Mejoramiento de Imágenes Luminosas utilizando el Modelo de Intersección Cortica

Autores/as

  • Kevin Salvador Aguilar Domínguez Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México
  • Manuel Mejía Lavalle Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México
  • Gerardo Reyes Salgado Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México

DOI:

https://doi.org/10.30973/progmat/2019.11.2/2

Palabras clave:

Mejoramiento de imágenes, Redes Neuronales Artificiales, Modelo de Intersección Cortical, Redes Neuronales Pulso-Acopladas

Resumen

El uso de imágenes digitales va en aumento, sin embargo, se pueden ver afectadas por diversos factores, que degradan su calidad lo que dificulta su correcto análisis. Las imágenes luminosas son un claro ejemplo de ello. En este trabajo se implementa una Red Neuronal Pulso-Acoplada para mejorar las imágenes luminosas, utilizando el Modelo de Intersección Cortical y una Matriz de Tiempo para modificar el valor de los pixeles y conseguir una imagen de mejor calidad en menor tiempo.

Biografía del autor/a

Kevin Salvador Aguilar Domínguez, Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México

Es estudiante de Maestría en Ciencias Computacionales en el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET) / Tecnológico Nacional de México (TecNM). Egresado de la Universidad Tecnológica Emiliano Zapata (UTEZ), en la carrera de ingeniería en mecatrónica. Participación; en el taller de robótica libre NAO de la UTEZ, en el Concurso de Robótica e Inteligencia Artificial NAO de los años 2015 y 2016, el 14 congreso de mecatrónica y el Torneo Mexicano de Robótica (TMR) del año 2016 en la categoría de RoboCup Rescue Robot. Investiga principalmente en las áreas de la Inteligencia Artificial, Redes Neuronales Artificiales y Visión Artificial.

Manuel Mejía Lavalle, Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México

Es Doctor en Ciencias Computacionales por el Instituto Tecnológico y de Estudios Superiores de Monterrey (ITESM) y profesor - investigador en el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET) / Tecnológico Nacional de México (TecNM). Pertenece al IEEE habiendo sido presidente del Capítulo de Computación de la Sección Morelos, México en el período 2011-2012. Cuenta con Perfil Deseable PRODEP. Ha pertenecido también al Sistema Nacional de Investigadores, al Sistema Estatal de Investigadores (Morelos), a la Sociedad Mexicana de Inteligencia Artificial, y a la Academia Nacional de Investigación en Ciencias Computacionales. Investiga principalmente en el área de la Inteligencia Artificial y de las Redes Neuronales Artificiales.

Citas

Pedersen, M; Bonnier, N; Hardeberg, J. Y; Albregtsen, F. Attributes of image quality for color prints. Journal of Electronic Imaging. 2010, 19(1), 11016. https://doi.org/10.1117/1.3277145

Pajares, G; Cruz García, J.M. Ejercicios resueltos de visión por Computador, Alfaomega. Madrid, 2008.

Manaswini, J; Sashikala, M. Review of neural network techniques in the verge of image processing. In: Reddy M., Viswanath K., K.M. S. (eds) International Proceedings on Advances in Soft Computing, Intelligent Systems and Applications. Advances in Intelligent Systems and Computing, vol 628. Springer, Singapore. 2018, 345–361. https://doi.org/10.1007/978-981-10-5272-9_33

Eckhorn, R; Reitboeck, H. J; Arndt, M; Dicke, P. Feature Linking via Synchronization among Distributed Assemblies: Simulations of Results from Cat Visual Cortex. Neural Computation. 1990, 2(3), 293–307. https://doi.org/10.1162/neco.1990.2.3.293

Ma, Y; Zhan, K; Wang, Z. Image Enhancement. In: Applications of Pulse-Coupled Neural Networks. Springer, Berlin, Heidelberg, 2010, 61–81.

Rodríguez, R; Sossa, J. H. Procesaminto y Análisis Digital de Imágenes. Alfaomega. México, 2012.

Ekblad, U; Kinser, J. M; Atmer, J; Zetterlund, N. The intersecting cortical model in image processing. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2004, 525(1-2), 392–396. https://doi.org/10.1016/j.nima.2004.03.102

Ortiz, E; Mejía-Lavalle, M; Sossa, H. Uso de redes neuronales pulsantes para mejorar el filtrado de imágenes contaminadas con ruido Gaussian. Research in Computing Science, 2016, 11(3), 45–58.

Cardenas, S. Y; Mejia-Lavalle, M; Azuela, H. S; Pardo, E. C. Pulse-Coupled Neural Networks applied to Human Brain Image Processing. International Conference on Mechatronics, Electronics and Automotive Engineering. 2014, 60–65. https://doi.org/10.1109/ICMEAE.2014.46

Lindblad, T; Kinser, J. M; Image processing using pulsecoupled neural networks. 2005.

Yuan-yuan, C; Hai-yan, L; Xin-ling, S; Jian-hua, C. A new method of denoising mixed noise using Limited Grayscale Pulsed Couple Neural Network. Proceedings of 2011 Cross Strait Quad-Regional Radio Science and Wireless Technology Conference. 2011, 1410–1413. https://doi.org/10.1109/CSQRWC.2011.6037229

Berkeley Segmentation Data, “Benchmarks 500 (BSDS500),” URL http//www.eecs.berkeley.edu/Research/Projects/CS/vision/g rouping/resources. html., 2011.

Robledano-Arillo, J; Moreno-Pelayo, V; Pereira-Uzal, J. M. Aproximación experimental al uso de métricas objetivas para la estimación de calidad cromática en la digitalización de patrimonio documental gráfico. Revista Española de Documentación Científica. 2016, 39(2), e128.

Wang, Z; Bovik, A.C; Sheikh, H. R; Simmoncelli, E. P. Image quality assessment: form error visibility to structural similarity. IEEE Transactions on Image Processing. 2004, 13(4), 600–612. https://doi.org/10.1109/TIP.2003.819861

Descargas

Publicado

28-06-2019

Cómo citar

Aguilar Domínguez, K. S., Mejía Lavalle, M., & Reyes Salgado, G. (2019). Mejoramiento de Imágenes Luminosas utilizando el Modelo de Intersección Cortica. Programación matemática Y Software, 11(2), 10–19. https://doi.org/10.30973/progmat/2019.11.2/2

Número

Vol. 11 Núm. 2 (2019): Junio de 2019

Sección

Artículos

Licencia

Derechos de autor 2019 Programación Matemática y Software

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Usted es libre de:

Compartir — compartir y redistribuir el material publicado en cualquier medio o formato.
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente.

Bajo las siguientes condiciones:

Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso.
  Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia.