No decorrer deste trabalho, verificamos algumas oportunidades de continuidade desse estudo e nesta seção sugerimos algumas possibilidades de modificações no mé- todo proposto e de novos experimentos que poderão ser realizados como trabalhos futuros.
Desta forma, considerando que nossos experimentos foram realizados utilizando os classificadores kNN e Redes Neurais MLP, é natural que experimentos utilizando outros classificadores como Support Vector Machine, Naive Bayes e Decision Trees possam ser realizados para comparação de resultados de classificação e performance. Da mesma forma, outros algoritmos de busca como Simulated Annealing, Tabu Se- arch e Ant Colony poderiam ser utilizados em substituição ao Algoritmo Genético. Com um maior número de características, um estudo mais detalhado sobre a na- tureza das mesmas poderia ser realizado procurando identificar padrões que as tor- nem mais ou menos adequadas e sugerindo novas características especializadas ao problema estudado. Em complemento, observações sobre a correlação entre elas poderiam ser feitas.
Outra possibilidade seria trabalhar com características baseadas em outras aborda- gens como estatísticas e espectrais. As abordagens estatísticas envolvem medidas como entropia, correlação, contraste e variância. As espectrais, por sua vez, são uti- lizadas da detecção de periodicidade global em uma imagem através da identificação de picos de alta energia no espectro utilizando, por exemplo, o espectro de Fourier [36].
Por fim é possível ainda a aplicação do método proposto a outros domínios que trabalhem com bancos de dados maiores e com altas dimensionalidades como re- conhecimento de imagens médicas e biometria. Para estas aplicações, técnicas de seleção de características são particularmente interessantes devido a grande quanti- dade de informações disponíveis.
Referências Bibliográficas
[1] SILVA, L. L. A importância da palavra escrita na evolução do homem. Dis- ponível em: <http://www.recantodasletras.com.br/textosjuridicos/1828109>. Acesso em: 8 jan. 2013.
[2] KAVALLIERATOU, E.; STAMATATOS, S. Discrimination of machine-printed from handwritten text using simple structural characteristics. Pattern Recog- nition, v. 1, n. 17, p. 437–440, 2004.
[3] SHIRDHONKAR, M.; KOKARE, M. B. Discrimination between Printed and Handwritten Text in Documents. International Journal of Computer, p. 131– 134, 2010.
[4] SILVA, L. F.; CONCI, A.; SANCHEZ, A. Automatic discrimination between printed and handwritten text in documents. Brazilian Symposium Computer Graphics and Image Processing, p. 261 – 267, 2009.
[5] INDERMüHLE, E.; BUNKE, H.; SHAFAIT, F.; BREUEL, T. Text versus non-text distinction in online handwritten documents. Proceedings of the ACM Symposium on Applied Computing, p. 3–7, 2010.
[6] SILVA, S. Seleção de características por meio de algoritmos genéticos para apri- moramento de rankings e de modelos de classificação, p. 142. Tese de Doutorado - Universidade de São Paulo - USP, 2011.
[7] CAMARGO, S. Um Modelo Neural de Aprimoramento Progressivo para Redu- ção de Dimensionalidade, p. 107. Tese de Doutorado - Universidade Federal do Rio Grande do Sul, 2010.
[8] FILHO, O. M.; NETO, H. V. Processamento Digital de Imagens. Rio de
Janeiro, RJ, Brasil: Brasport, 1999.
[9] GONZALEZ, R. C.; WOODS, R. E. Processamento de imagens digitais. 1. ed. Editora Edgard Blucher Ltda, 2000.
[10] GOMES, J. M.; PINTO, F. D. A. D. C.; LUCIA, D. M. R.; JUNIOR, J. K. K. Desenvolvimento e Avaliação de um Protótipo Classificador de Tábuas usando Técnicas de Visão Artificial. Revista Árvore [online], v. 32, n. 5, p. 949–959, 2008.
[11] MASCARO, A. A.; CAVALCANTI, D. C. G.; MELLO, C. A. B. Detecção de Inclinação em Imagens de Documentos. Revista de Informática Teórica e Aplicada, v. 17, n. 1, p. 22, 2011.
[12] OLIVETE, J.; RODRIGUES, E. Comparação entre Métodos de Limiarização Aplicados na Extração de Características de Imagens Carpais. In: X Congresso Brasileiro de Física Médica, Salvador - BA, 2005.
[13] KUBICA, S. Processamento de imagens de documentos. Disponível em:
<http://www.batebyte.pr.gov.br/modules/conteudo/conteudo.php?conteudo=1102>. Acesso em: 8 fev. 2013.
[14] ZHANG, T. Y.; SUEN, C. Y. A fast parallel algorithm for thinning digital patterns. Communications of the ACM, v. 27, n. 3, p. 236–239, 1984.
[15] SILVA, L. F. Distinção Automática de Texto Impresso e Manuscrito em uma Imagem de Documento. 2009. p. 100. Dissertação de Mestrado - Universidade Federal Fluminense, 2009.
[16] CARVALHO, C. A. M. Segmentação de Sentenças Manuscritas Através de Redes Neurais Artificiais. 2008. p. 91. Dissertação de Mestrado - UFPE, 2008. [17] CRUZ, R.; CAVALCANTI, G.; REN, T. Análise de Técnicas de Extração de Características para o Reconhecimento de Dígitos Manuscritos. In: SIBGRAPI - Workshop of Undergraduate Work. Proceedings of WUW, Rio de Janeiro, 2009.
[18] SILVA, E.; RODRIGUES, R. J.; THOMé, A. C. G. Extração de Caracterís- ticas Usando Projeção Poligonal. In: XXVII Conferencia Latinoamericana de Informática, Ciudad de Mérida, Venezuela, 2001.
[19] TRIER, O. D.; JAIN, A.; TAXT, T. Feature extraction methods for character recognition-a survey. Pattern recognition, v. 29, n. 4, p. 641–662, 1996.
[20] MathWorks Inc. MATLAB User’s Guide: Multilayer Neural Network Archi- tecture. Disponível em: <http://www.mathworks.com/help/nnet/ug/network- architectures.html>. Acesso em: 10 abr. 2013.
[21] DE PÁDUA BRAGA, A.; DE LEON FERREIRA CARVALHO, A.; LUDER- MIR, T. Redes neurais artificiais: teoria e aplicações. Livros Técnicos e Cien- tíficos, 2000.
[22] KOYAMA, J.; HIROSE, A.; KATO, M. Local-spectrum-based distinction
between handwritten and machine-printed characters. Image Processing. ICIP, p. 1021–1024, 2008.
[23] SARKAR, P.; SAUND, E.; LIN, J. Classifying foreground pixels in document images. Document Analysis and Recognition, p. 641–645, 2009.
[24] PENG, X.; SETLUR, S.; GOVINDARAJU, V.; SITARAM, R. Text Separa- tion from Mixed Documents Using a Tree-Structured Classifier. International Conference on Pattern Recognition, p. 241–244, Aug. 2010.
[25] KUMAR, J.; PRASAD, R.; CAO, H.; WAEL, A.-A.; DOERMANN, D.; NATA- RAJAN, P. Shape Codebook based Handwritten and Machine Printed. XVIII Document Recognition and Retrieval, p. 1–8, 2011.
[26] FERRARI, V.; FEVRIER, L.; JURIE, F.; SCHMID, C. Groups of adjacent contour segments for object detection. IEEE transactions on pattern analysis and machine intelligence, v. 30, n. 1, p. 36–51, Jan. 2008.
[27] ADÉLIA, C.; CAVALCANTI, G. Feature Set Selection and Weighting for Legal Amount Recognition on Brazilian Bank Checks. In: International Conference on Frontiers in Handwriting Recognition, p. 338–343, 2008.
[28] CAMPOS, T. E. Técnicas de Seleção de Características com Aplicações em Reconhecimenro de Faces. 2001. p. 160. Dissertação de Mestrado - Universidade de São Paulo, 2001.
[29] OLIVEIRA, J. D. A.; DUTRA, L.; RENNó, C. Aplicação de Métodos de Extração e Seleção de Atributos para Classificação de Regiões. In: XII Simpósio Brasileiro de Sensoriamento Remoto, Goiania - GO, p. 4201–4208, 2005. [30] BLUM, A.; LANGLEY, P. Selection of relevant features and examples in ma-
chine learning. Artificial intelligence, v. 97, n. 1-2, p. 245–271, 1997.
[31] TANOMARU, J. Motivação, fundamentos e aplicações de algoritmos genéticos. Anais do II Congresso Brasileiro de Redes Neurais, Curitiba, p. 331–411, 1995. [32] BECKMANN, M. Algoritmos genéticos como estratégia de pré-processamento em conjuntos de dados desbalanceados. 2010. p. 112. Dissertação de Mestrado - Universidade Federal do Rio de Janeiro - UFRJ, 2010.
[33] MARCUZZO, F. F. N. Sistema de Otimização Hidráulica e Econômica de Rede de Irrigação localizada usando Algoritmos Genéticos, p. 361. Tese de Doutorado - Universidade de São Paulo - USP, 2008.
[34] PACHECO, M. Algoritmos genéticos: princípios e aplicações. Laboratório de Inteligência Computacional Aplicada. Pontifícia Universidade Católica do Rio de Janeiro. Rio de Janeiro, RJ, Brasil, v. 1, 1999.
[35] CARNEIRO, A. P. S. C.; JÚNIOR, J. I. R.; SANTOS, N. T. S.; FILHO, S. A. M. Apostila de Estatística Experimental. Departamento de Estatística - Universidade Federal de Viçosa, 2010.
[36] DO NASCIMENTO, J. A. P. R. Análise e classificação de imagens baseadas em características de textura utilizando matrizes de co-ocorrência. 2003. p. 116. Dissertação de Mestrado - Universidade Federal do Paraná, 2003.