Ementa: Arquitetura de sistemas de processamento de imagens e reconhecimento de padrões, pré-processamento, extração de atributos, aprendizado supervisionado e não supervisionado (agrupamentos), seleção de atributos, redução de dimensionalidade, validação cruzada, grid-search, métricas de desempenho de classificadores.

Bibliografia: G. Dougherty, "Digital Image Processing for medical applications", Cambridge, 2009. R.C.Gonzalez e R.E.Woods, "Digital Image Processing", Prentice Hall, 2008. I.N. Bankman, "Handbook of Medical Imaging: Processing and Analysis", Academic Press, 2009. T.M. Deserno, "Biomedical Image Processing", Springer, 2010.

Conteudo Programático: A disciplina oferece uma visão geral sobre a arquitetura de sistemas de processamento de imagens e reconhecimento de padrões, com foco na aplicação de técnicas de aprendizado supervisionado e não supervisionado. A primeira parte do curso trata do pré-processamento de imagens, essencial para a melhoria da qualidade dos dados antes da análise. São discutidas técnicas como filtragem, normalização, realce de contrastes e remoção de ruídos. Também são exploradas metodologias de extração de atributos, desde atributos de histograma, passando por atributos de forma e de textura. A disciplina também inclui a seleção de atributos, abordando técnicas para escolher as variáveis mais relevantes, a fim de melhorar a performance dos modelos e reduzir a complexidade computacional. São analisadas estratégias para a redução de dimensionalidade, como Análise de Componentes Principais (PCA), Análise Discriminante Linear (LDA), e o uso de árvore de decisão como forma de seleção de atributos. Na sequência, são introduzidos os principais conceitos de aprendizado supervisionado e não supervisionado, abordando suas diferenças, vantagens e aplicações. São discutidos métodos de agrupamento (clustering), além de técnicas de classificação supervisionada, incluindo máquinas de vetores de suporte (SVM), árvores de decisão e redes neurais. No que se refere à validação de modelos, a disciplina explora a importância da validação cruzada como método de avaliação robusta, garantindo a generalização dos modelos para dados não vistos. A técnica de grid-search também é abordada para otimização dos parâmetros dos modelos, ajudando a encontrar as melhores combinações de hiperparâmetros para os classificadores. Por fim, são discutidas as principais métricas de desempenho dos classificadores, como acurácia, precisão, recall, F1-score e a matriz de confusão, para avaliar a eficácia das técnicas de reconhecimento de padrões. O curso integra teoria e prática, incentivando o desenvolvimento de projetos que envolvam o uso das ferramentas e técnicas apresentadas para resolver problemas reais de processamento de imagens e reconhecimento de padrões.

Conteudo Programático em Inglês: The course provides an overview of the architecture of image processing and pattern recognition systems, with a focus on the application of supervised and unsupervised learning techniques. The first part of the course addresses image preprocessing, which is essential for improving data quality before analysis. Techniques such as filtering, normalization, contrast enhancement, and noise removal are discussed. Feature extraction methodologies are also explored, ranging from histogram features to shape and texture features. The course also covers feature selection, discussing techniques for choosing the most relevant ones in order to improve model performance and reduce computational complexity. Strategies for dimensionality reduction, such as Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), and the use of decision trees as a form of feature selection, are analyzed. Next, the main concepts of supervised and unsupervised learning are introduced, addressing their differences, advantages, and applications. Clustering methods are discussed, as well as supervised classification techniques, including Support Vector Machines (SVM), decision trees, and neural networks. Regarding model validation, the course explores the importance of cross-validation as a robust evaluation method, ensuring model generalization to unseen data. The grid-search technique is also covered for optimizing model parameters, helping to find the best combinations of hyperparameters for classifiers. Finally, the main performance metrics for classifiers are discussed, such as accuracy, precision, recall, F1-score, and the confusion matrix, to evaluate the effectiveness of pattern recognition techniques. The course integrates theory and practice, encouraging the development of projects that use the tools and techniques presented to solve real-world image processing and pattern recognition problems.

Conteudo Programático em Espanhol: La asignatura ofrece una visión general sobre la arquitectura de sistemas de procesamiento de imágenes y reconocimiento de patrones, con un enfoque en la aplicación de técnicas de aprendizaje supervisado y no supervisado. La primera parte del curso trata del preprocesamiento de imágenes, esencial para la mejora de la calidad de los datos antes del análisis. Se discuten técnicas como filtrado, normalización, realce de contrastes y eliminación de ruidos. También se exploran metodologías de extracción de atributos, desde atributos de histograma hasta atributos de forma y textura. La asignatura también incluye la selección de atributos, abordando técnicas para elegir los más relevantes, con el fin de mejorar el rendimiento de los modelos y reducir la complejidad computacional. Se analizan estrategias para la reducción de dimensionalidad, como Análisis de Componentes Principales (PCA), Análisis Discriminante Lineal (LDA) y el uso de árboles de decisión como forma de selección de atributos. A continuación, se introducen los principales conceptos de aprendizaje supervisado y no supervisado, abordando sus diferencias, ventajas y aplicaciones. Se discuten métodos de agrupamiento (clustering), además de técnicas de clasificación supervisada, como máquinas de vectores de soporte (SVM), árboles de decisión y redes neuronales. En cuanto a la validación de modelos, la asignatura explora la importancia de la validación cruzada como un método de evaluación robusta, asegurando la generalización de los modelos para datos no vistos. También se aborda la técnica de búsqueda en rejilla (grid-search) para la optimización de los parámetros de los modelos, ayudando a encontrar las mejores combinaciones de hiperparámetros para los clasificadores. Finalmente, se discuten las principales métricas de rendimiento de los clasificadores, como exactitud, precisión, recall, F1-score y la matriz de confusión, para evaluar la efectividad de las técnicas de reconocimiento de patrones. El curso integra teoría y práctica, fomentando el desarrollo de proyectos que impliquen el uso de las herramientas y técnicas presentadas para resolver problemas reales de procesamiento de imágenes y reconocimiento de patrones.

Forma Avaliação: Atividades e Projeto