1 / 68

Image Processing Using FL and ANN Chapter 10

Image Processing Using FL and ANN Chapter 10. Dr. Mario Chacón DSP & Vision Lab. Introduction IP using Fl & ANN. Este nuevo enfoque es el que nos proporciona la recién forjada área de Inteligencia Computacional.

urbain
Download Presentation

Image Processing Using FL and ANN Chapter 10

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Image Processing Using FL and ANNChapter 10 Dr. Mario Chacón DSP & Vision Lab

  2. Introduction IP using Fl & ANN Este nuevo enfoque es el que nos proporciona la recién forjada área de Inteligencia Computacional Si revisáramos el trabajo del área de procesamiento digital de imágenes, podríamos percibir el interés de la comunidad de llevar la tecnología de esta área a un acercamiento al comportamiento del funcionamiento del sistema visual humano. Para lograr esto necesitamos incorporar dos grandes características del sistema visual a las tecnologías de procesamiento de imágenes, capacidad de manipular variables lingüísticas y la ambigüedad e incertidumbre que conllevan y la capacidad de aprender. Estas dos características, como veremos en secciones más adelante, nos las proporcionan precisamente la lógica difusa y las redes neurales artificiales.

  3. Fuzzy Logic Zadeh [1965] Lógica bivaluada Zadeh [1996], o computación con variables lingüísticas

  4. Fuzzy LogicFuzzy set and fuzzy operators

  5. Fuzzy LogicFuzzy set and fuzzy operators

  6. Fuzzy LogicFuzzy set and fuzzy operators Es necesario mencionar que el conjunto de soporte de un conjunto difuso consiste en los elementos de tal que Una variable lingüística en el universo de discursose caracteriza mediante

  7. Fuzzy LogicFuzzy set and fuzzy operators Por ejemplo si indica promedio de gris de una imagen entonces puede ser el conjunto . Cada elemento de se representa mediante una función de membresía.

  8. Bajo rígido Bajo difuso Fuzzy LogicFuzzy set and fuzzy operators Figura 11.1 Representación de promedio de gris bajo a) rígido, b) difuso.

  9. bajo medio alto Fuzzy LogicFuzzy set and fuzzy operators Figura 11.2 Representación de promedio de gris, a) bajo, medio, c) alto.

  10. Fuzzy LogicFuzzy set and fuzzy operators

  11. Fuzzy LogicFuzzy set and fuzzy operators

  12. Fuzzy LogicFuzzy set and fuzzy operators

  13. Fuzzy LogicFuzzy set and fuzzy operators

  14. Fuzzy LogicFuzzy set and fuzzy operators Cuando representara la multiplicación de el operador se denominaT-norma, o norma triangular. El operador deberá cumplir con las siguientes características: Límite: Monoticidad: Conmutativa: Asociativa:

  15. Fuzzy LogicFuzzy set and fuzzy operators La norma S o T-conorma corresponde a la unión de dos conjuntos definida como con las siguientes características Límite: Monoticidad: Conmutativa: Asociativa:

  16. Entrada x Salida y Máquina de inferencia Desfusificador Fusificador Reglas Fuzzy LogicFuzzy Inference Systems Figura 11.3 Diagrama general de un sistema de inferencia.

  17. Fusificación Proce. difuso Dominio difuso Imagen difusa nueva Imagen original Desfusificación Fuzzy LogicFuzzy Image Processing Scheme

  18. Fuzzy LogicFuzzy Image Processing Scheme

  19. Fuzzy LogicFuzzy Image Processing Scheme Definición de brillo, , de un pixel puede ser (Chacón [1996]) donde , es el conjunto de tonos de gris de los pixeles. La definición de borde se puede expresar como (Chacón y Aguilar [2001])

  20. Fuzzy LogicFuzzy Image Processing Scheme Modificador que represente muy puede utilizarse para modelar el concepto muy brillante

  21. Fuzzy LogicFuzzy Image Processing Scheme Intensificador de contraste La entropía difusa se expresa como (Klir [1995])

  22. Fuzzy LogicFuzzy Image Processing Scheme Los operadores basados en reglas tienen la forma general siguiente Desfusificación

  23. Fuzzy LogicApplications, binarization Figura 11.6 Ambigüedad en la clasificación de pixeles de las orillas.

  24. a) b) Fuzzy LogicApplications,binarization Figura 11.7 Binarización difusa, a) original, b) binarización.

  25. a) b) Fuzzy LogicApplications,edge definition Figura 11.8 a) Objetos con niveles de borde distintos, b) sus bordes.

  26. Fuzzy LogicApplications,edge definition R1: si la imagen es compleja entonces R2: si la imagen es no compleja entonces

  27. Fuzzy LogicApplications,edge definition Figura 11.9 a) Original, b) borde nivel 1, c) borde nivel 2, d) borde nivel 3, e) borde nivel 4, f) borde nivel 5.

  28. a) b) Fuzzy LogicApplications,edge definition Figura 11.10 Detección de bordes considerando niveles de borde y complejidad de la imagen.

  29. a) b) c) d) Fuzzy LogicApplications,edge definition Figura 11.11 a) Original, b) Sobel, c) Canny , d) Método difuso.

  30. Artifical Neural NetworksIntroduction

  31. x1 w1 x2 w2 O net f(net) wn xn  Artifical Neural NetworksIntroduction

  32. x1 O1 X O O2 x2 Artifical Neural NetworksIntroduction Figura 11.16 a) Multicapa no recurrente, b) multicapa recurrente.

  33. Maestro + O - X ANN  Artifical Neural NetworksIntroduction Figura 11.17 Modelo supervisado.

  34. O X ANN Artifical Neural NetworksIntroduction Figura 11.18 Modelo no supervisado

  35. x1 w1 x2 w2 O net f(net) wn xn  Artifical Neural NetworksMathematical model

  36. x1 w1 x2 w2 O net f(net) wn xn  Artifical Neural NetworksMathematical model b

  37. Artifical Neural NetworksActivation functions Función escalón Lineal saturada Función sigmoidea

  38. Artifical Neural NetworksActivation functions Función tangente hiperbólica Función gaussiana

  39. a) b) c) d) e) f) Artifical Neural NetworksActivation functions Figura 11.20 Funcione de activación. a) Identidad, b) escalón, c) lineal saturada d) sigmoidea, e) tangente hiperbólica f) gaussiana.

  40. x1 w1 x2 w2 O net wn xn b=1  Artifical Neural NetworksTraining Figura 11.21 Modelo del perceptron

  41. Artifical Neural NetworksTraining Primero hay que asignar un valor inicial a cada pesos de la red. Se recomiendan valores aleatorios pequeños. Suministre una entrada al perceptron y obtenga Como la función de activación del perceptron es un escalo, obtenga la salida  Calcule el error en la salida Actualice los pesos del perceptron y la polarización mediante la regla de aprendizaje Donde indica el número de la iteración en el entrenamiento. Repita los pasos ii)- v) para cada vector hasta que ya no se realice ningún cambio en los pesos o bien el número de iteraciones permitidas para el entrenamiento se cumplan.

  42. Artifical Neural NetworksTraining

  43. Artifical Neural NetworksTraining

  44. Artifical Neural NetworksTraining

  45. Artifical Neural NetworksTraining

  46. Artifical Neural NetworksTraining

  47. Artifical Neural NetworksTraining

  48. Artifical Neural NetworksTraining, MADALINE

  49. O x1 x2 Artifical Neural NetworksSelf-organizing Figura 11.23 Modelo de Kohonen.

  50. Artifical Neural NetworksSelf-organizing Figura 11.24 Mapeo de vectores de entrada a neuronas en Kohonen.

More Related