Estimação de densidades e aplicação em segmentação de imagens

Abstract

The aim of this work is to study some of the density estimation tec- niques and to apply to the segmentation of medical images. Medical images are used to help the diagnostic of tumor diseases as well as to plan and deliver treatment. A computer image is an array of values representing colors in some scale. The smallest element of the image to which it is possible to assign a value is called pixel. Segmen- tation is the process of dividing the image in portions through the classi¯cation of each pixel. The simplest way of classi¯cation is by thresholding, given the number of portions and the threshold values. Another method is constructing a histogram of the pixel values and assign a portion to each pike. The threshold is the mean between two pikes. As the histogram does not form a smooth curve it is di±cult to discern between true pikes and random variation. Density estimation methods allow the estimation of a smooth curve. Image data can be considered as mixture of different densities. In this project parametric and nonparametric methods for density estimation will be addressed and some of them are applied to CT image data

Este trabalho tem como objetivo o estudo dos metodos de estimação de densidades e posterior aplicação em segmentação de imagem de tomografia computadorizada. Uma imagem digitalizada pode ser vista como uma matriz de dados cujos valores representam tons de cores em certa escala. O menor elemento no dispositivo de exibição de imagem ao qual é possível atribuir uma cor (um valor) é chamado de pixel. O processo de segmentação consiste na divisão da imagem em regiões através da classificação de cada pixel em categorias. O método mais simples de classificação usa limiares para os valores dos pixels mas exige o conhecimento tanto do número de regiões distintas na imagem como dos próprios limiares. Outra maneira simples é construir um histograma dos valores dos pixels, considerar cada pico como um objeto distinto e definir o limiar como sendo a média entre os valores referentes a dois picos vizinhos. Como o histograma não forma uma curva suave,é difícil decidir quando um pico realmente representa uma parte distinta ou é apenas uma variação casual. Técnicas mais sofisticadas de estimação de densidades são requeridas. Dados de imagens podem ser considerados como oriundos de mistura de densidades. Neste estudo serão abordadas as técnicas de estimação de densidades paramétrica e não paramétrica. A técnica de estimação por máxima verossimilhança foi aplicada na segmentação de uma imagem de TC