TRATAMIENTO DE IMÁGENES_UNIDAD 2 PASO 3

ESTUDIANTE
Francisco Javier Vanegas Perfetty

Universidad Nacional Abierta y a Distancia

Ingeniería Telecomunicaciones.

DOCENTE

PAOLA ANDREA MATEUS

Medellín 20 de Octubre 2019

 a. ¿Qué es extracción de características en una imagen?
Tenemos la posibilidad de definir los puntos claves que caracterizan una imagen,
los cuales, posteriormente podrán ser localizados en otros escenarios, de esta
manera podremos encontrar automáticamente objetos en distintas imágenes. Asi la
extracción de características de una imagen es definir mediante descriptores el área
de interés de una imagen mas apropiada.
Y poder tener múltiples beneficios con esta información (Definir entradas y salidas
de una imagen para una computadora, detección de rostros, clasificación de partes
de una imagen, etc.)

b. ¿Qué es un clasificador de umbral o perceptrón?

Es una limitación de dos clases o dos

caracteres, tiene una separación lineal de
los datos asignados, ya que existen
algunos problemas de clasificación de
patrones que sin el umbral no tendrían
solución.

c. ¿Qué es un clasificador supervisado y no supervisado en

imágenes?

La clasificación no supervisada Es donde los

resultados (agrupaciones de píxeles con
características comunes) se basan en el análisis
de software de una imagen sin que el usuario
proporcione clases de muestra. La computadora
usa técnicas para determinar qué píxeles están
relacionados y los agrupa en clases. El usuario
puede especificar qué algoritmo utilizará el
software y el número deseado de clases de salida,
pero de lo contrario no ayuda en el proceso de
clasificación. Sin embargo, el usuario debe tener conocimiento del área que
se está clasificando cuando los grupos de píxeles con características
comunes producidos por la computadora deben estar relacionados con las
características reales en el suelo (como humedales, áreas desarrolladas,
bosques de coníferas, etc.).
 Clasificación supervisada Se basa en la idea de que un usuario puede
seleccionar píxeles de muestra en una imagen que sean representativos de
clases específicas y luego dirigir el
software de procesamiento de imágenes
para usar estos sitios de entrenamiento
como referencias para la clasificación de
todos los otros píxeles en la imagen. Los
sitios de capacitación (también conocidos
como conjuntos de prueba o clases de
entrada) se seleccionan en función del
conocimiento del usuario. El usuario
también establece los límites de cómo
deben ser otros píxeles similares para agruparlos. Estos límites a
menudo se establecen en función de las características espectrales
del área de entrenamiento, más o menos un cierto incremento (a
menudo basado en el "brillo" o la fuerza de reflexión en bandas
espectrales específicas). El usuario también designa el número de
clases en que se clasifica la imagen.

d. ¿Qué es máquina de soporte vectorial?

Con SVM podemos clasificar
correctamente los datos invisibles, es
un algoritmo de aprendizaje
automático supervisado. Puede ser
utilizado para problemas de
clasificación o regresión. Utiliza un método llamado kernel trick para
transformar sus datos.
Sobre la base de estas
transformaciones, encuentra un
límite óptimo entre las posibles
salidas.
 Alungas aplicaciones de SVM

 Capacidad de una computadora para recibir e interpretar

entradas manuscritas de fuentes como documentos en papel,
fotografías , pantallas táctiles y otros dispositivos.
 SVM se puede utilizar en la detección de rostros. Clasifica
partes de la imagen como cara y no cara.

e. ¿Qué y cuáles tipos de kernels tiene una SVM?

SVM utiliza funciones matemáticas que se definen como kernel. Los
kernel toman los datos como entradas y los transforman en una
forma requerida, SVM utiliza varios tipo de kernel:
 Función de base radial gaussiana (RBF) y Kernel
gaussiano
Utiliza cuando no hay conocimiento previo sobre los datos.
 Kernel polinomial: Es popular en el procesamiento de
imágenes
 Laplace RBF
 Núcleo tangente hiperbólico: Podemos usarlo en redes
neuronales.
Sigmoid kernel.

REFERENCIAS
1] Hastie, T., R. Tibshirani, and J. Friedman. The Elements of Statistical Learning, second edition.
New York: Springer, 2008.
[2] Christianini, N., and J. Shawe-Taylor. An Introduction to Support Vector Machines and Other
Kernel-Based Learning Methods. Cambridge, UK: Cambridge University Press, 2000.
[3] Fan, R.-E., P.-H. Chen, and C.-J. Lin. “Working set selection using second order information for
training support vector machines.” Journal of Machine Learning Research, Vol 6, 2005, pp. 1889–
1918.
[4] Kecman V., T. -M. Huang, and M. Vogt. “Iterative Single Data Algorithm for Training Kernel
Machines from Huge Data Sets: Theory and Performance.” In Support Vector Machines: Theory
and Applications. Edited by Lipo Wang, 255–274. Berlin: Springer-Verlag, 2005.

https://la.mathworks.com/help/stats/support-vector-machines-for-binary-classification.html

https://la.mathworks.com/discovery/support-vector-machine.html