Skeletonization of sparse shapes using dynamic competitive neural networks

Autores
Hasperué, Waldo; Corbalán, Leonardo César; Lanzarini, Laura Cristina; Bria, Oscar N.
Año de publicación
2006
Idioma
inglés
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La detección de regiones y objetos en imágenes digitales es un tema de suma importancia en la resolución de numerosos problemas correspondientes al área de reconocimiento de patrones. En esta dirección los algoritmos de esqueletización son una herramienta muy utilizada ya que permiten reducir la cantidad de información disponible facilitando la extracción de características para su posterior reconocimiento y clasificación. Además, esta transformación de la información original en sus características esenciales, facilita la eliminación de ruidos locales presentes en la entrada de datos. Este artículo propone una nueva estrategia de esqueletización aplicable a imágenes esparcidas a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. La estrategia desarrollada en este trabajo determina los arcos que forman el esqueleto combinando el aprendizaje no supervisado del AVGSOM con un árbol de dispersión mínima (minimun spaning tree). El método propuesto ha sido aplicado en imágenes con diferente forma y grado de dispersión. En particular, los resultados obtenidos han sido comparados con soluciones existentes mostrando resultados satisfactorios. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras
The detection of regions and objects in digital images is a topic of utmost importance for solving several problems related to the area of pattern recognition. In this direction, skeletonization algorithms are a widely used tool since they allow us to reduce the quantity of available data, easing the detection of characteristics for their recognition and classification. In addition, this transformation of the original data in its essential characteristics eases the elimination of local noise which is present in the data input. This paper proposes a new skeletonization strategy applicable to sparse images from a competitive, dynamic neural network trained with the AVGSOM method. The strategy developed in this paper determines the arc making up the skeleton combining AVGSOM non-supervised learning with a minimum spanning tree. The proposed method has been applied in images with different spanning shape and degree. In particular, the results obtained have been compared to existing solutions, showing successful results. Finally, some conclusions, together with some future lines of work, are presented.
VII Workshop de Agentes y Sistemas Inteligentes (WASI)
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
skeletonization
dynamic self-organizing maps
Neural nets
Image processing software
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/22675

id SEDICI_602777cbabf67b55845b76c7e4d0395e
oai_identifier_str oai:sedici.unlp.edu.ar:10915/22675
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Skeletonization of sparse shapes using dynamic competitive neural networksHasperué, WaldoCorbalán, Leonardo CésarLanzarini, Laura CristinaBria, Oscar N.Ciencias Informáticasskeletonizationdynamic self-organizing mapsNeural netsImage processing softwareLa detección de regiones y objetos en imágenes digitales es un tema de suma importancia en la resolución de numerosos problemas correspondientes al área de reconocimiento de patrones. En esta dirección los algoritmos de esqueletización son una herramienta muy utilizada ya que permiten reducir la cantidad de información disponible facilitando la extracción de características para su posterior reconocimiento y clasificación. Además, esta transformación de la información original en sus características esenciales, facilita la eliminación de ruidos locales presentes en la entrada de datos. Este artículo propone una nueva estrategia de esqueletización aplicable a imágenes esparcidas a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. La estrategia desarrollada en este trabajo determina los arcos que forman el esqueleto combinando el aprendizaje no supervisado del AVGSOM con un árbol de dispersión mínima (minimun spaning tree). El método propuesto ha sido aplicado en imágenes con diferente forma y grado de dispersión. En particular, los resultados obtenidos han sido comparados con soluciones existentes mostrando resultados satisfactorios. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futurasThe detection of regions and objects in digital images is a topic of utmost importance for solving several problems related to the area of pattern recognition. In this direction, skeletonization algorithms are a widely used tool since they allow us to reduce the quantity of available data, easing the detection of characteristics for their recognition and classification. In addition, this transformation of the original data in its essential characteristics eases the elimination of local noise which is present in the data input. This paper proposes a new skeletonization strategy applicable to sparse images from a competitive, dynamic neural network trained with the AVGSOM method. The strategy developed in this paper determines the arc making up the skeleton combining AVGSOM non-supervised learning with a minimum spanning tree. The proposed method has been applied in images with different spanning shape and degree. In particular, the results obtained have been compared to existing solutions, showing successful results. Finally, some conclusions, together with some future lines of work, are presented.VII Workshop de Agentes y Sistemas Inteligentes (WASI)Red de Universidades con Carreras en Informática (RedUNCI)2006-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1331-1341http://sedici.unlp.edu.ar/handle/10915/22675enginfo:eu-repo/semantics/reference/hdl/10915/127869info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:27:58Zoai:sedici.unlp.edu.ar:10915/22675Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:27:58.509SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Skeletonization of sparse shapes using dynamic competitive neural networks
title Skeletonization of sparse shapes using dynamic competitive neural networks
spellingShingle Skeletonization of sparse shapes using dynamic competitive neural networks
Hasperué, Waldo
Ciencias Informáticas
skeletonization
dynamic self-organizing maps
Neural nets
Image processing software
title_short Skeletonization of sparse shapes using dynamic competitive neural networks
title_full Skeletonization of sparse shapes using dynamic competitive neural networks
title_fullStr Skeletonization of sparse shapes using dynamic competitive neural networks
title_full_unstemmed Skeletonization of sparse shapes using dynamic competitive neural networks
title_sort Skeletonization of sparse shapes using dynamic competitive neural networks
dc.creator.none.fl_str_mv Hasperué, Waldo
Corbalán, Leonardo César
Lanzarini, Laura Cristina
Bria, Oscar N.
author Hasperué, Waldo
author_facet Hasperué, Waldo
Corbalán, Leonardo César
Lanzarini, Laura Cristina
Bria, Oscar N.
author_role author
author2 Corbalán, Leonardo César
Lanzarini, Laura Cristina
Bria, Oscar N.
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
skeletonization
dynamic self-organizing maps
Neural nets
Image processing software
topic Ciencias Informáticas
skeletonization
dynamic self-organizing maps
Neural nets
Image processing software
dc.description.none.fl_txt_mv La detección de regiones y objetos en imágenes digitales es un tema de suma importancia en la resolución de numerosos problemas correspondientes al área de reconocimiento de patrones. En esta dirección los algoritmos de esqueletización son una herramienta muy utilizada ya que permiten reducir la cantidad de información disponible facilitando la extracción de características para su posterior reconocimiento y clasificación. Además, esta transformación de la información original en sus características esenciales, facilita la eliminación de ruidos locales presentes en la entrada de datos. Este artículo propone una nueva estrategia de esqueletización aplicable a imágenes esparcidas a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. La estrategia desarrollada en este trabajo determina los arcos que forman el esqueleto combinando el aprendizaje no supervisado del AVGSOM con un árbol de dispersión mínima (minimun spaning tree). El método propuesto ha sido aplicado en imágenes con diferente forma y grado de dispersión. En particular, los resultados obtenidos han sido comparados con soluciones existentes mostrando resultados satisfactorios. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras
The detection of regions and objects in digital images is a topic of utmost importance for solving several problems related to the area of pattern recognition. In this direction, skeletonization algorithms are a widely used tool since they allow us to reduce the quantity of available data, easing the detection of characteristics for their recognition and classification. In addition, this transformation of the original data in its essential characteristics eases the elimination of local noise which is present in the data input. This paper proposes a new skeletonization strategy applicable to sparse images from a competitive, dynamic neural network trained with the AVGSOM method. The strategy developed in this paper determines the arc making up the skeleton combining AVGSOM non-supervised learning with a minimum spanning tree. The proposed method has been applied in images with different spanning shape and degree. In particular, the results obtained have been compared to existing solutions, showing successful results. Finally, some conclusions, together with some future lines of work, are presented.
VII Workshop de Agentes y Sistemas Inteligentes (WASI)
Red de Universidades con Carreras en Informática (RedUNCI)
description La detección de regiones y objetos en imágenes digitales es un tema de suma importancia en la resolución de numerosos problemas correspondientes al área de reconocimiento de patrones. En esta dirección los algoritmos de esqueletización son una herramienta muy utilizada ya que permiten reducir la cantidad de información disponible facilitando la extracción de características para su posterior reconocimiento y clasificación. Además, esta transformación de la información original en sus características esenciales, facilita la eliminación de ruidos locales presentes en la entrada de datos. Este artículo propone una nueva estrategia de esqueletización aplicable a imágenes esparcidas a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. La estrategia desarrollada en este trabajo determina los arcos que forman el esqueleto combinando el aprendizaje no supervisado del AVGSOM con un árbol de dispersión mínima (minimun spaning tree). El método propuesto ha sido aplicado en imágenes con diferente forma y grado de dispersión. En particular, los resultados obtenidos han sido comparados con soluciones existentes mostrando resultados satisfactorios. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras
publishDate 2006
dc.date.none.fl_str_mv 2006-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/22675
url http://sedici.unlp.edu.ar/handle/10915/22675
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/reference/hdl/10915/127869
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
1331-1341
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260117923299328
score 13.13397