UTN- FRC -Producción Académica de Investigación y Desarrollo

Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/1932

Browse

Filters

2016 - 201912020 - 20251

Settings

Has files: YesSubject: search.filters.subject.wavelets

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Unsupervised fuzzy-wavelet framework for coastal polynya detection in synthetic aperture radar images
    (Cogent Engineering, 2016) Pelliza, Karim Alejandra; Pucheta, Martín alejo; Flesia, Ana Georgina
    The automated detection of coasts, riverbanks, and polynyas from syn thetic aperture radar images is a difficult image processing task due to speckle noise. In this work we present a novel Fuzzy-Wavelet framework for bordeline region detection in SAR images. Our technique is based on a combination of Wavelet de noising and Fuzzy Logic which boost decision-making on noisy and poorly defined environments. Unlike most recent filtering-detection algorithms, we do not apply hypothesis tests (Wilcoxon-Mann Whitney-G0) to label the edge point candidates one by one, instead we construct a fuzzy map from wavelet denoised image and extract their borderline. We compare our algorithm performance with the popu lar Frost–Sobel approach and a version of Canny’s algorithm with data-dependent parameters, over a database of real polynyas and coastline simulated images under the multiplicative model. The experimental results are evaluated by comparing Pratt’s Figure of Merit index of edge map quality.
  • Thumbnail Image
    Item
    Influencia del uso de Wavelets sobre imágenes SAR para la clasificación, usando CNN
    (2025) Nemer Pelliza, Karim Alejandra; Steiner, Guillermo M.; Toledo, Sofía
    Dentro de la clasificación de imágenes satelitales de tipo SAR (Radar de Apertura Sintética) utilizando Inteligencia Artificial (AI), el uso de preprocesamiento influye fuertemente en el resultado final. En este trabajo se muestra el comportamiento de las 10 combinaciones Wavelet CNN (Redes Neuronales Convolucionales) más eficientes, para lo cual se aplicaron 58 Transformadas Wavelets, a modo de preprocesamiento, combinando tipo de función y niveles, a imágenes SAR de una base de datos de 20.000 navíos. Se utilizó cada una de estas configuraciones para el entrenamiento de 50 estructuras diferentes de CNN. Con estos resultados se elaboró el presente informe.