Reconomiento De Pixeles De Piel En Imagenes

Universidad de La Frontera
Facultad de Ingeniería, Ciencias y Administración
Departamento de Ingeniería Eléctrica

Tarea Nº3
Reconocimiento De Patrones
“Reconocimiento de píxeles de piel en imágenes”

Integrantes: Sergio Godoy Saldias
Teoberto Ñancupil Curimil.
Profesor: Dr. Fernando Huenupan.
Fecha: 09 de Enero de 2012.

Resumen
* El presente informe hacereferencia al reconocimiento de patrones y clasificación de elementos con más de una característica, se mostrarán las distribuciones de las características de cada clase, se determinará la función discriminante, se probarán las medidas de desempeño por medio de de una base de datos de prueba previamente seleccionada, las cuales se verán reflejadas en las curvas DET, ROC, FNR y FPR versus unumbral. Las actividades anteriores se realizan bajo las condiciones de Matriz Diagonal y Matriz Completa y se verán semejanzas y similitudes, además de probar con relaciones diferentes entre base de datos de entrenamiento y de prueba, ajustada del archivo de las imágenes. Se muestra además el código fuente de la rutina en forma parcial y los más importantes.
Introducción
El reconocimiento depatrones como se señaló anteriormente permite la clasificación de elementos pertenecientes al mundo físico real, mediante la observación de diferentes características que aplicando herramientas matemáticas y probabilísticas adecuadas, podemos obtener un clasificador medianamente adecuado.
Se analizaran dos tipos de piedras de distintos tamaños y color, lo que permitirá obtener una mejor clasificaciónentre dos conjuntos de piedras, ya que se utilizara los criterios de tamaño y color de la piedra, lo que reducirá de manera sustancial cualquier posibilidad de error en la clasificación de las piedras.
En este caso utilizaremos el clasificador de Bayes para este análisis, el cual generara una serie de funciones discriminantes en función de la cantidad de características a analizar, en este caso,dos. La función discriminante será determinada por la diferencia entre la clase g1 con la clase g2, la que será analizada con los valores de la matriz de covarianza diagonal y la matriz de covarianza completa.
Se graficara las curvas de decisión con las matrices diagonales y completa, y se comparara también con la suposición de que P (C1) = P (C2), asimismo se evaluaran las distintas medidas dedesempeño como los son las curvas DET, ROC, FNR y FPR versus el umbral de decisión.
Finalmente se analizara el desempeño del reconocedor, aumentando y disminuyendo “imágenes BD Entrenamiento versus imágenes BD evaluación” con el fin de evaluar y definir la verdadera efectividad del reconocedor.


Desarrollo

La base de datos que se utilizaran son 26 imágenes de entrenamiento que sedividen en piel y no piel, 20 imágenes de evaluación que se dividen en piel y no piel y 2 imágenes de test para los clasificadores que se describirán a continuación:

1. Clasificador GMM utilizando k-means.
Según el Likelihood ratio:
PrPixelRGBPiel)PrPixelRGBNo-Piel)>θ

En este caso se utilizó el toolbox GMM-GMR de Matlab para obtener la base de datos
a) Entrenamiento del clasificadorGMM con k-means

%% ENTRENAMIENTO CON GMM, KMEANS %%function [Priors, Mu, Sigma, XXX] = base_datos_piel(direccion_piel, nfotos, ngaus) %%% VARIABLES DE ENTRADA %%%%%direccion _piel = dirección en el disco donde va a buscar la imagen para leerla% nfotos =numero de la foto que lee% ngaus =numero de gaussianas para Kmeans %%% VARIABLES DE SALIDA %%%%%Estadísticas para lasgaussianas% Priors= Ganancia para la normalizar las gausianas % Mu = Medias por gausianas% Sigma = Matriz de covarianzas% XXX = Conjunto de datos resultantes para piel%%clear R G B RR GG BB C CCclcR=[];%%%%%%%%%%%%%%%%%%%%%%%%%%%%G=[];%%% Creacion de matrices %%%B=[];%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%% 255= blanco-aclara%%% 0= Negro-oscurece %% LEE IMAGEN Y GUARDA DATOS DE PIEL EN...