REDES NEURONALES Capitulo4

CAPTULO 4
IMPLEMENTACIN DE LA TRANSFORMADA DE DISTANCIA CON UN

PERCEPTRN MULTICAPA EN MATLAB
4.1
Matlab
Matlab ha demostrado ser un programa de desarrollo muy completo en distintas reas, ms

que nada en las tecnolgicas. Contiene un ambiente de programacin similar a C++ y Java,
incluso permite la programacin y depuracin en estos lenguajes, adems de incluir una
gran variedad de toolboxes que son programas ya desarrollados que facilitan y ahorran la
programacin al incluir un sin fin de aplicaciones, entre ellas las redes neuronales y el
procesamiento de imgenes [8, 9, 13].
Matlab ya trae consigo funciones de redes neuronales en su Neural Network

Toolbox e incluso cuenta con una interfaz grfica que facilita ampliamente el diseo de
redes neuronales. Al usar esta toolbox ya no hay que preocuparse por hacer el programa de
una red neuronal, slo hay que contar con los patterns, las caractersticas de la red (nmero
de entradas/salidas, rango de valores entradas/salidas, capas ocultas y nmero de neuronas,
funciones de activacin), el algoritmo de entrenamiento y los parmetros de entrenamiento
(MSE, , , ) [8]. Para llamar a la interfaz grfica de redes neuronales se ejecuta el
comando nntool en la ventana principal de Matlab [8]. La Figura 4.1 muestra la ventana
principal de la interfaz grfica de redes neuronales.
38
Figura 4.1. Ventana principal de la interfaz grfica de redes neuronales.
La interfaz grfica de redes neuronales permite disear redes, visualizarlas,

entrenarlas, simularlas, y ms opciones muy fcilmente, slo hay que definir los patterns
(inputs/targets), la red (nmero de entradas/salidas, capas ocultas y nmero de neuronas
por capa), y cambiar a nuestra conveniencia algunos parmetros que trae por default para
cada tipo de red. Una explicacin ms amplia sobre el uso de esta interfaz viene en el men
help de la ventana principal de Matlab.
Una vez que estn definidos todos los aspectos necesarios del Neural Network
Toolbox ya sea en la interfaz grfica o con comandos en la ventana principal de Matlab, al
39
empezar a entrenar una red se nos muestra automticamente la grfica del progreso del
MSE avanzando en cada epoch con la opcin de detener el entrenamiento que es excelente
ms que nada cuando se observa una divergencia o convergencia demasiado lenta.
Matlab tiene varios tipos de redes neuronales en su toolbox que vienen

perfectamente documentadas en su men help. En este trabajo no se tiene por objetivo
ningn tutorial sobre Matlab, slo la explicacin de los comandos utilizados y el programa
desarrollado en general. Lo que si es tratado aqu, son los comandos que se deben utilizar
para crear una red neuronal en un programa, que es lo que se explica en seguida.
Para crear una nueva red neuronal multicapa se llama a la funcin newff () de la
siguiente forma:
net=newff(PR,[S1 S2...SN],{TF1 TF2...TFN},BTF,BLF,PF)
donde net es el nombre deseado para la red, PR es una matriz de R x 2 con los valores
mnimo y mximo que cada entrada R puede tomar, SN es el nmero de neuronas de la
capa N (N es el nmero de capas incluyendo la de salida), TFN es el nombre de la funcin
de activacin de las neuronas de la capa N, BTF es el nombre del algoritmo de
entrenamiento deseado, BLF es la ecuacin de actualizacin de pesos deseada, y PF es la
funcin de minimizacin del error que se quiere usar [8].
Para el procesamiento de imgenes, Matlab cuenta con la Image Processing

Toolbox que tiene funciones para leer imgenes, hacer conversiones de color, y detectar
40
contornos que son las que ms interesan en el desarrollo de este trabajo. Otros
procesamientos de imgenes y todos bien documentados se pueden encontrar en el men
help del escritorio principal.
4.2
Algoritmo
Como es sabido, siempre se debe tener claro el problema a tratar y las partes en las que se
puede dividir para llegar ms rpido a su solucin. A continuacin se enlistan los pasos que
definen el propsito principal de este trabajo:
Leer una imagen de 64x64 pxeles.
Encontrar el contorno de la imagen.
Sacar la transformada de distancia de la imagen.
Implementar la transformada de distancia con un perceptrn multicapa.
Leer otra imagen de 64x64 y resolver si se trata de una imagen similar.
4.2.1 Leer Imagen y Calcular su Transformada de Distancia
En Matlab es fcil leer una imagen y pasarla al escritorio principal para que pueda ser
procesada. El comando es el siguiente:
41
image=imread(C:\destino donde se encuentra la imagen\nombre de la imagen.extensin);
donde image es el nombre deseado para guardar la imagen en Matlab, destino donde se
encuentra la imagen es la carpeta donde se tiene guardada la imagen, nombre de la
imagen.extension es el nombre con que se tiene guardada la imagen y su formato. El
destino donde se encuentra la imagen debe estar dentro de las direcciones que reconoce
Matlab. Para agregar una direccin existe una interfaz grfica fcil de usar siguiendo el
men principal File-Set Path. Matlab trae por default la carpeta work para guardar todo lo
que se usa y se crea con este software. Cabe mencionar que Matlab soporta diversos
formatos de imgenes; por comodidad aqu se ha usado el formato .jpg con imgenes
grayscale.
En el Apndice A se describe el programa implementado para calcular la

transformada de distancia de una imagen. En este programa se aplica primero la deteccin
del contorno de la imagen, y a este se le hacen los procesamientos necesarios para proseguir
al calculo de su transformada de distancia.
La Figura 4.2 (a) muestra una imagen simple del tipo que se usan en este trabajo, en
la Figura 4.2 (b) se muestra el contorno obtenido mediante el mtodo de canny, y en la
Figura 4.2 (c) se muestra el aspecto que tiene su transformada de distancia calculada. En la
Figura 4.2 (c) se puede observar muy claramente que la transformada de distancia de una
imagen se puede tratar como una funcin continua a pesar de que en su clculo slo se usan
valores discretos que corresponde a las coordenadas que definen cada pxel.
42
(a)
(b)
(c)
Figura 4.2. (a) Imagen original donde el objeto es una letra A. (b) Contorno detectado mediante el mtodo
canny. (c) Visualizacin de la transformada de distancia como una funcin continua.
4.2.2 Entrenar Perceptrn Multicapa
Ya que se tiene la transformada de distancia de una imagen, se sigue con el entrenamiento

de un perceptrn multicapa que sea capaz de aprenderla y generalizarla con un error
ptimo.
43
Como se ha mencionado anteriormente, no existe una solucin nica para la

arquitectura de red neuronal que se debe usar en determinado problema, el diseo de redes
neuronales es ms un arte que una ciencia [3], especialmente al escoger el nmero de capas
ocultas, el nmero de neuronas en cada capa oculta, y las funciones de activacin a usarse.
Estos factores dependen enteramente del diseador, aunque hay reglas que surgen ms que
nada de los resultados obtenidos en otros problemas.
Como se expuso en el Captulo 3, est la base terica del Universal Approximation

Theorem como sustento de que casi cualquier funcin continua puede aproximarse
mediante un MLP con una capa oculta, pero este teorema no dice nada sobre el tiempo
requerido de entrenamiento ni si la implementacin es fcil y ptima. Con base en este
teorema han surgido mtodos empricos para determinar el nmero de neuronas ocultas que
debe tener un MLP segn el problema a resolver, pero no siempre se obtienen buenos
resultados [3, 8].
Para la aproximacin de funciones, que es el caso de este trabajo, es comn usar dos
capas ocultas, la primera con menor nmero de neuronas (aproximadamente la mitad) que
la segunda [5, 8], ambas con funcin de activacin sigmoidal ya que se logran relaciones no
lineales entre entradas y salidas, y la capa de salida con funcin de activacin lineal para
poder obtener cualquier valor real como salida. La primera capa oculta es la que se encarga
de extraer las caractersticas ms importantes de los nodos de entrada, y la segunda capa se
encarga de extraer las caractersticas de los nodos de entrada en conjunto [3]. Entre ms
neuronas se tengan en las capas ocultas, mejor ser la aproximacin de la funcin tratada,
pero se debe tomar en cuenta que si se exagera en el nmero de neuronas ocultas, se puede
44
obtener una red inestable o un tiempo de entrenamiento muy lento, especialmente con
algoritmos de entrenamiento cuyos clculos son de alta complejidad como el algoritmo de
Levenberg-Marquardt [3, 8, 13].
Despus de una serie de pruebas se lleg al diseo ms eficiente de la red, la cual

presenta una buena aproximacin de la transformada de distancia con la que se entrena, as
como un tiempo de entrenamiento rpido sin necesidad de modificar los valores de las
coordenadas y sus distancias que son los patterns, es decir, a la entrada de la red se presenta
el par de coordenadas tal cual, y a la salida se espera su respectiva distancia. El perceptrn
multicapa usado se define como una red de 2 entradas, dos capas ocultas, la primera de
nueve neuronas y la segunda de 25, y una neurona de salida, es decir, 2x9x25x1. Las dos
entradas corresponden al par (x, y) que son enteros dentro del rango 1x,y64. Las dos
capas ocultas sirven para aproximar mejor la funcin, y para hacer el entrenamiento ms
rpido se escogi la hyperbolic tangent sigmoid como su funcin de activacin. En la
primera capa oculta se eligieron 9 neuronas como representacin de las nueve localidades
en una matriz que se toman en cuenta al juntar los operadores expuestos en el Captulo 2
para calcular la transformada de distancia de una imagen; las 9 neuronas de la primera capa
oculta estn directamente relacionadas con las entradas (x, y) al igual que lo estn las
distancias dentro del cuadro alrededor de cada elemento (x, y) incluyndose este mismo.
Debe recordarse que para el clculo de la transformada de distancia, slo se fueron
tomando en cuenta las caractersticas (valores) de los 9 elementos incluyndose el elemento
para el que se calcula la distancia de sus vecinos adyacentes, y es lo que se busca con las 9
neuronas de la primera capa oculta. En la segunda capa oculta se hicieron cambios en el
nmero de neuronas a partir de 18, que es el doble de neuronas de la primera capa oculta,
45
buscando la configuracin que mejor extrajera las caractersticas de las entradas en

conjunto para hacer una buena aproximacin de la funcin en cuestin. La capa de salida se
conforma slo de una neurona que es la encargada de obtener la distancia del pxel
localizado en (x, y) cuyo valor es real y positivo, y puede estar dentro del rango 0x,y64,
por lo que su funcin de activacin es linear que nos puede dar cualquier valor real. La
Figura 4.3 muestra la configuracin del perceptrn diseado y la forma de las funciones de
activacin de cada capa.
Figura 4.3. Perceptrn multicapa de 2x9x25x1 completamente conectado. Las capas ocultas tienen
funcin de activacin hyperbolic tangent sigmoid y la capa de salida linear.
46
En el Apndice A se describe el programa empleado para entrenar la red neuronal usada,

donde se supone que ya se tiene una matriz con la transformada de distancia de la imagen
que se quiere aprender y slo se aproxima a un MSE de 0.05 para los 1922 patterns
tomados de los posibles 4096 de una transformada de distancia de 64x64. La Figura 4.4
muestra el resultado que se obtiene del entrenar el MLP descrito anteriormente para
aprender la transformada de distancia de la imagen de la Figura 4.2(a).
Figura 4.4. Transformada de distancia calculada por el MLP propuesto.
Al comparar las Figuras 4.2(c) y 4.4, se ve que el MLP propuesto si calcula una
muy buena aproximacin de la transformada de distancia aunque no la generaliza
perfectamente como se puede apreciar en la Figura 4.5 que muestra una porcin de la
transformada de distancia de una imagen de 64x64 comparada con su aproximacin..
47
(a)
(b)
Figura 4.5. (a) Transformada de distancia. (b) Aproximacin de la Transformada de distancia.
La Figura 4.5 muestra que existe an error en algunas distancias que por lo general
son las que no se tomaron como patterns para el entrenamiento de la red. No obstante, esta
aproximacin es efectiva para el reconocimiento. El uso de ms decimales retarda el
entrenamiento ya que se busca un menor MSE, y sin embargo, aunque se aproxima mejor la
transformada de distancia, al hacer pruebas se obtienen los mismos resultados en el
reconocimiento.
4.2.3 Leer Imagen y Reconocerla
Ya que se tienen las redes entrenadas, cada una con una imagen distinta, se procede a
probar el desempeo del reconocimiento, el cual se observa al presentar una imagen
desconocida a las redes entrenadas y asociarla con la que ms tenga parecido. La imagen
48
debe ser grayscale de 64x64. La imagen leda debe ser procesada para poder reconocerla ya
que las redes estn entrenadas con imgenes binarias que contienen slo el contorno de
inters.
El reconocimiento por medio de la transformada de distancia es en si sencillo ya que

obedece slo a calcular las distancias que existen entre los pxeles que estn en la misma
ubicacin dentro de dos imgenes distintas. Es comn tener una base de datos con las
transformadas de distancias de imgenes conocidas, en nuestro caso las redes neuronales
entrenadas, y usarlas para compararlas con una imagen desconocida de la cual no es
necesario sacar su transformada ya que slo se toman en cuenta los pxeles que conforman
el contorno. Como los pxeles que conforman el contorno tienen un valor de 0, entonces se
toma el valor absoluto de la diferencia que hay entre stos y aquellos con mismas
coordenadas en las transformadas de las imgenes que se tienen en la base de datos, que a
fin de cuentas resulta ser el valor que tienen los pxeles de las trasformadas, puesto que el
valor absoluto de la diferencia 0-a es el valor absoluto de a. Aqu como las transformadas
de distancia tienen nicamente valores positivos, entonces ya se cuenta con los valores
absolutos.
En el Apndice A se describe el programa usado para efectuar el reconocimiento de

imgenes que no fueron usadas para el entrenamiento de los MLPs.
49

REDES NEURONALES Capitulo4

Cargado por

Copyright:

Formatos disponibles

REDES NEURONALES Capitulo4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

REDES NEURONALES Capitulo4

Cargado por

Copyright:

Formatos disponibles

CAPTULO 4

IMPLEMENTACIN DE LA TRANSFORMADA DE DISTANCIA CON UN

Matlab ha demostrado ser un programa de desarrollo muy completo en distintas reas, ms

Matlab ya trae consigo funciones de redes neuronales en su Neural Network

Figura 4.1. Ventana principal de la interfaz grfica de redes neuronales.

La interfaz grfica de redes neuronales permite disear redes, visualizarlas,

Matlab tiene varios tipos de redes neuronales en su toolbox que vienen

net=newff(PR,[S1 S2...SN],{TF1 TF2...TFN},BTF,BLF,PF)

Para el procesamiento de imgenes, Matlab cuenta con la Image Processing

Leer una imagen de 64x64 pxeles.

Encontrar el contorno de la imagen.

Sacar la transformada de distancia de la imagen.

Implementar la transformada de distancia con un perceptrn multicapa.

Leer otra imagen de 64x64 y resolver si se trata de una imagen similar.

4.2.1 Leer Imagen y Calcular su Transformada de Distancia

image=imread(C:\destino donde se encuentra la imagen\nombre de la imagen.extensin);

En el Apndice A se describe el programa implementado para calcular la

4.2.2 Entrenar Perceptrn Multicapa

Ya que se tiene la transformada de distancia de una imagen, se sigue con el entrenamiento

Como se ha mencionado anteriormente, no existe una solucin nica para la

Como se expuso en el Captulo 3, est la base terica del Universal Approximation

Despus de una serie de pruebas se lleg al diseo ms eficiente de la red, la cual

buscando la configuracin que mejor extrajera las caractersticas de las entradas en

En el Apndice A se describe el programa empleado para entrenar la red neuronal usada,

Figura 4.4. Transformada de distancia calculada por el MLP propuesto.

Figura 4.5. (a) Transformada de distancia. (b) Aproximacin de la Transformada de distancia.

4.2.3 Leer Imagen y Reconocerla

El reconocimiento por medio de la transformada de distancia es en si sencillo ya que

En el Apndice A se describe el programa usado para efectuar el reconocimiento de

También podría gustarte