[pt] A presente dissertação estudo dois problemas de detecção
de padrões em imagens com fundo complexo, casos onde os
algoritmos de segmentação convencionais não podem
proporcionar bons resultados: a localização de Unidades
Estruturais (UE`s) em imagens obtidas por Microscópio
Eletrônico de Transmissão em Alta Resolução, e a detecção
de faces frontais na posição vertical em imagens. Apesar
de serem abordados problemas diferentes, as metodologias
empregadas na solução de ambos os problemas possuem
semelhanças. Uma operação de vizinhança é aplicada a
imagem de entrada em busca de padrões de interesse. Sendo
cada região extraída desta imagem submetida a um operador
matemático composto por etapas de pré-processamento,
redução de dimensionalidade e classificação.
Na detecção de UE`s foram empregados três métodos
distintos de redução de dimensionalidade - Análise de
Componentes Principais (PCA), PCA do conjunto de
treinamento equilibrado (PCAEq), e um método inédito,
eixos que maximizam a distância ao centróide de uma classe
(MAXDIST) - e dois modelos de classificador -
classificador baseado na distância euclideana (EUC) e rede
neural back-propagation (RN). A combinação PCAEq/RN
forneceu taxa de detecção de 88% para 25 componentes. Já a
combinação MAXDIST/EUC com apenas uma atributo forneceu
82% de detecção com menos falsas detecções. Na detecção de
faces foi empregada uma nova abordagem, que utiliza uma
rede neural back-propagation como classificador. Aplica-se
a sua entrada recebe a representação no subespaço das
faces e o erro de reconstrução. Em comparação com os
resultados de referência da literatura na área, o método
proposto atingiu taxas de detecção similares. / [en] This dissertation studies two pattern detection problems
in images with complex background, in which standard
segmentation techniques do not provide good results: the
detection of structural units (SU`s) in images obtained
through High resolution transmission Electron Microscopy
and the detection of frontal human faces in images.
The methods employed in the solution of both
problems have many similarities - a neighborhood operator,
basically composed of pre-processing, dimensionality
reduction and classification steps, scans the input image
searching for the patterns of interest.
For SU detection three dimensionality reduction
methods - Principal Component Analysis (PCA), PCA of the
balanced training set (PACEq), and a new method, axis that
maximize the distance to a given class centroid
(MAXDIST) -, and two classifiers - Euclidean Distance
(EUC) and back-propagation neural network (RN). The
MAXDIST/EUC combination, with just one component, provided
a detection rate of 82% with less false detections.
For face detection a new approach was employed,
using a back-propagation neural network as classifier. It
takes as input a representation in the so-called face
space and the reconstruction error (DFFS). In comparison
with benchmark results from the literature, the proposed
method reached similar detection rates.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:7469 |
| Date | 10 November 2005 |
| Creators | GUILHERME LUCIO ABELHA MOTA |
| Contributors | RAUL QUEIROZ FEITOSA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0024 seconds