III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.N° NCE Médias3 0,10544 0,10315 0,10167 0,103510 0,106515 0,106820 0,101525 0,105630 0,1056Tabela 2. Seleção de topologia.A Figura 8, a seguir, mostra alguns resultados obtidosatravés do treinamento e teste realizados com ossegmentos da imagem. Pode-se verificar que com estaabordagem o filtro desempenhou melhor sua função.se comparados com os treinamentos individuais,mostrados anteriormente.Figura 10. Resultado da filtragem utilizando todos osruídos no treinamento em imagens com diversos ruídos;(a) Gauss. 10 NCE; (b) Poisson 10 NCE; (c) SP 0,1 10 NCE.O mesmo ocorre com o treinamento segmentado, comopode ser visto na figura 11, a seguir.Figura 10. Resultado da filtragem segmentada utilizandotodos os ruídos no treinamento em imagens com diversosruídos; (a) Imagem Ruidosa Speckle; (b) Imagem Filtrada.5. ConclusõesFigura 8. Resultado da filtragem segmentada (imagemusada no treinamento/imagem usada no teste);(a) Gauss./Gauss. 15 NCE; (b) Gauss./Speckle 15 NCE(c) SP0,01/SP0,01 7 NCE; (d) SP0,01/Gauss. 7 NCE.Abaixo (Fig. 9) são apresentadas filtragenssegmentadas, onde pode-se observar melhor os resultadosindividuais.Trein/TesteGauss./Gauss. 15 Speckle/Poisson 10NCESegmento 7 10 11 7 10 11Sem ruídoCom ruídoResultadoFiltro RNAFigura 9. Filtragem segmentada.Utilizando-se todos os ruídos no treinamento nãosegmentado, não se obtém melhores resultados (Fig. 10)Conclui-se a partir dos resultados acima apresentados,que redes neurais podem ser empregadas como filtros deimagens. Treinando-se as redes para vários segmentosindividuais podem melhorar os resultados se comparadoaos treinamentos realizados com toda a imagem, visto quea generalização é menor. A utilização de filtrosespecíficos para cada tipo de ruído, usual nos filtrosespaciais, aplica-se a este trabalho, os resultados mostramque usando vários ruídos no treinamento, o resultado finalnão é melhorado.Como sugestão para trabalhos futuros, tem-se apossibilidade de usar arquiteturas de redes neurais paradefinir a qual classe pertence um determinado ruído,usando-se, por exemplo, redes de mapas autoorganizáveis(SOM – Self-organazing Maps), e apósclassificar este ruído, pode-se aplicar o filtro determinadopara o ruído classificado.6. Referências[1] R. C. Gonzalez, R. E. Woods, e S. L. Eddins, “DigitalImage Processing Using MATLAB”, Prentice-Hall, 2003.[2] S. Haykin, “Neural Networks”, Prentice-Hall, 1999.207