Skeletonization of sparse shapes using dynamic competitive neural networks

Mostrar todas las versiones(2)

La detección de regiones y objetos en imágenes digitales es un tema de suma importancia en la resolución de numerosos problemas correspondientes al área de reconocimiento de patrones. En esta dirección los algoritmos de esqueletización son una herramienta muy utilizada ya que permiten reducir la can...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Hasperué, Waldo, Corbalán, Leonardo César, Lanzarini, Laura Cristina, Bria, Oscar N.
Formato: Objeto de conferencia
Lenguaje:Inglés
Publicado: 2006
Materias:
Ciencias Informáticas
skeletonization
dynamic self-organizing maps
Neural nets
Image processing software
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/22675
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-22675
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Inglés
topic Ciencias Informáticas
skeletonization
dynamic self-organizing maps
Neural nets
Image processing software
spellingShingle Ciencias Informáticas
skeletonization
dynamic self-organizing maps
Neural nets
Image processing software
Hasperué, Waldo
Corbalán, Leonardo César
Lanzarini, Laura Cristina
Bria, Oscar N.
Skeletonization of sparse shapes using dynamic competitive neural networks
topic_facet Ciencias Informáticas
skeletonization
dynamic self-organizing maps
Neural nets
Image processing software
description La detección de regiones y objetos en imágenes digitales es un tema de suma importancia en la resolución de numerosos problemas correspondientes al área de reconocimiento de patrones. En esta dirección los algoritmos de esqueletización son una herramienta muy utilizada ya que permiten reducir la cantidad de información disponible facilitando la extracción de características para su posterior reconocimiento y clasificación. Además, esta transformación de la información original en sus características esenciales, facilita la eliminación de ruidos locales presentes en la entrada de datos. Este artículo propone una nueva estrategia de esqueletización aplicable a imágenes esparcidas a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. La estrategia desarrollada en este trabajo determina los arcos que forman el esqueleto combinando el aprendizaje no supervisado del AVGSOM con un árbol de dispersión mínima (minimun spaning tree). El método propuesto ha sido aplicado en imágenes con diferente forma y grado de dispersión. En particular, los resultados obtenidos han sido comparados con soluciones existentes mostrando resultados satisfactorios. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras
format Objeto de conferencia
Objeto de conferencia
author Hasperué, Waldo
Corbalán, Leonardo César
Lanzarini, Laura Cristina
Bria, Oscar N.
author_facet Hasperué, Waldo
Corbalán, Leonardo César
Lanzarini, Laura Cristina
Bria, Oscar N.
author_sort Hasperué, Waldo
title Skeletonization of sparse shapes using dynamic competitive neural networks
title_short Skeletonization of sparse shapes using dynamic competitive neural networks
title_full Skeletonization of sparse shapes using dynamic competitive neural networks
title_fullStr Skeletonization of sparse shapes using dynamic competitive neural networks
title_full_unstemmed Skeletonization of sparse shapes using dynamic competitive neural networks
title_sort skeletonization of sparse shapes using dynamic competitive neural networks
publishDate 2006
url http://sedici.unlp.edu.ar/handle/10915/22675
work_keys_str_mv AT hasperuewaldo skeletonizationofsparseshapesusingdynamiccompetitiveneuralnetworks
AT corbalanleonardocesar skeletonizationofsparseshapesusingdynamiccompetitiveneuralnetworks
AT lanzarinilauracristina skeletonizationofsparseshapesusingdynamiccompetitiveneuralnetworks
AT briaoscarn skeletonizationofsparseshapesusingdynamiccompetitiveneuralnetworks
bdutipo_str Repositorios
_version_ 1764820467463487492

Ejemplares similares