Avaliação de técnicas de pré-processamento e classificação de imagens hiperespectrais

Página do item simplificado Estatísticas
dc.contributor.advisorKreutz, Márcio Eduardo
dc.contributor.authorMendonça, João Vítor Fonseca de
dc.contributor.referees1Maia, Silvia Maria Diniz Monteiro
dc.contributor.referees2Pereira, Mônica Magalhães
dc.date.accessioned2025-01-21T17:14:21Z
dc.date.available2025-01-21T17:14:21Z
dc.date.issued2025-01-15
dc.description.resumoEste trabalho investiga o impacto do pré-processamento e a eficácia de modelos de apren- dizado de máquina e profundo na classificação de imagens hiperespectrais, utilizando conjuntos de dados como Indian Pines, Salinas e Pavia. Foram avaliados algoritmos tradi- cionais, como Random Forest (RF), k-NN, e redes neurais convolucionais (CNN), com pré- processamento envolvendo normalização MinMaxScaler e segmentação SLIC para integrar informações espectrais e espaciais. Os resultados demonstram que técnicas de aprendizado de máquina mais simples, como o RF, alcançaram desempenho comparável ao das CNNs em diversos cenários, destacando seu custo-benefício e eficiência computacional. Enquanto as CNNs se mostraram robustas e precisas, o RF emergiu como uma alternativa viável, especialmente em contextos com limitações de recursos ou dados. O estudo reforça a importância de considerar o equilíbrio entre complexidade e desempenho na escolha de técnicas para classificação de imagens hiperespectrais.pt_BR
dc.identifier.citationMENDONÇA, João Vítor Fonseca de. Avaliação de técnicas de pré-processamento e classificação de imagens hiperespectrais. Orientador: Márcio Eduardo Kreutz. 2025. 44 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Departamento de Informática e Matemática Aplicada, Universidade Federal do Rio Grande do Norte, Natal, 2025.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/handle/123456789/61511
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentDepartamento de Informática e Matemática Aplicadapt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programCiência da Computaçãopt_BR
dc.rightsCC0 1.0 Universal*
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/*
dc.subjectClassificação de imagens hiperespectraispt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectAprendizado profundopt_BR
dc.subjectRandom Forestpt_BR
dc.subjectRedes neurais convolucionaispt_BR
dc.subjectPré-processamentopt_BR
dc.subjectSLICpt_BR
dc.subjectSensoriamento remotopt_BR
dc.subjectHyperspectral image classificationpt_BR
dc.subjectMachine learningpt_BR
dc.subjectDeep learningpt_BR
dc.subjectConvolutional neural networkspt_BR
dc.subjectPreprocessingpt_BR
dc.subjectRemote sensingpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleAvaliação de técnicas de pré-processamento e classificação de imagens hiperespectraispt_BR
dc.title.alternativeEvaluation of preprocessing techniques and classification of hyperspectral imagespt_BR
dc.typebachelorThesispt_BR

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
ClassificacaoImagensHiperspectrais_Mendonca_2025.pdf
Tamanho:
2.04 MB
Formato:
Adobe Portable Document Format
Nenhuma Miniatura disponível
Baixar

Licença do Pacote

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.45 KB
Formato:
Item-specific license agreed upon to submission
Nenhuma Miniatura disponível
Baixar

Coleções

CCET - TCC - Ciência da Computação
Repositório Institucional - UFRN Campus Universitário Lagoa NovaCEP 59078-970 Caixa postal 1524 Natal/RN - BrasilUniversidade Federal do Rio Grande do Norte© Copyright 2025. Todos os direitos reservados.
Contato+55 (84) 3342-2260 - R232Setor de Repositórios Digitaisrepositorio@bczm.ufrn.br
DSpaceIBICT
OasisBR
LAReferencia
Customizado pela CAT - BCZM