Algoritmo ejeção-absorção metropolizado para segmentação de imagens

• Ano de defesa: 2014
• Autor(a) principal: Calixto, Alexandre Pitangui
• Orientador(a): Milan, Luis Aparecido
• Banca de defesa: Levada, Alexandre Luís Magalhães , Leite, José Galvão , Ehlers, Ricardo Sandes , Leandro, Roseli Aparecida
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de São Carlos
• Programa de Pós-Graduação: Programa de pós-graduação em Estatística
• Departamento: Centro de Ciências Exatas e de Tecnologia
• País: Brasil
• Palavras-chave em Português: Processamento de imagem; Algoritmo
• Palavras-chave em Inglês: Template matching (Digital image processing); Algorithms
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA
• Link de acesso: http://repositorio.ufgd.edu.br/jspui/handle/prefix/2944

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.