BPNⁿ-CPN

• Autores: Corbalán, Leonardo César; Hasperué, Waldo; Osella Massa, Germán Leandro; Lanzarini, Laura Cristina
• Año de publicación: 2006
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; segmentación de imágenes; Aprendizaje; Neural nets; Image processing software; image segmentation
• Institución: Universidad Nacional de La Plata

La segmentación es un paso muy importante en el procesamiento de imágenes digitales. Su aplicación tiene como objetivo la subdivisión de la imagen en sus partes constituyentes u objetos. Actualmente existen diferentes técnicas para realizarla. En este trabajo se propone un nuevo método de segmentación de imágenes, denominado BPNⁿ-CPN, basado en Redes Neuronales Artificiales, que combina la utilización de las arquitecturas Backpropagation (BPN) y Contrapropagación (CPN). Si bien las características y capacidades de cada una de estas arquitecturas son ampliamente conocidas, su desempeño individual no siempre es el más adecuado para la resolución de este tipo de problemas. El método BPNⁿ-CPN aquí propuesto basa su funcionamiento en la combinación de pequeñas redes que realizan el proceso de segmentación con un menor tiempo de entrenamiento logrando una mejora de la performance del sistema. BPNⁿ-CPN ha sido aplicado a la resolución de distintos problemas de segmentación sobre imágenes en tonos de grises con resultados muy satisfactorios demostrando poseer la capacidad de la BPN pero con un tiempo computacional mucho menor. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras
Segmentation is a really important stage in digital image processing. Its application aims at subdiving the image into its constituent parts or objects. At present, there exist various techniques to carry this out. This paper proposes a new image segmenting method, called BPNⁿ-CPN, based on Artificial Neural Networks, which combines the use of Back-propagation (BPN) and Counter-propagation (CPN) architectures. Even though each architecture’s characteristics and capacities are widely known, their individual performance is not suitable for solving this kind of problems. The BPNⁿ-CPN method here posed bases its performance on the combination of small networks which carry out the segmenting process with a shorter training time, thus achieving an improvement in the system performance. BPNⁿ-CPN has been applied to the solution of various segmentation problems over grey scale images with really successful results, proving itself to have the capacity of the BPN but with a much shorter computational time. Finally, some conclusions and future lines of work are presented.
Red de Universidades con Carreras en Informática (RedUNCI)