Por favor, use este identificador para citar o enlazar este ítem:
http://cimat.repositorioinstitucional.mx/jspui/handle/1008/1110| MULTI-MODEL SPARSE REPRESENTATION FORIMAGE DENOISING | |
| Alma Lopez | |
| Acceso Abierto | |
| Atribución-NoComercial | |
| COMPUTACIÓN MATEMÁTICAS | |
| En procesamiento de imágenes existen distintos tipos de tareas, y entre las de bajo nivel,una de las más requeridas es la eliminación de ruido, en la cual se busca recuperar la imagen original a partir de una que contiene ruido. Tenemos una propuesta basada en multi-modelos, donde cada modelo matemático nos ayudará a encontrar una estimación, con menor ruido, de cada parche de la imagen ruidosa. Esta estimación será a partir de representación sparse. Se han propuesto muchas formulaciones para el problema de aproximar un vector x ∈ R^N mediante una combinación lineal de unas pocas columnas de una matriz D ∈ R^(NxK). La matriz D es llamada diccionario y sus columnas átomos. Nuestra propuesta es una estrategia novedosa que se basa en la idea de multi-modelos sparse. Similar a muchos algoritmos de eliminación de ruido con representación sparse, se tienen dos pasos en el proceso: entrenamiento y estimación. El paso de entrenamiento se refiere al aprendizaje/elección de los diccionarios y el paso de estimación se refiere a calcular la representación sparse utilizando lo aprendido en el paso de entrenamiento. Se deben fijar ciertos parámetros antes de iniciar el entrenamiento, los cuales pertenecen al modelo matemático en cual se basan los algoritmos. La mejora de la representación sparse se logra, primero, a partir de una base de entrenamiento que consta de parches extraı́dos de un conjunto de imágenes, agrupando, en un número fijo de grupos, parches similares. El agrupamiento lo realizamos utilizando K-means. Después llega el momento de los multi-modelos, es decir, aprendemos un diccionario para cada grupo. Posteriormente, cuando tenemos una imagen ruidosa, extraemos todos sus parches y les establecemos un grupo (se establece en el grupo tal que el centroide sea el mas similar al parche). Finalmente, la estimación de cada parche la obtenemos a partir de su representación sparse obtenida de su diccionario correspondiente. La mejora que se obtiene al estimar los diccionarios se debe a que en lugar de estimar un solo diccionario con un conjunto compuesto de varias estructuras de parches se estiman varios diccionarios, donde cada estimación es independiente entre sı́ y los datos usados para estimar cada uno tienen estructuras similares, lo que ayudarı́a a que éstos estén mejor estimados. Los resultados de las métricas PSNR y SSIM conseguidos resultan ser competitivos con técnicas del estado del arte e incluso mejoran los resultados de algunas de ellas en varias | |
| 07-08-2020 | |
| Tesis de maestría | |
| OTRAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Tesis del CIMAT |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| TE 819.pdf | 25.53 MB | Adobe PDF | Visualizar/Abrir |