Segmentação por textura em imagens multibandas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | http://app.uff.br/riuff/handle/1/26045 |
Resumo: | A segmentação de imagens por textura tem sido amplamente utilizada em análise de imagens médicas, interpretação visual de imagens de sensoriamento remoto, inspeção de qualidade industrial de produtos manufaturados, segmentação de documentos, busca de imagens, sistemas de reconhecimento, etc. Muitos esquemas de classificação de textura requerem uma área da imagem excessivamente grande para análise da textura, empregam um grande número de características para representá-la ou utilizam técnicas que exigem considerável esforço computacional. A detecção de bordas também é um fator importante no processo de reconhecimento e interpretação de imagens. A determinação do contorno permite definir propriedades como perímetro e forma do objeto, e representá-lo de maneira concisa. Porém, em imagens reais, após a segmentação por texturas, a localização do contorno das áreas segmentadas não é uma tarefa simples. Este trabalho apresenta um método de segmentação que considera todas as bandas de informação da imagem em texturas naturais ou sintéticas, permitindo a distinção de texturas com diversos aspectos. É proposto um novo coeficiente (CVE - Coeficiente de Variação Espacial) para calcular os limites de regiões pequenas ou grandes e classificar corretamente a borda da textura. O CVE considera a posição espacial dos pixels no elemento de textura e as faixas de cor através de medidas estatísticas de média e desvio padrão. Formulações baseadas em Algoritmos Genéticos e partição K-Means foram desenvolvidas para gerar regras de classificação a partir de amostras de treinamento. Estas podem ser usadas para diversos tipos de textura porque as regras relativas ao que será identificado são completamente determinadas pelo usuário e adaptadas a cada situação. Para verificar a aplicabilidade do coeficiente proposto, foram feitas diversas comparações com outros resultados disponíveis na literatura, bem como, foram elaborados testes variados, visando verificar os limites de eficiência e versatilidade do método, tanto em imagens reais quanto em imagens sintéticas |
id |
UFF-2_3778cc29e3f12de1175b48fd2f5e53f3 |
---|---|
oai_identifier_str |
oai:app.uff.br:1/26045 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Segmentação por textura em imagens multibandasSegmentaçãoTexturaImagens MultibandasProcessamento de imagemSegmentação de imagensInterfaces (Computação)Computação visualSegmentationTextureMultiband ImagesA segmentação de imagens por textura tem sido amplamente utilizada em análise de imagens médicas, interpretação visual de imagens de sensoriamento remoto, inspeção de qualidade industrial de produtos manufaturados, segmentação de documentos, busca de imagens, sistemas de reconhecimento, etc. Muitos esquemas de classificação de textura requerem uma área da imagem excessivamente grande para análise da textura, empregam um grande número de características para representá-la ou utilizam técnicas que exigem considerável esforço computacional. A detecção de bordas também é um fator importante no processo de reconhecimento e interpretação de imagens. A determinação do contorno permite definir propriedades como perímetro e forma do objeto, e representá-lo de maneira concisa. Porém, em imagens reais, após a segmentação por texturas, a localização do contorno das áreas segmentadas não é uma tarefa simples. Este trabalho apresenta um método de segmentação que considera todas as bandas de informação da imagem em texturas naturais ou sintéticas, permitindo a distinção de texturas com diversos aspectos. É proposto um novo coeficiente (CVE - Coeficiente de Variação Espacial) para calcular os limites de regiões pequenas ou grandes e classificar corretamente a borda da textura. O CVE considera a posição espacial dos pixels no elemento de textura e as faixas de cor através de medidas estatísticas de média e desvio padrão. Formulações baseadas em Algoritmos Genéticos e partição K-Means foram desenvolvidas para gerar regras de classificação a partir de amostras de treinamento. Estas podem ser usadas para diversos tipos de textura porque as regras relativas ao que será identificado são completamente determinadas pelo usuário e adaptadas a cada situação. Para verificar a aplicabilidade do coeficiente proposto, foram feitas diversas comparações com outros resultados disponíveis na literatura, bem como, foram elaborados testes variados, visando verificar os limites de eficiência e versatilidade do método, tanto em imagens reais quanto em imagens sintéticasTexture image segmentation texture has been thoroughly used in analysis of medical images, visual interpretation of images of remote sensing, inspection of industrial quality of manufactured products, segmentation of documents, recovery of images, recognition systems, etc. Many schemes of texture classification request an excessively large image area for texture analysis, they use a great number of characteristics to represent it or they use techniques that demand considerable computational effort. Edge detection is also an important factor in the process of image recognition and interpretation. The determination of the contour defines properties as perimeter and form, allowing an object concise representation. However, in real images, after the segmentation for textures, the edge location of the segmented areas is not a simple task. This work presents a segmentation method that considers all the bands of information of the image in natural or synthetic textures allowing distinction of textures with several aspects. A new coefficient is proposed (CSV - Coefficient of Space Variation) to calculate the limits of small or big areas and to classify correctly the border of the texture. The CSV considers two informations: the space position of the pixels in the texture element and the color strips through statistic measures of average and standard deviation. Approaches based on Genetic Algorithms and on K-Means partition method were developed to generate classification rules from training samples. These can be used for several texture types because the rules relative to what will be identified are completely determined by the user and adapted to each situation. In order to verify the applicability of the proposed method, several comparisons with other available results in the literature were made, as well as varied tests were elaborated aiming efficiency limits and versatility verification both in real images and in synthetic images152 p.Conci, AuraCalle, Ángel SánchezOliveira, Antonio Alberto Fernandes deLeitão, Helena Cristina da GamaToledo, Regina Célia Paula LealNunes, Éldman de Oliveira2022-08-08T12:34:17Z2022-08-08T12:34:17Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfNUNES, Éldman de Oliveira. Segmentação por textura em imagens multibandas. 2006. 152 f. Tese (Doutorado em Computação) - Universidade Federal Fluminense, Niterói, 2006.http://app.uff.br/riuff/handle/1/26045CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2023-06-07T18:34:41Zoai:app.uff.br:1/26045Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202023-06-07T18:34:41Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Segmentação por textura em imagens multibandas |
title |
Segmentação por textura em imagens multibandas |
spellingShingle |
Segmentação por textura em imagens multibandas Nunes, Éldman de Oliveira Segmentação Textura Imagens Multibandas Processamento de imagem Segmentação de imagens Interfaces (Computação) Computação visual Segmentation Texture Multiband Images |
title_short |
Segmentação por textura em imagens multibandas |
title_full |
Segmentação por textura em imagens multibandas |
title_fullStr |
Segmentação por textura em imagens multibandas |
title_full_unstemmed |
Segmentação por textura em imagens multibandas |
title_sort |
Segmentação por textura em imagens multibandas |
author |
Nunes, Éldman de Oliveira |
author_facet |
Nunes, Éldman de Oliveira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Conci, Aura Calle, Ángel Sánchez Oliveira, Antonio Alberto Fernandes de Leitão, Helena Cristina da Gama Toledo, Regina Célia Paula Leal |
dc.contributor.author.fl_str_mv |
Nunes, Éldman de Oliveira |
dc.subject.por.fl_str_mv |
Segmentação Textura Imagens Multibandas Processamento de imagem Segmentação de imagens Interfaces (Computação) Computação visual Segmentation Texture Multiband Images |
topic |
Segmentação Textura Imagens Multibandas Processamento de imagem Segmentação de imagens Interfaces (Computação) Computação visual Segmentation Texture Multiband Images |
description |
A segmentação de imagens por textura tem sido amplamente utilizada em análise de imagens médicas, interpretação visual de imagens de sensoriamento remoto, inspeção de qualidade industrial de produtos manufaturados, segmentação de documentos, busca de imagens, sistemas de reconhecimento, etc. Muitos esquemas de classificação de textura requerem uma área da imagem excessivamente grande para análise da textura, empregam um grande número de características para representá-la ou utilizam técnicas que exigem considerável esforço computacional. A detecção de bordas também é um fator importante no processo de reconhecimento e interpretação de imagens. A determinação do contorno permite definir propriedades como perímetro e forma do objeto, e representá-lo de maneira concisa. Porém, em imagens reais, após a segmentação por texturas, a localização do contorno das áreas segmentadas não é uma tarefa simples. Este trabalho apresenta um método de segmentação que considera todas as bandas de informação da imagem em texturas naturais ou sintéticas, permitindo a distinção de texturas com diversos aspectos. É proposto um novo coeficiente (CVE - Coeficiente de Variação Espacial) para calcular os limites de regiões pequenas ou grandes e classificar corretamente a borda da textura. O CVE considera a posição espacial dos pixels no elemento de textura e as faixas de cor através de medidas estatísticas de média e desvio padrão. Formulações baseadas em Algoritmos Genéticos e partição K-Means foram desenvolvidas para gerar regras de classificação a partir de amostras de treinamento. Estas podem ser usadas para diversos tipos de textura porque as regras relativas ao que será identificado são completamente determinadas pelo usuário e adaptadas a cada situação. Para verificar a aplicabilidade do coeficiente proposto, foram feitas diversas comparações com outros resultados disponíveis na literatura, bem como, foram elaborados testes variados, visando verificar os limites de eficiência e versatilidade do método, tanto em imagens reais quanto em imagens sintéticas |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-08-08T12:34:17Z 2022-08-08T12:34:17Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
NUNES, Éldman de Oliveira. Segmentação por textura em imagens multibandas. 2006. 152 f. Tese (Doutorado em Computação) - Universidade Federal Fluminense, Niterói, 2006. http://app.uff.br/riuff/handle/1/26045 |
identifier_str_mv |
NUNES, Éldman de Oliveira. Segmentação por textura em imagens multibandas. 2006. 152 f. Tese (Doutorado em Computação) - Universidade Federal Fluminense, Niterói, 2006. |
url |
http://app.uff.br/riuff/handle/1/26045 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1802135289216368640 |