Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/58279
Title in Portuguese: Uso da divergência generalizada na clusterização aplicada à segmentação de imagens
Title: Use of generalized divergence in clustering applied to image segmentation
Author: Barreto, Joniel Bastos
Advisor(s): Vigelis, Rui Facundo
Keywords: Divergência generalizada
Clusterização
Segmentação de Imagens
Issue Date: 29-Mar-2021
Abstract in Portuguese: A segmentação de imagens é um processo fundamental em aplicações envolvendo análise de imagens, pois é responsável por definir as regiões de interesse para o problema. Uma técnica bastante utilizada para segmentação de imagens é a clusterização. A clusterização baseia-se em uma medida de similaridade entre objetos para agrupá-los em regiões. A utilização de medidas de dissimilaridade no espaço métrico é bem frequente em sistemas de reconhecimento de padrões, principalmente em algoritmos de clusterização. Contudo, alguns estudos tem observado limitações com funções de distância convencionais na etapa de busca por similaridade. Em vista disso, pesquisas voltadas para o uso de divergências não métricas na busca por semelhança entre objetos em algoritmos de clusterização tem atraído a atenção de pesquisadores. Este trabalho apresenta um caminho alternativo para segmentação de imagens utilizando uma divergência generalizada como medida de dissimilaridade no algoritmo de clusterização hard de Bregman. Essa divergência é obtida pela generalização das entropias relativas de Shannon e Tsallis, e definida em relação a uma exponencial deformada j. O trabalho é desenvolvido utilizando três funções exponenciais deformadas, denominadas j1, j2 e j3, e comparando seus resultados com a técnica de clusterização K-means clássica e para algumas imagens com o método de Otsu. Os testes foram realizados para 5 grupos de imagens, em que 2 grupos são de imagens em escala de cinza divididos em segmentação binária e segmentação em mais de duas regiões, e 3 grupos de imagens coloridas, para testes no espaço de cor RGB, HSV e com realce dos níveis RGB. Para analisar os resultados das segmentações são utilizados, além das métricas acurácia, precisão e sensibilidade, o coeficiente de similaridade Sørensen–Dice (CSD), e uma avaliação qualitativa obtida através da média de notas atribuídas empiricamente foram utilizadas. Os resultados apresentaram uma boa performance do método proposto com acurácia acima de 0,9 em todas as imagens utilizando a exponencial deformada j1, CSD > 0,7 para 23 das 25 imagens testadas utilizando as exponenciais deformadas j1 e j2 e nota média acima de 7 para 24 das 25 imagens para as exponenciais deformadas j1 e j2. Diante dos resultados obtidos é possível concluir que o método proposto não só se mostrou aplicável como também, dependendo da aplicação, pode apresentar um melhor desempenho que métodos já estabelecidos na literatura.
Abstract: Image segmentation is a fundamental process in applications involving image analysis, as it is responsible for defining the regions of interest for the problem. A widely used technique for image segmentation is clustering. Clustering is based on a measure of similarity between objects to group them into regions. The use of dissimilarity measures in the metric space is quite common in pattern recognition systems, mainly in clustering algorithms. However, some studies have observed limitations with conventional distance functions in the search for similarity. In view of this, research focused on the use of non-metric divergences in the search for similarity between objects in clustering algorithms has attracted the attention of researchers. This work presents an alternative path for image segmentation using a generalized divergence as a measure of dissimilarity in Bregman hard clustering algorithm. This divergence is obtained by generalizing the relative entropies of Shannon and Tsallis, and defined in relation to a deformed exponential j. The work is developed using three deformed exponential functions, called j1, j2 and j3, and comparing their results with the classic K- textit means clustering technique and for some images with the Otsu’s method. The tests were performed for 5 groups of images, in which 2 groups are grayscale images divided into binary segmentation and segmentation in more than two regions, and 3 groups of color images, for tests in the RGB, HSV color space and with enhancement of the RGB levels. In order to analyze the segmentation results, in addition to the metrics accuracy, precision and sensitivity, the Sørensen – Dice similarity coefficient (CSD), and a qualitative evaluation obtained through the average of grades empirically attributed were used. The results showed a good performance of the proposed method with accuracy above 0.9 in all images using the j1 deformed exponential, CSD> 0.7 for 23 of the 25 images tested using the j1 and j2 deformed exponentials and average grade above 7 for 24 of the 25 images for the j1 and j2 deformed exponentials. In view of the results obtained, it is possible to conclude that the proposed method was not only shown to be applicable but also, depending on the application, it may present a better performance than methods already established in the literature.
Description: BARRETO, J. B. Uso da Divergência Generalizada na Clusterização Aplicada à Segmentação de Imagens. 2021. 79f. Dissertação (Mestrado em Engenharia Elétrica e Computação) – Programa de Pós-Graduação em Engenharia Elétrica e de Computação - Campus de Sobral, Universidade Federal do Ceará, Sobral, 2021.
URI: http://www.repositorio.ufc.br/handle/riufc/58279
metadata.dc.type: Dissertação
Appears in Collections:PPGEEC - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2021_dis_jbbarreto.pdfBARRETO, J. B. Uso da Divergência Generalizada na Clusterização Aplicada à Segmentação de Imagens. 2021. 79f. Dissertação (Mestrado em Engenharia Elétrica e Computação) – Programa de Pós-Graduação em Engenharia Elétrica e de Computação - Campus de Sobral, Universidade Federal do Ceará, Sobral, 2021.12,57 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.