Dissertations / Theses on the topic 'Classificação de imagens de plâncton'

Plâncton são organismos microscópicos que constituem a base da cadeia alimentar de ecossistemas aquáticos. Eles têm importante papel no ciclo do carbono pois são os responsáveis pela absorção do carbono na superfície dos oceanos. Detectar, estimar e monitorar a distribuição das diferentes espécies são atividades importantes para se compreender o papel do plâncton e as consequências decorrentes de alterações em seu ambiente. Parte dos estudos deste tipo é baseada no uso de técnicas de imageamento de volumes de água. Devido à grande quantidade de imagens que são geradas, métodos computacionais para auxiliar no processo de análise das imagens estão sob demanda. Neste trabalho abordamos o problema de identificação da espécie. Adotamos o pipeline convencional que consiste dos passos de detecção de alvo, segmentação (delineação de contorno), extração de características, e classificação. Na primeira parte deste trabalho abordamos o problema de escolha de um algoritmo de segmentação adequado. Uma vez que a avaliação de resultados de segmentação é subjetiva e demorada, propomos um método para avaliar algoritmos de segmentação por meio da avaliação da classificação no final do pipeline. Experimentos com esse método mostraram que algoritmos de segmentação distintos podem ser adequados para a identificação de espécies de classes distintas. Portanto, na segunda parte do trabalho propomos um método de classificação que leva em consideração múltiplas segmentações. Especificamente, múltiplas segmentações são calculadas e classificadores são treinados individualmente para cada segmentação, os quais são então combinados para construir o classificador final. Resultados experimentais mostram que a acurácia obtida com a combinação de classificadores é superior em mais de 2% à acurácia obtida com classificadores usando uma segmentação fixa. Os métodos propostos podem ser úteis para a construção de sistemas de identificação de plâncton que sejam capazes de se ajustar rapidamente às mudanças nas características das imagens.<br>Plankton are microscopic organisms that constitute the basis of the food chain of aquatic ecosystems. They have an important role in the carbon cycle as they are responsible for the absorption of carbon in the ocean surfaces. Detecting, estimating and monitoring the distribution of plankton species are important activities for understanding the role of plankton and the consequences of changes in their environment. Part of these type of studies is based on the analysis of water volumes by means of imaging techniques. Due to the large quantity of generated images, computational methods for helping the process of image analysis are in demand. In this work we address the problem of species identification. We follow the conventional pipeline consisting of target detection, segmentation (contour delineation), feature extraction, and classification steps. In the first part of this work we address the problem of choosing an appropriate segmentation algorithm. Since evaluating segmentation results is a subjective and time consuming task, we propose a method to evaluate segmentation algorithms by evaluating the classification results at the end of the pipeline. Experiments with this method showed that distinct segmentation algorithms might be appropriate for identifying species of distinct classes. Therefore, in the second part of this work we propose a classification method that takes into consideration multiple segmentations. Specifically, multiple segmentations are computed and classifiers are trained individually for each segmentation, which are then combined to build the final classifier. Experimental results show that the accuracy obtained with the combined classifier is superior in more than 2% to the accuracy obtained with classifiers using a fixed segmentation. The proposed methods can be useful to build plankton identification systems that are able to quickly adjust to changes in the characteristics of the images.

Neste trabalho foi desenvolvida uma instrumentação óptica in-line para filmagem de partículas in situ, utilizando a técnica de sombreamento, acompanhada de softwares para processamento das imagens. As novas ferramentas foram implementadas e foi conduzido um estudo de caso para a avaliação da dinâmica de partículas e suas forçantes ambientais em uma região costeira de Ubatuba. O sistema com 4 sensores acoplados, adquiriu dados oceanográficos e de imagens a cada 40 minutos, no período entre 20 de fevereiro e 7 de junho de 2017. Dados metereológicos adicionais foram obtidos para análises correlativas. Testes com os softwares de visão computacional estabeleceram o uso dos filtros de tamanho entre 500 e 16300 pixels e contraste maior que 50% para segmentação das Regiões de Interesse (ROIs). Os testes também indicaram a melhor performance do algoritmo de segmentação ModeValue e de uma base de treinamento composta por 9 classes com 300 organismos cada para a classificação automática. Devido à baixa acurácia obtida na etapa de classificação automática de imagens desconhecidas de organismos (27%), os objetos foram analisados nesse estudo como partículas, divididos de acordo com o tamanho de seu eixo maior em três ranges (&#60;385 &#956;m; 385-620 &#956;m; &#62;620&#956;m). A análise das partículas, por questões estatísticas, considerou o maior intervalo de amostragens contínuas da série, de 5 de abril a 7 de maio de 2017. Primeiramente a série de cada variável foi decomposta em componentes harmônicas, com base na análise de Fourier, visando detectar padrões recorrentes e, em seguida, as variáveis com picos de densidade espectral mais expressivos em frequências da ordem de uma semana e de um dia foram comparadas por meio da coerência quadrada. As partículas menores, do range 1, foram as que melhor representaram a abundância total e os maiores valores de coerência foram entre as variáveis com período característico de um dia. A instrumentação implementada e testada ao longo de cerca de 3 meses possibilitou a aquisição de imagens de qualidade e de resultados iniciais úteis para o aprimoramento do sistema, visando instalações futuras de longo prazo em ambientes costeiros.<br>In this work, in-line optical optical instrumentation was developed for in situ particle filming, using the shadowgraphic technique, accompanied by image processing software. The new tools were implemented and a case study was carried out to evaluate the dynamics of particles and their environmental forcing in a coastal region of Ubatuba. The system, with 4 coupled environmental sensors, acquired oceanographic and image data every 40 minutes, between February 20 and June 7, 2017. Aditional meteorological data were obtained for correlative analyzes. Tests with the implemented computer vision software have stablished the use of size filters between 500 and 16300 pixels and contrast level greater than 50% for the segmentation of Regions of Interest (ROIs). The test also indicated the best performance of the Mode Value segmentation algorithm and of a training set composed by 9 classes with 300 organisms each for automatic classification. Due to the low global accuracy obtained in the automatic classification stage of unknown images of organisms (27%), the objects were analyzed in this study as particle, divided according to the size of their major axis in three ranges (&#60;385 &#956;m; 385 - 620 &#956;m; &#62;620&#956;m). Particle analysis, for statistical reasons, considered the largest continuous sampling range of the series, from April 5 to May 7, 2017. First, the series of each variables decomposed into harmonic components, based on Fourier analysis, aiming to detect recurrent patterns, and then the variables with more expressive spectral density peaks at frequencies of the order of one week and one day were compared by means of square coherence. The smaller particles of range 1 were the ones that best represented the total abundance, and the highest values of coherence were among the variables with characteristic period of one day. The instrumentation implemented and tested over about 3 months allowed the acquisition og high-quality images and the initial results were useful for improving the system, aiming at future long-term deployments in coastal environments.

Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-09T14:45:09Z No. of bitstreams: 2 dissertacao Andre Costa.pdf: 10722387 bytes, checksum: bff242b1a21e34e27f228538f8f5d6b1 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)<br>Made available in DSpace on 2015-03-09T14:45:10Z (GMT). No. of bitstreams: 2 dissertacao Andre Costa.pdf: 10722387 bytes, checksum: bff242b1a21e34e27f228538f8f5d6b1 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-11-25<br>Capes<br>Um detector de pedestres básico geralmente possui dois componentes principais: um que seleciona regiões da imagem que possivelmente contêm um pedestre (gerador de candidatos) e outro que classifica estas regiões em grupos de pedestres e não-pedestres (classificador). Estes classificadores normalmente baseiam-se em extratores de características, que são transformações que alteram a intensidade ou cor original dos pixels de uma imagem em uma nova representação, para ressaltar algum tipo de conhecimento sobre o conteúdo da imagem. Quando o ambiente é não-controlado, fatores externos podem influenciar negativamente no desempenho do classificador. Baixa resolução, ruído, desfoque e oclusão são alguns efeitos que podem ser gerados por estes fatores, degradando a qualidade das imagens obtidas e, consequentemente, das características extraídas. Esta dissertação propõe-se a avaliar como extratores de características comportam-se nesse tipo de ambiente. Estes cinco tipos de degradação foram simulados nas bases de imagem usadas nos experimentos: INRIA Person e Caltech Pedestrian. Como estamos interessados apenas na etapa de classificação, as imagens foram transformadas em janelas de tamanho fixo na etapa de pré-processamento. Os experimentos usam uma combinação de extratores de características (HOG, LBP, CSS, LGIP e LTP) e modelos de aprendizagem (AdaBoost e SVM linear) para formar classificadores. Os classificadores foram treinados com as imagens intactas e testados com imagens em diversos níveis de degradação. O HOG (42%) e LTP (54%) foram superiores aos demais em aproximadamente metade dos pontos de teste na INRIA Person e Caltech Pedestrian, respectivamente. Foi confirmada a queda de desempenho do LBP quando exposto a ruído, mostrando que o LGIP e o LTP amenizam isso. Também observou-se que o CSS é robusto a ruído, mas gera características fracas no geral. Por fim, notou-se que classificadores que combinam mais de um extrator de características foram superiores aos individuais em boa parte dos pontos de teste. Combinando-se todos os extratores, tem-se um classificador superior em 95,8% das situações ao criado somente com o melhor extrator no geral (HOG, na base da INRIA, e LTP, na base da Caltech).

Presentemente, os métodos utilizados no processo classificação de imagens, em sua grande maioria, fazem uso exclusivamente dos atributos espectrais. Nesta pesquisa,são introduzidos os atributos espaciais, em particular a textura, no processo de classificação de imagens digitais. As informações de textura são quantificadas pelo método das matrizes de co-ocorrência, proposto por Haralick, e organizadas em um formato similar ao utilizado nas bandas espectrais, gerando desta forma canais de textura. Com a implementação deste atributo em adição aos espectrais, obtêm-se um acréscimo na exatidão obtida no processo de classificação de imagens.

Made available in DSpace on 2015-04-11T14:03:07Z (GMT). No. of bitstreams: 1 Luiz Wanderley Nagata Balduino.pdf: 5703039 bytes, checksum: c8415ccb6f3d173592fe222f1118e05d (MD5) Previous issue date: 2006-11-09<br>Fundação de Amparo à Pesquisa do Estado do Amazonas<br>In the present work it is shown the proposal and the development of extraction of images, as well as some improvements proposed in other segmentation techniques and classification, with objective of recognizing pathology in medical images of the blood. The automatic identification of those diseases makes possible the most necessary diagnosis and with larger speed. The approach of the present work follows the stages of segmentation of the images, extraction of the visual characteristics and the classification of the pathology. In the segmentation stage the separation technique is applied by color for obtaining of the red blood cells borders, of the leukocytes and of the platelets. The extraction is the stage where the cells are separate from the image, this extraction is accomplished through proposed procedures and developed for this aim at. Finally, the classification is executed through similarities among the images of the leucócitos, using statistical techniques among spatiograms. The results were shown promising as the viability of the application of the methodology in support systems to the diagnosis for images, due to simplicity of the application of the same ones as well as of the obtained results.<br>No presente trabalho mostra-se a proposta e o desenvolvimento de extração de imagens, bem como algumas melhorias propostas em outras técnicas de segmentação e classificação, com objetivo de reconhecer hematopatologias em imagens médicas do sangue. A identificação automática dessas doenças viabiliza o diagnóstico mais preciso e com maior rapidez. A abordagem do presente trabalho segue as etapas de segmentação das imagens, extração das características visuais e a classificação da patologia. Na etapa de segmentação é aplicada a técnica de separação por cor para obtenção das bordas de hemácias, dos leucócitos e das plaquetas. A extração é a etapa onde as células são separadas da imagem, esta extração é realizada através de procedimentos propostos e desenvolvidos para este objetivo. Por fim, a classificação é executada por meio de similaridades entre as imagens dos leucócitos, usando técnicas estatísticas entre spatiograms. Os resultados mostraram-se promissores quanto a viabilidade da aplicação da metodologia em sistemas de apoio ao diagnóstico por imagens, devido a simplicidade da aplicação das mesmas bem como dos resultados obtidos.

Com a tendência do desenvolvimento de radares de abertura sintética (SAR) com capacidade polarimétrica, faz-se necessária a geração de algoritmos de processamento de imagens específicos e adequados para aproveitar todo o potencial do sensor. As técnicas de processamento de imagens SAR polarimétricas, baseadas em cálculos estatísticos e modelos eletromagnéticos, são relativamente recentes e muito promissoras, não só pelo estabelecimento dos chamados parâmetros polarimétricos, tais como: entropia, anisotropia e ângulos alfa e beta, como também pela possibilidade do cálculo da resposta polarimétrica de alvos presentes nas imagens. O trabalho realizado estudou os princípios da polarimétrica SAR que envolvem a matriz de espalhamento, o vetor espalhamento e a sua matriz coerência, o cálculo dos parâmetros polarimétricos, a representação de uma onda elipticamente polarizada pelo vetor de Stokes e o cálculo da resposta polarimétrica principal e cruzada de um alvo. Analisa-se, comparativamente, o desempenho da resposta polarimétrica e de uma variação da matriz de Müller na classificação de alvos em uma imagem SAR. Para o teste do desempenho da resposta polarimétrica na classificação de imagens, utilizou-se uma imagem SAR polarimétrica do sensor aerotransportado ESAR, na banda L, do Instituto de Microondas e Radar, do Centro Alemão de Pesquisa Aeroespacial (DLR).

É de conhecimento geral que, em alguns casos, as classes são espectralmente muito similares e que não é possível separá-las usando dados convencionais em baixa dimensionalidade. Entretanto, estas classes podem ser separáveis com um alto grau de acurácia em espaço de alta dimensão. Por outro lado, classificação de dados em alta dimensionalidade pode se tornar um problema para classificadores paramétricos, como o Máxima Verossimilhança Gaussiana (MVG). Um grande número de variáveis que caracteriza as imagens hiperespectrais resulta em um grande número de parâmetros a serem estimados e, geralmente, tem-se um número limitado de amostras de treinamento disponíveis. Essa condição causa o fenômeno de Hughes que consiste na gradual degradação da acurácia com o aumento da dimensionalidade dos dados. Neste contexto, desperta o interesse a utilização de classificadores não-paramétricos, como é o caso de Support Vector Machines (SVM). Nesta dissertação é analisado o desempenho do classificador SVM quando aplicado a imagens hiperespectrais de sensoriamento remoto. Inicialmente os conceitos teóricos referentes à SVM são revisados e discutidos. Em seguida, uma série de experimentos usando dados AVIRIS são realizados usando diferentes configurações para o classificador. Os dados cobrem uma área de teste da Purdue University e apresenta classes de culturas agrícolas espectralmente muito similares. A acurácia produzida na classificação por diferentes kernels são investigadas em função da dimensionalidade dos dados e comparadas com as obtidas com o classificador MVG. Como SVM é aplicado a um par de classes por vez, desenvolveu-se um classificador multi-estágio estruturado em forma de árvore binária para lidar como problema multi-classe. Em cada nó, a seleção do par de classes mais separáveis é feita pelo critério distância de Bhattacharyya. Tais classes darão origem aos nós descendentes e serão responsáveis por definir a função de decisão SVM. Repete-se este procedimento em todos os nós da árvore, até que reste apenas uma classe por nó, nos chamados nós terminais. Os softwares necessários foram desenvolvidos em ambiente MATLAB e são apresentados na dissertação. Os resultados obtidos nos experimentos permitem concluir que SVM é uma abordagem alternativa válida e eficaz para classificação de imagens hiperespectrais de sensoriamento remoto.<br>This dissertation deals with the application of Support Vector Machines (SVM) to the classification of remote sensing high-dimensional image data. It is well known that in many cases classes that are spectrally very similar and thus not separable when using the more conventional low-dimensional data, can nevertheless be separated with an high degree of accuracy in high dimensional spaces. Classification of high-dimensional image data can, however, become a challenging problem for parametric classifiers such as the well-known Gaussian Maximum Likelihood. A large number of variables produce an also large number of parameters to be estimated from a generally limited number of training samples. This condition causes the Hughes phenomenon which consists in a gradual degradation of the accuracy as the data dimensionality increases beyond a certain value. Non-parametric classifiers present the advantage of being less sensitive to this dimensionality problem. SVM has been receiving a great deal of attention from the international community as an efficient classifier. In this dissertation it is analyzed the performance of SVM when applied to remote sensing hyper-spectral image data. Initially the more theoretical concepts related to SVM are reviewed and discussed. Next, a series of experiments using AVIRIS image data are performed, using different configurations for the classifier. The data covers a test area established by Purdue University and presents a number of classes (agricultural fields) which are spectrally very similar to each other. The classification accuracy produced by different kernels is investigated as a function of the data dimensionality and compared with the one yielded by the well-known Gaussian Maximum Likelihood classifier. As SVM apply to a pair of classes at a time, a multi-stage classifier structured as a binary tree was developed to deal with the multi-class problem. The tree classifier is initially defined by selecting at each node the most separable pair of classes by using the Bhattacharyya distance as a criterion. These two classes will then be used to define the two descending nodes and the corresponding SVM decision function. This operation is performed at every node across the tree, until the terminal nodes are reached. The required software was developed in MATLAB environment and is also presented in this dissertation.

Submitted by Marcio Filho (marcio.kleber@ufba.br) on 2017-06-02T13:11:49Z No. of bitstreams: 1 DISSERTAÇÃO_DANIEL_DOS_ANJOS_COSTA.pdf: 1856526 bytes, checksum: c55b33748e8c1921c173c2e5de5beed5 (MD5)<br>Approved for entry into archive by Vanessa Reis (vanessa.jamile@ufba.br) on 2017-06-08T11:05:43Z (GMT) No. of bitstreams: 1 DISSERTAÇÃO_DANIEL_DOS_ANJOS_COSTA.pdf: 1856526 bytes, checksum: c55b33748e8c1921c173c2e5de5beed5 (MD5)<br>Made available in DSpace on 2017-06-08T11:05:43Z (GMT). No. of bitstreams: 1 DISSERTAÇÃO_DANIEL_DOS_ANJOS_COSTA.pdf: 1856526 bytes, checksum: c55b33748e8c1921c173c2e5de5beed5 (MD5)<br>Esse trabalho surgiu da dificuldade apresentada por médicos dermatologistas em estabelecer um critério objetivo para o acompanhamento da evolução dos tratamentos dermatológicos antienvelhecimento, em especial o de redução de rugas periorbitais, pois elas são um dos principais indicadores visíveis de envelhecimento. Esses tratamentos requerem que o dermatologista faça um bom diagnóstico da avaliação da intensidade das rugas, de forma a estabelecer qual o melhor conjunto de medidas para cada caso clínico. Diversos trabalhos na literatura apresentam métodos para essa finalidade, alguns são precisos e trabalhosos como o da construção de moldes negativos de silicone do relevo das rugas, outros são simples e subjetivos como a comparação do caso clínico do paciente com fotografias de escalas de enrugamento validadas clinicamente. A falta de ferramentas simples e objetivas não apenas dificulta o tratamento, como também dificulta a comunicação médico-paciente, quando é necessário que o médico informe objetivamente os efeitos do tratamento ao paciente. Diante dos problemas apontados, estabeleceu-se como objetivo desse trabalho desenvolver uma ferramenta que reduza a subjetividade na avaliação de imagens de rugas periorbitais, sem, no entanto, aumentar os custos e dificultar o procedimento de diagnóstico. Para isso, foi desenvolvido um sistema computacional baseado num classificador de rugas periorbitais, capaz de categorizar o estado atual das rugas a partir de uma imagem digital obtida por uma câmera sem requisitos especiais. O sistema localiza as rugas nas imagens da região do canto do olho e classifica o grau de enrugamento do paciente na fotografia, segundo a escala de rugas de Fitzpatrick e Goldman. Os resultados apontam que o método desenvolvido obteve um desempenho de 89.6%, introduz pouca ou nenhuma interferência na rotina de consultórios dermatológicos, e auxilia na diminuição da subjetividade da classificação de rugas periorbitais.

Made available in DSpace on 2014-06-12T15:52:53Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009<br>Conselho Nacional de Desenvolvimento Científico e Tecnológico<br>Este trabalho propõe uma nova abordagem para classificação de objetos em imagens binárias de duas dimensões usando descritores de curvatura, descritores de momento e uma rede neural artificial. O modelo proposto classifica objetos utilizando uma rede neural supervisionada e, através do uso de uma distribuição de probabilidade, associa um coeficiente de certeza para cada classificação. Foram utilizados os descritores de imagens conhecidos por Momento de Hu e o Curvature Scale Space para prover uma representação invariante às transformações das imagens, enquanto que o modelo neural proposto utiliza a correlação máxima entre as representações dos objetos para efetuar a classificação e uma distribuição de probabilidade para calcular o coeficiente de certeza da classificação de cada imagem. A avaliação da robustez baseou-se na medida da precisão da classificação para imagens rotacionadas, escaladas e com transformações não-lineares que formam um conjunto de imagens padrão, usado pelo grupo MPEG na criação da norma MPEG-7, demonstrando assim a aplicabilidade do método

O citoesqueleto é a estrutura celular mais importante em células eucariotas e é responsável por manter a forma da célula e as junções celulares, auxiliando nos movimentos celulares. Esta é composta de filamentos de Actina, Microtúbulos e filamentos intermediários. Recentemente, a análise de duas dessas estruturas tornaram-se importantes, pois é possível obter micrografias usando microscópios de alta resolução, que contém microscopia de fluorescência, em combinação com métodos complexos de aplicação de substâncias de contraste para rotulagem e posterior análises visuais. A combinação dessas técnicas, entretanto, limita-se a ser descritiva e subjetiva. Neste trabalho, são avaliadas cinco técnicas de análise de imagens, as quais são: Bag of Visual Words (BoVW), Local Binary Local (LBP), Textons baseados em Discrete Fourier Transform (TDFT), Textons baseados em Gabor Filter Banks (TGFB) e Textons baseados em Complex Networks (TCN) sobre o conjunto de dados 2D Hela e FDIG Olympus. Experimentos extensivos foram conduzidos em ambos os conjuntos de dados, e seus resultados podem servir de base para futuras pesquisas como análises do citoesqueleto em imagens de microscopia fluorescente. Neste trabalho, é apresentada uma comparação quantitativa e qualitativa dos métodos acima mencionados para entender o comportamento desses métodos e propriedades dos microfilamentos de actina (MA) e Microtúbulos (MT) em ambos os conjuntos de dados. Os resultados obtidos evidenciam que é possível classificar o conjunto de dados da FDIG Olympus com uma precisão de até 90:07% e 98:94% para 2D Hela, além de obter 86:05% e 96:84%, respectivamente, de precisão, usando teoria de redes complexas.<br>The cytoskeleton is the most important cellular structure in eukaryotic cells and is responsible for maintaining the shape of the cell and cellular junctions, aiding in cell movements. This is composed of filaments of Actin, Microtubules and intermediate filaments. Recently, the analysis of two of these structures has become important because it is possible to obtain micrographs using microscopes of high resolution and fluorescence technology, in combination with complex methods of application of substances of contrast for labeling and later visual analysis. The use of these techniques, however, is limited to being descriptive and subjective. In this work, we evaluate some of the most popular image analysis techniques such as Bag of Visual Words (BoVW), Local Binary Pattern (LBP), Textons based on Discrete Fourier Transform(TDFT) , Gabor Filter banks (TGFB), and approaches based on Complex Networks theory (TCN) over the famous dataset 2D Hela and FDIG Olympus. Extensive experiments were conducted on both datasets in which their results can serve as a baseline for future research with cytoskeleton classification in microscopy fluorescence images. In this work, we present the quantitative and qualitative comparison of above mentioned methods for better understand the behavior of these methods and the properties of Actin microfilaments (MA) and Microtubules (MT) on both datasets. The results showed that it is possible to classify the FDIG Olympus data set with accuracy of up to 90:07% and 98:94% for 2D Hela, in addition to reaching 86:05% and 96:84% respectively, using complex network theory.

Made available in DSpace on 2014-07-29T15:12:43Z (GMT). No. of bitstreams: 1 Dissertacao Thiago Cesar.pdf: 841884 bytes, checksum: cee2fa330f9f584e1e3feaa6524d8a0e (MD5) Previous issue date: 2008-06-30<br>In this work a simple and new approach for lager beer pattern recognition based on image analysis was accomplished using Principal Component Analysis (PCA). Digital color images obtained from a scanner were decomposed into a binary form with the help of Scilab and SIP softwares. The PCA data matrix consisted of RGB color histograms for each sample. 350 mL beer cans were chosen at random on the shelf of local supermarkets in an overall of ninety cans from ten different brands. 200 mL samples were immersed in an ultrasound bath for a period of time ranging from twenty to thirty minutes before the digital image processing. The resulting methodology can be a simple alternative to the analytical quality control of lager beers.<br>Nesse trabalho foi desenvolvida uma nova metodologia para classificação de cervejas utilizando análise de imagens, tendo como atributo de qualidade a cor, com o emprego da Análise de Componentes Principais (PCA). Para o desenvolvimento do trabalho fez-se uso do software matemático Scilab e do pacote computacional SIP, que possibilitou a decomposição e a análise das imagens digitalizadas obtidas por meio de um scanner comercial. Rotinas foram aplicadas no software para decompor as imagens geradas nos formatos JPEG e BMP, em termos dos canais R, G e B, do padrão de cores RGB. Por meio dos algoritmos desenvolvidos, cada matriz de dados resultante da imagem de uma amostra de cerveja foi transformada em uma nova matriz, a qual gerou o respectivo histograma médio de freqüências das 768 variáveis, cada canal de cor contém 256 (0 a 255) índices de cor. De tal modo, pôde-se analisar as diferentes marcas de cerveja por meio dos gráficos de PCA, com base nos resultados dos gráficos dos loadings e dos scores e dos histogramas médios de freqüência de cada marca. Foram analisadas imagens em formato JPEG de dez marcas de cerveja do tipo pilsen em embalagens de latas contendo 350 mL de cerveja, escolhidas ao acaso, considerando as marcas de maior consumo na região metropolitana de Goiânia. Cerca de 200 mL de cerveja foram retiradas de cada lata e submetidas ao ultra-som para desgaseificação antes da captura da imagens no scanner. Durante as análises de imagens foram percebidas sensíveis alterações de cor das amostras de cerveja quando expostas a luz e ao ar, de modo que esse fenômeno passou a ser avaliado como sendo objetivo secundário do trabalho. Em um segundo momento, com o intuito de ampliar o estudo da análise de imagens, fez-se novas análises com imagens em formato bitmap, BMP, e para tanto foi realizada nova amostragem com o mesmo critério da anterior. Nessa nova amostragem foram escolhidas oito marcas, dentre as quais, sete coincidiram com as marcas utilizadas na análise das imagens com formato em JPEG. Os resultados obtidos nesse trabalho indicam que a metodologia proposta pode ser uma alternativa analítica simples para o controle de qualidade da cerveja, tendo como atributo a cor.

Este trabalho apresenta um estudo sobre a classificação de imagens digitais através da textura com o auxílio de redes neurais. São utilizadas técnicas e conceitos de duas áreas da Informática: O Processamento de Imagens Digitais e a Inteligência Artificial. São apresentados os principais tópicos de processamento de imagens, as principais aplicações em tarefas industriais, reconhecimento de padrões e manipulação de imagens, os tipos de imagem e os formatos de armazenamento. São destacados os atributos da imagem a textura e sua quantificação através da matriz de concorrência dos níveis de cinza. Também apresenta-se alguns sistemas computacionais disponíveis para processamento de imagens. Na área de Inteligência Artificial, o enfoque é para técnicas computacionais inteligentes, mais especificamente as Redes Neurais. É feita uma breve apresentação da área, incluindo seu histórico e suas principais aplicações. As redes neurais são classificadas quanto ao tipo de treinamento, à regra de aprendizado, à topologia da rede e quanto ao tipo de interconexão dos neurônios. O modelo BPN (BackPropagation Network) é visto com maior detalhe, visto ser utilizado na implementação do sistema IMASEG (Sistema para Classificação de Imagens) que faz parte desse trabalho. O BPN é descrito quanto ao seu funcionamento, a forma de aprendizado e as respectivas equações utilizadas. O sistema IMASEG foi desenvolvido com o objetivo de implementar as técnicas propostas para a classificação de imagens utilizando textura e redes neurais. Seu funcionamento e algoritmos utilizados são detalhados e ao final, apresenta-se os resultados obtidos com a respectiva análise. A classificação de imagens é uma das principais etapas no processamento de imagens digitais. Dado um conjunto de classes e um padrão apresentado como entrada para o sistema, o problema consiste em decidir a que classe o padrão pertence. Deve haver a alternativa de rejeição do padrão. Podemos extrair da imagem atributos espectrais, espaciais e de contexto. Por serem mais facilmente quantificáveis, a maioria dos sistemas tradicionais utiliza apenas atributos espectrais para caracterizar uma imagem. Essa abordagem é muito utilizada em imagens multiespectrais. Entretanto, utilizando apenas atributos espectrais, não se obtém uma informação completa sobre a imagem, pois não são levados em consideração as relações espaciais entre seus pixels, bem como a forma de objetos. A textura, atributo espacial, é ainda pouco utilizada, visto que tem origem na sensação visual causada pelas variações tonais existentes em uma determinada região da imagem, tornando difícil sua quantificação. Neste trabalho, é feito um estudo sobre a utilização dos atributos espaciais da imagem no seu processamento. É feita uma análise do comportamento de cinco deles: média, desvio-padrão, uniformidade, entropia e contraste, todos extraídos de janelas pertencentes à uma classe. A uniformidade, entropia e contraste provém da matriz de concorrência dos níveis de cinza. Através do cálculo do valor desses atributos em diversas imagens, constata-se que existem algumas importantes relações entre eles. A partir da análise dos diferentes modelos de redes neurais e das diversas formas de quantificar a textura de uma imagem, é proposto um sistema computacional com o objetivo de classificar imagens. Esse sistema faz o processamento das imagens através de uma janela móvel. O usuário deve escolher o tamanho para a janela: 3x3, 5x5 ou 7x7 pixels. Essa escolha irá depender do tipo e da granularidade da textura que a imagem contém. Em seguida, utilizando a janela, deve selecionar amostras representativas de cada textura (classe) presente na imagem que se deseja classificar. O sistema então, encarrega-se de treinar a rede neural utilizando as amostras selecionadas pelo usuário. Para realizar o treinamento, é necessário encontrar uma forma de mapear os dados da realidade para a rede neural. Essa tarefa nem sempre é trivial. Nesse sistema, são propostas duas abordagens para realizar essa tarefa. Na primeira, o mapeamento é feito através do cálculo das feições da média, desvio-padrão e uniformidade, sendo esse último obtido da matriz de concorrência. Essas feições, após um escalonamento para a mesma faixa de valores, serão os parâmetros de entrada para a rede neural. Na segunda abordagem, o mapeamento é direto, ou seja, o valor de cada pixel, após o escalonamento, corresponde a uma entrada da rede neural. Após a etapa de treinamento, a imagem é processada por inteiro, fazendo-se uma varredura com a janela, gerando como saída uma imagem temática na qual cada tema representa uma das texturas existentes na imagem original. Para testar o sistema IMASEG, foram geradas várias imagens sintéticas com 256 níveis de cinza. Deste total, foram selecionadas 6 imagens para serem apresentadas nesse trabalho. Elas são representativas das diversas situações que podem ocorrer em relação aos valores da média, desvio-padrão e uniformidade. Cada imagem original é processada pelas duas abordagens, gerando duas imagens de saída. É feita uma análise quantitativa e qualitativa dos resultados obtidos, apontando-se as prováveis causas de sucessos e problemas encontrados. Conclui-se que a classificação por textura atinge o objetivo proposto e é muito útil no processamento de imagens, levando-se em consideração os bons resultados obtidos.<br>This paper is a study about the classification of digital images through texture with the aid of neural networks. The techniques and concepts from the field of Computer Science employed are: Digital Images Processing and Artificial Intelligence. The focus in Image Processing is on its main application in industrial tasks. pattern recognition and image manipulation, the types of images and the storing formats. The specific aspects analyzed are image attributes, texture and its quantification through the Coocurrence Matrix. Several available computing systems for image classification are presented. In Artificial Intelligence, the attention is concentrated on intelligent computational systems, more specifically on the neural networks which are briefly introduced. The subject's historical data and its main application are also addressed. The neural networks are classified according to the type of training, the learning rules, the network topology and the interconnection of neurones. The BPN model (Back Propagation Network) is examined more closely since it is employed in the implementation of the IMASEG system (classifying images system) which is part of this study. The BPN system is described in according to its functioning capacities, the learning method and the respective equations utilized. The IMASEG system was developed with the specific aim of implementing the techniques of image classification. Throughout the paper, the system's operation and related algorithms are presented to the reader, as well as the results obtained and the analysis performed provided in the end of the paper The image classification is one of the principal steps for the processing of digital images. It consists to decide of which class the pattern belong. It can refuse the pattern. We can extract spectral, spatial and contextual image's attributes. Because they are easily quantified, a major part of the traditional systems of image processing employ only the spectral attributes to work the images and are, therefore, extensively used in the processing of multispectral images. However, the exploration of ima ges through spectral attributes is not enough to provide a complete recognition of the image since information such as spatial relations among its pixels as well as the form of objects are not taken into consideration. The use of image processing with spatial attributes is also considered in this paper. Texture is still not a commonly employed attribute. This is due to the fact that its based on visual sensation which is produced by the existing tonal variations of a specific image region, making its quantification a difficult task to perform. A behavior analysis of the spatial attributes under consideration in this paper are the following: mean, standard deviation, uniformity, entropy and contrast. These five attributes were all taken from windows belonging to a single class. Uniformity, entropy and contrast are issued from the gray level coocurrence matrix. Via a calculation of the value of these attributes is observed that there is an important relationship among them. This paper proposes a system of image classification based on the analysis of different models of neural networks and also through the analysis of the diverse ways of quantifying the texture of an image. This system performs the image processing through a shifting window. Then, the user must choose the window's size from among the following dimensions: 3x3, 5x5 or 7x7 pixels. The choice will vary depending on the type and on the image's texture granularity. The selection of meaningful samples of each texture (class) present in the image one wishes to classify is the next step in the process. The system, then, is in charge of training the neural networks by applying the user's selected samples. In order to perform the training, it is necessary to first establish a way of mapping the data reality to the neural network, oftentimes a difficult task. In this system two approaches are proposed for the execution of this task. In the first, the mapping is done through the calculation of the mean, standard deviation and uniformity features. The last item is obtained from the coocurrence matrix. After these features have been scaled to the same value band, they will become the input to the neural networks. In the second approach, it is expected that the neural network will be able to extract textures attributes without executing an explicit calculation exercise. After the training phase, the image is completely processed through a window scanning generatin g a thematic image as the output onto which each theme will represent one of the texture's original image. In order to verify the adequacy of the IMASEG system, several synthetical graylevel images were created. Of these, 7 images were chosen as objects for this analysis, representing the various possible situations that might occur in relation to the average, standard deviation and uniformity. Each original image is processed in according with these two chosen approaches, thus generating two images as outputs, as well as a quantitative and qualitative analysis of the obtained results, pointing to the probable successes and failures generated. The final conclusion is that the classification through texture partially attains the proposed objectives and can be very useful in the processing of images, serving as an aid in the traditional classification process.

Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-08-14T18:05:13Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Wendeson da Silva Oliveira.pdf: 6642155 bytes, checksum: e280283f3dc04c84da6f92e144a5155d (MD5)<br>Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-16T20:09:40Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Wendeson da Silva Oliveira.pdf: 6642155 bytes, checksum: e280283f3dc04c84da6f92e144a5155d (MD5)<br>Made available in DSpace on 2018-08-16T20:09:40Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Wendeson da Silva Oliveira.pdf: 6642155 bytes, checksum: e280283f3dc04c84da6f92e144a5155d (MD5) Previous issue date: 2017-02-22<br>FACEPE<br>O processamento e a análise de imagens caracterizam-se em 5 fases: aquisição, préprocessamento, segmentação, representação/descrição, e reconhecimento de imagens. Este trabalho situa-se na área de segmentação de imagens médicas 2D. O principal objetivo da segmentação consiste em dividir uma imagem em regiões ou objetos que a compõem. A segmentação de imagens é alvo de vários estudos e pesquisas para o desenvolvimento de métodos mais abrangentes e computacionalmente mais eficientes, principalmente em imagens médicas. Uma etapa crucial para a extração de informações automatizadas em imagens médicas, geralmente envolve a segmentação das regiões da imagem a fim de quantificar volumes e áreas de interesse de tecidos biológicos para posterior diagnóstico e localização de patologias. Um desafio importante que deve ser levado em consideração no desenvolvimento de algoritmos de segmentação de imagens médicas é como avaliar o desempenho do método. Este tipo de avaliação de desempenho geralmente é feito através da comparação dos resultados de algoritmos automáticos versus uma segmentação de referência, denominada de ground-truth. Em particular, a estimativa de ground-truth em imagens médicas pode ser obtida através do contorno manual ou ainda através de métodos interativos de segmentação. No entanto, essas abordagens podem ser extremamente trabalhosas e sujeitas a variabilidades inter e intra usuários. Uma alternativa para diminuir essa variabilidade é a segmentação utilizando o consenso da resposta de vários usuários para uma mesma imagem. Um método de consenso de segmentações tem a finalidade de combinar várias segmentações de uma mesma imagem. Este trabalho tem como principal objetivo propor uma abordagem para estimar o ground-truth em imagens médicas. A abordagem consiste nas duas principais contribuições deste trabalho. Na primeira, um novo sistema colaborativo COSE (Collaborative Segmentation) foi desenvolvido para obter várias segmentações de uma mesma imagem com o intuito de estimar o ground-truth. Já a segunda, propõe um novo método para o consenso de segmentações de imagens médicas, denominado ISECO (Intelligent SEgmentation COnsensus). Os principais métodos de consenso de segmentações utilizam apenas informações binárias. No entanto, o ISECO apresenta como principal diferencial o fato de utilizar informações extraídas da imagem em nível de cinza para auxiliar na classificação dos pixels em foreground ou background utilizando um modelo de aprendizagem. A extração de características é baseada em três extratores de textura: filtros de Gabor, Local Binary Pattern (LBP) e Local Directional Pattern (LDP). Outra abordagem para o consenso de segmentações, denominada Distance Transform Merge (DTM) também é proposta neste trabalho tendo como objetivo ser um método simples e rápido. Os métodos de consenso propostos são avaliados e comparados com outras abordagens disponíveis na literatura utilizando 4 bases de imagens. A avaliação das abordagens mostra que o ISECO apresenta resultado tão bom ou melhor que os principais métodos da literatura.<br>Image processing is characterized by five steps: acquisition, pre-processing, segmentation, representation/description and image recognition. In this thesis, we work with the problem the 2D medical image segmentation. The main purpose of image segmentation is to divide an image into regions. Image segmentation has been a subject of several studies and research for the development of more comprehensive and computationally more efficient methods, especially in medical imaging. A challenge that must be taken into account in the development of medical image segmentation algorithms is how to evaluate the performance of the method. This type of performance evaluation is usually done by comparing the results of automatic algorithms versus a reference segmentation, called the ground-truth. In particular, the estimation of ground-truth in medical images can be obtained through manual segmentation or interactive segmentation methods. However, these approaches can be extremely subjective and subject to both intra and inter user variability. An alternative to reduce this variability is image segmentation using the consensus of multiple segmentations of a single image. A segmentation consensus method has the purpose of combining multiple segmentations of the same image. This work proposes an approach to estimate the ground-truth in medical images. The approach consists of two parts. At first, we development a collaborative system called COSE (Collaborative SEgmentation) to obtain various segmentations of the same image in order to estimate the ground-truth. The second proposals is a new method for the consensus of medical image segmentations, called ISECO (Intelligent SEgmentation CCnsensus). The main consensus segmentation methods in the state-of-the-art uses only binary information. However, the ISECO proposes to use gray-scale image information to classify pixels in foreground or background. However, ISECO has as main differential the use of information extracted from the image in gray-scale to assist in the classification of pixels in foreground or background using a learning model. The features extraction is based on three texture extractors: Gabor filters, Local Binary Pattern (LBP) and Local Directional Pattern (LDP). Another approach to segmentation consensus, called Distance Transform Merge (DTM), is also proposed in this work, aiming to be a simple and fast method. The proposed consensus methods are evaluated and compared with other approaches available in the literature using 4 image database. Evaluation of the approaches shows that the ISECO presents better results than the main methods of the literature.

A Histologia, o estudo de tecidos, é uma das áreas fundamentais da Biologia que permitiu enormes avanços científicos. Sendo uma tarefa exigente, meticulosa e demorada, será importante aproveitar a existência de ferramentas e algoritmos computacionais no seu auxílio, tornando o processo mais rápido e possibilitando a descoberta de informação que poderá não estar visível à partida. Esta dissertação tem como principal objectivo averiguar se um animal foi ou não sujeito à ingestão de um xenobiótico. Com esse objectivo em vista, utilizaram-se técnicas de processamento e segmentação de imagem aplicadas a imagens de tecido renal de ratos saudáveis e ratos que ingeriram o xenobiótico. Destas imagens extraíram-se inúmeras características do corpúsculo renal que após serem analisadas através de vários algoritmos de classificação mostraram ser possível saber se o animal ingeriu ou não o xenobiótico, com um reduzido grau de incerteza. ABSTRACT: Histology, the study of tissues, is one of the key areas of Biology that has allowed huge advances in Science. Being a demanding, meticulous and time consuming task, it is important to use the existence of computational tools and algorithms in its aid, making the process faster and enabling the discovery of information that may not be initially visible. The main goal of this thesis is to ascertain if an animal was subjected or not to the ingestion of a xenobiotic. With this in mind, were used image processing and segmentation techniques applied on images of kidney tissue from healthy rats and rats that ingested the xenobiotic. From these images were extracted several features of renal glomeruli that after being analyzed by various classification algorithms had shown to be possible to know, with an acceptable degree of certainty, if the animal ingested or not the xenobiotic.

Desenvolveu-se, pela Universidade de São Paulo, o protótipo de um equipamento submersível de captura para estudo de plâncton. Baseado na técnica shadowgraph, é formado por um feixe de LED infravermelho colimado e uma câmera de alta resolução, executados por um sistema de controle automatizado. Foram utilizados softwares de visão computacional desenvolvidos pelo Laboratório de Sistemas Planctônicos (LAPS) que executam várias tarefas, incluindo a captura e segmentação de imagens e a extração de informações com o intuito de classificar automaticamente novos conjuntos de regiões de interesse (ROIs). O teste de aprendizado de máquina contou com 57 mil quadros e 230 mil ROIs e teve, como base, dois algoritmos de classificação: o Support Vector Machine (SVM) e o Random Forest (RF). O conjunto escolhido para o treinamento inicial continha 15 classes de fito e zooplâncton, às quais foi atribuído um subconjunto de 5 mil ROIs. Os ROIs foram separados em grandes classes de, pelo menos, 100 ROIs cada. O resultado, calculado por meio do algoritmo de aprendizagem RF e SVM e fundamentado no método de validação cruzada, teve uma precisão de 0,78 e 0,79, respectivamente. O conjunto de imagens é proveniente de Ubatuba, no estado de São Paulo. Os perfis verticais elaborados apresentaram diferentes padrões de distribuição de partículas. O instrumento tem sido útil para a geração de dados espacialmente refinados em ecossistemas costeiros e oceânicos.<br>The University of São Paulo developed an underwater image capture system prototype to study plankton. Based on the shadowgraphic image technique, the system consists of a collimated infrared LED beam and a high-resolution camera, both executed by an automated control system. Computer vision software developed by the research laboratory was used to perform various tasks, including image capturing; image segmentation; and extract information to automatic classify news regions of interest (ROIs). The machine learning test had 57,000 frames and 230,000 ROIs, based on two classification algorithms: Support Vector Machine (SVM) and Random Forest (RF). The chosen set of the initial training had 15 classes of phytoplankton and zooplankton, which was assigned a subset of 5,000 ROIs. Big classes of, at least, 100 ROIs each were organized. The result, calculated by the RF and SVM learning algorithm and based on the cross-validation method, had a 0.78 and 0.79 precision score, respectively. The image package comes from Ubatuba, in the state of São Paulo. The vertical profiles elaborated presented different particles distribution patterns. The instrument has been useful for spatially refined data generation in coastal and oceanic ecosystems.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2012.<br>Submitted by Elna Araújo (elna@bce.unb.br) on 2012-06-28T21:56:48Z No. of bitstreams: 1 2012_ItamarAlmeidadeCarvalho.pdf: 1644779 bytes, checksum: 48d744548a3c9691b7cf7c9ac0b057ab (MD5)<br>Approved for entry into archive by Jaqueline Ferreira de Souza(jaquefs.braz@gmail.com) on 2012-07-09T12:13:42Z (GMT) No. of bitstreams: 1 2012_ItamarAlmeidadeCarvalho.pdf: 1644779 bytes, checksum: 48d744548a3c9691b7cf7c9ac0b057ab (MD5)<br>Made available in DSpace on 2012-07-09T12:13:42Z (GMT). No. of bitstreams: 1 2012_ItamarAlmeidadeCarvalho.pdf: 1644779 bytes, checksum: 48d744548a3c9691b7cf7c9ac0b057ab (MD5)<br>A disseminação de materiais de pornografia envolvendo crianças e adolescentes é um problema que vem crescendo nos últimos anos, especialmente através do uso da Internet. O volume de materiais e o número de meios através dos quais estes materiais são distribuídos atualmente é maior que a capacidade de análise visual feita por profissionais das forças da lei, sejam policiais, ONGs ou outros. Neste contexto faz-se necessário o uso de técnicas que automatizem a priorização dos materiais para análise. O método de classificação pelo conjunto de características visuais, com uso de descritores locais de pontos de interesse em imagens já tem sido estudado tanto para identificação de pornografia em geral quanto a de pornografia infantil. Este trabalho busca identificar uma combinação de detector de pontos de interesse, descritor local e classificador que ofereça melhor resultado que os já testados em outros trabalhos. Para isso, foram testados detectores Difference of Gaussians , Harris-Laplace e Amostragem Densa, os descritores SIFT, OpponentSIFT e WSIFT e os classificadores pLSA e Naive Bayes. O detector Amostragem Densa se destacou dos demais, apresentando melhores resultados para o problema aqui tratado, sendo que nas comparações mais complexas, envolvendo imagens de pornografia infantil, o detector Harris-Laplace obteve bons resultados. Entre os descritores, o WSIFT apresentou melhores resultados, porém OpponentSIFT teve resultados melhores nas comparações mais complexas, não podendo ser ignorado em estudos futuros. O classificador Naive Bayes foi usado nos experimentos de melhores resultados. _________________________________________________________________________________ ABSTRACT<br>The dissemination of pornographic material involving children and adolescents is a problem that has been growing in recent years, especially through the use of the Internet. The volume of material and the number of means by which these materials are distributed today is greater than the capacity of visual analysis done by law enforcement professionals, whether police, NGOs or others. In this context, it is necessary the use of automated techniques to prioritize the materials to be analyzed. The classification method using a set of visual features, with local descriptors of interest points in images has already been studied both for identification of pornography in general and of child pornography. This paper aims to identify a combination of detector of interest points, local descriptor and classifier that provides better results than those already tested in other studies. Thus, we tested the detectors Difference of Gaussians , Harris-Laplace and Dense Sampling, the descriptors SIFT, OpponentSIFT and WSIFT and the classifiers pLSA and Naive Bayes. The detector Dense Sampling, in comparison to the others, showed better results for the problem treated here, and in more complex comparisons involving images of child pornography, the detector Harris-Laplace had good results. Among the descriptors, WSIFT showed better results, but OpponentSIFT had better results in more complex comparisons and may not be ignored in future studies. The Naive Bayes classifier was used in the experiments with best results.

A série de satélites CBERS é o resultado da cooperação entre o Brasil e China. As imagens CBERS são distribuídas gratuitamente mas para que seja possível utilizá-las, é necessário aplicar um método de correção geométrica de forma manual ou assistida. Somente após a correção existe correspondência entre as posições de pontos das imagens e as posições dos respectivos objetos na superfície da Terra. A partir de um método automático de correção, que usa como referência amostras de imagens previamente corrigidas, é proposta uma forma de aperfeiçoamento pela seleção automática das amostras de referência. São usadas técnicas de classificação e diferentes conjuntos de atributos radiométricos extraídos das imagens. Pelo estudo do comportamento de diferentes modelos de classificação foi possível definir qual o modelo que seleciona de forma ótima as melhores amostras. Para demonstrar a eficácia e o ganho de desempenho o método de correção proposto é aplicado em um conjunto de imagens CBERS usando as amostras de imagens selecionadas automaticamente.

Nas últimas décadas, com o crescimento acelerado na geração e armazenamento de dados, houve um aumento na necessidade de criação e gerenciamento de grandes bases de dados. Logo, a utilização de técnicas de mineração de dados adequadas para descoberta de padrões e informações úteis em bases de dados é uma tarefa de interesse. Em especial, bases de séries temporais têm sido alvo de pesquisas em áreas como medicina, economia e agrometeorologia. Em mineração de dados, uma das tarefas mais exploradas é a classificação. Entretanto, é comum em bases de séries temporais, a quantidade e complexidade de dados extrapolarem a capacidade humana de análise manual dos dados, o que torna o processo de supervisão dos dados custoso. Como consequência disso, são produzidos poucos dados rotulados, em comparação a um grande volume de dados não rotulados disponíveis. Nesse cenário, uma abordagem adequada para análise desses dados é a classificação semissupervisionada, que considera dados rotulados e não rotulados para o treinamento do classificador. Nesse contexto, este trabalho de mestrado propõe 1) uma metodologia de análise de dados obtidos a partir de séries temporais de imagens de satélite (SITS) usando tarefas de mineração de dados e 2) uma técnica baseada em grafos para classificação semissupervisionada de séries temporais extraídas de imagens de satélite. A metodologia e a técnica de classificação desenvolvidas são aplicadas na análise de séries temporais de índices de vegetação obtidas a partir de SITS, visando a identificação de áreas de plantio de cana-de-açúcar. Os resultados obtidos em análise experimental, realizada com apoio de especialistas no domínio de aplicação, indicam que a metodologia proposta é adequada para auxiliar pesquisas em agricultura. Além disso, os resultados do estudo comparativo mostram que a técnica de classificação semissupervisionada desenvolvida supera métodos de classificação supervisionada consolidados na literatura e métodos correlatos de classificação semissupervisionada.<br>The amount of digital data generated and stored as well as the need of creation and management of large databases has increased significantly, in the last decades. The possibility of finding valid and potentially useful patterns and information in large databases has attracted the attention of many scientific areas. Time series databases have been explored using data mining methods in serveral domains of application, such as economics, medicine and agrometeorology. Due to the large volume and complexity of some time series databases, the process of labeling data for supervised tasks, such as classification, can be very expensive. To overcome the problem of scarcity of labeled data, semi-supervised classification, which benefits from both labeled and unlabeled data available, can be applied to classify data from large time series databases. In this Master dissertation, we propose 1) a framework for the analysis of data extracted from satellite image time series (SITS) using data mining tasks and 2) a graph-based semi-supervised classification method, developed to classify temporal data obtained from satellite images. According to experts in agrometeorology, the use of the proposed method and framework provides an automatic way of analyzing data extracted from SITS, which is very useful for supporting research in this domain of application. We apply the framework and the proposed semi-supervised classification method in the analysis of vegetation index time series, aiming at identifying sugarcane crop fields, in Brazil. Experimental results indicate that our proposed framework is useful for supporting researches in agriculture, according to experts in the domain of application. We also show that our method is more accurate than traditional supervised methods and related semi-supervised methods.

A presente dissertação aborda a segmentação de imagens coloridas através do processo de classificação de cores, isto é, a segmentação de imagens baseada no atributo cor dos pixels. O problema a ser tratado diz respeito à obtenção de uma classificação de cores tão próxima à humana quanto o possível. Em outros termos, busca-se uma classificação robusta à variação de grandezas como a iluminação ou brilho da cor, além de ser tolerante a erros no processo de amostragem. Tal problemática é encontrada em diversas situações práticas que sofram influência do ambiente, sobretudo no domínio de aplicação: o futebol de robôs. Com relação a tal problema, diversas questões permanecem abertas, tais como a forma de representação de cores e o tipo de classificador capaz de maximizar o desempenho da classificação. As modelagens clássicas, de forma geral, têm se mostrado inadequadas nesse contexto, estimulando-nos a buscar novas soluções. Assim sendo, apresentamos um classificador utilizando uma das técnicas que tem mostrado grande aplicabilidade nesse âmbito: as redes neurais artificiais. A aplicabilidade da técnica esbarra na obtenção de uma generalização adequada por parte da rede para o problema proposto, o que implica na necessidade de uma metodologia para o fornecimento de exemplos na fase de treinamento da rede. Desta forma, além da modelagem e implementação do classificador, buscamos proceder uma investigação a cerca de sua generalização em contextos diversos para situações não presentes no universo de treinamento, visando determinar o conjunto de fatores (sistema de representação de cores, metodologia de fornecimento de exemplos e arquitetura de rede) que maximizem o desempenho do classificador.<br>The present work approaches the segmentation of colored images through the process of color classification, i.e., the segmentation of images based on the color attribute of pixels. We look for a color classification as close as possible of human classification. In other words, we look for a robust classification with respect to the variation of illumination and color brightness, which tries to be tolerant to errors in the sampling process. We may find such kind of problems is various practical situations, for instance, situations that is influenced from the environment in the application domain: the robotic soccer. With regard to this problem, there are still diverse questions that remain unsolved, such as color representation form and type of classifier which maximizes the classification performance. In fact, classic models have shown to be inadequate in this context, in general, stimulating us to investigate new solutions. In our work, we present a classifier using one technique that has shown great applicability in this scope: the artificial neural networks. In order to obtain a correct generalization in the network, we faced the necessity to build a methodology to supply examples in the training phase of the network. In short, we model and implement a classifier, while searching to asses about its generalization power in different contexts and in the universe of training, so as to determine the set of factors (system of representation of colors, methodology of supply of examples and architecture of network) that maximizes its performance.

O presente trabalho de pesquisa trata da elaboração de um esquema classificador automático para massas nodulares identificadas em imagens mamográficas digitalizadas, com base na técnica da transformada wavelet. Esse classificador é parte integrante de um esquema computadorizado para auxílio ao diagnóstico (CAD, de \"computer-aided diagnosis\") em mamografia, que utiliza técnicas de processamento de imagens digitais para identificar, realçar e classificar estruturas de interesse clínico. Utilizou-se também um classificador de distâncias mínimas para distribuir as imagens em suas respectivas classes. Os resultados mostraram que o classificador é capaz de diferenciar com mais de 90% de acerto entre nódulos suspeitos e não suspeito.<br>This work performs an automatic classifier scheme addressed to nodular masses detected in digitalized mammographic images, based on the wavelet transform technique. This classifier is part of a computer-aided diagnosis (CAD) scheme in mammography, wich uses digital image processing techniques in order to detect, enchance and classify structures of clinical interest. Also a minimum distances classifier was used in order to distribute the images to their respective classes. Results show that this classifier is capable of differentiating suspect from non-suspect nodules with more than 90% of accuracy.

A maioria dos classificadores atualmente utilizados na analise de imagens usam apenas as caracteristicas espectrais para diferenciar as classes. Esses classificadores foram originalmente desenvolvidos para analise de dados Landsat-MSS. Com o surgimento de novos sensores de variadas resolucoes especiais, e necessaria a revisao dos metodos de classificacao. Estudos a respeito da influencia da resolucao na classificacao apontam dois fatores responsaveis pelo desempenho de classificacao: os pixels misturados e o "ruido de cena". Da presenca do ruido de cena decorre o aparecimento de uma caracteristica adicional na imagem, a textura. Na primeira parte deste trabalho, e feita uma avaliacao do desempenho de classificacao em funcao da resolucao espacial. E verificado um decrescimo da confusao media na classificacao a medida que a resolucao diminui. No entanto, nas imagens de baixa resolucao, observa-se bem, devido ao aumento dos pixels misturados, o aumento da abstencao media. Na segunda parte, sao propostas algumas medidas (ou atributos)de textura, que podem ser extraidas de pequenas janelas de imagem. Extraindo-se atributos de textura para cada pixel, sao geradas "bandas de textura". As vinte "bandas de textura" propostas sao analisadas visualmente e estatisticamente numa imagem da regiao urbana de Sao Jose dos Campos. A partir desta analise duas "bandas de textura" foram selecionadas e usadas na classificacao daquela imagem. E verificada uma melhoria no desempenho de classificacao no sentido de que se observa um decrescimo na confusao media, sem um real acrescimo na abstenção.<br>Most classifiers commonly used in image analysis rely solely on spectral caracteristics to differentiate classes. These classifiers were originally developed to be use with Landsat-MSS data. With the news sensors at different spacial resolutions it is necessary to revise the image classification methods. Studies about spacial resolution effects on classification shows that classification accuracy is influenced by two factors: the mixed pixels and "scene noise". The presence of "scene noise" provides one more image caracteristic, the texture. In the first part of this work, an evaluation of the classification accuracy as a function of spacial resolution is made. It is verified that confusion error rates decrease with smaller resolutions. However, for small resolution image, it can be observed, due to the increasing rate of mixed pixels, an increasing rate of non-classified pixels. In the second part, some texture measures (or features) are proposed. They are extracted from small image windows. By extraction of the textural feature at each pixel, "texture bands" are created. The twenty proposed "texture bands" are visually and statistical analysed from an image os São José dos Campos urban area. Form this analysis, two " texture bands" are selected and used to classify this image. A better classification accuracy is verified, in the sense that a decreasing confusion error rate without a significant increasing rate of non-classified pixels is observed.

Submitted by Emanuel Varela Cardoso (emanuel.varela@ufcg.edu.br) on 2018-06-04T18:57:23Z No. of bitstreams: 1 JOELSON NOGUEIRA DE CARVALHO – TESE (PPGEP) 2015.pdf: 13948643 bytes, checksum: 489b4bafa76b44f12e75f8cdd9288f56 (MD5)<br>Made available in DSpace on 2018-06-04T18:57:23Z (GMT). No. of bitstreams: 1 JOELSON NOGUEIRA DE CARVALHO – TESE (PPGEP) 2015.pdf: 13948643 bytes, checksum: 489b4bafa76b44f12e75f8cdd9288f56 (MD5) Previous issue date: 2015-03-09<br>O Brasil está hoje inserido entre os principais produtores mundiais de frutas, onde a manga se apresenta como um importante componente da sua pauta de exportações; para manter -se na vanguarda desse mercado, multiplicam-se esforços no sentido de prover frutos de alta qualidade ao consumidor, onde os avanços na tecnologia da informação permitem o desenvolvimento de sistemas de automação para tarefas de suma importância que envolvem aspectos cognitivos, como a seleção e a classificação de frutas, o que garante um rendimento superior. Considerando essa premissa, este trabalho apresenta o desenvolvimento de um sistema de automação não destrutivo para classificação e seleção da manga Tommy Atkins, empregando um sistema de visão computacional associado a um sistema de aprendizagem de máquina, capaz de especificar e utilizar qualquer padrão comercial para avaliação pela cor e pela forma. A estimação de parâmetros como massa, volume, posição relativa do seu pedúnculo e outras informações relevantes são também impleme ntadas. Este sistema foi desenvolvido vislumbrando a possibilidade de ser implantado numa esteira de classificação de baixo custo, em benefício do pequeno produtor rural, onde a interface desenvolvida permite sua operação por operadores com pouca qualificação.<br>Brazil is today one of the major world producers of fruit, where the mango is presented as an important component of its exports. To remain at the forefront of this market, efforts are multiplied in order to provide the consumer high quality fruits, where advances in information technology allow the development of automation systems for tasks of major import ance involving cognitive aspects, such as selection and sorting of fruit, which ensures a higher yield. Given this premise, this paper presents the development of a non -destructive automation system for classification and selection of Tommy Atkins mango, employing a computer vision system associated with a machine learning system that can specify and use any trade standard for review by color and shape. The estimation of parameters such as mass, volume, position on the stem and other relevant information are also implemented. This system was developed glimpsing the possibility of being embedded into a low cost classification conveyor belt, for the benefit of small farmers, where the developed interface allows operation by operators with little qualification.

Made available in DSpace on 2018-08-02T00:01:58Z (GMT). No. of bitstreams: 1 tese_3849_TeseGazolli.pdf: 10252435 bytes, checksum: 955915bcb694762c8f462ae40d2ba875 (MD5) Previous issue date: 2014-06-27<br>A classifica¸cao de cenas ´e um campo bastante popular na ´area de visao computacional e encontra diversas aplica¸coes tais como: organiza¸cao e recupera¸cao de imagem baseada em conte´udo, localiza¸cao e navega¸cao de robos. No entanto, a classifica¸cao autom´atica de cenas ´e uma tarefa desafiadora devido a diversos fatores, tais como, ocorrencia de oclusao, sombras, reflexoes e varia¸coes nas condi¸coes de ilumina¸cao e escala. Dentre os trabalhos que objetivam solucionar o problema da classifica¸cao autom´atica de cenas, estao aqueles que utilizam transformadas nao-param´etricas e aqueles que tem obtido melhora no desempenho de classifica¸cao atrav´es da explora¸cao da informa¸cao contextual. Desse modo, esse trabalho propoe dois descritores de imagens que associam informa¸cao contextual, ou seja, informa¸cao advinda de regioes vizinhas, a um tipo de transformada nao-param´etrica. O objetivo ´e propor uma abordagem que nao eleve demasiadamente a dimensao do vetor de caracter´&#305;sticas e que nao utilize a t´ecnica de representa¸cao intermedi´aria bag-of-features, diminuindo, assim, o custo computacional e extinguindo a necessidade de informa¸cao de parametros, o que possibilita a sua utiliza¸cao por usu´arios que nao possuem conhecimento na ´area de reconhecimento de padroes. Assim, sao propostos os descritores CMCT (Transformada Census Modificada Contextual) e ECMCT (CMCT Estendido) e seus desempenhos sao avaliados em quatro bases de dados p´ublicas. Sao propostas tamb´em cinco varia¸coes destes descritores (GistCMCT, GECMCT, GistCMCT-SM, ECMCT-SM e GECMCT-SM), obtidas atrav´es da associa¸cao de cada um deles com outros descritores. Os resultados obtidos nas quatro bases de dados mostram que as representa¸coes propostas sao competitivas, e que provocam um aumento nas taxas de classifica¸cao, quando comparados com outros descritores.

Este trabalho aborda as técnicas de classificação supervisionada de imagens utilizando controladores de influência. Avaliou-se o desempenho do uso dos controladores de influência das imagens e também das classes presentes nas imagens. Para a determinação dos valores dos controladores de influência, foram propostos métodos para a estimativa dos controladores de influência das imagens e das suas classes. Dentre os métodos propostos, destacam-se os indicadores de separabilidade entre as classes da imagem e os provenientes do cálculo do coeficiente kappa e da Precisão Global da classificação. Apresentou-se, também, a proposta de um novo classificador que incorpora o conceito de controladores de influência através das probabilidades de ocorrência condicionais das classes presentes nas imagens. Para os testes de avaliação de desempenho do uso de controladores de influência, foram utilizados seis conjuntos de duas imagens SAR (originais e filtradas com filtros da média com janelas 3×3, 5×5 7×7, 9×9 e 11×11). O desempenho dos classificadores propostos mostrou-se superior aos Classificadores em Cascata, da Distância Euclidiana e da Distância de Mahalanobis, que não incorporam o conceito de controladores de influência em sua estrutura. Para os testes de desempenho do classificador baseado nas probabilidades de ocorrência condicional das classes, foram utilizados quatro conjuntos de imagens SAR simuladas. A análise dos resultados evidencia que o classificador proposto obteve desempenho superior ao Classificador em Cascata.

Orientador: Ricardo da Silva Torres<br>Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação<br>Made available in DSpace on 2018-08-16T05:11:31Z (GMT). No. of bitstreams: 1 Faria_FabioAugusto_M.pdf: 2356744 bytes, checksum: cc78deb6dc272085fdf374d3a043ab77 (MD5) Previous issue date: 2010<br>Resumo: Técnicas de aprendizagem vêm sendo empregadas em diversas áreas de aplicação (medicina, biologia, segurança, entre outras). Neste trabalho, buscou-se avaliar o uso da técnica de Programação Genética (PG) em tarefas de recuperação e classificação de imagens. PG busca soluções ótimas inspirada pela teoria de seleção natural das espécies. Indivíduos mais aptos (melhores soluções) tendem a evoluir e se reproduzir nas gerações futuras. As principais contribuições deste trabalho são: implementação de um classificador de imagens utilizando PG para combinar evidencias visuais (descritores de imagens) e assim, obter melhores resultados com relação à eficácia de classificação; Comparação de PG com outras técnicas de aprendizagem em tarefas de recuperação de imagens por conteúdo; Uso de regras de associação para recuperação de imagens<br>Abstract: Learning techniques have been used in several applications (medicine, biology, surveillance systems, e.g.) This work aims to evaluate the use of the Genetic Programming (GP) learning technique for image retrieval and classification tasks. This technique is a problem-solving system that follows principles of inheritance and evolution, inspired by the idea of Natural Selection. The space of all possible solutions is investigated using a set of optimization techniques that imitate the theory of evolution. The main contributions of this work are: proposal of classifier implementation using GP to combine visual evidences (image descriptors) to be used in image classification tasks; comparison of GP with other learning techniques in content-based image retrieval tasks<br>Mestrado<br>Recuperação de Informação<br>Mestre em Ciência da Computação

Cada imagem pode ser representada como uma combinação de diversas características, como por exemplo o histograma de intensidades de cor ou propriedades de textura da imagem. Essas características compõem um vetor multidimensional que representa a imagem. É comum esse vetor ser dado como entrada para um método de classificação de padrões que, após aprender por meio de diversos exemplos, pode gerar um modelo de decisão. Estudos sugerem evidências de que a preparação das imagens-- por meio da especificação cuidadosa da aquisição, pré-processamento e segmentação-- pode impactar significativamente a classificação. Além da falta de tratamento das imagens antes da extração de características, o desbalanceamento de classes também se apresenta como um obstáculo para que a classificação seja satisfatória. Imagens possuem características que podem ser exploradas para melhorar a descrição dos objetos de interesse e, portanto, sua classificação. Entre as possibilidades de melhorias estão: a redução do número de intensidades das imagens antes da extração de características ao invés de métodos de quantização no vetor já extraído; e a geração de imagens a partir das originais, de forma a promover o balanceamento de bases de dados cujo número de exemplos de cada classe é desbalanceado. Portanto, a proposta desta dissertação é melhorar a classificação de imagens utilizando métodos de processamento de imagens antes da extração de características. Especificamente, busca analisar a influência do balanceamento de bases de dados e da quantização na classificação. Este estudo analisa ainda a visualização do espaço de características após os métodos de geração artificial de imagens e de interpolação das características extraídas das imagens originais (SMOTE), comparando como espaço original. A ênfase dessa visualização se dá na observação da importância do rebalanceamento das classes. Os resultados obtidos indicam que a quantização simplifica as imagens antes da extração de características e posterior redução de dimensionalidade, produzindo vetores mais compactos; e que o rebalanceamento de classes de imagens através da geração de imagens artificiais pode melhorar a classificação da base de imagens, em relação à classificação original e ao uso de métodos no espaço de características já extraídas.<br>Each image can be represented by a combination of several features like color frequency and texture properties. Those features compose a multidimensional vector, which represents the original image. Commonly this vector is given as an input to a classification method that can learn from examplesand build a decision model. The literature suggests that image preparation steps like acute acquisition, preprocessing and segmentation can positively impact such classification. Besides that, class unbalancing is also a barrier to achieve good classification accuracy. Some features and methods can be explored to improveobjects\' description, thus their classification. Possible suggestions include: reducing colors number before feature extraction instead of applying quantization methods to raw vectors already extracted; and generating synthetic images from original ones, to balance the number of samples in an uneven data set. We propose to improve image classification using image processing methods before feature extraction. Specifically we want to analyze the influence of both balancing and quantization methods while applied to datasets in a classification routine. This research also analyses the visualization of feature space after the artificial image generation and feature interpolation (SMOTE), against to original space. Such visualization is used because it allows us to know how important is the rebalacing method. The results show that quantization simplifies imagesby producing compacted vectors before feature extraction and dimensionality reduction; and that using artificial generation to rebalance image datasets can improve classification, when compared to the original one and to applying methods on the already extracted feature vectors.

Informação sobre o estágio de câncer num paciente é fundamental quando médicos avaliam o progresso de seu tratamento. A determinação do estágio de câncer (cancer staging) é um processo que leva em consideração a descrição, localização, características e possíveis metástases dos tumores cancerosos de um paciente. Esse processo deve seguir um padrão de classificação como, por exemplo, o padrão TNM. Porém, na prática clínica, a execução desse processo pode ser tediosa, propensa a erros e gerar incertezas. Com o intuito de amenizar esses problemas, este trabalho tem como objetivo auxiliar radiologistas fornecendo uma segunda opinião na avaliação do estágio de câncer de um paciente. Para isso, tecnologias da Web Semântica, como ontologias e reasoning, foram usadas para classificar automaticamente estágios de câncer. Essa classificação usou anotações semânticas feitas por radiologistas, usando a ferramenta ePAD, e armazenadas no formato AIM. Um protótipo de classificador, baseado no padrão TNM, foi criado. Ele transforma anotações AIM em indivíduos da ontologia AIM4-O e, usando axiomas e regras (escritos na linguagens OWL-SWRL) representando o padrão TNM, ele automaticamente calcula o estágio de câncer de fígado de pacientes. A ontologia AIM4-O foi desenvolvida, como parte desse trabalho, para representar anotações AIM 4 em OWL. Esse classificador TNM foi avaliado, usando-se dados reais de relatórios radiológicos de pacientes do NCIs Genomic Data Commons (GDC), em termos de precisão e revocação, com resultados respectivos de 85,7% e 81,0% (quando comparado aos valores reais de estágio de câncer dos relatórios). Todo o processo foi validado com radiologistas do Radiology Dept. of the Stanford University.<br>Information about cancer staging in a patient is crucial when clinicians assess treatment progress. Determining cancer stage is a process that takes into account the description, location, characteristics and possible metastasis of cancerous tumors in a patient. It should follow classification standards, such as the TNM Classification of Malignant Tumors. However, in clinical practice, the implementation of this process can be tedious, error-prone and create uncertainty. In order to alleviate these problems, we intend to assist radiologists by providing a second opinion in the evaluation of cancer stage in patients. For doing this, Semantic Web technologies, such as ontologies and reasoning, were used to automatically classify cancer stages. This classification used semantic annotations made by radiologists, using the ePAD tool, and stored using standard AIM format. A TNM based classifier prototype was created. It transforms AIM annotations in AIM4- O ontology individuals and, using axioms and rules (written in OWL-SWRL languages) representing the TNM standard, it automatically calculates patients liver cancer stage. The AIM4-O ontology was developed, as part of this work, to represent AIM 4 annotations in OWL. This TNM classifier was evaluated, using real patients radiology reports, from the NCIs Genomic Data Commons (GDC), in term of precision and recall, with 85.7% and 81.0% respective results (when compared to the actual cancer stages from the reports). The whole process was validated with radiologists from the Radiology Dept. of the Stanford University.

A robótica é uma área multidisciplinar que cresce continuamente com a contribuição do avanço científico e aumento frequente do poder computacional do hardware. As pesquisas em robótica estão divididas em diversas linhas de investigação. A visão computacional é uma das linhas de pesquisa de grande interesse devido à farta variedade de métodos e técnicas oferecidas. Um dos maiores desafios para os robôs é descobrir e analisar o ambiente em que estão inseridos. Dentre os principais sensores que podem ser utilizados, as câmeras digitais oferecem um bom benefício: podem ser leves, pequenas e baratas, características fundamentais para alguns robôs. Este trabalho propõe o desenvolvimento e análise de um sistema de visão computacional para rastrear veículos usando sistemas de detecção e classificação de segmentos em imagens. Para atingir os objetivos são investigados métodos de extração de informações das imagens, modelos de atenção visual e modelos de aprendizado bioinspirados para detecção e classificação de veículos. Para a tarefa de atenção visual foram utilizadas as técnicas de geração de mapas de saliência iNVT e VOCUS2, enquanto que para classificação foi empregada a técnicas bag-of-features e finalmente, para o rastreamento do veículo especificado, durante seu percurso em uma rodovia, foi adotada a técnica Camshift com filtro de Kalman. O sistema desenvolvido foi implementado com um robô aéreo e testado com imagens reais contendo diferentes veículos em uma rodovia e os resultados de classificação e rastreamento obtidos foram muito satisfatórios.<br>Robotics is a multidisciplinary area that continually grows with the contribution of scientific advancement and frequent increase in computational hardware power. Research in robotics are divided into several lines of investigation. Computer vision is one of the research areas of great interest due to the abundant variety of methods and techniques offered. One of the biggest challenges for the robots is to discover and analyze the environment in which they are inserted. Among the main sensors that can be used, digital cameras offer good benefits: they can be lightweitgh, small and cheap, which are fundamental characteristics for some robots. This work undertakes the development and analysis of a computer vision system to track vehicles by detecting and classifying segments in imaging systems. To achieve the objectives, methods on image information extraction, visual attention models and bioinspired learning models were studied for detection and classification of vehicles. For the task of visual attention the INVT and VOCUS2 models were used to generate saliency maps, while for classification was applied the bag-of-features method and finally to track the specified vehicle during its journey on a highway, it was adopted CamShift technique joint with a Kalman filter. The developed system was implemented with an aerial robot and tested with real images containing different vehicles on a highway and the results of classification and tracking obtained were very satisfactory.

As imagens de sensoriamento remoto da faixa do visível e infravermelho do espectro eletromagnético apresentam grande potencial na identificação e discriminação de áreas agrícolas para fins de estimativa de safra. Contudo, a presença de nuvens impede a aquisição deste tipo de imagens. Já as imagens obtidas na faixa espectral de microondas por radares imageadores de abertura sintética independem de condições meteorológicas. Neste contexto, este trabalho tem por objetivo verificar o potencial de imagens de radar na identificação das culturas de soja e cana-de-açúcar na região de Assis-SP, através de classificação textural. As imagens utilizadas foram do RADARSAT-1/SAR C-HH nos seguintes modos de aquisição: Fine-5/descendente (F5D) de 30 de janeiro de 2003; Fine-5/ascendente (F5A) de 14 de fevereiro de 2003; e Standard-7/descendente (S7D) de 23 de fevereiro de 2003. Adicionalmente foram utilizadas duas imagens do sistema Landsat-7 ETM+ adquiridas em 23 de fevereiro e 27 de março de 2003 para servirem como referência na identificação dos alvos de interesse na área de estudo. Os métodos para identificação das culturas foram baseados em análises visuais e classificações digitais utilizando medidas de textura dentro das seguintes etapas: a) definição das classes de uso do solo; b) coleta das amostras de treinamento e teste; c) geração das bandas de textura; d) classificação supervisionada; e) avaliação das classificações através da matriz de confusão e do coeficiente kappa. As classificações digitais foram realizadas sobre as imagens originais, filtradas e de textura através do classificador pontual/contextual (MAXVER/ICM). Os resultados indicaram que as classificações realizadas sobre as imagens filtradas e de textura foram, em geral, satisfatórios indicando que as medidas texturais podem ser ferramentas úteis para maximizar a discriminação de classes de interesse em regiões agrícolas.<br>Remote sensing images from the visible and infrared regions of the electromagnetic spectrum have demonstrated a great potential to identify and discriminate agricultural areas for crops estimation. However, cloud cover is an obstruction for this type of image acquisition. On the other hand, Synthetic Aperture Radar (SAR) images acquired in the microwave region of the electromagnetic spectrum are independent of weather conditions. In this context, this work has the objective to verify the capability of radar images to identify soybean and sugarcane crops in the region of Assis, São Paulo State using textural classification. Images from RADARSAT-1/SAR C-HH were acquired in the following modes: Fine-5/descending (F5D) from 31 January 2003; Fine-5/ascending (F5A) from 14 February 2003; and Standard-7/descending (S7D) from 23 February 2003. Additionally, two cloud free Landsat-7 images from 23 February and 27 March 2003 were used to identify targets of interest in the study area. The methods for crops type identification were based on visual and digital classification analysis by using texture measures in the following steps: a) definition of land use classes; b) extraction of training and test samples; c) generation of texture bands; d) supervised classification; and e) classification evaluations using confusion matrix and kappa coefficient. Digital classifications using MAXVER/ICM were carried out for: original, filtered and texture images. The results indicated a good classification performance for both filtered and texture images showing that the textural measures can be a useful tool to maximize crop type discrimination.

Submitted by Elizabete Silva (elizabete.silva@ufes.br) on 2015-09-02T19:11:11Z No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Utilizando Contexto na Representa¸c˜ao de Imagens para a.pdf: 4083803 bytes, checksum: e0ced4975f7eee5db5316f7e096db639 (MD5)<br>Approved for entry into archive by Morgana Andrade (morgana.andrade@ufes.br) on 2015-11-23T19:25:43Z (GMT) No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Utilizando Contexto na Representa¸c˜ao de Imagens para a.pdf: 4083803 bytes, checksum: e0ced4975f7eee5db5316f7e096db639 (MD5)<br>Made available in DSpace on 2015-11-23T19:25:43Z (GMT). No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Utilizando Contexto na Representa¸c˜ao de Imagens para a.pdf: 4083803 bytes, checksum: e0ced4975f7eee5db5316f7e096db639 (MD5) Previous issue date: 2014<br>A classifica¸c˜ao de cenas ´e um campo bastante popular na ´area de vis˜ao computacional e encontra diversas aplica¸c˜oes tais como: organiza¸c˜ao e recupera¸c˜ao de imagem baseada em conte´udo, localiza¸c˜ao e navega¸c˜ao de robˆos. No entanto, a classifica¸c˜ao autom´atica de cenas ´e uma tarefa desafiadora devido a diversos fatores, tais como, ocorrˆencia de oclus˜ao, sombras, reflex˜oes e varia¸c˜oes nas condi¸c˜oes de ilumina¸c˜ao e escala. Dentre os trabalhos que objetivam solucionar o problema da classifica¸c˜ao autom´atica de cenas, est˜ao aqueles que utilizam transformadas n˜ao-param´etricas e aqueles que tˆem obtido melhora no desempenho de classifica¸c˜ao atrav´es da explora¸c˜ao da informa¸c˜ao contextual. Desse modo, esse trabalho prop˜oe dois descritores de imagens que associam informa¸c˜ao contextual, ou seja, informa¸c˜ao advinda de regi˜oes vizinhas, a um tipo de transformada n˜ao-param´etrica. O objetivo ´e propor uma abordagem que n˜ao eleve demasiadamente a dimens˜ao do vetor de caracter´ısticas e que n˜ao utilize a t´ecnica de representa¸c˜ao intermedi´aria bag-of-features, diminuindo, assim, o custo computacional e extinguindo a necessidade de informa¸c˜ao de parˆametros, o que possibilita a sua utiliza¸c˜ao por usu´arios que n˜ao possuem conhecimento na ´area de reconhecimento de padr˜oes. Assim, s˜ao propostos os descritores CMCT (Transformada Census Modificada Contextual) e ECMCT (CMCT Estendido) e seus desempenhos s˜ao avaliados em quatro bases de dados p´ublicas. S˜ao propostas tamb´em cinco varia¸c˜oes destes descritores (GistCMCT, GECMCT, GistCMCT-SM, ECMCT-SM e GECMCT-SM), obtidas atrav´es da associa¸c˜ao de cada um deles com outros descritores. Os resultados obtidos nas quatro bases de dados mostram que as representa¸c˜oes propostas s˜ao competitivas, e que provocam um aumento nas taxas de classifica¸c˜ao, quando comparados com outros descritores.<br>Scene classification is a very popular topic in the field of computer vision and it has many applications, such as, content-based image organization and retrieval and robot navigation. However, scene classification is quite a challenging task, due to the occurrence of occlusion, shadows and reflections, illumination changes and scale variability. Among the approaches to solve the scene classification problems are those that use nonparametric transform and those that improve classification results by using contextual information. Thus, this work proposes two image descriptors that associate contextual information, from neighboring regions, with a non-parametric transforms. The aim is to propose an approach that does not increase excessively the feature vector dimension and that does not use the bag-of-feature method. In this way, the proposals descrease the computational costs and eliminate the dependence parameters, which allows the use of those descriptors in applications for non-experts in the pattern recognition field. The CMCT and ECMCT descriptors are presented and their performances are evaluated, using four public datasets. Five variations of those descriptors are also proposed (GistCMCT, GECMCT, GistCMCT-SM, ECMCT-SM e GECMCT-SM), obtained through their association with other approaches. The results achieved on four public datasets show that the proposed image representations are competitive and lead to an increase in the classification rates when compared to others descriptors.

Made available in DSpace on 2015-03-05T13:53:43Z (GMT). No. of bitstreams: 0 Previous issue date: 24<br>Nenhuma<br>A recuperação e classificação de imagens é um tema bastante pesquisado atualmente. Além dos desafios encontrados no campo teórico e prático para permitir que máquinas possuam a capacidade de visão, sua pesquisa resulta em várias aplicações práticas para o dia-a-dia. A visão computação, grande área na qual está inserida a recuperação e classificação de imagens, possui aplicações e práticas dentre as quais podemos citar softwares capazes de recuperarem imagens em bases de dados de imagens, reconhecimento de pessoas por características de biometria(impressões digitais, reconhecimento por íris ou face), localização e quantificação de logomarcas na mídia, localização de objetos numa cena e mecanismos de visão para a robótica. A pesquisa desenvolvida nesta dissertação foca-se em obter uma generalização através do aprendizado das características de uma coleção de imagens pertencentes a uma mesma classe as quais servirão como exemplo de aprendizagem, com isto obtendo um modelo que identifique esta classe. Para tan<br>Image retrieval and classification are today the subject of extensive research. This topic poses both theoretical and practical challenges as researchers attempt to give machines such as computers and robots the ability to “see”. Image retrieval and classification are part of a wider field known as Computer Vision, which encompasses several practical applications such as image retrieval from databases storing only raw images, biometric recognition (from images of finger-prints, face or iris), retrieval of visual trademarks and logos from advertisements, location of objects in a scene and vision techniques in robotics. The research developed in this work is focused on obtaining a generalization of characteristics extracted from a collection of images belonging to a single class using supervised learning techniques. The result is a model that “identifies” a given class of images. To achieve this, a review of the state-of-the-art in content-based image retrieval systems and Machine Learning techniques was neede

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2009.<br>Submitted by Allan Wanick Motta (allan_wanick@hotmail.com) on 2010-06-08T19:58:48Z No. of bitstreams: 1 Dissertacao_Carmen_Bittencourt.pdf: 982743 bytes, checksum: c1292a827e705b4cf35b8ecc19a2a817 (MD5)<br>Approved for entry into archive by Daniel Ribeiro(daniel@bce.unb.br) on 2010-06-09T19:51:24Z (GMT) No. of bitstreams: 1 Dissertacao_Carmen_Bittencourt.pdf: 982743 bytes, checksum: c1292a827e705b4cf35b8ecc19a2a817 (MD5)<br>Made available in DSpace on 2010-06-09T19:51:24Z (GMT). No. of bitstreams: 1 Dissertacao_Carmen_Bittencourt.pdf: 982743 bytes, checksum: c1292a827e705b4cf35b8ecc19a2a817 (MD5) Previous issue date: 2009<br>No Brasil, a classificação do acabamento de gordura em carcaças bovinas é realizada por meio de inspeção visual de regiões predefinidas da carcaça, feita por um profissional habilitado, seguindo os critérios estabelecidos na Portaria N.o 612/89 do Ministério da Agricultura, Pecuária e Abastecimento. O acabamento é classificado em cinco categorias, de 1 a 5. Esse método, por ser subjetivo, é mais propenso a ocorrência de erros de classificação. Essa pesquisa propõe uma metodologia para aquisição de imagens digitais de carcaças bovinas durante o abate e a classificação automática do acabamento de gordura das carcaças. A metodologia proposta é baseada no uso de redes neurais artificiais e compreende duas fases distintas. A primeira delas, consiste no uso de uma rede MLP com treinamento Levenberg - Marquardt para segmentação das regiões de gordura. A segunda consiste em usar uma rede MLP com treinamento de retropropagação do erro para classificar a carcaça em relação ao acabamento da gordura. Os resultados obtidos foram o desenvolvimento do protótipo de aquisição de imagens de carcaças bovinas, o uso de redes neurais para segmentar a gordura em imagens digitais das carcaças obtidas sem a utilização de artifícios de intervenção no processo de abate e a proposição de um classificador neural com acurácia de 86% na classificação do acabamento de gordura. Para a realização dessa pesquisa, até o momento foram coletadas 4.710 imagens de carcaças bovinas, utilizando o protótipo desenvolvido. _________________________________________________________________________________ ABSTRACT<br>In Brazil, the classification of fat layer of bovine carcasses has to follow the Regulation Act number 612/89 from the Ministry of Agriculture (MAPA). There are five class of fat layer, growing from 1 to 5. This process is performed by mean of visual and subjective observation of specific regions of the carcass, done by a technician during the bovine slaughter process inside the meat industries. The technician is certified by the MAPA. This paper proposes a methodology for automatic classification of the fat layer in bovine carcasses based on two steps. The first one uses an artificial neural network to segment the fat regions of digital image of bovine carcasses. This artificial neural network is a MLP training with the Levenberg - Marquardt algorithm. The imagens have been gathered with no intervention in the process of slaughter. The second step comprises the proposal of a classifier of the fat layers in bovine carcasses based on both a MLP backpropagation artificial neural network and the Regulation Act 612/89 of the Ministry of Agriculture. Until now, the results obtained were the proposal of a functional prototype for image acquisition of carcasses during the slaughter process and the performance level of 86% of accuracy in a experimental evaluation for the fat layers classifier based on artificial neural network. For the purposes of this research so far were collected 4,710 images of bovine carcasses, using the prototype developed.

Orientadores: Marcio Luiz de Andrade Netto, Jurandir Zullo Junior<br>Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação<br>Made available in DSpace on 2018-07-23T14:42:40Z (GMT). No. of bitstreams: 1 Goncalves_MarcioLeandro_M.pdf: 7323089 bytes, checksum: d602716d35e0023d2a15b7797398fe91 (MD5) Previous issue date: 1997<br>Resumo: Este trabalho propõe uma arquitetura para classificação de imagens multiespectrais de sensoriamento remoto, baseada em Redes Neurais Artificiais. A arquitetura é constituída de dois módulos de processamento: um módulo para extração de atributos da imagem utilizando o Mapa Auto-Organizável de Kohonen e outro módulo para a classificação, utilizando uma rede neural de Perceptrons Multicamadas. A arquitetura foi desenvolvida procurando alcançar dois objetivos específicos: explorar as vantagens da aprendizagem não-supervisionada para a extração de atributos; e busca de técnicas para melhorar a performance de tempo de treinamento dos algoritmos de aprendizagem utilizados. Em particular, para melhorar a performance de tempo de treinamento dos algoritmos de aprendizagem, o trabalho investiga implementações de algoritmos de treinamento paralelos para o treinamento do Mapa Auto-Organizável de Kohonen em um ambiente multiprocessado e a utilização de um algoritmo de treinamento avançado para a rede neural de Perceptrons Multicamadas. Os resultados experimentais mostram uma grande melhoria na performance de tempo de treinamento das redes neurais apresentada por esses algoritmos. Para testarmos a sua aplicabilidade, a arquitetura de classificação proposta foi utilizada para a classificação de um segmento de imagem LANDSAT/TM, referente a uma área teste pré-selecionada, e o seu desempenho foi comparado com o de um classificador de Máxima Verossimilhança. Os bons resultados adquiridos pela classificação neural associados com o melhoramento de performance em termos de tempo de treinamento motivam portanto a continuidade e a expansão de esforços de pesquisa nesta área<br>Abstract: This work presents an Artificial Neural Network (ANN) based architecture for the classification of Remote Sensing (RS) multispectral imagery. This architecture consists of two processing modules: an Image Feature Extraction Module using Kohonen's Self-Organizing Map (SOM) and a Classification Module using a Multi-Layer Perceptron (MLP) network. This architecture was developed aiming at two specific goals: to exploit the advantages of unsupervised learning for feature extraction and the testing of techniques to increase the learning algorithms' performance concerning training time. More specifically, this work tests the implementation of parallel learning algorithms for Kohonen's SOM in a multiprocessing environment and the utilization of a second-order learning algorithm for the MLP network. The experimental results exhibit a much superior performance by both algorithms. To test the applicability of this work, this architecture was applied to the classification of a LANDSAT/TM image segment from a pre-selected testing area and its performance was compared with that of a Maximum Likelihood Classifier. The good results obtained by the neural classification allied to the performance improvement encourage therefore further research efforts in this area<br>Mestrado<br>Mestre em Engenharia Elétrica

O processo automático de classificação de dados em geral, e em particular de classificação de imagens, é uma tarefa computacionalmente intensiva e variável em termos de precisão, sendo consideravelmente dependente da configuração do classificador e da representação dos dados utilizada. Muitos dos fatores que afetam uma adequada aplicação dos métodos de classificação ou categorização para imagens apontam para a necessidade de uma maior interferência do usuário no processo. Para isso são necessárias mais ferramentas de apoio às várias etapas do processo de classificação, tais como, mas não limitadas, a extração de características, a parametrização dos algoritmos de classificação e a escolha de instâncias de treinamento adequadas. Este doutorado apresenta uma metodologia para Classificação Visual de Imagens, baseada na inserção do usuário no processo de classificação automática através do uso de técnicas de visualização. A ideia é permitir que o usuário participe de todos os passos da classificação de determinada coleção, realizando ajustes e consequentemente melhorando os resultados de acordo com suas necessidades. Um estudo de diversas técnicas de visualização candidatas para a tarefa é apresentado, com destaque para as árvores de similaridade, sendo apresentadas melhorias do algoritmo de construção em termos de escalabilidade visual e de tempo de processamento. Adicionalmente, uma metodologia de redução de dimensionalidade visual semi-supervisionada é apresentada para apoiar, pela utilização de ferramentas visuais, a criação de espaços reduzidos que melhorem as características de segregação do conjunto original de características. A principal contribuição do trabalho é um sistema de classificação visual incremental que incorpora todos os passos da metodologia proposta, oferecendo ferramentas interativas e visuais que permitem a interferência do usuário na classificação de coleções incrementais com configuração de classes variável. Isso possibilita a utilização do conhecimento do ser humano na construção de classificadores que se adequem a diferentes necessidades dos usuários em diferentes cenários, produzindo resultados satisfatórios para coleções de dados diversas. O foco desta tese é em categorização de coleções de imagens, com exemplos também para conjuntos de dados textuais<br>Automatic data classification in general, and image classification in particular, are computationally intensive tasks with variable results concerning precision, being considerably dependent on the classifier´s configuration and data representation. Many of the factors that affect an adequate application of classification or categorization methods for images point to the need for more user interference in the process. To accomplish that, it is necessary to develop a larger set of supporting tools for the various stages of the classification set up, such as, but not limited to, feature extraction, parametrization of the classification algorithm and selection of adequate training instances. This doctoral Thesis presents a Visual Image Classification methodology based on the user´s insertion in the classification process through the use of visualization techniques. The idea is to allow the user to participate in all classification steps, adjusting several stages and consequently improving the results according to his or her needs. A study on several candidate visualization techniques is presented, with emphasis on similarity trees, and improvements of the tree construction algorithm, both in visual and time scalability, are shown. Additionally, a visual semi-supervised dimensionality reduction methodology was developed to support, through the use of visual tools, the creation of reduced spaces that improve segregation of the original feature space. The main contribution of this work is an incremental visual classification system incorporating all the steps of the proposed methodology, and providing interactive and visual tools that permit user controlled classification of an incremental collection with evolving class configuration. It allows the use of the human knowledge on the construction of classifiers that adapt to different user needs in different scenarios, producing satisfactory results for several data collections. The focus of this Thesis is image data sets, with examples also in classification of textual collections

O objetivo principal deste trabalho é propor uma metodologia de classificação de imagens de sensoriamento remoto que integre a importância de atributos de textura na seleção de feições, através da utilização de freqüências espaciais de cada classe textural e sua direção, com a eficiência das redes neurais artificiais para classificá-las. O processo é composto por uma etapa de filtragem baseada nos filtros de Gabor, seguida de uma fase de classificação através de uma rede neural Multi-Layer Perceptron com algoritmo BackPropagation. A partir da transformada de Fourier são estimados os parâmetros a serem utilizados na constituição dos filtros de Gabor, adequados às freqüências espaciais associadas a cada classe presente na imagem a ser classificada. Desta forma, cada filtro gera uma imagem filtrada. O conjunto de filtros determina um conjunto de imagens filtradas (canais texturais). A classificação pixel a pixel é realizada pela rede neural onde cada pixel é definido por um vetor de dimensionalidade igual ao número de filtros do conjunto. O processo de classificação através da rede neural Multi-Layer Perceptron foi realizado pelo método de classificação supervisionada. A metodologia de classificação de imagens de sensoriamento remoto proposta neste trabalho foi testada em imagens sintética e real de dimensões 256 x 256 pixels. A análise dos resultados obtidos é apresentada sob a forma de uma Matriz de Erros, juntamente com a discussão dos mesmos.

Dissertação (Mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico.<br>Made available in DSpace on 2012-10-17T05:12:09Z (GMT). No. of bitstreams: 0Bitstream added on 2016-01-08T23:20:52Z : No. of bitstreams: 1 138042.pdf: 6648777 bytes, checksum: fa1495e25a26499e7e98787c97f5bd80 (MD5)

TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.<br>Submitted by José Victor Feijo de Araujo null (victor.feijo@ufsc.br) on 2017-12-12T00:28:08Z No. of bitstreams: 1 TCC_JOSE_VICTOR_FEIJÓ.pdf: 18256303 bytes, checksum: 6f566a4daec3603fa7cc31bf1d8da5c8 (MD5)<br>Approved for entry into archive by Renato Cislaghi (renato.cislaghi@ufsc.br) on 2017-12-13T21:10:36Z (GMT) No. of bitstreams: 1 TCC_JOSE_VICTOR_FEIJÓ.pdf: 18256303 bytes, checksum: 6f566a4daec3603fa7cc31bf1d8da5c8 (MD5)<br>Made available in DSpace on 2017-12-13T21:10:36Z (GMT). No. of bitstreams: 1 TCC_JOSE_VICTOR_FEIJÓ.pdf: 18256303 bytes, checksum: 6f566a4daec3603fa7cc31bf1d8da5c8 (MD5)<br>A proposta sugerida por este trabalho foi de analisar o impacto de um modelo de classificação, seguido de técnicas de PDI e OCR para extração de texto em cupons fiscais, classificando-os em subgrupos. Técnicas selecionadas de PDI foram aplicadas para cada grupo com suas devidas características, por fim extraindo texto dessas imagens através de um algoritmo de OCR. Foi realizado um estudo sobre os algoritmos clássicos de classificação na área de aprendizado de máquinas, com foco nos algoritmos de “clusterização” e sua correlação com a classificação de imagens em um modelo de aprendizado não supervisionado. Também foi feita uma análise sobre as características das imagens de cupons fiscais e das possíveis técnicas de PDI que podem ser aplicadas. Em relação ao OCR, também foi realizado um estudo para verificar possíveis soluções na extração de texto e entender seu comportamento, possibilitando desta maneira implementar a arquitetura proposta. Sendo assim, foram desenvolvidos métodos para classificar as imagens em clusters utilizando algoritmos de “clusterização”. Também foram propostas três técnicas de PDI, a primeira aplicando uma série de realces, a segunda uma binarização adaptativa e a terceira técnica utilizando a compressão de dados JPEG. Essas imagens foram enviadas para o serviço de OCR do Google Vision, onde foi possível extrair o texto das imagens em formato de blocos. Os resultados do modelo desenvolvido foram avaliados comparando a taxa de acerto do OCR com os valores de texto reais presentes nos cupons fiscais, onde foi possível analisar a precisão de cada técnica proposta e da arquitetura como um todo. Foram obtidos resultados positivos utilizando o modelo desenvolvido, melhorando a extração do valor total da compra em aproximadamente 6%. Além disso, os resultados da compressão JPEG melhoraram também a extração de outros dados do cupom fiscal, como por exemplo o CNPJ e a data da compra.

Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-09T14:14:32Z No. of bitstreams: 2 Dissertaçao Alex Paulo de Oliveira.pdf: 6283561 bytes, checksum: 7d672717c9f608cac1e52bfbcc49112f (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)<br>Made available in DSpace on 2015-03-09T14:14:32Z (GMT). No. of bitstreams: 2 Dissertaçao Alex Paulo de Oliveira.pdf: 6283561 bytes, checksum: 7d672717c9f608cac1e52bfbcc49112f (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-03-12<br>O tráfico ilegal de madeiras é um problema no Brasil, percebido com mais frequência nas alfândegas da Amazônia. O objetivo desse trabalho é o desenvolvimento de um método para classificação de imagens de madeira. As imagens, usadas nessa pesquisa, foram fornecidas pela Embrapa e pelo VRI (UFPR). Para o classificador criado, cada imagem é representada pelo histograma resultante da aplicação do operador LBP (Local Binary Patterns). A classificação desenvolvida tem como base o aprendizado baseado em instâncias, utilizando o algoritmo K-NN (K-Nearest Neighbor). O aumento na quantidade de amostras, disponíveis para um mesmo teste, foi suficiente para tornar mais evidentes as diferenças de performance entre as diversos cenários elaborados. Foram consideradas duas abordagens de Cross-Validation: O K-Fold Cross-Validation e o Leave-One-Out Cross-Validation. Quase sempre, quando o Leave-One-Out Cross-Validation foi adotado, os resultados apresentam uma acurácia melhor em relação à outra abordagem. Neste trabalho, também foram realizados alguns testes para mensurar a robustez em relação ao ruído, e, ficou constatado que o ruído pode influenciar os resultados da classificação. A normalização influenciou os resultados obtidos pelo classificador, entretanto, dentre as variáveis consideradas, essa foi a menos influente. Foi possível perceber que a métrica adotada, para mensurar distâncias, influencia elementos importantes: o índice de acertos e a velocidade de resposta (processamento computacional exigido). O Kullback Leibler Divergence foi a métrica que apresentou melhores resultados. O classificador construído neste trabalho se mostrou igualmente eficiente para bases com imagens homogênias (com mesma dimensão e formato) e heterogênias;

Orientador: José Alfredo Covolan Ulson<br>Banca: Adriano de Souza Marques<br>Banca: Fernando de Souza Campos<br>Resumo: As espécies exóticas invasoras, também conhecidas como plantas daninhas, competem por recursos, como sol, água e nutrientes paralelamente a cultura plantada, impondo prejuízos econômicos ao agricultor. Para minimizar este problema, atualmente os agricultores fazem uso de herbicidas para a eliminação e/ou controle das plantas daninhas. O uso de herbicidas depara-se com problemas: i) algumas plantas daninhas são resistentes a aplicação de herbicidas e, ii) quando aplicados em demasia pode-se ter a contaminação da cultura plantada, do lençol freático e dos mananciais como rios e lagos. Nesse contexto, visando o desenvolvimento de ferramentas que permitam a minimização do emprego de herbicidas, novas abordagens que fazem uso de visão computacional e inteligência artificial aparecem como soluções promissoras, agregando novas ferramentas a agricultura de precisão. Dentre essas soluções destaca-se o aprendizado profundo (do inglês Deep Learning), que utiliza as redes neurais convolucionais para extrair características relevantes, principalmente em imagens, dessa maneira, permite por exemplo a identificação e a classificação de plantas daninhas, o que possibilita ao agricultor optar tanto pela eliminação mecânica da planta daninha quanto a aplicação localizada de herbicidas e em quantidades adequadas. A partir deste desafio que é a correta classificação de diferentes espécies de plantas daninhas, especialmente plantas resistentes aos herbicidas comerciais, o objetivo deste trabalho f... (Resumo completo, clicar acesso eletrônico abaixo)<br>Abstract: Exotic invasive species, also known as weeds, compete for resources such as sun, water and nutrients in parallel with the planted crop, imposing economic losses to the farmer. To minimize this problem, farmers are currently using herbicides for the elimination and / or control of weeds.The use of herbicides has problems: i) some weeds are resistant to the application of herbicides and ii) when applied too much can contaminate the planted crop, groundwater and springs such as rivers and lakes. In this context, aiming at developing tools to minimize the use of herbicides, new approaches that make use of computer vision and artificial intelligence appear as promising solutions, adding new tools to precision agriculture. Among these solutions are the Deep Learning, which uses the convolutional neural networks to extract relevant features, mainly in images, thus, allows for example the identification and classification of weeds, which enables the farmer to opt for the mechanical elimination of the weeds as well as the localized application of herbicides and in adequate quantities. From this challenge, which is the correct classification of different weed species, especially plants resistant to commercial herbicides, the objective of this study was to apply and compare the performance of four architectures of convolutional neural networks for classification of weed five species contained in an image bank developed for this work. The training and classification of the species were c... (Complete abstract click electronic access below)<br>Mestre

Orientador: Erivaldo Antônio da Silva<br>Resumo: A extração de informação por meio do uso de imagens digitais orbitais é de grande importância para diversas áreas do conhecimento. Deste modo, essa pesquisa visa classificar imagens orbitais de alta resolução espacial, utilizando índices espectrais e a técnica de projeção multidimensional de dados Local Affine Multidimensional Projection (LAMP). Embora técnicas de projeções multidimensionais têm sido utilizadas com sucesso em grande conjunto de aplicações na área de visualização de dados, estas, por sua vez, não têm sido exploradas no contexto de cartografia. Observando esta lacuna, foi desenvolvido um método, no contexto da Cartografia e Geociências, a partir do uso e manipulação da técnica LAMP, em uma imagem orbital do satélite QuickBird, com a finalidade de apresentar à comunidade cartográfica e empresas interessadas, novas possibilidades de desenvolvimento de atualizações de bases cartográficas. É valido destacar os benefícios da técnica mencionada, principalmente para suprimir uma demanda cada vez mais recorrente no Sensoriamento Remoto, ligada ao aumento das resoluções espectrais e espaciais e consequente aumento do volume de dados para processamento, que, com o auxílio da técnica LAMP, podem ser manipulados e processados de forma adequada. Assim, mostra-se que a referida técnica, quando aliada a outras abordagens clássicas da área de Geociências, atinge um bom nível de classificação em imagens aéreas, definindo adequadamente as áreas de vegetação e solo exposto. Como ... (Resumo completo, clicar acesso eletrônico abaixo)<br>Abstract: The extraction of information by using orbital digital images is of great importance for several areas of knowledge. Thus, this research aims to classify orbital images of high spatial resolution, using spectral indexes and the technique of multidimensional data projection site Affine Multidimensional Projection (LAMP). Although, multi-dimensional projection techniques have been successfully used in a large set of applications in the field of data visualization, however, have not been explored in the context of cartography. Observing this gap, a method was developed in the context of cartography and geosciences, from the use and manipulation of the LAMP technique, in an orbital image of the QuickBird satellite, to present to the cartographic community and companies new possibilities for the development of cartographic bases updates. It is worth highlighting the benefits of the aforementioned technique, mainly to suppress an increasingly recurrent demand in remote sensing, linked to the increase of spectral and spatial resolutions and consequent increase in the volume of data for processing, which, with the aid of the LAMP technique, can be manipulated and processed appropriately. Thus, it is shown that the aforementioned technique, when allied to other classical approaches in the area of geosciences, achieves a good level of classification in aerial images, appropriately defining the areas of vegetation and exposed soil. As a research product, a vegetation classification map ... (Complete abstract click electronic access below)<br>Mestre

This work tackles visual information retrieval for image datasets, regarding both scene recognition and image classification. Scene recognition is the task of recognizing a query image inside the dataset, matching their visual content. Concerning image classification, the goal is to separate dataset images into known categories. Those aspects of visual information retrieval are directly related to the organization of huge datasets and we improve the state-of-the-art for both, concerning specific applications, either performing descriptors filtering before image matching or using semantic regions for codifying images by visual dictionaries, respectively for image recognition and classification problems. Regarding scene recognition, our contribution is a methodology of enhancing the image matching algorithm through the use of subspace clustering algorithms. We present thus the aggregation of matching and clustering algorithms and, also devise a modified version of a literature subspace clustering, reducing its runtime while preserving the clusters discovery confidence. For the image classification issue, we develop a novel method which is based on both image codification by visual dictionaries and semantic regions. The proposed technique outperforms the state-of-the-art in all experiments. We employ such methods to evaluate literature image datasets and also a new dataset whose creation is explained in details, including image gathering, their selection and annotation. Scene recognition application follows the usual protocol of recognizing a dataset scene from a target image, consisting of an urban scene facade. For image classification we aim to classify architectural styles lying in a baroque city, separating baroque buildings from the contemporary ones.<br>Este trabalho aborda dois aspectos da recuperação de informação visual em bases de imagens: o reconhecimento de cenas e a classificação automática de imagens. Para o reconhecimento de cenas, uma metodologia para agregar algoritmos de casamento de imagens e clusterização é proposta, filtrando as informações usadas para o casamento de cenas. Relativo à classificação de imagens, um novo método é proposto, baseado na representação de imagens por dicionários visuais e no uso de regiões semânticas. Na aplicação de ambos, são usadas bases de dados de cenas urbanas da literatura, além de uma nova base de dados, cuja construção é apresentada aqui, desde a coleta das imagens até a separação e anotação das mesmas. Enquanto no reconhecimento de cenas são usadas fachadas de construções como imagens-consulta para exploração das bases de cenas urbanas, na classificação de imagens é abordada a classificação entre os estilos arquitetônicos barroco e contemporâneo.

Made available in DSpace on 2014-06-12T15:52:22Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009<br>Conselho Nacional de Desenvolvimento Científico e Tecnológico<br>O sistema visual humano é um dos mecanismos mais fascinantes da natureza. É através dele que o ser humano é capaz de realizar as suas tarefas mais básicas, como assistir televisão, até as mais complexas, como realizar análises através de microscópios em laboratórios. Por conseguinte, neste trabalho são propostos dois modelos baseados no comportamento do sistema visual humano. O primeiro é um modelo de segmentação supervisionada baseado nos conceitos de campos receptivos, chamado Segmentation and Classification Based on Receptive Fields (SCRF). O outro é uma nova rede neural, chamada I-PyraNet. A I-PyraNet é uma implementação híbrida da PyraNet e dos conceitos de campos inibitórios. Então, no intuito de validar os modelos aqui propostos, nesta dissertação é apresentada uma revisão do estado-da-arte, descrevendo-se desde o funcionamento do sistema visual humano até as várias etapas existentes numa tarefa de processamento de imagens. Por fim, os modelos propostos foram aplicados em duas tarefas de reconhecimento. O modelo SCRF e a I-PyraNet foram aplicados juntos num problema de detecção de floresta em imagens de satélite. Enquanto a I-PyraNet foi aplicada sobre um problema de detecção de facos. Ambos alcançaram bons resultados quando comparados aos outros modelos aqui apresentados

Made available in DSpace on 2017-07-21T14:19:42Z (GMT). No. of bitstreams: 1 Luiz Gustavo Barros.pdf: 2755823 bytes, checksum: bca8719768cf3309de85ec488ed781ee (MD5) Previous issue date: 2013-08-22<br>Images acquired in the field with ordinary cameras, tend to have a lower quality compared with those obtained in the laboratory, including noise and unclear areas. This paper proposes a methodology for the analysis of sharpness in wood images of wood to analyze its impact on their classification. To evaluate this proposal, a database of wood images was used and each sample has extracted its color and texture characteristics using uniform local binary pattern and RGB color model methods, respectively. The Tenengrad method was used to evaluate the image sharpness and then the images were classified as high or low sharpness. Scenarios were developed to test the impact of the analysis of sharpness and check how it contributes to the hit rate.<br>Imagens adquiridas em campo, com câmeras comuns, tendem a possuir uma qualidade inferior se comparadas com as adquiridas em laboratório, incluindo ruídos e áreas pouco nítidas. Partindo dessa premissa, nesse trabalho foi proposta uma metodologia para a análise de nitidez em imagens de madeira para analisar seu impacto na classificação das mesmas. Para avaliar essa proposta, foi utilizada uma base de dados de imagens de madeira e extraídas características de cor e textura através dos métodos LBP Uniforme e RGB, respectivamente. O método Tenengrad foi utilizado para avaliar a nitidez das imagens e através dele as imagens foram classificadas alta e baixa nitidez. Foram elaborados cenários para testar o impacto da análise de nitidez e verificar de que forma a mesma contribui com a taxa de acerto.

Dissertação (mestrado)—Universidade de Brasilia, Instituto de Geociências, 2006.<br>Submitted by Luiza Moreira Camargo (luizaamc@gmail.com) on 2011-07-05T15:17:56Z No. of bitstreams: 1 2006_VerônicaTeixeiraMagalhãesdosSantos.pdf: 12995984 bytes, checksum: 8e7e53c48cc4529b7e2fce7495bdaf1a (MD5)<br>Approved for entry into archive by Raquel Viana(tempestade_b@hotmail.com) on 2011-07-14T00:38:54Z (GMT) No. of bitstreams: 1 2006_VerônicaTeixeiraMagalhãesdosSantos.pdf: 12995984 bytes, checksum: 8e7e53c48cc4529b7e2fce7495bdaf1a (MD5)<br>Made available in DSpace on 2011-07-14T00:38:54Z (GMT). No. of bitstreams: 1 2006_VerônicaTeixeiraMagalhãesdosSantos.pdf: 12995984 bytes, checksum: 8e7e53c48cc4529b7e2fce7495bdaf1a (MD5)<br>O mapeamento de uso e ocupação da terra é um eficaz instrumento de suporte ao planejamento e ao ordenamento do território, na medida que retrata a dinâmica das formas de ocupação e de organização do espaço. Diversos mapeamentos foram realizados em nosso país, com a utilização de diversas metodologias e a criação de variados sistemas de classificação de uso e cobertura da terra, em função das necessidades específicas de cada instituição produtora. Este estudo apresenta o desenvolvimento de uma metodologia padrão para a produção de mapeamentos de uso e cobertura da terra, baseada na técnica de classificação digital de imagens orbitais orientada a objetos. Um novo sistema de classificação hierárquico para o mapeamento de uso e cobertura da terra foi desenvolvido para a área de estudo selecionada, a Área de Proteção Ambiental Gama Cabeça-de-Veado, no Distrito Federal. Este novo sistema de classificação apresenta cinco níveis e baseou-se em estruturas hierárquicas já consagradas: a do programa CORINE land cover e a do projeto Uso da terra da Fundação IBGE. Foram utilizadas imagens orbitais dos satélites LANDSAT7, para os mapeamentos nas escalas 1:250.000 e 1:100.000, SPOT5 para a escala 1:50.000 e as imagens do satélite QUICKBIRD II, para a escala 1:25.000. Para a técnica de classificação digital de imagens orbitais orientada a objetos, foi utilizada a classificação por regiões existente no aplicativo SPRING 4.2, do INPE. Trabalhos e verificações em campo, o uso de dados sócioeconômicos e de documentação disponível em diversas Instituições, complementou o desenvolvimento dos referidos mapeamentos. Resultados desta pesquisa mostraram que quanto maior a escala de mapeamento, conseqüentemente maior a categorização do uso e cobertura da terra, e mais necessária se torna à utilização de informações auxiliares adicionadas aos dados de Sensoriamento Remoto. _______________________________________________________________________________ ABSTRACT<br>The mapping of land use and land cover is an efficient instrument of support to the planning and the order of the territory, in the measure that portraies the dynamics of the forms of occupation and organization of the space. Diverse mappings had been carried through in our country, with the use of diverse methodologies and the creation of varied systems of classification of land use and land cover, in function of the specific necessities of each producing institution. This study presents the development of a methodology standard for the production of mappings of land use and land cover, based in the technique of digital classification of orbital images objects-oriented. A new system of hierarchic classification for the mapping of land use and land cover was developed for the selected area of study, the Area of Ambient Protection Gama Cabeça-de-Veado, in the Distrito Federal. This new system of classification presents five levels and was based on consecrated hierarchic structures already: of program CORINE land cover and of the project the Land Use of Foundation IBGE. Orbital images of satellites LANDSAT7, for the mappings in scales 1:250.000 and 1:100.000, SPOT5 for scale 1:50.000 and the images of satellite QUICKBIRD II, for scale 1:25.000, had been used. For the technique of digital classification of orbital images objects-oriented, the existing bucket sort in applicatory SPRING 4.2 was used, of the INPE. Works and verifications in field, the use of partner-economic data and available documentation in diverse Institutions, it complemented the development of the cited mappings. Results of this research had shown that how much bigger the mapping scale, consequently bigger the class of the use and covering of the land, more necessary e if becomes the use of information auxiliary added to the data of Remote Sensing.