• Author / Uploaded
• yenifer nieto

Citation preview

UNIDAD 3 Paso 4 – Análisis Estadísticos de Resultados Tratamiento de imágenes Tutora: Paola Andrea Mateus

Universidad Nacional abierta y a distancia UNAD Valledupar, Colombia

Abstract- You will find the realization of the activities guide, where the results obtained from the sorting machines will be evaluated and analyzed, such as a vector support machine and the threshold classifier.

Estos análisis serán respaldados con la curva características operativa del receptor ROC, empleándolo para ambas maquinas clasificadoras, evaluando su aprendizaje y eficiencia. OBJETIVOS

However, concepts that clarify doubts and help us when analyzing the results obtained from them will also be studied.



These analyzes will be supported with the operating characteristics curve of the ROC receiver, using it for both sorting machines, evaluating its learning and efficiency.







Analizar resultados arrojados por las maquinas clasificadoras Consultar definiciones enfocadas en el análisis de resultados Realización de curvas ROC, para la eficiencia del aprendizaje de las maquinas Realizar la guía de actividades suministradas por el curso.

Actividad a Desarrollar INTRODUCCIÓN

Definición de conceptos

Se encontrará la realización de la guía de actividades, en donde se evaluará y analizará los resultados obtenidos de las maquinas clasificadoras, como una maquina de soporte vectorial y el clasificador por umbral.

a. ¿Qué es evaluación cualitativa en tratamiento de imágenes?

No obstante, también se estudiará conceptos que nos aclaran dudas y nos brindaran una ayuda a la hora del análisis de resultados obtenidos de estas mismas.

Busca la evaluación de la construcción y describir la realidad. Se examina según las bases y los juicios de los valores y/o datos extraídos de la realidad que se está evaluando

b. ¿Qué es evaluación cuantitativa en tratamiento de imágenes? Es la evaluación que arroja los valores al final del producto, obteniendo resultados de positivos o negativos, sin manera de buscar una mejoría. c. ¿Qué es verdaderos positivos, falsos positivos, verdaderos negativos, falsos negativos, en tratamiento de imágenes? Verdaderos negativos: el diagnóstico es negativo, el clasificador arrojo un negativo y la enfermedad es ausente, el experto que la enfermedad no se presenta en esta imagen

e. ¿Qué es y cómo se realiza la curva característica operativa del receptor ROC? la curva ROC se utiliza de forma general, para estudiar la eficiencia diagnóstica de una prueba, o sea su capacidad de discriminar a las personas verdaderamente enfermas (verdaderas positivas) de aquellas consideradas enfermas de forma errónea (falsos positivos). El mejor punto de corte de la prueba, es el valor de la misma, que arroja una mayor proporción de resultados positivos verdaderos (sensibilidad) con el menor número de resultados falsos positivos (1 – especificidad).

Falso negativo: el diagnóstico es negativo, y la enfermedad es presente. El clasificador dice que efectivamente no es enferma la imagen, mientras que como experto sabemos que el diagnostico en la imagen presenta una enfermedad Falso positivo: es donde el clasificador arroja que si la imagen esta enferma, pero como experto sabemos que no está enferma la imagen Verdadero negativo: el diagnostico es positivo, en donde el clasificador arrojo que es enferma y como experto sabemos que efectivamente esta se encuentra enferma la imagen d. ¿Qué es precisión y exactitud en tratamiento de imágenes? Son análisis estadísticos; resultados encontrados para verificar la precisión y/o exactitud de las máquinas de soporte vectorial, y ver que confiables son en sus aprendizajes. Cada una consta de formulas Precisión: ¿

VP VP+ FP

Exactitud: ¿

VP+VN VP+ FP+ FN +VN

Al trazar el desempeño de dos o más curvas ROC de pruebas diagnósticas, podremos comparar este desempeño de forma gráfica.

3

3

 

Podemos observar que la curva marcada con la letra A, tiene un poder discriminatorio mejor (mayor proporción de verdaderos positivos que falsos positivos para cada punto de corte) que la curva marcada con la letra B; así mismo, se entiende que el área bajo la curva (AUC) de la curva A es mayor que el área bajo la curva de B, por lo que podemos concluir que a mayor área bajo la curva ROC de una prueba diagnóstica, mayor será el poder discriminatorio de esa prueba. Tomado de: https://modulodeestadistica.wordpress.com/c urva-operador-receptor-roc/ IMPLEMENTACION DE CODIGOS EN SOFTWARE 1.

Realice la evaluación cualitativa de los resultados obtenidos en el paso 3. El análisis se realiza entre los resultados que arroja la máquina de soporte vectorial SVM, en la variable “clasificación” contra los resultados reales del experto” La evaluación debe entregar los siguientes datos:

Imáge nes enfer mas

Clasific ador 3

Rea les 3

F P 0

F N 0

V N 3

V P 3

Precis ión 1

Exacti tud 1

La tabla anterior la debe realizar tanto para la SVM como para el clasificador por umbral. Se debe anexar las imágenes resultantes de las imágenes enfermas y sanas obtenidas en el paso 3.

Imagen de prueba Enferm a6 Imagen de prueba Enferm a7 Imagen de prueba Enferm a8 Imagen de prueba Sana 4 Imagen de prueba Sana 5 Imagen de prueba - Sana 6

Ca nti da d de ob jet os en la im ag en

Área máxim a

Área mínim a

Clas ifica ción SV M

Clasif icació n Expe rto

9

1457

34

1

1

14

2168

14

1

1

11

660

54

1

1

1

14781 1

14781 1

0

0

1

56325

56325

0

0

1

16227

16227

0

0

Enferma 6

Sana 4

Enferma 7 Sana 5

Enferma 8 Sana 6

Especificidad Resultado de máquina de soporte vectorial

SPC=

VN 3 3 = = =1 FP+ VN 0+ 3 3

SPC=1

Eje “x” 1−especifidad=1−1=0 Eje x=0 2.



Realizar la curva característica operativa del receptor ROC para la SVM y para el clasificador por umbral. ROC para SVM Precisión Precisi ó n=

VP 3 3 = = VP+ FP 3+ 0 3

Precisi ó n=1

Exactitud Exactitud=

VP+ VN 3+3 6 = = VP + FP+ FN +VN 3+0+ 0+3 6

Exactitud=1

Sensibilidad VPR=

VP 3 3 = = =1 VP+ FN 3+0 3

VPR=1

Eje y=1

Resultado clasificador por umbral – Perceptrón Resultados de imágenes enferma

Clasif icado r Imág 3 enes enfer mas Imág 3 enes sana s



Re ale s 3

FP

FN

VN

VP

Preci sión

0

0

3

3

1

Ex acti tud 1

3

ROC para umbral

Clasificador

por

Precisión Resultados de imagen sana Precisi ó n=

VP 3 3 = = VP + FP 3+ 0 3

Precisi ó n=1

Exactitud Exactitud=

VP+ VN 3+3 6 = = VP + FP+ FN +VN 3+0+ 0+3 6

Exactitud=1 Sensibilidad VPR=

VP 3 3 = = =1 VP+ FN 3+0 3

VPR=1

3. Realice el análisis e informe con los resultados obtenidos en los puntos anteriores.

Especificidad SPC=

VN 3 3 = = =1 FP+ VN 0+ 3 3

SPC=1

Eje “x”

En nuestro modelo la máquina de soporte vectorial, nos dimos cuenta, que los resultados arrojados concuerdan con los datos del clasificador experto. Al observar estos resultados, podemos concluir que elegimos los numpixels y el umbral apropiado para que nuestra maquina SVM, nos dieras los valores correctos.

1−especifidad=1−1=0 Eje x=0 Eje y=1

Al estudiar nuestra curva ROC, se aprecia lo efectivo que es nuestra maquina SVM, donde se especifica en el código, la línea roja representa el 50 % de efectividad, la línea verde es el 100% de efectividad, y la línea azul, nos muestra los resultados obtenidos por nuestra maquina SVM en donde 1 – especificidad = 0 y nuestra sensibilidad es 1, esto nos ubica el punto en x = 0 y y = 1, marcándonos una curva de un 100 % de confiabilidad en esta.

El clasificador por umbral o perceptrón, se le enseño cuando una imagen está enferma y cuando esta sana, trabajando con las características de cantidad de objetos y área máxima. Se convirtió estos anteriores nombrado, en unos y ceros para una mayor comprensión de enseñanza y una eficiencia adecuada de aprendizaje. Relacionando la cantidad de objetos, con el área máxima y poniendo una variable del producto que necesitamos, la neurona, aprendió a diferenciar de una imagen sana de una enferma, logrando un error de 0 en las 30 interacciones que se realizaban

Al obtener los datos arrojados en las actividades anteriores, las imágenes que observamos en la realización de la clasificación de la tabla “pruebas”, favoreció en gran medida a la maquina vectorial. Podemos ver estas imágenes anexas en la pregunta 1, confirmando la realización de la tabla en Excel que allí se encuentra. Se logro entender que un umbral y un numpixels adecuado, se puede realizar una enseñanza efectiva logrando así un rendimiento de mayor a un 50 %, en este caso de un 100 % de efectividad.

Imagen de prueba Enferma 1 Imagen de prueba Enferma 2 Imagen de prueba Enferma 3 Imagen de prueba Sana 1 Imagen de prueba Sana 2 Imagen de prueba - Sana 3

 

Ca ntid ad de obj etos en la ima gen

Área máxima

Área mínima

Clasi ficaci ón SVM

Clasifi cación Expert o

8

1560

93

1

1

5

5076

85

1

1

8

1387

89

1

1

1

147840

147840

0

0

1

57831

57831

0

0

1

18691R 18691 0 Cla F F V V sific ea P N N P ado le r s 3 3 0 0 3 3

IMPLEMENTACION DE CODIGOS EN SOFTWARE

1. Realice la evaluación cualitativa de los resultados obtenidos en el paso 3. El análisis se realiza entre los resultados que arroja la máquina de soporte vectorial SVM, en la variable “clasificación” contra los resultados reales del experto” La evaluación debe entregar los siguientes datos:

La tabla anterior la debe realizar tanto para la SVM como para el clasificador por umbral. Se debe anexar las imágenes resultantes de las imágenes enfermas y sanas obtenidas en el paso 3.

Im ág en es enf er ma s Im ág en es sa na s

3

3

Pr 0 Ex eci act sió itu n d 1 1

Enferma 6

Sana 4

Enferma 7

Enferma 8

Exactitud=

VP+ VN 3+3 6 = = VP + FP+ FN +VN 3+0+ 0+3 6

Exactitud=1

Sensibilidad VPR=

VP 3 3 = = =1 VP+ FN 3+0 3

VPR=1 Resultado de máquina de soporte vectorial Especificidad SPC=

VN 3 3 = = =1 FP+ VN 0+ 3 3

SPC=1 Eje “x” 1−especifidad=1−1=0 Eje x=0 Eje y=1 2. Realizar la curva característica operativa del receptor ROC para la SVM y para el clasificador por umbral. 

ROC para SVM

Precisión Precisi ó n=

VP 3 3 = = VP+ FP 3+ 0 3

Precisi ó n=1

Exactitud

3. Realice el análisis e informe con los resultados obtenidos en los puntos anteriores.

a. Explique los datos y gráfica obtenida.

R/ Se obtiene un resultado al 100% en la gráfica obtenida en MATLAB.

Se obtuvo un resultado al 100% para el clasificador SVM, como prueba de ello obtuvimos una grafica en Matlab, la cual debido a que se seleccionó el umbral y núm. Píxel adecuado para el desarrollo de la actividad. Cuando se obtuvieron los primeros resultados de los umbrales y núm. Píxel en las primeras actividades del curso, se logró observar por medio de las imágenes obtenidas, cual umbral y núm. Píxel era el más adecuado, confirmándolo en el paso anterior donde clasificamos las imágenes de acuerdo con esos datos, y se corrobora esa información en esta actividad.

CONCLUSIÓN En el anterior documento se realizó las actividades correspondientes, donde analizamos y evaluamos los resultados que se obtuvieron de las máquinas de soporte vectoriales y clasificadoras en el paso anterior del curso. También volvimos a hacer uso de los umbrales y núm. Píxel que mejor correspondían y clasificaban mejor las imágenes de café afectadas con la enfermedad de roya.







Para aplicar toda esa parte práctica, se hizo necesario definir conceptos que nos ayudaría a entender con mayor claridad lo que estábamos trabajando y poder realizar de igual forma un correcto análisis de cada resultado, cuyos análisis fueron corroborados con la curva característica operativa del receptor ROC.

Bibliografía 





Bovik, A. C. (2009). The Essential Guide to Image Processing (Vol. 2nd ed). Amsterdam: Academic Press, pp. 69 - 100. Recuperado de http://bibliotecavirtual.unad.edu.co/login? url=http://search.ebscohost.com/login.aspx? direct=true&db=nlebk&AN=249002&lang=es&site =eds-live&scope=site Nixon, M. S., & Aguado, A. S. (2002). Feature Extraction and Image Processing. Oxford: Newnes, pp. 83 134. Recuperado de http://bibliotecavirtual.unad.edu.co/login? url=http://search.ebscohost.com/login.aspx? 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. Recuperado de http://bibliotecavirtual.unad.edu.co/login? url=http://search.ebscohost.com/login.aspx? direct=true&db=nlebk&AN=204193&lang=es&site =eds-live&scope=site

Mateus, P. (2019, Enero 14), Análisis estadístico de resultados. [OVI]. Recuperado de: http://hdl.handle.net/10596/23303 Hemanth, D. J., & Estrela, V. V. (2017). Deep Learning for Image Processing Applications. Amsterdam, Netherlands: IOS Press. Retrieved from http://bibliotecavirtual.unad.edu.co/login? url=http://search.ebscohost.com/login.aspx? direct=true&db=nlebk&AN=1791226&lang=es& site=eds-live&scope=site Curva Operador-Receptor (ROC). (2018, March 5). Retrieved 8 May 2020, from https://modulodeestadistica.wordpress.co m/curva-operador-receptor-roc/