Algunas aportaciones a la segmentación de imagen digital basadas en el mapa autoorganizativo

Abstract

El Mapa AutoOrganizativo (Self Organizing Map, SOM) es una arquitectura de red neuronal artificial competitiva que se aplica para problemas de cuantificación vectorial Y extracción no lineal de características, además de como algoritmo de visualización de datos de alta dimensión y minería de datos, En las aplicaciones de segmentación de la imagen, el SOM es útil sobre todo como método de estimación del libro de códigos vectoriales (codebook) que permiten la cualificación vectorial óptima. Al ser un algoritmo adaptativo, especialmente en la versión de un paso sobre la muestra, se presta a la realización de esta estimación de forma individualizada para cada una de las imágenes, optimizando el codebook para cada imagen. En la presente tesis doctoral nos concentramos en dos campos de aplicación. En primer lugar la segmentación de imágenes de resonancia magnética de alta resolución, utilizando las imágenes proporcionada para ello por el Instituto de Estudios Biofuncionales de la Universidad Complutense. En segundo lugar consideramos la aplicación de los mismos métodos en un contexto completamente distinto que es el del cálculo del flujo óptico denso en secuencias de imágenes. La aproximación que consideramos consiste en tomar vecindarios de los vóxeles como elementos de textura y utilizar el algoritmo SOM para la estimación en cada imagen del codebook que cuantifica óptimamente los vecindarios en la imagen. Estos vectores código se asumen como una base de funciones de soporte 2D o 3D que permiten codificar la textura de cada píxel o vóxel en función de su vecindario, la restricción a un paso sobre la muestra tiene sentido para obtener resutlados en tiempo aceptable dado el tamaño de las imágenes de resonancia magnética o las restricciones de tiempo real en el caso del cálculo del flujo óptico sobre secuencias de imágenes.