DISCRIMINACIÓN DE TEXTURAS EN IMÁGENES INALÁMBRICAS, UTILIZANDO EL ALGORITMO K-MEANS

Franklin Pineda Torres, Santiago José Molina Sanches, Luis Enrique Afanador Montañez

Resumen


La clasificación de texturas sigue siendo uno de los principales retos del procesamiento de imagen. Imágenes y video que ahora son enviados de forma inalámbrica, y pese a la capacidad del ancho de banda y perturbaciones, deben contener sólo la información esencial de la escena con baja resolución y baja densidad de pixeles en la escala de grises sobre su histograma. De la imagen transmitida y su respectiva matriz de co-ocurrencia se generan algunos descriptores estadísticos de segundo orden. Los espacios tridimensionales con la energía, el contraste y la homogeneidad, son determinantes sobre el análisis y la adecuación del algoritmo de k-means, cuyos valores de centroides son ubicados para la respectiva discriminación de las texturas. El Código funcional dentro del software de Matlab® toolbox image processing y su adecuación inalámbrica sobre la banda transportadora por medio de la tarjeta Raspberry Pi, permite la separación de los elementos discriminados dentro del sistema.


Palabras clave


centroide, k-means, matriz de co-ocurrencia, microcontrolador, procesamiento de imagen.

Texto completo:

PDF

Referencias


GIL RODRÍGUEZ, J. (2008) Estado actual de representación y análisis de texturas en imágenes. RNPS 2142. Cenatav.´Series Azul.

UNIVERSIDAD REY JUAN CARLOS (2015). Tema 4: Características de los patrones percibidos por un SVA. Consulta 17-03-2015: http://www.escet.urjc.es/~visiona/tema4.pd

HARALICK, R. M., SHANMUGAN, K. y DINSTEIN, I. (1973). Textural features for image classification. IEEE Transaction on System, Man and Cybernetics, Vol SMC- 3 N° 6, pp 610-621.

JENSEN, J. R. (1996). Introductory Digital Image Processing (Second Edition), Ed. Prentice Hall, 5.

Pressuti, M. (2004). La matriz de co-ocurrencia en la clasificación multispectral para la enseñanza de medidas texturales en curso de grado universitario. 4ta Jornada de Educación en senseo remoto. Brasil.

FERNÁNDEZ, J. et al. (2010). Estudio comparativo de técnicas espaciales para la identificación de defectos textiles. ITECKNE. Volúmen 7. Pág. 75-82.

CAICEDO, J. et al. (2006). Prototipo de Sistema para almacenamiento y recuperación por contenido de imágenes médicas de Histopatología. UNC.

SUTTON, R. y HALL, E. (1972). Texture measures for automatique classification of pulmonary desease. IEEE Trans. On-Computing, 21(7):667-676.

PÉREZ, J. A. (2008). Apuntes de Fotogrametría II. Universidad de Extramadura España. Consulta en web (18- 03-2015)

PASCUAL, D. (2015). Algoritmos de Agrupamiento. Universidad de Oriente Santiago de Cuba. Consulta en web (18-03-2015): http://marmota.dlsi.uji.es/WebBIB/papers/2007/1_Pascual-MIA-2007.pdf

STORK, D. G., DUDA, R. O. y HART, P. E. (1973). Pattern classification and scene analysis. John Wiley and sons, New York.

KANUNGO, T. et al. (2002) An efficient K-means clustering algorithm: Analysis and implementation. IEEE. Journal Pattern Analysis and Machine Intelligence; Volume 24, Issue 7. Pages 881-892.

GARCÍA, C. y GÓMEZ, I. (2008). Algoritmos de Aprendizaje: KNN & K-means. Consulta en web 26-05-2015: http://www.it.uc3m.es/jvillena/irc/practicas/08-09/06.pdf

FUNDACIÓN RASPBERRY. Consultado el 26-05-2015, en: http://www.raspberrypi.org

RIAZOLLAH, F. (2010). Servo motors and Industrial Control Theory. Springer.

ORTIZ MARTÍNEZ, J. (2015) Microcontroladores Pic. DataSheet microcontrolador 16F628. Granada España. Última consulta: 25-05-2015: http://www.microcontroladorespic.com




DOI: http://dx.doi.org/10.26564/19001355.735

Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2017 Franklin Pineda Torres, Santiago José Molina Sanches, Luis Enrique Afanador Montañez

DOI: https://doi.org/10.26564/issn.1900-1355