Sistemas Inteligentes Proyecto de Fin del

Curso
Desarrollo de un sistema inteligente para el reconocimiento de patrones de imágenes
Los alumnos preparan al menos 10 muestras por
cada tipo de imagen, las cuales serán usadas
1. Objetivo del Proyecto. como datos de entrenamiento.
Desarrollar un programa de software en Matlab, C Verifique el tamaño de las imágenes, la forma, el
o C++ para que permita leer imágenes desde una color, y determine qué tipo de característica será
cámara web en tiempo real, segmentar la imagen, usada para el proceso de clasificación.
identificar las regiones de interés y reconocer a
los objetos encontrados clasificándolos en
algunos de los tipos preestablecidos. Fuente de datos para la etapa de pruebas. Las
5. imágenes para probar serán dibujadas por el
usuario en el momento en que se desee probar la
2. Lenguaje de programación. efectividad del clasificador para categorizar
Para el desarrollo del proyecto los alumnos imágenes.
pueden hacer uso de las siguientes herramientas:
Matlab. Image Processing Toolbox
Procedimiento de solución.
(www.mathworks.com) 6.
Funciones para el procesamiento de imágenes
Captura de las imágenes.
Para que el computador tenga la imagen cargada
OpenCV (http://sourceforge.net/projects/opencv/)
los alumnos hacen uso de una cámara web
Librería de funciones en C, para el procesamiento de
imágenes
Categorización de las imágenes
Antes de aplicar alguna técnica de procesamiento
de imágenes, las imágenes deben ser
3. Etapas del proyecto
categorizadas, es decir debe de crear un
El proyecto se desarrolla en dos etapas: a)
procedimiento para saber qué tipo de imagen es
Entrenamiento.
la qué esta leyendo el computador en algún
• Se hace uso de una cámara para leer las
instante
imágenes categorizadas
• Se obtiene las características de la imágenes
Procesamiento de la imagen
• Se entrena la rede neuronal
Se aplica las técnicas de binarización,
• Se obtiene los pesos
segmentación y de matemática morfológica para
b) Prueba.
identificar las regiones de interés.
• Se hace uso de una cámara para leer las
imágenes nuevas no categorizadas (las que hay
Todo el procesamiento de la imagen se debe de
que identificar y clasificar)
hacer en imágenes binarias, por lo que el nivel de
• Se obtiene las características de la imágenes
gris o el color no se toma en consideración, estas
• Se usa los pesos obtenidos en la etapa anterior
restricciones pueden ser levantadas según las
para identificar la imagen
recomendaciones del profesor.
• Se presenta los resultados
Extracción de características Dado que no es
posible ingresar una imagen directamente a un
4. Fuente de datos para el entrenamiento. Seleccionar
clasificador, antes debe extraerse un conjunto de
10 tipos de imágenes y variaciones de ellas, por ejemplo
características que tengan significancia para el
en la siguiente figura se presenta tres tipos de
proceso de clasificación.
imágenes:
Dado que no es posible conocer a priori qué
características extraer desde las imágenes, el
procedimiento general consiste en extraer el
mayor número de características y luego probar
para ver que subconjunto permite minimizar el
error del clasificador.
Entre estas características se puede extraer: neuronal ya entrenada y obtener ´la
1. Área. Mide el número de pixeles de la categoría pronosticada.
imagen. Es dependiente del tamaño de la
imagen. Evaluación del error.
2. Perímetro. Mide el número de pixeles del El cálculo del error del clasificar es una medida de
borde de la imagen. Es dependiente del que tan bueno es el algoritmo para reconocer
tamaño de la imagen. imágenes.
3. Compacidad. Mide la relación
perímetro2/área. Es independiente del tamaño Elabore algunas medidas del error con el apoyo
de la imagen. 7. del profesor del curso.

Arquitectura de la red neuronal Entregables

Los alumnos pueden usar una red perceptron o
una red de retropropagación para el desarrollo del Los alumnos hacen entrega de los siguientes
trabajo. informes y documentos.

Semana Actividad
Entrenamiento
1
Se entrena una red neuronal con
las características extraidas desde cada una de las 2 Grupo de trabajo
imágenes categorizadas para preparar datos de 3 Tipos de imágenes a clasificar
la siguiente forma (esta tabla es referencia) 4 Procedimiento de binarización
5 Procedimiento de segmentación
C1 C2 C2 clase
64 28 12.25 0 6 Procedimiento de extracción de características
64 28 12.25 0 7 Operación de la camara web
62.25 26 10.86 0 8 Integración en un solo programa
62.25 26 10.86 0
9 EXAMEN PARCIAL
62.25 26 10.86 0
10 Arquitectura de la red neuronal
52.75 22 9.18 0
28.5 24 20.21 1 11 Preprocesamiento de los datos
20.5 16 12.49 1 12 Entrenamiento de la red neuronal
33.5 16 7.64 1 13 Calculo de la efectividad
24.5 16 10.45 1
14 Mejorar al algoritmo
11.5 11 10.52 1
14.5 14 13.52 1 15 Exposición final
32.75 20 12.21 2 16 EXAMEN FINAL
33.75 20 11.85 2
36.875 21 11.96 2
32.75 20 12.21 2
36.875 21 11.96 2
30.875 19 11.69 2

Donde C1, C2 y C3 son características extraídas desde

cada una de las imágenes, clase es la
categoría a la que pertenece la imagen

Como resultado de esta actividad se obtiene la matriz de

pesos.

Prueba
En esta etapa se hace uso de imágenes de las
que el usuario conoce su categoría, pero la
computadora no lo sabe.

Por lo que es necesario extraer características de

estas imágenes para luego pasarlos por una red