[pt] FILTROS DE DERIVAÇÃO INVARIANTES

• Ano de defesa: 2013
• Autor(a) principal: ROMULO BRITO DA SILVA
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] MODELAGEM GEOMETRICA; [pt] APROXIMACAO GEOMETRICA; [pt] ESTIMACAO DE DERIVADA; [pt] FILTROS DE DERIVACAO; [pt] MATEMATICA DISCRETA; [en] GEOMETRIC MODELING; [en] GEOMETRIC APPROXIMATION; [en] DERIVATIVE ESTIMATION; [en] DERIVATIVE FILTER; [en] DISCRETE MATHEMATICS
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=22234&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=22234&idi=2; http://doi.org/10.17771/PUCRio.acad.22234

[pt] Os dados adquiridos nos experimentos físicos e nas imagens geométricas ou médicas são tipicamente discretas. Esses dados são interpretados como amostras de uma função desconhecida, porém cujas derivadas servem para caracterizar o dado. Por exemplo, o movimento de um fluido é descrito por um campo de velocidades, uma curva é caracterizada pela evolução da sua curvatura, as imagens médicas são geralmente segmentadas por estimativas de gradiente, entre outros. É possível obter derivadas coerentes a partir de filtragem dos dados. Porém, em dados multi-dimensionais, os filtros usuais privilegiam direções alinhadas com os eixos, o que pode gerar problemas quando essas derivadas são interpretadas geometricamente. Por exemplo, a curvatura estimada dependeria da orientação da curva, perdendo o sentido geométrico da curvatura. O objetivo do presente trabalho é melhorar a invariância geométrica dos filtros de derivadas.