Expoente direcional de Hurst na análise de similaridade de imagens de sementes
DOI:
https://doi.org/10.33448/rsd-v11i14.36211Palavras-chave:
Autossimilaridade; Classificação de imagens; Ondaletas.Resumo
A modernização está presente em todos os campos do conhecimento. Técnicas mais sofisticadas e aparelhos mais modernos têm surgido com frequência. A decomposição em ondaletas é uma ferramenta que tem fundamental importância em muitos desses avanços. No que se refere à análise de imagens, essa ferramenta tem cooperado para criação de diversas novas técnicas, seja para reconstrução, compressão, eliminação de ruído, dentre outros. Outra ferramenta que auxilia na análise de imagens é o expoente de Hurst, que mede o quão autossimilar uma imagem é, de forma que se capte informação sobre características da imagem que a olho nu não seria possível. Com isso, o objetivo deste trabalho será combinar a técnica de decomposição em ondaletas com o cálculo do expoente de Hurst para analisar imagens de sementes e assim classificá-las em cheias, levemente danificadas ou danificadas. No cálculo do expoente de Hurst serão usadas como medidas de localização a média e a mediana. Um suport vector machine foi usado para validação do método proposto. Para o grupo de todas as sementes a acurácia média do método, utilizando a média, foi de 74,5% e, para a mediana foi de 57,05%. Utilizando o grupo de sementes cheias e danificadas a taxa média de acurácia, com a média como medida de posição, foi de 99,76% e, com a mediana foi de 80,93%. No grupo contendo sementes levemente danificadas e danificadas a taxa média de acurácia, usando a média como medida de posição, foi de 99,26% e, com a mediana foi de 76,22%.
Referências
Burger, W., & Burge, M. J. (2016) Digital image processing: An algorithmic introduction using java. Springer.
Burrus, C. S., Gopinath, R. A., & Guo, H. (1998) Introduction to wavelets and wavelets transforms: A primer. Prentice Hall.
Daubechies, I. (1992) Ten Lectures on Wavelets. SIAM.
EMBRAPA. (2018) Girassol. https://www.embrapa.br/girassol
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A., & Carvalho, A, C. P. L. F. de (2017) Inteligência Artificial: Uma abordagem de aprendizado de máquina. LTC.
Feng, C., & Vidakovic, B. (2017) Estimation of the hurst exponent using trimean estimators on nondecimated wavelet coefficients. Journal of latexclass files, 14(8), 1-11. https://doi.org/10.48550/arXiv.1709.08775
Fernández-Delgado, M., Cernadas, E., Barro, S., & Amorim, D. (2014) Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, 15(90), 3133–3181.
Goswami, J. C., & Chan, A. K. (2011) Fundamental of wavelets: theory, algorithms and applications. Wiley.
Hurst, H. E. (1956) The problem of long-term storage in reservoirs. Hydrological Sciences Journal, 1(3), 13–27. https://doi.org/10.1080/02626665609493644
Jeon, S.; Nicolis, O., & Vidakovic, B. (2014) Mammogram diagnostics via 2-d complex wavelet-based self-similarity measures. Journal of Mathematical Sciences, 8(2), 265–284. https://doi.org/10.11606/issn.2316-9028.v8i2p265-284
Kang, M., & Vidakovic, B. (2017) MEDL and MEDLA: Methods for assessment of scaling by medians of log-squared nondecimated wavelet coefficients. https://arxiv.org/pdf/1703.04180.pdf. https://doi.org/10.48550/arXiv.1703.04180
Kuhn, M. (2017) caret: Classification and regression training. R, Package Version 6.0-78, 2017. https://cran.r-project.org/web/packages/caret/caret.pdf.
Leite, I. C. C., Sáfadi, T., & Carvalho, M. L. M. de. (2013) Evaluation of seed radiographic images by independent component analysis and discriminant analysis. Seed Science and Technology, 41(2), 235–244. https://doi.org/10.15258/sst.2013.41.2.06
Lyashenko, V. V., Matarneh, R., Baranova, V., & Deineko, Z. V. (2016) Hurst expoent as a part of wavelet decomposition coefficients to measure long-term memory time series based on multiresolution analysis. American jornal of systems and software, 4(2), 51–56. 10.12691/ajss-4-2-4
Mallat, S. G. (1989) Multiresolution aproximations and wavelet orthonormal bases of L2(R). Transactions of the American Mathematical Society, 315(1), 69–87.
Mello, R. F., & Ponti, M. A. (2018) Machine Learning: A practical approach on the statistical learning theory. Springer.
Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., Leisch, F., Chang, C-C., & Lin, C-C. (2017) e1071: Misc functions of the department of statistics, probability theory group (formerly: E1071), TU Wien. R, Package Version 1.6-8. https://cran.r-project.org/web/packages/e1071/e1071.pdf.
Morettin, P. A. (2014) Ondas e ondaletas: da análise de fourier à análise de ondaletas de series temporais. EdUSP.
Nason, G. P. (2008) Wavelet methods in Statistics with R. Springer.
Nicolis, O., Ramirez-Cobo, P., & Vidakovic, B. (2011) 2d wavelet-based spectra with applications. Computational statistics and data analysis, 55(1), 738–751. https://doi.org/10.1016/j.csda.2010.06.020
Ramirez-Cobo, P., & Vidakovic, B. A. (2013) 2d wavelet-based multiscale approach with applications to the analisys of digital mamograms. Computational statistics and data analysis, 58(2), 71-81. https://doi.org/10.1016/j.csda.2011.09.009
Rodrigues, L. L. M. (2015) Análise de variância em séries temporais: uma abordagem usando ondaletas. Tese (Doutorado) — Universidade Federal de Lavras, UFLA.
Sáfadi, T., Kang, M., Leite, I. C. C., & Vidakovic, B. (2016) Wavelet-based spectral for descriptors of detection of damage in sunflower seeds. International Journal of Wavelets, Multiresolution and Information Processing, 14(4), 235–244. https://doi.org/10.1142/S0219691316500272
Silva, A. S. A., Menezes, R. S. C., & Stosic, T. (2021) Análise multifractal do índice de precipitação padronizado. Research, Society and Development, 10(7), 1-10. https://doi.org/10.33448/rsd-v10i7.16535
Souza, P. M., Carneiro, P. C., Pereira, G. M., Oliveira, M. M., Costa Junior, C. A. da, Moura, L. V. de, Mattjie, C., Silva, A. M. M. da, Macedo, T. A. A., & Patrocínio, A. C. (2022) Towards a Classification Model using CNN and Wavelets applied to COVID-19 CT images. Research, Society and Development, 11(5), 1-17. http://dx.doi.org/10.33448/rsd-v11i5.27919
Tuszynski, J. (2014) caTools: Tools: moving window statistics, gif, base64, ROC AUC, etc. R, Package Version 1.17.1.
https://cran.r-project.org/web/packages/caTools/caTools.pdf
Whitcher, B. (2015) Waveslim: Basic wavelet routines for one-, two- and three-dimensional signal processing. R, Package Version 1.7.5, https://cran.r-project.org/web/packages/waveslim/waveslim.pdf.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Fernando Ribeiro Cassiano; Thelma Sáfadi; Paulo Henrique Sales Guimarães
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
