Estimación de parámetros probabilísticos en modelos de mezclas gausianas para la segmentación en imágenes usando el algoritmo Expectation-Maximization

• Autor: Atoche Bravo, Maria Jacqueline
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional Pedro Ruiz Gallo
• Repositorio: UNPRG-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unprg.edu.pe:20.500.12893/9196
• Enlace del recurso: https://hdl.handle.net/20.500.12893/9196
• Nivel de acceso: acceso abierto
• Materia: Modelos de mezclas Gaussianas; Máximima verosimilitud; Segmentación de imágenes; http://purl.org/pe-repo/ocde/ford#1.01.00

En el presente trabajo, se desarrolla una revisión sobre los principales modelos probabilísticos para el Reconocimiento de Patrones. Centrándonos en el estudio del Reconocimiento de Patrones aplicado a la segmentación de imágenes. La segmentación de imágenes digitales es el proceso de dividir o segmentar dicha imagen en varios grupos; es decir los píxeles de la imagen se dividen en distintios grupos o categorias. Este proceso, se realiza con el fin de simplificar o modificar la representación de una imagen en grupos más significativos o más fáciles de analizar. Nuestro trabajo propone estudiar el algoritmo Expectation-Maximization (EM) en particular en Modelos de Mezclas Gaussianas. El algoritmo EM es un método iterativo, usado frecuentemente para estimar los valores de los parámetros en modelos probabilísticos en problemas de datos incompletos. Para evaluar el desempeño del algoritmo, utilizamos imágenes de texturas, reales y de satélite. Después de procesar las imágenes por el algoritmo EM, las imágenes segmentadas pueden ser utilizadas en diferentes aplicaciones, como por ejemplo, reconstrucción de imágenes.