Estudio de técnicas para la detección de anomalías en imágenes digitales

La detección de anomalías es una técnica de procesamiento digital de imágenes usada para localizar y señalar objetos anormales, intrusiones o irregularidades presentes en una imagen digital. Este proyecto plantea una revisión del estado del arte para estudiar los diferentes tipos de técnicas que se...

Full description

Autores:
Durán Varón, Camila Andrea
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:20.500.12313/4866
Acceso en línea:
https://hdl.handle.net/20.500.12313/4866
Palabra clave:
Imágenes digitales - Anomalías
Imágenes digitales - Anomalías - Estudio de técnicas
Detección de anomalías
Descomposición multiescalar
Método estadístico “A contrario”.
Non local means
Anomaly detection
Multiscalar descomposition
Non local means
Statistical method "A contrario".
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_d07d9420e37dceae0e99bc098b8bd7a8
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4866
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Estudio de técnicas para la detección de anomalías en imágenes digitales
title Estudio de técnicas para la detección de anomalías en imágenes digitales
spellingShingle Estudio de técnicas para la detección de anomalías en imágenes digitales
Imágenes digitales - Anomalías
Imágenes digitales - Anomalías - Estudio de técnicas
Detección de anomalías
Descomposición multiescalar
Método estadístico “A contrario”.
Non local means
Anomaly detection
Multiscalar descomposition
Non local means
Statistical method "A contrario".
title_short Estudio de técnicas para la detección de anomalías en imágenes digitales
title_full Estudio de técnicas para la detección de anomalías en imágenes digitales
title_fullStr Estudio de técnicas para la detección de anomalías en imágenes digitales
title_full_unstemmed Estudio de técnicas para la detección de anomalías en imágenes digitales
title_sort Estudio de técnicas para la detección de anomalías en imágenes digitales
dc.creator.fl_str_mv Durán Varón, Camila Andrea
dc.contributor.advisor.none.fl_str_mv Forero Vargas, Manuel Guillermo [dirección ]
Fernández Gallego, Jose Armando [co-dirección ]
Jacanamejoy Jamioy, Carlos Antonio [asesor]
Nostas Valdivia, Joshua [colaborador ]
dc.contributor.author.none.fl_str_mv Durán Varón, Camila Andrea
dc.subject.armarc.none.fl_str_mv Imágenes digitales - Anomalías
Imágenes digitales - Anomalías - Estudio de técnicas
topic Imágenes digitales - Anomalías
Imágenes digitales - Anomalías - Estudio de técnicas
Detección de anomalías
Descomposición multiescalar
Método estadístico “A contrario”.
Non local means
Anomaly detection
Multiscalar descomposition
Non local means
Statistical method "A contrario".
dc.subject.proposal.spa.fl_str_mv Detección de anomalías
Descomposición multiescalar
Método estadístico “A contrario”.
dc.subject.proposal.eng.fl_str_mv Non local means
Anomaly detection
Multiscalar descomposition
Non local means
Statistical method "A contrario".
description La detección de anomalías es una técnica de procesamiento digital de imágenes usada para localizar y señalar objetos anormales, intrusiones o irregularidades presentes en una imagen digital. Este proyecto plantea una revisión del estado del arte para estudiar los diferentes tipos de técnicas que se han propuesto para la detección de anomalías, en particular el algoritmo sugerido por Ehret et al., basada en análisis multiresolución, el cual reduce la situación a un problema de detección de anomalías en el ruido de la imagen. Este método consiste en modelar la autosimilitud de la imagen original en varias escalas, para extraer la información correspondiente a ruido y anomalías, asumiendo que las características de la imagen tienen una distribución gaussiana. De esta forma los valores atípicos son estudiados utilizando la distribución de la imagen para separar el ruido de las anormalidades de manera automática. Para el desarrollo de este proyecto desarrolló un plugin en el programa de libre acceso ImageJ basado en el método mencionado y se testeó el resultado en 10 imágenes sintéticas y obtenidas del artículo original, para observar los resultados.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2025-03-19T19:26:59Z
dc.date.available.none.fl_str_mv 2025-03-19T19:26:59Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Durán Varón, C. A. (2022). Estudio de técnicas para la detección de anomalías en imágenes digitales. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4866
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4866
identifier_str_mv Durán Varón, C. A. (2022). Estudio de técnicas para la detección de anomalías en imágenes digitales. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4866
url https://hdl.handle.net/20.500.12313/4866
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv A. Davy, T. Ehret, J-M. Morel, and M. Delbracio, How to Reduce Anomaly Detection in Images to Anomaly Detection in Noise, Image Processing On Line, 9 (2019), pp. 391–412. https://doi.org/10.5201/ipol.2019.263. Recuperado de: http://www.ipol.im/pub/art/2019/263/
Aggarwal C.C. (2017) Probabilistic and Statistical Models for Outlier Detection. In: Outlier Analysis. Springer, Cham. https://doi.org/10.1007/978-3-319-47578-3_2
Denning, D. E. (1987). An Intrusion-Detection Model. IEEE Transactions on Software Engineering, SE-13(2), 222–232. doi:10.1109/tse.1987.232894
Gates, Carrie & Taylor, Carol. (2006). Challenging the Anomaly Detection Paradigm: A Provocative Discussion. Proceedings New Security Paradigms Workshop. 21-29. 10.1145/1278940.1278945
da Costa, K. A., Papa, J. P., Passos, L. A., Colombo, D., Del Ser, J., Muhammad, K., & de Albuquerque, V. H. C. (2020). A critical literature survey and prospects on tampering and anomaly detection in image data. Applied Soft Computing, 106727. https://doi.org/10.1016/j.asoc.2020.106727
V. Chandola, A. Banerjee, and V. Kumar, Anomaly detection: A survey, ACM computing surveys (CSUR), 41 (2009), p. 15. https://doi.org/10.1145/1541880.1541882
A. Davy, T. Ehret, J-M. Morel, and M. Delbracio. (2019). How to Reduce Anomaly Detection in Images to Anomaly Detection in Noise. Image Processing On Line. Recuperado de: http://www.ipol.im/pub/art/2019/263/
Guansong Pang, Chunhua Shen, Longbing Cao, and Anton Van Den Hengel. 2021. Deep Learning for Anomaly Detection: A Review. ACM Comput. Surv. 54, 2, Article 38 (March 2022), 38 pages. https://doi.org/10.1145/3439950
Burns, E. (2021). Machine Learning. SearchEnterpriseAI. Recuperado de: https://www.techtarget.com/searchenterpriseai/definition/machine-learning- ML#:~:text=Machine%20learning%20is%20important%20because,central%20part%20of%20their %20operations
Khan, A. A., Laghari, A. A., & Awan, S. A. (2021). Machine learning in computer vision: A review. EAI Transactions on Scalable Information Systems, e4. http://dx.doi.org/10.4108/eai.21-4- 2021.169418
Raschka, S. & Mirjalili, V. (2015). Python Machine learning. Third edition. Packt.
Ajay Kumar, Neural network based detection of local textile defects, Pattern Recognition, Volume 36, Issue 7, 2003, Pages 1645-1659, ISSN 0031-3203, https://doi.org/10.1016/S0031- 3203(03)00005-0
Yanfeng Gu, Ying Liu, & Ye Zhang. (n.d.). A Selective Kernel PCA Algorithm for Anomaly Detection in Hyperspectral Imagery. 2006 IEEE International Conference on Acoustics Speed and Signal Processing Proceedings. doi: 10.1109/ICASSP.2006.1660445
Zhu, X., Liu, Z. Human behavior clustering for anomaly detection. Front. Comput. Sci. China 5, 279 (2011). https://link.springer.com/article/10.1007/s11704-011-0080-4
Hu, X., Hu, S., Zhang, X., Zhang, H., & Luo, L. (2014). Anomaly Detection Based on Local Nearest Neighbor Distance Descriptor in Crowded Scenes. The Scientific World Journal, 2014, 1–12. doi:10.1155/2014/632575
Amraee, S., Vafaei, A., Jamshidi, K. et al. Abnormal event detection in crowded scenes using one-class SVM. SIViP 12, 1115–1123 (2018). doi: 10.1007/s11760-018-1267-z
Lile, C., & Yiqun, L. (2017). Anomaly detection in thermal images using deep neural networks. 2017 IEEE International Conference on Image Processing (ICIP). doi:10.1109/icip.2017.8296692
Samir Jain, Ayan Seal, Aparajita Ojha, Anis Yazidi, Jan Bures, Ilja Tacheci, Ondrej Krejcar, A deep CNN model for anomaly detection and localization in wireless capsule endoscopy images, Computers in Biology and Medicine, Volume 137, 2021, 104789, ISSN 0010-4825, https://doi.org/10.1016/j.compbiomed.2021.104789
Motamed, S., Rogalla, P. & Khalvati, F. RANDGAN: Randomized generative adversarial network for detection of COVID-19 in chest X-ray. Sci Rep 11, 8602 (2021). https://doi.org/10.1038/s41598- 021-87994-2
Michał Piekarski, Joanna Jaworek-Korjakowska, Adriana I. Wawrzyniak, Marek Gorgon,Convolutional neural network architecture for beam instabilities identification in Synchrotron Radiation Systems as an anomaly detection problem,Measurement, Volume 165,2020,108116,ISSN 0263-2241, https://www.sciencedirect.com/science/article/pii/S0263224120306540?via%3Dihub
X. Yu, C. Kang, D. S. Guttery, S. Kadry, Y. Chen and Y. -D. Zhang, "ResNet-SCDA-50 for Breast Abnormality Classification," in IEEE/ACM Transactions on Computational Biology and Bioinformatics, vol. 18, no. 1, pp. 94-102, 1 Jan.-Feb. 2021, doi: 10.1109/TCBB.2020.2986544
Universidad Nacional de San Juan. (s.f). Departamento de Electrónica y Automática. Recuperado de: http://dea.unsj.edu.ar/imagenes/recursos/Capitulo1.pdf
Grosjean, B., Moisan, L. A-contrario Detectability of Spots in Textured Backgrounds. J Math Imaging Vis 33, 313 (2009). https://link.springer.com/article/10.1007/s10851-008-0111-4
Yao, X., & Zhao, C. (2018). Hyperspectral anomaly detection based on the bilateral filter. Infrared Physics & Technology, 92, 144–153. doi:10.1016/j.infrared.2018.05.028
C. Zhao, C. Li, S. Feng, N. Su and W. Li, "A Spectral–Spatial Anomaly Target Detection Method Based on Fractional Fourier Transform and Saliency Weighted Collaborative Representation for Hyperspectral Images," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 13, pp. 5982-5997, 2020, doi: 10.1109/JSTARS.2020.3028372
Xu, Yang & Wu, Zebin & Li, Jun & Plaza, Antonio & Wei, Zhihui. (2015). Anomaly Detection in Hyperspectral Images Based on Low-Rank and Sparse Representation. IEEE Transactions on Geoscience and Remote Sensing. doi: 54. 1-11. 10.1109/TGRS.2015.2493201
Burger, W. & Bure, M. (2016). Digital image processing. Springer. Recuperado de: https://educons.edu.rs/wp-content/uploads/2020/05/2016-Digital-Image-Processing.pdf
Anónimo. (Febrero de 2022). Vp tree. Fribbels. Recuperado de: https://fribbels.github.io/vptree/writeup
Alkinani, M.H., El-Sakka, M.R. Patch-based models and algorithms for image denoising: a comparative review between patch-based images denoising methods for additive noise reduction. J Image Video Proc. 2017, 58 (2017). https://doi.org/10.1186/s13640-017-0203-4
Domingo, M. (septiembre de 2021). Imágenes. Github. Recuperado de: https://github.com/domingomery/imagenes/blob/master/clases/Cap04_Sistemas_Lineales/prese ntations/IMG04_Fourier1D.pptx
Tailanian, M., Musé, P., & Pardo, Á. (2021, December). A Multi-Scale A Contrario method for Unsupervised Image Anomaly Detection. In 2021 20th IEEE International Conference on Machine Learning and Applications (ICMLA) (pp. 179-184). IEEE. https://arxiv.org/pdf/2110.02407.pdf
Anónimo. (Abril de 2022). Download Apache Commons Math. Apache Commons. Recuperado de: https://www.google.com/search?q=download+apache+commons+math&oq=download+apache+ commons+math&aqs=chrome..69i57j0i19i22i30l5.11142j0j4&sourceid=chrome&ie=UTF-8
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 73 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/4f461f3b-86a1-49fd-90ec-9cba441dc2fa/download
https://repositorio.unibague.edu.co/bitstreams/dc147e08-8902-4196-9d3c-dc160420de34/download
https://repositorio.unibague.edu.co/bitstreams/7b191ab1-4aca-4d75-b0ab-426ff0d53b8a/download
https://repositorio.unibague.edu.co/bitstreams/683d5310-9170-45f4-9a04-30346a30f9a5/download
https://repositorio.unibague.edu.co/bitstreams/368e6b34-7219-47c7-9731-d569d1f16d9a/download
https://repositorio.unibague.edu.co/bitstreams/9f4e2152-a0f9-48c6-b0b0-c185be1cd8f1/download
bitstream.checksum.fl_str_mv 04186e282beff5b694e563de8e96201f
f71d1a8019dba28e3d21eb05dfc3714d
25105a8bc3f84999b9e0228c3aaf6943
2fa3e590786b9c0f3ceba1b9656b7ac3
7bfecf0573b6d010d1d9d79da6cad9e4
04894ada3b6708dbc325b4e292f2dbe1
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059981525188608
spelling Forero Vargas, Manuel Guillermo [dirección ]1578ef4b-45b1-4a61-b513-dc6620e24a3c-1Fernández Gallego, Jose Armando [co-dirección ]56859295-eac7-43b0-9bd8-6f45c634cc5e-1Jacanamejoy Jamioy, Carlos Antonio [asesor]a60cb74a-1738-4c0a-873e-f75ddc6eb277-1Nostas Valdivia, Joshua [colaborador ]62f4f803-4b2b-4417-87d7-f0b3bfcd4b75-1Durán Varón, Camila Andreaf40e3572-97e8-426a-a787-7f2dfe641efe-12025-03-19T19:26:59Z2025-03-19T19:26:59Z2022La detección de anomalías es una técnica de procesamiento digital de imágenes usada para localizar y señalar objetos anormales, intrusiones o irregularidades presentes en una imagen digital. Este proyecto plantea una revisión del estado del arte para estudiar los diferentes tipos de técnicas que se han propuesto para la detección de anomalías, en particular el algoritmo sugerido por Ehret et al., basada en análisis multiresolución, el cual reduce la situación a un problema de detección de anomalías en el ruido de la imagen. Este método consiste en modelar la autosimilitud de la imagen original en varias escalas, para extraer la información correspondiente a ruido y anomalías, asumiendo que las características de la imagen tienen una distribución gaussiana. De esta forma los valores atípicos son estudiados utilizando la distribución de la imagen para separar el ruido de las anormalidades de manera automática. Para el desarrollo de este proyecto desarrolló un plugin en el programa de libre acceso ImageJ basado en el método mencionado y se testeó el resultado en 10 imágenes sintéticas y obtenidas del artículo original, para observar los resultados.Anomaly detection is a digital image processing technique used to locate and flag abnormal objects, intrusions, or irregularities present in a digital image. This project proposes a review of the state of the art to study the different types of techniques that have been proposed for the detection of anomalies, in particular the algorithm suggested by Ehret et al., based on multiresolution analysis, which reduces the situation to a detection problem of anomalies in the noise of the image. This method consists in modeling the self-similarity of the original image at various scales, to extract the information corresponding to noise and anomalies, assuming that the image features have a Gaussian distribution. In this way outliers are studied using the image distribution to automatically separate noise from abnormalities. For the development of this project, a plugin was applied in the ImageJ free access program based on the aforementioned method and the result was tested on 10 synthetic images obtained from the original article, to observe the results.PregradoIngeniero Electrónico• Resumen.....5 ● Lista de figuras.....8 ● Lista de tablas.....10 ● Introducción.....1 1. Objeto de Estudio.....3 1.1 Descripción del problema y justificación.....3 1.1 Objetivos generales y Específicos.....4 1.1.1 Objetivo general.....4 1.1.2 Objetivos específicos.....4 2 Estado del Arte.....5 2.1 Técnicas de aprendizaje automático.....6 2.1.1 Técnicas clásicas.....6 2.1.2 Técnicas de aprendizaje profundo.....7 2.2 Técnicas de Procesamiento Digital de Imágenes y probabilidad.....9 3 Marco Teórico.....11 3.1 Descomposición multiescalar.....11 3.2 Filtro gaussiano.....12 3.3 Árbol VP.....13 3.4 K vecinos más cercanos.....15 3.5 Filtro de medios no locales.....16 3.6 Ajuste estadístico.....18 3.6.1 Procedimiento 1: aproximación a curva laplaciana.....18 3.6.2 Procedimiento 2: aproximación a curva gaussiana.....19 3.7 Transformada de Fourier.....20 3.8 Tile Mirror.....21 3.9 Técnica Estadística “A contrario”.....23 4. Materiales y Metodología.....28 4.1 Materiales.....28 4.2 Metodología.....29 4.2.1 Descomposición Multiescalar.....30 4.2.2 Obtención de imagen residual.....32 4.2.3 Ajuste estadístico.....35 4.2.4 Técnica “A contrario”.....38 4.2.5 Detección de anomalías.....40 5 Resultados y Conclusiones.....44 5.1 Resultados.....44 5.2 Conclusiones.....56 Anexo A.....58 Instalación del programa.....58 Uso del programa.....59 6. Referencias bibliográficas.....6173 páginasapplication/pdfDurán Varón, C. A. (2022). Estudio de técnicas para la detección de anomalías en imágenes digitales. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4866https://hdl.handle.net/20.500.12313/4866spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaA. Davy, T. Ehret, J-M. Morel, and M. Delbracio, How to Reduce Anomaly Detection in Images to Anomaly Detection in Noise, Image Processing On Line, 9 (2019), pp. 391–412. https://doi.org/10.5201/ipol.2019.263. Recuperado de: http://www.ipol.im/pub/art/2019/263/Aggarwal C.C. (2017) Probabilistic and Statistical Models for Outlier Detection. In: Outlier Analysis. Springer, Cham. https://doi.org/10.1007/978-3-319-47578-3_2Denning, D. E. (1987). An Intrusion-Detection Model. IEEE Transactions on Software Engineering, SE-13(2), 222–232. doi:10.1109/tse.1987.232894Gates, Carrie & Taylor, Carol. (2006). Challenging the Anomaly Detection Paradigm: A Provocative Discussion. Proceedings New Security Paradigms Workshop. 21-29. 10.1145/1278940.1278945da Costa, K. A., Papa, J. P., Passos, L. A., Colombo, D., Del Ser, J., Muhammad, K., & de Albuquerque, V. H. C. (2020). A critical literature survey and prospects on tampering and anomaly detection in image data. Applied Soft Computing, 106727. https://doi.org/10.1016/j.asoc.2020.106727V. Chandola, A. Banerjee, and V. Kumar, Anomaly detection: A survey, ACM computing surveys (CSUR), 41 (2009), p. 15. https://doi.org/10.1145/1541880.1541882A. Davy, T. Ehret, J-M. Morel, and M. Delbracio. (2019). How to Reduce Anomaly Detection in Images to Anomaly Detection in Noise. Image Processing On Line. Recuperado de: http://www.ipol.im/pub/art/2019/263/Guansong Pang, Chunhua Shen, Longbing Cao, and Anton Van Den Hengel. 2021. Deep Learning for Anomaly Detection: A Review. ACM Comput. Surv. 54, 2, Article 38 (March 2022), 38 pages. https://doi.org/10.1145/3439950Burns, E. (2021). Machine Learning. SearchEnterpriseAI. Recuperado de: https://www.techtarget.com/searchenterpriseai/definition/machine-learning- ML#:~:text=Machine%20learning%20is%20important%20because,central%20part%20of%20their %20operationsKhan, A. A., Laghari, A. A., & Awan, S. A. (2021). Machine learning in computer vision: A review. EAI Transactions on Scalable Information Systems, e4. http://dx.doi.org/10.4108/eai.21-4- 2021.169418Raschka, S. & Mirjalili, V. (2015). Python Machine learning. Third edition. Packt.Ajay Kumar, Neural network based detection of local textile defects, Pattern Recognition, Volume 36, Issue 7, 2003, Pages 1645-1659, ISSN 0031-3203, https://doi.org/10.1016/S0031- 3203(03)00005-0Yanfeng Gu, Ying Liu, & Ye Zhang. (n.d.). A Selective Kernel PCA Algorithm for Anomaly Detection in Hyperspectral Imagery. 2006 IEEE International Conference on Acoustics Speed and Signal Processing Proceedings. doi: 10.1109/ICASSP.2006.1660445Zhu, X., Liu, Z. Human behavior clustering for anomaly detection. Front. Comput. Sci. China 5, 279 (2011). https://link.springer.com/article/10.1007/s11704-011-0080-4Hu, X., Hu, S., Zhang, X., Zhang, H., & Luo, L. (2014). Anomaly Detection Based on Local Nearest Neighbor Distance Descriptor in Crowded Scenes. The Scientific World Journal, 2014, 1–12. doi:10.1155/2014/632575Amraee, S., Vafaei, A., Jamshidi, K. et al. Abnormal event detection in crowded scenes using one-class SVM. SIViP 12, 1115–1123 (2018). doi: 10.1007/s11760-018-1267-zLile, C., & Yiqun, L. (2017). Anomaly detection in thermal images using deep neural networks. 2017 IEEE International Conference on Image Processing (ICIP). doi:10.1109/icip.2017.8296692Samir Jain, Ayan Seal, Aparajita Ojha, Anis Yazidi, Jan Bures, Ilja Tacheci, Ondrej Krejcar, A deep CNN model for anomaly detection and localization in wireless capsule endoscopy images, Computers in Biology and Medicine, Volume 137, 2021, 104789, ISSN 0010-4825, https://doi.org/10.1016/j.compbiomed.2021.104789Motamed, S., Rogalla, P. & Khalvati, F. RANDGAN: Randomized generative adversarial network for detection of COVID-19 in chest X-ray. Sci Rep 11, 8602 (2021). https://doi.org/10.1038/s41598- 021-87994-2Michał Piekarski, Joanna Jaworek-Korjakowska, Adriana I. Wawrzyniak, Marek Gorgon,Convolutional neural network architecture for beam instabilities identification in Synchrotron Radiation Systems as an anomaly detection problem,Measurement, Volume 165,2020,108116,ISSN 0263-2241, https://www.sciencedirect.com/science/article/pii/S0263224120306540?via%3DihubX. Yu, C. Kang, D. S. Guttery, S. Kadry, Y. Chen and Y. -D. Zhang, "ResNet-SCDA-50 for Breast Abnormality Classification," in IEEE/ACM Transactions on Computational Biology and Bioinformatics, vol. 18, no. 1, pp. 94-102, 1 Jan.-Feb. 2021, doi: 10.1109/TCBB.2020.2986544Universidad Nacional de San Juan. (s.f). Departamento de Electrónica y Automática. Recuperado de: http://dea.unsj.edu.ar/imagenes/recursos/Capitulo1.pdfGrosjean, B., Moisan, L. A-contrario Detectability of Spots in Textured Backgrounds. J Math Imaging Vis 33, 313 (2009). https://link.springer.com/article/10.1007/s10851-008-0111-4Yao, X., & Zhao, C. (2018). Hyperspectral anomaly detection based on the bilateral filter. Infrared Physics & Technology, 92, 144–153. doi:10.1016/j.infrared.2018.05.028C. Zhao, C. Li, S. Feng, N. Su and W. Li, "A Spectral–Spatial Anomaly Target Detection Method Based on Fractional Fourier Transform and Saliency Weighted Collaborative Representation for Hyperspectral Images," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 13, pp. 5982-5997, 2020, doi: 10.1109/JSTARS.2020.3028372Xu, Yang & Wu, Zebin & Li, Jun & Plaza, Antonio & Wei, Zhihui. (2015). Anomaly Detection in Hyperspectral Images Based on Low-Rank and Sparse Representation. IEEE Transactions on Geoscience and Remote Sensing. doi: 54. 1-11. 10.1109/TGRS.2015.2493201Burger, W. & Bure, M. (2016). Digital image processing. Springer. Recuperado de: https://educons.edu.rs/wp-content/uploads/2020/05/2016-Digital-Image-Processing.pdfAnónimo. (Febrero de 2022). Vp tree. Fribbels. Recuperado de: https://fribbels.github.io/vptree/writeupAlkinani, M.H., El-Sakka, M.R. Patch-based models and algorithms for image denoising: a comparative review between patch-based images denoising methods for additive noise reduction. J Image Video Proc. 2017, 58 (2017). https://doi.org/10.1186/s13640-017-0203-4Domingo, M. (septiembre de 2021). Imágenes. Github. Recuperado de: https://github.com/domingomery/imagenes/blob/master/clases/Cap04_Sistemas_Lineales/prese ntations/IMG04_Fourier1D.pptxTailanian, M., Musé, P., & Pardo, Á. (2021, December). A Multi-Scale A Contrario method for Unsupervised Image Anomaly Detection. In 2021 20th IEEE International Conference on Machine Learning and Applications (ICMLA) (pp. 179-184). IEEE. https://arxiv.org/pdf/2110.02407.pdfAnónimo. (Abril de 2022). Download Apache Commons Math. Apache Commons. Recuperado de: https://www.google.com/search?q=download+apache+commons+math&oq=download+apache+ commons+math&aqs=chrome..69i57j0i19i22i30l5.11142j0j4&sourceid=chrome&ie=UTF-8info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Imágenes digitales - AnomalíasImágenes digitales - Anomalías - Estudio de técnicasDetección de anomalíasDescomposición multiescalarMétodo estadístico “A contrario”.Non local meansAnomaly detectionMultiscalar descompositionNon local meansStatistical method "A contrario".Estudio de técnicas para la detección de anomalías en imágenes digitalesTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdf Trabajo de grado.pdf application/octet-stream1986500https://repositorio.unibague.edu.co/bitstreams/4f461f3b-86a1-49fd-90ec-9cba441dc2fa/download04186e282beff5b694e563de8e96201fMD51Anomaly_detector.zipAnomaly_detector.zipapplication/zip2718371https://repositorio.unibague.edu.co/bitstreams/dc147e08-8902-4196-9d3c-dc160420de34/downloadf71d1a8019dba28e3d21eb05dfc3714dMD52Formato de autorización.pdfFormato de autorización.pdfapplication/pdf209709https://repositorio.unibague.edu.co/bitstreams/7b191ab1-4aca-4d75-b0ab-426ff0d53b8a/download25105a8bc3f84999b9e0228c3aaf6943MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/683d5310-9170-45f4-9a04-30346a30f9a5/download2fa3e590786b9c0f3ceba1b9656b7ac3MD54TEXTFormato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3173https://repositorio.unibague.edu.co/bitstreams/368e6b34-7219-47c7-9731-d569d1f16d9a/download7bfecf0573b6d010d1d9d79da6cad9e4MD57THUMBNAILFormato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg25225https://repositorio.unibague.edu.co/bitstreams/9f4e2152-a0f9-48c6-b0b0-c185be1cd8f1/download04894ada3b6708dbc325b4e292f2dbe1MD5820.500.12313/4866oai:repositorio.unibague.edu.co:20.500.12313/48662025-08-13 01:11:52.95https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares