Mestrado em Estatística, Matemática e Computação | Master's Degree in Statistics, Mathematics and Computation - TMEMC
Permanent URI for this collection
Browse
Browsing Mestrado em Estatística, Matemática e Computação | Master's Degree in Statistics, Mathematics and Computation - TMEMC by advisor "Bernardes, Rui Manuel Dias Cortesão dos Santos"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Aplicação de máquinas de vector suporte para classificação de ratos transgénicos através de imagem da retinaPublication . Valentim, Érick Braga; Serranho, Pedro; Bernardes, Rui Manuel Dias Cortesão dos SantosO objetivo deste trabalho consistiu na criação de modelos de aprendizagem supervisionada baseados nas técnicas de Support Vector Machine (SVM) e Support Vector Machine com informação privilegiada (SVM+) capazes de distinguir entre ratos saudáveis (C) e transgénicos (D) por meio de análise de textura da imagem de tomografia de coerência óptica (OCT) de retinas do olho direito. A amostra é composta por 74 ratos, sendo 40 saudáveis e 34 transgénicos. A tomografia de coerência óptica foi utilizada para obtenção da imagem da retina dos ratos que, por sua vez, foi dividida em 4 quadrantes. A partir destes, obteve-se uma imagem de fundo 2D e foram aplicados 20 indicadores de análise de textura de imagem de fundo, usados como features para o modelo SVM. As features com maior capacidade de separação entre grupos e que possuem coeficiente de correlação inferior a 0,7 entre elas foram Inertia (primeiro, segundo e quarto quadrantes), INN (Inverse difference normalized; terceiro quadrante), IMC2 (Information measure of correlation; terceiro quadrante) e ClusterShade (terceiro quadrante). Considerando as 6 features mais relevantes foram criados os modelos SVM e SVM+ cujos parâmetros foram afinados de maneira a obter os modelos com a melhor precisão na classificação dos ratos nas categorias saudável e transgénico. A técnica de validação cruzada em 5 grupos foi utilizada para validar os resultados dos modelos criados. Tanto para o conjunto de teste como para o conjunto de dados total o modelo SVM obteve 100% precisão, enquanto que a precisão obtida pelo modelo SVM+ foi de 93,33% (erro de apenas 1 caso em 15 – conjunto de teste) na classificação dos dados do conjunto de teste e 98,65% (erro de apenas 1 caso em 74 – conjunto de dados total) no conjunto de dados total.
- Técnicas de análise de textura para processamento de imagem: relação entre a textura de imagens e a textura da sua combinação linearPublication . Amaral, Manuel Cardoso; Serranho, Pedro; Bernardes, Rui Manuel Dias Cortesão dos SantosNo presente trabalho é realizada a revisão de literatura sobre a evolução da análise de textura para processamento de imagem, incidindo em particular no método das Matrizes de Co-ocorrência (GLCM). Sendo o objetivo deste trabalho estudar a proximidade (num espaço e métrica adequados) entre as texturas de um conjunto de imagens e a textura de uma combinação linear destas, procede-se à comparação entre a textura de imagens base monocromáticas registadas no espaço RGB de uma imagem (canais de cores) com duas combinações lineares com diferentes ponderações dessas imagens base. Adicionalmente a combinações lineares de textura registadas no espaço RGB de uma mesma imagem, analisa-se também a proximidade da textura de 4 imagens em formato RGB diferentes à textura da imagem ponderada obtida pela sua combinação linear. Neste trabalho, a análise de textura de imagens é realizada com recurso a 20 características de textura retiradas das Matrizes de Co-ocorrência (GLCM) às quais se aplica a Análise de Componentes Principais (ACP) para eliminar a correlação entre as características e proceder à redução da dimensão dos dados. Os resultados comparam a textura definida pelas componentes principais utilizando as distâncias de Mahalanobis, representação gráfica e agrupamentos pelo método k-means. Na maior parte dos exemplos analisados, a textura das combinações lineares das imagens base registadas a uma mesma imagem em formato RGB mostrou-se próxima da textura do conjunto de imagens base. Em 5 cenários criados, a textura das combinações lineares de um conjunto de 4 imagens em formato RGB diferentes afasta-se claramente da textura das 4 imagens combinadas.