| dc.contributor | LEOPOLDO ALTAMIRANO ROBLES | |
| dc.creator | ERIKA DANAE LOPEZ ESPINOZA | |
| dc.date | 2009-09 | |
| dc.date.accessioned | 2023-07-25T16:21:29Z | |
| dc.date.available | 2023-07-25T16:21:29Z | |
| dc.identifier | http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/399 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/7805617 | |
| dc.description | In this thesis,Markovian modeling is applied to perform segmentation of land cover
from remote sensing and digital images. The segmentation problem is approached as a
classification problem, where the goal is to decompose an image in a set of homogeneous
regions using a similarity characteristics set.
In the Bayesian framework using Markov Random Fields (MRF) the image texture
is introduced as clique potentials of a second-order posterior energy function. These
clique potentials or texture fields are obtained by means of the 2-DWold decomposition
and the obtained final function is called texture energy function (TEF). Texture fields
are obtained from the frequency domain, therefore, a model is defined through both
the spatial (contextual constraint) and frequency (reference fields) domain. This model
allows us to define better the segmented image borders.
Experiments were carried out on a variety of synthetic and real images. From the
segmentation results, it is observed that by incorporating texture fields to the posterior
energy function, the segmentation quality is improved.
In this thesis, the main result is the TEF function which is possible to introduce
within MRF and tree-structured Markov random fields (TS-MRF) models. In this way,
a new model for segmentation of classes with similar spectral response based on TSMRF
and the TEF function is proposed.
In addition, a methodology that involves the TEF function and a stochastic geometry
model to improve image segmentation is proposed. The segmentation preliminary
results on synthetic images are encouraging, but there is still work to be done in this
direction. | |
| dc.description | En esta tesis se analiza el modelado Markoviano y su uso en la segmentación de
coberturas de la tierra a partir de imágenes para técnicas de percepción remota, sin dejar
a un lado el dominio de imágenes digitales en general. El problema de segmentación
lo consideramos análogo al de clasificación, donde el objetivo es dividir una imagen en
regiones homogéneas de acuerdo a un conjunto dado de características.
Bajo el enfoque Bayesiano usando campos aleatorios de Markov (MRF por sus
siglas en ingle´s), la textura de la imagen a ser segmentada se introduce como parte
de las funciones potenciales de la función de energía posterior de segundo grado. Los
campos de textura de la imagen segmentada son obtenidos mediante la descomposición
de Wold, y a la función final la llamamos Función de Energía de Textura o función
TEF por sus siglas en inglés. Al obtener los campos de textura en el dominio de las
frecuencias mediante la descomposición de Wold, la función propuesta queda definida
tanto en el dominio espacial (interacciones entre los píxeles) como en el dominio de las
frecuencias (campos de referencia). Lo anterior permite definir mejor los bordes de los
objetos que están siendo segmentados.
Una variedad de imágenes sintéticas y reales son segmentadas usando la función
TEF. A partir de los resultados de segmentación obtenidos se observa que, al incorporar
campos de textura en la función de energía posterior de losMRF se mejora el porcentaje
de segmentación.
La principal aportación en esta tesis es la función TEF la cual es posible introducir
en modelos de campos aleatorios deMarkov planos y de estructura de árbol (TS-MRF).
De esta manera en esta tesis se propone un nuevo modelo basado en TS-MRF y la
función TEF para segmentación de clases espectralmente similares.
Adicionalmente, se propone una metodología preliminar que involucra la función
TEF y un modelo de geometría estocástica para mejorar la segmentación de imágenes
con objetos geométricos. Los resultados de segmentación preliminares obtenidos sobre
imágenes sintéticas son alentadores, sin embargo existemucho trabajo por hacer en este
tema. | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| dc.relation | citation:Lopez-Espinoza E.D. | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0 | |
| dc.subject | info:eu-repo/classification/Segmentación de imagen/Image segmentation | |
| dc.subject | info:eu-repo/classification/Textura de imagen/Image texture | |
| dc.subject | info:eu-repo/classification/Procesos de Markov/Markov processes | |
| dc.subject | info:eu-repo/classification/Remote sensing/Remote sensing | |
| dc.subject | info:eu-repo/classification/Análisis espectral/Spectral analysis | |
| dc.subject | info:eu-repo/classification/Procesos estocásticos/Stochastic processes | |
| dc.subject | info:eu-repo/classification/cti/1 | |
| dc.subject | info:eu-repo/classification/cti/12 | |
| dc.subject | info:eu-repo/classification/cti/1203 | |
| dc.subject | info:eu-repo/classification/cti/1203 | |
| dc.title | Segmentación de coberturas de la tierra espectralmente similares empleando campos aleatorios de Markov y características de textura estructural y estocástica | |
| dc.type | info:eu-repo/semantics/doctoralThesis | |
| dc.type | info:eu-repo/semantics/acceptedVersion | |
| dc.audience | students | |
| dc.audience | researchers | |
| dc.audience | generalPublic | |
