Quantitative descriptors for a range of visual biologic and synthetic pigmentation patterns

• Ano de defesa: 2022
• Autor(a) principal: Moro, Gabriel Henrique
• Orientador(a): Walter, Marcelo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Processamento de imagens; Aprendizado de máquina; Descritores
• Palavras-chave em Inglês: Quantitative descriptor; image processing; pattern generation; pattern evaluation
• Link de acesso: http://hdl.handle.net/10183/252139

A natureza é exuberante em padrões visuais: padrões de manchas em mamíferos, veias em folhas, estruturas labirínticas em peixes e muitos outros. A Computação Gráfica alcançou sucesso na modelagem e renderização de muitos desses padrões. No entanto, um problema fundamental permanece: como validar os resultados além da comparação visual. Neste trabalho, é proposto um conjunto de descritores quantitativos adaptados para descrever padrões biológicos visuais encontrados em várias espécies de mamíferos e peixes. Foram analisadas as estruturas de padrões mais comuns, como padrões de manchas, labirintos e listras. Primeiro, é calculado um conjunto de métricas para uma base de imagens de padrões reais – selecionadas de repositórios disponíveis publicamente – junto com imagens sintéticas, geradas usando simulações de reação-difusão (reaction-diffusion). Os quatro primeiros descritores são calculados a partir de razões entre medidas “globais”. Os oito descritores restantes são definidos como o desvio padrão da média das métricas obtidas a partir das características das regiões do padrão, totalizando doze descritores. Estes descritores são validados em duas tarefas de aprendizado de máquina em um conjunto de dados com padrões reais e sintéticos. Primeiro, os descritores são usados como entradas para um classificador supervisionado, obtendo uma precisão geral de 98,4%, um resultado melhor do que o obtido em rede de classi- ficação convolucional de propósito geral de última geração. Para a segunda validação, os descritores são testados em uma tarefa de agrupamento (clustering) não supervisi- onado, sendo capaz de diferenciar padrões naturais de artificiais e também identificar espécies estudadas no conjunto de padrões naturais. O agrupamento também foi usado para detecção não supervisionada de regiões de padrões biológicos em imagens maiores.