fbpx
Sigmoidal
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • English
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados

Equalização de Histograma com OpenCV e Python

Carlos Melo por Carlos Melo
julho 16, 2024
em Python, Tutoriais, Visão Computacional
0
118
COMPARTILHAMENTOS
3.9k
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

Histograma é um conceito que está presente direta ou indiretamente em praticamente todas as aplicações de visão computacional.

Afinal, ao ajustar a distribuição dos valores de pixel, conseguimos realçar os detalhes e revelar características até então ocultas na imagem original.

Na equalização do histograma, queremos o espectro completo de intensidades, distribuindo os valores de pixel mais uniformemente ao longo do eixo x.

Por isso, entender o conceito e aprender como aplicar a técnica, é fundamental para trabalhar em problemas de processamento digital de imagem.

Neste tutorial, você vai aprender a teoria, e como equalizar histogramas em imagens digitais usando OpenCV e Python.

Baixar o Código Gratuitamente

Para acompanhar este tutorial, faça o download do código clicando no botão abaixo.

O que é um Histograma de Imagem

Um histograma de imagem é um tipo de representação gráfica que representa como as intensidades dos pixels de uma determinada imagem digital estão distribuídos.

Em termos simples, é o histograma que vai te dizer se uma imagem está corretamente exposta, se a iluminação está adequada e se o contraste permite ressaltar algumas características desejáveis.

Um histograma é uma representação gráfica de como a intensidade de valores de pixels é distribuída na sua imagem.
Um histograma é uma representação gráfica de como a intensidade de valores de *pixels* é distribuída na sua imagem (fonte).

Nós usamos histogramas para identificar assinaturas espectrais em imagens hiperspectrais de satélites – como distinguir entre plantações transgênicas e orgânicas.

Nós usamos histogramas para segmentar peças em uma esteira de fábrica – aplicando thresholding para isolar os objetos.

E olhando para diversos algoritmos como SIFT e HOG, o uso de histogramas de gradiente de imagem é fundamental para a detecção e descrição de características locais robustas.

Exemplos de pixels e seus valores de intensidade distribuídos no histograma (fonte).

Esta técnica é fundamental no processamento de imagens digitais e amplamente utilizada em diversos campos, incluindo a área médica, como em exames de raios X e tomografias computadorizadas (CT scans).

Além de ser uma ferramenta fundamental, uma vez que é muito simples de calcular, é uma alternativa bastante popular para aplicações que necessitam de processamento em tempo real.

Definição Formal

Um histograma de uma imagem digital f(x, y) cujas intensidades variam no intervalo [0, L - 1] é uma função discreta

    \[h(r_{k}) = n_{k},\]

onde r_k é o valor de intensidade k-ésimo e n_k é o número total de pixels em f com intensidade r_k. De forma semelhante, o histograma normalizado de uma imagem digital f(x, y) é

    \[p(r_{k}) = \frac{h(r_{k})}{MN} = \frac{n_k}{MN},\]

onde M e N são as dimensões da imagem (linhas e colunas, respectivamente). É uma prática comum dividir cada componente de um histograma pelo número total de pixels para normalizá-lo.

Uma vez que p(r_k) é a probabilidade de ocorrência de um dado nível de intensidade r_k em uma imagem, a soma de todos os componentes é igual a 1.

Como calcular um histograma

Calcular manualmente um histograma de imagens é um processo direto que envolve a contagem da frequência de cada valor de intensidade de pixel em uma imagem.

Apenas para fins didáticos, providenciei um pseudo-código e uma implementação usando o numpy para demonstrar como fazer isso.

Pseudo-código para calcular histogramas.

Primeiramente, inicializamos um vetor para armazenar o histograma com zeros. No caso, estou considerando uma imagem grayscale de 8 bits (2^8 = 256) valores possíveis para cada intensidade de pixel.

Em seguida, capturamos os atributos de altura e largura da imagem. Caso fosse necessário, poderíamos incluir ainda o atributo canais.

Então, percorremos cada pixel da imagem, incrementando a posição correspondente no vetor do histograma com base no valor de intensidade de cada pixel. Dessa forma, ao final do processo, o vetor de histograma conterá a contagem de ocorrências de cada nível de cinza na imagem, proporcionando uma representação clara da distribuição de intensidades na imagem.

Cálculo de Histograma no NumPy

A biblioteca NumPy possui a função np.histogram(), que permite calcular histogramas de dados de entrada. Esta função é bastante flexível e pode lidar com diferentes configurações de bins e intervalos.

numpy.histogram(
    a: np.ndarray,
    bins: Union[int, np.ndarray, str] = 10,
    range: Optional[Tuple[float, float]] = None,
    density: Optional[bool] = None,
    weights: Optional[np.ndarray] = None
) -> Tuple[np.ndarray, np.ndarray]

Veja o exemplo de utilização no código abaixo e perceba que quando usamos o np.histogram() para calcular o histograma de uma imagem grayscale, definimos o número de bins como 256 para cobrir todos os valores de intensidade de pixel de 0 a 255.

No entanto, antes é preciso entender como a biblioteca calcula os bins. O NumPy os calcula em intervalos como 0-0.99, 1-1.99, até 255-255.99. Na prática, isso significa que haverá 257 elementos no array de bins (pois passamos o argumento 256 na função).

Como não precisamos desse valor extra, afinal os valores de intensidade do pixel variam entre 0-255, podemos ignorá-lo.

import cv2
import numpy as np
import matplotlib.pyplot as plt

# Carrega uma foto em grayscale
image_path = "carlos_hist.jpg"
image = cv2.imread(image_path, 0)

# Calcule o histograma
hist, bins = np.histogram(image.flatten(), 256, [0, 256])

# Compute a função de distribuição acumulada
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max() / cdf.max()

Inicialmente, nós carregamos e imagem carlos_hist.jpg em grayscale usando a flag 0 em cv2.imread(image_path, 0). Com a imagem carregada, nosso próximo passo é calcular o histograma. Utilizamos a função np.histogram() do NumPy para isso. Esta função conta a frequência de ocorrência de cada valor de intensidade de pixel.

Para entender melhor a distribuição das intensidades, também vamos calcular a função de distribuição acumulada (CDF). A CDF é essencial para técnicas como equalização de histograma.

# Plotar histograma e C.D.F.
fig, axs = plt.subplots(1, 2, figsize=(10, 5))

# Mostrar a imagem em grayscale
axs[0].imshow(image, cmap="gray", vmin=0, vmax=255)
axs[0].axis("off")

# Plotar o histograma e a CDF
axs[1].plot(cdf_normalized, color="black", linestyle="--", linewidth=1)
axs[1].hist(image.flatten(), 256, [0, 256], color="r", alpha=0.5)
axs[1].set_xlim([0, 256])
axs[1].legend(("CDF", "Histograma"), loc="upper left")

plt.show()

Agora, vamos visualizar o histograma e a CDF lado a lado usando Matplotlib e configurando a nossa figura com os subplots.

Visualmente, apenas olhando para a imagem, percebemos que a mesma parece “flat“, com pouco contraste. E isso de fato é corroborado pelo histograma à direita.

Como maioria dos valores de intensidade de pixel está concentrada em torno de 150, a imagem possui predominância de tons médios a claros, resultando em uma aparência menos vibrante e com pouca variação de contraste.

Equalização de Histograma para Imagens em Tons de Cinza

Como mencionamos no início do artigo, a equalização de histograma é uma técnica para ajustar o contraste de uma imagem, distribuindo os valores dos pixels de forma mais uniforme por toda a faixa de intensidade.

Existem várias técnicas possíveis, dependendo do contexto, quantidade de canais e aplicação. Nesta seção eu irei te mostrar como usar a função cv.equalizeHist() para realizar esse processo em imagens em tons de cinza.

cv2.equalizeHist(
    src: np.ndarray
) -> np.ndarray:

A função cv2.equalizeHist equaliza o histograma da imagem de entrada usando o seguinte algoritmo:

  1. Calcule o histograma ( H ) para src.
  2. Normalize o histograma de forma que a soma dos bins do histograma seja 255.
  3. Calcule o somatório do histograma:

        \[H'_i = \sum_{0 \leq j < i} H(j)\]

  4. Transforme a imagem usando ( H’ ) como uma tabela de consulta (look-up table):

        \[\text{dst}(x,y) = H'(\text{src}(x,y))\]

Para ver como essa função age para normalizar o brilho e aumentar o contraste da imagem original, vamos rodar o código abaixo.

# Aplica a equalização de histograma
equalized = cv2.equalizeHist(image)

# Cria uma figura com subplots para comparar as imagens
plt.figure(figsize=(30, 10))

# Mostrar imagem equalizada
plt.subplot(1, 3, 1)
plt.imshow(equalized, cmap='gray', vmin=0, vmax=255)
plt.title('Imagem Equalizada')

# Comparar histogramas original e equalizado
plt.subplot(1, 3, 2)
plt.hist(image.flatten(), 256, [0, 256])
plt.title('Histograma Original')
plt.subplot(1, 3, 3)
plt.hist(equalized.flatten(), 256, [0, 256])
plt.title('Histograma Equalizado')
plt.show()

Primeiro, aplicamos a equalização de histograma na imagem carregada usando a função cv2.equalizeHist. Em seguida, criamos uma figura com subplots para analisar o resultado final.

O primeiro subplot exibe a imagem equalizada, enquanto os dois subplots seguintes comparam os histogramas da imagem original e da imagem processada, usando plt.hist para plotá-los diretamente. Repare como a alteração da distribuição tornou a imagem mais agradável.

Equalização de Histograma para Imagens Coloridas

Se tentarmos realizar a equalização de histograma em imagens coloridas tratando cada um dos três canais separadamente, teremos um resultado ruim e inesperado.

O motivo é que, quando cada canal de cor é transformado de maneira não linear e independente, podem ser geradas cores completamente novas que não estão relacionadas de nenhuma maneira.

A maneira correta de realizar a equalização de histograma em imagens coloridas envolve uma etapa anterior, que é a conversão para um espaço de cor como o HSV, onde a intensidade está separada:

  1. Transforme a imagem para o espaço de cores HSV.
  2. Realize a equalização de histograma apenas no canal V (Valor).
  3. Transforme a imagem de volta para o espaço de cores RGB.
# Ler a astrofotografia
astrofoto = cv2.imread('astrofoto.jpg')

# Converter para o espaço de cores HSV
hsv_astrofoto = cv2.cvtColor(astrofoto, cv2.COLOR_BGR2HSV)

# Dividir os canais HSV
h, s, v = cv2.split(hsv_astrofoto)

Primeiro, carregamos uma nova imagem colorida usando cv2.imread. Então, convertemos a imagem carregada originalmente no formato BGR para o espaço de cores HSV com cv2.cvtColor e separamos as informações de cor (Hue e Saturation) da intensidade (Value) usando cv2.split(hsv_astrofoto).

# Equalizar o canal V (valor)
v_equalized = cv2.equalizeHist(v)

# Mesclar os canais HSV de volta, com o canal V equalizado
hsv_astrofoto = cv2.merge([h, s, v_equalized])

# Converter de volta para o espaço de cores RGB
astrofoto_equalized = cv2.cvtColor(hsv_astrofoto, cv2.COLOR_HSV2RGB)

Após aplicamos a equalização de histograma apenas ao canal V, mesclamos os canais HSV de volta, mas substituindo o canal V pelo canal equalizado.

A redistribuição de valores de intensidade no canal V melhorou significativamente o contraste da imagem, destacando detalhes que podiam estar obscurecidos.

No entanto, a equalização de histograma que acabamos de ver pode não ser a melhor abordagem em muitos casos, por considerar o contraste global da imagem. Em situações onde há grandes variações de intensidade, com pixels muito claros e muito escuros presentes, ou onde desejaríamos melhorar apenas uma região da imagem, esse método pode fazer com que percamos muitas informações.

Para lidar com esses problemas, vamos conhecer uma técnica mais avançada chamada Contrast Limited Adaptive Histogram Equalization (CLAHE).

Contrast Limited Adaptive Histogram Equalization (CLAHE)

Contrast Limited Adaptive Histogram Equalization (CLAHE) é uma técnica que divide a imagem em pequenas regiões chamadas “tiles“ e aplica a equalização de histograma em cada uma dessas regiões de forma independente.

Isso permite que o contraste seja melhorado localmente, preservando detalhes e reduzindo o ruído. Além disso, o método CLAHE tem a capacidade de limitar o aumento do contraste (daí o termo “Contrast Limited”), impedindo a amplificação do ruído que pode ocorrer na técnica regular.

cv2.createCLAHE(
    clipLimit: float = 40.0,
    tileGridSize: Optional[Tuple[int, int]] = (8, 8)
) -> cv2.CLAHE:

A implementação do CLAHE no OpenCV é feita usando a função createCLAHE(). Primeiro, um objeto CLAHE é criado com dois argumentos opcionais: clipLimit e tileGridSize.

Neste último exemplo, vamos usar uma foto que eu tirei com a minha esposa no Parque Nacional da Chapada dos Veadeiros, no estado de Goiás.

# Ler a imagem da chapada
chapada = cv2.imread('chapada.png')

# Converter para o espaço de cores HSV
chapada_hsv = chapada.copy()
chapada_hsv = cv2.cvtColor(chapada, cv2.COLOR_BGR2HSV)

# Criar um objeto CLAHE
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
chapada_hsv[:, :, 2] = clahe.apply(chapada_hsv[:, :, 2])

# Converter de volta para o espaço de cores RGB
chapada_equalized = cv2.cvtColor(chapada_hsv, cv2.COLOR_HSV2BGR)

Após carregar a imagem chapada.png, vamos converter para o espaço de cor HSV a fim de manter a consistência. Depois, aplicamos o CLAHE ao canal V usando a função cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)). Finalmente, convertemos a imagem de volta para o espaço de cores RGB para visualizar o resultado.


Na imagem original, havia uma região bem iluminada (cerca, árvore, e eu e minha esposa). Se tivéssemos optado pela equalização de histograma global, toda a imagem teria sido ajustada uniformemente, potencialmente levando à perda de detalhes em áreas muito claras ou muito escuras.

No entanto, ao usar o CLAHE, o algoritmo utilizou o contexto local, adaptando a quantidade de tiles para ajustar o contraste de cada pequena região da imagem individualmente. Isso preservou os detalhes tanto nas áreas claras quanto nas escuras, resultando em uma imagem final com contraste aprimorado e cores mais naturais.

Resumo

  • Histograma de Imagem: Um histograma de imagem representa graficamente a distribuição das intensidades dos pixels, indicando se uma imagem está corretamente exposta e ajudando a realçar detalhes ocultos.
  • Utilização de Histogramas: Histogramas são usados para várias aplicações, incluindo a segmentação de peças em esteiras de fábrica, identificação de assinaturas espectrais em imagens hiperspectrais e detecção de características locais robustas com algoritmos como SIFT e HOG.
  • Definição Formal: O histograma de uma imagem digital é uma função discreta que conta a frequência de cada valor de intensidade de pixel, podendo ser normalizado para representar a probabilidade de ocorrência de cada nível de intensidade.
  • Equalização de Histograma em Tons de Cinza: A função cv2.equalizeHist() do OpenCV ajusta o contraste de uma imagem grayscale distribuindo os valores dos pixels de forma mais uniforme ao longo da faixa de intensidade.
  • Limitações da Equalização Global: A equalização de histograma global pode não ser ideal em casos com grandes variações de intensidade, pois pode levar à perda de informações em áreas muito claras ou escuras da imagem.
  • Equalização de Histograma em Imagens Coloridas: Ao tratar imagens coloridas, a equalização de histograma deve ser aplicada no canal de intensidade (V) do espaço de cores HSV para evitar a geração de cores não naturais.
  • CLAHE – Equalização de Histograma Adaptativa: CLAHE divide a imagem em pequenas regiões e aplica a equalização de histograma localmente, preservando detalhes e evitando a amplificação de ruído. Esta técnica é eficaz para melhorar o contraste de imagens com grandes variações de iluminação.

Cite este Post de Citação

Use a entrada abaixo para citar este post em sua pesquisa:

Carlos Melo. “Histogram Equalization with OpenCV and Python”, Sigmoidal.ai, 2024, https://sigmoidal.ai/equalizacao-de-histograma-com-opencv-e-python/.

@incollection{CMelo_EqualizacaoHistograma,
    author = {Carlos Melo},
    title = {Histogram Equalization with OpenCV and Python},
    booktitle = {Sigmoidal.ai},
    year = {2024},
    url = {https://sigmoidal.ai/equalizacao-de-histograma-com-opencv-e-python/},
}

 

Compartilhar8Compartilhar47Enviar
Post Anterior

Amazon Go: Visão Computacional em uma Loja sem Caixas

Próximo Post

O que é Visão Computacional — Data Hackers Episódio #92

Carlos Melo

Carlos Melo

Engenheiro de Visão Computacional graduado em Ciências Aeronáuticas pela Academia da Força Aérea (AFA) e Mestre em Engenharia Aeroespacial pelo Instituto Tecnológico de Aeronáutica (ITA).

Relacionado Artigos

Carlos Melo e Sérgio Sacani – Ciência Sem Fim
Youtube

Carlos Melo e Sérgio Sacani – Ciência Sem Fim

por Carlos Melo
janeiro 16, 2025
Visão Computacional

Processamento de Nuvens de Pontos com Open3D e Python

por Carlos Melo
janeiro 2, 2025
Meta Movie Gen para gerar vídeos a partir de textos
Youtube

Inteligência Artificial criando filmes? Conheça Movie Gen, a nova ferramenta da META.

por Carlos Melo
outubro 30, 2024
O que é Visão Computacional - Podcast Data Hackers
Carreira

O que é Visão Computacional — Data Hackers Episódio #92

por Carlos Melo
agosto 12, 2024
Sua Casa Mais Segura com Visão Computacional
Visão Computacional

Sua Casa Mais Segura com Visão Computacional

por Rafael Duarte
abril 16, 2024
Próximo Post
O que é Visão Computacional - Podcast Data Hackers

O que é Visão Computacional — Data Hackers Episódio #92

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Pós-Graduação em Data Science Pós-Graduação em Data Science Pós-Graduação em Data Science

Mais Populares

  • Introdução ao MediaPipe e Pose Estimation

    Introdução ao MediaPipe e Pose Estimation

    463 compartilhamentos
    Compartilhar 185 Tweet 116
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    394 compartilhamentos
    Compartilhar 158 Tweet 99
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    373 compartilhamentos
    Compartilhar 149 Tweet 93
  • Equalização de Histograma com OpenCV e Python

    118 compartilhamentos
    Compartilhar 47 Tweet 30
  • Processamento de Nuvens de Pontos com Open3D e Python

    35 compartilhamentos
    Compartilhar 14 Tweet 9
  • Em Alta
  • Comentários
  • Mais Recente
Como Tratar Dados Ausentes com Pandas

Como Tratar Dados Ausentes com Pandas

agosto 13, 2019
Como usar o DALL-E 2 para gerar imagens a partir de textos

Como usar o DALL-E 2 para gerar imagens a partir de textos

dezembro 25, 2022
Introdução ao MediaPipe e Pose Estimation

Introdução ao MediaPipe e Pose Estimation

julho 15, 2023

ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

abril 10, 2023
Como Analisar Ações da Bolsa com Python

Como Analisar Ações da Bolsa com Python

15
Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

13
Como Aprender Data Science?

Como Aprender Data Science?

9
Qual o Cenário de Data Science no Brasil hoje?

Qual o Cenário de Data Science no Brasil hoje?

8
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025
DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA

DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA?

janeiro 25, 2025
Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

janeiro 22, 2025
Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

janeiro 21, 2025

Seguir

  • Geo4D apresenta uma nova abordagem para reconstrução 4D monocular de cenas dinâmicas, reutilizando modelos de difusão de vídeo. 

🌀 A técnica dispensa sensores múltiplos ou dados reais — treinando apenas com dados sintéticos e generalizando bem em zero-shot. Isso é possível porque modelos de difusão capturam priors temporais e espaciais consistentes. 

O método prevê múltiplas modalidades geométricas: mapas de pontos, profundidade e raios. Em seguida, utiliza um algoritmo leve de alinhamento multi-modal para fundi-las de forma coerente. Esse processo acontece em janelas deslizantes, permitindo reconstruções 4D contínuas e robustas mesmo em vídeos longos.

Nos benchmarks, o Geo4D superou métodos SOTA como MonST3R em estimativa de profundidade e alcançou bons resultados em pose de câmera. Uma prova do poder de integrar visão computacional e modelos generativos. 🧠

Se curtiu a ideia, deixa seu like e fortalece o post!

Fonte: Zeren Jiang

#machinelearning #computervision #datascience
  • 📸 Reconstrução 3D do Arco do Triunfo com Gaussian Splatting, a partir de um único vídeo

A técnica usada é o Gaussian Splatting, uma abordagem moderna de renderização neural que substitui malhas e voxels por distribuições gaussianas no espaço 3D.

Esses pontos flutuantes carregam cor, opacidade e variância, permitindo uma renderização ultrarrápida e detalhada - ideal para aplicações em realidade aumentada, mapeamento urbano e digital twins.

Diferente dos métodos tradicionais, esse modelo ajusta diretamente os parâmetros das gaussianas, tornando o processo leve e eficiente, inclusive em tempo real.

📌 Fonte: Bohdan Vodianyk

#ComputerVision #VisãoComputacional #MachineLearning #GaussianSplatting
  • Você ainda acredita que resolver as top-150 questões do LeetCode é suficiente para ser aprovado em uma entrevista de Machine Learning Engineer ou Computer Vision Engineer?

Talvez já tenha sido… alguns anos atrás.

Hoje, no entanto, empresas que seguem o padrão de avaliação das FAANG - como Meta (Facebook), Apple, Amazon, Netflix e Google - vêm exigindo muito mais do que apenas conhecimento em algoritmos e estrutura de dados.

✅ Espera-se domínio em ML System Design
✅ Clareza ao comunicar trade-offs técnicos
✅ Experiência real em colocar modelos de machine learning em produção

Passar pela etapa de screening é só o começo.

Se você quer realmente se destacar, aqui estão 3 livros essenciais para estudar com estratégia! Arraste o carrossel para conferir a lista.

📌 Comente se você incluiria algum outro título.
📤 Compartilhe com um colega que também está se preparando.

#machinelearning #computervision #datascience
  • 🚀 NASA testa novo laser 3D para medir ventos e melhorar previsões meteorológicas

Desde o outono de 2024, a NASA tem utilizado um instrumento avançado chamado Aerosol Wind Profiler (AWP) para medir ventos em 3D com alta precisão.

Montado em uma aeronave especial, o AWP usa pulsos de laser para detectar velocidade e direção dos ventos, além da concentração de aerossóis (poeira, fumaça, sal marinho etc).

Esses dados são valiosos para modelos de Machine Learning aplicados à previsão do tempo, detecção de anomalias e simulação atmosférica.

📊 Oportunidades diretas para ML:

🔹 Treinamento supervisionado: previsões mais precisas usando dados reais de velocidade e direção dos ventos em múltiplas altitudes.

🔹 Modelagem de séries temporais: LSTMs e Transformers podem capturar padrões em sistemas complexos como furacões.

🔹 Data fusion: integração de sensores distintos (AWP, HALO, dropsondes) é um problema clássico resolvido com ML multimodal.

🔹 Assimilação de dados: ML pode atuar em tempo real para corrigir modelos físicos via técnicas híbridas (physics-informed ML).

Se você trabalha com IA, clima ou sensoriamento remoto, esse é o tipo de dado que muda o jogo!
  • Cada passo te aproxima do que realmente importa. Quer continuar avançando?

🔘 [ ] Agora não
🔘 [ ] Seguir em frente 🚀
  • 🇺🇸 Green Card por Habilidade Extraordinária em Data Science e Machine Learning

Após nossa mudança para os EUA, muitas pessoas me perguntaram como consegui o Green Card tão rapidamente. Por isso, decidi compartilhar um pouco dessa jornada.

O EB-1A é um dos vistos mais seletivos para imigração, sendo conhecido como “The Einstein Visa”, já que o próprio Albert Einstein obteve sua residência permanente através desse processo em 1933.

Apesar do apelido ser um exagero moderno, é fato que esse é um dos vistos mais difíceis de conquistar. Seus critérios rigorosos permitem a obtenção do Green Card sem a necessidade de uma oferta de emprego.

Para isso, o aplicante precisa comprovar, por meio de evidências, que está entre os poucos profissionais de sua área que alcançaram e se mantêm no topo, demonstrando um histórico sólido de conquistas e reconhecimento.

O EB-1A valoriza não apenas um único feito, mas uma trajetória consistente de excelência e liderança, destacando o conjunto de realizações ao longo da carreira.

No meu caso específico, após escrever uma petição com mais de 1.300 páginas contendo todas as evidências necessárias, tive minha solicitação aprovada pelo USCIS, órgão responsável pela imigração nos Estados Unidos.

Fui reconhecido como um indivíduo com habilidade extraordinária em Data Science e Machine Learning, capaz de contribuir em áreas de importância nacional, trazendo benefícios substanciais para os EUA.

Para quem sempre me perguntou sobre o processo de imigração e como funciona o EB-1A, espero que esse resumo ajude a esclarecer um pouco mais. Se tiver dúvidas, estou à disposição para compartilhar mais sobre essa experiência! #machinelearning #datascience
  • 🚀Domine a tecnologia que está revolucionando o mundo.

A Pós-Graduação em Visão Computacional & Deep Learning prepara você para atuar nos campos mais avançados da Inteligência Artificial - de carros autônomos a robôs industriais e drones.

🧠 CARGA HORÁRIA: 400h
💻 MODALIDADE: EAD
📅 INÍCIO DAS AULAS: 29 de maio

Garanta sua vaga agora e impulsione sua carreira com uma formação prática, focada no mercado de trabalho.

Matricule-se já!

#deeplearning #machinelearning #visãocomputacional
  • Green Card aprovado! 🥳 Despedida do Brasil e rumo à nova vida nos 🇺🇸 com a família!
  • Haverá sinais… aprovado na petição do visto EB1A, visto reservado para pessoas com habilidades extraordinárias!

Texas, we are coming! 🤠
  • O que EU TENHO EM COMUM COM O TOM CRUISE??

Clama, não tem nenhuma “semana” aberta. Mas como@é quinta-feira (dia de TBT), olha o que eu resgatei!

Diretamente do TÚNEL DO TEMPO: Carlos Melo &Tom Cruise!
  • Bate e Volta DA ITÁLIA PARA A SUÍÇA 🇨🇭🇮🇹

Aproveitei o dia de folga após o Congresso Internacional de Astronáutica (IAC 2024) e fiz uma viagem “bate e volta” para a belíssima cidade de Lugano, Suíça.

Assista ao vlog e escreve nos comentários se essa não é a cidade mais linda que você já viu!

🔗 LINK NOS STORIES
  • Um paraíso de águas transparentes, e que fica no sul da Suíça!🇨🇭 

Conheça o Lago de Lugano, cercado pelos Alpes Suíços. 

#suiça #lugano #switzerland #datascience
  • Sim, você PRECISA de uma PÓS-GRADUAÇÃO em DATA SCIENCE.
  • 🇨🇭Deixei minha bagagem em um locker no aeroporto de Milão, e vim aproveitar esta última semana nos Alpes suíços!
  • Assista à cobertura completa no YT! Link nos stories 🚀
  • Traje espacial feito pela @axiom.space em parceria com a @prada 

Esse traje será usados pelos astronautas na lua.
para acompanhar as novidades do maior evento sobre espaço do mundo, veja os Stories!

#space #nasa #astronaut #rocket
Instagram Youtube LinkedIn Twitter
Sigmoidal

O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

Seguir no Instagram

Categorias

  • Aeroespacial
  • Artigos
  • Blog
  • Carreira
  • Cursos
  • Data Science
  • Deep Learning
  • Destaques
  • Entrevistas
  • IA Generativa
  • Livros
  • Machine Learning
  • Notícias
  • Python
  • Teoria
  • Tutoriais
  • Visão Computacional
  • Youtube

Navegar por Tags

camera calibration carreira chatgpt cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gpt-3 histograma IA generativa image formation inteligência artificial jupyter kaggle keras machine learning matplotlib mnist nft openai opencv overfitting pandas profissão python redes neurais redes neurais convolucionais regressão linear regressão logística salário scikit-learn seaborn sklearn tensorflow titanic tutorial visão computacional vídeo youtube árvore de decisão

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In

Add New Playlist

Sem Resultado
Ver Todos Resultados
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
  • English

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.