SEGMENTACIÓN DE IMÁGENES DE COLOR EMPLEANDO EL ESPACIO DE ESCALA GAUSSIANO
Notice bibliographique
Résumé
RESUMENLa visión por computador trata con el problema de encontrar interpretaciones o descripciones significativas a partir de datos visuales y se pueden pensar tres preguntas que conduzcan a la interpretación significativa de los mismos. ¿Cuál es la información relevante de la imagen? ¿Cómo debe extraerse la información relevante de los datos censados? ¿Qué medidas o características pueden obtenerse de la información extraída? Este trabajo pretende responder a la segunda pregunta, así como de identificar desde la imagen qué objetos están en el mundo y donde están en él. Se recurre a la representación en el espacio de escala para el análisis de los datos en diferentes niveles de la imagen y se propone una metodología de segmentación basada en la relación de cada uno de los píxeles con su vecindario.Los espacios de escala son reducciones sucesivas de características de la imagen que permiten identificar las propiedades más significativas de la misma, aplicando un filtro Gaussiano cuyos parámetros son variados a medida que la escala aumenta. Para las pruebas se emplearon imágenes de café y los resultados muestran regiones más completas con respecto a las técnicas de segmentación de crecimiento de regiones y SCT debido a la influencia del filtrado sucesivo. Este trabajo se desarrolló con apoyo del proyecto de investigación MODELADO DE SUPERFICIES DE FORMA LIBRE.PALABRAS CLAVE: Segmentación de Imágenes, Espacios de Escala, Filtro Gaussiano. ABSTRACT Computer vision deals with the problem of finding interpretations or significant descriptions from visual data. Three questions that lead to the significant interpretation of such data should be considered. What is the relevant information in the image? How can the relevant information be extracted from the data? What measures or characteristics can be obtained from the extracted information? This work tries to respond to the second question, as well as to identify what objects are in the image and where they are located.Scale space representation can be used to analyze the data from the image in different levels. In this work, a segmentation methodology based on the relation of each one of the pixels in the image with its neighbors is applied. Scale spaces are successive reductions of characteristics of the image that allow identification of its most significant properties. This is achieved by applying a Gaussian filter whose parameters are varied as the scale increases. Images of coffee plants were used for the tests and the results show more complete regions with respect to the techniques of segmentation of growth of regions and SCT. KEYWORDS: Segmentation of Images, Scale Space, Gaussian Filter.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».