Fase 3: Implementar clasificadores y entrenamiento de

máquinas

Presentado por:
Obed Fuertes Garcia

Cód: 1052986280

Tratamiento Imágenes
Grupo: 208054_1

Presentado a:
Paola Andrea Mateus
Tutora

Universidad Nacional Abierta y a Distancia UNAD

Escuela de Ciencias Básicas, Tecnología E Ingeniería
CCAV Corozal
Abril del 2018
1. Investigación de las siguientes preguntas
a. ¿Qué es extracción de características en una imagen?
La extracción de características de una imagen comienza a partir de
un conjunto inicial de datos medidos y genera valores derivados
(características) destinados a ser informativos y no redundantes,
facilitando los pasos posteriores de aprendizaje y generalización y en
algunos casos liderando a mejores interpretaciones humanas. La
extracción de características está relacionada con la reducción de la
dimensionalidad.
Cuando los datos de entrada a un algoritmo son demasiado grandes
para ser procesados y se sospecha que son redundantes (por
ejemplo, la misma medida en pies y metros, o la repetición de
imágenes presentadas como píxeles), entonces se puede transformar
en un conjunto reducido de características (también llamado un
vector de características). La determinación de un subconjunto de las
características iniciales se denomina selección de características.
Se espera que las características seleccionadas contengan la
información relevante de los datos de entrada, de modo que la tarea
deseada pueda ser realizada utilizando esta representación reducida
en lugar de los datos iniciales completos.
La extracción de características implica reducir la cantidad de
recursos necesarios para describir un gran conjunto de datos. Al
realizar el análisis de datos complejos, uno de los problemas
principales se deriva del número de variables involucradas. Análisis
con un gran número de variables por lo general requiere una gran
cantidad de memoria y poder de cálculo, también puede hacer que un
algoritmo de clasificación para overfit a las muestras de formación y
generalizar mal a las nuevas muestras. La extracción de
características es un término general para los métodos de
construcción de combinaciones de las variables para resolver estos
problemas y describir los datos con suficiente precisión.
Para reconocer un objeto de la imagen es necesario extraer
características que permitan representarlo y describirlo
matemáticamente.
Descripción matemática del/os objeto/s:
 Color
 Tamaño
 Posición
 Vector de características

b. ¿Qué es un clasificador de umbral?

Los clasificadores son técnicas de reconocimiento de patrones que
buscan segmentar un espacio característico derivado de la imagen
usando datos con etiquetas conocidas. Un espacio característico es un
rango espacial de cualquier función de la imagen, siendo las
intensidades de la imagen el más común de los espacios
característicos- Un histograma, es un ejemplo de un espacio
característico 1D. Los clasificadores son conocidos como métodos
supervisados debido a que requieren datos de entrenamiento que son
segmentados manualmente, para luego ser utilizados en la
segmentación automática de nuevos datos. Hay una gran cantidad de
maneras en la que los datos de entrenamiento pueden ser aplicados
en los métodos de clasificación. Un clasificador simple es el
clasificador del vecino más cercano, donde cada pixel es clasificado
en la misma clase que el dato de entrenamiento con la intensidad
más cercana. Los k vecinos más cercanos es una generalización de
este método. Otros clasificadores utilizados son la ventana de Parzen
y el clasificador de Bayes.
Los clasificadores estándares requieren que la estructura a ser
segmentada posea características cuantificables distintas. Debido a
que los datos de entrenamiento pueden ser etiquetados, los
clasificadores pueden transferir estas etiquetas a los nuevos datos
siempre que el espacio característico distinga cada etiqueta lo
suficiente. Una desventaja de los clasificadores es que no obedecen a
ningún modelo espacial. Otra desventaja es la necesidad de la
interacción manual para obtener los datos de entrenamiento. Los
conjuntos de entrenamiento pueden ser adquiridos para cada imagen
que requiera segmentación, pero esto puede tomar mucho tiempo y
esfuerzo.
La técnica basada en umbral (thresholding) segmenta imágenes
creando una partición binaria de las intensidades de las imágenes.
Estas técnicas tratan de determinar un valor de intensidad llamado
umbral (threshold), que separa las clases deseadas. La segmentación
se logra agrupando todos los pixeles cuyo valor de intensidad es
menor que el umbral por un lado y los pixeles con valores de
intensidad mayores que el umbral por otro.
c. ¿Qué es un clasificador supervisado y no supervisado en imágenes?
Un clasificador supervisado es cuando por medio de una función
matemática o hipótesis generada por el conjunto de muestras de
entrenamiento, deduce entre un conjunto de datos de entrada a que
clase pertenecen los datos de salida.
Un clasificador no supervisado no dispone de un conjunto de
muestras para entrenamiento, consecuentemente, se requieren
técnicas de agrupamiento que puedan construir las etiquetas.
d. ¿Qué es máquina de soporte vectorial?
Las máquinas de soporte vectorial (Support Vector Machines , SVM)
son un conjunto de algoritmos de aprendizaje supervisado
desarrollados por Vladimir Vapnik.
Dado un conjunto de ejemplos de entrenamiento (de muestras) se
pueden etiquetar las clases y entrenar una SVM para construir un
modelo que prediga la clase de una nueva muestra.
Más Formalmente, una SVM construye un hiperplano o conjunto de
hiperplanos en un espacio de dimensionalidad muy alta (o incluso
infinita) que puede ser utilizado en problemas de clasificación o
regresión. Una buena separación entre las clases permitirá una
clasificación correcta.
e. ¿Qué y cuáles tipos de Kernel tiene una SVM?
Un Kernel es una transformación de dimensiones para realizar y
poder utilizar un hiperplano que utiliza una máquina de soporte
vectorial. Una SVM utiliza varios Kernel como son:
Polinomial (Cuadratico)

k ( x i ∙ x j ) =(x i ∙ x j )2

Polinomial no homogéneo

k ( x i ∙ x j ) =((x i ∙ x j)+C )2

Gaussiano (Radial)
‖ x i− x j ‖2
k ( x i ∙ x j ) =e
( 2σ
2 )
Sigmoidal
k ( x i ∙ x j ) =tanh (a(x i ∙ x j )+b)
 Bibliografía
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.e
du.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.e
du.co:2051/login.aspx?
direct=true&db=nlebk&AN=214674&lang=es&site=ehost-live
Petrou M. and Bosdogiann P. (2010). Image Processing: The
Fundamentals. Baffis Lane, Chichester: John Wiley & Sons Ltd, pp.
155 - 194. Recuperado de: http://pdf.th7.cn/down/files/1312/Image
%20Processing,%202nd%20Edition.pdf
Mateus, P. (2017, junio 26), Transformadas. [OVI]. Recuperado de:
http://hdl.handle.net/10596/12679
Extracción de características. (s.f.). En Wikipedia. Recuperado el 27
de marzo de 2016 de
https://en.wikipedia.org/wiki/Feature_extraction