Determinación de componentes conexas en el análisis de zonas homogéneas y de detalle en imágenes a color
Enviado: 24-06-2017
|Aceptado: 06-12-2017
|Publicado: 05-02-2018
Descargas
Palabras clave:
Procesado de imágenes digitales, grafo local, componente conexa, suavizado de imágenes, realce de imágenes
Agencias de apoyo:
MTM2015-64373-P (MINECO/FEDER)
MECD TEC2016-79884-C2-2-R
Proyecto de Innovación Docente del Depto. de Matemática Aplicada de la Universitat Politècnica de València
PID-DMA2016
Prácticas de Teoríade Grafos aplicadas al procesamiento de imágenes
Resumen:
Presentamos un modelo basado en grafos locales para clasificar los píxeles atendiendo a si pertenecen a zonas homogéneas o a zonas de detalle de una imagen. Para cada píxel se define un grafo cuya estructura dependerá de la similitud entre los píxeles adyacentes. Sus características permiten clasificar cada píxel de la imagen como perteneciente a un tipo de zona u a otra. Esta clasificación constituye un pre-procesado de la imagen primordial para múltiples ramas de Visión Artificial, como puede ser el suavizado o el realce de imágenes digitales.
Citas:
Camarena, J. G., Gregori, V., Morillas, S., Sapena, A. (2013). El concepto de métrica fuzzy a través del filtrado de imágenes digitales. Modelling in Science Education and Learning, 6, 5-17. https://doi.org/10.4995/msel.2013.1976
Camarena, J. G., Morillas, S., Cisneros, F. J. (2011). On the importance of metrics in practical applications. Modelling in Science Education and Learning, 4, 119-128. https://doi.org/10.4995/msel.2011.3066
Celebi, M. E., Lecca, M., Smolka, B. (2015). Color Image and Video Enhancement. Springer -Verlag, Berlin. https://doi.org/10.1007/978-3-319-09363-5
Conejero, J. A., Jordán, C. (2015a). Aplicaciones de la Teoría de Grafos a la vida Real I. 2015. www.edx.org/course/aplicaciones-de-la-teoria-de-grafos-la-upvalenciax-tgv201x-1-0.
Conejero, J. A., Jordán, C. (2015b). Aplicaciones de la Teoría de Grafos a la vida Real II. www.edx.org/course/aplicaciones-de-la-teoria-de-grafos-la-upvalenciax-tgv201x-2-0
Gross, J. L., Yellen, J. (2004). Handbook of Graph Theory. Discrete mathematics and its applications. CRC press, Boca Raton (Fla.), London, New York.
Jordán, C., Morillas, S., Sanabria-Codesal, E. (2012) Colour image smoothing through a soft-switching mechanism using a graph model. IET Image Processing, 6(9), 1293-1298. https://doi.org/10.1049/iet-ipr.2011.0164
Jordán, C., Torregrosa, J. R. (1996). Introducción a la Teoría de Grafos y sus Algoritmos. Universitat Politècnica de València, València, Spain.
Lukac, R., Plataniotis, K. N. (2006). A taxonomy of color image filtering and enhancement solutions. Hawkes, P.W.(ed) Advances in Imaging and Electron Physics, 140, pp. 187-264. Elsevier Acedemic Press. https://doi.org/10.1016/S1076-5670(05)40004-X
Lukac, R., Smolka, B., Martin, K., Plataniotis, K. N., Venetsanopoulos, A. N. (2005). Vector filtering for color imaging. IEEE signal processing magazine, 22(1), 74-86. https://doi.org/10.1109/MSP.2005.1407717
Maes, F., Collingnon, A., Vandermeulen, G. Marchal, G., Suetens, P. (1997). Multimodality image registration by maximization of mutual information. IEEE Transactions on Medial Imaging 16 (2), 187-198. https://doi.org/10.1109/42.563664
MathWorks. Fuzzy Logic Image Processing. https://es.mathworks.com/help/fuzzy/examples/fuzzy-logic-image-processing.html
Pérez-Benito, C., Morillas, S., Jordán, C., Conejero, J. A. (2018). A model based on local graphs for colour images and its application for Gaussian noise smoothing. Journal of Computational and Applied Mathematics, 330, 955-964. https://doi.org/10.1016/j.cam.2017.05.013
Pérez-Benito, C., Morillas, S., Jordán, C., Conejero, J. A. (2017). Smoothing vs. sharpening of color images-Together or separated. Applied Mathematics and Nonlinear Sciences, 2(1), 299-316. https://doi.org/10.21042/AMNS.2017.1.00025
Plataniotis, K.N., Venetsanopoulos, A.N. (2000). Color Image processing and applications. Springer-Verlag, Berlin. https://doi.org/10.1007/978-3-662-04186-4
Viola, P., Wells, W.M. (1997). Alignment by maximization of mutual information. International Journal of Computer Vision 24 (2), 137-154. https://doi.org/10.1023/A:1007958904918
Sonka, M., Hlavac, V., Boyle, R. (2014).Image processing, analysis, and machine vision. Cengage Learning.
