Resumo: Segmentação é o processo de dividir a imagem em regiões ou grupos, que permitam a identificação de objetos ou características.Para isso, a área de Segmentação de Imagens possui uma gama de métodos que segmentam os mais diversos tipos de imagens. Dentre estes, existem os que empregam a análise de padrões de textura; análise esta que viabiliza a interpretação de diversas informações. As informações de textura são extraídas, normalmente, pixel a pixel. Extraí-las de regiões pré-definidas ainda é um desafio e necessita, em alguns casos, adaptar o descritor para este fim. Este trabalho apresenta duas contribuições referentes à análise de textura no processo de segmentação de imagens. A primeira consiste na segmentação de estômatos através da combinação da Transformada Wavelet à trous e a Transformada Watershed. A segunda consiste na aplicação da Matriz de Coocorrência, juntamente com a Transformada Watershed e o Corte Normalizado, para a segmentação de imagens naturais. As bases de dados utilizadas foram, respectivamente, uma base obtida juntamente com o grupo ScianLab da Universidade do Chile e a BSDS500, da Universidade da California-Berkeley. Os resultados em ambas as aplicações foram avaliados pela medida-F, amplamente utilizada na literatura, e comparados a situações que incluem diferentes técnicas para abordar a segmentação e o uso de textura. A performance das técnicas propostas foram bastante promissoras, como na primeira aplicação, com a obtenção de 98% de acurácia na identificação e 70% na segmentação dos estômatos e, para a segunda, na superação da acurácia de outras técnicas Ver menos

Abstract: Image segmentation is the process of splitting images into regions or groups that allows the identification of features and objects. The image segmentation field has several methods that segment the most diverse types of images. Among them, there are those that employ analysis of texture patterns, which facilitates the interpretation of relevant information in an image. Texture information is commonly extracted pixel by pixel from an image. Extraction from predefined regions remains a challenge that often requires the adaptation of texture descriptors. This work offers two contributions to image segmentation using texture analysis. The first is to segment stomata images through the combination of the \textit{à trous} Wavelet and the Watershed transforms. The second consists in the combination of the Gray-Level Coocurrence Matrix, the Watershed Transform and Normalized Cut to segment general images.The datasets were obtained from the ScianLab group (University of Chile) and the BSDS500 (University of California-Berkeley), respectively. The findings in both applications were evaluated by the well-known F-measure. The comparisons include different techniques to approach both segmentation and texture features. The results obtained were promising in both cases. For example, the first application achieved an accuracy of 98% and 70% in the identification and segmentation of stomata structures, respectively. In the second application, the F-measure accuracy outperformed other techniques Ver menos