Modelo de Mistura de Gaussianas Fuzzy Contextual

• Ano de defesa: 2015
• Autor(a) principal: PORTELA, Nara Miranda
• Orientador(a): CAVALCANTI, George Darmiton da Cunha
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Inteligência artificial; Sistemas de reconhecimentos de padrões; Processamento de imagens
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/16818

Métodos de agrupamento identificam uma organização dos padrões existentes em um conjunto de dados, encontram similaridades ou diferenças entre os padrões existentes e assim, derivam conclusões úteis a respeito dos dados. Quando existe dependência entre dados e seus vizinhos, a vizinhança do dado analisado pode fornecer informação valiosa e pouco custosa. Na abordagem contextual do agrupamento, assume-se uma dependência entre os dados e seus vizinhos buscando um resultado mais eficiente. Modelos de Mistura Finita Variante no Espaço (SVFMM) é um método de agrupamento contextual que possibilita a modelagem da correlação espacial dos dados diretamente nos pesos das misturas através da combinação do Modelo de Mistura de Gaussianas (GMM) com Campos Aleatórios Markovianos (MRF). Os parâmetros do SVFMM são estimados via máxima probabilidade a posteriori (MAP) usando o algoritmo Expectation Maximization (EM). Os primeiros SVFMMs propostos precisavam de uma etapa reparatória adicional no algoritmo EM para garantir que as propriedades de probabilidade dos pesos da mistura fossem conservadas, ou seja, que eles fossem sempre positivos e sua soma, para todos os componentes, fosse sempre igual a 1 (um). Derivações do SVFMM buscaram eliminar essa etapa reparatória, no entanto, foi necessário adotar distribuições de probabilidade que aumentassem o número de parâmetros do modelo ou assumir configurações do MRF cujos parâmetros deveriam ser determinados empiricamente e não calculado em forma fechada a partir dos dados. Nós propomos, neste trabalho, o Modelo de Mistura de Gaussianas Fuzzy Contextual (CFGMM), que utiliza o Modelo de Mistura de Gaussianas Fuzzy (FGMM) como método de agrupamento e Campos Aleatórios Markovianos Gaussianos como técnica de modelagem da relação espacial entre dados vizinhos. A abordagem fuzzy do GMM possibilitou a simplificação matemática da estimação dos parâmetros do modelo em relação à estimativa MAP do SVFMM. No modelo proposto, os parâmetros não são estimados via MAP, e sim pela aplicação do gradiente para minimizar a função objetivo do FGMM. A restrição imposta aos pesos da mistura foi incorporada na derivação das equações dos parâmetros do modelo, eliminando, assim, a necessidade de uma etapa de correção adicional sem aumentar o número de parâmetros do modelo e garantindo que os parâmetros do MRF ainda fossem calculados de forma fechada a partir dos dados. Realizamos a validação do CFGMM como ferramenta de agrupamento contextual de pixels na segmentação de imagens baseada em regiões. Estudos de caso usando imagens sintéticas e bases dados de imagens, tais como BrainWeb e Berkeley, mostraram que a abordagem contextual é capaz de melhorar o desempenho do FGMM na segmentação de imagens. Em comparação com outros métodos de agrupamento, o CFGMM obteve o melhor desempenho na segmentação de imagens com alto nível de ruído. A desvantagem do CFGMM em relação aos métodos de agrupamento pontuais é o maior tempo de processamento devido à incorporação do contexto no cálculo dos parâmetros do modelo. Além disso, o CFGMM apresenta uma tendência à perda de definição dos detalhes das regiões da imagem ao longo das iterações. No entanto, esse problema pode ser sanado adotando-se um critério de parada precoce.