Fase 3 CLASIFICADORES Y ENTRENAMIENTO DE MÁQUINAS

Entregado por:

ANGEL ENMANUEL ORTIZ CRUZ

Código: 1073155220

Grupo: 208054_13

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA
OCTUBRE 2018
BOGOTA
 DESARROLLO

Implementación de los siguientes códigos

Procedimiento (Experimento) – Parte Individual

Enferma1
Enferma2
Enferma3
Sana1

Sana2
Sana3
a. Explique cada línea de código.

se3=strel ('line',8,3);
dilatacion1=imdilate (Filtro1,se3);
figure;
imshow (dilatacion1)
[Lo num] =bwlabel (dilatacion1);
prop=regionprops (Lo);
figure;
imshow (Lo)
se3=strel ('line',8,3);
Para la función strel se representa un elemento estructurante morfológico plano, que es una parte
esencial de las operaciones de dilatación y erosión morfológicas.
dilatacion1=imdilate (Filtro1,se3);
con esta línea se dilata la imagen en escala de grises, binaria o empaquetada , devolviendo la imagen
dilatada
imshow (dilatacion1)
muestra la imagen devuelta dilatada

b. ¿Cómo funciona y que datos obtienen de la función “bwlabel”?

Esta función devuelve la matriz de etiquetas BW que contiene etiquetas para los 8 o 4 objetos
conectados que se encuentran en la variable

c. ¿Qué valor se obtiene en las variables “Lo” y en “num”?

Lo: Etiqueta de matriz de regiones contiguas, devuelta como matriz de enteros no negativos con el
mismo tamaño que BW. Los píxeles etiquetados con 0 son el fondo. Los píxeles etiquetados como
1 forman un objeto; los píxeles etiquetados como 2 forman un segundo objeto; y así.

Num: Número de objetos conectados en BW, devueltos como un entero no negativo.

d. ¿Cómo funciona y que datos obtienen de la función “regionprops”?

(BW, propiedades) devuelve medidas para el conjunto de propiedades especificado por propiedades
para cada 8 componentes conectados (objeto) en la imagen binaria, BW. stats es una matriz struct
que contiene una estructura para cada objeto en la imagen. Puede usar regionprops en regiones
contiguas y regiones no contiguas.

2.3 Desarrolle el siguiente código en el script de Matlab

clear all
close all
datos=xlsread('datos.xlsx');
caracteristicas=datos(1:end,1:3);

En estas líneas se leen los datos y características de las imágenes en el documento xlsx

entrenamiento=datos(1:end,4);

En esta línea se dan los parámetros para entrenar la maquina

%entrenamiento maquina
svmStruct =
fitcsvm(caracteristicas,entrenamiento,'Standardize',true,'KernelFunction','linear','KernelScale','auto')
;

En esta línea se dan los pautas para entrenar la maquina con los parámetros dados

prueba=xlsread('prueba.xlsx');
xprueba=prueba(1:end,1:3);

En estas líneas se leen los datos y características de las imágenes en el documento xlsx

clasificacion = predict (svmStruct,xprueba)

con ClassificationSVM almacenan los datos de entrenamiento, valores de parámetros,

probabilidades previas, vectores de soporte e información de implementación algorítmica.

predict (SVMModel, X) devuelve un vector de etiquetas de clase pronosticadas para los datos del
predictor en la tabla o matriz X, según el modelo SVMModel de clasificación SVM completo o
compacto y entrenado.