Análise de micropadrões em imagens digitais baseada em números fuzzy

• Ano de defesa: 2013
• Autor(a) principal: Vieira, Raissa Tavares
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de micropadrões; Análise de textura; Analysis of micro-patterns; Fuzzy numbers; Números fuzzy; Texture analysis
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18152/tde-29042013-154729/

As imagens digitais são frequentemente corrompidas por ruídos ou distorcidas pelo processo de aquisição. A teoria dos conjuntos fuzzy e a lógica fuzzy constituem uma alternativa mais adequada para lidar com tais incertezas, em comparação com os sistemas convencionais, baseados na lógica tradicional (crisp). Este trabalho propõe uma nova metodologia para análise de micropadrões de imagens digitais baseada em números fuzzy. Um micropadrão é uma estrutura de níveis de cinza dos pixels de uma vizinhança e pode descrever o contexto espacial da imagem, como borda, textura, linha, canto e padrões mais complexos. Na literatura de visão computacional, algumas abordagens foram desenvolvidas para extrair estas características, tais como Texture Unit (TU), Local Binary Pattern (LBP) e Fuzzy Number Edge Detector (FUNED). O trabalho apresenta um novo método que modela a distribuição dos níveis de cinza de um micropadrão como um conjunto fuzzy, e com base nas funções de pertinência usadas gera códigos-fuzzy que representam o grau de pertinência de cada pixel vizinho com nível de cinza próximo do pixel central. A metodologia proposta é chamada de Local Fuzzy Pattern (LFP) e é aplicada na análise de textura usando a função sigmoide (LFP-s), a função triangular e simétrica (LFP-t) e a função gaussiana (LFP-g) para calcular o grau de pertinência do pixel central em relação à sua vizinhança. Para avaliar o desempenho da técnica proposta foram usados bases de texturas, cujas imagens foram amostradas aleatoriamente. Após processá-las pelas abordagens LFP-s, LFP-t, LFP-g e LBP, foram comparadas as taxas de acertos alcançadas usando a distância Chi-quadrado. Nos experimentos realizados também é avaliado o esforço computacional do LFP, comparando-o com o descritor LBP. Os resultados mostram que o LFP é eficaz na descrição de textura e que supera o LBP nos diferentes testes realizados. Neste trabalho também é demonstrado que a formulação do LFP é uma generalização de técnicas previamente publicadas, como Texture Unit, Local Binary Pattern e FUNED.