TABLA DE CONTENIDOS. Dedicatoria. Agradecimientos. Tabla de Contenidos. Índice de Figuras. Índice de Tablas. Resumen

Tamaño: px

Comenzar la demostración a partir de la página:

Download "TABLA DE CONTENIDOS. Dedicatoria. Agradecimientos. Tabla de Contenidos. Índice de Figuras. Índice de Tablas. Resumen"

Elisa Duarte Cortés
hace 6 años
Vistas:

1 TABLA DE CONTENIDOS página Dedicatoria Agradecimientos Tabla de Contenidos Índice de Figuras Índice de Tablas Resumen I II IV VII X XI 1. Introducción Descripción del contexto Objetivos Objetivo General Objetivos específicos Alcances Sobre las especies de árboles Sobre las hojas de árbol Sobre la fotografía Marco Teórico Procesamiento digital de imágenes Imagen digital Profundidad del color Escala de grises Modelo color RGB Histograma Segmentación por umbralización Umbralizar una imagen Umbralización Iterativa IsoData iv

2 v 2.5. Reducción de ruidos Filtro de Mediana Detección de bordes Detector de bordes Roberts Detector de bordes Prewitt Detector de bordes Sobel Resumen detección de bordes Esqueletización por adelgazamiento Representación mediante K-curvatura Reconocimiento k-nearest Neighbors Funciones discriminantes Re-sampling Resumen Marco Teórico Diseño general del sistema Componentes del sistema ImageJ Aplicación móvil Servidor Metodología de desarrollo Desarrollo PDI aplicado Fase 1: Adquisición Condiciones del ambiente y opciones de cámara Ejemplos de adquisición Fase 2: Validación RGB a escala grises en ImageJ Obtención de umbral automático en ImageJ Criterio Validación A: Brillo Criterio Validación B: Distribución Bimodal Criterio Validación C: Porcentaje píxeles en umbral automático Umbral mejorado

3 vi 4.4. Fase 3: Procesamiento Umbralización Reducción de ruidos Detección de bordes Esqueletización K-Curvatura Fase 4: Reconocimiento Re-sampling Autocorrelación Pruebas y resultados Conjunto de datos Hojas de árbol y sus k-curvaturas Prueba Resultados Elección de Función Discriminante Resultados validación cruzada Elección de parámetro K en k-nn Aumento de clases retornadas por k-nn k-nn optimizado Conclusión Conclusión General Clasificación de las muestras PDI Trabajo a futuro Acrónimos 115 Bibliografía 116

4 ÍNDICE DE FIGURAS página 1.1. Espectro electromagnético Pasos del PDI y Reconocimiento de Patrones Áreas relacionadas al PDI Procesos fundamentales del PDI Representación de una imagen digital Profundidad de color de 1 a 4 bits Modo de color RGB Histograma de 4 niveles de intensidad Vecindario 3x3 centrado en pixel x,y Aplicación de filtro sobre vencindad 3x Esqueletización de letra H Curvatura medida con kcoseno Representación del contorno de un objeto mediante K-curvatura Ejemplo de reconocimiento de patrones Ejemplo de aplicación del algoritmo k-nn básico El proceso de Re-sampling Componentes del sistema Representación de imágenes en ImageJ Estructura de un proyecto RUP Diagrama de flujo del PDI aplicado a las imágenes Ejemplo de escena Factores influyentes en la adquisición de imagen Puertas afuera, a la sombra Puertas afuera, al sol, ajuste de brillo 3/ Puertas afuera, al sol, sin ajuste de brillo puertas adentro, con flash Escena con superficie base Contorno de la hoja incompleto Criterio de validación A vii

5 viii 4.11.Criterio de validación B Criterio de validación C Ejemplos de umbralizar con umbral automático vs umbral mejorado Calcular umbral mejorado Umbralización de imagen en escala de grises Aplicación de despeckle a una imagen binaria Efecto del ruido al obtener la K-curvatura de una imagen Detección de bordes con detector Sobel Esqueletización por adelgazamiento en ImageJ Esqueletización mediante adelgazamiento Contorno menor dentro del contorno de la hoja de árbol Identificación de contorno Imagen para probar valores de K K-curvaturas con distintos valores de K Resumen Desarrollo Resultado de aplicar re-sampling Desplazamiento de una k-curvatura sobre otra Clasificación de hojas de árbol según el limbo A1: Álamo Deltoide A2: Ciclamor A3: Ciruelo A4: Encina A5: Laurel Rosa A6: Liquidámbar A7: Parra A8: Pitosporo A9: Plátano Oriental A10: Roble Negro A11: Sauce Llorón A12: Tulipanero A13: Castaño De Indias A14: Acacia A15: Abedul

6 ix 5.17.Diferencia entre las MNC de A1 y la MYC más parecida de cada clase Promedio de diferencia entre las MNC de A Diferencia entre las MNC de A4 y la MYC más parecida de cada clase Precisión al clasificar 75 MNC con distintos valores de K Efectos que pueden producir clasificación incorrecta Parecido visual de dos muestras de distinta clase

7 ÍNDICE DE TABLAS página 2.1. Clasificación de procesos por su nivel de complejidad Intensidades de píxeles en una vecindad 3x Filtros de Roberts Filtros de Prewitt Filtros de Sobel Coordenadas de los ocho vecinos de un pixel (x,y) Resumen Marco Teórico Identificadores de clases Ejemplo de comparación entre la MNC 1 de A1 y las MYC de A Diferencia entre las MNC de A1 y la MYC más parecida de cada clase Matriz de confusión para las 75 MNC Clasificación k-nn de las 75 MNC con 15 valores dinstintos de K Clasificación para las MNC de A7 con 15 valores distintos de K x

Documentos relacionados

Detección de bordes en una imagen.

Detección de bordes en una imagen. Departamento de Ingeniería electrónica, Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática OBJETIVOS: Utilizar distintas máscaras empleadas para