La transformada de Radon aplicada a la segmentación de imágenes digitales en escala de grises

  • Ricarod Joaquín De Armas Costa UNIVERSIDAD CENTRAL
  • Shirley Viviana Quintero Torres UNIVERSIDAD CENTRAL
  • Cristina Acosta Muñoz UNIVERSIDAD CENTRAL
  • Carlos Camilo Guillermo Rey Torres UNIVERSIDAD CENTRAL
Palabras clave: Transformada de Radon, segmentación, región de interés, imágenes binarizadas

Resumen

En este artículo de investigación científica se da a conocer a la comunidad interesada en el procesamiento digital de imágenes, una aplicación inédita de la transformada de Radon para segmentar imágenes en escala de grises, lo que permite la identificación y clasificación de regiones u objetos, misma que puede extenderse a imágenes en color. Los resultados obtenidos se compararon con los resultados de dos algoritmos clásicos de segmentación: el algoritmo de umbralización Otsu optimizado, y el algoritmo de crecimiento de regiones Seeded Region Growing.

Biografía del autor

Ricarod Joaquín De Armas Costa, UNIVERSIDAD CENTRAL

DEPARTAMENTO DE MATEMÁTICAS

DOCENTE - INVESTIGADOR

Shirley Viviana Quintero Torres, UNIVERSIDAD CENTRAL

DEPARTAMENTO DE INGENIERÍA ELECTRÓNICA

DOCENTE - INVESTIGADOR

Cristina Acosta Muñoz, UNIVERSIDAD CENTRAL

DEPARTAMENTO DE INGENIERÍA AMBIENTAL

DOCENTE - INVESTIGADOR

Carlos Camilo Guillermo Rey Torres, UNIVERSIDAD CENTRAL

DEPARTAMENTO DE MATEMÁTICAS

DOCENTE - INVESTIGADOR

Citas

[1] J. Radon, Über die Bestimmung von Funktionen durch ihre Ihre Integralwerte längs gewisser Mannigfaltigkeiten, Berichte Sächsische Akademie der Wissenschaften, Leipzig, Math-Phys., 1917, 69:262-277.

[2] J. Radon, “On the Determination of Functions from Their Integral Values along Certain Manifolds”, IEEE Transactions on Medical Imaging, 5:170–176, 1986.

[3] S. R. Deans, The Radon Transform and some of its applications, New York:John Wiley and Sons Inc, 1983.

[4] E. Grinberg, “On images of Radon transforms”, Duke Mathematical Journal, 52:939-972, 1985.

[5] A. C. Kak y M. Sallaney, “Principles of Computarized Tomography”, IEEE press, New York:, 1988.

[6] T. M. Buzug, Computed Tomography.From Photon Statistics to Modern Cone Beam CT. Leipzig, Germany: Springer, 2008.

[7] J. S. Lim, Two-Dimensional Signal and Image Processing, Englewood Cliffs, NJ, Prentice Hall, 1990.

[8] R. N. Bracewell, Two-Dimensional Imaging, Englewood Cliffs, NJ, Prentice Hall, 1995.

[9] R. C. Gonzáles y R. E. Woods, Digital Image Processing. New Jersey: Prentice-Hall, 2002.

[10] N. Otsu, “A threshold method from gray-level histogram”, IEEE Transactions on System Man Cybernetics, Vol. SMC-9. No.1, 1979, pp.62-66. [Optimizado en el 2005 en la Universidad Nacional de Quilmes. 2005. Ingeniería en Automatización y Control Industrial. Cátedra Visión Artificial]

[11] R. Adams y L. Bischof, “Seeded region growing”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 16, 1994.

[12] S. Helgason, The Radon Transform, Birkhäuser. Second Edition. Boston, Mass. EUA, 1999, pág. 2.

[13] F. Natterer, The Mathematics of Computarized Tomography. Siam. Society for Industrial and Applied Mathematics, Philadelphia, EUA, 2001.
Publicado
2018-07-04
Sección
Artículos