Made available in DSpace on 2016-06-02T19:05:24Z (GMT). No. of bitstreams: 1 DissALDM.pdf: 3321735 bytes, checksum: b01df738791a5ca4a9c92010d26c994a (MD5) Previous issue date: 2007-05-22 / Universidade Federal de Minas Gerais / Super resolution image reconstruction consists in using a set of low resolution images from the same scene to generate a high resolution estimate of the original scene. For that purpose, all the observed low resolution images need to have sub-pixel displacements among each other. In this way, there is more than just the same information replicated in each image and then the uncertainty inherent to the displacements can be used as additional information to increase the spatial resolution. This master s thesis proposes a Bayesian approach for the super resolution reconstruction problem using Markov Random Fields and the Potts-Straus model for the image characterization. Therefore, it is possible to incorporate previously known context spatial information about the high resolution image to be estimated. Moreover, a discontinuity adaptive ICM algorithm was used to estimate the maximum a posteriori solution. Using an initial high resolution estimate constructed from the registration and interpolation of all the observations made it possible to reconstruct an image that respected the initially presented discontinuities. We also observed that the resulted high resolution image hold finner details when compared to the initial estimation. / A Reconstrução por Super Resolução consiste em, utilizando várias imagens de baixa resolução da mesma cena, gerar uma aproximação da cena original, que possua resolução espacial mais alta que a presente em qualquer uma das imagens observadas. Para isso, tais imagens devem possuir algum tipo de deslocamento da ordem sub-pixel uma em relação às demais, de forma que não exista apenas a mesma informação replicada em todas as imagens. Assim, a incerteza inerente a tais deslocamentos pode ser usada como informação adicional no aumento de resolução. Nesse contexto, esta pesquisa propõe uma abordagem Bayesiana do problema, utilizando Campos Aleatórios de Markov e o Modelo de Potts-Strauss na caracterização das imagens. Isso torna possível a imposição de informações espaciais de contexto conhecidas a priori da imagem de alta resolução a ser estimada. A estimativa de Máximo a Posteriori (MAP) de alta resolução é encontrada por meio do algoritmo Iterated Conditional Modes (ICM) adaptativo a descontinuidades. Dessa forma, utilizando como estimativa inicial de alta resolução a imagem resultante do registro e interpolação das imagens de baixa resolução observadas, foi possível reconstruir imagens de maior resolução que respeitassem as descontinuidades inicialmente presentes, e que apresentassem maior riqueza de detalhes.

Made available in DSpace on 2016-06-02T19:03:57Z (GMT). No. of bitstreams: 1 5096.pdf: 8198780 bytes, checksum: 111ff0c36ae2d9c790f8a8d7129dccba (MD5) Previous issue date: 2013-03-22 / Universidade Federal de Sao Carlos / Computed Tomography (CT) images, in many cases, need to be acquired with low photon counting due to low exposure time to the rays of the CT scanner to reduce the radiation doses to the maximum possible (in Medicine, the ALARA principle As Low As Reasonably Achievable) or even for reasons of cost, obtaining projections corrupted by Poisson noise. Invoking the Central Limit Theorem, the reconstructed images tend to be corrupted by Gaussian noise. Moreover, it was observed that this noise remains signal-dependent after the reconstruction. Thus, this work proposes to denoise the reconstructed images (post-filtering), by adopting an a priori contextual model by using Markov Random Field (MRF), to improve the visual quality of the image. Basically, for contextual filtering two approaches were considered. One uses iterative algorithms for combinatorial optimization such as ICM (Iterated Conditional Modes), GSA (Game Strategy Approach) and MPM (Maximizer of the Posterior Marginals). And the other uses variations of the Wiener filter by considering Fisher Information, Separable MRF and Isotropic MRF. Also, to address the issue of signal-dependent noise, three new methods for its local variance estimation, as well as ways to consider this model in both iterative and those based on Wiener filter methods were investigated. The proposed methods were applied to simulated and real CT images that were reconstructed by Filtered Backprojection (FBP) and Projections Onto Convex Sets (POCS) algorithms. Furthermore, the use of Non Local Means method has been proposed for a better estimate of the noise-free image. Finally, several experiments were conducted and the results were compiled and presented comparing the various methods, including the state-of-the-art Non Local Means method, showing that the context and the consideration of signal-dependent noise can contribute to CT denoising by improving the Signal-to-Noise Ratio and therefore allow a reduction in the radiation dose. / Imagens de tomografia computadorizada (CT), em diversos casos, precisam ser adquiridas com baixa contagem de fótons devido ao baixo tempo de exposição aos raios do tomógrafo para reduzir a dose de radiação ao máximo possível (na Medicina, princípio ALARA As Low As Reasonably Achievable) ou mesmo por questões de custo, fazendo com que as projeções obtidas sejam corrompidas por ruído Poisson. Invocando o Teorema Central do Limite, as imagens reconstruídas tendem a ser corrompidas por ruído Gaussiano. Além disso, observou-se que este ruído continua a ser dependente do sinal, depois da reconstrução. Desta forma, este trabalho propôs a filtragem de ruído da imagem reconstruída (pós-filtragem), adotando um modelo a priori contextual pela utilização de Campos Aleatórios Markovianos (MRF), a fim de melhorar a qualidade visual da imagem. Basicamente, para a filtragem contextual foram consideradas duas abordagens. Uma utilizando algoritmos iterativos de otimização combinatória como ICM (Iterated Conditional Modes), GSA (Game Strategy Approach) e MPM (Maximizer of the Posterior Marginals). E outra, utilizando variações do filtro de Wiener, considerando Informação de Fisher (Generalizado), MRF Separável e MRF Isotrópico. Ainda, para tratar a questão de ruído dependente do sinal, três novos métodos de estimação de suas variâncias locais, como também maneiras de se considerar este modelo tanto nos métodos iterativos quanto nos baseados em Wiener foram investigados. Os métodos foram aplicados em imagens simuladas e reais de CT reconstruídas por Retroprojeção Filtrada e POCS (Projections Onto Convex Sets). Além disso, foi proposto o uso de Non Local Means para uma melhor estimativa da imagem livre de ruído. Finalmente, diversos experimentos foram realizados e os resultados foram compilados e apresentados comparando os diversos métodos, inclusive com o método em estado-da-arte Non Local Means, mostrando que o contexto e a consideração de ruído dependente do sinal podem contribuir para a filtragem de ruído em CT pela melhora na relação Sinal-Ruído e, consequentemente, permitir a redução da dose de radiação.

Estruturas do tipo linha/curva (line-like, curve-like), alongadas e ramificadas são comumente encontradas nos ecossistemas que conhecemos. Na biomedicina e na biociências, por exemplo, diversas aplicações podem ser observadas. Justamente por este motivo, extrair este tipo de estrutura em imagens é um constante desafio em problemas de análise de imagens. Porém, diversas dificuldades estão envolvidas neste processo. Normalmente as características espectrais e espaciais destas estruturas podem ser muito complexas e variáveis. Especificamente as mais \"finas\" são muito frágeis a qualquer tipo de processamento realizado na imagem e torna-se muito fácil a perda de informações importantes. Outro problema bastante comum é a ausência de parte das estruturas, seja por motivo de pouca resolução, ou por problemas de aquisição, ou por casos de oclusão. Este trabalho tem por objetivo explorar, descrever e desenvolver técnicas de detecção/segmentação de estruturas finas e ramificadas. Diferentes métodos são utilizados de forma combinada, buscando uma melhor representação topológica e perceptual das estruturas e, assim, melhores resultados. Grafos são usados para a representação das estruturas. Esta estrutura de dados vem sendo utilizada com sucesso na literatura na resolução de diversos problemas em processamento e análise de imagens. Devido à fragilidade do tipo de estrutura explorado, além das técnicas de processamento de imagens, princípios de visão computacional são usados. Busca-se, desta forma, obter um melhor \"entendimento perceptual\" destas estruturas na imagem. Esta informação perceptual e informações contextuais das estruturas são utilizadas em um modelo de campos aleatórios de Markov, buscando o resultado final da detecção através de um processo de otimização. Finalmente, também propomos o uso combinado de diferentes modalidades de imagens simultaneamente. Um software é resultado da implementação do arcabouço desenvolvido e o mesmo é utilizado em duas aplicações para avaliar a abordagem proposta: extração de estradas em imagens de satélite e extração de raízes em imagens de perfis de solo. Resultados do uso da abordagem proposta na extração de estradas em imagens de satélite mostram um melhor desempenho em comparação com método existente na literatura. Além disso, a técnica de fusão proposta apresenta melhora significativa de acordo com os resultados apresentados. Resultados inéditos e promissores são apresentados na extração de raízes de plantas. / Line- curve-like, elongated and ramified structures are commonly found inside many known ecosystems. In biomedicine and biosciences, for instance, different applications can be observed. Therefore, the process to extract this kind of structure is a constant challenge in image analysus problems. However, various difficulties are involved in this process. Their spectral and spatial characteristics are usually very complex and variable. Considering specifically the thinner ones, they are very \"fragile\" to any kind of process applied to the image, and then, it becomes easy the loss of crucial data. Another very common problem is the absence of part of the structures, either because of low image resolution and image acquisition problems or because of occlusion problems. This work aims to explore, describe and develop techniques for detection/segmentation of thin and ramified structures. Different methods are used in a combined way, aiming to reach a better topological and perceptual representation of the structures and, therefore, better results. Graphs are used to represent the structures. This data structure has been successfully used in the literature for the development of solutions for many image processing and analysis problems. Because of the fragility of the kind of structures we are dealing with, some computer vision principles are used besides usual image processing techniques. In doing so, we search for a better \"perceptual understanding\" of these structures in the image. This perceptual information along with contextual information about the structures are used in a Markov random field, searching for a final detection through an optimization process. Lastly, we propose the combined use of different image modalities simultaneously. A software is produced from the implementation of the developed framework and it is used in two application in order to evaluate the proposed approach: extraction of road networks from satellite images and extraction of plant roots from soil profile images. Results using the proposed approach for the extraction of road networks show a better performance if compared with an existent method from the literature. Besides that, the proposed fusion technique presents a meaningful improvement according to the presented results. Original and promising results are presented for the extraction of plant roots from soil profile images.

Estruturas do tipo linha/curva (line-like, curve-like), alongadas e ramificadas são comumente encontradas nos ecossistemas que conhecemos. Na biomedicina e na biociências, por exemplo, diversas aplicações podem ser observadas. Justamente por este motivo, extrair este tipo de estrutura em imagens é um constante desafio em problemas de análise de imagens. Porém, diversas dificuldades estão envolvidas neste processo. Normalmente as características espectrais e espaciais destas estruturas podem ser muito complexas e variáveis. Especificamente as mais \"finas\" são muito frágeis a qualquer tipo de processamento realizado na imagem e torna-se muito fácil a perda de informações importantes. Outro problema bastante comum é a ausência de parte das estruturas, seja por motivo de pouca resolução, ou por problemas de aquisição, ou por casos de oclusão. Este trabalho tem por objetivo explorar, descrever e desenvolver técnicas de detecção/segmentação de estruturas finas e ramificadas. Diferentes métodos são utilizados de forma combinada, buscando uma melhor representação topológica e perceptual das estruturas e, assim, melhores resultados. Grafos são usados para a representação das estruturas. Esta estrutura de dados vem sendo utilizada com sucesso na literatura na resolução de diversos problemas em processamento e análise de imagens. Devido à fragilidade do tipo de estrutura explorado, além das técnicas de processamento de imagens, princípios de visão computacional são usados. Busca-se, desta forma, obter um melhor \"entendimento perceptual\" destas estruturas na imagem. Esta informação perceptual e informações contextuais das estruturas são utilizadas em um modelo de campos aleatórios de Markov, buscando o resultado final da detecção através de um processo de otimização. Finalmente, também propomos o uso combinado de diferentes modalidades de imagens simultaneamente. Um software é resultado da implementação do arcabouço desenvolvido e o mesmo é utilizado em duas aplicações para avaliar a abordagem proposta: extração de estradas em imagens de satélite e extração de raízes em imagens de perfis de solo. Resultados do uso da abordagem proposta na extração de estradas em imagens de satélite mostram um melhor desempenho em comparação com método existente na literatura. Além disso, a técnica de fusão proposta apresenta melhora significativa de acordo com os resultados apresentados. Resultados inéditos e promissores são apresentados na extração de raízes de plantas. / Line- curve-like, elongated and ramified structures are commonly found inside many known ecosystems. In biomedicine and biosciences, for instance, different applications can be observed. Therefore, the process to extract this kind of structure is a constant challenge in image analysus problems. However, various difficulties are involved in this process. Their spectral and spatial characteristics are usually very complex and variable. Considering specifically the thinner ones, they are very \"fragile\" to any kind of process applied to the image, and then, it becomes easy the loss of crucial data. Another very common problem is the absence of part of the structures, either because of low image resolution and image acquisition problems or because of occlusion problems. This work aims to explore, describe and develop techniques for detection/segmentation of thin and ramified structures. Different methods are used in a combined way, aiming to reach a better topological and perceptual representation of the structures and, therefore, better results. Graphs are used to represent the structures. This data structure has been successfully used in the literature for the development of solutions for many image processing and analysis problems. Because of the fragility of the kind of structures we are dealing with, some computer vision principles are used besides usual image processing techniques. In doing so, we search for a better \"perceptual understanding\" of these structures in the image. This perceptual information along with contextual information about the structures are used in a Markov random field, searching for a final detection through an optimization process. Lastly, we propose the combined use of different image modalities simultaneously. A software is produced from the implementation of the developed framework and it is used in two application in order to evaluate the proposed approach: extraction of road networks from satellite images and extraction of plant roots from soil profile images. Results using the proposed approach for the extraction of road networks show a better performance if compared with an existent method from the literature. Besides that, the proposed fusion technique presents a meaningful improvement according to the presented results. Original and promising results are presented for the extraction of plant roots from soil profile images.

Casamento de padrões de pontos é um problema fundamental em reconhecimento de padrões. O objetivo é encontrar uma correspondência entre dois conjuntos de pontos, associados a características relevantes de objetos ou entidades, mapeando os pontos de um conjunto no outro. Este problema está associado a muitas aplicações, como por exemplo, reconhecimento de objetos baseado em modelos, imagens estéreo, registro de imagens, biometria, entre outros. Para encontrar um mapeamento, os objetos são codificados por representações abstratas, codificando as características relevantes consideradas na comparação entre pares de objetos. Neste trabalho, objetos são representados por grafos, codificando tanto as características `locais\' quanto as relações espaciais entre estas características. A comparação entre objetos é guiada por uma formulação de atribuição quadrática, que é um problema NP-difícil. Para estimar uma solução, duas técnicas de casamento entre grafos são propostas: uma baseada em grafos auxiliares, chamados de grafos deformados; e outra baseada em representações `esparsas\', campos aleatórios de Markov e propagação de crenças. Devido as suas respectivas limitações, as abordagens são adequadas para situações específicas, conforme mostrado neste documento. Resultados envolvendo as duas abordagens são ilustrados em quatro importantes aplicações: casamento de imagens de gel eletroforese 2D, segmentação interativa de imagens naturais, casamento de formas, e colorização assistida por computador. / Point set matching is a fundamental problem in pattern recognition. The goal is to match two sets of points, associated to relevant features of objects or entities, by finding a mapping, or a correspondence, from one set to another set of points. This issue arises in many applications, e.g. model-based object recognition, stereo matching, image registration, biometrics, among others. In order to find a mapping, the objects can be encoded by abstract representations, carrying relevant features which are taken into account to compare pairs of objects. In this work, graphs are adopted to represent the objects, encoding their `local\' features and the spatial relations between these features. The comparison of two given objects is guided by a quadratic assignment formulation, which is NP-hard. In order to estimate the optimal solution, two approximations techniques, via graph matching, are proposed: one is based on auxiliary graphs, called deformed graphs; the other is based on `sparse\' representations, Markov random fields and belief propagation. Due to their respective limitations, each approach is more suitable to each specific situation, as shown in this document. The quality of the two approaches is illustrated on four important applications: 2D electrophoresis gel matching, interactive natural image segmentation, shape matching, and computer-assisted colorization.

Casamento de padrões de pontos é um problema fundamental em reconhecimento de padrões. O objetivo é encontrar uma correspondência entre dois conjuntos de pontos, associados a características relevantes de objetos ou entidades, mapeando os pontos de um conjunto no outro. Este problema está associado a muitas aplicações, como por exemplo, reconhecimento de objetos baseado em modelos, imagens estéreo, registro de imagens, biometria, entre outros. Para encontrar um mapeamento, os objetos são codificados por representações abstratas, codificando as características relevantes consideradas na comparação entre pares de objetos. Neste trabalho, objetos são representados por grafos, codificando tanto as características `locais\' quanto as relações espaciais entre estas características. A comparação entre objetos é guiada por uma formulação de atribuição quadrática, que é um problema NP-difícil. Para estimar uma solução, duas técnicas de casamento entre grafos são propostas: uma baseada em grafos auxiliares, chamados de grafos deformados; e outra baseada em representações `esparsas\', campos aleatórios de Markov e propagação de crenças. Devido as suas respectivas limitações, as abordagens são adequadas para situações específicas, conforme mostrado neste documento. Resultados envolvendo as duas abordagens são ilustrados em quatro importantes aplicações: casamento de imagens de gel eletroforese 2D, segmentação interativa de imagens naturais, casamento de formas, e colorização assistida por computador. / Point set matching is a fundamental problem in pattern recognition. The goal is to match two sets of points, associated to relevant features of objects or entities, by finding a mapping, or a correspondence, from one set to another set of points. This issue arises in many applications, e.g. model-based object recognition, stereo matching, image registration, biometrics, among others. In order to find a mapping, the objects can be encoded by abstract representations, carrying relevant features which are taken into account to compare pairs of objects. In this work, graphs are adopted to represent the objects, encoding their `local\' features and the spatial relations between these features. The comparison of two given objects is guided by a quadratic assignment formulation, which is NP-hard. In order to estimate the optimal solution, two approximations techniques, via graph matching, are proposed: one is based on auxiliary graphs, called deformed graphs; the other is based on `sparse\' representations, Markov random fields and belief propagation. Due to their respective limitations, each approach is more suitable to each specific situation, as shown in this document. The quality of the two approaches is illustrated on four important applications: 2D electrophoresis gel matching, interactive natural image segmentation, shape matching, and computer-assisted colorization.