Segmentación de elementos anatómicos en imágenes microscópicas de madera usando técnicas de visión artificial
Las características de los elementos que componen las imágenes microscópicas de madera son claves para la identificación de la especie de la cual proviene una muestra. En este artículo se presentó un método novedoso de segmentación de poros, radios y fibras. La metodología propuesta utilizó un conjunto de algoritmos de visión artificial acordes a las características de cada elemento. Para los poros se usó un descriptor de texturas, un algoritmo de agrupamiento y contornos activos; para los radios se utilizaron morfología matemática y filtros de Gabor para destacarlos y para segmentar se procedió en tres pasos: agrupamiento mean-shift, un muestrador de Gibbs y apertura de área; la fibra fue tomada como el excedente de los procesos de segmentación anteriores. Resultados experimentales con 18 muestras segmentadas manualmente de la especie Gaiadendron punctatum demostraron la eficiencia del método propuesto, usando estadísticas de desempeño tales como la precisión a nivel global y la sensibilidad y especificidad por cada elemento.
Main Authors: | , , |
---|---|
Format: | Digital revista |
Language: | Spanish / Castilian |
Published: |
Universidad del Bío-Bío
2015
|
Online Access: | http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-221X2015000400004 |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | Las características de los elementos que componen las imágenes microscópicas de madera son claves para la identificación de la especie de la cual proviene una muestra. En este artículo se presentó un método novedoso de segmentación de poros, radios y fibras. La metodología propuesta utilizó un conjunto de algoritmos de visión artificial acordes a las características de cada elemento. Para los poros se usó un descriptor de texturas, un algoritmo de agrupamiento y contornos activos; para los radios se utilizaron morfología matemática y filtros de Gabor para destacarlos y para segmentar se procedió en tres pasos: agrupamiento mean-shift, un muestrador de Gibbs y apertura de área; la fibra fue tomada como el excedente de los procesos de segmentación anteriores. Resultados experimentales con 18 muestras segmentadas manualmente de la especie Gaiadendron punctatum demostraron la eficiencia del método propuesto, usando estadísticas de desempeño tales como la precisión a nivel global y la sensibilidad y especificidad por cada elemento. |
---|