Detección de rasgos en imágenes binarias mediante procesos puntuales espaciales marcados
En este trabajo consideramos el problema de la detección de rasgos bajo la presencia de ruido en imágenes que tras un cierto tratamiento se reducen a binarias, por la presencia de dos tipos de elementos. Podemos encontrar ejemplos de este problema en la detección de minas por medio de imágenes de av...
| Autores: | , |
|---|---|
| Tipo de recurso: | artículo |
| Fecha de publicación: | 2002 |
| País: | España |
| Institución: | Universitat Politècnica de Catalunya (UPC) |
| Repositorio: | UPCommons. Portal del coneixement obert de la UPC |
| Idioma: | español |
| OAI Identifier: | oai:upcommons.upc.edu:2099/4177 |
| Acceso en línea: | https://hdl.handle.net/2099/4177 |
| Access Level: | acceso abierto |
| Palabra clave: | Inference Stochastic processes Algoritmo EM Mixturas de distribuciones Proceso de Poisson Procesos puntuales especiales Inferència Processos estocàstics Classificació AMS::62 Statistics::62M Inference from stochastic processes Classificació AMS::60 Probability theory and stochastic processes::60G Stochastic processes |
| Sumario: | En este trabajo consideramos el problema de la detección de rasgos bajo la presencia de ruido en imágenes que tras un cierto tratamiento se reducen a binarias, por la presencia de dos tipos de elementos. Podemos encontrar ejemplos de este problema en la detección de minas por medio de imágenes de avión o satélite, en la búsqueda de rasgos en imágenes microscópicas de células, o en la caracterización de fallas en zonas de terremotos. En primer lugar revisamos algunos métodos de detección jerárquicos basados en modelos probabilísticos, en los que los rasgos proceden de distribuciones normales multivariantes y el ruido surge según un proceso de Poisson espacial. Posteriormente, presentamos una nueva solución al problema mediante el uso de procesos puntuales espaciales marcados. Definimos un proceso puntual marcado en el que a cada localización se le asigna un par de marcas: las distancias al K-ésimo vecino más cercano y una variable dicotómica diferenciadora del rasgo frente al ruido. Esas distancias se modelizan como una mixtura de distribuciones cuyos parámetros se determinan mediante el algoritmo EM. Finalmente la nueva metodología es evaluada y contrastada sobre simulaciones y casos reales. |
|---|