Universidade Federal do Ceará
Programa de Pós-Graduação em Engenharia de Teleinformática

Título: Entropia Diferencial Multiescala e Agregação de Descritores na Classificação de Folhas de Plantas

Data: 30/09/2025
Horário: 09:00
Local: Google Meet – https://meet.google.com/wsx-zvqa-vsh

Banca Examinadora:
Fátima Nelsizeuma Sombra de Medeiros (UFC, Orientadora)
Kleber Zuza Nobrega (UFC)
Flávio Henrique Duarte de Araujo (UFPI)
Francisco Alixandre Ávila Rodrigues (UFCA)
Letícia Rittner (UNICAMP)

Resumo:
A análise e o reconhecimento de formas são fundamentais no projeto de sistemas baseados em visão computacional. O grande desafio consiste em desenvolver métodos robustos capazes de extrair características significativas dessas formas para representá-las. Nesse contexto, os descritores multiescala são uma alternativa na caracterização de formas, utilizando-se de uma ferramenta versátil e eficiente. Este trabalho apresenta uma metodologia para classificação de folhas de plantas com base em atributos construídos manualmente a partir da entropia da curvatura multiescala e da textura, além de deep features extraídos por redes neurais convolucionais (CNNs). Propomos três descritores de forma baseados na entropia da curvatura multiescala. Esses descritores utilizam a entropia diferencial das distribuições de probabilidade das curvaturas em múltiplas escalas para criar uma representação do contorno da forma, do nível mais geral ao mais detalhado. Apresentamos, assim, um descritor que combina a entropia da curvatura multiescala, a energia de dobramento (bending energy) e atributos de textura, com o objetivo de aprimorar a extração de assinaturas de forma e capturar detalhes sutis da textura das imagens das folhas. O descritor de textura utilizado integra estatísticas do padrão binário local (LBP) e da matriz de coocorrência de níveis de cinza (GLCM). Comparamos nossos descritores manuais com deep features extraídos de diferentes CNNs em uma tarefa de classificação multiclasse, utilizando o classificador Random Forest no lugar da camada totalmente conectada das CNNs. Os experimentos foram realizados em quatro bases públicas de folhas: Plantscan, MED117, Flavia e Swedish. Os resultados obtidos nas métricas F1-score e acurácia, que ultrapassam 99,50%, validam a estratégia de agregação e demonstram que ela é robusta e competitiva. Os resultados também confirmam que a abordagem proposta superou quatro conjuntos distintos de atributos profundos, considerando tanto o F1-score quanto a acurácia. A análise qualitativa por meio da visualização multidimensional dos dados comprova que a combinação de diferentes características de forma e detalhes de textura aprimorou a descrição das imagens das folhas, proporcionando maior compacidade intraclasse e melhor separação entre classes nos conjuntos de dados analisados.

Palavras-chave: Entropia da curvatura multiescala; descrição de formas; deep features; forma de folhas; textura.