Resumo: A classificação de imagens é uma das tarefas de destaque na visão computacional. Entre os tipos de imagens que possuem grande aplicação na prática estão as imagens de texturas, nas quais todos os pixels apresentam igual influência no reconhecimento da imagem. Algoritmos computacionais para reconhecimento de texturas têm sido amplamente investigados na literatura, tanto para aumentar a acurácia e confiabilidade do processo de classificação quanto para reduzir o tempo computacional. A proposta apresentada neste trabalho visou desenvolver descritores locais de imagens de texturas por meio de um processo baseado na teoria de aprendizado automático, mais especificamente, empregando máquinas de aprendizado extremo. A metodologia proposta explora o uso dessas máquinas tanto no domínio original da imagem quanto sobre uma transformação baseada em vizinhança. Propõe-se também um método na direção inversa, isto é, usando máquinas de aprendizado extremo para formular uma transformada da imagem seguindo-se da extração de descritores locais sobre essa transformada. Outra solução explorada é o uso de uma operação alternativa para o produto interno associado ao algoritmo de aprendizado extremo, baseando-se em operadores morfológicos da álgebra min-max. Os algoritmos desenvolvidos foram aplicados em imagens médicas, na identificação de subtipos de câncer de pulmão. Os resultados obtidos tanto na aplicação médica quanto em bases de imagens de benchmark mostraram-se promissores, confirmando um aumento na acurácia da classificação em várias situações Ver menos

Abstract: Image classification is one of the most important tasks in computer vision. An example of images that have great application in practice are texture images, in which all pixels have an equal influence for image recognition purposes. Computational algorithms for texture recognition have been extensively investigated in the literature, both to increase the accuracy and reliability of the classification process as well as to reduce computational time. The proposal presented in this work aimed to develop local textural image descriptors through a process based on automatic learning theory, more specifically, using extreme learning machines. The proposed methodology explores the use of these machines both in the original image domain and in a neighborhood-based transformation. A method is also proposed in the reverse direction, that is, using extreme learning machines to formulate an image transform followed by the extraction of local descriptors over that transform. Another solution explored here is the use of an alternative operation for the inner product associated with the extreme learning algorithm, based on morphological operators of the min-max algebra. The developed algorithms were applied to medical images, in the identification of lung cancer subtypes. The results obtained both in the medical application and in benchmark databases were promising, confirming an increase in the accuracy of the classification in several situations Ver menos