Mature pomegranate recognition methods in natural environments using machine vision / Métodos de reconhecimento de romã madura em ambientes naturais usando visão de máquina

ABSTRACT: The use of machine vision to recognize mature pomegranates in natural environments is of major significance in improving the applicability and work efficiency of picking robots. By analyzing the color characteristics of color images of mature pomegranates under different illumination conditions, the feasibility of the YCbCr color model for pomegranate image recognition under different illumination conditions was proven. First, the Cr component map of pomegranate image is selected and then the pomegranate fruit is segmented by the kernel fuzzy C-means clustering algorithm to obtain the pomegranate image. Contrast experiments of pomegranate image segmentation under different illumination conditions were then performed using the proposed kernel fuzzy C-means clustering algorithm, the fuzzy C-means clustering algorithm, the Otsu algorithm and the threshold segmentation algorithm. Results of the experiments verified the effectiveness and superiority of the proposed algorithm.

RESUMO: O uso de máquina para reconhecer romãs maduras em ambientes naturais é de grande importância para melhorar a aplicabilidade e a eficiência do trabalho de robôs de colheita. Ao analisar as características de cor das imagens coloridas de romãs maduras sob diferentes condições de iluminação, a viabilidade do modelo de cores YCbCr para o reconhecimento de imagens de romãs sob diferentes condições de iluminação foi comprovada. Primeiro, o mapa do componente Cr da imagem da romã é selecionado e, em seguida, o fruto da romãzeira é segmentado pelo algoritmo de agrupamento C-means fuzzy do kernel para obter a imagem da romã. Experimentos contrastados de segmentação de imagens de romã sob diferentes condições de iluminação foram então realizados usando o algoritmo proposto de agrupamento C-means fuzzy, o algoritmo fuzzy de agrupamento C-means, o algoritmo Otsu e o algoritmo de segmentação de limiares. Os resultados dos experimentos verificaram a efetividade e superioridade do algoritmo proposto.

Processamento de estruturas tridimensionais de Medicina Nuclear na modalidade PET / Processing of three-dimensional structures of Nuclear Medicine in PET modality

A Medicina Nuclear, como especialidade de obtenção de imagens médicas é um dos principais procedimentos utilizados hoje nos centros de saúde, tendo como grande vantagem a capacidade de analisar o comportamento metabólico do paciente. Este projeto está baseado em imagens médicas obtidas através da modalidade PET (Positron Emission Tomography). Para isso, foi desenvolvida uma estrutura de processamento de imagens tridimensionais PET, constituída por etapas sucessivas que se iniciam com a obtenção das imagens padrões (gold standard), sendo utilizados para este fim volumes simulados do Ventrículo Esquerdo do Coração criadas como parte do projeto, assim como phantoms gerados com o software NCAT-4D. A seguir, nos volumes simulados é introduzido ruído Poisson que é o ruído característico das imagens PET. Na sequência é executada uma etapa de pré-processamento, utilizando alguns filtros 3D tais como o filtro da mediana, o filtro da Gaussiana ponderada e o filtro Anscombe/Wiener. Posteriormente é aplicada a etapa de segmentação, processo baseado na teoria de Conectividade Fuzzy sendo implementadas quatro diferentes abordagens 3D: Algoritmo Genérico, LIFO, kTetaFOEMS e Pesos Dinâmicos. Finalmente, um procedimento de avaliação conformado por três parâmetros (Verdadeiro Positivo, Falso Positivo e Máxima Distância) foi utilizado para mensurar o nível de eficiência e precisão do processo. Constatou-se que o par Filtro - Segmentador constituído pelo filtro Anscombe/Wiener junto com o segmentador Fuzzy baseado em Pesos Dinâmicos proporcionou os melhores resultados, com taxas de VP e FP na ordem de 98,49 ± 0,27% e 2,19 ± 0,19%, respectivamente, para o caso do volume do Ventrículo Esquerdo simulado. Com o conjunto de escolhas feitas ao longo da estrutura de processamento, encerrou-se o projeto analisando um número reduzido de volumes pertencentes a um exame PET real, obtendo-se a quantificação dos volumes.

The Nuclear medicine, as a specialty to obtain medical images is very important, and it has became one of the main procedures utilized in Health Care Centers to analyze the metabolic behavior of the patient. This project was based on medical images obtained by the PET modality (Positron Emission Tomography). Thus, we developed a framework for processing Nuclear Medicine three-dimensional images of the PET modality, which is composed of consecutive steps that start with the generation of standard images (gold standard) by using simulated images of the Left Ventricular Heart, such as phantoms obtained from the NCAT-4D software. Then, Poisson quantum noise was introduced into the whole volume to simulate the characteristic noises in PET images. Subsequently, the pre-processing step was executed by using specific 3D filters, such as the median filter, the weighted Gaussian filter, and the Anscombe/Wiener filter. Then the segmentation process, which is based on the Fuzzy Connectedness theory, was implemented. For that purpose four different 3D approaches were implemented: Generic, LIFO, kTetaFOEMS, and Dynamic Weight algorithm. Finally, an assessment procedure was used as a measurement tool to quantify three parameters (True Positive, False Positive and Maximum Distance) that determined the level of efficiency and precision of our process. It was found that the pair filter - segmenter formed by the Anscombe/Wiener filter together with the Fuzzy segmenter based on Dynamic Weights provided the best results, with VP and FP rates of 98.49 ± 0.27% and 2.19 ± 0.19%, respectively, for the simulation of the Left Ventricular volume. Along with the set of choices made during the processing structure, the project was finished with the analysis of a small number of volumes that belonged to a real PET test, thus the quantification of the volumes was obtained.

Avaliação de técnicas de segmentação e classificação automática de imagens landsat-tm no mapeamento do uso do solo na Amazônia1

Land use mapping is essential for the understanding of global change processes, especially in regions which are experiencing great pressure for development such as the Amazon. Traditionally, these mappings have been done using visual interpretation techniques of satellite imagery, that provide satisfactory results but are time-consuming and highly cost. In this paper, a technique of image segmentation based on region growing algorithm, followed by a per-field non-supervised classification, is proposed. Thus, the thematic classification is based on a set of image elements (pixels), benefiting from contextinformation, therefore minimizing the limitations of the digital processing techniques based on single pixels (per-pixel classification). This approach was evaluated in a typical test site of the Amazon region located to the north of Manaus, AM, using both original Landsat Thematic Mapper images and their decomposition into endmembers such as green vegetation, wood material, shade and soil, named mixture image in this paper. The results were validated by a reference map obtained from proved visual interpretation techniques of satellite imagery and by field check and indicated that automatic classification is feasible to map land use in Amazonia. Statistics tests indicated that there was significant agreement between the automated digital classifications and the reference map (at 95% confidence level).

O mapeamento do uso da terra é fundamental para o entendimento dos processos de mudanças globais, especialmente em regiões como a Amazônia que estão sofrendo grande pressão de desenvolvimento. Tradicionalmente estes mapeamentos têm sido feitos utilizando técnicas de interpretação visual de imagens de satélites, que, embora de resultados satisfatórios, demandam muito tempo e alto custo. Neste trabalho é proposta uma técnica de segmentação da imagens com base em um algoritmo de crescimento de regiões, seguida de uma classificação não-supervisionada por regiões. Desta forma, a classificação temática se refere a um conjunto de elementos (pixels da imagem), beneficiando-se portanto da informação contextual e minimizando as limitações das técnicas de processamento digital baseadas em análise pontual (pixel-a-pixel). Esta técnica foi avaliada numa área típica da Amazônia, situada ao norte de Manaus, AM, utilizando imagens do sensor "Thematic Mapper" - TM do satélite Landsat, tanto na sua forma original quanto decomposta em elementos puros como vegetação verde, vegetação seca (madeira), sombra e solo, aqui denominada imagem misturas. Os resultados foram validados por um mapa de referência gerado a partir de técnicas consagradas de interpretação visual, com verificação de campo, e indicaram que a classificação automática é viável para o mapeamento de uso da terra na Amazônia. Testes estatísticos indicaram que houve concordância significativa entre as classificações automáticas digitais e o mapa de referência (em tomo de 95% de confiança).