<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Matheus H. Bertuci on Medium]]></title>
        <description><![CDATA[Stories by Matheus H. Bertuci on Medium]]></description>
        <link>https://medium.com/@matheusbertuci?source=rss-578f2a78ab0f------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*6feWA48Yuix3-MWLVZwczQ.jpeg</url>
            <title>Stories by Matheus H. Bertuci on Medium</title>
            <link>https://medium.com/@matheusbertuci?source=rss-578f2a78ab0f------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 06:00:00 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@matheusbertuci/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[A seguir neste breve texto vamos falar um pouco sobre estatística que é de suma importância para…]]></title>
            <link>https://medium.com/neurondsai/a-seguir-neste-breve-texto-vamos-falar-um-pouco-sobre-estat%C3%ADstica-que-%C3%A9-de-suma-import%C3%A2ncia-para-9ce90c6da8d4?source=rss-578f2a78ab0f------2</link>
            <guid isPermaLink="false">https://medium.com/p/9ce90c6da8d4</guid>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[python-programming]]></category>
            <dc:creator><![CDATA[Matheus H. Bertuci]]></dc:creator>
            <pubDate>Tue, 20 Dec 2022 20:14:02 GMT</pubDate>
            <atom:updated>2022-12-20T20:15:04.653Z</atom:updated>
            <content:encoded><![CDATA[<h3>Um livro sobre dados, Capítulo 11: Introdução à Estatística</h3><p>A seguir neste breve texto vamos falar um pouco sobre estatística que é de suma importância para qualquer pessoa que queira trabalhar com dados, modelos de machine learning e inteligência artificial e nada melhor que uma inteligência artificial para nos dar um resumo do que é estatística.</p><p>o trecho a seguir foi gerado pela DALL·E 2 — OpenAI utilizando o seguinte texto: “resumo sobre estatística”, e a resposta foi:<br> Statistics are a branch of mathematics that deals with the collection, analysis, interpretation, presentation, and organization of data. In applying statistics to, for example, a scientific, industrial, or social problem, it is conventional to begin with a statistical population or a statistical model to be studied. Populations can be diverse topics such as “all people living in a country” or “every atom composing a crystal”. Statistics deals with all aspects of data including the planning of data collection in terms of the design of surveys and experiments.</p><p>Statistical theory defines a statistic as a function of a random sample. This definition is useful in understanding the concept, but not in calculating statistics. Theories of statistics generally require that the observed data set be a random sample from a population. In statistics, a statistic is a function of a sample where the function itself is independent of the sample. (This is different from a function of a random variable, which is not independent of the random variable.)</p><p>The term statistics is used in two main ways:</p><p>A statistic is a single value that is computed from a data set. The term is used in this sense in mathematical statistics.</p><p>A statistic is a random variable that is a function of the data set. The term is used in this sense in applied statistics.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/884/1*KaQXEx6GLBfuOuE7V0rCBw.png" /></figure><p>Bom, depois desse belo resumo do que é estatística, vamos ver um pouco sobre ela.</p><h3>População</h3><p>Tudo ou todos. Um grupo de pessoas ou objetos incluídos em um estudo.</p><h3>Amostra</h3><p>Uma pequena porção ou parte de uma população. Representativa;</p><p>Tendenciosa.</p><h3>Parâmetro</h3><p>Característica da População.</p><p>Exemplos: altura mínima, peso máximo, percentual de mulheres, idade média, etc.</p><h3>Estatística</h3><p>Característica da Amostra</p><p>Anotação da população e amostra:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/834/1*mcGAEJNkNrx14IJyeYxVVQ.png" /></figure><p>Exemplo de como utilizar: digamos que será feita uma pesquisa para identificar o salário médio dos cientistas de dados no Brasil.</p><p><strong>Tema </strong>— Salário Médio de Cientistas de Dados no Brasil;</p><p><strong>População </strong>— Salários de todos os cientistas de dados do Brasil.</p><p><strong>Parâmetro </strong>— Salário médio de todos os cientistas de dados do Brasil.</p><p><strong>Amostra </strong>— 84 Salários de cientistas de dados brasileiros (número aleatório para exemplificar), e, para que essa amostra tenha relevância, ela precisa ser representativa.</p><p><strong>Estatística </strong>— Média dos 84 salários.</p><p><strong>Variável </strong>— Característica de interesse coletada em cada item da amostra. (ex: salário).</p><p><strong>Dado </strong>— Valor número de um salário em si. (ex: R$12.743,59) neste caso.</p><h3>Tipos de dados</h3><h3>Categórico — ex: tipo de carro, cor, remete categorias, classificações, rótulos Numérico</h3><p><strong>Discreto </strong>— valores possíveis, finitos e inumeráveis, ex: número de cômodos de uma casa, quantidade de filhos, número de sapatos, geralmente esse tipo de dado é inteiro;</p><p><strong>Contínuo </strong>— valores decimais e infinitos, ex: altura, peso(59,74890214511… kg).</p><p><strong>Níveis de Mensuração</strong></p><h3>Qualitativo</h3><p><strong>Nominal </strong>— o nível de mensuração qualitativo nominal refere-se a categorias, uma característica do dado nominal é que ele não tem números e mesmo quando tem não são representativos numéricos, ex: cor, sim/não, rótulos, gênero;</p><p><strong>Ordinal </strong>— Para o nível ordinal a ordem importa, porem não existe um espaço claro entre dois elementos, sabemos que o primeiro lugar é melhor que o segundo lugar, mas não o quão melhor é, ex: posição numa corrida (1º, 2º, 3º lugar), top 5 seriados de suspense.</p><h3>Quantitativo</h3><p><strong>Intervalar </strong>— O espaço entre dois números é bem definido e tem significado, “zero” não significa “nenhum” ou “nada”, ex: a temperatura de 30 graus é 10 graus maior que a de 20 graus, e o zero não significa ausência de temperatura significa, mas um número como outros.</p><p><strong>Razão </strong>— Neste caso o zero significa ausência de valor ou zero absoluto e o intervalo de 2 números é bem definido e tem como computar, ex: se tirei “zero” no teste, isso significa que não pontuei</p><h3>Técnicas de Amostragens</h3><p>Regra #1 — Amostra precisa ser representativa da população, precisando ser aleatória para que não seja tendenciosa.</p><p>Métodos de amostragem aleatória:</p><p>. Simples</p><p>. Estratificada</p><p>. Por conglomerado</p><p>. Sistemática</p><p>. Por Conveniência (não aleatória)</p><h3>Amostra Aleatória SIMPLES</h3><p>Seleção puramente aleatória, com reposição.</p><p>. ex: determinar números para indivíduos, e selecionar números aleatórios de indivíduos a serem incluídos na pesquisa.</p><p>A parte da reposição diz respeito ao segundo “sorteio” de indivíduos não ser condicional ao primeiro sorteio</p><h3>Amostra Aleatória ESTRATIFICADA</h3><p>Divide a população em grupos e seleciona a proporção de cada grupo na Amostra</p><p>ex: População: 40% de Direita, 35% Esquerda Democrática, 25% indecisos.</p><p>Amostra de 200 pessoas: 80 de Direita, 70 Esquerda Democrática, 50 indecisos.</p><h3>Amostra Aleatória por CONGLOMERADO</h3><p>Divide população em grupos e seleciona todos os indivíduos de um grupo aleatório.</p><p>ex: Estádio de futebol. Compartimentos E e G são selecionados de forma aleatória e todas as pessoas dos compartimentos E e G são incluídas.</p><h3>Amostra Aleatória SISTEMÁTICA</h3><p>Seleciona-se o primeiro indivíduo de forma aleatória e escolhe-se todo o enésimo após o último selecionado até voltar ao primeiro.</p><p>ex: Número de telefone aleatório em um livro, e escolhe-se todo 30º número depois desse, até circular de volta para o início.</p><p>*deve-se tomar cuidado ao utilizar esse método com datas, pois ela vai sempre se repetir.</p><h3>Amostra por CONVENIÊNCIA (não aleatório)</h3><p>Seleciona-se indivíduos que estão prontamente disponíveis</p><p>ex: entrevistar pessoas perto de mim, meus amigos do facebook, etc.</p><h3>Média</h3><p>Somatório de valores de determinados elementos dividido pela quantidade de elementos somados.</p><h3>Mediana</h3><p>Dada uma sequência de valores ordenados em ordem crescente ou decrescente, a mediana é o valor central dessa sequência. Caso haja valores centrais, a mediana é dada pela média aritimética deles.</p><h3>Moda</h3><p>Dado um conjunto de valores, a moda é o número que mais se repete.</p><h3>Regra EMPÍRICA 68–95–99,7 ou regra</h3><p><strong>dos 3 sigmas</strong></p><p>A distribuição normal dos dados refere-se normalmente à regra 68–95–99.7. Pode- se encontrar 68% dos dados no primeiro desvio padrão, 95% dos dados no segundo desvio, e 99,7% dos dados no terceiro desvio da média.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/914/1*OmXnoENDa_Z2V7TXfpXJsw.png" /></figure><h3>Valor Z</h3><p>O valor Z é utilizado para encontrar os valores que estão entre os desvios padrões, no caso da imagem acima um exemplo é encontrar o valor entre 58 e 62.</p><p>O valor Z começa da esquerda com o número <strong>-3 </strong>e vai para direita chegando no valor <strong>3.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/883/1*a0iwkmQQ8Kpfey5ZBqjZ5g.png" /></figure><p>Para calcular o valor Z utilizamos a fórmula</p><p>Utilizamos ele para verificar qual a probabilidade de ocorrência do valor Z para trás do número.</p><p>EX:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*dl1KSQ4Bd8hPx6nT5KLqBw.png" /></figure><p>Imaginando que queremos encontrar o valor Z entre 158 e 165, utilizamos o cálculo acima e chegamos no número -1.71, que está mais perto do -2. E para encontrar a probabilidade de 160 acontecer vamos utilizar a tabela Z.</p><p>Neste caso chegamos no valor de -.1.71, para encontrar o valor é simples. utilizamos os dois primeiros dígitos (1.7) para encontrar a linha que fica na coluna Z e o último dígito para encontrar a coluna que fica na primeira linha da tabela.</p><p>Então do valor 160 para trás temos a probabilidade de 4.36% dele ocorrer.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/717/1*2aY5zHp0dBKZjfO2-Vi8xg.png" /></figure><h3>Curtose</h3><p>Essa métrica representa o grau de achatamento de uma distribuição, nos dando a informação de quão espalhados os dados estão em torno da média.</p><p>Pode-se classificar em 3 tipos, são eles:</p><p>Mesocúrtica — esse palavrão quer dizer uma distribuição normal padrão;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/395/1*jVmD8GzM5RgsuI5mM8ddsA.png" /></figure><p>Leptocúrtica — O grau de achatamento deste tipo é menor criando um pico mais pontiagudo e mostra que os dados estão concentrados mais do que a normal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/316/1*skVyw3KwPAQn8Hl_jcC_VQ.png" /></figure><p>Platicúrtica — Este tipo de curtose tem um achatamento maior do que a anterior e isso indica que o desvio padrão é maior.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/341/1*jW7eyCHqD0kmmsj_A16Qow.png" /></figure><h3>Correlação X Causalidade</h3><h3>Correlação Positiva</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/314/1*TOZPtz3r1mGDH6BezpOx7A.png" /></figure><p>Calorias perdidas X Quilômetros percorridos</p><p>Essa correlação se dá pois quando um cresce outro também cresce. A quantidade de quilômetros percorridos é que causou a perca de calorias e não o contrário e isso é importante pois devemos entender o que está causando a correlação.</p><h3>Correlação Negativa</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/312/1*inTVlqih0JSo1fvafLiKZw.png" /></figure><p>Doenças Preveníeis encontradas X Vacinações aplicadas</p><p>Enquanto uma cresce outra diminui, neste exemplo podemos entender que quanto maior o número de vacinas aplicadas menor a quantidade de doenças preveníeis encontradas.</p><h3>Correlação fraca (ou nenhuma)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/364/1*jau7J226Ty9zHK6Ogbhd9g.png" /></figure><p>Isso acontece quando não conseguimos encontrar correlação entre as variáveis ou ela é muito fraca e não conseguimos correlacioná-las.</p><h3>Correlações espúrias</h3><p>Uma Correlação espúria é uma relação estatística existente entre duas variáveis, mas onde não existe nenhuma relação causa-efeito entre elas relação estatística pode ocorrer por pura coincidência ou por causa de uma terceira variável. Ou seja,</p><p>neste último caso, pode ocorrer que as variáveis A e B sejam correlacionadas porque ambas são causadas por uma terceira variável C.</p><p>Alguns exemplos desse tipo de correlação:<br>número de pessoas que se afogaram ao cair em uma piscina X filmes Nicolas Cage apareceu</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/948/1*Su71EemUz6FTE7QgGQVyWQ.png" /></figure><p>Existe um site que você pode ver muitos outros exemplos, <a href="https://www.tylervigen.com/spurious-correlations">https://www.tylervigen.com/spurious-correlations</a></p><p>Conseguimos analisar e compreender algumas técnicas desse vasto mundo da estatística que é essencial para que possamos trabalhar com dados e entender melhor o mundo. A estatística está em todos os cantos na maneira analógica e digital, encontramos com ela e utilizamos dela em todo o nosso dia, seja de uma maneira direta ou indireta ela estará lá e por isso é de suma importância compreendê-la, OBRIGADO!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9ce90c6da8d4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/neurondsai/a-seguir-neste-breve-texto-vamos-falar-um-pouco-sobre-estat%C3%ADstica-que-%C3%A9-de-suma-import%C3%A2ncia-para-9ce90c6da8d4">A seguir neste breve texto vamos falar um pouco sobre estatística que é de suma importância para…</a> was originally published in <a href="https://medium.com/neurondsai">neurondsai</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Intuições sobre técnicas de segmentação com abordagem clássica]]></title>
            <link>https://medium.com/@matheusbertuci/intui%C3%A7%C3%B5es-sobre-t%C3%A9cnicas-de-segmenta%C3%A7%C3%A3o-com-abordagem-cl%C3%A1ssica-5797a4ab61c1?source=rss-578f2a78ab0f------2</link>
            <guid isPermaLink="false">https://medium.com/p/5797a4ab61c1</guid>
            <category><![CDATA[visão-computacional]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <dc:creator><![CDATA[Matheus H. Bertuci]]></dc:creator>
            <pubDate>Tue, 29 Mar 2022 12:53:27 GMT</pubDate>
            <atom:updated>2022-03-29T20:24:22.535Z</atom:updated>
            <content:encoded><![CDATA[<h3>INTRODUÇÃO</h3><p>Visão Computacional é um assunto antigo que está presente desde 1920 na área da tecnologia, porém com o avanço da inteligência artificial, dos componentes computacionais e a grande gama de aplicações, permitiu que essa área da computação se expandisse e fosse uma peça-chave para o avanço da tecnologia e humanidade.<br> Neste texto vamos aprender a intuição das técnicas de segmentação com abordagem clássica de maneira que estimule a sua curiosidade para fazer novas pesquisas.</p><h3>O QUE É A IMAGEM PARA O COMPUTADOR?</h3><p>Para o computador qualquer imagem é uma matriz, porém essa matriz é composta por pixels, onde o pixel pode ser considerado a menor informação disponível em uma imagem, esse pixel é formado por 3 canais, a combinação mais conhecidos é o <em>Red</em>(Vermelho), <em>Green</em>(Verde) e o <em>Blue</em>(Azul), formando o famoso RGB e cada pixel contem valores de 0 (totalmente preto) até 255 (totalmente branco), fazendo com que a junção desses 3 canais dentro desse <em>range</em> de valores forme todas as cores de uma imagem, para facilitar o entendimento podemos analisar isso através do site <a href="https://www.w3schools.com/">https://www.w3schools.com/</a> e brincar com a junção dos canais.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*tAU0kgnM8Ls0jeTZP3cyiA.jpeg" /></figure><h3>SEGMENTAÇÃO</h3><p>Agora que entendemos o que é uma imagem, vamos começar a ver sobre as técnicas de segmentação.</p><p>A segmentação consiste basicamente em dividir a imagem em regiões e cada uma delas será homogênea, como a textura, cor ou intensidade, essa técnica é comumente utilizada para identificar e localizar formas e objetos em imagens.<br> No caso abaixo utilizamos a segmentação para retirar de maneira homogênea a parte da folha, vale ressaltar que essa técnica não necessariamente busca compreender de fato a imagem, para que haja uma compreensão existem outras técnicas no campo da visão computacional como detecção de objetos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/249/1*F9HyfMpKDIAlOu16Hzl9qw.jpeg" /></figure><p>Em resumo a segmentação visa remover a classe homogênea da imagem.</p><p>Esta técnica pode ser considerada uma extensão da detecção de objetos uma vez que usada para melhorar a detecção. <br> Logo abaixo podemos verificar como a junção das duas técnicas melhoram o resultado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/430/1*BFOK163uDGygJ3mW-n8wzw.jpeg" /></figure><p>A detecção identifica os objetos da imagem e a segmentação por sua vez usa regiões homogêneas e consegue delinear a silhueta dos objetos, isso também pode ser chamado de um ensemble de técnicas para se chegar em um resultado ainda melhor.</p><p>Porém, existem várias técnicas de segmentação, separamos elas em dois grupos, as clássicas e as modernas, neste texto vamos ver um pouco sobre as clássicas, mas logo abaixo temos um overview de uma lista que traz algumas segmentações modernas :</p><p>· Segmentação baseada em bordas (Clássica) — existem alguns tipos como Sobel e Canny Edge;</p><p>· Segmentação baseada em regiões (Clássica);</p><p>· Segmentação baseada em clusters (Clássica);</p><p>· Segmentação por cor (Clássica);</p><p>· Segmentação de Instâcias (Moderna) — existem alguns tipos como Mask R-CNN, YOLACT, entre outras;</p><p>· Segmentação semântica (Moderna) — existem alguns tipos como U-NET, DeepLab, SegNet, entre outras;</p><p>· Segmentação Panóptica — existem alguns tipos como Detectron2 e DETR.</p><p>As técnicas modernas são comumente utilizadas no mercado de trabalho pois não dependem tanto de intervenção humana e geralmente tem resultados superiores, porém necessitam de muito mais poder computacional.</p><h3>LIMIARIZAÇÃO (Binarização)</h3><p>A limiarização é feita de maneira que convertemos os canais RGB em uma escala de cinza e aplicamos regras como:<br> Caso o pixel esteja ente o valor 0 e 127 ele será preto e caso o pixel esteja acima do limiar de 127 ele será branco, pois usamos um único limiar global que é aplicado para todos os pixels, na imagem abaixo podemos ver o exemplo de uma foto com o limiar no valor de 127.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/275/1*1LWbYZBvk2fN0NiZ_TMOkw.jpeg" /></figure><p>Existem vários tipos de técnicas de limiarização, algumas delas são:</p><p>· Thresh Binary — todos os pixels que tiverem acima desse limiar vão ficar brancos (valor de 255) e os tiverem abaixo ficarão pretos (valor 0);</p><p>· Thresh Binary Inv — Faz o inverso: os que tiverem acima ficarão pretos, e os que tiverem abaixo do limiar ficarão brancos. O resultado é literalmente uma imagem limiarizada invertida em relação à limiarização binária normal;</p><p>· Thresh To Zero — Tudo o que for abaixo desse limiar fica preto, e tudo o que está igual ou acima desse limiar fica como está;</p><p>· Thresh Trunc — Tudo abaixo do limiar permanece como está, o que está acima fica com o valor de limiar fixo. Por isso o nome trunc (de truncar). Estabelece um teto e ao chegar nele o valor fica fixo nesse limiar, não havendo nenhum valor de pixel de intensidade superior ao limiar definido;</p><p>· Thresh To Zero Inv — É o contrário do anterior: Todos os pixels abaixo do limiar permanecem iguais. Tudo que está igual ou maior que o limiar ficará preto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*6GufTTJneWsm0dxFRjKG5w.jpeg" /></figure><p>Todos os tipos de limiarização descritos acima, o valor do limiar é decidido de maneira aleatória pelo profissional.<br> Porém existe um método chamado OTSU onde o limiar é definido de maneira automática, em resumo essa técnica gera um histograma da imagem e seleciona um ponto entre os pixels de uma imagem, essa técnica é muito utilizada em imagens bimodais, onde existe duas grandes concentrações de valores de pixel, abaixo é exibido um histograma de uma imagem bimodal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/482/1*VarKhXuWNfVz6oxuG9Bv-w.png" /></figure><h3>LIMIARIZAÇÃO ADAPTATIVA</h3><p>Esse tipo de limiarização é utilizado para imagens que tenham diferentes tipos de luminosidade e para que tenha uma padronização dos pixels, essa técnica divide a imagem em várias janelas e são retiradas as médias e depois é feito um somatório para cada região.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/568/1*D9OeqYNWbMYveyRtju53ag.png" /></figure><h3>OPERAÇÕES MORFOLÓGICAS</h3><p>As operações morfológicas auxiliam para que possamos identificar os objetos na imagem de uma maneira melhor.<br> Existem as operações morfológicas de Erosão que diminui o contorno do objeto e a de Dilatação que como o nome já diz, ela aumenta o contorno do objeto.<br> também temos as operações morfológicas de abertura e fechamento, sendo:</p><p>Abertura: é a operação de erosão seguida pela operação de dilatação, essa técnica além de aumentar as bordas do objeto ela também ajuda a diminuir o ruido;</p><p>Fechamento: é a dilatação seguida pela erosão, ou seja, é a operação inversa da abertura, onde é enfatizado uma região de pixels para retirada de ruídos.</p><p>Uma vez essas técnicas aplicadas o objeto ficará mais destacado pois suas bordas e a imagem terão um ruido muito menor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ry2pIMdAm9UEzNGjZieYOA.png" /></figure><h3>SEGMENTAÇÃO BASEADA EM BORDAS</h3><p>Essa técnica de processamento de imagem e visão computacional é usada para determinar os pontos na imagem onde a intensidade luminosa muda repentinamente.<br> logo abaixo temos uma imagem de uma folha (lado esquerdo), que ao olharmos para dentro dela notamos um padrão de luminosidade e quando olhamos fora temos um outro padrão de luz, a segmentação baseada em bordas utiliza dessa diferença para segmentar o objeto na imagem.<br> Depois de aplicada a técnica temos o resultado na imagem do lado direito, note que a única coisa que ficou na imagem foi a silhueta da folha.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nPPDo9sKzBFZtEPElg7vAw.jpeg" /></figure><p>Geralmente a mudança repentina de luminosidade nas imagens significam eventos importantes no cenário, por exemplo a descontinuação da profundidade e mudança de material das imagens.</p><p>Mas para que fique mais claro o que as bordas significam dentro de uma imagem, podemos citar algumas características, como:</p><p>· Independentes da iluminação — se o ambiente estiver claro ou escuro o algoritmo será capaz de detectá-las;</p><p>· Fáceis de detectar computacionalmente;</p><p>· Usadas para determinar características de nível e complexidade maiores (linhas, curvas, cantos, etc.).</p><p>· Etapa fundamental de pré-processamento para técnicas de visão computacional mais avançadas.</p><h3>OPERADOR SOBEL</h3><p>Depois de entendermos a intuição por trás da segmentação baseada por bordas, vamos ver uma outra técnica que utiliza as bordas para detectar objetos. A técnica da vez é o operador sobel.</p><p>Esse operador usa um filtro chamado Passa-Alta (High-pass) para detecção de bordas, enquanto você utiliza um filtro chamado Passa-Baixa para desfoque da imagem, como o famoso kernel Gaussian blur que é um dos mais utilizados para fazer esse tipo de processo na imagem.<br> A aplicação do operador Sobel utiliza dois kernels diferentes para calcular as aproximações das derivadas (conceito da área de cálculo diferencial e integral), uma para mudanças na horizontal e outra para mudanças na vertical, logo abaixo temos o exemplo dos dois filtros onde aplicamos o conceito de matriz transposta onde as linhas virão colunas e as colunas viram linhas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/823/1*Wtu7hds5fyJ0Fi5lUJBFjg.jpeg" /></figure><h3>CANNY EDGE</h3><p>Uma outra técnica de detecção de borda muito conhecida é a Canny Edge o detector Canny (Canny Edge Detection) foi desenvolvido por John F. Canny e envolve a aplicação do filtro Sobel, porém existem algumas outras etapas adicionais como:</p><p>Redução de ruído — que nada mais é que a aplicação do Gaussian blur;</p><p>Encontrar os gradientes de intensidade da imagem — Aqui aplicamos os kernels para mudanças na horizontal e vertical;</p><p>Ssupressão não-máxima (Non-maximum supression) — Diminuímos as bordas e deixamos todas com a mesma espessura;</p><p>Duplo threshold (limiar) para determinar bordas potenciais — Definimos dois limiares, um com valor de limite baixo e outro com o limite alto para que possamos identificar 3 tipos de pixel, os fortes, os fracos e os não relevantes;</p><p>Processo de histerese (hysteresis) — para verificar se o pixel faz parte de uma borda “forte” suprimindo todas as outras bordas que são fracas e não conectadas a bordas fortes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/821/1*xUAesn1rgv3uKLlsmQa1Vw.jpeg" /></figure><h3>SEGMENTAÇÃO BASEADA EM REGIÃO</h3><p>Agora vamos entender um outro tipo de segmentação que é a baseada em região, como o nome já diz esse método busca segmentar a imagem em regiões ao invés de buscar as bordas que delimitam as regiões, essa técnica considera os valores de intensidade de cor dos pixels da<br> imagem, o exemplo abaixo mostra uma segmentação por região.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/457/1*1rq2CgWf6bH6Kg575-XrFA.jpeg" /></figure><p>Se analisarmos a imagem acima notamos que cada região tem um tom dividindo assim cada parte da imagem, para que haja um bom funcionamento desta técnica vai depender se os objetos possuem um bom contraste entre si.<br> A segmentação em região lê cada pixel da imagem e categoriza ele em uma classe com base em sua semelhança. Na prática é literalmente a limiarização, porém com o limiar obtido a partir da média dos valores dos pixels na imagem.<br> Podemos notar no exemplo abaixo como a imagem se comportam com o aumento das regiões.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jCQY5AIJ0rrpePsL-6UrQw.jpeg" /></figure><h3>SEGMENTAÇÃO BASEADA EM CLUSTERS</h3><p>Esse tipo de técnica que vamos ver a intuição ela utiliza aprendizagem de máquina para fazer a segmentação.</p><p>A segmentação baseada em clusters também pode ser chamada por segmentação por agrupamento. Essa técnica tem como base gerar grupos baseados em similaridades.<br> Note na imagem abaixo no canto esquerdo que temos vários pontos e o que queremos é gerar os 3 grupos diferentes do lado direito, para isso são feitos cálculos matemáticos que vão calcular a distância entre os vetores para encontrar quais pontos são similares e dessa forma fazer a divisão em grupos. O algoritmo mais utilizado para criar essa segmentação é o famoso K-MEANS.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/753/1*9TBIja0lWzXxZ5QMMGK8Yg.jpeg" /></figure><p>No K-MEANS nós decidimos quantos cluster (ou centroides) vamos querer e com base nesse valor ele fará o cálculo de distância de cada ponto e assim os agrupando, não é o intuito mostrar os cálculos ou se aprofundar sobre o K-means.<br> Logo em seguida podemos ver o resultado de uma segmentação baseada em clusters e como funciona o aumento dos clusters.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lw9j1op72_aA5XWBT9jPOg.png" /></figure><p>Temos a comparação de outros algoritmos que também podem ser aplicados em segmentação baseada em clusters logo abaixo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/553/1*2LgV1zWOqZHeDoskLoDj8w.jpeg" /></figure><h3>SEGMENTAÇÃO COM WATERSHED</h3><p>O algoritmo Watershed é um dos mais conhecidos na área de segmentação e é usado principalmente quando temos que segmentar objetos que estão encostando ou sobrepostos, essa técnica “considera” a imagem como um mapa topográfico, enquanto os valores de alta intensidade vão ser considerados os picos e o valores de baixa intensidade vão representar os vales. Em seguida temos um exemplo de aplicação do algoritmo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/297/1*dJrcSC1oaa42tAn-h7n84A.png" /></figure><p>Podemos notar que esta técnica é muito útil quando existem objetos sobrepostos, pois se notarmos na imagem antes de ser aplicada a técnica vemos objetos sobrepostos e se aplicarmos outros tipos de segmentação o resultado seria diferente pois as outras técnicas iriam considerar a maioria dos pontos como apenas 1. É um algoritmo bastante complexo e com muitos cálculos matemáticos, porém traz resultados incríveis.</p><h3>ENCERRAMENTO</h3><p>A visão computacional talvez seja um dos principais avanços tecnológicos dos últimos anos. Pois, como é explicito no próprio nome, trata-se de dar o poder da visão a máquinas e computadores, esse tipo de técnica é apenas uma gota no oceano de ferramentas tecnológicas avançadas utilizadas para tal feito. Quando aplicada aos setores de cadeia produtiva, a visão computacional é uma peça fundamental passo rumo à transformação digital, abrindo portas para o desenvolvimento de muitas outras tecnologias e consolidando processos digitais nos mais diferentes setores da economia.<br> Espero ter despertado a vontade de buscar e conhecer mais sobre esse vasto mundo da Visão Computacional.</p><h3>REFERÊNCIAS</h3><p>Cursos de Visão Computacional do professor Jonas Granatyr <br><a href="https://www.udemy.com/course/visao-computacional-o-guia-completo/">https://www.udemy.com/course/visao-computacional-o-guia-completo/</a><br><a href="https://www.udemy.com/course/segmentacao-imagens-python-a-z/">https://www.udemy.com/course/segmentacao-imagens-python-a-z/</a></p><p>• <a href="https://learnopencv.com/image-segmentation/">https://learnopencv.com/image-segmentation/</a><br>• <a href="https://towardsdatascience.com/understanding-semantic-segmentation-with-unet-6be4f42d4b47">https://towardsdatascience.com/understanding-semantic-segmentation-with-unet-6be4f42d4b47</a><br>•<a href="https://edisciplinas.usp.br/pluginfile.php/1086819/mod_resource/content/1/Segmenta">https://edisciplinas.usp.br/pluginfile.php/1086819/mod_resource/content/1/Segmenta</a>ção2016.pdf<br>• <a href="https://www.analytixlabs.co.in/blog/what-is-image-segmentation/">https://www.analytixlabs.co.in/blog/what-is-image-segmentation/</a><br>• <a href="https://towardsdatascience.com/image-segmentation-part-1-9f3db1ac1c50">https://towardsdatascience.com/image-segmentation-part-1-9f3db1ac1c50</a><br>• <a href="https://www.analyticsvidhya.com/blog/2019/04/introduction-image-segmentation-techniques-python/">https://www.analyticsvidhya.com/blog/2019/04/introduction-image-segmentation-techniques-python/</a><br>Thresholding<br>• <a href="https://www.pyimagesearch.com/2021/04/28/opencv-thresholding-cv2-threshold/">https://www.pyimagesearch.com/2021/04/28/opencv-thresholding-cv2-threshold/</a></p><p>•<a href="https://blog.christianperone.com/2014/06/simple-and-effective-coin-segmentation-">https://blog.christianperone.com/2014/06/simple-and-effective-coin-segmentation-</a>using-python-and-opencv/</p><p>•<a href="https://www.smartimagingblog.com/2020/01/24/thermal-imaging-theory-and-">https://www.smartimagingblog.com/2020/01/24/thermal-imaging-theory-and-</a><br>applications/<br>• <a href="https://www.kaggle.com/accountstatus/region-edge-and-clustering-based-segmentation">https://www.kaggle.com/accountstatus/region-edge-and-clustering-based-segmentation</a><br>• <a href="https://medium.com/dataseries/three-techniques-for-image-segmentation-f82f5c9fafa1">https://medium.com/dataseries/three-techniques-for-image-segmentation-f82f5c9fafa1</a></p><p>• <a href="https://scikit-learn.org/stable/modules/clustering.html#k-means">https://scikit-learn.org/stable/modules/clustering.html#k-means</a></p><p>•<a href="https://www.bogotobogo.com/python/OpenCV_Python/python_opencv3_Machine_Learning_Clustering_K-">https://www.bogotobogo.com/python/OpenCV_Python/python_opencv3_Machine_Learning_Clustering_K</a>Means_Clustering_Vector_Quantization.php</p><p>• <a href="https://www.analyticsvidhya.com/blog/2021/07/colour-quantization-using-k-means-clustering-and-opencv/">https://www.analyticsvidhya.com/blog/2021/07/colour-quantization-using-k-means-clustering-and-opencv/</a><br>• <a href="https://www.kdnuggets.com/2019/08/introduction-image-segmentation-k-means-clustering.html">https://www.kdnuggets.com/2019/08/introduction-image-segmentation-k-means-clustering.html</a></p><p>•<a href="https://micreiros.com/clusterizacao-de-dados-k-means-na-biblioteca-scikit-">https://micreiros.com/clusterizacao-de-dados-k-means-na-biblioteca-scikit-</a><br>learn/ ⇒ <a href="https://www.saedsayad.com/clustering_kmeans.htm">https://www.saedsayad.com/clustering_kmeans.htm</a></p><p>• <a href="https://ai.plainenglish.io/what-is-k-means-clustering-3060791cb589">https://ai.plainenglish.io/what-is-k-means-clustering-3060791cb589</a><br>Watershed-based Segmentation<br>• <a href="http://datahacker.rs/007-opencv-projects-image-segmentation-with-watershed-algorithm/">http://datahacker.rs/007-opencv-projects-image-segmentation-with-watershed-algorithm/</a></p><p>• <a href="https://www.vision-systems.com/factory/consumer-packaged-goods/article/16739413/understanding-">https://www.vision-systems.com/factory/consumer-packaged-goods/article/16739413/understanding-</a>regionbased-segmentation</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5797a4ab61c1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CONCEITOS BÁSICOS SOBRE GEOTECNOLOGIA]]></title>
            <link>https://medium.com/@matheusbertuci/conceitos-b%C3%A1sicos-sobre-geotecnologia-777d18aa1fa8?source=rss-578f2a78ab0f------2</link>
            <guid isPermaLink="false">https://medium.com/p/777d18aa1fa8</guid>
            <category><![CDATA[georgia]]></category>
            <category><![CDATA[ciência]]></category>
            <category><![CDATA[geotechnical-engineering]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Matheus H. Bertuci]]></dc:creator>
            <pubDate>Tue, 07 Sep 2021 19:27:31 GMT</pubDate>
            <atom:updated>2021-09-07T19:43:19.362Z</atom:updated>
            <content:encoded><![CDATA[<p>Esse pequeno texto tem como objetivo apresentar de maneira rápida alguns conceitos básicos sobre Geotecnologia, e estimular a sua curiosidade para que você possa pesquisar e entender que a Terra não é plana. 😁😂 😊</p><p>Se você trabalha com ciência de dados em algum momento você precisou ou vai precisar realizar algum tipo de análise espacial, pois 80% das informações que são geradas pelas organizações possuem conteúdo geográfico.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/571/1*NvQP6Zy1LeeJf_ed0FOQCw.jpeg" /></figure><p>A ciência de dados está intrinsicamente ligada a geotecnologia e o inverso também é verdade, pois o Sistema de Informação (SI) consiste na observação, coleta de dados, armazenamento e na análise dos dados. As informações obtidas pelo SI são utilizadas para tomada de decisões. Agora o Sistema de Informação Geográfico acaba sendo um Sistema de Informação focado no trabalho de dados referenciados por coordenadas espaciais ou geográficas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*0D6-AqWqHnrLg23_SCWraA.jpeg" /></figure><p>Junto com os SIG a Cartografia vem evoluindo e mostrando cada vez mais o seu valor, tendo em vista que 65% das pessoas possuem pensamentos visuais. A Cartografia reúne dados de diversas regiões da terra e as representa em escalas reduzidas para que facilite o entendimento.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/611/1*w_1xo3qnqO6Ycml7qA6mpA.jpeg" /><figcaption>Evolução da cartografia</figcaption></figure><p>A Cartografia ainda está relacionada a ciência Geodésia, que é a ciência que estuda as formas e dimensões do planeta Terra, determinação do campo gravitacional e a superfície oceânica.</p><p>E você pode estar se perguntando: por que raios estudar as formas da terra?</p><p>As formas da terra são importantes para que possamos definir com clareza os Sistemas de Referência(SR), levando em consideração a parte prática, os Sistemas de Referência permitem que se faça a localização espacial de qualquer feição sobre a superfície terrestre. <br> Pode-se definir a forma da terra como geoide, que tem uma superfície irregular, e não corresponde a uma esfera.<br>Como o geoide tem características complexas, os cartógrafos utilizam o Elipsoide de revolução que é definido pela rotação de uma elipse sobre o seu eixo menor, facilitando a realização de cálculos relacionados sobre a superfície terrestre.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*ZTeVgfmY8OPDY3oBb53Ozg.jpeg" /></figure><p>E aí, ainda você acha que a terra é plana?</p><p>Espero que esse breve texto tenha gerado ainda mais curiosidade para que você busque entender mais sobre o nosso planeta e como a ciência de dados junto com a geotecnologia pode ser um diferencial para buscarmos cada vez mais o entendimento do nosso planeta e gerar vantagens competitivas para as empresas.</p><p>Este artigo é um resumo de alguns ensinamentos demonstrados no módulo 2 do curso Aprenda GeoAI ministrado por Vitor Zanetti e João Ataíde que se encontram com as inscrições abertas no link: <a href="https://www.saotomasconsultoria.com.br/aprendageoai">https://www.saotomasconsultoria.com.br/aprendageoai</a></p><p>Referências</p><p>Curso GeoAI</p><p>Rosanelli, D. <strong>Entendendo a plataforma ArcGIS</strong>. Julho de 2020, disponível em: https://blog.img.com.br/arcgis/entendendo-a-plataforma-arcgis/</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=777d18aa1fa8" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>