1 UNIVERSIDADE DO CONTESTADO UnC CURSO DE SISTEMAS DE INFORMAO

ANDRESSA DARS STANISZEWSKI

RECONHECIMENTO DE ESPCIES FLORESTAIS ATRAVS DA ANLISE DE TEXTURAS UTILIZANDO WAVELETS

CANOINHAS 2009

2 ANDRESSA DARS STANISZEWSKI

RECONHECIMENTO DE ESPCIES FLORESTAIS ATRAVS DA ANLISE DE TEXTURAS UTILIZANDO WAVELETS

Trabalho de concluso de curso apresentado como exigncia para obteno do ttulo de bacharel em Sistemas de Informao pela Universidade do Contestado UnC Campus Canoinhas, sob a orientao do professor Pedro Luiz de Paula Filho.

CANOINHAS 2009

3 Agradecimentos Eis algumas das pessoas que contriburam direta ou indiretamente para o desenvolvimento deste trabalho, quer tivessem conscincia disso ou no: Meus pais, Solange e Clotrio, por todo apoio e ajuda financeira Meu orientador Pedro Luiz de Paula Filho, por toda a compreenso, ajuda e horas despendidas Todos os professores e mestres que acreditaram em minha capacidade em todo o decorrer do curso Meus amigos, colegas e ex-colegas, pela amizade, conselhos e palpites proveitosos

4 RESUMO Neste trabalho apresentado um mtodo de identificar espcies florestais da flora brasileira atravs do uso da transformada wavelet baseado em imagens macroscpicas. Um vetor de caractersticas extrado para cada espcie florestal, baseado na anlise dos coeficientes wavelet em diversos nveis de decomposio. Utilizando tcnicas de processamento digital de imagens e reconhecimento de padres, aplica-se neste trabalho na prtica uma rede neural para solucionar um problema de reconhecimento em texturas, que com base em uma imagem, ela busca em um banco de dados outras imagens similares. Para a identificao foram usadas imagens adquiridas no laboratrio de anatomia da madeira da Universidade Federal do Paran (UFPR), atravs de uma cmera fotogrfica digital, onde se tem um total de 163 imagens de 14 espcies distintas, e cada imagem foi subdividida em 540 imagens, para aumentar eficincia do treinamento do classificador, totalizando 88.560 sub-imagens. Por fim, foi desenvolvida uma aplicao em linguagem C++, utilizando um algoritmo de wavelet, que com base em uma imagem externa, classifica-a, totalizando um percentual de acerto de 13,99%.

Palavras-chave: Processamento de Imagens, Reconhecimento de Padres, Identificao de Espcies Florestais, Wavelets, Extrao de Caractersticas, Anlise de Texturas.

5 ABSTRACT This paper presents a method of identifying species of forest flora through the use of wavelet transform based on macroscopic images. A feature vector is extracted for each tree species, based on analysis of wavelet coefficients at various levels of decomposition. Using techniques of digital image processing and pattern recognition, applied in this work in practice a neural network to solve a problem of recognition in textures, that on the basis of an image, it seeks in a database other similar images. To identify acquired images were used in the laboratory of wood anatomy of the Federal University of Parana (UFPR), using a digital camera, which has a total of 163 images from 14 different species, and each image was subdivided into 540 images to increase training efficiency of the classifier, a total of 88,560 sub-images. Finally, an application was developed in C + +, based on an external image, classifies it, totaling a hit percentage of 13.99%.

Keywords: Image Processing, Pattern Recognition, Identification of Species of trees, Wavelets, Features Extraction, Texture Analysis.

6 LISTA DE FIGURAS

Figura 1 Computao Grfica............................................................................14 Figura 2 Exemplos de imagens pr-processadas.............................................14 Figura 3 Olho humano.......................................................................................16 Figura 4 Etapas do Processamento de Imagens.............................................. 17 Figura 5 Exemplo de regies correspondentes classe A e classe B...........21 Figura 6 Representao do valor mdio versus desvio padro........................21 Figura 7 Neurnio Humano Partes Constituintes da clula neuronal.............22 Figura 8 Modelo de RNA organizada em camadas...........................................23 Figura 9 Tela principal do Simulador JAVA NNS..............................................24 Figura 10 Exemplos de texturas........................................................................26 Figura 11 Exemplos de wavelets.......................................................................28 Figura 12 Grfico 3D da transformada de Fourier............................................29 Figura 13 Esquema de organizao dos coeficientes wavelets e seus trs nveis de decomposio........................................................................................30 Figura 14 Esquema dos passos do clculo da transformada wavelet...............31 Figura 15 Interface final do sistema...................................................................38 Figura 16 Grficos da transformada de Fourier.................................................46

7 LISTA DE SIGLAS

SVH Sistema Visual Humano RNA Rede Neural Artificial BD Banco de Dados. CWT Continuous Wavelet Transform Transformada Contnua de Wavelet DWT Discrete Wavelet Transform Transformada Discreta de Wavelet FWT Fast Wavelet Transform Transformada Rpida de Wavelet DFT Discrete Fourier Transform Transformada discreta de Fourier NNs Neural Networks Redes Neurais GLCM Gray Level Co-Ocurrence Matrix Matriz de Co-ocorrncia

8 SUMRIO 1 INTRODUO...........................................................................................09 1.1 APRESENTAO DO TEMA...............................................................10 1.2 PROBLEMA..........................................................................................11 1.3 JUSTIFICATIVA....................................................................................12 1.4 OBJETIVOS..........................................................................................13 1.4.1 Objetivo Geral................................................................................13 1.4.2 Objetivos Especficos.....................................................................13 2 PROCESSAMENTO DIGITAL DE IMAGENS...........................................14 2.1 SISTEMA GERAL DE VISO...............................................................15 2.2 SISTEMA VISUAL HUMANO...............................................................15 2.3 ETAPAS DO PROCESSAMENTO DE IMAGENS................................18 2.3.1 Aquisio das Imagens...................................................................18 2.3.2 Pr-Processamento........................................................................18 2.3.3 Segmentao..................................................................................18 2.3.4 Classificao...................................................................................18 3 RECONHECIMENTO DE PADRES.........................................................20 3.1 CARACTERSTICAS, VETORES DE CARACTERSTICAS E CLASSIFICADORES..................................................................................20 3.2 REDES NEURAIS ARTIFICIAIS...........................................................22 3.2.1 JAVA NNS......................................................................................24 4 O ESTADO DA ARTE................................................................................26 4.1 A TEXTURA..........................................................................................26 4.2 A ANLISE DE TEXTURAS.................................................................28 5 TRANSFORMADAS DE IMAGENS.............................................................29 5.1 TEORIA DE WAVELETS......................................................................30 5.1.1 Transformada Contnua de Wavelet...............................................31 5.1.2 Transformada Discreta de Wavelet................................................31 5.1.3 Wavelets de Gabor.........................................................................34 5.1.4 O Uso de Wavelets em Anlise de Texturas..................................34 6 METODOLOGIA.........................................................................................37 6.1 AS ESPCIES FLORESTAIS...............................................................37 6.2 EXTRAO DE CARACTERSTICAS.................................................38 6.3 CLASSIFICADORES............................................................................40 7 CONCLUSO.............................................................................................42 REFERNCIAS BIBLIOGRFICAS...............................................................43 APNDICE.......................................................................................................48 ANEXOS..........................................................................................................56

9 1 INTRODUO

1.1 APRESENTAO DO TEMA

A floresta Amaznica tem a maior diversidade de plantas do Brasil, no se pode imaginar a dificuldade de identificar suas plantas, muitas so bem parecidas, muitas vezes s se percebe a diferena quando a rvore j foi derrubada (PROSA RURAL I, 2006). Devido grande variedade de espcies e caractersticas individuais de cada planta, o reconhecimento de espcies florestais, sejam elas de forma bruta (madeira) ou botnica (flores, folhas e frutos), acaba se tornando uma tarefa complexa de ser realizada (KAXIANA, 2009). A identificao de espcies florestais no meio ambiente no de fato um trabalho rduo para um identificador treinado, em razo de haver todo aspecto geral da planta como frutos, folhas e flores e com estes podendo levar ao nome da espcie, entretanto, mais difcil identific-la quando determinada espcie de tronco, que, foi cortada h tempos no possuindo mais estas bases de referncia, dificultando este processo. de fundamental importncia a correta identificao das diversas espcies florestais visto que atualmente so utilizadas pessoas treinadas no processo, contudo, para treinar um identificador demanda muito tempo, a tcnica viria a convir com essa prtica, ajudaria a evitar fraudes em vendas de madeira trocada e tambm at auxiliaria no controle do exerccio das atividades de extrativismo da madeira em determinadas regies. A EMBRAPA atravs do seu grupo de botnica e seus pesquisadores associados rea de floresta produz fichas plsticas de identificao que so fichas prticas para serem levadas ao campo, que facilita o processo de identificao atual, possuem materiais como fotos, amostras das espcies com as caractersticas associadas madeira com o objetivo de ajudar no procedimento de elaborao de um bom inventrio florestal o qual fundamental no planejamento do manejo florestal (PROSA RURAL II, 2006). Segundo EMBRAPA (2009), a correta identificao da madeira oferece benefcios e aplicaes prticas como, por exemplo: evita a troca de madeira, proporcionando maior confiabilidade aos exportadores, importadores e

10 consumidores; Lisura das transaes comerciais; Fiscalizao, certificao e comercializao de madeiras; Estudos tcnico-cientficos envolvendo anatomia, taxonomia, tecnologia, etc; Programas de manejo e inventrio florestal; Processos jurdicos, nos quais esteja envolvida a identificao de madeira; Informaes para servios de consultorias e controle de qualidade das indstrias madeireiras. O presente estudo trabalhar com a anlise do modelo de classificao e agrupamento de espcies florestais posicionando-se para um trabalho

tecnolgico especial. O uso da pesquisa direciona-se para disciplinas relacionadas tecnologia da madeira onde ser possvel a identificao de espcies coletadas por acadmicos do curso.

11 1.2 PROBLEMA

O uso das tcnicas de classificao de espcies denota grande eficincia no processo de identificao de espcies florestais visto que a mesma abordagem com texturas aliadas a anlise das wavelets das imagens tm demonstrado resultados satisfatrios sendo que segundo (CASTAON, 2003) a transformada "wavelet" consiste de um conjunto de funes base que representa o sinal em diferentes bandas de freqncia, cada uma com resolues distintas correspondentes a cada escala e foram aplicadas com sucesso na compresso, melhoria, anlise, classificao, caracterizao e recuperao de imagens. Sendo assim, como facilitar o processo de identificao de espcies florestais contribuindo inclusive para vendas legais e o manejo florestal?

12 1.3 JUSTIFICATIVA

Abordagens de procedimentos baseados em caractersticas como cor, textura e a forma segundo (BENDER, 2003) so atraentes mtodos de indexao e recuperao, logo desta forma reduzem a interferncia humana. A busca por contedo em imagens na Internet vem evoluindo e mostrando resultados eficientes aps a busca por texto ter atingido seu objetivo evolutivo. Atravs de uma tcnica recente em anlise e processamento de imagens, wavelets, com experimentos pouco comentados em reconhecimento de texturas, consiste em um esquema alternativo de anlise de transformao de sinais, complementando, um mtodo de transformao de funes que dependem de tempo ou espao, o que adequado para os processos espaciais em imagens. Para a extrao de atributos das imagens macroscpicas, a textura ser a caracterstica a ser extrada para que sejam realadas determinadas estruturas da planta. A base de dados de imagens vai permitir a catalogao de espcies florestais atravs da viso macroscpica, este estudo no possui material relacionado suficiente em portugus, tornando-se uma proposta especfica de pesquisa para ser utilizada em turmas de alunos do curso de tecnologia da madeira.

13 1.4 OBJETIVOS

1.4.1 Objetivo Geral Analisar a tcnica de wavelets em fotos macroscpicas de espcies florestais atravs da proposta de um algoritmo.

1.4.2 OBJETIVOS ESPECFICOS Definir um protocolo padro de captura das imagens macroscpicas e ser necessrio separar as imagens por espcies em trs grupos (treinamento, validao e teste) e desses, 50% testes, os outros 50% restantes, 70% para treinamento e 30% validao; Adquirir as imagens; Criar a base de dados com as imagens adquiridas e fazer a leitura das imagens no BD; Extrair caractersticas wavelets das imagens e armazen-las; Normalizar os dados (gerar dados no intervalo de 0 a 1); Gerar arquivos para NNS; Desenvolver a interface final; Validar experimento.

14 2 PROCESSAMENTO DIGITAL DE IMAGENS O processamento digital de imagens consiste numa srie de etapas fundamentais: aquisio da imagem, realce, segmentao e classificao da imagem. Enquadra-se na computao grfica da seguinte maneira:

Figura 1 Computao Grfica Fonte: (CONCI, 2008).

Processar uma imagem consiste em transform-la sucessivamente com o objetivo de extrair mais facilmente a informao nela presente. (ALBUQUERQUE, 2007, p. 1). Processando uma imagem, pode-se extrair, destacar e restaurar uma srie de informaes que antes no eram bem visualizadas como mostra o exemplo:

Originais

Equalizadas

Figura 2 Exemplos de imagens pr-processadas. Fonte: (FACON, 2005).

15 Nota-se na figura 2 que o contraste e o brilho excessivo das imagens originais ofuscam o detalhamento que pode ser observado nas figuras equalizadas. Utilizando tcnicas especficas, pode-se minimizar a presena de rudos, realar traos, podendo at adquirir a qualidade prxima originalmente vista por olhos humanos. 2.1 SISTEMA GERAL DE VISO Um sistema geral de viso caracteriza-se por saber se confrontar com todas as situaes, assim como faz o extremamente complexo Sistema Visual Humano.
Os computadores atuais so extremamente eficientes para trabalharem com base de dados, clculos numricos e formais, mas eles no conseguem realizar eficientemente algumas tarefas simples realizadas por animais e seres-humanos. Fica ento uma questo, que parte integrante das linhas de pesquisas modernas em processamento de imagens: Seria realmente o computador a mquina mais adaptada para resolver estes problemas? Um exemplo prtico o processo de reconhecimento de uma pessoa pelo SVH. O trabalho realizado pelo crebro nos parece muito simples e bastante elementar; porm uma anlise detalhada mostra que o crebro humano capaz, a partir de uma grande quantidade de informaes de luminncia e crominncia (captada pelos olhos) de realizar esta tarefa de reconhecimento em apenas 150ms. (ALBUQUERQUE, 2007, p. 3).

Para as finalidades de pesquisa, atualmente os cientistas exploram a adaptao do sistema visual humano em suas aplicaes. 2.2 SISTEMA VISUAL HUMANO O sistema visual humano define como se enxergam os objetos no espao, constitudo dos olhos, que transformam a luz em um sinal (neuronal), dos nervos ticos, os quais transportam esse sinal, e do crebro que processa os sinais neuronais e extrai as informaes necessrias. importante desenvolver uma compreenso bsica do processo de percepo visual. Na Figura 1 tem-se o esquema do funcionamento do olho humano:

16

Figura 3 Olho humano. Fonte: (FROTA, 2009).

O SVH distingue as cores pelo processo da tricromacia que consiste em trs tipos de cones, eles respondem a espectros de cores distintos, vermelho, verde e azul. (LIVENS et al,1997). Um dos aspectos mais importantes da textura a escala. Estudos psicovisuais indicam que o sistema visual humano processa imagens em um caminho multi-escala. O "processamento adiantado" do crebro desempenha um tipo de anlise de freqncia espacial, e conseqentemente, o crtex visual tem clulas separadas as quais respondem a diferentes freqncias e orientaes. Este processamento multi-escala, do qual os humanos obviamente aplicam com sucesso percepo de textura, uma forte motivao para mtodos de anlise de textura iniciar das mesmas idias. Segundo ROSENFELD (1993), o modo como nosso sistema visual humano processa uma imagem muito complexo, para que esse trabalho tenha xito no computador, uma srie de passos deve ser seguida como mostra na figura 4:

17

Figura 4 Etapas do Processamento de Imagens. Fonte: (WOODS e GONZALES, 2000)

LIMA (2003) descreve que existem diferentes sistemas para se representar uma imagem e que no sistema RGB, uma imagem digital caracterizada atribuindo-se a cada pixel, um vetor com trs componentes, cada uma das quais representando as intensidades das cores vermelho, verde e azul,

respectivamente. O valor de cada componente um nmero inteiro entre 0 e 255 e no caso de uma imagem em preto e branco, as trs componentes so iguais e a imagem completamente caracterizada pelo escalar, que o valor comum das trs intensidades.

18 2.3 ETAPAS DO PROCESSAMENTO DE IMAGENS

2.3.1 Aquisio das Imagens Para adquirir as imagens, dois elementos so necessrios: um dispositivo fsico sensvel ao espectro de energia eletromagntico, como ao espectro de raios-X, luz ultravioleta, visvel, ou infravermelha (aparelhos de Raios-X, cmeras). Este dispositivo transdutor deve produzir em sua sada um sinal eltrico proporcional ao nvel de energia percebido, o sensor de imageamento tambm poderia ser uma cmera de varredura por linha que produza uma linha de imagem a cada vez. O outro, digitalizador, um dispositivo que converte o sinal eltrico analgico produzido na sada do sensor em um sinal digital como, por exemplo, um scanner ou um webcam. (WOODS e GONZALES, 2000).

2.3.2 Pr-processamento Aps a aquisio da imagem, ser necessrio pr-processar aquela imagem, ou seja, melhorar a imagem de forma a aumentar as chances para o sucesso dos processos seguintes. Segundo WOODS e GONZALEZ (2000), o pr-processamento envolve tcnicas para o realce de contrastes, remoo de rudo e isolamento de regies cuja textura indique a probabilidade de informao alfanumrica.

2.3.3 Segmentao A segmentao divide uma imagem de entrada em partes ou objetos constituintes. Em geral, a segmentao automtica uma das tarefas mais difceis no processamento de imagens digitais. Por um lado, um procedimento de segmentao robusto favorece substancialmente a soluo bem sucedida de um problema de imageamento. Por outro lado, algoritmos de segmentao fracos ou errticos quase sempre asseveram falha no processamento. No caso de reconhecimento de caracteres, o papel bsico da segmentao extrair caracteres individuais e palavras do fundo da imagem. (WOODS e GONZALEZ, 2000).

19 2.3.4 Classificao So conhecidos duas formas de classificao, o processo supervisionado e o no-supervisionado, estes so acompanhados no procedimento de extrao de caractersticas. CONCI et al (2008) afirmam que:
Uma vez que os descritores da imagem e dos objetos segmentados encontram-se disponveis, passa-se a etapa seguinte, que consiste em distinguir objetos na imagem agrupando esses parmetros de acordo com sua semelhana para cada regio de pixels encontrada. Essa a funo dos processos de classificao e reconhecimento. (CONCI et al, p.56, 2008).

A partir da anlise vista acima, pode-se entender que o processo de classificao consiste no agrupamento em classes dos diversos objetos obtidos na segmentao. Em geral, vrios atributos so necessrios para uma correta classificao, no entanto, quanto mais atributos forem adicionados, mais complexo se torna o problema.

20 3 RECONHECIMENTO DE PADRES O que tem intrigado muitos cientistas foi a capacidade humana na tarefa de implementar algoritmos utilizando desta, a sua base de raciocnio, que sempre impressionou. Ainda mais desafiadora a sua capacidade de reconhecer e classificar objetos. Este conhecimento importante devido s ocorrncias na vida humana tomarem forma de modelos padronizados (SOUZA, 1999), o entendimento das imagens, o desenho de figuras, tudo isso envolve padres. As tcnicas de reconhecimento de padres englobam vrias reas tanto cientficas quanto tecnolgicas, ou seja, possuem um vasto leque de aplicaes, o que vem impulsionando muitos cientistas no estudo de suas multiplicidades. Tambm consistem no desenvolvimento de sistemas inteligentes, capazes de analisar caractersticas de objetos selecionando seus atributos mais

discriminativos e por fim, construir um classificador. Seguem os passos: aquisio, pr-processamento, segmentao, extrao de caractersticas e classificao.
Um dos maiores problemas em reconhecimento de padres obter uma boa avaliao das classes presentes em uma cena. Para que se descreva adequadamente tais classes, necessrio utilizar-se um espao de caractersticas que permita que haja uma boa distino entre as mesmas. (CLAUDINO et al, 2000).

De acordo com THEODORIDIS E KOUTROUMBAS (2003), um completo sistema de reconhecimento de padres consiste de um sensor que obtm observaes a serem classificadas ou descritas; um mecanismo de extrao de caractersticas que computa informaes numricas ou simblicas das

observaes; e um esquema de classificao das observaes, que depende das caractersticas extradas. 3.1 CARACTERSTICAS, CLASSIFICADORES VETORES DE CARACTERSTICAS E

Uma forma simples para entender estes conceitos proposto em (MARTINS, 2003), onde as figuras 5a e 5b, correspondem a um tumor benigno (classe A) e um tumor maligno (classe B), respectivamente. Supondo-se que estas no so as nicas imagens destas classes disponveis para o estudo. Temse uma base de dados de imagens com um nmero de padres das classes A e

21 B, na qual se buscam elementos que permitam separar as imagens como demonstrado na figura 6.

A
Fonte: (MARTINS, 2003)

Figura 5 Exemplo de regies correspondentes classe A e classe B.

Precisa-se identificar as quantidades mensurveis que tornam estas duas regies distintas. Depois de uma anlise destas amostras, obtm-se um grfico conforme mostra abaixo:

Figura 6 Representao do valor mdio versus desvio padro para um nmero de imagens diferentes originadas pela classe A (o) e a classe B(+), neste caso uma linha reta separa as duas classes. Fonte: (MARTINS, 2003)

Cada ponto corresponde a uma imagem diferente da base de dados. Consegue-se ver que os padres da classe A tendem a espalhar-se numa rea diferente de que os padres da classe B. A linha reta uma boa candidata a separar as duas classes. Supondo-se que se tem uma nova imagem com uma regio em que no se sabe a que classe pertence. Pode-se afirmar que, se for

22 medidos a intensidade mdia e o desvio padro na regio de interesse, consegue-se desenhar o ponto correspondente. Este ponto representado pelo (*) na figura 6. Assim, fato assumir que o padro desconhecido aproxima-se mais da classe A do que da classe B. Essas informaes so importantes para a anlise do tpico seguinte, para que uma rede neural seja capaz de fazer o reconhecimento de padres, inicialmente a estrutura da rede treinada, ou seja, adquire conhecimento, este conhecimento adquirido so as caractersticas extradas dos padres almejados. 3.2 REDES NEURAIS ARTIFICIAIS Analogia ao crebro humano segundo (KAETSU e TATIBANA, 2003):
O crebro humano considerado o mais fascinante processador baseado em carbono existente, sendo composto por aproximadamente 10 bilhes de neurnios. Todas as funes e movimentos do organismo esto relacionados ao funcionamento destas pequenas clulas. Os neurnios esto conectados uns aos outros atravs de sinapses, e juntos formam uma grande rede, chamada Rede Neural.

Figura 7 Neurnio humano e partes constituintes da clula neuronal. Fonte: (CARVALHO I, 2009).

Na figura 7 tem-se a representao do neurnio humano na escala de 10 micrmetros de suas partes constituintes. A utilizao de redes neurais como soluo potencial para problemas complexos no mais novidade. Nos ltimos

23 50 anos, muitos estudos tm sido realizados com o intuito de alcanar o nvel de sofisticao do crebro humano para processar informao. (WILLIS, 1991). A habilidade das redes neurais de modelar funes no-lineares utilizada em muitas aplicaes industriais, tais como: identificao de sistemas, controle de processos, deteco de falhas, reconhecimento de padres (PEARSON, 2003; RAMCHANDRAN, 1995). Como modelo emprico, o uso de redes neurais apresenta a vantagem de no se necessitar de conhecimento prvio do processo, pois so capazes de estabelecer a relao dinmica de causa e efeito e encontrar relaes complexas entre variveis (KORRES, 2002; LENNOX, 2001; ARAHAL, 1998; SAVKOTIC, 1996; SU, 1993). A partir de informao do processo valores medidos das entradas e sadas e utilizados na etapa de treinamento as redes neurais so capazes de reproduzir o comportamento do processo etapa de previso. Ainda segundo CARVALHO I (2009), a maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas conexes so ajustados de acordo com os padres apresentados. Em outras palavras, elas aprendem atravs de exemplos. Arquiteturas neurais so tipicamente

organizadas em camadas, com unidades que podem estar conectadas s unidades da camada posterior.

Figura 8 Modelo de uma RNA organizada em camadas. Fonte: (CARVALHO I, 2009).

Na figura 8, tem-se o esquema do modelo de organizao em camadas onde os padres so apresentados rede na camada de entrada, atravs das conexes ponderadas, passam para as camadas intermedirias ou escondidas (hidden), onde feita a maior parte do processamento; podem ser consideradas

24 como extratoras de caractersticas e finalizam na camada de sada onde o resultado final concludo e apresentado. neurais tradicionalmente utilizadas (multicamada com As redes treinamento

backpropagation) apresentam algumas caractersticas indesejadas que foram superadas parcialmente pelas redes de base radial de wavelets, chamadas wavenets (MOURA, 2003). MOURA (2003) apresenta uma abordagem interessante, enfatizando um conceito pouco conhecido de redes neurais. Apesar do potencial das redes neurais, muitos problemas restam a serem resolvidos antes que larga utilizao delas venha a ocorrer (HAIKIN, 1999; SAFATI, 1997). Algumas funes de ativao utilizadas no trabalho de MOURA (2003) so funes cujo suporte igual ao domnio definido para as variveis de interesse e, portanto, no possvel realizar um aprendizado da rede de forma localizada. A classe e o nmero de funes que definem a estrutura da rede, pode ser necessrio determin-las de forma emprica, por tentativa e erro ou por heurstica. A convergncia do algoritmo de aprendizado no normalmente garantida. Tentativas foram feitas para resolver estes, e outros problemas, considerando estrutura rigorosa para as NNs. A teoria de wavelets foi utilizada por BAKSHI, (1993) para implementar wavenets. Uma abordagem ampla encontra-se nos trabalhos de (ROQUEIRO, 1995; CLAUMANN, 2003).

3.2.1 JAVA NNS Dentre as opes de simuladores de rede neural encontradas na internet optou-se pelo simulador de Rede Neural SNNS. O JAVA NNS um simulador de RNA em Java, derivado do SNNS, sua instalao bastante simples. O SNNS possui muitos algoritmos de aprendizado, como Backpropagation, Quickprop, RProp, Backpercolation, Counterpropagation, Generalized radial basis functions, entre outros. Como tambm fcil criao de diversas topologias de Redes Neurais Artificiais, alm de permitir acompanhar a evoluo de taxas de erro e aprendizado da RNA atravs de grficos presentes na figura 9. O SNNS2C, aplicativo do pacote SNNS, permite a converso de uma RNA em cdigo C, tornando a rede flexvel para o uso em outras aplicaes (SNNS, 2008).

25

Figura 9 Tela principal do Simulador JAVA NNS FONTE: (SNNS, 2008).

Os outros itens e grficos apresentados na figura 9 so oferecidos pelo JAVA NNS para controlar a execuo da rede, e tambm verificar seu funcionamento. A caixa a esquerda o painel de controle onde se pode escolher o algoritmo de treinamento usado conforme a rede empregada e tambm se podem alterar os parmetros da rede. (CERA, 2005).

26 4 O ESTADO DA ARTE A anlise do Estado da Arte da tcnica utilizada neste trabalho vem acompanhada de muitos bons resultados em vrias aplicaes j criadas em anlise de texturas utilizando wavelets. Em CASTELANO (2006), apresentado um mtodo de reconhecimento de seres humanos atravs da textura da ris. Similar a este trabalho, um vetor de caractersticas extrado para cada ris, os resultados obtidos com algumas famlias wavelets demonstraram que o mtodo proposto capaz de realizar o reconhecimento com uma preciso eficiente. Um dos mtodos mais utilizados na literatura para representar texturas em imagens o processamento de sinais atravs de wavelets (MANJUNATH e MA, 1996), onde esses padres de textura podem ser decompostos e analisados separadamente em cada resoluo. Em MARFIL et al, (1997) apresentado vrias tcnicas de anlise e segmentao de texturas ressaltando a importncia e a utilizao da transformada wavelet. Em ROIEK (2008) foram utilizadas 164 imagens de 14 espcies florestais utilizando apenas caractersticas com base na cor, cuja escolha deve-se ao fato desta ter invarincia orientao da imagem ou posies especficas. Para cada canal de cor foi feito um histograma e nele buscaram-se quais seriam as reas que dariam maior similaridade em caso de espcies iguais e dissonncia em espcies diferentes. Com isso duas reas de interesse foram selecionadas para cada canal de cor, com isso foi extrado um conjunto de 24 caractersticas, que aps aplicao em uma rede neural artificial foi gerado um resultado de 80,9% de reconhecimento. 4.1 A TEXTURA A textura no pode ser definida em um pixel, mas sim numa regio que possui propriedades homogneas. Existem dois tipos de texturas: Naturais: baseadas em espcies florestais e objetos contidos na natureza. Artificiais: originadas de objetos fabricados. Na figura 10, vemos alguns exemplos de texturas naturais e artificiais. Abaixo, temos telhas, lajota e tecido como exemplos de texturas artificiais,

27 tambm temos pelagem de ona, gramado e tronco de rvore como exemplos de texturas naturais.

Figura 10 Exemplos de texturas: 1. Telhas, (SISTIN, 2009). 2. Lajota, (MDULO 1, 2009). 3. Tecido, (CCRUZEIRO, 2009). 4. Pelagem, (GLOBO, 2009). 5. Gramado verde, (GRAMADOS, 2009). 6. Tronco de rvore (UNESP, 2009).

A textura, diferente da simplesmente cor, traduz o aspecto de forma (rugosidade, maciez, aspereza), impele a sensao visual e tctil do objeto ao observador. A pesquisa sobre a textura geralmente dividida em cinco reas de problemas especficos: Sntese; Classificao; Segmentao; Compresso; Forma da textura. As primeiras quatro reas so muito influenciadas pelo uso de wavelets e bancos de filtros, com wavelets sendo particularmente efetivas na compresso enquanto bancos de filtros abriram caminho em classificao e sntese. (WU et al, 2000) consideram:
Textura uma das caractersticas essenciais para anlise, reconhecimento e interpretao de diversos tipos de imagens incluindo cenas naturais, [...] Apesar do esforo, a anlise de textura ainda considerada como um problema interessante, mas tambm difcil em processamento de imagens.

28 Embora constantes mudanas venham ocorrendo durante os ltimos dez anos, o surgimento de novas tcnicas de processamento, a anlise de texturas continua sendo um desafio computacional devido complexidade das novas necessidades.

4.2 A ANLISE DE TEXTURAS HARALICK (1973) descreve a textura com o uso de coeficientes de uniformidade, densidade, aspereza, regularidade, intensidade, dentre outras caractersticas da imagem. SONKA (1993) descreve a textura como sendo algo que consiste de elementos mutuamente relacionados. Ambos os autores descrevem a textura com um conceito bidimensional, apesar de no possuir um conceito definitivo, as definies anteriores relacionam a textura a impresso que ela passa de rugosidade e contraste aparentada pela variao tonal e pela repetio de padres. Anlise de textura importante em muitas aplicaes de anlise de imagens por classificao, deteco ou segmentao de imagens baseado em padres espaciais locais de intensidade ou cor. Texturas tm a fora implcita porque so baseadas em noes intuitivas de similaridade visual, o que significa que so particularmente teis para a pesquisa de banco de dados visuais e outras aplicaes de interao humano-computador. Entretanto, desde que a noo de textura atada ao significado semntico humano, descries computacionais foram estendidas, algumas vagas e s vezes conflitantes. A anlise de textura de imagens digitais tem por objetivo estabelecer o relacionamento de vizinhana dos elementos de textura e seu posicionamento em relao aos demais (conectividade), o nmero de elementos por unidade espacial (densidade) e a sua homogeneidade ou regularidade (CASTAON, 2003).

29 5 TRANSFORMADAS DE IMAGENS Transformadas matemticas so aplicadas aos sinais para obter uma informao que no est visvel no sinal em estado natural. (POLIKAR, 1996). As transformadas permitem a realizao de uma vasta gama de aplicaes em processamento de imagens, por exemplo, na extrao de caractersticas, compresso de dados, segmentao e filtragem de imagens. A aplicao das transformadas altera a representao inicial da imagem, provendo informaes que permitam uma melhor anlise dos dados. Uma das transformadas

mais conhecidas segundo Pedrini e Schwartz (2008) a Transformada de Fourier (DFT) que do ingls, Discrete Fourier Transform, usada para descrever funes de senides complexas. E a verso discreta, utilizada inicialmente em processamento de sinais como ferramenta para anlise de funes

unidimensionais, apresenta extenso para duas dimenses, assim recebendo melhor ateno para processamento e anlise de imagens. Para entender basicamente o

conceito de wavelet neste trabalho, necessria uma viso dos parmetros e conceitos utilizados na transformada de Fourier. 5.1 TRANSFORMADA DE FOURIER Quando se precisa do tempo de localizao dos componentes espectrais, uma transformao dando a representao tempo-freqncia do sinal necessrio. se tm dois sinais diferentes, Supe-se que e tambm que ambos tm os mesmos

componentes espectrais (componentes de freqncia), com uma grande diferena, um dos sinais tem quatro componentes de freqncia em todos os momentos, e os outros quatro tm os mesmos componentes de freqncia em momentos diferentes. A DFT de ambos os sinais seriam as mesmas. Embora os dois sinais sejam completamente diferentes, as suas magnitudes FT so as mesmas. Logo, percebe-se que no se pode usar a DFT para sinais noestacionrios (que variam no tempo) (POLIKAR,1996). Muitas vezes, as informaes que no podem ser facilmente vistas no domnio do tempo podem ser vistas no domnio da freqncia. Para tal, a transformada de Fourier que indica os componentes de freqncia.

30

Figura 11 Grfico 3D da transformada de Fourier. Fonte: (POLIKAR, 2001).

5.1 TEORIA DE WAVELETS So funes matemticas capazes de transformar dados em componentes de freqncias diferentes e examinar cada um desses com uma resoluo prxima a da sua escala. O conceito foi proposto pela primeira vez por Haar em 1909, mas as origens da teoria wavelet iniciam-se nos anos 30, quando, ainda sem corpo, podia ser discretamente identificada em trabalhos de Anlise Funcional e outros ramos matemticos. Anos se passaram e o conceito wavelet foi deixado de lado retornando na dcada de 80, entretanto um assunto ainda pouco explorado, podendo ser bastante usado como objeto de estudo, tendo muito campo pela frente. Segundo (Lima, 2003):
As transformadas de wavelets podem ser vistas como mecanismos para decompor ou quebrar sinais nas suas partes constituintes, permitindo analisar os dados em diferentes domnios de freqncias com a resoluo de cada componente amarrada a sua escala. Alm disso, na anlise de wavelets, podemos usar funes que esto contidas em regies finitas, tornando-as convenientes na aproximao de dados com descontinuidades.

31

1.

2.

3.

4.

Figura 12 Exemplos de wavelets: 1. Wavelet de Morlet, 2. Chapu Mexicano, 3. Meyer. Fonte: (WIKIPEDIA, 2009). 4. Wavelet de Haar. Fonte: (LIMA, 2003).

A wavelet de Haar a mais antiga e conceitualmente a mais simples, conserva a energia dos sinais enquanto comprime esta energia em uma forma mais compacta. Usa apenas dois coeficientes de funo wavelet, assim, calcula a distino de mdias e subtraes. Tcnicas de multi-resoluo pretendem transformar imagens em uma representao em que a informao espacial e de freqncia est presente. Para complementar, muitas tcnicas relacionadas foram desenvolvidas, incluindo Gabor, Haar e Walsh-Hadamard, pirmides de Gauss e Laplace, etc. Na ltima dcada, uma estrutura matemtica emergiu, da qual prov uma abordagem mais slida e unificada para representaes de multi-resoluo. Este paradigma das wavelets est agora bem estabelecido e tem sido encontrado em muitas aplicaes em processamento de imagens. Desde que ao mesmo tempo alguns de seus precursores puderam ser reformulados em terminologia wavelet, se tornou uma ferramenta preferida para anlise multi-resoluo.

32 Wavelets podem ter carter fractal e padres que se repetem em escalas diferentes. A anlise de sinais com wavelets permite a extrao de dados coerentes tanto no domnio da freqncia quanto no do tempo (ou espao, para imagens). Em msica, padres oscilatrios e transientes se repetem no tempo e possuem composio freqencial determinada. A anlise com wavelets pode ser vista como uma decomposio atmica, onde se busca os componentes bsicos dos sinais, os tomos. Uma vez descritos os "tomos" do sinal, mais fcil fica para se combinar e produzir novas molculas. Por exemplo, numa partitura musical temos um arranjo de tomos (as notas) que possuem durao e freqncia determinadas. De acordo com (FARIA, 1997), existem inmeras formas de se poder aplicar tal conhecimento, por exemplo: analisando um trecho de uma sinfonia contendo violinos, violoncelos, tubas e trompetes. O sinal se constitui numa mistura que, no entanto o ser humano pode desdobrar o sinal mentalmente e reconhecer os instrumentos. Isto porque de certa forma os seus filtros auditivos funcionam de forma a separar as freqncias "por canais" distintos, e monitorar a intensidade, durao, etc. em cada um desses canais. Wavelets permitem fazer isso, a anlise em tempo-freqncia. Assim, teoricamente possvel construir um sistema para separar os instrumentos e codificar seus padres em coeficientes wavelets diferentes, as tcnicas de Fourier permitem separar os contedos espectrais, mas mostram-se pobres em descrever ao mesmo tempo as condies temporais (padres no estacionrios). Este um exemplo eficaz de se enxergar wavelets em ao. Como a transformada wavelet uma ferramenta capaz de reduzir dados ou funes em componentes de freqncia diferentes, sendo cada componente estudado com uma resoluo prxima a de sua escala, de acordo com os passos apresentados na figura 14, entende-se que a escala corresponde a wavelet em seus vrios estgios de dilatao dentro do sinal analisado. No apndice existem algumas transformadas wavelet mais utilizadas.

33

(a)

(b)

(c)

(d)

Figura 13 (a) Esquema de organizao dos coeficientes Wavelets. (b) Imagem original. (c) Decomposio em trs nveis pela wavelet de Daubechies. (d) Os trs nveis de decomposio (L1,L2,L3) vistos individualmente, com seus respectivos coeficientes de aproximao, detalhes horizontais, diagonais e verticais. Fonte: (CASTELANO, 2006).

Na figura 13, tem-se o esquema do funcionamento dos coeficientes wavelets, cada coeficiente sendo analisado conforme o tamanho de sua escala.

5.1.1 Transformada Contnua de Wavelet O fato de uma transformada ser contnua ou discreta classifica-se assim conforme a natureza do sinal analisado, por exemplo, se tratando de um sinal digital, utiliza-se ento a transformada discreta, conforme os ramos da

34 matemtica discreta. O sinal analisado na figura 14 a seguir trata-se de como a wavelet escolhida percorre o sinal no domnio da freqncia. O clculo desta transformada produz coeficientes wavelets que so funes da escala e da posio, e ela pode ser obtida atravs do seguinte algoritmo (CONCI et al, 2008): 1. Escolhe-se a wavelet e faz a comparao em uma parte inicial do sistema original. 2. Calcula-se um nmero C, que representar a correlao da wavelet com a parte do sinal analisado. 3. Move-se a wavelet para a direita e repete-se os passos 1 e 2 at percorrer todo o sinal. 4. Dilata-se a wavelet e repete-se os passos 1, 2 e 3. 5. Repete-se os passos 1, 2, 3 e 4 em todas as escalas. Como mostra a figura a seguir:

Passo I e passo II

Passo III

Passo IV

Representao tempo/escala Fonte: CONCI et al (2008)

Representao 3D da transformada de wavelet

Figura 14 Esquema dos passos do clculo da transformada wavelet e representaes 3D da mesma. Fonte: (CONCI et al, 2008).

Outras informaes como frmulas e clculos da transformada contnua podero ser encontrados no Apndice.

5.1.2 Transformada Discreta de Wavelet

35 A transformada wavelet discreta a transformada que corresponde transformada contnua de wavelet usada para funes discretas, como falado anteriormente, utilizada para analisar sinais digitais, e tambm na compresso de imagens digitais. A primeira invetada foi a wavelet de Haar. Outras informaes como frmulas e clculos da transformada discreta podero ser encontrados no Apndice.

5.1.3 Wavelets de Gabor Os Filtros de Gabor esto diretamente relacionados com as wavelets de Gabor, uma vez que eles podem ser projetados para o nmero de dilataes e rotaes. O pr-processamento de imagens por wavelets de Gabor foi escolhido em algumas pesquisas pela sua relevncia biolgica e propriedades tcnicas. As wavelets de Gabor so de forma semelhante como os campos receptivos das clulas simples do crtex visual primrio (V1). Eles esto localizados no espao e no domnio da freqncia e tm a forma de ondas planas limitado por uma funo gaussiana. 5.1.4 O Uso de Wavelets em Anlise de Texturas A anlise de texturas baseada em wavelets usa uma classe de funes que so localizadas em ambos domnios espacial e espao-frequencial para decompor imagens de textura. Funes wavelet pertencentes mesma famlia podem ser construdas de uma funo base conhecida como wavelet me ou wavelet bsica, por meio de dilatao e translao. A imagem de entrada considerada como sendo a soma com peso de funes escaladas e deslocadas de wavelets sobrepostas. Deixa g(x) ser uma wavelet (em 1D por simplicidade). A transformada wavelet de um sinal 1D f (x) definida como sendo:

onde g((x )) computada da wavelet me g(x), e denota a translao e escala respectivamente. A discreta equivalente pode ser obtida por amostragem dos parmetros e . As restries de amostragem requerem a transformada

36 para ser uma decomposio ortogonal completa no-redundante. Cada sinal

transformado contm informao de uma classe de orientao especfica. Tcnicas populares da transformada wavelet tm sido aplicadas a anlise de textura s quais incluem a transformada wavelet piramidal, e a decomposio de wavelet packet.

37 6 METODOLOGIA Esta metodologia baseia-se na utilizao dos filtros de wavelets com parmetros pr-definidos consagrados em trabalhos anteriores. Foram coletadas imagens de espcies florestais as quais sero armazenadas em um banco de dados para posteriormente serem utilizadas no reconhecimento das novas espcies carregadas pelo usurio do sistema. Todas as 143 imagens de 14 espcies florestais utilizadas no desenvolvimento deste trabalho foram adquiridas no Laboratrio de Anatomia da Madeira da UFPR (Universidade Federal do Paran), de acordo com o protocolo estabelecido, sendo cedidas pela instituio. Para desenvolver o algoritmo de extrao das caractersticas das imagens, bem como a interface da aplicao foi utilizada a ferramenta de desenvolvimento C++ Builder. Para os processos de reconhecimento de padres foi utilizada a ferramenta Java NNS distribuda gratuitamente na internet e desenvolvida pelo Stuttgart Neural Network Simulator, para a criao e treinamento da rede neural a ser utilizada no sistema, juntamente com o SNNS2C, aplicativo que converte a rede gerada para a linguagem C, podendo assim ser usada facilmente dentro de aplicativos.

6.1 AS ESPCIES FLORESTAIS As espcies utilizadas para o desenvolvimento do sistema foram selecionadas por textura (rugosidade, maciez, asperez), e espcies similares a olho nu, que normalmente podem gerar confuses na classificao, as mesmas utilizadas em (ROIEK, 2008).
Tabela 1 Tabela das espcies utilizadas no desenvolvimento do sistema Fonte: (ROIEK, 2008).

38

6.2 EXTRAO DE CARACTERSTICAS A textura foi escolhida por sua variao orientao da imagem em posies especficas. Para cada imagem, foi calculada a wavelet de Haar, e destas imagens foram retiradas as energias calculando assim uma matriz de co-ocorrncia.

Tabela 2 Tabela representante do esquema de uma matriz de co-ocorrncia. Fonte: HARALICK (1973).

39
Caracterstica Homogeneidade Probabilidade Mxima Entropia Energia ou uniformidade Descrio Distribuio dos pixels Indica a direo mais importante da textura a ser examinada Mede a informao contida em p; muitos valores nulos representam pouca informao Retorna a soma dos elementos elevados ao quadrado dentro da matriz. Varia de 0 a 1, tendendo a 1 em imagens constantes Retorna uma medida do contraste entre as intensidades de um pixel analisado e do pixel vizinho. Para uma imagem constante o resultado ser 0. Corresponde ao momento de ordem 2. Distoro da imagem. Retorna o quo correlacionado est o pixel com seu vizinho, varia entre -1 e 1, sendo que o primeiro aparece em uma imagem completamente descorrelacionada.

Contraste ou varincia

Momento de 3 ordem Correlao

Tabela 3 Tabela representante dos descritores utilizados como extratores de caractersticas da matriz de co-ocorrncia do sistema.

Essa tcnica consiste de experimentos estatsticos realizados sobre como certo nvel de cinza ocorre em relao a outros nveis de cinza, gerando uma matriz (CONCI et al, 2008). Desta matriz foram extrados 7 atributos (energia, contraste, entropia, homogeneidade, probabilidade mxima, momento de 3 ordem e correlao) em 4 direes diferentes, 0 graus (vizinho da direita), 45 graus (vizinho superior direito), 90 graus (vizinho de cima) e 135 graus (vizinho superior esquerdo), perfazendo 28 caractersticas de GLCM para o wavelet de Haar, com isso, Haar totaliza 29 caractersticas. Posteriormente, o mesmo feito com a wavelet de Daubechies, gerando mais 29 caractersticas, logo, obteve-se o total de 58 caractersticas. Os primeiros testes foram realizados com a energia das wavelets de Haar e de Daubechies, ou seja, com 2 unidades de entrada e 14 unidades de sada, sendo as duas energias os neurnios de entrada e as 14 unidades de sada so as 14 espcies florestais. Os seguintes testes foram realizados com 58 unidades de entrada (descritas no pargrafo anterior) e 14 unidades de sada pelo fato de que nestes testes foram utilizadas mais 7 caractersticas descritas acima.

40

Figura 15 Interface final do sistema.

6.3 CLASSIFICADORES Como descrito no processo de extrao de caractersticas, para que a rede pudesse reconhecer as vrias classes de espcies usadas neste estudo, foi construda uma rede neural com 58 unidades de entrada e 14 unidades de sada (uma para cada espcie reconhecida). A rede foi conectada de forma feed forward e foi criado um padro especfico para o reconhecimento de texturas. As Tabelas 4 e 5 demonstram respectivamente as matrizes de confuso geradas nos 1s e nos 2s testes pelo aplicativo Analyse, integrante do pacote de ferramentas do JAVANNS, que demonstra como cada um dos vetores das imagens de teste foi classificado. A linha da diagonal corresponde ao percentual de acerto, onde, para obt-lo, necessrio somar os valores da diagonal e dividir pela quantidade de imagens.

41

Tabela 4 Matriz de Confuso gerada pela base de padres para testes, usada para a validao da Rede Neural utilizada nos primeiros testes.

Tabela 5 Matriz de Confuso gerada pela base de padres para o segundo teste.

42 7 CONCLUSO Neste trabalho foi apresentada a proposta de desenvolvimento de um sistema para classificar espcies florestais atravs da anlise de texturas, utilizando a transformada wavelet discreta para o processo de extrao de caractersticas, bem como as energias de Haar e Daubechies, matriz de coocorrncia, retirando alm destas 2 energias, ainda: energia (padro), contraste, entropia, homogeneidade, probabilidade Mxima, momento de 3 ordem e correlao da matriz de co-ocorrncia. Atravs da anlise de trabalhos anteriores, conclui-se que o uso de transformadas matemticas em processamento de imagens denota grande eficincia em resultados. Apesar destes resultados com wavelets parecerem promissores, o algoritmo proposto da tcnica utilizado para os testes no se mostra eficiente pelo fato de alcanar apenas um percentual de reconhecimento de 13.99%. Com a estrutura descrita nos classificadores, treinou-se a rede e com as ferramentas oferecidas pelo JavaNNS pode-se verificar que foi obtido o objetivo esperado que o reconhecimento de texturas. O problema mais freqente durante a classificao a ocorrncia de rudo por haver freqncias espaciais semelhantes ou at mesmo idnticas em classes texturais distintas, sendo que as duas tm representatividade de suas texturas, s pelo fato de possurem amplitudes distintas, podem gerar erros de classificao. Isto ocorre em vrios momentos, ainda mais nas imagens que possuem as caractersticas visivelmente aproximadas entre ambas. Para trabalhos futuros, algumas perspectivas podem ser discutidas: O aprimoramento da tcnica de segmentao para melhorar o ndice de acertos; A minimizao do tempo de treinamento do classificador; A elaborao de um projeto para dar continuidade a este trabalho descobrindo um modo de discernir se uma espcie conhecida ou desconhecida para que no seja identificada como sendo de uma espcie conhecida pela RNA.

43 REFERNCIAS BIBLIOGRFICAS ALBUQUERQUE, Mrcio Portes de.; Marcelo Portes de. Processamento de Imagens: Mtodos e Anlises. Artigo em Processamento de Imagens Digitais Centro Brasileiro de Pesquisas Fsicas CBPF/MCT. Rio de Janeiro/RJ, 2007. ARAHAL, M.R.; BERENGUEL, M.; CAMACHO, E.F.. Neural identification applied to predictive control of a solar plant. Control Engineering Practice 6, p. 333-344, 1998. BENDER, Tlio Cleber. Classificao e recuperao de imagens por cor utilizando tcnicas de inteligncia artificial. Dissertao em Computao Aplicada Universidade do Vale dos Sinos. So Leopoldo / RS, 2003. CARVALHO I, Andr Ponce de Leon F. de. Redes Neurais Artificiais. Disponvel em: http://www.icmc.usp.br/~andre/research/neural/ Acessado em: Setembro de 2009. CARVALHO II, Bruno Motta de. Formao e Representao de Imagens. Disponvel em: http://www.dimap.ufrn.br/~motta/dim102/Aquisicao%20e%20Representacao.pdf Acessado em: Maro de 2009. CASTAON, Cesar Armando Beltran. Recuperao de imagens por contedo atravs de anlise multiresoluo por Wavelets. Dissertao de Mestrado em Cincias de Computao e Matemtica Computacional USP -Instituto de Cincias Matemticas e de Computao (ICMC). So Paulo/SP, 2003. CASTELANO, Clio Ricardo. Estudo Comparativo da Transformada Wavelet no Reconhecimento de Padres da ris Humana. Dissertao de Mestrado em Engenharia Eltrica Escola de Engenharia da USP So Carlos/SP, p.58 2006. CCRUZEIRO. Fragmento de tecido. Disponvel em: http://www.ccruzeiro.com/images/artigos/tecido6.jpg Acessado em: Maro de 2009. CERA, Mrcia Cristina. Redes Neurais no Reconhecimento de Padres: Estudo de Caso. Disponvel em: http://www.inf.ufrgs.br/gppd/disc/cmp135/trabs/mccera/t2/texto_simulacao.pdf Acessado em: Outubro de 2009. CLAUDINO, Leonardo Max Batista; OLIVEIRA, Ricardo Augusto Rabelo; ARAJO, Arnaldo De Albuquerque; PERROTON, Laurrent; GUIMARES, Silvio Jamil Ferzoli. Segmentao e Classificao Automtica de Imagens Segundo Informao Textural. NPDI/DCC/UFMG - Departamento de Cincia da Computao. Belo Horizonte, MG, 2000. CLAUMANN, C. A.. Modelagem e controle de processos no lineares: Uma aplicao de algoritmos genticos no treinamento de redes neurais

44 recorrentes. Dissertao de Mestrado, Programa de Ps-Graduao em Engenharia Qumica/UFSC (1999). CONCI, Aura; AZEVEDO, Eduardo; LETA, Fabiana R. Computao Grfica: Teoria e Prtica Volume 2. Elsevier. Rio de Janeiro, 2008. DAUBECHIES, Ingrid. Ten Lectures on Wavelets, CBMS - NSF Regional Conferences Series in Applied Mathematics, 1992. EMBRAPA AMAZNIA ORIENTAL. Identificao de Madeira. Disponvel em: http://www.cpatu.embrapa.br/servicos/agosto-2007/identificacao-de-madeira Acessado em: Setembro de 2009. FACON, Jacques. Processamento e Anlise de Imagens. Material de Aula, Mestrado em Informtica Aplicada PUCPR 2005. FARIA, Regis Rossi A. Wavelets at LSI. Disponvel em: http://www.lsi.usp.br/~regis/wlets.html Acessado em: Abril de 2009. FROTA, Paula. Olho Humano. Disponvel em: http://profs.ccems.pt/PaulaFrota/olho.htm Acessado em: Maro de 2009. GLOBO, O. Fragmento de textura de ona pintada. Disponvel em: http://oglobo.globo.com/fotos/2008/02/22/22_MHG_OncaPintada_WWF.jpg Acessado em: Maro de 2009. GRAMADOS. Textura de gramado. Disponvel em: http://gramados.net/loja/images/Grama%20esmeralda.jpg Acessado em: Maro de 2009. HARALICK, K. Shanmugan. & 1. Dinstein, Texture Features for Image Classification, IEEE Transaction on Systems, Man and Cybernetics, SMC-3, n6, p.610-621,1973. KAARNA, Arto. Wavelets Own Compilation of the Wavelet Theory, p.3, 1999. KAETSU, Deise Yuki.; TATIBANA, Cssia Yuri. Uma Introduo s Redes Neurais. Disponvel em: http://www.din.uem.br/ia/neurais Acessado em: Agosto de 2009. KAXIANA. Agncia de Notcias da Amaznia. Disponvel em: http://www.kaxi.com.br/noticias.php?id=1111 Acessado em: Outubro de 2009. KORRES, D.M. et al. A neural network approach to the prediction of diesel fuel lubricity. Fuel. v. 81, p. 1243-1250, 2002. LENNOX, B. et al.. Industrial application of neural networks An Investigation. J. Process Control. v. 11, p. 497-507, 2001.

45 LIMA, Paulo Cupertino de., Wavelets: uma introduo, Departamento de Matemtica - ICEX UFMG, 2003. LIVENS, S.; SHEUNDERS, P.; WOUWER, G. Van de; DYCK, D. Van. Wavelets for Texture Analysis, Visielab Department of Physics, Universidade de Antwerp, Groenenborgerlaan, Blgica, p.1,1997. MANJUNATH, B.S.; MA, W.Y. Texture Features for Browsing and Retrieval of Image Data. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.18, p.8, 1996. MARFIL, R.; JIMNEZ, F.; BANDERA, A.; SANDOVAL, F. Anlisis de Imagen Basado em Textura Mediante Transformada Wavelet. Departamento de Tecnologia Electrnica, E.T.S.I. Telecomunicacin. Universidade de Mlaga, Spain, Introducin,1997. MARTINS, M.P.; Reconhecimento de Padres em Imagens, Itaja, Univali, p.1, 2003. MDULO 1. Lajota. Disponvel em: http://www.modulo1.com/items_images/118288347702.JPG Acessado em: Maro de 2009. MOURA, Letcia Gomes. Modelagem Emprica de Colunas de Destilao utilizando Redes Neurais de wavelets para otimizao e controle de processos. Florianpolis, 2003. 112 pginas. Dissertao (Mestrado em Engenharia Qumica) Curso de Ps-Graduao em Engenharia Qumica, Universidade Federal de Santa Catarina. OLIVEIRA, Kepler de Souza. Transformada de Fourier. Disponvel em: http://www.if.ufrgs.br/ast/med/imagens/ Acessado em: Novembro de 2009. PAULA, Pedro Luiz de. Classificao, Catalogao e Recuperao de Imagens de Espcies Florestais, Baseadas em Imagens Macroscpicas. Proposta de pesquisa para o Programa de Ps-graduao em Informtica como requisito para ingresso no Programa de doutorado em informtica da Pontifcia Universidade Catlica do Paran, 2009. PEARSON, R.K.. Selecting nonlinear model structures for computer control. J. Process Control. v. 13, p. 1-26, 2003. PEDRINI, Hlio; SCHWARTZ; William Robson. Anlise de Imagens Digitais. p. 45, 2008. POLIKAR, Robi. The Wavelet Tutorial. Disponvel em: http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html Acessado em: Setembro de 2009.

46 PROSA RURAL I. Identificao de Espcies Florestais da Amaznia. Realizao: Embrapa, Amaznia, Programa de rdio n25, 00:51, Programa de rdio Arquivo udio, 2006. PROSA RURAL II. Identificao de Espcies Florestais da Amaznia. Realizao: Embrapa, Amaznia, Programa de rdio n25, 03:09. Entrevista concedida a Milton Kanashiro - Representante do CGE da Embrapa na regio Norte, Programa de rdio - Arquivo udio, 2006. RAMCHANDRAN, S.; RHINEHART, R.R.. A very simple structure for neural network control of distillation. J. Process Control. v.5, n.2, p. 115-128, 1995. ROIEK, Douglas Rodrigo. Identificao de Espcies Florestais Usando Recuperao de Imagens por Contedo. Trabalho de Graduao em Cincia da Computao Universidade do Contestado, p.34, 2008. ROQUEIRO, Nestor. Redes de Wavelets na Modelagem de Processos No Lineares. Tese de Doutorado, COPPE/UFRJ, 1995. ROSENFELD, A. Image Analysis and Computer Vision Computer Vision Graphics and Image Processing, Bhubaneswar , India, 1993. RUSS, John. C. The Image Processing Handbook. The Fifth Edition. CRC Ed., Boca Raton, FL, 2007. SAVKOTIC, J. Neural net controller by inverse modeling for a distillation plant. Computer Chem. Engng. v 20, p. S925-S930, 1996. SISTIN. Telhado. Disponvel em: http://www.sistin.com.br/images/fotos/telhas/telha5.jpg Acessado em: Maro de 2009. SNNS. JAVA NNS. Disponvel em: http://www.ra.cs.unituebingen.de/software/JavaNNS/ Acessado em: Outubro de 2009. SONKA, Milan; HLAVAC, Vaclav; BOYLE, Roger. Image Processing, Analysis, and Machine Vision. London: Champman & Hall, 1993. SOUZA, Joo Artur de. Reconhecimento de Padres Usando Indexao Recursiva. Tese de Doutorado do Programa de Ps-Graduao em Engenharia de Produo, UFSC, Florianpolis, 1999. SU, Hong-Te; McAVOY, T.J.. Neural Model Predictive Control of Nonlinear Chemical Processes. IEEE, Proceedings of the International Symposium on Intelligent Control, p.358-363, 1993. THEODORIDIS, Sergios; KOUTROUMBAS, Konstantinos Recognition: Second Edition. Ed. Academic Press, 2003. Pattern

47 UNESP. Fragmento de tronco de rvore. Disponvel em: http://www.rc.unesp.br/arvoresdocampus/gimnos/pinaceae/pinus%20elliottii/tronc o%20pinus%20elliottii.jpg Acessado em: Maro de 2009. WANGENHEIM, Aldo Von. Anlise de Textura Multiescalar. Disponvel em: http://www.inf.ufsc.br/~visao/wavelets.html Acessado em: Abril de 2009. WIKIPEDIA. Wavelets. Disponvel em: http://en.wikipedia.org/wiki/Wavelet Acessado em: Maro de 2009. WILLIS, M. J. et al.. Artificial neural networks in process engineering. IEEE Proceedings-D. v.138, n.3, p. 256-266,1991. WOODS, Richard E.; GONZALEZ Rafael C., Processamento de Imagens Digitais, Ed. Edgard Blucher, 2000. WU, Gaohong; ZHANG, Yujin; LIN, Xinggang,. Wavelet Transform-based Texture Classification With Feature Weighting, Dept. of Electronic Engineering, Tsinghua University Beijing, China, 2000. _______________________________

APNDICE

49 Para fins didticos, este apndice mostra algumas das transformadas de imagens mais utilizadas, bem como a transformada contnua de wavelet que largamente utilizada em processamento de sinais. As transformadas de Fourier apresentadas a seguir constituiem-se de um extenso estudo feito no Instituto de Fsica da UFRGS por OLIVEIRA (1998): TRANSFORMADAS DE FOURIER Em ultrasom, um sinal Doppler consiste na superposio de ondas de frequncias diferentes, correspondentes por exemplo a diferentes velocidades do sangue. Em um sinal de ressonncia nuclear magntica, a sinal de radio frequncia tambm consiste de diferentes frequncias e fases, que podem ser analisados diretamente por um espectro de frequncias, ou Transformada de Fourier [desenvolvida por Jean Fourier (1768-1830) em 1822]. Entretanto, a transformada pode ser utilizada tambm na reconstruo bi-dimensional de imagens em geral, por sua facilidade e rapidez de clculo, comparado com a resoluo das equaes de projeo algebricamente, que consistem na montagem de uma matriz e sua resoluo. Um ponto importante da transformada, o critrio de Nyquist, que especifica que um sinal precisa ser amostrado pelo menos duas vezes em cada ciclo de variao, isto , a frequncia de amostragem (frequncia de Nyquist) precisa ser no mnimo o dobro da maior frequncia presente no sinal. Se no for observado o critrio, os sinais de mais alta frequncia sero erroneamente registrados como de baixa frequncia, fenmeno chamado de alias (como a impresso da roda girando no sentido inverso que vemos na televiso). Por exemplo, em imageamento Doppler, onde o fluxo do sangue medido por uma srie de pulsos ultrasnicos, se os pulsos no forem repetidos com rapidez suficiente, um fluxo rpido em uma direo pode ser interpretado como um fluxo lento na direo oposta. A transformada de Fourier de uma funo f(x) definida como:

50

(4.1)

e a transformada inversa, que recupera a funo original definida como:

(4.2)

onde

a frequncia angular, e

Para cada frequncia da coordenada

, integramos a funo

sobre todos os valores

. Se o valor da integral for grande para esta frequncia,

ento o sinal tem uma componente significativa nesta frequncia, isto , uma parte significativa deste sinal composto por esta frequncia. Podemos tambm definir:

(4.3)

e a transformada inversa, que recupera a funo original definida como :

(4.4)

51

onde Note que:

a frequncia linear.

A condio suficiente para e existncia da transformada de Fourier de uma

funo

qualquer que a funo seja integrvel, e finita, isto :

(4.5)

As imagens que estamos interessados so sempre integrveis e finitas.

Embora a imagem seja real, a transformada de Fourier uma funo complexa, com coeficientes reais e imaginrios:

O espectro de potncias

definido como:

52

e o ngulo de fase dado por:

Por exemplo, podemos calcular a transformada de Fourier de um pulso retangular, definido por:

A transformada de Fourier

de

dada por:

53

j que

Figura 16 Grficos obtidos da Transformada de Fourier. Fonte: (OLIVEIRA, 1998).

TRANSFORMADA DE WAVELET

KAARNA (1999) apresenta uma compilao prpria da teoria de wavelets:

CWT TRANSFORMADA CONTNUA DE WAVELET Sendo assim, a transformada wavelet de uma funo f(t) :

E a transformada inversa ou frmula de reconstruo:

onde

54

E a condio de admissibilidade

depende de

E ns assumimos condio

. Ento ou similar:

contnua e esta conduz para uma

DWT TRANSFORMADA DISCRETA DE WAVELET Discretizao No caso contnuo, temos:

No caso discreto, a e b tm apenas valores discretos. Pela seleo: e Agora a wavelet : .

Com uma boa seleo de a0 e b0 ali existir reconstruo :

tal que a frmula da

55 A TRANSFORMADA DISCRETA RPIDA A base matemtica para a construo da transformada wavelet rpida (FWT) baseada na wavelet de Daubechies. O contraste feito entre a transformada contnua e a transformada discreta que prov a estrutura fundamental para o algoritmo da transformada rpida. Uma vez que os coeficientes de filtro discretos so definidos, a DWT ortogonal pode ser definida nas escalas .

Cada a0 uma mdia com peso de f na vizinhana de n:

Na decomposio:

Na reconstruo:

56

ANEXOS

57 Este anexo contm todo o cdigo fonte do algoritmo de wavelets de Haar e Daubechies utilizado:
/********************************************************************* FUNCTION CB_FRMIMAGE_KRL *********************************************************************/ void cb_frmimage_krl(const char *vc_file) { int vi_i, vi_j, vi_c; char vc_header[512],vc_1, vc_2[2]; image.vc_file = vc_file; IplImage *im; im = cvLoadImage(vc_file,0); if (im != NULL){ image.vi_width = im->width; image.vi_length = im->height; image.vi_bitspersample = im->widthStep; for ( vi_i = 0; vi_i < im->width; vi_i++ ) { for ( vi_j = 0; vi_j < im->height; vi_j++ ) { image.vi_matriz[vi_i][vi_j] = (im->imageData + vi_j*im->widthStep)[vi_i*im->nChannels + 0]; } } } else vi_i = 1; cvReleaseImage(&im); } //-------------------------------------------------------------------//Clculo da Transformada de Haar Wavelet //-------------------------------------------------------------------void HaarWavelet(int mit1, int mit2, int nro) { int y,k,j; for (int vi_i = 0; vi_i < image.vi_width; vi_i++ ) for (int vi_j = 0; vi_j < image.vi_length; vi_j++ ) AuxMatrix[vi_i][vi_j] = image.vi_matriz[vi_i][vi_j]; for(y=0; y < mit2*2; y++) { for(j=0; j < mit1*2; j=j+2) TempMatrix[y][j/2]= ((AuxMatrix[y][j] + AuxMatrix[y][j+1])*sqrt(2)/2); for(k=0; k < mit1*2; k=k+2) TempMatrix[y][k/2 + mit1] = ((AuxMatrix[y][k] AuxMatrix[y][k+1])*sqrt(2)/2); } for(y=0; y < mit1*2; y++) { for(j=0; j < mit2*2; j=j+2) AuxMatrix[j/2][y]=((TempMatrix[j][y]+TempMatrix[j+1][y])*sqrt(2)/2); for(k=0; k < mit2*2; k=k+2)

58
AuxMatrix[k/2 + mit2][y] = ((TempMatrix[k][y]TempMatrix[k+1][y])*sqrt(2)/2); } } //-------------------------------------------------------------------// Clculo da Transformada de Daubechies Wavelet //-------------------------------------------------------------------void DaubechiesWavelet(int mit1, int mit2, int nro) { int y,k,j; for (int vi_i = 0; vi_i < image.vi_width; vi_i++ ) for (int vi_j = 0; vi_j < image.vi_length; vi_j++ ) AuxMatrix[vi_i][vi_j] = image.vi_matriz[vi_i][vi_j]; for(y=0; y < mit2*2; y++) { TempMatrix[y][0]=((AuxMatrix[y][mit2*2-2]*(1+sqrt(3)) + AuxMatrix[y][mit2*2-1]*(3+sqrt(3))+ AuxMatrix[y][0]*(3sqrt(3))+AuxMatrix[y][1]*(1-sqrt(3)))*sqrt(2)/(8) ); for(j=2; j < mit1*2; j=j+2) TempMatrix[y][j/2]=((AuxMatrix[y][j]*(1+sqrt(3)) + AuxMatrix[y][j+1]*(3+sqrt(3))+ AuxMatrix[y][j+2]*(3sqrt(3))+AuxMatrix[y][j+3]*(1-sqrt(3)))*sqrt(2)/(8) ); TempMatrix[y][mit1] = ((AuxMatrix[y][mit2*2-2]*(1-sqrt(3)) + AuxMatrix[y][mit2*2-1]*(sqrt(3)-3) + AuxMatrix[y][0]*(3+sqrt(3)) AuxMatrix[y][1]*(1+sqrt(3)))*sqrt(2)/(8) ); for(k=2; k < mit1*2; k=k+2) TempMatrix[y][k/2 + mit1] = ((AuxMatrix[y][k]*(1sqrt(3)) + AuxMatrix[y][k+1]*(sqrt(3)-3) + AuxMatrix[y][k+2]*(3+sqrt(3)) AuxMatrix[y][k+3]*(1+sqrt(3)))*sqrt(2)/(8) ); } for(y=0; y < mit1*2; y++) { AuxMatrix[0][y]=((TempMatrix[mit2*2-2][y]*(1+sqrt(3)) + TempMatrix[mit2*2-1][y]*(3+sqrt(3))+ TempMatrix[0][y]*(3-sqrt(3))+ TempMatrix[1][y]*(1-sqrt(3)))*sqrt(2)/(8) ); for(j=2; j < mit2*2; j=j+2) AuxMatrix[j/2][y]=((TempMatrix[j][y]*(1+sqrt(3)) + TempMatrix[j+1][y]*(3+sqrt(3))+ TempMatrix[j+2][y]*(3-sqrt(3))+ TempMatrix[j+3][y]*(1-sqrt(3)))*sqrt(2)/(8) ); AuxMatrix[mit2][y] = ((TempMatrix[mit2*2-2][y]*(1-sqrt(3)) + TempMatrix[mit2*2-1][y]*(sqrt(3)-3) + TempMatrix[0][y]*(3+sqrt(3)) TempMatrix[1][y]*(1+sqrt(3)))*sqrt(2)/(8) ); for(k=2; k < mit2*2; k=k+2) AuxMatrix[k/2 + mit2][y] = ((TempMatrix[k][y]*(1sqrt(3)) + TempMatrix[k+1][y]*(sqrt(3)-3) + TempMatrix[k+2][y]*(3+sqrt(3)) TempMatrix[k+3][y]*(1+sqrt(3)))*sqrt(2)/(8) ); } } //-------------------------------------------------------------------// Escolha a execuo da Wavelet //--------------------------------------------------------------------

59
void CalculaWavelet(int tipo) { int mit1,mit2,n,aux,largura, altura; float max,min,ponto; niveis = 5; mit1 = image.vi_width; mit2 = image.vi_length; for(int n = 1; n<=niveis; n++) { mit1 = mit1/2; mit2 = mit2/2; if (tipo == 1) HaarWavelet(mit1,mit2,1); else DaubechiesWavelet(mit1,mit2,1); // Normalizao da Matriz max = AuxMatrix[0][0]; min = max; largura= mit1; altura = mit2; for(int h = 0; h<largura-1; h++) for(int k = 0; k<altura; k++) { ponto = AuxMatrix[h][k]; if(ponto> max) max = ponto; if(ponto< min) min = ponto; } for(int i = 0; i<largura; i++) for(int j = 0; j<altura; j++) { AuxMatrix[i][j] = AuxMatrix[i][j] + fabs(min); AuxMatrix[i][j] = ((AuxMatrix[i][j] -min) /(maxmin)); // } // Energia TW feature.wt_energia = 0; feature.aux_energia =0; for ( int y = 0; y < mit1; y++ ) for ( int x= 0; x < mit2; x++ ){ feature.aux_energia += fabs( AuxMatrix[y][x]); feature.wt_energia = feature.aux_energia/(mit1*mit2); AuxMatrix[y][x] = 0; } } } //finaliza wavelets AuxMatrix[i][j] = AuxMatriz[i][j] /max;