TRATAMIENTO DE IMÁGENES

CÓDIGO: 208054

Paso 5

Evaluación Final

Presentado a:
PAOLA ANDREA MATEUS
Directora del Curso

Entregado por:
Jose Alexander Vargas Jaramillo
Código: 71054680

Grupo: 208054_4

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA

MAYO 2020

BOGOTA DC.
 INTRODUCCIÓN

El presente trabajo se realizará teniendo en cuenta las temáticas del Paso 5 – Evaluación final. La

cual contiene los temas relacionados con lectura de imágenes, espacios de color niveles de grises,

histograma, binarización, detección de bordes, filtrado, reconstrucción morfológica, identificación

de características, clasificadores supervisados, clasificadores no supervisados, análisis cuantitativo

y cualitativo, falsos positivos, verdaderos positivos, falsos negativos y verdaderos negativos,

sensibilidad, especificidad, curva ROC, donde se consulta y recopila información necesaria para

el desarrollo en totalidad del proyecto propuesto en el curso sobre tratamiento de imágenes.

Cumplir con esta actividad será posible realizando la lectura e investigación encaminada a un

proyecto final, que, en este paso del proyecto, busca realizar una presentación en power point y la

implementación de algunos códigos.

 OBJETIVOS

1. Emplear técnicas de detección de bordes, binarización y filtrado, para la segmentación de

objetos de interés.

2. Analizar las características principales de los objetos de interés en las imágenes, para el

entrenamiento de clasificadores.

3. Evaluar los resultados del procesamiento y clasificación de imágenes en proyectos de

situaciones reales, mediante el uso de herramientas computacionales.

4. Implementar los códigos que se encuentran en el Anexo 2.

 Actividades a desarrollar

Análisis de resultados en la detección de la enfermedad roya en las hojas

Vamos a realizar la curva característica operativa del receptor ROC para la SVM.
Para la evaluación cuantitativa identificaremos los valores del producto final de la base de datos.
Para la evaluación cualitativa donde construiremos y describiremos los resultados o datos y
evidencia extraída de la base de datos para el proyecto, vamos a trabajar sobre la siguiente tabla
para obtener el análisis de nuestros resultados de la base de datos.
Con esta podemos identificar los verdaderos negativos, falsos negativos, falsos positivos y
verdaderos positivos de la base de datos enviada para el estudio.

Ground Truth
Hoja sana Hoja Enferma

VERDADERO NEGATIVO (Diagnostico FALSO NEGATIVO (Diagnostico Negativo y

Hoja sana Enfermedad Presente) VN=0 1
CLASIFICADOR Negativo y Enfermedad Ausente) VN=0 0
FALSO POSITIVO (Diagnostico Positivo y VERDADERO POSITIVO (Diagnostico Positivo
Hoja Enferma y Enfermedad Presente) VN=1 1
Enfermedad Ausente) VN=1 0

Posteriormente vamos a implementar análisis de resultados estadísticos utilizando la sensibilidad,

especificidad, exactitud y precisión de la siguiente manera.

SENSIBILIDAD ESPECIFICIDAD EXACTITUD PRECISION

CLASIFICACION
CLASIFICACION SVM CLASIF. 50%
PERFECTA

X Y X Y X Y
0 0 0 0 0 0
0 1 0 1 0.5 0.5
1 1 1 1 1 1
 Aquí tenemos los resultados en la tabla de datos

Cantidad de
Clasificación Clasificación
objetos en la Área máxima Área mínima
SVM Experto
imagen
Enferma6 9 1624 127 1 1
Enferma7 3 7104 243 1 1
Enferma8 6 3281 119 1 1
Enferma9 4 305564 265 1 1
Enferma10 2 5662 116 1 1
Enferma11 2 5305 108 1 1
Enferma12 1 7693 7693 1 1
Sana4 1 147840 147840 0 0
Sana5 1 58081 58081 0 0
Sana7 1 22005 22005 0 0
Sana8 1 12581 12581 0 0
Sana9 1 22512 22512 0 0
(num) (MaxArea) (MinArea)

Y la evaluación cualitativa de acuerdo con los resultados y podemos validar que es una
clasificación perfecta.

Evaluación Cualitativa
Clasificador Reales VN VP FN FP Precisión Exactitud Especificidad Sensibilidad
Imágenes
7 7
Enfermas
5 7 0 0 100 % 100 % 100 % 100 %
Imágenes
5 5
sanas

 Sensibilidad

𝑅=

 Especificidad

𝑆 𝐶=
Luego de los resultados anteriores, podremos aplicar el código para obtener nuestra curva
característica operativa del receptor, más conocida como ROC el cual nos va a confirmar si el
clasificador que implementamos es correcto o valido para el estudio. Esto quiere decir que
podríamos confiar en nuestro clasificador de acuerdo con estos resultados ROC.
Para el diseño de la curva ROC, nombramos la variable de “Sensibilidadperfecta”, la cual contiene
los valores obtenidos en la clasificación que corresponden a las coordenadas del eje “y”, de igual
forma se nombra la variable “Especificidadperfecta”, la cual contiene los valores obtenidos en la
clasificación que corresponden a las coordenadas del eje “x”, en el eje “y”, tenemos [0,1,1], y en
mi eje “x”, tenemos [0,0,1], luego con la función “plot” se gráfica y traigo en figura a mis vectores
“x” y “y”, graficándose en color “g=verde” la cual no se logra observar porque se encuentra en la
misma dirección de la línea azul.

Para mostrar cómo se vería la línea diagonal del 50% y que se vea en la gráfica la diferencia entre
la curva perfecta “azul” y está de la mitad, línea “roja”, nombro las variables de
“Sensibilidadmitad” y Especificidadmitad”, de igual manera con la declaración de dos vectores y
tres coordenadas.

En clasificación de SVM también tengo dos vectores y 3 coordenadas, Para la curva ROC perfecta,
tenemos tres coordenadas, una que es el inicio, la otra es clasificación perfecta y la otra donde
finaliza. Es decir, nombramos la variable de “SensibilidadSVM”, la cual contiene los valores
obtenidos en la clasificación que corresponden a las coordenadas del eje “y”, de igual forma se
nombra la variable “EspecificidadSVM”, la cual contiene los valores obtenidos en la clasificación
que corresponden a las coordenadas del eje “x”, en el eje “y”, tenemos [0,1,1], y en mi eje “x”,
tenemos [0,0,1], luego con la función “plot” se gráfica y traigo en figura a mis vectores “x” y “y”,
graficándose en color “b=azul” la cual me muestra una clasificación perfecta en la curva ROC.

En conclusión, tengo dos vectores “x” y “y”, tres pares de coordenadas que me indican el inicio,
la unión y el final, este inicio está indicado cuando “x” y “y” son Ceros, dan clasificación perfecta
cuando en el medio “x” está en Cero y “y” está en 1 y finaliza con “x” y “y” ambas en 1.

Al darle correr observamos que la gráfica nos dio un ROC perfecto y también observamos la de la
mitad solo para tenerla como referencia.
Mi curva es la que sale en color azul.
Podemos observar que la gráfica nos muestra resultados perfectos de la sensibilidad sobre
especificidad en la que la curva ROC es la que podemos visualizar y evidencia que es el 100% lo
cual es una clasificación perfecta.

Encontramos entonces que, para nuestra tabla de prueba, los resultados de clasificación arrojados,
dan para un 100% de acierto o efectividad del clasificador.