Contribuciones al análisis estadístico de imágenes / Jorge Alberto Martínez
Editor: Bahía Blanca : Universidad Nacional del Sur. Secretaría de Posgrado y Educación Continua, 2020Descripción: 123 p. il. 30 cmOtra clasificación: *CODIGO*Indice general Prefacio I Resumen VII Abstract IX I Modelización de una imagen [1] 1. Modelado de imágenes de textura [5] 1.1. Texturas [5] 1.2. Imagen de textura [6] 1.3. Modelado probabilístico [9] 1.4. Distribuciones de Gibbs [10] 1.5. Campos Markovianos [13] 1.6. Ejemplo: Modelo de Ising 2-D [15] 1.7. Descomposición de un potencial de Gibbs en conjuntos Coding [16] 2. Estimación de parámetros texturales [23] 2.1. Modelo de Textura: Autobinomial [23] 2.2. Métodos de estimación [26] 2.2.1. Mínimo Cuadrado Condicional [27] 2.2.2. Mínimo Cuadrado Condicional Coding [28] 2.3. Análisis de los métodos de estimación [28] 2.3.1. Medidas de desempeño [28] 2.3.2. Sensibilidad [29] 2.3.3. Evaluación de los algoritmos [34] 2.3.4. Clasificación supervisada de una imagen real [35] 2.4. Resultados experimentales [36] 2.4.1. Análisis descriptivo [37] 2.4.2. Resultados de sensibilidad [42] 2.4.3. Evaluación de los algoritmos [48] 2.4.4. Algunos resultados de los estimadores para un MAB de cuarto y quinto orden [50] 3. Conclusión y estudios futuros [59] 3.1. Conclusión [59] 3.2. Estudios futuros [59] II Calidad de una imagen [63] 4. Medidas de calidad [67] 4.1. Medidas de similitud estructural de la imagen [67] 4.1.1. índice de calidad de imagen universal (Q) [67] 4.1.2. Indice de similitud estructural (SSIM) [68] 4.1.3. Una clase de métricas basadas en SSIM [70] 4.2. Medidas de calidad en fusión de imágenes [77] 4.2.1. Medidas de Piella (Qs, Qw y Qe) T7 4.2.2. Medida de Cvejic (Qc) [78] 4.2.3. Medida de Yang (Qy) [78] 4.2.4. Versión extendida [80] 5. Evaluación de la calidad de similitud estructural a escala múltiple [83] 5.1. índice de calidad de similitud estructural multiescala (MSSIM) [83] 5.2. Medida de calidad propuesta (MS-Qw) [84] 5.3. Validación . [87] 5.3.1. Primer experimento: evaluación de propósito general [87] 5.3.2. Segundo experimento: estabilidad y capacidad discriminativa de la medida [90] 5.3.3. Tercer experimento: evaluación de acuerdo con la opinión subjetiva [91] 5.4. Resultados experimentales [92] 5.4.1. Resultados del primer experimento: evaluación de propósito general [92] 5.4.2. Resultados del segundo experimento: estabilidad y capacidad discriminativa de la medida [93] 5.4.3. Resultados del tercer experimento: evaluación de acuerdo con la opinión subjetiva [95] 5.5. Otros resultados [97] 5.6. Aplicación [99] 5.6.1. Obtención de fotografías de alta calidad de pinturas por fusión de imágenes [99] 6. Conclusión y estudios futuros [109] 6.1. Conclusión [109] 6.2. Estudios futuros [110] A. Algoritmos de simulación [113] A.l. Cadenas de Markov (de imágenes) [113] A.2. Gibbs sampler [114]
Item type | Home library | Shelving location | Call number | Materials specified | Status | Date due | Barcode |
---|---|---|---|---|---|---|---|
Libros | Instituto de Matemática, CONICET-UNS | Tesis | TESIS (Browse shelf) | Available | A-9333 |
Tesis de Jorge Alberto Martínez (doctorado) - Universidad Nacional del Sur, Bahía Blanca, 2020.
Indice general --
Prefacio I --
Resumen VII --
Abstract IX --
I Modelización de una imagen [1] --
1. Modelado de imágenes de textura [5] --
1.1. Texturas [5] --
1.2. Imagen de textura [6] --
1.3. Modelado probabilístico [9] --
1.4. Distribuciones de Gibbs [10] --
1.5. Campos Markovianos [13] --
1.6. Ejemplo: Modelo de Ising 2-D [15] --
1.7. Descomposición de un potencial de Gibbs en conjuntos Coding [16] --
2. Estimación de parámetros texturales [23] --
2.1. Modelo de Textura: Autobinomial [23] --
2.2. Métodos de estimación [26] --
2.2.1. Mínimo Cuadrado Condicional [27] --
2.2.2. Mínimo Cuadrado Condicional Coding [28] --
2.3. Análisis de los métodos de estimación [28] --
2.3.1. Medidas de desempeño [28] --
2.3.2. Sensibilidad [29] --
2.3.3. Evaluación de los algoritmos [34] --
2.3.4. Clasificación supervisada de una imagen real [35] --
2.4. Resultados experimentales [36] --
2.4.1. Análisis descriptivo [37] --
2.4.2. Resultados de sensibilidad [42] --
2.4.3. Evaluación de los algoritmos [48] --
2.4.4. Algunos resultados de los estimadores para un MAB de cuarto y quinto orden [50] --
3. Conclusión y estudios futuros [59] --
3.1. Conclusión [59] --
3.2. Estudios futuros [59] --
II Calidad de una imagen [63] --
4. Medidas de calidad [67] --
4.1. Medidas de similitud estructural de la imagen [67] --
4.1.1. índice de calidad de imagen universal (Q) [67] --
4.1.2. Indice de similitud estructural (SSIM) [68] --
4.1.3. Una clase de métricas basadas en SSIM [70] --
4.2. Medidas de calidad en fusión de imágenes [77] --
4.2.1. Medidas de Piella (Qs, Qw y Qe) T7 --
4.2.2. Medida de Cvejic (Qc) [78] --
4.2.3. Medida de Yang (Qy) [78] --
4.2.4. Versión extendida [80] --
5. Evaluación de la calidad de similitud estructural a escala múltiple [83] --
5.1. índice de calidad de similitud estructural multiescala (MSSIM) [83] --
5.2. Medida de calidad propuesta (MS-Qw) [84] --
5.3. Validación . [87] --
5.3.1. Primer experimento: evaluación de propósito general [87] --
5.3.2. Segundo experimento: estabilidad y capacidad discriminativa de la medida [90] --
5.3.3. Tercer experimento: evaluación de acuerdo con la opinión subjetiva [91] --
5.4. Resultados experimentales [92] --
5.4.1. Resultados del primer experimento: evaluación de propósito general [92] --
5.4.2. Resultados del segundo experimento: estabilidad y capacidad discriminativa de la medida [93] --
5.4.3. Resultados del tercer experimento: evaluación de acuerdo con la opinión subjetiva [95] --
5.5. Otros resultados [97] --
5.6. Aplicación [99] --
5.6.1. Obtención de fotografías de alta calidad de pinturas por fusión de imágenes [99] --
6. Conclusión y estudios futuros [109] --
6.1. Conclusión [109] --
6.2. Estudios futuros [110] --
A. Algoritmos de simulación [113] --
A.l. Cadenas de Markov (de imágenes) [113] --
A.2. Gibbs sampler [114] --
MR, REVIEW #
There are no comments on this title.