Este projeto tem como objetivo aplicar técnicas de agrupamento não supervisionado em imagens, explorando a extração de características visuais e a aplicação de algoritmos como o K-Means. O foco está na análise de padrões em conjuntos de imagens, permitindo o agrupamento automático com base em similaridades de textura, forma ou cor.
- Explorar métodos de agrupamento de imagens com base em características extraídas.
- Aplicar o algoritmo K-Means para identificar grupos de imagens similares.
- Avaliar e visualizar os resultados em conjuntos de dados distintos, como corujas e macacos.
- Promover a compreensão prática de técnicas de aprendizado não supervisionado.
- K-Means: Algoritmo de agrupamento não supervisionado amplamente utilizado para dividir dados em
kgrupos com base em similaridade. - Python (OpenCV, NumPy, scikit-learn): Utilizado para extração de características, manipulação de imagens e execução dos algoritmos.
- Jupyter Notebook: Ambiente interativo para desenvolvimento, experimentação e visualização dos resultados.
- Extração de Características Personalizadas(Canny, ResNet18): Técnicas aplicadas no projeto para obter vetores descritivos das imagens, servindo como entrada para os algoritmos de agrupamento.
Embora o agrupamento seja uma tarefa não supervisionada, os resultados podem ser visualizados por meio da comparação com os rótulos reais (quando disponíveis), bem como por inspeção visual dos agrupamentos gerados. Isso permite:
- Avaliar qualitativamente a coerência dos grupos formados.
- Identificar padrões e outliers nos dados de imagem.
- Comparar o desempenho do algoritmo em diferentes conjuntos.
📁 O projeto inclui notebooks independentes com experimentos aplicados em conjuntos de dados distintos, bem como scripts modulares para reuso e organização do código.