Está en la página 1de 23

Proyecto Final

TRATAMIENTO DE IMÁGENES

Grupo 208054_9

YUL HERNANDEZ
Código: 97613679
WILLIAM ALEXANDER GIRALDO
Código:
DIOFANTE GAMBA
Código:
Tutora: Paola Andrea Mateus

MAYO 2018
INTRODUCCION
 En el presente trabajo se realiza un resumen que condensa
las temáticas mas relevantes desarrolladas sobre las
diferentes unidades durante el curso. También el trabajo
pretende dar respuesta al experimento propuesto en la
guía de actividades, el procesamiento de imágenes
deben tenerse en cuenta varios aspectos como los rasgos
morfológicos, de estos por medio de un modelo
matemático y una métrica. De esta forma la Sensibilidad y
Especificidad son factores importantes para determinar y
evaluar de una forma precisa los resultados obtenidos y
poder así analizar de forma adecuada del tratamiento
que se le aplique a una imagen de acuerdo a los valores
de entrada y evidenciar así mismo valores de salida los
cuales nos permitirán realizar dicho análisis.
 Detección de bordes
 Binarización
Unidad 1
 Segmentación de objetos
 Reconstrucción
Procesamiento
Morfológica Implementación de imágenes
de filtros
Detección de bordes
 Variaciones fuertes de la intensidad que
corresponden a las fronteras de los
objetos visualizados
 Métodos basados en el gradiente:
detectan los bordes en base a las
derivadas espaciales de la imagen que
se calculan mediante operadores de
Convolución
 Binarización
 Binarización: es una técnica que consiste
en la realización de un barrido en la
matriz de la imagen digital, por medio de
bucles o recursividad, con el fin de que el
proceso produzca la reducción de la
escala de grises a dos únicos valores.
Negro (= 0) y blanco (= 255),
Segmentación de objetos
 considera a la segmentación como la
clasificación de los puntos de la imagen
(pixels), indicando las clases a la que
pertenecen los diferentes pixeles.
 Con la finalidad de obtener los valores que
son de interés.
 En el proceso de detectar las partes en una
imagen se identifican bordes de la imagen, o
se segmenta esta en regiones, líneas o
curvas, etc.
 Filtrado
 Un filtro es usado para eliminar ruido o
impurezas, buscando conservar todas las
características y detalles de la imagen.
Extracción de Características
Clasificación de imágenes
Identificación de tipos o grupos
Unidad 2
Extracción de Características
 Para reconocer un objeto de la imagen
es necesario extraer características que
permitan representarlo y describirlo
matemáticamente.
 Descripción matemática del/os objeto/s:
 Color
 Tamaño
 Posición
Clasificación de imágenes
 Clasificación supervisada

 La clasificación supervisada utiliza firmas espectrales obtenidas de las


muestras de capacitación para clasificar una imagen. Con la ayuda de la
barra de herramientas Clasificación de imagen, puede crear fácilmente
muestras de capacitación para representar las clases que desea extraer.
Clasificación no supervisada

 La clasificación sin supervisión

 Busca clases espectrales (o clústeres) en una imagen multibanda sin la


intervención del analista. La barra de herramientas Clasificación de
imagen ayuda a realizar la clasificación sin supervisión proporcionando
acceso a las herramientas para crear clústeres, capacidad para analizar la
calidad de los clústeres y acceso a las herramientas de clasificación.
Identificación de tipos o
grupos
 Descripción del Contorno
 Códigos de cadena
 Aproximación polinomial
 Representación polar
 Esqueletización
 Descriptores de Fourier

 Descripción de Región
 Momentos
 Descriptores topológicos
 Textura

 Descripción de Similitud: Correlación


 Evaluación Cualitativa
 Evaluación Cuantitativa
 Análisis de Resultados
 Curva ROC

Unidad 3
Evaluación Cualitativa

 La evaluación cualitativa es la que se


expresa a través de letras es decir se
evalúa a través de las cualidades es más
que todo descriptiva, describe la
realidad.
Evaluación Cuantitativa
 Es una evaluación empleando instrumentos
de evaluación que te permiten medir en
comparación con un patrón establecido y
este te indica como resultado un número, es
decir, dices cuanto sabe y estas
considerando el ámbito cognitivo, la
adquisición de conocimientos, de
habilidades y las aptitudes intelectuales; el
saber y el saber hacer.
Curva ROC
 Una curva ROC es una representación gráfica de
la sensibilidad frente a la especificidad para un
sistema clasificador binario según se varía el
umbral de discriminación. Otra interpretación de
este gráfico es la representación de la razón o
ratio de verdaderos positivos (VPR = Razón de
Verdaderos Positivos) frente a la razón o ratio de
falsos positivos (FPR = Razón de Falsos Positivos)
también según se varía el umbral de
discriminación (valor a partir del cual decidimos
que un caso es un positivo). ROC también puede
significar
Descripción en que consiste el
proyecto de tratamiento de
imágenes, sobre las enfermedades
de la hoja de naranjo.

Evidencia del procesamiento


realizado durante las diferentes fases
del curso para elaborar un análisis
de imágenes mediante software
Matlab. Con el propósito de
identificar la afectación de cultivos
de naranjo.
Empleando filtros, identificando los
Desarrollo del
mejores valores de umbral y
numpixel para realizar un análisis
satisfactorio donde la identificación
proyecto
de bordes y de objetos dentro de
cada muestra de imágenes .
Buscando siempre la mejor calidad
de filtrado donde se pueda
conservar la mayor cantidad de
información y características de
cada imagen.
Descripción sobre cómo el
grupo fue trabajando durante
el semestre para desarrollar el
proyecto.

Para este proyecto la forma


que se uso, fue primero
asimilación de la información
dada en el curso.
Por medio de practicas poder
apropiar el conocimiento para Desarrollo del
que al desarrollar las
actividades tener un criterio de proyecto
elección que diera la ruta al
cumplimiento de los objetivos
del proyecto, que seria la
plena identificación de la
enfermedad pulgones en
cultivos de naranjos.
Código empleado
 %CODIGO ANALISIS
 %hoja_insumo=imread('hojaenferma8.jpg');
 hoja_insumo=imread('Sana7.jpg');
 hoja_double=im2double(hoja_insumo);
 figure;
 imshow(hoja_double) %fig 1
 umbral=0.32;
 bin_hoja=im2bw(hoja_double,umbral);
 figure;
 imshow(bin_hoja) %fig 2
 numpixels=20;
 Filtro=bwareaopen(bin_hoja,numpixels);
 figure;
 imshow(Filtro) %fig 3
 [Lo num]= bwlabel(Filtro);
 prop=regionprops(Lo);
 figure;
 imshow(Filtro) %fig 4
 figure;
 imshow(Lo) %fig 5
 MinArea=min([prop.Area])
 MaxArea=max([prop.Area])
CODIGO EMPLEADO
 %VSM
 datos = xlsread('tabla.xlsx');
 caracteristicas=datos(1:end,1:3);
 %datos de la imagen
 entrenamiento=datos(1:end,4);
 %datos de clasificacion
 %ENTRENAMIENTO MAQUINA
 svmStruct =
svmtrain(caracteristicas,entrenamiento,'Kernel_Function','linear','showplot',false);

 num = xlsread('prueba.xlsx');
 xprueba = num (1:end,1:3);
 yprueba = num (1:end,4);
 thrue = yprueba;
 clasificacion = svmclassify(svmStruct,xprueba,'showplot',false);

Curva ROC y código
empleado
Trial>> TPR=[0,0.8888,1];
%sensibilidad / eje y
Trial>> FPR=[0,0.3333,1]; % 1-
especificidad / eje x
Trial>> plot(FPR,TPR);
Trial>> TPRreal=[0,1,1];% eje y
Trial>> FPRreal=[0,0,1];% eje x
Trial>> hold on
Trial>> plot(FPRreal,TPRreal,'g')
Trial>> TPR50=[0,1,1];% eje y
Trial>> FPR50=[0,1,1];% eje x
Trial>> plot(TPR50,FPR50,'r')
Curva ROC y análisis
 CURVA ROC
 Gráfico que representa la relación entre la tasa de verdaderos positivos (sensibilidad) y la tasa de
falsos positivos ("1 - especificidad") como una función del nivel de corte del marcador de una
enfermedad (o condición clínica). Las curvas ROC ayudan a demostrar cómo el incremento o
disminución del punto de corte que define una prueba como positiva afecta al equilibrio entre la
identificación correcta de los enfermos (verdaderos positivos) y la denominación incorrecta
como positivos de los sanos (falsos positivos).
 ANALISIS
 Se pudo identificar mediante los resultados que arrojó la máquina de soporte vectorial SVM,
contra los resultados reales del experto y son exactos, el cual se evidencia una excelente
combinación de numpixel y Umbral, se identificaron la cantidad de pulgones en las hojas
enfermas, el area afectada, por medio de la evaluación cualitativa, se pudo establecer la
precisión y exactitud del procesamiento de las imágenes asignadas, indicamos la menor
cantidad de menor falsos positivos y la mayor cantidad de verdaderos positivos.
 Con esta investigación pudimos obtener y asegurar que los métodos de procesamiento y
clasificación son los adecuados para dar solución al proyecto planteado..
 La curva característica se realiza por medio de datos ya clasificados como FPR y VPR como ejes x
e y respectivamente, y representa los intercambios entre verdaderos positivos y falsos positivos.
Dado que VPR es equivalente a sensibilidad y FPR es igual a 1-, especificidad el gráfico ROC
también es conocido como la representación de sensibilidad frente a (1-especificidad). Cada
resultado de predicción o instancia de la matriz de confusión representa un punto en el espacio
ROC.
CONCLUSIONES
Al concluir esta etapa con el proyecto final se analizó las diferentes unidades
del curso las cuales fueron de gran importancia para el desarrollo del mismo.
Logrando obtener los procesos realizados y observando las características o
valores variables en la actividad, evidenciando de manera confiable los
valores que se dieron de las hojas enfermas plasmados en las tablas que se
trabajaron y la curva ROC. Logrando obtener resultados favorables para la
finalización de la actividad y del curso en general.
Gracias a la ayuda de la herramienta, Laboratorio Matemático (Matlab) la
cual fue de gran ayuda para el desarrollo del proceso del curso logrando
obtener buenos resultaos.
Referencias
 Descriptores en Ciencias de la Salud. (18 de 11 de 2017). DeCS |
Descriptores en Ciencias de la Salud. Obtenido de Curva ROC:
https://decs.es/ciencias-naturales/curva-roc.2/
 Fundación Wikimedia, Inc. (12 de Junio de 2017). Obtenido de
https://es.wikipedia.org/wiki/Falso_negativo
 Fundación Wikimedia, Inc. (23 de Abril de 2017). Obtenido de
https://es.wikipedia.org/wiki/Verdadero_positivo _(medicina)
 Fundación Wikimedia, Inc. (13 de Abril de 2017). Obtenido de
https://es.wikipedia.org/wiki/Verdadero_negativo _(medicina)
 Antonio Miguel Ruiz Armenteros, J. L. (19 de Noviembre de 2017).
ERROR, INCERTIDUMBRE, PRECISIÓN Y EXACTITUD. Obtenido de
http://coello.ujaen.es/congresos/cicum/ponencias/
Cicum2010.2.02_Ruiz_y_otros_Error_incertidum bre_precision.pdf