ALGORITMOS GEN É TICOS: DETECCI Ó N DE BORDES EN IM Á GENES Daniel Mej í as Pinto Luis Manuel Merino Su á rez.

Slides:



Advertisements
Presentaciones similares
PROBLEMA DEL TRANSPORTE
Advertisements

KRIGING.
Algoritmos Genéticos (AG) Integrantes: Rubén Levineri Miguel Rozas Juan Yañez Faltan autores y bibliografía.
Procesamiento de Imágenes Digitales
Estructuras de Datos Arreglos.
Vectores Aleatorios 1 Distribución conjunta de un vector aleatorio
Teorías de la Evolución de los seres Vivos
Capitulo 3 Segmentación.
MÉTODO DE PIXELES DE BORDE
COMPRESIÓN AUTORREGRESIVA Y CASI SIN PERDIDA Autores: Antonio Fernández Carpio Francisco José Lamela Rincón.
Procesamiento Digital de Imágenes
Procesamiento Digital de Imágenes
Neodarwinismo.
Problema de inclusión en una Curva Digital Por Orellana Muñoz, Alfonso Paz Vicente, Rafael Pérez Medina, Gerardo Rodríguez Naranjo.
Tema 3: Filtros.

PROGRAMACIÓN Grupo de Modelamiento de Sistemas
Pruebas paramétricas y no paramétricas
Conceptos Generales PROGRAMACIÓN I DOCENTE: ING. MARLENY SORIA M. 1.
1 CALCULO DE ÁREAS A2A2 A4A4 A3A3 A1A1 INTEGRAL DEFINIDA Y ¿Área?
Instituto de Nivel Terciario Profesor: ¨Eduardo A. Fracchia¨ Integrantes: Marianela Ramírez. Uliambre Carlos. Farana Marisel. Integrantes: Marianela Ramírez.
NUMEROS ALEATORIOS. La idea es hallar un generador que sea fácil de implementar en la computadora, que sea rápido y que no ocupe mucho espacio memoria,
ESCRITORIO DE SOPORTE. DIRECCIÓN GENERAL DE TECNOLOGÍAS DE LA INFORMACIÓN ESCRITORIO DE SOPORTE.
Fórmulas y Funciones en Excel CLASE 5. Agenda de la clase: 1. Objetivos de la clase.2. Inserción de formulas.3. Referencia de celdas: relativas.
Corel Draw - Aplicaciones
“Sistemas Lineales. El método de Gauss” Cecilia Loreto Pérez Pavez.
MODELOS LINEALES ALGEBRA DE MATRICES Uso de MatLab.
 Magnitud Es toda propiedad de los cuerpos que se puede medir. Por ejemplo: temperatura, velocidad, masa, peso, etc.  Medir: Es comparar la magnitud.
Grid Initiatives for e-Science virtual communities in Europe and Latin America Algoritmo Genético para la solución del problema SAT.
Modelo entidad/interrlación Tema 2. Parte 2. Modelo E/IR Utiliza un conjunto de símbolos y reglas para representar los datos y las relaciones entre ellos.
PROYECTO DE MODERNIZACION ¿Que es Un Indicador?
SISTEMAS OPERATIVOS Contenido: Descripción del proceso proceso nulo estado del procesador imagen del proceso información del BCP Miguel Ángel Martínez.
VARIABLE ALEATORIA Y DISTRIBUCIÓN NORMAL
TEORÍA DEL MUESTREO El muestreo implica seleccionar a un grupo de personas, acontecimientos u otros elementos que usamos para dirigir un estudio. Se espera.
Tema – 5 Construcciones condicionales Introducción En un programa es usual ejecutar unas instrucciones u otras en función de unas condiciones especificadas.
Bases de datos II Universidad del Cauca Ing. Wilson Ortega.
ENCUESTA DEMOGRÁFICA DE VENEZUELA ENDEVE. La Encuesta Demográfica de Venezuela ENDEVE, es una investigación de naturaleza estadística que busca recopilar.
Estimación Estadística Tares # 3. Estimación Estadística Conjunto de técnicas que permiten dar un valor aproximado de un parámetro de una población a.
Clase II Estructuras dinámicas (TAD) Listas Enlazadas. ¿A que llamamos estructuras dinámicas? ¿Por qué son necesarias? Ventajas y Desventajas que tendremos.
Estado de deformación ESTABILIDAD IIA FIUBA. OBJETIVO  Describir el cambio de forma que experimenta un continuo  Continuo: es cualquier sólido al cual.
Diagramas de control CONSIDERACIONES BÁSICAS. DIAGRAMAS DE CONTROL  El Control Estadístico de Proceso (Statistical Process Control SPC) es la herramienta.
ACTIVIDADES ANTES DEL EXAMEN PARCIAL Antes de responder tu examen, desarrolla las actividades que se te piden.
Una base de datos, a fin de ordenar la información de manera lógica, posee un orden que debe ser cumplido para acceder a la información de manera coherente.
Índice 1.El problema del movimiento 2.La posición de los cuerpos 3.La velocidad de los cuerpos 4.La aceleración de los cuerpos X. CINEMÁTICA 2.
Concepto La Criminología trabaja con comunicaciones orales o escritas (discursos, entrevistas, artículos de periódicos, emisiones, etc.) Para que el investigador.
Gráficas de Control por Atributos Profesor Walter López.
Tarea # 2. La distribución uniforme es la que corresponde a una variable que toma todos sus valores, con igual probabilidad; el espacio muestral debe.
Clase 1.  Un programador es aquella persona que escribe, depura y mantiene el código fuente de un programa informático, es decir, del conjunto de instrucciones.
El cuestionario es una técnica de recolección de datos y está conformado por un conjunto de preguntas escritas que el investigador administra o aplica.
Desarrollo organizacional
Realizado por: Dannys Betancourt C.I: TEORIA DE COLA.
Rama Judicial Administración Judicial y Estadísticas de Casos.
BIOESTADÍSTICA Y ESTADÍSTICA BÁSICA CHILLÁN, SEGUNDO SEMESTRE PROF. SOC. M© KEVIN VILLEGAS.
JOSÉ GEOVANY CON PÉREZ LICEO DEL SUR. UNIDAD I Entorno de desarrollo. UNIDAD II Introducción al lenguaje de programación. UNIDAD III Trabajando con formularios.
Representación en espacio de estado
Modelos matemáticos y distintos. Guía de onda Características principales: frecuencia (f) y longitud de onda (λ), ambas se encuentran relacionadas por.
La teoría de la demanda estudia el comportamiento de un bien o servicio. Una persona demanda porque tiene necesidades, pero es importante diferenciar entre.
Melissa Victoria Mendiola Peralta.  Los algoritmos son las series de pasos por los cuales se resuelven los problemas.
PROYECTO PYTHON INTEGRANTES DEL EQUIPO: NAVA CASTILLO CYNTHIA PAOLA VÁZQUEZ ORTEGA FELYBIER.
Tarea # 1. Una variable es un símbolo que actúa en las funciones, las fórmulas, los algoritmos y las proposiciones de las matemáticas y la estadística.
DISTRIBUCIONES DE PROBABILIDAD Por Jorge Sánchez.
Mecánica Cuántica Fundamentos de Física Moderna Julie Tatiana Alarcón Villamizar Profesor Jaime Villalobos.
C ÁLCULO I NTEGRAL Profesor: Manuel Guillermo López Félix Multiversidad Latinoamericana Hermosillo Norte Repaso primero parcial Sexto semestre Competencias.
@ Angel Prieto BenitoApuntes 2º Bachillerato C.S.1 PROGRAMACIÓN LINEAL U.D. 5 * 2º BCS.
Presentado por : Diana Marcela Oviedo Pardo Diana Marcela Oviedo Pardo.
Aprender (por medio de) la resolución de problemas-Roland Charnay-
LOGO Muestreo Pedro Godoy G.. LOGO Inferencia estadística La Inferencia Estadística es aquella rama de la Estadística mediante la cual se trata de sacar.
APLICACIONES TAI EN TELEFORMACIÓN. ¿Qué es la teleformación? La Teleformación o el e-learning permite realizar acciones formativas a través de Internet.
LOGO Muestreo Pedro Godoy G.. LOGO Inferencia estadística La Inferencia Estadística es aquella rama de la Estadística mediante la cual se trata de sacar.
Taller introducción a los conceptos básicos de Estadística PRIMERA PARTE 2016 Propósito: Introducir algunos conceptos básicos de Estadística por medio.
Transcripción de la presentación:

ALGORITMOS GEN É TICOS: DETECCI Ó N DE BORDES EN IM Á GENES Daniel Mej í as Pinto Luis Manuel Merino Su á rez

INTRODUCCI Ó N Or í genes: Darwin (Teor í a de la evoluci ó n) Aplicaci ó n de los principios en los que se basan los procesos de la evoluci ó n natural como reglas en el dise ñ o de sistemas artificiales para la resoluci ó n de problemas Conceptos relacionados: - Individuo -> Poblaci ó n - Adaptaci ó n -> Reproducci ó n -> Supervivencia

DESCRIPCI Ó N DEL PROBLEMA Entrada: I, imagen de niveles de grises, con tama ñ o U x V (filas,columnas) de p í xeles. Suposici ó n: I contiene un n ú mero de p í xeles cuya intensidad relativa respecto a sus p í xeles vecinos satisface cierta condici ó n matem á tica bien definida (p í xeles caracter í sticos). Objetivo: Extraer informaci ó n de I, en este caso los bordes de los objetos que la componen, mediante la b ú squeda y marcado de sus p í xeles caracter í sticos.

DESCRIPCI Ó N DE LA SOLUCI Ó N P í xel (agente) -> Vecindad

DESCRIPCI Ó N DE LA SOLUCI Ó N El comportamiento de un agente vendr á dado por el n ú mero de p í xeles vecinos cuya diferencia de contraste (nivel de gris) con é ste, est é por debajo de un umbral . Dicho comportamiento variar á en funci ó n de que este n ú mero (el de vecinos cuya variaci ó n de contraste est á por debajo de  ) est é o no dentro de un rango =[x,y].

DESCRIPCI Ó N DE LA SOLUCI Ó N Esta condici ó n viene dada por la siguiente expresi ó n (1)

DESCRIPCI Ó N DE LA SOLUCI Ó N Un ejemplo:

COMPORTAMIENTO DEL AGENTE A lo largo de la evoluci ó n de un agente, est é actuar á de diferentes formas atendiendo a los resultados obtenidos de la evaluaci ó n de la expresi ó n (1). - Marcado de p í xel caracter í stico - Funci ó n de capacidad del agente - Difusi ó n - Reproducci ó n - Vector direcci ó n - Desvanecimiento o muerte del agente

MARCADO DE P Í XEL CARACTER Í STICO Cuando en la evaluaci ó n de (1), el resultado est á dentro del rango marcado por, el agente ha detectado un p í xel caracter í stico. Una vez detectado, el agente procede a marcarlo como tal, es decir, como p í xel caracter í stico.

FUNCI Ó N DE CAPACIDAD DEL AGENTE Para su difusi ó n y reproducci ó n el agente selecciona los agentes progenitores m á s adecuados y copia sus direcciones (de difusi ó n y reproducci ó n) para llevar a cabo estas tareas. Est á selecci ó n se basa en la funci ó n de capacidad, (2), de los agentes, que se define como:

FUNCI Ó N DE CAPACIDAD DEL AGENTE Esta funci ó n determina cuanto tarda un agente en encontrar un p í xel caracter í stico. El valor m á ximo, 1, se alcanza si el agente fue reproducido justo sobre un p í xel caracter í stico.

DIFUSI Ó N Si un agente no encuentra un p í xel caracter í stico en su posici ó n actual, é ste llevar á a cabo una difusi ó n movi é ndose hacia una nueva posici ó n dentro de la regi ó n formada por sus p í xeles vecinos. Este comportamiento de difusi ó n, juega un papel fundamental en la b ú squeda de p í xeles caracter í sticos.

DIFUSI Ó N La direcci ó n de la difusi ó n se selecciona a trav é s de un vector de probabilidades, donde cada elemento representa el valor de dicha probabilidad para cada una de las 8 posibles direcciones. Los valores de este vector se ajustan atendiendo a las direcciones de difusi ó n de los agentes progenitores al actual.

DIFUSI Ó N La longitud de la difusi ó n es generada de forma aleatoria dentro de los m á rgenes de su regi ó n de vecindad.

REPRODUCCI Ó N Si el agente detecta un p í xel caracter í stico en su posici ó n actual, llevar á a cabo una labor de reproducci ó n mediante la generaci ó n de un n ú mero finito de descendientes que se situar á n dentro de su regi ó n de vecindad en una determinada direcci ó n.

REPRODUCCI Ó N De nuevo la direcci ó n vendr á determinada a trav é s del ya comentado vector de probabilidades, y su longitud, aleatoria.

VECTOR DIRECCI Ó N Se trata de un vector, de tama ñ o 8, que contiene la informaci ó n referente a la probabilidad de selecci ó n de cada una de las posibles direcciones para difusi ó n y reproducci ó n de un agente. Para calcular estos valores (de actualizaci ó n constante) asociados a un determinado agente de cierta edad, se tendr á n en cuenta todos los agentes de su misma edad y sus progenitores que verifiquen que su funci ó n de capacidad sea mayor que cero.

VECTOR DIRECCI Ó N Para todos los agentes seleccionados calcular:

DESVANECIMIENTO O MUERTE DEL AGENTE Cuando la edad del agente excede su esperanza de vida, este dejar á de buscar p í xeles caracter í sticos, y desaparecer á de su mundo bidimensional.

DESCRIPCI Ó N DEL ALGORITMO Entrada: imagen de grises de tama ñ o U x V Salida: un conjunto de p í xeles caracter í sticos de la imagen, que determinan los bordes de sus elementos componentes.

DESCRIPCI Ó N DEL ALGORITMO Distribuir un conjunto de agentes de forma aleatoria sobre la imagen. Mientras que el conjunto de agentes no sea vac í o, hacer: - Para cada uno de los agentes del conjunto: - Actualizar los valores de probabilidad de su vector direcci ó n.

DESCRIPCI Ó N DEL ALGORITMO - Si se ha detectado un p í xel caracter í stico, generar la descendencia de forma adecuada, marcar el p í xel, eliminar el agente actual y a ñ adir los agentes generados. - Si no se ha detectado p í xel caracter í stico: - si la vida del agente llega a su l í mite, eliminar el agente actual. - sino, realizar la difusi ó n adecuada del agente y aumentar su edad.

DESCRIPCI Ó N DEL ALGORITMO El pseudoc ó digo de dicho algoritmo es el siguiente:

DESCRIPCI Ó N DEL ALGORITMO Detalles de nuestro c ó digo: - Para almacenar los agentes se ha utilizado una pila. - En la reproducci ó n y en la difusi ó n no utilizamos vector de direcci ó n. Píxel (i,j) (i,j+1)(i,j-1) (i+1,j) (i-1,j) Para no pasar dos veces por el mismo píxel, utilizamos una matriz de valores lógicos.

DESCRIPCI Ó N DEL ALGORITMO Algoritmo_Genetico(.....){ //Se genera un conjunto de agentes de forma aleatoria. while(!pila->esVacia()){ celda=pila->cima(); if(local_stimulus(... )) //REPRODUCCIÓN { // PÍXEL CARACTERÍSTICO Se marca como píxel característico. Se genera los descendientes posibles. Se marcan como visitados. }else{ if(celda.life !=0){ //DIFUSIÓN Se genera los descendientes posibles. Se marcan como visitados. }//en caso de =0 nada }