Matriz de co-ocurrencia y dimensión fractal en segmentación de imágenes

• Marón, Beatriz S. ^[1]
  1. [1] Universidad Nacional del Sur

     Universidad Nacional del Sur

     Argentina

     
• Localización: Revista de Matemática: Teoría y Aplicaciones, ISSN 2215-3373, ISSN-e 2215-3373, Vol. 19, Nº. 1, 2012, págs. 49-63
• Idioma: español
• DOI: 10.15517/rmta.v19i1.2104
• Títulos paralelos:
  • Co-occurrence Matrix and fractal dimension for image segmentation
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Una de las tareas más importantes en el procesamiento de imágenes es el reconocimiento de objetos, y el éxito de muchos de los métodos propuestos se basa en la adecuada elección del algoritmo para la segmentación de la imagen. Este trabajo se enfoca en cómo aplicar los operadores de textura basados en los conceptos de dimensión fractal y de matrices de co-occurencia, al problema de reconocimiento de objetos y se introduce un nuevo método basado en la dimensión fractal. Para ilustrar cada método se utilizan imágenes en las que se muestra el resultado de la segmentación y se realiza un estudio comparativo de cada operador.

  • English

    One of the most important tasks in image processing problem and machine vision is object recognition, and the success of many proposed methods relies on a suitable choice of algorithm for the segmentation of an image. This paper focuses on how to apply texture operators based on the concept of fractal dimension and cooccurence matrix, to the problem of object recognition and a new method based on fractal dimension is introduced. Several images, in which the result of the segmentation can be shown, are used to illustrate the use of each method and a comparative study of each operator is made.

• Referencias bibliográficas
  • Chaudhuri, B.; Sarkar, N. (1995) “Texture segmentation using fractal dimension”, IEEE Trans. P.A.M.I. 25 (17): 72–76.
  • Kuklinski, W. (1994) “Utilization of fractal dimension in images for plant recognition”, Fractals 2(3): 363–369.
  • Haralick, R.M.; Shanmugam, K.; Denstein, I. (1973) “Textural features for image classification”, IEEE Trans. Syst. Man Cybern. 3(6):610–621.
  • Haralick, R.M. (1979) “Statistical and structural approaches to texture”, Proc. 4th Int. Joint Conf. Pattern Recog.: 45–60.
  • Haralick, R.M.; Shapiro, L. (1992) Computer and Robot Vision, Vol.1. Addison-Wesley, Massachusetts.
  • Marrón, B. (2004) Modelos Markovianos en Segmentación de Imágenes. Tesis de Maestría en Matemática, Universidad Nacional del Sur, Bahía...
  • Noviranto, S.; Suzuki, Y.; Maeda, J. (2003) “Near optimum estimation of local fractal dimension for image segmentation”, Pattern Recognition...
  • Pentland, A. (1984) “Fractal-based description of natural scenes”, IEEE Trans. P.A.M.I. 6(6): 661–674.
  • Russ, J. C. (1998) The Image Processing Handbook, Third edition. U.S.A. CRC & IEEE Press.
  • Sarkar, N.; Chaudhuri, B. (1992) “An efficient approach to estimate fractal dimension of textural images”, Pattern Recognition 25(9):1035–1041.
  • Sonka, M.; Hlavac, V.; Boyle, R. (1999) Image Processing, Analysis and Machine Vision, Second edition. PWS Publishing, Boston.
  • Zwiggelaar, R.; Bull, C. (1994) “The use of fractal dimension in images for plant recognition”, in: M.M. Novak (Ed.) Fractal Reviews in the...