Este documento describe la implementación y comparación de varias métricas (FOM, PSNR, CDM, PCM) para evaluar la similitud entre imágenes de bordes. Se aplican las métricas a imágenes de bordes obtenidas con Canny y se comparan con la imagen verdadera. Los experimentos se realizan sin y con ruido agregado. Los resultados muestran cuál métrica es más efectiva para medir la similitud entre imágenes de bordes.
2. Introducción
Importancia de las Métricas para imágenes de
bordes y contornos.
Evaluación de Segmentación
Métodos empíricos
Métodos analíticos
Tipos de Métricas
Métodos de Discrepancia
Métricas de distorsión
4. Este trabajo
Implementación de las siguientes métricas
Figure Of Merit (FOM)
Peek Signal Noise Ratio (PSNR)
Closest Distance Metric (CDM)
Pixel Correspondence Metric (PCM)
Comparación entre ellas
Imagen de bordes, obtenida con Canny, y luego comparada
con la imagen terreno de la verdad.
10. Pixel Correspondence Metric (4)
Algoritmo:
Out=function PCM(GT, IM, radio, profundidad, maxPixel)
Para cada Pixel p(i,j)>0 en GT
Grafo=HacerGrafoBipartito(p(i,j), radio, profundidad)
Matching optimo = DeterminarMatchingOptimo(Grafo)
costo=Costo(Matching)
CostoTotal=costo+CostoTotal
Fin_Para
Para cada Pixel p(i,j)>0 en IM
Grafo=HacerGrafoBipartito(p(i,j), radio, profundidad)
Matching optimo = DeterminarMatchingOptimo(Grafo)
costo=Costo(Matching)
CostoTotal=costo+CostoTotal
Fin_Para
Out=100(1-CostoTotal/(Numero de pixeles <> 0 en f y g)
11. Pruebas
Experimento 1 (sin ruido):
Tomar una imagen, aplicar método Canny
Aplicar las distintas métricas, entre la imagen resultante y la
imagen terreno de la verdad
Comparar los resultados obtenidos
Experimento 2 (con ruido):
Tomar una imagen, aplicar método Canny
Aplicar las distintas métricas, entre la imagen resultante y la
imagen terreno de la verdad
Comparar los resultados obtenidos