Universidad de Ibagué - Facultad de Ingeniería

FORMATO PARA PROPUESTA DE TRABAJO DE GRADO

Presentación General
Título de la Estudio de técnicas para la detección de anomalías en imágenes
Propuesta digitales

Estudiante Camila Andrea Durán Varón

Código del
2420171076
Estudiante
Fecha de Radicación 20 / 11 / 2020
Ingeniero Manuel Guillermo Forero Vargas
Director

Codirector Ingeniero José Armando Fernández Gallego

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

Desarrollar un método para la detección de anomalías en imágenes digitales.

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.

Descripción del problema y justificación

Los detectores de anomalías en procesamiento digital de imágenes son algoritmos que se

encargan de localizar un objeto o patrón anormal que puede ser clasificado como un valor
atípico. La detección de anomalías es un reto en el campo de la visión artificial ya que abarca la
tarea subjetiva de clasificar un objeto como normal o anormal. Los detectores de anomalías
cuentan con una amplia gama de técnicas, su cantidad y variedad son producto de que cada
imagen y problema requieren de un método diferente para hallar ciertas irregularidades [2]. Estas
técnicas son útiles en entornos reales y prácticos como por ejemplo: la detección de objetos
anormales en cámaras de vigilancia; el descubrimiento y localización de tumores o
irregularidades; la presencia de productos defectuosos en procesos de fabricación automatizados;
la detección de defectos en telas; la cuantificación de partes de la planta en agricultura, entre
otros. Como conclusión, la detección de anomalías constituye un proceso de gran complejidad y
se hace necesaria su investigación, no sólo para perfeccionar la técnica, sino también por la
variedad y relevancia de sus aplicaciones. La figura 1 muestra un ejemplo de la estrategia de
detección.

Entrada Salida

Figura 1. Imágenes obtenidas de la página Ipol [1]

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

Los detectores de anomalías además de caracterizarse por su aplicabilidad y complejidad,

también se destacan por su variedad, pues existen muchos métodos y varios artículos han tratado
de recolectarlos y agruparlos. Así mismo, existe mucha información sobre los procedimientos y
técnicas sobre el algoritmo a implementar.
Ehret et al., además de desarrollar un algoritmo para la detección de anomalías, en un artículo
previo de revisión clasifican los detectores en cinco familias principales de acuerdo a un modelo
de fondo [4]:
1. Modelos de fondo estocásticos, los cuales son métodos fundamentados en que las
anomalías ocurren en las regiones de baja probabilidad del modelo de fondo.
2. Modelo de fondo homogéneo, los cuales trabajan sobre una imagen residual.
3. Modelos de homogeneidad local, basados en que las anomalías son eventos locales que
contrastan con su entorno.
4. Modelos de fondo basados en la dispersión y sus diversas implementaciones.
5. Modelos de fondo autosimilares no locales, los cuales son muy usados en restauración de
imágenes y eliminación de ruido.

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).

Finalmente, en cuanto a la técnica “a contrario”, Ehret et al. [2 y 3] expresan que ha sido

libremente utilizada en detección de anomalías y que su método presentado y el desarrollado por
Grosjean y Moisan sobre mamografías para la búsqueda de tumores [10], calcula por medio de
este procedimiento estadístico un Número de Falsas Alarmas (NFA) que puede ser un indicativo
de la calidad de la detección.

Metodología propuesta

La metodología a implementar está dividida en las siguientes secciones:

I. Revisión del estado del arte

 Se llevará a cabo una revisión mensual del estado del arte relacionado con la
detección de anomalías con el objetivo de tener conocimiento de los resultados más
recientes sobre este tema.

II. Estudio de la Técnica

Se estudiará la matemática y conceptos de los métodos aplicados para la realización

de la técnica de detección de anomalías de Ehret et al. Igualmente si se encuentra
alguna novedad en el estado del arte que permita mejorar la técnica mencionada se
agregará al método que se quiere implementar.

III. Implementación del Algoritmo

Se implementará el método de detección de anomalías de Ehret et al, al lenguaje

JAVA, como un plugin en el software de libre acceso ImageJ.

IV. Evaluación de Resultados

Se construirán diez imágenes sintéticas mostrando diferentes tipos de anormalidades

con el fin de evaluar la técnica en diferentes condiciones. Igualmente será evaluada
en imágenes de microscopía y agricultura, a disposición del semillero. Dado que no
hay un método exacto para evaluarlas, la valoración consistirá en determinar cuantas
anomalías son identificadas correctamente y cuantas no y cuantas falsas anomalías
son detectadas dentro de las imágenes.

Entregables al terminar el proyecto

 Informe del proyecto

 Artículo
 Plugin con el desarrollo del método
 Manual explicativo de uso del plugin

Beneficiarios o Sector de Intervención

Los beneficiarios con la investigación de este proyecto son:

● Semillero Lún
● Comunidad científica
Plan de Trabajo

Se decidió establecer el tiempo de las actividades a desarrollar de la siguiente manera:

Cronograma (meses)

Actividades 1 2 3 4 5 6

I. Revisar el estado del arte X X X X X X

II. Estudiar la técnica X X X

III. Implementar el algoritmo X X X X

IV. Evaluar los resultados X X X X

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

[10] B. Grosjean and L. Moisan, A-contrario detectability of spots in textured backgrounds,

Journal of Mathematical Imaging and Vision, 33 (2009), pp. 313–337. https://doi.org/10.
1007/s10851-008-0111-4.

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.

Aprobado/Aprobado con correcciones/Rechazado

Decisión

Día / Mes / Año

Fecha de comité
Fecha de Día / Mes / Año
revisión
--- Fin del formato ---
Procedimiento:
1. La propuesta debe ser enviada por el estudiante, incluyendo el VoBo.  del/la director/a
del proyecto al correo del Programa en formato Office Open XML (.docx). Con la recep-
ción de ese correo se entiende que el/la director/a ha revisado la calidad y pertinencia de la
propuesta y que acepta su dirección. El asunto del correo debe decir: Comité de Grado -
Propuesta de trabajo de grado. En el cuerpo del correo debe incluirse el título de la pro-
puesta, el nombre y el código de todos(as) los(las) estudiantes y el nombre del (de la) direc -
tor(a).
2. El Comité de Grado informará la respuesta de la evaluación de la propuesta a los estudian-
tes y al director a través de correo electrónico, máximo diez días hábiles después de la reali-
zación del respectivo comité.