A utilização estrutural da madeira serrada oriunda de florestas plantadas apresenta, no Brasil, um considerável potencial para expansão, pois as restrições sobre as florestas nativas são irreversíveis e o mercado se volta, em larga escala, para o uso das madeiras de reflorestamento, destacando-se o Pinus Sp como uma das espécies mais promissoras. Entretanto, como resultado do crescimento acelerado, a madeira proveniente destas espécies apresenta muitos defeitos, tornando-se imprescindível a realização da classificação para sua aplicação estrutural. Por outro lado, atualmente no Brasil não há procedimentos normatizados para a classificação de peças estruturais de madeira. Neste trabalho foi verificada a adequabilidade das regras de classificação visual do Southern Pine Inspection Bureau (SPIB) aplicadas à madeira de Pinus provenientes de florestas plantadas na região de Lages, Santa Catarina. Foi realizada a classificação visual de 600 peças de Pinus Sp. que tiveram a sua rigidez à flexão em relação ao eixo de menor inércia determinada por três métodos: ensaio estático de flexão, equipamento MSR, e equipamento de vibração transversal. Parte destas peças (96) distribuídas em igual número em quatro classes de resistência foi testada à flexão estática em relação ao eixo de maior inércia, com a finalidade de determinar a resistência e a rigidez à flexão de cada classe. O trabalho apresenta correlações entre propriedades de resistência, rigidez e a densidade. O método de classificação visual descrito nas regras do SPIB mostrou-se adequado para ser aplicado na madeira proveniente de florestas de Pinus Sp plantadas no Brasil. / The structural use of lumber from planted forests presents, in Brazil, a considerable potential for expansion, whereas the restrictions on the native forests are irreversible and the market turns, in wide scale, for the use of the reforestation lumber, standing out the lumber of Pinus Sp as one of the most promising species. However, as a result of the fast growth, the coming lumber of these species presents many defects, becoming indispensable the accomplishment of the grading for its structural application. On the other hand, now in Brazil there are not established procedures for the grading of structural lumber. In this work the adequability of Southern Pine Inspection Bureau (SPIB) grading rules applied to lumber of reforestation from city of Lages – SC, were verified. The visual grading of 600 pieces of Pinus Sp was accomplished. The flatwise bending stiffness was determined by three methods: static bending, MSR equipment, and equipment of transverse vibration. A part of these pieces (96) distributed in the same number in four structural grades it was tested to the static edgewise bending, with the purpose of determining bending strength and stiffness of each grade. This work presents correlations among strength properties, stiffness and the density. The method of visual grading described in the rules of SPIB was shown appropriate to be applied in the lumber from forests of Pinus Sp planted in Brazil.

A utilização estrutural da madeira serrada oriunda de florestas plantadas apresenta, no Brasil, um considerável potencial para expansão, pois as restrições sobre as florestas nativas são irreversíveis e o mercado se volta, em larga escala, para o uso das madeiras de reflorestamento, destacando-se o Pinus Sp como uma das espécies mais promissoras. Entretanto, como resultado do crescimento acelerado, a madeira proveniente destas espécies apresenta muitos defeitos, tornando-se imprescindível a realização da classificação para sua aplicação estrutural. Por outro lado, atualmente no Brasil não há procedimentos normatizados para a classificação de peças estruturais de madeira. Neste trabalho foi verificada a adequabilidade das regras de classificação visual do Southern Pine Inspection Bureau (SPIB) aplicadas à madeira de Pinus provenientes de florestas plantadas na região de Lages, Santa Catarina. Foi realizada a classificação visual de 600 peças de Pinus Sp. que tiveram a sua rigidez à flexão em relação ao eixo de menor inércia determinada por três métodos: ensaio estático de flexão, equipamento MSR, e equipamento de vibração transversal. Parte destas peças (96) distribuídas em igual número em quatro classes de resistência foi testada à flexão estática em relação ao eixo de maior inércia, com a finalidade de determinar a resistência e a rigidez à flexão de cada classe. O trabalho apresenta correlações entre propriedades de resistência, rigidez e a densidade. O método de classificação visual descrito nas regras do SPIB mostrou-se adequado para ser aplicado na madeira proveniente de florestas de Pinus Sp plantadas no Brasil. / The structural use of lumber from planted forests presents, in Brazil, a considerable potential for expansion, whereas the restrictions on the native forests are irreversible and the market turns, in wide scale, for the use of the reforestation lumber, standing out the lumber of Pinus Sp as one of the most promising species. However, as a result of the fast growth, the coming lumber of these species presents many defects, becoming indispensable the accomplishment of the grading for its structural application. On the other hand, now in Brazil there are not established procedures for the grading of structural lumber. In this work the adequability of Southern Pine Inspection Bureau (SPIB) grading rules applied to lumber of reforestation from city of Lages – SC, were verified. The visual grading of 600 pieces of Pinus Sp was accomplished. The flatwise bending stiffness was determined by three methods: static bending, MSR equipment, and equipment of transverse vibration. A part of these pieces (96) distributed in the same number in four structural grades it was tested to the static edgewise bending, with the purpose of determining bending strength and stiffness of each grade. This work presents correlations among strength properties, stiffness and the density. The method of visual grading described in the rules of SPIB was shown appropriate to be applied in the lumber from forests of Pinus Sp planted in Brazil.

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 / 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

Made available in DSpace on 2014-06-12T16:25:14Z (GMT). No. of bitstreams: 2 arquivo2032_1.pdf: 6755579 bytes, checksum: 4f2a789d1d373e9bd8163278909720a7 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / A avaliação de classificadores automáticos de imagens QUICKBIRD em relação à classificação visual integrada a visita de campo para comprovação da verdade terrestre, permite testar classificadores automáticos de imagens submétricas, indicando as vantagens e restrições na identificação de alvos. A observação da ocupação do solo nas áreas de preservação ambiental aplicando a avaliação de classificação visual e classificadores automáticos representam importante contribuição metodológica, principalmente nas ocupações subnormais nas margens de corpos de água. Uma área teste no entorno e margem da lagoa Olho D Água, Jaboatão dos Guararapes, Pernambuco, foi usada para analisar testes de alguns classificadores automáticos e classificação visual integrada à inspeção visual e fotográfica dos alvos em campo da imagem QUICKBIRD de 2005 georreferenciada em UTM/SAD/69. A área de estudo está inserida na Zona de Proteção Ambiental Z4.10 de acordo com a Legislação Urbanística Básica do Município de Jaboatão dos Guararapes, Lei nº165 de 20/11/1980, e Área de Preservação Permanente, APP, conforme Resolução 303/2002 do CONAMA (Conselho Nacional do Meio Ambiente), tendo sido realizada carta imagem e zoneamento temático usando o ARCVIEW usando imagem RGB QUICKBIRD das áreas de preservação conforme a legislação referida, áreas livres, áreas de solo exposto, áreas construídas e áreas com cobertura vegetal, indicando que 4,946 ha de área construída estão dentro da Z4.10, do total de 102,261 ha de área construída. A metodologia de aplicação dos classificadores consistiu em síntese em classificar os alvos água, solo exposto, área construída e vegetação, realizando: 1- segmentação da imagem fusionada multiespectral (RGB) QUICKBIRD de 0,6 m de pixel; 2- realce por componentes principais com diferentes limiares de similaridade; 3- uso dos classificadores automáticos ISOSEG e BHATTACHARRYA, classificação visual da imagem RGB com o software SPRING. Na avaliação, o classificador BHATTACHARRYA com limiar de aceitação de 95% foi o que mais de aproximou da análise visual da imagem original RGB assumida como referencia. Na avaliação da classificação visual dos alvos a imagem de referência RGB integrada à visita de campo, e comparada à classificação BHATTACHARRYA, as regiões da interface água/solo foram bem definidas, demonstrando a utilidade da metodologia para separar alvos em regiões complexas de ocupação subnormal e protegidas pela legislação ambiental

Made available in DSpace on 2014-06-12T16:31:14Z (GMT). No. of bitstreams: 2 arquivo524_1.pdf: 6755579 bytes, checksum: 4f2a789d1d373e9bd8163278909720a7 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / A avaliação de classificadores automáticos de imagens QUICKBIRD em relação à classificação visual integrada a visita de campo para comprovação da verdade terrestre, permite testar classificadores automáticos de imagens submétricas, indicando as vantagens e restrições na identificação de alvos. A observação da ocupação do solo nas áreas de preservação ambiental aplicando a avaliação de classificação visual e classificadores automáticos representam importante contribuição metodológica, principalmente nas ocupações subnormais nas margens de corpos de água. Uma área teste no entorno e margem da lagoa Olho D Água, Jaboatão dos Guararapes, Pernambuco, foi usada para analisar testes de alguns classificadores automáticos e classificação visual integrada à inspeção visual e fotográfica dos alvos em campo da imagem QUICKBIRD de 2005 georreferenciada em UTM/SAD/69. A área de estudo está inserida na Zona de Proteção Ambiental Z4.10 de acordo com a Legislação Urbanística Básica do Município de Jaboatão dos Guararapes, Lei nº165 de 20/11/1980, e Área de Preservação Permanente, APP, conforme Resolução 303/2002 do CONAMA (Conselho Nacional do Meio Ambiente), tendo sido realizada carta imagem e zoneamento temático usando o ARCVIEW usando imagem RGB QUICKBIRD das áreas de preservação conforme a legislação referida, áreas livres, áreas de solo exposto, áreas construídas e áreas com cobertura vegetal, indicando que 4,946 ha de área construída estão dentro da Z4.10, do total de 102,261 ha de área construída. A metodologia de aplicação dos classificadores consistiu em síntese em classificar os alvos água, solo exposto, área construída e vegetação, realizando: 1- segmentação da imagem fusionada multiespectral (RGB) QUICKBIRD de 0,6 m de pixel; 2- realce por componentes principais com diferentes limiares de similaridade; 3- uso dos classificadores automáticos ISOSEG e BHATTACHARRYA, classificação visual da imagem RGB com o software SPRING. Na avaliação, o classificador BHATTACHARRYA com limiar de aceitação de 95% foi o que mais de aproximou da análise visual da imagem original RGB assumida como referencia. Na avaliação da classificação visual dos alvos a imagem de referência RGB integrada à visita de campo, e comparada à classificação BHATTACHARRYA, as regiões da interface água/solo foram bem definidas, demonstrando a utilidade da metodologia para separar alvos em regiões complexas de ocupação subnormal e protegidas pela legislação ambiental

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 / 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

Aprendizado múltipla instância (MIL) é um paradigma de aprendizado de máquina que tem o objetivo de classificar um conjunto (bags) de objetos (instâncias), atribuindo rótulos só para os bags. Em MIL apenas os rótulos dos bags estão disponíveis para treinamento, enquanto os rótulos das instâncias são desconhecidos. Este problema é frequentemente abordado através da seleção de uma instância para representar cada bag, transformando um problema MIL em um problema de aprendizado supervisionado padrão. No entanto, não se conhecem abordagens que apoiem o usuário na realização desse processo. Neste trabalho, propomos uma visualização baseada em árvore multi-escala chamada MILTree que ajuda os usuários na realização de tarefas relacionadas com MIL, e também dois novos métodos de seleção de instâncias, chamados MILTree-SI e MILTree-Med, para melhorar os modelos MIL. MILTree é um layout de árvore de dois níveis, sendo que o primeiro projeta os bags, e o segundo nível projeta as instâncias pertencentes a cada bag, permitindo que o usuário explore e analise os dados multi-instância de uma forma intuitiva. Já os métodos de seleção de instãncias objetivam definir uma instância protótipo para cada bag, etapa crucial para a obtenção de uma alta precisão na classificação de dados multi-instância. Ambos os métodos utilizam o layout MILTree para atualizar visualmente as instâncias protótipo, e são capazes de lidar com conjuntos de dados binários e multi-classe. Para realizar a classificação dos bags, usamos um classificador SVM (Support Vector Machine). Além disso, com o apoio do layout MILTree também pode-se atualizar os modelos de classificação, alterando o conjunto de treinamento, a fim de obter uma melhor classificação. Os resultados experimentais validam a eficácia da nossa abordagem, mostrando que a mineração visual através da MILTree pode ajudar os usuários em cenários de classificação multi-instância. / Multiple-instance learning (MIL) is a paradigm of machine learning that aims at classifying a set (bags) of objects (instances), assigning labels only to the bags. In MIL, only the labels of bags are available for training while the labels of instances in bags are unknown. This problem is often addressed by selecting an instance to represent each bag, transforming a MIL problem into a standard supervised learning. However, there is no user support to assess this process. In this work, we propose a multi-scale tree-based visualization called MILTree that supports users in tasks related to MIL, and also two new instance selection methods called MILTree-SI and MILTree-Med to improve MIL models. MILTree is a two-level tree layout, where the first level projects bags, and the second level projects the instances belonging to each bag, allowing the user to understand the data multi-instance in an intuitive way. The developed selection methods define instance prototypes of each bag, which is important to achieve high accuracy in multi-instance classification. Both methods use the MILTree layout to visually update instance prototypes and can handle binary and multiple-class datasets. In order to classify the bags we use a SVM classifier. Moreover, with support of MILTree layout one can also update the classification model by changing the training set in order to obtain a better classifier. Experimental results validate the effectiveness of our approach, showing that visual mining by MILTree can help the users in MIL classification scenarios.

Aprendizado múltipla instância (MIL) é um paradigma de aprendizado de máquina que tem o objetivo de classificar um conjunto (bags) de objetos (instâncias), atribuindo rótulos só para os bags. Em MIL apenas os rótulos dos bags estão disponíveis para treinamento, enquanto os rótulos das instâncias são desconhecidos. Este problema é frequentemente abordado através da seleção de uma instância para representar cada bag, transformando um problema MIL em um problema de aprendizado supervisionado padrão. No entanto, não se conhecem abordagens que apoiem o usuário na realização desse processo. Neste trabalho, propomos uma visualização baseada em árvore multi-escala chamada MILTree que ajuda os usuários na realização de tarefas relacionadas com MIL, e também dois novos métodos de seleção de instâncias, chamados MILTree-SI e MILTree-Med, para melhorar os modelos MIL. MILTree é um layout de árvore de dois níveis, sendo que o primeiro projeta os bags, e o segundo nível projeta as instâncias pertencentes a cada bag, permitindo que o usuário explore e analise os dados multi-instância de uma forma intuitiva. Já os métodos de seleção de instãncias objetivam definir uma instância protótipo para cada bag, etapa crucial para a obtenção de uma alta precisão na classificação de dados multi-instância. Ambos os métodos utilizam o layout MILTree para atualizar visualmente as instâncias protótipo, e são capazes de lidar com conjuntos de dados binários e multi-classe. Para realizar a classificação dos bags, usamos um classificador SVM (Support Vector Machine). Além disso, com o apoio do layout MILTree também pode-se atualizar os modelos de classificação, alterando o conjunto de treinamento, a fim de obter uma melhor classificação. Os resultados experimentais validam a eficácia da nossa abordagem, mostrando que a mineração visual através da MILTree pode ajudar os usuários em cenários de classificação multi-instância. / Multiple-instance learning (MIL) is a paradigm of machine learning that aims at classifying a set (bags) of objects (instances), assigning labels only to the bags. In MIL, only the labels of bags are available for training while the labels of instances in bags are unknown. This problem is often addressed by selecting an instance to represent each bag, transforming a MIL problem into a standard supervised learning. However, there is no user support to assess this process. In this work, we propose a multi-scale tree-based visualization called MILTree that supports users in tasks related to MIL, and also two new instance selection methods called MILTree-SI and MILTree-Med to improve MIL models. MILTree is a two-level tree layout, where the first level projects bags, and the second level projects the instances belonging to each bag, allowing the user to understand the data multi-instance in an intuitive way. The developed selection methods define instance prototypes of each bag, which is important to achieve high accuracy in multi-instance classification. Both methods use the MILTree layout to visually update instance prototypes and can handle binary and multiple-class datasets. In order to classify the bags we use a SVM classifier. Moreover, with support of MILTree layout one can also update the classification model by changing the training set in order to obtain a better classifier. Experimental results validate the effectiveness of our approach, showing that visual mining by MILTree can help the users in MIL classification scenarios.

The taxonomical identification of freshwater green microalgae is highly relevant problem in Phycology. In particular, the taxonomical identification of samples from the Selenastraceae family of algae is considered particularly problematic with many known inconsistencies. Biologists manually inspect and analyze microscope images of alga strains, and typically carry out several complex and time-consuming procedures that demand considerable expert knowledge. Such practical limitations motivated this investigation on the applicability of image processing, pattern recognition and visual data mining techniques to support the biologists in tasks of species identification. This thesis describes methodologies for the classification of green alga images, considering both traditional automated classification processes and also a user-assisted incremental classification process supported by Neighbor Joining tree visualizations. In this process, users can interact with the visualizations to introduce their knowledge into the classification process, e.g. by selecting suitable training sets and evaluate the results, thus steering the classification process. In order for visualization and classification to be feasible, accurate features must be obtained from the images capable of distinguishing between the different species of algae. As morphological shape properties are a fundamental property in identifying species, suitable segmentation and shape feature extraction strategies have been developed. This was particularly challenging, as different alga species share common morphological characteristics. Two segmentation methodologies are introduced, in which one relies on the level set method and the other is based on the region growing principle. Although the contour-based approach is capable of handling the uneven conditions of green alga images, its computation is time-consuming and not suitable for real time applications. A specialized formulation of the region-based methodology is proposed that considers the specific characteristics of the green alga images handled. This second formulation was shown to be more efficient than the level set approach and generates highly accurate segmentations. Once accurate alga segmentation is achieved, two descriptors are proposed that capture alga shape properties, and also an effective general shape descriptor that computes quantitative measures from two signatures associated to the shape properties. Experimental results are described that indicate that the proposed solutions can be useful to biologists conducting alga identification tasks once it reduces their effort and attains satisfactory discrimination among species. / A identificação taxonômica de algas verdes de água doce é um problema de extrema relevância na Ficologia. Identificar espécies de algas da família Selenastraceae é uma tarefa complexa devido às inconsistências existentes em sua taxonomia, reconhecida como problemática. Os biólogos analisam manualmente imagens de microscópio de cepas de algas e realizam diversos procedimentos demorados que necessitamde conhecimento sólido. Tais limitaçõesmotivaramo estudo da aplicabilidade de técnicas de processamento de imagens, reconhecimento de padrões e mineração visual de dados para apoiar os biólogos em tarefas de identificação de espécies de algas. Esta tese descreve metodologias computacionais para a classificação de imagens de algas verdes, nas abordagens tradicional e baseada em classificação visual incremental com participação do usuário. Nesta última, os usuários interagem com visualizações baseadas em árvores filogenéticas para utilizar seu conhecimento no processo de classificação, como por exemplo, na seleção de instâncias relevantes para o conjunto de treinamento de um classificador, como também na avaliação dos resultados. De forma a viabilizar o uso de classificadores e técnicas de visualização, vetores de características devem ser obtidos das imagens de algas verdes. Neste trabalho, utiliza-se extração de características de forma, uma vez que a taxonomia da família Selenastraceae considera primordialmente as características morfológicas na identificação das espécies. No entanto, a obtenção de características representativas requer que as algas sejam precisamente segmentadas das imagens. Esta é, de fato, uma tarefa altamente desafiadora considerando a baixa qualidade das imagens e a maneira pelas quais as algas se organizam nas imagens. Duas metodologias de segmentação foram introduzidas: uma baseada no método Level Set e outra baseada no algoritmo de crescimento de regiões. A primeira se mostrou robusta e consegue identificar com alta precisão as algas nas imagens, mas seu tempo de execução é alto. A outra apresenta maior precisão e é mais rápida, uma vez que as técnicas de pré-processamento são especializadas para as imagens de algas verdes. Uma vez segmentadas as algas, dois descritores para caracterizar as imagens foram propostos: um baseado em características geométricas básicas e outro que utiliza medidas quantitativas calculadas a partir das assinaturas de forma. Resultados experimentais indicaram que as soluções propostas têm um bom potencial para serem utilizadas em tarefas de identificação taxonômica de algas verdes, uma vez que reduz o esforço nos procedimentos manuais e obtém-se classificações satisfatórias.

The taxonomical identification of freshwater green microalgae is highly relevant problem in Phycology. In particular, the taxonomical identification of samples from the Selenastraceae family of algae is considered particularly problematic with many known inconsistencies. Biologists manually inspect and analyze microscope images of alga strains, and typically carry out several complex and time-consuming procedures that demand considerable expert knowledge. Such practical limitations motivated this investigation on the applicability of image processing, pattern recognition and visual data mining techniques to support the biologists in tasks of species identification. This thesis describes methodologies for the classification of green alga images, considering both traditional automated classification processes and also a user-assisted incremental classification process supported by Neighbor Joining tree visualizations. In this process, users can interact with the visualizations to introduce their knowledge into the classification process, e.g. by selecting suitable training sets and evaluate the results, thus steering the classification process. In order for visualization and classification to be feasible, accurate features must be obtained from the images capable of distinguishing between the different species of algae. As morphological shape properties are a fundamental property in identifying species, suitable segmentation and shape feature extraction strategies have been developed. This was particularly challenging, as different alga species share common morphological characteristics. Two segmentation methodologies are introduced, in which one relies on the level set method and the other is based on the region growing principle. Although the contour-based approach is capable of handling the uneven conditions of green alga images, its computation is time-consuming and not suitable for real time applications. A specialized formulation of the region-based methodology is proposed that considers the specific characteristics of the green alga images handled. This second formulation was shown to be more efficient than the level set approach and generates highly accurate segmentations. Once accurate alga segmentation is achieved, two descriptors are proposed that capture alga shape properties, and also an effective general shape descriptor that computes quantitative measures from two signatures associated to the shape properties. Experimental results are described that indicate that the proposed solutions can be useful to biologists conducting alga identification tasks once it reduces their effort and attains satisfactory discrimination among species. / A identificação taxonômica de algas verdes de água doce é um problema de extrema relevância na Ficologia. Identificar espécies de algas da família Selenastraceae é uma tarefa complexa devido às inconsistências existentes em sua taxonomia, reconhecida como problemática. Os biólogos analisam manualmente imagens de microscópio de cepas de algas e realizam diversos procedimentos demorados que necessitamde conhecimento sólido. Tais limitaçõesmotivaramo estudo da aplicabilidade de técnicas de processamento de imagens, reconhecimento de padrões e mineração visual de dados para apoiar os biólogos em tarefas de identificação de espécies de algas. Esta tese descreve metodologias computacionais para a classificação de imagens de algas verdes, nas abordagens tradicional e baseada em classificação visual incremental com participação do usuário. Nesta última, os usuários interagem com visualizações baseadas em árvores filogenéticas para utilizar seu conhecimento no processo de classificação, como por exemplo, na seleção de instâncias relevantes para o conjunto de treinamento de um classificador, como também na avaliação dos resultados. De forma a viabilizar o uso de classificadores e técnicas de visualização, vetores de características devem ser obtidos das imagens de algas verdes. Neste trabalho, utiliza-se extração de características de forma, uma vez que a taxonomia da família Selenastraceae considera primordialmente as características morfológicas na identificação das espécies. No entanto, a obtenção de características representativas requer que as algas sejam precisamente segmentadas das imagens. Esta é, de fato, uma tarefa altamente desafiadora considerando a baixa qualidade das imagens e a maneira pelas quais as algas se organizam nas imagens. Duas metodologias de segmentação foram introduzidas: uma baseada no método Level Set e outra baseada no algoritmo de crescimento de regiões. A primeira se mostrou robusta e consegue identificar com alta precisão as algas nas imagens, mas seu tempo de execução é alto. A outra apresenta maior precisão e é mais rápida, uma vez que as técnicas de pré-processamento são especializadas para as imagens de algas verdes. Uma vez segmentadas as algas, dois descritores para caracterizar as imagens foram propostos: um baseado em características geométricas básicas e outro que utiliza medidas quantitativas calculadas a partir das assinaturas de forma. Resultados experimentais indicaram que as soluções propostas têm um bom potencial para serem utilizadas em tarefas de identificação taxonômica de algas verdes, uma vez que reduz o esforço nos procedimentos manuais e obtém-se classificações satisfatórias.