Skip navigation
Use este identificador para citar ou linkar para este item: https://repositorio.ufpe.br/handle/123456789/47074

Compartilhe esta página

Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorTAVARES JUNIOR, João Rodrigues-
dc.contributor.authorPAIXÃO JUNIOR, Givaldo Cesar da-
dc.date.accessioned2022-10-14T20:16:46Z-
dc.date.available2022-10-14T20:16:46Z-
dc.date.issued2019-06-18-
dc.date.submitted2022-10-14-
dc.identifier.citationPAIXÃO JUNIOR, Givaldo Cesar da. Texture analyzer:: um complemento qgis3 para identificação de texturas em imagens. 2019. 59 f. TCC (Graduação) - Curso de Engenharia Cartográfica e Agrimensura, Centro de Tecnologia e Geociências, Universidade Federal de Pernambuco, Recife, 2019.pt_BR
dc.identifier.urihttps://repositorio.ufpe.br/handle/123456789/47074-
dc.description.abstractO presente trabalho traz uma adaptação para o ambiente QGIS do software Texture Analyzer, desenvolvido por Paixão Junior e Tavares Junior em 2018. Este software elaborado em linguagem Python têm a finalidade de classificar as texturas presentes em um conjunto de imagens de entrada utilizando um modelo matemático de fácil compreensão. Aqui estão descritos todo o procedimento para a produção de um complemento QGIS3, que servirá de base para todo aquele que desejar criar suas próprias ferramentas. Após a concepção do complemento foram feitos diversos testes para avaliar o desempenho deste. Inicialmente, foi executado testes em uma imagem sintética que verificou a necessidade de alteração do antigo modelo matemático, resultando em uma melhor classificação. Em seguida, foram feitos testes para analisar o tempo de processamento, a fim de perceber o impacto do número de pixels de uma imagem neste parâmetro, tendo como resultado o gráfico apresentado. Também foram executados testes em imagens obtidas de diversos sensores óticos e RADAR com o intuito de perceber o potencial de mapeamento de recursos hídricos do complemento, para tal foram construídos e comparados os gráficos obtidos a partir de dados de perfis sobre uma banda do sensor e a classe binária correspondente as massas d’água, apresentando bons resultados com erros em torno de 1,5 pixel. Além disto foi verificada o índice de correlação entre a imagem textura resultante do processamento e cada banda do sensor, observando valores maiores que 0,7, indicando boa correlação.pt_BR
dc.format.extent59p.pt_BR
dc.language.isoporpt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectEngenharia Cartográficapt_BR
dc.subjectPluginpt_BR
dc.subjectPythonpt_BR
dc.subjectQGISpt_BR
dc.subjectTexturept_BR
dc.subjectTexture analyzerpt_BR
dc.titleTexture analyzer : um complemento QGIS3 para identificação de texturas em imagenspt_BR
dc.typebachelorThesispt_BR
dc.degree.levelGraduacaopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/9881559988241184pt_BR
dc.description.abstractxThe present work brings an adaptation for the QGIS environment of the Texture Analyzer software, developed by Paixão Junior and Tavares Junior in 2018. This software developed in Python language has the purpose of classifying the textures present in a set of input images using a mathematical model of easy understanding. Here is a description of the procedure for producing a QGIS3 plugin, which will be the basis for anyone who wants to create your own tools. After completing the design, several tests were done to evaluate the performance of this. Initially, tests were run on a synthetic image that verified the need to change the old mathematical model, resulting in a better classification. Then tests were performed to analyze the processing time in order to realize the impact of the number of pixels of an image in this parameter, resulting in the graph presented. We also performed tests on images obtained from several optical and RADAR sensors in order to understand the potential of mapping of water resources of the complement, for this were constructed and compared the graphs obtained from profile data on a sensor band and the binary class corresponding to the water masses, presenting good results with errors around 1.5 pixels. In addition, the correlation index between the texture image resulting from the processing and each sensor band was verified, observing values greater than 0.7, indicating a good correlation.pt_BR
dc.subject.cnpqEngenharia Cartográfica e Agrimensurapt_BR
dc.degree.departament::(CTG-DECart) - Departamento de Engenharia Cartográfica pt_BR
dc.degree.graduation::CTG-Curso de Engenharia Cartográficapt_BR
dc.degree.grantorUniversidade Federal de Pernambucopt_BR
dc.degree.localRecifept_BR
Aparece nas coleções:(TCC) - Engenharia Cartográfica e Agrimensura



Este arquivo é protegido por direitos autorais



Este item está licenciada sob uma Licença Creative Commons Creative Commons