Return to search

Um método para classificação de imagens de madeira usando Local Binary Patterns

Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-09T14:14:32Z
No. of bitstreams: 2
Dissertaçao Alex Paulo de Oliveira.pdf: 6283561 bytes, checksum: 7d672717c9f608cac1e52bfbcc49112f (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-09T14:14:32Z (GMT). No. of bitstreams: 2
Dissertaçao Alex Paulo de Oliveira.pdf: 6283561 bytes, checksum: 7d672717c9f608cac1e52bfbcc49112f (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2013-03-12 / O tráfico ilegal de madeiras é um problema no Brasil, percebido com mais frequência nas
alfândegas da Amazônia. O objetivo desse trabalho é o desenvolvimento de um método para
classificação de imagens de madeira. As imagens, usadas nessa pesquisa, foram fornecidas
pela Embrapa e pelo VRI (UFPR).
Para o classificador criado, cada imagem é representada pelo histograma resultante da aplicação
do operador LBP (Local Binary Patterns). A classificação desenvolvida tem como base
o aprendizado baseado em instâncias, utilizando o algoritmo K-NN (K-Nearest Neighbor).
O aumento na quantidade de amostras, disponíveis para um mesmo teste, foi suficiente
para tornar mais evidentes as diferenças de performance entre as diversos cenários elaborados.
Foram consideradas duas abordagens de Cross-Validation: O K-Fold Cross-Validation e o
Leave-One-Out Cross-Validation. Quase sempre, quando o Leave-One-Out Cross-Validation
foi adotado, os resultados apresentam uma acurácia melhor em relação à outra abordagem.
Neste trabalho, também foram realizados alguns testes para mensurar a robustez em relação
ao ruído, e, ficou constatado que o ruído pode influenciar os resultados da classificação.
A normalização influenciou os resultados obtidos pelo classificador, entretanto, dentre as
variáveis consideradas, essa foi a menos influente.
Foi possível perceber que a métrica adotada, para mensurar distâncias, influencia elementos
importantes: o índice de acertos e a velocidade de resposta (processamento computacional
exigido). O Kullback Leibler Divergence foi a métrica que apresentou melhores resultados.
O classificador construído neste trabalho se mostrou igualmente eficiente para bases com
imagens homogênias (com mesma dimensão e formato) e heterogênias;

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/11469
Date12 March 2013
CreatorsOliveira, Alex Paulo Alves de
ContributorsCavalcanti, George Darmiton da Cunha
PublisherUniversidade Federal de Pernambuco
Source SetsIBICT Brazilian ETDs
LanguageBreton
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
RightsAttribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess

Page generated in 0.0019 seconds