Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas

La segmentación de imágenes en color es un área de gran interés en el procesamiento de imágenes. Diferentes técnicas se han desarrollado, estando entre las más populares las basadas en la clasificación no supervisada de píxeles mediante técnicas de agrupamiento. Sin embargo, no se encuentran en la literatura estudios comparativos de los resultados obtenidos con estas técnicas, que permitan tener una noción acerca de cuál resulta más apropiada para un determinado tipo de imágenes. En el semillero de procesamiento de imágenes y reconocimiento de patrones Lún se han venido desarrollando investigaciones que requieren el uso de imágenes en color, particularmente en la clasificación de flores (orquídeas y heliconias) y frutos (limones, bananos), y el análisis de enfermedades en arándano, manzano y aguacate. Con el fin de avanzar en esta área y proveer un mejor conocimiento de este tema, en este trabajo se realizó la implementación (en lenguaje Java como plugin del programa ImageJ) análisis y comparación de cuatro de las técnicas de agrupamiento más conocidas basadas en criterios de precisión y tiempo de cálculo, empleando imágenes de las bases de datos del semillero. La técnica Mean Shift permite el uso de diferentes kernels. Con el fin de evaluar su comportamiento, se implementaron dos de los kernels comúnmente usados, Top Hat y Epanechnikov, además se plantearon y desarrollaron dos más, triangular y gaussiano, para determinar qué tanto afecta la forma del kernel el rendimiento de este método. Veinticinco imágenes naturales y sintéticas con diferentes niveles de ruido fueron utilizadas en este estudio, las cuales fueron filtradas empleando los métodos estudiados. Los resultados fueron escogidos con el fin de encontrar algún indicio que permitiera determinar qué tipo de técnica de segmentación es más apropiado para determinado tipo de imágenes cromáticas, desarrollando un estudio comparativo de estas técnicas. Los mejores resultados se obtuvieron con los métodos GMM y Mean Shift, empleando los kernels Top Hat y Epanechnikov.

• Autores: Gómez Arenas, Daniela Estefanía; Montoya Cruz, Ximena Alexandra
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad de Ibagué
• Repositorio: Repositorio Universidad de Ibagué
• Idioma: spa
• OAI Identifier: oai:repositorio.unibague.edu.co:20.500.12313/4886
• Acceso en línea: https://hdl.handle.net/20.500.12313/4886
• Palabra clave: Técnicas de agrupamiento para la segmentación - Estudio comparativo de imágenes cromáticas; Estudio comparativo de imágenes cromáticas - Técnicas de agrupamiento para la segmentación; Segmentación; Análisis; Agrupación; Procesamiento de imágenes; Filtros; K-Means; Segmentation; K-means; Analysis; Grouping; Image processing; Filters
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2