comparaÇÃodealgoritmosdesegmentaÇÃo ...€¦ · o trabalho tem como objetivo a implementação...
TRANSCRIPT
MATHEUS CAMILO DA SILVA
COMPARAÇÃO DE ALGORITMOS DE SEGMENTAÇÃODE IMAGEM PARA OBJETOS COM DIFERENTES
CARACTERÍSTICAS
LONDRINA–PR
2016
MATHEUS CAMILO DA SILVA
COMPARAÇÃO DE ALGORITMOS DE SEGMENTAÇÃODE IMAGEM PARA OBJETOS COM DIFERENTES
CARACTERÍSTICAS
Versão Preliminar de Trabalho de Conclusãode Curso apresentado ao curso de Bachare-lado em Ciência da Computação da Univer-sidade Estadual de Londrina para obtençãodo título de Bacharel em Ciência da Compu-tação.
Orientador: Prof. Dr. Sylvio Barbon Júnior
LONDRINA–PR
2016
Matheus Camilo da SilvaComparação de algoritmos de segmentação de imagem para objetos com dife-
rentes características/ Matheus Camilo da Silva. – Londrina–PR, 2016-37 p. : il. (algumas color.) ; 30 cm.
Orientador: Prof. Dr. Sylvio Barbon Júnior
– Universidade Estadual de Londrina, 2016.
1. Visão Computacional. 2. Segmentação. I. Sylvio Barbon Júnior. II. Univer-sidade Estadual de Londrina. III. Comparação de algoritmos de segmentação deimagem para objetos com diferentes características
CDU 02:141:005.7
MATHEUS CAMILO DA SILVA
COMPARAÇÃO DE ALGORITMOS DE SEGMENTAÇÃODE IMAGEM PARA OBJETOS COM DIFERENTES
CARACTERÍSTICAS
Versão Preliminar de Trabalho de Conclusãode Curso apresentado ao curso de Bachare-lado em Ciência da Computação da Univer-sidade Estadual de Londrina para obtençãodo título de Bacharel em Ciência da Compu-tação.
BANCA EXAMINADORA
Prof. Dr. Sylvio Barbon JúniorUniversidade Estadual de Londrina
Orientador
Prof. Dr. Segundo Membro da BancaUniversidade/Instituição do Segundo
Membro da Banca
Prof. Dr. Terceiro Membro da BancaUniversidade/Instituição do Terceiro
Membro da Banca
Prof. Ms. Quarto Membro da BancaUniversidade/Instituição do Quarto
Membro da Banca
Londrina–PR, 12 de Dezembro de 2016
Dedicatória.
AGRADECIMENTOS
Agradecimentos.
“Não vos amoldeis às estruturas deste mundo,mas transformai-vos pela renovação da mente,a fim de distinguir qual é a vontade de Deus:
o que é bom, o que Lhe é agradável, o que é perfeito.(Bíblia Sagrada, Romanos 12, 2)
SILVA, M. C.. Comparação de algoritmos de segmentação de imagem para ob-jetos com diferentes características. 37 p. Trabalho de Conclusão de Curso (Bacha-relado em Ciência da Computação) – Universidade Estadual de Londrina, Londrina–PR,2016.
RESUMO
Na área de processamento de imagens que está presente na computação gráfica, são re-alizados procedimentos para a análise de imagens e melhoramento de sua qualidade afim de proporcionar uma melhor identificação e extração de informações, procedimentoscomo a segmentação, que consiste na decomposição de uma imagem em regiões ou objetosde interesse baseado em características, ou descritores, em comum. Com este trabalho sebusca obter uma maneira eficiente de se segmentar uma imagem que possua múltiplosdescritores, avaliando e comparando artigos e técnicas de segmentação, como o algoritmoWatershed e Segmentação por Aprendizagem de Máquina. O produto da análise realizadapor este trabalho será a indicação da técnica ou técnicas e descritores mais adequadospara a segmentação de objetos com diferentes características, utilizando como caso de usoa classificação da idade de bovinos através da análise por visão computacional do processoespinhoso do animal.
Palavras-chave: Visão Computacional. Segmentação. Watershed. SVM.
SILVA, M. C.. Title of the Work. 37 p. Final Project (Bachelor of Science in ComputerScience) – State University of Londrina, Londrina–PR, 2016.
ABSTRACT
This is the english abstract. The Abstract in English should be faithful to the Resumo inPortuguese, but not a literal translation.
Keywords: Computer Vision. Segmentation. Watershed. SVM.
LISTA DE ILUSTRAÇÕES
Figura 1 – Imagem Original . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26Figura 2 – Imagem Binarizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26Figura 3 – Imagem Original/Imagem Processada pelo Watershed. . . . . . . . . . 27Figura 4 – Conjunto de Treinamento. . . . . . . . . . . . . . . . . . . . . . . . . . 28Figura 5 – Imagem segmentada por aprendizagem de máquina. . . . . . . . . . . . 28Figura 6 – Exemplo de Árvore de decisão. . . . . . . . . . . . . . . . . . . . . . . 29Figura 7 – Histogramas de Diferentes Canais de Cor . . . . . . . . . . . . . . . . . 29Figura 8 – Segmentação - Massa Óssea . . . . . . . . . . . . . . . . . . . . . . . . 35Figura 9 – Segmentação - Cartilagem . . . . . . . . . . . . . . . . . . . . . . . . . 36Figura 10 – Segmentação - SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
LISTA DE TABELAS
LISTA DE ABREVIATURAS E SIGLAS
ABNT Associação Brasileira de Normas Técnicas
BNDES Banco Nacional de Desenvolvimento Econômico e Social
IBGE Instituto Nacional de Geografia e Estatística
IBICT Instituto Brasileiro de Informação em Ciência e Tecnologia
NBR Norma Brasileira
SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231.1 Objetivos e Contribuições . . . . . . . . . . . . . . . . . . . . . . . 241.2 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . 24
2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . 252.1 Processamento Digital de Imagens . . . . . . . . . . . . . . . . . 252.2 Segmentação de Objetos . . . . . . . . . . . . . . . . . . . . . . . 252.3 Espaços de Cor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252.4 Thresholding(Limiarização) . . . . . . . . . . . . . . . . . . . . . 262.5 Watershed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272.6 Segmentação baseada em aprendizagem de máquina . . . . . . 282.6.1 Árvore de Decisão . . . . . . . . . . . . . . . . . . . . . . . . . . . 282.7 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292.7.1 Kurtosis (Curtose) . . . . . . . . . . . . . . . . . . . . . . . . . . . 292.7.2 Skewness (Obliquidade) . . . . . . . . . . . . . . . . . . . . . . . . 29
3 DESENVOLVIMENTO . . . . . . . . . . . . . . . . . . . . . . . 313.1 Aquisição da Base de Dados . . . . . . . . . . . . . . . . . . . . . 313.2 Metodologia Proposta . . . . . . . . . . . . . . . . . . . . . . . . . 313.3 Watershed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313.3.1 Aquisição de Imagens . . . . . . . . . . . . . . . . . . . . . . . . . 323.3.2 Pré-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . 323.3.3 Extração de características . . . . . . . . . . . . . . . . . . . . . . 323.3.4 Detecção e segmentação . . . . . . . . . . . . . . . . . . . . . . . . 323.3.5 Processamento de alto nível . . . . . . . . . . . . . . . . . . . . . 323.4 Segmentação baseada em aprendizagem de máquina . . . . . . 323.4.1 Aprendizagem Supervisionada . . . . . . . . . . . . . . . . . . . . 333.4.2 Extração de Descritores . . . . . . . . . . . . . . . . . . . . . . . . 333.4.3 Classificação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354.1 Segmentação Watershed . . . . . . . . . . . . . . . . . . . . . . . . 354.1.1 Osso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354.1.2 Cartilagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 364.1.3 Segmentação por Aprendizagem de Máquina . . . . . . . . . . 36
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
23
1 INTRODUÇÃO
Visão Computacional é a área da ciência que engloba o estudo e desenvolvimentode técnicas para extração de informação em imagens ou qualqueisquer dados multi-dimensionais. O emprego de Visão Computacional aliada à técnicas de processamentode imagens permite a modelagem de sistemas para tomada de decisões e avaliação deobjetos e/ou processos[Saulo].
A Segmentação é um procedimento de Visão Computacional que permite a extra-ção de dados e consequentemente informações sobre quaisquer objetos em uma imagema partir da decomposição da mesma em grupos de regiões com propriedades e caracterís-ticas relevantes em comum, tais como cor, intensidade e textura[1] por meio de diversosmétodos de segmentação.
Imagens podem possuir diversos descritores, ou características, passiveis de seremsegmentadas. O que gera ambiguidade entre métodos de segmentação, tendo em vistaque métodos de segmentação baseados em diferentes descritores podem resultar em di-ferentes regiões segmentadas, ocasionando em variação na extração de informação e porconsequência na qualidade de segmentação dentre os métodos.
Uma vez que é possível a obtenção de diferentes resultados de segmentação de umamesma imagem por métodos distintos, é possível a comparação e análise da qualidade dasegmentação dos mesmos dado o mesmo caso de uso.
A classificação da idade de bovinos por meio da análise de imagens de processoespinhoso consiste essencialmente na análise da correlação entre os tamanhos da cartila-gem e da massa óssea das costelas do animal, podendo ser realizada por um sistema devisão computacional. [Guilherme]
As imagens do processo espinhoso bovino possuem múltiplos descritores e o resul-tado da classificação de idade por um sistema de visão computacional é correspondenteà qualidade de segmentação dos objetos de interesse (cartilagem e massa óssea), o quetorna esse processo o caso de uso ideal para este trabalho.
Para a realização deste trabalho, será comparado e analizado a qualidade da seg-mentação de dois métodos de segmentação, o algoritmo de segmentação Watershed e aSegmentação por Aprendizagem de Máquina, bem como os descritores que geraram me-lhores resultados.
24
1.1 Objetivos e Contribuições
O trabalho tem como objetivo a implementação dos algoritmos de segmentaçãoWatershed e segmentação por aprendizagem de máquina, além da realização de um es-tudo sobre a performance dos mesmos aplicados no caso de estudo deste trabalho (Aclassificação da idade de bovinos por meio da análise de imagens de processo espinhoso).
Se espera obter um método automatizado, capaz de analisar uma imagem, ex-trair informações referentes às características que compõem os objetos da mesma, semintervenção humana.
Se espera também, que o estudo seja capaz de indicar a técnica ou técnicas desegmentação e descritores mais adequados para a segmentação, levando em consideraçãocaracterísticas dos objetos e fatores como custo computacional e tempo de execução semperder a precisão de segmentação da área de interesse desejada.
1.2 Organização do Trabalho
Serão apresentados a seguir as demais seções do trabalho que estão organizadasda seguinte forma: A seção 2 apresentará a fundamentação teórico-metodológica, a seção3 evidenciará a metodologia de desenvolvimento, a seção 4 mostrará os resultados e porfim a conclusão do trabalho.
25
2 FUNDAMENTAÇÃO TEÓRICA
Para o desenvolvimento deste trabalho será necessário o uso de técnicas com aplica-ções nas áreas de processamento de imagens, aprendizagem de máquina e análise baseadaem árvore de decisão.
As subseções a seguir apresentam alguns conceitos e técnicas, cuja compreensão énecessária para o desenvolvimento deste trabalho.
2.1 Processamento Digital de Imagens
Uma imagem é composta de um número finito de elementos, cada um com locali-zação e valor específicos. Esses elementos sao chamados de pixels [??]. O processamentodigital de imagens se refere à manipulação e processamentos diversos em uma imagemdigital afim de gerar extração de informações baseadas nos valores de seus pixels.
2.2 Segmentação de Objetos
A segmentação de uma imagem consiste na identificação e isolamento de umaregiao de interesse [1] baseado em característas em comum, tais como cor, textura eintensidade. A segmentação de imagens automatizada é uma das tarefas mais difíceis deserem realizadas [2]. Existem duas maneiras básicas de se trabalhar com segmentação, aprimeira é baseada em fronteiras e detecção de mudanças locais, como a transformadacircular de Hough, enquanto a segunda maneira é baseada na detecção de similaridadesentre pixels e regiões, onde o algorítmo “Watershed” se encaixa [3], esse algoritmo seráabordado neste capítulo.
2.3 Espaços de Cor
Um Espaço de Cor, ou modelo de cor, representa a definição de um padrão paraa representação de cores digitalmente. Trata-se de um sistema de coordenadas e um su-bespaço dentro deste, de modo a representar uma cor através de um único ponto nessesubespaço. Em termos de Processamento Digital de imagens, estão entre os espaços decores mais utilizados, RGB (vermelho, verde e azul), HSV (matiz saturação e brilho),L*a*b*(luminosidade,coordenada vermelho/verde,coordenada amarelo / azul).
26
2.4 Thresholding(Limiarização)
Thresholding, também conhecido como limiarização é uma técnica utilizada parasegmentar imagens em tons de cinza. O limiar nada mais é do que uma constante. Atécnica consiste na decomposição de uma imagem digital em dois grupos de pixels, os quepossuem um nível de cinza abaixo do limiar e os que possuem um nível de cinza acimado limiar[4].A Figure 2 apresenta uma imagem binarizada por Thresholding.
Figura 1 – Imagem Original
Figura 2 – Imagem Binarizada
27
2.5 Watershed
O método de segmentação “Watershed” calcula o gradiente de cor para todos ospixels da imagem. Os segmentos são formados por regiões que partindo de um mínimolocal, formam um objeto de interesse. O agrupamento dos pixels é feito por mecanismosde busca de valores próximos a partir de cada mínimo local[5], ideal para a segmentaçãode múltiplos objetos de formas variadas.
Esse método possibilita a segmentação de objetos de interesse (Em uma imagemcomposta somente por tons de cinza)[6], necessitando apenas da marcação de três tiposde regiões com diferentes tons de cor: a região de plano de fundo, composta por todos ospontos em que se tem certeza que pertencem ao plano de fundo da imagem; as áreas deincerteza, onde não se sabe se os pontos pertencentes a essa região são plano de fundoou objeto de interesse; e finalmente objetos de interesse, em que se tem certeza que todosos pontos que pertencem a essas áreas compõem objetos de interesse. O método entãoencontra os contornos dos objetos de interesse através da análise de afinidade em relaçãoàs cores marcadas entre regiões de incerteza e as de objetos de interesse, em um processoque se assemelha ao derramamento de água em um mapa topográfico[3]. Resultando nasegmentação dos objetos.
Figura 3 – Imagem Original/Imagem Processada pelo Watershed.
28
2.6 Segmentação baseada em aprendizagem de máquina
Aprendizagem de máquina é uma área de conhecimento da Inteligência Artificialque tem como meta a construção de modelos computacionais que possam aprender e agirconforme expêriencia, supervisionada ou não [7].
O método de Segmentação baseada em aprendizagem de máquina consiste em apartir de aprendizagem supervisionada, introduzir conceitos a partir de exemplos pré-classificados(conjunto de treino) ao algoritmo, a fim de que ele possa classificar regiõesde uma imagem, com base em conhecimento extraído do processamento do conjunto detreino, resultando na segmentação da imagem inteira[8].
Figura 4 – Conjunto de Treinamento.
Figura 5 – Imagem segmentada por aprendizagem de máquina.
2.6.1 Árvore de Decisão
As árvores de decisão, são uma abordagem comportamental que usam diagramaspara mapear alternativas e resultados de decisões, assim como a probabilidade de ocor-rerem, o que a torna um dos modelos mais práticos de inferência indutiva. Estas árvoressão treinadas de acordo com um conjunto de treino e posteriormente outros exemplos sãoclassificados de acordo com essa mesma árvore[9].
As árvores de decisão possuem primazia quanto à resolução de problemas de clas-sificação e regressão. A interpretação de resultados em uma árvore de decisão é feita comrelativa facilidade, podendo-se extrair relações entre entrada e saída rapidamente[10].
29
Figura 6 – Exemplo de Árvore de decisão.
2.7 Histograma
Histograma é um diagrama que consiste da representação gráfica da distribuiçãode dados numéricos quaisquer. Para Visão Computacional, o histograma representa adistribuição de tonalidades de cores em uma imagem, em que o eixo horizontal apresentaos valores das tonalidades que a imagem pode assumir e o eixo vertical reflete a frequênciaem que essas tonalidades sucedem na imagem, como mostra a Figure 7, podendo ter seuformato descrito por medidas como Kurtosis e Skewness[4], que serão abordados abaixo.
Figura 7 – Histogramas de Diferentes Canais de Cor
2.7.1 Kurtosis (Curtose)
Em termos de Processamento Digital de Imagens, Curtose é a medida referente àdispersão de dados da função de curva do histograma, caracterizando "picos"e "achatamentos"[11]O valor de Kurtosis pode ser obtido através da formula:
𝑘 = (𝑚(𝜇)/𝜎4) + (−3) (2.1)
Onde m( 𝜇 ) é o quarto Momento Central e 𝜎 é o desvio-padrão.
2.7.2 Skewness (Obliquidade)
Em termos de Processamento Digital de Imagens, Obliquidade é a medida de assi-metria de um histograma. Um histograma de uma imagem, é simétrico se as duas partesde frequências das tonalidades , dividas pelo centro do eixo horizontal, forem equivalentes.
30
[11] O valor de Skewness pode ser obtido através da formula:
𝑣 = 𝑚(𝜇)/𝜎3 (2.2)
Onde m( 𝜇 ) é o terceiro Momento Central e 𝜎 é o desvio-padrão. "V"(Skewness)será positivo se houver calda direita na distribuição do histograma (valores acima damédia), será positivo se houver calda esquerda na distribuição do histograma (valoresabaixo da média) e igual a 0 se a distribuição for relativamente simétrica.
31
3 DESENVOLVIMENTO
3.1 Aquisição da Base de Dados
Descrição da base de imagens, processo espinhoso, modelo ouro, etc ...
3.2 Metodologia Proposta
Esta etapa consiste no desenvolvimento dos método de segmentação propostosneste trabalho a partir da combinação de diversas técnicas do processamento digital deimagens, aliadas à aprendizagem de máquina, aplicadas no caso de uso deste trabalho,classificação da idade de bovinos através da análise por visão computacional do processoespinhoso do animal.
3.3 Watershed
Para o desenvolvimento de um sistema de visão computacional, por meio da lin-guagem de programação Java, capaz de utilizar o algoritmo de segmentação Watershed,foi constatada a necessidade da implementação de alguns processos típicos encontradosem diversos sistemas da área.
∙ Aquisição de imagem: Processo em que se adquire digitalmente, através de disposi-tivos, uma certa imagem.
∙ Pré-processamento: Antes que um método de visão computacional possa ser aplicadoem uma imagem para extrair dados, é geralmente necessário processar a imagempara assegurar-se que ela satisfaz os requisitos do método. Processos como reduçãode ruídos, aumento de contraste e binarização.
∙ Extração de características: Características matemáticas da imagem em vários níveisde complexidade são extraídos. Exemplos básicos incluem detecção de bordas, cantosou pontos.
∙ Detecção e segmentação: Em algum ponto do processo uma decisão é feita sobre arelevância de regiões da imagem para processamento posterior. Exemplos incluema seleção de regiões de interesse específicos e segmentação de uma ou mais regiõesque contém um objeto de interesse.
∙ Processamento de alto nível: Neste ponto a entrada é geralmente um conjunto pe-queno de dados, os objetos extraídos pela detecção e segmentação. O processo an-
32
terior inclui a verificação da satisfação dos dados, a estimativa de parâmetros sobrea imagem e a classificação dos objetos detectados em diferentes categorias.
3.3.1 Aquisição de Imagens
Para o desenvolvimento do sistema, foram utilizadas um banco de imagens digitaisadquiridas em parceria com o Centro de Ciências Agrárias da Universidade Estadual deLondrina.
3.3.2 Pré-processamento
Antes de se aplicar o método de segmentação Watershed, é necessário realizaruma binarização na imagem, a fim de deixá-la preto e branca, sendo que o plano de fundodeverá se tornar preto e os objetos de interesse brancos, através do limiar de Threshold.O caso de uso deste trabalho envolve a comparação entre as áreas de dois tipos de objetos(cartilagem e massa óssea), o algoritmo é aplicado duas vezes com limiares diferentes afimde se obter objetos de interesse diferentes. Para remoção de ruído na imagem, aplica-setransformações morfológicas.
3.3.3 Extração de características
Utiliza-se uma função de transformação de distância, que combinado com maisuma binarização permitem a separação de áreas de objetos de interesse. Preenche-se asregiões de objetos de interesse com cores diferentes acima de uma certa tonalidade, aregião de borda com uma cor a baixo da tonalidade das áreas de objeto e a região deplano de fundo com uma cor a baixo da tonalidade da área de borda.
3.3.4 Detecção e segmentação
Aplicação do método de segmentação “Watershed”.
3.3.5 Processamento de alto nível
Extrai-se da imagem original os objetos de interesse.
3.4 Segmentação baseada em aprendizagem de máquina
Para o desenvolvimento de um sistema de visão computacional e inteligência arti-fial, através da plataforma Matlab, capaz de utilizar uma segmentação baseada em apren-dizagem de máquina, foi constatada a necessidade da implementação de alguns processostípicos encontrados em diversos sistemas da área [8].
33
∙ Aprendizagem Supervisionada: Processo em que, a partir de exemplos pré-classificados,se introduz conceitos à máquina de vetores de suporte, afim de que ela construa ummodelo de classificação.
∙ Extração de Descritores: Processo em que ocorre a extração de características deobjetos a serem classificados.
∙ Classificação: Neste ponto a máquina de vetores de suporte a partir do modeloconstruído no primeiro processo e as características extraídas no segudo, classificao objeto de interesse.
3.4.1 Aprendizagem Supervisionada
Para o caso de uso deste trabalho, os objetos das imagens do processo espinhosobovino foram divididos em três classes, osso, cartilagem e plano de fundo. Para o treinoda SVM, foram utilizadas máscaras com regiões de diferentes classes, marcadas de azul,verde e vermelho respectivamente. O sistema então extrai os descritores de cada classe apartir dos marcadores e cria o modelo de classificação.
3.4.2 Extração de Descritores
O sistema faz um janelamento da imagem a ser segmentada, extraindo os des-critores de cada janela, sendo que essa janela possui as mesmas dimensões das regiõesmarcadas na máscara do primeiro processo.
3.4.3 Classificação
Neste ponto a máquina de vetores de suporte a partir do modelo construído noprimeiro processo e as características extraídas no segudo, classifica as janelas da imagemcomo cartilagem, massa óssea ou plano de fundo.
35
4 RESULTADOS
Os resultados preliminares dos métodos de segmentação desenvolvidos por estetrabalho, aplicados à classificação da idade de bovinos através da análise por visão com-putacional do processo espinhoso do animal indicam que o método de segmentação poraprendizagem de máquina um resultado semelhante ao Watershed para a segmentaçãode cartilagem, mas obteve uma segmentação superior na classificação de regiões de planode fundo e massa óssea, já que consegue classificar a coluna das costelas do animal comoplano de fundo através de descritores de posição.
4.1 Segmentação Watershed
4.1.1 Osso
Figura 8 – Segmentação - Massa Óssea
36
4.1.2 Cartilagem
Figura 9 – Segmentação - Cartilagem
4.1.3 Segmentação por Aprendizagem de Máquina
O sistema marca as regiões classificadas com as cores verde, azul e vermelho paraas classes cartilagem, osso e plano de fundo respectivamente.
Figura 10 – Segmentação - SVM
37
REFERÊNCIAS
[1] JACKMAN, P.; SUN, D.-W.; ALLEN, P. Automatic segmentation of beeflongissimus dorsi muscle and marbling by an adaptable algorithm. Meat Science,Elsevier, v. 83, n. 2, p. 187–194, 2009.
[2] BARBON, S.; SEIXAS, J. L. A meta-learning approach for recommendation ofimage segmentation algorithms. SIBGRAPI, 2016.
[3] BEUCHER, S. et al. The watershed transformation applied to image segmentation.SCANNING MICROSCOPY-SUPPLEMENT-, Scanning Microscopy International,p. 299–299, 1992.
[4] AZEVEDO, E.; CONCI, A. Computação gráfica: teoria e prática. [S.l.]: Elsevier,2003.
[5] PIZARRO EROS COMUNELLO, S. M. P. Segmentação por Crescimento deRegiões. [S.l.: s.n.].
[6] ANDRADE, W. T. et al. Segmentaçao baseada em textura e watershed aplicada aimagens de polen.
[7] ANDRÉ-SP, S. Estudo da predição de hot spots em complexos proteína-proteína.
[8] FERNANDEZ, M. A.; LOPES, R. M.; HIRATA, N. S. Image segmentationassessment from the perspective of a higher level task.
[9] DUNCAN, R. What is the right organization structure? decision tree analysisprovides the answer. Organizational Dynamics, Elsevier, v. 7, n. 3, p. 59–80, 1980.
[10] KIM, K. A hybrid classification algorithm by subspace partitioning throughsemi-supervised decision tree. Pattern Recognition, Elsevier, v. 60, p. 157–163, 2016.
[11] MEIRELES, A. B. et al. Enamel wear characterization based on a skewness andkurtosis surface roughness evaluation. Biotribology, Elsevier, v. 1, p. 35–41, 2015.