Com a tendência do desenvolvimento de radares de abertura sintética (SAR) com capacidade polarimétrica, faz-se necessária a geração de algoritmos de processamento de imagens específicos e adequados para aproveitar todo o potencial do sensor. As técnicas de processamento de imagens SAR polarimétricas, baseadas em cálculos estatísticos e modelos eletromagnéticos, são relativamente recentes e muito promissoras, não só pelo estabelecimento dos chamados parâmetros polarimétricos, tais como: entropia, anisotropia e ângulos alfa e beta, como também pela possibilidade do cálculo da resposta polarimétrica de alvos presentes nas imagens. O trabalho realizado estudou os princípios da polarimétrica SAR que envolvem a matriz de espalhamento, o vetor espalhamento e a sua matriz coerência, o cálculo dos parâmetros polarimétricos, a representação de uma onda elipticamente polarizada pelo vetor de Stokes e o cálculo da resposta polarimétrica principal e cruzada de um alvo. Analisa-se, comparativamente, o desempenho da resposta polarimétrica e de uma variação da matriz de Müller na classificação de alvos em uma imagem SAR. Para o teste do desempenho da resposta polarimétrica na classificação de imagens, utilizou-se uma imagem SAR polarimétrica do sensor aerotransportado ESAR, na banda L, do Instituto de Microondas e Radar, do Centro Alemão de Pesquisa Aeroespacial (DLR).

Este trabalho aborda as técnicas de classificação supervisionada de imagens utilizando controladores de influência. Avaliou-se o desempenho do uso dos controladores de influência das imagens e também das classes presentes nas imagens. Para a determinação dos valores dos controladores de influência, foram propostos métodos para a estimativa dos controladores de influência das imagens e das suas classes. Dentre os métodos propostos, destacam-se os indicadores de separabilidade entre as classes da imagem e os provenientes do cálculo do coeficiente kappa e da Precisão Global da classificação. Apresentou-se, também, a proposta de um novo classificador que incorpora o conceito de controladores de influência através das probabilidades de ocorrência condicionais das classes presentes nas imagens. Para os testes de avaliação de desempenho do uso de controladores de influência, foram utilizados seis conjuntos de duas imagens SAR (originais e filtradas com filtros da média com janelas 3×3, 5×5 7×7, 9×9 e 11×11). O desempenho dos classificadores propostos mostrou-se superior aos Classificadores em Cascata, da Distância Euclidiana e da Distância de Mahalanobis, que não incorporam o conceito de controladores de influência em sua estrutura. Para os testes de desempenho do classificador baseado nas probabilidades de ocorrência condicional das classes, foram utilizados quatro conjuntos de imagens SAR simuladas. A análise dos resultados evidencia que o classificador proposto obteve desempenho superior ao Classificador em Cascata.

Dissertação (mestrado)—Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2018. / A esquizofrenia é uma transtorno psíquico grave que afeta cerca de 1% da população mundial, e seu diagnóstico é realizado por um médico especializado baseando-se no Manual do Diagnóstico e Estatístico de Transtornos Mentais DSM-5. Contudo, este tipo de diagnóstico geralmente acontece de forma tardia e diminuindo as chances de tratamento. Diante da complexidade do diagnóstico clássico da esquizofrenia apresentado pelo manual e da descoberta de mudanças anatômicas em áreas do cérebro existentes em pacientes com a doença, estudos recentes que utilizaram as características anatômicas para classificação obtiveram resultados promissores. Apesar de mostrarem-se promissores, apenas algumas regiões do cérebro foram utilizadas para classificação, porém, a esquizofrenia apresenta alterações anatômicas em diversas áreas, não havendo um padrão de escolha definitivo para o problema. Por outro lado, houve avanços em técnicas de aprendizado de máquina como o Aprendizado Profundo (do inglês, deep learning). Nestas técnicas não há a necessidade da escolha de características para a classificação do estudo, em outras palavras, sendo uma técnica em que as estruturas aprendem as melhores características que descrevem o problema de forma automática, diferentemente de técnicas clássicas de classificação como a SVM (do inglês, Support Vector Machine), em que existe a necessidade da escolha destas características como forma de entrada. Neste contexto, a pesquisa propõe a aplicação de uma técnica de deep learning chamada Rede Neural Convolucional (CNN, do inglês Convolutional Neural Network ) para classificação automática de imagens de ressonância magnética estrutural do cérebro e diagnóstico da esquizofrenia, além de realizar a extração das características aprendidas no treinamento para utilização em outros classificadores clássicos para comparação. O método proposto consiste no desenvolvimento de uma estrutura convolucional baseada em CNN, produzindo métricas de desempenho como precisão, acurácia e sensibilidade relativos ao diagnóstico. Foi utilizado um banco de dados de MRI do encéfalo humano ponderadas em T2 de 87 indivíduos diagnosticados previamente com esquizofrenia e 85 indivíduos saudáveis de controle. O estudo ainda apresenta uma comparação de desempenho relativos ao tamanho da rede convolucional e o tamanho dos filtros utilizados, de modo a apresentar a rede que melhor se adéque ao problema. É realizada ainda uma validação cruzada dos dados, utilizando um método de holdout com reamostragem aleatória com 530 iterações para cada predição e um método de k-fold com k=20, afim de medir e comparar os algoritmos de aprendizado para produzir um resultado mais confiável e reprodutível, estimando o desempenho e normalizando a generalização do sistema. Em cada validação 70% das imagens foram utilizadas para treinamento e 30% para classificação e validação do sistema. Além disso, uma camada de dropout foi introduzida para prevenir a ocorrência de overfitting. Resultados utilizando k-fold apresentam uma acurácia média de 84% para uma rede convolucional de tamanho 3, com camadas de dropout antes e depois da camada de conexão. Portanto, o uso de técnicas de deep learning para auxílio ao diagnóstico de esquizofrenia mostra-se promissor, onde houve um avanço nos resultados previamente obtidos utilizando o mesmo banco de dados. Desta forma evidenciando que com o avanço de técnicas de classificação de imagens, mais próximo será a utilização destes modelos de forma segura para o auxílio ao diagnóstico de doenças. Ainda, a região que maior apresentou interferência e peso para classificação mostrou compatibilidade com a literatura existente. / Schizophrenia is a severe psychiatric disorder that affects about 1% of the world’s population and is diagnosed by a physician based on the Diagnostic and Statistical Manual of Mental Disorders DSM-5. However, this type of diagnosis usually happens belatedly, lowering treatment success. Given the complexity of the classic diagnosis of schizophrenia presented by the manual and the discovery of anatomical changes in areas of the brain existing in patients with the disease, recent studies that used anatomical characteristics for classification have obtained promising results. Although studies are promising, only a few regions of the brain have been used for classification, but schizophrenia has anatomical changes in several areas, and there is no definitive pattern of choice for the problem. On the other hand, there have been advances in machine learning techniques such as deep learning. In these techniques, there is no need to choose characteristics for the classification of the study; in other words, it is a technique which structures learn the best characteristics that describes the problem automatically, unlike the classical techniques of classification such as SVM (Support VectorMachine) which there is a need to choose these features as input. In this context, the research proposes the development of a deep learning technique called the Convolutional Neural Network (CNN) for automatic classification of brain magnetic resonance imaging and diagnosis of schizophrenia, also extracting the learne characteristics in training for use in other classical classifiers for comparison. The proposed method consists in developing a trellis structure based on CNN, producing performance metrics such as precision, accuracy and sensitivity for the diagnosis. An MRI database of the human brain T2-weighted of 87 individuals previously diagnosed with schizophrenia and 85 healthy control subjects was used. The study also shows a performance comparison for the size of convolutional network and filter size used to display the network that best describes the problem. A cross-validation of the data is performed, using a holdout method with random subsampling of 530 iterations for each prediction and a k-fold using k=20, in order to measure and compare the learning algorithms to produce a more reliable and reproducible result, estimating the performance and normalizing the generalization of the system. In each validation, 70% of the images were used for training and 30% for system classification and validation. In addition, a dropout layer was introduced to prevent the occurrence of overfitting. Preliminary results have an average accuracy of 84% for a convolutional network of size 3, with dropout layers before and after the connection layer. Therefore, the use of deep learning techniques to aid in the diagnosis of schizophrenia is promising, where there was an improvement in the results previously obtained using the same database, indicating that with the advancement of image classification techniques, the closer will be the use of these models in a safe way for diagnosis of diseases. Also, the region that presented the greatest interference and weight for classification was compatible with the existing literature.

Submitted by Lucienne Costa (lucienneferreira@ufcg.edu.br) on 2018-09-12T19:09:12Z No. of bitstreams: 1 JOÃO NAILSON DE CASTRO SILVA – DISSERTAÇÃO (PPGRN) 2017.pdf: 6066847 bytes, checksum: 06d6d215ba35522ddc64fb5c435d43f4 (MD5) / Made available in DSpace on 2018-09-12T19:09:12Z (GMT). No. of bitstreams: 1 JOÃO NAILSON DE CASTRO SILVA – DISSERTAÇÃO (PPGRN) 2017.pdf: 6066847 bytes, checksum: 06d6d215ba35522ddc64fb5c435d43f4 (MD5) Previous issue date: 2017-08-25 / Capes / A Caatinga é um bioma único que só ocorre na região do Semiárido do Brasil (SAB). Este bioma se diferencia principalmente pela capacidade de desenvolver mecanismos de adaptação aos baixos índices pluviométricos da região, além de apresentar alta resiliência nesse ambiente de elevada pressão antrópica. Tendo em vista que a cobertura vegetal exerce um papel muito importante no equilíbrio ambiental, as técnicas de sensoriamento remoto têm sido muito utilizadas para extrair informações biofísicas da vegetação. Este trabalho, teve como objetivo estabelecer uma metodologia que incorpore a capacidade de caracterização temporal do índice de vegetação à técnica de classificação de imagens para melhorar a identificação das classes de cobertura da Terra na bacia do Rio Sucuru, no Cariri paraibano. Neste sentido, busca-se uma classificação de referência dos padrões de cobertura da terra a partir de imagens de SR, para um período específico, no qual, seja possível uma validação em campo. Além disso, é realizada uma avaliação de uma série temporal de um índice de vegetação para melhoria da classificação realizada. Nessa pesquisa foi adotado parte da metodologia proposta por Chaves et al. (2008), para classificar os padrões de cobertura do solo e uma série temporal de EVI, processadas com 88 imagens selecionadas dos sensores ETM+ e OLI/TIRS, da série Landsat, para o período entre outubro de 2014 a setembro de 2016. Os resultados evidenciaram que analisar a cobertura vegetal utilizando apenas um único momento não retrata fidedignamente os padrões de cobertura do solo, visto que nesse ambiente semiárido as respostas que a vegetação apresenta diante da presença ou ausência de chuva são muito rápidas. Nesse sentido, os resultados mostram que uma análise espaço-temporal, utilizando um índice de vegetação, pode estabelecer uma melhor distinção das categorias atribuídas em uma classificação de padrões de cobertura do solo, possibilitando uma melhor percepção do comportamento da vegetação para um período de 24 meses observado. / The Caatinga is a unique biome that only occurs in the semi-arid region of Brazil. This biome is distinguished, mainly, by the capacity to develop mechanisms of adaptation to the low rainfall rates of the region. Plus, it also has a high resilience level upon high anthropic pressure. Considering that land cover plays a very important role in environmental balance, remote sensing techniques have been widely used to extract biophysical information from vegetation. The objective of this work is to establish a methodology that incorporates a time series vegetation index characterization to the image classification technique for improving the land cover classification in the Sucuru River basin in Cariri, Paraíba. In this sense, a Land Cover classification is acquired from SR images, for a specific data. For this data, there is a ground truth validation. In addition, an evaluation of a vegetation index time series is performed to improve the classification. In this research was adopted part of the methodology proposed by Chaves et al. (2008), to classify land cover patterns and a time series of EVI, processed with 88 images selected from the ETM + and OLI / TIRS sensors of the Landsat series for the period between October 2014 to September 2016. The results evidence that analyzing the land cover for a single time stamp could not reliably portray the land cover patterns since we often have fast changes before and after a rainfall event in this semi-arid environment. In this sense, the results show that a spatiotemporal analysis, using a vegetation index, can establish a better distinction of the categories assigned to a classification of land cover patterns, allowing a better perception of vegetation behavior for a period of 24 Months observed.

Submitted by Marcio Filho (marcio.kleber@ufba.br) on 2017-06-06T13:29:36Z No. of bitstreams: 1 mestrado_luciano.pdf: 1770348 bytes, checksum: 311bfc2531be2f0144b369d6861acb71 (MD5) / Approved for entry into archive by Vanessa Reis (vanessa.jamile@ufba.br) on 2017-06-16T15:08:33Z (GMT) No. of bitstreams: 1 mestrado_luciano.pdf: 1770348 bytes, checksum: 311bfc2531be2f0144b369d6861acb71 (MD5) / Made available in DSpace on 2017-06-16T15:08:33Z (GMT). No. of bitstreams: 1 mestrado_luciano.pdf: 1770348 bytes, checksum: 311bfc2531be2f0144b369d6861acb71 (MD5) / Cada sub-sistema de um robô móvel possui aspectos próprios, que devem estar integrados a fim de capacitar o robô para a realização de uma tarefa particular. Dentre estes sub-sistemas, o sensoriamento é responsável por construir uma representação dos marcos do ambiente a fim de fornecer informações relevantes para a navegação do robô. Em geral, a construção de uma representação do ambiente possui alto custo computacional, devido a inaptidão nas estimativas de medição dos sensores. A proposta deste trabalho é a construção de um sistema de sensoriamento, baseado em fusão de sensores, de baixo custo computacional. O objetivo do sistema é o reconhecimento e localização espacial de objetos. A abordagem para o sistema se baseia na fusão redundante e complementar de dados dos sensores envolvidos (uma câmera e sensores de distância), utilizando Lógica Difusa. Para a classificação e localização dos objetos na imagem, o método de Máquina de Vetores de Suporte é utilizado e os resultados obtidos apontam para um bom desempenho nestas tarefas, com a utiliza¸c˜ao de apenas uma amostra de treinamento e sem qualquer tipo de processamento de imagem prévio. Ao final do processo, uma descrição dos objetos na cena é enviada para o robô, com informações detalhadas sobre cada objeto detectado no quadro considerado. O sistema de sensoriamento proposto ´e aplicado no ambiente de experimentação de futebol de robôs, cujas regras determinam as restrições para a arquitetura do sistema

SOUSA, Beatriz Fernandes Simplício. Aprendizado De Máquina Na Detecção Do Uso Do Solo No Bioma Caatinga Via Sensoriamento Remoto. 2009. 89 f. Dissertação (Mestrado em engenharia agrícola)- Universidade Federal do Ceará, Fortaleza-CE, 2009. / Submitted by Elineudson Ribeiro (elineudsonr@gmail.com) on 2016-06-14T19:37:11Z No. of bitstreams: 1 2009_dis_bfssousa.pdf: 1853340 bytes, checksum: 223a501511593d23a2cad5d8ab921252 (MD5) / Approved for entry into archive by José Jairo Viana de Sousa (jairo@ufc.br) on 2016-06-14T21:25:17Z (GMT) No. of bitstreams: 1 2009_dis_bfssousa.pdf: 1853340 bytes, checksum: 223a501511593d23a2cad5d8ab921252 (MD5) / Made available in DSpace on 2016-06-14T21:25:17Z (GMT). No. of bitstreams: 1 2009_dis_bfssousa.pdf: 1853340 bytes, checksum: 223a501511593d23a2cad5d8ab921252 (MD5) Previous issue date: 2009 / In order to manage adequately natural resources inside a fragile environment, just like Caatinga, one should know its properties and spatial distribution. This work proposes an approach to classify LANDSAT-5 satellite images. These images, corresponding to a semiarid environment located in Iguatu country, Ceara, Brazil, were classified aiming at detecting the Caatinga biome by two type of classifiers based on machinery learning: Multi Layer Perceptron (MLP) and Support Vector Machine (SVM). The static classifier of Maximum Likelihood was also used as comparison to the other two methods. Agriculture, water, anthropical, herbaceous shrub Caatinga (CHA) and dense high Caatinga (CAD) are the five classes defined for classifying. MLP method tests were carried out changing neurons quantity in the intermediate layer. SVM method tests were carried out changing σ, from Gauss function, and penalization parameter (C). Performance of the tests was analyzed by Global Accuracy, Specific Accuracy and Kappa coefficient. The last one calculated by confusion matrix, which has been generated by comparison of classification data and ground control points GPS georreferenced (true points). MLP method presented best performance for tests in which 12 neurons have been attributed to the intermediate layer resulting in Global Accuracy and Kappa values of 82.14% and 0.76, respectively. On the other hand, SVM method presented best performance for tests carried out with C=1000 and σ=2, resulting in Global Accuracy and Kappa values of 86.03% and 0.77, respectively. The Maximum Likelihood classifier presented 81.2% of its pixels correctly classified (Global Accuracy) and K coefficient value of 0.73. The values of Specific Accuracy, which makes it possible to analyze the performance of each individual class, were above 70% in each class. A total 576 km2 area was classified. Between the two types of Caatinga biome considered, herbaceous shrub Caatinga (CHA) comes to be the most common. Therefore, taking into account experimental results, it is possible to conclude that both SVM and MLP methods, which are based on machine learning, show satisfactory performance for classifying Caatinga biome. / O manejo adequado dos recursos naturais em ambientes frágeis, como o da Caatinga, requer o conhecimento de suas propriedades e distribuição espacial. Desta forma, o presente trabalho propõe uma abordagem para a classificação de imagens do satélite LANDSAT-5, correspondente a uma região semiárida localizada no município de Iguatu no Estado do Ceará, objetivando detectar o bioma da Caatinga por meio de dois tipos de classificadores baseados em aprendizado de máquina: o método baseado em Perceptrons de Múltiplas Camadas-MLP (do inglês Multi Layer Perceptron) e o método Máquinas de Vetores de Suporte-SVM (do inglês Support Vector Machine). O classificador estatístico da máxima verossimilhança, por ser amplamente utilizado na literatura, também foi aplicado à área em estudo para que o desempenho dos métodos propostos fosse comparado aos destes. Cinco classes foram definidas para a classificação, a saber: agricultura, antropizada, água, caatinga herbácea arbustiva (CHA) e caatinga arbórea densa (CAD). Para o método MLP, foram realizados testes variando a quantidade de neurônios na camada intermediária. Já os testes para o método SVM consistiram em variar o parâmetro σ da função gaussiana e o parâmetro de penalização (C). A eficiência dos métodos foi analisada por meio dos coeficientes de Exatidão Global, Exatidão Específica e de Kappa calculados por meio dos dados da matriz de confusão. Esta, por sua vez, foi gerada para cada método a partir da comparação entre a classificação e os pontos georreferenciados com aparelho GPS (correspondentes à verdade terrestre). O método MLP apresentou melhor desempenho para o teste em que 12 neurônios foram atribuídos à camada intermediária, com valores de Exatidão Global e de Kappa de 82,14% e 0,76, respectivamente. Já o método SVM apresentou melhor performance para o teste com C=1000 e σ=2 no qual se obteve valores de 86,03% e 0,77 para os coeficientes de Exatidão Global e Kappa, respectivamente. O valor de Exatidão Global para o classificador estatístico da máxima verossimilhança permitiu concluir que 81,2% dos pixels foram classificados corretamente e o coeficiente de Kappa para este método foi de 0,73. Os valores dos coeficientes de Exatidão Específica, que proporcionam analisar o desempenho dos métodos em cada classe, foram superiores a 70%. A área total classificada foi de 576 km2 e, dentre as duas classes consideradas para o bioma Caatinga, a predominante é a do tipo caatinga herbácea arbustiva (CHA). Assim, por meio dos resultados experimentais obtidos, pode-se afirmar que os métodos SVM e MLP, baseados em aprendizado de máquina, apresentaram desempenho satisfatório para a classificação do bioma Caatinga.

Made available in DSpace on 2014-06-11T19:24:39Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-02-28Bitstream added on 2014-06-13T20:31:55Z : No. of bitstreams: 1 silva_af_me_botfca.pdf: 1495276 bytes, checksum: fb2de316101ec3a42fe84ea5707baf27 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A citricultura é importante para a economia brasileira devido aos recordes de exportações e pela geração de empregos direto e indireto. O sensoriamento remoto é a fonte primária de informações sobre a cobertura do solo em decorrência dos avanços tecnológicos nos sistemas sensores. A incorporação de procedimentos geoestatísticos em estudos ambientais baseado em técnicas de Krigagem tem sido utilizada por profissionais da área de sensoriamento remoto. O objetivo deste trabalho foi comparar a precisão de métodos de classificação de imagens orbitais na determinação de áreas cultivadas com citros, na Mesoregião de Bauru e Araraquara, através de métodos de sensoriamento remoto e geoestatísticos, para a discriminação e quantificação da área plantada. A área de estudo utilizada nesta pesquisa esta localizada na região central do Estado de São Paulo, com uma área de 56.146,78 ha. Foi utilizado o SIG-SPRING para o processamento dos dados. Foram utilizadas as bandas 2, 3 e 4 da imagem digital proveniente do satélite CBERS 2B, câmera CCD (Câmera Imageadora de Alta Resolução) que fornece imagens com uma resolução espacial de 20 metros. A imagem foi de 16/04/2009, nas órbitas/ponto 157/124 e 157/125. No processo de classificação das imagens foram estudados três métodos de classificação, sendo o CLUSTER não-supervisionado, o MAXVER (Máxima Verossimilhança) e a KI (Krigagem Indicativa) supervisionados, além da classificação em tela tida como verdade terrestre. As fidedignidades das classificações foram avaliadas pelo índice Kappa. Pelos resultados obtidos nas classificações de imagem para a discriminação e quantificação de áreas cultivadas com citros pode-se concluir: os classificadores obtiveram melhor qualidade de classificação para as áreas maiores com CITROS;a Krigagem Indicativa unificou as áreas pequenas de CITROS em uma única área... / The citrus industry is important for the Brazilian economy due to record exports and generating direct and indirect jobs. Remote sensing is the primary source of information on land cover as a result of technological advances in sensor systems. The incorporation of geostatistics procedures in environmental studies based on Kriging techniques has been used by professionals in areas of remote sensing. The aim of this study was to compare the accuracy of classification methods in the determination of satellite images of areas cultivated with citrus, Mesoregião in Araraquara, Bauru, and, through methods of remote sensing and geostatistics to discrimination and quantification of the area planted. The study area used in this research is located in the central region of São Paulo, with an area of 56,146.78 ha. It was used the GIS-SPRING for data processing. We used bands 2, 3 and 4 of the digital image from the satellite CBERS 2B, CCD camera (Camera high resolution image) that provides images with a spatial resolution of 20 meters. The image dated of 04/16/2009, the path/row 157/124 and 157/125. In the process of image classification were studied three methods of classification, and unsupervised clustering, the MLC (Maximum Likelihood) and KI (kriging) supervised classification beyond the screen taken as ground truth. The validation of classifications were evaluated by Kappa index. The results obtained of image classification onto discrimination and quantification of citrus areas were: the classifiers had improved quality of classification for wide citrus areas, the Indicative Kriging unified the small citrus areas in a single area, the Indicative Kriging was the classifier that less classified riparian vegetation area such as citrus, the others changed riparian vegetation by citrus. The validation showed that Indicative Kriging was the classifier which had the lower quality rating than... (Complete abstract click electronic access below)

Imagens multiespectrais estão presentes na grande maioria de dispositivos de imageamento atuais, desde câmeras pessoais até microscópios, telescópios e satélites. No entanto, grande parte dos trabalhos em análise de texturas e afins propõem abordagens monocromáticas, que muitas vezes consideram apenas níveis de cinza. Nesse contexto e considerando o aumento da capacidade dos computadores atuais, o uso da informação espectral deve ser considerada na construção de modelos melhores. Ultimamente redes neurais convolucionais profundas pré-treinadas tem sido usadas em imagens coloridas de 3 canais, porém são limitadas a apenas esse formato e computam muitas convoluções, o que demanda por hardware específico (GPU). Esses fatos motivaram esse trabalho, que propõem técnicas para a modelagem e caracterização de imagens multiespectrais baseadas em redes complexas, que tem se mostrado uma ferramenta eficiente em trabalhos anteriores e possui complexidade computacional similar à métodos tradicionais. São introduzidas duas abordagens para aplicação em imagens coloridas de três canais, denominadas Rede Multicamada (RM) e Rede Multicamada Direcionada (RMD). Esses métodos modelam todos os canais da imagem de forma conjunta, onde as redes possuem conexões intra e entre canais, de forma parecida ao processamento oponente de cor do sistema visual humano. Experimentos em cinco bases de textura colorida mostram a proposta RMD supera vários métodos da literatura no geral, incluindo redes convolucionais e métodos tradicionais integrativos. Além disso, as propostas demonstraram alta robustez a diferentes espaços de cor (RGB, LAB, HSV e I1I2I3), enquanto que outros métodos oscilam de base para base. Também é proposto um método para caracterizar imagens multiespectrais de muitos canais, denominado Rede Direcionada de Similaridade Angular (RDSA). Nessa proposta, cada pixel multiespectral é considerado como um vetor de dimensão equivalente à quantidade de canais da imagem e o peso das arestas representa sua similaridade do cosseno, apontando para o pixel de maior valor absoluto. Esse método é aplicado em um conjunto de imagens de microscopia por fluorescência de 32 canais, em um experimento para identificar variações na estrutura foliar do espécime Jacaranda Caroba submetidos à diferentes condições. O método RDSA obtém as maiores taxas de acerto de classificação nesse conjunto de dados, com 91, 9% usando o esquema de validação cruzada Leave-one-out e 90, 5(±1, 1)% com 10-pastas, contra 81, 8% e 84, 7(±2, 2) da rede convolucional VGG16. / Multispectral images are present in the vast majority of current imaging devices, from personal cameras to microscopes, telescopes and satellites. However, much of the work in texture analysis and the like proposes monochromatic approaches, which often consider only gray levels. In this context and considering the performance increase of current computers, the use of the spectral information must be considered in the construction of better models. Lately, pre-trained deep convolutional neural networks have been used in 3-channel color images, however they are limited to just this format and compute many convolutions, which demands specific hardware (GPU). These facts motivated this work, which propose techniques for the modeling and characterization of multispectral images based on complex networks, which has proved to be an efficient tool in previous works and has computational complexity similar to traditional methods. Two approaches are introduced for application in 3-channel color images, called Multilayer Network (RM) and Directed Multilayer Network (RMD). These methods model all channels of the image together, where the networks have intra- and inter-channel connections, similar to the opponent color processing of the human visual system. Experiments in five color texture datasets shows that the RMD proposal overcomes several methods of the literature in general, including convolutional networks and traditional integrative methods. In addition, the proposals have demonstrated high robustness to different color spaces (RGB, LAB, HSV and I1I2I3), while other methods oscillate from dataset to dataset. Moreover it is proposed a new method to characterize multispectral images of many channels, called Directed Network of Angular Similarity (RDSA). In this proposal, each multispectral pixel is considered as a vector of dimensions equivalent to the number of channels of the image and the weight of the edges represents its cosine similarity, pointing to the pixel of greatest absolute value. This method is applied to a set of fluorescence microscopy images of 32 channels in an experiment to identify variations in the leaf structure of the Jacaranda Caroba specimen under different conditions. The RDSA method obtains the highest classification rates in this dataset, with 91.9% with the Leave-one-out cross-validation scheme and 90.5(±1.1)% with 10-folds, against 81.8% and 84.7(±2.2) of the convolutional network VGG16.

Made available in DSpace on 2014-06-12T15:52:22Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / O sistema visual humano é um dos mecanismos mais fascinantes da natureza. É através dele que o ser humano é capaz de realizar as suas tarefas mais básicas, como assistir televisão, até as mais complexas, como realizar análises através de microscópios em laboratórios. Por conseguinte, neste trabalho são propostos dois modelos baseados no comportamento do sistema visual humano. O primeiro é um modelo de segmentação supervisionada baseado nos conceitos de campos receptivos, chamado Segmentation and Classification Based on Receptive Fields (SCRF). O outro é uma nova rede neural, chamada I-PyraNet. A I-PyraNet é uma implementação híbrida da PyraNet e dos conceitos de campos inibitórios. Então, no intuito de validar os modelos aqui propostos, nesta dissertação é apresentada uma revisão do estado-da-arte, descrevendo-se desde o funcionamento do sistema visual humano até as várias etapas existentes numa tarefa de processamento de imagens. Por fim, os modelos propostos foram aplicados em duas tarefas de reconhecimento. O modelo SCRF e a I-PyraNet foram aplicados juntos num problema de detecção de floresta em imagens de satélite. Enquanto a I-PyraNet foi aplicada sobre um problema de detecção de facos. Ambos alcançaram bons resultados quando comparados aos outros modelos aqui apresentados

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-12-01T13:30:13Z No. of bitstreams: 1 Dissertação - Luiz C. A. M. Cavalcanti.pdf: 12456865 bytes, checksum: 8cefb0785da034136e29212e34ef9290 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-12-01T13:30:28Z (GMT) No. of bitstreams: 1 Dissertação - Luiz C. A. M. Cavalcanti.pdf: 12456865 bytes, checksum: 8cefb0785da034136e29212e34ef9290 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-12-01T13:30:49Z (GMT) No. of bitstreams: 1 Dissertação - Luiz C. A. M. Cavalcanti.pdf: 12456865 bytes, checksum: 8cefb0785da034136e29212e34ef9290 (MD5) / Made available in DSpace on 2016-12-01T13:30:50Z (GMT). No. of bitstreams: 1 Dissertação - Luiz C. A. M. Cavalcanti.pdf: 12456865 bytes, checksum: 8cefb0785da034136e29212e34ef9290 (MD5) Previous issue date: 2016-07-01 / Agência de Fomento não informada / During environmental crimes patrolling, the response time is a very important component for the success of the missions. Generally, infractions occur in remote and hard-access places, characteristics that hinder both the patrolling as well the action of environmental protection agents. To increase the approaches’ success rate and reduce the risk of human lives, unmanned aerial vehicles (UAVs) can be used to cover large areas of forest in a short time without being perceived by offenders, allowing the patrolling organs responsible for these areas to plan and act more efficiently in the repression of such crimes. The new problem generated by this approach is the huge amount of data generated during these missions, which often includes hours of video. The manual inspection of all this material in searching for anthropic elements is very tiring and error-prone. This work presents a evaluation of image segmentation techniques, inspections of features to be extracted, followed by a supervised classification of those segments for anthropic element detection in amazon’s rain forest aerial images. Besides making publicly available a dataset with more than 3,000 images and 10,000 segments labeled accordingly, this work investigates different strategies for anthropic elements classification. The experiments obtained a consistency error rate inferior to 8% in image segmentation and a precision above 94% on target objects classification through one-class classifiers ensemble, using One-class SVM and REPTree algorithms. / Durante o patrulhamento de crimes ambientais, o tempo de resposta é um componente muito importante no sucesso das missões. Geralmente as infrações ocorrem em lugares ermos e de difícil acesso, características que dificultam tanto o patrulhamento quanto a ação de agentes de preservação ambiental. Para aumentar a taxa de sucesso das abordagens e reduzir o risco de vidas humanas, veículos aéreos não-tripulados (VANTs) podem ser usados para cobrir grandes áreas de floresta em pouco tempo, sem que sejam percebidos por infratores, permitindo que os órgãos de patrulhamento dessas áreas possam planejar e agir com mais eficiência na repressão a esses crimes. O novo problema gerado por essa abordagem é a enorme quantidade de dados gerada durante essas missões, que muitas vezes compreendem horas de vídeo. A inspeção manual de todo esse material em busca de elementos antrópicos é muito cansativa e propensa a erros. Este trabalho apresenta uma avaliação de técnicas de segmentação de imagens, inspeção de características a serem extraídas, seguido da classificação supervisionada destes segmentos para detecção de elementos antrópicos em imagens aéreas da floresta amazônica. Além da publicação de uma base de dados com cerca de 3.000 imagens e 10.000 segmentos devidamente rotulados e investiga diferentes estratégias para classificação de elementos antrópicos. Os experimentos realizados obtiveram taxas de erro de consistência inferiores a 8% na segmentação das imagens utilizando o algoritmo SRM e precisão acima de 94% na classificação dos objetos de interesse através de conjuntos de classificadores unários, utilizando os algoritmos One-Class SVM e REPTree.