Resumen

La mayoría de los modelos de contorno activo (ACM) tratan el problema de la segmentación de imágenes como un problema de optimización funcional, ya que trabajan en la división de una imagen en varias regiones mediante la optimización de un funcional adecuado. Entre los ACM, se han utilizado métodos de conjuntos de niveles variacionales para construir un contorno activo con el objetivo de modelar formas arbitrariamente complejas. Además, pueden manejar también los cambios topológicos de los contornos. Los mapas autoorganizativos (SOM) han atraído la atención de muchos científicos de la visión por ordenador, en particular para modelar un contorno activo basado en la idea de utilizar los prototipos (pesos) de un SOM para controlar la evolución del contorno. Los modelos basados en SOM se han propuesto en general con el objetivo de explotar la capacidad específica de los SOM para aprender la información del mapa de bordes a través de su propiedad de preservación de la topología y superar algunos inconvenientes de otros ACM, como el atrapamiento en mínimos locales del funcional de energía de la imagen que debe minimizarse en dichos modelos. En este estudio, ilustramos los principales conceptos de los ACM basados en conjuntos de niveles variacionales, los ACM basados en SOM y su relación, y revisamos de forma exhaustiva el desarrollo de sus modelos de última generación desde una perspectiva de aprendizaje automático, centrándonos en sus puntos fuertes y débiles.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:som, contorno activo, acms basado, modelo de contorno activo, acms, problema de optimización funcional, propiedad de preservación de la topología, métodos de conjuntos de niveles, científicos de visión por ordenador, capacidad de som
• Keywords:som, active contour, based acms, active contour model, acms, functional optimization problem, topology preservation property, level set methods, computer vision scientists, ability of som