Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas

La segmentación de imágenes en color es un área de gran interés en el procesamiento de imágenes. Diferentes técnicas se han desarrollado, estando entre las más populares las basadas en la clasificación no supervisada de píxeles mediante técnicas de agrupamiento. Sin embargo, no se encuentran en la l...

Full description

Autores:
Gómez Arenas, Daniela Estefanía
Montoya Cruz, Ximena Alexandra
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4886
Acceso en línea:
https://hdl.handle.net/20.500.12313/4886
Palabra clave:
Técnicas de agrupamiento para la segmentación - Estudio comparativo de imágenes cromáticas
Estudio comparativo de imágenes cromáticas - Técnicas de agrupamiento para la segmentación
Segmentación
Análisis
Agrupación
Procesamiento de imágenes
Filtros
K-Means
Segmentation
K-means
Analysis
Grouping
Image processing
Filters
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_13aedec29dfdd031f9274d879bbe9de7
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4886
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas
title Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas
spellingShingle Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas
Técnicas de agrupamiento para la segmentación - Estudio comparativo de imágenes cromáticas
Estudio comparativo de imágenes cromáticas - Técnicas de agrupamiento para la segmentación
Segmentación
Análisis
Agrupación
Procesamiento de imágenes
Filtros
K-Means
Segmentation
K-means
Analysis
Grouping
Image processing
Filters
title_short Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas
title_full Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas
title_fullStr Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas
title_full_unstemmed Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas
title_sort Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas
dc.creator.fl_str_mv Gómez Arenas, Daniela Estefanía
Montoya Cruz, Ximena Alexandra
dc.contributor.advisor.none.fl_str_mv Forero Vargas, Manuel Guillermo
dc.contributor.author.none.fl_str_mv Gómez Arenas, Daniela Estefanía
Montoya Cruz, Ximena Alexandra
dc.subject.armarc.none.fl_str_mv Técnicas de agrupamiento para la segmentación - Estudio comparativo de imágenes cromáticas
Estudio comparativo de imágenes cromáticas - Técnicas de agrupamiento para la segmentación
topic Técnicas de agrupamiento para la segmentación - Estudio comparativo de imágenes cromáticas
Estudio comparativo de imágenes cromáticas - Técnicas de agrupamiento para la segmentación
Segmentación
Análisis
Agrupación
Procesamiento de imágenes
Filtros
K-Means
Segmentation
K-means
Analysis
Grouping
Image processing
Filters
dc.subject.proposal.spa.fl_str_mv Segmentación
Análisis
Agrupación
Procesamiento de imágenes
Filtros
dc.subject.proposal.eng.fl_str_mv K-Means
Segmentation
K-means
Analysis
Grouping
Image processing
Filters
description La segmentación de imágenes en color es un área de gran interés en el procesamiento de imágenes. Diferentes técnicas se han desarrollado, estando entre las más populares las basadas en la clasificación no supervisada de píxeles mediante técnicas de agrupamiento. Sin embargo, no se encuentran en la literatura estudios comparativos de los resultados obtenidos con estas técnicas, que permitan tener una noción acerca de cuál resulta más apropiada para un determinado tipo de imágenes. En el semillero de procesamiento de imágenes y reconocimiento de patrones Lún se han venido desarrollando investigaciones que requieren el uso de imágenes en color, particularmente en la clasificación de flores (orquídeas y heliconias) y frutos (limones, bananos), y el análisis de enfermedades en arándano, manzano y aguacate. Con el fin de avanzar en esta área y proveer un mejor conocimiento de este tema, en este trabajo se realizó la implementación (en lenguaje Java como plugin del programa ImageJ) análisis y comparación de cuatro de las técnicas de agrupamiento más conocidas basadas en criterios de precisión y tiempo de cálculo, empleando imágenes de las bases de datos del semillero. La técnica Mean Shift permite el uso de diferentes kernels. Con el fin de evaluar su comportamiento, se implementaron dos de los kernels comúnmente usados, Top Hat y Epanechnikov, además se plantearon y desarrollaron dos más, triangular y gaussiano, para determinar qué tanto afecta la forma del kernel el rendimiento de este método. Veinticinco imágenes naturales y sintéticas con diferentes niveles de ruido fueron utilizadas en este estudio, las cuales fueron filtradas empleando los métodos estudiados. Los resultados fueron escogidos con el fin de encontrar algún indicio que permitiera determinar qué tipo de técnica de segmentación es más apropiado para determinado tipo de imágenes cromáticas, desarrollando un estudio comparativo de estas técnicas. Los mejores resultados se obtuvieron con los métodos GMM y Mean Shift, empleando los kernels Top Hat y Epanechnikov.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2025-03-25T19:23:46Z
dc.date.available.none.fl_str_mv 2025-03-25T19:23:46Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Gómez Arenas, D. E. & Montoya Cruz, X. A.(2022).Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4886
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4886
identifier_str_mv Gómez Arenas, D. E. & Montoya Cruz, X. A.(2022).Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4886
url https://hdl.handle.net/20.500.12313/4886
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv González Santos, C.S. (2020). Clasificación automática de Heliconias a partir de imágenes RGB. [Tesis Maestría, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/2342.
Forero, M. G., Beltrán, C. E., Troncoso, A., & González-Santos, C. (2020, June). Classification of Cattleya Trianae and Its Varieties by Using Colorimetry. In Mexican Conference on Pattern Recognition (pp. 35-44). Springer, Cham.
Montero, M. (2021). Diagnóstico de enfermedades del arándano azul mediante algoritmos de procesamiento digital de imágenes. Tesis de grado Instituto Tecnológico Superior de Teziutlán, Teziutlán Pue., México. Semillero Lún, Grupo D+Tec, Universidad de Ibagué, Ibagué, Colombia.
La Serna, N., Román, U. (2009). Técnicas de Segmentación en Procesamiento Digital de Imágenes. Facultad de Ingeniería de Sistemas e Informática Universidad Nacional Mayor de San Marcos. Disponible en: https://sisbib.unmsm.edu.pe/BibVirtual/Publicaciones/risi/2009_n2/v6n2/a02v6n2.pdf.
Contreras, M. García, F. Cuevas, A. (2016). Segmentación de imágenes de color imitando la percepción humana del color. Universidad Autónoma del Estado de México. https://www.rcs.cic.ipn.mx/2016_114/Segmentacion%20de%20imagenes%20de%20color %20imitando%20la%20percepcion%20humana%20del%20color.pdf.
La Serna, N., Román, U. (2009). Técnicas de Segmentación en Procesamiento Digital de Imágenes. Facultad de Ingeniería de Sistemas e Informática Universidad Nacional Mayor de San Marcos. Disponible en: https://sisbib.unmsm.edu.pe/BibVirtual/Publicaciones/risi/2009_n2/v6n2/a02v6n2.pdf.
W. Pascal, L. Michael, B. Marc, B. Tanya, D. Adam y H. Nicholas, An Introduction to Scientific Computing in MATLAB, Academic Press, 2014.
M. D. Lijun Wang, «Multi-level Low-rank Approximation-based Spectral Clustering for image segmentation, » Elsivier, pp. 2206-2215, 2012.
Murillo, M. (2016). Segmentación de Imágenes de Color Inspirado en la Percepción Humana del Color. Disponible en: http://ri.uaemex.mx/bitstream/handle/20.500.11799/64930/tesis%20Miguel%20Contreras %20Murillo.pdf?sequence=1&isAllowed=y.
Drozdowicz, Bartolomé, Bernasconi, Guillermo, Reyes, Mariano, Saba, Fernando, Simón, Gonzalo Segmentación semiautomática de imágenes de resonancia magnética, basada en redes neuronales artificiales. Ciencia, Docencia y Tecnología [en línea]. 2005, XVI (30), 117-155[fecha de Consulta 2 de febrero de 2022]. ISSN: 0327-5566. Disponible en: https://www.redalyc.org/articulo.oa?id=14503005.
Cordero-Chan, R., Orozco-del-Castillo, M., Moreno, M., Hernández, J., Cetzal, G., Couder, C. Clasificación de galaxias utilizando procesamiento digital de imágenes y redes neuronales artificiales. Instituto Tecnológico de Mérida, Departamento de Sistemas y Computación, Yucatán, México. Disponible en: https://rcs.cic.ipn.mx/2018_147_7/Clasificacion%20de%20galaxias%20utilizando%20proc esamiento%20digital%20de%20imagenes%20y%20redes%20neuronales%20artificiales. pdf.
Rojas Henríquez, Juan, & Aracena Pizarro, Diego. (2013). Segmentation of license plates through clustering techniques in external environments. Ingeniare. Revista chilena de ingeniería, 21(2), 172-184. https://dx.doi.org/10.4067/S0718-33052013000200002.
Hernández, S. (2018). Segmentación de masas en imágenes de mamografía mediante agrupamiento restringido (Tesis para obtener el grado de Maestro en Tecnologías de Cómputo Aplicado). Universidad Tecnológica de la Mixteca, Huajuapan de León, Oaxaca. Disponible en: http://repositorio.utm.mx:8080/jspui/handle/123456789/124.
Hernández, S. (2018). Segmentación de masas en imágenes de mamografía mediante agrupamiento restringido (Tesis para obtener el grado de Maestro en Tecnologías de Cómputo Aplicado). Universidad Tecnológica de la Mixteca, Huajuapan de León, Oaxaca. Disponible en: http://repositorio.utm.mx:8080/jspui/handle/123456789/124.
Negrete, T., Llaguno, J. (2017). Comparación de técnicas de visión artificial para determinar el grado de fermentación de varios tipos de granos de cacao en el proceso postcosecha en la región litoral del Ecuador. Universidad Politécnica Salesiana, Unidad de Posgrados. Maestría en métodos matemáticos y simulación numérica en ingeniería. Disponible en: https://dspace.ups.edu.ec/bitstream/123456789/15007/1/UPS- CT007403.pdf.
Rodriguez, C., Chuk, O., Bertero, R., Luna, A., Núñez, E., Trigo, P. (2019). Segmentación de imágenes de partículas de arena utilizadas para fracking. Instituto de Investigaciones Mineras. Facultad de Ingeniería. Universidad Nacional de San Juan. Disponible en: http://sedici.unlp.edu.ar/bitstream/handle/10915/77049/Documento_completo.pdf- PDFA.pdf?sequence=1&isAllowed=y.
Moro, J. (2006). Introducción a la patología diagnóstica cuantitativa y sus aplicaciones. Universidad Rey Juan Carlos Área de Histología y Anatomía Patológica. Unidad de Microscopía Confocal y Morfometría. Disponible en: http://conganat.cs.urjc.es/ojs/index.php/conganat/article/download/23/23-2070-1-PB.pdf.
Gómez, W., Leija, L., Pereira, W. C. A., & Infantosi, A. F. C. (2010). Segmentation of Breast Nodules on Ultrasonographic Images Based on Marke d-Controlled Watershed Transform. Computación y Sistemas, 14(2), 165-174. Recuperado en 05 de febrero de 2022, de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405- 55462010000400007&lng=es&tlng=en.
Vera, A., Arcila, J. (2009). Segmentación de imágenes microscópicas odontológicas mediante transformada Watershed, pp.1-5. Disponible en: http://ingelectuq.net/gdsproc/wp-content/uploads/2017/03/vera_stsiva_2010.pdf.
Pizza, L., Ariza, S. (2021). Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas. Tesis de grado de la Universidad de Ibagué.
Víctor Tuesta-Monteza, Freddy Alcarazo, Heber I. Mejiá-Cabrera, and Manuel G. Forero "Automatic classification of citrus aurantifolia based on digital image processing and pattern recognition", Proc. SPIE 11510, Applications of Digital Image Processing XLIII, 115100K (21 August 2020); https://doi.org/10.1117/12.2566888.
González, Rafael & Faisal, Zahraa. (2019). Digital Image Processing Second Edition.
Forero., Rodríguez S., González, C., Rojas, D., Restrepo, C., Peña, P. (2017). Desarrollo de técnicas de procesamiento de imágenes en vivo para revelar los progenitores y la dinámica celular de la regeneración de miembros. Universidad de Ibagué. Disponible en: https://antiguo.acofipapers.org/index.php/eiei2017/2017/paper/view/2369/757.
Hidalgo, P., Flores, J., Zavaleta, J., Moreno, P. (2009). Diseño de sistema de reconocimiento de placas utilizando MATLAB. Instituto Politécnico Nacional, Escuela superior de ingeniería mecánica y eléctrica unidad Culhuacán. Disponible en: https://tesis.ipn.mx/jspui/bitstream/123456789/7376/1/ice%20237.pdf.
Detección de bordes de una imagen. (2006). Universidad de Jaén, Departamento de Ingeniería electrónica, Telecomunicación y Automática. Disponible en: http://www4.ujaen.es/~satorres/practicas/practica3_vc.pdf.
Davidson, M. Detección de bordes. MicroscopyU, the source for microscopy education. Disponible en: http://www.tecnicaenlaboratorios.com/Nikon/Info_deteccion_de_bordes.htm.
Amendola, Carlos; et al. (2015). "Moment varieties of Gaussian mixtures". Journal of Algebraic Statistics. 7. arXiv:1510.04654. Bibcode:2015arXiv151004654A. doi:10.18409/jas. v7i1.42. S2CID 88515304.
Pinto, D., Lezama, J. (2020). Modelos Mixtos Gaussianos, Algoritmo EM y una aplicación a la detección de cáncer de mama. Disponible en: https://rstudio-pubs- static.s3.amazonaws.com/705612_158ac73a6c0e42168f051b48c1f81bb5.html.
K. Fukunaga and L. Hostetler, The estimation of the gradient of a density function, with applications in pattern recognition, IEEE Transactions on Information Theory, 21 (1975), pp. 32–40. http://doi.org/10.1109/tit.1975.1055330.
M.A. Carreira-Perpina ́n, A review of mean-shift algorithms for clustering, arXiv preprint arXiv:1503.00687, (2015). https://arxiv.org/abs/1503.00687.
C. Tomasi and R. Manduchi, Bilateral filtering for gray and color images, in Sixth Inter- national Conference on Computer Vision, Jan 1998, pp. 839–846. http://doi.org/10.1109/ iccv.1998.710815.
Comaniciu, D. Meer, P. Mean Shift: A Robust Approach toward Feature Space Analysis. Available at: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.160.3832&rep=rep1&type=pdf.
Temp. (2020). Segmentation as clustering (K-Means, Mixture of Gaussians, Mean- Shift. Available at: https://medium.com/temp08050309-devpblog/cv-7-segmentation-as- clustering-k-means-mixture-of-gaussians-mean-shift-fe94d39bd2fc.
Huang, Miaoqing & Men, Liang & Lai, Chenggang. (2013). Accelerating Mean Shift Segmentation Algorithm on Hybrid CPU/GPU Platforms. 10.1007/978-1-4614-8745-6_12.
Zapata, Fanny. (9 de noviembre de 2020). Distribución uniforme continua: características, ejemplos, aplicaciones. Lifeder. Recuperado de https://www.lifeder.com/distribucion-uniforme-continua/.
Hansen, B. (2009). Lecture Notes on Nonparametric. University of Wisconsin Spring. Available at: https://www.ssc.wisc.edu/~bhansen/718/NonParametrics1.pdf.
Pértegas Díaz, S., Pita Fernández, S. (2001). La distribución normal. Unidad de Epidemiología Clínica y Bioestadística. Complexo Hospitalario Universitario de A Coruña (España). Disponible en: https://www.fisterra.com/formacion/metodologia-investigacion/la- distribucion-normal/.
Normal Distribution Vs Uniform Distribution. thatascience Disponible en: https://thatascience.com/learn-numpy/normal-vs-uniform/.
The MathWorks, Inc. (2022). Triangular pulse function. Available at: https://www.mathworks.com/help/symbolic/triangularpulse.html.
Steinhaus, Hugo (1957). "Sur la división des corps matériels en Parties". Toro. Acad. Polon. Sci. (en francés). 4 (12): 801–804. Señor 0090073. Zbl 0079.16403.
Lloyd, Stuart P. (1957). "Cuantización de mínimos cuadrados en PCM". Documento de Bell Telephone Laboratories. Publicado en revista mucho más tarde: Lloyd, Stuart P. (1982). "Cuantización de mínimos cuadrados en PCM" (PDF). Transacciones IEEE sobre teoría de la información. 28 (2): 129-137. CiteSeerX 10.1.1.131.1338. doi: 10.1109 / TIT.1982.1056489. Consultado el 15 de abril de 2009.
K- Means. El algoritmo k-Means aplicado a clasificación y procesamiento de imágenes. Universidad de Oviedo. Disponible en: https://www.unioviedo.es/compnum/laboratorios_py/kmeans/kmeans.html.
Chire. (2017). K-means convergence. Available at: https://commons.wikimedia.org/wiki/File:K-means_convergence.gif.
Boehmke, B. K-means Cluster Analysis. University of Cincinnati. Available at: https://uc-r.github.io/kmeans_clustering.
Estarelles, R., Inmaculada de la fuente, E., Olmedo, P. Aplicación y valoración de diferentes algoritmos no-jerárquicos en el análisis clúster y su representación gráfica. Disponible en: file:///C:/Users/darto/Downloads/61172-Text%20de%20l'article-88996-1- 10-20071020.pdf.
K-medias. (2016). Facultad de Informática. Universidad Nacional de La Plata. Disponible en: http://163.10.22.82/OAS/Agrupamiento_Kmedias/definicin.html.
Chire. (2019). K-Medoids Clustering. Available at: https://commons.wikimedia.org/wiki/File:K-Medoids_Clustering.gif.
Lugli, Luciano & Tronco, Mario & Porto, Vieira. (2011). JSEG Algorithm and Statistical ANN Image Segmentation Techniques for Natural Scenes. 10.5772/14622.
Lugli, Luciano & Tronco, Mario & Porto, Vieira. (2011). JSEG Algorithm and Statistical ANN Image Segmentation Techniques for Natural Scenes. 10.5772/14622.
Abbas, K., & Rydh, M. (2012). Satellite image classification and segmentation by using JSEG segmentation algorithm. International Journal of Image, Graphics and Signal Processing, 4(10), 48.
Moreno, C. (2016). Métodos para medir la biodiversidad. M&T – Manuales y Tesis SEA. Disponible en: file:///C:/Users/darto/Downloads/Moreno2001ManualmetodosMT1.pdf.
Métodos para el análisis de datos: una aplicación para resultados provenientes de caracterizaciones de biodiversidad. Instituto de investigación de recursos biológicos Alexander Von Humboldt. Disponible en: http://www.bio- nica.info/biblioteca/humboldtanalisisdatos.pdf.
INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS Y CERTIFICACIÓN. Compendio, tesis y otros trabajos de investigación. Quinta actualización. Bogotá. ICONTEC,2002.
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 59 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/3ea436bd-8640-49b5-a60f-6c7daef8218f/download
https://repositorio.unibague.edu.co/bitstreams/cb76f913-c3b5-4a62-9704-20851a14ffc4/download
https://repositorio.unibague.edu.co/bitstreams/0933e890-00f2-4463-ba07-f9b4bca9dfe7/download
https://repositorio.unibague.edu.co/bitstreams/f37e036f-3ba1-4c83-8833-ddc90f1a5e7b/download
https://repositorio.unibague.edu.co/bitstreams/31807764-b58e-4618-9a36-9e18bff4471c/download
https://repositorio.unibague.edu.co/bitstreams/baa7ffc4-364f-43c5-837c-0beb697e6926/download
https://repositorio.unibague.edu.co/bitstreams/40d75996-9574-407b-b65f-b5f7885bb515/download
https://repositorio.unibague.edu.co/bitstreams/9ebc1fd4-becc-4174-8d1a-baba8c30e2e5/download
bitstream.checksum.fl_str_mv d1c8f279ebb9b84c657634011c61a761
57d7868f9630406aa7b9ee5cc9418d4e
4ab9451a1aecf309ea4b9800825f4b38
2fa3e590786b9c0f3ceba1b9656b7ac3
ab5405254ce13af0a7f9d9798741a8b4
a90ebaa63aacfe079ef4715a72bb15dc
d3b07ce06defdc7693494fdcb80c4499
4998aafd8e3266939006785a57f2edd2
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059969124728832
spelling Forero Vargas, Manuel Guillermo187e7d0d-8326-49bc-8824-d0c7660437b7-1Gómez Arenas, Daniela Estefanía49d9b956-7ae3-406a-b057-8ca340910c3a-1Montoya Cruz, Ximena Alexandra4dfd4f29-7cd1-4c1e-8cab-9c8a44edfe7b-12025-03-25T19:23:46Z2025-03-25T19:23:46Z2022La segmentación de imágenes en color es un área de gran interés en el procesamiento de imágenes. Diferentes técnicas se han desarrollado, estando entre las más populares las basadas en la clasificación no supervisada de píxeles mediante técnicas de agrupamiento. Sin embargo, no se encuentran en la literatura estudios comparativos de los resultados obtenidos con estas técnicas, que permitan tener una noción acerca de cuál resulta más apropiada para un determinado tipo de imágenes. En el semillero de procesamiento de imágenes y reconocimiento de patrones Lún se han venido desarrollando investigaciones que requieren el uso de imágenes en color, particularmente en la clasificación de flores (orquídeas y heliconias) y frutos (limones, bananos), y el análisis de enfermedades en arándano, manzano y aguacate. Con el fin de avanzar en esta área y proveer un mejor conocimiento de este tema, en este trabajo se realizó la implementación (en lenguaje Java como plugin del programa ImageJ) análisis y comparación de cuatro de las técnicas de agrupamiento más conocidas basadas en criterios de precisión y tiempo de cálculo, empleando imágenes de las bases de datos del semillero. La técnica Mean Shift permite el uso de diferentes kernels. Con el fin de evaluar su comportamiento, se implementaron dos de los kernels comúnmente usados, Top Hat y Epanechnikov, además se plantearon y desarrollaron dos más, triangular y gaussiano, para determinar qué tanto afecta la forma del kernel el rendimiento de este método. Veinticinco imágenes naturales y sintéticas con diferentes niveles de ruido fueron utilizadas en este estudio, las cuales fueron filtradas empleando los métodos estudiados. Los resultados fueron escogidos con el fin de encontrar algún indicio que permitiera determinar qué tipo de técnica de segmentación es más apropiado para determinado tipo de imágenes cromáticas, desarrollando un estudio comparativo de estas técnicas. Los mejores resultados se obtuvieron con los métodos GMM y Mean Shift, empleando los kernels Top Hat y Epanechnikov.Color image segmentation is an area of great interest in image processing. Different techniques have been developed, the most popular being those based on the unsupervised classification of pixels using clustering techniques. However, there are no comparative studies in the literature of the results obtained with these techniques, which allow us to have a notion about which one is more appropriate for a certain type of images. In the seedbed in image processing and pattern recognition (Lún), investigations have been carried out that require the use of color images, particularly in the classification of flowers (orchids and heliconias) and fruits (lemons, bananas), and the analysis of diseases in blueberries, apple and avocado. In order to advance in this area and provide a better knowledge of this topic, in this work the implementation in Java language as a plugin of the ImageJ program was carried out, analysis and comparison of four of the best known grouping techniques based on criteria of precision and calculation time, using images from the seedbed databases. The mean shift technique allows the use of different kernels. In order to evaluate its behavior, two of the used kernels, Top Hat and Epanechnikov, were implemented, and two more, triangular and Gaussian, were proposed and developed to determine how much the shape of the kernel affects the performance of this method. Twenty-five natural and synthetic images with different noise levels were used in this study, which were filtered using the methods studied. The results were studied in order to find some indication that would allow determining what type of segmentation technique is more appropriate for a certain type of chromatic images, developing a comparative study of these techniques. The best results were obtained with the GMM and Mean Shift methods, using the Top Hat and Epanechnikov kernels.PregradoIngeniera ElectrónicaResumen.....5 Lista de figuras.....1 Lista de tablas.....2 Introducción.....3 1.Objetivo de Estudios.....5 1.1 Descripción del problema y justificación.....5 1.2 Objetivos: Generales y Específicos.....6 1.2.1 Objetivo General.....6 1.2.2 Objetivo Específico.....6 1.3 Estado del arte.....6 2. Marco Teórico.....8 2.1 Imagen.....8 2.2 Procesamiento digital de imágenes a color.....9 2.2.1 Espacios de color.....9 2.3 Segmentación.....12 2.4 Histograma.....13 2.5 Detección de bordes.....14 2.6 Técnicas de agrupamiento.....14 2.6.1 Modelos Mixtos Gaussianos.....14 2.6.2 Meanshift.....15 2.6.3 K-medias.....20 2.6.4 K-medoides.....22 2.6.5 Jseg.....24 2.7 Ground truth.....26 2.8 Índices de similitud.....26 2.8.1 Índice de Jaccard.....26 2.8.2 Índice Dice score.....27 3. Materiales y Protocolo.....28 4. Desarrollo.....29 4.1 Modelo Gaussiano Mixto.....30 4.2 Mean Shift.....31 4.3 K-medias.....32 4.4 K- medoides.....33 4.5 Jseg.....33 4.6 Índices de similitud.....34 5. Resultados.....37 6.Conclusiones y recomendaciones.....43 6.1 Conclusiones.....43 6.2 Recomendaciones.....44 7. Anexos.....45 Anexo A: Carpeta “Base de datos imágenes de prueba”.....45 Anexo B: Carpeta “Resultados imágenes implementando los métodos deagrupamiento”.....45 Anexo C: Carpeta “Base de datos imágenes de prueba con ground truth”.....45 8. Referencias bibliográficas.....4659 páginasapplication/pdfGómez Arenas, D. E. & Montoya Cruz, X. A.(2022).Estudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticas.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4886https://hdl.handle.net/20.500.12313/4886spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaGonzález Santos, C.S. (2020). Clasificación automática de Heliconias a partir de imágenes RGB. [Tesis Maestría, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/2342.Forero, M. G., Beltrán, C. E., Troncoso, A., & González-Santos, C. (2020, June). Classification of Cattleya Trianae and Its Varieties by Using Colorimetry. In Mexican Conference on Pattern Recognition (pp. 35-44). Springer, Cham.Montero, M. (2021). Diagnóstico de enfermedades del arándano azul mediante algoritmos de procesamiento digital de imágenes. Tesis de grado Instituto Tecnológico Superior de Teziutlán, Teziutlán Pue., México. Semillero Lún, Grupo D+Tec, Universidad de Ibagué, Ibagué, Colombia.La Serna, N., Román, U. (2009). Técnicas de Segmentación en Procesamiento Digital de Imágenes. Facultad de Ingeniería de Sistemas e Informática Universidad Nacional Mayor de San Marcos. Disponible en: https://sisbib.unmsm.edu.pe/BibVirtual/Publicaciones/risi/2009_n2/v6n2/a02v6n2.pdf.Contreras, M. García, F. Cuevas, A. (2016). Segmentación de imágenes de color imitando la percepción humana del color. Universidad Autónoma del Estado de México. https://www.rcs.cic.ipn.mx/2016_114/Segmentacion%20de%20imagenes%20de%20color %20imitando%20la%20percepcion%20humana%20del%20color.pdf.La Serna, N., Román, U. (2009). Técnicas de Segmentación en Procesamiento Digital de Imágenes. Facultad de Ingeniería de Sistemas e Informática Universidad Nacional Mayor de San Marcos. Disponible en: https://sisbib.unmsm.edu.pe/BibVirtual/Publicaciones/risi/2009_n2/v6n2/a02v6n2.pdf.W. Pascal, L. Michael, B. Marc, B. Tanya, D. Adam y H. Nicholas, An Introduction to Scientific Computing in MATLAB, Academic Press, 2014.M. D. Lijun Wang, «Multi-level Low-rank Approximation-based Spectral Clustering for image segmentation, » Elsivier, pp. 2206-2215, 2012.Murillo, M. (2016). Segmentación de Imágenes de Color Inspirado en la Percepción Humana del Color. Disponible en: http://ri.uaemex.mx/bitstream/handle/20.500.11799/64930/tesis%20Miguel%20Contreras %20Murillo.pdf?sequence=1&isAllowed=y.Drozdowicz, Bartolomé, Bernasconi, Guillermo, Reyes, Mariano, Saba, Fernando, Simón, Gonzalo Segmentación semiautomática de imágenes de resonancia magnética, basada en redes neuronales artificiales. Ciencia, Docencia y Tecnología [en línea]. 2005, XVI (30), 117-155[fecha de Consulta 2 de febrero de 2022]. ISSN: 0327-5566. Disponible en: https://www.redalyc.org/articulo.oa?id=14503005.Cordero-Chan, R., Orozco-del-Castillo, M., Moreno, M., Hernández, J., Cetzal, G., Couder, C. Clasificación de galaxias utilizando procesamiento digital de imágenes y redes neuronales artificiales. Instituto Tecnológico de Mérida, Departamento de Sistemas y Computación, Yucatán, México. Disponible en: https://rcs.cic.ipn.mx/2018_147_7/Clasificacion%20de%20galaxias%20utilizando%20proc esamiento%20digital%20de%20imagenes%20y%20redes%20neuronales%20artificiales. pdf.Rojas Henríquez, Juan, & Aracena Pizarro, Diego. (2013). Segmentation of license plates through clustering techniques in external environments. Ingeniare. Revista chilena de ingeniería, 21(2), 172-184. https://dx.doi.org/10.4067/S0718-33052013000200002.Hernández, S. (2018). Segmentación de masas en imágenes de mamografía mediante agrupamiento restringido (Tesis para obtener el grado de Maestro en Tecnologías de Cómputo Aplicado). Universidad Tecnológica de la Mixteca, Huajuapan de León, Oaxaca. Disponible en: http://repositorio.utm.mx:8080/jspui/handle/123456789/124.Hernández, S. (2018). Segmentación de masas en imágenes de mamografía mediante agrupamiento restringido (Tesis para obtener el grado de Maestro en Tecnologías de Cómputo Aplicado). Universidad Tecnológica de la Mixteca, Huajuapan de León, Oaxaca. Disponible en: http://repositorio.utm.mx:8080/jspui/handle/123456789/124.Negrete, T., Llaguno, J. (2017). Comparación de técnicas de visión artificial para determinar el grado de fermentación de varios tipos de granos de cacao en el proceso postcosecha en la región litoral del Ecuador. Universidad Politécnica Salesiana, Unidad de Posgrados. Maestría en métodos matemáticos y simulación numérica en ingeniería. Disponible en: https://dspace.ups.edu.ec/bitstream/123456789/15007/1/UPS- CT007403.pdf.Rodriguez, C., Chuk, O., Bertero, R., Luna, A., Núñez, E., Trigo, P. (2019). Segmentación de imágenes de partículas de arena utilizadas para fracking. Instituto de Investigaciones Mineras. Facultad de Ingeniería. Universidad Nacional de San Juan. Disponible en: http://sedici.unlp.edu.ar/bitstream/handle/10915/77049/Documento_completo.pdf- PDFA.pdf?sequence=1&isAllowed=y.Moro, J. (2006). Introducción a la patología diagnóstica cuantitativa y sus aplicaciones. Universidad Rey Juan Carlos Área de Histología y Anatomía Patológica. Unidad de Microscopía Confocal y Morfometría. Disponible en: http://conganat.cs.urjc.es/ojs/index.php/conganat/article/download/23/23-2070-1-PB.pdf.Gómez, W., Leija, L., Pereira, W. C. A., & Infantosi, A. F. C. (2010). Segmentation of Breast Nodules on Ultrasonographic Images Based on Marke d-Controlled Watershed Transform. Computación y Sistemas, 14(2), 165-174. Recuperado en 05 de febrero de 2022, de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405- 55462010000400007&lng=es&tlng=en.Vera, A., Arcila, J. (2009). Segmentación de imágenes microscópicas odontológicas mediante transformada Watershed, pp.1-5. Disponible en: http://ingelectuq.net/gdsproc/wp-content/uploads/2017/03/vera_stsiva_2010.pdf.Pizza, L., Ariza, S. (2021). Identificación de patologías en hojas del manzano mediante procesamiento de imágenes y aprendizaje de máquinas. Tesis de grado de la Universidad de Ibagué.Víctor Tuesta-Monteza, Freddy Alcarazo, Heber I. Mejiá-Cabrera, and Manuel G. Forero "Automatic classification of citrus aurantifolia based on digital image processing and pattern recognition", Proc. SPIE 11510, Applications of Digital Image Processing XLIII, 115100K (21 August 2020); https://doi.org/10.1117/12.2566888.González, Rafael & Faisal, Zahraa. (2019). Digital Image Processing Second Edition.Forero., Rodríguez S., González, C., Rojas, D., Restrepo, C., Peña, P. (2017). Desarrollo de técnicas de procesamiento de imágenes en vivo para revelar los progenitores y la dinámica celular de la regeneración de miembros. Universidad de Ibagué. Disponible en: https://antiguo.acofipapers.org/index.php/eiei2017/2017/paper/view/2369/757.Hidalgo, P., Flores, J., Zavaleta, J., Moreno, P. (2009). Diseño de sistema de reconocimiento de placas utilizando MATLAB. Instituto Politécnico Nacional, Escuela superior de ingeniería mecánica y eléctrica unidad Culhuacán. Disponible en: https://tesis.ipn.mx/jspui/bitstream/123456789/7376/1/ice%20237.pdf.Detección de bordes de una imagen. (2006). Universidad de Jaén, Departamento de Ingeniería electrónica, Telecomunicación y Automática. Disponible en: http://www4.ujaen.es/~satorres/practicas/practica3_vc.pdf.Davidson, M. Detección de bordes. MicroscopyU, the source for microscopy education. Disponible en: http://www.tecnicaenlaboratorios.com/Nikon/Info_deteccion_de_bordes.htm.Amendola, Carlos; et al. (2015). "Moment varieties of Gaussian mixtures". Journal of Algebraic Statistics. 7. arXiv:1510.04654. Bibcode:2015arXiv151004654A. doi:10.18409/jas. v7i1.42. S2CID 88515304.Pinto, D., Lezama, J. (2020). Modelos Mixtos Gaussianos, Algoritmo EM y una aplicación a la detección de cáncer de mama. Disponible en: https://rstudio-pubs- static.s3.amazonaws.com/705612_158ac73a6c0e42168f051b48c1f81bb5.html.K. Fukunaga and L. Hostetler, The estimation of the gradient of a density function, with applications in pattern recognition, IEEE Transactions on Information Theory, 21 (1975), pp. 32–40. http://doi.org/10.1109/tit.1975.1055330.M.A. Carreira-Perpina ́n, A review of mean-shift algorithms for clustering, arXiv preprint arXiv:1503.00687, (2015). https://arxiv.org/abs/1503.00687.C. Tomasi and R. Manduchi, Bilateral filtering for gray and color images, in Sixth Inter- national Conference on Computer Vision, Jan 1998, pp. 839–846. http://doi.org/10.1109/ iccv.1998.710815.Comaniciu, D. Meer, P. Mean Shift: A Robust Approach toward Feature Space Analysis. Available at: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.160.3832&rep=rep1&type=pdf.Temp. (2020). Segmentation as clustering (K-Means, Mixture of Gaussians, Mean- Shift. Available at: https://medium.com/temp08050309-devpblog/cv-7-segmentation-as- clustering-k-means-mixture-of-gaussians-mean-shift-fe94d39bd2fc.Huang, Miaoqing & Men, Liang & Lai, Chenggang. (2013). Accelerating Mean Shift Segmentation Algorithm on Hybrid CPU/GPU Platforms. 10.1007/978-1-4614-8745-6_12.Zapata, Fanny. (9 de noviembre de 2020). Distribución uniforme continua: características, ejemplos, aplicaciones. Lifeder. Recuperado de https://www.lifeder.com/distribucion-uniforme-continua/.Hansen, B. (2009). Lecture Notes on Nonparametric. University of Wisconsin Spring. Available at: https://www.ssc.wisc.edu/~bhansen/718/NonParametrics1.pdf.Pértegas Díaz, S., Pita Fernández, S. (2001). La distribución normal. Unidad de Epidemiología Clínica y Bioestadística. Complexo Hospitalario Universitario de A Coruña (España). Disponible en: https://www.fisterra.com/formacion/metodologia-investigacion/la- distribucion-normal/.Normal Distribution Vs Uniform Distribution. thatascience Disponible en: https://thatascience.com/learn-numpy/normal-vs-uniform/.The MathWorks, Inc. (2022). Triangular pulse function. Available at: https://www.mathworks.com/help/symbolic/triangularpulse.html.Steinhaus, Hugo (1957). "Sur la división des corps matériels en Parties". Toro. Acad. Polon. Sci. (en francés). 4 (12): 801–804. Señor 0090073. Zbl 0079.16403.Lloyd, Stuart P. (1957). "Cuantización de mínimos cuadrados en PCM". Documento de Bell Telephone Laboratories. Publicado en revista mucho más tarde: Lloyd, Stuart P. (1982). "Cuantización de mínimos cuadrados en PCM" (PDF). Transacciones IEEE sobre teoría de la información. 28 (2): 129-137. CiteSeerX 10.1.1.131.1338. doi: 10.1109 / TIT.1982.1056489. Consultado el 15 de abril de 2009.K- Means. El algoritmo k-Means aplicado a clasificación y procesamiento de imágenes. Universidad de Oviedo. Disponible en: https://www.unioviedo.es/compnum/laboratorios_py/kmeans/kmeans.html.Chire. (2017). K-means convergence. Available at: https://commons.wikimedia.org/wiki/File:K-means_convergence.gif.Boehmke, B. K-means Cluster Analysis. University of Cincinnati. Available at: https://uc-r.github.io/kmeans_clustering.Estarelles, R., Inmaculada de la fuente, E., Olmedo, P. Aplicación y valoración de diferentes algoritmos no-jerárquicos en el análisis clúster y su representación gráfica. Disponible en: file:///C:/Users/darto/Downloads/61172-Text%20de%20l'article-88996-1- 10-20071020.pdf.K-medias. (2016). Facultad de Informática. Universidad Nacional de La Plata. Disponible en: http://163.10.22.82/OAS/Agrupamiento_Kmedias/definicin.html.Chire. (2019). K-Medoids Clustering. Available at: https://commons.wikimedia.org/wiki/File:K-Medoids_Clustering.gif.Lugli, Luciano & Tronco, Mario & Porto, Vieira. (2011). JSEG Algorithm and Statistical ANN Image Segmentation Techniques for Natural Scenes. 10.5772/14622.Lugli, Luciano & Tronco, Mario & Porto, Vieira. (2011). JSEG Algorithm and Statistical ANN Image Segmentation Techniques for Natural Scenes. 10.5772/14622.Abbas, K., & Rydh, M. (2012). Satellite image classification and segmentation by using JSEG segmentation algorithm. International Journal of Image, Graphics and Signal Processing, 4(10), 48.Moreno, C. (2016). Métodos para medir la biodiversidad. M&T – Manuales y Tesis SEA. Disponible en: file:///C:/Users/darto/Downloads/Moreno2001ManualmetodosMT1.pdf.Métodos para el análisis de datos: una aplicación para resultados provenientes de caracterizaciones de biodiversidad. Instituto de investigación de recursos biológicos Alexander Von Humboldt. Disponible en: http://www.bio- nica.info/biblioteca/humboldtanalisisdatos.pdf.INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS Y CERTIFICACIÓN. Compendio, tesis y otros trabajos de investigación. Quinta actualización. Bogotá. ICONTEC,2002.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Técnicas de agrupamiento para la segmentación - Estudio comparativo de imágenes cromáticasEstudio comparativo de imágenes cromáticas - Técnicas de agrupamiento para la segmentaciónSegmentaciónAnálisisAgrupaciónProcesamiento de imágenesFiltrosK-MeansSegmentationK-meansAnalysisGroupingImage processingFiltersEstudio comparativo de técnicas de agrupamiento para la segmentación de imágenes cromáticasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf1144766https://repositorio.unibague.edu.co/bitstreams/3ea436bd-8640-49b5-a60f-6c7daef8218f/downloadd1c8f279ebb9b84c657634011c61a761MD51Anexos (17).zipAnexos (17).zipapplication/zip25067646https://repositorio.unibague.edu.co/bitstreams/cb76f913-c3b5-4a62-9704-20851a14ffc4/download57d7868f9630406aa7b9ee5cc9418d4eMD53Formato de autorización.pdfFormato de autorización.pdfapplication/pdf129360https://repositorio.unibague.edu.co/bitstreams/0933e890-00f2-4463-ba07-f9b4bca9dfe7/download4ab9451a1aecf309ea4b9800825f4b38MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/f37e036f-3ba1-4c83-8833-ddc90f1a5e7b/download2fa3e590786b9c0f3ceba1b9656b7ac3MD54TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain92860https://repositorio.unibague.edu.co/bitstreams/31807764-b58e-4618-9a36-9e18bff4471c/downloadab5405254ce13af0a7f9d9798741a8b4MD59Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3234https://repositorio.unibague.edu.co/bitstreams/baa7ffc4-364f-43c5-837c-0beb697e6926/downloada90ebaa63aacfe079ef4715a72bb15dcMD511THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg8255https://repositorio.unibague.edu.co/bitstreams/40d75996-9574-407b-b65f-b5f7885bb515/downloadd3b07ce06defdc7693494fdcb80c4499MD510Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg23882https://repositorio.unibague.edu.co/bitstreams/9ebc1fd4-becc-4174-8d1a-baba8c30e2e5/download4998aafd8e3266939006785a57f2edd2MD51220.500.12313/4886oai:repositorio.unibague.edu.co:20.500.12313/48862025-08-13 01:06:58.599https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares