Projeto de Processamento de Imagens - Classificação de Raios-X

Detector de Covid

Detecção de COVID-19 em Raios-X Torácicos

Equipe

• Carlos Eduardo Nogueira de Freitas Veiga
• Samuel Pereira Porto
• Welyson Carlos

Descrição do(s) Descritor(es) Implementado(s)

Para este projeto, foram implementados dois descritores de características diferentes:

1. Histograma de Hu Moments

   • Descrição: Este descritor captura as características de forma de uma imagem, proporcionando informações sobre a geometria global da mesma.

2. Histograma de Textura LBP (Local Binary Pattern)

   • Descrição: Este descritor destaca padrões locais de textura na imagem, tornando-se útil para a detecção de texturas específicas.

Repositório do Projeto

Link do Repositório no GitHub

Video

Link do Video

Classificador e Acurácia LBP

Parâmetros

• Número de pontos da vizinhança: 24
• Raio da vizinhança: 8

MLP (Multilayer Perceptron)

• Classificador utilizado: MLPClassifier do scikit-learn
• Acurácia obtida: 100,00%

Random Forest

• Classificador utilizado: RandomForestClassifier do scikit-learn
• Acurácia obtida: 73,21%

SVM (Support Vector Machine)

• Classificador utilizado: SVM do scikit-learn
• Acurácia obtida: 96,43%

Classificador e Acurácia HU Moments

MLP (Multilayer Perceptron)

• Classificador utilizado: MLPClassifier do scikit-learn
• Acurácia obtida: 50%

Random Forest

• Classificador utilizado: RandomForestClassifier do scikit-learn
• Acurácia obtida: 58,93%

SVM (Support Vector Machine)

• Classificador utilizado: SVM do scikit-learn
• Acurácia obtida: 53,57%

Estrutura de Pastas

/projeto_processamento_imagens
    /features_labels: Contém os arquivos de características e rótulos extraídos das imagens.
    /images_full: Diretório original contendo todas as imagens.
        /covid: Imagens de raio-X classificadas como COVID.
        /normal: Imagens de raio-X classificadas como normais.
    /images_split: Diretório para imagens divididas em conjuntos de treino e teste.
        /train
            /covid
            /normal
        /test
            /covid
            /normal
    /results: Contém os resultados do projeto, como matrizes de confusão e gráficos de desempenho.
    data_splitting.py: Script para dividir as imagens em conjuntos de treino e teste.
    grayHistogram_FeatureExtraction.py: Script para extrair características usando o histograma em escala de cinza.
    mlp_classifier.py: Script para treinar e testar um classificador MLP (Multilayer Perceptron).
    rf_classifier.py: Script para treinar e testar um classificador Random Forest.
    run_all_classifiers.py: Script para executar todos os classificadores e comparar os resultados.
    svm_classifier.py: Script para treinar e testar um classificador SVM (Support Vector Machine).

Instruções de Uso

1. Instale o Miniconda ou Anaconda

• Miniconda: Miniconda Installers
• Anaconda: Anaconda Installers

2. Crie um novo ambiente com Conda

conda env create -f "diretorio_do_projeto"\environment.yml

Substitua diretorio_do_projeto pelo endereço do diretório do seu projeto.

3. Ative o ambiente conda.

conda activate projetofinal

4. Navegue até o diretório do projeto e execute o código

cd "diretorio_do_projeto"
python init_window.py

5. Use a interface gráfica para executar os scripts.