• Nenhum resultado encontrado

Comparação dos Descritores Propostos

A Tabela 6.10 foi obtida como uma ampliação da Tabela6.3, e para isso foram acrescentados os resultados do descritor baseado na análise multifractal na classificação das bases USPTex e Outex. A Tabela 6.10 confirma que o classificador LDA fornece maior precisão em todos os dados testados, justificando a continuidade do uso desse esquema de classificação.

Tabela 6.10 – Comparação da Acurácia dos Classificadores SVM e LDA nos descritores multifractais Box-counting (BC) aplicados às bases KTHTIPS-2b, UIUC, UMD, 1200Tex, USPTex e Outex.

Base SVM LDA KTHTIPS-2b 63.5˘2.8 64.9˘2.7 UIUC 96.2˘0.7 97.6˘0.4 UMD 97.2˘0.6 99.1˘0.5 1200Tex 84.9˘1.1 87.1˘1.1 USPTex 91.4 ˘1.5 94.1˘1.0 Outex 81.5˘1.1 86.6˘1.4

O desempenho dos descritores fractais individuais Box-counting (BC), Bouligand- Minkowski (BM) e Lacunaridade (L), que antes era apresentado na Tabela 6.4, agora é ampliado pela Tabela 6.11, sendo acrescentados os resultados para as bases USPTex e Outex.

Tabela 6.11 – Acurácia da classificação usando descritores fractais individuais BC (Box counting), BM (Bouligand-Minkowski) e L (Lacunaridade) aplicados às bases KTHTIPS-2b, UIUC, UMD, 1200Tex, USPTex e Outex.

Base BC BM L KTHTIPS-2b 64.9˘2.7 60.5˘2.9 61.2˘3.0 UIUC 97.6˘0.4 98.0˘0.7 97.9˘0.5 UMD 99.1˘0.5 99.3˘0.3 99.4˘0.5 1200Tex 87.1˘1.1 87.1˘1.1 86.8˘1.3 USPTex 94.2˘0.5 93.6˘0.9 93.4˘0.9 Outex 86.6˘0.8 87.4˘1.5 86.0˘1.4

As diferentes combinações dos descritores BC (Box counting), BM (Bouligand- Minkowski) e L (Lacunaridade) apresentadas pela Tabela6.5também foram ampliadas pela Tabela6.12através do acréscimo dos resultados das bases USTex e Outex. O descritor BC individual continua sendo a melhor opção para a base KTHTIPS-2b, e mesmo considerando as bases USTex e Outex, apenas uma melhora bastante sutil foi verificada, de forma que nenhuma combinação supera BC se considerados os erros.

Tabela 6.12 – Acurácia na classificação de combinações dos descritores BC (Box coun- ting), BM (Bouligand-Minkowski) e L (Lacunaridade) aplicados às bases KTHTIPS-2b, UIUC, UMD, 1200Tex, USPTex e Outex.

Base de imagens BC+BM BC+BM+L BM+L KTHTIPS-2b 61.8˘2.6 63.1˘2.5 63.2˘2.0 UIUC 98.0˘0.4 98.2˘0.4 98.3˘0.4 UMD 99.4˘0.3 99.4˘0.3 99.4˘0.5 1200Tex 86.8˘1.3 87.1˘1.1 87.0˘1.2 USPTex 94.3˘0.9 94.3˘1.0 94.0˘1.1 Outex 87.2˘0.9 87.1˘1.6 86.8˘1.1

Os desempenhos dos descritores BCDFβ1, BCDFβ2 e BCDFH podem ser

comparados com o desempenho do descritor baseado na analise multifractal definido por BC através da Tabela 6.13, onde são apresentadas as acurácias de tais descritores nas classificações das bases KTHTIPS-2b, UIUC, UMD, 1200Tex, USPTex e Outex.

Conforme apresentado nas Tabelas 6.1e6.2, nas classificações das bases UIUC, USPTex e Outex, o desempenho dos descritores BCDFβ1, BCDFβ2 e BCDFH foram

superiores ao desempenho de diversos descritores consagrados na literatura. Já na classifi- cação das bases KTHTIPS-2b, UMD e 1200Tex, a Tabela 6.13 mostra que o desempenho dos descritores BCDFβ1, BCDFβ2 e BCDFH foi muito abaixo do descritor multifractal

Tabela 6.13 – Acurácia da classificação usando descritores BCDFβ1, BCDFβ2, BCDFH

e o descritor baseado na analise multifractal definido por BC aplicados às bases KTHTIPS-2b, UIUC, UMD, 1200Tex, USPTex e Outex.

Base BC BCDFβ1 BCDFβ2 BCDFH KTHTIPS-2b 64.9˘2.7 40.7˘1.9 42.0˘1.7 43.0˘2.1 UMD 99.1˘0.5 81.3˘0.7 82.0˘0.8 89.2˘0.5 1200Tex 87.1˘1.1 57.7˘1.0 59.5˘0.8 61.8˘1.1 Outex 86.6˘0.8 80.7˘0.6 83.2˘0.7 83.9˘0.5 USPTex 94.2˘0.5 74.0˘0.5 78.1˘0.5 85.4˘0.3 UIUC 97.6˘0.4 90.5˘0.5 91.2˘0.6 91.5˘0.5

(BC). Se por um lado os descritores BCDFβ1, BCDFβ2 e BCDFH mostraram desempenho

insatisfatório para as bases KTHTIPS-2b, UMD e 1200Tex, por outro, o descritor multi- fractal(BF) superou todos os descritores quando testado com as bases Outex e USPTex, assim como tinha ocorrido com as demais bases.

Para mostrar a superioridade do descritor multifractal (BC) em relação aos descritores baseados nas Caixas do Box-counting, bastaria fazer a comparação direta com o descritor BCDFH, pois esse último é o mais eficiente dos três similares propostos. Com este propósito, a Figura 6.14 mostras as matrizes de confusão de BCDFH e Multifractal (BC) na base Outex. A melhora é visualmente evidente quando são analisadas as matrizes de confusão. A matriz de confusão referente ao Multifractal (BC) representada pela Figura 6.14(b) é claramente mais concentrada na diagonal. A superioridade do descritor Multifractal (BC) em relação à classificação da base USPTex também podem ser facilmente confirmada pelas matrizes de confusão apresentadas na Figura 6.15, que para facilitar a visualização, apresentam apenas as 50 primeiras classes da base USPTex.

(a) BCDFH

(b) Multifractal (BC)

(a) BCDFH

(b) Multifractal (BC)

7 Conclusões

7.1

Considerações Finais

Este trabalho desenvolveu descritores fractais com o objetivo de aplicá-los à análise de imagens de texturas, mais especificamente no problema da classificação destas imagens. O estudo partiu de uma revisão bibliográfica sobre a geometria fractal, a qual era voltada tanto para conceitos teóricos quanto aplicados à análise de imagens de texturas. Em um primeiro momento, foram apresentadas as definições de fractal, dimensão fractal, e conceitos básicos da análise multifractal, sendo gerada assim a base para a aplicação da geometria fractal à análise de imagens.

Os descritores desenvolvidos neste trabalho demonstraram grande potencial quando comparados com diversos outros encontrados na literatura, tanto os já tradicionais quanto os do estado-da-arte, sugerindo sua aplicação a problemas práticos em diversas áreas, como análise de imagens médicas, imagens biológicas em geral, problemas de engenharia, etc.

A aplicação dos descritores foi feitas usando-se as seguintes bases de imagens de texturas: Outex, UIUC, USPTex, KTH-TIPS2b, UIUC e UMD. Os resultados foram comparados com abordagens que representam o estado-da-arte na análise de texturas, sendo sempre competitivo ou superando os resultados anteriores. Para as bases citadas, entre os descritores comparados estão Padrões Binários Locais, Textons VZ-MR8, Textons VZ-Joint, Bouligand-Minkowski, Local Phase Quantization, Invariant Multifractals, Wavelet

Multifractals e Pattern Lacunarity Spectrum.

Os descritores motivados pela teoria multifractal, onde as imagens de texturas foram particionadas em imagens binárias, também foram aplicados na identificação de espécies de plantas brasileiras a partir da imagem escaneada da folha, problema este que aqui foi representado por meio das imagens da base de dados 1200Tex.

Neste trabalho, também foi construído um modelo matemático da distribuição de pontos que representam os pixels de uma imagem em tons de cinza, sendo desenvolvida e demonstrada a expressão que representa, em modelos aleatórios, a probabilidade da existência de determinados cubos que são usados no cálculo da dimensão fractal box- counting, possibilitando assim um melhor entendimento da distribuição dos pontos e a tomada de decisão referente ao dimensionamento dos descritores.

Em geral, os resultados obtidos mostram que os descritores desenvolvidos são eficientes na classificação de imagens de texturas, superando outros descritores que representam o estado-da-arte e demonstrando grande potencial para aplicações futuras em

situações práticas em várias áreas das ciências.

7.2

Publicações

Os métodos desenvolvidos nesta tese resultaram em trabalho aceitos e submeti- dos conforme lista a seguir.

7.2.1

Publicados

• SILVA, P. M.; FLORINDO, J. B. Using down-sampling for multiscale analysis of texture images. Pattern Recognition Letters, Elsevier, 2019.

• SILVA, P. M.; FLORINDO, J. B. A statistical descriptor for texture images based on the box counting fractal imension. Physica A: Statistical Mechanics and its Applications, Elsevier, v. 528, p. 121469, 2019

7.2.2

Submetidos

• SILVA, P. M.; FLORINDO, J. B. Computing the fractal dimension of image local features: an application to texture recognition. Information Sciences, Elsevier.

7.3

Trabalhos Futuros

Embora os resultados alcançados pelos descritores fractais desenvolvidos nesta tese tenham sido bastante satisfatórios, mostrando-se competitivos ou até mesmo superando outros descritores da literatura, entre as possibilidades ainda não exploradas, estão as aplicações desses descritores em inúmeras áreas da ciência, como por exemplo análise de imagens médicas. A lista abaixo indica esta e outras sugestões para trabalhos futuros.

• Verificar a possibilidade da aplicação dos descritores desenvolvidos em outras áreas da ciência, como análise de imagens médias e biológicas em geral;

• Verificar a possibilidade de adaptação dos descritores para aplicação em bases de imagens de texturas coloridas, texturas dinâmicas, imagens multi-espectrais, etc. • Estudar a possibilidade da aplicação dos descritores e adaptação dos mesmos em

• Analisar a eficiência do descritor BCF DH definido pela equação 5.21 quando o

descritor for redimensionado de acordo como a probabilidade calculada através da expressão 5.7;

• Analisar a eficiência do descritor BCDFβ, tanto para a definição pela Equação 5.5,

quanto pela Equação 5.6, isto quando o número de cubos usados no descritor for reduzido de acordo com a probabilidade calculada através da expressão 5.7.

Referências

[1] SHAH, R. et al. Fractal dimensions and branching characteristics of placental chorionic surface arteries. Placenta, Elsevier, v. 70, p. 4–6, 2018. Citado na página 15.

[2] ŢĂLU, Ş. et al. Fractal analysis of afm images of the surface of bowman’s membrane of the human cornea. Annals of biomedical engineering, Springer, v. 43, n. 4, p. 906–916, 2015. Citado 2 vezes nas páginas 15 e 16.

[3] MERIEM, D. et al. Discrete wavelet for multifractal texture classification: Application to medical ultrasound imaging. In: IEEE. Image Processing (ICIP), 2010 17th IEEE International Conference on. [S.l.], 2010. p. 637–640. Citado na página 15.

[4] RAMAMOORTHY, S.; KIRUBAKARAN, R.; SUBRAMANIAN, R. S. Texture feature extraction using mgrlbp method for medical image classification. In: Artificial Intelligence and Evolutionary Algorithms in Engineering Systems. [S.l.]: Springer, 2015. p. 747–753. Citado na página 15.

[5] CONTRERAS-RUIZ, J.; MARTÍNEZ-GALLEGOS, M.; ORDOÑEZ-REGIL, E. Sur- face fractal dimension of composites tio2-hydrotalcite. Materials Characterization, Else- vier, v. 121, p. 17–22, 2016. Citado na página 15.

[6] NKONO, C. et al. Relationship between the fractal dimension of orthopyroxene distribution and the temperature in mantle xenoliths. Geological Journal, Wiley Online Library, v. 51, n. 5, p. 748–759, 2016. Citado na página 15.

[7] FLORINDO, J. B. et al. Multiscale fractal descriptors applied to nanoscale images. Journal of superconductivity and novel magnetism, Springer, v. 26, n. 7, p. 2479–2484, 2013. Citado na página 15.

[8] CALZETTI, D.; GIAVALISCO, M. Fractal structures and the angular correlation function of galaxies. Vistas in Astronomy, Elsevier, v. 33, p. 295–303, 1990. Citado na página 15.

[9] WENTAO, Z. et al. Texture classification of vegetation cover in high altitude wetlands zone. In: IOP PUBLISHING. IOP Conference Series: Earth and Environmental Science. [S.l.], 2014. v. 17, n. 1, p. 012083. Citado na página 15.

[10] FRANKLIN, S. et al. Incorporating texture into classification of forest species com- position from airborne multispectral images. International journal of remote sensing, Taylor & Francis, v. 21, n. 1, p. 61–79, 2000. Citado na página 15.

[11] VERMA, G. et al. Microcalcification morphological descriptors and parenchyma fractal dimension hierarchically interact in breast cancer: A diagnostic perspective. Computers in biology and medicine, Elsevier, v. 93, p. 1–6, 2018. Citado na página 15. [12] PUJARI, J. D.; YAKKUNDIMATH, R.; BYADGI, A. S. Image processing based

detection of fungal diseases in plants. Procedia Computer Science, Elsevier, v. 46, p. 1802–1808, 2015. Citado na página 15.

[13] GOOL, L. V.; DEWAELE, P.; OOSTERLINCK, A. Texture analysis anno 1983. Computer vision, graphics, and image processing, Elsevier, v. 29, n. 3, p. 336–357, 1985. Citado na página 15.

[14] HAYMAN, E. et al. On the significance of real-world conditions for material classifica- tion. In: SPRINGER. European conference on computer vision. [S.l.], 2004. p. 253–266. Citado 3 vezes nas páginas 15, 18 e 83.

[15] METZE, K.; ADAM, R.; FLORINDO, J. The fractal dimension of chromatin - a potential molecular marker for carcinogenesis, tumor progression and prognosis. Expert Review of Molecular Diagnostics, v. 19, p. 299–312, 04 2019. Citado 2 vezes nas páginas 15 e 50.

[16] JULESZ, B. Visual pattern discrimination. IRE transactions on Information Theory, IEEE, v. 8, n. 2, p. 84–92, 1962. Citado na página 15.

[17] DYER, C. R.; HONG, T.-H.; ROSENFELD, A. Texture classification using gray level cooccurrence based on edge maxima. [S.l.], 1979. Citado na página 15.

[18] HARALICK, R. M. et al. Statistical and structural approaches to texture. Proceedings of the IEEE, v. 67, n. 5, p. 786–804, 1979. Citado 2 vezes nas páginas 15 e 18.

[19] OJALA, T.; PIETIKÄINEN, M.; MÄENPÄÄ, T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis & Machine Intelligence, IEEE, n. 7, p. 971–987, 2002. Citado 8 vezes nas páginas 15, 17, 18, 71, 72, 73, 83 e 96.

[20] XU, Y.; JI, H.; FERMÜLLER, C. Viewpoint invariant texture description using fractal analysis. International Journal of Computer Vision, Springer, v. 83, n. 1, p. 85–100, 2009. Citado 12 vezes nas páginas 15, 17, 18, 19, 20, 44, 46, 48, 70, 83, 89 e 96. [21] LAZEBNIK, S.; SCHMID, C.; PONCE, J. Beyond bags of features: Spatial pyramid

matching for recognizing natural scene categories. In: Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition - Volume 2. Washington, DC, USA: IEEE Computer Society, 2006. (CVPR ’06), p. 2169–2178. Citado na página 15.

[22] XU, Y. et al. A new texture descriptor using multifractal analysis in multi-orientation wavelet pyramid. In: IEEE. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. [S.l.], 2010. p. 161–168. Citado 6 vezes nas páginas 15, 17, 18, 19, 20 e 97.

[23] MANDELBROT, B. B. The fractal geometry of nature. [S.l.]: WH freeman New York, 1983. v. 173. Citado 5 vezes nas páginas 15, 22, 28, 74 e 76.

[24] PENTLAND, A. Fractal-based description. In: Proceedings of the Eighth International Joint Conference on Artificial Intelligence - Volume 2. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1983. p. 973–981. Citado na página 16. [25] FLORINDO, J. B. et al. Brachiaria species identification using imaging techniques

based on fractal descriptors. Computers and electronics in agriculture, Elsevier, v. 103, p. 48–54, 2014. Citado na página 16.

[26] SILVA, N. R. da et al. Plant identification based on leaf midrib cross-section images using fractal descriptors. PloS one, Public Library of Science, v. 10, n. 6, p. e0130014, 2015. Citado na página 16.

[27] FALCONER, K. Fractal geometry: mathematical foundations and applications. 2. ed. [S.l.]: John Wiley & Sons, 2003. Citado 11 vezes nas páginas 16, 22, 23, 24, 28, 36, 44, 45, 70, 76 e 88.

[28] OJALA, T. et al. Outex-new framework for empirical evaluation of texture analysis algorithms. In: IEEE. Object recognition supported by user interaction for service robots. [S.l.], 2002. v. 1, p. 701–706. Citado 2 vezes nas páginas 17 e 81.

[29] KILIC, K. I.; ABIYEV, R. H. Exploiting the synergy between fractal dimension and lacunarity for improved texture recognition. Signal Processing, Elsevier, v. 91, n. 10, p. 2332–2344, 2011. Citado 2 vezes nas páginas 17 e 81.

[30] CASANOVA, D.; JUNIOR, J. J. de M. S.; BRUNO, O. M. Plant leaf identification using gabor wavelets. International Journal of Imaging Systems and Technology, Wiley Online Library, v. 19, n. 3, p. 236–243, 2009. Citado 6 vezes nas páginas 17, 18, 81, 83, 84 e 99.

[31] VARMA, M.; ZISSERMAN, A. A statistical approach to texture classification from single images. International journal of computer vision, Springer, v. 62, n. 1-2, p. 61–81, 2005. Citado 4 vezes nas páginas 17, 18, 83 e 96.

[32] VARMA, M.; ZISSERMAN, A. A statistical approach to material classification using image patch exemplars. IEEE transactions on pattern analysis and machine intelligence, IEEE, v. 31, n. 11, p. 2032–2047, 2009. Citado 4 vezes nas páginas 17, 18, 83 e 96.

[33] BACKES, A. R.; CASANOVA, D.; BRUNO, O. M. Plant leaf identification based on volumetric fractal dimension. International Journal of Pattern Recognition and Artificial Intelligence, World Scientific, v. 23, n. 06, p. 1145–1160, 2009. Citado 5 vezes nas páginas 17, 19, 74, 83 e 89.

[34] OJANSIVU, V.; HEIKKILÄ, J. Blur insensitive texture classification using local phase quantization. In: SPRINGER. International conference on image and signal processing. [S.l.], 2008. p. 236–243. Citado 3 vezes nas páginas 17, 18 e 83.

[35] QUAN, Y. et al. Lacunarity analysis on image patterns for texture classification. In: Proceedings of the IEEE conference on computer vision and pattern recognition. [S.l.: s.n.], 2014. p. 160–167. Citado 9 vezes nas páginas 18, 19, 20, 71, 74, 76, 95, 96 e 97. [36] LAZEBNIK, S.; SCHMID, C.; PONCE, J. A sparse texture representation using local

affine regions. IEEE Transactions on Pattern Analysis and Machine Intelligence, IEEE, v. 27, n. 8, p. 1265–1278, 2005. Citado 5 vezes nas páginas 18, 64, 81, 83 e 97.

[37] MATERKA, A.; STRZELECKI, M. et al. Texture analysis methods–a review. Technical university of lodz, institute of electronics, COST B11 report, Brussels, p. 9–11, 1998. Citado na página 18.

[38] LOWE, D. G. Distinctive image features from scale-invariant keypoints. International journal of computer vision, Springer, v. 60, n. 2, p. 91–110, 2004. Citado na página 18. [39] LOPES, R.; BETROUNI, N. Fractal and multifractal analysis: a review. Medical

image analysis, Elsevier, v. 13, n. 4, p. 634–649, 2009. Citado na página 19.

[40] LIU, Y. et al. Multiscale fractal characterization of hierarchical heterogeneity in sandstone reservoirs. Fractals, World Scientific, v. 24, n. 03, p. 1650032, 2016. Citado na página 19.

[41] FLORINDO, J. B.; LANDINI, G.; BRUNO, O. M. Texture descriptors by a fractal analysis of three-dimensional local coarseness. Digital Signal Processing, Elsevier, v. 42, p. 70–79, 2015. Citado na página 19.

[42] ZHANG, Y.; BRADY, M.; SMITH, S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Transactions on Medical Imaging, 20, n. 1, p. 45–57, JAN 2001. ISSN 0278-0062. Citado na página 19.

[43] MOSER, G.; SERPICO, S. B. Combining Support Vector Machines and Mar- kov Random Fields in an Integrated Framework for Contextual Image Classification. IEEE Transactions on Geoscience and Remote Sensing, 51, n. 5, 1, p. 2734–2752, MAY 2013. ISSN 0196-2892. Citado na página 19.

[44] WANG, C.; KOMODAKIS, N.; PARAGIOS, N. Markov Random Field mode- ling, inference & learning in computer vision & image understanding: A survey. Computer Vision and Image Understanding, 117, n. 11, p. 1610–1627, NOV 2013. ISSN 1077-3142. Citado na página 19.

[45] ANDREARCZYK, V.; WHELAN, P. F. Using filter banks in convolutional neural networks for texture classification. Pattern Recognition Letters, Elsevier, v. 84, p. 63–69, 2016. Citado na página 19.

[46] CIMPOI, M. et al. Deep filter banks for texture recognition, description, and segmen- tation. International Journal of Computer Vision, Springer, v. 118, n. 1, p. 65–94, 2016. Citado 5 vezes nas páginas 19, 84, 96, 97 e 99.

[47] DENG, J. et al. Imagenet: A large-scale hierarchical image database. In: IEEE. 2009 IEEE conference on computer vision and pattern recognition. [S.l.], 2009. p. 248–255. Citado na página 19.

[48] ZHANG, J. et al. Local features and kernels for classification of texture and object categories: A comprehensive study. International journal of computer vision, Springer, v. 73, n. 2, p. 213–238, 2007. Citado na página 19.

[49] TUNA, H. Detection and classification of objects and texture. Tese (Doutorado) — bilkent university, 2009. Citado na página 19.

[50] CAVALIN, P.; OLIVEIRA, L. S. A review of texture classification methods and databases. In: IEEE. Graphics, Patterns and Images Tutorials (SIBGRAPI-T), 2017 30th SIBGRAPI Conference on. [S.l.], 2017. p. 1–8. Citado na página 19.

[51] PESQUET-POPESCU, B.; VEHEL, J. Stochastic fractal models for image processing. IEEE Signal Processing Magazine, 19, n. 5, p. 48–62, SEP 2002. ISSN 1053-5888. Citado na página 19.

[52] CHARALAMPIDIS, D.; KASPARIS, T. Wavelet-based rotational in-

variant roughness features for texture classification and segmentation. IEEE Transactions on Image Processing, 11, n. 8, p. 825–837, AUG 2002. ISSN 1057-7149. Citado na página 19.

[53] PLOTZE, R. et al. Leaf shape analysis using the multiscale Minkowski fractal dimension, a new morphometric method: a study with Passiflora (Passifloraceae). Canadian Journal of Botany-Revue Canadienne de Botanique, 83, n. 3, p. 287–301, MAR 2005. ISSN 0008-4026. Citado na página 19.

[54] BACKES, A. R.; BRUNO, O. M. Shape classification using complex network and multi-scale fractal dimension. Pattern Recognition Letters, v. 31, n. 1, p. 44 – 51, 2010. Citado na página 19.

[55] BRUNO, O. M. et al. Fractal dimension applied to plant identification. Information Sciences, v. 178, n. 12, p. 2722 – 2733, 2008. Citado na página 19.

[56] BACKES, A. R.; CASANOVA, D.; BRUNO, O. M. Color texture analysis based on fractal descriptors. Pattern Recognition, 45, n. 5, p. 1984–1992, MAY 2012. ISSN 0031-3203. Citado na página 19.

[57] IVANOVICI, M.; RICHARD, N. Fractal Dimension of Color Fractal Images. IEEE Transactions on Image Processing, 20, n. 1, p. 227–235, JAN 2011. ISSN 1057- 7149. Citado na página 19.

[58] LOPES, R. et al. Local fractal and multifractal features for volumic texture charac- terization. Pattern Recognition, 44, n. 8, p. 1690–1697, AUG 2011. ISSN 0031-3203. Citado na página 20.

[59] KILIC, K. I.; ABIYEV, R. H. Exploiting the synergy between fractal dimension and lacunarity for improved texture recognition. Signal Processing, 91, n. 10, p. 2332–2344, OCT 2011. ISSN 0165-1684. Citado na página 20.

[60] ZUNIGA, A. G.; FLORINDO, J. B.; BRUNO, O. M. Gabor wavelets combined with volumetric fractal dimension applied to texture analysis. Pattern Recognition Letters, 36, p. 135–143, JAN 15 2014. ISSN 0167-8655. Citado na página 20.

[61] FLORINDO, J. B.; BRUNO, O. M. Fractal descriptors based on Fourier spectrum applied to texture analysis. Physica A-Statistical Mechanics and its Applications, 391, n. 20, p. 4909–4922, OCT 15 2012. ISSN 0378-4371. Citado na página 20.

[62] FLORINDO, J. B. et al. A comparative study on multiscale fractal dimension descrip- tors. Pattern Recognition Letters, 33, n. 6, p. 798–806, APR 15 2012. ISSN 0167-8655. Citado na página 20.

[63] XU, Y. et al. Classifying dynamic textures via spatiotemporal fractal analysis. Pattern Recognition, 48, n. 10, p. 3239–3248, OCT 2015. ISSN 0031-3203. Citado na página 20.

[64] CASANOVA, D. et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels. Information Sciences, 346, p. 58–72, JUN 10 2016. ISSN 0020-0255. Citado na página 20.

[65] BACKES, A. R. Upper and lower volumetric fractal descriptors for texture clas- sification. Pattern Recognition Letters, v. 92, p. 9 – 16, 2017. Citado na página 20.

[66] BACKES, A. R.; JUNIOR, J. J. de M. S. LBP maps for improving fractal based texture classification. Neurocomputing, 266, p. 1–7, NOV 29 2017. ISSN 0925-2312. Citado na página 20.

[67] RIBAS, L. C. et al. Fractal dimension of bag-of-visual words. Pattern Analysis and Applications, 22, n. 1, p. 89–98, FEB 2019. ISSN 1433-7541. Citado na página 20.

[68] MOHAMMED, M. A. et al. Neural network and multi-fractal dimen- sion features for breast cancer classification from ultrasound images. Computers & Electrical Engineering, 70, p. 871–882, AUG 2018. ISSN 0045-7906. Citado na página 20.

[69] NAYAK, S. R.; MISHRA, J.; PALAI, G. Analysing roughness of surface through fractal dimension: A review. Image and Vision Computing, 89, p. 21–34, SEP 2019. ISSN 0262-8856. Citado na página 20.

[70] YU, L. et al. Coarse iris classification using box-counting to estimate fractal dimensions. Pattern Recognition, 38, n. 11, p. 1791–1798, NOV 2005. ISSN 0031-3203. Citado na página 20.

[71] MYINT, S. W.; MESEV, V.; LAM, N. Urban textural analysis from remote sen- sor data: Lacunarity measurements based on the differential box counting method. Geographical Analysis, 38, n. 4, p. 371–390, OCT 2006. ISSN 0016-7363. Citado na página 20.

[72] TZENG, Y.-C.; FAN, K.-T.; CHEN, K.-S. A Parallel Differential Box-Counting Algorithm Applied to Hyperspectral Image Classification. IEEE Geoscience and Remote Sensing Letters, 9, n. 2, p. 272–276, MAR 2012. ISSN 1545-598X. Citado na página 21.

[73] HONG, D.; PAN, Z.; WU, X. Improved differential box counting with multi-scale and multi-direction: A new palmprint recognition method. Optik, 125, n. 15, p. 4154–4160, 2014. ISSN 0030-4026. Citado na página 21.

[74] PANIGRAHY, C.; SEAL, A.; MAHATO, N. K. Quantitative texture measurement of gray-scale images: Fractal dimension using an improved differential box counting method. Measurement, 147, DEC 2019. ISSN 0263-2241. Citado na página 21.

[75] PANIGRAHY, C. et al. Differential box counting methods for estimating fractal dimension of gray-scale images: A survey. Chaos Solitons & Fractals, 126, p. 178–202, SEP 2019. ISSN 0960-0779. Citado na página 21.

[76] ADDISON, P. S. Fractals and chaos: an illustrated course. [S.l.]: CRC Press, 1997. Citado na página 22.

[77] FLORINDO, J. B. Descritores fractais aplicados à análise de texturas. Tese (Douto- rado) — Universidade de São Paulo, 2013. Citado 5 vezes nas páginas 23, 39, 50, 51 e 75.

[78] ASSIS, T. A. d. et al. Geometria fractal: propriedades e características de fractais ideais. SciELO Brasil, 2008. Citado na página 23.

[79] LIMA, E. L. Análise Real volume 1. [S.l.]: IMPA, 2017. Citado na página 24. [80] DEVANEY, R. L.; KEEN, L.; ALLIGOOD, K. T. Chaos and fractals: The

mathematics behind the computer graphics. [S.l.]: American Mathematical Soc., 1989. v. 1. Citado na página 25.

[81] MIRANDA, A. J. Fractais: Conjuntos de julia e conjuntos de mandelbrot. Sigmae, v. 1, n. 1, p. 110–118, 2012. Citado na página 25.

[82] PRECIOSO, J. C.; LENARDUZZI, F. N.; PEREIRA, W. F. Dinâmica complexa e fractais. Revista Eletrônica de Matemática, p. 1–28, 2013. Citado na página 27. [83] NUNES, R. S. R. Geometria fractal e aplicações. Departamento de Matemática Pura,

Faculdade de Ciências da Universidade de Porto, 2006. Citado na página 27.

[84] LI, J.; DU, Q.; SUN, C. An improved box-counting method for image fractal dimension estimation. Pattern Recognition, Elsevier, v. 42, n. 11, p. 2460–2469, 2009. Citado na página 38.

[85] LIU, Y. et al. An improved differential box-counting method to estimate fractal dimen- sions of gray-level images. Journal of visual communication and Image Representation, Elsevier, v. 25, n. 5, p. 1102–1111, 2014. Citado na página 38.

[86] SARKAR, N.; CHAUDHURI, B. B. An efficient differential box-counting approach to compute fractal dimension of image. IEEE Transactions on systems, man, and cybernetics, IEEE, v. 24, n. 1, p. 115–120, 1994. Citado na página 38.

[87] LIEBOVITCH, L. S.; TOTH, T. A fast algorithm to determine fractal dimensions by box counting. physics Letters A, Elsevier, v. 141, n. 8-9, p. 386–390, 1989. Citado na

Documentos relacionados