@inproceedings{\'{E}ldman2008An\'{a}liseb,

title = {Uma Estrat\'{e}gia Metaheur\'{i}stica H\'{i}brida para Clusteriza\c{c}\~{a}o Autom\'{a}tica e Redu\c{c}\~{a}o da Dimensionalidade dos Dados},

author = {\'{E}ldman Oliveira Nunes and Aura Conci},

url = {https://www.sige.ita.br/edicoes-anteriores/2008/st/7_1.pdf},

year  = {2008},

date = {2008-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2008 (SIGE2008)},

abstract = {A clusteriza\c{c}\~{a}o \'{e} uma importante t\'{e}cnica para an\'{a}lise do comportamento dos dados e tem sido largamente utilizada para solu\c{c}\~{a}o de diversos problemas de ordem pr\'{a}tica. Entretanto, o desconhecimento do n\'{u}mero ideal de grupos para parti\c{c}\~{a}o da base e o excesso de atributos que comp\~{o}e os dados contribuem para degrada\c{c}\~{a}o da qualidade dos resultados. Este artigo apresenta uma nova estrat\'{e}gia para reduzir a dimensionalidade dos dados atrav\'{e}s do emprego de Algoritmos Gen\'{e}ticos combinados com algoritmo K-Means adaptado para clusteriza\c{c}\~{a}o autom\'{a}tica. Os resultados demonstram ser poss\'{i}vel melhorar a abrang\^{e}ncia e a acur\'{a}cia na classifica\c{c}\~{a}o dos dados. Palavras-chavesAn\'{a}lise de Agrupamentos, Segmenta\c{c}\~{a}o, Algoritmos Gen\'{e}ticos, K-Means.},

keywords = {Algoritmos Gen\'{e}ticos, An\'{a}lise de Agrupamentos, K-Means, Segmenta\c{c}\~{a}o},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{Sergio2007,

title = {Segmenta\c{c}\~{a}o de Alvos em Imagens Infravermelhas Utilizando Watersheds, Wavelets e Morfologia Matem\'{a}tica},

author = {Sergio R Neves and Gelson V Mendon\c{c}a and Eduardo A B Silva},

url = {https://www.sige.ita.br/edicoes-anteriores/2007/st/GE_12.pdf},

year  = {2007},

date = {2007-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2007 (SIGE2007)},

abstract = {Para um sistema de classifica\c{c}\~{a}o de alvos \'{e} fundamental que se possa extrair caracter\'{i}sticas precisas destes, com o objetivo de ter-se o maior n\'{u}mero de acertos poss\'{i}vel. Uma imagem infravermelha pode ser considerada como um mapeamento em duas dimens\~{o}es da radia\c{c}\~{a}o t\'{e}rmica de uma cena, e apresenta como uma caracter\'{i}stica importante para extra\c{c}\~{a}o de objetos, as bordas desses elementos da cena. Este trabalho descreve um m\'{e}todo autom\'{a}tico para a segmenta\c{c}\~{a}o de imagens infravermelhas utilizando morfologia matem\'{a}tica e a transforma\c{c}\~{a}o watershed a partir de um marcador que usa a transformada wavelet m\'{o}dulo m\'{a}ximo, com resultados precisos e com baixo n\'{u}mero de detec\c{c}\~{o}es falsas. Palavras-chaves ( Segmenta\c{c}\~{a}o, infravermelho, morfologia, watersheds, wavelets.},

keywords = {infravermelho, morfologia, Segmenta\c{c}\~{a}o, watersheds, wavelets},

pubstate = {published},

tppubtype = {inproceedings}

}