Cortes seccionais

Os 4 caracteres morfol´ogicos apresentados acima tamb´em podem ser empregados, al´em da superf´ıcie foliar, `as imagens de cortes seccionais. As caracter´ısticas da epiderme (Figura 6.11) tamb´em tem sido consideradas de grande valia no estudo das rela¸c˜oes entre esp´ecies (171). (171), por exemplo, usa tais caracter´ısticas observadas no corte transversal da folha para classificar entre 54 esp´ecies de Camellia. O corte transversal da folha permite a visualiza¸c˜ao dos diferentes tipos de estˆomatos e tricomas, formato celular, presen¸ca ou n˜ao de cut´ıcula e/ou hipoderme, estrutura de secre¸c˜ao entre outras coisas (191).

Figura 6.11 – Epiderme foliar de 8 diferentes esp´ecies (192).

Embora essa seja uma abordagem bastante utilizada em sistem´atica, apenas 2 trabalhos utilizam tal caractere taxonˆomico em sistemas automatizados de reconhecimento. Talvez isso se deva ao fato de que essa abordagem demanda uma prepara¸c˜ao das amostras mais apurada, uma vez que as imagens das amostras precisam ser desidratadas, clarificadas e obtidas atrav´es de microsc´opios digitais (192). Isso obviamente inviabiliza a utiliza¸c˜ao desse caractere taxonˆomico em um sistema remoto de reconhecimento ou em locais onde tal equipamento n˜ao esteja dispon´ıvel.

Outra dificuldade envolvida ´e a segmenta¸c˜ao/separa¸c˜ao das estruturas. Visualmente n˜ao h´a grandes dificuldades em tal processo, no entanto computacionalmente ainda h´a desafios

146 6 Classifica¸c˜ao de esp´ecies vegetais baseada em an´alise foliar

devido ao fato de que cada folha possui uma estrutura diferenciada (e.g. n˜ao havendo, por exemplo, cut´ıcula em algumas esp´ecies). Isso dificulta a cria¸c˜ao de regras automatizadas de segmenta¸c˜ao, necessitando de um n´ıvel maior de inteligˆencia do sistema para tratar tal problema. Em Backes et al. (192), por exemplo, a segmenta¸c˜ao ´e realizada utilizando-se o algoritmo de Mumford-Shah, no entanto os autores tratam a hipoderme e a epiderme como uma s´o estrutura, uma vez que a primeira n˜ao est´a presente em todas as esp´ecies estudadas. Em trabalho complementar S´a J´unior (193) os autores adicionam um m´odulo de sele¸c˜ao de atributos ao sistema, alcan¸cando assim ainda melhores resultados. Em ambos os trabalhos os autores utilizam caracter´ısticas de textura e forma para caracterizar o corte histol´ogico.

6.3

Avalia¸c˜ao

Percebe-se pelo exposto que o problema de identifica¸c˜ao vegetal por an´alise foliar au- tomatizada ´e um grande desafio na ´area de vis˜ao computacional. A grande variabilidade intra-esp´ecies e a similaridade inter-esp´ecies vem tornando esse problema fonte de estudos de diversos pesquisadores.

Nesse sentido nada mais justo que avaliar os m´etodos aqui propostos utilizando tal pro- blema. Para isso a base de dados do ImageCLEF 2012 (194) foi selecionada. O ImageCLEF ´e um congresso que proporciona um f´orum para os pesquisadores que trabalham com m´etodos de an´alise de imagem e inteligˆencia artificial. Desde o ano de 2011 um novo desafio foi proposto: a identifica¸c˜ao de esp´ecies atrav´es da an´alise de imagem foliar. Como dito anteriormente, nosso grupo j´a vem trabalhando nesse tipo de problema h´a mais de uma d´ecada, e nesse sentido seria mais que conveniente aceitar o desafio.

A base de dados Pl@antLeaves (132) ´e composta por 11572 imagens de 126 esp´ecies foi criada pelo projeto francˆes Pl@ntNet (INRIA, CIRAD, Telabotanica). Dessa base original 2 esp´ecies foram suprimidas nesse estudo por conterem apenas 1 amostra cada, totalizando assim 11570 imagens de 124 esp´ecies. As imagens apresentam-se de 3 diferentes formas: (1) Scan: 6630 imagens coletadas com utiliza¸c˜ao de scanner (orientadas e com luminosidade controlada); (2) Scan-like: 2726 imagens coletadas com uma cˆamera fotogr´afica (orientadas por´em com varia¸c˜oes de ilumina¸c˜ao, distor¸c˜oes e sombras); (3) Free natural photos: 2214 imagens obtidas tamb´em com auxilio de uma cˆamera fotogr´afica, por´em diretamente da plan- ta/´arvore (apresenta fundo n˜ao uniforme, problemas com rota¸c˜ao, escala entre outros). Para o terceiro tipo de imagem uma pr´e-segmenta¸c˜ao manual foi realizada de forma a isolar a folha do fundo da imagem (16, 17). Adicionalmente cada imagem cont´em um arquivo xml associado contendo diversas informa¸c˜oes sobre a planta. A Tabela 6.1 apresenta a rela¸c˜ao das esp´ecies

6.3 Avalia¸c˜ao 147

contidas na base de dados e o n´umero de folhas por esp´ecie (NF).

Tabela 6.1 – Base de dados foliar: rela¸c˜ao das esp´ecies e n´umero de folhas por esp´ecie

Esp´ecie NF Esp´ecie NF Esp´ecie NF

Viburnum opulus 68 Crataegus monogyna 166 Rhamnus cathartica 43 Platanus x hispanica 150 Morus nigra 7 Ulmus minor 367 Paliurus spina-christi 73 Prunus serotina 24 Buxus sempervirens 297 Ilex aquifolium 125 Fraxinus angustifolia 147 Arbutus unedo 147 Ginkgo biloba 160 Pistacia terebinthus 116 Celtis australis 236 Quercus rubra 26 Olea europaea 270 Fagus sylvatica 80 Fraxinus ornus 77 Quercus coccifera 76 Mespilus germanica 47 Daphne cneorum 157 Populus alba 157 Acer monspessulanum 174

Alnus cordata 73 Buddleja davidii 122 Syringa vulgaris 104 Euphorbia characias 205 Frangula dodonei 13 Cercis siliquastrum 228 Robinia pseudoacacia 146 Juglans nigra 55 Diospyros kaki 135 Vitex agnus-castus 127 Acer opalus 60 Liriodendron tulipifera 46

Quercus petraea 78 Ficus carica 124 Hedera helix 243 Cotinus coggygria 170 Pittosporum tobira 244 Laburnum anagyroides 53 Pistacia lentiscus 188 Acer pseudoplatanus 37 Phillyrea angustifolia 335 Quercus pubescens 132 Pittosporum tenuifolium 104 Populus nigra 215 Nerium oleander 209 Photinia serrulata 65 Quercus ilex 287 Magnolia grandiflora 111 Corylus avellana 196 Viburnum lantana 36 Prunus laurocerasus 82 Laurus nobilis 144 Prunus padus 8

Cornus mas 71 Eriobotrya japonica 99 Aesculus hippocastanum 89 Viburnum tinus 253 Rhus coriaria 179 Populus tremula 81 Crataegus azarolus 81 Ligustrum vulgare 47 Acer campestre 183 Broussonetia papyrifera 130 Cornus sanguinea 69 Tilia cordata 35

Morus alba 81 Ruscus aculeatus 241 Castanea sativa 105 Acer negundo 97 Capparis spinosa 59 Acer platanoides 91 Carpinus betulus 104 Sorbus aria 29 Sorbus domestica 41 Juniperus oxycedrus 164 Sophora japonica 68 Prunus dulcis 40 Rhus typhina 63 Gleditsia triacanthos 73 Punica granatum 134 Liquidambar styraciflua 45 Rhamnus alaternus 116 Melia azedarach 49

Prunus spinosa 22 Ailanthus altissima 90 Prunus serrulata 6 Salix alba 14 Acer saccharinum 24 Albizia julibrissin 77 Quercus palustris 32 Elaeagnus angustifolia 11 Alnus glutinosa 52 Betula pendula 107 Sambucus nigra 52 Sorbus torminalis 38 Crataegus laevigata 17 Juglans regia 53 Prunus avium 70 Euonymus europaeus 31 Sorbus latifolia 12 Koelreuteria paniculata 18 Quercus cerris 32 Tilia platyphyllos 28 Fraxinus excelsior 35 Sorbus intermedia 24 Quercus robur 35 Betula utilis var. jacquemontii 26 Colutea arborescens 14 Sorbus aucuparia 4 Betula pubescens 16 Malus sylvestris 25 Ostrya carpinifolia 13 Cerasus mahaleb 55 Populus trichocarpa 4 Salix caprea 28 Salix cinerea 3

Ulmus laevis 13 Tilia x europaea 2 Salix fragilis 3 Pyrus nivalis 2 Xanthium strumarium 1 Euonymus latifolius 1

Os 4 diferentes caracteres morfol´ogicos s˜ao extra´ıdos sobre essa base de dados, a saber: 1. Forma: A extra¸c˜ao da forma foliar d´a-se por simples limiariza¸c˜ao para eliminar o fundo

e posterior utiliza¸c˜ao do algoritmo do ceguinho (110).

2. Textura: 30 amostras de textura de tamanho 128x128 s˜ao extra´ıdas, sem sobreposi¸c˜ao, da superf´ıcie foliar. Caso a folha seja de tamanho muito reduzido admite-se sobreposi¸c˜ao. As caracter´ısticas de textura s˜ao ent˜ao extra´ıdas de cada amostra de textura, sendo que uma m´edia do 30 vetores de caracter´ısticas ´e obtida para cada folha (processo similar ao utilizado em (176)).

3. Cor: A colora¸c˜ao foliar ´e analisada atrav´es do mesmo processo para an´alise de textura, ou seja, com m´edia de 30 amostras de textura extra´ıdas por folha.

148 6 Classifica¸c˜ao de esp´ecies vegetais baseada em an´alise foliar

4. Vena¸c˜ao: Como j´a comentado a extra¸c˜ao da vena¸c˜ao foliar exige processos qu´ımicos n˜ao dispon´ıveis nessa base de dados. A vena¸c˜ao foliar ´e ent˜ao aproximada atrav´es da extra¸c˜ao esqueletos espa¸co-escala (ver notas no Anexo A.3).

A identifica¸c˜ao foliar ´e realizada utilizando-se o classificador LDA+Bayes com valida¸c˜ao cruzada 10-fold (detalhes podem ser consultados no Anexo B). Incluem-se, para efeitos com- parativos, alguns trabalhos concebidos especificamente para de analise foliar.