reconstrucción de imágenes 3d mediante el uso de redes autoorganizativas autora: carmen alonso...
TRANSCRIPT
Reconstrucción de imágenes 3D mediante el uso de redes autoorganizativas
Autora: Carmen Alonso Montes
Director: Manuel González Penedo
Proyecto Fin de Carrera de Ingeniería Informática
Índice
IntroducciónObjetivosMetodología de trabajo
– Detección de puntos borde– Redes Neuronales Autoorganizativas
• Crecimiento Neuronal
Resultados– Filtrado– Resultados con la red GCS– Resultados con la red GNG– Resultados con imágenes reales
Principales aportacionesConclusiones
Introducción
Segmentación de Imágenes
Reconstrucción deSuperficies
Reconstrucción deObjetos 3D
• Segmentación en base a puntos borde
• Segmentación en base a regiones
• Obtención de puntos representativos de superficie
• Estructura de conexión entre puntos representativos
Objetivos
Reconstrucción de superficies en base a puntos bordeAlgunas técnicas clásicas de reconstrucción operan en
dos fases– Clasificación para obtener puntos representativos de superficie
– Obtención de relaciones de conexión entre puntos representativos
Las redes autoorganizativas permiten unificar los procesos de clasificación y de establecimiento de conexiones– El crecimiento neuronal proporciona una alternativa más
flexible dentro de este campo.
Metodología de trabajo
Obtención dePuntos borde
Obtención de lamalla con Redes
Autoorganizativas
Objeto 3D
Imagen 3D
Obtención de Puntos Borde
Detección de puntos borde de la superficie.
Filtros detectores de bordes– 2D– 3D: la pertenencia de un punto al borde se
determina por las relaciones de este con otros puntos dentro de un corte bidimensional y con puntos de cortes adyacentes.
• La utilización de filtros 2D extendido a 3D no presenta un comportamiento adecuado, en general, ya que sólo contempla relaciones entre los puntos en dos dimensiones y no en la tercera.
Filtros utilizados– Laplaciano– Umbralización por Histiéresis– Lineal Multi-Escala
Reconstrucción de superficies (I)
Una superficie queda definida por la posición de los puntos del borde y las relaciones de conexión entre estos.
Los algoritmos tradicionales para la reconstrucción de superficies como el Marching Cubes, utilizan la posición de los puntos buscando las posibles triangulaciones entre los mismos para la obtención de la superficie.
Ventajas– Múltiples implementaciones y estudios
– Simplificación en su utilización
Reconstrucción de superficies (II)
Desventajas de los algoritmos tradicionales– La calidad del resultado obtenido es directamente proporcional
a la cantidad de puntos borde del objeto utilizados.
– El tiempo de computación depende directamente de la cantidad de puntos utilizados
– Poca flexibilidad para la utilización de características adicionales de los puntos, además de la posición.
Una alternativa la presentan las redes neuronales autoorganizativas
Redes Neuronales Autoorganizativas
Son aquellas que basan su funcionamiento en la modificación repetida de conexiones en respuesta a patrones de activación y siguiendo unas reglas preestablecidas, hasta el desarrollo final de la estructura o sistema.
Ventajas– Capacidad de clusterización y clasificación de los puntos del
espacio de entrada
– Establecimiento de la topología (relaciones de vecindad) entre los elementos de procesado representativos
– Ordenación topológica. La localización espacial de una neurona corresponde a un dominio particular o conjunto de patrones de entrada.
– Reflejan la densidad de muestreo
Mapas Autoorganizativos (SOM)
Los mapas autoorganizativos (SOM) propuestos por Kohonen forma la base fundamental del funcionamiento de muchos tipos de redes autoorganizativas
Desventajas– Topología fija e invariante durante todo
el proceso de entrenamiento
– Tamaño de la red es necesario definirlo a priori
Alternativa más flexible: inclusión del Crecimiento neuronal
Resultado con SOM
Resultado con GNG
Crecimiento Neuronal (I)
Ventajas del crecimiento– Se pueden utilizar problemas dependientes de medidas de
error para la inserción de nuevas neuronas.
– Posibilidad de interrumpir y continuar un entrenamiento.
– El tamaño de la red no es necesario fijarlo a priori.
Dos tipos de redes autoorganizativas seleccionadas:– Crecimiento de Estructuras de Células (Growing Cell
Structures (GCS)).• Inicialmente k+1 neuronas
• No contemplan el borrado de conexiones
– Gas Neuronal Creciente (Growing Neural Gas (GNG)).• Inicialmente 2 neuronas
• Contempla borrado y establecimiento de nuevas conexiones
Crecimiento Neuronal (II) Las redes neuronales permiten la utilización de varias
propiedades de los puntos El gradiente permite discernir entre puntos próximos pero
pertenecientes a superficies enfrentadas La posición es la propiedad más importante de los puntos, y es
necesario ponderar la importancia del gradiente. La fórmula que define la importancia relativa del gradiente
frente a la posición utiliza el seno por ser una función continua
TTG
G
TTG
G
y
z
z
x
)sin( ,arctan
)sin( ,arctan
Imágenes Artificiales
Volumen formado a partir de 15 slicesCorte 2D o slice
Filtrado de Imágenes
Los puntos obtenidos de la realización del filtrado sobre las imágenes, se han utilizado como conjunto de entrenamiento en las redes autoorganizativas
Umbralización por histiéresisLaplaciano Lineal Multi-Escala
Reconstrucción de superficies con GCS. Resultados (I)
La red GCS no rompe conexiones ya establecidas
Heurísticas seguidas en el desarrollo de las imágenes– Recorrer todos los patrones de entrada
del conjunto de entrenamiento.
– Inicialmente utilizar una velocidad
de aprendizaje, α, y de εbmu y εvecinos altos para lograr adaptar la forma del objeto
– Reentrenamiento para un mayor grado de adaptación de la red
XTXT
X
T
entrada de patrones de total
adaptación de pasos
red la de tamaño
Reconstrucción de superficies con GCS. Resultados (II)
Sección de un tubo
Posición con GradientesSólo Posición
Figura k λ εbmu εvecino α Total Ep
Izquierda 2 150 0,05 0,008 0,05 1905
Derecha 2 150 0,05 0,008 0,05 3400
Reconstrucción de superficies con GCS. Resultados (III)
Reconstrucción de la superficie definida por la red GCS.
Posición con gradientesSólo Posición
Reconstrucción de superficies con GCS. Resultados (IV)
Sección de dos tubos
Sólo Posición Posición con gradientes
Figura k λ εbmu εvecino α Total Ep
Izquierda 2 150 0,05 0,008 0,05 3400
Derecha 2 150 0,05 0,008 0,05 3400
Reconstrucción de superficies con GCS. Resultados (V)
Sección de dos tubos. Superficie y vista lateral con gradientes
Posición con gradientesSólo Posición
Reconstrucción de superficies con GCS. Resultados (VI)
Sección de varios tubos
Posición con gradientesSólo Posición
Figura k λ εbmu εvecino α Total Ep
Izquierda 2 150 0,05 0,008 0,05 3000
Derecha 2 150 0,05 0,008 0,05 3000
Reconstrucción de superficies con GNG. Resultados (I)
Sección de un tubo
Posición con gradientesSólo Posición
Figura λ εbmu εvecino edad α β Error Total Ep
Izquierda 150 0.05 0,005 100 0,07 0,07 0,995 1400
Derecha 150 0.05 0,005 100 0,07 0,07 0,995 800
Reconstrucción de superficies con GNG. Resultados (II)
Superficie definida por la red.
Posición con gradientesSólo Posición
Reconstrucción de superficies con GNG. Resultados (III)
Sección de dos tubos
Posición con gradientesSólo Posición
Figura λ εbmu εvecino edad α β Error Total Ep
Izquierda 150 0.05 0,005 100 0,07 0,07 0,995 1700
Derecha 150 0.05 0,005 100 0,07 0,07 0,995 1700
Reconstrucción de superficies con GNG. Resultados (IV)
Sección de varios tubos sin tener en cuenta gradientes.
Sólo Posición Detalle de la unión
Reconstrucción de superficies con GNG. Resultados (V)
Sección de varios tubos
Figura λ εbmu εvecino edad α β Error Total Ep
Izquierda 150 0.05 0,005 100 0,07 0,07 0,995 700
Derecha 150 0.05 0,005 100 0,07 0,07 0,995 700
Sólo Posición Posición con Gradiente
Resultados con imágenes reales (I)
Algoritmos tradicionales presentan limitaciones para la inclusión de propiedades adicionales de los puntos y ante problemas de proximidad no responde adecuadamente
Algoritmo tradicional Redes Autoorganizativas
Resultados con imágenes reales (II)
Imágenes filtradas utilizadas como conjunto de entrenamiento para la realización de los vídeos
Mano filtrada Fémur filtrado
Video Mano
Video Fémur
Principales Aportaciones
Heurísticas para el entrenamiento y optimización del grado de adaptación de las redes GCS a la superficie del objeto
Heurísticas para el entrenamiento de las redes GNG respecto de la edad máxima de una conexión
Análisis de las implicaciones de la utilización del gradiente en el nivel de adaptación de la red
Formulación y evaluación de una función de relevancia del gradiente respecto de la posición en la reconstrucción de superficies.
Desarrollo de una aplicación gráfica que permite la unificación de los pasos de filtrado y de entrenamiento de la red.
Conclusiones Las redes GCS no presentan un comportamiento adecuado en
la presencia de varios objetos por no considerar el borrado de conexiones
Dimensionalidad fija en la red GCS es una ventaja para la reconstrucción posterior de la superficie
Las redes GNG se comportan mejor gracias al borrado de elementos y de conexiones
Las redes GNG frente a las GCS, con un mismo conjunto de patrones de entrada, necesitan de un menor grado de entrenamiento mejorando los resultados obtenidos
El gradiente en ambas redes permite mejorar resultados con la presencia de objetos próximos y en la superficie de un objeto.
El número de elementos de procesado utilizados para la definición de la superficie es muy inferior al número de puntos necesarios para un algoritmo de reconstrucción clásico
Reconstrucción de imágenes 3D mediante el uso de redes autoorganizativas
Autora: Carmen Alonso Montes
Director: Manuel González Penedo
Proyecto Fin de Carrera de Ingeniería Informática