Actividad Fundamental 1
Gabriel Eduardo Pérez de León , 1817174, 006, N4.
M.I. Carlos Vaquera
Sistemas de Visión, Ingeniería en Mecatrónica
Facultad de Ingeniería Mecánica y Eléctrica, Universidad Autónoma de Nuevo León
02 de 09 de 2021 , Calificación:_____
Resumen- Este documento presenta la
recopilación de 4 documentos científicos del estado
del arte de la clasificación de diferentes imágenes.
I. INTRODUCCIÓN
Este documento es una recopilación de 4
documentos científicos del estado del arte de la
clasificación de diferentes imágenes. Contiene
información relativa a la información vista en clase. El
sintetizara la información de los artículos seleccionados
y los ordenará la información que deberá ser
categorizada por las diferencias vistas en clase,
sintetizada y presentada.
Fig. 1. RGB Pixels .
II. UN ESTUDIO SOBRE VARIAS TÉCNICAS DE
PROCESAMIENTO DE IMÁGENES
Las técnicas de procesamiento de imágenes juegan
un papel vital en la adquisición de imágenes, el
preprocesamiento de imágenes, la agrupación, la
segmentación y las técnicas de clasificación con
diferentes tipos de imágenes, como frutas, médicas, de
vehículos y digitales, etc. En este estudio, las diversas
imágenes para eliminar el ruido no deseado y realiza
técnicas de mejora, como la ecualización del histograma
adaptativo limitado por contraste, el filtrado laplaciano y
Harr, el enmascaramiento de desnítido, la nitidez, el
filtrado de alto impulso y los modelos de color, los
algoritmos de clustering son útiles para el análisis de
datos lógicamente y extraer patrones, agrupación, toma
de decisiones y técnicas de aprendizaje automático y
segmentar las regiones utilizando binario, K-means y
algoritmo de segmentación OTSU. Clasifica las
imágenes con la ayuda de SVM y K-Nearest Neighbor
(KNN) Classifier para producir buenos resultados para
esas imágenes. [1]
III. UN PROCESO ESENCIAL DE AUMENTO DE IMÁGENES
PARA EL SISTEMA DE RECUPERACIÓN DE IMÁGENES BASADO
EN PATRONES
Un sistema de recuperación de imágenes es un motor de
búsqueda de imágenes que es más útil para la vida
cotidiana humana. Pero aún así, los sistemas de
recuperación de imágenes están funcionando de la
manera tradicional. Hoy en día aumentando la base de
datos de imágenes en una gran cantidad de tamaño con
la categoría heterogénea. Al mismo tiempo, aumentando
las demandas de los usuarios de diversas maneras. Los
campos más exigentes de la sociedad son la salud, la
agricultura, las marcas y la delincuencia. En el campo de
la salud diagnosticar la enfermedad, en el campo del
crimen investigar a los delincuentes, en el campo de la
marca para hacer un análisis para reconocer el producto
correcto y en el campo de la agricultura para encontrar
la enfermedad afectada imágenes de frutas. Los
sistemas anteriores de recuperación de imágenes están
trabajando con limitaciones como elegir cualquiera de los
campos, cualquiera de formato de archivo de imagen y
cualquiera de la característica de imagen y también
cualquiera de la modalidad de imagen médica. Para
superar las limitaciones anteriores, se ha propuesto el
sistema de recuperación de imágenes basada en
patrones (PBIR). El sistema PBIR funciona mediante
técnicas de reconocimiento de patrones. Un patrón es
una entidad visible de imagen. El reconocimiento es un
proceso de aprendizaje de etiquetas. Considera
principalmente los patrones de la imagen para encontrar
un grupo similar de imágenes de la base de datos de
imágenes heterogéneas. Y también incluye todas las
direcciones de las funciones de imagen para el
procesamiento de recuperación de imágenes. El sistema
PBIR se utiliza para encontrar partes inciertas de la
imagen durante los pasos de aumento. El trabajo de
aumento es esencial para aumentar la calidad de las
imágenes y hacer más confiable para la extracción de
características. Porque actualmente estamos utilizando
datos de imágenes de streaming. Las imágenes están
teniendo muchas perturbaciones desconocidas durante
la captura de la imagen. En este artículo, nos centramos
principalmente en los procesos de aumento de imágenes
que son un algoritmo de demosaicing, corte gris,
detección de magnitud y patrón de gradiente, algoritmo
de detección de rostros Viola-Jones para mejorar el
rendimiento del sistema PBIR. Y también el sistema
PBIR que funciona con cuatro formatos de archivo de
imagen son. JPG,BMP, GIF, PNG. Las tres modalidades
principales de imágenes médicas son la tomografía
computarizada, la resonancia magnética y las imágenes
de tomografía por tep. La base de datos de imágenes del
sistema PBIR es la imagen 3D DICOM MRI, la imagen
del logotipo de la marca, la imagen de la fruta del mango
y la imagen del crimen atm. Por último, la Evaluación de
la Calidad de imagen (IQA) se ha llevado a cabo
utilizando diversas medidas de evaluación que se
encuentran mejor en la precisión del rendimiento. Y
también incluir los resultados de estos procesos para
futuras direcciones de investigación. [2]
IV. UN ESTUDIO DE CLASIFICACIÓN DE IMÁGENES Y
TÉCNICAS PARA MEJORAR EL RENDIMIENTO DE LA
CLASIFICACIÓN
En el análisis de imágenes, la clasificación de la imagen
utilizada en la tierra es una aplicación importante. Hay
varios algoritmos utilizados para la clasificación de datos,
algunos algoritmos se basan en reglas y algunos
algoritmos se basan en el aprendizaje. Podemos obtener
una buena clasificación, pero algunos píxeles siempre
están mal clasificados o no clasificados. La razón
principal de la clasificación errónea es el píxel mixto. La
composición de los diversos objetos en un solo píxel
hace que la identificación de la clase genuina sea más
difícil. Los algoritmos de subpíxeles dan una mejor idea
sobre la clase respectiva de dichos píxeles. El método
de asignación de subpíxeles varía según el tipo de
imagen. En las imágenes pancromáticas
multiespectrales, el conjunto de datos es muy menor en
comparación con la imagen hiperespectral. Una imagen
hiperespectral contiene bandas contiguas. Cada banda
es muy estrecha con pocos anchos de banda
nanométricos. Más de cien bandas de este tipo están
disponibles en la imagen hiperespectral. Este enorme
conjunto de datos es muy difícil de procesar para la red
neuronal típica. La red neuronal feedforward no es capaz
de alcanzar los mínimos locales, mientras que la red
neuronal de propagación posterior necesita mucho
tiempo para converger a un valor mínimo. La red
neuronal de función de base radial tiene algunas
ventajas sobre otras, pero da un rendimiento deficiente
en imágenes hiperespectrales. La red neuronal
convolucional va a resolver el enorme problema de los
datos. Tiene un vector tridimensional en el que podemos
tomar múltiples núcleos para operar sobre datos
interesados. Este kernel nos da profundidad que no es
más que la más información del mismo píxel. Así que
aquí podemos guardar mucha información en
comparación con otras redes neuronales. Pero en la red
neuronal convolucional después de la capa de
agrupación, nuestros datos están en forma de 3D que
necesitamos convertir nuevamente en 1D mediante
aplanamiento. [3]
V. SEGMENTACIÓN Y CLASIFICACIÓN DE IMÁGENES EN
COLOR. APLICACIÓN AL DIAGNÓSTICO DE QUEMADURAS
En esta tesis se desarrolla un sistema de diagnóstico
automático del grado de una quemadura a través de una
fotografía digital. Para llevarlo a cabo establece, en
primer lugar, los protocolos de adquisición de la imagen,
es decir, las condiciones técnicas y clínicas para obtener
la imagen a partir de la cual diagnosticar. En segundo
lugar, se desarrollan y comparan cinco algoritmos de
segmentación, cuyas misiones consisten en aislar la
quemadura del resto de elementos de la imagen. Para
llevar a cabo la segmentación, la información que se ha
tenido en cuenta es el color. A partir de la zona
segmentada se obtienen una serie de descriptores que
representarán las características de color y textura de la
misma. De entre estos descriptores se seleccionarán
aquéllos con mayor poder discriminatorio. A los píxeles
pertenecientes a la zona segmentada se les calculan los
descriptores anteriores y éstos constituirán las entradas
a un clasificador, que obtendrá como resultado el grado
de la quemadura. El clasificador empleado es una red
neuronal artificial.[4]
VI. CONCLUSIONES
La clasificacion de las imagenes y su forma de ser
analizada es muy es complaja dependiendop de en
donde se vaya a utilizer de los articulos mensionados el
que mas destaca sobre esto es el primero y su forma de
clasificar las imagenes debido a su procesamiento u
formato, Tambien hace mencion sobre tecnicas como
ejemplo el de eliminar el ruido para mejorar la imagen,
respect a el Segundo articulonos da mas tecnicas para
o el procesamiento de imagenes esta vez nos menciona
sobre un algoritmo que las clasificara por lo que
menciona en el articulo se busca evitar errores y mejorar
la calidad y analisis de las imagenes, ya en el tercer
articulo nos da un analisis e informacion de como
funciona una busqueda por patrones a travez de bases
de datos y esto nos ayuda a clasificar imagenes por
ultimo en la informacion se agrego una tesis referente al
analisis de imagenes para detector las quemaduras a
travez del color lo cual en lo personal es una buena idea
pero el analisis de la imagen debera ser exelente para
clasificarlo correctamente, para concluir esta actividad
dare mencionare que son los articulas que encontre muy
interesantes y extensos me dejo un nuevo conocimiento
sobre los temas y viendo los procesos que llevaron fue
algo educativo para ver mas sobre este tipo de procesos
que veremos Tambien en el PIA.
VII. REFERENCIAS
[1] P.L, Chithra y P, Bhavani, Un estudio sobre varias
técnicas de procesamiento de imágenes (7 de mayo
de 2019). International Journal of Emerging
Technology and Innovative Engineering Volume 5,
Issue 5, May 2019, Disponible en SSRN:
https://ssrn.com/abstract=3388008
[2] Dharani, T y Laurence Aroquiaraj, I, An Essential
Image Augmentation Processes for Pattern Based
Image Retrieval System (15 de noviembre de 2017).
Actas de la Conferencia Internacional sobre
Sistemas informáticos inteligentes (ICICS 2017 – 15
al 16 de diciembre de 2017) organizada por Sona
College of Technology, Salem, Tamilnadu, India,
 Disponible en SSRN:
https://ssrn.com/abstract=3120213 o
http://dx.doi.org/10.2139/ssrn.3120213
[3] Dharani, T y Laurence Aroquiaraj, I, An Essential
Image Augmentation Processes for Pattern Based
Image Retrieval System (15 de noviembre de 2017).
Actas de la Conferencia Internacional sobre
Sistemas informáticos inteligentes (ICICS 2017 – 15
al 16 de diciembre de 2017) organizada por Sona
College of Technology, Salem, Tamilnadu, India,
Disponible en SSRN:
https://ssrn.com/abstract=3120213 o
http://dx.doi.org/10.2139/ssrn.3120213
[4] Acha Piñero, B. (2002). Segmentación y clasificación
de imágenes en color. Aplicación al diagnóstico de
quemaduras.. (Tesis doctoral inédita). Universidad
de Sevilla, Sevilla.