Tratamiento de Imagenes 2

Conceptos Teoricos

Julian Andres Afanador Guzman - Tratamiento de ImagenesEtapa 3 Aprendizaje de máquinas - Abril de 2024 16-01 2024 - Ingenieria de Telecomunicaciones - UNAD

¿Que es extracción de características en una imagen?

La extracción de características en una imagen implica identificar y representar aspectos distintivos, como bordes, texturas o formas, en forma numérica. Estas características son fundamentales para tareas como clasificación, detección de objetos o reconocimiento de patrones. Métodos como filtros de convolución, histogramas de color y descriptores de textura son comunes para este propósito, simplificando la complejidad de la imagen mientras conservan la información relevante.

¿Que es un clasificador supervisado conocido como Árboles de descisión?

Los árboles de decisión son modelos de aprendizaje supervisado que utilizan una estructura de árbol para clasificar instancias basadas en características. Cada nodo del árbol representa una pregunta sobre una característica, dividiendo el conjunto de datos en subconjuntos más homogéneos. Estos árboles son eficientes y fáciles de interpretar, pero pueden tender al sobreajuste en conjuntos de datos complejos.

¿Que es un clasificador supervisado conocido como Reresión por mínimos cuadrados?

La regresión por mínimos cuadrados es un modelo de aprendizaje supervisado que busca ajustar una línea (o superficie) a los datos, minimizando la suma de los cuadrados de las diferencias entre las predicciones del modelo y los valores reales. Es comúnmente utilizado para predecir valores numéricos continuos en base a variables independientes. Es simple y fácil de interpretar, pero puede ser sensible a valores atípicos en los datos.

¿Que es un clasificador supervisado y no supervisado en imágenes?

Un clasificador supervisado es un modelo de aprendizaje automático que utiliza ejemplos etiquetados para aprender a asignar etiquetas a nuevas imágenes. Estos modelos pueden ser entrenados con imágenes y sus correspondientes etiquetas, como "perro", "gato" o "coche", y luego pueden clasificar automáticamente nuevas imágenes en categorías conocidas. Por otro lado, los clasificadores no supervisados en imágenes no requieren ejemplos etiquetados para aprender. En su lugar, utilizan técnicas como el clustering para agrupar imágenes similares en conjuntos o categorías sin etiquetas predefinidas. Esto puede ser útil para explorar la estructura subyacente en grandes colecciones de imágenes o para descubrir patrones emergentes sin la necesidad de etiquetas previas.

¿Que es el clasificador supervisado conocido como Support Vector Machine (SVM)?

Es un clasificador supervisado que busca encontrar el hiperplano óptimo que mejor separa las clases en un espacio de características. Utiliza vectores de soporte, que son las instancias más cercanas al hiperplano, para determinar la ubicación y orientación del mismo. SVM puede manejar conjuntos de datos de alta dimensionalidad y es efectivo en espacios de características no lineales mediante el uso de funciones kernel para mapear los datos a un espacio dimensionalmente superior. Es útil para tareas como clasificación y regresión.

¿Cuales tipos de kernels tiene una SVM?

Kernel Lineal: Adecuado para datos linealmente separables, encuentra una separación lineal usando el producto escalar estándar entre características. Kernel Polinomial: Útil cuando los datos no son linealmente separables, eleva el producto escalar de características a una potencia específica para encontrar fronteras de decisión polinomiales. Kernel RBF (Función de Base Radial): Versátil y ampliamente utilizado, mide la similitud entre pares de características usando una función de base radial, lo que permite capturar fronteras de decisión no lineales. Kernel Sigmoidal: Aplica la función sigmoide al producto escalar de características, permitiendo una transformación no lineal de los datos y útil para problemas de clasificación no lineales específicos.