{"id":100100,"date":"2018-03-11T10:21:28","date_gmt":"2018-03-11T10:21:28","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/procesado-de-imagenes-mediante-esquemas-de-multirresolucion-no-lineales\/"},"modified":"2018-03-11T10:21:28","modified_gmt":"2018-03-11T10:21:28","slug":"procesado-de-imagenes-mediante-esquemas-de-multirresolucion-no-lineales","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/teoria-de-la-informacion\/procesado-de-imagenes-mediante-esquemas-de-multirresolucion-no-lineales\/","title":{"rendered":"Procesado de im\u00e1genes mediante esquemas de multirresoluci\u00f3n no lineales"},"content":{"rendered":"<h2>Tesis doctoral de <strong> Juan Ruiz \u00e1lvarez <\/strong><\/h2>\n<p>Las t\u00e9cnicas multiescala o de multirresolici\u00f3n son t\u00e9cnicas ampliamente utilizadas en la actualidad en campos tales como la matem\u00e1tica aplicada, la industria o el dise\u00f1o industrial. Forman parte de un campo que se encuentra actualmente en expansi\u00f3n en el que gran cantidad de investigadores y grupos de investigaci\u00f3n se encuentran centrando sus esfuerzos. Aplicaciones como la eliminaci\u00f3n de ruido, el dise\u00f1o industrial, la compresi\u00f3n de datos, la interpolaci\u00f3n, la super-resoluci\u00f3n de im\u00e1genes, etc. Pueden ser incluidas dentro del estado del arte de estas t\u00e9cnicas. Los esquemas de subdivisi\u00f3n est\u00e1n basados en un ordenamiento recursivo de las frecuencias espaciales del conjunto de datos de partida. Partiendo de una resoluci\u00f3n inicial, los datos pueden refinarse con el fin de obtener conjuntos de datos m\u00e1s densos o submuestrearse con el fin de obtener una menor densidad de datos.   el refinamiento por subdivisi\u00f3n es un ingrediente esencial de los esquemas de multiresoluci\u00f3n. Las descomposiciones tipo wavelet son ejemplos t\u00edpicos usados ampliamente para el an\u00e1lisis y el tratamiento de datos. Esta t\u00e9sis se centrar\u00e1 en su aplicaci\u00f3n al tratamiento de im\u00e1genes.  el marco creado por harten para la multirresoluci\u00f3n proporciona las herramientas necesarias para el dise\u00f1o de representaciones discretas de multirresoluci\u00f3n. Los niveles discretos de multirresoluci\u00f3n est\u00e1n conectados a trav\u00e9s de los operadores de inter-resoluci\u00f3n. Se pueden considerar diferentes configuraciones dependiendo del operador lineal de discretizaci\u00f3n que predice los datos. Las aproximaciones cl\u00e1sicas est\u00e1n representadas por el operador de muestreo, (configuraci\u00f3n en valores puntuales), y por los operadores de promedio (configuraciones tipo spline). Los pasos iniciales del presente trabajo empezaron con una investigaci\u00f3n sobre la compresi\u00f3n de im\u00e1genes en color haciendo uso de la configuraci\u00f3n en valores puntuales. Investigaciones que hemos realizado acerca de la estabilidad de una familia de operadores en valores puntuales han sido publicadas previmente, pero no se han incluido en la presente t\u00e9sis por no caer dentro del marco general de la misma, ya que nos centraremos en operadores para promedios en celda. Dichos operadores han demostrado ser m\u00e1s adecuados para el procesamiento de im\u00e1genes.  las representaciones lineales de multirresoluci\u00f3n, como las descomposiciones tipo wavelet, est\u00e1n asociadas a operadores de reconstrucci\u00f3n independientes de los datos y, por lo tanto, a operadores de predicci\u00f3n lineales. El hecho de introducir no linealidades en los operadores de predicci\u00f3n da lugar a reconstrucciones adaptativas dependientes de los datos que permiten manejar dichos datos de una manera m\u00e1s adaptada al problema. Es un hecho bien conocido que la eficiencia de las descomposiciones wavelet depende directamente de la presencia de discontinuidades. Los esquemas no lineales est\u00e1n dise\u00f1ados para tener en cuenta dichas discontinuidades en los datos de entrada y adaptarse a ellas. En la actualidad, las descomposiciones no lineales tipo wavelet han ganado un gran protagonismo por su capacidad de superar los problemas introducidos por las aproximaciones lineales cl\u00e1sicas. Ejemplos son el lifting scheme y los wavelets de segunda generaci\u00f3n o la multirresoluci\u00f3n de harten. Ambas aproximaciones incorporan un componente no lineal en su dise\u00f1o que es el origen de sus capacidades de adaptaci\u00f3n a las discontinuidades. A pesar de la simplicidad de su definici\u00f3n, en general el estudio te\u00f3rico de los esquemas resultantes no es una tarea f\u00e1cil. Muchos casos requieren el uso de t\u00e9cnicas esp\u00e9cificas dise\u00f1adas especialmente para el caso particular que se est\u00e1 tratando. La gran ventaja de la multirresoluci\u00f3n de harten reside en su adaptabilidad. El papel fundamental que juega el operador de reconstrucci\u00f3n hace posible un tratamiento espec\u00edfico en las discontinuidades presentadas por los datos. En general este tipo de operadores son dependientes de los datos, lo que conduce a esquemas no lineales de predicci\u00f3n y a descomposiciones no lineales de multirresoluci\u00f3n. Los esquemas de multirresoluci\u00f3n de harten estan relacionados de forma natural con los esquemas de subdivisi\u00f3n a trav\u00e9s de los operadores de predicci\u00f3n. De hecho, la relaci\u00f3n entre los operadores de predicci\u00f3n y reconstrucci\u00f3n hace posible, de una manera relativamente simple, construir esquemas de subdivisi\u00f3n no lineales.  esta tesis se centra en el estudio de esquemas de multirresoluci\u00f3n no lineales para datos de caracter discreto. Los resultados de los algoritmos considerados ser\u00e1n comparados con las aproximaciones lineales cl\u00e1sicas, cuyos resultados presentan efectos num\u00e9ricos indeseados al tratar con datos afectados por discontinuidades. Otras aproximaciones no lineales ser\u00e1n utilizadas con el prop\u00f3sito de comparar la efectividad de los nuevos m\u00e9todos propuestos. El uso de la no linealidad en el dise\u00f1o del operador de reconstrucci\u00f3n as\u00ed como el hecho de conservar ciertas propiedades presentadas por esquemas bien conocidos, permite desarrollar y analizar el nuevo esquema de multirresoluci\u00f3n propuesto. Adem\u00e1s, algunas de las ideas desarrolladas en este an\u00e1lisis pueden ser utilizadas para el estudio de otras propiedades de los algoritmos de multirresolucion o de los esquemas de subdivisi\u00f3n asociados, por ejemplo la estabilidad. Las t\u00e9cnicas desarrolladas se aplican en varios campos, que van desde la compresi\u00f3n hasta la interpolaci\u00f3n o la eliminaci\u00f3n de ruido en im\u00e1genes.  http:\/\/repositorio.Bib.Upct.Es\/dspace\/<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Procesado de im\u00e1genes mediante esquemas de multirresoluci\u00f3n no lineales<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Procesado de im\u00e1genes mediante esquemas de multirresoluci\u00f3n no lineales <\/li>\n<li><strong>Autor:<\/strong>\u00a0 Juan Ruiz \u00e1lvarez <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 Polit\u00e9cnica de cartagena<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 31\/03\/2010<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>Sergio Amat Plata<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: jacques Liandrat <\/li>\n<li>julio Guerrero Garc\u00eda (vocal)<\/li>\n<li>Francisco R\u00f3denas escrib\u00e1 (vocal)<\/li>\n<li>Manuel Calixto molina (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de Juan Ruiz \u00e1lvarez Las t\u00e9cnicas multiescala o de multirresolici\u00f3n son t\u00e9cnicas ampliamente utilizadas en la actualidad en [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[25948,36532,16104,39060,21130],"tags":[204025,43393,204024,35599,204026,43389],"class_list":["post-100100","post","type-post","status-publish","format-standard","hentry","category-interpolacion-aproximacion-y-ajuste-de-curvas","category-politecnica-de-cartagena","category-teoria-de-la-informacion","category-tratamiento-de-senales","category-tratamiento-digital-de-imagenes","tag-francisco-rodenas-escriba","tag-jacques-liandrat","tag-juan-ruiz-alvarez","tag-julio-guerrero-garcia","tag-manuel-calixto-molina","tag-sergio-amat-plata"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/100100","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=100100"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/100100\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=100100"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=100100"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=100100"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}