial de imagens digitais baseada no uso hipóteses
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) EXTRAÇÃO DE CARACTERÍSTICAS Definição Característica: variável ou atributo
Leia maisExtração de Características
Extração de Características Alceu S. Britto Jr. Alessandro L. Koerich Aprendizagem de Máquina Mestrado/Doutorado em Informática 2009 Definição Característica: variável ou atributo utilizado na descrição
Leia maisUniversidade de São Paulo (USP) Universidade Federal de São Carlos (UFSCar) Universidade Metodista de Piracicaba (Unimep)
Universidade de São Paulo (USP) Universidade Federal de São Carlos (UFSCar) Universidade Metodista de Piracicaba (Unimep) Relatório Técnico Métricas de Avaliação http://gbd.dc.ufscar.br Projeto Um Ambiente
Leia mais5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia maisUniversidade Federal do Rio de Janeiro COPPE. Trabalho de Processamento de Imagens Reconhecimento de Símbolos de Componentes Eletrônicos
Universidade Federal do Rio de Janeiro COPPE Trabalho de Processamento de Imagens Reconhecimento de Símbolos de Componentes Eletrônicos Nome: Fernanda Duarte Vilela Reis de Oliveira Professores: Antonio
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 8 11/2014 Distribuição Normal Vamos apresentar distribuições de probabilidades para variáveis aleatórias contínuas.
Leia maisSTV 15 SET na figura acima a freqüência das variações do sinal de onda quadrada da câmera mostradas no topo do padrão xadrez é de 0,11 MHz
STV 15 SET 2008 1 FREQÜÊNCIAS DE VÍDEO ASSOCIADAS COM A VARREDURA HORIZONTAL no padrão xadrez da figura acima, o sinal de onda quadrada no topo representa as variações do sinal da câmera do sinal composto
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisPMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisRECONHECIMENTO FACIAL 2D
RECONHECIMENTO FACIAL 2D PARA SISTEMAS DE AUTENTICAÇÃO EM DISPOSITIVOS MÓVEIS Luciano Pamplona Sobrinho Orientador: Paulo César Rodacki Gomes ROTEIRO Introdução Objetivos Fundamentação Teórica Conceitos
Leia maisBusca de imagens baseada no conteúdo: Aplicação em imagens médicas
Busca de imagens baseada no conteúdo: Aplicação em imagens médicas Rafael Gessele Orientador: Prof. Dr. Mauro Marcelo Mattos Sumário Introdução Objetivos do trabalho Fundamentação teórica Desenvolvimento
Leia maisProcessamento 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
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA PLANIFICAÇÃO ANUAL 7.
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA PLANIFICAÇÃO ANUAL 7.º ANO ANO LECTIVO 2009/2010 DOMÍNIO TEMÁTICO: NÚMEROS E CÁLCULO 1.º PERÍODO
Leia maisCAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR
CAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR Segundo Gonzales e Wintz (1987), um dos primeiros passos do processo de análise de uma imagem digital consiste em particioná-la em seus elementos constituintes. O
Leia maisAnálise de Algoritmos
Análise de Algoritmos Parte 1 Prof. Túlio Toffolo http://www.toffolo.com.br BCC202 Aula 04 Algoritmos e Estruturas de Dados I Qual a diferença entre um algoritmo e um programa? Como escolher o algoritmo
Leia maisESTATÍSTICA BÁSICA. Freqüência Absoluta: Número de vezes que um elemento ocorre em uma amostra.
ESTATÍSTICA BÁSICA. Apresentação Estatística é a parte da Matemática que organiza e analisa dados coletados em uma amostra de um conjunto. Com base nos resultados, faz projeções para todo o conjunto com
Leia maisModelos Lineares Generalizados - Regressão Logística
Modelos Lineares Generalizados - Regressão Logística Erica Castilho Rodrigues 26 de Maio de 2014 AIC 3 Vamos ver um critério para comparação de modelos. É muito utilizado para vários tipos de modelo. Mede
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Leia maisProcessamento de Imagem. Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres
Processamento de Imagem Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres Lembrando Filtragem Correlação A correlação e a convolução sãos dois conceitos relacionados a filtragem.
Leia maisMAS 160/510 Conjunto de Problema Nove
MAS 160/510 Conjunto de Problema Nove 1. Modulação Digital O sistema Quaternário de Manipulação de Comutação de Fase na figura é usado para transmitir dados através de um canal (barulhento). O gerador
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisUnidade III ESTATÍSTICA. Prof. Fernando Rodrigues
Unidade III ESTATÍSTICA Prof. Fernando Rodrigues Medidas de dispersão Estudamos na unidade anterior as medidas de tendência central, que fornecem importantes informações sobre uma sequência numérica. Entretanto,
Leia maisFundamentos da Computação Gráfica
Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno (1322198) Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional
Leia maisProcessamento de Imagens Marcia A. S. Bissaco
Engenharia Biomédica Processamento de Imagens Marcia A. S. Bissaco 1 Exemplos filtros Média Mediana Passa_B Passa_A Borda_H Borda_V Sobel_Y Sobel_X Oliveira, Henrique J. Quintino (UMC-SP), 2 Media Mediana
Leia maisA SIMPLIFIED GRAVITATIONAL MODEL TO ANALYZE TEXTURE ROUGHNESS
A SIMPLIFIED GRAVITATIONAL MODEL TO ANALYZE TEXTURE ROUGHNESS Introdução Um padrão de textura é definido como uma função da variação espacial nas intensidades dos pixels Um dos mais importantes atributos
Leia maisTransformada de Discreta de Co senos DCT
Transformada de Discreta de Co senos DCT O primeiro passo, na maioria dos sistemas de compressão de imagens e vídeo, é identificar a presença de redundância espacial (semelhança entre um pixel e os pixels
Leia maisProblemas de Processamento de Sinais Estruturas de Sistemas Discretos
Problemas de Processamento de Sinais Estruturas de Sistemas Discretos. Determine a função de transferência dos sistemas que se seguem. Mostre que têm os mesmos pólos. r cosθ r r cosθ r senθ r senθ r cosθ.
Leia maisLinguagens Documentárias. Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília
Linguagens Documentárias Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília Contexto Organização da Informação...... procura criar métodos e instrumentos para elaborar
Leia maisClassificação de Folhas por Tamanho e Forma Através de Descritores Geométricos e Análise dos Componentes Principais
Classificação de Folhas por Tamanho e Forma Através de Descritores Geométricos e Análise dos Componentes Principais MARCOS C. DE ANDRADE, LÚCIO C. M. PINTO Centro de Desenvolvimento da Tecnologia Nuclear
Leia maisRoteiro. Métodos diagnósticos: conceitos gerais. Download da aula e links. Introdução. Fases de um programa sanitário. Parâmetros. PCR ou ELISA?
Roteiro Métodos diagnósticos: conceitos gerais. Apresentação de conceitos e suas inter relações. Reação de Elisa e PCR como exemplos. Prof. Dr. Fábio Gregori Laboratório de Biologia Molecular Aplicada
Leia maisFILTRAGEM NO DOMÍNIO ESPACIAL. Daniel C. Zanotta 10/06/2016
FILTRAGEM NO DOMÍNIO ESPACIAL Daniel C. Zanotta 10/06/2016 Passa-Baixas O efeito visual de um filtro passa-baixa é o de suavização da imagem e a diminuição de mudanças abruptas de níveis de cinza. As altas
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisAnálise de Imagens. Aula 20: Sistemas com Múltiplos Classificadores. Prof. Alexandre Xavier Falcão.
A.X. Falcão p.1/17 Análise de Imagens Aula 20: Sistemas com Múltiplos Classificadores (Fusão) Prof. Alexandre Xavier Falcão afalcao@ic.unicamp.br. IC - UNICAMP A.X. Falcão p.2/17 Roteiro da Aula Sistemas
Leia maisProcessamento Digital de Sinais:
Processamento Digital de Sinais: Conceitos e Aplicações Joseana Macêdo Fechine Régis de Araújo IC-DSC-UFCG 1 Por que estudar PDS? 2 PDS Conceitos Básicos Sinais Padrões de variações que representam uma
Leia mais4 Detecção de Silhueta
4 Detecção de Silhueta No decorrer deste capítulo é proposto um modelo de detecção da silhueta da mão capaz de lidar com os erros da segmentação e ruídos na sua morfologia. Num primeiro passo são considerados
Leia maisIMAGE 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
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 3 de março de 2016 Transformação e filtragem de imagens
Leia maisESCOLA E B 2,3/S MIGUEL LEITÃO DE ANDRADA - AGRUPAMENTO DE ESCOLAS DE PEDRÓGÃO GRANDE DEPARTAMENTO DAS CIÊNCIAS EXATAS 2015/2016
ESCOLA E B 2,3/S MIGUEL LEITÃO DE ANDRADA - AGRUPAMENTO DE ESCOLAS DE PEDRÓGÃO GRANDE DEPARTAMENTO DAS CIÊNCIAS EXATAS 2015/2016 PLANIFICAÇÃO DE MATEMÁTICA 7ºANO 1º Período 2º Período 3º Período Apresentação,
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisDISCIPLINA: PROBABILIDADE E ESTATÍSTICA TURMA: Informática de Gestão
Aula # 04 DISCIPLINA: PROBABILIDADE E ESTATÍSTICA TURMA: Informática de Gestão Escala de Medidas de Variáveis. Frequência absoluta e relativa de dados quantitativos. Professor: Dr. Wilfredo Falcón Urquiaga
Leia maisPropriedades 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
Leia maisPopulação e Amostra. População: O conjunto de todas as coisas que se pretende estudar. Representada por tudo o que está no interior do desenho.
População e Amostra De importância fundamental para toda a análise estatística é a relação entre amostra e população. Praticamente todas as técnicas a serem discutidas neste curso consistem de métodos
Leia maisararibá matemática Quadro de conteúdos e objetivos Quadro de conteúdos e objetivos Unidade 1 Números inteiros adição e subtração
Unidade 1 Números inteiros adição e subtração 1. Números positivos e números negativos Reconhecer o uso de números negativos e positivos no dia a dia. 2. Conjunto dos números inteiros 3. Módulo ou valor
Leia maisControle - 3. Realizar o Controle da Qualidade Relatório de Desempenho. Mauricio Lyra, PMP
Controle - 3 Realizar o Controle da Qualidade Relatório de Desempenho 1 Realizar o Controle da Qualidade Preocupa-se com o monitoramento dos resultados do trabalho, a fim de verificar se estão sendo cumpridos
Leia maisDados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF Assinatura: CARTÃO RESPOSTA
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 4º PERÍODO 7º MÓDULO AVALIAÇÃO A2 DATA 08/10/2009 ESTATÍSTICA 2009/2 Dados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF Assinatura: CARTÃO
Leia maisRealce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens
Realce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti
Leia maisAula 5 - Segmentação de Imagens
Aula 5 - Segmentação de Imagens Parte 1 Prof. Adilson Gonzaga 1 Segmentação Agrupamento de partes de uma imagem em unidades homogêneas relativamente a determinadas características. Segmentação é o processo
Leia maisProbabilidades em Biomedicina: Uma Aplicação da Regra de Bayes
Probabilidades em Biomedicina: Uma Aplicação da Regra de Bayes Introdução Os seguintes parágrafos foram retirados do artigo Uncertainty and Decisions in Medical Informatics, de P. Szolovitz, publicado
Leia mais5 Winetag.com.br: um estudo de caso
49 5 Winetag.com.br: um estudo de caso Foi realizado um estudo de caso instanciando o framework proposto. O domínio escolhido foi o da comercialização de vinhos, que apresenta ângulos e desafios muito
Leia maisRealce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
Leia maisFILTRAGEM DE IMAGEM NO DOMÍNIO ESPACIAL (Operações aritméticas orientadas à vizinhança)
PROCESSAMENTO DE IMAGEM #5 Operações Aritméticas Orientadas à Vizinhanças Filtragem no Domínio Espacial (Máscaras) Máscaras de suavização (média e mediana) e aguçamento (laplaciano) Correlação x Convolução
Leia maisInformação - Ficha de Avaliação Global de Matemática 4.º ano. 1.º Ciclo do Ensino Básico maio de 2016
Agrupamento de Escolas de Marrazes Cód. 1609 Informação - Ficha de Avaliação Global de Matemática.º ano 1.º Ciclo do Ensino Básico maio de 016 O presente documento divulga informação relativa à ficha de
Leia maisRECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
Leia maisAGRUPAMENTO de ESCOLAS Nº1 de SANTIAGO do CACÉM Ano Letivo 2013/2014 PLANIFICAÇÃO ANUAL
AGRUPAMENTO de ESCOLAS Nº1 de SANTIAGO do CACÉM Ano Letivo 2013/2014 PLANIFICAÇÃO ANUAL Documento(s) Orientador(es): Programa e Metas Curriculares de Matemática 1º CICLO MATEMÁTICA 4º ANO TEMAS/DOMÍNIOS
Leia maisProcessamento 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
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
Leia mais