Algoritmo ejeção-absorção metropolizado para segmentação de imagens

Autor: Calixto, Alexandre Pitangui
Přispěvatelé: Milan, Luis Aparecido, Saraiva, Erlandson Ferreira, Levada, Alexandre Luís Magalhães, Leite, José Galvão, Ehlers, Ricardo Sandes, Leandro, Roseli Aparecida
Jazyk: portugalština
Rok vydání: 2014
Předmět:
Zdroj: Repositório Institucional da UFSCAR
Universidade Federal de São Carlos (UFSCAR)
instacron:UFSCAR
Biblioteca Digital de Teses e Dissertações da UFGD
Universidade Federal da Grande Dourados (UFGD)
instacron:UFGD
Popis: Submitted by Alison Souza (alisonsouza@ufgd.edu.br) on 2020-04-29T12:43:29Z No. of bitstreams: 1 UFSCAR - AlexandrePitanguiCalixto.pdf: 2209596 bytes, checksum: 9e629fff12f5c77f1fdd22bc048665e2 (MD5) Made available in DSpace on 2020-04-29T12:43:30Z (GMT). No. of bitstreams: 1 UFSCAR - AlexandrePitanguiCalixto.pdf: 2209596 bytes, checksum: 9e629fff12f5c77f1fdd22bc048665e2 (MD5) Previous issue date: 2014-12-19 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Nesta tese, modelamos uma imagem através de uma grade regular retangular e as-sumimos que esta grade é dividida em múltiplas regiões disjuntas de pixels. Quando duas ou mais regiões apresentam a mesma característica, a união dessas regiões forma um conjunto chamado de componente. Associamos a cada pixel da ima-gem uma variável indicadora não observável que indica a componente a que o pixel pertence. Estas variáveis indicadoras não observáveis são modeladas através da distribuição de probabilidade de Gibbs com parâmetro de regularização espacial fi. Assumimos que fi e o número de componentes K são desconhecidos. Para estimação conjunta dos parâmetros de interesse, propomos um algoritmo MCMC denominado de ejeção-absorção metropolizado (EAM). Algumas vantagens do algoritmo proposto são: (i) O algoritmo não necessita da especificação de uma função de transição para realização dos movimentos ejeção e absorção. Ao contrário do algoritmo reversible jump (RJ) que requer a especificação de "boas" funções de transição para ser com-putacionalmente eficiente; (ii) Os movimentos ejeção e absorção são desenvolvidos com base nos dados observados e podem ser rapidamente propostos e testados; (iii) Novas componentes são "criadas" com base em informações provenientes de regiões de observações e os parâmetros das novas componentes são gerados das distribuições a posteriori. Ilustramos o desempenho do algoritmo EAM utilizando conjuntos de dados simulados e reais. We proposed a new split-merge MCMC algorithm for image segmentation. We describe how an image can be subdivided into multiple disjoint regions, with each region having an associated latent indicator variable. The latent indicator variables are modeled with a prior Gibbs distribution governed by a spatial regularization pa-rameter. Regions with same label define a component. Pixels within a component are distributed according to a Gaussian distribution. We treat the spatial regu-larization parameter and the number of components K as unknown. To estimate K, the spatial regularization parameter and the component parameters we propose the Metropolised split-merge (MSM) algorithm. The MSM comprises two type of moves. The first one, is a data-driven split-merge move. These movements change the number of components K in the neighborhood K ±1 and are accepted accor-ding to Metropolis-Hastings acceptance probability. After a split-merge step, the component parameters, the spatial regularization parameter and latent allocation variables are updated conditional on K by using the Gibbs sampling, the Metropolis-Hastings and Swendsen-Wang algorithm, respectively. The main advantage of the proposed algorithm is that it is easy to implement and the acceptance probability for split-merge movements depends only of the observed data The performance of the proposed algorithm is verified using artificial datasets as well as real datasets.
Databáze: OpenAIRE
Externí odkaz: