Coca RA, Lorenzo GJV

Idioma: Español
Referencias bibliográficas: 12
Paginas:
Archivo PDF: 604.48 Kb.

RESUMEN

El presente trabajo tiene el propósito de analizar, para el caso particular de imágenes de microscopía celular de eritrocitos de sangre humana, en qué medida puede influir en la calidad de la imagen la aplicación de métodos de interpolación para mejorar la resolución de esta y con qué métodos se podrían obtener resultados satisfactorios. Se aplicaron para su comparación tres métodos de interpolación a las imágenes a color seleccionadas: splines cúbicos, bicúbico y bilineal y se evaluó la eficiencia computacional de estos. Se utilizaron dos factores de reducción de la resolución (2 y 4) por filas y columnas de la imagen digital. Las medidas utilizadas para valorar la calidad de las imágenes interpoladas fueron la relación señal-ruido y el error medio cuadrático, cuyos valores fueron procesados estadísticamente mediante las pruebas de Friedman y de Wilcoxon, esta última como test post-hoc. Los resultados permiten recomendar el método bicúbico de interpolación como el más favorable para este tipo de imágenes ya que fue el de mejor comportamiento entre los utilizados.

REFERENCIAS (EN ESTE ARTÍCULO)

1. González RC, Woods RE. Digital image processing. 4 ed. England: Pearson Education Inc; 2018.

2. Gonzalez RC, Woods RE, Eddins SL. Digital image processing using MATLAB. 3rd ed. USA: Gatesmark Publishing; 2020.

3. Russ JC. The image processing handbook. 6th ed. USA: CRC Press; 2011.

4. Pratt WK. Digital Image Processing: PIKS Inside. Third Edition ed. USA: John Wiley & Sons; 2001.

5. Sung Cheol P, Min Kyu P, Moon Gi K. Super-resolution image reconstruction: a technical overview. IEEE Signal Processing Magazine. 2003 May;20(3).

6. Oppenheim AV, Schafer RW, Buck JR. Discrete-time signal processing. 3rd ed. USA: Prentice Hall; 2009.

7. Proakis JG, Manolakis DG, del Rio VS, Castro JLA. Tratamiento digital de señales: USA: Prentice Hall; 2000.

8. Ichihashi T, et al. Atlas of Hematology. Japan: Nagoya University School of Medicine; 1996 Dec [cited 2021 Mar 19]. Available from: http://www3.med.unipmn.it/did/will/atlashem/index.htm.

9. The MathWorks Group. Image Processing Toolbox For Use with MATLAB. User's Guide Version 3. USA: The MathWorks Inc; 2001 [cited 2021 Mar 19]. 775 p. Available from: https://cis.temple.edu/~latecki/Courses/CIS581-02/MatCIS581-02/Matlab_images_tb.pdf#G4.2178.

10. Rosenberger C, Chabrier S, Laurent H, Emile B. Unsupervised and supervised image segmentation evaluation. In: Advances in image and video segmentation. USA: IGI Global; 2006 [cited 19 Mar 2021]. 365-93. Available from: https://www.researchgate.net/profile/Christophe-Rosenberger/publication/257365161_Unsupervised_and_Supervised_Image_Segmentation_Evaluation/links/02e7e53597053b83f6000000/Unsupervised-and-Supervised-Image-Segmentation-Evaluation.pdf.

11. Walpole RE, Myers RH, Myers SL, Ye K. Probabilidades y estadística para ingeniería y ciencias. 9na ed. México: Pearson Educación; 2012 [cited 19 Mar 2021]. p. 816. Disponible en: https://vereniciafunez94hotmail.files.wordpress.com/2014/08/8va-probabilidad-y-estadistica-para-ingenier-walpole_8.pdf.

12. Demsar J. Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research. 2006;7:1-30.