Image processing using fl and ann chapter 10
Download
1 / 68

Image Processing Using FL and ANN Chapter 10 - PowerPoint PPT Presentation


  • 60 Views
  • Uploaded on

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.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Image Processing Using FL and ANN Chapter 10' - urbain


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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
Image processing using fl and ann chapter 10

Image Processing Using FL and ANNChapter 10

Dr. Mario Chacón

DSP & Vision Lab


Introduction ip using fl ann
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.


Fuzzy logic
Fuzzy Logic

Zadeh [1965]

Lógica bivaluada

Zadeh [1996], o computación con variables lingüísticas


Fuzzy logic fuzzy set and fuzzy operators
Fuzzy LogicFuzzy set and fuzzy operators


Fuzzy logic fuzzy set and fuzzy operators1
Fuzzy LogicFuzzy set and fuzzy operators


Fuzzy logic fuzzy set and fuzzy operators2
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


Fuzzy logic fuzzy set and fuzzy operators3
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.


Fuzzy logic fuzzy set and fuzzy operators4

Bajo rígido

Bajo difuso

Fuzzy LogicFuzzy set and fuzzy operators

Figura 11.1 Representación de promedio de gris bajo a) rígido, b) difuso.


Fuzzy logic fuzzy set and fuzzy operators5

bajo

medio

alto

Fuzzy LogicFuzzy set and fuzzy operators

Figura 11.2 Representación de promedio de gris, a) bajo, medio, c) alto.


Fuzzy logic fuzzy set and fuzzy operators6
Fuzzy LogicFuzzy set and fuzzy operators


Fuzzy logic fuzzy set and fuzzy operators7
Fuzzy LogicFuzzy set and fuzzy operators


Fuzzy logic fuzzy set and fuzzy operators8
Fuzzy LogicFuzzy set and fuzzy operators


Fuzzy logic fuzzy set and fuzzy operators9
Fuzzy LogicFuzzy set and fuzzy operators


Fuzzy logic fuzzy set and fuzzy operators10
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:


Fuzzy logic fuzzy set and fuzzy operators11
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:


Fuzzy logic fuzzy inference systems

Entrada

x

Salida y

Máquina de inferencia

Desfusificador

Fusificador

Reglas

Fuzzy LogicFuzzy Inference Systems

Figura 11.3 Diagrama general de un sistema de inferencia.


Fuzzy logic fuzzy image processing scheme

Fusificación

Proce. difuso

Dominio difuso

Imagen difusa nueva

Imagen original

Desfusificación

Fuzzy LogicFuzzy Image Processing Scheme


Fuzzy logic fuzzy image processing scheme1
Fuzzy LogicFuzzy Image Processing Scheme


Fuzzy logic fuzzy image processing scheme2
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])


Fuzzy logic fuzzy image processing scheme3
Fuzzy LogicFuzzy Image Processing Scheme

Modificador que represente muy puede utilizarse para modelar el concepto muy brillante


Fuzzy logic fuzzy image processing scheme4
Fuzzy LogicFuzzy Image Processing Scheme

Intensificador de contraste

La entropía difusa se expresa como (Klir [1995])


Fuzzy logic fuzzy image processing scheme5
Fuzzy LogicFuzzy Image Processing Scheme

Los operadores basados en reglas tienen la forma general siguiente

Desfusificación


Fuzzy logic applications binarization
Fuzzy LogicApplications, binarization

Figura 11.6 Ambigüedad en la clasificación de pixeles de las orillas.


Fuzzy logic applications binarization1

a)

b)

Fuzzy LogicApplications,binarization

Figura 11.7 Binarización difusa, a) original, b) binarización.


Fuzzy logic applications edge definition

a)

b)

Fuzzy LogicApplications,edge definition

Figura 11.8 a) Objetos con niveles de borde distintos, b) sus bordes.


Fuzzy logic applications edge definition1
Fuzzy LogicApplications,edge definition

R1: si la imagen es compleja entonces

R2: si la imagen es no compleja entonces


Fuzzy logic applications edge definition2
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.


Fuzzy logic applications edge definition3

a)

b)

Fuzzy LogicApplications,edge definition

Figura 11.10 Detección de bordes considerando niveles de borde y complejidad de la imagen.


Fuzzy logic applications edge definition4

a)

b)

c)

d)

Fuzzy LogicApplications,edge definition

Figura 11.11 a) Original, b) Sobel, c) Canny , d) Método difuso.



Artifical neural networks introduction1

x1

w1

x2

w2

O

net

f(net)

wn

xn

Artifical Neural NetworksIntroduction


Artifical neural networks introduction2

x1

O1

X

O

O2

x2

Artifical Neural NetworksIntroduction

Figura 11.16 a) Multicapa no recurrente, b) multicapa recurrente.


Artifical neural networks introduction3

Maestro

+

O

-

X

ANN

Artifical Neural NetworksIntroduction

Figura 11.17 Modelo supervisado.


Artifical neural networks introduction4

O

X

ANN

Artifical Neural NetworksIntroduction

Figura 11.18 Modelo no supervisado


Artifical neural networks mathematical model

x1

w1

x2

w2

O

net

f(net)

wn

xn

Artifical Neural NetworksMathematical model


Artifical neural networks mathematical model1

x1

w1

x2

w2

O

net

f(net)

wn

xn

Artifical Neural NetworksMathematical model

b


Artifical neural networks activation functions
Artifical Neural NetworksActivation functions

Función escalón

Lineal saturada

Función sigmoidea


Artifical neural networks activation functions1
Artifical Neural NetworksActivation functions

Función tangente hiperbólica

Función gaussiana


Artifical neural networks activation functions2

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.


Artifical neural networks training

x1

w1

x2

w2

O

net

wn

xn

b=1

Artifical Neural NetworksTraining

Figura 11.21 Modelo del perceptron


Artifical neural networks training1
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.








Artifical neural networks training madaline
Artifical Neural NetworksTraining, MADALINE


Artifical neural networks self organizing

O

x1

x2

Artifical Neural NetworksSelf-organizing

Figura 11.23 Modelo de Kohonen.


Artifical neural networks self organizing1
Artifical Neural NetworksSelf-organizing

Figura 11.24 Mapeo de vectores de entrada a neuronas en Kohonen.


Artifical neural networks hopfield

Entrada

Salida

Artifical Neural NetworksHopfield

Figura 11.25 Red Hopfield


Artifical neural networks probabilistic

x1

x2

xi

xn

O

Artifical Neural NetworksProbabilistic

Figura 11.26 Red Probabilística


Artifical neural networks pcnn
Artifical Neural NetworksPCNN

Figura 11.27 Modelo PCNN



Artifical neural networks pcnn2
Artifical Neural NetworksPCNN

Generador depulsos

Actividad interna

Alimentación

Imagen original

Salida anterior

Encadenamiento

Umbral dinámico

Figura 11.28 Modelo de PCNN.


Artifical neural networks pcnn3

Control de pulsos

Imagen original

PCNN

Imagen pulsada

Discriminación por área

Segmentación y etiquetado

Transformada de Fourier

Extracción de bordes opcional

Discriminación por dimensión

Regiones candidatas

Estadística

Decisión

Artifical Neural NetworksPCNN

(Chacón y Zimmerman [2002]).

Figura 11.29 Esquema dinámico de localización de placas.


Artifical neural networks pcnn4

a)

b)

Artifical Neural NetworksPCNN

Figura 11.30 a) Imagen original, b) Imagen pulsada.


Artifical neural networks pcnn5
Artifical Neural NetworksPCNN

Figura 11.31 Regiones generadas.





Fuzzy neural systems1
Fuzzy Neural Systems

Figura 11.38 Características de textones en las regiones de texto.


Fuzzy neural systems2
Fuzzy Neural Systems

Figura 11.39 a) Transformada de Hough, acumulador y columna de máxima votación a) región de texto, b) región de no texto.


Fuzzy neural systems3
Fuzzy Neural Systems

Figura 11.40 Representación difusa de las salidas de la red.



Fuzzy neural systems5
Fuzzy Neural Systems

Figura 11.41 Imágenes de documentos con regiones clasificadas, en gris texto en negro no texto.




ad