Odemir Martinez Bruno.

Projeto Memória Virtual de São Carlos

O aumento do poder computacional permite a descrição e previsão de processos naturais modelando suas interações em menor escala, recriando fenômenos naturais de forma ascendente. Duas classes de tais abordagens, que são especialmente pertinentes para modelar processos espaço-temporais, são autômatos celulares (CAs) e sua extensão topológica, autômatos de rede (NAs). Os tipos mais simples de CAs e NAs são bem estudados, mas para que esses modelos adquiram o status de um paradigma científico forte, eles devem permitir extensões de modelo simples, embora, ao mesmo tempo, permaneçam metodologicamente robustos. Vamos estender esses modelos computacionais, introduzindo "heterogeneidade espacial", que inclui "heterogeneidade de regra" e "heterogeneidade topológica". O primeiro se traduz em estender o modelo de tal forma que o conjunto de regras que determinam a dinâmica microscópica e, portanto, o processo emergente, não deve mais ser o mesmo em todas as regiões espacialmente distintas. Este último, que é exclusivo dos NAs, se traduz em permitir diferentes tipos de conexões entre os nós. Em ambos os casos, uma estrutura matemática para essas heterogeneidades, bem como uma investigação metodológica sobre seus efeitos na estabilidade do modelo, quantificada por extensões discretas do expoente de Lyapunov, estão no centro desta proposta. Em uma etapa final, mobilizaremos esses modelos e as técnicas analíticas recentemente desenvolvidas em duas aplicações: epidemiologia e dinâmica de opinião.

Grandes desafios, como a fabricação de dispositivos sensores para diagnóstico precoce de câncer e detecção de contaminação de alimentos / água, só podem ser abordados com esforços conjuntos em pesquisas multidisciplinares. Problemas selecionados dentro dos desafios acima serão abordados neste projeto por uma equipe multiinstitucional de físicos, químicos, engenheiros, médicos e cientistas da computação, com dois tópicos unificadores: fabricação e caracterização de filmes nanoestruturados, particularmente aqueles de interesse biológico, e dados avançados. métodos de análise. Mais especificamente, vários tipos de filmes nanoestruturados serão empregados em sensoriamento e biosensing. Um dos principais objetivos em tais estudos é alcançar a compreensão em nível molecular dos mecanismos responsáveis pelas características sensoriais, incluindo efeitos de interface para projetar baterias orgânicas para fornecer energia em biossensores implantáveis. Este tipo de pesquisa básica é essencial para o design de novos materiais e ferramentas para diagnóstico e terapia. As aplicações pretendidas para os dispositivos também são diversas, concentrando-se principalmente no diagnóstico precoce do câncer, na detecção de contaminação de alimentos e água e no monitoramento do meio ambiente. Especial ênfase será colocada na fabricação de dispositivos de baixo custo, não apenas com novos materiais, mas também explorando metodologias como a microfluídica, em uma tentativa de produzir tecnologia que deve ser passível de transferência, por ex. para testes em um hospital de câncer. As enormes quantidades de dados gerados com sensores, biosensores e imagens serão processados com métodos estatísticos e computacionais, incluindo visualização de informação e aprendizado de máquina. Isso representará um passo em direção ao diagnóstico assistido por computador, através do qual dados de naturezas distintas são analisados dentro de uma estrutura comum.

O Prof. Odemir M. Bruno foi um dos participantes do Workshop WWU-USP em Munster em janeiro de 2018. Neste workshop, surgiram várias oportunidades de colaboração em pesquisa. Uma delas é a colaboração com o Prof. Lars Linsen, onde o objetivo principal é combinar a pesquisa de ambos os grupos, visualização de sistemas dinâmicos pelo lado alemão e padrões em sistemas complexos e caos pelo lado brasileiro. A motivação de unir esforços de ambas as equipes é a pesquisa nas áreas de sistemas não lineares e redes complexas e suas aplicações no campo de reconhecimento de padrões. O trabalho de ambas as equipes foi consolidado como promissor e relevante para essas áreas, já que ambas as equipes publicaram artigos em periódicos de alto impacto sobre o objetivo principal. Nossa principal motivação é dedicada à análise de dados de séries temporais gerados a partir de sistemas não lineares. Desde então, o grupo SCG-USP desenvolveu um gerador de números pseudo-aleatórios (PRNG) baseado em um conhecido sistema dinâmico caótico, o mapa logístico, que permite parametrizar a qualidade das seqüências pseudo-aleatórias. Assim, um novo contexto no reconhecimento de padrões foi aberto, que busca explorar sequências pseudo-aleatórias com o objetivo de distinguir a qualidade dos PRNGs. A abstração de sequências pseudo-aleatórias, primeiro representadas como séries temporais e depois modeladas como redes complexas, abre a possibilidade de usar métodos de reconhecimento de padrões em redes para poder estudar PRNGs para "medir pseudo-aleatoriedade" em tais sistemas. No entanto, há falta de ferramentas de visualização que possam auxiliar a tarefa de entender a abstração preliminar de dados. Normalmente, usamos projeções 2D: evolução do espaço-tempo, diagramas de dispersão, matriz de recorrência, layouts de rede etc. No entanto, essas ferramentas clássicas não são úteis para a visualização de redes devido a vários problemas. estrutura aleatória como conseqüência da fonte de não linearidade, enorme tamanho de rede e heterogeneidade. Assim, dentro deste contexto, pretendemos explorar novas ferramentas de visualização que facilitam a visualização / interação de padrões de redes de séries temporais. A principal razão por trás do interesse em seqüências de números pseudo-aleatórios é porque elas são a espinha dorsal das mais diversas. campos de aplicação: mecânica estatística, teoria da decisão, cálculo, indústria de jogos, simulação computacional, criptografia, etc. Portanto, o funcionamento de vários setores, como os setores industrial e financeiro, a necessidade de comunicações e transações seguras, blindagem de informação, entre outros. outras, tornaram-se fortemente dependentes dos avanços da criptologia em geral e, particularmente, das fontes de pseudo-aleatoriedade.

O National Quantum Initiative Act foi assinado no mês passado nos EUA. O projeto de lei delineará um plano de 10 anos para promover aplicações usando a ciência contra-intuitiva de partículas subatômicas. A Texas A & M University (TAMU) está avançando em direção à aplicação da ciência quântica e tecnologia para imagens e sensores aprimorados. O investigador Dr. Yakovlev é, atualmente, apoiado na área de imagem quântica e detecção quântica pelas concessões AFOSR e DARPA. É amplamente aceito que estados de luz quânticos especialmente preparados permitem melhor sensibilidade e melhor resolução da imagem óptica, o que é especialmente crítico para avaliar a estrutura e função biológica sem interferir com quaisquer vias fisiológicas. O laboratório do Dr. Yakovlev está na vanguarda do desenvolvimento de novos métodos para espectroscopia, detecção e geração de imagens, que são baseados nesses estados quânticos da matéria. Ao mesmo tempo, abordagens tradicionais ou "clássicas" para analisar esses sinais e imagens adquiridas com estados quânticos de luz não são diretamente aplicáveis. Dr. Bruno e seu grupo estão trabalhando na vanguarda dos métodos de análise de dados/imagens/sinais e, deste modo, sua experiência complementa as experiências do Dr. Yakovlev. Ambos os grupos estão alinhados sinergeticamente para lidar com o problema de sensoriamento quântico e imagens e aplicar esses resultados a importantes problemas de imagens biomédicas e agricultura

Muitos sistemas biológicos podem ser representados como redes complexas. Em contraste com abordagens estabelecidas que analisam essas redes com base em suas propriedades estruturais, também podem ser estudadas investigando os padrões que são desenvolvidos por um sistema dinâmico discreto (expertise de visitante) construído sobre essas redes (expertise do coordenador). O objetivo desta proposta é desenvolver métodos específicos para extrair informações em redes biológicas.

Realização de pesquisa e a proposição de técnicas de processamento de imagens e visão computacional aplicadas em problema específico em imagens médicas, o qual será definido inicialmente a partir de três aspectos principais: 1) modalidade da imagem (RX, Tomografia, Ressonância Magnética, Mamografia, etc), 2) questão médica envolvida (morfologia, fisiologia, patologia, etc), e 3) tarefa pretendida a partir das técnicas de processamento de imagens e visão computacional pesquisadas e propostas.

Metas específicas deste Plano de Trabalho:
a) Pesquisa e definição do problema real e específico em imagens médicas para aplicação das técnicas e métodos de processamento de imagens e visão computacional a serem investigados.
b) Investigação, estudo e análise de técnicas e métodos de processamento de imagens e visão computacional, com a identificação de limitações e proposição de novas abordagens e/ou melhorias visando aplicação ao problema real e definido em imagens médicas.
c) Produção da Tese de Doutorado e de artigos científicos que documentem e permitam a divulgação dos resultados produzidos.
d) Capacitação de profissional em nível de Doutorado apto a prospectar, gerenciar e realizar pesquisas futuras nesta temática ou em temáticas correlatas.

NVIDIA's Academic Programs is dedicated to empowering and collaborating with professors and researchers at universities worldwide. We aim to inspire cutting-edge technological innovation and to find new ways of enhancing faculty research as well as the teaching and learning experience.

Modelar a estrutura básica da maquinaria metabólica é um desafio para a biologia moderna. Alguns modelos baseados em redes complexas forneceram informações importantes sobre esse maquinário. Neste trabalho, construímos redes metabólicas de 17 plantas que cobrem organismos unicelulares para plantas dicotiledôneas mais complexas. As redes metabólicas foram construídas com base no modelo de produto substrato e uma percolação topológica foi realizada usando a decomposição kcore. A distribuição dos metabólitos através das camadas de percolação mostrou correlações entre a hierarquia de integração metabólica e a topologia da rede. Mostramos que os metabólitos concentrados na rede interna (máximo kcore) compreendem apenas moléculas do metabolismo basal primário. Além disso, encontramos uma alta proporção de um conjunto de metabólitos comuns, entre as 17 plantas, centrados nas camadas internas do kcore. Enquanto isso, os metabólitos reconhecidos como participantes do metabolismo secundário das plantas concentram-se nas camadas mais externas da rede. Esses dados sugerem que os metabólitos na camada central formam um módulo molecular básico no qual todo o metabolismo vegetal é ancorado. Os elementos deste núcleo central participam de quase todas as reações metabólicas das plantas, o que sugere que as redes metabólicas vegetais seguem uma topologia centralizada.

Muitos sistemas biológicos podem ser representados como redes complexas. Em contraste às abordagens já estabelecidas que analisam essas redes com base em suas propriedades estruturais, as redes também podem ser estudadas investigando-se os padrões obtidos por meio de um sistema dinâmico discreto modelado sobre essas redes. Entre as ferramentas computacionais e matemáticas para o estudo de sistemas complexos estão os autômatos celulares. Combinados com as redes, essas ferramentas podem ser usadas para mapear a relação entre a arquitetura da rede e seu impacto nos padrões evoluídos por esse sistema dinâmico, espacial e discreto. O objetivo desta proposta é desenvolver métodos evolutivos para a caracterização da topologia da rede, dando atenção especial às topologias que são comuns entre as redes biológicas. Mais precisamente, os padrões espaço-temporais serão usados para caracterizar diferentes topologias de rede a fim de realizar tarefas de classificação no contexto do reconhecimento de padrões. Várias redes biológicas estão sendo consideradas ao longo do projeto, a fim de reunir conhecimentos acerca da análise evolutiva das redes em diferentes domínios, como a disseminação espaço-temporal de gripe na Bélgica e redes de fungos, que representam as conexões entre as hifas individuais por meio da análise de imagens microscópicas. Portanto, buscamos contribuir com a caracterização de redes através do estudo e análise dos sistemas biológicos em questão, representados como redes, através do uso dos descritores de rede propostos

Redes têm sido usadas com sucesso em muitas áreas do conhecimento, abrangendo praticamente todos os campos da ciência. A principal razão por trás do crescente interesse em redes reside no fato de que elas mostram uma perspectiva diferente das análises de dados tradicionais. Durante séculos, o paradigma de pesquisa científica foi governado por uma abordagem reducionista. Os avanços científicos e tecnológicos aumentaram a quantidade de dados e também incentivaram o desenvolvimento de computadores poderosos, que são capazes de processar e armazenar essa enorme quantidade de dados. Neste cenário, muitas vezes chamado de ''big data'', exige o desenvolvimento de um paradigma integrador da ciência, que é, naturalmente, abordado por redes. Durante as últimas décadas, Reconhecimento de Padrões (RP) tem sido amplamente utilizado em ambas ciências: aplicadas e fundamentais. Notavelmente, a maior parte das aplicações de RP trata de uma grande quantidade de dados, que são difíceis de manipular com a abordagem reducionista. A combinação de RP e redes surge como uma alternativa importante no cenário de big data para encontrar, identificar, analisar, e agrupar padrões que são inviáveis para lidar com outras abordagens. O reconhecimento de padrões em redes visa a caracterização das redes extraindo informações sobre a correlação entre vértices e sua relação com a topologia. Esta informação pode levar à compreensão de padrões de rede que estão intrinsecamente relacionados com o modelo de rede. Devido ao bom desempenho de tarefas de classificação e identificação, deep learning é um campo que atraiu a atenção de pesquisadores de big data e reconhecimento de padrões. Embora métodos de deep learning tem sido aplicados com sucesso em visão computacional e processamento de sinais, a combinação de deep learning e redes é algo muito recente, com muitos poucos trabalhos na literatura. No entanto, é uma pesquisa interessante e promissora. A proposta deste projeto é combinar as redes e deep learning para fins de reconhecimento de padrões em visão computacional. Na última década, o grupo proponente tem desenvolvido métodos para visão de computacional em vários problemas e obteve resultados muito bons com os métodos baseados em redes complexas. Desta forma, escolhemos a visão computacional como um caso de estudo da abordagem proposta: a combinação de deep learning e redes. Na visão computacional, três problemas específicos serão investigados: textura estática, textura dinâmica e análise de contorno de formas. Os resultados obtidos, podem ser usados imediatamente para visão computacional e tem potencial para ser estendido para qualquer aplicação que modela os dados como rede e exigi uma boa abordagem de reconhecimento de padrões.

Plasticidade fenotípica é a habilidade de um organismo em expressar diferentes fenótipos dependendo do ambiente biótico ou abiótico. Nas plantas, a plasticidade fenotípica consiste na capacidade de alterar a sua fisiologia ou morfologia de acordo com as condições do ambiente. Este projeto tem com objetivo utilizar métodos de visão computacional e reconhecimento de padrões para analisar a plasticidade fenotípica de plantas por meio de imagens da superfície de folhas e de cortes histológicos dos órgãos foliares. Estas imagens tem como características apresentarem não-linearidade e a presença de fenômenos complexos. Deste modo, serão utilizados métodos baseados em sistemas complexos para sua análise. São considerados neste projeto métodos baseados em geometria fractal, redes complexas e autômatos. O uso de métodos baseados em sistemas complexos em imagens e reconhecimento de padrões é a especialidade do proponente que investiga o tema há mais de uma década. As aplicações da análise de plasticidade foliar são diversas e abrangem desde áreas teóricas como a botânica e fisiologia vegetal à aplicadas como biotecnologia e agricultura

NVIDIA's Academic Programs is dedicated to empowering and collaborating with professors and researchers at universities worldwide. We aim to inspire cutting-edge technological innovation and to find new ways of enhancing faculty research as well as the teaching and learning experience.

Técnicas de reconhecimento de padrões têm sido amplamente empregadas em aplicações industriais, médicas, comerciais e acadêmicas. Para lidar com esta grande diversidade de dados, muitas técnicas têm sido desenvolvidas. Infelizmente, apesar da longa tradição histórica da área de reconhecimento de padrões, não existe ainda uma técnica única capaz de gerar a melhor classificação em todos os cenários. Portanto, a utilização de várias técnicas se apresenta como uma prática fundamental em aplicações onde a máxima qualidade de classificação é desejada. Os trabalhos típicos na literatura comparando classificadores ou enfatizam o desempenho de um dado método em testes de validação ou comparam sistematicamente vários algoritmos, assumindo que o uso prático de métodos é feito por especialistas. Em várias ocasiões, no entanto, pesquisadores não especialistas são enfrentam problemas de classificação práticos sem se preocupar com questões mais complexas a respeito dos mecanismos de funcionamento de parâmetros de tais métodos. Na verdade, a escolha adequada de classificadores e parâmetros em tais contextos práticos ainda hoje representa uma das dificuldades enfrentadas na aplicação de métodos de reconhecimento de autoria. Neste estudo, analisamos o desempenho de nove classificadores famosos, os quais são implementados pelo framework Weka. Em especial, estudamos também a influência da escolha dos parâmetros no desempenho dos classificadores. A análise de desempenho com parâmetros padrões avaliadas em um banco de dados artificial com distribuição gaussiana mostrou que o algoritmo k-nearest-neighbors (kNN) apresenta um desempenho superior aos outros classificadores quando dimensões maiores são analisadas. Quando outras configuações de parâmetros são permitidas, descobrimos ser possível melhorar a qualidade de support vector machines (SVM) em mais de 20% mesmo se os parâmetros são estabelecidos aleatoriamente. As investigações conduzidas neste estudo sugerem que, exceto para o algoritmo SVM, os parâmetros padrões do Weka fornecem um desempenho próximo àquele obtido com a configuração ótima.

O objetivo principal deste projeto é a cooperação entre os pesquisadores, permitindo a integração de cada especialista no projeto em vigor. Portanto, o projeto pretende estender os resultados que podem ser alcançados para projetos que ainda estão sendo desenvolvidos em cada uma das instituições participantes. As principais áreas de projetos que podem se beneficiar desta integração são as seguintes:
?	Geração de novos conjuntos de dados de imagens que podem permitir a criação de uma base de dados de imagens na web. Este novo conjunto de dados de imagens pode ser usado de maneiras diferentes, por exemplo, em experimentos com outras técnicas, além de que pode ser usado em aulas;
?	Desenvolvimento de diferentes extratores que podem ser usados na caracterização de diferentes bases de dados de imagens, podendo, portanto, caracterizar diferentes elementos biológicos e naturais e obter o método de reconhecimento desejado;
?	Aquisição de um modelo a partir do conhecimento prévio a respeito de diferentes domínios de imagens biológicas com o intuito de direcionar seu reconhecimento e sua interpretação;
?	Análise e avaliação das técnicas de agrupamento e de classificação usadas para encontrar diferenças entres os diversos elementos biológicos no domínio das imagens; e
?	Desenvolvimento de uma página na internet na qual os usuários podem baixar algoritmos para a caracterização de imagens e conjuntos de dados de imagens de diferentes domínios de aplicação.

Este trabalho propõe a investigação da identificação de espécies de plantas por métodos de análise de imagens baseados em fractais. As imagens foliares serão obtidas por três modalidades diferentes (superfície escaneada da folha, imagens microscópicas de estômatos e cortes histológicos) e serão analisadas usando-se métodos computacionais inovadores desenvolvidos inicialmente para a análise da arquitetura de tumores e geometria de células cancerosas como proposto pelo supervisor na Universidade de Birmingham. Tais métodos incluem dimensões fractais assintóticas, caracterização morfológica de vizinhanças celulares e dimensão fractal local conectada. Outras abordagens estudadas pelo pesquisador de pós-doutorado em sua instituição de origem serão aplicadas, incluindo os descritores fractais e a dimensão fractal multiescala. A razão deste estudo é que a análise de imagens pode fornecer uma nova perspectiva sobre a identificação taxonômica, integrando a análise do arranjo de micro e macro-texturas na folha, os quais expressam tanto o processo evolucionário quanto as inter-relações entre as estruturas biológicas e o ambiente. Deste modo, a análise proposta pode fornecer uma descrição útil e imparcial de amostras de tecidos de plantas para facilitar uma categorização de espécies mais precisa e confiável. Este trabalho vai contribuir tanto para a comunidade de análise de imagens quanto para pesquisadores em botânica e em cancerologia já que desenvolve metodologias computacionais pouco dispendiosas para extrair dados quantitativos para propósitos de classificação.

Há algumas décadas a textura tem sido um importante objeto de estudo na comunidade de visão computacional e processamento de imagens. No entanto, ainda são necessárias mais pesquisas para tornar os algoritmos de textura para análise de padrões e classificação aplicável em diferentes áreas. Textura é uma característica fundamental em muitas imagens naturais e sintéticas, e por isso o processo de análise de textura é um passo essencial em diversas aplicações de processamento de imagens, como a inspeção industrial, sensoriamento remoto de recursos terrestres, imagens médicas, reconhecimento de objetos e recuperação de imagens baseada em conteúdo. Numerosos métodos para a análise da textura foram propostos na literatura. Estes métodos envolvem extração de características e utilizam diferentes esquemas para representar as características selecionadas. Eles podem ser divididos em cinco categorias: estrutural, estatístico, baseado em modelo, espectrais e baseados em agentes. Mesmo com essa variedade de métodos para análise de textura, todos eles analisam a textura de maneira global, como se ocorresse apenas um padrão de textura na imagem. Este projeto propõe um modelo de análise de textura com base na heterogeneidade dos padrões de textura na mesma imagem. Para realizar esta tarefa, imagens de madeira serão utilizadas, devido à sua estrutura hierárquica e heterogeneidade adequados para tais análises. As imagens de textura a serem analisadas são seções microscópicas transversais de madeira obtidos por microscopia óptica convencional, bem como a tomografia computadorizada de raios-X , o último em 2D e 3D. O projeto proposto pode ser dividido em três partes principais: Reconhecimento de madeira, orientação de fibras e quantificação de tecidos em 3D. O primeiro diz respeito à classificação das espécies de madeira por imagens microscópicas transversais de compostos de madeira. O segundo trata da análise de madeira, neste caso especificamente destinado à orientação das fibras, o que influencia a densidade da madeira e sua durabilidade. Finalmente, a terceira parte do trabalho diz respeito à quantificação de tecidos em 3D compreendendo análise tridimensional das diferentes estruturas anatômicas da madeira.

Este trabalho propõe o desenvolvimento e aplicação de ferramentas matemáticas de análise de imagens derivadas da geometria fractal à análise e identificação de espécies de plantas da flora brasileira. A proposta de usar geometria fractal para essa análise surge da precisão que esta apresenta na modelagem de objetos da natureza, uma vez que elementos como as folhas vegetais possuem propriedades que as aproximam mais de um objeto fractal do que dos objetos da geometria clássica, como o fato de que são altamente complexas e possuem um índice significativo de auto-similaridades em seu aspecto. O trabalho pretende explorar técnicas já conhecidas na literatura como descritores fractais e multifractais, bem como propor novas abordagens para a extração de características da imagem a partir da geometria fractal. Essa combinação de ferramentas matemáticas e computacionais com técnicas biológicas propiciará vantagens tanto para as ciências exatas quanto biológicas, uma vez que permitirá o desenvolvimento de um ferramental que poderá tornar o processo de identificação e análise de plantas mais preciso e mais ágil, ao mesmo tempo em que fomentará o desenvolvimento de técnicas mais avançadas em análise de imagens.

Este é um projeto teórico e aplicado na área de visão artificial e reconhecimento de padrões. O projeto possui duas frentes principais: desenvolvimento teórico e aplicações. As aplicações são em: imagens de biologia vegetal e imagens de nanoestruturas. Dentre, estas frentes, a principal linha de pesquisa é a identificação, caracterização e análise de plantas por meio de imagens de folhas. A caracterização e análise de imagens de folhas apresenta importantes contribuições para a biologia vegetal, fisiologia, ecologia e para o mapeamento e entendimento da biodiversidade. Neste projeto, a principal característica foliar a ser estudada é a textura. A textura é investigada em diferentes escalas de análise, indo de uma visão global, onde toda a superfície da folha é considerada, até uma análise microscópica, onde é considerado o arranjo celular do órgão foliar. Os padrões complexos encontrados nas superfícies das folhas e em sua composição celular apresentam certas similaridades com imagens de nanoestruturas. Deste modo, métodos desenvolvidos para uma determinada área podem ser expandidos para outra. O grupo já conta com alguns resultados de sucesso envolvendo esta abordagem no estudo de fenômenos em nanoestruturas. Em relação ao desenvolvimento teórico, este projeto aborda três metodologias principais: fractais, autômatos e redes complexas. O proponente atua com a investigação de métodos relacionados a sistemas complexos e teoria do caos aplicada a análise de imagens e reconhecimento de padrões há cerca de uma década, sendo a principal motivação a natureza não linear das imagens destas aplicações e sua forte relação com a geometria fractal.

A Geometria Fractal pode ser utilizada para representar estruturas geométricas de grande complexidade, inclusive fenômenos na natureza onde não podem ser utilizadas as geometrias tradicionais. As folhas e suas estruturas, apesar de não serem fractais perfeitos, são um desses fenômenos que podem ser caracterizados e descritos usando a geometria fractal. Nesse sentido pesquisas utilizando fractais na identificação vegetal por análise de textura vem sendo realizada nos últimos anos pelo grupo GCC (Scientific Computing Group) do IFSC-USP. Tais pesquisas vem ganhando destaque nos últimos anos com respeito a sua qualidade como método de análise de texturas. Ainda há, no entanto, muitas formas de se aprimorar tal método computacional, sendo esse um dos objetivos principais de tal projeto de pesquisas. De forma complementar pretende-se investigar a robustez dos descritores fractais no que diz respeito a análise de espécies que apresentam plasticidade anatômica foliar. A plasticidade fenotípica em plantas é definida como a alteração na expressão do genótipo pelas influências ambientais, podendo manifestar-se tanto morfológica como fisiologicamente. Tal investigação é de especial importância uma vez que os sistemas automatizados de identificação foliar devem ser capazes de lidar com tais alterações morfológicas. Resultados de pesquisas recentes são apresentados nesse projeto demostrando a viabilidade de tais objetivos.

Este projeto tem como objetivo propor a análise de padrões heterogêneos, desenvolver métodos para este novo conceito e aplicá-los em problemas reais de reconhecimento de padrões. O conceito é inspirado na Química, com as definições de misturas. Algumas misturas apresentam aparência homogênea quando vistas a olho nu, no entanto, ao observá-las em nanoescala é possível perceber a heterogeneidade de seus componentes, como por exemplo colóides tais como, leite, sangue e gelatina. Neste trabalho, o mesmo conceito é aplicado no reconhecimento de padrões. Em determinadas classes de imagens é possível perceber padrões heterogêneos, que nem sempre, podem ser visualizados em escala padrão. Os métodos atuais de análise de textura não descrevem de forma adequada tais padrões heterogêneos. A abordagem comumente utilizada pelos pesquisadores analisa as informações contidas na imagem de uma maneira global, tomando todas as suas características de forma integrada. A abordagem multi-escala, amplamente difundida na literatura, analisa os padrões em diferentes escalas, mas ainda assim, preservando a análise homogênea, ou seja, considerando as características globalmente. Portanto, torna-se necessário desenvolver métodos capazes de identificar os diferentes padrões observados em diferentes escalas, onde percebe-se sua heterogeneidade, definindo desta forma o conceito de padrão heterogêneo em imagens.

Técnicas para descrever texturas são importantes em análise de imagens e visão computacional. Grande parte das técnicas tradicionais existentes na literatura são baseadas em abordagens estatísticas ou em modelos pré-estabelecidos, e normalmente, falham em descrever diferentes padrões de textura. Além disso, as técnicas existentes não realçam a riqueza de detalhes presente nas imagens. Neste projeto, pretende-se desenvolver uma abordagem que caracterize os padrões por meio de modelos baseados em agentes combinados com redes complexas. Esta abordagem torna-se inédita quando integramos aos agentes e às redes a representação das imagens em múltiplas escalas usando equações diferenciais parciais (EDPs).