O reconhecimento de padrões de textura em imagens tem sido uma importante ferramenta na área de visão computacional. Isso porque o atributo textura pode revelar características intrínsecas, tornando possível a classificação de um conjunto de imagens semelhantes. Embora a textura seja estudada há mais de meio século, ainda não existe um consenso sobre sua definição e nem mesmo um método de extração de características de textura que seja eficiente para todos os tipos de imagens. Além disso, os métodos da literatura analisam os padrões de textura de maneira global, considerando que uma imagem apresente um conjunto de micropadrões que formam um único padrão global ou homogêneo de textura na imagem. No entanto, alguns tipos de imagens apresentam heterogeneidade em sua composição, ou seja, o conjunto de micropadrões na imagem é responsável por formar mais de um padrão de textura dentro da mesma imagem. Esse tipo de imagens levou ao propósito de investigação deste trabalho. Independentemente do método de extração de característica utilizado, considerar a heterogeneidade do padrão de textura em uma imagem leva a uma melhor representação de suas características. Para melhorar a análise de padrões heterogêneos de textura, três abordagens são propostas: (i) lazy-patch, (ii) combinação de modelos e (iii) modelagem da textura por meio de autômatos celulares inspirados em corrosão alveolar. Os resultados ao aplicar essas abordagens em diferentes conjuntos de imagens de biologia e nanotecnologia, mostraram que a análise de padrões heterogêneos resulta em melhor representatividade de imagens que possuem padrões heterogêneos de textura em sua composição. / Pattern recognition of texture in images has been playing an important role in computer vision area. This is because the texture attribute can reveal intrinsic characteristics, making it possible to classify a set of similar images. Although the texture is studied for over half a century, there is still no consensus on its definition or even a method to extrac texture characteristics that is effective for all types of images. Moreover, literature methods globally analyze the texture patterns, whereas a picture displays a number of micropatterns which form a single homogenous global pattern of texture in the image. However, some types of image display heterogeneity in their composition, that is, the set of micropatterns in the image use to form more than one texture pattern within the same image. Such type of image led to the purpose of this research work. Regardless the feature extraction method used, considering the heterogeneity of the texture pattern in an image leads to better representation of its features. To further improve the analysis of heterogeneous texture patterns, three approaches are proposed: (i) lazy-patch, (ii) combination of models and (iii) texture modeling using cellular automata inspired by pitting corrosion. The results of applying these approaches in different sets of biology and nanotechnology images showed that the analysis of heterogeneous patterns results in better representation of images that have heterogeneous patterns of texture in your composition.

O reconhecimento de padrões de textura em imagens tem sido uma importante ferramenta na área de visão computacional. Isso porque o atributo textura pode revelar características intrínsecas, tornando possível a classificação de um conjunto de imagens semelhantes. Embora a textura seja estudada há mais de meio século, ainda não existe um consenso sobre sua definição e nem mesmo um método de extração de características de textura que seja eficiente para todos os tipos de imagens. Além disso, os métodos da literatura analisam os padrões de textura de maneira global, considerando que uma imagem apresente um conjunto de micropadrões que formam um único padrão global ou homogêneo de textura na imagem. No entanto, alguns tipos de imagens apresentam heterogeneidade em sua composição, ou seja, o conjunto de micropadrões na imagem é responsável por formar mais de um padrão de textura dentro da mesma imagem. Esse tipo de imagens levou ao propósito de investigação deste trabalho. Independentemente do método de extração de característica utilizado, considerar a heterogeneidade do padrão de textura em uma imagem leva a uma melhor representação de suas características. Para melhorar a análise de padrões heterogêneos de textura, três abordagens são propostas: (i) lazy-patch, (ii) combinação de modelos e (iii) modelagem da textura por meio de autômatos celulares inspirados em corrosão alveolar. Os resultados ao aplicar essas abordagens em diferentes conjuntos de imagens de biologia e nanotecnologia, mostraram que a análise de padrões heterogêneos resulta em melhor representatividade de imagens que possuem padrões heterogêneos de textura em sua composição. / Pattern recognition of texture in images has been playing an important role in computer vision area. This is because the texture attribute can reveal intrinsic characteristics, making it possible to classify a set of similar images. Although the texture is studied for over half a century, there is still no consensus on its definition or even a method to extrac texture characteristics that is effective for all types of images. Moreover, literature methods globally analyze the texture patterns, whereas a picture displays a number of micropatterns which form a single homogenous global pattern of texture in the image. However, some types of image display heterogeneity in their composition, that is, the set of micropatterns in the image use to form more than one texture pattern within the same image. Such type of image led to the purpose of this research work. Regardless the feature extraction method used, considering the heterogeneity of the texture pattern in an image leads to better representation of its features. To further improve the analysis of heterogeneous texture patterns, three approaches are proposed: (i) lazy-patch, (ii) combination of models and (iii) texture modeling using cellular automata inspired by pitting corrosion. The results of applying these approaches in different sets of biology and nanotechnology images showed that the analysis of heterogeneous patterns results in better representation of images that have heterogeneous patterns of texture in your composition.