GNGTS 2016 - Atti del 35° Convegno Nazionale

GNGTS 2016 S essione 3.3 609 guidata (Fig. 1d), si riescono molto bene a discriminare i vari domini magnetici. Per contro, il filtro Kuwahara restituisce una mappa con molte più variazioni di intensità del campo magnetico (Fig. 1b). Ciò implica che nell’ultimo caso la mappa finale sarà più simile alla mappa di input. b) gli algoritmi di clustering non consentono variazioni troppo brusche del campo: per esempio, in corrispondenza dei limiti laterali del corpo intrusivo centrale si generano dei forti gradienti del campo, dalla classe di valore massimo a quello minimo, passando per tutti i 3 valori intermedi (Figg. 1c, 1d, 1e, 1f). Per contro, il filtro Kuwahara permette un passaggio netto, evidenziando bene i limiti del corpo intrusivo (Fig. 1f). Conclusioni. In questo lavoro si sono per la prima volta applicate tecniche di clustering al problema del terracing di mappe di campi di potenziale. I risultati ottenuti mostrano che tali tecniche, e specialmente la fuzzy c-means guidata che consente di ottenere un output meno influenzato da aree con valori estremamente alti o bassi della mappa (p.es. , outliers), possono essere usate con un certo successo. Un miglioramento dell’output di questi metodi potrebbe consistere nella possibilità di ottenere passaggi netti tra classi non contigue, mediante una elaborazione successiva. Per sfruttare appieno le qualità di questi metodi e di filtri disegnati per lo stesso scopo (p.es. , Kuwahara), futuri sviluppi potrebbero anche prevedere l’applicazione di questi filtri a un output dei metodi di clustering. Fig. 1 – a) Bishop model: campo totale (inclinazione della magnetizzazione e del campo inducente = 90°); esempi di terracing del campo in a) usando: b) filtro Kuwahara con finestra 5x5 e 20 iterazioni; c) fuzzy c-means con 5 classi; d) fuzzy c-means guidata con 5 classi; e) k-means con 5 classi; f) k-medoids con 5 classi.