A textura e o algoritmo Otsu/RNA foram escolhidos como métodos para extrair informação dos objetos de interesse e segmentar as imagens originais. Estas escolhas ocorrem com base nos resultados dos experimentos ilustrados nos itens anteriores.
A Figura 24 mostra os passos utilizados para o reconhecimento de padrão. Inicialmente, os vetores de características baseados em textura são apresentados à RNA e ao k-means. Em seguida, um percentual de acertos é então computado para cada algoritmo.
Figura 24- Passos utilizados no reconhecimento de padrão
A RNA e o k-means processaram as informações de cada objeto contido nas 22 imagens escolhidas para a realização do experimento. Cada imagem continha em média, aproximadamente 150 objetos. Cada objeto foi então classificado como planta invasora ou girassol.
O algoritmo k-means foi configurado com dois centróides que representam cada um, um grupo de objetos a serem reconhecidos. A distância euclidiana foi então calculada para cada objeto no intuito de reconhecê-lo como membro de girassol ou plantas invasoras. A Figura 25 (c) mostra o resultado visual obtido pelo k-means, quando o objetivo é encontrar o girassol na imagem.
Uma RNA de alimentação para frente, com algoritmo de aprendizado por retro- propagação foi utilizada. O aprendizado da RNA foi baseado na utilização de sessenta pixels dos objetos de interesse segmentados. Destes, trinta pixels foram amostras de girassóis e trinta foram amostras de plantas invasoras. A Figura 25 (d) mostra o resultado visual alcançado pela RNA em uma imagem digital, no reconhecimento de padrão.
Figura 25 - (a) Imagem original; (b) Imagem segmentada por Otsu/RNA; (c) Girassol identificado pelo k-means; (d) Girassol identificado pela RNA.
A análise de desempenho dos algoritmos foi baseada, inicialmente, na classificação visual. Ou seja, foi necessário determinar anteriormente quais dos objetos de interesse eram girassol e plantas invasoras. A RNA e o k-means classificam posteriormente os objetos como girassol ou planta invasora. A classificação visual é comparada com a classificação dos algoritmos e então um percentual de acertos (%) é computado.
Inicialmente, foram escolhidas 11 imagens capturadas no 15º dia, e então, o percentual de acertos % (Tabela 5) dos objetos contidos em cada imagem foi computado.
Tabela 5 - Percentuais de acertos (%) do algoritmo k-means e RNA obtidos em imagens capturadas no 15º dia.
Imagem Objetos (%)RNA (%)k-means
22 128 96 99,2 23 51 90,1 74,5 24 65 100 63 25 32 84,3 68,7 26 174 94,8 54 27 130 100 59,2 28 281 93 98,5 29 239 96,7 98,7 30 212 92,8 60,8 31 205 97,1 60,4 32 137 97,5 71,5
Um gráfico representativo daTabela 5 é projetado na Figura 26 no intuito de mostrar a variação dos percentuais de acertos para cada algoritmo em questão, em cada imagem analisada.
Figura 26 - Resultados do reconhecimento de padrão no 15º dia, para a RNA e o k-means.
Através do gráfico da Figura 26, percebe-se que o algoritmo k-means na maioria das imagens analisadas demonstrou um percentual de acertos menor quando comparado à RNA, apesar de possuir um percentual de acerto maior nas imagens 22, 28 e 29. O k-means obteve também o pior percentual de acertos na imagem 26, que foi de 54 % enquanto que a RNA obteve o maior percentual de acertos (100%) na imagem 24.
Posteriormente, outras 11 imagens capturadas no 21º dia foram avaliadas. A Tabela 6 mostra os percentuais de acertos obtidos para esse novo conjunto de amostras.
Tabela 6 - Percentuais de acertos (%) do algoritmo k-means e RNA obtidos em imagens capturadas no 21º dia.
Imagem Objetos (%)RNA (%) k-means
33 61 90,1 98,3 34 73 98,6 95,8 35 102 92,1 99 36 101 95 99 37 117 93,1 98,2 38 83 96,3 96,3 39 97 89,6 97,9 40 109 96,3 52,2 41 109 91,7 71,5 42 66 86,3 96,9 43 79 97,4 98,7
O gráfico representado na Figura 27 mostra que o algoritmo k-means na maioria das imagens analisadas possui uma percentual de acertos maior do que a RNA, no entanto, ainda atinge o pior percentual de acertos de 52,2 %.
Figura 27 - Resultados do reconhecimento de padrão no 21º dia, para a RNA e o k- means.
Diante dos resultados obtidos nas tabelas 5 e 6, foi criada a Tabela 7, onde a média e o desvio-padrão destes resultados são avaliados. Pretende-se desta forma comparar a média e o desvio-padrão dos resultados obtidos de cada amostra do conjunto de imagens capturas no 15º dia com a média e o desvio-padrão do conjunto de imagens obtidas no 21º dia.
Tabela 7 - Análise estatística dos acertos obtidos pela RNA e pelo k-means.
Redes neurais k-means
15º dia 21º dia 15º dia 21º dia
Média 94,8 % 93,3 % 73,5 % 91,3 %
Desvio padrão 4,5 3,7 17,2 15,1
Os resultados obtidos no reconhecimento de padrão através da RNA revelam uma média satisfatória de acertos (maior que 90 %), contabilizada em 94,8 % e 93,3 %, no 15º e 21º dias, respectivamente. O desvio padrão se manteve estável sendo considerado um valor representante de pouca dispersão no conjunto. Assim, imagens capturadas em dias e horários diferentes, tendo supostas variações de luminosidade, possuem os seus objetos de interesse reconhecidos por uma RNA, obtendo praticamente o mesmo percentual médio de acertos.
Os resultados obtidos no reconhecimento de padrão através de algoritmo k- means revelaram uma média abaixo do desempenho das redes neurais, contabilizada em 73,5% e 91,3%, no 15º e 21º dias, respectivamente. O desvio padrão se manteve estável sendo considerado um valor representante de maior dispersão no conjunto, comparado ao desvio da RNA. Assim, imagens capturadas em dias, clima e horários diferentes, com supostas variações de luminosidade, possuem os seus objetos de interesse reconhecidos pelo algoritmo k-means, no entanto, existe uma variação
considerável entre a média de acertos encontrada no 15º e o 21º dia. Também é possível observar médias de acerto insatisfatórias para alguns conjuntos de amostras.
Algoritmo KM E ANS RN A M é d ia 100 90 80 70 DIA15 DIA21
Figura 28 - Variação de desempenho dos algoritmos RNA e k-means, considerando os resultados do 15º e 21º dias.
A análise da variação da média dos acertos proporcionados pelo algoritmo k- means e pela RNA, considerando a passagem do 15º dia para o 21º dia, representada pelo gráfico da Figura 28, demonstra que a média de acertos da RNA se manteve estável quando comparada com o k-means.
Diante da análise dos dados e gráficos realizada anteriormente, conclui-se que a RNA obtêm melhores resultados comparados aos resultados do k-means, no conjunto de imagens capturadas no 15º dia e no 21º dia.
6 CONCLUSÕES
O algoritmo de Otsu apresenta uma alta discrepância na segmentação de imagens, no 15º e 21º dias de coleta de dados. A RNA e o Otsu/RNA possuem baixas discrepâncias quando comparadas ao Otsu. Considerando a média das discrepâncias, o algoritmo Otsu/RNA possui uma menor média comparada a média da RNA. Assim, o Otsu/RNA representa o algoritmo que obteve melhores resultados na segmentação de imagens no contexto de plantas.
Os espaços de características baseados em textura e baseados na média do espaço de cor RGB foram analisados sendo que a textura é a característica que obtém um espaço linearmente separável. Além disso, a análise de desempenho de um RNA mostra que vetores de características baseados em textura fazem a RNA obter percentuais de acertos maiores do que a média do espaço de cor RGB. Assim, a textura se torna a característica adequada para o reconhecimento de padrão.
Na comparação entre a RNA e o k-means no reconhecimento de padrão foi constatado que a RNA obteve as maiores médias de percentual de acertos no 15º e 21º dias. Além disso, considerando a variação da média entre os dias de coleta, a RNA obteve pouca variação o que pode representar estabilidade do algoritmo. Desta forma, a RNA torna-se o algoritmo propício para reconhecer padrão e plantas em ambiente aberto.
Conclui-se assim, que apesar da variação de luminosidade no ambiente, fato que representa limitações no tratamento de imagens, é possível associar um conjunto de algoritmos no intuito de compensar tal variação. Nesse contexto, o conjunto de algoritmos é formado pelo Otsu/RNA na etapa de segmentação; características baseadas em textura, na representação e descrição; e uma RNA para reconhecer padrão.
Os resultados satisfatórios demonstram a flexibilidade dos algoritmos, no entanto a média de acertos pode ser melhorada, se alguns novos estudos forem realizados. Dentre eles, recomenda-se pesquisa por características invariáveis, verificar a dimensionalidade ideal para o vetor de características ou mesmo associar um sensor de luz na etapa de aquisição das imagens de modo a quantificar a luminosidade de cada cena.
Apesar destas limitações, a média de 94 % conseguida nos experimentos demonstra a possibilidade de atuação prática do algoritmo em plantações reais.
Referências bibliográficas
Abdou, I. E. survey of image quality measurements. Univ of Delaware, Newark, DE, p 71- 78, 1986.
Aitkenhead, M.J.; Dalgetty, I.A.; Mullins, C.E.; McDonald, A.J.S.; Strachan, N.J.C. Weed and crop discrimination using image analysis and artificial intelligence methods.Computers and Electronics in Agriculture,Uk, v.39,n.3,p.157-171 ,Aug.2003.
Alberto J. P. ; Juan C. C., Genetic algorithms for linear feature extraction, Pattern Recognition Letters, In Press, Corrected Proof, , Available online 18 Apr. 2006.
Amet, A.L.; Ertuzun, A.; Ercil, A., Texture defect detection using subband domain co- occurrence matrices, Image Analysis and Interpretation, IEEE Southwest Symposium on , v. 5, n.7, p.205-210, Apr 1998
Arora,G;Sahoo,K.P. Image thresholding using two-dimensional Tsallis–Havrda–Charvát entropy. Pattern Recognition Letters, V.27, n.6, p.520-528, April.2006.
Ashok S.; James R. B.; Dongsheng Z. Texture as the basis for individual tree identification. Information Sciences, v.176, n.5, p.565-576, Mar.2006.
Bandyopadhyay, S. ; Murthy, C. A.;Pal, S. K. Pattern classification with genetic algorithms. Pattern Recognition Letters, v.16, n.8, p.801-808, August 1995.
Barron,U. G; Butler, Francis. A comparison of seven thresholding techniques with the k- means clustering algorithm for measurement of bread-crumb features by digital image analysis. Journal of Food Engineering, V.74, n.2, p.268-278, May.2006.
Batlle, J.;Casals, A.; Freixenet, J.; Marti, J. A review on strategies for recognizing natural objects in colour images of outdoor scenes, Image and Vision Computing, v.18, n.6, p.515- 530, May 2000.
Beltrán, N.H.; Mermoud, M.A.; Bustos, M.A.; Salah, S.A.; Loyola, E.A.; Neira, A.I. ; Jalocha, J.W. Feature extraction and classification of Chilean wines. Journal of Food Engineering, v.75, n.1, p.1-10, Jul.2006.
Bovis, K.; Singh, S.; Fieldsend, J.; Pinder, C. Identification of masses in digital mammograms with MLP and RBF nets. Neural Networks, 2000. IJCNN 2000, Proceedings of the IEEE- INNS-ENNS International Joint Conference on . v.1, p.342-347, 2000
Brekke, C.; Solberg, A.H. S. Oil spill detection by satellite remote sensing Remote Sensing of Environment, In Press, Corrected Proof, v.95,n.1,p.1-13.Mar 2005.
Bulanon, D. M.; Kataoka, T. ; Ota, Y. ; Hiroma, T. AE--Automation and Emerging Technologies: A Segmentation Algorithm for the Automatic Recognition of Fuji Apples at Harvest, Biosystems Engineering, v.83, n.4, p.405-412, Dec.2002.
Bulanon, D.M.; Kataoka, T.; Okamoto, H.; Hata, S., "Development of a real-time machine vision system for the apple harvesting robot, SICE 2004 Annual Conference , v.1, n.4, p. 595- 598, Aug. 2004.
Burks, T,F.; Heath, J,R.; Donohue, K,D.Evaluation of Neural-network Classifiers for Weed Species Discrimination. Biosystems Engineering. V.91,n.3,p.293-304, Jul. 2005.
Burks, T.F.; Shearer, S.A.; Heath, J.R.; Donohue, K.D. Evaluation of Neural-network Classifiers for Weed Species Discrimination, Biosystems Engineering, v.91, n.3, p.293- 304,Jul. 2005.
Busin, L.; Vandehbroucke, N.; Macaire, L.; Postaire, J.G. Color space selection for unsupervised color image segmentation by histogram multi-thresholding. Image Processing. 2004. ICIP '04. 2004 International Conference on , v.1, n. p. 203- 206, Oct. 2004
Chapron, M.; Boissard, P.; Assemat, L. A Multiresolution based Method for Recognizing Weeds in corn Fields,p.303-306, 2000.
Chenaoua, K.S.; Bouridane, A.; Kurugollu, F.Unsupervised histogram based color image segmentation.Electronics, Circuits and Systems, 2003. ICECS 2003. Proceedings of the 2003 10th IEEE International Conference on.v.1, n.1, p.240 – 243, Dec. 2003
Cheng, H. D.; Jiang, X. H.; Sun, Y.; Jingli W. Color image segmentation: advances and prospects, Pattern Recognition, v.34, n.12, p.2259-2281, Dec.2001.
Cheng-Lin Liu and Hiroshi Sako. Class-specific feature polynomial classifier for pattern classification and its application to handwritten numeral recognition. Pattern Recognition, v.39, n.4, p.669-681, Apr.2006.
Cho,S. I; Lee, D. S; Jeong, J. Y. Weed-plant Discrimination by Machine Vision and Artificial Neural Network. Biosystems Engineering, South Korea,v.83,n.3,p.275-280, Nov 2002.
Chun Che Fung; Iyer, V.; Brown, W.; Kok Wai Wong. Comparing the Performance of Different Neural Networks Architectures for the Prediction of Mineral Prospectivity. Machine Learning and Cybernetics, 2005. Proceedings of 2005 International Conference on. v.1, n.1, p. 394- 398, Aug. 2005.
Demir, C.; Gultekin, S.H.; Yener, B.Learning the topological properties of brain tumors. Computational Biology and Bioinformatics, IEEE/ACM Transactions on . v.2, n.3,p.262- 270, Jul. 2005
Demute, B. (2001), Neural Network Toolbox for use with MATLAB.
Dong, Liju; Yu,Ge; Fast search for thresholds from 1D and 2D histograms by an iterative algorithm for image segmentation.Systems, Man and Cybernetics, 2004 IEEE International Conference on. v.4, n.4 ,p.3057-3062, Oct. 2004.
Drimbarean, A.; Whelan, P. F. Experiments in colour texture analysis. Pattern Recognition Letters. v.22, n.10, p.1161-1167, Aug. 2001.
Dubuisson, J.M. P.; Gupta A.. Color and texture fusion: application to aerial image segmentation and GIS updating, Image and Vision Computing, v.18, n.10, p.823-832, July 2000.
Efe, M.O.; Kaynak, O.; Wilamowski, B.M., Training of fuzzy inference systems by combining variable structure systems technique and Levenberg-Marquardt algorithm. Industrial Electronics
Society, 1999. IECON '99 Proceedings. The 25th Annual Conference of the IEEE. v.2, n.2, p.514-
519, 1999.
Etxeberria, R; Larrañaga, P; Picaza, J. M. Analysis of the behaviour of genetic algorithms when learning Bayesian network structure from data.Pattern Recognition Letters, V.18, n.11- 13,p.1269-1273,Nov.1997.
Fraser, R. H.; Li,Z. Estimating fire-related parameters in boreal forest using spot vegetation. Remote Sensing of Environment,v.82,n.1,p.95-110,Set.2002.
Garai, G.; Chaudhuri, B, B. A novel genetic algorithm for automatic clustering Pattern Recognition Letters, V. 25, n.2, p.173-187, Jan.2004.
Gonzalez, C.Rafael & Woods,E.Richard. Processamento de Imagens Digitais, São Paulo: Edgard Blucher, 2000.
Goumeidane, A.B.; Khamadja, M.; Belaroussi, B.; Benoit-Cattin, H.; Odet, C. New discrepancy measures for segmentation evaluation. Image Processing, 2003. ICIP 2003. Proceedings. 2003 International Conference on. v.2, n.3, p.411-414, Sept. 2003
Hagan, M.T.; Menhaj, M.B. Training feedforward networks with the Marquardt algorithm. Neural
Networks, IEEE Transactions on , v.5, n.6, p.989-993, Nov 1994.
Han, M.; Cheng, L.; Meng, H.Application of Four-layer Neural Network on Information Extraction.Neural Netw. v.16, n.5,p.547-553, Jun. 2003.
Healey,G.; Slater,D. Computing illumination-invariant descriptors of spatially filtered color image regions. IEEE Transactions on Image processing. V.6, n.7, p.1002-1013, Jul.1997. Ho, S.; Lee, K. Design and analysis of an efficient evolutionary image segmentation algorithm. J. VLSI Signal Process. v. 35, n.1, p.29-42, Aug. 2003.
Jackson,T.J.; Chen, D.; Cosh, M.; Li, F.;Anderson,M.; Walthall,C.;Doriaswamy,P.;Hunt, E.R. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans. Remote Sensing of Environment,v.92,n.4, p. 475-482,Set.2004
Jaiswal,R.K.; Mukherjee,S.; Raju,D.K.; Saxena,R. Forest fire risk zone mapping from satellite imagery and GIS. International Journal of Applied Earth Observation and Geoinformation,v.4,n.1,p.1-10,Aug.2002.
Kavdir, I. Discrimination of sunflower, weed and soil by artificial neural networks . Computers and Electronics in Agriculture. Turkey, v.44, n.2,p.153-160, Aug.2004.
Keramitsoglou,I; Cartalis,C; Kiranoudis,C.T. Automatic identification of oil spills on satellite images. Environmental Modelling & Software,Feb.2005.
Khan, S. S. ; Ahmad, A. Cluster center initialization algorithm for k-means clustering. Pattern Recognition Letters, V.25, n.11, p.1293-1302, Aug. 2004.
Kim, a, Yi. Eun; Park, Hyun. S; Hwang, Won. S; Kim, Joon.H. Video sequence segmentation using genetic algorithms. Pattern recognition letters, v.23, p.843-863, 2002.
Krishna, K.; Narasimha, M. M. Genetic K-Means Algorithm. 1999
Kurugollu, F.;Sankur, B. ; Harmanci, A. E. Color image segmentation using histogram multithresholding and fusion. Image and Vision Computing, v.19, n.13, p.915-928, Nov.2001.
Kwon, Y. ; Moon, B. 2005. Nonlinear feature extraction using a neuro genetic hybrid. In Proceedings of the 2005 Conference on Genetic and Evolutionary Computation. Usa, Jun.2005.
Liu,Z.; Liu, A.; Wang, C.; Niu, Z..Evolving neural network using real coded genetic algorithm(GA) for multispectral image classification. 2004.
Luo S.; Zhang, Q.; Luo, F.; Wang, Y.; Chen, Z. An improved moment-preserving auto threshold image segmentation algorithm, Coll. of Mechatronics Eng. & Autom, v.21, n.25, p.316- 318, 2004.
Mahamadou, I.; Marc A. Texture classification using Gabor filters. Pattern Recognition Letters. v.23,n.9, p.1095-1102,Jul.2002.
Marchant, J. A. ; Onyango, C. M.Comparison of a Bayesian classifier with a multilayer feed- forward neural network using the example of plant/weed/soil discrimination. Computers and Electronics in Agriculture, V.39, n.1, p.3-22, April 2003.
Marques, F. O.; Vieira, N.H. Processamento Digital de Imagens,São Paulo: Brasport,1999. Mery, D. Pedreschi, F. Segmentation of colour food images using a robust algorithm, Journal of Food Engineering, v.66, n.3, p.353-360, Feb.2005.
Metternicht, G. I.; Zinck, J. A. Remote sensing of soil salinity: potentials and constraints. Remote Sensing of Environment, v.85, n.1,p. 1-20,Apr.2003.
Metzler, V.; Palm, C.; Lehmann, T.; Aach, T.Texture classification of gray-level images by multiscale cross co-occurrence matrices. Pattern Recognition, 2000. Proceedings. 15th International Conference on. v.2, p.549-552, 2000
Meyer, George. E; Neto, João.Camargo; Jones,David.D; Hindman, Timothy W. Intensified fuzzy clusters for classifying plant, soil, and residue regions of interest from color images. Computers and Electronics in Agriculture, Usa, v. 42, n. 3, p. 161-180, Mar.2004.
Moshou, D.; Vrindts,E.; Ketelaere, D. B.; Baerdemaeker, D. J.; Ramon, H. A Neural Network Based plant Classifier. Computers and Electronics in Agriculture, Belgium, v. 31, n. 1, p. 5- 16, Mar.2001.
Murthy, C,A; Chowdhury, N. In search of optimal clusters using genetic algorithms. Pattern Recognition Letters, V.17, n.8, p.825-832, Jul.1996.
Nascimento, Cairo L.; Yoneyama, Takashi. Inteligência artificial em controle e automação.1ª.São Paulo:Edgard Blücher, 2000.
Navon ,E.; Miller, O.; Averbuch, A. Color image segmentation based on adaptive local thresholds. Image and Vision Computing, v.23, n.1, p. 69-85, Jan. 2004.
Nick, D.; Tillett, T.; Hague.; Miles, S. J. A field assessment of a potential method for weed and crop mapping on the basis of crop planting geometry, Computers and Electronics in Agriculture, V.32, n.3, p.229-246, Out.2001.
Nurettin Acır. A support vector machine classifier algorithm based on a perturbation method and its application to ECG beat recognition systems . Expert Systems with Applications, v.31,n.1, p.150-158, Jul.2006.
Olle H. ;Olga R. Detection of Forest Decline in Monchegorsk Area, Remote Sensing of Environment. v.63, n.1, p. 11-23, Jan 1998.
Ong, S. H.; Yeo, N. C. ; Lee, K. H. ; Venkatesh, Y. V.; Cão, D. M. Segmentation of color images using a two-stage self-organizing network, Image and Vision Computing, v.20, n.4, p.279-289, Apr. 2002.
Parisi, R.;E.; Cláudio, Orlandi, D., G.; Rao, B. D. A generalized learning paradigm exploiting the structure of feedforward neural networks. IEEE Trans. Neural Networks, v. 7, p.1450– 1459, Nov.1996.
Peña, J. M.; Lozano, J. A.; Larrañaga, P. An empirical comparison of four initialization methods for the K-Means algorithm.Pattern Recognition Letters, v.20, n.10, p.1027-1040, Oct. 1999.
Pérez, A. J.; López, F.; Benlloch, J. V.; Christensen, S. Colour and shape analysis techniques for weed detection in cereal fields, Computers and Electronics in Agriculture, v.25, n.3, , p.197-212, Feb.2000.
Phinn, S.R.; Dekker, A.G.; Brando, V.E.; Roelfsema, C.M. Mapping water quality and substrate cover in optically complex coastal and reef waters: an integrated approach. Marine Pollution Bulletin, Nov.2004
Ramesh, N.; Yoo, J.-H.; Sethi, I.K.; Thresholding based on histogram approximation.Vision, Image and Signal Processing, IEE Proceedings. V. 142, n.5, p.271 – 279,Oct. 1995.
Rangsanseri, Y. Comparison between co-occurrence and wavelet features for characterization of urban environments by SAR data, Microwave Conference, 2000 Asia- Pacific. p.330-332, 2000
Ruud M. Bolle, Jonathan H. Connell and Nalini K. Ratha. Biometric perils and patches . Pattern Recognition, v.35,n.12, p.2727-2738, Dez.2002.
Sage, K.; Young, S. Security applications of computer vision. Aerospace and Electronic Systems Magazine, IEEE , v.14, n.4, p.19-29, Apr 1999.
Sapina, R. Computing textural features based on co-occurrence matrix for infrared images. Image and Signal Processing and Analysis, 2001. ISPA 2001. Proceedings of the 2nd International Symposium on. p.373-376, 2001.
Shehroz S. Khan; Amir A. Cluster center initialization algorithm for k-means clustering. Pattern Recognition Letters. v.25, n.11, Pages 1293-1302, aug.2004
Shih,F, Y., Cheng, S. Automatic seeded region growing for color image segmentation. Image and Vision Computing, 2005
Sing, J.K.; Basu, D.K.; Nasipuri, M.; Kundu, M.Improved k-means algorithm in the design of RBF neural networks. Conference on Convergent Technologies for Asia-Pacific Region , v.2, n.15-17, p. 841- 845, Oct. 2003.
Soille, P. Morphological image analysis applied to crop field mapping, Image and Vision Computing, v.18, n.13, p.1025-1032, Out. 2000.
Sunil K. S.; Paul W. F. Neuro-fuzzy network for the classification of buried pipe defects. Automation in Construction, v.15, n.1, p.73-83, Jan 2006.
Tang, x. Texture information in run-length matrices. Image Processing, IEEE Transactions on , v.7, n.11,p.1602-1609, Nov 1998.
Tao D.; Li X.; Yuan Y.; Yu N.; Liu Z.; Tang X., A set of novel textural features based on 3D co- occurrence matrix for content-based image retrieval, Information Fusion, 2002. Proceedings of the Fifth International Conference on, v.2, n.2, p.1403- 1407, 2002
Tuceryan, M.; Jain,K.A.Texture Analysis. The Handbook of Pattern Recognition and Computer Vision, n.2. p. 207-248, 1998.
Unay D.; Gosselin B. Stem and calyx recognition on 'Jonagold' apples by pattern recognition. Journal of Food Engineering, v.78, n.2, p.597-605, Jan.2006.
Venkatesh, Y. V.; Raja K.S.. On the classification of multispectral satellite images using the multilayer perceptron. Pattern Recognition, v.36, n.9, p.2161-2175 Set. 2003.
Vitabile, S.; Pollaccia, G.; Pilato, G.; Sorbello, E. Road signs recognition using a dynamic pixel aggregation technique in the HSV color space. Image Analysis and Processing, 2001. Proceedings. 11th International Conference on , v.26, n.28, p.572-577, Sep 2001.
Wang, Q.; Xue, J.; Zhao, R.;Chi, Z.; Feng, D.On the maximization of the crispness of 2D grayscale histogram for image thresholding. Signal Processing, 2002 6th International Conference on, v.2, n.26-30, p.981-984, Aug. 2002.
Yang, Chun.Chieh; Prasher,O. Shiv; Landry, Jacques.Andre; Kok,Robert. A Vegetation Localization Algorithm for Precision Farming. Biosystems Engineering, Canada , v. 81, n. 2, p. 137-146, Feb. 2002.
Yeo, N.C.; Lee, K.H.; Venkatesh, Y.V. ; Ong, S.H., Colour image segmentation using the self- organizing map and adaptive resonance theory. Image and Vision Computing. v.23, n.12, p.1060-1079, Nov.2005.
Zeke S.H. C.; Lesley C. ; Kasabov. N. An efficient greedy k-means algorithm for global gene trajectory clustering. Expert Systems with Applications, v.30, n.1, p.137-141, Jan. 2006. Zhang,Yu. Jin;A review of recent evaluation methods for image segmentation. Signal Processing and its Applications, Sixth International, Symposium on. v.1, n.1, p.148-151, Aug. 2001.
Zhao, H.; Sun, S.; Jing, Z.; Yang, J. Local structure based supervised feature extraction, Pattern Recognition, v.39, n.8, p.1546-1550, Aug.2006.
Zhengjun, L.; Aixia, L.; Changyao, W. ; Zheng, N. Evolving neural network using real coded genetic algorithm (GA) for multispectral image classification. Future Generation Computer Systems, V.20, n.7, p.1119-1129, Out.2004.
Zhou, G.; Si, J.Advanced neural-network training algorithm with reduced complexity based on Jacobian deficiency. Neural Networks, IEEE Transactions on , v.9, n.3,p.448-453, May 1998
APÊNDICE A - O Ambiente computacional
O ambiente para realização do experimento é composto dos módulos de aquisição de imagens, segmentação e classificação implementados no ambiente do MATLAB. Usando o GUI (Guide User Interface), foi implementado um menu denominado de tela inicial do ambiente, onde são acessados cada módulo do sistema. O ambiente foi implementado em módulos no intuito de possibilitar a inserção futura de diversos tipos de imagens e conseqüentemente a possibilidade de visualizar aplicações diferentes, como também a substituição dos métodos utilizados por novas aplicações que se adaptem melhor a outras imagens, permitindo assim o reuso do ambiente.
Os métodos utilizados nos módulos a serem descritos são implementados através de funções. Desta forma a substituição destas, permitem a adaptação do ambiente, na utilização futura de outras aplicações diferentes do reconhecimento de plantas invasoras.
Dentre os módulos citados, será dada ênfase ao modulo de classificação, objetivando o estudo da eficácia de algoritmos nele incluso.
Tela Inicial
A tela inicial do ambiente é representada pelo menu da Figura 29 onde cada item