Estudio, diseño y optimización de algoritmos para la aplicación de técnicas de aprendizaje estadístico al procesado digital de imágenes
- Autores: Hilario Gómez Moreno
- Directores de la Tesis: Saturnino Maldonado Bascón (dir. tes.)
- Lectura: En la Universidad de Alcalá ( España ) en 2012
- Idioma: español
- Tribunal Calificador de la Tesis: Manuel Rosa Zurera (presid.), Pedro Gil Jiménez (secret.), María Teresa López Bonal (voc.), Alfonso L. Martín Marcos (voc.), Raúl Mata Campos (voc.)
- Materias:
- Enlaces
- Resumen
- español
Esta tesis doctoral parte de la hipótesis de que ciertas herramientas de aprendizaje estadístico como las máquinas de vectores soporte (SVM) o las redes neuronales RBF pueden ser aplicadas en tareas de procesado de imagen de bajo nivel. Estas tareas de procesado son las primeras de la cadena en un esquema básico de procesamiento de imágenes. Las herramientas de procesado estadístico han sido usadas en tareas de alto nivel (reconocimiento de patrones) con excelentes resultados pero su potencial no ha sido estudiado completamente en tareas de bajo nivel. Concretamente, en esta tesis se hace un estudio de las tareas de detección de bordes, segmentación de imágenes en color y eliminación de ruido impulsivo, tratando de definir alternativas a las técnicas ya existentes pero basadas en el uso de SVM. Las tareas de procesado tratadas en esta tesis tienen en común la posibilidad de definir esquemas de clasificación y de regresión en los que se pueden aplicar los algoritmos de aprendizaje estadístico. Concretamente en la detección de bordes hay que clasificar los píxeles de la imagen entre aquellos que pertenecen a un borde y los que no, en la segmentación en color hay que clasificar los píxeles que pertenecen a un color y los que no y en la eliminación de ruido impulsivo es necesario detectar los píxeles que son ruidosos y para reconstruirlos puede utilizarse la regresión. En la realización de esta tesis se han abordado, por tanto, las siguientes tareas correspondientes a cada una de las técnicas de procesado estudiadas:
- En la detección de bordes definido un esquema basado en la clasificación de los píxeles mediante SVM. En este esquema se ha dado importancia a la definición del entrenamiento, que se realiza mediante imágenes sintéticas. Se ha realizado un estudio de los mejores parámetros de entrenamiento incluyendo el kernel de las SVM. Siguiendo el esquema de detección, se han definido técnicas para la obtención de una imagen de gradiente a partir de los datos de clasificación y, por último, se han definido esquemas de marcado de píxeles adaptando algunas técnicas existentes y proponiendo algunas soluciones novedosas. Por último, se han realizado pruebas de funcionamiento tanto de manera visual como con medidas objetivas, incluyendo algunas en las que el detector propuesto se aplica sobre imágenes con ruido añadido.
- En la segmentación en color, se han analizado distintas técnicas existentes para conocer los puntos donde se pueden mejorar. Tras este análisis, se ha propuesto la segmentación de los colores de la imagen con un esquema sencillo de detección en el espacio de color RGB. Este esquema de detección se ha comparado con otros ya existentes en una tarea concreta, el reconocimiento de señales de tráfico, demostrándose que la técnica propuesta puede ser una alternativa factible y que, mediante su uso con tablas de búsqueda, se puede mejorar el rendimiento y aplicarla en procesado de tiempo real.
- En detección de ruido impulsivo se han estudiado varias técnicas existentes con distintos esquemas de aplicación. Entre ellos, se ha elegido el esquema de detección con reconstrucción posterior por los buenos resultados obtenidos. Para la detección se han definido imágenes de entrenamiento sintéticas y se han probado las SVM y las redes neuronales RBF como posibles clasificadores. En el apartado de reconstrucción se han probado filtros de mediana ya existentes, pero modificados para mejorar su funcionamiento, y esquemas de regresión con SVM, nuevamente basados en entrenamiento sintético. Los resultados de calidad obtenidos con distintas medidas permiten afirmar que las técnicas propuestas son una alternativa a las existentes y pueden ofrecer mejores resultados.
- English
This thesis starts on the hypothesis that certain statistical learning tools such as support vector machines (SVM) or RBF neural networks can be applied in low-level image processing tasks. These processing tasks are the rst in a chain basic scheme of image processing. Statistical processing tools have been used in high-level tasks (pattern recognition) with excellent results but its potential has not been fully studied in low-level tasks.
Specifically, in this thesis a study of the tasks of edge detection, color images segmentation and impulsive noise removal is made, trying to define alternatives to existing techniques, but based on the use of SVM. Throughout it is shown that alternative proposals can meet or exceed the established techniques with the added advantage of flexibility and adaptation achieved by learning techniques based on synthetic images and easiness of SVM training.
While processing tasks discussed in this thesis may seem diverse, they have in common the ability to define classification and regression schemes in which you can apply statistical learning algorithms. Specifically, in the edge detection it is needed to classify the image pixels between those that belong to an edge and those outside, on the color segmentation it is needed to classify the pixels that belong to one color and those that do not and in impulsive noise removal it is necessary to detect the pixels that are noisy and can be reconstructed using the regression.
In this thesis have been addressed, therefore, the following tasks for each of the processing techniques studied:
-In the edge detection, it was performed an initial state of the art survey to understand the most common detection schemes, their advantages and disadvantages. Subsequently, there was dened an edge detection scheme based on pixel classification by SVM. In this scheme it has been given enough importance to the definition of training, which is done using synthetically generated images. It has made, also, a study of the best training parameters including kernel of SVM. Following the detection scheme, we have defined techniques for obtaining a gradient image from the classification data, and finally, we have defined schemes to mark pixels adapting some existing techniques and proposed some novel solutions. Finally, performance tests have been performed both visually and with objective measures, including some in which the proposed detector is applied to noisy images.
-In color segmentation, we have analyzed various existing techniques to understand the points where they can be improved. After this analysis, it is proposed to detect the colors of the image with a simple scheme of detection in the RGB color space. This detection scheme has been compared with existing ones on a particular task, the recognition of traffic signs, demonstrating that the proposed technique can be a feasible alternative and that by its use with lookup tables the performance improvement allows real time processing.
-In the section on impulse noise detection, we have studied several existing techniques with different application schemas. Among them was chosen the detection scheme with subsequent reconstruction, due to good results. For detection, we have defined synthetic training images and tested the SVM and RBF neural networks as potential classifiers. Their success in classification task, and the ease of generation of training allowsn to ensure that this is a good alternative to other detection techniques. In the area of reconstruction, median filters have been tested, but modified to improve their performance, and regression SVM schemes, based on synthetic training again. Quality results obtained with dierent measures, allow us to state that the techniques proposed here are an alternative to existing ones and, depending on the images and noise levels, may provide better results.
- español
