Instituto de Matemática, Estatística
e Computação Cientíca
Departamento de Matemática Aplicada
Modelos Modicados de Redes Neurais
Morfológicas
Autor: Estevão Esmi Laureano
Orientador: Prof. Dr. Peter Sussner
16de junho de 2010
Modelos Modificados de Redes Neurais Morfológicas
Banca Examinadora:
Este exemplar corresponde
à
reda
ç
ão final
da dissertação de
v
idamente corrigida
e
defendida por Estevão Esmi Laureano
e
aprovada pela comissão julgadora
.
Campinas
,
30 de Abril de 2010
Prof
. '
Dr
:?e
ter Sussner.
Orientador
1. Álvaro Rodolfo De Pierro
,
Dr
...
...
....
.
...
...
..
.
...
.
..
..
DMA
I IM ECC I Unicamp
2
.
Fernando José Von Zuben
,
Dr. ...
.
.
..
.
.
..
...
..
...
..
..
.
..
.
...
.
.
.
DCA I FEEC I Unicamp
3
. Marcos
E
duardo Ribeiro do Valle Mesquita
, Dr
.
..
.
...
.
...
...
.
..
...
.
.
....
DM I CCE I UEL
4.
Pe
t
e
r Sussner
,
Dr ...
.
.
.
..
..
..
..
.
.
.
...
...
...
.
.
..
.
.
...
.
.
....
DMA I IM ECC
I
Uni
c
amp
Dissertaç
ã
o apres
e
ntada ao In
s
titut
o
d
e
Mat
e
mática
,
Estatística
e
Computação
Científica,
UNICAMP,
c
omo requisito parcial
par
a
obtenç
ã
o
d
o Tít
u
lo de Mestr
e e
m
Ma
t
emá
tic
a Apl
i
cada
.
L37Jm
FICHA
C
ATALOGR.ÁFJCA ELABO
R
A
D
A PELA
BIBLIOTECA
DO
I
MECC
D
A
U
NICAMP
Biblio
t
ecitria: Ma
ri
a FaJbilli
J
iUJ.
!H
ezcrra Müll!e
r
CRIBS
/
6
1
62
L.au re
tw).,
E.s:te-
..
~o
E'iffii
Mode
l
os.
rllDd
i fi
cados
de
ll:!'(fus ncura.is
morfo
l
ógictl!
lEsle\'ào
Esn~i
L.:u:
r
~aoo
--
CJimpiii'WS,
l
S.
.
P
.
: s.n.
]
.
201
0
.
O
i
s.
crtaç.W
(mesln!do)
-
Uni\'er
:i
i
dade Esta
d
ua
l
de
Cam
p
ina
.
I
J
J.limto
de
Ma
l
e
r
nã
t
i.oCa.,
Es.tatl!l
l
ica
~ CMl(:ll!lts~
Gc-ntUica
.
LTL>-Oria
do$ reticul!ados. 2.MQrfologia
r
natetnâJi.oCa.
J
.Co
r
~uBlO!!
dirfusru:
.
4.Red.es.
rlCtlrai.s
(Cornpu1a.çto)
.
S
.
Mernór
i
a assoeiali\o'll
.
E
tadual de
Crun
p
ina.
.
lnsü
t
uto
dc
Mst.emãJica,
Estatlstica
e
COJl!puma~o-
C
i
e-n1.iflea. Ul.
"J1tu
l
o.
Pã
l
arw
'
P.!:i<ba.v~
em
tngl~
( Kk:)"A'ards).
l
.
latiice
tlloory
.
2.
M
silicn~:úi.-ca
l
.
n
~
rpl
1alogy.
J.f'LI7_zy
set..
4.NI!'Il:ml
n-zi:l.rork
(Cmn
p
ut€rscienee}.
S.As:ioe
i
Bt
i
'\1-e
memory.
6.Pruttem
reoogn
i
ú
m
~.
Árua
d\1
coucentrn~a
:
Mat.emé
li
ca.
A
p
licad3
T
i
hllaçno. Mcs!N
etlll
Matemática A
p
l
i
cada
Banc.a e>:mnimadora:
Pro f:
Drr.
?e
tc
r
S.'ll:i.!!
r
~err
(Il
M
ECÇ -tn{[CAM
P)
Prof.
Dr
.
ÁI'P
ro
Rodo
l
lf
o
d
e
P
i
ell'O 1Jv
1
ECC-UNICAMP)
Pmf.
D:r. Fem!IJI'bdo José
Vo
1
1
Zu'lx:n (
F
E!EC-lJN[CA
MP
)
Prol:
IIJor
.
Ma~t:tl!l
ISd'u:mlo R
i
beiim
do V;a
l
lie
MMqllitt
(
f'CE
li
EL)
...
Redes neurais morfológicas (MNN) são redes neurais articiais cujos nós
exe-cutam operações elementares da morfologia matemática (MM). Vários modelos
de MNNs e seus respectivos algoritmosde treinamentos têm sido propostos nos
últimos anos, incluindo os perceptrons morfológicos (MPs), o perceptron
mor-fológico com dendritos, as memórias associativas morfológicas (fuzzy), as redes
neurais morfológicasmodulareseasredesneurais depesoscompartilhadose
reg-ularizados. Aplicaçõesde MNNs incluemreconhecimentode padrão,previsão de
séries temporais,detecção de alvos,auto-localizaçãoeprocessamentode imagens
hiperespectrais.
Nesta tese, abordamos dois novos modelos de redes neurais morfológicas. O
primeiro consiste em uma memória associativa fuzzy denominada KS-FAM, e o
segundo representa uma nova versão do perceptron morfológicopara problemas
de classicação de múltiplas classes, denominado perceptron morfológico com
aprendizagem competitiva(MP/CL).
Para ambosmodelos,investigamose demonstramos várias propriedades. Em
particular para a KS-FAM, caracterizamos as condições para que uma memória
seja perfeitamente recordada, assim como a forma da saída produzida ao
ap-resentar um padrão de entrada qualquer. Provamos ainda que o algoritmo de
treinamento do MP/CL converge em um número nito de passos e que a rede
produzida independe daordem com que ospadrões de treinamentosão
apresen-tados. Além disso, é garantido que o MP/CL resultante classicaperfeitamente
todos osdados de treinamento enão produz regiões de indecisões.
Finalmente, comparamos os desempenhos destes modelos com os de outros
modelos similares em uma série de experimentos, que inclui reconhecimento de
imagensem tons de cinza,para aKS-FAM,e classicaçãode vários conjuntos de
dados disponíveis nainternet, para o MP/CL.
Palavras-chave: Reticulado,MorfologiaMatemática,ConjuntosFuzzy,Rede
Morphological neural networks (MNN) are articial neural networks whose
hid-den neurons perform elementary operationsof mathematicalmorphology(MM).
Several particular models of MNNs have been proposed in recent years,
includ-ingmorphologicalperceptrons(MPs), morphologicalperceptronswith dendrites,
(fuzzy) morphological associative memories, modular morphological neural
net-worksaswellasmorphologicalshared-weightandregularizationneuralnetworks.
Applications of MNNs includepattern recognition,time series prediction, target
detection, self-location,and hyper-spectral image processing.
In this thesis, we present two new models of morphological neural networks.
The rst one consistsof afuzzy associativememory calledKS-FAM.The second
one represents a novel version of the morphological perceptron for classication
problems with multipleclassescalled morphologicalperceptronwith competitive
learning (MP/CL).
For both KS-FAM and MP/CL models, we investigated and showed several
properties. In particular, we characterizedthe conditions for perfect recall using
the KS-FAM as well as the outputs produced upon presentation of anarbitrary
input pattern. Inaddition,we proved that the learningalgorithmof the MP/CL
converges in a nite number of steps and that the results produced after the
conclusion ofthetrainingphase donotdependontheorderinwhichthetraining
patterns are presented to the network. Moreover, the MP/CL is guaranteed to
perfectlyclassify alltraining data withoutgenerating any regionsof indecision.
Finally,wecomparedtheperformancesofournewmodelsandarangeof
com-petingmodelsinterms of aseries of experiments ingray-scale imagerecognition
(incaseoftheKS-FAM)andclassicationusingseveralwell-knowndatasets that
are available onthe internet(in case of the MP/CL).
Keywords: LatticeTheory,MathematicalMorphology,Fuzzy Set,
Aos meu pais,
Brasil Alves Laureano e,
À todos que meapoiaramemeajudaramduranteeste projeto de mestrado. Em
especial, parameuspais, BrasilAlvesLaureano eTâniaEsmiLaureano,aminha
irmã RenataEsmiLaureano, eaos demaisentes queridosquetantotorcerampor
mim.
À Damaris, por todos os momentosde compreensão, carinhoe amor.
Também aos meus grandes amigos que tiveram comigo durante este tempo:
Willian Eloi, Gustavo, Marcio, Marcos e Luciana, Willian Oliveira, Nolmar,
Celso, Ney e Flávia,Eduardo Miqueles, José Carlos e vários outros.
Ao meu orientador, Peter Sussner, pela orientação, paciência e,
principal-mente, poracreditar em minhacapacidade para desenvolver este projeto.
Agradeço por m, todos professores tanto da Unicamp quanto da Unip que
contribuiram para minha formação acadêmica nos cursos de pós-graduação e
Sigla Signicado
MNN Redes neuraismorfológicas
MP Perceptron morfológico
MPD Perceptron morfológicocom dendritos
MM Morfologiamatemática
FMNN Redes neuralmorfológicafuzzy
FMAM Memóriaassociativamorfológicafuzzy
MP/CL Perceptron morfológicocom aprendizagem competitiva
MLP Perceptron de múltiplascamadas
k
NNk
vizinhos mais próximos ANNk
Redes neural articialMAM Memóriaassociativamorfológica
SE Elementoestruturante
FMM Morfologiamatemática fuzzy
AM Memóriaassociativa
FAM Memóriaassociativafuzzy
AMM Memóriamorfológicaauto-associativa
HMM Memóriamorfológicaheteroassociativa
IFAM Memóriaassociativafuzzy implicativa
GFAM Memóriaassociativafuzzy generalizada
KS-FAM Memóriaassociativafuzzy baseada namedidade subsethoodde
Kosko
DAM Memória associativa dinâmica
BAM Memória associativa bidirecional
KAM Kernelassociative memory
BSB Brain-state-in-a-box
OLAM Memória associativa linearóptima
FLN Neurocomputaçãoem reticuladosfuzzy
FLNN Fuzzy lattice neural network
FLR Fuzzy lattice reasoning
1 Introdução 1
2 Fundamentos teóricos das redes neurais morfológicas 5
2.1 Estrutura de reticulados completos namorfologiamatemática . . 7
2.2 Motivação e conceitos básicos damorfologiamatemática . . . 18
2.3 Conceitos básicos damorfologia matemáticafuzzy . . . 20
3 Memórias associativas morfológicas 25 3.1 Modelos clássicosde memórias associativasmorfológicas. . . 26
3.2 Memórias associativas morfológicasfuzzy . . . 28
3.3 FAM baseada na medidade subsethood de Kosko (KS-FAM) . . . 31
3.3.1 Medida de subsethood de Kosko . . . 31
3.3.2 FAM baseada na medida de subsethood de Kosko para o caso binário . . . 34
3.3.3 KS-FAM: Denição e propriedades . . . 35
3.4 Experimentoscom KS-FAM . . . 41
3.4.1 Imagens binárias . . . 42
3.4.2 Imagens em tons de cinza . . . 43
3.4.2.1 Experimentosusando padrõesincompletos . . . . 45
3.4.2.2 Variaçõesde claridade eorientação . . . 46
3.4.2.3 Padrões ruidosos . . . 48
4 Redes neurais morfológicas construtivas 53 4.1 Neurocomputação emreticulados fuzzy . . . 53
4.2 Perceptron morfológico . . . 57
4.3 Perceptron morfológicocom aprendizagem competitiva (MP/CL) 60 4.3.1 AlgoritmodoMP/CLparaproblemasdeclassicaçãobinários 63 4.3.2 Propriedades do algoritmo do MP/CL para problemas de classicação binários . . . 67
4.3.3 AlgoritmodoMP/CL para problemas de classicação com
múltiplas classes . . . 81
4.4 Experimentos com redes neuraismorfológicasconstrutivas . . . . 82
4.4.1 Problemasintético de Ripley. . . 85
4.4.2 Problemade segmentação de imagem . . . 87
4.4.3 Problemade classicaçãode ores íris . . . 88
4.4.4 Problemade câncerde mama de Wisconsin . . . 90
Introdução
Redes neurais morfológicas (MNNs) surgiram da fusão de idéias da
mor-fologia matemática e redes neurais articiais. Vários modelos particulares de
MNNs e seus respectivos algoritmos de treinamentos foram propostos nos
últi-mos anos, incluindo os perceptrons morfológicos (MPs) [72, 83], o perceptron
morfológico com dendritos (MPDs) [74], as memórias associativas morfológicas
(fuzzy) [92, 93, 95, 99], as redes neurais morfológicas modulares [1] e as redes
neurais de pesos compartilhados e regularizadas [37, 45]. Os modelos de
neuro-computação fuzzy desenvolvidos por Kaburlasos, Petridis et al.,tambémpodem
ser classicados como redes neurais morfológicas, mesmo tendo sido baseados e
inspirados emoutrasidéias,taiscomoasprovindasdos modelosART[11,12,13].
Redes neurais híbridasmorphological-rank-linear e morfológicastêm sido
apli-cadas comsucessoemuma variedadede problemas,taiscomoreconhecimentode
padrão [40, 42, 43, 46, 63], previsão de séries temporais [2, 44, 95], detecção de
alvos[46],reconhecimentodecaracteres[62],auto-localizaçãoeanálisedeimagem
hiperespectral [30, 66].
O perceptron morfológico está entre os primeiros modelos de redes neurais
morfológicas que apareceram na literatura[69, 72, 83]. Este modelo foi baseado
naálgebraminimax,quecorrespondeaumaálgebradereticulado originadapara
problemas em escalonamento de máquinas e pesquisa operacional[4, 14, 19]. A
álgebra minimax possui algumas semelhanças com a álgebra linear, por
exem-plo, ela dispõe de produtos de matrizes e lida com estruturas matemáticas que
ca-mada de uma rede neural tradicional poderem ser expressos como um produto
matriz-vetor,seguidodaaplicaçãode umafunçãodeativaçãonãolinear,inspirou
pesquisadores a desenvolver MNNs substituindo os produtos matriciais
conven-cionais pelos denidos na álgebra minimax [21, 28, 29]. J.D. Davidson mostrou
que a teoria da morfologia matemática clássica pode ser encaixada na álgebra
minimax, por meio de um isomorsmo que mapeia certos produtos matriciais
em operações elementares da morfologia matemática [20]. Dessa maneira, para
este tipode rede, aálgebraminimaxtem concedido aospesquisadores um acesso
fácilaoproblema dedenirpesos que,geralmente,naterminologiadamorfologia
matemática,correspondema certos elementos estruturantes.
A morfologia matemática (MM),por sua vez, éuma teoria que usa conceitos
das teorias de conjuntos, geometria e topologia para análise de estruturas
ge-ométricas em objetos [36, 58, 76, 77] e tem sido utilizada em várias áreas, tais
como processamento de imagens, reconhecimentos de padrões e visão
computa-cional [9, 32, 33, 47, 64, 78, 79]. Inicialmente, essa teoria surgiu para
processa-mentode imagensbinárias[58,76]e,subsequentemente, váriasabordagensforam
propostasparageneralizá-laparaimagensemtonsde cinza,taiscomoas
aborda-gensaumbra[76,80]emorfologiamatemáticafuzzy[23,60]. Estáúltima,consiste
de uma abordagemà MM apartir dateoria de conjuntosfuzzy [23, 60,96,101].
Em geral, a estrutura de reticulados completo é a estrutura amplamente aceita
para seconduzir àMM [36, 75].
A MM contempla quatro operadores elementares: erosão, dilatação,
anti-erosão eanti-dilatação. Posto isto, uma rede neuralmorfológicaé denida, mais
precisamente, como sendoumarede neuralarticialcujosnós executamumadas
quatro operaçõeselementares daMM, possivelmente seguidosde uma função de
ativação [99].
Uma classe de MNNs de especial importânciapara este trabalho é
constitu-ido pelas redes neurais morfológicas fuzzy (FMNNs), que consistem em MNNs
baseadas namorfologiamatemáticafuzzy. Aprimeiraclassegeralde MNN fuzzy
quesurgiunaliteraturacorrespondeàsmemóriasassociativasmorfológicasfuzzy
(FMAMs) [99]. Em termos gerais, uma memória associativa é um modelo
pro-jetado para armazenar pares de entradas e saídas, que adionalmente exibe uma
certa tolerância a entradas distorcidas ou incompletas [34, 49]. No nosso
Nesta tese, abordamos dois novos modelos de redes neurais morfológicas. O
primeiro consiste em uma memória associativa fuzzy denominada KS-FAM. O
segundo representa uma versão do perceptron morfológico para problemas de
classicaçãodemúltiplasclasses,denominadaperceptronmorfológicocom
apren-dizagem competitiva (MP/CL). O último modelo pertence a uma subclasse das
MNNs denominada redesneurais morfológicasconstrutivas, cujonome vemdo
fatodeque,duranteafasedeaprendizagem,osalgoritmosdetreinamentosdessas
redes constroeme ajustam automaticamentesua arquitetura para lidar com um
determinado problema.
Tanto para KS-FAM quanto para o MP/CL, investigamos e demonstramos
várias propriedades, porexemplo,mostramos que oalgoritmode treinamentodo
MP/CLindependedaordemcomqueospadrõesdetreinamentosãoapresentados
à rede. Adicionalmente, comparamos os desempenhos destes modelos com os de
outros modelossimilaresemumasérie de experimentos. Como frutodapesquisa
desenvolvidas sobreosdois modelos, oautoreseu orientador,emconjunto,
pub-licaram dois artigos em anais de conferência [89, 87] eum capítulode livro [88].
Além disso, eles também tiveram um artigo aceito para publicação em um
re-vista internacional com árbitro [91], e mais dois artigo aceitos para publicação
em proceedings de dois congressos internacionais[25, 90].
Esta tese é organizada emcinco capítulos.
NoCapítulo2, apresentaremos todos osconceitos matemáticos fundamentais
das redes neurais morfológicas que serão abordadas no decorrer deste trabalho.
Nele, distinguiremos entre as abordagens à morfologia matemática no sentido
algébrico (Seção 2.1) e no sentido intuitivo (Seção 2.2). Adicionalmente,
indi-caremos osconceitos básicosda abordagemfuzzy àMM na Seção 2.3.
No Capítulo 3, abordaremos a classe das memórias associativas
morfológi-cas. Inicialmente apresentando os primeiros modelos de MAMs que surgiram
na literatura e, em seguida, abordando a classe das memóriasassociativas
mor-fológicas fuzzy, onde foi revista uma estratégia geral para treinamentode certas
FMAMs, baseadanarelaçãodeadjunçãoentreoperadoresdaMMsobreestrutura
de reticulados completos. Na terceira seção, introduziremos o modelo KS-FAM,
demonstrando algumas das suas propriedades. Por m, encerraremos este
capí-tulo comparando a KS-FAM com outros modelos de memórias associativas em
KS-FAM com respeito à entradas incompletas e presença de ruídos.
NoCapítulo4,trataremosde maneirageraldosmodelosderedesneurais
mor-fológicasconstrutivas,taiscomoosmodelosFLNs deKaburlasos etal. Contudo,
uma atençãoespecial será dada aomodeloMP/CL eseu respectivoalgoritmode
treinamento,pois,boapartedotexto destecapítuloserá dedicadoàinvestigação
edemonstraçãodeváriaspropriedadesexibidaspeloalgoritmodetreinamentodo
MP/CL. Também vamos conduzir testes e comparações quanto ao desempenho
doMP/CL emquatro problemas bem conhecidosde classicação, disponíveisna
internet, com vários classicadores, incluindoo tradicional perceptron de
múlti-plascamadas(MLP),árvorededecisão,
k
vizinhosmaispróximos(k
NN)eoutrosclassicadores morfológicos.
Por último, no Capítulo 5, apresentaremos as conclusões e as considerações
Fundamentos teóricos das redes
neurais morfológicas
Asredesneuraismorfológicas(MNNs)constituemumaclassede redesneurais
articiais (ANNs), cujo elemento de processamento (ou neurônio) executa uma
operaçãoelementar da morfologia matemática (erosão, dilatação,anti-erosãoou
anti-dilatação) seguida, possivelmente, de uma função de ativação[97].
Osfundamentosmatemáticosdasredesneuraismorfológicaspodemser
encon-tradosnateoriadamorfologiamatemática(MM)juntoàestruturadereticulados
completos[70,71]. Asprimeirasredesneuraismorfológicas,comoasmemórias
as-sociativasmorfológicas(MAMs)eoperceptronmorfológico(MP),foramdenidas
poroperadores de uma sub-álgebra daálgebra de imagens, especicamente a
ál-gebra minimax, que consiste em um caso particular da morfologia matemática
[20, 21,73]. Entretanto,a partirdacaracterizaçãoalgébricados operados
funda-mentais da MM, foi vericado que cada unidade de processamento dessas redes
executavam operações daMM.
A morfologia matemática surgiu inicialmente com a morfologia matemática
binária, comouma ferramenta paraa análisede imagensbinárias [56,57, 58,76,
77]. Posteriormente, várias abordagens estenderam ateoria inicial para imagens
em tons de cinza [36, 76, 81, 75].
Ateoriadamorfologiamatemáticaincluidoisoperadoresbásicos: aerosãoea
dilatação. Estesoperadoressãodenidosemtermosdeumelementoestruturante.
numa imagem dada nos pontos do domínio, enquanto, uma dilatação calcula o
graude intersecçãodoelementoestruturantereetidopelaorigemcomaimagem
dada em cada ponto do domínio. Além da erosão e da dilatação, há ainda dois
outros operadores elementares, a anti-dilataçãoe aanti-erosão, quesão
produzi-dos pela combinação de um conceito de negação com a erosão ou dilatação. A
Figura2.1 exibeexemplosde umaerosãoeuma dilataçãode imagembináriapor
um elemento estruturante dado por um disco bináriode raio igual a
5
.Similar-mente,aFigura2.2exibeexemplosdeumaerosãofuzzyeumadilataçãofuzzyde
uma imagem fuzzy, i.e., um conjunto fuzzy que identica uma imagem em tons
de cinza.
a) Imagem original (129x125)
b) Elemento estruturante (21x21)
c) Imagem erodida (129x125)
d) Imagem dilatada (256x256)
Figura2.1:
(
a)
Imagem originalbinária,(
b)
Elementoestruturantedadopor umdisco comraio5
,(
c)
Imagemoriginalerodidapeloelementoestruturante,(
d)
Imagemoriginal dilatadapeloelemento estruturante.a) Imagem original (256x256)
b) Elemento estruturante (21x21)
c) Imagem erodida (256x256)
d) Imagem dilatada (256x256)
Figura 2.2:
(
a)
Imagem original fuzzy,(
b)
Elemento de estruturação dado por uma bola de raio3
,(
c)
Imagem original erodida pelo elemento estruturante,(
d)
Imagem original dilatada peloelemento estruturante.acterizados, equivalentemente, atravésde um sentido algébricobaseado nateoria
de reticulados. Na Seção 2.1 será apresentada a generalização da morfologia
matemática em estrutura de reticulados completos a partir das propriedades
al-gébricas de seus operadores.
2.1 Estrutura de reticulados completos na
mor-fologia matemática
daforma mais geral daMM podemser encontradas nesta teoria [36, 75,77].
Um conjunto parcialmente ordenado
L
(poset) é um conjunto tal que, umarelação binária reexiva, antisimétricae transitiva
≤
é denida. Se para todox, y
∈ L
tem-sex
≤ y
ouy
≤ x
entãoL
é dito uma corrente. Neste trabalho, vamos supor, para simplicar,que um poset não évazio [31].Umconjuntoparcialmenteordenado
L
édenominadoreticulado se, esomentese, todo subconjunto nito e não vazio de
L
possuir ínmo e supremo emL
[7, 55]. O ínmo do subconjunto
Y
⊆ L
é denotado pelo símboloV Y
ou,al-ternativamente, por
V
j∈J
y
j
paraY = {y
j
: j
∈ J}
eJ
um conjunto de índices.Similarmente,osupremo dosubconjunto
Y
⊆ L
édenotado pelosímboloW Y
ou,alternativamente, por
W
j∈J
y
j
paraY = {y
j
: j
∈ J}
eJ
um conjunto de índices.Um reticulado limitado
L
possui um elemento mínimo denotado por0
L
(ou alternativamente por−∞
) e um elemento máximo por1
L
(ou alternativamente por+∞
). Emum reticulado limitadodenimosV ∅ = 1
L
eW ∅ = 0
L
. Note que todo reticuladoL
pode ser convertido em um reticulado limitado¯
L
pela adição de um elementomínimo0
L
e um elemento de máximo1
L
.Oconjunto
L
éditoreticuladocompletosetodosubconjunto(nitoouinnito)de
L
possui umínmoeumsupremo emL
,ointervalo[0, 1]
eoconjuntoR
±∞
=
R
∪ {+∞, −∞}
representam exemplos de reticulado completo [7, 55]. Note quetodoreticulado completo
L
é limitado. Se um reticuladoL
possui a propriedadede que todo subconjunto não vazio e limitado possui um ínmo e um supremo
em
L
, entãoL
é condicionalmente completo. Por exemplo, o conjunto dos reaisR
é condicionalmentecompleto, mas o conjunto dos números racionaisQ
não é condicionalmentecompleto.Lema 1. Seja
L
um reticulado condicionalmente completo, SeL
for limitado,então
L
é um reticulado completo.Demonstração. Seja
Y
⊆ L
talqueY
6= ∅
. TemosqueY
élimitadopois0
L
≤ y ≤
1
L
para todoy
∈ Y
. ComoL
é condicionalmente completo, temos que existemV Y ∈ L
eW Y ∈ L
. Logo,L
éreticulado completoSejam
L
1
, . . . , L
n
reticulados,então,umaordemparcialsobreL
= L
1
×. . .×L
n
pode ser denida de acordo com aEq. 2.1.Oposet
L
resultanteétambémum reticulado eé chamadode um produto dereticulados com constituintes
L
1
, . . . , L
n
. O símboloL
n
éutilizado paradenotar
o produto de
n
cópias deL
. Além disso, seL
i
é reticulado completo parai =
1, . . . , n
, entãoL
herda apropriedade de completudese asseguintes regras paraqualquer conjunto de índice
J
foremconsideradas:^
j∈J
x
j
=
^
j∈J
(x
j
1
, . . . x
j
n
) = (
^
j∈J
x
j
1
, . . . ,
^
j∈J
x
j
n
) ,
(2.2)_
j∈J
x
j
=
_
j∈J
(x
j
1
, . . . x
j
n
) = (
_
j∈J
x
j
1
, . . . ,
_
j∈J
x
j
n
) .
(2.3)Para
a
eb
pertencentesaumreticuladoL
,ointervalo[a, b]
denotaoconjunto{x
∈ L : a ≤ x ≤ b}
correspondente à hipercaixa com vértice inferiora
evérticesuperior
b
. Note que, sea > b
, então o conjunto[a, b] =
∅
. ParaX
⊆ L
,a notação box
(X)
é utilizada para denotar o menor intervalo ou hipercaixa quecontém
X
. SeX =
∅
, então, box(X) =
∅
, caso contrário, box(X)
é dado por[V X, W X]
. SeH(L)
denota o conjunto de todas as hipercaixas no reticuladocompleto
L
, então,H(L)
formaum reticulado completo com arelação de ordemparcialdadapor
⊆
, ondeomaior eomenorelementosão∅
eL
, respectivamente.Oconjunto
τ(L) = {(a, b); a, b
∈ L}
com a ordem parcialdada por(a, b)
≤
(c, d) ⇔ c ≤
L
a
eb
≤
L
d
, onde≤
L
denota a ordem parcial do reticuladoL
, também representa um reticulado. Além disso, seL
é completo, entãoτ(L)
herda apropriedadedecompletudedeL
. Oselementosdeτ(L)
são chamadosdeintervalos generalizados. Aqui, preferimos denotar por
(a, b)
ao invés de[a, b]
para distinguir das hipercaixas, porém, note que se
(a, b)
∈ τ(L)
for tal quea
≤ b
, então, podemos identicar(a, b)
com uma única hipercaixa[a, b]
6= ∅
. Oconjuntodas funçõesde um conjuntoU
em[0, 1]
,denotado por[0, 1]
U
(ou
alternativamente por
F(U)
), herda a estrutura de reticulado completo de[0, 1]
em termos daseguinte ordemparcial: Para todo
a, b
∈ [0, 1]
U
,temos que
a
≤ b ⇔ a(u) ≤ b(u)
,∀u ∈ U.
(2.4)Sejam
L
eM
reticulados, uma funçãoϕ : L → M
, que satisfaz às seguintesϕ(x ∨ y) = ϕ(x) ∨ ϕ(y)
eϕ(x ∧ y) = ϕ(x) ∧ ϕ(y) .
(2.5) Umhomomorsmodereticuladobijetivoéditoumisomorsmodereticulado.Equivalentemente, a função
ϕ : L → M
é um isomorsmo de reticulado seϕ
ébijetiva e isótona, isto é,
ϕ(x)
≤ ϕ(y)
para todox
≤ y
. No caso especial ondeL
= M
, temos um automorsmo de reticulado.A função
ν : L → L
é chamada de um automorsmo dual se ela invertea ordem parcial. Em particular, um automorsmo dual involutivo
ν : L → L
representa uma negação em
L
. Em outras palavras, uma negação emL
é umabijeção involutiva que inverte a ordem parcial de
L
[36]. Por exemplo,N
S
(x) =
1 − x
éuma negação noreticulado completo[0, 1]
.No contexto da MM, uma erosão (algébrica) é um mapeamento
ε
de umreticuladocompleto
L
paraumreticuladocompletoM
quecomutacomooperadorínmo. Em outraspalavras, um operador
ε
representa uma erosão se, e somentese, a seguinte igualdade valer para todo subconjunto
Y
⊆ L
:ε(
^
Y) =
^
y∈Y
ε(y)
(2.6)Similarmente, um operador
δ : L → M
representa uma dilatação (algébrica)se, e somente se, para todosubconjunto
Y
⊆ L
valer a seguinte igualdade:δ(
_
Y) =
_
y∈Y
δ(y)
(2.7)Um operador
¯
ε : L → M
é uma anti-erosão (algébrica) e um operador¯
δ :
L → M
é umaanti-dilatação (algébrica)se, e somentese, paratodosubconjuntoY
⊆ L
valer a Eq. 2.8e Eq. 2.9, respectivamente [99].¯
ε(
^
Y) =
_
y∈Y
¯
ε(y)
(2.8)¯
δ(
_
Y) =
^
y∈Y
¯
δ(y)
(2.9)Algunspesquisadoresadicionamosuxoalgébrico aosnomesdosoperadores
daquelas baseadas em medidas de inclusão e intersecção, como na MM binária
[8].
O próximo lema indica que certas composições de operações elementares da
MM também representam operações morfológicas elementares. A prova deste
lema ébastanteóbviaeseguediretamenteaaplicaçãodas propriedadealgébricas
dos respectivos operadores elementares, talcomo foramdenidas acima.
Lema 2. Sejam
ε, δ, ¯
ε, ¯
δ
respectivamente uma erosão, uma dilatação, umaanti-erosão e uma anti-dilatação de um reticulado completo
L
para um reticuladocompleto
M
. Dado umoperadorf : M → K
ondeK
éum reticulado completo, asseguintes armações são verdadeiras:
1. Se
f
é uma erosão, então,f
◦ ε
é uma erosão ef
◦ ¯δ
é uma anti-dilatação.2. Se
f
éuma dilatação,então,f
◦ δ
é umadilataçãoef
◦ ¯ε
éuma anti-erosão.BanoneBarreramostraramumresultadoimportanteparaaMM,queconsiste
em quetodomapeamento
Ψ
entrereticuladoscompletosL
eM
podeser expressoem termos de supremos e ínmos das quatro operações básicas da morfologia
matemática [5]. Precisamente, todo mapeamento
Ψ : L → M
pode ser expressocomo um supremo de pares de ínmos entre erosões e anti-dilatações, isto é,
existem erosões
ε
i
e anti-dilatações
¯
δ
i
para algum conjunto de índices
I
talqueΨ =
_
i∈I
ε
i
∧ ¯
δ
i
(2.10)
Alternativamente,
Ψ : L → M
pode ser expresso como um ínmo de paresde supremosentre dilataçõeseanti-erosões, econsequentementeumaversãodual
da Eq. 2.10 pode ser obtida. Está decomposição está de acordo com o modelo
de processamento de várias redes neurais morfológicas importantes, tais como
o perceptron morfológico e o MP/CL (que serão abordadas no Capítulo 4) [18,
19, 88]. A prova daEquação 2.10 é construtivae requer somente a estrutura de
reticulado completo de
L
eM
[5].A MM pode agregar duas importantes noções de dualidade: negação e
Teorema 1. Sejam
L
eM
reticulados completos com negaçõesν
L
eν
M
, respec-tivamente. 1. Um operador¯
δ : L → M
é uma anti-dilatação⇔ ¯δ = ε ◦ ν
L
e¯
δ = ν
M
◦ δ
,onde
δ
é uma dilataçãoeε
é uma erosão.2. Um operador
¯
ε : M → L
é umaanti-erosão⇔ ¯ε = δ ◦ ν
M
e¯
ε = ν
L
◦ ε
, ondeε
é uma erosão eδ
é uma dilatação.Sejam o mapeamento
Ψ : L → M
,eν
L
,ν
M
negaçõesnos respectivos reticula-dos completosL
eM
. O operadorΨ
ν
, chamadonegação de
Ψ
,é dado por:Ψ
ν
(x) = ν
M
(Ψ(ν
L
(x)))
∀x ∈ L
(2.11)Os operadores de erosão e dilatação podem ser ligados pelo conceito de
ne-gação, conformea proposição a seguir [36].
Proposição 1. A negação de uma erosão é uma dilatação, e vice-versa.
A seguir, será apresentada a noção de dualidade com respeito a adjunção.
Considere dois operadores arbitrários
δ : L → M
eε : M → L
. Dizemos que opar
(ε, δ)
éuma adjunção se, e somente se, a seguinte expressão valer:δ(x)
≤ y ⇔ x ≤ ε(y) ∀x ∈ L, y ∈ M
(2.12)Note que uma consequência direta da Preposição 1 é que, se o par
(ε, δ)
representauma adjunção, então, o par
(δ
ν
, ε
ν
)
também formauma adjunção.
A próxima proposição garante que existe uma única erosão que pode ser
as-sociada com uma certa dilatação,e vice-versa, emtermos adjunção [77, 36].
Proposição 2. Sejam
L
eM
reticulados completos. Considere os mapeamentosδ : L → M
eε : M → L
.1. Se
(ε, δ)
é uma adjunção, então,δ
é uma dilataçãoeε
é uma erosão.2. Para uma dilatação
δ
existe uma única erosãoε
tal que(ε, δ)
é umaad-junção, e a erosão adjunta é dada por
3. Para uma erosão
ε
existe uma única dilataçãoδ
tal que(ε, δ)
é umaad-junção, e a dilatação adjunta é dada por
δ(x) =
^
{y
∈ M : ε(y) ≥ x}, ∀x ∈ L
(2.14)Asoperaçõeselementaresda morfologiamatemática,de fato,podem ser
pro-duzidas em um reticulado se uma certa operação adicionalestiverdenida além
das operaçõesde ínmoesupremo. Se
L
éum reticuladoarbitrário,dizemosqueL
é um reticulado com ordem de grupo ou uml
-grupo [7] seL
também forma um grupocomuma certaoperação+
(geralmente, anotaçãode adiçãoéusadapara notações de grupo) ese toda translação de grupo é isótona, i.e., a seguinte
condição ésatisfeita para todo
x, y
∈ L
tal quex
≤ y
:a + x + b
≤ a + y + b ∀ a, b ∈ L .
(2.15)Seum
l
-grupoL
tambémforumreticuladocondicionalmentecompleto,entãodizemos que
L
é uml
-grupo condicionalmentecompleto.Demaneiramaisgeral,umgrupo parcialmenteordenadoéumgrupoque
tam-bémconstitui um conjunto parcialmenteordenado e satisfaz a Equação 2.15. O
único grupo parcialmente ordenado limitado, i.e., equipado com fronteiras
uni-versais é o grupo trivial
{0}
, onde0
denota o elementro neutro com respeito aadição. Portanto, o grupo trivial
{0}
é também o único reticulado com ordemde grupo que representa um reticulado limitado [7]. Todavia, R.
Cuninghame-Greenconsidera, nateoriamatemáticadaálgebraminimax,estruturasalgébricas
denominadas bounded lattice ordered groups (ou blogs), que são dadas por um
reticulado limitado
G
cujo conjunto dos elementos nitosF
= G \ {+∞, −∞}
forma um
l
-grupo (lembre que−∞ =
V G
e+∞ =
W G
representam,respec-tivamente, o menor e maior elemento de
G
). Contudo, o nomeblog
sugere aexistência de estruturas de gruposem reticulados limitados diferente de
{0}
, porisso, neste trabalho, preferimos chamar essa estrutura de extensão de reticulado
limitado com ordemde grupo (ouextensão de
l
-grupo)aoinvésde blog. No casoespecial onde aextensão de
l
-grupoG
é um reticulado completo nos referimosaG
como extensão del
-grupo completo.Para que uma extensão de
l
-grupoG
seja consistente, é necessário que oestamos interessados apenas em
G
diferente do grupo trivial{0}
. Como todatranslação de grupo é um automorsmo de reticulado e para todo
x
∈ F
tem-se−∞ ≤ x ≤ +∞
, as seguintes denições são utilizadas para manter a isotonia,i.e., preservação da ordem:
a + (+∞) = +∞ + a = +∞ , ∀a ∈ F ∪ {+∞} ,
(2.16)a + (−∞) = −∞ + a = −∞ , ∀a ∈ F ∪ {−∞} .
(2.17)Ainda falta denir
+
em{
(+∞, −∞), (−∞, +∞)}
. Para isto, existem duasboasopções:
(−∞)+(+∞) = (+∞)+(−∞) = +∞
queécoerentecomaEquação2.16 e
(−∞) + (+∞) = (+∞) + (−∞) = −∞
que é coerente com a Equação2.17. Posto isto, uma nova operação binária
+
0
que coincide com a operação
+
em
G
×G\{(+∞, −∞), (−∞, +∞)}
podeser denidaesuasdiferençassão dadaspelas seguintes regras:
(−∞) + (+∞) = (+∞) + (−∞) = −∞ ,
(2.18)(−∞) +
0
(+∞) = (+∞) +
0
(−∞) = +∞ .
(2.19)Observeque
(G, +)
e(G, +
0
)
não formamgruposjá quenem
−∞
enem+∞
possuem inverso aditivo.
Dessa maneira, uma extensão de
l
-grupo pode ser denotada pelo sistema(G, ∨, ∧, +, +
0
)
(denotaremos por apenas
G
quando não houver ambiguidadesobre osoperadores). Nocaso especial onde
G
é extensão del
-grupo (completo)etambémumacorrente,nosreferiremosà
G
comoextensãodel
-grupo(completo)totalmente ordenado. Exemplos de extensões de
l
-grupos completos totalmenteordenadossão
(R
±∞
, ∨, ∧, +, +
0
)
e(Z
±∞
, ∨, ∧, +, +
0
)
onde+, +
0
coincidemcoma operação usual de adição em
R
, e(R
≥0
+∞
, ∨, ∧,
·, ·
0
)
onde·
e·
0
correspondem a
multiplicação usual nos números reais positivos. Note que
(Q
±∞
, ∨, ∧, +, +
0
)
representauma extensãode
l
-grupo totalmenteordenadomas não uma extensãode
l
-grupocompletototalmenteordenado, poisqueQ
não éreticuladocompleto.Por m, observe que as operações
∨, ∧, +, +
0
denidas em
G
podem seres-tendidas para
G
n
, onde
n > 1
, tomandocoordenada a coordenada.Alémdisso, oLema1porserutilizadoparaproduzirumaextensãode
l
-grupoparticular, seja
¯
R
n
= R
n
∪ {+∞, −∞}
e+, +
0
denidasforadeR
n
× R
n
comonas Equações 2.16,2.17, 2.18 e2.19,o sistema( ¯
R
n
, ∨, ∧, +, +
0
)
formauma extensão
de
l
-grupocompleto quenão é umacorrentequandon > 1
. De maneiraanalogaobtemos a extensãode
l
-grupocompleto(Z
n
∪ {+∞, −∞}, ∨, ∧, +, +
0
)
.
A existênciado inverso aditivoem um estrutura de
l
-grupo permite deniroconceitode elementoconjugadoemumaextensãode
l
-grupo[18,19]. SejaG
umaextensão de
l
-grupo. Na álgebra minimax o conjugadode um elementox
∈ G
édenotado por
x
∗
eé denido por:x
∗
=
−x
sex
∈ G \ {+∞, −∞}
(inverso aditivo)−∞
sex = +∞
+∞
sex = −∞
(2.20)Note que o mapeamento
ν
∗
: G → G
, dado porν
∗
(x) = x
∗
representa uma
negação no reticulado
G
. Uma matrizA
∈ G
m×n
corresponde a uma matriz
cojungada
A
∗
∈ G
n×m
,ondecadacomponente
[a
∗
ij
]
deA
∗
édadapor[a
∗
ij
] = [a
ji
]
∗
.Obviamente, segue que
(A
∗
)
∗
= A
.
Aoperaçãode máximoemínimo,deduasmatrizesde dimensõescompatíveis,
é executada em cada componente, por exemplo,
C = A ∨ B
é dada por[c
ij
] =
[a
ij
∨ b
ij
]
, paraA, B
∈ G
m×n
.
Osmodelosde redes neuraismorfológicas,discutidosneste trabalho, utilizam
dois tiposde produtos de matrizes. Sejam asmatrizes
A
eB
com entradasemG
de dimensões, respectivamente,
m
× p
ep
× n
, a matrizC = A ∨
B
é oprodutomax de
A
eB
e a matrizD = A ∧
B
é o produto min deA
eB
, e são denidaspelas seguintes equações:
c
ij
=
p
_
k=1
(a
ik
+ b
kj
)
(2.21)d
ij
=
p
^
k=1
(a
ik
+
0
b
kj
).
(2.22)A partir das denições anteriores, uma elegante relação de dualidade entre
operações de matrizes[18,19] édada por
(A ∧ B)
∗
= A
∗
∨ B
∗
e(A ∧
C)
∗
= C
∗
∨
A
∗
(2.23) paraA, B
∈ G
m×n
eC
∈ G
n×p
.O lema enunciado a seguir é útil para demonstrar que, de fato, erosões e
di-lataçõespodemserobtidasatravés, respectivamente,de produtosmineprodutos
max. Lembre que, em uma extensão de
l
-grupo, os operadores+
e+
0
possuem
prioridade emrelaçãoasoperaçõesde
∨
e∧
doreticulado. Entretanto, ouso deparênteses pode serutilizadoparaalterarosignicadodaexpressão, porexemplo
(x ∨ y) + z
.Lema 3. [91] Sejam
G
uma extensão del
-grupo completo eJ
um conjuntoarbi-trário de índices. As seguintes igualdades valem para todo
w, x
j
∈ G
ondej
∈ J
:w +
0
(
^
j∈J
x
j
) =
^
j∈J
w +
0
x
j
,
(2.24)w + (
_
j∈J
x
j
) =
_
j∈J
w + x
j
.
(2.25)Teorema2. [91]Seja
G
umaextensãodel
-grupocompleto. Considereosseguintesoperadores
ε
A
, δ
A
: G
n
→ G
m
paraA
∈ G
n×m
:ε
A
(x) = A
t
∧
x ,
(2.26)δ
A
(x) = A
t
∨
x .
(2.27)Temosque
ε
A
representa uma erosão eδ
A
representa uma dilataçãodo retic-ulado completoG
n
para o reticulado completo
G
m
.
Os operadores
ε
A
eδ
A
são utilizados por vários modelos de redes neurais morfológicas, tais como o perceptron morfológico [72] e as memóriasassociati-vas morfológicas [73]. O próximo teorema mostra como vericar a relação de
ordem entre dois elementos de uma extensão de
l
-grupo, através de operaçõesmorfológicoselementares baseadas emproduto minouproduto max.
Teorema 3. Sejam
G
uma extensão del
-grupo ex, a, b
∈ G
n
. As seguintes
armações são válidas:
1. A desigualdade
a
≤ x
valese, e somente se,ε
v
(x)
≥ 0
,ondev = a
∗
, ou se
¯
ε
w
(x)
≤ 0
, ondew = a
.2. A desigualdade
x
≤ b
valese, e somente se,δ
v
(x)
≤ 0
, ondev = b
∗
, ou se
¯
O Teorema3 implica que oselementosde uma hipercaixa
[a, b] = {x
∈ G
n
:
a
≤ x ≤ b}
podem ser determinadospela vericação daseguinte igualdadeε
a
∗
(x) ∧ ¯
δ
b
(x)
≥ 0.
(2.28)Em especial, esse fato é usado na estratégia de classicação de algumas redes
neurais morfológicas, tal como o perceptron morfológico. A Figura 2.3 provê
uma ilustração desta situação para a hipercaixa
[a = 1, b = 9]
na extensão del
-grupoR
±∞
.0
1
2
3
4
5
6
7
8
9
10
−2
−1
0
1
2
3
4
5
6
a
b
δ
w
(x)
ε
v
(x)
_
Figura 2.3: Exemplo de uma erosão
ε
v
e uma anti-dilatação¯
δ
w
na extensão del
-grupo¯
R
, ondev = −a
ew = b
paraa, b
∈ R
.Nesta seçãoapresentamos acaracterizaçãodaMM sobreaestrutura de
retic-ulados completos numa forma algébrica. Contudo, o desenvolvimento inicial da
MM, especicamente aMM binária,não foimotivada poresse sentido algébrico,
2.2 Motivação e conceitos básicos da morfologia
matemática
A morfologia matemática binária compreende dois operadores fundamentais, a
erosão e a dilatação, que podem ser descritos, respectivamente, em termos de
inclusões eintersecções entre conjuntos[56, 57, 58,76,77]. A seguir, serão
apre-sentadas as denições básicas da MM binária junto a alguns exemplos e a uma
análise intuitivadas operaçõesde erosãoe dilatação.
Seja
X
o símbolo que denota o espaço euclidianoR
d
ou o espaço digital
Z
d
(onde
d
éum inteiropositivo),então umaimagembináriaA
éidenticada comoum subconjunto de
X
, isto é,A
⊆ X
. As operações de erosão bináriaE
B
e a dilatação bináriaD
B
são associadas a um subconjuntoS
deX
chamado de elemento estruturante (SE). Note que o elemento estruturante pode ser vistocomo uma imagemde acordocom a denição anterior.
Sejamatranslaçãodeumaimagem
A
⊆ X
porx
∈ X
denotadaporA
x
edadapor
A
x
= {a + x : a
∈ A}
, e areexão deA
emtorno daorigem é denotada por¯
A
edada por¯
A = {−a
∈ X : a ∈ A}
. A erosãoE
B
(A, S)
e adilataçãoD
B
(A, S)
de uma imagem binária
A
por um elemento estruturanteS
, são denidas pelasEquações2.29 e2.30 quecorrespondem, respectivamente, àsubtração e àadição
de Minkowski [77, 76].
E
B
(A, S) = {x
∈ X : S
x
⊆ A} =
\
s∈¯
S
A
s
(2.29)D
B
(A, S) =
x
∈ X : ¯
S
x
∩ A 6=
=
[
s∈S
A
s
=
[
a∈A
S
a
(2.30)No sentido intuitivo, uma erosão (Eq. 2.29) calcula em quais pontos
x
doespaço
X
um elementoestruturanteS
está incluso emuma imagemA
,enquantouma dilatação(Eq. 2.30) mede quais pontos o elementoestruturantereetido
¯
S
seinterseptacomaimagem
A
. AsFiguras2.4e2.5,ilustramaoperaçãodeerosãoedilataçãode umaimagem
A
porum elementoestruturanteS
,respectivamente.Note que, para um elemento estruturante
S
xo, as Equações 2.4 e 2.5tam-bémsatisfazem,respectivamente, àsdeniçõesde erosãoalgébricae dilatação
al-gébrica,pois,osoperadores
∩
e∪
representam operaçõesdeínmoesupremo noFigura 2.4:
(
a)
Imagem A ,(
b)
Elemento de estruturação S,(
c)
Imagem A erodida por SFigura2.5:
(
a)
ImagemA,(
b)
ImagemAdilatadaporS,(
c)
Elementodeestruturação SE
B
(·, S)
eD
B
(·, S)
representam, respectivamente, uma erosão e uma dilataçãotanto nosentido intuitivo quantono sentido algébrico paratodo
S
.Alémdisso,hátambémoutrosdois operadores fundamentaisnaMMbinária,
que são a anti-dilataçãoe aanti-erosão,e quepodem ser denidos emtermos de
um operador de negação (no caso da MM binária utiliza-se o operador
comple-mento)e pelas operações de erosão e dilatação[76, 77].
Várias abordagens estenderam a MM binária para o caso de tons de cinza
[36,76,81],entreelasdestaca-seaabordagemdeumbra [81]cujadeniçãodos
op-eradores fundamentaisestáde acordocomosprincípiosintuitivosdaMMbinária.
Aidéiabásicadestaabordagemconsisteemmapearumaimagemdetonsdecinza
para umsubconjuntodoespaçoformadopeloprodutododomíniocomespaço de
utilizadaparadenir umamorfologiamatemáticafuzzy cujosoperadores básicos
estejam baseados em medidas de inclusão e conjunção fuzzy [96], conforme será
elucidado na Seção 2.3. Numa forma algébrica, a morfologia matemática pode
ser conduzidasobreaestruturade reticuladoscompletoscomo vistonaSeção2.1
[36, 75,77].
2.3 Conceitos básicos da morfologia matemática
fuzzy
Originalmentea MM foi desenvolvidacomo uma abordagemà teoria de
con-juntos para análise de imagens binárias [58, 76]. Extensões para morfologia
matemáticade tonsdecinzaincluemasabordagensdeumbra ethreshold [76,81],
além de várias abordagens na direção da morfologia matemática fuzzy (FMM)
[60, 96].
Em poucas palavras, a idéia inicial que motivou a extensão da MM binária
a partir da teoria dos conjuntos fuzzy, consiste na substituição dos operadores
de conjuntos (inclusão, intersecção e complemento) nas equações de erosão e
di-latação binárias, pelas respectivas extensões na lógica fuzzy. Especicamente,
uma abordagem à MM fuzzy, em geral, considera certas medidas de inclusão
fuzzyeintersecçãofuzzy,assimcomo,umacertanegação fuzzyparadenir
oper-ações morfológicaselementares: erosão fuzzy, dilataçõesfuzzy, anti-erosão fuzzy
e anti-dilatação fuzzy. Esse tipo de abordagem é consistente com a motivação
intuitiva com a qual surgiu e se desenvolveu a MM, pois, só posteriormente é
que a mesma foi conduzida sobre uma estrutura de reticulados completos e seus
operadores elementares caracterizados através de propriedades algébricas. Uma
outra maneira de se conduzir uma abordagem à morfologia matemática fuzzy é
a partirdas deniçõesalgébricas conforme as Equações 2.6, 2.7, 2.8e 2.9.
Neste trabalho, denotaremos um conjunto fuzzy
A
como sendo uma funçãoa
de um domínioX
em[0, 1]
, onde o valora(x)
é o grau de pertinência dex
emA
. O símboloF(X)
denota a classe de todos os conjuntos fuzzy emX
. Nocaso particular onde
X =
x
1
, . . . , x
k
denotaremos o conjunto fuzzy
a
∈ F(X)
como um vetor coluna
a = [a
1
, . . . , a
k
]
T
∈ [0, 1]
k
ondea
i
= a(x
i
)
para todo
Seja
X
um grupo, tipicamenteol
-grupoR
n
ou
Z
n
. Para
x
∈ X
es
∈ F(X)
denotamos por
s
x
, ¯
s
∈ F(X)
a translação des
porx
dada pela Eq. 2.31 e a reexão des
em torno daorigem dada porEq. 2.32.s
x
(y) = s(y − x)
∀y ∈ X
(2.31)¯
s(y) = s(−y)
∀y ∈ X
(2.32)Seja
Inc
F
: F(X)
× F(X) → [0, 1]
umainclusãofuzzy. A erosãofuzzyε
F
(a, s)
de um conjuntofuzzy
a
por um elemento estruturantes
∈ F(X)
édada porε
F
(a, s)(x) = Inc
F
(s
x
, a)
∀x ∈ X
(2.33)Similarmente, se
Sec
F
: F(X)
× F(X) → [0, 1]
denota uma intersecção fuzzy então a dilataçãofuzzy∆
F
(a, s)
deum conjuntofuzzya
porum elemento estru-turantes
∈ F(X)
édada por∆
F
(a, s)(x) = Sec
F
(¯
s
x
, a)
∀x ∈ X
(2.34)Uma grande variedade de medidas de inclusão fuzzy e intersecção fuzzy
de-nominadas,respectivamente, porInf-IeSup-C(ouporMin-IeMax-Cnocaso de
X
nito),podem ser construídasemtermosde implicaçõesI
F
e conjunçõesfuzzyC
F
[96] como se segue:Inc
F
(a, b) =
^
x∈X
I
F
(a(x), b(x))
(2.35)Sec
F
(a, b) =
_
x∈X
C
F
(a(x), b(x))
(2.36)AlgunspesquisadoresemFMMtem concebidomedidasde inclusãofuzzyque
relaxamanoçãodamedidadeinclusãoeintersecçãocrisp,permitindoadenição
de medidas que não satisfazem a propriedade de herança [16], isto é, que as
re-striçõesde
Inc
F
eSec
F
àP(X)
×P(X)
nãocoincidemcomainclusãoeintersecção de conjuntos crisp, respectivamente. Por exemplo, a medida de subsethood detra-herança [86, 87].
As denições de erosões fuzzy (Eqs 2.33) edilataçõesfuzzy (Eqs 2.34) dadas
acimaobedecemàregraintuitivacomaqualforamdenidosseuscorrespondentes
no caso binário. Apesar disso, muitos autores preferem (ou apenas consideram)
utilizar as denições algébricas desses operadores, propiciada pela estrutura de
reticulado completo formada pela classe dos conjuntos fuzzy, aproveitando-se,
assim,das propriedadeseteoremas estabelecidospara estesoperadores, talcomo
a relaçãode adjunçãoe adecomposição de Banone Barrera.
Formalmente, dizemosque uma função
ε
F
(
·, s) : F(X) → F(X)
é uma erosão fuzzy no sentido algébrico se, e somente se,ε
F
satisfaz a Eq. 2.6 para todos
∈ F(X)
. Similarmente, dizemosque uma funçãoδ
F
(
·, s) : F(X) → F(X)
éumadilatação fuzzy no sentido algébrico se, e somente se,
δ
F
satisfaz a Eq. 2.7paratodo
s
∈ F(X)
[96].Observe na Equação 2.35 que, se a implicação fuzzy
I
F
(b,
·)
comutar com o operador de ínmo para todob
∈ [0, 1]
, então,Inc
F
(s,
·)
também comutará com o ínmo para todos
∈ F(X)
e, portanto, a função resultanteε
F
satisfará a denição de uma erosão fuzzy, tanto no sentido algébrico quanto no sentidointuitivo. Exemplosde implicaçõesfuzzy queproduzem erosões fuzzyem ambos
os sentidos:
I
M
(x, y) =
1, x
≤ y
y, x > y
(Gödel) (2.37)I
P
(x, y) =
1,
x
≤ y
y
x
, x > y
(Goguen) (2.38)I
W
(x, y) = 1 ∧ (y − x + 1)
(Lukasiewicz) (2.39)I
k
(x, y) = (1 − x) ∨ y
(Kleene).
(2.40)Similarmente, se a conjunção fuzzy
C
F
da Equação 2.36 for tal queC
F
(b,
·)
é uma dilataçãoalgébrica[0, 1] → [0, 1]
, istoé, comuta com ooperadorsupremoparatodo
b
∈ [0, 1]
,então,afunçãocorrespondente∆
F
(·, s)
étantoumadilataçãoT
M
(x, y) = x ∧ y
(Mínimo) (2.41)T
P
(x, y) = x
· y
(Produto) (2.42)T
W
(x, y) = 0 ∨ (x + y − 1)
(Lukasiewicz) (2.43)C
K
(x, y) =
0, x + y
≤ 1
x, x + y > 1
(Kleene) (2.44)Note que os operadores
T
M
, T
P
eT
L
correspondem a t-normas [48]. De fato, todat-norma contínua representa uma dilataçãoalgébrica[0, 1] → [0, 1]
emam-bosos argumentos [99].
Além disso, conjunções fuzzy e implicações fuzzy podem estar relacionadas
pelo conceito de adjunção. Especicamente, dizemos que uma conjunção fuzzy
C
e uma implicação fuzzyI
formam uma adjunção se, e somente se,C(·, z)
eI(z,
·)
formaremumaadjunção para todoz
∈ [0, 1]
, istoé,seC
eI
satiszerema seguinteequação para todox, y, z
∈ [0, 1]
[99]:C(x, z)
≤ y ⇔ x ≤ I(z, y)
(2.45)Pela proposição 2,
C(·, z)
eI(z,
·)
representam, respectivamente, umadi-latação algébrica e uma erosão algébrica. Além disso, uma implicação fuzzy
I
e uma conjunção
C
podem ser obtidas de acordo com asseguintes equações:I(y, x) =
_
{z
∈ [0, 1] : C(z, y) ≤ x}
eC(x, y) =
^
{z
∈ [0, 1] : I(y, z) ≥ x}
(2.46)
Ospares
(T
M
, I
M
)
,(T
P
, I
P
)
,(T
W
, I
W
)
e(C
K
, I
K
)
constituem exemplos de oper-adores adjuntos.ApartirdasEquações2.35e2.36podemosdenirdoisprodutosmatriciaisna
lógica fuzzy. Sejam
A
∈ [0, 1]
m×k
e
B
∈ [0, 1]
k×n
, os produtos max-C e min-I de
A
porB
sãodenotados, respectivamente, porD = A
◦ B
eE = A ~ B
edenidos pelas seguintes Equações [61, 99], ondeC
eI
correspondem a uma conjunçãofuzzy e a uma implicaçãofuzzy:
d
ij
=
k
_
ξ=1
e
ij
=
k
^
ξ=1
I(b
ξj
, a
iξ
)
∀i = 1, . . . , m
e∀j = 1, . . . , n
(2.48)Existem ainda outros produtos matriciaisdenidos na teoria de lógica fuzzy,
tal como o produto Inf-D (ou Min-D) derivado de uma certa disjunção fuzzy
D
. Porém estes dois são sucientes para o propósito deste trabalho. Para mais informaçõesindicamos [61].Vários modelos de FMAMs são baseados nos produtos max-C e min-I [99].
Alémdisso,umacertaestratégiadeaprendizagemparaFMAMspodeseradotada
quando esses produtos representam certas operações elementares da MM fuzzy
Memórias associativas morfológicas
Umamemóriaassociativa(AM)éummodeloprojetadoparaarmazenarpares
de entrada e saída. Uma propriedade desejável em uma AM, é que dada uma
versão incompletaoudistorcidade um padrãode entradaelasejacapaz de
recor-dar a saída desejada. Matematicamente falando, dado
k
pares de vetores (oumemórias fundamentais)
x
1
, y
1
, . . . , x
k
, y
k
, o projeto de uma AM consiste
emencontrar ummapeamento
g
talqueg(x
ξ
) = y
ξ
paratodo
ξ = 1, . . . , k
equeseja equipado com uma certa tolerância a ruídos, isto é, para uma versão
cor-rompida
x
˜
ξ
dex
ξ
tenha-seg(˜
x
ξ
) = y
ξ
. Uma memóriaassociativa fuzzy (FAM)é
uma AM quearmazena pares de vetores que representam conjuntosfuzzy.
Umamemóriaassociativamorfológica(MAM)[73]éummodelodeAM
repre-sentadaporumaredeneuralmorfológica. OsmodelosclássicosdeMAMsde tons
de cinza e seus principaisresultados serão discutidos na Seção 3.1. Em seguida
serão abordadasasmemóriasassociativasmorfológicasfuzzy (FMAMs) que
con-sistem em AMs descritas por redes neurais cujos neurônios executam operações
elementaresdamorfologiamatemáticafuzzy,equearmazenamparesde entradas
e saídas dados por conjuntos fuzzy. Note que a determinação de FMAMs
de-pendede como(ouemquesentido)osoperadoresmorfológicosfuzzyelementares
são denidos, isto é, no sentido intuitivo, no sentido algébrico ou por ambos.
Também será discutido um método de aprendizagem não iterativo, baseado na
relação de dualidade com respeito a adjunção dos operadores da MM, que pode
ser empregado nafasede armazenamentoparauma certaclasse de FMAMs[99].
de subsethood de Kosko [50, 51] que pode ser classicado como uma rede neural
morfológica no sentido intuitivo. Este modelo generaliza a memória associativa
binária introduzida em [87]. Por m, encerraremos este capítulo apresentando
algunsresultadosde experimentos envolvendoaAM fuzzybaseadanamedidade
subsethood de Kosko.
3.1 Modelos clássicos de memórias associativas
mor-fológicas
Suponhaquesequeiraarmazenar
k
paresdevetores(oumemóriasfundamentais)x
1
, y
1
, . . .
,x
k
, y
k
usandouma memóriaassociativamorfológica (MAM).
Se-jam
X = [x
1
, . . . , x
k
]
∈ R
n×k
a matriz cujas colunas são os vetores
x
ξ
∈ R
n
e
Y = [y
1
, . . . , y
k
]
∈ R
m×k
a matriz cujas colunas são os vetores
y
ξ
∈ R
m
, para
ξ = 1, . . . , k
. Aqui, foi considerado(x
ξ
, y
ξ
)
∈ R
n
× R
m
ao invés de
(x
ξ
, y
ξ
)
per-tencenteaoreticuladocompleto
¯
R
n
× ¯
R
m
,vistoqueessarestriçãoésucientepara todos ospropósitos práticos. Relembre que¯
R
p
= R
p
∪ {−∞, +∞}
,
p
≥ 1
,repre-senta,peloLema 1,uma extensãode
l
-grupocompleto, pois,R
p
éum reticulado
condicionalmentecompleto.
Considere as operações matriciais denidas na Seção 2.1,
X
∈ R
n×k
e
Y
∈
R
m×k
. Apresentaremos dois modelos básicos de MAM: o primeiro consiste na
construção de uma matriz
W
XY
de dimensãom
× n
dada pela Equação 3.1, e o segundo consiste em um esquema dual de construção de uma matrizM
XY
de dimensãom×n
conformeaEquação3.2. Noteaindaquesepodeobteraseguinteigualdade
W
XY
= (M
YX
)
∗
a partir daEquação 2.23.W
XY
= X ∧
Y
∗
=
k
^
ξ=1
y
ξ
∧
(x
ξ
)
∗
(3.1)M
XY
= X ∨
Y
∗
=
k
_
ξ=1
y
ξ
∨
(x
ξ
)
∗
(3.2)Dado um padrão de entrada
x
∈ R
n
o processo de recordação de um padrão
y
∈ R
m
no modelo