Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

Veuillez utiliser cette adresse pour citer ce document : https://rinacional.tecnm.mx/jspui/handle/TecNM/7704
Titre: Métricas y Funciones de Semejanza para Texturas
Auteur(s): Pedro Perez, Alma Alheli%512907
Date de publication: 2015-07-09
Editeur: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Centro Nacional de Investigación y Desarrollo Tecnológico
Description: En esta tesis se aborda el problema de identificar las métricas o funciones adecuadas para valorar la semejanza entre imágenes de texturas naturales y lograr la descripción ante cambios de escala y rotación. Las métricas seleccionadas son: Complex-Wavelet Structural Similarity Metric (CW-SSIM), Structural Texture Similarity Metric (STSIM) e Improved Structural Texture Similarity Metric (STSIM-2). Estas métricas incorporan información estructural en las comparaciones de las imágenes, basándose en estadísticas locales. Para aplicar las métricas de semejanza se realizó un proceso de descomposición de las imágenes en sub-bandas. Con la información generada se extrajeron los descriptores y se aplicaron las fórmulas de comparación y las estrategias de unión para obtener un valor de semejanza total. Una vez obtenidos los valores de semejanza, se realizó el análisis de los datos. Para esto se empleó el promedio de los valores por cada nivel de escala o grado de rotación; el promedio general por cada experimento realizado; la desviación estándar; y el tiempo de procesamiento por cada métrica de semejanza. En la etapa experimental se emplearon 4,800 imágenes de texturas naturales de flores, césped y montañas con cambios de escala y rotación, así como 200 imágenes de escenas naturales con cambios de escala e iluminación. Se realizaron 22 pruebas, 18 son pruebas básicas en las que se valoró la semejanza de imágenes con cambios de escala y rotación por separado. En otra prueba se integraron imágenes de las tres categorías con cambios de escala. En una más se integraron imágenes de las tres categorías con cambios de escala y rotación. En otra se usaron imágenes de escenas naturales con cambios de escala. En la última se emplearon imágenes de escenas naturales con cambios de escala e iluminación. En las 18 pruebas básicas los resultados muestran que las métricas STSIM y STSIM-2 son las más recomendables para valorar la semejanza entre imágenes de texturas naturales con cambios de escala y rotación porque presentaron una mejor valoración de las imágenes. En las cuatro pruebas restantes que integran imágenes de las tres categorías de texturas naturales y en las pruebas con imágenes de escenas naturales se observó que la métrica CW-SSIM presenta el mayor nivel de separabilidad. Sin embargo, los valores de semejanza decrecen conforme disminuye el nivel de escala y aumenta el grado de rotación. En cuanto las métricas STSIM y STSIM-2 los niveles de separabilidad son menores. Sin embargo, el valor de semejanza se mantiene estable conforme disminuye el nivel de escala y aumenta el grado de rotación. Por lo expresado anteriormente se determinó que las métricas STSIM y STSIM-2 son las más recomendables para valorar la semejanza entre imágenes de texturas naturales con cambios de escala y rotación. Con base en los experimentos realizados, se propone una metodología para utilizar las métricas de semejanza y realizar la descripción de imágenes de texturas naturales con cambios de escala y rotación. La metodología propuesta se compone por las siguientes etapas: extracción de información de las imágenes y aplicación de las métricas de semejanza.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Collection(s) :Tesis de Maestría en Computación

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
MC_Alma_Alheli_Pedro_Perez_2015.pdfTesis7.59 MBAdobe PDFVoir/Ouvrir
MC_Alma_Alheli_Pedro_Perez_2015_c.pdf
  Accès limité
Cesión de derechos233.15 kBAdobe PDFVoir/Ouvrir    Demander une copie


Ce document est protégé par copyright



Ce document est autorisé sous une licence de type Licence Creative Commons Creative Commons