Skeletonization of sparse shapes using dynamic competitive neural networks
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...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Inglés |
| Publicado: |
2006
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/22675 |
| Aporte de: |
| Sumario: | 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 |
|---|