Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Com a necessidade de extrair as informações contidas nas imagens de satélite de forma rápida, eficiente e econômica, são utilizadas cada vez mais as técnicas computacionais de processamento de imagens como a de segmentação automática. Segmentar uma imagem consiste em dividí-la em regiões através de um critério de similaridade, onde os pixels que estão contidos nestas possuem características semelhantes, como por exemplo, nível de cinza, textura, ou seja, a que melhor represente os objetos presentes na imagem. Existem vários exemplos de algoritmos segmentadores, como o de crescimento de regiões onde os pixels crescem e são aglutinados formando regiões. Para determinar quais os melhores parâmetros utilizados nestes algoritmos segmentadores é necessário que se avalie os resultados a partir dos métodos mais utilizados, que são os supervisionados onde há necessidade de uma imagem de referência, considerada ideal fazendo com que se tenha um conhecimento a priori da região de estudo. Os não supervisionados, onde não há a necessidade de uma imagem de referência, fazendo com que o usuário economize tempo. Devido à dificuldade de se obter avaliadores para diferentes tipos de imagem, é proposta a metodologia que permite avaliar imagens que possuam áreas com vegetação, onde serão formadas grandes regiões (Crianass) e o que avaliará as imagens com áreas urbanas onde será necessário mais detalhamento (Cranassir). / With the need of extracting the information contained in satellite images in a quick, efficent and economic way computational image process tecniques are being used more frequently, such as the automatic segmentation. Segmenting an image consists on dividing it in regions acording to a similarity standard, where the pixels which are contained there have the same characteristic, for example, level of gray, texture, that is, the one that best represents the objects on the image. There are lots of examples of segmentary algorithm like the development of areas where the pixels 'grow" and are agglutinated forming regions. To determine which are the best parameters utilized in these segmentary algorithms it is necessary to evaluate the results from the methods used more often, they are the supervized where there is a need of a reference image, considered ideal, giving us a priori knowledge of the regions in study. The unsupervised, where there is not the need of a reference image, make the user save time. Due to the difficulty of obtaining evaluators, for different kinds of images, is proposed the methodology that allows to evaluate images that have vegetation areas, where it will be formed large regions (Crianass), and the one that will evaluate the images with urban areas, where it will be needed more detailing (Cranassir).
| Identifer | oai:union.ndltd.org:IBICT/urn:repox.ist.utl.pt:BDTD_UERJ:oai:www.bdtd.uerj.br:2151 |
| Date | 28 September 2010 |
| Creators | Ana Maria Brandão Mileze |
| Contributors | Cristiana Barbosa Bentes, Gilberto Pessanha Ribeiro, Carla Bernadete Madureira Cruz, Ricardo Cordeiro de Farias |
| Publisher | Universidade do Estado do Rio de Janeiro, Programa de Pós-Graduação em Engenharia da Computação, UERJ, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UERJ, instname:Universidade do Estado do Rio de Janeiro, instacron:UERJ |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0047 seconds