Upload
esmerelda-mamon
View
216
Download
0
Embed Size (px)
Citation preview
Image Processing Using FL Image Processing Using FL and ANNand ANN
Chapter 10Chapter 10
Dr. Mario ChacónDr. Mario Chacón
DSP & Vision LabDSP & Vision Lab
Introduction IP using Fl & ANNIntroduction 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 LogicFuzzy Logic
Zadeh [1965]
Lógica bivaluada
Zadeh [1996], o computación con variables lingüísticas
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
Axsss
AxsssxA 0
1)(
1,0:)( XxA
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
1,0:)( XxA
XxxxA A ,)(,
Xx
iA
i
xxA /)(
X
A xxA /)(
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
Es necesario mencionar que el conjunto de soporte de un conjunto difuso consiste en los elementos de tal que
AA 0)( xA
Una variable lingüística en el universo de discurso se caracteriza mediante
x X
kxxx TTTxT ,...,, 21
kxxxx ,...,, 21
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy 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.
x xT
altomediobajo ,, xT
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
Bajo rígido Bajo
difuso
a) b)
Figura 11.1 Representación de promedio de gris bajo a) rígido, b) difuso.
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
Figura 11.2 Representación de promedio de gris, a) bajo, medio, c) alto.
bajo medio alto
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
cxfor
cxbforbc
xc
bxaforab
axaxfor
cbaxf
0
0
,,;
xdfor
dxcforcd
xdcxbfor
bxaforab
axaxfor
ccbaxf
0
1
0
,,,;
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
cxforbcbccxS
cxforcbcbcxScbxf
),2/,;(1
),2/,;(,;
cxfor
cxbforac
ax
bxaforac
axaxfor
ccbaxS
1
21
20
,,,;
2
2
2
2
2
2
2exp),;(
cx
cxf
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
xxx BABA ,max
xxx BABA ,min
xx AA 1
212
2112121 ,max
sss
sss
212
2112121 ,min
sss
sss
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
xxxxx BABABA
xxx BABA
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy set and fuzzy operators
xxTx BABA ,
Cuando representara la multiplicación de el operador se
denominaT-norma, o norma triangular.
T
xx BA ,
El operador deberá cumplir con las siguientes características: Límite:
Monoticidad:
Conmutativa:
Asociativa:
aaTaTT ),1()1,(,00,0
dbcasidcTbaT y ),(,
),(, abTbaT
cbaTTcbTaT ),,(),(,
Fuzzy LogicFuzzy LogicFuzzy set and fuzzy operatorsFuzzy 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:
xxSx BABA ,
aaSaSS ),0()0,(,11,1
dbcasiacSbaS y ),(,
),(, abSbaS
cbaSScbSaS ),,(),(,
Fuzzy LogicFuzzy LogicFuzzy Inference SystemsFuzzy Inference Systems
Entradax Fusificador
Máquina de inferencia
Reglas
DesfusificadorSalida y
Figura 11.3 Diagrama general de un sistema de inferencia.
Fuzzy LogicFuzzy LogicFuzzy Image Processing SchemeFuzzy Image Processing Scheme
Imagen original
Fusificación
Dominio difuso
Proce. difuso
Imagen difusa nueva
Desfusificación
Fuzzy LogicFuzzy LogicFuzzy Image Processing SchemeFuzzy Image Processing Scheme
),( yxI ),(),(: yxIyxIF F ),()],([ yxIyxIFO FNF ),(),(: yxIyxID NFN
Fuzzy LogicFuzzy LogicFuzzy Image Processing SchemeFuzzy Image Processing Scheme
Definición de brillo, , de un pixel puede ser (Chacón [1996]) donde , es el conjunto de tonos de gris de los pixeles.
l ),( yxp
bmllF )(
Ll L
La definición de borde se puede expresar como (Chacón y Aguilar [2001])
01
21
2
0
),,;()( 2
2
cb
ac
cx
baac
axa
cbaSF
2,1),(,...,),(,),(: 21 iparaCIyxICIyxICIyxICIFCM in
Fuzzy LogicFuzzy LogicFuzzy Image Processing SchemeFuzzy Image Processing Scheme
Modificador que represente muy puede utilizarse para modelar el concepto muy brillante
)()( bmllF
Fuzzy LogicFuzzy LogicFuzzy Image Processing SchemeFuzzy Image Processing Scheme
Intensificador de contraste
0.1)(5.0)(21
5.0)(0)(22
2
)(xparax
xparax
AA
AAAINT
La entropía difusa se expresa como (Klir [1995])
N
iiiiAA lPlPlE
1)( )(log)()(
Fuzzy LogicFuzzy LogicFuzzy Image Processing SchemeFuzzy Image Processing Scheme
Los operadores basados en reglas tienen la forma general siguiente
k difusa Acción Entonces difusa condición Si:k Regla
Desfusificación
]1,0[]1,0[: LD
),()}( {': yxIxDD NA
Fuzzy LogicFuzzy LogicApplications, binarizationApplications, binarization
Figura 11.6 Ambigüedad en la clasificación de pixeles de las orillas.
255 / )gris de nivel x1j (
ijj uxu 12
Fuzzy LogicFuzzy LogicApplications,binarizationApplications,binarization
n
j
mij
n
jj
miji XV
11
c
i
m
ij
m
ijij VXdVXd 1
1
1
2
1
1
2 ),(
1
),(
1
,2ij
Tijij VXVXVXd
c
i
n
jij
mijm VXdJ
1 1
2 ,)( a) b)
Figura 11.7 Binarización difusa, a) original, b) binarización.
Fuzzy LogicFuzzy LogicApplications,edge definitionApplications,edge definition
a) b)
Figura 11.8 a) Objetos con niveles de borde distintos, b) sus bordes.
Fuzzy LogicFuzzy LogicApplications,edge definitionApplications,edge definition
eIyxI ),(:
ipyEp
jijiCpCpSi
edlied
jedied
nivel como pixel elmarcar entonces
5,...,1, para || ||
R1: si la imagen es compleja entonces R2: si la imagen es no compleja entonces
2,1
),(i
yxEiI
3,2,1
),(i
yxEiI
Fuzzy LogicFuzzy LogicApplications,edge definitionApplications,edge definition
Imagen de Nivel1
50 100 150 200 250 300
50
100
150
200
250
Imagen de Nivel 2
50 100 150 200 250 300
50
100
150
200
250
Imagen de Nivel 3
50 100 150 200 250 300
50
100
150
200
250
Imagen de Nivel4
50 100 150 200 250 300
50
100
150
200
250
Imagen de Nivel5
50 100 150 200 250 300
50
100
150
200
250
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 LogicFuzzy LogicApplications,edge definitionApplications,edge definition
a) b)
Figura 11.10 Detección de bordes considerando niveles de borde y complejidad de la imagen.
Fuzzy LogicFuzzy LogicApplications,edge definitionApplications,edge definition
a) b) c) d)
Figura 11.11 a) Original, b) Sobel, c) Canny , d) Método difuso.
Artifical Neural NetworksArtifical Neural NetworksIntroductionIntroduction
Artifical Neural NetworksArtifical Neural NetworksIntroductionIntroduction
f(net)
x1
x2
xn
w1
w2
wn
Onet
Artifical Neural NetworksArtifical Neural NetworksIntroductionIntroduction
x
1
x
2
O1
O2
Figura 11.16 a) Multicapa no recurrente, b) multicapa recurrente.
X O
Artifical Neural NetworksArtifical Neural NetworksIntroductionIntroduction
Figura 11.17 Modelo supervisado.
OANNX
Maestro
-
+
Artifical Neural NetworksArtifical Neural NetworksIntroductionIntroduction
OANNX
Figura 11.18 Modelo no supervisado
Artifical Neural NetworksArtifical Neural NetworksMathematical modelMathematical model
n
iii nwnxnnet
1
nnetfny
n
iii nwnxfny
1
f(net)
x1
x2
xn
w1
w2
wn
Onet
Artifical Neural NetworksArtifical Neural NetworksMathematical modelMathematical model
f(net)
x1
x2
xn
w1
w2
wn
Onet bnwnxnnet
n
iii
1
bnwnxfnyn
iii
1
b
Artifical Neural NetworksArtifical Neural NetworksActivation functionsActivation functions
00
01
xsi
xsixfFunción escalón
01
01
xsi
xsixf
Lineal saturada
11
11
11
xsi
xsix
xsi
xf
Función sigmoidea xxf
exp1
1
Artifical Neural NetworksArtifical Neural NetworksActivation functionsActivation functions
Función tangente hiperbólica
xx
xf
exp1
exp1
Función gaussiana 2BxAexf
Artifical Neural NetworksArtifical Neural NetworksActivation functionsActivation functions
a) b)
c) d)
e) f)
Figura 11.20 Funcione de activación. a) Identidad, b) escalón, c) lineal saturada d) sigmoidea, e) tangente hiperbólica f) gaussiana.
Artifical Neural NetworksArtifical Neural NetworksTrainingTraining
x1
x2
xn
w1
w2
wn
Onet
b=1
Figura 11.21 Modelo del perceptron
Artifical Neural NetworksArtifical Neural NetworksTrainingTraining
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.
iX bnwnxnnetn
kkk
1
00
01
netsi
netsiOpk
pkT OO
jjj xnwnw 1 nbnb j1
n
Artifical Neural NetworksArtifical Neural NetworksTrainingTraining
Artifical Neural NetworksArtifical Neural NetworksTrainingTraining
Artifical Neural NetworksArtifical Neural NetworksTrainingTraining
Artifical Neural NetworksArtifical Neural NetworksTrainingTraining
Artifical Neural NetworksArtifical Neural NetworksTrainingTraining
Artifical Neural NetworksArtifical Neural NetworksTrainingTraining
Artifical Neural NetworksArtifical Neural NetworksTraining, Training, MADALINEMADALINE
PT OOE 2
1
W
WWW
E
nn 1
XWXOW T E
XWXOWW T nn 1
Artifical Neural NetworksArtifical Neural NetworksSelf-organizingSelf-organizing
x1 x2
O
Figura 11.23 Modelo de Kohonen.
Artifical Neural NetworksArtifical Neural NetworksSelf-organizingSelf-organizing
Figura 11.24 Mapeo de vectores de entrada a neuronas en Kohonen.
Artifical Neural NetworksArtifical Neural NetworksHopfieldHopfield
Entrada Salida
Figura 11.25 Red Hopfield
Artifical Neural NetworksArtifical Neural NetworksProbabilisticProbabilistic
xix1 xnx2
O
Figura 11.26 Red Probabilística
Artifical Neural NetworksArtifical Neural NetworksPCNNPCNN
Figura 11.27 Modelo PCNN
Artifical Neural NetworksArtifical Neural NetworksPCNNPCNN
W1tYS1tFΔtFα
eFeedGtF
M1tY1tLΔtLα
eLinkGtL
tβL1tFtU
tVY1tθθα1
etθ
otherwise 0 if 1 ttU
tY
Artifical Neural NetworksArtifical Neural NetworksPCNNPCNN
Imagen original
Salida anterior
AlimentaciónAlimentación Actividad interna
Actividad interna
Generador de pulsos
Generador de pulsos
EncadenamientoEncadenamientoUmbral dinámico
Umbral dinámico
Figura 11.28 Modelo de PCNN.
Artifical Neural NetworksArtifical Neural NetworksPCNNPCNN
Control de pulsos
Imagen original
PCNN Imagen pulsada Segmentación
y etiquetado
Discriminación por área
Discriminación por
dimensiónRegiones candidatas
Transformada de
Fourier
Estadística Decisión
Extracción de
bordes opcional
Figura 11.29 Esquema dinámico de localización de placas.
(Chacón y Zimmerman [2002]).
Artifical Neural NetworksArtifical Neural NetworksPCNNPCNN
a) b)
Figura 11.30 a) Imagen original, b) Imagen pulsada.
Artifical Neural NetworksArtifical Neural NetworksPCNNPCNN
Figura 11.31 Regiones generadas.
Artifical Neural NetworksArtifical Neural NetworksPCNNPCNN
Fuzzy Neural SystemsFuzzy Neural SystemsTextonsTextons
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~
Fuzzy Neural SystemsFuzzy Neural Systems
Fuzzy Neural SystemsFuzzy Neural Systems
Figura 11.38 Características de textones en las regiones de texto.
Fuzzy Neural SystemsFuzzy 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 SystemsFuzzy Neural Systems
Figura 11.40 Representación difusa de las salidas de la red.
Fuzzy Neural SystemsFuzzy Neural Systems
21112111 OOOOT X
21112111 OOOONT X
textonoesrmade otra fo
textoesSi NTN
X
XXX
Fuzzy Neural SystemsFuzzy Neural Systems
Figura 11.41 Imágenes de documentos con regiones clasificadas, en gris texto en negro no texto.
Artifical Neural NetworksArtifical Neural NetworksPCNNPCNN
Artifical Neural NetworksArtifical Neural Networks