Códigos - Juan Maestre - Paso3

TRATAMIENTO DE IMAGENES
PASO 3 – APRENDIZAJE DE MAQUINAS
PRESENTADO POR.
JUAN CARLOS MAESTRE MEJIA – CÓDIGO (77188654)
No. Grupo:
208054_15
PRESENTADO A.
SANDRA MILENA GARCIA
TUTORA
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

ESCUELA DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA (ECBTI)
PROGRAMA INGENIERIA DE TELECOMUNICACIONES
VALLEDUPAR, 29 OCTUBRE 2020
Actividades a desarrollar Individual
3. Implementación de códigos (componente práctico): cada estudiante debe realizar

de manera individual la implementación de los códigos que se encuentran en el Anexo
1. También debe analizar los resultados obtenidos y crear los scripts que se solicitan en
el mismo anexo.
Implementación de códigos en software

1. Desarrolle el siguiente código en el script de Matlab y guárdelo como
“aprendizaje”. (Asegúrese de estar trabajando en la carpeta que ya se ha creado).
Para esta unidad el estudiante debe trabajar la base de datos de entrenamiento y
la base de datos de prueba (las dos bases de datos serán proporcionadas por el
tutor, por favor, solicitarla por correo interno).
El código a utilizar es el que ya se implementó en el paso 2, en el ejercicio 1. La

combinación de numpixel y umbral, debe ser única para las 6 imágenes y debe ser la
que segmente mejor el dispositivo. Es decir, el estudiante no debe cambiar el valor del
umbral y del numpixel en cada imagen, sino debe ser un mismo valor de estas dos
variables para todas las imágenes proporcionadas por el tutor.
Nota1: Si no está trabajando en la carpeta donde se encuentra la imagen guardada, al

realizar el código le saldrá error.
Nota2: Para que el código sea válido, debe tener una línea con su nombre, año, periodo
académico y semestre actual que está cursando el estudiante (según plan de estudios).
a. Explique cada línea de código.
b. ¿Cómo funciona y que datos obtienen de la función “bwlabel”?

L = bwlabel(BW) devuelve la matriz de etiquetas que contiene etiquetas para
los 8 objetos conectados que se encuentran en LBW. Opcionalmente, puede
etiquetar los componentes conectados en una imagen binaria 2D usar una GPU
c. ¿Qué valor se obtiene en las variables “Lo” y en “num”?

La variable num = 3
La variable Lo = 409x488 double
d. ¿Cómo funciona y que datos obtienen de la función “regionprops”?

stats = regionprops (BW,properties) devuelve medidas para el conjunto de
propiedades especificado por para cada componente 8 conectado (objeto) en la
imagen binaria, . es struct array que contiene una estructura para cada objeto de
la imagen. Propiedades BWstats Puede utilizaren en regiones contiguas y
regiones no contiguas.
Nota 3: El filtro utilizado para este experimento es el generado después de la

binarización (Paso 2, ejercicio 1), si el estudiante utiliza el filtro que se obtuvo después
de la dilatación no obtendrá el puntaje correcto de este experimento.
2. Cada estudiante debe obtener las siguientes características de cada una imágenes de la
base de datos de entrenamiento. Las características las debe guardar en una matriz de
Excel donde se tenga la siguiente información:
Cant. Objetos Área Área Clasificación Clasificación

en la imagen máxima mínima SVM Experto
Comp3 3 38468 16798 1 no supervisada
Celu4 1 48421 48421 0 no supervisada
Compu 3
Compu4
Compu5
Celu4
Celu5
Celu6
El estudiante debe anexar el resultado de cada imagen procesada con un pantallazo de

toda la ventana de Matlab, donde se observe:
ComandWindows, Workspace, y Current Folder.

De acuerdo a la investigación que usted ha realizado sobre máquinas de soporte
vectorial, sabe que la clasificación está dada en binario, por lo tanto, 1 será nuestra
clasificación para imagen del dispositivo de computador y 0 para imagen del dispositivo
de teléfono móvil.
Guarde la tabla anterior como “entrenamiento.xlsx”
3. 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).
Nota1: Si no está trabajando en la carpeta donde se encuentra la imagen guardada, al
realizar el código le saldrá error.
Nota2: Para que el código sea válido, debe tener una línea con su nombre.
Cada estudiante debe obtener las siguientes características de cada una de las imágenes
de la base de datos de prueba. Las características las debe guardar en una matriz de
Excel que se llame “prueba.xlsx” donde se tenga la siguiente información:
Cant. Área Área Clasificación Clasificación
Objetos en máxima mínima SVM Experto
la imagen
Compu1 3 84530 1583 1 No supervisada
Celu1 1 42014 42014 0 No supervisada
El estudiante debe incluir en el documento de entrega tanto la tabla de las características

con las que entreno la máquina, es decir las contenidas en entrenamiento.xlsx y la tabla
que contiene las características nuevas contenidas en prueba.xlsx.
• Explique cada línea del código.
4. Clasificador de umbral o perceptrón: con las dos primeras características (cantidad

de objetos y área máxima), el estudiante realizará el clasificador por umbral. El
estudiante debe investigar cómo realizar este clasificador, anexar el código y resultados
obtenidos.
Cant. Objetos Área
en la imagen máxima
Comp
1 3 84530
Comp
2 3 62740
Comp
3 3 38468
celu1 1 42014
celu2 1 39809
celu3 1 59702
Nota: Este clasificador no se realiza con el mismo código de la SVM, ustedes deben
crear el código usando condicionales “if”.
%% clasificador umbral
clc %limpia la workspace
close all %Cierra las ventanas
datos=xlsread ('datos.xlsx');
Cant_objetos=datos(1:end,1:1);
Area_maxima=datos(1:end,2:2);
filename = 'datos.xlsx';
n= length(Cant_objetos);
dato1 =datos(1:1);
dato2 =datos(2:2);
dato3 =datos(3:3);
dato4 =datos(4:4);
dato5 =datos(5:5);
dato6 =datos(6:6);
Dato1 =Area_maxima(1:1);
disp('****************************************************************
******')
disp('clasificador por umbral.')
disp('****************************************************************
******')
if dato1==1
disp('La imagen Comp1 pertenece a un celular')
disp('Area maxima:')
disp(Dato1)
else disp('La imagen Comp1 pertenece a un computador')
disp(Dato1)
end
if dato2==1
disp(Dato2)
disp(Dato2)
end
if dato3==1
disp(Dato3)
disp(Dato3)
end
if dato4==1
disp('La imagen Celu1 pertenece a un celular')
disp(Dato4)
else disp('La imagen Celu1 pertenece a un computador')
disp(Dato4)
end
if dato5==1
disp(Dato5)
disp(Dato5)
end
if dato6==1
disp(Dato6)
disp(Dato6)
end
CONCLUSIÓN
Por medio de esta actividad pudimos concluir la importancia de clasificar las imágenes
por medio del tratamiento del umbral su área máxima y la cantidad de elementos que la
componen.
Por medio del componente practico se implementaron los códigos que nos permitieron
clasificar diferentes imágenes bancarizadas previamente, determinar su área máxima y
área mínima la cantidad de elementos quela componen entre otras.
BIBLIOGRAFÍA
[1] Perceptrón Simple Archivado el 21 de diciembre de 2012 en la Wayback Machine.,

Redes de Neuronas Artificiales, UC3M, RAI 2012.
[2] Bow, S. T. 2002. Pattern Recognition and Image Preprocessing. 2nd ed. Marcel
Dekker. New York, NY, USA. 698 p.
[3] Otsu, N. 1979. A threshold selection method from gray–level histogram. IEEE
Trans. on System Man Cybernetics 9(1):62–66.
[4] SVM light, implementación de SVM, con variantes para aprendizaje supervisado, y
para semisupervisado transductivo. Liberado para investigación. SVMlin, otra
implementación de SVM. Liberado bajo licencia GPL.

Códigos - Juan Maestre - Paso3

Cargado por

Copyright:

Formatos disponibles

Códigos - Juan Maestre - Paso3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Códigos - Juan Maestre - Paso3

Cargado por

Copyright:

Formatos disponibles

TRATAMIENTO DE IMAGENES

PASO 3 – APRENDIZAJE DE MAQUINAS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

Actividades a desarrollar Individual

3. Implementación de códigos (componente práctico): cada estudiante debe realizar

Implementación de códigos en software

El código a utilizar es el que ya se implementó en el paso 2, en el ejercicio 1. La

Nota1: Si no está trabajando en la carpeta donde se encuentra la imagen guardada, al

a. Explique cada línea de código.

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

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

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

Nota 3: El filtro utilizado para este experimento es el generado después de la

Cant. Objetos Área Área Clasificación Clasificación

El estudiante debe anexar el resultado de cada imagen procesada con un pantallazo de

ComandWindows, Workspace, y Current Folder.

3. Desarrolle el siguiente código en el script de Matlab creado en el punto 1.

El estudiante debe incluir en el documento de entrega tanto la tabla de las características

• Explique cada línea del código.

4. Clasificador de umbral o perceptrón: con las dos primeras características (cantidad

[1] Perceptrón Simple Archivado el 21 de diciembre de 2012 en la Wayback Machine.,

También podría gustarte