Rss Feed
Tweeter button
Facebook button
Myspace button
Linkedin button
Delicious button
Digg button

Curso C3

Segmentación de Imágenes mediante Reconocimiento de Patrones

Ing. Diego Sebastián Comas y Dr. Gustavo Javier Meschino
Duración: 10 horas  -Martes 12 a Viernes 15 de 13:00 a 15:30 – ir a la Inscripción

En el Procesamiento Digital de Imágenes, la segmentación de imágenes constituye una de las principales problemáticas a resolver, permitiendo la extracción de contornos, texturas y regiones presentes y facilita etapas posteriores del procesamiento relacionadas con la representación e interpretación de la información contenida.
Existen diferentes formas de realizar la segmentación de una imagen. El enfoque basado en reconocimiento de patrones consiste en el uso secuencial de: técnicas de extracción de características, que identifican o describen numéricamente píxeles o regiones de la imagen, y técnicas de reconocimiento de patrones, que permiten separar regiones en la imagen, identificando las mismas según sus diferentes características.
Una gran cantidad de algoritmos ha sido desarrollada para la extracción de características y reconocimiento de patrones, con enfoques y criterios muy variados. Cada uno se basa en un determinado paradigma de análisis del problema y un conjunto de parámetros que lo definen. La gran cantidad de parámetros involucrados en el uso de cada técnica hace a menudo difícil la optimización del algoritmo a utilizar. Frecuentemente, además, es necesaria la combinación de varias técnicas para una tarea específica de segmentación.
En este curso se propone el estudio de las metodologías existentes para las etapas de la segmentación de imágenes utilizando técnicas de Reconocimiento de Patrones. Se analizarán los conceptos básicos de diferentes algoritmos, sus parámetros de configuración y la manera computacional de aplicarlos a la segmentación de imágenes. Se analizarán ejemplos de problemas reales de diversas disciplinas que pueden resolverse con los métodos estudiados en el curso.

Material

ECIMAG2014-Curso-C3_Modulo.pdf – descargar

Temario

Introducción a la segmentación de imágenes. Definición. Técnicas basadas en discontinuidades. Detección de puntos aislados, bordes, contornos, líneas. Técnicas basadas en similaridad (regiones). Ejemplos. Duración: 1 hora.
Reconocimiento de patrones. Definición. Distinción entre métodos supervisados y no supervisados. Conceptos de Clustering. Algoritmos K-Means y Fuzzy C-Means. Mapas autoorganizados. Clasificación. Algoritmos de K-vecinos más próximos.
Redes neuronales supervisadas: probabilísticas y multicapa. Ejemplos. Duración: 3 horas.
Extracción de características. Introducción a los métodos de extracción de características: información de color, información de posición. Concepto de textura. Métodos de extracción de características basados en texturas: matrices de coocurrencia, transformada de Fourier y de Fourier-Mellin, métodos basados en granulometría, modelos fractales. Análisis de ejemplos. Duración: 4 horas.
Evaluación de la calidad de la segmentación. Matriz de confusión. Exactitud. Porcentaje de error. Coeficientes de Tanimoto y otras medidas.
Análisis de aplicaciones existentes de segmentación basada reconocimiento de patrones. Duración: 2 horas.

Bibliografía

- Abras G. N., Ballarin V. L. (2005): A Weighted K-means Algorithm applied to Brain Tissue Classification, JCS&T Vol. 5 No. 3.
- Ballard D. H., Brown C. M. (1992): Computer vision, Englewood Cliffs, N.J., Prentice-Hall, ISBN 0-1316-5316-4.
- Ballarin V. L. (2001): Procesamiento Digital de Imágenes aplicado a la Clasificación de Tejido Cerebral, Tesis de Doctorado en Ciencias Biológicas (orientación Bioingeniería), Universidad Nacional de Tucumán, Tucumán.
- Baxes G. A. (1994): Digital image processing: principles and applications, New York, Wiley, ISBN 0-4710-0949-0.
- Bezdek J. C., Keller J., Krisnapuram R., Pal N. R. (1999): Fuzzy Models and Algorithms for Pattern Recognition and Image Processing, ISBN 978-0-7923-8521-9.
- Carpenter A.E.., Jones T.R., Lamprecht M.R., Clarke C., Kang I.H., Friman O., Guertin D.A., Chang J.H., Lindquist R.A., Moffat J., Golland P., Sabatini D.M. (2006): Cell Profiler: image analysis software for identifying and quantifying cell phenotypes, Genome Biology, 7:R100.
- Changjiang S., Guangrong J., Yangfan W. (2009): Study of Texture Images Classification Method Based on Fractal Dimension Calculation, JCAI ‘09. International Joint Conference on, pp. 488-491.
- Comas D. S., Meschino G. J. y Ballarin V. L. (2010): Framework de segmentación y análisis de imágenes mediante reconocimiento de texturas. Argentinian Symposium of Technology 2010 (AST 2010), 39° JAIIO. ISSN: 1850-2806, pp. 1529-1541.
- Derrode S., Ghorbel F. (2001): Robust and eficient Fourier-Mellin transform approximations for gray-level image reconstruction and complete invariant description, Computer Vision and Image Understanding, Vol. 83, No. 1, pp. 57-78.
- Duda R. O., Hart P. E., Stork D. G. (2000): Pattern Classification, New York, Wiley Interscience. ISBN 978-0-4710-5669-0.
- Gonzalez R. C., Woods R. E. (2002): Digital image processing, Upper Saddle River, N.J., Prentice Hall, ISBN 0-2011-8075-8.
- Haykin S. (1999): Neural Networks. Macmillan College Publishing Company. Second Edition.
- Jain A.K., Murty M.N., Flynn P.J. (1999): Data Clustering: A Review, ACM Computing Surveys, Vol. 31, No. 3.
- Jiménez Jamarillo A. (2002): Análisis del Comportamiento de Descriptores de la Matriz de Coocurrencia en la Extracción de Características de Textura en Imágenes Digitales, Trabajo Final de la carrera de grado de Ingeniería Electrónica, Facultad de Ingeniería, Universidad Nacional de Colombia.
- Meschino G. J. (2008): Modelos híbridos de Inteligencia Computacional aplicados en la Segmentación de Imágenes de Resonancia Magnética, Tesis de Doctorado en Ingeniería, orientación Electrónica, Facultad de Ingeniería, UNMDP.
- Meschino G. J., Moler E. G. (2004): Semiautomated Image Segmentation of Bone Marrow Biopsies by Texture Features and Mathematical Morphology, Analytical and Quantitative Cytology and Histology, Vol 26, No. 1, pp. 31-38.
- Meschino G., Passoni L., Scandurra A., Ballarin V. (2006): Representación automática pseudo color de imágenes médicas mediante Mapas Autoorganizados, Título en resúmenes de 35ºJAIIO, Mendoza.
- Moler E. G., Ballarin V. L., Gonzalez M. (1999): Características Estadísticos, Espectrales y Morfológicos para Clasificación de Texturas: Un Análisis Comparativo, VIII RPIC Reunión de Trabajo en Procesamiento de la Información y Control, Mar del Plata, Vol. 2, pp. 59-62.
- Passoni L. I. (2004): Characterizing Dynamic Speckle Time Series with the Hurst Coefficient Concept. Fractals, No. 3, pp. 319-330.
- Triñanes J.A., Torres J., Tobar A., Hernández C. (1994): Clasificación de imágenes multiespectrales mediante redes neuronales, Revista Teledeteccción.
- von Luxburg U. (2007): A Tutorial on Spectral Clustering, Statistics and Computing, 17 (4).
- Szczypiński P.,Kociołek M., Materka A., Strzelecki M. (2001): Computer Program for Image Texture Analysis in PhD Students Laboratory, International Conference on Signals and Electronic Systems, Łódź-Poland, pp.255-262.
- Warfield S. (1996): Fast k-NN classification for multichannel image data, Pattern Recognition Letters, Vol. 17 (7), pp. 713-721.
- Wasserman P.D. (1993): Advanced Methods in Neural Computing, New York, Van Nostrand Reinhold, pp. 35-55.