Métodos de pré-processamento de texturas para otimizar o reconhecimento de padrões (2016)
- Authors:
- Autor USP: NEIVA, MARIANE BARROS - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: RECONHECIMENTO DE PADRÕES; INTELIGÊNCIA ARTIFICIAL; PROCESSAMENTO DE IMAGENS
- Keywords: Anisotropic diffusion; Difusão anisotrópica; Difusão isotrópica; Difusão morfológica; Dissertação; Dissertation; Distance transform; Image preprocessing; Isotropic diffusion; Morfologic diffusion; Pattern recognition; Pré-processamento de imagens; Textura; Texture; Transformada da distância
- Language: Português
- Abstract: A textura de uma imagem apresenta informações importantes sobre as características de um objeto. Usar essa informação para reconhecimento de padrões vem sendo uma tarefa bastante pesquisada na área de processamento de imagens e aplicado em atividades como indústria têxtil, biologia, análise de imagens médicas, imagens de satélite, análise de peças industriais, entre outros. Muitos pesquisadores focam em criar mecanismos que convertam a imagem em um vetor de características a fim de utilizar um classificador sobre esse vetores. No entanto, as imagens podem ser transformadas para que que características peculiares sejam evidenciadas fazendo com que extratores de características já existentes explorem melhor as imagens. Esse trabalho tem como objetivo estudar a influência da aplicação de métodos de pré-processamento em imagens de textura para a posterior análise das imagens. Os métodos escolhidos são seis: difusão isotrópica, difusão anisotrópica clássica, dois métodos de regularização da difusão anisotrópica, um método de difusão morfológica e a transformada de distância. Além disso, os métodos foram aliados a sete descritores já conhecidos da literatura para que as características das imagens tranformadas sejam extraídas. Resultados mostram um aumento significativo no desempenho dos classificadores KNN e Naive Bayes quando utilizados nas imagens transformadas de quatro bases de textura: Brodatz, Outex, Usptex e Vistex
- Imprenta:
- Publisher place: São Carlos
- Date published: 2016
- Data da defesa: 19.07.2016
-
ABNT
NEIVA, Mariane Barros. Métodos de pré-processamento de texturas para otimizar o reconhecimento de padrões. 2016. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2016. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-25102016-084409/. Acesso em: 11 maio 2024. -
APA
Neiva, M. B. (2016). Métodos de pré-processamento de texturas para otimizar o reconhecimento de padrões (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-25102016-084409/ -
NLM
Neiva MB. Métodos de pré-processamento de texturas para otimizar o reconhecimento de padrões [Internet]. 2016 ;[citado 2024 maio 11 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-25102016-084409/ -
Vancouver
Neiva MB. Métodos de pré-processamento de texturas para otimizar o reconhecimento de padrões [Internet]. 2016 ;[citado 2024 maio 11 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-25102016-084409/ - Exploring Complex Networks: Matrix-based and Multiscale Approaches for Pattern Recognition
- Exploring ordered patterns in the adjacency matrix for improving machine learning on complex networks
- Distance transform network for shape analysis
- Availability of genetic tests in public health services in Brazil: from the Brazilian Rare Diseases Network
- Portal COVID-19 Brasil: monitoramento e análises da situação do coronavírus
- The relevance of digital health strategies to support tuberculosis services in the COVID-19 pandemic context. [Carta]
- Informed consent form automated validation, the brazilian rare disease network case proposal
- Social interaction layers in complex networks for the dynamical epidemic modeling of COVID-19 in Brazil
- National network for rare diseases in Brazil: the computational infrastructure and preliminary results
- Mapping, infrastructure, and data analysis for the brazilian network of rare diseases: protocol for the RARASnet observational cohort study
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas