Computacao Visual

1
UNIVERSIDADE FEDERAL DE PELOTAS

Centro de Desenvolvimento Tecnolgico
Curso de Bacharelado em Cincia da Computao

Trabalho Acadmico

COMPUTAO VISUAL NA IDENTIFICAO DE SEMENTES
UTILIZANDO EXTRAO DE CARACTERSTICAS DE FORMA

DEIVES MESQUITA KIST

Pelotas, 2011

2

DEIVES MESQUITA KIST

COMPUTAO VISUAL NA IDENTIFICAO DE SEMENTES
UTILIZANDO EXTRAO DE CARACTERSTICAS DE FORMA

Orientador: Prof. Dr. Gerson Geraldo H. Cavalheiro

Co-orientador: Prof. Dr. Lucas Ferrari de Oliveira

PELOTAS, 2011
Trabalho acadmico Apresentado ao Curso de
Bacharelado em Cincia da Computao da
Universidade Federal de Pelotas, como requisito
parcial obteno do ttulo de Bacharel em
Cincia da Computao.

3

Dados de catalogao na fonte:
Ubirajara Buddin Cruz CRB-10/901
Biblioteca de Cincia & Tecnologia - UFPel

K61c Kist, Deives Mesquita
Computao visual na identificao de sementes
utilizando extrao de caracterstica de forma / Deives
Mesquita Kist. Pelotas, 2011. 88f. : il. color.
Monografia (Concluso de curso). Bacharelado em
Cincia da Computao. Universidade Federal de Pelotas.
Centro de Desenvolvimento Tecnolgico. Pelotas, 2011. -
Orientador Gerson Geraldo H. Cavalheiro ; co-orientador
Lucas Ferrari de Oliveira.

1.Informtica. 2.Recuperao. 3.Vetores. 4.Imagens.
5.Dados. 6.Descritores. 7.Base. 8.CBIR. 9.Textura.
10.Caractersticas. 11.Forma. I.Cavalheiro, Gerson
Geraldo H. II.Oliveira, Lucas Ferrari. III.Ttulo.

CDD: 006.6
4

Banca examinadora:

.................................................................................................
Prof. Dr. Paulo Roberto Ferreira Jr.

................................................................................................
Prof. Dr. Ricardo Matsumura de Arajo
5

Dedico esta conquista a minha famlia que
me incentivaram e apoiaram durante todo
o tempo que estive distante dela.

6

AGRADECIMENTOS

Em primeiro lugar agradeo aos meus pais, Incio e Elisbethe, e a minha
irm Ingrid por me incentivarem a e me apoiaram. Tambm por estarem presentes
em todos os momentos marcantes da minha vida.
Agradeo aos meus avs, Nilva e Ramo que sempre acreditaram na minha
capacidade.
Agradeo a minha namorada, Nouara, por me apoiar e ajudar. Tendo
pacincia comigo durante a realizao deste trabalho.
Tambm agradeo aos meus orientadores, Prof. Lucas e Prof. Gerson, que
me deram a oportunidade de realizar este trabalho. Tambm tiveram a pacincia de
me ajudar a resolver os problemas envolvidos com este trabalho. Orientando com
sabedoria para a concluso deste trabalho tendo como conseqncia a concluso
do curso de Cincia da Computao.
Agradeo o apoio dos meus amigos dos Laboratrios LUPS e LAPEGE,
Matheus (Vakaria), Alan, Ccero, Rafael Medeiros. Tambm aos meus amigos e
companheiros de festas, Rafael, Ricardo, Bruno, Ivan, Samuel, Matheus Bastos e
Matheus Braga por me acompanharem e me apoiarem durante o perodo de
faculdade.
Por fim, sou muito grato a Deus pela a famlia e pelos amigos que tenho e
pelas minhas conquistas.

7

Sumrio
Sumrio ...................................................................................................................... 7
RESUMO ..................................................................................................................... 9
ABSTRACT ............................................................................................................... 10
LISTA DE FIGURAS ................................................................................................. 11
LISTA DE TABELAS ................................................................................................ 12
LISTA DE ABREVIATURAS E SIGLAS ................................................................... 13
1 INTRODUO ............................................................................................ 14
1.1 Contexto de desenvolvimento ................................................................. 15
1.2 Motivao................................................................................................... 17
1.3 Objetivos .................................................................................................... 18
1.4 Organizao do Trabalho ......................................................................... 19
2 Recuperao de Imagens Baseado em Contedo ................................. 20
2.1 Processamento de Imagens ..................................................................... 20
2.2 Modelagem de uma ferramenta CBIR ...................................................... 24
2.3 Representao de imagens a partir de caractersticas ......................... 26
2.4 Descritores de cores ................................................................................. 27
2.5 Descritores de textura .............................................................................. 27
2.6 Descritores de forma ................................................................................ 29
2.7 Extrao de caractersticas ...................................................................... 30
2.7.1 Matrizes de co-ocorrncia de nveis de cinza para extrair textura ....... 31
2.7.2 Implementao alternativa para matriz de co-ocorrncia ..................... 34
2.7.3 Momentos Invariantes de HU ................................................................... 36
2.8 Consideraes sobre o captulo .............................................................. 37
3 Uma Ferramenta para Apoio Identificao de Sementes ................... 39
3.1 Linguagem e Ambiente de Desenvolvimento ......................................... 39
3.2 Equipamento de Aquisio de Imagens ................................................. 39
3.3 Base de Imagens ....................................................................................... 41
3.4 Funcionamento Simplificado ................................................................... 41
3.5 Identificao de sementes........................................................................ 42
3.5.1 Pr-processamento ................................................................................... 42
3.5.2 Segmentao de imagens utilizando Histograma .................................. 43
3.5.3 Recortar as sementes ............................................................................... 45
3.5.4 Extrao de Vetores de Caractersticas .................................................. 46
4 RESULTADOS ........................................................................................... 49
4.1 Resultados preliminares .......................................................................... 49
4.1.1 Testes Imagens Criadas ........................................................................... 51
4.1.2 Classificao das Sementes .................................................................... 52
4.2 Teste no sistema CBIR implementado .................................................... 53
4.2.1 Mtodo de extrao de forma proposto .................................................. 54
4.2.2 Mtodo de extrao de textura ................................................................ 56
4.2.3 Mtodo de HU ............................................................................................ 57
4.2.4 Mtodo proposto combinado com HU .................................................... 59
4.2.5 Mtodo proposto, mtodo de textura e HU ............................................. 60
5 CONCLUSES ........................................................................................... 62
5.1 Trabalhos futuros ...................................................................................... 62
6 REFERNCIAS .......................................................................................... 63
APNDICE A ............................................................................................................ 66
8

APNDICE B ............................................................................................................ 75
APNDICE C ............................................................................................................ 79
APNDICE D ............................................................................................................ 83
APNDICE E ............................................................................................................ 87

9

RESUMO

KIST, Deives M. Computao Visual na Identificao de Sementes Utilizando
Extrao de Caracterstica de Forma. 2011.88f. Trabalho acadmico (Graduao)
- Bacharelado em Cincia da Computao. Universidade Federal de Pelotas,
Pelotas.

Este trabalho apresenta uma ferramenta computacional para identificao de
sementes com auxlio de tcnicas de busca baseadas em contedo de imagens. A
identificao de sementes consiste em uma etapa no processo de produo agrcola
com grande impacto econmico, pois auxilia no controle a presena de espcies
invasoras nas culturas. Neste trabalho foi desenvolvida uma tcnica de identificao
baseada na forma e implementadas outras duas tcnicas presentes na literatura,
uma tambm voltada a identificao por forma, outra por textura. O estudo de caso
realizado para validao da ferramenta foi realizado sobre uma base de dados de
imagens composta por sementes de 66 espcies invasoras. Este trabalho descreve
o processo de obteno de imagens para a base de dados e a aplicao da tcnica
de reconhecimento por imagem utilizando caractersticas de forma obtidas das
imagens de sementes. Os resultados do estudo de caso mostraram que o algoritmo
de extrao proposto identificou corretamente 51,51% das imagens contendo
sementes.
Palavras-chave: classificao, sementes, extrao, caractersticas, forma,
descritores, atributos, Haralick.

10

ABSTRACT

KIST, Deives M. Computao Visual na Identificao de Sementes Utilizando
Extrao de Caracterstica de Forma. 2011. 88f. Trabalho acadmico (Graduao)
- Bacharelado em Cincia da Computao. Universidade Federal de Pelotas,
Pelotas.

This work presents a computational tool for identifying seeds with the help of
content-based image retrieval techniques. The identification of seeds plays an
important role in the agricultural production process, helping to control the
presence of invasive species in the cultures. During this work was developed a
shape-based method to identify seeds and implemented two other techniques
presented in the literature, one also shape-based and the other a texture-based
technique. The case study was performed on a database of images consisting of 66
seeds of invasive species. This work describes the process of getting images to the
database and the application of the technique of image recognition using shape
characteristics of the images obtained from seeds. The results of the case study
showed that the proposed extraction algorithm correctly identified 51,51% of images
containing seeds.

Keywords: seed, classification, shape, extraction, features, descriptors,
Haralick ,atributes.

11

LISTA DE FIGURAS
Figura 1 - Passos fundamental em processamento de imagens digitais. Viso geral
da realizao do processamento de imagens. ............................................................... 22
Figura 2 - Arquitetura de um sistema de recuperao de imagens por contedo
(CBIR). ............................................................................................................................... 25
Figura 3 Exemplos de diferentes texturas. Fonte: Wang, 2000. ............................... 28
Figura 4 Exemplo da elipse ajustada. .......................................................................... 35
Figura 5 - Representao grfica das coordenadas polares. ....................................... 35
Figura 6 - Imagem do objeto com a elipse posicionada, as linhas verdes representam
as 360 distncias e alinha laranjada a maior distncia. ................................................ 36
Figura 7 - Equipamento montado para a aquisio das imagens de sementes. ........ 40
Figura 8 - Imagem adquirida com o equipamento da espcie invasora. ..................... 40
Figura 9 - Algoritmo descrevendo o processo de obteno das caractersticas das
imagens de sementes. ...................................................................................................... 41
Figura 10 - Converso do modelo RGB para HSV. a) Imagem no modelo RGB. b)
Imagem no padro HSV. .................................................................................................. 43
Figura 11 - Histograma calculado. ................................................................................... 43
Figura 12 - Imagem HSV. ................................................................................................. 44
Figura 13 - Imagem binria resultante da aplicao do threshold invertido. ............... 44
Figura 14 - Imagem resultante do processo de segmentao. .................................... 45
Figura 15 - Imagem destacando com retngulos nas sementes. ................................ 45
Figura 16 - Imagem com os recortes de sementes. ...................................................... 46
Figura 17 - Imagem com a elipse aproximada da forma da semente. ........................ 46
Figura 18 - Imagem com sementes recortadas destacando o centro em vermelho. . 46
Figura 19 - Imagem com o clculo da maior distancia do centro de massa at a
borda. ................................................................................................................................. 47
Figura 20 - Imagem com recortes contendo a textura das sementes. ........................ 47
Figura 21 - Imagens geradas e classificadas como uniformes. ................................... 49
Figura 22 - Imagens criadas que ficaram no grupo das formas no-uniformes. ........ 50
Figura 23 - Exemplo de uma imagem no-uniforme rotacionada nos ngulos 90,
180 e 270. ....................................................................................................................... 50
Figura 24 - Sementes com formato uniforme. ................................................................ 51
Figura 25 - Sementes com caractersticas no-uniformes. .......................................... 51

12

LISTA DE TABELAS
Tabela 1 - Valores resultantes de uma imagem normal e rotacionada. ...................... 51
Tabela 2 - Classificao das sementes da classe uniforme. ........................................ 52
Tabela 3 - Classificao das sementes da classe no-uniforme. ................................ 53
Tabela 4 - Base de vetores calculados para um ngulo 180. ..................................... 54
Tabela 5 - Base de valores calculados com ngulos: 45, 90,135 e 180. .............. 55
Tabela 6 - Nmero de Imagens que tiveram a mesma posio nos resultados......... 55
Tabela 7 - Base de vetores textura de Haralick . ........................................................... 56
Tabela 8 - Nmero de Imagens que tiveram a mesma posio nos resultados......... 57
Tabela 9 - Base de vetores com os 7 momentos invariantes de HU. .......................... 58
Tabela 10 - Nmero de Imagens que tiveram a mesma posio nos resultados. ..... 58
Tabela 13 - As trs primeiras Famlias encontradas com 180. ................................... 66
Tabela 14 - Contagem da nmero de acertos para o ngulo de 180......................... 68
Tabela 15 - As trs primeiras famlias encontradas para os ngulos de 45, 90, 135
e 180. ................................................................................................................................ 69
Tabela 16 - Contagem de acertos para os ngulos de 45, 90, 135 e 180. ........... 71
Tabela 17 Comparao entre a primeira posies da Tabela. ................................. 73
Tabela 18 - As trs primeiras Famlias encontradas do mtodo de textura. ............... 75
Tabela 19 - Contagem das trs primeiras famlias. ................................................................ 76
Tabela 20 - As trs primeiras famlias encontradas do mtodo de HU. ...................... 79
Tabela 21 - Contagem das famlias que ocorrem nas trs primeiras posies. ......... 80
Tabela 22 - A ocorrncia das trs primeiras famlias do combinao de hu com o
mtodo proposto. .............................................................................................................. 83
Tabela 23 - Contagem da ocorrncia das trs primeiras famlias. ............................... 84
Tabela 24 - A ocorrncia das trs primeiras famlias da combinao dos trs
mtodos. ............................................................................................................................ 87
Tabela 25 - Contagem da ocorrncia das trs primeiras famlias. ............................... 88

13

LISTA DE ABREVIATURAS E SIGLAS
CBIR Content-Based Image Retrieval.
GLCM Gray Level Co-occurrence Matrix.
HSV Hue, Saturation, Value.
LAS Laboratrio de Anlise de Sementes.
RGB Red, Green, Blue.

14

1 INTRODUO

A sociedade atual tem utilizado cada vez mais de documentos digitais para
registro e comunicao de informaes. Em particular, com o advento de tecnologias
multimdia, arquivos contendo imagens digitais tm aumentado a participao como
vetor de armazenamento e transferncia de dados.
Devido o grande volume deste tipo de documento disponvel, a manipulao
individual no pode ser realizada, havendo a necessidade de sistemas
computacionais que apiem sua manipulao. Na literatura encontramos algoritmos
que realizam diferentes manipulaes em arquivos de imagens, como mtodos de
busca, de indexao e de classificao. Este trabalho se concentrar em algoritmos
de busca de arquivos de imagens que contenha uma imagem semelhante a um
determinado padro.
Um sistema que atende estas necessidades denominado de CBIR, do
acrnimo da expresso em ingls para recuperao de imagens baseada em
contedo (ARAJO; LIBRANTZ; ALVES, 2006). Esse mtodo ser tratado neste
trabalho, por depender das caractersticas da imagem.
O CBIR um sistema que permite que as imagens sejam indexadas na base
de dados atravs de descritores que representam em valores das caractersticas
contidas nessas imagens. Esses descritores na maioria das vezes so extrados das
imagens atravs de mtodos de extrao de caractersticas.
Neste sistema o usurio fornece uma imagem para recuperar imagens
similares, logo, aplicado o extrator de caractersticas para extrair o descritor, para
comparar com os descritores contidos na base de dados. Os descritores de imagens
que tiveram valores prximos ao descritor da imagem fornecida sero recuperados
para o usurio.
Utilizando o CBIR, foi desenvolvida uma ferramenta computacional que
auxilia na etapa de identificao de espcies de semente. Esta ferramenta opera
sobre um banco de dados composto por imagens de sementes de espcies
invasoras e, a partir de uma imagem apresentada pelo usurio, identifica na base de
dados aquelas espcies que possuem caractersticas visuais que mais se
aproximam da espcie fornecida como entrada.
Para a etapa do CBIR de extrao de caractersticas foi implementado um
algoritmo de extrao de caractersticas de forma. Baseado no fato que a forma

15

uma das caractersticas importantes no caso das sementes, pois cada semente ou
grupo delas tem formatos diferenciados (ARAJO; LIBRANTZ; ALVES, 2006).

1.1 Contexto de desenvolvimento

O Brasil um dos principais exportadores de sementes e tem papel de
destaque no cenrio mundial tambm como consumidor deste tipo de produto
(OHLSON; SOUZA; PANOBIANCO, 2010). Neste contexto, a importncia econmica
do setor est relacionada garantia dos processos de qualidade na manipulao de
sementes e nos resultados financeiros obtidos no seu uso final, ou seja, no campo.
A produtividade da agricultura do pas est diretamente ligada
disponibilidade e ao uso de sementes de alta qualidade. Sementes produzidas por
lavouras de qualidade s podem contribuir com a produtividade agrcola, quando
estas chegam s mos do produtor com pureza varietal (SCHUSTER et. al., 2004).
Por pureza varietal entende-se obter sementes com alta germinao, livres de
contaminantes (pragas quarentenrias, sementes de espcies nocivas, outras
sementes invasoras, sementes de outras culturas e material inerte) e em
quantidades adequadas no momento certo e por um preo acessvel.
Um dos fatores que diminui o rendimento de qualquer cultura a presena de
plantas de espcies invasoras em lavouras. Estas plantas crescem de maneira muito
vigorosa, competindo com as culturas e causando grandes prejuzos financeiros na
produo dos gros, principalmente se esta for destinada a sementes (GROTH;
BOARETTO; SILVA, 1980) em uma lavoura especfica produo de sementes. Os
prejuzos causados pelas pragas quarentenrias ou espcies invasoras (GROTH;
BOARETTO; SILVA, 1980) agricultura costumam ser de grande monta por
aumentar o custo da produo, diminuir o rendimento das plantas cultivadas (devido
competio por nutrientes, espao, luz e gua), por reduzir ou anular a qualidade
industrial e comercial das sementes e ainda desvalorizar terras destinadas ao plantio
(KOEHN, 1977). Mesmo em pastagens, naturais ou cultivadas, a presena destas
plantas indesejadas reduzem a capacidade de suporte dos potreiros. Outra
preocupao que justifica o cuidado em evitar a presena de tais pragas o fato de
algumas destas serem txicas, podendo comprometer a vida de animais ou, em
conseqncia, os seres humanos quando, por exemplo, afetando o sabor e
16

ocasionando um odor desagradvel ao leite e seus produtos derivados quando
ingeridos por vacas leiteiras.
Neste trabalho, as pragas quarentenrias referem-se especificamente s
sementes de espcies determinadas e definidas pela legislao brasileira (Instruo
Normativa do Ministrio da Agricultura n41, de 1 de julho de 2008 BRASIL, 2008)
e constituem ameaa economia agrcola do pas ou regio importadora.
As espcies invasoras, e as pragas quarentenrias, produzem maior
quantidade de sementes em relao s plantas de cultivo comercial . As unidades de
disperso de muitas invasoras so sobreviventes to potentes que constituem um
problema srio em quase todas as partes do mundo. Algumas espcies sobrevivem
enterradas no solo, seco ou mido, por 10 a 20 anos, podendo ocorrer que
sementes germinem aps mais de 70 anos, quando condies favorveis para
iniciar a germinao se apresentem (BOSWELL, 1962).
medida que se toma conscincia dos prejuzos causados pelas invasoras,
a identificao taxonmica das plantas o primeiro passo no planejamento de um
programa efetivo e econmico de controle.
Todo lote de sementes, antes de ser comercializado, deve ser analisado por
um Laboratrio de Anlise de Sementes (LAS) onde, entre outros testes de
avaliao da qualidade, realizada a anlise de pureza e determinado o nmero de
outras sementes. As Normas e Padres para Produo e Comercializao de
Sementes Instruo Normativa do Ministrio da Agricultura, Pecuria e
Abastecimento - MAPA n41, de 1 de julho de 2008 (BRASIL, 2008) estabelecem
limites para a presena destas sementes no lote para comercializao.
Estas normas apresentam uma lista de 66 pragas quarentenrias que
constitui ameaa economia agrcola do pas. No existe nenhuma literatura
especializada onde se podem encontrar as unidades de disperso dessas espcies
e quase todos os laboratrios do Brasil no possuem essas espcies na sua coleo
de sementes. Existe uma necessidade premente de subsidiar os laboratrios que
fazem anlise de sementes, principalmente de espcies importadas e que no
possuem mostrurios ou colees com estas sementes para uma correta
identificao taxonmica.
Considerando o exposto de extrema importncia para os laboratrios,
tecnologistas e analistas de sementes a disponibilidade de um sistema
computacional de identificao de unidades de disperso, por meio das
17

caractersticas morfolgicas externas e da associao com a quantidade de tecido
de reserva em relao posio, forma e tipo de embrio. Usando ainda fotos e
desenhos das unidades de disperso.
Neste projeto busca-se aplicar tcnicas computacionais conhecidas e
reconhecidas no meio para auxiliar na identificao de unidades de disperso, em
particular, as pragas quarentenrias e espcies nocivas, para possibilitar um
crescimento qualitativo do setor sementeiro nacional.
A abordagem adotada para realizar este projeto inovadora no setor
sementeiro, por oferecer uma ferramenta computacional para apoio identificao
de unidades de disperso. A proposta prope suprir a demanda de empresas e
laboratrios com atividades ligadas sanidade vegetal com a disponibilizao de um
software de identificao de pragas quarentenrias e espcies nocivas e de uma
base de dados composta por fotografias de unidades de disperso deste tipo, j
catalogadas. Alm do software de identificao tambm projetada a criao e a
disponibilizao de um sementrio on-line (acesso via Internet) destas unidades de
disperso, permitindo acesso base de dados construdo em todo o territrio
nacional e dando destaque produo cientfica brasileira no cenrio mundial.
Neste contexto, ressalta-se a no existncia, no momento, de uma coleo
de sementes com a amplitude a ser atingida no desenvolvimento deste projeto, alm
disso, o nmero de especialistas na rea reduzido e a deficincia de bibliografia
especializada tem causado grandes dificuldades e incorrees na identificao das
espcies. Portanto, o oferecimento da ferramenta computacional para apoio
identificao de unidades de disperso de pragas quarentenrias e espcies nocivas
justificado tanto pela democratizao do acesso aos conhecimentos de
especialistas quanto pelo aumento da segurana e qualidade da produo de
sementes no pas.

1.2 Motivao

O processo de identificao de unidades de disperso um trabalho
extremamente meticuloso. A maioria dos analistas de sementes no Brasil leiga em
botnica, no possuindo preciso no uso da terminologia utilizada nas descries
morfolgicas, o que dificulta a utilizao dos mtodos tradicionais de identificao,
18

os quais fazem uso de bibliografia especializada ou sementrios fsicos
(mostrurios). Soma-se ainda o fato de que faltam na maioria dos Laboratrios de
Anlise de Sementes do Brasil colees de sementes, corretamente identificadas
pela a nomenclatura em vigor e que sejam certificadas por um especialista para
atender ao Programa de Qualidade.
Por outro lado, processos computacionais para identificao de imagens se
mostraram eficazes para diversas aplicaes. Desta forma, uma proposta que se
apresenta como vivel a utilizao de tcnicas CBIR para identificao de
sementes.
A realizao deste trabalho , portanto, motivada pela necessidade de
reduzir as falhas dos processos atualmente em prtica e ainda do interesse em
potencializar o uso do sementrio on-line disponibilizado em etapa prvia realizada
no contexto deste projeto (ROSA at. al., 2011).

1.3 Objetivos

O desenvolvimento de uma tcnica de extrao de caractersticas pela forma
de sementes contidas em imagens baseado na observao de que a forma das
sementes o atributo visual externo que se destaca permitindo diferenciar as
espcies.
Prope-se neste trabalho modelar e implementar uma tcnica de
identificao de imagens por forma e valid-la em uma aplicao prtica.
O trabalho pretende adaptar a matriz de co-ocorrncia de nveis de cinza
para atributos de forma de objetos. Para isso utilizaremos o posicionamento
aproximado de elipses no objeto e a definio do centro do mesmo. O clculo das
distncias ser feito a partir do centro definido e os valores sero normalizados.
Assim conseguiremos ter uma definio genrica das distncias da borda do objeto
para o ponto central o que tornar o clculo independente do tamanho do objeto.
So objetivos secundrios deste trabalho:
a) Implementar tcnicas propostas na bibliografia para extrao de
caractersticas de cor, textura e forma, permitindo realizar uma avaliao da tcnica
implementada;
b) Implementar uma tcnica de segmentao de imagens;
19

c) Descrever os parmetros de calibragem dos equipamentos utilizados para
obteno de imagens e os requisitos para as imagens submetidas consulta.
Meta do trabalho:
O presente trabalho pretende contribuir para a construo de uma
ferramenta de apoio a identificao de sementes, voltada melhoria dos processos
de controle da qualidade sanitrias da produo agrcola.

1.4 Organizao do Trabalho

Este trabalho divide-se em cinco captulos, explicando todos os principais
conceitos envolvidos na criao e desenvolvimento da ferramenta, produto final do
projeto.
No Captulo 2 so discutidos os conceitos sobre o Sistema de Recuperao
de imagens.
No Captulo 3 apresenta a metodologia utilizada para implementao deste
trabalho.
No Captulo 4 so demonstrados os resultados alcanados pela execuo
deste trabalho.
No Captulo 5 sero feitas as consideraes finais deste trabalho.
Relembrando os objetivos e apresentando as dificuldades encontradas para a
execuo do trabalho e sugerindo trabalhos futuros para complementar o trabalho j
desenvolvido.

20

2 Recuperao de Imagens Baseado em Contedo
Neste captulo so apresentados conceitos relacionados construo de um
sistema de recuperao de imagens baseado em contedo (CBIR Content-Based
Image Retrieval) que tem as tcnicas apresentadas na seo 2.2 como ferramenta
de apoio. Nas sees finais deste captulo (Seo 2.7.1 e Seo 2.8.2) so
apresentadas, respectivamente, a tcnica de reconhecimento proposta neste
trabalho e a ferramenta que a implementa.
2.1 Processamento de Imagens

Esta seo apresenta conceitos da rea de processamento de imagens
associados ao problema de identificao de imagens pelo contedo. Os temas
desenvolvidos foram empregados na modelagem e na implementao do sistema
proposto neste trabalho.
Segundo FRERY (2011) processamento de imagem uma forma de
processamento de dados no qual a entrada e a sada uma imagem fotogrfica ou
quadros de vdeos. Esse processo tem o objeto de otimizar a extrao de
informaes e, portanto, ajudar na interpretao da imagem, que envolve a deteco
e reconhecimento de elementos contidos na imagem.
A viso computacional tem por objetivo emular a viso humana. O processo
de viso computacional tem como entrada tambm uma imagem, mas se diferencia
do processamento de imagens pela sada, consistindo, neste caso, em uma
interpretao do contedo da imagem (FRERY at. al., 2011).
Um conceito bsico desses processos que uma imagem definida
matematicamente como uma funo f(x, y), onde x e y so coordenadas espaciais e
o valor de f, para um par qualquer de coordenadas, a intensidade do nvel de cinza
da imagem naquele ponto. Quando todos os valores de x, y e da intensidade de f
so finitos e discretos, a imagem chamada de imagem digital e os elementos desta
imagem so chamados pixels (GONZALEZ; WOODS, 2002).
A cor uma propriedade visual das imagens que geralmente simplifica a
identificao de objetos e a sua posterior extrao de cenas. Isso se deve ao fato de
que seres humanos podem discernir milhares de tons e intensidades de cores,
enquanto apenas duas dzias de tons de cinza (GONZALEZ; WOODS, 2001).
21

Os modelos de cor servem para padronizar e facilitar a especificao de
cores. Um modelo de cor uma especificao de um sistema de coordenadas
tridimensionais e um subespao dentro deste sistema onde cada cor representada
por um nico ponto (GONZALEZ; WOODS, 2002). Os modelos utilizados e
manipulados nesse trabalho so o RGB (red, green, blue) e o HSV (hue, saturation,
value).
Os histogramas tm grande utilidade pratica dentro do processamento de
imagens. So calculados a partir dos valores de intensidades dos pixels. O
histograma faz uma contagem de quantos pixels de cada cor de intensidade existem
em uma imagem (FRERY et. al., 2011). Sendo assim possvel verificar se a imagem
tem baixo ou alto contraste e se a imagem clara ou escura. O processamento do
histograma um dos mtodos mais simples e rpidos de ser feito quando a imagem
tem regies bem separadas (GONZALEZ; WOODS, 2007).
As operaes lgicas so ferramentas bsicas no processamento de
imagens binrias utilizadas para a extrao de caractersticas e anlise de formas. O
processamento de imagens no binrias em nveis de cinza, os valores de pixels
so processados como strings de nmeros binrios (GONZALEZ; WOODS, 2002).
Ou seja, um pixel branco denotado por uma seqncia de oito 1s (uns)
consecutiva e o seu complemento um pixel preto caracterizado por uma seqncia
de oito 0s (zeros). As operaes lgicas dividem-se em trs principais tipos: AND,
OR e NOT.
O processamento de imagens se caracteriza pela aplicao de vrios
algoritmos para chegar at os resultados pr-definidos como mostrado na Figura
1.
22

Figura 1 - Passos fundamental em processamento de imagens digitais. Viso geral
da realizao do processamento de imagens.
FONTE: BASTOS, 2010.

A primeira etapa do processamento de imagens consiste em adquirir a
imagem digital com um equipamento digital. Segue-se ento o pr-processamento,
onde a imagem adquirida submetida a mtodos de filtragem para eliminar rudos
e/ou aumentar o contraste (FACON, 2005) preparando-a para a etapa de
segmentao.
O filtro passa-baixa consiste na suavizao da imagem e minimizao dos
rudos, atenuando as transies abruptas que correspondem a frequncias altas,
porm, o efeito acaba sendo de embaamento ou borramento da imagem,
removendo os detalhes finos existentes em uma imagem (FRERY et. al., 2011).
Contudo, a suavizao pode ter como conseqncia a perda de informao nos
elementos da imagem (GONZALEZ; WOODS, 2002). Dentre os vrios filtros
especiais para a suavizao, foi utilizado no desenvolvimento deste trabalho o filtro
gaussiano.
A segmentao de imagens tem o objetivo de separar estruturas de
interesse dentro das imagens atravs de caractersticas pertencentes imagem ou
aos objetos. Dividindo a imagem nas regies de interesse para a resoluo do
problema (OLIVEIRA et. al., 2010).
O processo de segmentao o mais complexo e difcil de ser realizado em
processamento de imagens e se no for feito com sucesso compromete todas as
etapas subsequentes (GONZALEZ; WOODS, 2002).
Os algoritmos de segmentao para imagens monocromticas so
geralmente baseados nas propriedades bsicas de valores de nveis de cinza:
23

descontinuidade e similaridade. Na primeira propriedade, a abordagem particionar
a imagem considerando mudanas bruscas nos nveis de cinza. As principais reas
de interesse so a deteco de pontos isolados e a deteco de linhas e bordas na
imagem. As principais abordagens da segunda propriedade baseiam-se em
limiarizao, crescimento de regies e diviso e fuso de regies.
A limiarizao (thresholding) uma das mais importantes abordagens para a
segmentao de imagens fundamentada na anlise da similaridade de nveis de
cinza (GONZALEZ; WOODS, 2002).
O princpio da limiarizao consiste em separar as regies com tons de
cinza semelhantes de uma imagem em duas classes (o fundo e o objeto). As outras
regies so classificadas como no interessantes. Isso quer dizer, determina-se uma
intensidade de cinza, chamada de limiar, que separa as partes da imagem, de forma
que grupos de pixels com intensidades parecidas sejam separados de outros. Por
isto, este processo tambm pode ser chamado de similaridade.
O maior problema da limiarizao determinar o valor do threshold. De
modo geral, o que pode ser feito um histograma com as intensidades dos pixels da
imagem e a quantidade de pixels com cada intensidade.
O processo de segmentao por limiarizao utiliza um histograma de uma
imagem. Atravs da analise desse histograma pode verificar que os objetos de
interesse, representados por nveis semelhantes, so separveis por intervalos.
Assim, a segmentao por limiarizao gera uma imagem em que uma determinada
faixa de valores das intensidades dos pixels convertida para apenas um valor,
gerando uma regio uniforme.
O ltimo estgio envolve reconhecimento e interpretao, onde o
reconhecimento atribui um parmetro a um objeto e a interpretao envolve a
atribuio de significado a um conjunto de objetos.
Nesta ltima etapa do sistema, denominamos reconhecimento o processo de
atribuio de um rtulo a um objeto. Este rtulo determinado tendo como base
suas caractersticas traduzidas por seus descritores. A tarefa de interpretao, por
outro lado, consiste em atribuir significado a um conjunto de objetos reconhecidos.
Todas as tarefas das etapas descritas acima pressupem a existncia de um
conhecimento sobre o problema a ser resolvido, armazenado em uma base de
conhecimento, cujo tamanho e complexidade podem variar enormemente.
24

Idealmente, esta base de conhecimento deveria no somente guiar o funcionamento
de cada etapa, mas tambm permitir a realimentao entre elas.
2.2 Modelagem de uma ferramenta CBIR

O CBIR permite recuperar dentro de uma base de dados aquelas que
possuem maior similaridade com a imagem de entrada, fornecida pelo usurio
(DATTA, 2008). Vrios algoritmos podem ser aplicados, de acordo com as
caractersticas da aplicao em questo.
Para o objetivo desse trabalho, identificao de sementes, utiliza-se
algoritmos de extrao de caractersticas como funo de busca de imagens. Estes
algoritmos permitem descrever uma determinada imagem em funo de seus
atributos principais, como forma, tamanho, cor e especificidade (textura, presena de
brilho e pelagem). A utilizao de CBIR com algoritmos de extrao de
caractersticas vivel uma vez que o projeto contempla a organizao de uma
base de dados de sementes, contendo imagens/fotografias destas para efeitos de
catalogao.
As imagens contidas na base de dados de sementes esto indexadas e
identificadas no banco de dados pelas caractersticas dessas imagens. Assim,
quando o usurio pretende identificar os itens de uma imagem as caractersticas
visuais como cor, textura e forma so extradas para comparar com as contidas no
banco de dados.
O clculo da similaridade entre as caractersticas da imagem do usurio e as
imagens contidas no banco de dados realizado utilizando as informaes contidas
nos descritores de cada uma destas imagens para clculo da distncia entre elas.
Assim, aquelas que tiveram pequenas distncias tm alta similaridade.
A Figura 2 mostra a arquitetura de um sistema de recuperao de imagens
por contedo Fonte: (TORRES et. al., 2008). Essa arquitetura possui duas
funcionalidades bsicas: a insero de dados e o processamento de consultas.
25

Figura 2 - Arquitetura de um sistema de recuperao de imagens por contedo
(CBIR).
Fonte: TORRES, 2008.

Um conceito importante no CBIR que esta relacionada com os vetores de
caractersticas os descritores de imagens. Um descritor pode ser definido como
(TORRES et. al., 2008):
- Um algoritmo de extrao de caractersticas, baseado em tcnicas de
processamento de imagens, que tem como meta gerar um vetor de
caractersticas contendo as propriedades da imagem.
- Uma medida de similaridade (funo de distncia) que computa a
similaridade entre duas imagens como uma noo de distncia entre
vetores de caractersticas correspondentes.
Os descritores que existem para representar caractersticas so cor, textura
e forma dos objetos presentes nas imagens.
Nessa arquitetura os mdulos e setas tracejadas so responsveis pela
insero de dados e pela extrao dos vetores de caractersticas das imagens e
armazen-los na base de imagens. Normalmente esse processo realizado uma
26

nica vez para cada imagem e para cada descritor, sendo utilizado de maneira off-
line (TORRES et. al., 2008).
A base de imagens tem um banco de dados para armazenar os vetores de
caractersticas. A consulta nessa base de imagens realizada da seguinte forma: a
interface fornece ao usurio especificar um padro de consulta nesse caso uma
imagem e tambm permite visualizar as imagens recuperadas. Na fase de
processamento de consultas os vetores de caractersticas so extrados da imagem
do usurio e aplica um clculo de distncia, como a distncia quadrtica, para
avaliar a similaridade entre a imagem que se deseja recuperar e as imagens da
base. Tambm nessa etapa o conjunto de imagens recuperadas da base de dados
ordenado de acordo com o grau de similaridade e as que tiverem o maior grau so
retornadas para a interface.

2.3 Representao de imagens a partir de caractersticas

No CBIR as imagens so representadas pelas suas caractersticas visuais,
como forma, textura e cor, que so representadas pelos vetores de caractersticas.
Assim, os descritores de imagens so utilizados para extrair e comparar esses
vetores, viabilizando a indexao e busca de imagens (TORRES et. al., 2008).
Um vetor de caractersticas pode ser definido como v
de uma imagem
pode ser considerado um ponto no espao R
n
: v

= (v
1
, v
2,
v
3
,...., v
n
), onde n a
dimenso do vetor (TORRES et. al., 2008).
O descritor D definido como uma tupla (
D
,
D
) (TORRES et al., 2008),
onde
D:
{} R
n
uma funo que extrai o vetor de caractersticas v
da imagem ,
e
D
: R
n
X R
n
R
n
uma funo que calcula a similaridade entre duas imagens.
Os descritores de imagens devem ter propriedades que assegurem a sua
eficcia quando usados na indexao e recuperao de imagens, se destacado:
- A caracterizao nica de um determinado objeto a partir do vetor de
caractersticas, facilitando a distino entre imagens visualmente diferentes, de
acordo com alguma mtrica.
- A invarincia do descritor a algumas classes de transformaes
geomtricas, como a rotao, escala e a translao.
27

Outras propriedades desejveis so: insensibilidade a rudo, gerao de
vetores de caractersticas compactos (que requer pouco espao de armazenamento)
e funo de extrao computacionalmente eficiente.

2.4 Descritores de cores

A escolha de um espao de cor no qual as imagens sero representadas,
analisadas e comparadas o primeiro passo em qualquer sistema de recuperao
de imagens por cor. As cores presentes em uma imagem possuem um papel
significativo na indexao e recuperao da mesma.
A maioria das extraes de caractersticas de cor utiliza histogramas de cor.
Os histogramas de cor so invariantes translao e rotao das imagens, sendo
que, com a normalizao dos histogramas, obtm-se tambm a invarincia escala.
Mas os histogramas de cor no indicam a localizao espacial dos pixels na
imagem. Outro aspecto a considerar se a imagem contm um nmero alto de
cores, ento o vetor de caractersticas ser maior e a indexao de vetores com
essa dimenso torna-se problemtica.
No entanto, na aplicao motivadora deste trabalho, observa-se que a
informao de cor dos objetos pode no ter a mesma relevncia, pois uma semente
pode assumir diferentes cores durante seu ciclo de vida (Popinigis, 1985) (LOPES;
DIAS; PEREIRA, 2005).
2.5 Descritores de textura

Para o olho humano fcil a identificao de texturas, porm, para
procedimentos computacionais automticos, exigem tcnicas computacionais
complexas. A utilizao de textura de imagens tem como objetivo permitir sua
segmentao em determinadas regies que possuem mesmo textura.
O termo textura definido como um arranjo repetitivo de um padro bsico
(TUCERRYAN; JAIN, 1993). Esse padro pode ser definido pela diferena na
superfcie ou pela diferena de cor devido a propriedades fsicas presentes na
superfcie do objeto (rugosidade), ou o resultado de diferenas de reflexo tal como
a cor nas superfcies exemplificadas na Figura 3.
28

Figura 3 Exemplos de diferentes texturas. Fonte: Wang, 2000.

Textura tambm pode ser definida como um plano no quais certas
caractersticas, chamadas de caractersticas texturais, permanecem constantes. Seis
caractersticas texturais so apresentadas em (TAMURA; MORI; YAMAWAKI, 1978)
e so correspondentes aos atributos visuais comuns de texturas, pois o critrio para
a seleo destas seis caractersticas foi a influncia delas na percepo das
diferentes texturas. Desta forma a granularidade, contraste, direcionalidade,
linearidade, regularidade e aspereza podem ser estudados e quantificados a partir
de uma determinada textura para fins de identificao, diferenciao e classificao.
Considera-se que a textura formada por clulas, ou grupos de pixels, que
internamente tem um nvel de cinza uniforme.
Geralmente estes grupos so chamados primitivas tonais. O tamanho destas
clulas e a sua distribuio espacial ao longo da imagem com os valores dos nveis
de cinza entre as primitivas tonais definem as caractersticas de uma textura. Para
caracterizar a textura devem ser levadas em conta as propriedades das primitivas
tonais, bem como as inter-relaes entre as clulas que a constituem. Cada uma
das caractersticas pode ser entendida como:

- Granularidade: refere-se ao tamanho das clulas presentes na imagem. As
clulas podem ser definidas como sendo reas com aproximadamente o
mesmo brilho. Uma textura com clulas grandes considerada grossa,
enquanto que as texturas finas so formadas de clulas pequenas.
- Contraste: medido pelas variaes dos tons de cinza na imagem. Uma alta
variao dos tons (claro e escuro) nos limites (valores mximo e mnimo) das
clulas de uma imagem caracteriza uma imagem com alto contraste, uma
baixa variao dos tons de cinza nestes mesmos limites caracteriza o baixo
contraste.
29

- Direcionalidade: aplica-se para determinar se a textura possui uma direo
de ocorrncia principal dos elementos que a constituem, pode ser vertical,
horizontal, inclinada ou no-direcional.
- Linearidade: Mede a presena ou no de linhas na imagem. Algumas
imagens podem ter uma alta ocorrncia de linhas e outras com total ausncia
das mesmas.
- Regularidade: Trata da visualizao de uma imagem, que pode ser regular
ou no.
- Aspereza: Foi imaginado inicialmente para texturas tctis e no visuais.
Entretanto uma textura spera pode ser identificada visualmente e as
imagens destas texturas apresentam contornos que transmitem a sensao
de aspereza mesmo sem a possibilidade de toc-las.

A anlise da informao de textura em uma imagem requer,
necessariamente, uma anlise dos pixels em uma vizinhana e seu posicionamento
em relao aos demais (conectividade), o nmero de pixels por unidade espacial
(densidade) e a sua regularidade (homogeneidade). Por isso, o processo de
filtragem espacial, normalmente ser mais demorado computacionalmente que
outras operaes. Os algoritmos de extrao de informao de textura geralmente
requerem um tempo computacional consideravelmente maior do que um algoritmo
pixel-a-pixel.
Nos sistemas CBIR as caractersticas de textura so muito teis, pelo fato de
que a grande maioria de superfcies naturais exibe texturas.
2.6 Descritores de forma

A forma um atributo muito importante para o desenvolvimento deste
trabalho. Pois ela possibilita capturar as estruturas topolgicas dos objetos
presentes nas imagens (TORRES et. al., 2008).
Para a extrao dos descritores de forma, a maioria das vezes, as imagens
devem passar previamente pelo processo de segmentao. O processo de
segmentao consiste na extrao ou distino de objetos em uma imagem. Como
diferentes objetos requerem diferentes algoritmos de segmentao, tornando-se
complexa a tarefa de descrio de imagens por meio da forma.
30

Devido ao fato anterior a segmentao um problema que os sistemas de
recuperao de contedo baseado na forma precisam lidar (TORRES et. al., 2008).
Depois de aplicado o mtodo de segmentao e uma possvel
representao dos objetos nas imagens, as caractersticas devem ser compactadas.
Porm, existe uma dificuldade de encontrar uma descrio matemtica capaz de
captar totalmente os aspectos das formas como so visualmente captados e
entendidos. Alm, do fato, de que a comparao acarreta a um novo problema
(TORRES et. al., 2008).
Os sistemas CBIR que utilizam a este tipo de descritor extraem as
informaes dos contornos dos objetos e/ou das regies desses objetos. Contudo,
os valores extrados podem diferir entre cada CBIR. Assim, um importante problema
que deve ser resolvido para construo de um CBIR elaborar descritores de forma
especficos para cada aplicao.
De acordo com ZHANG e LU (2001), existem dois tipos de descritores de
forma: os baseados em contorno e os baseados em regio. Os mtodos baseados
em contorno usam apenas o contorno (ou bordas) da forma do objeto e ignora
completamente seu interior. Por outro lado, as tcnicas baseadas em regio levam
em conta no s a borda da forma do objeto, como tambm os detalhes internos da
forma do mesmo, ou seja, todos os pixels presentes no interior da forma do objeto
analisado so utilizados para obteno da representao da mesma (ZHANG; LU,
2001).

2.7 Extrao de caractersticas

A extrao de caractersticas consiste em transformar os dados de entrada
em caractersticas. Assim, quando os dados a serem processados so redundantes,
estes devem ser reduzidos para uma melhor representao. Essa representao
denominada de vetor de caractersticas.
Na etapa de anlise de imagens o vetor de caractersticas destaca-se como
uma representao mais concisa da imagem ou dos seus objetos, pois armazena os
atributos mais expressivos das regies da imagem. O nmero desses atributos
determina o tamanho do vetor de caractersticas, que usualmente depende das
propriedades que se pretende diferenciar.
31

A seguir so descritos os mtodos de extrao de vetores de textura e
forma. Para extrair caractersticas de textura utilizam-se matrizes de co-ocorrncia
de nveis de cinza e pela adaptao dessa matriz podem-se extrair atributos de
forma. Os momentos invariantes de Hu tambm servem para extrair atributos de
forma.

2.7.1 Matrizes de co-ocorrncia de nveis de cinza para extrair textura

A matriz de co-ocorrncia, ou ocorrncia simultnea, uma tabulao de
quantas combinaes diferentes de valores de nveis de cinza (intensidade dos
pixels) ocorrem em uma imagem. A principal utilidade dessa matriz representar
texturas de uma imagem atravs do nmero de ocorrncias de cada tom de cinza
em diferentes direes. Logo, uma ferramenta capaz de classificar imagens.
Porm, ela possui alto custo computacional medida que o nmero de tons de cinza
crescer na imagem.
A representao de textura baseada em Matriz de Co-ocorrncia de Nveis
de Cinza (GLCM - Gray Level Co-occurrence Matrix). Baseado na repetio das
ocorrncias de nveis de cinza dos pixels de uma imagem e fornece medidas quanto
s propriedades como rugosidade, suavidade e regularidade apresentadas na
imagem (MARTINS et. al., 2005).
Em Haralick (1973), apresentara vrios experimentos com fotografias areas
e imagens de satlite que foram classificadas atravs das GLCM com boa exatido
(mais de 80% de acerto), mostrando a capacidade e a generalidade deste mtodo.
As caractersticas texturais de uma dada imagem so especificadas atravs
de um conjunto de matrizes de dependncia espacial dos nveis de cinza, baseadas
nas freqncias de ocorrncia de pares de nveis de cinza com determinada
separao e orientao angular. assumido que a informao de textura est
contida na relao espacial que os nveis de cinza tm um com o outro.
Sendo uma das mais usadas e com resultados muito bons em vrias reas
de aplicao, formalmente, Haralick fundamenta GLCM da seguinte forma:
Suponha-se uma imagem com N
x
pixels na direo horizontal, N
y
pixels na direo
vertical e que o nvel de cinza associado a cada pixel seja quantizado por N
c
+1
nveis. Seja D
x
= {1, 2,..., N
x
} o domnio horizontal D
y
= {1, 2,..., N
y
} o domnio
32

espacial vertical e C= {0, 1, 2,..., N
c
} o conjunto dos N
c
+1 nveis de cinza
quantizados.
Os pixels da imagem, exceto aqueles localizados na borda da mesma,
possuem oito pixels vizinhos, levando em conta uma distncia entre eles de um. Ou
seja, cada pixel possui oito pixels adjacentes, dois em cada orientao: horizontal
(0), vertical (90), diagonal direita (45) e diagonal esquerda (135). A matriz de co-
ocorrncia leva em conta a adjacncia dos pixels e seus valores e do tamanho
N
c
+1 X N
c
+1. Cada posio na matriz corresponde ao nmero de vezes que os
nveis de cinza ocorreram na imagem em pixels adjacentes em cada uma das
direes (horizontal, vertical, diagonal direita e diagonal esquerda), segundo alguma
distncia e direo dos pontos. As matrizes tambm so simtricas, pois tem o
mesmo nmero de colunas e linhas. A soma das 4 matrizes direcionais resulta em
uma matriz invariante a rotao (HARALICK,1973).
A partir destes fatos, os valores de uma GLCM podem ser utilizados para
compor um vetor de caractersticas. Haralick descreve um conjunto de 14
caractersticas, sendo os mais utilizados: a energia, a entropia, o contraste, a
momento da diferena inversa (MDI), as medidas de correlao, a varincia, a
dissimilaridade e a mdia. Esses descritores so dados, respectivamente, pelas
equaes (1), (2), (3), (4), (5), (6), (7) e (8) a seguir.
Para cada pixel p(i,j) processado na imagem, existe outros em torno dele,
nas quatros direes. Com n-1 nveis de cinza em uma imagem.
=
=
1
0
1
0
2
) , (
n
i
n
j
j i p Energia
(1)
A energia, tambm conhecida por segundo momento angular, permite
identificar o grau de homogeneidade das medidas de distncia.
=
=
1
0
1
0
2
)] , ( [ ) (
log
n
i
n
j
j i p j i Entropia
(2)
A entropia fornece o grau de disperso de nveis de cinza de uma imagem.
=
=
1
0
1
0
2
) , ( ) (
n
i
n
j
j i p j i Contraste
(3)
O contraste mede a quantidade de variao local de nveis de cinza em uma
imagem.
33

( ) ( )
=
|
|
.
|
\
|
+
=
1
0
1
0
2
) , (
1
1
n
i
n
j
j i p
j i
MDI
(4)
O momento da diferena inversa denota a homogeneidade da matriz de co-
ocorrncia.
=
1
0
1
0
) , ( n
i
n
j
y x
y x
j j ijp
Correlao
o o

(5)
A correlao mede a dependncia linear dos nveis nas combinaes dos
pares de pixels em uma determinada direo. O
x
e
y
denotam as mdias nas
direes x e y, enquanto
o x
e
o y
representam os desvios padro.
( )
( ) j i p Varincia
n
i
n
j
j i
,
1
0
1
0
2
=

=
(6)
A varincia diz respeito heterogeneidade da matriz de co-ocorrncia em
forma de desvio dos valores p da matriz.
=
=
1
0
1
0
) , ( | ) ( | .
n
i
n
j
j i p j i i Dissimilar
(7)
A dissimilaridade mede o desvio dos valores da combinao de pares de
pixels diagonais, em que apenas a contribuio do desvio considerada.
=
=
1
0
1
0
) , ( .
n
i
n
j
j i p i Mdia
(8)
Mdia da matriz de co-ocorrncia.
Outro valor denominado de informao de medida de correlao tambm
pode ser calculado. O valor da entropia subtrado de outro clculo de entropia que
utiliza a multiplicao das probabilidades de x e y.
( ) HY HX
HXYL HXY
IMC
, max

= (9)

Onde HX e HY so dadas pela entropia de x e de y.

=
=
1
0
1
0
)] , ( log[ ) , (
n
i
n
j
j i p j i p HXY
(10)
34

( ) ( )
=
=
1
0
1
0
] log[ ) , (
n
i
n
j
y x
j i j i p HXY
p p (11)
2.7.2 Implementao alternativa para matriz de co-ocorrncia

O algoritmo proposto neste trabalho substitui os nveis de cinza da matriz de
co-ocorrncia de Haralick pelas distncias da borda do objeto em relao ao centro
aproximado.
As distncias so calculadas nos 360 graus possveis. Esses valores so
normalizados em 100, pois as distncias so divididas pela maior e multiplicadas por
100, por isso a matriz de co-ocorrncia contm 100 linhas por 100 colunas, e ser
gerada pela combinao do valor das distncias nos ngulos complementares (valor
do ngulo mais 180 graus). Assim, se a distncia na direo do ngulo 0 50 e do
ngulo 180 70 o valor da clula da matriz na posio (50, 70) incrementado em
um, e assim sucessivamente com os demais ngulos, totalizando 180 combinaes.
Para aumentar o nmero de combinaes posio (70, 50) tambm
incrementada, dessa forma a quantidade de combinaes chega a 360 e temos uma
possvel maneira de deixar o mtodo invariante posio. Para tornar o mtodo
mais invariante posio podem-se adicionar os ngulos 45, 90 e 135 totalizando
1440 combinaes de ngulos.
Para chegar ao clculo das distncias foi preciso primeiramente definir
alguns atributos da imagem e dos objetos.
Inicialmente foi realizada a extrao dos pontos dos contornos do objeto pelo
algoritmo criado por Suzuki (1985). Com isso, foi possvel submet-los ao algoritmo
que ajusta uma elipse ao objeto (ANDREW; FISHER, 1995). Esse algoritmo calcula
a elipse que melhor se encaixa aos pontos do contorno da imagem. Aps a gerao
da elipse possvel acessar o valor do seu centro e este ponto foi considerado o
centro do objeto. A Figura 4 mostra um objeto com a elipse ajustada.
35

Figura 4 Exemplo da elipse ajustada.

A distncia euclidiana (CONCI; AZEVEDO, 2007) entre o centro da elipse e
as coordenadas dos contornos so calculadas utilizando as coordenadas polares
(HEARN; BAKER, 2004), como exemplifica a Figura 5. Esse mtodo fixa, desde a
origem O ao plo P, uma semi-reta e possibilita encontrar os pares de pontos pela
variao do raio e do ngulo da origem como uma referncia, representado pelo
plano que contm a semi-reta que passa pelos pontos O e A na Figura 5. O raio
representa a distncia entre o ponto O e o plo P.

Figura 5 - Representao grfica das coordenadas polares.

As coordenadas so obtidas pelas eq.(12) e eq.(13):
u cos = r x
(12)
36

u sen r y =
(13)
Os valores do ngulo e do raio iniciam em zero, com o semi-eixo fixo no grau
zero. O raio aumentando em um e so calculadas as coordenadas (x, y) at que o
pixel nessa posio pertena borda do objeto. Quando isso acontece, o valor do
raio zerado e o ngulo passa a valer um. Esse procedimento ocorre at que o
ngulo seja igual a 359.
Assim, ao final do processo mostrado so obtidas 360 coordenadas. O
resultado do deste mtodo, inclusive com a elipse, ilustrado na Figura 6 as
distncias so mostradas em verde e a maior distncia est em destaque.

Figura 6 - Imagem do objeto com a elipse posicionada, as linhas verdes representam
as 360 distncias e alinha laranjada a maior distncia.

2.7.3 Momentos Invariantes de HU

Os momentos de HU um importante mtodo de extrao de vetores de
atributos de forma, pois so invariantes translao, mudana de escala e
tambm rotao (HU, 1962).
Para desenvolver este mtodo HU (1962) derivou expresses das
invariantes algbricas aplicadas ao momento da funo gerada a partir de uma
transformao de rotao. Estas consistem em grupos de expresses no lineares
de momentos centralizados. O resultado um conjunto de momentos invariantes
ortogonais absolutos que podem ser usados para a identificao de padres
invariantes escala, posio e rotao. Esses momentos so obtidos a partir dos
37

momentos centralizados normalizados, os quais mostrados a seguir e
posteriormente os sete momentos de HU (HU, 1962).
Definio matemtica de um momento discreto centralizado, como descreve
HU (1962):
( ) ( )
=
P y y x x xy
q p
pq
(14)
A seguir as 7 equaes dos momentos invariantes de Hu:
q q
02 20
1
+ =
I
(15)
( )
q q q
2
11
2
2
4
02 20
+ =

I
(16)
( ) ( ) q q q q
03 21 12 30
3 3
2 2
3

+ =
I
(17)
( ) ( ) q q q q
03 21 12 30
2 2
4

+ =
I
(18)
( )( ) ( ) ( )
( )( ) ( ) ( )
(
+
+
(
+ =
+ +
+ +
q q q q q q q q
q q q q q q q q
03 21 12 30
3
03 21 12 30
2 2
03 21 03 21
2 2
12 30 12 30
5
3
3 3
I
(19)
( )
( ) ( )
( )( )
(
+ + + =
+ q q q q q q q q q q q
03 21 12 30 11
2 2
02 20
6
4
03 21 12 30
I
(20)
( )( ) ( ) ( )
( )( ) ( ) ( )
(
+
+
(
+ =
+ +

q q q q q q q q
q q q q q q q q
03 21 12 30
3
03 21
3
12 30
3
2 2
03 21 12 30
2 2
12 30 03 21
7
3
I
(21)

2.8 Consideraes sobre o captulo

Neste capitulo foi discutido conceitos importantes para o desenvolvimento
deste trabalho discutindo as etapas desse processo. Tambm, a modelagem do
sistema de recuperao de Imagens, descrevendo a sua arquitetura e a forma de
representar imagens por meio de vetores de caractersticas para cor, textura e
forma. Justificando a excluso dos atributos de cor para a identificao de sementes,
devido a as sementes apresentam variao de cores dentro de uma mesma espcie
durante a sua maturao. E afirmando o uso da forma e textura, pois a maioria das
espcies de sementes tem formatos e texturas diferenciados.
38

Alm de discutir os mtodos para a extrao de vetores de caractersticas de
forma e textura, como os 7 momentos invariantes HU, a matriz de co-ocorrncia de d
nveis de cinza de Haralick e o, mtodo desenvolvido neste trabalho, a adaptao da
matriz de co-ocorrncia de Haralick.
No captulo a seguir descrita a metodologia utilizada para o
desenvolvimento deste trabalho.

39

3 Uma Ferramenta para Apoio Identificao de Sementes

O presente captulo tem por objetivo apresentar o algoritmo de extrao de
atributos de forma desenvolvido neste trabalho. Tambm so descritos os materiais
utilizados no desenvolvimento, execuo e validao da ferramenta desenvolvida.
As etapas que foram utilizadas para a construo do sistema automtico de
identificao de sementes, com base nas caractersticas de forma e textura so
descritas na seo 3.5.
3.1 Linguagem e Ambiente de Desenvolvimento

A linguagem que foi utilizada para a implementao do software de extrao
de caractersticas foi C++, que, alm das vantagens de uma linguagem moderna e
orientada a objetos, compatvel com OpenCV (Open Source Computer Vision),
uma biblioteca grfica de cdigo aberto. O OpenCV implementa uma variedade de
ferramentas de interpretao de imagens, indo desde operaes simples como um
filtro de rudo, at operaes complexas, tais como anli ses de movimentos,
reconhecimento de padres e reconstruo em 3D. O pacote OpenCV est
disponvel gratuitamente na Internet (SOURCEFORGE, 2010) bem como o manual
de referncia (INTEL, 2001).
3.2 Equipamento de Aquisio de Imagens

As fotografias das sementes foram obtidas por uma cmera fotogrfica
digital de seis megapixels. Cada imagem obtida contm grupos de 2 a 14
exemplares de uma mesma espcie distribudos sobre um vidro limpo. Observou-se
que no houvesse sementes sobrepostas ou tocando-se. Para homogeneizao da
imagem, este vidro foi colocado a 15 cm de distncia de um fundo azul e foi utilizada
uma fonte de luz proveniente de uma lmpada fluorescente redonda, sobreposta ao
vidro, para garantir luminosidade em todos os lados da semente, evitando a
formao de sombra e brilho causados pelo reflexo do flash da cmera no vidro. A
Figura 7 apresenta o equipamento utilizado para obteno das imagens fotogrficas.
A Figura 8 um exemplo de uma fotografia obtida.
Para cada uma das 66 espcies, ao final do processo de obteno das
fotografias, foram adquiridas pelo menos oito imagens.
40

Figura 7 - Equipamento montado para a aquisio das imagens de sementes.

Outro aspecto importante que se decidiu por utilizar mquina fotogrfica
digital convencional em detrimento a equipamentos mais robustos, como lupa
eletrnica ou microscpio. Esta deciso foi tomada para permitir que o usurio
pudesse reproduzir, a custo acessvel, um ambiente com as mesmas caractersticas
daquele utilizado para obteno das imagens da base de dados, de forma a ser
possvel a leitura de informaes visuais das imagens com caractersticas
semelhantes. A utilizao de lupa ou microscpio encareceria o sistema, embora
ambos estivessem disposio para realizao do presente trabalho.

Figura 8 - Imagem adquirida com o equipamento da espcie invasora.

41

3.3 Base de Imagens

A base de dados utilizada nos experimentos realizados neste trabalho
contm 66 espcies de sementes classificadas como invasoras. A forma de
aquisio das imagens seguiu rigorosamente o mesmo procedimento, uma vez que
devem ser garantidas as mesmas condies de luminosidade para garantir
uniformidade na etapa de extrao das caractersticas das imagens.
3.4 Funcionamento Simplificado

Podem-se resumir as atividades realizadas pela ferramenta conforme
descrito pelo algoritmo descrito na Figura 9.
Algoritmo: Processo de obteno de caractersticas das sementes
Entradas:
- O nome de um diretrio contendo um conjunto de imagens
fotogrficas de grupos de sementes. O nome de cada arquivo
descreve o gnero e a espcie do grupo de exemplares nele
contido.
- Tabela de cruzamento de nomes de espcie e nome da famlia da
espcie.
Sada:
- Arquivo contendo uma tabela onde as linhas correspondem as
famlias das espcies manipuladas e as colunas contm a mdia
aritmtica simples de cada atributo das caractersticas
extradas.

1. Para cada arquivo no diretrio
1.1. Leitura do arquivo contendo a imagem fotogrfica de um grupo de
sementes da mesma espcie.
1.2. Pr-Processamento da imagem fotogrfica.
1.3. Segmentao da imagem fotogrfica em regies contendo um nico
exemplar.
1.4. Recorte da imagem fotogrfica gerando uma imagem para cada espcie
segmentada.
1.5. Para cada imagem obtida no passo anterior, extrai as
caractersticas de:
1.5.1. Textura.
1.5.2. Forma pela tcnica proposta.
1.5.3. Forma pela tcnica Momentos de HU.
1.6. Identifica famlia da espcie tratada e atualiza tabela de mdias
de atributos de caractersticas da famlia;
2. Salva arquivo de sada.
Figura 9 - Algoritmo descrevendo o processo de obteno das caractersticas das
imagens de sementes.

Neste algoritmo verifica-se que a principal entrada consiste no nome de um
diretrio que contm arquivos de imagens fotogrficas de grupos de sementes. A
sada consiste em um arquivo que contm a mdia aritmtica simples de cada
42

atributo das caractersticas extradas para as espcies de cada famlia. Os passos
deste algoritmo so desenvolvidos no restante deste captulo.
3.5 Identificao de sementes

O software desenvolvido tem um nico parmetro de entrada, que a
imagem adquirida que contem a semente a ser identificada. Para implementar essa
etapa foi utilizada a biblioteca OpenCV.

3.5.1 Pr-processamento

Para realizar a etapa de pr-processamento da imagem foi desenvolvido um
mtodo de segmentao especifico para tratar a imagens de sementes. Antes de
realizar a segmentao feita uma converso do padro de cor RGB da imagem
para o padro HSV. Logo aps, aplicado um borramento para eliminar pequenas
partculas presentes nas imagens.
Essa manipulao da imagem feita para garantir o maior acerto no
processo de segmentao. Esses procedimentos so descritos a seguir.
3.5.1.1 Converso de RGB para HSV

As imagens adquiridas no padro RGB foram convertidas para o espao
HSV Aps esta transformao feita a multiplicao dos canais e uma imagem
monocromtica criada. Os canais sofrem uma multiplicao simples H*S*V e o
valor resultante multiplicado por 255 para criar uma imagem com um nico canal
de cor (escala de cinza). A Figura 10 mostra uma imagem original e a imagem
resultante aps o processo de multiplicao. possvel notar que aps a etapa de
converso e multiplicao a imagem fica praticamente dividida entre o fundo e as
outras estruturas, com exceo da rgua que tem elementos em ambas as classes.
A multiplicao dos canais facilitar o processo de segmentao da imagem
em sementes e fundo que ser descrito na prxima subseo.

43

Figura 10 - Converso do modelo RGB para HSV. a) Imagem no modelo RGB. b)
Imagem no padro HSV.

3.5.1.2 Borramento

Antes da limiarizao aplicado um borramento da imagem com um filtro
gaussiano de tamanho 19x19, para eliminar rudos e estruturas pequenas que
aparecem na imagem (plos, poeira e outros).
3.5.2 Segmentao de imagens utilizando Histograma

Um mtodo de segmentao especifica foi desenvolvido para este trabalho
(OLIVEIRA et. al., 2010) e utilizado por MEDEIROS (2011). Esse mtodo utiliza o
histograma da imagem para realizar a segmentao da imagem.
A prxima etapa calcular o histograma da imagem e encontrar o valor que
tem a maior probabilidade de ocorrer (pico mais alto). Como as estruturas esto
realadas, devido multiplicao de canais, a busca feita de forma simples,
somente verificando qual o maior valor encontrado no histograma. Como o fundo
azul, na maior, parte das vezes predominante na imagem, ele aparece como o
maior pico da imagem. A Figura 11 mostra o histograma da Figura 12.

Figura 11 - Histograma calculado.
44

Figura 12 - Imagem HSV.

E possvel perceber que os valores na imagem esto mais prximos do valor
preto (imagem escura). Outra caracterstica do histograma que ele possui dois
picos, um bem prximo ao valor preto e outro mais prximo a metade dos valores.
Esses picos so as regies que tm maior concentrao de valores (fundo
azul e outras estruturas). A tcnica desenvolvida encontra o maior pico no
histograma, ou seja, encontra o nvel de cinza que tem maior probabilidade de
ocorrncia e divide seu valor pela metade. Escolhendo um valor no vale entre os
dois picos da imagem. O valor obtido utilizado na aplicao de um threshold
simples invertido. Onde a regio mais clara recebe o valor 0 (zero) e o restante
recebe valor 1 (um). A Figura 13 mostra a imagem aps aplicao do threshold
invertido.

Figura 13 - Imagem binria resultante da aplicao do threshold invertido.

Aps a aplicao do threshold invertido a imagem binarizada multiplicada
pela imagem original utilizando uma operao AND do OpenCV. Como o fundo tem
45

valor zero (cor preta) na etapa de multiplicao ele continua com este valor. J as
outras estruturas que tm valor um (cor branca) iro manter a cor da imagem original
sendo destacadas em relao ao restante da imagem. Com esse procedimento
conseguimos separar o fundo das imagens. A Figura 14 mostra o resultado final
obtido com a imagem de exemplo.

Figura 14 - Imagem resultante do processo de segmentao.

3.5.3 Recortar as sementes

Para recortar as sementes da imagem utilizado um mtodo de deteco
(cvblob) para localizar as posies das sementes nas imagens. Esse tem como
entrada a imagem binria Figura 13.
Neste mtodo as coordenadas, a altura e largura de cada semente na
imagem so utilizadas para calcular um retngulo em torna da semente, assim esse
retngulo pode ser recortado. A Figura 15 mostra a imagem binria com os
retngulos e a Figura 16 mostra as imagens das sementes recortadas.

Figura 15 - Imagem destacando com retngulos nas sementes.

46

Figura 16 - Imagem com os recortes de sementes.

3.5.4 Extrao de Vetores de Caractersticas

Esta etapa muito importante, na metodologia utilizada para o
desenvolvimento deste trabalho, devido ao fato de ser a etapa de extrao dos
atributos de forma e textura presentes na imagem.
O mtodo de extrao de caracterstica de forma proposto, primeiramente,
calcula os pontos dos contornos de cada semente segmentada anteriormente
(Figura 16). Com os valores dos contornos aplicado o algoritmo que ajusta a elipse
prxima a forma da semente na Figura 17. Depois do ajuste da elipse possvel
encontrar o valor do centro da semente visto na Figura 18.

Figura 17 - Imagem com a elipse aproximada da forma da semente.

Figura 18 - Imagem com sementes recortadas destacando o centro em vermelho.

47

A partir do centro da semente calculada a distncia Euclidiana at as
bordas da semente comeando com ngulo zero at completar 359. Com essas
distncias a matriz de co-ocorrncia preenchida conforme descrito na seo 2.7.2.
Na Figura 19 em verde ilustrado o clculo das distncias com a variao do ngulo
zero at 359 e destacando a maior distancia em laranja. Os atributos extrados das
sementes so: Energia, entropia, contraste, homogeneidade, dissimilaridade e a
correlao.

Figura 19 - Imagem com o clculo da maior distancia do centro de massa at a
borda.
Os sete momentos invariantes de HU so calculados utilizando os recortes
mostrados na Figura 16. O mtodo de extrao de caractersticas de textura utiliza
os recortes da Figura 20, pois contem as texturas das sementes em tons de cinza.

Figura 20 - Imagem com recortes contendo a textura das sementes.


No presente captulo foram descritos o funcionamento do mtodo de
extrao de caractersticas e a operao bsica da ferramenta desenvolvida.
Ressalta-se que o objetivo da ferramenta a identificao da famlia a qual uma
determinada espcie pertence. Assim, as caractersticas obtidas para cada exemplar
comparam parte na mdia das caractersticas de cada famlia. Para realizao desta
48

ferramenta, uma tcnica de extrao de caracterstica de forma foi proposta e
implementada. Para validar o resultado obtido pelo uso desta tcnica e tambm
garantir resultados confiveis da ferramenta, foi tambm implementado a tcnica
Momentos de Hu para extrao de caractersticas de forma. Para complementar os
resultados e permitir comparao, a ferramenta inclui tambm a extrao de
caracterstica de textura de imagens.
49

4 RESULTADOS

Este trabalho ter por objetivo o desenvolvimento de uma ferramenta de
identificao de sementes baseada na arquitetura CBIR. Assim, foi proposto um
mtodo de extrao de caractersticas de forma, utilizou-se um mtodo de forma
reconhecido na bibliografia e um mtodo de textura para comparar os resultados. .
Inicialmente apresentamos os resultados preliminares obtidos com o mtodo
proposto, na sequncia uma avaliao da utilizao das outras tcnicas no contexto
de identificao de sementes.

4.1 Resultados preliminares

Para testar a metodologia foram feitos alguns testes preliminares, para isso
foram montadas duas categorias de imagens. A primeira categoria representa
objetos com padres de comportamento uniforme, ou seja, objetos que tem a
distncia do seu centro at a borda bem definidas. A segunda categoria de objetos
no uniformes, pois as distncias em relao ao centro no so definidas. No total
foram geradas 12 imagens com fundo branco e um objeto preto. As Figura 21 e
Figura 22 mostram os objetos criados nas imagens. Para verificar se o mtodo
proposto invariante a rotao os objetos nas imagens foram rotacionados nos
ngulos 90, 180 e 270 (Figura 23), com exceo do quadrado que girou nos graus
22.5, 45 e 67.5.

Figura 21 - Imagens geradas e classificadas como uniformes.
50

Figura 22 - Imagens criadas que ficaram no grupo das formas no-uniformes.
Outro tipo de teste foi realizado utilizando as duas categorias montadas
anteriormente. Verificamos se a metodologia seria capaz de generalizar entre as
duas categorias montadas. Para isso utilizamos 28 imagens de sementes.
Separamos as sementes em duas categorias, 14 imagens em cada,
denominadas uniformes e no-uniformes. A categorizao foi feita de forma visual,
sem nenhum tipo de auxlio de especialista. A Figura 24 mostra algumas sementes
com um padro considerado uniforme e a Figura 25 mostra sementes com
caractersticas no-uniformes.

Figura 23 - Exemplo de uma imagem no-uniforme rotacionada nos ngulos 90,
180 e 270.

Os dois primeiros conjuntos de testes foram processados e os atributos de
Haralick extrados. Esses dados foram armazenados, para serem utilizados na
classificao das imagens de sementes. Foram geradas duas tabelas.
O valor que representa o comportamento das duas categorias de objetos foi
obtido pelo clculo da mdia dos atributos. Assim, foram utilizadas as mdias dos
51

atributos das tabelas de imagens criadas como parmetro de classificao das
sementes como formas uniformes ou no-uniformes. A combinao das mdias do
conjunto de objetos do mesmo grupo representa os valores da categoria.
Para a classificao das imagens de sementes nas classes foi utilizado um
clculo de distncia quadrtica entre o valor dos atributos calculados para as
sementes e os valores mdios dos atributos das classes. O valor obtido para cada
atributo das sementes foi subtrado do valor mdio correspondente e elevado ao
quadrado. O menor valor de soma das diferenas ao quadrado serviu para
classificar a semente nas classes uniforme ou no-uniforme.

Figura 24 - Sementes com formato uniforme.

Figura 25 - Sementes com caractersticas no-uniformes.

4.1.1 Testes Imagens Criadas

A Tabela 1 mostra o resultado de uma das imagens no-uniforme testada
em diferentes rotaes. Utilizamos seis atributos de Haralick para os nossos testes.
Tabela 1 - Valores resultantes de uma imagem normal e rotacionada.
ng. Rotao Energia Entropia IDM Varincia Dissim. IMC
0 0,0048 5,4903 0,0659 284,0834 14,2167 0,6409
90 0,0052 5,4750 0,0703 266,8611 13,7944 0,6345
180 0,0048 5,4826 0,0619 270,9167 13,8833 0,6441
270 0,0050 5,4880 0,0762 267,8111 13,8222 0,6295
Mdia 0,0049 5,4840 0,0686 272,4181 13,9292 0,6373
Desvio Padro 0,0002 0,0068 0,0062 7,9674 0,1952 0,0065

52

Nos outros casos testados o desvio padro apresentou valores muito baixos
indicando uma tendncia de uniformidade nas categorias montadas. As imagens
no-uniformes tambm apresentaram valores prximos nas caractersticas mesmo
com as diferentes rotaes.

4.1.2 Classificao das Sementes

Utilizando as classes da etapa anterior foi montada uma classificao por
distncia quadrtica. Os resultados podem ser vistos nas Tabela 2 e Tabela 3. A
Tabela 2 mostra a classificao das sementes uniformes e a Tabela 3 as no-
uniformes, ambas possuem a mesma padronizao de dados.
A primeira coluna tem o nome da imagem testada, j a segunda informa a
classe a qual a imagem pertence, na terceira e na quarta coluna o clculo das
distncias do objeto para as classes montadas na etapa anterior. A ltima coluna
mostra o resultado da classificao da imagem.
Tabela 2 - Classificao das sementes da classe uniforme.
Imagem Forma da Imagem Distncia UNI Distncia N_UNI Classificao realizada
Uni_1 Uniforme 435,8305 16067,8654 Uniforme
Mdia 108,3798 1108,379866
Desvio Padro 1349,57 4952,397683

A classificao uniforme apresentou uma taxa do acerto de 100%. Como
pode ser observado na Tabela 2, todas as sementes foram classificadas na classe
correta.

53

Tabela 3 - Classificao das sementes da classe no-uniforme.
Imagem Forma da Imagem Distncia UNI Distncia N_UNI Classificao realizada
N_Uni_1 No-Uniforme 512,2996705 28964,61552 No-Uniforme
N_Uni_2 No-Uniforme 12699,52598 1218,441894 Uniforme
Mdia 35781,91 78336,72
Desvio Padro 81248,24 130913,47

J a classe no-uniforme apresentou uma taxa de acerto de 78,57%, pois,
das 14 sementes testadas o mtodo errou em trs casos.
4.2 Teste no sistema CBIR implementado

Esta seo descreve os testes realizados com mtodo proposto e
comparando com os mtodos da bibliografia. Esses testes so baseados na
arquitetura do sistema CBIR.
Para elaborar os testes foram utilizadas 66 espcies de sementes de 12
famlias. No experimento, a base de dados contou com 462 imagens de sementes,
as quais foram utilizadas para construo da Base de vetores de Caractersticas.
Esses vetores serviram para indexar cada famlia e tambm para comparar com os
valores extrados das imagens de entrada. Ressalta-se que as imagens de entrada,
ou seja, as imagens para as quais se busca identificar a espcie, no foram
utilizadas para compor a Base de vetores de Caractersticas.
Depois so extrados os vetores de caractersticas de todas as 66 imagens
retiradas e calculadas as similaridades atravs do clculo da distncia quadrtica
com a base de vetores. A equao da distncia quadrtica:
. . / )) . . (Im ) 2 . 2 . (Im ) 1 . 1 . ((Im tan caract n n base n g base g base g abs cia Dis + + = (22)
54

A eq. 24 calcula a soma da diferena entre o vetor de caractersticas da
imagem de entrada com os valores da Base de vetores divididos pelo o nmero de
caractersticas do vetor.
Aps isso, os resultados das distncias so ordenados em ordem crescente.
O menor e o primeiro valor indicam a famlia que tem maior similaridade com a
imagem de entrada.
Nas prximas sees so descritos e comparados os resultados obtidos dos
testes realizados no mtodo proposto de extrao de caractersticas de forma, nos
momentos invariantes de Hu e nos descritores de textura de Haraclick.
4.2.1 Mtodo de extrao de forma proposto

Nesta seo so descritos os resultados do mtodo de extrao de vetores
de forma.
A Tabela 4 mostra a base de vetores calculada para um ngulo de 180 e a
Tabela 5 base de vetores calculada para os ngulos de 45, 90, 135 e 180. Os
valores da comparao de cada imagem retirada com a os valores das tabelas
Tabela 4 e Tabela 5 so ordenados em ordem crescente. O menor valor aquele
que tem a maior similaridade com a famlia correspondente na tabela. Logo aps, foi
verificado manualmente se essa famlia aquela que a imagem pertence.

Tabela 4 - Base de vetores calculados para um ngulo 180.
Famlias Energia EntropiaY EntropiaX Contraste IDM
ASPHODELIACEAE 0,01 5,01 3,46 337,87 0,06
AMARANTHACEAE 0,02 4,31 2,85 398,57 0,05
ASTERACEAE 0,01 5,13 3,72 265,34 0,08
BORAGINACEAE 0,01 5,13 3,39 225,51 0,07
BRASSICACEAE 0,02 4,44 2,96 510,29 0,04
CHENOPODIUM 0,02 4,38 2,90 519,89 0,04
CONVOLVULACEAE 0,01 5,02 3,37 204,55 0,09
CUSCUTACEAE 0,02 4,41 2,91 524,53 0,04
EUPHORBIACEAE 0,01 5,01 3,38 147,17 0,08
FABACEAE 0,01 5,01 3,49 175,79 0,08
POLYGONACEAE 0,01 5,02 3,42 178,59 0,09
SAPINDACEAE 0,02 4,20 2,71 89,57 0,10

Os valores Tabela 6 mostram a contagem das posies das famlias
corretas, isto , na primeira linha e na coluna Teste 1 (calculados utilizando 180) foi
55

encontrada 13 famlias corretas e na coluna Teste 2 (calculados utilizando 45, 90,
135 e 180) foram encontradas 25 famlias corretas. Na segunda linha na coluna
Teste1 foram encontradas 10 famlias corretas com o segundo maior grau de
similaridade e na coluna Teste 2 foram encontradas 3 famlias que tiveram o
segundo menor valor em relao a famlia correta.

Tabela 5 - Base de valores calculados com ngulos: 45, 90,135 e 180.
Famlia Energia Entropia EntropiaX Contraste IDM
AMARANTHACEAE 0,01 5,25 2,82 286,94 0,07
ASPHODELIACEAE 0,00 6,09 3,41 534,28 0,05
ASTERACEAE 0,00 6,39 3,68 786,82 0,05
BORAGINACEAE 0,00 6,05 3,34 251,20 0,08
BRASSICACEAE 0,01 5,36 2,91 487,26 0,07
CHENOPODIUM 0,01 5,34 2,87 367,88 0,06
CONVOLVULACEAE 0,00 6,02 3,33 297,36 0,08
CUSCUTACEAE 0,01 5,33 2,88 415,07 0,06
EUPHORBIACEAE 0,00 6,01 3,33 245,36 0,07
FABACEAE 0,00 6,16 3,50 367,81 0,06
POLYGONACEAE 0,00 6,08 3,40 307,91 0,07
SAPINDACEAE 0,01 5,03 2,66 66,46 0,13

Tabela 6 - Nmero de Imagens que tiveram a mesma posio nos resultados.
Nmero de imagens.
Posio Teste 1 Teste 2
1 13 25
2 10 3
3 6 6
4 5 9
5 7 8
6 8 2
7 8 4
8 3 4
9 0 0
10 4 4
11 2 1
12 0 0
Total: 66 66

Analisando a Tabela 6 pode-se perceber que o aumento de 13 para 25
acertos j na primeira posio foi significativo, pois quase que dobrou o percentual,
19,69% do Teste 1 para 37,87% no Teste 2. J na segunda e terceira posio os
56

acertos diminuram (caso 2) e se mantiveram (caso 3), se levarmos em conta as trs
primeiras posies samos de 43,93% no Teste 1 e aumentamos para 51,51% no
Teste 2. Esta melhora pode ser entendida por considerar que a introduo novos
ngulos ressalta a propriedade de invarincia do descritor a rotao e a translao,
conforme discutido na Seo 3.2.
A Tabela 13 e Tabela 15 mostram as trs primeiras famlias encontradas, a
Tabela 14 e a Tabela 16 exibem a contagem dessas famlias, por fim a Tabela 17
mostra a comparao da primeira posio da Tabela 13 com a Tabela 15 no
apndice A .
4.2.2 Mtodo de extrao de textura

Nesta seo so descritos os resultados do mtodo de extrao de vetores
de caractersticas de textura de Haralick.
A Tabela 7 base de vetores para comparar com cada imagem retirada,
ordenando os resultados dessa comparao em ordem crescente. O primeiro valor
aquele que tem a maior similaridade com a famlia correspondente na tabela. Logo
aps, foi verificado manualmente se essa famlia aquela que a imagem foi retirada.
Tabela 7 - Base de vetores textura de Haralick .
Entr. Ene. Homo. Constr. C.Tend C.Shade Corr. Corr1 Corr2 MProb
AMARANTHACEAE 5,61 0,11 0,56 97,37 11493,5 674489,74 0,98 0,04 0,99 0,33
ASPHODELIACEAE 5,68 0,12 0,51 285,2 12584,19 1567645,21 0,95 0,04 0,99 0,34
ASTERACEAE 5,85 0,15 0,5 217,07 22354,8 336320,5 0,98 0,02 0,98 0,37
BORAGINACEAE 5,06 0,24 0,57 306 21490,71 2047301,7 0,97 0,02 0,97 0,47
BRASSICACEAE 6,23 0,08 0,5 91,83 17142,99 1014006,59 0,99 0,03 0,99 0,28
CHENOPODIUM 6,05 0,14 0,47 236,03 14224,84 458847,82 0,97 0,02 0,97 0,36
CONVOLVULACEAE 6,07 0,14 0,48 246,86 16832,23 870750,83 0,97 0,03 0,98 0,37
CUSCUTACEAE 6,38 0,1 0,44 260,72 18202,13 440454,88 0,97 0,02 0,98 0,32
EUPHORBIACEAE 5,25 0,13 0,55 266,69 15775,48 788371,97 0,96 0,03 0,98 0,36
FABACEAE 5,67 0,17 0,49 435,91 21587,9 855656,59 0,96 0,02 0,98 0,41
POLYGONACEAE 5,86 0,13 0,46 415,71 18224,46 85018,25 0,95 0,02 0,98 0,36
SAPINDACEAE 5,58 0,14 0,5 432,41 25391,45 368790,29 0,96 0,03 0,99 0,38

Os valores da Tabela 8 mostra a contagem das posies das famlias
corretas, na posio 1 foram encontradas somente 22 famlias corretas e na posio
2 ocorreram 8 famlias. Se levarmos em conta as trs primeiras posies o mtodo
acertou 34 vezes o que d 51,51% que a mesma taxa que obtivemos com a nossa
tcnica de atributos de forma.
57

Posio Nmero de imagens
1 22
2 8
3 4
4 6
5 9
6 3
7 1
8 4
9 2
10 4
11 2
12 1
Total: 66

A Tabela 18 mostra as trs primeiras famlias encontradas e a contagem na
Tabela 19 no apndice B.
4.2.3 Mtodo de HU

Nesta seo so descritos os resultados dos 7 momentos invariantes de HU.
A Tabela 9 contm os vetores de caractersticas calculados para este mtodo e na
Tabela 10 esto contagem das famlias encontradas nas mesmas posies.
As a relao das famlias encontradas nas trs primeiras esto Tabela 20 na
e a contagem dessas posies ento Tabela 21 no apndice C. A contagem da
Tabela 21 segue igual as outras tabelas de contagem de ocorrncia, onde a imagem
que tiver a famlias correta em uma das trs famlias indicada com o valor 1 e se
no tiver indicado com valor 0.

58

Tabela 9 - Base de vetores com os 7 momentos invariantes de HU.
M1 M2 M3 M4 M5 M6 M7
AMARANTHACEAE 0,192 0,013 0,002 0,001 0 0,001 0
ASPHODELIACEAE 0,178 0,007 0 0 0 0 0
ASTERACEAE 0,16 0 0 0 0 0 0
BORAGINACEAE 0,188 0,009 0 0 0 0 0
BRASSICACEAE 0,163 0,001 0 0 0 0 0
CHENOPODIUM 0,165 0,002 0 0 0 0 0
CONVOLVULACEAE 0,18 0,005 0,001 0 0 0 0
CUSCUTACEAE 0,162 0,001 0 0 0 0 0
EUPHORBIACEAE 0,174 0,003 0,001 0 0 0 0
FABACEAE 0,271 0,065 0,004 0,002 0,001 0,003 0
POLYGONACEAE 0,177 0,007 0 0 0 0 0
SAPINDACEAE 0,169 0,003 0 0 0 0 0

J o mtodo de HU acertou menos que o nosso na primeira posio (19
vezes contra 35), porm se levarmos em considerao as trs primeiras posies
ele teve 41 acertos de 66 imagens, o que d uma taxa de 62,12%.

1 19
2 12
3 10
4 3
5 2
6 1
7 5
8 0
9 0
10 1
11 5
12 8
Total: 66
Tabela 21 no apndice C.

59

4.2.4 Mtodo proposto combinado com HU

Esta seo so mostrados os resultados, no mesmo formato dos anteriores,
para a combinao do clculo de similaridade do mtodo proposto de extrao de
forma neste trabalho com os 7 momentos invariantes de HU. Este utiliza a como
base de vetores a Tabela 5 e a Tabela 9.
O objeto da combinao desses dois mtodos aumentar o nmero de
acertos do sistema. O nmero de acertos no foi maior, porm observou-se que a
maioria dos acertos na primeira posio no correspondeu s mesmas espcies
identificados anteriormente. Este fato indica potencial de melhora da qualidade dos
resultados em um estudo complementar sobre a combinao do mtodo proposto
com o mtodo de HU.
1 25
2 3
3 6
4 9
5 8
6 3
7 3
8 4
9 0
10 4
11 1
12 0
Total: 66
Tabela 23 no apndice D.

60

4.2.5 Mtodo proposto, mtodo de textura e HU

Nesta seo sero descritos os resultados da combinao dos dois mtodos
de extrao de forma com o mtodo de extrao de textura. A base de vetores
utilizada a combinao das trs bases de cada mtodo das tabelas: Tabela 5,
Tabela 7.

1 12
2 8
3 4
4 6
5 8
6 9
7 4
8 3
9 1
10 6
11 3
12 2
Total: 66

O objetivo dessa combinao aumentar o nmero de acertos do sistema
adicionando outro tipo de caracterstica. Na
Tabela 12 mostrado o nmero de imagens que tiveram a mesma posio
na identificao da sua famlia correspondente. Nessa tabela possvel visualizar
que o nmero de acertos nas primeiras posies foi menor que na Tabela 6 e na
Tabela 8.
No Apndice E, a Tabela 24 mostra as trs primeiras famlias encontradas e
a contagem de ocorrncias na Tabela 25.

61


Os resultados preliminares deram uma perspectiva de resultados finais
teriam bons resultados. O mtodo de extrao de caractersticas de forma proposto
neste trabalho teve bons resultados na seo 6.2.1, visto que teve melhoria na
adio dos ngulos de 45, 90, 135 e 180 o que tornou o mtodo mais invariante
em relao ao calculado somente com 180, isso quer dizer que sementes de
mesma espcie com a mesma forma que esto em posies diferentes tm vetores
de caractersticas muito semelhantes.
A combinao do mtodo proposto com o mtodo de HU teve bons
resultados, mas no da maneira imaginada, pois se esperava um aumento no
nmero de sementes identificadas nas trs primeiras posies em comparao com
os resultados do mtodo proposto.
Tambm se esperava que a combinao com o mtodo de textura
aumentasse o nmero de acertos. Baseado na hiptese de que a textura ajudaria na
identificao de sementes de famlias que tem vetores muito semelhantes.

62

5 CONCLUSES

Neste trabalho uma ferramenta de identificao de sementes foi
desenvolvida, ela recebe como entrada uma imagem e gera na sada uma lista de
espcies similares as sementes presentes na imagem de entrada.
O processo de identificao de imagens pela forma uma tarefa complexa e
muitos algoritmos para essa funo j foram desenvolvidos.
A tcnica proposta de extrao de atributos de forma uma metodologia
apta para executar essa tarefa. O trabalho proposto aborda uma metodologia de
classificao de imagens pela forma do objeto, utilizando uma adaptao do
conceito de matriz de co-ocorrncia e o clculo dos atributos de Haralick.
Os testes mostraram que a tcnica proposta obteve bons resultados, visto
que mesmo para sementes rotacionadas os valores dos atributos calculados tiveram
uma variao mnima. Isso mostra uma tendncia dos valores ficarem dentro de uma
faixa mesmo com o objeto em diversas posies e de tamanhos variados. Logo os
vetores de caractersticas extrados atendem a propriedade de invarincia
Portanto possvel utilizar esta tcnica junto a outras metodologias de
extrao de caractersticas existentes na bibliografia, para desenvolver um sistema
robusto de identificao de sementes. O sistema de identificao de sementes ser
uma ferramenta com grande utilidade para os laboratrios de anlises de sementes.

5.1 Trabalhos futuros

A prxima tarefa ser aumentar o nmero de ngulos para calcular as
caractersticas de forma do mtodo proposto, por exemplo, de 10 em 10 graus,
aumentaria ainda mais a invarincia dos vetores de caractersticas de cada
semente.
Outra tarefa ser verificar quais caractersticas so mais discriminantes para
identificar as sementes.
Tambm ser realizada uma avaliao no sistema desenvolvido nesse
trabalho por profissionais que atuam na rea de sementes.

63

6 REFERNCIAS

ANDREW, W. F.; FISHER, R. B. A Buyers Guide to Conic Fitting. Proc.5th
British Machine Vision Conference, Birmingham, 1995.

ARAJO, S. A.;LIBRANTZ, A. F. H.; ALVES, W. A. L. . Ferramenta para indexao
e recuperao automtica de imagens mdicas. Exacta, So Paulo, v.4, n. especial,
25 nov. 2006, p. 75-77.

BARROS, R. C. Desenvolvimento de Ferramenta para Anlise quantitativa de
imagens de Cintilografia de perfuso Miocrdica atravs de Tcnicas de
Processamento e Imagens. Trabalho de Concluso de Curso. Universidade
Federal de Pelotas, 2007, p.86.

BOSWELL, V.R. Que son las semillas y que hacen introduccion. In: United States,
Departmento de Agricultua. Semillas. Mxico: Ed. Continental, 1962, p.19-36.

BRASIL. INSTRUO NORMATIVA do MAPA n 41, de 1 de julho de 2008. Dirio
Oficial da Unio: Braslia, 02 de julho de 2008. seo 1, n.125, p.8-9.

Bueno, J. M. Suporte Recuperao de Imagens Mdicas Baseada em
Contedo Atravs de Histogramas Mtricos. Tese de doutorado, Instituto de
Cincias Matemticas e de Computao - Universidade de So Paulo, 2002.

CEPSRM. Pgina Dinmica para Aprendizado do Sensoriamento Remoto.
(http://www6.ufrgs.br/engcart/PDASR/formcor.html). Acessado em 22 de novembro
2011.

CONCI, A. ; AZEVEDO, E.; LETA, F. R. Computao Grfica Volume 2 - Teoria
e Prtica. Ed. Campus, Rio de Janeiro, 2007.

FACON, Jacques. Processamento e Anlise de Imagens. Pontifcia Universidade
Catlica do Paran. Curso de Mestrado em Informtica Aplicada, 2005, p.119.

FRERY, C.O.;LEITE, T.P.C;GALO, M.;DENISE, S.; SOUZA, I.; SILVA, L. A.;
MARENGONI, M. Viso Computacional usando OpenCV. Presidente Prudente:
FCT/UNESP, 2011, p.165.

HEARN, D.; BAKER, M. P. Computer Graphics. Prentice Hall, Inc., 2a. edition,
1997.

HEARN, D.; BAKER, M. P. Computer Graphics C Version. Pearson Education,
New Delhi, 2004.

HU, Ming-Kuei, Visual pattern recognition by moment invariants, Information
Theory, IRE Transactions,1962,vol. 8, p. 179-187.

POPINIGIS, Flavio. Fisiologia das sementes.Slia-DF. 1985, 2 edio. p.289.

64

GONZALEZ, R. C.; WOODS, R. C.Digital image processing. Electrical and
Computer Engineering Series. Addison-Wesley Longman Publishing Co. Inc., 2nd
edition.2001.

GONZALEZ, R. C., WOODS, R. C. Digital Image Processing. 2a. Ed.,Addison
Wesley,.2002, p.716.

GONZALEZ, R. C.; WOODS, R.C. Digital Image Processing using MATLAB.
Pearson, 2006.

GONZALEZ, R. C.; WOODS, R.C. Digital Image Processing. Addison-Wesley
Publishing Company, United States of America, 2007.

GROTH, Doris; BOARETTO, Maria R.; SILVA, Rosana N. Revista Brasileira de
Sementes, 1980, vol. 02, n 2, p. 67-98.

HARALICK, R. M.; SHANMUGAN, K.; DINSTEIN, I. Textural Fetures for Image
Classification. IEEE Transactions on Systems, Man and Cybernetics, 1973, p.
610-621.

INTEL. Open source computer vision library reference manual. INTEL
Corporation,2001.

KOEHN, D. Identificao de algumas invasoras encontradas em sementes das
principais espcies forrageiras produzidas no Rio Grande do Sul. Bol.Tc.IPAGRO,
Porto Alegere, 1977, v.1, n.1 p.3-96.

LOPES, J.C.; DIAS, P.C.; PEREIRA, M.D.; Maturao fisiolgica de sementes de
quaresmeira, Pesquisa agropecuria brasileira, Braslia, ago. 2005, v.40, n.8,
p.811-816.

MARTINS, E.R.S.; AZEVEDO-MARQUES, P. M.; OLIVEIRA, L F, PEREIRA JR R R,
TRAD C S. Caracterizao de leses intersticiais de pulmo em radiograma de trax
utilizando anlise local de textura. Radiol Bras, 2005 p.421-426.

MEDEIROS, Rafael S.; ARAUJO, Ricardo M. Contagem de gotculas superpostas
em cartes hidrossensveis utilizando tcnicas de aprendizado de mquina. VIII
Congresso Brasileiro de Agroinformtica, Bento Gonalves, 2011.

MUSIL, A.F. Identification of crop and weed seeds. Washington:
Department of Agriculture, 1963, p.171.

OHLSON, O. C.; SOUZA, C. R.; PANOBIANCO, M. Qualidade Fsica e Fisiolgica
de Sementes de Capim-Colonio e Milheto, Comercializadas no estado
do Paran. Informativo Abrates, 2010, vol.20, no.1,2 p.030 - 036.

OLIVEIRA, L. F. de; KIST, D. M.; CAVALHEIRO, G. G. H..; MENEGHELLO, G. E. ;
TILLMANN, M. A. A..Segmentao de Imagens com Fundo Azul utilizando a
multiplicao dos Canais HSV. VI Workshop de Viso Computacional,
Presidente Prudente, 2010 v. 1,p. 1-6..
65

PETNEWS. Jornal PetNews. http://www.dsc.ufcg.edu.br/~pet/jornal/setembro2011/
materias/recapitulando.html (acessado em 14/11/2011).

ROSA,D.E.; RODRIGUES, L.; ROSA, T. D. R.; MENEGAZ, W.; MENEGHELLO,G.
E.; GROTH, D.; TILLMANN, M. A. A.; CAVALHEIRO, G. G. H. Sistema
Computacional para Catalogao e Apoio Identificao de Unidades de Unidades
de Disperso de Espcies Invasoras e Pragas Quarentenrias. VIII Congresso
Brasileiro de Agroinformtica, Bento Gonalves, 2011.

SCHUSTER, I.; QUEIROZ, V. T.; TEIXEIRA, A. I.,BARROS,E.G.;MOREIRA, M.A.
Determinao da pureza varietal de sementes de soja com o auxlio de marcadores
moleculares microssatlites. Pesquisa agropecuria brasileira., Braslia, v.39, n.3,
2004,p.247-253.

SOURCEFORGE. Opencv website. http://sourceforge.net/projects/opencvlibrary
(acessado em 10/01/2010).

SUZUKI, S.; ABE, K. Topological structural analysis of digitized binary images by
border following. CVGIP,1985, p.3246.

SWAIN, M.; BALLARD, D. Color Indexing. International Journal of Computer
Vision, 1991,p.1132.

TAMURA, H.; MORI, S.; YAMAWAKI, T. Textural Features Corresponding to Visual
Perception. IEEE Transactions on Systems, Man and Cybernectivs, New York, v.8,
n.6, p.460-473, June 1978.

TORRES, R. S.; ZEGARRA, J. A. M.; SANTOS, J. A.;FERREIRA, C. D.; PENATTI,
O. A. B.; ANDAL,F.; ALMEIDA, J. Recuperao de Imagens: Desafios e Novos
Rumos.SEMISH, Belm. XXXV Seminrio Integrado de Software e Hardware, 2008,
p. 223-237.

TUCERRYAN, M.; JAIN, A.. Texture Analysis. Handbook of Pattern Recognition
and Computer Vision, 1993, p. 235276.

ZHANG, D.; LU, G. "Content-Based Shape Retrieval Using Different Shape
Descriptors: A Comparative Study". In Proc. of IEEE International Conference on
Multimedia, p.317-320, Tokyo, Japan, August 22-25, 2001.

66

APNDICE A

As trs primeiras posies da Tabela 6 so mostradas na Tabela 13 do
Teste 1 e na Tabela 15 do Teste2, a contagem desses valores aparece nas Tabela
14 e Tabela 16 do apndice A. Para fazer essa contagem a imagem que tiver a
famlias correta em uma das trs famlias indicado com o valor 1 e se no tiver
indicado com valor 0.
Na Tabela 17 feita uma comparao entre a primeira posio Tabela 13 e
na Tabela 15 das, ou seja, as imagens que o sistema identificou corretamente as
famlias.
A Tabela 13 observada que as imagens 1 a 9 na tem mais famlias
corretas na primeira posio do que na Tabela 15, destacando a famlia
AMARANTHACEAE . Em compensao da imagem 10 at a 28 o nmero de acertos
na primeira posio bem maior na Tabela 15 do que na Tabela 13, destacando as
imagens 10 e 11 da famlia ASPHODELIACEAE e 12 at 28 da famlia
ASTERACEAE.
Um ponto interessante dessa comparao o fato de que quando o sistema
no encontra exatamente na primeira, nem na segunda ou na terceira posio a
famlia correta, as famlias encontradas so a maioria as mesmas, assim, tendem a
seguir um padro.

Tabela 13 - As trs primeiras Famlias encontradas com 180.
Imagem Posio 1 Posio 2 Posio 3 Famlia correta
1 AMARANTHACEAE ASPHODELIACEAE ASTERACEAE AMARANTHACEAE
2 AMARANTHACEAE BRASSICACEAE CHENOPODIUM AMARANTHACEAE
5 ASPHODELIACEAE AMARANTHACEAE ASTERACEAE AMARANTHACEAE
6 ASTERACEAE BORAGINACEAE CONVOLVULACEAE AMARANTHACEAE
7 CHENOPODIUM BRASSICACEAE CUSCUTACEAE AMARANTHACEAE
8 CHENOPODIUM BRASSICACEAE CUSCUTACEAE AMARANTHACEAE
9 CUSCUTACEAE CHENOPODIUM BRASSICACEAE AMARANTHACEAE
10 ASPHODELIACEAE AMARANTHACEAE ASTERACEAE ASPHODELIACEAE
11 CONVOLVULACEAE BORAGINACEAE POLYGONACEAE ASPHODELIACEAE
12 AMARANTHACEAE ASPHODELIACEAE BRASSICACEAE ASTERACEAE
13 ASPHODELIACEAE AMARANTHACEAE ASTERACEAE ASTERACEAE
67

15 ASTERACEAE BORAGINACEAE CONVOLVULACEAE ASTERACEAE
16 BRASSICACEAE EUPHORBIACEAE FABACEAE ASTERACEAE
17 CONVOLVULACEAE POLYGONACEAE FABACEAE ASTERACEAE
18 CUSCUTACEAE CHENOPODIUM BRASSICACEAE ASTERACEAE
21 EUPHORBIACEAE FABACEAE POLYGONACEAE ASTERACEAE
22 EUPHORBIACEAE SAPINDACEAE FABACEAE ASTERACEAE
23 EUPHORBIACEAE FABACEAE POLYGONACEAE ASTERACEAE
24 SAPINDACEAE EUPHORBIACEAE FABACEAE ASTERACEAE
29 BORAGINACEAE ASTERACEAE CONVOLVULACEAE BORAGINACEAE
30 CONVOLVULACEAE POLYGONACEAE FABACEAE BORAGINACEAE
31 CONVOLVULACEAE BORAGINACEAE POLYGONACEAE BORAGINACEAE
32 AMARANTHACEAE BRASSICACEAE CHENOPODIUM BRASSICACEAE
33 ASTERACEAE BORAGINACEAE CONVOLVULACEAE BRASSICACEAE
34 CUSCUTACEAE CHENOPODIUM BRASSICACEAE BRASSICACEAE
35 EUPHORBIACEAE FABACEAE POLYGONACEAE BRASSICACEAE
36 SAPINDACEAE EUPHORBIACEAE FABACEAE BRASSICACEAE
37 ASTERACEAE ASPHODELIACEAE BORAGINACEAE CHENOPODIUM
38 CUSCUTACEAE CHENOPODIUM BRASSICACEAE CHENOPODIUM
39 BORAGINACEAE CONVOLVULACEAE ASTERACEAE CONVOLVULACEAE
40 BORAGINACEAE CONVOLVULACEAE POLYGONACEAE CONVOLVULACEAE
41 BRASSICACEAE CHENOPODIUM CUSCUTACEAE CONVOLVULACEAE
42 EUPHORBIACEAE FABACEAE POLYGONACEAE CONVOLVULACEAE
43 POLYGONACEAE FABACEAE CONVOLVULACEAE CONVOLVULACEAE
44 SAPINDACEAE EUPHORBIACEAE FABACEAE CONVOLVULACEAE
48 AMARANTHACEAE ASPHODELIACEAE BRASSICACEAE CUSCUTACEAE
49 AMARANTHACEAE ASPHODELIACEAE ASTERACEAE CUSCUTACEAE
50 ASPHODELIACEAE AMARANTHACEAE ASTERACEAE CUSCUTACEAE
52 BRASSICACEAE CHENOPODIUM CUSCUTACEAE CUSCUTACEAE
53 CUSCUTACEAE CHENOPODIUM BRASSICACEAE CUSCUTACEAE
56 BORAGINACEAE CONVOLVULACEAE POLYGONACEAE EUPHORBIACEAE
57 BORAGINACEAE CONVOLVULACEAE ASTERACEAE EUPHORBIACEAE
68

58 EUPHORBIACEAE FABACEAE POLYGONACEAE EUPHORBIACEAE
59 FABACEAE POLYGONACEAE EUPHORBIACEAE EUPHORBIACEAE
60 SAPINDACEAE EUPHORBIACEAE FABACEAE EUPHORBIACEAE
61 SAPINDACEAE EUPHORBIACEAE FABACEAE EUPHORBIACEAE
62 FABACEAE EUPHORBIACEAE POLYGONACEAE FABACEAE
63 ASPHODELIACEAE ASTERACEAE AMARANTHACEAE POLYGONACEAE
64 FABACEAE POLYGONACEAE EUPHORBIACEAE POLYGONACEAE
65 SAPINDACEAE EUPHORBIACEAE FABACEAE POLYGONACEAE
66 SAPINDACEAE EUPHORBIACEAE FABACEAE SAPINDACEAE

Tabela 14 - Contagem da nmero de acertos para o ngulo de 180.
Imagem Posio 1 Posio 2 Posio 3
1 1 0 0
2 1 0 0
3 1 0 0
4 1 0 0
5 0 1 0
6 0 0 0
7 0 0 0
8 0 0 0
9 0 0 0
10 1 0 0
11 0 0 0
12 0 0 0
13 0 0 1
14 0 0 1
15 1 0 0
16 0 0 0
17 0 0 0
18 0 0 0
19 0 0 0
20 0 0 0
21 0 0 0
22 0 0 0
23 0 0 0
24 0 0 0
25 0 0 0
26 0 0 0
27 0 0 0
28 0 0 0
29 1 0 0
30 0 0 0
31 0 1 0
69

32 0 1 0
33 0 0 0
34 0 0 1
35 0 0 0
36 0 0 0
37 0 0 0
38 0 1 0
39 0 1 0
40 0 1 0
41 0 0 0
42 0 0 0
43 0 0 1
44 0 0 0
45 0 0 0
46 0 0 0
47 0 0 0
48 0 0 0
49 0 0 0
50 0 0 0
51 0 0 0
52 0 0 1
53 1 0 0
54 1 0 0
55 1 0 0
56 0 0 0
57 0 0 0
58 1 0 0
59 0 0 1
60 0 1 0
61 0 1 0
62 1 0 0
63 0 0 0
64 0 1 0
65 0 0 0
66 1 0 0
Total: 13 9 6

Tabela 15 - As trs primeiras famlias encontradas para os ngulos de 45, 90, 135
e 180.
1 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE AMARANTHACEAE
2 EUPHORBIACEAE BORAGINACEAE SAPINDACEAE AMARANTHACEAE
70

3 CHENOPODIUM FABACEAE POLYGONACEAE AMARANTHACEAE
4 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE AMARANTHACEAE
5 POLYGONACEAE CHENOPODIUM FABACEAE AMARANTHACEAE
6 AMARANTHACEAE CONVOLVULACEAE BORAGINACEAE AMARANTHACEAE
8 AMARANTHACEAE BORAGINACEAE EUPHORBIACEAE AMARANTHACEAE
10 ASPHODELIACEAE BRASSICACEAE CUSCUTACEAE ASPHODELIACEAE
12 ASTERACEAE ASPHODELIACEAE BRASSICACEAE ASTERACEAE
15 ASPHODELIACEAE BRASSICACEAE ASTERACEAE ASTERACEAE
17 ASPHODELIACEAE BRASSICACEAE CUSCUTACEAE ASTERACEAE
28 BRASSICACEAE ASPHODELIACEAE CUSCUTACEAE ASTERACEAE
29 CONVOLVULACEAE AMARANTHACEAE POLYGONACEAE BORAGINACEAE
30 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE BORAGINACEAE
31 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE BORAGINACEAE
32 SAPINDACEAE EUPHORBIACEAE BORAGINACEAE BRASSICACEAE
33 EUPHORBIACEAE BORAGINACEAE SAPINDACEAE BRASSICACEAE
35 BORAGINACEAE AMARANTHACEAE EUPHORBIACEAE BRASSICACEAE
36 ASTERACEAE ASPHODELIACEAE BRASSICACEAE BRASSICACEAE
37 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE CHENOPODIUM
38 BRASSICACEAE ASPHODELIACEAE CUSCUTACEAE CHENOPODIUM
39 POLYGONACEAE FABACEAE CHENOPODIUM CONVOLVULACEAE
40 POLYGONACEAE CONVOLVULACEAE FABACEAE CONVOLVULACEAE
41 CONVOLVULACEAE POLYGONACEAE AMARANTHACEAE CONVOLVULACEAE
42 ASPHODELIACEAE BRASSICACEAE CUSCUTACEAE CONVOLVULACEAE
43 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE CONVOLVULACEAE
71

44 EUPHORBIACEAE BORAGINACEAE SAPINDACEAE CONVOLVULACEAE
46 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE CONVOLVULACEAE
47 BORAGINACEAE EUPHORBIACEAE AMARANTHACEAE CONVOLVULACEAE
48 CUSCUTACEAE CHENOPODIUM FABACEAE CUSCUTACEAE
49 ASTERACEAE ASPHODELIACEAE BRASSICACEAE CUSCUTACEAE
50 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE CUSCUTACEAE
51 ASPHODELIACEAE BRASSICACEAE CUSCUTACEAE CUSCUTACEAE
53 CHENOPODIUM FABACEAE POLYGONACEAE CUSCUTACEAE
54 BORAGINACEAE EUPHORBIACEAE AMARANTHACEAE CUSCUTACEAE
55 AMARANTHACEAE CONVOLVULACEAE POLYGONACEAE CUSCUTACEAE
56 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE EUPHORBIACEAE
57 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE EUPHORBIACEAE
58 FABACEAE CHENOPODIUM POLYGONACEAE EUPHORBIACEAE
60 EUPHORBIACEAE SAPINDACEAE BORAGINACEAE EUPHORBIACEAE
61 BORAGINACEAE AMARANTHACEAE EUPHORBIACEAE EUPHORBIACEAE
62 FABACEAE CHENOPODIUM CUSCUTACEAE FABACEAE
63 BORAGINACEAE EUPHORBIACEAE AMARANTHACEAE POLYGONACEAE
64 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE POLYGONACEAE
66 SAPINDACEAE EUPHORBIACEAE BORAGINACEAE SAPINDACEAE

Tabela 16 - Contagem de acertos para os ngulos de 45, 90, 135 e 180.
1 0 0 1
2 0 0 0
3 0 0 0
4 0 0 1
5 0 0 0
6 1 0 0
7 0 0 0
8 1 0 0
9 0 0 0
10 1 0 0
11 1 0 0
12 1 0 0
13 1 0 0
14 1 0 0
15 0 0 1
16 1 0 0
72

17 0 0 0
18 1 0 0
19 1 0 0
20 1 0 0
21 0 0 0
22 1 0 0
23 1 0 0
24 1 0 0
25 1 0 0
26 1 0 0
27 1 0 0
28 0 0 0
29 0 0 0
30 0 0 0
31 0 1 0
32 0 0 0
33 0 0 0
34 0 0 0
35 0 0 0
36 0 0 1
37 0 0 0
38 0 0 0
39 0 0 0
40 0 1 0
41 1 0 0
42 0 0 0
43 0 0 0
44 0 0 0
45 0 0 0
46 0 1 0
47 0 0 0
48 1 0 0
49 0 0 0
50 0 0 0
51 0 0 1
52 0 0 0
53 0 0 0
54 0 0 0
55 0 0 0
56 0 0 0
57 1 0 0
58 0 0 0
59 1 0 0
73

60 1 0 0
61 0 0 1
62 1 0 0
63 0 0 0
64 1 0 0
65 0 0 0
66 1 0 0
Total: 25 3 6

Tabela 17 Comparao entre a primeira posies da Tabela.
Imagem
Teste1 (utilizando
180)
Teste 2 (utilizando
45,90, 135, 180) Famlia correta
1 AMARANTHACEAE EUPHORBIACEAE AMARANTHACEAE
2 AMARANTHACEAE EUPHORBIACEAE AMARANTHACEAE
3 AMARANTHACEAE CHENOPODIUM AMARANTHACEAE
4 AMARANTHACEAE POLYGONACEAE AMARANTHACEAE
5 ASPHODELIACEAE POLYGONACEAE AMARANTHACEAE
6 ASTERACEAE AMARANTHACEAE AMARANTHACEAE
7 CHENOPODIUM CHENOPODIUM AMARANTHACEAE
8 CHENOPODIUM AMARANTHACEAE AMARANTHACEAE
9 CUSCUTACEAE POLYGONACEAE AMARANTHACEAE
10 ASPHODELIACEAE ASPHODELIACEAE ASPHODELIACEAE
11 CONVOLVULACEAE ASPHODELIACEAE ASPHODELIACEAE
12 AMARANTHACEAE ASTERACEAE ASTERACEAE
13 ASPHODELIACEAE ASTERACEAE ASTERACEAE
14 ASPHODELIACEAE ASTERACEAE ASTERACEAE
15 ASTERACEAE ASPHODELIACEAE ASTERACEAE
16 BRASSICACEAE ASTERACEAE ASTERACEAE
17 CONVOLVULACEAE ASPHODELIACEAE ASTERACEAE
18 CUSCUTACEAE ASTERACEAE ASTERACEAE
21 EUPHORBIACEAE ASPHODELIACEAE ASTERACEAE
22 EUPHORBIACEAE ASTERACEAE ASTERACEAE
23 EUPHORBIACEAE ASTERACEAE ASTERACEAE
24 SAPINDACEAE ASTERACEAE ASTERACEAE
28 SAPINDACEAE BRASSICACEAE ASTERACEAE
29 BORAGINACEAE CONVOLVULACEAE BORAGINACEAE
30 CONVOLVULACEAE POLYGONACEAE BORAGINACEAE
31 CONVOLVULACEAE EUPHORBIACEAE BORAGINACEAE
74

32 AMARANTHACEAE SAPINDACEAE BRASSICACEAE
33 ASTERACEAE EUPHORBIACEAE BRASSICACEAE
34 CUSCUTACEAE SAPINDACEAE BRASSICACEAE
35 EUPHORBIACEAE BORAGINACEAE BRASSICACEAE
36 SAPINDACEAE ASTERACEAE BRASSICACEAE
37 ASTERACEAE EUPHORBIACEAE CHENOPODIUM
38 CUSCUTACEAE BRASSICACEAE CHENOPODIUM
39 BORAGINACEAE POLYGONACEAE CONVOLVULACEAE
40 BORAGINACEAE POLYGONACEAE CONVOLVULACEAE
41 BRASSICACEAE CONVOLVULACEAE CONVOLVULACEAE
42 EUPHORBIACEAE ASPHODELIACEAE CONVOLVULACEAE
43 POLYGONACEAE EUPHORBIACEAE CONVOLVULACEAE
44 SAPINDACEAE EUPHORBIACEAE CONVOLVULACEAE
45 SAPINDACEAE EUPHORBIACEAE CONVOLVULACEAE
46 SAPINDACEAE POLYGONACEAE CONVOLVULACEAE
47 SAPINDACEAE BORAGINACEAE CONVOLVULACEAE
48 AMARANTHACEAE CUSCUTACEAE CUSCUTACEAE
49 AMARANTHACEAE ASTERACEAE CUSCUTACEAE
50 ASPHODELIACEAE POLYGONACEAE CUSCUTACEAE
51 ASPHODELIACEAE ASPHODELIACEAE CUSCUTACEAE
52 BRASSICACEAE ASTERACEAE CUSCUTACEAE
53 CUSCUTACEAE CHENOPODIUM CUSCUTACEAE
54 CUSCUTACEAE BORAGINACEAE CUSCUTACEAE
55 CUSCUTACEAE AMARANTHACEAE CUSCUTACEAE
56 BORAGINACEAE POLYGONACEAE EUPHORBIACEAE
57 BORAGINACEAE EUPHORBIACEAE EUPHORBIACEAE
58 EUPHORBIACEAE FABACEAE EUPHORBIACEAE
59 FABACEAE EUPHORBIACEAE EUPHORBIACEAE
60 SAPINDACEAE EUPHORBIACEAE EUPHORBIACEAE
61 SAPINDACEAE BORAGINACEAE EUPHORBIACEAE
62 FABACEAE FABACEAE FABACEAE
63 ASPHODELIACEAE BORAGINACEAE POLYGONACEAE
64 FABACEAE POLYGONACEAE POLYGONACEAE
65 SAPINDACEAE BORAGINACEAE POLYGONACEAE
66 SAPINDACEAE SAPINDACEAE SAPINDACEAE

75

APNDICE B

Tabela 18 - As trs primeiras Famlias encontradas do mtodo de textura.
1 ASTERACEAE AMARANTHACEAE SAPINDACEAE AMARANTHACEAE
2 SAPINDACEAE BORAGINACEAE ASPHODELIACEAE AMARANTHACEAE
4 AMARANTHACEAE SAPINDACEAE BORAGINACEAE AMARANTHACEAE
6 BORAGINACEAE ASPHODELIACEAE SAPINDACEAE AMARANTHACEAE
8 CONVOLVULACEAE EUPHORBIACEAE CHENOPODIUM AMARANTHACEAE
9 EUPHORBIACEAE CONVOLVULACEAE CHENOPODIUM AMARANTHACEAE
10 SAPINDACEAE BORAGINACEAE ASPHODELIACEAE ASPHODELIACEAE
11 ASPHODELIACEAE BORAGINACEAE FABACEAE ASPHODELIACEAE
12 AMARANTHACEAE ASTERACEAE SAPINDACEAE ASTERACEAE
14 FABACEAE ASPHODELIACEAE BORAGINACEAE ASTERACEAE
15 AMARANTHACEAE SAPINDACEAE BORAGINACEAE ASTERACEAE
16 ASTERACEAE AMARANTHACEAE SAPINDACEAE ASTERACEAE
26 SAPINDACEAE BORAGINACEAE AMARANTHACEAE ASTERACEAE
28 CUSCUTACEAE BRASSICACEAE POLYGONACEAE ASTERACEAE
29 CHENOPODIUM POLYGONACEAE EUPHORBIACEAE BORAGINACEAE
30 POLYGONACEAE CHENOPODIUM EUPHORBIACEAE BORAGINACEAE
31 ASPHODELIACEAE AMARANTHACEAE ASTERACEAE BORAGINACEAE
32 BRASSICACEAE CUSCUTACEAE POLYGONACEAE BRASSICACEAE
33 CUSCUTACEAE POLYGONACEAE CHENOPODIUM BRASSICACEAE
35 BRASSICACEAE CUSCUTACEAE POLYGONACEAE BRASSICACEAE
36 CONVOLVULACEAE EUPHORBIACEAE CHENOPODIUM BRASSICACEAE
37 BRASSICACEAE CUSCUTACEAE POLYGONACEAE CHENOPODIUM
38 SAPINDACEAE BORAGINACEAE ASPHODELIACEAE CHENOPODIUM
39 CUSCUTACEAE POLYGONACEAE CHENOPODIUM CONVOLVULACEAE
76

40 POLYGONACEAE CHENOPODIUM EUPHORBIACEAE CONVOLVULACEAE
41 ASPHODELIACEAE BORAGINACEAE SAPINDACEAE CONVOLVULACEAE
42 ASTERACEAE AMARANTHACEAE SAPINDACEAE CONVOLVULACEAE
43 ASPHODELIACEAE BORAGINACEAE FABACEAE CONVOLVULACEAE
48 CHENOPODIUM POLYGONACEAE EUPHORBIACEAE CUSCUTACEAE
49 CUSCUTACEAE BRASSICACEAE POLYGONACEAE CUSCUTACEAE
53 BRASSICACEAE CUSCUTACEAE POLYGONACEAE CUSCUTACEAE
54 CHENOPODIUM EUPHORBIACEAE CONVOLVULACEAE CUSCUTACEAE
56 CONVOLVULACEAE EUPHORBIACEAE CHENOPODIUM EUPHORBIACEAE
57 CUSCUTACEAE POLYGONACEAE CHENOPODIUM EUPHORBIACEAE
58 CUSCUTACEAE POLYGONACEAE CHENOPODIUM EUPHORBIACEAE
59 FABACEAE CONVOLVULACEAE EUPHORBIACEAE EUPHORBIACEAE
60 POLYGONACEAE CHENOPODIUM EUPHORBIACEAE EUPHORBIACEAE
61 POLYGONACEAE CHENOPODIUM EUPHORBIACEAE EUPHORBIACEAE
62 FABACEAE ASPHODELIACEAE BORAGINACEAE FABACEAE
63 ASTERACEAE AMARANTHACEAE SAPINDACEAE POLYGONACEAE
64 ASPHODELIACEAE AMARANTHACEAE ASTERACEAE POLYGONACEAE
65 ASPHODELIACEAE AMARANTHACEAE ASTERACEAE POLYGONACEAE
66 FABACEAE ASPHODELIACEAE BORAGINACEAE SAPINDACEAE

Tabela 19 - Contagem das trs primeiras famlias.
1 0 1 0
2 0 0 0
3 0 1 0
4 1 0 0
5 0 1 0
6 0 0 0
7 0 1 0
8 0 0 0
9 0 0 0
10 0 0 1
11 1 0 0
12 0 1 0
77

13 0 1 0
14 0 0 0
15 0 0 0
16 1 0 0
17 1 0 0
18 0 0 0
19 1 0 0
20 1 0 0
21 0 0 0
22 1 0 0
23 1 0 0
24 1 0 0
25 1 0 0
26 0 0 0
27 0 0 1
28 0 0 0
29 0 0 0
30 0 0 0
31 0 0 0
32 1 0 0
33 0 0 0
34 0 0 0
35 1 0 0
36 0 0 0
37 0 0 0
38 0 0 0
39 0 0 0
40 0 0 0
41 0 0 0
42 0 0 0
43 0 0 0
44 0 0 0
45 0 0 0
46 0 0 0
47 0 0 0
48 0 0 0
49 1 0 0
50 1 0 0
51 0 0 0
52 0 0 0
53 0 1 0
54 0 0 0
55 1 0 0
78

56 0 1 0
57 0 0 0
58 0 0 0
59 0 0 1
60 0 0 1
61 0 0 1
62 1 0 0
63 0 0 0
64 0 0 0
65 0 0 0
66 0 0 0
Total: 16 8 5

79

APNDICE C

Tabela 20 - As trs primeiras famlias encontradas do mtodo de HU.
Imagem Posio 1 Posio 2 Posio 3 Famlia Correta
1 CHENOPODIUM AMARANTHACEAE SAPINDACEAE AMARANTHACEAE
2 SAPINDACEAE CHENOPODIUM AMARANTHACEAE AMARANTHACEAE
3 CUSCUTACEAE AMARANTHACEAE CHENOPODIUM AMARANTHACEAE
4 AMARANTHACEAE CHENOPODIUM CUSCUTACEAE AMARANTHACEAE
10 CONVOLVULACEAE ASPHODELIACEAE POLYGONACEAE ASPHODELIACEAE
11 ASPHODELIACEAE POLYGONACEAE FABACEAE ASPHODELIACEAE
12 CONVOLVULACEAE ASPHODELIACEAE POLYGONACEAE ASTERACEAE
16 ASTERACEAE CONVOLVULACEAE ASPHODELIACEAE ASTERACEAE
28 BORAGINACEAE BRASSICACEAE FABACEAE ASTERACEAE
29 BORAGINACEAE BRASSICACEAE FABACEAE BORAGINACEAE
30 EUPHORBIACEAE BORAGINACEAE CUSCUTACEAE BORAGINACEAE
31 EUPHORBIACEAE CUSCUTACEAE AMARANTHACEAE BORAGINACEAE
32 SAPINDACEAE CHENOPODIUM AMARANTHACEAE BRASSICACEAE
36 ASTERACEAE CONVOLVULACEAE ASPHODELIACEAE BRASSICACEAE
37 SAPINDACEAE CHENOPODIUM AMARANTHACEAE CHENOPODIUM
38 CUSCUTACEAE EUPHORBIACEAE AMARANTHACEAE CHENOPODIUM
39 BRASSICACEAE FABACEAE POLYGONACEAE CONVOLVULACEAE
80

40 BRASSICACEAE FABACEAE POLYGONACEAE CONVOLVULACEAE
41 ASTERACEAE CONVOLVULACEAE ASPHODELIACEAE CONVOLVULACEAE
42 CONVOLVULACEAE ASPHODELIACEAE POLYGONACEAE CONVOLVULACEAE
43 ASTERACEAE CONVOLVULACEAE ASPHODELIACEAE CONVOLVULACEAE
44 CUSCUTACEAE AMARANTHACEAE EUPHORBIACEAE CONVOLVULACEAE
45 CUSCUTACEAE EUPHORBIACEAE AMARANTHACEAE CONVOLVULACEAE
46 BORAGINACEAE BRASSICACEAE FABACEAE CONVOLVULACEAE
47 EUPHORBIACEAE BORAGINACEAE CUSCUTACEAE CONVOLVULACEAE
48 AMARANTHACEAE CHENOPODIUM CUSCUTACEAE CUSCUTACEAE
49 CUSCUTACEAE AMARANTHACEAE CHENOPODIUM CUSCUTACEAE
51 SAPINDACEAE CHENOPODIUM AMARANTHACEAE CUSCUTACEAE
52 CUSCUTACEAE AMARANTHACEAE CHENOPODIUM CUSCUTACEAE
54 CHENOPODIUM AMARANTHACEAE SAPINDACEAE CUSCUTACEAE
56 BORAGINACEAE EUPHORBIACEAE BRASSICACEAE EUPHORBIACEAE
57 EUPHORBIACEAE BORAGINACEAE CUSCUTACEAE EUPHORBIACEAE
58 EUPHORBIACEAE BORAGINACEAE CUSCUTACEAE EUPHORBIACEAE
59 CUSCUTACEAE EUPHORBIACEAE AMARANTHACEAE EUPHORBIACEAE
60 AMARANTHACEAE CHENOPODIUM CUSCUTACEAE EUPHORBIACEAE
61 EUPHORBIACEAE CUSCUTACEAE AMARANTHACEAE EUPHORBIACEAE
62 BORAGINACEAE BRASSICACEAE FABACEAE FABACEAE
63 ASPHODELIACEAE POLYGONACEAE FABACEAE POLYGONACEAE
64 POLYGONACEAE FABACEAE ASPHODELIACEAE POLYGONACEAE
65 BRASSICACEAE FABACEAE POLYGONACEAE POLYGONACEAE
66 SAPINDACEAE CHENOPODIUM AMARANTHACEAE SAPINDACEAE

Tabela 21 - Contagem das famlias que ocorrem nas trs primeiras posies.
1 0 1 0
2 0 0 1
3 0 1 0
4 1 0 0
5 0 0 1
6 0 1 0
7 0 0 1
8 0 1 0
9 0 0 1
10 0 1 0
11 1 0 0
12 0 0 0
81

13 0 0 0
14 0 0 0
15 0 0 0
16 1 0 0
17 0 0 0
18 0 0 0
19 1 0 0
20 1 0 0
21 0 0 0
22 1 0 0
23 1 0 0
24 1 0 0
25 1 0 0
26 0 0 0
27 1 0 0
28 0 0 0
29 1 0 0
30 0 1 0
31 0 0 0
32 0 0 0
33 0 0 0
34 0 0 0
35 0 0 0
36 0 0 0
37 0 1 0
38 0 0 0
39 0 0 0
40 0 0 0
41 0 1 0
42 1 0 0
43 0 1 0
44 0 0 0
45 0 0 0
46 0 0 0
47 0 0 0
48 0 0 1
49 1 0 0
50 0 0 1
51 0 0 0
52 1 0 0
53 0 0 1
54 0 0 0
55 0 0 1
82

56 0 1 0
57 1 0 0
58 1 0 0
59 0 1 0
60 0 0 0
61 1 0 0
62 0 0 1
63 0 1 0
64 1 0 0
65 0 0 1
66 1 0 0
Total: 19 12 10

83

APNDICE D

Outro objetivo da combinao do mtodo proposto com HU verificar se os
dois mtodos poderiam ser complementares, isto , se um mtodo no identifica
corretamente uma imagem nas trs primeiras posies o outro mtodo poderia
identificar ou vice-versa. Isso visto nas linhas 6 Tabela 15 a famlia
AMARANTHACEAE aparece em primeiro e na linhas 7 da Tabela 20 aparece na
terceira posio, logo na Tabela 22 nas linha 6 e 7 a famlia AMARANTHACEAE
aparece na primeira posio.

Tabela 22 - A ocorrncia das trs primeiras famlias do combinao de hu com o
mtodo proposto.
1 FABACEAE CHENOPODIUM CUSCUTACEAE FABACEAE
2 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE AMARANTHACEAE
5 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE AMARANTHACEAE
9 AMARANTHACEAE BORAGINACEAE EUPHORBIACEAE AMARANTHACEAE
16 EUPHORBIACEAE BORAGINACEAE SAPINDACEAE BRASSICACEAE
18 BORAGINACEAE AMARANTHACEAE EUPHORBIACEAE BRASSICACEAE
19 SAPINDACEAE EUPHORBIACEAE BORAGINACEAE SAPINDACEAE
20 ASPHODELIACEAE BRASSICACEAE ASTERACEAE ASTERACEAE
84

29 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE CHENOPODIUM
30 BRASSICACEAE ASPHODELIACEAE CUSCUTACEAE CHENOPODIUM
34 POLYGONACEAE FABACEAE CHENOPODIUM CONVOLVULACEAE
35 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE EUPHORBIACEAE
39 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE CUSCUTACEAE
40 ASPHODELIACEAE BRASSICACEAE CUSCUTACEAE CUSCUTACEAE
43 BORAGINACEAE EUPHORBIACEAE AMARANTHACEAE CUSCUTACEAE
44 AMARANTHACEAE CONVOLVULACEAE POLYGONACEAE CUSCUTACEAE
46 ASTERACEAE ASPHODELIACEAE BRASSICACEAE BRASSICACEAE
47 CONVOLVULACEAE AMARANTHACEAE POLYGONACEAE BORAGINACEAE
49 FABACEAE CHENOPODIUM POLYGONACEAE EUPHORBIACEAE
51 EUPHORBIACEAE SAPINDACEAE BORAGINACEAE EUPHORBIACEAE
52 BORAGINACEAE AMARANTHACEAE EUPHORBIACEAE EUPHORBIACEAE
53 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE POLYGONACEAE
55 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE BORAGINACEAE
56 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE BORAGINACEAE
58 BRASSICACEAE ASPHODELIACEAE CUSCUTACEAE ASTERACEAE
59 POLYGONACEAE CONVOLVULACEAE FABACEAE CONVOLVULACEAE
60 CONVOLVULACEAE POLYGONACEAE AMARANTHACEAE CONVOLVULACEAE
61 ASPHODELIACEAE BRASSICACEAE CUSCUTACEAE CONVOLVULACEAE
62 EUPHORBIACEAE BORAGINACEAE AMARANTHACEAE CONVOLVULACEAE
65 POLYGONACEAE CONVOLVULACEAE AMARANTHACEAE CONVOLVULACEAE
66 BORAGINACEAE EUPHORBIACEAE AMARANTHACEAE CONVOLVULACEAE

Tabela 23 - Contagem da ocorrncia das trs primeiras famlias.
1 0 0 1
2 0 0 0
85

3 0 0 0
4 0 0 1
5 1 0 0
6 1 0 0
7 0 0 0
8 1 0 0
9 0 0 0
10 1 0 0
11 1 0 0
12 1 0 0
13 1 0 0
14 1 0 0
15 0 0 1
16 1 0 0
17 0 0 0
18 1 0 0
19 1 0 0
20 1 0 0
21 0 0 0
22 1 0 0
23 1 0 0
24 1 0 0
25 1 0 0
26 1 0 0
27 1 0 0
28 0 0 0
29 0 0 0
30 0 0 0
31 0 1 0
32 0 0 0
33 0 0 0
34 0 0 0
35 0 0 0
36 0 0 1
37 0 0 0
38 0 0 0
39 0 0 0
40 0 1 0
41 1 0 0
42 0 0 0
43 0 0 0
44 0 0 0
45 0 0 0
86

46 0 1 0
47 0 0 0
48 0 0 0
49 0 0 0
50 0 0 0
51 0 0 1
52 0 0 0
53 0 0 0
54 0 0 0
55 0 0 0
56 0 0 0
57 1 0 0
58 0 0 0
59 1 0 0
60 1 0 0
61 0 0 1
62 1 0 0
63 0 0 0
64 1 0 0
65 0 0 0
66 1 0 0
Total: 25 3 6

87

APNDICE E
Tabela 24 - A ocorrncia das trs primeiras famlias da combinao dos trs
mtodos.
1 BRASSICACEAE ASPHODELIACEAE BORAGINACEAE FABACEAE
3 SAPINDACEAE BORAGINACEAE ASPHODELIACEAE AMARANTHACEAE
5 AMARANTHACEAE SAPINDACEAE BORAGINACEAE AMARANTHACEAE
7 BORAGINACEAE ASPHODELIACEAE SAPINDACEAE AMARANTHACEAE
9 CONVOLVULACEAE EUPHORBIACEAE CHENOPODIUM AMARANTHACEAE
10 EUPHORBIACEAE CONVOLVULACEAE CHENOPODIUM AMARANTHACEAE
13 BRASSICACEAE ASPHODELIACEAE BORAGINACEAE ASTERACEAE
15 ASTERACEAE AMARANTHACEAE SAPINDACEAE BRASSICACEAE
18 BORAGINACEAE ASPHODELIACEAE BRASSICACEAE BRASSICACEAE
19 BRASSICACEAE ASPHODELIACEAE BORAGINACEAE SAPINDACEAE
29 ASTERACEAE AMARANTHACEAE SAPINDACEAE CHENOPODIUM
30 SAPINDACEAE AMARANTHACEAE BORAGINACEAE CHENOPODIUM
36 FABACEAE BRASSICACEAE CONVOLVULACEAE EUPHORBIACEAE
37 CHENOPODIUM EUPHORBIACEAE POLYGONACEAE CUSCUTACEAE
38 POLYGONACEAE CHENOPODIUM EUPHORBIACEAE CUSCUTACEAE
41 CUSCUTACEAE POLYGONACEAE CHENOPODIUM CUSCUTACEAE
42 FABACEAE BRASSICACEAE ASPHODELIACEAE CUSCUTACEAE
43 CHENOPODIUM EUPHORBIACEAE CONVOLVULACEAE CUSCUTACEAE
88

46 CONVOLVULACEAE EUPHORBIACEAE CHENOPODIUM BRASSICACEAE
47 CONVOLVULACEAE FABACEAE EUPHORBIACEAE BORAGINACEAE
48 ASTERACEAE AMARANTHACEAE SAPINDACEAE POLYGONACEAE
49 SAPINDACEAE BORAGINACEAE AMARANTHACEAE EUPHORBIACEAE
50 FABACEAE CONVOLVULACEAE EUPHORBIACEAE EUPHORBIACEAE
51 BRASSICACEAE ASPHODELIACEAE BORAGINACEAE EUPHORBIACEAE
53 FABACEAE CONVOLVULACEAE EUPHORBIACEAE POLYGONACEAE
54 SAPINDACEAE BORAGINACEAE ASPHODELIACEAE POLYGONACEAE
55 POLYGONACEAE CHENOPODIUM EUPHORBIACEAE BORAGINACEAE
56 BORAGINACEAE ASPHODELIACEAE SAPINDACEAE BORAGINACEAE
58 EUPHORBIACEAE CONVOLVULACEAE CHENOPODIUM ASTERACEAE
60 SAPINDACEAE BORAGINACEAE ASPHODELIACEAE CONVOLVULACEAE
63 BORAGINACEAE ASPHODELIACEAE SAPINDACEAE CONVOLVULACEAE

Tabela 25 - Contagem da ocorrncia das trs primeiras famlias.
1 0 0 0
2 0 1 0
3 0 0 0
4 0 1 0
5 1 0 0
6 0 1 0
7 0 0 0
8 0 1 0
9 0 0 0
10 0 0 0
11 0 1 0
12 0 1 0
13 0 0 0
14 0 0 1
15 0 0 0
16 0 0 0
17 0 0 0
18 0 0 1
19 0 0 0
20 0 0 0
21 1 0 0
89

22 1 0 0
23 0 0 0
24 1 0 0
25 1 0 0
26 0 0 0
27 1 0 0
28 1 0 0
29 0 0 0
30 0 0 0
31 1 0 0
32 1 0 0
33 0 0 0
34 0 0 0
35 0 1 0
36 0 0 0
37 0 0 0
38 0 0 0
39 0 0 0
40 0 0 0
41 1 0 0
42 0 0 0
43 0 0 0
44 0 0 0
45 0 0 1
46 0 0 0
47 0 0 0
48 0 0 0
49 0 0 0
50 0 0 1
51 0 0 0
52 0 1 0
53 0 0 0
54 0 0 0
55 0 0 0
56 1 0 0
57 1 0 0
58 0 0 0
59 0 0 0
60 0 0 0
61 0 0 0
62 0 0 0
63 0 0 0
64 0 0 0
65 0 0 0
66 0 0 0
total: 12 8 4

Computacao Visual

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Computacao Visual

Hochgeladen von

Copyright:

Verfügbare Formate

1

UNIVERSIDADE FEDERAL DE PELOTAS

Das könnte Ihnen auch gefallen