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) / 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 / 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;