A progressiva escassez dos recursos naturais tem conduzido a um uso cada vez mais racional destes materiais, independente de sua origem e aplicação. Dentre tais recursos, a madeira e sua exploração têm despertado grande interesse, principalmente por ser, muitas vezes, extraída de florestas nativas e da influência que estas têm sobre o planeta. Além disso, as transações comerciais de madeira envolvem grandes montantes e são suscetíveis a fraudes. Estes logros decorrem da entrega de madeira extraída de espécies com menor valor comercial do que o acordado entre as partes e tentativas de exploração de espécies em iminente extinção. Garantir a autenticidade de madeiras constitui uma necessidade tanto de seus compradores quanto das agências fiscalizadoras. Fatores como o elevado número de espécies, a falta de profissionais capacitados, o exaustivo processo de reconhecimento e a perda de características naturais (folhas, casca e cor) tornam ainda mais difícil garantir a autenticidade das madeiras. Inserido neste contexto, este trabalho focou a construção de um sistema robusto para a classificação de espécies florestais utilizando as características texturais presentes nas imagens microscópicas de madeira, a representação no espaço de dissimilaridade e os sistemas compostos por múltiplos classificadores. Para isso, explorou-se diferentes alternativas para representar as características texturais. Para permitir a aplicação dos modelos de classificação a espécies não consideradas durante seu treinamento, buscou-se definir os melhores valores para os parâmetros inerentes ao processo de construção dos classificadores no espaço de dissimilaridade. Buscando ainda melhorar o desempenho do sistema, também foram propostos e avaliados métodos para seleção e/ou combinação de classificadores, além da avaliação das taxas de reconhecimento em diferentes níveis da Botânica, visto que nem sempre é preciso chegar a classificação em nível de espécie. Testados em uma base de imagens construída para o desenvolvimento deste trabalho, as estratégias e os métodos de seleção dinâmica de classificadores propostos demonstraram sua efetividade e superioridade com relação tanto aos classificadores individualmente quanto aos demais métodos testados.
The exploitation of natural resources and their scarcity have led to a rational use of these materials, regardless of their origin and application. Among these resources, wood has attracted great interest, mainly because it is often extracted from native forests and the in uence of these forests on the planet. Commercial transactions involve large amounts of wood and are susceptible to fraud where a wood trader might mix a noble species with cheaper ones, or even try to export wood whose species is endangered. Buyers must certify they are buying the correct material while supervising agencies have to certify that wood has been not extracted irregularly from forests. Identifying a log or a piece of timber outside its natural environment (the forest) is not an easy task. The high number of species, the lack of well-trained specialists, the exhaustive process of recognition and loss of natural features such as leaves, bark and color make it even more di cult to ensure the authenticity of the woods. In this context, this work is focused on building a robust system for classi cation of forest species using the textural features present in wood microscopic images, a representation in the dissimilarity space and multiple classi er systems. To do that, di erent representations for the textural characteristics were tried out. We also attempted to de ne the best values for the parameters used to build the classi ers in the dissimilarity space, which would allow the use of the classi cation models for species not considered during their training. Intending to increase recognition rates, we proposed and evaluated di erent methods to select and/or combine classi ers. In this context, we also evaluate all obtained results at di erent levels de ned by botany, as sometimes it is not necessary to do it at the species classi cation level. We tested the proposed strategies and all methods on a database of images built for the development of this work. Finally, the proposed strategies and methods for dynamic classi er selection have demonstrated theirs e ectiveness and superiority over individual classi ers and the other tested methods.
