No abstract

A new method is proposed for the extraction of morphometric characteristics of plant leaf structures. A sample of 10 species of the genus Passiflora (P. coriacea Juss., P. foetida L., P. miersii Mast., P. organensis Gardner, P. pohlii Mast., P. suberosa L., P. amethystina J.C. Mikan, P. caerulea L., P. gibertii N.E.Br., P. maliformis L.) was used in an experiment to test the method. This genus shows a wide range of leaf forms, but there are some species pairs or groups whose morphological similarity makes their correct identification difficult. The multiscale function of the Minkowski fractal dimension was applied to digital images of leaves to generate complexity measures of their internal (veins) and external (leaf outline) form. The results of the leaf characteristic extraction method, as well as its potential as the basis for an identification mechanism, are discussed for the 10 species. The method was very accurate in correctly differentiating among species, since no leaf was erroneously identified. A small number of leaves per species was sufficient for establishing a characteristic pattern for each of them, which constitutes an important advantage of the method in the recognition and classification procedure.Key words: image processing, fractal dimension, plant taxonomy, morphometry, Passiflora.

No abstract

À Deus, pela oportunidade oferecida por meio das "coincidências" que surgiram nos caminhos que escolhi, permitindo a realização de 11111 sonho quase esquecido... À minha amada esposa Silvia, por ter menos juízo do que eu me incentivando 11a decisão de fazer mestrado, e ter aguentado e continuar aguentando firme todas as consequências que esta decisão deflagrou, e o mais importante, por ser simplesmente minha esposa. Aos meus filhos, pela beleza e ingenuidade de seus sorrisos-me dando forças para continuar sorrindo não importando qual situação me encontre. Aos meus pais Vincenzo e Nair, pelo exemplo de vida, pela minha educação, por tudo que sou como pessoa e por tudo que fizeram por mim e continuam fazendo. Aos meus irmãos Flávio e Mareio, por estarem sempre disponíveis a me ajudarem-grandes irmãos. Ao meu orientador Prof. Dr. Odemir Martinez Bruno, pela confiança depositada em mim, orientação e amizade. A Profa. Dra. Roseli Aparecida Francelin Romero pela ajuda dada 110 assunto de redes neurais. Aos amigos que fiz neste período: Mário, Menotti, Rogério (obrigado pelas dicas), Vanderlei, Rodrigo, Júlio, Christian e outros mais que agora me fogem à memória. Ao Prof. Dr. Giancarlo e Dr. Juliano de Pádua-ESALQ/USP, pelas imagens de passifloras cedidas e pelos trabalhos desenvolvidos em conjunto. A Elizabeth, Laura e Ana Paula da seção de pós-graduação, por serem sempre prestativas e atenciosas. Aos professores e funcionários do ICMC-USP e a todos que, direta ou indiretamente, colaboraram comigo. A Capes pelo apoio financeiro de parte deste trabalho. 4 Procedimentos experimentais 4.1 Uma visão geral do problema 4.2 Sobre as amostras 4.3 Pré-processamento e obtenção dos sinais 4.4 Filtragem pelo método leave-one-out 4.4.1 A configuração de rede adotada 60 4.4.2 Aplicando o método leave-one-out como um filtro 60 4.5 Geração das amostras artificiais 4.5.1 Divisão das Amostras em duas famílias 4.5.2 Cruzamentos e Mutações 4.5.3 Seleção dos contornos artificiais 4.5.4 Geração das imagens 4.6 Geração, treinamento e teste das redes neurais 4.7 Validação das redes geradas com amostras reais 4.8 Considerações Finais Lista de Tabelas 4.1 Acrónimos utilizados para composição dos nomes dos arquivos de assinaturas. 4.2 Exemplo das oito assinaturas primárias geradas de uma imagem 4.3 Acrónimos utilizados para nomeação dos arquivos de sinais no domínio da frequência 4.4 Exemplo das oito assinaturas secundárias geradas de uma imagem 5.1 Aproveitamento das amostras artificiais geradas, em valores percentuais.. 5.2 Classes com os máximos percentuais obtidos por um classificador-por tipo de assinatura. Os tipos de marcadores que antecedem cada nome de classe significam: classificador previsto e obtido (+) , classificador não previsto (-) e classificador previsto e não obtido (!) 75 5.3 Distribuição de classificadores por tipo de assinaturas. Os tipos de marcadores que antecedem cada nome de classe significam: classificador previsto e obtido (+) , classificador não previsto (-) e classificador previsto e não obtido (!) 5.4 Distribuição ...

A Deus, por mais esta oportunidade oferecida, pelas felicidades vividas e, dificuldades superadas ...A minha querida esposa Sílvia, pelo apoio, paciência, compreensão e carinho. Aos meus filhos Carolina e Eduardo, pelo apoio, risos, e momentos importantíssimos em nossas vidas, que nos fazem valorizar o que deve ser realmente valorizado.....Aos meus pais Vincenzo e Nair, pelo exemplo de vida e valores que me passaram e aos meus irmãos Flávio e Márcio e famílias, por saber que sempre poderemos contar um com o outro.Aos meus sogros Erasmo e Teresinha, e cunhados Sérgio, Stela e familiares pelo incentivo constante... Aos meus amigos Prof. Dr. Odemir Martinez Bruno (meu orientador), por mais uma vez ter confiado em mim e, ao Prof. Dr. Francisco E. G. Guimarães pela ajuda na captura das imagens e pelas conversas sobre microscopia.A Profa. Dra. Rosana Kolb pela gentileza em produzir as lâminas dos cortes foliares.Aos velhos e novos amigos que a vida nos faz reencontrar e encontrar(em ordem cronológica): Gisele R. Nascimento, Lia Bones, Fuad Gattaz Sobrinho, Oscar I. P. Pacheco, Cristian Bones, José Lotúmulo Jr., Roberto Ferrari Jr., Sandra Abib, Janaína R. Labadessa e a muitos outros, que agora me fogem os nomes... meu muito obrigado por tudo! Ao pessoal da secretaria de pós-graduação -em especialà Beth, Silvio e Ricardo -sempre cordiais e prestativos no atendimento.Ao pessoal da biblioteca, em especialà Neusa e Cristina, pela grande ajuda na formatação bibliográfica e, aoÍtalo e pessoal da gráfica e a todos os docentes e funcionários do IFSC, que de alguma forma direta ou indireta, colaboraram comigo. E meus agradecimentos ao pessoal da CDCC e ao Prof. Dr. Dietrich Schiel (in memoriam) -responsáveis pelo meu gosto pela ciência e pelas oportunidades oferecidas. Imagens multiespectrais são utilizadas em diferentes aplicações, que vão desde sensoriamento remoto a processos médicos. No caso de imagens multiespectrais oriundas de microscopia confocal de varreduraà laser (Confocal Laser Scanning Microscopy-CLSM), a extração da informação se inicia pela conversão das assinaturas espectrais, em uma imagem RGB. Esta imagemé a referência para a seleção da região de interesse, da qual se obtém a assinatura espectral média, originada do arquivo multiespectral (LSM). Mesmo utilizando um padrão muito bem estabelecido de conversão, alguns pontos devem ser considerados: i) o processo de conversão reduz a informação, a uma ordem de 10 −145 %; ii) a coré uma experiência sensorial, subjetiva e pessoal, interferindo na seleção da região de interesse e; iii) a assinaturaé obtida pela média espectral, da região de interesse, selecionada manualmente.Assim, esta tese de doutorado propõem um método de mapeamento e visualização das informações de imagens multiespectrais, combinando um algoritmo de agrupamento não supervisionado(kmeans) e um algoritmo que define uma paleta de cores coerentes com a informação espectral das regiões mapeadas. Aplicou-se o método em três casos de estudos de tecidos vegetais: i) no pré-tratamento de paredes celulare...

No abstract

No abstract

Sugarcane bagasse (SCB) is a promising feedstock for second-generation ethanol production. Bioconversion of lignocellulose into fermentable sugars involve several technological steps, with biomass pretreatment being among the most expensive ones....