Documentos de Académico
Documentos de Profesional
Documentos de Cultura
bwlabel se utiliza para contar los objetos que contiene la imagen después de
binarizada
Lo: Es una matriz la cual me permite identificar de acuerdo al filtro de pixeles toda
la imagen para encontrar los objetos y toma el valor correspondiente.
Núm: finamente identifica la cantidad de objetos que hay en la imagen y nos muestra
el resultado.
2.2. Cada estudiante debe obtener las siguientes características de cada una de 3 imágenes
enfermas y de las 3 imágenes sanas. Las características las debe guardar en una matriz de
Excel donde se tenga la siguiente información:
Nota: todas las características deben ser obtenidas del mismo código, es decir el mismo
umbral y el mismo filtro, o crear un código adaptativo por resolución de imagen. Asegúrese
de hacer el mismo cuadro que se encuentra a continuación en Excel.
Cantidad
de objetos Área Área
Clasificación
en la máxima mínima
imagen
Imagen enferma 1 7 13130 312 1
Imagen enferma 2 8 31115 347 1
Imagen enferma 3 3 7766 4755 1
Imagen sana 1 5 29014 417 0
Imagen sana 2 1 14353 14353 0
Imagen sana 3 1 11188 11188 0
El estudiante debe anexar el resultado de cada imagen procesada con un pantallazo de toda
la ventana de Matlab, donde se observe: ComandWindows, Workspace, y Current Folder.
Imagen enferma1:
Imagen enferma2:
Imagen enferma3:
Imagen sana1:
Imagen sana2:
Imagen sana3:
Cantidad
de objetos Área Área
Clasificación
en la máxima mínima
imagen
Imagen enferma 6 2 60314 877 0
Imagen enferma 7 2 17416 849 0
Imagen enferma 8 2 8871 537 0
Imagen sana 5 6 3287 411 0
Imagen sana 6 3 2016 1400 0
Imagen sana 7 1 64626 64626 0
Imagen enferma 6:
Imagen enferma 7:
Imagen enferma 8:
Imagen sana 5:
Imagen sana 6:
Imagen sana 7:
2.4 Clasificador de umbral: con las dos primeras características (cantidad de objetos y área
máxima), el estudiante realizará el clasificador por umbral. El estudiante debe investigar
cómo realizar este clasificador, anexar el código y resultados obtenidos.
Para ello se realiza levantamiento de información con las imágenes obtenidas tanto de las
enfermas como las sanas, se guarda una matriz con estos datos (cantidad de objetos, área
máxima y área mínima), y se realiza una prueba adicional con valores diferentes con el fin
de encontrar diferencias entre las mismas, finalmente se implementa el código así:
datos=xlsread('datos.xlsx');
caracteristicas=datos(1:end,1:3);
entrenamiento=datos(1:end,4);
svmStruct = fitcsvm(caracteristicas,entrenamiento,'KernelFunction','linear');
num=xlsread('prueba.xlsx');
xprueba=num(1:end,1:3);
yprueba=num(1:end,4);thrue=yprueba;
clasificacion=predict(svmStruct,xprueba)
Aguado, A. S. (2012). Feature Extraction and Image Processing for Computer Vision.
Oxford: Academic Press 2012. Available from: eBook Collection (EBSCOhost), pp. 37 -
81. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2048/login?user=proveedor&pass=danue0a0&url=http:/
/bibliotecavirtual.unad.edu.co:2051/login.aspx?direct=true&db=nlebk&AN=477505&lang
=es&site=ehost-live
Bovik, A. C. (2005). Handbook of Image and Video Processing. Amsterdam: Academic
Press, 2005. eBook Collection (EBSCOhost), pp. 57– 73. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2048/login?user=proveedor&pass=danue0a0&url=http:
//bibliotecavirtual.unad.edu.co:2051/login.aspx?direct=true&db=nlebk&AN=214674&lang
=es&site=ehost-live
Mateus, P. (2017, junio 26), Transformadas. [OVI]. Recuperado de:
http://hdl.handle.net/10596/12679
Hemanth, D. J., & Estrela, V. V. (2017). Deep Learning for Image Processing Applications.
Amsterdam, Netherlands. Recuperado de:
http://bibliotecavirtual.unad.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct
=true&db=nlebk&AN=1791226&lang=es&site=eds-live&ebv=EB&ppid=pp_Cover