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

More documents

Recommendations

Info

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
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.[3] Z. L. Kovács, “Redes Neurais Artificiais:Fundamentos e Aplicações”, Edição Acadêmica, 1996.[4] L. Yin, J. Astola, Y. Neuvo, “A New Class ofNonlinear Filters – Neural Filters”, IEEE, Transactions onSignal Processing, 1993.[5] K. Suzuki, I. Horiba, N. Sugie, “EfficientApproximation of Neural Filter for Removing QuantumNoise From Images”, IEEE, Transactions on SignalProcessing, 2002.[6] H. Jahn, “A Neural Network for Image Smoothing andSegmentation”, Springer, Lecture Notes in ComputerScience, 1998.[7] S. W. Perry, L. Guan, “Weight Assignment forAdaptive Image Restoration by Neural Networks”, IEEE,Transactions on Neural Network, vol. 11, 2000.[8] M. Haritopoulos, H. Yin, e N. M. Allinson, “Imagedenoising using self-organizing map-based nonlinearindependent component analysis”, Elsevier, NeuralNetworks, vol. 15, 2002.208
Page 1 and 2:
III Workshop de VisãoComputacional
Page 3 and 4:
Instituto de Biociências, Letras e
Page 5 and 6:
WVC 2007 - III Workshop de Visão C
Page 7 and 8:
ApresentaçãoA área de Visão Com
Page 10 and 11:
Automatic Pattern Recognition of Bi
Page 12 and 13:
WVC'2007 - III Workshop de Visão C
Page 14 and 15:
Page 16:
Page 19:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168: WVC'2007 - III Workshop de Visão C
Page 217: WVC'2007 - III Workshop de Visão C
Page 269 and 270:
Page 271 and 272:
Page 273 and 274:
Page 275 and 276:
Page 277 and 278:
Page 279 and 280:
Page 281 and 282:
Page 283 and 284:
Page 285 and 286:
Page 287 and 288:
Page 289 and 290:
Page 291 and 292:
Page 293 and 294:
Page 295 and 296:
Page 297 and 298:
Page 299 and 300:
Page 301 and 302:
Page 303 and 304:
Page 305 and 306:
Page 307 and 308:
Page 309 and 310:
Page 311 and 312:
Page 313 and 314:
Page 315 and 316:
Page 317 and 318:
Page 319 and 320:
Page 321 and 322:
Page 323 and 324:
Page 325 and 326:
Page 327 and 328:
Page 329 and 330:
Page 331 and 332:
Page 333 and 334:
Page 335 and 336:
Page 337 and 338:
Page 339 and 340:
Page 341 and 342:
Page 343 and 344:
Page 345 and 346:
Page 347 and 348:
Page 349 and 350:
Page 351 and 352:
Page 353 and 354:
Page 355 and 356:
Page 357 and 358:
Page 359 and 360:
Page 361 and 362:
Page 363:
show all

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

Create successful ePaper yourself

Delete template?

Save as template?