Paso 4

Paso 4 – Análisis estadístico de resultados
Tutora
Paola Andrea Mateus
Entregado por:
Oscar Andrés Hurtado L.
Código: 9866097
Grupo: 208054_21
Universidad Nacional Abierta y a Distancia UNAD
Facultad Ciencias básicas, Tecnología e Ingeniería
Tratamiento de Imágenes
Pereira del 2020

INTRODUCCIÓN
OBJETIVOS
Actividades a desarrollar
Paso 4 – Análisis estadístico de resultados:
1. Definición de conceptos: estudiando el libro guía, el estudiante investiga de manera

individual y da respuesta a las siguientes preguntas teóricas:
a. ¿Qué es evaluación cualitativa en tratamiento de imágenes?
R/: Se refiere a la descripción de los resultados que se logran obtener a través de los pasos
previos en los cuales se ha realizado el análisis de las imágenes, obteniendo resultados que
permiten determinar comportamientos y patrones en las imágenes. Esta evaluación puede
no ser tan exacta, pero con dicha descripción es posible realizar una valoración de la
calidad del proceso.
b. ¿Qué es evaluación cuantitativa en tratamiento de imágenes?
R/: Arroja un valor del producto final dando una última palabra arrojando un resultado de
positivo o negativo sin buscar una mejora.
c. ¿Qué es verdaderos positivos, falsos positivos, verdaderos negativos, falsos

negativos, en tratamiento de imágenes?
R/:
Las métricas que se evalúan en las imágenes de diagnóstico son: Exactitud (Ex),
Sensibilidad (S), Especificidad (Es) y Precisión (P), las cuales mostraremos más adelante
en las fórmulas 1, 2, 3 y 4, respectivamente. Las mismas son calculadas en función a los
falsos positivos, falsos negativos, verdaderos positivos y verdaderos negativos.
Verdaderos negativos: Son los pixeles que no corresponden al área de interés según la
segmentación ideal, y en la herramienta tampoco son parte de la lesión.
Verdaderos positivos: Son los pixeles que corresponden al área de interés según la
segmentación ideal, y la herramienta asume que son parte de la lesión.
Falsos positivos: Son los pixeles que no corresponden al área de interés según la
segmentación ideal, sin embargo, la herramienta asume que son parte de la lesión.
Falsos negativos: Son los pixeles que corresponden al área de interés según la
segmentación ideal, sin embargo, la herramienta no los tiene como parte de la lesión.
(1)
VP+VN
EX=
VP+ VN + FN + FP
VP
S=
VP + FN (2)
VN
ES= (3)
VN + FP
VP
P= (4)
VP + FP
[ CITATION Lau13 \l 9226 ]
d. ¿Qué es precisión y exactitud en tratamiento de imágenes?
R/: La precisión hace referencia a la repetibilidad o reproductibilidad de una medida, en el

tratamiento de imágenes nos ayudara determinando que tanto se puede obtener el mismo
valor al realizar el ejercicio una cantidad de veces.
La exactitud nos indica la proximidad que tienen los resultados de medición con respecto al
valor verdadero o valor real del parámetro medido.
e. ¿Qué es y cómo se realiza la curva característica operativa del receptor ROC?
R/:
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). El área bajo la
curva ROC es una expresión del potencial diagnóstico de un marcador independiente de la
población de pacientes y puede utilizarse para comparar uno o más marcadores.
[ CITATION Oto11 \l 9226 ]
Nota: Después de realizar la lectura del libro guía se debe estructurar con sus propias
palabras la definición de los temas, esto no debe tener una extensión mayor a 3 páginas.
2. Implementación de códigos (componente práctico): cada estudiante debe realizar

de manera individual la implementación de los códigos que se encuentran en el
Anexo 1. También debe analizar los resultados obtenidos y crear los scripts que se
solicitan en el mismo anexo.
Implementación de códigos en software
1. Realice la evaluación cualitativa de los resultados obtenidos en el paso 3. El análisis

se realiza entre los resultados que arroja la máquina de soporte vectorial SVM, en la
variable “clasificación” contra los resultados reales del experto”
Cantidad Área Área Clasificación Clasificación
de objetos Máxima Mínima SVM experto
en la
imagen
Imagen de 8 1560 93 1 1
Prueba –
Enferma 6
Imagen de 5 5076 85 1 1
Prueba –
Enferma 7
Imagen de 8 1387 89 1 1
Prueba –
Enferma 8
Imagen de 1 147840 147840 0 0
Prueba –
Sana 4
Imagen de 1 57831 57831 0 0
Prueba –
Sana 5
Imagen de 1 18691 18691 0 0
Prueba –
Sana 6
La evaluación debe entregar los siguientes datos:
Evaluación SVM.
Clasificador Reales FP FN VN VP Precisió Exactitud

n
Imágenes 3 3 0 0 3 3 100% 100%
enfermas
Imágenes 3 3 100% 100%
sanas
Evaluación UMBRAL.
Clasificador Reales FP FN VN VP Precisió Exactitud

n
Imágenes 3 3 0 0 3 3 100% 100%
enfermas
Imágenes 3 3 100% 100%
sanas
• La tabla anterior la debe realizar tanto para la SVM como para el clasificador por
umbral.
• Se debe anexar las imágenes resultantes de las imágenes enfermas y sanas obtenidas
en el paso 3.
Enferma 6
Enferma 7
Enferma 8
Sana 4
Sana 5
Sana 6
2. Realizar la curva característica operativa del receptor ROC para la SVM y para el
clasificador por umbral.
 Sensibilidad
VP
VPR=
VP+ FN
3
VPR= =1
3+0
 Especificidad
VN
SPC=
FP+ VN
3
SPC= =1
0+3
clc
% Paso 4 Oscar Andrés Hurtado L
sensibilidad=[0,1,1]; % Eje Y
especificidad=[0,0,1]; % Eje X
hold on % conserva las parcelas de los ejes actuales para que las
nuevas parcelas agregadas a los ejes no eliminen las gráficas existentes
plot(especificidad,sensibilidad, 'y'); % Graficamos las variables
title (' ROC - Oscar Andrés Hurtado L: ') % Le damos título a la
gráfica
xlabel('especificidad') % Etiqueta el eje x de los ejes actuales
ylabel('sensibilidad') % Etiqueta el eje y de los ejes actuales
Gráfica ROC
Gráfica SVM
Gráfica UMBRAL
a. Explique los datos y gráfica obtenida.

Podemos concluir que los datos obtenidos a partir de las tablas, nos permite obtener un
100% de resultados positivos todo debido a una buena selección de los parámetros de
umbral y numpixel siendo estos los adecuados para que el clasificador tenga un
entrenamiento optimo y así lograr una clasificación adecuada de nuestras imágenes, lo que
permite al realizar nuestra gráfica mostrar la exactitud de estas.
3. Realice el análisis e informe con los resultados obtenidos en los puntos anteriores.
Con las imágenes suministradas para la maquina SVM se ha logrado obtener un resultado
óptimo de la curva ROC ya que se logró obtener un 100% de exactitud en los resultados,
esto nos indica que los valores de umbral y numpixel utilizados en el paso anterior con el
software MATLAB han sido los adecuados para determinar cuáles imágenes son enfermas
y cuáles sanas.
Al desarrollar este trabajo logramos avanzar en el conocimiento del tratamiento de

imágenes y acercarnos más a las exigencias de nuestro entorno, partiendo del uso de los
comandos utilizados en MATLAB permitiéndonos analizar y llegar a resultados necesarios,
para nuestro caso poder determinar la roya o enfermedad en las hojas de café,
permitiéndonos abrir un sin número de aplicaciones como la industria o medicina.
CONCLUSIONES
BIBLIOGRAFIA
Referencias
Alonso. (13 de 02 de 2006). UM. Obtenido de
https://www.um.es/geograf/sigmur/temariohtml/node74.html
Diego Calvo. (08 de 12 de 2018). Diego Calvo. Obtenido de

http://www.diegocalvo.es/perceptron/
EcuRed. (07 de 2014). EcuRed. Obtenido de https://www.ecured.cu/M

%C3%A1quinas_de_Soporte_Vectorial
MathWorks. (16 de 02 de 2016). MathWorks. Obtenido de

https://es.mathworks.com/help/images/image-analysis.html
Numerentur. (11 de 04 de 2018). Numerentur.org. Obtenido de

http://numerentur.org/nucleo-kernel-de-las-svm/

Paso 4

Cargado por

Copyright:

Formatos disponibles

Paso 4

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

Paso 4

Cargado por

Copyright:

Formatos disponibles

Paso 4 – Análisis estadístico de resultados

Paola Andrea Mateus

Oscar Andrés Hurtado L.

Universidad Nacional Abierta y a Distancia UNAD

Facultad Ciencias básicas, Tecnología e Ingeniería

Pereira del 2020

Paso 4 – Análisis estadístico de resultados:

1. Definición de conceptos: estudiando el libro guía, el estudiante investiga de manera

a. ¿Qué es evaluación cualitativa en tratamiento de imágenes?

b. ¿Qué es evaluación cuantitativa en tratamiento de imágenes?

c. ¿Qué es verdaderos positivos, falsos positivos, verdaderos negativos, falsos

[ CITATION Lau13 \l 9226 ]

d. ¿Qué es precisión y exactitud en tratamiento de imágenes?

R/: La precisión hace referencia a la repetibilidad o reproductibilidad de una medida, en el

e. ¿Qué es y cómo se realiza la curva característica operativa del receptor ROC?

Gráfico que representa la relación entre la tasa de verdaderos positivos (sensibilidad) y la

2. Implementación de códigos (componente práctico): cada estudiante debe realizar

Implementación de códigos en software

1. Realice la evaluación cualitativa de los resultados obtenidos en el paso 3. El análisis

La evaluación debe entregar los siguientes datos:

Clasificador Reales FP FN VN VP Precisió Exactitud

Clasificador Reales FP FN VN VP Precisió Exactitud

a. Explique los datos y gráfica obtenida.

Al desarrollar este trabajo logramos avanzar en el conocimiento del tratamiento de

Diego Calvo. (08 de 12 de 2018). Diego Calvo. Obtenido de

EcuRed. (07 de 2014). EcuRed. Obtenido de https://www.ecured.cu/M

MathWorks. (16 de 02 de 2016). MathWorks. Obtenido de

Numerentur. (11 de 04 de 2018). Numerentur.org. Obtenido de

También podría gustarte