Purpose Retinopathies are the leading cause of eyesight loss, especially among diabetics. Due to the low contrast of blood vessels in fundus images, the visual inspection is a challenging job even for specialists. In this context, this work aims to implement image processing techniques to support contrast enhancement and segmentation of retinal blood vessels. Methods The initial proposal consisted only of green channel separation, contrast limited adaptive histogram equalization, and 2D Gabor wavelet and mathematical morphology. The new proposal includes the edge and mask detection and the vessel enhancement 2D to preserve image's characteristics. The development and validation of this work, in MatLab® environment, involved 40 images from Digital Retinal Images for Vessel Extraction (DRIVE), 20 images from Structured Analysis of the Retina (STARE), and 45 images from High-Resolution Fundus (HRF) database. Results In the unsupervised method context, the proposal presented the best performance regarding sensitivity and second place for balanced-accuracy on all databases. A subjective validation involving eleven ophthalmology professionals showed higher levels of acceptance (above 80%) after contrast limited adaptive histogram equalization (CLAHE) and vessel enhancement 2D steps and 75.5% for overall quality system. Conclusion The main contributions refer to the inclusion of techniques for automatic mask detection, image edge removal, and suppression of vessels background to improve the retinal vessels segmentation process. In addition, this work made a computational interface named "Retinal Lab-A Tool for Fundus Image Analysis" available, which permits the users to adjust the contrast and segmentation of blood vessels in retinal images.
Given the increased risks of water scarcity and the presence of polluting agents in water resources, this paper aims at the development and presentation of a computational tool capable of assessing water quality based on digital processing techniques applied to satellite images. Initially, a database was created for Brazilian regions, consisting of hydrographic basins satellite images associated with the Water Quality Index (WQI), according to the criteria established by the National Water Agency (ANA). Hitherto, the database consists of 85 images, 61 are used in the training stage and 24 in the testing stage. In both stages, the images are subjected to thresholding using the Otsu's Method, binarization, linear expansion on saturation, application of a Laplacian filter, extraction of characteristics by using co-occurrence matrices and classification by the Bayes Discriminant. Such techniques were also implemented on a computational platform in MATLAB® environment, responsible for the interface between the system and users. The proposed system presented an approximate 70% success rate regarding the classification of WQIs, which can be improved as more information is made available to improve the databases.
O método tradicional de avaliação da qualidade da água em reservatórios hídricos, o qual consiste basicamente na coleta de amostras de água e análises laboratoriais, é um método caro e ineficaz para o diagnóstico dos problemas relacionados à qualidade da água nas bacias hidrográficas e reservatórios, devido, principalmente, ao alto custo no monitoramento, interrupção nas campanhas de coleta de amostra de água por falta de verbas e falta de procedimento padronizado no Brasil. O sensoriamento remoto, através de algoritmos de regressão, processamento digital de imagens e técnicas de machine learning, são tecnologias usadas para monitorar reservatórios hídricos. O objetivo deste trabalho é o desenvolvimento de uma metodologia para análise limnológica da qualidade da água em reservatórios hídricos a partir de imagens do satélite Landsat 8 OLI e a aplicação de técnicas de machine learning, baseadas em regressão linear e regressão LASSO (Least Absolute Shrinkage and Selection Operator). Nesse contexto, foi realizado um estudo de caso no Reservatório de Três Marias/MG, onde foi feita a predição dos parâmetros limnológicos turbidez e sólidos totais para a validação da metodologia proposta. Essa metodologia consiste em usar dados históricos de parâmetros limnológicos da qualidade da água, informações espectrais das imagens do satélite Landsat 8 OLI, fazer o pré-processamento destes dados e utilizá-los no treinamento de modelos obtidos a partir das técnicas de regressão linear e regressão LASSO, gerando-se um modelo de predição que é disponibilizado por meio de uma plataforma web. O treinamento e teste dos modelos de regressão linear e LASSO foram realizados a partir de dados de medições in loco anteriores do Reservatório de Três Marias – MG, disponibilizados pela Companhia Energética de Minas Gerais S.A. (CEMIG). A validação dos modelos foi realizada por meio das métricas estatísticas coeficiente de determinação, erro percentual absoluto médio, erro absoluto médio, onde os principais resultados foram 0,832, 0,087 e 1,938 respectivamente. Vale ressaltar que a metodologia proposta pode ser estendida a qualquer reservatório desde que estejam disponíveis dados históricos dos parâmetros limnológicos e informações espectrais das bandas do satélite Landsat 8 OLI.
Vibrações excessivas e trincas são algumas das principais causas de anomalias em estruturas civis como pontes e viadutos, demandando acompanhamento e avaliações contínuas com o propósito de viabilizar ações preventivas. Nesse contexto, este trabalho propõe técnicas de machine learning para sistemas de monitoramento de saúde estrutural (SHM). A metodologia adotada engloba um sistema de monitoramento de vibração e detecção de trincas em pontes. A classificação dos sinais de vibração é executada em quatro categorias (sem vibração, normal, em alerta e crítico) através de uma árvore de decisão (DT), e a detecção de trincas através de simulação, para classificar a estrutura em relação à presença ou ausência de trincas, utilizando uma rede neural convolucional (CNN).
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.