Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.1. Descriptor: Proceso que nombra y analiza una pequeña área alrededor de un punto de interés
con el afán de obtener correspondencias entre pequeños sectores.
– Área
– Perímetro
– Diámetro
● Perímetro:
● Área:
1.2.3.Descriptores Topológicos
Son ampliamente usados para caracterizar circuitos o redes tubulares en el desarrollo de diversos
tejidos durante la migración celular
● La conectividad
● Agujeros (2D)
● Esqueleto
- Una imagen segmentada puede estar compuesta por regiones que tienen componentes conexas
que configuran los objetos, es decir, regiones tales que dos puntos cualesquiera de ellas se pueden
- Un agujero es una región de la imagen que está completamente encerrada por una componente
conexa de la imagen.
conocidos.
● Conjunto completo.
● Congruentes.
● Invarianza.
● Conjunto Compacto.
O Numero de keypoints
O Tiempo de ejecución
Bc
Bt =
n
O Pesos de los descriptores
1.2.2.MÉTRICAS DE EFICACIA:
Precisión vs Recall
O Precisión ( P )
¿ correct matches
P=
¿ correct matches+¿ false matches
O Recall( R)
¿ correct matches
R=
¿ correspondences
O Medida-F1 ( F 1)
2 PR
F 1=
P+ R
1.2.3. Métricas de calidad de imagen
Se han hecho esfuerzos para crear medidas objetivas de calidad. Para muchas aplicaciones, una
valiosa métrica de calidad se correlaciona bien con la percepción subjetiva de la calidad por parte
de un observador humano. Las métricas de calidad también pueden realizar un seguimiento de los
errores no percibidos a medida que se propagan a través de una canalización de procesamiento de
imágenes y se pueden usar para comparar algoritmos de procesamiento de imágenes.
Si una imagen sin distorsión está disponible, puede utilizarla como referencia para medir la calidad
de otras imágenes. Por ejemplo, al evaluar la calidad de las imágenes comprimidas, una versión sin
comprimir de la imagen proporciona una referencia útil. En estos casos, puede utilizar métricas de
calidad de referencia completa para comparar directamente la imagen de destino y la imagen de
referencia.
Si una imagen de referencia sin distorsión no está disponible. puede utilizar una métrica de calidad
de imagen sin referencia en su lugar. Estas métricas calculan las puntuaciones de calidad en
función de las estadísticas de imagen esperadas.
1.2.4. Métricas de calidad de referencia completa
Los algoritmos de referencia completa comparan la imagen de entrada con una imagen de
referencia prístina sin distorsión. Estos algoritmos incluyen:
— Error medio cuadrado (MSE).immse MSE mide la diferencia cuadrada promedio entre los
valores de píxel reales e ideales. Esta métrica es fácil de calcular, pero podría no alinearse bien con
la percepción humana de la calidad.
— Relación señal-ruido pico (pSNR). pSNR se deriva del error cuadrado medio, e indica la relación
de la intensidad máxima de píxeles a la potencia de la distorsión.psnr Al igual que el MSE, la
métrica pSNR es fácil de calcular pero no pudo alinearse bien con la calidad percibida.
Los algoritmos sin referencia utilizan características estadísticas de la imagen de entrada para
evaluar la calidad de la imagen. Estos algoritmos sin referencia incluyen:
Un modelo BRISQUE está formado en una base de datos de imágenes con distorsiones conocidas,
y BRISQUE se limita a evaluar la calidad de las imágenes con el mismo tipo de distorsión. BRISQUE
es , lo que significa que las puntuaciones de calidad subjetivas acompañan las imágenes de
entrenamiento.opinion-aware
niqe Aunque un modelo NIQE está entrenado en una base de datos de imágenes prístinas, NIQE
puede medir la calidad de las imágenes con distorsión arbitraria. NIQE es , y no utiliza
puntuaciones de calidad subjetivas.opinion-unaware La contrapartida es que la puntuación NIQE
de una imagen podría no correlacionarse, así como la puntuación BRISQUE con la percepción
humana de la calidad.
piqe El algoritmo PIQE no reconoce la opinión y , lo que significa que no requiere un modelo
entrenado.Unsupervised PIQE puede medir la calidad de las imágenes con distorsión arbitraria y
en la mayoría de los casos realiza un rendimiento similar al NIQE. PIQE estima la distorsión en
bloque y mide la varianza local de bloques distorsionados perceptiblemente para calcular la
puntuación de calidad.
Los algoritmos BRISQUE y NIQE calculan la puntuación de calidad de una imagen con eficiencia
computacional después de entrenar el modelo. PIQE es menos eficiente desde el punto de vista
computacional, pero proporciona medidas locales de calidad además de una puntuación de
calidad global. Todas las métricas de calidad sin referencia suelen superar a las métricas de
referencia completa en términos de acuerdo con una puntuación de calidad humana subjetiva.
NOTA: Para realizar este punto use , los ejemplos de la paguina de Matlab y los códigos de
ejemplo, aplicandolos a las imágenes que se entregan para la tarea. Puesto que no he podido ,
instalar Matlab, para ello use Matlab para cargar el código y use el Matlab drive para cargar la
imagen. Sin embargo no , se si por la limitada capacidad del Matlab web no logro mostrar el
resultado final de las imágenes. Sin embargo pues que lo código de ejemplo con las imágenes de
ejemplo del Matlab si se ejecutad, doy por echo que este código , si realizaría el filtrado y el
resaltaldado de las imágenes solicitadas.
Este tiene también los comentarios del código original tomado de los ejemplos de Matlab web.
clear alll
clc
%reducir el ruido de la Figura 1
I = imread('huellalimpia.png'); imshow(I)
%Aplique los detectores de bordes Sobel y Canny a la imagen y muéstralos para
su comparación.
BW1 = edge(I,'sobel'); BW2 = edge(I,'canny'); figure;
imshowpair(BW1,BW2,'montage') title('Sobel Filter Canny Filter');
NOTA: para el desarrollo del ejemplo solicitado tome como ejemplo el código de
Matlab adjunto. Debido al bajo procesamiento de Matlab web no puedo mostrar las
imágenes adjuntas. El código que se ejecutado, corresponde a la lectura de una
imagen con distintas con formas parcialmente circulares. Realiza disitintos
pasos y procesos, dando como resultado una imagen que señala el nivel de
redondez de las figuras.Este código , se debe implentar 2 veces uno para la
imagen 2 y 3 , sin embargo solo se adjunta el código con los comentarios
orignales para la imagen 2.
bw = bwareaopen(bw,30); imshow(bw)
% Llene un hueco en la tapa de la pluma.
bw = imfill(bw,'holes'); imshow(bw)
[B,L] = bwboundaries(bw,'noholes');
Muestre la matriz de etiquetas y dibuje cada contorno.
<math display="block">
<mrow>
<mi mathvariant="normal">metric</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mn>4</mn>
<mi>π</mi>
<mo>*</mo>
<mi mathvariant="normal">area</mi>
</mrow>
<mrow>
<msup>
<mrow>
<mi mathvariant="normal">perimeter</mi>
</mrow>
<mrow>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
</math>
% Esta métrica es igual a 1 solo para un círculo y es menor que una para
cualquier otra forma. El proceso de discriminación se puede controlar
estableciendo un umbral adecuado. En este ejemplo utilice un umbral de 0.94 para
que sólo las píldoras se clasificarán como redondas.
% Se utiliza para obtener estimaciones del área para todos los
objetos.regionprops Observe que la matriz de etiquetas devuelta por puede ser
reutilizada por .bwboundariesregionprops
WEBGRAFIA(EXTRAIDO DE ):
https://www.monografias.com/trabajos105/procesamiento-imagenes/procesamiento-
imagenes.shtml
https://es.slideshare.net/mmv-lab-univalle/descriptores-de-textura
https://la.mathworks.com/help/images/noise-removal.html
https://la.mathworks.com/help/images/edge-detection.html
https://la.mathworks.com/help/images/identifying-round-objects.html