Modelo de segmentación de campos aleatorios de Markov para imágenes de manchas de lagarto

Autores/as

  • Alexander Gómez-Villa Universidad de Antioquia https://orcid.org/0000-0003-0469-3425
  • Germán Díez-Valencia Universidad de Antioquia
  • Augusto Enrique Salazar-Jimenez Instituto Tecnológico Metropolitano

DOI:

https://doi.org/10.17533/udea.redin.n79a05

Palabras clave:

belief propagation, redes Markovianas, corte de grafos, biométrica animal, campos aleatorios de Markov, Diploglossus millepunctatus

Resumen

La identificación de animales para estudio y conservación de la fauna puede ser realizada usando características de apariencia fenotípica como manchas, rayas o forma, teniendo la ventaja de que este enfoque no causa ningún daño al sujeto de estudio. Debido a que la identificación visual debe hacerse a través de la inspección, un experto revisa potencialmente cientos o miles de imágenes. En este trabajo se realiza un análisis con varios algoritmos clásicos de segmentación y preprocesamiento como: binarización, ecualización del histograma y corrección de la saturación. Contra los enfoques clásicos de segmentación, un modelo de segmentación basado en campos aleatorios de Markov para segmentación de manchas es propuesto y probado en imágenes ideales, estándares y desafiantes. Como sujeto de estudio es usado el lagarto Diploglossus millepunctatus. El método propuesto alcanzó una eficiencia máxima de 84,87%.

|Resumen
= 212 veces | PDF (ENGLISH)
= 191 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Alexander Gómez-Villa, Universidad de Antioquia

Grupo de Sistemas Embebidos e Inteligencia Computacional (SISTEMIC), Facultad de Ingeniería.

Germán Díez-Valencia, Universidad de Antioquia

Grupo de Sistemas Embebidos e Inteligencia Computacional (SISTEMIC), Facultad de Ingeniería.

Augusto Enrique Salazar-Jimenez, Instituto Tecnológico Metropolitano

Grupo de Automática, Electrónica y Ciencias Computacionales (AEyCC), Facultad de Ingenierías.

Citas

L. Hiby et al., “A tiger cannot change its stripes: using a three-dimensional model to match images of living tigers and tiger skins”, Biology Letters, vol. 5, no. 3, pp. 383-386, 2009.

H. Kühl and T. Burghardt, “Animal biometrics: quantifying and detecting phenotypic appearance”, Trends in Ecology & Evolution, vol. 28, no. 7, pp. 432-441, 2013.

M. Kelly, “Computer-aided photograph matching in studies using individual identification: an example from Serengeti cheetahs”, Journal of Mammalogy, vol. 82, no. 2, pp. 440-449, 2001.

M. Lahiri, C. Tantipathananandh, R. Warungu, D. Rubenstein and T. Berger, “Biometric animal databases from field photographs: identification of individual zebra in the wild”, in 1st ACM International Conference on Multimedia Retrieval (ICMR) Trento, Italy, 2011.

D. Bolger, T. Morrison, B. Vance, D. Lee and H. Farid, “A computer-assisted system for photographic mark–recapture analysis”, Methods in Ecology and Evolution, vol. 3, no. 5, pp. 813-822, 2012.

A. Ardovini, L. Cinque and E. Sangineto, “Identifying elephant photos by multi-curve matching”, Pattern Recognition, vol. 41, no. 6, pp. 1867-1877, 2008.

B. Araabi, N. Kehtarnavaz, T. McKinney, G. Hillman and B. Würsig, “A string matching computer-assisted system for dolphin photo-identification”, Annals of Biomedical Engineering, vol. 28, no. 10, pp. 1269-1279, 2000.

C. Gope, N. Kehtarnavaz, G. Hillman and B. Würsig, “An affine invariant curve matching method for photo-identification of marine mammals”, Pattern Recognition, vol. 38, no. 1, pp. 125-132, 2005.

E. Ranguelova and E. Pauwels, “Saliency detection and matching strategy for photo-identification of humpback whales”, in ICGST International conference on Graphics, Vision and Image Processing (GVIP), Cairo, Egypt, 2005, pp. 81-88.

E. Ranguelova, M. Huiskes and E. Pauwels, “Towards computer-assisted photo-identification of humpback whales”, in International Conference on Image Processing (ICIP), Singapore, Singapore, 2004, pp. 1727-1730.

P. Zeeuw, E. Pauwels, E. Ranguelova, D. Buonantony and S. Eckert, “Computer assisted photo identification of Dermochelys coriacea”, in Int. Conference on Pattern Recognition (ICPR), Berlin, Germany, 2010, pp. 165-172.

L. Hiby and P. Lovell, “Computer aided matching of natural markings: a prototype system for grey seals”, International Whaling Commission, Noordwijkerhout, Netherlands, Report (Special Issue 12), 1990.

J. Duyck et al., “Sloop: A pattern retrieval engine for individual animal identification”, Pattern Recognition, vol. 48, no. 4, pp. 1059-1073, 2015.

M. López, “The lizards of Malpelo (Colombia): some topics on their ecology and threats”, Caldasia, vol. 28, no. 1, pp. 129-134, 2006.

Y. Boykov and M. Jolly, “Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images” in 8th IEEE International Conference on Computer Vision (ICCV), Vancouver, Canada, 2001, pp. 105-112.

C. Rother, V. Kolmogorov and A. Blake, “‘GrabCut’: Interactive foreground extraction using iterated graph cuts”, ACM Transactions on Graphics, vol. 23, no. 3, pp. 309-314, 2004.

M. Kumar, P. Torr and A. Zisserman, “Obj cut”, in IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), San Diego, USA, 2005, pp. 18-25.

Z. Kato and T. Pong, “A Markov random field image segmentation model for color textured images”, Image and Vision Computing, vol. 24, no. 10, pp. 1103-1114, 2006.

A. Delong and Y. Boykov, “Globally optimal segmentation of multi-region objects”, in 12th International Conference on Computer Vision, Kyoto, Japan, 2009, pp. 285-292.

D. Koller and N. Friedman, Probabilistic graphical models: principles and techniques, 1st ed. Cambridge, USA: MIT Press, 2009.

A. Goldberg, S. Hed, H. Kaplan, R. Tarjan and R. Werneck, “Maximum flows by incremental breadth-first search”, in 19th Annual European Symposium, Saarbrücken, Germany, 2011, pp. 457-468.

O. Lézoray and L. Grady, Image processing and analysis with graphs: theory and practice, 1st ed. San Jose, USA: CRC Press, 2012.

A. Ihler, J. Fisher and A. Willsky, “Loopy belief propagation: Convergence and effects of message errors”, Journal of Machine Learning Research, vol. 6, pp. 905-936, 2005.

N. Komodakis, N. Paragios and G. Tziritas, “MRF optimization via dual decomposition: Message-passing revisited”, in 11th International Conference on Computer Vision (ICCV), Rio de Janeiro, Brazil, 2007, pp. 1-8.

B. Andres, T. Beier and J. Kappes, OpenGM: A C++ Library for Discrete Graphical Models, 2012. [Online]. Available: http://arxiv.org/abs/1206.0111. Accessed on: Mar. 29, 2016.

J. Holmberg, B. Norman and Z. Arzoumanian, “Estimating population size, structure, and residency time for whale sharks Rhincodon typus through collaborative photo-identification”, Endangered Species Res., vol. 7, no. 1, pp. 39-53, 2009.

Descargas

Publicado

2016-06-16

Cómo citar

Gómez-Villa, A., Díez-Valencia, G., & Salazar-Jimenez, A. E. (2016). Modelo de segmentación de campos aleatorios de Markov para imágenes de manchas de lagarto. Revista Facultad De Ingeniería Universidad De Antioquia, (79), 41–49. https://doi.org/10.17533/udea.redin.n79a05

Artículos similares

1 2 3 4 5 6 7 8 9 10 11 12 13 14 > >> 

También puede {advancedSearchLink} para este artículo.