Etapa 3 Aprendizaje de máquinas

Vidual,Robin
Universidad Nacional Abierta y a Distancia
Ingenieria Electronica

Bogotá, Colombia
mauricio_garcia@javeriana.edu.co

Abstract — Analyze the main characteristics of the objects of médicas, como radiografías, resonancias magnéticas
interest in the images, using the information of color, area, o imágenes microscópicas.
number of objects and textures for the training of supervised
classifiers.
III. DESARROLLO DE LA ACTIVIDAD
I. INTRODUCCIÓN
PUNTO 1
En el campo del procesamiento de imágenes y visión por a. ¿Qué es extracción de características en una
computadora, el análisis de características de objetos en imagen?
imágenes desempeña un papel fundamental en una amplia La extracción de características en una imagen se refiere al
gama de aplicaciones, desde la medicina hasta la agricultura, proceso de identificar y seleccionar atributos significativos y
la robótica y más allá. Este proceso implica extraer y examinar discriminativos de una imagen que son relevantes para una
diversas propiedades y atributos de los objetos presentes en tarea específica, como la clasificación o el reconocimiento de
una imagen para comprender mejor su naturaleza y facilitar su objetos. Estas características pueden incluir información de
clasificación y reconocimiento automático. color, textura, forma y distribución espacial, entre otros
El análisis de estas características se realiza típicamente aspectos, y se utilizan para describir y representar los objetos
mediante algoritmos y técnicas de procesamiento de imágenes, presentes en la imagen de manera más efectiva.
que pueden incluir operaciones de filtrado, segmentación,
extracción de características y clasificación supervisada. Los b. ¿Qué es un clasificador supervisado conocido
clasificadores supervisados, en particular, se entrenan como Árboles de decisión?
utilizando ejemplos etiquetados de objetos de interés, lo que Un clasificador supervisado conocido como Árboles de
les permite aprender a distinguir entre diferentes clases decisión es un modelo de aprendizaje automático que divide el
basadas en las características extraídas de las imágenes. espacio de características en regiones mediante una serie de
decisiones basadas en atributos de entrada. Cada nodo interno
II. OBJETIVOS
del árbol representa una pregunta sobre una característica
 Desarrollar un sistema de visión por computadora: específica, y las ramas representan las posibles respuestas a
Utilizar el análisis de características de objetos en esa pregunta, llevando a una clasificación final en los nodos
imágenes como parte de un sistema de visión por terminales.
computadora para reconocer y clasificar
automáticamente objetos en entornos visuales c. ¿Qué es un clasificador supervisado conocido
complejos. como Regresión por mínimos cuadrados?
 Automatizar procesos de inspección y control de La Regresión por mínimos cuadrados es un clasificador
calidad: Implementar algoritmos de análisis de supervisado utilizado para modelar la relación entre una
características para automatizar procesos de variable de salida continua y una o más variables predictoras.
inspección visual y control de calidad en industrias Se busca encontrar la línea (o plano, en dimensiones
manufactureras, identificando defectos o anomalías superiores) que minimiza la suma de los cuadrados de las
en productos basados en características visuales. diferencias entre los valores reales y los valores predichos por
 Mejorar la precisión en diagnósticos médicos: el modelo. Este enfoque es adecuado para problemas de
Utilizar características de imágenes médicas, como el regresión donde se desea predecir valores numéricos.
análisis de texturas y formas, para mejorar la
precisión en diagnósticos automatizados de
enfermedades mediante el análisis de imágenes
 d. ¿Qué es un clasificador supervisado y no
supervisado en imágenes?
Los clasificadores supervisados y no supervisados en
imágenes son algoritmos de aprendizaje automático que se
utilizan para realizar tareas de clasificación y segmentación,
respectivamente. En un clasificador supervisado, el modelo se
entrena utilizando ejemplos de datos etiquetados, mientras que
en un clasificador no supervisado, el modelo encuentra
patrones y estructuras intrínsecas en los datos sin necesidad de
etiquetas previas. Esto permite identificar clases y Imagen 1. codigo matlab
agrupaciones en los datos de forma automática.

e. ¿Qué es el clasificador supervisado conocido como

Support Vector Mchine (SVM)?
El clasificador supervisado conocido como Support Vector
Machine (SVM) es un algoritmo de aprendizaje automático
utilizado para la clasificación y regresión. SVM busca
encontrar el hiperplano óptimo que mejor separa las clases en
el espacio de características, maximizando el margen entre las
clases. Es efectivo en espacios de alta dimensionalidad y se
utiliza ampliamente en problemas de clasificación binaria y
multiclase.

f. ¿Cuáles tipos de kernels tiene una SVM? defina

Imagen 2. codigo matlab
cada uno de estos kernels?
Los tipos de kernels que tiene una SVM son: lineal,
polinomial, radial (o gaussiano) y sigmoide.
 El kernel lineal se utiliza para problemas de
clasificación linealmente separables.
 El kernel polinomial transforma los datos a un
espacio de mayor dimensionalidad y es útil para
problemas no lineales.
 El kernel radial (o gaussiano) mapea los datos a un
espacio de características infinitamente dimensional
mediante una función de base radial, permitiendo la
separación no lineal de clases.
 El kernel sigmoide también transforma los datos a un
espacio de características de mayor dimensionalidad
Imagen 3. codigo matlab
y se utiliza en problemas no lineales, especialmente
en redes neuronales artificiales.
a. Explique el código
Enlace infografía:
% Nombre: Robin Eduardo Vidual Almanza
https://www.canva.com/design/DAGCfntiazI/NJ5mAcMVqSE
% Periodo: 1601_2024
z9cXwJqjrVg/edit?
clear all
utm_content=DAGCfntiazI&utm_campaign=designshare&ut
clc
m_medium=link2&utm_source=sharebutton
close all
PUNTO 2
% Leer la imagen 'Imagen1.jpg' y almacenarla
Implementación de códigos (componente práctico)
en la variable ID
ID=imread ('ID 4.jpg');
 b. ¿Cómo funciona y que datos obtienen de la
función “bwlabel”?
Realiza un etiquetado de la imagen binaria, averigua cuantos
% Permitir al usuario seleccionar una región elementos están presentes en la imagen, la función tiene el
de interés (ROI) en la imagen y guardar la formato: [L ne] = bwlabel(BW) donde:
ROI en ID y la posición en pos  L es la imagen resultada que tiene los elementos
[ID pos] = imcrop(ID); etiquetados con el número.
umbral=0.48;  ne correspondiente al objeto
% Convertir la imagen original a una imagen  BW imagen que se desea encontrar el número de objeto
binaria utilizando el umbral definido y c. ¿Qué valor se obtiene en las variables “Lo” y en
almacenarla en binID “num”?
binID=im2bw(ID,umbral);  Lo: es una matriz de etiquetas positivas, la cual tiene el
% Invertir los valores de la imagen binaria y mismo tamaño que BW.
almacenarla en binID  Num: es el número de objetos conectados positivos en BW
binID=~binID; d. ¿Cómo funciona y que datos obtienen de la
% Crear una nueva figura y mostrar la imagen función “regionprops”?
binaria El comando regionprops mide propiedades de objetos o
figure; regiones de una imagen y las retorna como un arreglo. Tiene el
imshow(binID) siguiente formato:
% Definir el número mínimo de píxeles para  im = regionprops(L, ‘basic’) donde:
considerar un objeto como válido  im será la estructura con el número de elementos
numpixels=50; etiquetados
% Aplicar filtro para eliminar objetos  L es la matriz de elementos etiquetados
pequeños de la imagen binaria  basic para este caso significa el cálculo básico de
Filtro1=bwareaopen(binID,numpixels); propiedades que son el área, centro de masa y las
% Crear una nueva figura y mostrar la imagen dimensiones de caja del elemento
resultante después de aplicar el filtro de Este comando nos ayuda a distinguir formas o áreas por lo
eliminación de objetos pequeños que se podrían analizar elementos específicos.
figure; Punto 3
imshow(Filtro1) Cada estudiante debe obtener las siguientes características
% Etiquetar regiones en la imagen binaria de cada una de las imágenes de la base de datos de
Filtro1 entrenamiento. Las características las debe guardar en una
[Lo num]=bwlabel(Filtro1); matriz de Excel donde se tenga la siguiente información:
% Calcular propiedades de las regiones
etiquetadas en Lo ID 4
prop=regionprops(Lo);
% Mostrar la imagen etiquetada Lo
figure;
imshow(Lo)
% Recortar la región correspondiente al
último número etiquetado en Filtro1
ultimo_numero
=imcrop(Filtro1,prop(end).BoundingBox);
% Mostrar la región recortada
figure;
imshow(ultimo_numero)
% Calcular propiedades de la región recortada
(último número) Imagen 4. ID 4
prop_ultimo_numero=regionprops(ultimo_numero,
'Centroid','Circularity')
 ID 5 ID 8

Imagen 5. ID 5 Imagen 8. ID 8

ID 6 ID 9

Imagen 6. ID 6 Imagen 9. ID 9

ID 7 ID 10

Imagen 7. ID 7 Imagen 10. ID 10

 ID 18
ID 11

Imagen 18. ID 18
Imagen 11. ID 11

ID 12 Centroi Centroi Circul Clasificac Clasificació

de en X de en y aridad ión SMV
n experta
Imagen de 6,4444 8,8254 0,364 0 0
entrenamiento 7
ID 4
Imagen de 6,4444 8,8254 0,364 1 1
entrenamiento 7
ID 5
Imagen de 12,940 15,340 0,481 0 0
entrenamiento 4 4 3
ID 6
Imagen de 9,1104 13,478 0,378 1 1
entrenamiento 5 1
ID 7
Imagen de 8,4085 13,049 0,345 1 1
Imagen 12. ID 12 entrenamiento 3
ID 8
ID 13 Imagen de 13,033 15,378 0,443 0 0
entrenamiento 1 7 8
ID 9
Imagen de 12,940 15,340 0,481 1 1
entrenamiento 4 4 3
ID 10
Imagen de 8,4085 13,049 0,345 1 1
entrenamiento 3
ID 11
Imagen de 13,075 15,342 0,477 0 0
entrenamiento 9 9
ID 12
Imagen de 9,0179 13,363 0,393 0 0
entrenamiento 1
ID 13
Imagen 13. ID 13 Imagen de 12,691 15,315 0,443 0 0
entrenamiento 8 4
ID 18
 PUNTO 3
a. Desarrolle el siguiente código en el script de Matlab
creado en el punto 1. (Asegúrese de estar trabajando
en la carpeta que ya se ha creado).
Cada estudiante debe obtener las siguientes características de
cada una de las imágenes de la base de datos de prueba. Las Imagen 21. ID 3
características las debe guardar en una matriz de Excel que se
llame “prueba.xlsx” donde se tenga la siguiente información:
ID 1 ID 14

Imagen 19. ID 1 Imagen 22. ID 14

ID 2 ID 15

Imagen 20. ID 2 Imagen 23. ID 15

ID 3 ID 16
 prueba ID
8 9 9
3
Imagen de
9,017 13,36 0,39
prueba ID 1 1
9 31 3
14
Imagen de
9,017 13,36 0,39
prueba ID 1 1
9 31 3
15
Imagen de
9,097 13,57 0,37
prueba ID 1 1
6 93 88
Imagen 24. ID 16 16
Imagen de
8,418 13,05 0,34
prueba ID 1 1
4 67 91
17

b. El estudiante debe incluir en el documento de entrega

ID 17 un pantallazo de la tabla de las características con las
que entreno la máquina, es decir las contenidas en
entrenamiento.xlsx y un pantallazo de la tabla que
contiene las características nuevas contenidas en
prueba.xlsx.

Imagen 25. ID 17

Centr Centr Circu Clasific Clasificac

oide oide larid ación ión
en X en y ad SMV experto
Imagen de
8,364 10,12 0,50
prueba ID 1 1 Imagen 26. Excel
4 71 63
1
Imagen de
6,437 8,703 0,36
prueba ID 0 0
5 1 32
2
Imagen de 7,704 10,21 0,44 1 1
Imagen 27. Excel Imagen 30. Excel

c. Explique cada línea de código

% Nombre: Robin Eduardo Vidual Almanza
% Periodo: 1601_2024
clc
clear all
close all
% Leer los datos de entrenamiento desde el
archivo Excel
datos = xlsread('Entrenamiento.xlsx');
% Extraer las características de los datos de
entrenamiento
caracteristicas = datos(:, 1:3);
% Extraer las etiquetas de entrenamiento
Imagen 28. Excel entrenamiento = datos(:, 4);
% Entrenar una máquina de soporte vectorial
(SVM)
% Entrenamiento Máquina - Jorge Hernandez
svmStruct = fitcsvm(caracteristicas,
entrenamiento, 'Standardize', true,
'KernelFunction', 'linear', 'KernelScale',
'auto');
% Leer los datos de prueba desde un archivo
Excel
prueba = xlsread('Prueba.xlsx');
% Extraer las características de los datos de
prueba
xprueba = prueba(:, 1:3);
% Utilizar la SVM entrenada para predecir las
clasificaciones de los datos de prueba
clasificacion = predict(svmStruct, xprueba);
% Mostrar las clasificaciones predichas
disp(clasificacion);

Punto 4
Imagen 29. Excel Clasificador de umbral o perceptrón: con dos características
(centroide en Y, y circularidad), el estudiante realizará el
clasificador por umbral. El estudiante debe investigar cómo
realizar este clasificador, anexar el código y resultados
obtenidos.

ID 1
 Imagen 31. ID 1 Imagen 33. ID 14
ID 2 ID 15

Imagen 32. ID 2 Imagen 34. ID 15

ID 16

ID 3

Imagen 35. ID 16
ID 17

Imagen 32. ID 3
ID 14
 Imagen 36. ID 17 REFERENCES

 Nixon, M. S., & Aguado, A. S. (2002). Feature Extraction and

Image Processing. Oxford: Newnes, pp. 37 - 81.
IV. CONCLUSIONES https://bibliotecavirtual.unad.edu.co/login?url=https://search.ebsch
ost.com/login.aspx?
 Se amplio el conocimiento en el manejo de las direct=true&db=nlebk&AN=204193&lang=e&site=e ds-
máquinas de extracción de características de una live&scope=site
imagen.  Bovik, A. C. (2005). Handbook of Image and Video Processing
 Se realizo comparaciones de base de datos para un (Vol. 2nd ed). Amsterdam: Academic Press, pp. 57 - 73.
https://bibliotecavirtual.unad.edu.co/login?ur
manejo más pactico de las máquinas. l=https://search.ebscohost.com/login.aspx?direct
 Se refuerzan conocimientos con métodos prácticos en =true&db=nlebk&AN=214674&lang=es&site=e ds-
la detección y procesamientos de imágenes con live&scope=site
factores específicos.  Mateus, P. (2017, junio 26), Clasificadores. [OVI]. Repositorio
Institucional UNAD. https://repository.unad.edu.co/handle/10
596/12679