TRABAJO INDIVIDUAL DE LA TAREA 3
TRATAMIENTO DE IMAGENES
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)
Grupo 208054
Laura marcela calderón García. C.C. 1033758214
CIUDAD BOGOTA
2023
INTRODUCCIÓN
Con este presente trabajo desarrollaremos y entenderemos como las diferentes
formas, implementos y componentes de cómo podemos modificar las capas de los
elementos primarios , adicionando las funciones que implementan en MATLAB para
lograr validar los diferentes códigos BINARIOS de nuestra imagen.
OBJETIVOS
◘ Lograr identificar la forma correcta como las funciones logran validar la imagen en
forma correcta
◘ Continuar con el aprendizaje de nuevos componentes al momento de modificar
una imagen para encontrar su código binario
◘ Aclarar las dudas encontradas en respecto de esta actividad.
CUERPO
1. Definición de conceptos: estudiando el libro guía, el estudiante investiga de
manera individual y realiza una infografía con cualquier herramienta online (genially,
canva entre otras), donde se evidencie una breve explicación de los siguientes
temas:
a. ¿Qué es extracción de características en una imagen? (responda esta pregunta
en 4 renglones máximo)
b. ¿Qué es un clasificador supervisado conocido como Árboles de decisión?
(responda esta pregunta en 4 renglones máximo)
c. ¿Qué es un clasificador supervisado conocido como Regresión por mínimos
cuadrados? (responda esta pregunta en 4 renglones máximo)
d. ¿Qué es un clasificador supervisado y no supervisado en imágenes? (responda
esta pregunta en 8 renglones máximo)
e. ¿Qué es el clasificador supervisado conocido como Support Vector Mchine
(SVM)? (responda esta pregunta en 4 renglones máximo)
f. ¿Cuáles tipos de kernels tiene una SVM? defina cada uno de estos kernels
(responda esta pregunta en 8 renglones máximo)
[Link]
G0hVOVTXPiCzOA/view?utm_content=DAFgtUpvZyw&utm_campaign=desig
nshare&utm_medium=link&utm_source=publishsharelink
2. 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.
% Nombre: Laura Calderon
% Año: 2023
% Periodo: 16-01
clear all
clc
close all
placa=imread("[Link]");
[placa pos]=imcrop (placa);
grayplaca=rgb2gray(placa);
figure;
imshow(grayplaca)
grayplaca=im2double(grayplaca);
figure;
imhist(grayplaca)
placa=im2double(placa);
figure;
imshow(placa)
umbral=0.3765;
binplaca = im2bw(placa,umbral);
binplaca= ~binplaca
figure;
imshow(binplaca)
numpixels=246;
filtro1=bwareaopen(binplaca,numpixels);
figure;
imshow(filtro1)
[Lo num]=bwlabel(filtro1);
prop=regionprops(Lo);
figure;
imshow(Lo)
ultimo_numero = imcrop(filtro1,prop(end).BoundingBox);
figure;
imshow(ultimo_numero)
prop_ultimo_numero=regionprops(ultimo_numero,'Centroid','Circularity')
a. Explique cada línea de código.
COMANDO EXPLICACION
% Nombre: Laura Calderon Informacion del estudiante
% Año: 2023 Informacion del estudiante
% Periodo: 16-01 Informacion del estudiante
clear all
Los comandos nos sirven para minimizar el riesgo de
clc
transcribir las variables
close all
nombre del proyecto , seguido de lectura de imagen y
placa=imread("[Link]");
entre parentesis la imagen seleccionada
[placa pos]=imcrop (placa); recorta la imagen
convierte de 3 capas a una sola capa en este caso de RGB
grayplaca=rgb2gray(placa);
a GRIS
figure; se esta llamando la figura
imshow(grayplaca) dibujar y mostrar lo que se almaceno en la imread
grayplaca=im2double(grayplaca); se requiere para hacer el histograma
figure; se esta llamando la figura
imhist(grayplaca) nos muestra la imagen optenida
nos convierte la imagen seleccionada en doble presicion
placa=im2double(placa);
de grises
figure; se esta llamando la figura
nos muestra la escala de grises en el umbral
imshow(placa)
especificado
umbral=0.3765; umbral local con su respectivo valor
binplaca = im2bw(placa,umbral); se pasa de blanco y negro a binarizacion
binplaca= ~binplaca nos convierte la imagen en blanco y negro
figure; se esta llamando la figura
nos muestra la escala de grises en el umbral
imshow(binplaca)
especificado
numpixels=246; cuenta los pixeles de la imagen
realiza el filtro de la cantidad de objetos que tengan
filtro1=bwareaopen(binplaca,numpixels);
menos de los pixeles
figure; se esta llamando la figura
imshow(filtro1) nos muestra la imagen filtrada
[Lo num]=bwlabel(filtro1); genera etiqueta para objetos y los enumera
prop=regionprops(Lo); muestra las caracteristicas del objeto
figure; se esta llamando la figura
imshow(Lo) nos grafica la informacion de la respectiva etiqueta
ultimo_numero =
procede a recoger el ultimo objeto
imcrop(filtro1,prop(end).BoundingBox);
figure; se esta llamando la figura
imshow(ultimo_numero) nos grafica la informacion de la respectiva etiqueta
prop_ultimo_numero=regionprops(ultimo_numero,'C procede a mostrar la informacion de la etiqueta
entroid','Circularity') (Centroid & Circularity) en el command windows
b. ¿Cómo funciona y que datos obtienen de la función “bwlabel”?
comprendemos que la función en mención es un procesamiento de imágenes el
cual se utiliza para etiquetar los objetos que se encuentran conectados en una
imagen binaria para que esta función tome una imagen binaria como entrada y
devuelva una matriz a la etiqueta para que asigne un número a cada pixel en la
imagen.
Podemos resumir esto con que la función BWLABEL es una herramienta muy útil
para la segmentación de imágenes y al mismo tiempo para analizar el objeto ya que
esto nos permite etiquetar y contar objetos conectados a nuestra imagen binaria.
c. ¿Qué valor se obtiene en las variables “Lo” y en “num”?
Estos son valores que se obtienen cuando se tratan de Un mezclador al
transferir el ruido de fase del oscilador local (LO) directamente a su salida.
d. ¿Cómo funciona y que datos obtienen de la función “regionprops”?
función principal en MATLAB la cual devuelve las medidas para el conjunto de las
propiedades especificadas, por las propiedades para cada componente conectado
(objeto) en la imagen binaria, BW
CARRO 1
Carro 3
CARRO 2
Carro 4
Carro 5
Carro 7
Carro 6
PUNTO 2
a. Cada estudiante debe obtener las siguientes características de cada una de las
imágenes de la base de datos de entrenamiento. Las características las debe
guardar en una matriz de Excel donde se tenga la siguiente información:
centroide en X centroide en Y Circularidad Clasificacion SVM Clasificacion Experto
Imagen de
entrenamiento carro 20.3748 37.6294 0.5192 1
1
Imagen de
entrenamiento carro 33.7096 61.9350 0.5367 1
2
Imagen de
entrenamiento carro 22.7042 41.8933 0.1843 1
3
Imagen de
entrenamiento carro 33.7096 61.9350 0.5376 0
4
Imagen de
entrenamiento carro 45.3725 95.5137 0.1681 0
5
Imagen de
entrenamiento carro 49.4565 78.9304 0.5383 1
6
Imagen de
entrenamiento carro 44.2771 82.0556 0.5689 0
7
PUNTO 3
a. 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 crea
% Nombre: Laura calderon
% Periodo: 16/01
% Año: 2023
clear all
clc
close all
datos=xlsread('[Link]');
caracteristicas=datos(1:end,1:3);
entrenamiento=datos(1:end,4);
%Entrenamiento Máquina Laura calderon garcia
svmStruct=fitcsvm(caracteristicas,entrenamiento,'Standardize',true,'KernelFuncti
on','linear','KernelScale','auto');
prueba=xlsread('[Link]');
xprueba=prueba(1:end,1:3);
clasificacion=predict(svmStruct,xprueba)
• El estudiante debe incluir en el documento de entrega un pantallazo de la tabla de
las características con las que entreno la máquina, es decir las contenidas en
[Link] y un pantallazo de la tabla que contiene las características
nuevas contenidas en [Link].
centroide en centroide en Clasificacion
Circularidad Clasificacion Experto
X Y SVM
Imagen de
entrenamiento 12.5657 37.6294 0.4568
carro 1
Imagen de
entrenamiento 50.4456 98.5656 0.6887
carro 2
Imagen de
entrenamiento 21.5657 56.4545 0.1843
carro 3
Imagen de
entrenamiento 34.5676 45.667 0.5376
carro 4
Imagen de
entrenamiento 45.3725 95.5137 0.44567
carro 5
Imagen de
entrenamiento 49.4565 98.3456 0.6758
carro 6
Imagen de
entrenamiento 44.2771 82.0556 0.9867
carro 7
• Explique cada línea del código
COMANDO EXPLICACION
% Nombre: Laura calderon Informacion del estudiante
% Periodo: 16/01 Informacion del estudiante
% Año: 2023 Informacion del estudiante
clear all Los comandos nos sirven para
clc minimizar el riesgo de transcribir las
close all variables
datos=xlsread('[Link]'); Nos permite leer un archivo en excel
procede a asignar valores de filas y
caracteristicas=datos(1:end,1:3);
coluumnas de excel
los valores de las filas 7 hasta la
entrenamiento=datos(1:end,4);
columna 4 de excel
%Entrenamiento Máquina Laura calderon garcia informacion de marca en el codigo
svmStruct=fitcsvm(caracteristicas,entrenamiento,'Standardize',tru
Maquina de soporte virtual
e,'KernelFunction','linear','KernelScale','auto');
prueba=xlsread('[Link]'); prueba de lectura en excel
crea una variable definiendo las
xprueba=prueba(1:end,1:3); caracteristicas a tener en cuenta para
su clasificacion
nos prueba la maquina virtual con la
clasificacion=predict(svmStruct,xprueba) prediccion de los respectivos analisis
de SW con su matriz
PUNTO 4
a. Clasificador de umbral o perceptor: 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.
if % con esta función podemos validar si el valor se cumple para ejecutar una acción,
si no es de esta forma entonces la imagen está mal
else % sino se cumple el casi if entonces procedemos a ejecutar otra acción, la cual
nos indicara que nuestra imagen está bien
end % cierre o fin del ciclo if
centroide en Y Circularidad
Imagen de entrenamiento
45.5657 0.5767
carro 1
Imagen de entrenamiento
78.5656 0.8989
carro 2
Imagen de entrenamiento
56.4545 0.1843
carro 3
Imagen de entrenamiento
45.6675 0.5376
carro 4
Imagen de entrenamiento
95.5137 0.44567
carro 5
Imagen de entrenamiento
88.3456 0.6758
carro 6
Imagen de entrenamiento
82.0556 0.9867
carro 7
CONLCUSIONES
Conocer la importancia de cómo podemos desarrollar de una manera eficaz el
proceso de las capas de una imagen logrando confirmar que mediante procesos de
programación para abrir las capas principales de una imagen logrando cambiar su
color principal, identificando como programar una maquina virtual para lograr
conocer como obtener su centroide y circularidad
BIBLIOGRAFÍA
Nixon, M. S., & Aguado, A. S. (2002). Feature Extraction and Image
Processing. Oxford: Newnes, pp. 83 -
134. [Link]
com/[Link]?direct=true&db=nlebk&AN=204193&lang=es&site=eds-
live&scope=site
Nixon, M. S., & Aguado, A. S. (2002). Feature Extraction and Image
Processing. Oxford: Newnes, pp. 399 -
432. [Link]
com/[Link]?direct=true&db=nlebk&AN=204193&lang=es&site=eds-
live&scope=site
Mateus, P. (2019, Enero 14), Análisis estadístico de resultados. [OVI].
Repositorio Institucional
UNAD.[Link]
