Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Propuesta Camila Duran
Propuesta Camila Duran
Presentación General
Título de la Estudio de técnicas para la detección de anomalías en imágenes
Propuesta digitales
Componentes de la Propuesta
Resumen
Dentro de las muchas técnicas existentes para aplicar en el procesamiento digital de imágenes se
encuentra la detección de anomalías, encargada de localizar y señalar irregularidades presentes
en una imagen digital. Esta técnica es utilizada para determinar la presencia de objetos anormales
o intrusiones en una imagen, resaltar perturbaciones o irregularidades en texturas, etc. Este
proyecto plantea una revisión del estado del arte para estudiar los diferentes tipos de técnicas que
se han propuesto para la detección de anomalías en imágenes digitales; en particular se propone
profundizar en la técnica sugerida por Ehret et al., basada en análisis multiresolución, la cual
reduce la situación a un problema de detección de anomalías en el ruido de la imagen. Este
método consiste en modelar la autosimilitud de la imagen original, para extraer la información
correspondiente a ruido y anomalías, asumiendo que las características de la imagen tienen una
distribución gaussiana. De esta forma los valores atípicos son estudiados utilizando la
distribución de la imagen para separar el ruido de las anormalidades de manera automática. Con
este fin, en el semillero Lún se ha propuesto trabajar en el estudio de este tipo de técnicas que
pueden ser útiles en el análisis de imágenes biológicas o de cultivos.
Objetivos
General
Específicos
1. Recopilar el estado del arte sobre el desarrollo de métodos de detección de anomalías.
2. Analizar e implementar un método de detección de anomalías en imágenes como un plugin
del software de libre acceso ImageJ basado en lenguaje de programación Java.
3. Realizar una evaluación de los resultados obtenidos.
Entrada Salida
La técnica de detección de anomalías de Ehret et al. es un método que pretende funcionar sobre
imágenes arbitrarias a diferencia de la mayoría de detectores. Debido al interés de esta técnica, el
Semillero en Procesamiento de Imágenes y Reconocimiento de Patrones Lún, se propone el
estudiar y desarrollar este método con el fin de evaluar su utilidad en varios de los trabajos que
actualmente realizan en imágenes de microscopía y agricultura. Por lo tanto, surge la pregunta de
investigación ¿Es posible utilizar el método de Ehret et al. para la detección de anomalías en
imágenes de microscopía y agricultura que maneja el semillero?
Referentes Teóricos
Chandola y Kumar [5] dividen el problema de los detectores de anomalías en cuatro puntos: la
condición de los datos de entrada; el tipo de anomalía (clasifican 3 tipos: de punto o simple,
contextual y colectiva); la disponibilidad de las etiquetas para determinar si el detector es
supervisado, semi-supervisado o no supervisado, el cual no requiere datos etiquetados y los datos
de salida, donde las anomalías pueden ser clasificadas mediante un puntaje o una etiqueta. En el
artículo también clasifican a los detectores según la técnica que usan: redes neuronales, red de
Bayes, máquinas de soporte vectorial y reglas generales.
El método publicado por Ehret et al. [2] es una técnica de detección no supervisada que puede
utilizar como clasificador una red neuronal u otras técnicas como identificación por vecinos más
próximos. La búsqueda de vecinos similares se hace entre parches o subventanas mediante el uso
de un árbol denominado Vantage Point Tree (en la sección del modelado de la autosimilitud) y
concluye su funcionamiento con la detección mediante la teoría “a contrario”, también
denominada formalización del principio de no accidentalidad.
Wang et al. [7] exponen que muchas veces se descarta la información espacial de los alrededores
de un pixel o parche, la cual puede ser muy relevante para la detección. Es por ello que en su
método proponen una versión iterativa del detector de anomalías con el uso de un filtro
gaussiano. Liu y Wei [9], al igual que Ehret et al., implementan un Vantage Point Tree, y además
utilizan el método PCA (Análisis de Componentes Principales) sobre el árbol, con el objetivo de
encontrar de manera más rápida al pixel vecino más cercano. Por último, respecto a esta temática
se tiene el artículo de Xu et al. [8] que con el objetivo de filtrar ruido estudia los modelos de NSS
(autosimilitud no local de la imagen).
Metodología propuesta
Cronograma (meses)
Actividades 1 2 3 4 5 6
Referencias Bibliográficas
[1] A. Davy, T. Ehret, J-M. Morel, and M. Delbracio. (2019). How to Reduce Anomaly
Detection in Images to Anomaly Detection in Noise. Image Processing On Line. Recuperado de:
http://www.ipol.im/pub/art/2019/263/
[2] A. Davy, T. Ehret, J-M. Morel, and M. Delbracio, How to Reduce Anomaly Detection in
Images to Anomaly Detection in Noise, Image Processing On Line, 9 (2019), pp. 391–412.
https://doi.org/10.5201/ipol.2019.263
[3] A. Davy, T. Ehret, J-M. Morel, and M. Delbracio, Reducing anomaly detection in images to
detection in noise, in IEEE International Conference on Image Processing (ICIP), IEEE, 2018,
pp. 1058–1062. https://doi.org/10.1109/ICIP.2018.8451059.
[4] T. Ehret, A. Davy, J-M. Morel, and M. Delbracio, Image Anomalies: A Review and Synthesis
of Detection Methods, Journal of Mathematical Imaging and Vision, (2019). https:
//doi.org/10.1007/s10851-019-00885-0.
[5] V. Chandola, A. Banerjee, and V. Kumar, Anomaly detection: A survey, ACM computing
surveys (CSUR), 41 (2009), p. 15. https://doi.org/10.1145/1541880.1541882.
[6] Catedra Isdefe. Detección de Anomalías en Imágenes Espectrales. Estado del Arte de las
Tecnologías. Universidad Politécnica de Madrid, Madrid, España. Recuperado de:
http://www.horizontesdefensayseguridad.net/wp-content/uploads/sites/3/2019/08/Estado-del-
Arte_CamarasHiperespectrales.pdf
[7] Y. Wang et al., "Iterative anomaly detection," 2017 IEEE International Geoscience and
Remote Sensing Symposium (IGARSS), Fort Worth, TX, 2017, pp. 586-589, doi:
10.1109/IGARSS.2017.8127021.
[8] J. Xu, L. Zhang, W. Zuo, D. Zhang and X. Feng, "Patch Group Based Nonlocal Self-
Similarity Prior Learning for Image Denoising," 2015 IEEE International Conference on
Computer Vision (ICCV), Santiago, 2015, pp. 244-252, doi: 10.1109/ICCV.2015.36.
[9] S. Liu, and Y. Wei, Fast nearest neighbor searching based on improved VP-tree, Pattern
Recognition Letters, 60-61 (2015), pp. 8–15. https://doi.org/10.5201/ipol.2019.263
EVALUACIÓN DE LA PROPUESTA
Espacio de uso exclusivo del Programa
Revisor(a) Nombre completo
Comentarios de quien revisa
Precisar las observaciones respecto de la evaluación de la propuesta.