dc.contributor.author | Ponti Junior, Moacir Pereira | |
dc.date.accessioned | 2016-06-02T19:05:55Z | |
dc.date.available | 2005-01-13 | |
dc.date.available | 2016-06-02T19:05:55Z | |
dc.date.issued | 2004-05-28 | |
dc.identifier.citation | PONTI JUNIOR, Moacir Pereira. Combinação de múltiplos classificadores para identificação de materiais em imagens ruidosas.. 2004. 76 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2004. | por |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/493 | |
dc.description.abstract | Material identification in images has been explored in multiple areas and very interesting
applications are arising in this field. This work uses noisy multispectral images from a
computerized tomograph scanner acquired with multiple energies for soil sciences applications and developes a recognition system to identify materials on the scanned body. Techniques of statistical classification were used. The individual classifiers: Parzen, k-nearest neighbors, logistic and linear Bayesian were combined in order to study the behavior of classifier combination techniques. For this task, we used the fixed rules combiners: majority voting, maximum, minimum, median, sum and product. Also, a second stage of combination was considered and used, the majority voting of combiners. The performance of the classifiers was analyzed through the leave-one-out cross-validation error estimation method and the Kappa coefficient. The advantages of the use of multiple energies in the problems of
identification of images and the behavior of each combination method are also demonstrated.
The results pointed out that the combination of classifiers gives better capacity of generalization and more stable results than the individual classifiers, using information supplied for all individual classifiers, including the weakest one, being recommended in classification of scarce, difficult discrimination data, on the presence of ambiguity or high`noise levels. | eng |
dc.format | application/pdf | por |
dc.language | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Acesso Aberto | por |
dc.subject | Processamento de imagens | por |
dc.subject | Reconhecimento de padrões | por |
dc.subject | Combinação de classificadores | por |
dc.subject | Tomografia computadorizada | por |
dc.title | Combinação de múltiplos classificadores para identificação de materiais em imagens ruidosas | por |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Mascarenhas, Nelson Delfino d'Ávila | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0557976975338451 | por |
dc.description.resumo | A identificação de materiais em imagens vem sendo explorada por diversas áreas para
aplicações muito interessantes. Neste trabalho utilizamos imagens multiespectrais ruidosas
obtidas por tomografia computadorizada adquiridas com múltiplas energias no propósito de estudos de ciência do solo. Através das imagens foi possível desenvolver uma sistema de
reconhecimento de padrões de forma a identificar os materiais do corpo imageado. Para esta tarefa foram utilizadas diversas técnicas de classificação. Os classificadores individuais:
Parzen, k-vizinhos mais próximos, logístico e Bayesiano linear foram combinados de modo a
estudar o comportamento de técnicas de combinação de classificadores. Foram utilizados os combinadores de regra fixa: votação por maioria, máximo, mínimo, mediana., soma e
produto. Foi também proposto e utilizado um segundo estágio de combinação, utilizando a
votação dos combinadores. O desempenho dos classificadores foi analisado através da
estimação de erro pelo método da validação cruzada leave-one-out e pelo coeficiente Kappa.
Foram demonstradas as vantagens da utilização de múltiplas energias nos problemas de
identificação de imagens e estudados os comportamentos de cada método de combinação. Os resultados apontaram que a combinação de classificadores possibilita melhor capacidade de generalização e resultados mais estáveis que os classificadores individuais, aproveitando as informações fornecidas por todos os classificadores individuais, inclusive os mais fracos, sendo recomendada na classificação de dados escassos ou difíceis em que apresentam ambiguidade ou altos índices de ruído. | por |
dc.publisher.country | BR | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.contributor.authorlattes | http://genos.cnpq.br:12010/dwlattes/owa/prc_imp_cv_int?f_cod=K4751787T9 | por |