Segmentación eficiente utilizando dimensión fractal

Las técnicas de segmentación usuales, tanto en imágenes por tonos de gris o multibanda, dependen de la supervisión o asistencia de un operador, por medio de procedimientos de prueba y error. Más a¶un, en imágenes ruidosas las cuales son evidentemente mucho más comunes en la mayoría de las aplicaciones del procesamiento de imágenes los esquemas de clasificación local utilizados para segmentar suelen ser de escasa utilidad, debido a las fluctuaciones aleatorias introducidas por el ruido. En algunos casos particulares, las recientes ideas propuestas para segmentación automática basada en contornos activos pueden ser lo suficientemente robustas para manejar situaciones de imágenes ruidosas sin supervisión (excepto por el paso de inicialización). Sin embargo, en situaciones de ruido no aditivo (por ejemplo en imágenes SAR, ultrasonido, microscopía electrónica, etc.) y/o en la segmentación de objetos de forma compleja, los contornos activos no tienen una performance adecuada. En este trabajo proponemos el manejo de la segmentación de imágenes ruidosas por medio del análisis de la dimensión fractal. Un paso previo de clasificación utilizando como estimador la counting box dimension ha demostrado mejorar significativamente tanto la eficacia como la calidad final de la segmentación realizada tanto por técnicas locales de filtrado, como por medio de contornos activos o extracción de contornos por medio de algoritmos evolutivos. Los resultados obtenidos por los algoritmos presentados en este trabajo son lo suficientemente robustos como para manejar imágenes con degradación severa por ruido multiplicativo, y la segmentación de objetos con formas arbitrariamente complejas. Eje: Computación gráfica, Imágenes y Visualización (CGI) Red de Universidades con Carreras en Informática (RedUNCI)