Revista Aristas Ciencia Básica y Aplicada
|
|
- María del Rosario Díaz Maldonado
- hace 5 años
- Vistas:
Transcripción
1 Contenido disponible en Revista Aristas Ciencia Básica y Aplicada ELIMINACIÓN DE LA SOBRESEGMENTACIÓN DE IMÁGENES COLPOSCÓPICAS UTILIZANDO K-MEANS. Itzel María Abundez Barrera a, Alma Patricia Vásquez González b, Raúl Bernal c, Eréndira Rendón Lara d. a Licenciada en Informática Administrativa Maestría en Ciencias en Ciencias Computacionales, Instituto Tecnológico de Toluca. iabundezb@ittoluca.edu.mx b Licenciada en Informática, Instituto Tecnológico de Orizaba. avasquezg@toluca.tecnm.mx c Ingeniero en Sistemas Computacionales, Tecnológico de Toluca. raulbv_escarlata21@hotmail.com d Doctorado en Ciencias Computacionales, Instituto Tecnológico de Toluca. erendon@ittoluca.edu.mx Información del artículo Historia del artículo: Recibido: 24 Julio 2015 Aceptado: 26 Noviembre 2015 Publicado: 02 Febrero 2016 Palabras clave: Colposcopía, Sobresegmentación, k-means. Datos de contacto del primer autor: Itzel María Abundez Barrera iabundezb@ittoluca.edu.mx México Resumen Este Una Colposcopía permite a los ginecólogos realizar un diagnóstico de la salud del cuello uterino de la mujer. Para apoyar la confiabilidad del diagnóstico haciendo uso de herramientas tecnológicas, como el procesamiento digital de imágenes a través de diferentes técnicas como la segmentación. El método de Segmentación con Operaciones morfológicas y Watershed (SOW), se diseñó para segmentar imágenes colposcópicas y con ello detectar regiones no sanas, entendiendo como no sanas a regiones que contienen una lesión por virus del papiloma humano (VPH), sin embargo, el método Watershed presenta una sobresegmentación. Para eliminar este problema se propuso el uso del algoritmo de agrupamiento k-means como solución a dicha sobresegmentación. Este agrupamiento está basado en las características propias de las imágenes, tales como el color del modelo RGB (por sus siglas en inglés Red, Green, Blue) y las texturas presentes en las imágenes en estudio. Los resultados fueron evaluados mediante el índice de similitud: sensibilidad, entre la segmentación de la metodología propuesta y la realizada por el experto humano, con el objetivo de evaluar la similitud entre regiones. La metodología fue desarrollada en el software Matlab. 17 al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 32
2 1. INTRODUCCIÓN En el tratamiento de imágenes médicas una de las etapas influyentes y determinantes para su correcta aplicación es la segmentación, es decir, el proceso de particionar imágenes según sus componentes estructurales más importantes en regiones uniformes con respecto a alguna de sus características [1]. Este proceso puede presentar ciertos inconvenientes como es la sobresegmentación, que es la obtención de segmentos no deseados de una imagen, ya sea que se generen particiones en exceso o bien particiones insuficientes con respecto a la segmentación esperada. En el trabajo de Rafael Lemus [2], después de aplicar la segmentación los resultados presentan una sobresegmentación por lo que es necesario eliminarla. Esto se logra detectando los diferentes segmentos presentes en la sobresegmentación de cada imagen de prueba, después se obtienen las características representativas de cada segmento, para posteriormente realizar la agrupación de estos segmentos con el método k-means y así generar un agrupamiento que contenga la o las regiones de interés. Al utilizar el método de agrupamiento k-means es eliminada la sobresegmentación. Todas las imágenes de prueba contienen lesiones con virus del papiloma humano. 2. TRABAJOS RELACIONADOS El trabajo SEGMENTACIÓN CON WATERSHED USANDO prior shape Y appearance knowledge [3] propone un nuevo método para mejorar la segmentación de Watershed mediante la utilización de prior shape y appearance knowledge. Este método alinea de forma iterativa un histograma forma resultando en un agrupamiento mejorado en los segmentos de Watershed, mediante el algoritmo de agrupamiento k-means, como se muestra en la Fig. 1. 1) Modelando la forma y el appearance knowledge 2) Watershed con la transformada de Watershed. El primer algoritmo propuesto está basado en lógica difusa, cuya metodología se muestra en la Fig. 2, mientras que el segundo está basado en Agrupamiento (Clustering) y en la Fig. 3 se muestra la metodología. Segmentación con Watershed Cálculo de las características estadísticas Selección de las regiones Construcción de funciones de pertenencia. Cálculo de los grados de verdad. Umbralización Creación de marcadores externos Figura 2. Metodología del Algoritmo basado en Lógica Difusa Segmentación con Watershed Filtro de Mediana Cálculo de Características 3) Mejoramiento de K-Medias 4) Alineación iterativa de la forma Agrupamiento Figura 1. Metodología de Segmentación con Watershed usando prior shape y appearance knowledge. Otro trabajo es el que se presenta en SOLUCIÓN DEL PROBLEMA DE SEGMENTACIÓN EN APLICACIONES DE LA TRANSFORMADA DE WATERSHED [4] que propone dos algoritmos para solucionar el problema de sobresegmentación realizada Operaciones Morfológicas Figura 3. Metodología del Algoritmo basado en Agrupamiento. 17 al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 33
3 3. METODOLOGÍA El Método propuesto en la presente investigación para la eliminación de la sobresegmentación, se muestra en la Fig. 4. Figura 4. Método para la eliminación de la sobresegmentación. 3.1 Segmentación con el algoritmo WATERSHED. Figura 6. Representación de una imagen en el modelo de color RGB. Con la imagen a color en su forma matricial, se procede a extraer los segmentos resultantes de la segmentación trabajando con segmentos en escala de gris y una segunda matriz, que finalmente permitan obtener las características representativas de cada segmento. La Fig. 7 muestra un ejemplo ilustrativo de este proceso. El procedimiento inicia utilizando el método de segmentación que plantea Rafael Lemus en su tesis de maestría [2] llamado SOW, el cual está basado en la transformada Watershed, donde propone reducir la sobresegmentación que la transformada de Watershed presenta, utilizando operaciones morfológicas (apertura y cierre) y filtros de gradiente (Sobel y Umbral), de tal manera que la región o regiones de interés (Lesión) estén presentes en los resultados obtenidos por el método propuesto. El modelo se presenta en la Fig. 5. Transform ar la imagen de RGB a escala de Grises Filtro por umbral Detección de Bordes y/o Operaciones Morfológicas Transform ada de Watershed Figura 5. Etapas del Desarrollo del Método SOW 3.2 obtención de segmentos presentes en la imagen para la extracción de características. Como resultado del proceso anterior, se obtiene una matriz tridimensional NxMx3, donde cada dimensión contiene los valores del modelo de color RGB para cada posición, como lo muestra la Fig. 6. Figura 7.Construcción de una matriz por segmento. a) Imagen original, b) Obtención de segmentos, c) Matriz binaria del segmento. A continuación se extraen las características por segmento: Los valores R, G y B del modelo de color RGB. Estas características se obtienen calculando la moda de cada valor. Texturas: contraste, homogeneidad, energía, correlación, entropía, media, skew, kurtosis, varianza, desviación estándar y el segundo, tercero y cuarto momento del histograma. Estas características son obtenidas de la matriz de concurrencia y del histograma asociado a cada segmento. 3.3 agrupamiento de los segmentos con k-means y construcción de la imagen resultante del agrupamiento. En esta etapa son agrupados los segmentos presentes en la segmentación, utilizando el método de agrupamiento K-means a la muestra de características, mediante los pasos: 17 al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 34
4 Indicar el número de grupos a generar, para la presente investigación se propusieron dos (regiones sanas y no sanas). El método de agrupamiento propone un centroide para cada grupo, seguido del cálculo de la distancia euclidiana a partir de las características presentes en cada segmento con respecto al centroide propuesto para dicha característica. Después, se actualizan los grupos de los segmentos. Actualización de los centroides de grupos. Este proceso se repite de manera iterativa hasta que no exista cambio en los valores de los centroides. Para este proceso se utilizó la función kmeans(x,k) de Matlab [5], donde X es la muestra después de aplicar la agrupación y k el número de grupos. Esta etapa finaliza reconstruyendo la imagen segmentada original, con la agrupación obtenida asignando el grupo resultante del k-means a cada pixel de la matriz del segmento correspondiente a ese grupo. 4. EVALUACIÓN DE LA AGRUPACIÓN DE LA SEGMENTACIÓN En esta etapa se evalúan los resultados de las nuevas imágenes resultantes de la agrupación a través de índices de similitud. Se obtiene una imagen binaria de cada imagen, de la región de interés (ROI) para después proceder a evaluarla con el índice de sensibilidad. Este índice proporciona una medida cuantificada de las nuevas segmentaciones con respecto a la segmentación realizada por un experto. la posición (x, y), presentes en las matrices y se contabilizan los pixeles coincidentes por coordenada. La intersección es el número de pixeles coincidentes y la unión es la suma de los pixeles presentes tanto en X como en Y, excepto la intersección. c. Calcular la Sensibilidad. Obtenidos los datos necesarios para la Ec. (1), calculando la ecuación para cada imagen a evaluar. 5. RESULTADOS Para llevar a cabo las pruebas se utilizó un conjunto de imágenes colposcópicas, cuyas características se muestran en la Tabla 1. Tabla 1. Características de las Imágenes Colposcópicas Nombre de la Imagen Dimensiones de la imagen Segmentos por imagen Segmentos por región de Interés Imagen1 695x Imagen2 351x Imagen3 480x Imagen4 433x Imagen5 480x Imagen6 480x Imagen7 480x Siguiendo con la metodología propuesta se realizaron las pruebas siguientes: 1. Segmentación con el algoritmo Watershed. Abrir la imagen a segmentar con el método SOW, realiza la segmentación como lo muestra la Fig SENSIBILIDAD Es definida como la proporción de elementos coincidentes entre la muestra de referencia y la segmentada, entre la totalidad de ambas muestras. Ec. (1): A B Sensibilidad = (1) A B + A B a. Obtener la matriz de datos de la imagen con la zona de interés. Para esta etapa es necesario contar con las imágenes, de la nueva segmentación la cual será comparada con la realizada por el experto humano (quien indica cual es la región que tiene una lesión por VPH), en su forma binaria con la región de interés forma matricial. b. Se obtiene la intersección y la unión. Para esta fase se realiza un recorrido de las matrices obtenidas, haciendo una comparación celda a celda para cuantificar los pixeles etiquetados con 0 (negro), en Figura 8. Prueba de Segmentación con Watershed 2. Detección de cada segmento y obtención de características. En la Fig.9 se observa el proceso en el que se realiza la detección de los segmentos presentes en la imagen y se obtienen sus características. 17 al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 35
5 Figura 9. Detección de Segmentos y obtención de características 3. Agrupamiento de los segmentos con k-means y construcción de la imagen resultante del agrupamiento. En la Fig.10 se muestra el agrupamiento y en la Fig. 11 se visualiza el resultado de la segmentación con el agrupamiento. Figura 10. Realización del agrupamiento Figura 12. Validación de resultados mediante los Índices de similitud Los resultados de realizar la validación con los índices de similitud se muestran en la Tabla 2. Tabla 2. Validación de Resultados Imagen Segmentos de la Zona de Interés después del Agrupa-miento Sensibilidad Imagen Imagen Imagen Imagen Imagen Imagen Imagen La validación permite comprobar que al utilizar el método de agrupamiento k-means se elimina la sobresegmentación, al aplicar el agrupamiento los segmentos de la zona de interés que presentan sobresegmentación fueron agrupados en el mismo grupo. Además aquellas que no muestran sobresegmentación, no presentan cambios en los segmentos que componen dicha zona, presentando como ventaja la reducción de los segmentos adicionales que acompañan a la zona de interés. La Fig. 10 muestra de forma gráfica los resultados, pudiendo apreciar que los segmentos obtenidos tienen un alto grado de similaridad, recordando que dos imágenes son iguales cuando el valor de similaridad es 1. Figura 11. Imagen Resultante del Agrupamiento 4. Validación de la segmentación resultante después del agrupamiento mediante el cálculo de la Sensibilidad, como se muestra en la Fig Sensibilidad al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 36
6 6. CONCLUSIONES Las conclusiones obtenidas en la presenta investigación son: 1. La mala Calidad e Iluminación de una imagen afecta en su totalidad el proceso de segmentación. 2. Los diferentes segmentos presentes en la sobresegmentación deben tener características marcadamente distintas para que sean distinguibles entre sí. 3. El funcionamiento del algoritmo K-means depende en gran medida de las características de cada segmento de la sobresegmentación, las cuales a su vez son totalmente dependientes de la calidad de las imágenes colposcópicas. 7. REFERENCIAS [1] Gustavo Meschino, Modelos Híbridos de Inteligencia Computacional aplicados en la Segmentación de Imágenes de Resonancia Magnética, Tesis de Doctorado. Universidad Nacional de Mar del Plata, [2] G. Rafael Lemus Segmentación de Imágenes Colposcópicas Mediante Técnicas Basadas en Regiones, Tesis de Maestría. ITT, [3] Ghassan Hamarneh and Li Xiaoxing, Watershed segmentation using prior shape and appearance knowledge, Image and Vision Computing. Vol. 27. No. 1. pp , [4] Mariela González, Gustavo Meschino and Virginia Ballarin, Solving the over segmentation problem in applications of Watershed Transform, Journal of Biomedical Graphics and Computing, pp , [5] Matlab (2015). Versión: R2015a. Número de licencia: Vigencia: 01/03/ al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 37
Introducción al Procesamiento de Imágenes Satelitales con Software Libre. Módulo 03
Introducción al Procesamiento de Imágenes Satelitales con Software Libre Módulo 03 Dirección de Formación de Capital Humano Especializado en el Campo Espacial Agencia Espacial Mexicana www.gob.mx/aem Plan
Más detallesCAPÍTULO 2. Desde el punto de vista más simple, hoy una imagen digital consiste de lo que se puede ver
CAPÍTULO 2 PROCESAMIENTO DE IMÁGENES 2.1 Imágenes Digitales Desde el punto de vista más simple, hoy una imagen digital consiste de lo que se puede ver como una matriz de miles o millones de píxeles cada
Más detallesContenido. Capítulo 1. Capítulo 2. Capítulo 3. Prólogo
Contenido Prólogo XIII Capítulo 1 Acerca del procesamiento de imágenes 1 1.1 Introducción 2 1.2 Sistema de visión y procesamiento de imágenes 2 1.3 Procesamiento digital de imágenes 3 1.4 Relaciones básicas
Más detallesPorqué analizar imágenes?
Porqué analizar imágenes? Medidas que requieren estudiar un número demasiado elevado de imágenes. Análisis cuantitativo: La visión humana no cuantifica por si sola. El análisis automático es más repetitivo
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesIngeniería en Informática
Ingeniería en Informática Procesamiento de Imágenes Digitales 1 a convocatoria oficial, curso 2008-2009 APELLIDOS: NOMBRE: En las preguntas tipo test cada respuesta correcta puntúa 0.5 puntos, mientras
Más detalles5. Software desarrollado
5. Software desarrollado Como ya se ha señalado, en el desarrollo de este proyecto se ha creado una herramienta que ayuda al diagnóstico de cáncer de cérvix. Esta herramienta calcula una serie de parámetros
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesTABLA DE CONTENIDOS. Dedicatoria. Agradecimientos. Tabla de Contenidos. Índice de Figuras. Índice de Tablas. Resumen
TABLA DE CONTENIDOS página Dedicatoria Agradecimientos Tabla de Contenidos Índice de Figuras Índice de Tablas Resumen I II IV VII X XI 1. Introducción 13 1.1. Descripción del contexto.........................
Más detallesLicense Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Más detallesMonitoreo y control del proceso de germinación de plantones usando patrones de reconocimiento de imagen
Monitoreo y control del proceso de germinación de plantones usando patrones de reconocimiento de imagen Carlo Renzo Huamán Torres, Danilo Alfonso Montaño Huidobro y Luis Vives Garnique 6 Las empresas dedicadas
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesClasificación. Agrupación de las partes de una imagen de forma homogénea
Clasificación Agrupación de las partes de una imagen de forma homogénea Clasificación o clustering Intenta clasificar los píxeles directamente en clases, en función de ciertas características de cada píxel.
Más detallesTema 4: MORFOLOGÍA (Parte II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 4: MORFOLOGÍA (Parte II) 1 I N G E N I E R Í A I N F O R M Á T I C A 2 Morfología Imágenes binarias Imágenes en escala de grises Operaciones morfológicas Aplicaciones Operaciones morfológicas Aplicaciones
Más detallesApéndice A: Funciones del programa LightPAP
Apéndice A: Funciones del programa LightPAP A continuación se van a explicar las funciones principales que se han desarrollado para esta aplicación. 1 calcula_prop.m function [nc,cv,posicion,tinta,saturacion,luminancia]
Más detallesCapítulo 4. Detección del Objeto Conocido, Medición de su Tamaño Virtual y Cálculo de la Distancia
Capítulo 4. Detección del Objeto Conocido, Medición de su Tamaño Virtual y Cálculo de la Distancia 4.1 Características del objeto a medir El objeto a ser procesado es de dimensiones conocidas, y tiene
Más detallesCAPITULO 5. Introducción al procesamiento de imágenes. Continuar
CAPITULO 5 Introducción al procesamiento de imágenes Continuar Introducción De forma similar al estudio de las señales de voz, los sistemas de comunicación manipulan datos que corresponden a imágenes y
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Transformada watershed CONCEPTOS BÁSICOS En la morfología matemática, se define una técnica de segmentación basada en regiones denominada transformada
Más detallesINDICE Prefacio 1. Introducción 2. Fundamentos de la imagen digital
INDICE Prefacio XVII 1. Introducción 1.1. Fundamentos 1 1.2. Representación digital de imágenes 6 1.3. Etapas fundamentales del procesamiento de imágenes 8 1.4. Elementos de los sistemas de procesamiento
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Vision artificial. CURSO ACADÉMICO - SEMESTRE Segundo semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Vision artificial CURSO ACADÉMICO - SEMESTRE 2016-17 - Segundo semestre GA_56AA_563000008_2S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación
Más detallesÍndice 1. Introducción Imagen digital. Formación imagen Histograma de una imagen digital 2. Transformaciones puntuales. Introducción.
Índice 1. Imagen digital. Formación imagen Histograma de una imagen digital 2. Transformaciones puntuales Procesamiento de imágenes digitales Transformaciones basadas en el histograma Ecualización del
Más detallesTema 5: Morfología. Segunda parte
Tema 5: Morfología Segunda parte 1. Imágenes binarias Morfología Operaciones morfológicas:» Dilatación, erosión, Transformada Hit-or-Miss, apertura y cierre. Aplicaciones:» Extracción de fronteras y componentes
Más detalles7. Ejemplos con LightPAP
7. Ejemplos con LightPAP La herramienta creada se ha testado con una secuencia de siete imágenes de citologías muy diferentes entre sí. Estas imágenes han sido proporcionadas por un grupo de investigación
Más detallesApuntes Curso Doctorado: Análisis de Imágenes y Reconocimiento de formas. Elena Díaz Fernández
Apuntes Curso Doctorado: Análisis de Imágenes y Reconocimiento de formas Elena Díaz Fernández 20 de noviembre de 2007 Análisis de Imágenes y Reconocimiento de formas Código Asignatura 26212 Tipo Fundamental
Más detallesRevista Aristas Ciencia Básica y Aplicada
Contenido disponible en http://fcqi.tij.uabc.mx/usuarios/revistaaristas/ Revista Aristas Ciencia Básica y Aplicada DETECTOR DE BORDES PARA IMÁGENES BIOMÉTRICAS BASADO EN LÓGICA DIFUSA. Emanuel Ontiveros
Más detallesCAPÍTULO Inteligencia Artificial y Redes Neuronales Artificiales
CAPÍTULO 1 INTRODUCCIÓN 1.1 Inteligencia Artificial y Redes Neuronales Artificiales Durante las últimas décadas se han ido desarrollando investigaciones importantes en el área de la inteligencia artificial.
Más detallesDeteccio n de monedas con el me todo de la transformada de Hough
Deteccio n de monedas con el me todo de la transformada de Hough G R U P O 10 C A R L O S H E R C E G U I L L E R M O G U T I É R R E Z Procesamiento de Imágenes Digitales Ingeniería en Informática. Enero
Más detallesTema 4: MORFOLOGÍA (Parte I) I N G E N I E R Í A I N F O R M Á T I C A
Tema 4: MORFOLOGÍA (Parte I) 1 I N G E N I E R Í A I N F O R M Á T I C A 2 La morfología matemática se basa en operaciones de teoría de conjuntos. En el caso de imágenes binarias, los conjuntos tratados
Más detallesLa Transformada de Hough. Detección de Líneas y Círculos. Presentado por: Tania Martínez
. Detección de Líneas y Círculos Presentado por: Tania Martínez Herramienta utilizada para detectar figuras en una imagen digital que pueden ser expresadas matemáticamente, tales como rectas, círculos
Más detallesIngeniería Sísmica y Teledetección: estimación de la exposición y la vulnerabilidad de Lorca, España, utilizando ortofotos y LiDAR
Ingeniería Sísmica y Teledetección: estimación de la exposición y la vulnerabilidad de Lorca, España, utilizando ortofotos y LiDAR JJ Arranz (josejuan.arranz@upm.es), Y. Torres (y.torres@upm.es), A. Haghi
Más detallesCapítulo 2: Segmentación de imágenes
Capítulo 2: Segmentación de imágenes 2.1.- Introducción Como se ha comentado en la presentación, la segmentación de la imagen es el proceso que divide una imagen en regiones u objetos cuyos píxeles poseen
Más detallesPROCESAMIENTO DIGITAL DE IMÁGENES
PROCESAMIENTO DIGITAL DE IMÁGENES Nombre de la materia: Procesamiento Digital de Imágenes Profesor: Dr. Wilfrido Gómez Flores Número de horas: 60 horas (4 horas semanales). Sitio web: http://www.tamps.cinvestav.mx/~wgomez/teaching.html
Más detallesKorell, Guillermo Pohl, Nancy. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas
Unión de imágenes mediante correlación Korell, Guillermo Pohl, Nancy Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas Captura y Procesamiento Digital de Señales e Imágenes Resumen:
Más detallesFigura 1: Propiedades de textura: (a) Suavidad, (b) Rugosidad y (c) Regularidad
3 TEXTURA 3.1 CONCEPTO DE LA TEXTURA La textura es una característica importante utilizada en segmentación, identificación de objetos o regiones de interés en una imagen y obtención de forma. El uso de
Más detallesExtracción de Bordes
Visión por Computadora Unidad IV Extracción de Bordes Rogelio Ferreira Escutia Contenido 1) Conceptos sobre Bordes 2) Extracción de bordes por Derivadas 3) Operadores de Primera Derivada 1) Conceptos sobre
Más detallesTema 2: PROCESAMIENTO EN EL DOMINIO ESPACIAL (Parte 2)
Tema 2: PROCESAMIENTO EN EL DOMINIO ESPACIAL (Parte 2) 1 I N G E N I E R Í A I N F O R M Á T I C A D P T O. M A T E M Á T I C A A P L I C A D A I 2 ÍNDICE: Filtrado espacial Filtros de suavizado Filtros
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detallesCaptura y Procesamiento Digital de Sen ales e Imagenes. Trabajo de Aplicacion. Filtro Adaptativo de mediana
Captura y Procesamiento Digital de Sen ales e Imagenes Trabajo de Aplicacion Filtro Adaptativo de mediana Alumnos: Long Sebastian. Villanueva Rau l. Zalazar Gustavo. 5 de noviembre de 2004. Introduccio
Más detallesOrden de las clases...
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 18 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesContenido Capítulo 1 Introducción Capítulo 2 Conceptos Básicos Capítulo 3 Procesamiento de Imágenes en el Dominio Espacial
Contenido Capítulo 1 Introducción 1.Introducción 1 1.1 Sistema Visual Humano 1 1.2 Modelo de Visión por Computadora 3 1.3 Procesamiento Digital de Imágenes 3 1.4 Definición de Imagen Digital 4 Problemas
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 18
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 18 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesMorfología matemática en color para el análisis de imágenes neuronales
INFORME TÉCNICO VC-6-2005 Morfología matemática en color para el análisis de imágenes neuronales (Realizado por Francisco Ortiz Zamora Profesor Titular de Escuela Universitaria, Universidad de Alicante)
Más detallesSegmentación de imágenes. Procesamiento de imágenes biomédicas Curso 2011
Segmentación de imágenes Procesamiento de imágenes biomédicas Curso 2011 Introducción Hasta ahora el procesamiento digital de una imagen implicaba, una imagen de entrada y una imagen de salida. Ahora con
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Vision artificial. CURSO ACADÉMICO - SEMESTRE Segundo semestre
ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE ASIGNATURA Vision artificial CURSO ACADÉMICO - SEMESTRE 2014-15 - Segundo semestre FECHA DE PUBLICACIÓN Diciembre - 2014 GA_56AA_563000008_2S_2014-15 Datos Descriptivos
Más detallesClustering. Departamento de Ingeniería Informática y de Sistemas Universidad de La Laguna
Clustering Christopher Expósito Izquierdo Airam Expósito Márquez Israel López Plata Belén Melián Batista J. Marcos Moreno Vega {cexposit, aexposim, ilopezpl, mbmelian, jmmoreno}@ull.edu.es Departamento
Más detallesTratamiento de imágenes Operaciones con el histograma de una imagen
Tratamiento de imágenes Operaciones con el histograma de una imagen Héctor Alejandro Montes hamontesv@uaemex.mx http://scfi.uaemex.mx/hamontes Advertencia No use estas diapositivas como referencia única
Más detallesSegmentación. Transformada de Hough.
Segmentación. Transformada de Hough. Departamento de Ingeniería electrónica, Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática OBJETIVOS: Uso de la transformada de Hough como técnica
Más detalles3 Fundamentos y algoritmos de visión artificial
3. Descripción de los procesos utilizados En esta aplicación el problema de visión artificial que se plantea es la discriminación y localización de una serie de objetos, concretamente discos circulares
Más detallesProcesamiento de Imágenes. Curso 2011 Clase 3 Eliminación del ruido mediante filtrado espacial
Procesamiento de Imágenes Curso 2 Clase 3 Eliminación del ruido mediante filtrado espacial Eliminación del ruido Entendemos por ruido en imágenes digitales cualquier valor de un píxel de una imagen que
Más detallesSEGMENTACIÓN AUTOMÁTICA DE TEJIDOS CEREBRALES EN MRI MULTIESPECTRALES MEDIANTE CLASIFICACIÓN POR MÍNIMA DISTANCIA EUCLÍDEA
42 Jornadas Argentinas de Informática 4 Congreso Argentino de Informática y Salud Facultad de Matemática, Astronomía y Física Universidad Nacional de Córdoba Córdoba, Argentina SEGMENTACIÓN AUTOMÁTICA
Más detallesAlgoritmo para el conteo de glóbulos rojos mediante procesamiento digital de imágenes. Algorithm for red blood cell count by digital image Processing
Artículos originales theorēma Vol 3, N 4, pp.35-42 (UNMSM, Lima 2016) ISSN 2312-6450 INGENIERÍA ELECTRÓNICA Y ELÉCTRICA Algoritmo para el conteo de glóbulos rojos mediante procesamiento digital de imágenes
Más detallesSistemas de Percepción
PROGRAMA DE LA ASIGNATURA: Sistemas de Percepción Código: 3042105040 Curso 2006/2007 CENTRO: ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES TITULACIÓN: INGENIERO EN AUTOMÁTICA Y ELECTRÓNICA INDUSTRIAL
Más detallesTécnicas de Segmentación
Técnicas de Segmentación M.C. Sayde Alcántara Santiago Licenciatura en Informática (951) 50 1 72 08 Ext. 1024 salcantara@jacinto.novauniversitas.edu.mx Resumen El desarrollo de las tecnologías de adquisición
Más detallesProcesamiento del Lenguaje Natural Comparación de algoritmos de lematización
Procesamiento del Lenguaje Natural Comparación de algoritmos de lematización Jorge Mansilla Sierra Magíster Informática Médica Dr. Alejandro Mauro 20 / Diciembre / 2014 1 Agenda Procesamiento del Lenguaje
Más detallesSistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador
Más detallesSegmentación de imágenes a través de reconstrucción morfológica en niveles de gris.
Segmentación de imágenes a través de reconstrucción morfológica en niveles de gris. Moler Emilce, Pastore Juan Ignacio, Bouchet Agustina Laboratorio de Procesos y Medición de Señales Facultad de Ingeniería,
Más detallesTrabajo Final Captura y Procesamiento Digital de Imágenes
Trabajo Final Captura y Procesamiento Digital de Imágenes Reconocimiento Automático de Matriculas Dorsch, Juan Pablo Fort Villa, Alejandro Furlan, Lucas Objetivos Localizar la Ubicación de la Chapa Patente
Más detallesLaboratorio de Visión para Robots. Práctica 2
1. Preparación del entorno de trabajo Laboratorio de Visión para Robots Práctica 2 La manera en la que trabajaremos será primero utilizando Eclipse para prototipar nuestro programa. Cuando podamos procesar
Más detallesExtracción de Regiones
Visión por Computadora Unidad V Extracción de Regiones Rogelio Ferreira Escutia Contenido ) Conceptos sobre Regiones 2) Binarización mediante detección de umbral 3) Etiquetado de componentes conexas 4)
Más detallesVoxel Based Morphometry (VBM) Grupo de Inteligencia Computacional UPV-EHU Maite Termenón
Voxel Based Morphometry (VBM) Grupo de Inteligencia Computacional UPV-EHU Maite Termenón Qué es? Es una técnica que permite la comparación de la concentración de materia, vóxel a vóxel de los distintos
Más detallesUso de las estadísticas de los histogramas para el realce local de imágenes
Uso de las estadísticas de los histogramas para el realce local de imágenes Albornoz, Enrique Marcelo y Schulte, Walter Alfredo 5 de noviembre de 2004 Captura y Procesamiento Digital de Imágenes. Facultad
Más detallesExamen correspondiente a la evaluación alternativa. Procesamiento de imágenes digitales curso 2007/2008
Examen correspondiente a la evaluación alternativa Procesamiento de imágenes digitales curso 2007/2008 Cada respuesta correcta puntúa 0.25. Cada respuesta incorrecta puntúa -0.05. 1. Cuál de las siguientes
Más detallesANALISIS Y DETERMINACIÓN DE PROPIEDADES EN IMÁGENES DE CITOLOGÍA
6. Guía de usuario En este apartado se va a explicar el funcionamiento de la aplicación desarrollada, con sus distintas opciones y posibilidades. A la vez, se irá mostrando el proceso de ajuste de parámetros
Más detallesAcentuado de una imagen en el dominio JPEG
Acentuado de una imagen en el dominio JPEG Fortonani, Daniela - Peralta, Alejandro - Wilde, Ma. Lucila Facultad de Ingeniería y Ciencias Hídricas Universidad Nacional del Litoral 21 de junio de 2007 1
Más detallesSegmentación de Imágenes Parte 2
Segmentación de Imágenes Parte 2 Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Parcial - respuestas Descripción del Color Tres atributos: - Brillo
Más detallesEstudio comparativo de algoritmos disponibles en ITK para la segmentación de imágenes médicas Aplicación al caso particular de la aurícula izquierda
Estudio comparativo de algoritmos disponibles en ITK para la segmentación de imágenes médicas Aplicación al caso particular de la aurícula izquierda Autor Joaquín Panduro Cívico Tutora Carmen Serrano Gotarredona
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE INGENIERÍA EN ELECTRICIDAD Y COMPUTACIÓN Segmentación de imágenes médicas para detección de detalles Tomografías y Ecografías REPORTE DE MATERIA DE
Más detallesReconocimiento automático a través de visión artificial, correlación estadística y Matlab aplicado a las matrículas de vehículos
Reconocimiento automático a través de visión artificial, correlación estadística y Matlab aplicado a las matrículas de vehículos Orlando Barcia * obarcia@ups.edu.ec Introducción Existen muchas investigaciones
Más detallesPROCESAMIENTO DE IMÁGENES APLICADOS A LA EDUCACIÓN
PROCESAMIENTO DE IMÁGENES APLICADOS A LA EDUCACIÓN Resumen En el procesamiento de Imágenes es necesario implementar algoritmos de bajo costo para identificar objetos básicos, como son figuras geométricas,
Más detallesCAPÍTULO 4. PRUEBAS Y RESULTADOS. la mayor confiabilidad e integridad posible de la información en todas sus fases, esto se
CAPÍTULO 4. PRUEBAS Y RESULTADOS. El reconocimiento de objetos mediante la Transformada de Distancia debe ofrecer la mayor confiabilidad e integridad posible de la información en todas sus fases, esto
Más detallesSegmentación de imágenes biomédicas
Segmentación de imágenes biomédicas Definición de segmentación La segmentación es la partición de una imagen, en un subconjunto regiones homogéneas en base a una característica (intensidad, textura,...).
Más detalles(1) Métodos y materiales
Desarrollo de un filtro en el dominio de la frecuencia para procesamiento digital de imágenes de huella dactilar basado en la Transformada Rápida de Fourier Modificada. Resumen. El análisis en frecuencia
Más detallesDetección y segmentación de objetos
24 de abril de 2013 ¾Qué es segmentación? Segmentación Objetivo El objetivo de la segmentación de una imagen es el agrupamiento de ciertos píxeles de la imagen en regiones correspondientes a objetos contenidos
Más detallesCaracterización de Imágenes
de Imágenes Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Caracterizar: "determinar los atributos peculiares de alguien o de algo, de modo que claramente
Más detallesTÉCNICAS ESPECIALES DE IMÁGENES
Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE) Coordinación de Ciencias Computacionales (CCC) TÉCNICAS ESPECIALES DE IMÁGENES Procesamiento Digital de Señales Puebla, México Noviembre,
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales REPRESENTACIÓN Y DESCRIPCIÓN Rasgos morfológicos RASGOS GEOMÉTRICOS El área y perímetro de un objeto son dos rasgos primarios que se utilizan cuando el tamaño de las regiones
Más detallesCAPÍTULO 2. MARCO TEÓRICO. El reconocimiento de imágenes es en general un proceso complejo que requiere una serie
CAPÍTULO 2. MARCO TEÓRICO El reconocimiento de imágenes es en general un proceso complejo que requiere una serie de pasos que sucesivamente transforman los datos icónicos a información que la computadora
Más detallesFILTRO DE COLOR FUZZY BASADO EN EL HISTOGRAMA PARA LA RESTAURACIÓN DE IMÁGENES. Jesús López de la Cruz Grupo 10
FILTRO DE COLOR FUZZY BASADO EN EL HISTOGRAMA PARA LA RESTAURACIÓN DE IMÁGENES Jesús López de la Cruz Grupo 10 Problema Soluciones anteriores Algoritmo HFC Explicación visual Problema Tenemos una imagen
Más detallesCapítulo. Antecedentes de los métodos de Segmentación.
Capítulo 1 Antecedentes de los métodos de Segmentación. Este capítulo tiene como propósito proporcionar los conocimientos básicos de la segmentación y principales métodos existentes en nuestro campo de
Más detalles[20380] Visió per Computador Prueba 2 (2017) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 2 (2017) [A] Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. Cuál de los siguientes algoritmos constituye por sí solo un descriptor
Más detallesDETECCION DE ESQUINAS. ALGORITMO HARRIS SISTEMAS DE VISIÓN EN MANUFACTURA. ANDREAS OBED LLANES CORNEJO
DETECCION DE ESQUINAS. ALGORITMO HARRIS SISTEMAS DE VISIÓN EN MANUFACTURA. ANDREAS OBED LLANES CORNEJO GENERALIDADES Tipos de esquinas presentes en la imagen: Geométricas, Texturadas, Proyección de un
Más detallesSEGMENTADO DE HUELLAS EN FICHAS DECADACTILARES
Captura y Procesamiento Digital de Señales e Imagenes Trabajo Final: SEGMENTADO DE HUELLAS EN FICHAS DECADACTILARES Barletta, juan Schinner, Sebastián Zarza, Gonzalo INTRODUCCION Limpieza y una Segmentación
Más detallesPROCESAMIENTO DIGITAL DE IMÁGENES
PROCESAMIENTO DIGITAL DE IMÁGENES 2 OBJETIVO GENERAL Familiarizarse con el análisis de imágenes a través de computadores, aprendiendo técnicas de procesamiento, utilizando la librería de programación OpenCV,
Más detallesFundamentos de Visión por Computador
Fundamentos de Visión por Computador Sistemas Informáticos Avanzados Índice Introducción Conectividad Operaciones matemáticas básicas OR AND NOT XOR Operadores morfológicos Dilatación Erosión Cierre Apertura
Más detallesCapítulo 7 Algoritmos de Segmentación
Capítulo 7 Algoritmos de Segmentación 71 Capítulo 7 Algoritmos de Segmentación 7.1 Investigación y selección de algoritmos de segmentación de publicaciones recientes El proceso de investigación de los
Más detallesTécnicas de inteligencia artificial. Visión Artificial Extracción de características
Técnicas de inteligencia artificial Visión Artificial Extracción de características Indice Transformada de Hough Características: SIFT Transformada de Hough Fundamentos: Motivación: Desarrollar técnicas
Más detallesControl Neuro-Difuso Aplicado a una Grúa Torre. Chahuara Quispe, José Carlos. I. INTRODUCCIÓN
I. INTRODUCCIÓN El presente trabajo de tesis consiste en la automatización del funcionamiento de una Grúa utilizando técnicas Neuro-difusas. La Grúa es como la que se muestra en la figura 1.1, y es conocida
Más detallesM.C. ENRIQUE MARTÍNEZ PEÑA
Tema 4.5 Operaciones morfológicas fundamentales 2 1 3 Introducción Los filtros morfológicos fueron originalmente concebidos para ser usados sobre imágenes binarias (1/0; blanco/negro). Estas se encuentran
Más detallesTécnicas de inteligencia artificial. Visión Artificial Detección de aristas y puntos característicos
Técnicas de inteligencia artificial Visión Artificial Detección de aristas y puntos característicos Indice Detección de aristas Algoritmo de Canny Algoritmo de Susan Aristas ( Edges ) Operadores de gradiente:
Más detallesFundamentos de Visión por Computador
Fundamentos de Visión por Computador Sistemas Informáticos Avanzados Índice Filtrado en el espacio Filtros lineales Tipos de ruido Filtro media Filtro mediana Filtros gausianos Filtrado en la frecuencia
Más detallesFusión de Imágenes Usando Frecuencia Espacial en Imágenes de Microscopia
Fusión de Imágenes Usando Frecuencia Espacial en Imágenes de Microscopia Jorge A. Hernández Tapia 1, Juan C. Valdiviezo 1 y C. Toxqui-Quitl 1 1 Universidad Politécnica de Tulancingo, Calle Ingenierías
Más detallesConceptos Básicos para el Procesamiento Digital de Imágenes
ELO 313 Procesamiento Digital de Señales con Aplicaciones Conceptos Básicos para el Procesamiento Digital de Imágenes Matías Zañartu, Ph.D. Departamento de Electrónica Universidad Técnica Federico Santa
Más detalles1 MEMORIAS TECNyMED 2013
SISTEMA DE ANALISIS DE MOVIMIENTO EN LOS PLANOS SAGITAL Y CORONAL POR MEDIO DE VIDEOGRAMETRÍA Emmanuel Jiménez-Vázquez a, Irving Omar Cázares-Ramírez a, Alejandro Tonatiu Velázquez- Sánchez a, Guillermo
Más detallesMétodos Avanzados para Análisis y Representación de Imágenes
Morfología Matemática p. 1/24 Métodos Avanzados para Análisis y Representación de Imágenes Morfología Matemática en niveles de gris Departamento de Informática - FICH Universidad Nacional del Litoral Septiembre
Más detallesTema 2: PROCESAMIENTO EN EL DOMINIO ESPACIAL (Parte 1)
Tema 2: PROCESAMIENTO EN EL DOMINIO ESPACIAL (Parte 1) 1 I N G E N I E R Í A I N F O R M Á T I C A D P T O. M A T E M Á T I C A A P L I C A D A I 2 ÍNDICE: Nociones básicas Concepto de ruido Dominio espacial:
Más detallesPercepción visual aplicada a la robótica
Percepción visual aplicada a la robótica Mario I. Chacón Murguía Rafael Sandoval Rodríguez Javier Vega Pineda Selecciona el libro para empezar Capítulo 1 Conceptos básicos de procesamiento de imágenes
Más detallesCapitulo 5: Conclusiones y Trabajos futuros.
Capitulo 5: Conclusiones y Trabajos futuros. 5.1 Conclusiones. Después de una investigación completa sobre lo que es la medicina tecnológica y en especial enfocándola a la dermatología, se decidió hacer
Más detalles