Por exemplo, em [1] é apresentado u

Por exemplo, em [1] é apresentado um método
semi-automático para segmentação de imagens radiográficas
onde os autores usam projeções para separar a mandíbula
superior da mandíbula inferior, bem como para isolar cada dente de seus vizinhos. Por outro lado, em [5] é apresentada
uma técnica de segmentação baseada em realce de contraste,
utilizando morfologia matemática. Em geral, estas imagens
possuem componentes de alta frequência devido ao processo
de aquisição sendo necessário um pré-processamento para eliminação de ruído
Uma vez realizada a segmentação são feitas medições do objeto segmentado que são analisadas pelo especialista para diagnóstico. Em particular, medidas relativas à coroa, polpa e raiz dos dentes foram a principal motivação para os trabalhos.
Em [9], os autores desenvolvem uma solução utilizando
máscara de Fourier na eliminação da sobreposição de objetos,
problema comum nas imagens panorâmicas. Utilizam-se
também perfis de projeção para obter a região que separa as
arcadas e posteriormente as linhas separadoras dos dentes.
Nos estudos empíricos, foi observado que a máscara de
Fourier deteriora a imagem em muitos casos, o que motivou o
desenvolvimento de outras técnicas para resolução do
problema da sobreposição. Neste sentido, em [10], os autores
tratam do problema da sobreposição, usando quadtree para
gerar uma máscara que é aplicada ao resultado da
segmentação de Otsu para eliminar sobreposições [12].
Neste trabalho propomos uma metodologia para
segmentação de imagens panorâmicas que explora os
diferentes padrões de textura destas imagens. A técnica é
baseada em um classificador Bayesiano, treinado para
identificar na imagem os pixels ativos (pertencentes aos
dentes) e inativos a partir de um treinamento prévio. Esta
metodologia de classificação utiliza medidas estatísticas
(entropia, média, desvio padrão, intensidade máxima e
mínima) e momentos de Chebyshev calculados para cada pixel
da imagem utilizando uma janela de tamanho fixo gerando
assim um vetor de primitivas para cada pixel [13]. O conjunto
de treinamento é formado por uma amostra de imagens
segmentadas manualmente. Dada uma imagem de teste, são
computados os vetores de características para cada pixel os
quais são passados para o classificador para efetuar a
segmentação. Nos resultados experimentais mostramos que a
técnica é promissora e discutimos suas limitações.
O trabalho está organizado como segue. Na seção II é
apresentada a metodologia desenvolvida e sua fundamentação
teórica. Em seguida, na seção III, discutimos os resultados
experimentais. O texto é encerrado com as conclusões e
trabalhos futuros.
P. H. M. Lira, G. A. Giraldi, L. A. P. Neves and R. A. Feijóo
Dental R-Ray Image Segmentation Using
Texture Recognition
A

結果 (繁體中文) 1:

例如，在 [1] 是一種方法半自動的射線圖像分割作者在哪裡使用預測分隔的下巴下頜骨以及隔離你的鄰居每個牙齒的頂部。另一方面，[5] 中顯示一種基於對比度增強的分割技術利用數學形態學。一般來說，這些圖像有高頻元件需要購買消噪預處理一旦進行測量的分割分段由專家診斷分析的物件。特別是，措施和有關的冠，根髓的牙齒主要動機的工作。在 [9] 中，作者開發的解決方案使用傅裡葉遮罩中的重疊物件，消除全景圖像的共同問題。使用也篩選分離該區域的設定檔商場和後來的牙齒的行分隔符號。在實證研究中，觀察的面具傅裡葉惡化的形象在很多情況下，動機是什麼要解決其他技術的發展重疊的問題。在這個意義上，在 [10] 中，作者處理的重疊，使用四叉樹的問題生成一個遮罩，它應用於的結果segmentação de Otsu para eliminar sobreposições [12].Neste trabalho propomos uma metodologia parasegmentação de imagens panorâmicas que explora osdiferentes padrões de textura destas imagens. A técnica ébaseada em um classificador Bayesiano, treinado paraidentificar na imagem os pixels ativos (pertencentes aosdentes) e inativos a partir de um treinamento prévio. Estametodologia de classificação utiliza medidas estatísticas(entropia, média, desvio padrão, intensidade máxima emínima) e momentos de Chebyshev calculados para cada pixelda imagem utilizando uma janela de tamanho fixo gerandoassim um vetor de primitivas para cada pixel [13]. O conjuntode treinamento é formado por uma amostra de imagenssegmentadas manualmente. Dada uma imagem de teste, sãocomputados os vetores de características para cada pixel osquais são passados para o classificador para efetuar asegmentação. Nos resultados experimentais mostramos que atécnica é promissora e discutimos suas limitações.O trabalho está organizado como segue. Na seção II éapresentada a metodologia desenvolvida e sua fundamentaçãoteórica. Em seguida, na seção III, discutimos os resultadosexperimentais. O texto é encerrado com as conclusões etrabalhos futuros.P. H. M. Lira, G. A. Giraldi, L. A. P. Neves and R. A. FeijóoDental R-Ray Image Segmentation UsingTexture RecognitionA

結果 (繁體中文) 2:

例如，在[1]提出了一種方法，
用於放射線照相圖像分割半自動
其中作者使用突起分開鉗口
下顎的頂部，以及在每個齒到其相鄰隔離。此外，[5]提出了
基於對比度增強分割技術，
用數學形態學。在一般情況下，這些圖像
有由於過程的高頻分量
獲得迫使前處理為噪聲消除
一旦測量時的分割的對象的分割由技術人員進行診斷分析。特別地，對於冠，紙漿和根牙措施，對工作的主要動機。
在文獻[9]中，作者利用開發解決方案
傅立葉掩蓋重疊的對象，消除
在全景圖像常見的問題。使用
也為分隔的區域突起的
拱門和隨後的牙齒的隔離線。
在實證研究中，觀察到掩模
傅立葉劣化在許多情況下，圖像，這激發了
的其它技術的發展分辨率
的重疊問題。在這個意義上說，在[10]中，作者
處理的重疊問題，用四叉樹，以
產生施加到的結果的掩模
大津分割，以消除重疊[12]。
在本文中，我們提出了一種方法用於
指定目標的全景圖像，探索在
不同的模式，這些圖像的質感。該技術是
基於訓練貝葉斯分類
識別圖像像素資產（屬於
齒）和從先前訓練退役。這種
分類方法使用統計度量
（熵，平均值，標準偏差，最大強度和
對每一個像素計算出的最小）和切比雪夫的時刻
使用固定尺寸的窗口產生圖像的
從而對於每個像素[13]一個基矢量。該組
的培訓內容包括樣本圖像的
手動分割。給定的測試圖像是
每個像素的計算出的特徵向量
被傳遞到分類器來進行
分割。實驗結果表明，該
技術是有前途的，並討論其局限性。
本文結構如下。第二節是
提出制定的方法和它的基礎
理論。然後，在第三節，我們討論的結果
的實驗。文章的結論和結束
未來的工作。
PHM里拉，GA Giraldi，LAP內維斯和RAFeijóo
牙科R-射線圖像分割
紋理識別
的