Spelling suggestions: "subject:"segmentação por borde"" "subject:"segmentaçãoo por borde""
1 |
Mapa auto-organizável com campo receptivo adaptativo local para segmentação de imagensCOSTA, Diogo Cavalcanti January 2007 (has links)
Made available in DSpace on 2014-06-12T16:00:25Z (GMT). No. of bitstreams: 2
arquivo6557_1.pdf: 4867823 bytes, checksum: 64578a5cde42f460f0745045ec1bb555 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2007 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Neste trabalho apresentamos um novo modelo neural para segmentação de imagens, baseado nos
Mapas Auto-organizáveis SOM (Mapa Auto-organizável - Self-organizing Map) e GWR (Crescer
Quando Requerido - Grow When Required) chamado de LARFSOM (Mapa Auto-organizável com
Campo Receptivo Adaptativo Local - Local Adaptive Receptive Field Self-organizing Map). As
características principais do modelo são: número adaptativo de nodos, topologia variável, inserção de
novos nodos baseada em uma medida de similaridade dos protótipos existentes em relação ao padrão
de entrada aferida por meio de campo receptivo, remoção de nodos com informações não
significativas ao final do treinamento, rápida convergência e baixo custo de processamento para o
treinamento. A rede LARFSOM é capaz de segmentar imagens por cor ou por borda: a primeira, é
feita através do agrupamento de informações ocorrido no treinamento da rede LAFRSOM seguido de
um processo de quantização de cores; já a segunda, ocorre pelo acréscimo de dois nodos RBF (Função
de Base Radial - Radial Basis Function) à rede LARFSOM, criando um modelo de dois estágios
chamado LARFSOM-RBF. Adicionalmente, o modelo é capaz de salvar em um formato variante do
BMP indexado tanto a rede treinada como as informações espaciais dos pixels da imagem. Acrescido
de compactação tipo ZIP o arquivo a ser salvo torna-se bem reduzido. Comparações com outros
modelos neurais como o SOM, FS-SOM (Mapa Auto-organizável Sensível à Freqüência - Frequency
Sensitive Self-organizing Map) e GNG (Gás Neural Crescente - Growing Neural Gas) são feitas
mediante segmentação de imagens do mundo real com diferentes níveis de complexidade. Técnicas de
processamento de imagens e o formato JPEG são usados para fins de comparação. Os resultados
mostram que a rede LARFSOM atinge maior variação de cores da paleta e melhor distribuição
espacial 3D RGB das cores selecionadas que os demais modelos. A qualidade das imagens geradas
também figura entre os melhores resultados obtidos
|
Page generated in 0.089 seconds