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.

Image segmentation is an essential tool to enhance the ability of computer systems to efficiently perform elementary cognitive tasks such as detection, recognition and tracking. In this thesis we concentrate on the investigation of two fundamental topics in the context of image segmentation: spectral clustering and seeded image segmentation. We introduce two new algorithms for those topics that, in summary, rely on Laplacian-based operators, spectral graph theory, and minimization of energy functionals. The effectiveness of both segmentation algorithms is verified by visually evaluating the resulting partitions against state-of-the-art methods as well as through a variety of quantitative measures typically employed as benchmark by the image segmentation community. Our spectral-based segmentation algorithm combines image decomposition, similarity metrics, and spectral graph theory into a concise and powerful framework. An image decomposition is performed to split the input image into texture and cartoon components. Then, an affinity graph is generated and weights are assigned to the edges of the graph according to a gradient-based inner-product function. From the eigenstructure of the affinity graph, the image is partitioned through the spectral cut of the underlying graph. Moreover, the image partitioning can be improved by changing the graph weights by sketching interactively. Visual and numerical evaluation were conducted against representative spectral-based segmentation techniques using boundary and partition quality measures in the well-known BSDS dataset. Unlike most existing seed-based methods that rely on complex mathematical formulations that typically do not guarantee unique solution for the segmentation problem while still being prone to be trapped in local minima, our segmentation approach is mathematically simple to formulate, easy-to-implement, and it guarantees to produce a unique solution. Moreover, the formulation holds an anisotropic behavior, that is, pixels sharing similar attributes are preserved closer to each other while big discontinuities are naturally imposed on the boundary between image regions, thus ensuring better fitting on object boundaries. We show that the proposed approach significantly outperforms competing techniques both quantitatively as well as qualitatively, using the classical GrabCut dataset from Microsoft as a benchmark. While most of this research concentrates on the particular problem of segmenting an image, we also develop two new techniques to address the problem of image inpainting and photo colorization. Both methods couple the developed segmentation tools with other computer vision approaches in order to operate properly. / Segmentar uma image é visto nos dias de hoje como uma prerrogativa para melhorar a capacidade de sistemas de computador para realizar tarefas complexas de natureza cognitiva tais como detecção de objetos, reconhecimento de padrões e monitoramento de alvos. Esta pesquisa de doutorado visa estudar dois temas de fundamental importância no contexto de segmentação de imagens: clusterização espectral e segmentação interativa de imagens. Foram propostos dois novos algoritmos de segmentação dentro das linhas supracitadas, os quais se baseiam em operadores do Laplaciano, teoria espectral de grafos e na minimização de funcionais de energia. A eficácia de ambos os algoritmos pode ser constatada através de avaliações visuais das segmentações originadas, como também através de medidas quantitativas computadas com base nos resultados obtidos por técnicas do estado-da-arte em segmentação de imagens. Nosso primeiro algoritmo de segmentação, o qual ´e baseado na teoria espectral de grafos, combina técnicas de decomposição de imagens e medidas de similaridade em grafos em uma única e robusta ferramenta computacional. Primeiramente, um método de decomposição de imagens é aplicado para dividir a imagem alvo em duas componentes: textura e cartoon. Em seguida, um grafo de afinidade é gerado e pesos são atribuídos às suas arestas de acordo com uma função escalar proveniente de um operador de produto interno. Com base no grafo de afinidade, a imagem é então subdividida por meio do processo de corte espectral. Além disso, o resultado da segmentação pode ser refinado de forma interativa, mudando-se, desta forma, os pesos do grafo base. Experimentos visuais e numéricos foram conduzidos tomando-se por base métodos representativos do estado-da-arte e a clássica base de dados BSDS a fim de averiguar a eficiência da metodologia proposta. Ao contrário de grande parte dos métodos existentes de segmentação interativa, os quais são modelados por formulações matemáticas complexas que normalmente não garantem solução única para o problema de segmentação, nossa segunda metodologia aqui proposta é matematicamente simples de ser interpretada, fácil de implementar e ainda garante unicidade de solução. Além disso, o método proposto possui um comportamento anisotrópico, ou seja, pixels semelhantes são preservados mais próximos uns dos outros enquanto descontinuidades bruscas são impostas entre regiões da imagem onde as bordas são mais salientes. Como no caso anterior, foram realizadas diversas avaliações qualitativas e quantitativas envolvendo nossa técnica e métodos do estado-da-arte, tomando-se como referência a base de dados GrabCut da Microsoft. Enquanto a maior parte desta pesquisa de doutorado concentra-se no problema específico de segmentar imagens, como conteúdo complementar de pesquisa foram propostas duas novas técnicas para tratar o problema de retoque digital e colorização de imagens.

Made available in DSpace on 2014-06-12T16:00:25Z (GMT). No. of bitstreams: 2 arquivo6557_1.pdf: 4867823 bytes, checksum: 64578a5cde42f460f0745045ec1bb555 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Neste trabalho apresentamos um novo modelo neural para segmentação de imagens, baseado nos Mapas Auto-organizáveis SOM (Mapa Auto-organizável - Self-organizing Map) e GWR (Crescer Quando Requerido - Grow When Required) chamado de LARFSOM (Mapa Auto-organizável com Campo Receptivo Adaptativo Local - Local Adaptive Receptive Field Self-organizing Map). As características principais do modelo são: número adaptativo de nodos, topologia variável, inserção de novos nodos baseada em uma medida de similaridade dos protótipos existentes em relação ao padrão de entrada aferida por meio de campo receptivo, remoção de nodos com informações não significativas ao final do treinamento, rápida convergência e baixo custo de processamento para o treinamento. A rede LARFSOM é capaz de segmentar imagens por cor ou por borda: a primeira, é feita através do agrupamento de informações ocorrido no treinamento da rede LAFRSOM seguido de um processo de quantização de cores; já a segunda, ocorre pelo acréscimo de dois nodos RBF (Função de Base Radial - Radial Basis Function) à rede LARFSOM, criando um modelo de dois estágios chamado LARFSOM-RBF. Adicionalmente, o modelo é capaz de salvar em um formato variante do BMP indexado tanto a rede treinada como as informações espaciais dos pixels da imagem. Acrescido de compactação tipo ZIP o arquivo a ser salvo torna-se bem reduzido. Comparações com outros modelos neurais como o SOM, FS-SOM (Mapa Auto-organizável Sensível à Freqüência - Frequency Sensitive Self-organizing Map) e GNG (Gás Neural Crescente - Growing Neural Gas) são feitas mediante segmentação de imagens do mundo real com diferentes níveis de complexidade. Técnicas de processamento de imagens e o formato JPEG são usados para fins de comparação. Os resultados mostram que a rede LARFSOM atinge maior variação de cores da paleta e melhor distribuição espacial 3D RGB das cores selecionadas que os demais modelos. A qualidade das imagens geradas também figura entre os melhores resultados obtidos

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-04-24T14:27:21Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE__DIOGO_CAVALCANTI_COSTA.pdf: 8696014 bytes, checksum: 6ecb7de16968f61db789940caeae149e (MD5) / Made available in DSpace on 2017-04-24T14:27:21Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE__DIOGO_CAVALCANTI_COSTA.pdf: 8696014 bytes, checksum: 6ecb7de16968f61db789940caeae149e (MD5) Previous issue date: 2015-03-02 / CNPQ / Desde os anos 1960, foram criadas inúmeras técnicas para segmentação de imagens, contudo poucas se aproximam do nível de desempenho humano, sendo essas computacionalmente custosas e inadequadas para aplicação em tempo real. Portanto, nesta tese é apresentada uma técnica de segmentação de baixo custo computacional, baseada em descontinuidades e em multirresolução, voltada à detecção de contornos de objetos em imagens naturais – fotografias do mundo real. A estrutura da técnica proposta é dividida em cinco etapas. Na primeira, atributos de cor e foco são realçados na imagem de entrada. O mapeamento de cor realça as diferenças de cor entre os canais RGB e propicia a detecção de bordas entre os canais de cor por operadores de gradiente. Dois modelos de cor de diferença cromática, RhGhBh e LgC, são propostos para esse fim. Também é proposta a transformada de decomposição de cor que segmenta a escala de cor RGB em canais independentes, isolando as cores aditivas e subtrativas, e os tons de cinza. Assim, é possível mensurar a variação local de cada cor para criar um mapeamento das regiões em foco. Na segunda etapa, uma filtragem morfológica para supressão de texturas suaviza as mudanças abruptas de cor no interior das mesmas, possibilitando a identificação de seus contornos e diminuindo a falsa identificação de bordas internas. Na terceira etapa, oito máscaras orientadas, batizadas de máscaras de detecção de contornos, são usadas para calcular o gradiente local, realçando os contornos dos objetos em detrimento de suas bordas internas. Na quarta etapa, um afinamento em tons de cinza é realizado por meio de um empilhamento topológico das bordas erodidas e suavizadas, no qual os pixels de bordas maximamente centralizados são isolados e afinados morfologicamente. Por fim, na quinta etapa, a intensidade das bordas é corrigida função do gradiente local e da densidade local das bordas, realçando os contornos dos objetos. Comparações com técnicas de segmentação recentes e clássicas são conduzidas com auxílio do Berkeley Segmentation Dataset and Benchmark. Os resultados obtidos posicionam a técnica proposta em quinto lugar no Benchmark, com tempo de processamento inferior a 0,5% do tempo das técnicas melhor classificadas, sendo adequada para uso em tempo real. / Since the 1960’s, numerous image segmentation techniques were developed, however only a few approach human level segmentation, being computationally costly and inadequate to real time applications. Therefore, this Thesis presents a low computational cost multi-resolution and edge-based image segmentation technique for objects’ contour detection in natural images – real world scenes photographs. The proposed technique’s framework is divided into five steps. First, color and focus features are mapped from the input image. The color mapping enhances the color differences between RGB channels, allowing the inter-channel colors edge detection by gradient operators. Two chromatic difference color models are proposed, RhGhBh and LgC. The color decomposition transform is also proposed, which is able to segment the RGB color scale in independent channels, isolating the additive and subtractive colors, and the shades of gray. The transform allows the measurement of the local variation within each color, thus, producing the image´s focus map. In the second step, a morphological texture suppression filtering smoothes abrupt color changes inside textures, allowing textures’ outer edges detection and decreasing the false identification of texture inner edges as objects’ contours. In the third step, eight oriented masks, called contour detection masks, are used to calculate the local gradient, enhancing the objects’ contours over their inner edges. In the fourth step, a grayscale thinning is performed through a topological stacking of eroded and smoothed edges, where the maximally centered edge pixels are isolated and morphologically thinned. Finally, in the fifth step, the edges’ intensities are corrected to reflect the local gradient and the local edges’ density, allowing better identification of objects’ contours. Comparisons with recent and classic segmentation techniques are conducted by the Berkeley Segmentation Dataset and Benchmark. The results rank the proposed segmentation in fith position in the Benchmark, with a processing time below 0.5% of the better ranked techniques, being suitable for real-time applications.

Submitted by Rafael Santana (rafael.silvasantana@ufpe.br) on 2017-08-30T18:18:41Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Dissertacao Caio Fernandes Araujo Versão Biblioteca.pdf: 4719896 bytes, checksum: 223db1c4382e6f970dc2cd659978ab60 (MD5) / Made available in DSpace on 2017-08-30T18:18:42Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Dissertacao Caio Fernandes Araujo Versão Biblioteca.pdf: 4719896 bytes, checksum: 223db1c4382e6f970dc2cd659978ab60 (MD5) Previous issue date: 2016-08-12 / CAPES / Segmentar imagens de maneira automática é um grande desafio. Apesar do ser humano conseguir fazer essa distinção, em muitos casos, para um computador essa divisão pode não ser tão trivial. Vários aspectos têm de ser levados em consideração, que podem incluir cor, posição, vizinhanças, textura, entre outros. Esse desafio aumenta quando se passa a utilizar imagens médicas, como as ressonâncias magnéticas, pois essas, além de possuírem diferentes formatos dos órgãos em diferentes pessoas, possuem áreas em que a variação da intensidade dos pixels se mostra bastante sutil entre os vizinhos, o que dificulta a segmentação automática. Além disso, a variação citada não permite que haja um formato pré-definido em vários casos, pois as diferenças internas nos corpos dos pacientes, especialmente os que possuem alguma patologia, podem ser grandes demais para que se haja uma generalização. Mas justamente por esse possuírem esses problemas, são os principais focos dos profissionais que analisam as imagens médicas. Este trabalho visa, portanto, contribuir para a melhoria da segmentação dessas imagens médicas. Para isso, utiliza a ideia do Bagging de gerar diferentes imagens 2D para segmentar a partir de uma única imagem 3D, e conceitos de combinação de classificadores para uni-las, para assim conseguir resultados estatisticamente melhores, se comparados aos métodos populares de segmentação. Para se verificar a eficácia do método proposto, a segmentação das imagens foi feita utilizando quatro técnicas de segmentação diferentes, e seus resultados combinados. As técnicas escolhidas foram: binarização pelo método de Otsu, o K-Means, rede neural SOM e o modelo estatístico GMM. As imagens utilizadas nos experimentos foram imagens reais, de ressonâncias magnéticas do cérebro, e o intuito do trabalho foi segmentar a matéria cinza do cérebro. As imagens foram todas em 3D, e as segmentações foram feitas em fatias 2D da imagem original, que antes passa por uma fase de pré-processamento, onde há a extração do cérebro do crânio. Os resultados obtidos mostram que o método proposto se mostrou bem sucedido, uma vez que, em todas as técnicas utilizadas, houve uma melhoria na taxa de acerto da segmentação, comprovada através do teste estatístico T-Teste. Assim, o trabalho mostra que utilizar os princípios de combinação de classificadores em segmentações de imagens médicas pode apresentar resultados melhores. / Automatic image segmentation is still a great challenge today. Despite the human being able to make this distinction, in most of the cases easily and quickly, to a computer this task may not be that trivial. Several characteristics have to be taken into account by the computer, which may include color, position, neighborhoods, texture, among others. This challenge increases greatly when it comes to using medical images, like the MRI, as these besides producing images of organs with different formats in different people, have regions where the intensity variation of pixels is subtle between neighboring pixels, which complicates even more the automatic segmentation. Furthermore, the above mentioned variation does not allow a pre-defined format in various cases, because the internal differences between patients bodies, especially those with a pathology, may be too large to make a generalization. But specially for having this kind of problem, those people are the main targets of the professionals that analyze medical images. This work, therefore, tries to contribute to the segmentation of medical images. For this, it uses the idea of Bagging to generate different 2D images from a single 3D image, and combination of classifiers to unite them, to achieve statistically significant better results, if compared to popular segmentation methods. To verify the effectiveness of the proposed method, the segmentation of the images is performed using four different segmentation techniques, and their combined results. The chosen techniques are the binarization by the Otsu method, K-Means, the neural network SOM and the statistical model GMM. The images used in the experiments were real MRI of the brain, and the dissertation objective is to segment the gray matter (GM) of the brain. The images are all in 3D, and the segmentations are made using 2D slices of the original image that pass through a preprocessing stage before, where the brain is extracted from the skull. The results show that the proposed method is successful, since, in all the applied techniques, there is an improvement in the accuracy rate, proved by the statistical test T-Test. Thus, the work shows that using the principles of combination of classifiers in medical image segmentation can obtain better results.

A manutenção dos ecossistemas florestais da Amazônia é, sem dúvida, de suma importância para preservação da biodiversidade do planeta. Utilizar e avaliar dados de última geração que forneçam informações sobre estes ecossistemas torna-se então fundamental para o gerenciamento dos mesmos. Projeto pioneiro realizado na década de 1970, o RADAM teve como objetivo levantar, a partir de imagens de RADAR obtidas na banda X, informações sobre os recursos naturais da Amazônia. O avanço dos sistemas sensores baseados nas tecnologias de RADAR (Radio Detection and Ranging), com a introdução de plataformas capazes de imagear a superfície em comprimentos de onda maiores e em mais de uma polarização, trouxe uma nova perspectiva no campo de estudo destes recursos. Este trabalho emergiu a partir da constatação da necessidade, e possibilidade, de se obter informações mais precisas e atualizadas sobre o ambiente amazônico, levando em conta, inclusive, a velocidade das transformações que recaem sobre essa região. O objetivo primário do estudo foi analisar o potencial das imagens produzidas pelos radares de abertura sintética (SAR) nas bandas L e nas polarizações HH, HV e VV, na avaliação de tipologias vegetais da porção leste da Ilha de Marajó. Entendemos que essa pequena parcela do ambiente amazônico nos cede uma chave de padrões de classificação que podem ser replicados em outras regiões da Amazônia Legal, ou mesmo, em novos projetos de mapeamento similares ao RADAM. Os resultados obtidos por meio de análises das imagens de radar e através do estudo de diversas propostas de classificação fitogeográfica, evidenciaram um alto potencial de utilização destes recursos, bem como a possibilidade de avançarmos na escala de análise, produzindo mapeamentos de maior detalhe e mais abrangentes do ponto de vista das classes vegetais. A tecnologia para incrementar o mapeamento da região amazônica, de forma mais criteriosa e precisa, já existe há algum tempo e está disponível às instituições nacionais. Dar esse salto, importantíssimo para o conhecimento, preservação e monitoramento daquele que é considerado hoje o bioma mais importante do mundo, só depende de uma mudança nos critérios e de uma atualização das ferramentas usadas até o momento. / The maintenance of forest ecosystems in the Amazon is undoubtedly of great importance to the preservation of the planets biodiversity. The utilization and analysis of last generation data about these ecosystems become fundamental for their management. A pioneer project in the 1970 decade, the RADAM project had the objective of gathering information about Amazon natural resources from RADAR images obtained in the band X. The progress in sensor systems based on RADAR (Radio Detection and Ranging) technologies, with the introduction of platforms capable of imaging the surface in bigger wavelengths and in more than one polarization, brought a new perspective in the study area of these resources. This work emerged from the constatation of the need and possibility of obtaining more precise and updated information about the Amazon environment, inclusive considering the speed of the transformations that occur in this region. The primary objective of the study was to analyze the potential of the produced images by Synthetic Aperture Radars (SAR) in bands L and in polarizations HH, HV and VV, for the evaluation of vegetal typology of the east portion of Marajo Island. We understand that this little portion of the Amazon environment gives us a key of classification patterns that can be reapplied in other regions of Legal Amazon, or even in new mapping projects similar to RADAM. The results obtained from radar images analysis and through the study of several propositions for phytogeographic classification evidenced a high potential for the utilization of these resources, as well as the possibility of making progresses in the analysis scale, producing more detailed and comprehensive mappings from the point of view of vegetal classes. The technology to improve the mapping of Amazon region in a more criterious and precise manner has already existed for some time now and is available for national institutions. Making this leap, greatly important to knowledge, preservation and monitoring of what is considered the most important biome in the world only depends on a change in criteria and an updating of the tools that have been used up to this moment.

Made available in DSpace on 2016-03-15T19:37:50Z (GMT). No. of bitstreams: 1 Antonio Henrique Mexas.pdf: 5418066 bytes, checksum: b25603c3c927a22f01b86d5fe74feee4 (MD5) Previous issue date: 2014-08-05 / Universidade Presbiteriana Mackenzie / The detection of objects in an image is important for decision making in a remote sensing system. The interest areas in this kind of work are buildings, streets, bridges, airports, ports and parking. The latter will be addressed in this work. The detection of these objects using manual techniques can be laborious and result in detection errors. This paper examines algorithms to the identification and recognition of parking areas paved and marked. To define the processing the best parameters are analised, with the purpose to obtain more accurate results. This work proposes an algorithm composed of recognition of parking areas that uses important variables such as vehicle size, size of parking spaces, image resolution and camera zoom. The experimental results obtained with the proposed method have a higher hit rate than other academic approaches. / A detecção de objetos em uma imagem é uma funcional idade indispensável para a tomada de decisão em um sistema de sensoriamento remoto. As áreas de interesse para detecção nesse tipo de trabalho são edifícios, ruas, pontes, aeroportos, portos e estacionamento. Este último se rá abordado neste trabalho. Utilizar técnicas manuais para detectar tais objetos pode se tornar trabalhoso e ocasionar erros de detecção. O presente trabalho analisa algoritmos referentes à identificação e reconhecimento de áreas pavimentadas e sinalizadas de estacionamento. São investigados os melhores parâmetros para se realizar o processamento, com propósito de atingir maior precisão nos resultados. Propõe-se um algoritmo composto de reconhecimento de áreas de estacionamento, que considera variáveis importantes tais como, tamanho dos veículos, tamanho das vagas de estacionamento, resolução da imagem e zoom da câmera. Os resultados experimentais obtidos com o método proposto apresentam uma maior taxa de acerto do que outras abordagens acadêmicas

Este trabalho apresenta uma proposta de metodologia de estimação de idade óssea baseada em características métricas, utilizando o banco de imagens carpais da Escola de Engenharia de São Carlos (EESC). As imagens foram devidamente segmentadas para obtenção da área, perímetro e comprimento de cada osso, gerando, assim, um banco de dados métricos o CarpEven. As informações da base métrica CarpEven foram submetidas a dois mineradores de dados: ao StARMiner, (Statistical Association Rules) uma metodologia de mineração de dados criada por um grupo de pesquisadores do ICMC-USP, e ao Weka (Waikato Environment for Knowledge Analysis), desenvolvido pela Universidade Waikato da Nova Zelândia. As informações foram submetidas a classificadores neurais, contribuindo, assim, para a criação de uma nova metodologia de estimação de idade óssea. Finalmente, é feita uma comparação entre os resultados obtidos e os resultados já alcançados por outras pesquisas. / This work presents a methodology for bone age estimation based on metric characteristics using the carpal images database from Engineering School of São Carlos (EESC-USP). The images were properly segmented to obtain the area, perimeter and length of each bone, thus generating a metric database named CarpEven. The database information were submitted to two data miners: the StarMiner (Statistical Association Rules Miner) a methodology for data mining created by a group of researchers from ICMC-USP, and the Weka (Waikato Environment for Knowledge Analysis), developed by the University of Waikato in New Zealand. The information was submitted to the neural classifiers contributing to the creation of a new methodology for bone age estimation. The results are compared with those obtained by others research.

Estruturas do tipo linha/curva (line-like, curve-like), alongadas e ramificadas são comumente encontradas nos ecossistemas que conhecemos. Na biomedicina e na biociências, por exemplo, diversas aplicações podem ser observadas. Justamente por este motivo, extrair este tipo de estrutura em imagens é um constante desafio em problemas de análise de imagens. Porém, diversas dificuldades estão envolvidas neste processo. Normalmente as características espectrais e espaciais destas estruturas podem ser muito complexas e variáveis. Especificamente as mais \"finas\" são muito frágeis a qualquer tipo de processamento realizado na imagem e torna-se muito fácil a perda de informações importantes. Outro problema bastante comum é a ausência de parte das estruturas, seja por motivo de pouca resolução, ou por problemas de aquisição, ou por casos de oclusão. Este trabalho tem por objetivo explorar, descrever e desenvolver técnicas de detecção/segmentação de estruturas finas e ramificadas. Diferentes métodos são utilizados de forma combinada, buscando uma melhor representação topológica e perceptual das estruturas e, assim, melhores resultados. Grafos são usados para a representação das estruturas. Esta estrutura de dados vem sendo utilizada com sucesso na literatura na resolução de diversos problemas em processamento e análise de imagens. Devido à fragilidade do tipo de estrutura explorado, além das técnicas de processamento de imagens, princípios de visão computacional são usados. Busca-se, desta forma, obter um melhor \"entendimento perceptual\" destas estruturas na imagem. Esta informação perceptual e informações contextuais das estruturas são utilizadas em um modelo de campos aleatórios de Markov, buscando o resultado final da detecção através de um processo de otimização. Finalmente, também propomos o uso combinado de diferentes modalidades de imagens simultaneamente. Um software é resultado da implementação do arcabouço desenvolvido e o mesmo é utilizado em duas aplicações para avaliar a abordagem proposta: extração de estradas em imagens de satélite e extração de raízes em imagens de perfis de solo. Resultados do uso da abordagem proposta na extração de estradas em imagens de satélite mostram um melhor desempenho em comparação com método existente na literatura. Além disso, a técnica de fusão proposta apresenta melhora significativa de acordo com os resultados apresentados. Resultados inéditos e promissores são apresentados na extração de raízes de plantas. / Line- curve-like, elongated and ramified structures are commonly found inside many known ecosystems. In biomedicine and biosciences, for instance, different applications can be observed. Therefore, the process to extract this kind of structure is a constant challenge in image analysus problems. However, various difficulties are involved in this process. Their spectral and spatial characteristics are usually very complex and variable. Considering specifically the thinner ones, they are very \"fragile\" to any kind of process applied to the image, and then, it becomes easy the loss of crucial data. Another very common problem is the absence of part of the structures, either because of low image resolution and image acquisition problems or because of occlusion problems. This work aims to explore, describe and develop techniques for detection/segmentation of thin and ramified structures. Different methods are used in a combined way, aiming to reach a better topological and perceptual representation of the structures and, therefore, better results. Graphs are used to represent the structures. This data structure has been successfully used in the literature for the development of solutions for many image processing and analysis problems. Because of the fragility of the kind of structures we are dealing with, some computer vision principles are used besides usual image processing techniques. In doing so, we search for a better \"perceptual understanding\" of these structures in the image. This perceptual information along with contextual information about the structures are used in a Markov random field, searching for a final detection through an optimization process. Lastly, we propose the combined use of different image modalities simultaneously. A software is produced from the implementation of the developed framework and it is used in two application in order to evaluate the proposed approach: extraction of road networks from satellite images and extraction of plant roots from soil profile images. Results using the proposed approach for the extraction of road networks show a better performance if compared with an existent method from the literature. Besides that, the proposed fusion technique presents a meaningful improvement according to the presented results. Original and promising results are presented for the extraction of plant roots from soil profile images.

Orientador: Marco Antonio Garcia de Carvalho / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia / Made available in DSpace on 2018-08-22T22:09:46Z (GMT). No. of bitstreams: 1 Costa_AndreLuisda_M.pdf: 6614237 bytes, checksum: b36b41dce03cbb78f037ec20725bddd2 (MD5) Previous issue date: 2013 / Resumo: O problema de segmentação de colônias de bactérias em placas de Petri possui algumas características bem distintas daquelas encontradas, por exemplo, em problemas de segmentação de imagens naturais. A principal característica é o alto número de colônias que podem ser encontradas em uma placa. Desta forma, é primordial que o algoritmo de segmentação seja capaz de realizar a segmentação da imagem em um grande número de regiões. Este cenário extremo é ideal para analisar limitações dos algoritmos de segmentação. De fato, neste trabalho foi verificado que o algoritmo de corte normalizado original, que se fundamenta na teoria espectral de grafos, é inadequado para aplicações que exigem que a segmentação seja realizada em um grande número de regiões. Contudo, a utilização do critério de corte normalizado para segmentar imagens de colônias de bactérias ainda é possível graças a um novo algoritmo que está sendo introduzido neste trabalho. O novo algoritmo fundamenta-se no agrupamento hierárquico dos nós do grafo, ao invés de utilizar conceito da teoria espectral. Experimentos mostram também que o biparticionamento de um grafo pelo novo algoritmo apresenta um valor de corte normalizado médio cerca de 40 vezes menor que o biparticionamento pelo algoritmo baseado na teoria espectral / Abstract: The problem of bacteria colonies segmentation in Petri dishes has some very different characteristics from those found, for example, in segmenting natural images. The main feature is the high number of colonies that can be found on a plate. Thus, it is essential that the segmentation algorithm is capable of performing the image segmentation into a huge number of regions. This extreme scenario is ideal for analyzing segmentation algorithms limitations. In fact, this study showed that the original normalized cut algorithm, which is based on the spectral graph theory, is inappropriate for applications that require that the segmentation be performed on a large number of regions. However, the use of normalized cut criteria for segmenting bacteria colonies images is still possible thanks to a new algorithm that is being introduced in this paper. The new algorithm is based on hierarchical clustering of the graph nodes, instead of using the spectral theory concepts. Experiments also show that the bi-partitioning of a graph by the new algorithm has a normalized cut average value about 40 times lesser than the bi-partitioning by the algorithm based on the spectral theory / Mestrado / Tecnologia e Inovação / Mestre em Tecnologia