Grupo 7 Document Ac in 57

CLASIFICACIÓN AUTOMÁTICA DE
MANZANA SEGÚN SU COLOR DE PIEL
GONZALO VÁZQUEZ SUAREZ

LUIS CARLOS PÉREZ PIZARRA
Clasificación automática de manzanas según su color de piel
Grupo 26
Luis Carlos Pérez Pizarra y Gonzalo Vázquez Suárez
INDICE
MOTIVACION DEL PROYECTO
Página 2
DEFINICION DE OBJETIVOS
Página 2
UN POQUITO DE TEORIA
Página 3
ANTES DE EMPEZAR
Página 6
APLICACIÓN APPLEUGIN
Página 8
NO ES MAGIA. DESARROLLO APPLEUGIN

Página 18
EXPERIMENTACION
Página 22
¿QUE SE PUEDE MEJORAR?

Página 28
CONCLUSIONES
Página 29
¿QUIEN NOS LO DIJO?

Página 30
ANEXO: HOJA DE TIEMPOS

Página 31
ANEXO: NUESTROS MODELOS

Página 32
1|P á gin a
Grupo 26
Motivación Del Proyecto
Este documento detalla el desarrollo de APPLEUGIN. Se trata de un plugin

desarrollado para ImageJ que sirve para clasificar manzanas según su color de
piel a través de imágenes digitales.
Como se verá más adelante el desarrollo se puede dividir en dos etapas:
• La etapa de entrenamiento, donde la aplicación recibe información que

posteriormente utilizará en la siguiente etapa.
• La etapa de evaluación, donde la aplicación determinará el color de la

manzana de la imagen digital basándose en la información establecida
previamente en el entrenamiento.
La idea ha surgido de los desarrolladores del proyecto.
Este proyecto se ha realizado en la asignatura Procesamiento de Imágenes

Digitales, del departamento de Matemática aplicada 1. Fue impartida por
María José Jiménez y Belén Medrano, en la Escuela de Ingeniería
Informática de la Universidad de Sevilla.
Definición de Objetivos
• Profundizar en el concepto de clustering, más concretamente en el
algoritmo de k-medias.
• Desarrollar un plugin para la aplicación ImageJ para clasificar manzanas
según su color de piel.
• Se deberá implementar una interfaz simple e intuitiva que permita al
usuario desarrollar las funciones del plugin de manera eficaz.
• El plugin deberá implementar las funciones de entrenamiento y
clasificación.
2|P á gin a
Grupo 26
Un poquito de Teoría
Clustering
Procedimiento de agrupación de una serie de objetos de acuerdo con un

criterio. Para nosotros el criterio será la similitud.
Generalmente, los vectores de un mismo grupo (o clústers) comparten

propiedades comunes. El conocimiento de los grupos puede permitir una
descripción sintética de un conjunto de datos multidimensional complejo. De ahí
su uso en minería de datos. Esta descripción sintética se consigue sustituyendo
la descripción de todos los elementos de un grupo por la de un representante
característico del mismo.
Aplicaciones
Las técnicas de agrupamiento encuentran aplicación en diversos ámbitos.
• En biología para clasificar animales y plantas.
• En medicina para identificar enfermedades.
• En marketing para identificar personas con hábitos de compras similares.
• En teoría de la señal pueden servir para eliminar ruidos.
• En biometría para identificación del locutor o de caras.
Clustering por K-medias
El algoritmo de las K-medias (presentado por MacQueen en 1967) es uno

de los algoritmos de aprendizaje no supervisado más simples para resolver el
problema de la clusterización. El procedimiento aproxima por etapas
sucesivas un cierto número (prefijado, en nuestro caso 3) de clusters haciendo
uso de los centroides de los puntos que deben representar.
El algoritmo se compone de los siguientes pasos:

1. Sitúa K puntos en el espacio en el que "viven" los objetos que se quieren
clasificar. Estos puntos representan los centroides iniciales de los grupos.
2. Asigna cada objeto al grupo que tiene el centroide más cercano.
3. Tras haber asignado todos los objetos, recalcula las posiciones de los K
centroides.
4. Repite los pasos 2 y 3 hasta que los centroides se mantengan estables.
Esto produce una clasificación de los objetos en grupos que permite dar
una métrica entre ellos.
3|P á gin a
Grupo 26
Ejemplo Clustering por K-medias
En el primer paso situamos los centros de manera

aleatoria sobre nuestra nube de puntos. En este caso
se han situado dos centros. Se calculan los clusters,
que son los puntos que están más cercanos a cada
centro.
En el segundo paso, los centros cambian su posición

para pasar a ser el centro de los clusters que
representa.
En el paso 3, como los centros han cambiado de

posición se vuelven a calcular los puntos que están
más cercanos. Hay varios puntos que cambian de
color porque están más cerca del centro del clúster al
que no pertenecían antes.
En el paso 4, los centros vuelven a cambiar de

posición y a situarse en medio del clúster al que
representan.
En los pasos 5 y 6, los

clusters no cambian, por
lo que los centros no se
mueven. El algoritmo
para.
4|P á gin a
Grupo 26
Cielab
El CIE L*a*b* es el modelo cromático usado normalmente para describir

todos los colores que puede percibir el ojo humano. Fue desarrollado
específicamente con este propósito por la Commission Internationale
d'Eclairage (Comisión Internacional de la Iluminación.
Los tres parámetros en el modelo representan la luminosidad de color (L*,

L*=0 rendimientos negro y L*=100 indica blanca), su posición entre rojo y
verde (a*, valores negativos indican verde mientras valores positivos indican
rojo) y su posición entre amarillo y azul (b*, valores negativos indican azul y
valores positivos indican amarillo).
El modelo de color Lab es tridimensional y sólo puede ser representado

adecuadamente en un espacio tridimensional.
5|P á gin a
Grupo 26
Antes de empezar…
Conociendo ImageJ
ImageJ es un programa de procesamiento de imágenes desarrollado por el

National Institutes of Health de Estados Unidos. Fue diseñado con una
arquitectura abierta que provee extensiones a través de plugins y macros
programadas en lenguaje Java.
ImageJ puede mostrar, editar, analizar y procesar imágenes de 8, 16 y 32 bits

de punto flotante. Puede soportar diferentes formatos de imagen, entre ellos:
PNG, GIF, JPG, BMP, TIFF, DICOM, etc. Es un programa multiproceso, por lo
que las operaciones pueden ejecutarse en paralelo en hardware multinucleo.
Una de sus características más importantes es que puede ser ejecutado como
un applet o una aplicación descargable en cualquier ordenador con Java 1.1 o
posterior.
Configurando ImageJ
Para ejecutar ImageJ, primero necesitaremos la clase propia ImageJ y sus

archivos de configuración. Deberá estar instalado Java Runtime
Environment (JRE) y para compilar nuestros propios plugins tendremos que
instalar también un compilador de Java con las librerías necesarias, como Java
2 Standard Edition (J2SE).
Los pasos a seguir para configurar ImageJ son:

- Descargar e instalar ImageJ desde: http://rsb.info.nih.gov/ij/download/
Si en su ordenador no está instalado JRE, puede descargarse la versión
de ImageJ que lo incluye.
- Instalar el compilador de Java, J2SE, solo en el caso de que su

distribución no lo provea.
http://www.oracle.com/technetwork/java/index.html
6|P á gin a
Grupo 26
Carga de imágenes en ImageJ

Para cargar una imagen lo primero que hace es ir al menú File y dentro de este
a Open, una vez esto se busca y selecciona la imagen que quiere cargar.
Una vez cargada nos aparece la imagen en una nueva ventana, lista para que
se le aplique el plugin Appleugin que ve en el siguiente paso.
7|P á gin a
Grupo 26
Aplicación De APPLEUGIN
Básicamente hay dos tipos de plugin de imágenes que se pueden implementar
con ImageJ. Los plugin que no requieren una imagen como entrada, son los
que implementan la interfaz PlugIn; y los plugin que sí la requieren, como el
nuestro, que implementan la interfaz PlugInFilter. Un dato importante, es que
nuestro archivo debe estar dentro de la carpeta plugins del programa ImageJ.
Compilando y Ejecutando a partir de “Appleugin.java”
Lo primero que se hace es seleccionar la imagen con la manzana que se quiere

clasificar. Entrar en menú “Plugins” y seleccionar la opción “Compile and
Run...”.
Una vez hecho esto, se abre una ventana donde hay que seleccionar el fichero
Appleugin.java, el cual se debe copiar previamente a la carpeta “Plugins” que
aparece en el directorio donde está instalado ImageJ.
8|P á gin a
Grupo 26
Pasito a pasito y con buena letra
En la primera implementación (Versión 1.0), la aplicación necesitaba

entrenarse manualmente cada vez que se usaba. Con las nuevas mejoras
(Versión 2.0) el programa ofrece la posibilidad de:
1. Cargar un entrenamiento ya realizado.
2. Ampliar un entrenamiento ya realizado.
3. Guardar un entrenamiento.
El fichero tiene que tener extensión “.ent”.
En la imagen anterior se observa en azul el proceso de la Versión 1.0 y en

rojo las mejoras, Versión 2.0.
9|P á gin a
Grupo 26
El primer cuadro de dialogo de la aplicación es:
Si se quiere cargar un entrenamiento realizado previamente hay que

seleccionar ¿Desea cargar un entrenamiento anterior?
Si no es el caso no se selecciona la casilla y comienza el entrenamiento desde

cero.
Comienzo Del Módulo De Entrenamiento Desde Cero

Después de pulsar Entrenar el sistema abrirá una ventana de diálogo para que
el usuario seleccione la manzana del tipo que quiere realizar el entrenamiento.
10 | P á g i n a
Grupo 26
En la Versión 1.0 solo se podía entrenar con una manzana para cada tipo. En
la Versión 2.0 se puede entrenar cuantas manzanas se quieran de cada tipo.
Es importante que el usuario no cometa errores durante el entrenamiento, ya

que este paso es de vital importancia para el proceso de evaluación.
En este caso, se empieza el entrenamiento con las manzanas de color verde.
11 | P á g i n a
Grupo 26
Se repite el proceso para todos los tipos de manzana.
12 | P á g i n a
Grupo 26
Para terminar este proceso, pulsar Terminar entrenamiento.
En la Versión 2.0 el usuario tiene la posibilidad de guardar el entrenamiento

llevado a cabo. Esto permite que no tenga que volver a realizar entrenamientos
cada vez que ejecute el programa, mejorando mucho más la eficiencia.
13 | P á g i n a
Grupo 26
A continuación se abre una ventana de diálogo en la que el usuario seleccionará

el archivo o le pondrá nombre al entrenamiento.
Importante: La extensión del archivo debe ser “.ent”, si no, no será posible
llevar a cabo una futura carga de este entrenamiento.
14 | P á g i n a
Grupo 26
El sistema entra ahora en el paso 2, es decir, la segmentación de la imagen a

evaluar.
Al pulsar el botón de Continuar, se procederá a la segmentación usando

tecnicas de clustering, en la que se obtienen los colores principales de la
imagen a evaluar.
15 | P á g i n a
Grupo 26
Una vez hecha la segmentación de la imagen y pulsando en Continuar, el

sistema pasa al módulo de evaluación, en el que se estudian los colores
principales de la imagen, se comparan estos datos con los de las imágenes
introducidas en el entrenamiento, y se lleva a una conclusión sobre el tipo de
manzana introducida.
Comienzo Cargando Entrenamiento

En este caso, se parte de la base en la que el usuario ya ha entrenado al
sistema previamente y posee el archivo con esa información, en este caso
“Entrenamiento.ent”.
En primer lugar, hay que indicarle al sistema que se quiere cargar un

entrenamiento ya guardado, para ello, se marca la casilla correspondiente en la
ventana inicial de la aplicación.
16 | P á g i n a
Grupo 26
Ahora, se selecciona el archivo en el que se guardó la información

correspondiente al entrenamiento. Se recuerda: extensión “.ent”.
Al abrir el archivo de entrenamiento, el sistema ya tiene la información

necesaria para llevar a cabo una evaluación.
Además, es posible también partir de la información que contiene el

entrenamiento cargado, mejorarlo y guardarlo para poder ampliar la
información del sistema.
17 | P á g i n a
Grupo 26
No Es Magia. Desarrollando APPLEUGIN

A continuación se explica la lógica de la aplicación.
Antes de entrar en profundidad, comentar que se ha hecho uso de dos librerías

de ImageJ, las cuales se han adaptado a Appleugin. Estas librerías son las
siguientes:
• Color Converter: Librería de Java que nos permite cambiar el espacio de
colores de los píxeles de una imagen. Nosotros la hemos utilizado para
convertir a espacio CIELAB.
• KMeans: Algoritmo de clustering usado para segmentar la imagen y
obtener así los colores más relevantes de la imagen.
• Vector Processor: Clase de Java que nos permite operar sobre los píxeles
que componen la imagen.
Procesado a Cielab
Las imágenes las procesamos a Cielab, esto permite obtener su color en base a
los parámetros L*, a* y b*.
Manzana 1 L a B
Color 1 4 8 7
Color 2 -2 15 32
……
Color N 7 0 32
Nota: Los números de los ejemplos no son reales. Simplemente interesa que se
entiendan los procedimientos, por lo que son números sencillos.
Segmentación con Clústering
Con técnicas de clustering (kmedias con K=3) se obtienen 3 colores. Por un

lado el fondo, que se supone como el cluster con mayor número de puntos, y
los dos colores de cada manzana.
Manzana 1 L a B
Color 0 (fondo) 6 15 0
Color 1 -23 -45 73
Color 2 0 12 35
18 | P á g i n a
Grupo 26
Entrenamiento
Obtiene los 2 colores predominantes (rechazando el fondo) de cada manzana y

realiza la media de los parametros cielab.
Manzana 1 L a B
Verde 1 -38 31 27
Verde 2 -17 11 -15
Manzana 2 L a B
Verde 1 -1 -39 -5
Verde 2 -23 -12 28
Manzana N L a B
Verde 1 -18 50 -38
Verde 2 -9 -5 -20
Analogamente se calculan con los diferentes tipos. Y se obtiene la tabla de

Entrenamiento calculando la media de casa parametro.
Entrenamiento L a B
Verde 1 -29 39 -30
Verde 2 -14 -24 -13
Rojo 1 20 -24 -17
Rojo 2 22 26 17
Amarillo 1 -1 26 45
Amarillo 2 -34 24 13
Mixta 1 18 -32 -3
Mixta 2 -10 14 -19
19 | P á g i n a
Grupo 26
Evaluación
Calcula los parámetros cielab de la imagen a clasificar. Compará esos

parámetros con los parámetros de cada tipo del entrenamiento. Y se clasifica
como el tipo con el que su diferencia sea menor.
Manzana Evaluar L a B
Color 1 3 12 -35
Color 2 -35 -4 8
|Verde 1 L – Color 1 L| + |Verde 1 a – Color 1 a| + |Verde 1 b – Color 1 b| = V1

|Verde 2 L – Color 2 L| + |Verde 2 a – Color 2 a| + |Verde 2 b – Color 2 b| = V2
|Rojo 1 L – Color 1 L| + |Rojo 1 a – Color 1 a| + |Rojo 1 b – Color 1 b| = R1
|Rojo 2 L – Color 2 L| + |Rojo 2 a – Color 2 a| + |Rojo 2 b – Color 2 b| = R2
|Amarillo 1 L – Color 1 L| + |Amarillo 1 a – Color 1 a| + |Amarillo 1 b – Color 1 b| = A1
|Amarillo 2 L – Color 2 L| + |Amarillo 2 a – Color 2 a| + |Amarillo 2 b – Color 2 b| = A2
|Mixtas 1 L – Color 1 L| + |Mixtas 1 a – Color 1 a| + |Mixtas 1 b – Color 1 b| = M1
|Mixtas 2 L – Color 2 L| + |Mixtas 2 a – Color 2 a| + |Mixtas 2 b – Color 2b | = M2
La aplicación evalua al color de la mímina suma parcial. Compara V1+V2,

A1+A2, R1+R2, M1+M2 y clásifica como el más pequeño.
En este caso:
V1 64 V1+V2 126
V2 62 R1+R2 167
R1 71 A1+A2 132
R2 96 M1+M2 161
A1 98
A2 34 Seleccionaría Verde
M1 91
M2 70
20 | P á g i n a
Grupo 26
¿Qué contiene el archivo de entrenamiento?
El archivo de entrenamiento contiene toda la información codificada de tal

manera que el sistema pueda interpretarla correctamente. Este archivo puede
verse y editarse directamente con el Bloc de Notas de Windows.
Si abrimos este archivo, se ve qué información contiene:
Para cada tipo de manzana, se tiene las coordenadas CIELAB de los dos colores
dominantes. Por ejemplo:
La línea marcada como verde1 hace referencia a la media de las coordenadas

LAB de los colores más dominantes de las manzanas de tipo verde introducidas
en el proceso de entrenamiento. Mientras que verde2 referencia la media de
todos los colores que dominan en segunda posición.
Es análogo para el resto de tipos de manzanas.
Los tres números que aparecen para cada línea indican las coordenadas L*, A*
y B*, respectivamente.
21 | P á g i n a
Grupo 26
Experimentación
Para llevar a cabo la experimentación, se han seleccionado 8 manzanas, dos de

cada tipo, una que identifique perfectamente el color, y otra que intente
distorsionarlo lo más que se pueda, y además se irán cambiando los
entrenamientos, de manera que se vaya dotando al sistema de más
información sobre las manzanas y sus propiedades.
Es importante decir que las manzanas que se van a evaluar no pueden estar
contenidas en el entrenamiento.
Las manzanas a evaluar de cada tipo son las siguientes:
Manzanas de color verde (Granny Smith)
VA: Poco identificativa (amarillenta) VB: Muy identificativa (fuerte nivel de verde)
Manzanas de color amarillo (Golden delicious)
AA: Poco identificativa (matices verdes) AB: Muy identificativa (fuerte nivel de amarillo)
22 | P á g i n a
Grupo 26
Manzanas de color rojo (Red delicious):
RA: Poco identificativa (casi mixta) RB: Muy identificativa (color rojo marcado)
Manzanas de color mixto (Braeburn):
MA: Poco identificativa (matices rojos) MB: Muy identificativa (fuerte contraste)
23 | P á g i n a
Grupo 26
Entrenamiento 1
Posee una manzana de cada tipo, es decir, una manzana muy verde, una
manzana muy roja, una manzana muy amarilla y una manzana mixta en la que
hay mucho contraste entre los colores marrón y amarillo. Se han obtenido los
siguientes valores de coordenadas L* A* B*.
Manzanas de entrenamiento 1:
verde1 verde2 amarillo1 amarillo2

L* 70.29815572469705 83.83857482349518 74.62162143463107 84.43520432938396
A* -38.626767171786646 -31.799883487627966 -1.1321313696395219 -4.005187717590841
B* 64.0012846383592 58.21156003623935 75.180432264964 59.5609177695955
rojo1 rojo2 mixta1 mixta2

L* 25.309404649442115 47.346031452399764 50.49779140421407 70.41325976625974
A* 41.25711587526562 43.15083914791551 59.070887553953455 29.127109833506303
B* 26.617119720478804 23.03097733388445 40.85318086896791 42.99058954699919
Con este entrenamiento, las manzanas de evaluación mencionadas

anteriormente, los resultados obtenidos fueron los siguientes:
Acierto/Fallo Predicción
VA Acierto
VB Acierto Esto supone que el
AA Acierto porcentaje de acierto del
AB Acierto sistema ha sido de un
RA Acierto 87.5%.
RB Acierto
MA Fallo Roja
MB Acierto
24 | P á g i n a
Grupo 26
Conclusiones 1
Los fallos obtenidos han sido en las manzanas amarillas y mixtas. La

deliberación del sistema tiene sentido, ya que la manzana que se evaluó con
color amarillo tenía muchos matices que podrían ser verde perfectamente,
mientras que la de color mixto podría pasar por roja perfectamente.
Aún así, para el entrenamiento introducido, los resultados han sido bastante
buenos, ya que se ha obtenido una tasa del 75% de acierto.
Entrenamiento 2
Para intentar paliar el problema del entrenamiento uno, se incluyeron manzanas

que pudieran dar lugar a que el sistema cometiera error en las clasificaciones.
Se han añadido, a las manzanas del entrenamiento 1, las que siguen:

L* 70.95794896737931 91.549258264142 66.88193594874451 82.52242686930262
A* -29.58841903922749 -16.068379435637326 -7.383973948747624 -6.350652545885433
B* 55.06828737092632 29.579822542493403 58.59248120229458 64.26752647405536

L* 37.88193837420919 57.603236386027135 41.21444328611912 70.4290755065968
A* 49.87144934015901 38.57524476303654 46.972357592929434 23.229490213079295
B* 25.529610195331877 17.318590343187687 34.060596477686374 41.73459086293195
25 | P á g i n a
Grupo 26

VA Fallo Amarilla
VB Fallo Mixta
AA Acierto Hemos disminuido la tasa
AB Acierto
de aciertos a un 75%
RA Acierto
RB Acierto
MA Fallo Roja
MB Acierto
Conclusiones 2
Esto se debe a que el umbral que toma el programa para decidir si una
manzana es verde o amarilla se ha reducido, por lo que la manzana, que
nosotros hemos supuesto verde, el programa la ha determinado como amarilla.
Además, el equipo no ha sido capaz de identificar el fallo de porqué ha devuelto
como mixta una manzana que es claramente verde.
Entrenamiento 3
Como último entrenamiento, se han añadido al entrenamiento, todas las

manzanas, menos las que se van a evaluar al entrenamiento, para estudiar el
comportamiento del programa.
Esta vez, debido a la cantidad de manzanas que se han añadido, no se

muestran en el documento. Aunque se encuentran en las imágenes
proporcionadas junto con el código fuente.

L* 70.29815572469705 83.83857482349518 74.62162143463107 84.43520432938396
A* -38.626767171786646 -31.799883487627966 -1.1321313696395219 -4.005187717590841
B* 64.0012846383592 58.21156003623935 75.180432264964 59.5609177695955
26 | P á g i n a
Grupo 26

L* 25.309404649442115 47.346031452399764 50.49779140421407 70.41325976625974
A* 41.25711587526562 43.15083914791551 59.070887553953455 29.127109833506303
B* 26.617119720478804 23.03097733388445 40.85318086896791 42.99058954699919

VA Acierto
VB Acierto
AA Acierto
AB Acierto
RA Acierto
RB Acierto
MA Acierto
MB Acierto
Conclusiones 3
Ya se ha obtenido el 100% de aciertos en el entrenamiento. Los problemas

anteriores han podido ser paliados añadiendo distintos tipos de color a las
manzanas verdes, para que el sistema pueda establecer umbrales para la
elección de colores, que le permitan acertar en las conclusiones.
27 | P á g i n a
Grupo 26
¿QUÉ SE PUEDE MEJORAR?
• Nuestras imágenes están sacadas de internet y contienen sombras que

dificultan el proceso.
• Analizar el contorno a través de alguna técnica de reconocimiento de

objetos. En nuestra aplicación si metemos un limón (o cualquier otra
cosa) en vez de una manzana no lo da por malo.
• La aplicación siempre devuelve una predicción del tipo de la manzana. Se

podría haber buscado unos márgenes de resultados, es decir, si la
imagen a evaluar no tiene unas características parecidas a los valores del
conjunto de entrenamiento podría devolver que no encuentra la
categoría la categoría.
• Evaluación de un conjunto de manzanas al mismo tiempo. El plugin solo

clasifica de manzana en manzana.
28 | P á g i n a
Grupo 26
CONCLUSIÓN
Con Appleugin podemos clasificar manzanas según su color. Debido al proceso

de clustering, que es donde nos hemos centrado y puesto mayor interés para la
realización del trabajo. Mediante esta técnica analizamos todos los pixeles de la
imagen, realizamos una segmentación manual del fondo y obtenemos los
colores predominantes.
Hay que ser meticulosos en el entrenamiento porque de esta fase depende que
la clasificación se haga correctamente.
Appleugin tiene buen uso a la hora de identificar o clasificar manzanas y

fácilmente se podría extrapolar a cualquier objeto que presente pocos colores
predominantes.
29 | P á g i n a
Grupo 26
¿QUIEN NOS LO DIJO?

K-Medias
http://www.cs.us.es/~fsancho/?e=43
http://www.java2s.com/Open-Source/Java/Graphic-Library/ImageJ-Plugins-
2.4.2/net/sf/ij_plugins/clustering/KMeans.java.htm
http://rsbweb.nih.gov/ij/developer/api/ij/ImageJ.html
http://rsbweb.nih.gov/ij/docs/pdfs/tutorial20.pdf
http://es.wikipedia.org/wiki/Segmentaci%C3%B3n_%28procesamiento_de_im%
C3%A2genes%29
http://www.java2s.com/Open-Source/Java/Graphic-Library/ImageJ-Plugins-
2.4.2/net/sf/ij_plugins/multiband/VectorProcessor.java.htm
CIElab
http://es.wikipedia.org/wiki/Espacio_de_Verde_Lab
Manzanas
http://en.wikipedia.org/wiki/Braeburn
http://en.wikipedia.org/wiki/Granny_Smith
http://en.wikipedia.org/wiki/Red_delicious
http://en.wikipedia.org/wiki/Golden_Delicious
30 | P á g i n a
Grupo 26
ANEXO: HOJAS DE TIEMPO

Hemos formado un equipo muy compacto. Hemos trabajado siempre en
grupo. Ya sea en persona o a través de Internet mediante las aplicaciones
Skype y TeamViewer.
Primer tramo
Tiempo
Fecha Actividad
empleado
22/22/2023 2 horas Elección del Trabajo
05/22/2023 2 horas Realización del test
27/22/2023 2 horas Análisis
Búsqueda de código y plugin
27/22/2023 2 horas
para adaptar.
Búsqueda de código y plugin
28/22/2023 3 horas
para adaptar.
26/22/2023 2 horas Implementación
Subtotal 24 horas
Versión 1.0
07/02/2024 3 horas Búsqueda Funcionalidad
Implementación y adaptación
07/02/2024 3 horas
de código
Implementación y adaptación
08/02/2024 9 horas
de código
08/02/2024 2 hora Pruebas y revisión
08/02/2024 2 horas Documentación
Subtotal 28 horas
Versión 2.0
27/02/2024 2’5 hora Experimentación
27/02/2024 2’5 horas Documentación
Subtotal 7 horas
Total 59 horas
31 | P á g i n a
Grupo 26
ANEXO: NUESTROS MODELOS

En Appleugin para no marear mucho, hemos clasificado las manzanas en
verdes, amarillas, rojas y mixtas. Son nombres poco glamurosos pero muy
intuitivos.
Nuestras manzanas amarillas son las Golden

Delicius. Su piel es de verde amarillento y muy
dulce al paladar. Es propenso a los moretones y
marchitamiento, por lo que requiere de un manejo
y almacenamiento cuidadoso. Es uno de los
favoritos para ensaladas, salsa de manzana y
mantequilla de manzana.
Nuestras manzanas rojas son las Red Delicius.

Comprende más de 50 variedades, La piel es gruesa y
amarga y tiene hay que masticarla vigorosamente. Es
deliciosa, conserva su alegre buena apariencia mucho
tiempo después de que se le vaya el sabor.
Las manzanas verdes son Granny Smith. El fruto tiene la

piel de verde claro duro y una carne crujiente y jugosa.
Pasó de ser amarilla a completamente verde. La acidez se
suaviza considerablemente, y luego toma un sabor
equilibrado.
Las que denominamos mixtas en realidad son Braeburn.

Es una variedad que es firme al tacto, con un aspecto
veteado vertical roja/naranja sobre un fondo de color
amarillo/verde. Su intensidad del color varía con las
diferentes condiciones de crecimiento. Ellos son
conocidos por tener una explosión de sabor cuando
mordido.
32 | P á g i n a

Grupo 7 Document Ac in 57

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Grupo 7 Document Ac in 57

Cargado por

Copyright:

Formatos disponibles

CLASIFICACIÓN AUTOMÁTICA DE

MANZANA SEGÚN SU COLOR DE PIEL

GONZALO VÁZQUEZ SUAREZ

NO ES MAGIA. DESARROLLO APPLEUGIN

¿QUE SE PUEDE MEJORAR?

¿QUIEN NOS LO DIJO?

ANEXO: HOJA DE TIEMPOS

ANEXO: NUESTROS MODELOS

Motivación Del Proyecto

Este documento detalla el desarrollo de APPLEUGIN. Se trata de un plugin

Como se verá más adelante el desarrollo se puede dividir en dos etapas:

• La etapa de entrenamiento, donde la aplicación recibe información que

• La etapa de evaluación, donde la aplicación determinará el color de la

La idea ha surgido de los desarrolladores del proyecto.

Este proyecto se ha realizado en la asignatura Procesamiento de Imágenes

Procedimiento de agrupación de una serie de objetos de acuerdo con un

Generalmente, los vectores de un mismo grupo (o clústers) comparten

Clustering por K-medias

El algoritmo de las K-medias (presentado por MacQueen en 1967) es uno

El algoritmo se compone de los siguientes pasos:

Ejemplo Clustering por K-medias

En el primer paso situamos los centros de manera

En el segundo paso, los centros cambian su posición

En el paso 3, como los centros han cambiado de

En el paso 4, los centros vuelven a cambiar de

En los pasos 5 y 6, los

El CIE L*a*b* es el modelo cromático usado normalmente para describir

Los tres parámetros en el modelo representan la luminosidad de color (L*,

El modelo de color Lab es tridimensional y sólo puede ser representado

ImageJ es un programa de procesamiento de imágenes desarrollado por el

ImageJ puede mostrar, editar, analizar y procesar imágenes de 8, 16 y 32 bits

Para ejecutar ImageJ, primero necesitaremos la clase propia ImageJ y sus

Los pasos a seguir para configurar ImageJ son:

- Instalar el compilador de Java, J2SE, solo en el caso de que su

Carga de imágenes en ImageJ

Compilando y Ejecutando a partir de “Appleugin.java”

Lo primero que se hace es seleccionar la imagen con la manzana que se quiere

Pasito a pasito y con buena letra

En la primera implementación (Versión 1.0), la aplicación necesitaba

El fichero tiene que tener extensión “.ent”.

En la imagen anterior se observa en azul el proceso de la Versión 1.0 y en

El primer cuadro de dialogo de la aplicación es:

Si se quiere cargar un entrenamiento realizado previamente hay que

Si no es el caso no se selecciona la casilla y comienza el entrenamiento desde

Comienzo Del Módulo De Entrenamiento Desde Cero

Es importante que el usuario no cometa errores durante el entrenamiento, ya

En este caso, se empieza el entrenamiento con las manzanas de color verde.

Se repite el proceso para todos los tipos de manzana.

Para terminar este proceso, pulsar Terminar entrenamiento.

En la Versión 2.0 el usuario tiene la posibilidad de guardar el entrenamiento

A continuación se abre una ventana de diálogo en la que el usuario seleccionará

El sistema entra ahora en el paso 2, es decir, la segmentación de la imagen a

Al pulsar el botón de Continuar, se procederá a la segmentación usando

Una vez hecha la segmentación de la imagen y pulsando en Continuar, el

Comienzo Cargando Entrenamiento

En primer lugar, hay que indicarle al sistema que se quiere cargar un

Ahora, se selecciona el archivo en el que se guardó la información

Al abrir el archivo de entrenamiento, el sistema ya tiene la información

Además, es posible también partir de la información que contiene el

No Es Magia. Desarrollando APPLEUGIN

Antes de entrar en profundidad, comentar que se ha hecho uso de dos librerías

Segmentación con Clústering

Con técnicas de clustering (kmedias con K=3) se obtienen 3 colores. Por un

Obtiene los 2 colores predominantes (rechazando el fondo) de cada manzana y

El CIE Lab* es el modelo cromático usado normalmente para describir