Este trabalho representa um estudo pertencente a área de visão computacional, mais especificamente a morfologia biológica e evolução. A análise de formas é fundamental para a solução de muitos problemas relacionados a visão, cujas técnicas de visão computacional podem ser aplicadas em estudos sobre evolução relacionados a biologia. Neste trabalho prestamos uma atenção especial a complexidade do método de análise de formas, introduzindo uma nova e simples característica (a curvatura digital) para ser representadas por marcos anatômicos (\"landmarks\"). É importante observar que este tipo de representação é amplamente aplicado em problemas relacionados à área de morfologia biológica. O trabalho também está direcionado a extração e seleção de características (features) mais informativas obtidas de dados de landmarks, analisando vantagens e desvantagens de sua aplicação. As melhores features morfológicas extraídas serão usadas como ferramentas para classificar as amostras de roedores Thrichomys apereoides da familia Echimydae e obter esquemas hierárquicos (taxonomias) das espécimes e comparar com taxonomias tradicionais. A distribuição geográfica das amostras é também levada em consideração e é observado que existe um bom acordo entre tal distribuição e os grupos obtidos pela análise discriminante considerando as propriedades morfológicas das amostras. Os principais resultados deste trabalho é que a verificação ao menos para os tipos de dados e problemas considerados, um simples método como a curvatura digital pode conduzir para melhores resultados do que aqueles obtidos pelos tradicionais / This work addresses the application of computational vision to the area of biological morphology and evolution. Shape analysis plays an important role in the solution of many related problems. In this work we pay special attention to the complexity of shape analysis methods, introducing a new and simple feature (the digital curvature) to be estimated from anatomical landmarks. It is important to observe that this type of representation is widely applied in related problems in biological morphology. The current work also addresses the extraction and selection of the most informative features obtained from landmark data, analyzing the advantages and disadvantages of each approach. The best morphological features extracted are used to classify the samples (Thrichomys apereoides rodents from the Echimydae family) in order to get hierarchical structures (taxonomy) of the species, which is compared to the traditional taxonomy. The geographical distribution of the samples is also taken into account and it is observed that there is a good agreement between such a distribution and the groups obtained by discriminant analysis considering the morphological properties of the samples. The main results of this work is the verification that, at least for the considered type of data and problem, a simple method such as the digital curvature can lead to better results than those obtained by the traditional, more complex, approaches

Este trabalho representa um estudo pertencente a área de visão computacional, mais especificamente a morfologia biológica e evolução. A análise de formas é fundamental para a solução de muitos problemas relacionados a visão, cujas técnicas de visão computacional podem ser aplicadas em estudos sobre evolução relacionados a biologia. Neste trabalho prestamos uma atenção especial a complexidade do método de análise de formas, introduzindo uma nova e simples característica (a curvatura digital) para ser representadas por marcos anatômicos (\"landmarks\"). É importante observar que este tipo de representação é amplamente aplicado em problemas relacionados à área de morfologia biológica. O trabalho também está direcionado a extração e seleção de características (features) mais informativas obtidas de dados de landmarks, analisando vantagens e desvantagens de sua aplicação. As melhores features morfológicas extraídas serão usadas como ferramentas para classificar as amostras de roedores Thrichomys apereoides da familia Echimydae e obter esquemas hierárquicos (taxonomias) das espécimes e comparar com taxonomias tradicionais. A distribuição geográfica das amostras é também levada em consideração e é observado que existe um bom acordo entre tal distribuição e os grupos obtidos pela análise discriminante considerando as propriedades morfológicas das amostras. Os principais resultados deste trabalho é que a verificação ao menos para os tipos de dados e problemas considerados, um simples método como a curvatura digital pode conduzir para melhores resultados do que aqueles obtidos pelos tradicionais / This work addresses the application of computational vision to the area of biological morphology and evolution. Shape analysis plays an important role in the solution of many related problems. In this work we pay special attention to the complexity of shape analysis methods, introducing a new and simple feature (the digital curvature) to be estimated from anatomical landmarks. It is important to observe that this type of representation is widely applied in related problems in biological morphology. The current work also addresses the extraction and selection of the most informative features obtained from landmark data, analyzing the advantages and disadvantages of each approach. The best morphological features extracted are used to classify the samples (Thrichomys apereoides rodents from the Echimydae family) in order to get hierarchical structures (taxonomy) of the species, which is compared to the traditional taxonomy. The geographical distribution of the samples is also taken into account and it is observed that there is a good agreement between such a distribution and the groups obtained by discriminant analysis considering the morphological properties of the samples. The main results of this work is the verification that, at least for the considered type of data and problem, a simple method such as the digital curvature can lead to better results than those obtained by the traditional, more complex, approaches

Made available in DSpace on 2014-06-12T15:57:30Z (GMT). No. of bitstreams: 2 arquivo3201_1.pdf: 2233544 bytes, checksum: c8ff02b6ea4b9f8a3771c65bd9346970 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Faculdade de Amparo à Ciência e Tecnologia do Estado de Pernambuco / A codificação de vizinhança foi inicialmente proposta em [TTD99]. Essa codificação gera um conjunto de códigos de vizinhança para representar uma imagem binária. Uma das principais limitações da proposta inicial é que a codificação não era capaz de reconstruir a imagem representada por ela. Esta dissertação oferece uma nova abordagem para a codificação de vizinhança, que permite representar imagens binárias sem perdas, possibilitando a reconstrução da imagem codificada. Outro problema da codificação de vizinhança é o excessivo e redundante número de elementos no conjunto de códigos gerados para cada imagem. Para resolver este problema, são propostos, no presente trabalho, três algoritmos para a redução do conjunto desses códigos. Um destes algoritmos de redução do conjunto de códigos segue uma abordagem evolucionária. Outra contribuição realizada aqui diz respeito à representação de vizinhanças em um código de vizinhança. Esta representação é construída através de funções braços. Novas funções braços podem ser definidas facilmente para representar diferentes vizinhanças. Esta maneira de abordar vizinhanças possibilita o reuso dos algoritmos propostos sem necessidade de adaptação. Ainda são propostas duas aplicações utilizando codificação de vizinhança: compressão de imagens binárias e reconhecimento de forma. O método de compressão proposto baseiase na redução do número de códigos necessários para reconstruir a imagem sem perdas. O reconhecimento de forma é avaliado para o problema de recuperação de imagens semelhantes

Uma imagem engloba informação que precisa ser organizada para interpretar e compreender seu conteúdo. Existem diversas técnicas computacionais para extrair a principal informação de uma imagem e podem ser divididas em três áreas: análise de cor, textura e forma. Uma das principais delas é a análise de forma, por descrever características de objetos baseadas em seus pontos fronteira. Propomos um método de caracterização de imagens, por meio da análise de forma, baseada nas propriedades espectrais do laplaciano em grafos. O procedimento construiu grafos G baseados nos pontos fronteira do objeto, cujas conexões entre vértices são determinadas por limiares T_l. A partir dos grafos obtêm-se a matriz de adjacência A e a matriz de graus D, as quais definem a matriz Laplaciana L=D -A. A decomposição espectral da matriz Laplaciana (autovalores) é investigada para descrever características das imagens. Duas abordagens são consideradas: a) Análise do vetor característico baseado em limiares e a histogramas, considera dois parâmetros o intervalo de classes IC_l e o limiar T_l; b) Análise do vetor característico baseado em vários limiares para autovalores fixos; os quais representam o segundo e último autovalor da matriz L. As técnicas foram testada em três coleções de imagens: sintéticas (Genéricas), parasitas intestinais (SADPI) e folhas de plantas (CNShape), cada uma destas com suas próprias características e desafios. Na avaliação dos resultados, empregamos o modelo de classificação support vector machine (SVM), o qual avalia nossas abordagens, determinando o índice de separação das categorias. A primeira abordagem obteve um acerto de 90 % com a coleção de imagens Genéricas, 88 % na coleção SADPI, e 72 % na coleção CNShape. Na segunda abordagem, obtém-se uma taxa de acerto de 97 % com a coleção de imagens Genéricas; 83 % para SADPI e 86 % no CNShape. Os resultados mostram que a classificação de imagens a partir do espectro do Laplaciano, consegue categorizá-las satisfatoriamente. / An image includes information that needs to be organized to interpret and understand its contents. There are several computational techniques to extract the main information of images and are divided into three areas: color, texture and shape analysis. One of the main of them is shape analysis, since it describes objects getting main features based on reference points, usually border points. This dissertation proposes a shape analysis method based on the spectral properties of the Laplacian in graphs to represent images. The procedure builds G graphs based on object border points, whose connections between vertices are determined by thresholds T_l. From graphs G we obtain the adjacency matrix A and matrix degrees D, which define the Laplacian matrix L=D -A. Thus, spectral decomposition of the Laplacian matrix (eigenvalues) is investigated to describe image features. Two approaches are considered: a)Analysis of feature vector based on thresholds and histograms, it considers two parameters, classes range IC_l and threshold T_l; b) Analysis of feature vector based on multiple linear for fixed eigenvalues, which represents the second and final eigenvalue matrix L. The techniques were tested in three image datasets: synthetic (Generic), human intestinal parasites (SADPI) and plant leaves (CNShape), each of these with its own features and challenges. Afterwards to evaluate our results, we used the classification model Support Vector Machine (SVM) to evaluate our approaches, determining the percentage of separation of categories. The first approach achieved 90 % of precision with the Generic image dataset, 88 % in SADPI dataset, and 72 % in CNShape dataset. In the second approach, it obtains 97 % of precision with the Generic image dataset, 83 % for SADPI and 86 % in CNShape respectively. The results show that the classification of images from the Laplacian spectrum can categorize them satisfactorily.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-06-23T21:24:53Z No. of bitstreams: 1 AntonioCarvalho.pdf: 2731250 bytes, checksum: 35369a74be0aec3dd6b29a792c37fc35 (MD5) / Made available in DSpace on 2017-06-23T21:24:53Z (GMT). No. of bitstreams: 1 AntonioCarvalho.pdf: 2731250 bytes, checksum: 35369a74be0aec3dd6b29a792c37fc35 (MD5) Previous issue date: 2016-10-10 / Lung cancer has been identi ed as the leading cause of death among cancer patients worldwide. The high rates of deaths and instances of records of this type of cancer worldwide demonstrate the importance of the development and research in order to produce resources for the detection and early diagnosis of this disease. Because of the exhaustive analysis process, alternatives such as computational tools that use image processing techniques and pattern recognition have been widely explored. Therefore, to assist the expert in the identi cation and diagnosis of nodules, systems are developed Computer-Aided Detection (CAD) and Computer-Aided Diagnostic (CADx). This thesis proposes the development of methods that reduce false positives, and the diagnosis of volumes of interest in computed tomography. The proposed methods are based on image processing techniques and pattern recognition. For this, biology concepts have been adapted and applied to the study of the branch of the diversity of species; such concepts are the phylogenetic diversity indexes used in this thesis as texture descriptors. In another aspect, techniques that measure the properties of the shape of radiological ndings have been developed and adapted. Subsequently, an evolutionary methodology is used for the selection of the best models for training. Finally, a support vector machine is applied to perform the classi cation. Promising results were found in the 833 tests that we performed; these tests were divided into 80% for training and 20% for testing. In general, for the best results, we have false positive reduction methods, an accuracy of 99.57%, sensitivity of 99.45%, speci city of 99.61%, and an ROC curve of 0.992. The results obtained for the classi cation of the degree of malignancy and benignity are: accuracy of 93.46%, sensitivity of 92.95%, speci city of 93.49%, and an ROC curve of 0.931. / O câncer de pulmão é apontado como a principal causa de morte entre os pacientes com câncer. As altas taxas de mortes e registros de ocorrências desse câncer em todo o mundo demonstram a importância do desenvolvimento e investigação, a fi m de produzir meios para a detecção e o diagnóstico precoce dessa doença. Devido ao exaustivo processo de análise, alternativas como ferramentas de cunho computacional que utilizam técnicas de processamento de imagens e do reconhecimento de padrões têm sido amplamente exploradas. Assim, para auxiliar o especialista na identifi cação e diagnóstico de nódulos, são desenvolvidos sistemas Computer-Aided Detection (CAD) e Computer-Aided Diagnostic (CADx). Esta tese propõe o desenvolvimento de métodos para redução de falsos positivos em um sistema CAD e diagnóstico de nódulos em tomografi a computadorizada. Os métodos propostas baseiam-se em técnicas de processamento de imagens e reconhecimento de padrões. Para tanto, foram adaptados e aplicados os conceitos da biologia no ramo do estudo da diversidade entre espécies, sendo esses os índices de diversidade logenética, usados nesta tese como descritores de textura. Em outro aspecto, foram desenvolvidas e adaptadas técnicas capazes de mensurar propriedades de forma dos achados radiológicos. Seguindo, usou-se uma metodologia evolutiva genética para seleção dos melhores modelos de treinamento. E por fi m, foi aplicada a máquina de vetor de suporte para realizar a classificação . Resultados promissores foram encontrados em teste com 833 exames divididos em 80% para treino e 20% para testes. Em linhas gerais, para os melhores resultados tem-se, nos métodos de redução de falsos positivos: uma acurácia de 99,57%, sensibilidade de 99,45%, especificidade de 99.61% e uma curva ROC de 0,992. Já nos resultados para a classificação quanto a taxa de malignidade e benignidade, obtiveram-se os seguintes valores: acurácia de 93,46%, sensibilidade de 92,95%, especificidade de 93,49% e uma curva ROC de 0,931.

Uma imagem engloba informação que precisa ser organizada para interpretar e compreender seu conteúdo. Existem diversas técnicas computacionais para extrair a principal informação de uma imagem e podem ser divididas em três áreas: análise de cor, textura e forma. Uma das principais delas é a análise de forma, por descrever características de objetos baseadas em seus pontos fronteira. Propomos um método de caracterização de imagens, por meio da análise de forma, baseada nas propriedades espectrais do laplaciano em grafos. O procedimento construiu grafos G baseados nos pontos fronteira do objeto, cujas conexões entre vértices são determinadas por limiares T_l. A partir dos grafos obtêm-se a matriz de adjacência A e a matriz de graus D, as quais definem a matriz Laplaciana L=D -A. A decomposição espectral da matriz Laplaciana (autovalores) é investigada para descrever características das imagens. Duas abordagens são consideradas: a) Análise do vetor característico baseado em limiares e a histogramas, considera dois parâmetros o intervalo de classes IC_l e o limiar T_l; b) Análise do vetor característico baseado em vários limiares para autovalores fixos; os quais representam o segundo e último autovalor da matriz L. As técnicas foram testada em três coleções de imagens: sintéticas (Genéricas), parasitas intestinais (SADPI) e folhas de plantas (CNShape), cada uma destas com suas próprias características e desafios. Na avaliação dos resultados, empregamos o modelo de classificação support vector machine (SVM), o qual avalia nossas abordagens, determinando o índice de separação das categorias. A primeira abordagem obteve um acerto de 90 % com a coleção de imagens Genéricas, 88 % na coleção SADPI, e 72 % na coleção CNShape. Na segunda abordagem, obtém-se uma taxa de acerto de 97 % com a coleção de imagens Genéricas; 83 % para SADPI e 86 % no CNShape. Os resultados mostram que a classificação de imagens a partir do espectro do Laplaciano, consegue categorizá-las satisfatoriamente. / An image includes information that needs to be organized to interpret and understand its contents. There are several computational techniques to extract the main information of images and are divided into three areas: color, texture and shape analysis. One of the main of them is shape analysis, since it describes objects getting main features based on reference points, usually border points. This dissertation proposes a shape analysis method based on the spectral properties of the Laplacian in graphs to represent images. The procedure builds G graphs based on object border points, whose connections between vertices are determined by thresholds T_l. From graphs G we obtain the adjacency matrix A and matrix degrees D, which define the Laplacian matrix L=D -A. Thus, spectral decomposition of the Laplacian matrix (eigenvalues) is investigated to describe image features. Two approaches are considered: a)Analysis of feature vector based on thresholds and histograms, it considers two parameters, classes range IC_l and threshold T_l; b) Analysis of feature vector based on multiple linear for fixed eigenvalues, which represents the second and final eigenvalue matrix L. The techniques were tested in three image datasets: synthetic (Generic), human intestinal parasites (SADPI) and plant leaves (CNShape), each of these with its own features and challenges. Afterwards to evaluate our results, we used the classification model Support Vector Machine (SVM) to evaluate our approaches, determining the percentage of separation of categories. The first approach achieved 90 % of precision with the Generic image dataset, 88 % in SADPI dataset, and 72 % in CNShape dataset. In the second approach, it obtains 97 % of precision with the Generic image dataset, 83 % for SADPI and 86 % in CNShape respectively. The results show that the classification of images from the Laplacian spectrum can categorize them satisfactorily.