Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/2525| Cómputo evolutivo como enfoque en la descripción del contenido de la imagen aplicado a la segmentación y el reconocimiento de objetos Evolutionary computation for image content description applied to image segmentation and object recognition | |
| CYNTHIA BEATRIZ PEREZ CASTRO | |
| GUSTAVO OLAGUE CABALLERO | |
| Acceso Abierto | |
| Atribución | |
| Segmentación, Descriptores Estadísticos, Matriz de Co-ocurrencia (GLCM), Descriptores Locales, Programación Gen ética, Medida F, Reconocimiento de Objetos Segmentation, Statistical Descriptors, Co-ocurrence Matrix (GLCM), Local Descriptors, Genetic Programming, F-Measure, Object Recognition | |
| La habilidad para analizar y describir la información contenida en las imágenes provenientes de escenarios reales o diseñados por el hombre es una tarea que resulta retadora y atractiva para diferentes áreas de la ciencia. Este trabajo presenta dos algoritmos evolutivos los cuales analizan el contenido de la imagen para dos aplicaciones de la Visión por Computadora, como lo es: la segmentación y el reconocimiento de objetos. Por un lado se realiza un análisis del contenido de imágenes con textura utilizando descriptores estadísticos por medio de la matriz de co-ocurrencia para llevar a cabo la segmentación. Por otro lado, se proponen nuevos descriptores locales que describen el contenido de la imagen para reconocer objetos en escenarios al interior y al exterior. En ambos casos, el análisis del contenido de la imagen es requerido para llevar a cabo la tarea lo más eficientemente posible. En el primer trabajo presentamos nuestro algoritmo de segmentación EvoSeg el cual utiliza conocimiento derivado del análisis de textura para identificar el número de regiones homogéneas existentes en la escena sin contar con ninguna información a priori. EvoSeg utiliza descriptores estadísticos en una matriz de co-ocurrencias en escala de grises y optimiza una medida de aptitud basada en el criterio de varianza mínima usando un algoritmo gen ético canónico. Posteriormente, se incorpora interacción dentro del proceso de optimización del algoritmo EvoSeg en donde una persona experta interactúa con el sistema ayudando a mejorar los resultados. La interacción permite al algoritmo adaptarse usando esta nueva información externa basada en el criterio del experto. Finalmente, se presentan resultados experimentales para ambos algoritmos utilizando la base de datos de la USC-SIPI (Signal and Image Processing Institute). El segundo trabajo describe una metodología basada en la programación gen ética que sintetiza expresiones matemáticas que son usadas para mejorar el conocido descriptor del estado del arte, SIFT (Scale Invariant Feature Transform). El mecanismo de reconocimiento de este trabajo está inspirado en la idea de cómo se hace el reconocimiento en la corteza cerebral de los primates al hacer uso de características de una complejidad intermedia que son invariantes a cambios de escala, localización e iluminación de manera natural. Estas características locales han sido diseñadas por personas expertas en el ´área que hacen uso de las representaciones tradicionales a través de .. The ability to analyse and describe the image content from real or designed scenarios is a challenge and an attractive task for computer vision. This work presents two evolutionary algorithms which analyse the image content for two particular high level tasks such as: image segmentation and object recognition. On the one hand, the image content is analysed using statistical descriptors in a Gray Level Co-ocurrence Matrix (GLCM) in order to achieve good image segmentations. On the other hand, new local descriptor operators are proposed using genetic programming. These operators describe the image content in order to recognize objects localized within indoor and outdoor scenarios presenting different image transformations. First, we present our EvoSeg algorithm, which uses knowledge derived from texture analysis to identify how many homogeneous regions exist in the scene without a priori information. EvoSeg uses texture features derived from the GLMC and optimizes a fitness measure, based on the minimum variance criteria, using a hierarchical GA. Later, we include interaction within the EvoSeg optimization process obtaining a new algorithm named I − EvoSeg. This algorithm complements the chosen texture information with direct human interaction in the evolutionary optimization process. Interactive evolution helps to improve results by allowing the algorithm to adapt using the new external information based on user evaluation. Finally, we present experimental results using a standard database used for image segmentation from the USC-SIPI (Signal and Image Processing Institute). Second, we describe a genetic programming methodology that synthesizes mathematical expressions that are used to improve a well known local descriptor algorithm. It follows the idea that object recognition in the cerebral cortex of primates makes use of features of inter-mediate complexity that are largely invariant to change in scale, location, and illumination. These local features have been previously designed by human experts using traditional representations that have a clear, preferably mathematically, well-founded definition. However, it is not clear that these same representations are implemented by the natural system with the same representation. Hence, the possibility to design novel operators through genetic pro-gramming represents an open research avenue where the combinatorial search of evolutionary algorithms can largely exceed the ability of human experts. Hence, we ... | |
| CICESE | |
| 2010 | |
| Tesis de doctorado | |
| Español | |
| Pérez Castro, C.B. 2010. Cómputo evolutivo como enfoque en la descripción del contenido de la imagen aplicado a la segmentación y el reconocimiento de objetos. Tesis de Doctorado en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada.113 pp. | |
| OTRAS | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| tesisCynthiaPerez.pdf | 6.44 MB | Adobe PDF | Visualizar/Abrir |