Segmentación de imágenes por textura
| dc.contributor.advisor | Amthauer Cárcamo, Eligio | es |
| dc.contributor.author | Pinto Leal, Alejandra Carolina | es |
| dc.date.accessioned | 2014-03-12T11:58:34Z | |
| dc.date.accessioned | 2019-12-13T17:07:30Z | |
| dc.date.accessioned | 2024-05-17T13:49:33Z | |
| dc.date.accessioned | 2024-08-28T18:39:31Z | |
| dc.date.available | 2014-03-12T11:58:34Z | |
| dc.date.available | 2019-12-13T17:07:30Z | |
| dc.date.available | 2024-05-17T13:49:33Z | |
| dc.date.available | 2024-08-28T18:39:31Z | |
| dc.date.issued | 2006 | |
| dc.description | Tesis presentada para optar al título de Ingeniero Civil Eléctrico. | es |
| dc.description.abstract | A través de un procesamiento de imágenes de formato .bmp y en tonos de grises se buscan índices de texturas que permiten segmentar la imagen según el criterio entregado por la matriz de co-ocurrencia. Esta matriz considera a la textura como un arreglo de píxeles, llamadas primitivas cuya relación es la variación espacial de los tonos de grises. El objetivo de la segmentación es reconocer clases que en el futuro sirven para el reconocimiento de objetos que se encuentran en la imagen. Las imágenes de texturas tratadas en este trabajo corresponden a imágenes artificiales agrupadas en Periódicas y No Periódicas e imágenes reales agrupadas en Sar, Seudo Periódicas, No Periódicas y finalmente a unas obtenidas a través de una cámara digital. Sobre todas ellas se aplican los algoritmos estadísticos de Homogeneidad, Contraste, Disimilaridad, Media, Varianza, Entropía y Energía. Además se incluye un último índice, el de Rugosidad que no es trabajado a partir de la matriz de co-ocurrencia, sino que a partir de la imagen cruda. Dentro de los resultados obtenidos fue que no todas las imágenes deben ser segmentadas a partir de la matriz de coocurrencia, el criterio para discriminarla es el tamaño de sus primitivas. Otro resultado que deriva de esto es que el tamaño de la ventana de procesamiento es muy importante en el tiempo porque este crece exponencialmente a medida que aumenta al tamaño de la imagen a procesar. El mejor de los índices de segmentación resultó ser la Media, a continuación le siguen: Disimilaridad, Desviación Estándar, Contraste, Homogeneidad, Entropía, Energía y Rugosidad | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/873 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Electrónica | es |
| dc.subject | Imágenes Satelitales | es |
| dc.subject | Procesamiento de Imagen Técnicas Digitales | es |
| dc.title | Segmentación de imágenes por textura | es |
| dc.type | Tesis | es |