ChávezPro3.0

8/16/2019 ChávezPro3.0

1/39

UNIVERSIDAD AUTÓNOMA DEL ESTADO DE

MÉXICO.UNIDAD ACADÉMICA PROFESIONAL TIANGUISTENCO.

Clasificación de la letra A en un documento plano a

través de un procesamiento de imágenes utilizando el

Algoritmo Canny.

Elaborado por: Isela Chávez Dotor

Asesor: M. C. Rafael Cruz Reyes.

8 de mayo de 2016, Tianguistenco.


2/39

Resumen

En este documento se presenta una propuesta para emplear técnicas y

conocimientos de la Ingeniería de Software para realizar un reconocimientode patrones, que este es una de las ramas de la inteligencia artificial, el cualestá enfocado a interpretar los objetos que interactúa con el humano paraasí convertirlos a un entorno computacional. El enfoque que tendrá es pararealizar un reconocimiento de patrones direccionado a la visión artificial oprocesamiento de imágenes, que se puede definir como la visualizaciónque tiene un humano y trasladarla a un entorno computacional parapoderla procesar.

Se explica detalladamente todos los enfoques, características,

clasificaciones, metodologías del reconocimiento de patrones y así mismotodos los métodos para realzar un procesamiento de imágenes.

Se elegirá un enfoque tradicional hablando de un procesamiento deimágenes, ya que se aplicará la forma tradicional que se conoce al realizardicho procesamiento.

Finalmente se obtendrá la aplicación esperada aplicando esta técnicapara así poder dar solución a la problemática.


3/39

Antecedentes

Al paso de los años, la ciencia de la computación se ha encargado deinvestigar diferentes conceptos [Russell, 04], uno de ellos, es elreconocimiento de patrones, que es una de las ramas de la inteligencia

artificial [Antonio, 2015], la cual desde hace años se denomina como laciencia que se ocupa de los procesos sobre ingeniería, computación ymatemáticas; donde Carrasco en su publicación del 2011 define que elreconocimiento de patrones es la forma de interpretar el mundo, el cual seencarga de la descripción y clasificación (reconocimiento) de objetos,personas y representaciones de todo lo que interactúa con el ser humano[Carrasco, 2011], con el fin de poder representarlo computacionalmente. Através del tiempo el Reconocimiento de Patrones ha ido evolucionando,Díaz menciona en el 2015 que a tomando distintos nombres como: MachineLearning (Aprendizaje Automático) o el más reciente Data Mining (Mineríade Datos) o Knowledge Discovery of Data (KDD, Descubrimiento deConocimiento en bases de datos) [Díaz, 2015], a medida que se han idoincorporando algunos otros métodos y/o técnicas al reconocimiento depatrones.

Las características del reconocimiento de patrones son únicas, ya queidentifican a un sujeto en específico de los demás de su misma especie[Vega, 2009], por ejemplo, un niño desde bebé aprende a reconocer suentorno distinguiendo patrones visuales (formas, colores, etc.), auditivos(sonidos, música, etc.), sensitivos (calor, frío, etc.), entre otros [Ochoa, 2011].Por esta razón, desde hace varios años se han estado desarrollandodiferentes metodologías que intentan resolver este tipo de problemas.

La revista Arista: Investigación Básica y Aplicada, en su artículo“Investigaciones actuales relacionadas al reconocimiento de patrones” del

año 2015, menciona que existen varios enfoques en el reconocimientoautomático de patrones [Antonio, 2015]. Los más utilizados son: Los que sebasan en la teoría de probabilidad y estadística, los que utilizan funcionesdiscriminantes, basadas en la neuro-computación y los que trabajan conalgoritmos de búsqueda de optimización basados en heurística [Ochoa,

2011], entre otros.

Es en los años 50’s cuando se logra realizar un sistema que tuvo cierto éxito,se llamó el Perceptrón de Rossenblatt. Éste era un sistema visual dereconocimiento de patrones en el cual se asociaron esfuerzos para que sepudieran resolver una gama amplia de problemas [Hernández, 2011], peroestas energías se diluyeron enseguida.


4/39

En 1961, fue el inicio de la visión artificial, el cual Solís en su publicación del2014 menciona que, en punto de vista práctico, fue marcado por LarryRoberts, el cual, creó un programa que podía “ver” una estructura de

bloques, analizar su contenido y reproducirla desde otra perspectiva,demostrando así a los espectadores que esa información visual que había

sido mandada al ordenador por una cámara [Solís, 2014], había sidoprocesada adecuadamente por él.

En 1966, el reconocimiento de patrones se convirtió en un objeto de estudiomás serio gracias al trabajo de Zhuravliov [Andrade, 2010], que habla de laTeoría de Testores y el Reconocimiento de Patrones.

En 1978, se funda la Asociación Internacional de Reconocimiento dePatrones, IAPR (International Association for Pattern Recognition) [Peña,2010], que es una asociación internacional sin fines de lucro, organizaciones

científicas o profesionales (siendo nacional, multinacional, o internacional),basada en el reconocimiento de patrones, visión artificial y procesamientode imágenes en un sentido amplio [iapr.org, 2016].

En 1980, el reconocimiento de patrones llega a México a través de maestroscubanos [Magallanes, 2010].

Refiriéndose a la definición del reconocimiento de patrones, los objetosfísicos pueden ser espaciales como: caracteres, imágenes, entre otros ytemporales como: formas de onda (voz), series, entre otros y los abstractoscomo: razonamiento, soluciones a problemas, etc [Butrón, 2012]. Así

tenemos, por ejemplo, patrones visuales basados en imágenes aéreas osatelitales, de problemas de clasificación y diagnóstico en algunos campos[Díaz, 2015], el cual más adelante explica Arcos en el 2009 que surgieronbastantes programas y cámaras para implementar la visión artificial enmuchas áreas diferentes, hasta la actualidad donde llegaron a tenerobjetivos tales como [Arcos, 2009]:

I. La detección, segmentación, localización y reconocimiento deciertos objetos en imágenes (por ejemplo, caras humanas).

II. La evaluación de los resultados (ej.: segmentación, registro).

III. Registro de diferentes imágenes de una misma escena u objeto, yhacer concordar un mismo objeto en diversas imágenes.

IV. Seguimiento de un objeto en una secuencia de imágenes.V. Mapeo de una escena para generar un modelo tridimensional de la

escena; tal modelo podría ser usado por un robot para navegar porla escena.

VI. Estimación de las posturas tridimensionales de humanos.


5/39

VII. Búsqueda de imágenes digitales por su contenido.

Esto es algo que se debe recalcar: esta no es una rama de la ingenieríateórica, sino una herramienta que se usa y que realmente resuelveproblemas.

Como por ejemplo Andrade en el 2010 menciona una de las investigacionesactuales que fue realizada en la Universidad Politécnica de Madrid, España,el cual consiste en un Método para identificar el sexo de una persona conuna imagen de 25x25 pixeles. El dispositivo consiste en una cámara de vídeoque mediante un detector facial captura imágenes recortadas de 25×25píxeles. Después se aplica una máscara a la imagen para eliminar el fondoy se pasa a un clasificador que determina el sexo de la persona. Lointeresante es el algoritmo, que solo utiliza 625 píxeles para determinar elsexo una vez que identifica el rostro. Para ello emplea el “Análisis

Discriminante Lineal”, una vieja técnica de reconocimiento de patrones,que si se usa correctamente resulta tan buena como las modernasmáquinas de vectores de soporte. Este sistema serviría para la medición deaudiencias de televisión o publicidad, así como la realización de estudios demercado en los centros comerciales, tiendas, bancos o cualquier otronegocio donde se puedan utilizar cámaras para contar personas y obtenerinformación demográfica [Andrade, 2010].

Hernández menciona en el 2008 que, en la Universidad Estatal de Arizona,han trabajado en los últimos años en el proyecto llamado iCARE Social

Interacción, cuyo objetivo es permitir a las personas invidentes acceder ainformación visual durante encuentros sociales. Este dispositivo cuenta conuna cámara conectada a una computadora portable o a un teléfono móvil.Así, por medio de algoritmos de visión artificial, iCARE detecta la posición dela otra persona y dicha información es proporcionada al usuario por mediode un cinturón con motores vibradores. El sistema también es capaz dedetectar siete emociones básicas (felicidad, tristeza, sorpresa, enojo, miedo,disgusto y neutral) y proporcionar dicha información por medio de unguante con 14 vibradores. Este sistema es el único prototipo encontrado enla literatura y no se encontró ningún dispositivo comercial, basado o no en

visión artificial, que apoye en esta área [Hernández, 2008].También se puede aplicar a problemas relacionados con el campo delcontrol inteligente, en el cual los sistemas complejos neuronales suministranla capacidad de aprendizaje y la lógica borrosa permite la extracción delas reglas de clasificación o diagnóstico.


6/39

Planteamiento del problema.

El avance de la tecnología ha solucionado distintos problemas y así mismo

se han solicitado más, una de las soluciones buscadas, es la digitalizaciónde documentos antiguos, que ha surgido en los últimos tiempos, ya quedebido a lo deteriorado del documento se puede perder una parte o en elpeor caso se pierde completo. Es por ello que ahora se digitalizan y se pasana un documento plano, pero al hacerlo un documento plano hay distintasproblemáticas, una de ellas es que se puede confundir algunas letras configuras geometrías o simbologías.

Tomando en cuenta estas características se pretende realizar en formaparticular una clasificación de la letra A en un documento plano a través de

un procesamiento de imágenes, utilizando el algoritmo Canny.

Objetivo general

Aplicar un reconocimiento de patrones por medio de la técnica deprocesamiento de imágenes en un segmento especifico del documentodigital, para así poder clasificar con exactitud una letra A o alguna

simbología, en caso de tener similitud alguna.

Hipótesis

Si se aplica las técnicas de procesamiento de imágenes y el algoritmoCanny se obtendrá una clasificación de la letra A en el documento plano.


7/39

Marco teórico

Redes Neuronales y Reconocimiento de Patrones. [Alonso, 2015]

Investigaciones actuales relacionadas alreconocimiento de patrones; Revista Aristas:Investigación Básica y Aplicada.

[Antonio, 2015]

Reconocimiento de patrones y el aprendizaje nosupervisado.

[Cáceres, 2015]

Reconocimiento de patrones; Komputer Sapiens,Revista de Divulgación de la Sociedad Mexicanade Inteligencia Artificial.

[Carrasco, 2011]

Reconocimiento de Patrones. [Díaz, 2015] [De la Rosa, 2003][González, 2015]

Reconocimiento de Patrones y visión artificial. [Andrade, 2010]

Reconocimiento de Patrones, Astrofísica Óptica yElectrónica.

[Ochoa, 2015]

Estado del Arte del Reconocimiento de Patrones enla Quimiometría.

[Rodríguez, 2008]

Reconocimiento de patrones utilizando técnicasestadísticas y conexionistas aplicadas a laclasificación de dígitos manuscritos.

[Seijas, 2011]

Reconocimiento de patrones mediante redesneuronales artificiales. [Vega, 2009]

Segmentación de imágenes mediantereconocimiento de patrones.

[Meschino, 2014]

Reconocimiento de Patrones en Cibernética ySistemas Computacionales.

[Solís, 2014]

Sistema de procesamiento de imágenes paracontrolar un robot manipulador.

[Florencia, 2015]

Procesamiento Digital de Imágenes, Apuntes delcurso.

[Escalante, 2006]

Los avances del estudio del Marco Teórico está en el anexo 1.


8/39

Reconocimiento de Patrones y neuro-computación. [Hernández, 2011]


9/39

Estado del Arte

Reconocimiento de Patrones.[Andrade, 2010]

Diseño del sistema de control difuso de una máquina secadorade café que emplea energía solar.

[Alvarado, 2011]

Investigaciones actuales relacionadas al reconocimiento depatrones.

[Arias, 2015]

Diseño e implementación de nuevas tecnologías basadas envisión artificial para la inspección no destructiva de la calidad defruta en campo y mínimamente procesada.

[Cubero, 2012]

Reconocimiento de patrones.[Casas, 2011]

Reconocimiento de Patrones, visión artificial.[Díaz, 2015]

Reconocimiento facial automático mediante técnicas de visióntridimensional.

[Díaz, 2004]

Reconocimiento de Patrones.[González, 2011]

Algoritmo de agrupamiento basado en patrones utilizandoárboles de decisión no supervisados.

[Gutiérrez, 2012]

Correspondencia estereoscópica en imágenes obtenidas conproyección omnidireccional para entornos forestales.

[Herrera, 2010]

Reconocimiento de Patrones. [Hernández, 2011]

Asociación Internacional de Reconocimiento de Patrones (IAPR). [iapr.org, 2016].

Sistema de reconocimiento y clasificación de patrones basadoen procesamiento digital de imágenes y redes neuronales.

[Maraví, 2016].

Segmentación de imágenes mediante reconocimiento depatrones.

[Meschino, 2014]

Visión artificial estero con aplicación al control de un brazo derobot.

[Moreno, 2003]

Reconocimiento de Patrones.[Ochoa, 2015]

Reconocimiento de patrones utilizando técnicas estadísticas yconexionistas aplicadas a la clasificación de dígitos manuscritos. [Seijas, 2011]Reconocimiento de Patrones.

[Solís, 2014]

Reconocimiento automático de matrículas de automóvil.[Toledo, 2005]

Reconocimiento de patrones mediante redes neuronalesartificiales.

[Vega, 2009]

Los avances del estudio del Estado del Arte está en el anexo 2.


10/39

Marco Metodológico

Investigaciones actuales relacionadas alreconocimiento de patrones.

[Aguilar, 2015]

Reconocimiento de patrones y el aprendizaje nosupervisado.

[Tello, 2015]

Reconocimiento de patrones. [Ariel, 2011]

Análisis del entrono 2003 por OCLC: Reconocimiento depatrones.

[De la Rosa, 2003]

Reconocimiento de Patrones. [Arcos, 2015]

Procesamiento Digital de Imágenes. [Escalante, 2006]

Sistema de procesamiento de imágenes para controlarun robot manipulador.

[Florencia, 2015]

Reconocimiento de Patrones y SistemasComputacionales.

[González, 2015]

Algoritmo de agrupamiento basado en patronesutilizando árboles de decisión no supervisados.

[Gutiérrez, 2012]

Reconocimiento de Patrones y Cibernética. [Hernández, 2011]

Segmentación de imágenes mediante reconocimientode patrones.[Meschino, 2014]

Reconocimiento de Patrones y Astrofísica Óptica. [Ochoa, 2015]

Estado del Arte del Reconocimiento de Patrones en laQuimiometría.

[Rodríguez, 2008]

Reconocimiento de patrones utilizando técnicasestadísticas y conexionistas aplicadas a la clasificaciónde dígitos manuscritos.

[Seijas, 2011]

Reconocimiento de Patrones. [Magallanes, 2014]

Reconocimiento de patrones mediante redesneuronales artificiales.

[Vega, 2009]

Procesamiento Digital de Imágenes. [Wainschenker, 2011]

Análisis del Reconocimiento de patrones. [Wilson, 2009]

Aplicación de algoritmos para el procesamiento de imágenes. [Dueñas, 2016]

Los avances del estudio del Marco Metodológico está en el anexo 3.


11/39

Objetivo particulares

1) Adquisición de la imagen o captura.

La adquisición de la imagen es por medio de un tipo de cámara digital, basadasen sensores CCD o CMOS [Escalante, 2006], con características de distancia al

objeto y mega píxeles [Wainschenker, 2011], está a cargo de algún transductor oconjunto de transductores que mediante la manipulación de la luz o de algunaotra forma de radiación que es emitida o reflejada por los cuerpos, se logra formaruna representación del objeto dando lugar [Florencia, 2015] a una imagen[González, 2015] visual.

2) Pre-procesamiento de la imagen.

Proceso de digitalización [González, 2015] que consiste en eliminar la mayorcantidad de ruido que se le agrega durante la adquisición, así como tambiénmejorar las características de dicha imagen como: definición de contornos, color,

brillo, etc. Valiéndose de procedimientos [Florencia, 2015] y herramientasmatemáticas.

3) Segmentación.

Es el proceso que divide a una imagen en objetos [Florencia, 2015], delimitando lasregiones que nos interesan. Se evalúan dos métodos según Meschino en el 2014:

+ Descomposición de árbol X-Y.

+ Etiquetado de componentes conexos

4) Extracción de características.

Es el proceso mediante el cual se obtienen [Florencia, 2015] características comolo son el tamaño, perímetro, área, etc. Así como características topográficas comolo es la orientación de segmentos [Meschino, 2014].

5) Reconocimiento o identificación de objetos.

Es el proceso que asocia un significado a un conjunto de objetos reconocidos[González, 2015], es decir convierte una imagen binaria a una representaciónelectrónica, que utiliza un modelo de toma de decisión [Escalante, 2006] paradecidir a qué categoría pertenece cada objeto.

6)

Presentación al observador.La presentación al observador consiste en el método empleado para exponer laimagen la cual puede ser impresa o por medios electrónicos como la televisión, elmonitor de una computadora, o algún otro medio [Meschino, 2014]. Para lapresentación de la imagen se deben considerar ciertos aspectos de percepciónhumana [González, 2015], así como las velocidades de despliegue del dispositivoutilizado.


12/39

Cronograma de actividades


13/39

Referencias

[Alonso, 2015] Luis Alonso Romero, Teodoro Calonge Cano; Redes Neuronalesy Reconocimiento de Patrones; Año de consulta 2015.

[Andrade, 2010] Andrade Hernández José Alejandro; Reconocimiento dePatrones; Facultad de Ingeniería; Ingeniería en Cibernética ySistemas Computacionales; Universidad La Salle; Año 2010

[Antonio, 2015] Juan Alberto Antonio Velázquez, Alejo Eleuterio Roberto, LópezGonzález Erika, Gil Antonio Leopoldo, Rosa María ValdovinosRosas; Investigaciones actuales relacionadas alreconocimiento de patrones; Revista Aristas: Investigación

Básica y Aplicada; Volumen 4; Número 7; Año 2015.[Cáceres, 2015] Jesús Cáceres Tello; Reconocimiento de patrones y elaprendizaje no supervisado; Escuela Técnica Superior deInformática, Universidad de Alcalá; Año de consulta 2015.

[Carrasco, 2011] Jesús Ariel Carrasco Ochoa, José Francisco Martínez Trinidad;Reconocimiento de patrones; Komputer Sapiens, Revista deDivulgación de la Sociedad Mexicana de Inteligencia Artificial;Año 3, Volumen 2; Año 2011.

[De la Rosa, 2003] Cathy De la Rosa, Análisis del entrono 2003 por OCLC:Reconocimiento de patrones, Estados Unidos, Biblioteca ycentro de información de OCLC; Año 2003

[Díaz, 2015] Díaz Arcos César Eduardo; Reconocimiento de Patrones;Facultad de Ingeniería; Ingeniería en Cibernética y SistemasComputacionales; Universidad La Salle; Año 2015

[Escalante, 2006] Dr. Boris Escalante Ramírez, Procesamiento Digital de Imágenes,Apuntes del curso, agosto, 2006.http://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdf

[Florencia, 2015] Gerardo Florencia, Sistema de procesamiento de imágenespara controlar un robot manipulador, Proyecto deinvestigación; año 2015.http://catarina.udlap.mx/u_dl_a/tales/documentos/msp/flore

ncia_y_an/capitulo3.pdf [González, 2015] González Hernández Paola; Reconocimiento de Patrones;Facultad de Ingeniería; Ingeniería en Cibernética y SistemasComputacionales; Universidad La Salle; Año 2015 http://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdf

http://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdfhttp://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdfhttp://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdfhttp://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdf


14/39

[Gutiérrez, 2012] Andres Eduardo Gutiérrez Rodríguez; Algoritmo deagrupamiento basado en patrones utilizando árboles dedecisión no supervisados; Reporte técnico; Coordinación deciencias Computacionales INAOE; Sta. Ma. Tonantzintla,puebla México; año 2012

[Hernández, 2011] Hernández Hernández Karla Paola; Reconocimiento dePatrones; Facultad de Ingeniería; Ingeniería en Cibernética ySistemas Computacionales; Universidad La Salle; Año 2011https://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2

&cad=rja&uact=8&ved=0ahUKEwjEwf-k-

YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvest

re.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-

Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=

LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amc

[Meschino, 2014] Dr. Gustavo Javier Meschino, segmentación de imágenesmediante reconocimiento de patrones, Materia de curso,Escuela en ciencias de las imágenes, Buenos aires Argentina;

año 2014.[Ochoa, 2015] Jesús Ariel Carrasco Ochoa; Reconocimiento de Patrones;

Instituto Nacional de Astrofísica Óptica y Electrónica; Año deconsulta 2015.

[Rodríguez, 2008] Dra. Isneri Talavera Bustamante, Ing. Jorge Luis RodriguezHierrezuelo, Estado del Arte del Reconocimiento de Patrones enla Quimiometría, Centro de Aplicaciones de Tecnologías deAvanzada, 7a #21812 e/ 218 y 222, Siboney, Playa, Habana,Cuba, Fecha 2008

[Seijas, 2011] Seijas Leticia María; Reconocimiento de patrones utilizandotécnicas estadísticas y conexionistas aplicadas a la

clasificación de dígitos manuscritos; Facultad de CienciasExactas de Buenos Aires; Tesis Doctoral; Año 2011.[Solís, 2014] Solís Magallanes Alan Francisco; Reconocimiento de Patrones;

Facultad de Ingeniería; Ingeniería en Cibernética y SistemasComputacionales; Universidad La Salle; Año 2014https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/

[Vega, 2009] Hugo Vega Huerta, Augusto Cortez Vásquez, Ana MaríaHuayna, Luis Alarcón Loayza, Pablo Romero Naupari;Reconocimiento de patrones mediante redes neuronalesartificiales; Facultad de Ingeniería de Sistemas e Información,Universidad Nacional Mayor de San Marcoss, FISI; Volumen 6;Número 2; Año 2009.

[Wilson, 2009] Alane Wilson, Análisis del entrono 2003 por OCLC:Reconocimiento de patrones, Estados Unidos, Biblioteca ycentro de información de OCLC; Año 2003

https://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/https://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amc


15/39

[Andrade, 2010] Andrade Hernández José Alejandro; Reconocimiento DePatrones; Facultad De Ingeniería; Ingeniería En Cibernética YSistemas Computacionales; Universidad La Salle; Año 2010

[Alvarado, 2011] Alvarado, I. R., & Walkiria, L. Diseño Del Sistema De ControlDifuso De Una Máquina Secadora De Café Que EmpleaEnergía Solar (Doctoral Dissertation), (2011).

[Antonio, 2015] Juan Alberto Antonio Velázquez, Alejo Eleuterio Roberto,López González Erika, Gil Antonio Leopoldo, Rosa MaríaValdovinos Rosas; Investigaciones Actuales Relacionadas AlReconocimiento De Patrones; Revista Aristas: InvestigaciónBásica Y Aplicada; Volumen 4; Número 7; Año 2015.

[Carrasco, 2011] Jesús Ariel Carrasco Ochoa, José Francisco Martínez Trinidad;Reconocimiento De Patrones; Komputer Sapiens, Revista DeDivulgación De La Sociedad Mexicana De InteligenciaArtificial; Año 3, Volumen 2; Año 2011.

[Cubero, 2012] Sergio Cubero García, Diseño E Implementación De NuevasTecnologías Basadas En Visión Artificial Para La Inspección NoDestructiva De La Calidad De Fruta En Campo Y MínimamenteProcesada, Tesis Doctoral, Universidad Politécnica DeValencia, 2012

[Díaz, 2004] Díaz, A. B. M. (2004). Reconocimiento Facial AutomáticoMediante Técnicas De Visión Tridimensional (Doctoral

Dissertation, Universidad Politécnica De Madrid).[Díaz, 2015] Díaz Arcos César Eduardo; Reconocimiento De Patrones;

Facultad De Ingeniería; Ingeniería En Cibernética Y SistemasComputacionales; Universidad La Salle; Año 2015

[González, 2015] González Hernández Paola; Reconocimiento De Patrones;Facultad De Ingeniería; Ingeniería En Cibernética Y SistemasComputacionales; Universidad La Salle; Año 2015.

[Gutiérrez, 2012] Andres Eduardo Gutiérrez Rodríguez; Algoritmo DeAgrupamiento Basado En Patrones Utilizando Árboles DeDecisión No Supervisados; Reporte Técnico; Coordinación DeCiencias Computacionales Inaoe; Sta. Ma. Tonantzintla,

Puebla México; Año 2012[Hernández,2011]

Hernández Hernández Karla Paola; Reconocimiento DePatrones; Facultad De Ingeniería; Ingeniería En Cibernética YSistemas Computacionales; Universidad La Salle; Año 2011.

[Herrera, 2010] Herrera Caro, P. J. (2010). Correspondencia Estereoscópica EnImágenes Obtenidas Con Proyección Omnidireccional ParaEntornos Forestales.


16/39

[Maraví, 2016]. Maraví, H. B., & Vásquez, G. K. Sistema De Reconocimiento YClasificación De Patrones Basado En Procesamiento Digital DeImágenes Y Redes Neuronales.

[Meschino, 2014] Dr. Gustavo Javier Meschino, Segmentación De ImágenesMediante Reconocimiento De Patrones, Materia De Curso,Escuela En Ciencias De Las Imágenes, Buenos Aires Argentina;Año 2014.

[Moreno, 2003] M. En C. Marco Antonio Moreno Armendariz, Visión ArtificialEstero Con Aplicación Al Control De Un Brazo De Robot,Centro De Investigación Y De Estudios Avanzados Del InstitutoPolitécnico Nacional Departamento De Control Automático,2003.

[Ochoa, 2015] Jesús Ariel Carrasco Ochoa; Reconocimiento De Patrones;Instituto Nacional De Astrofísica Óptica Y Electrónica; Año DeConsulta 2015.

[Rodríguez, 2008] Dra. Isneri Talavera Bustamante, Ing. Jorge Luis RodriguezHierrezuelo, Estado Del Arte Del Reconocimiento De PatronesEn La Quimiometría, Centro De Aplicaciones De TecnologíasDe Avanzada, 7a #21812 E/ 218 Y 222, Siboney, Playa,Habana, Cuba, Fecha 2008

[Seijas, 2011] Seijas Leticia María; Reconocimiento De Patrones UtilizandoTécnicas Estadísticas Y Conexionistas Aplicadas A LaClasificación De Dígitos Manuscritos; Facultad De CienciasExactas De Buenos Aires; Tesis Doctoral; Año 2011.

[Solís, 2014] Solís Magallanes Alan Francisco; Reconocimiento DePatrones; Facultad De Ingeniería; Ingeniería En Cibernética YSistemas Computacionales; Universidad La Salle; Año 2014.

[Toledo, 2005] Luis Enrique Toledo Muñoz, Reconocimiento Automático De

Matrículas De Automóvil, Centro De Investigaciones EnÓptica, A. C, 2005.

[Vega, 2009] Hugo Vega Huerta, Augusto Cortez Vásquez, Ana MaríaHuayna, Luis Alarcón Loayza, Pablo Romero Naupari;Reconocimiento De Patrones Mediante Redes NeuronalesArtificiales; Facultad De Ingeniería De Sistemas E Información,Universidad Nacional Mayor De San Marcoss, Fisi; Volumen 6;Número 2; Año 2009.


17/39

[Alonso, 2015] Luis Alonso Romero, Teodoro Calonge Cano; RedesNeuronales y Reconocimiento de Patrones; Año de consulta2015.

[Andrade, 2010] Andrade Hernández José Alejandro; Reconocimiento dePatrones; Facultad de Ingeniería; Ingeniería en Cibernética ySistemas Computacionales; Universidad La Salle; Año 2010

[Antonio, 2015] Juan Alberto Antonio Velázquez, Alejo Eleuterio Roberto,López González Erika, Gil Antonio Leopoldo, Rosa MaríaValdovinos Rosas; Investigaciones actuales relacionadas alreconocimiento de patrones; Revista Aristas: InvestigaciónBásica y Aplicada; Volumen 4; Número 7; Año 2015.

[Cáceres, 2015] Jesús Cáceres Tello; Reconocimiento de patrones y elaprendizaje no supervisado; Escuela Técnica Superior deInformática, Universidad de Alcalá; Año de consulta 2015.

[Carrasco, 2011] Jesús Ariel Carrasco Ochoa, José Francisco Martínez Trinidad;Reconocimiento de patrones; Komputer Sapiens, Revista deDivulgación de la Sociedad Mexicana de Inteligencia

Artificial; Año 3, Volumen 2; Año 2011.[De la Rosa, 2003] Cathy De la Rosa, Análisis del entrono 2003 por OCLC:

Reconocimiento de patrones, Estados Unidos, Biblioteca ycentro de información de OCLC; Año 2003

[Díaz, 2015] Díaz Arcos César Eduardo; Reconocimiento de Patrones;Facultad de Ingeniería; Ingeniería en Cibernética y SistemasComputacionales; Universidad La Salle; Año 2015

[Escalante, 2006] Dr. Boris Escalante Ramírez, Procesamiento Digital deImágenes, Apuntes del curso, agosto, 2006.http://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdf

[Florencia, 2015] Gerardo Florencia, Sistema de procesamiento de imágenespara controlar un robot manipulador, Proyecto deinvestigación; año 2015.http://catarina.udlap.mx/u_dl_a/tales/documentos/msp/flor encia_y_an/capitulo3.pdf

[González, 2015] González Hernández Paola; Reconocimiento de Patrones;Facultad de Ingeniería; Ingeniería en Cibernética y SistemasComputacionales; Universidad La Salle; Año 2015 http://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdf

[Gutiérrez, 2012] Andres Eduardo Gutiérrez Rodríguez; Algoritmo de

agrupamiento basado en patrones utilizando árboles dedecisión no supervisados; Reporte técnico; Coordinación deciencias Computacionales INAOE; Sta. Ma. Tonantzintla,puebla México; año 2012

[Hernández, 2011] Hernández Hernández Karla Paola; Reconocimiento dePatrones; Facultad de Ingeniería; Ingeniería en Cibernética ySistemas Computacionales; Universidad La Salle; Año 2011

http://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdfhttp://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdfhttp://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/mel/gonzalez_g_ra/capitulo2.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://catarina.udlap.mx/u_dl_a/tales/documentos/msp/florencia_y_an/capitulo3.pdfhttp://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdfhttp://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdf


18/39

https://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=

2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-

YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilve

stre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-

Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2

=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amc

[iapr.org, 2016]. Asociación Internacional de Reconocimiento de Patrones(IAPR); Año 2016http://www.iapr.org/

[Meschino, 2014] Dr. Gustavo Javier Meschino, segmentación de imágenesmediante reconocimiento de patrones, Materia de curso,Escuela en ciencias de las imágenes, Buenos aires Argentina;año 2014.

[Ochoa, 2015] Jesús Ariel Carrasco Ochoa; Reconocimiento de Patrones;Instituto Nacional de Astrofísica Óptica y Electrónica; Año deconsulta 2015.

[Rodríguez, 2008] Dra. Isneri Talavera Bustamante, Ing. Jorge Luis Rodriguez

Hierrezuelo, Estado del Arte del Reconocimiento de Patronesen la Quimiometría, Centro de Aplicaciones de Tecnologíasde Avanzada, 7a #21812 e/ 218 y 222, Siboney, Playa,Habana, Cuba, Fecha 2008

[Seijas, 2011] Seijas Leticia María; Reconocimiento de patrones utilizandotécnicas estadísticas y conexionistas aplicadas a laclasificación de dígitos manuscritos; Facultad de CienciasExactas de Buenos Aires; Tesis Doctoral; Año 2011.

[Solís, 2014] Solís Magallanes Alan Francisco; Reconocimiento de Patrones;Facultad de Ingeniería; Ingeniería en Cibernética y SistemasComputacionales; Universidad La Salle; Año 2014https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/

[Vega, 2009] Hugo Vega Huerta, Augusto Cortez Vásquez, Ana MaríaHuayna, Luis Alarcón Loayza, Pablo Romero Naupari;Reconocimiento de patrones mediante redes neuronalesartificiales; Facultad de Ingeniería de Sistemas e Información,Universidad Nacional Mayor de San Marcoss, FISI; Volumen 6;Número 2; Año 2009.

[Wainschenker,2011]

Dr. Rubén Wainschenker, Procesamiento Digital de Imágenes,Clase Teórico Práctica Nº 1, Optativa Área Procesamiento deseñales, año 2011http://www.exa.unicen.edu.ar/catedras/pdi/FILES/TE/CP1.pd

f [Wilson, 2009] Alane Wilson, Análisis del entrono 2003 por OCLC:

Reconocimiento de patrones, Estados Unidos, Biblioteca ycentro de información de OCLC; Año 2003

https://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttp://www.iapr.org/http://www.iapr.org/https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/http://www.exa.unicen.edu.ar/catedras/pdi/FILES/TE/CP1.pdfhttp://www.exa.unicen.edu.ar/catedras/pdi/FILES/TE/CP1.pdfhttp://www.exa.unicen.edu.ar/catedras/pdi/FILES/TE/CP1.pdfhttp://www.exa.unicen.edu.ar/catedras/pdi/FILES/TE/CP1.pdfhttp://www.exa.unicen.edu.ar/catedras/pdi/FILES/TE/CP1.pdfhttps://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/https://visartblog.wordpress.com/2013/05/02/resumen-historia-de-la-vision-artificial/http://www.iapr.org/https://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amchttps://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjEwf-k-YLMAhWJn4MKHWYtCz8QFgggMAE&url=http%3A%2F%2Fmaestrosilvestre.aprenderapensar.net%2Ffiles%2F2011%2F05%2F01-Rec_Patrones.doc&usg=AFQjCNF63KZGtDiJJxPZ46d9xfInQxN1hA&sig2=LJEc2olb9XR3YkeiCfjlPQ&bvm=bv.119028448,d.amc


19/39

Anexo 1

Marco Teórico

La ciencia de la computación es la que estudia y sistematiza las órdenes yactividades dictadas a una máquina, analizando a los factores queparticipan de este proceso, entre los que se encuentran los lenguajes deprogramación, que permiten generar una lista de datos ordenada yentendible para la máquina [Definición, 13]. Tomando en cuenta su diseñoy sus usos para cálculo, procesamiento de datos y sistemas de control,incluyendo el diseño y desarrollo de hardware y software, así como suprogramación [Alberto, 11]. Esta ciencia barca el estudio de las basesteóricas de la información y la computación, así como su aplicación ensistemas computacionales. Existen diversos campos dentro de la ciencia,algunos enfatizan los resultados específicos del cómputo (como los gráficos

por computadora), mientras que otros (como la teoría de la complejidadcomputacional) se relacionan con propiedades de los algoritmos usados alrealizar cómputos. Otros por su parte se enfocan en los problemas querequieren la implementación de cómputos [Datasena, 11].

Una de las ramas o estudios más importantes de la ciencia de lacomputación es la inteligencia artificial, la cual se basa en intentar dotar alfuncionamiento de las aplicaciones informáticas de un comportamientointeligente similar al humano para la toma de decisiones [Romero, 13]. Tienepor objetivo el estudio de los métodos por los cuales mecanismos artificiales

pueden ejecutar tareas consideradas como “inteligentes”, que requierenracionalidad en la preparación, comprensión, decisión, y acción; entre ellasla utilización del lenguaje natural [Sontag, 13]. Esta disciplina es aplica endiferentes ciencias que son combinación del computador, fisiología yfilosofía, y así mismo se reúnen varios campos (robótica, aprendizajeautomático, por ejemplo), todos los cuales tienen en común la creación demáquinas que pueden pensar. No podemos dejar de mencionar que la ideade construir una máquina que pueda ejecutar tareas percibidas comorequerimientos de inteligencia humana es un atractivo [Palacios, 08], deigual manera estudia el software y hardware necesarios para simular el

comportamiento y comprensión humanos. Uno de los problemas másdifíciles es la simulación de la conciencia, cualidad humana que hace quenos demos cuenta de nuestra propia existencia [Malpica ,13].

Es este caso nos enfocaremos en una de las tantas tareas que abarca lainteligencia artificial, el cual hablamos del reconocimiento de patrones quecomo ya se menciono es una de las ramas de la inteligencia artificial, la cual


20/39

desde hace años se denomina como la ciencia que se ocupa de losprocesos sobre ingeniería, computación y matemáticas [Antonio, 2015],que a través del tiempo el Reconocimiento de Patrones ha idoevolucionando y tomando distintos nombres como: Machine Learning(Aprendizaje Automático) o el más reciente como Data Mining (Minería de

Datos) o Knowledge Discovery of Data (KDD, Descubrimiento deConocimiento en bases de datos) [Díaz, 2015], a medida que se han idoincorporando algunos otros métodos y/o técnicas al reconocimiento depatrones.

Refiriéndose a la definición del reconocimiento de patrones, los objetosfísicos pueden ser espaciales como: caracteres, imágenes, entre otros ytemporales como: formas de onda (voz), series, entre otros y los abstractoscomo: razonamiento, soluciones a problemas, etc. Así tenemos, porejemplo, patrones visuales basados en imágenes aéreas o satelitales, de

problemas de clasificación y diagnóstico en algunos campos [Díaz, 2015],que más adelante surgieron bastantes programas y cámaras paraimplementar la visión artificial en muchas áreas diferentes.

Esto es algo que quiero recalcar: esta no es una rama de la ingenieríateórica, sino una herramienta que se usa y que realmente resuelveproblemas.

Las características del reconocimiento de patrones son únicas, ya queidentifican a un sujeto en específico de los demás de su misma especie

[Vega, 2009], por ejemplo, un niño desde bebé aprende a reconocer suentorno distinguiendo patrones visuales (formas, colores, etc.), auditivos(sonidos, música, etc.), sensitivos (calor, frío, etc.), entre otros [Carrasco,2011]. Por esta razón, desde hace varios años se han estado desarrollandodiferentes metodologías que intentan resolver este tipo de problemas.

Rodríguez en el 2008 menciona que, de manera general, existen tres tiposde metodologías básicas para el reconocimiento de patrones como: lasheurísticas, las matemáticas y la lingüística, en las que a continuación sedescriben:

HeurísticasEsta metodología es la que hace uso de la experiencia y la intuiciónhumana. Por lo general los sistemas que son desarrollados bajo estosmétodos, están diseñada para cualquier problema que se quiera resolver.

Matemáticas


21/39

Este tipo de metodologías hacen uso de las propiedades comunes de lospatrones basadas en las reglas de clasificación de un marco matemático,este enfoque se divide en otras dos categorías que son la estadística ydeterminista.

LingüísticaLas metodologías lingüísticas también conocidas como sintácticas hacenuso de los elementos primitivos que componen a los patrones (sub-patrones)descubriendo la relación que existe entre ellos.

Los sistemas de reconocimiento de patrones suelen incorporar un métodode aprendizaje, normalmente mediante un algoritmo inductivo. Esimportante resaltar la necesidad de introducir un método de evaluaciónpara analizar dicho algoritmo, ya que, en el caso de que dicha evaluaciónfuese negativa reduciría la eficiencia del algoritmo.

La revista Arista: Investigación Básica y Aplicada, en su artículo“Investigaciones actuales relacionadas al reconocimiento de patrones” del

año 2015, menciona que existen varios enfoques en el reconocimientoautomático de patrones [Antonio, 2015]. Los más utilizados son: Los que sebasan en la teoría de probabilidad y estadística, los que utilizan funcionesdiscriminantes, basadas en la neuro-computación y los que trabajan conalgoritmos de búsqueda de optimización basados en heurística, entre otros.

A continuación, se describen brevemente dichos enfoques

El enfoque tradicional expuesto por Senijas en el año 2011, explica sobre laconstrucción de un sistema reconocedor de patrones el cual consiste endividir al sistema en dos módulos principales: un módulo encargado de laextracción de características y el otro dedicado a la clasificación.

Reconocimiento Estadístico de Patrones: Este enfoque se basa en la teoríade probabilidad y estadística y supone que se tiene un conjunto de medidasnuméricas con distribuciones de probabilidad conocidas y a partir de ellasse hace el reconocimiento.

Reconocimiento Sintáctico de Patrones: Este enfoque se basa en encontrarlas relaciones estructurales que guardan los objetos de estudio, utilizando lateoría de lenguajes formales. El objetivo es construir una gramática quedescriba la estructura del universo de objetos.

Redes Neuronales: Este enfoque supone que tiene una estructura deneuronas interconectadas que se estimulan unas a otras, las cuales pueden


22/39

ser “entrenadas” para dar una cier ta respuesta cuando se le presentandeterminados valores.

Reconocimiento Lógico Combinatorio de Patrones: Este enfoque se basa enla idea de que la modelación del problema debe ser lo más cercana posible

a la realidad del mismo, sin hacer suposiciones que no esténfundamentadas. Uno de los aspectos esenciales del enfoque es que lascaracterísticas utilizadas para describir a los objetos de estudio deben sertratadas cuidadosamente

Estos enfoques mencionados por Carrasco, no son necesariamenteindependientes y muchas veces, el mismo método puede ser visto condiferentes interpretaciones desde distintos enfoques.

Komputer Sapiens, Revista de Divulgación de la Sociedad Mexicana de laInteligencia Artificial, artículo: “Reconocimiento de Patrones” del volumen 2

del año 2011 [Carrasco, 2011]; coincide con los enfoques mencionados yademás nos habla de problemas que podemos resolver usando las técnicasde reconocimiento de patrones.

Cuando se intenta resolver un problema que implique el reconocimiento depatrones y se realice un sistema, este debe tener como objetivo lo siguiente:

Selección de atributos y prototipos o Selección de variables: Dentro delreconocimiento de patrones, uno de los problemas más importantes es laselección de atributos relevantes a partir del conjunto total de atributos que

se les pueden medir a los objetos de estudio, el cual consiste en determinarcuál es el conjunto de características más adecuado para describir a losobjetos.

Clasificación no supervisada agrupamiento o clustering: Consiste en dadauna muestra no clasificada encontrar la clasificación de la misma [Carrasco,2011]. Asignar el patrón a una clase todavía no definida [Alonso, 2015].

Clasificación Supervisada: Consiste en clasificar nuevos objetos basándoseen la información de una muestra ya clasificada [Carrasco, 2011]. Identificarel patrón como miembro de una clase ya definida [Alonso, 2015].

La selección de variables puede diferenciarse según los objetivos buscados.

Consiste en seleccionar cuál es el tipo de características o rasgos másadecuados para describir los objetos. Para ello, se deben localizar los rasgosque inciden en el problema de manera determinante.


23/39

Según Carrasco esta etapa también puede ser diseñada dentro de laclasificación.

Para la clasificación: la selección de características relevantes, a partirdel conjunto total de características que describen a los objetos, se

hace con dos motivos fundamentales: mejorar la clasificación oaumentar la velocidad de procesamiento. Para la representación: decidir qué características representan mejor

a cierto tipo de objetos.

Este proceso de selección comúnmente se hace con el objetivo de mejorarotros procesos de reconocimiento de patrones como, por ejemplo, laclasificación y el agrupamiento, intentando reducir los tiempos deprocesamiento o aumentar la calidad de los resultados.

Tanto para la selección de atributos como para la selección de objetos

existen dos estrategias principales para la tarea de selección, que son lassiguientes:

Estrategia wrapper: la cual toma en cuenta el mecanismo que se usará paradar solución al problema de reconocimiento y consiste en alguna estrategiade búsqueda sobre el espacio de posibles selecciones, usando elmecanismo de reconocimiento para evaluar a los posibles candidatos[Carrasco, 2014]]. Los métodos de la estrategia wrapper obtienen engeneral buenos resultados, pero consumen largos tiempos de ejecuciónpues requieren evaluar constantemente el desempeño del mecanismo de

reconocimiento para diferentes selecciones [Toledo, 2011].

Estrategia filter: la cual realiza la selección sin tomar en cuenta el mecanismode reconocimiento que se usará [Toledo, 2011], utilizando comúnmentemedidas intrínsecas de los datos como: entropía, redundancia,concordancia, “separabilidad” [Aguilar, 2012], entre otras.

Considerando que también Rodríguez en el 2008 propuso algunos métodospara la selección como:

Tablas de decisión: le busca un subconjunto mínimo de variables que no

introduzca confusión entre clases [Rodríguez, 2008].ID3: le crea un árbol de decisión y se selecciona un conjunto de variablesque permita discriminar entre clases [Hernández y Rodríguez, 2008].

Teoría de testores: le buscan todos los subconjuntos de variablesdiscriminantes minimales, con estos se evalúa la relevancia de cada variabley se seleccionan aquellas con mayor relevancia.


24/39

En el caso de la clasificación No supervisada, también conocida comoclasificación sin aprendizaje [De la rosa, 2003], es diferente porque dada unamuestra de objetos no clasificados, se debe obtener la estructuración enclases de dicha muestra [Wilson, 2009], se utilizan algoritmos de clasificaciónautomática multivariante, en los que los individuos más próximos se van

agrupando formando clases [De la rosa, 2003].

Las clases que se utilizan para la clasificación No supervisada es la siguiente:

Restringida: El número de clases en la que se estructurará la muestra estápreviamente definido.

Libre: El número de clases en la que se estructurará la muestra dependeexclusivamente de los datos.

Al definir el tipo de clase que se utiliza se elige un método en el cual se

aplicara la clasificación No supervisada o sin aprendizaje, Rodríguezmenciona los tipos de métodos:

Simple Link y Complete Link: parten de grupos unitarios de objetos yvan uniendo los grupos más parecidos en cada etapa, hasta cumpliralguna condición.

ISODATA: se van formando grupos que se ajustan iterativamenteusando teoría de probabilidades. En algunas versiones se puedehacer la unión o división de algún grupo.

C-means: se define un grupo de semillas, se asocia cada objeto al

grupo de la semilla más parecida, se toman los centroides de cadagrupo como nuevas semillas y se itera hasta que se estabilice. Criterios lógico-combinatorios: los criterios que se imponen a los grupos

son tales como ser conexos, completos maxi males, compactos, etc.

Wilson en el 2009 dice que tanto para la clasificación No supervisada oclasificación sin aprendizaje existen tres estrategias principales para la tareade selección, que son las siguientes:

Jerárquica: Puede ser divisiva o aglomeraría.

Reagrupamiento: Se hace un primer agrupamiento y se va refinandoiterativamente.

Lógico Combinatorio: Se define ciertas condiciones que deben cumplir losagrupamientos y se buscan los grupos que las cumplan.

Sin en cambio, la clasificación Supervisada, también conocida comoclasificación con aprendizaje, se basa en la disponibilidad de áreas de


25/39

entrenamiento. Consiste en clasificar nuevos objetos basándose en lainformación de una muestra ya clasificada [Ochoa, 2015] de áreas, en lasque se conoce a priori la clase a la que pertenecen y que servirán paragenerar una signatura espectral característica de cada una de las clases.Se denominan clases informacionales en contraposición a las clases

espectrales que genera la clasificación no supervisada [Gutiérrez, 2012],véase en Figura 5.

Carrasco menciona en el 2011, que el problema de la clasificación,comúnmente conocido como clasificación supervisada consiste en, dadoun universo de estudio dividido en clases y una muestra de objetos yaclasificados, encuentra mecanismos que nos permitan clasificar nuevos

objetos.

Para resolver el problema de clasificación supervisada Vega en el 2009

menciona que se han desarrollado una gran cantidad de métodos, porejemplo:

Funciones discriminantes: si son dos clases, se busca obtener unafunción g tal que para un nuevo objeto O, si g(O) ≥ 0 se asigna a laclase 1 y en otro caso a la 2. Si son múltiples clases se busca unconjunto de funciones gi y el nuevo objeto se ubica en la clase dondela función tome el mayor valor.

Vecino más cercano: un nuevo objeto se ubica en la clase donde estéel objeto de la muestra original que más se le parece.

Redes neuronales artificiales: denominadas habitualmente RNA o ensus siglas en inglés ANN. Se supone que imitan a las redes neuronalesreales en el desarrollo de tareas de aprendizaje [De la Rosa, 2003].Wilson en el 2009 dice que se entrena una red de neuronasinterconectadas, con los ejemplos para cada clase, con esto alpresentarle un objeto nuevo en sus entradas la red dará comoresultado la clase a la cual pertenece.

Superficies de Separación: Se suponen los objetos en Rn y se busca unconjunto de superficies que separen a las clases.

Vecino más cercano: Un nuevo objeto se ubica en la clase donde

esté el objeto de la muestra original que más se le parece. Sintáctico‐estructural: se basa en encontrar las relaciones

estructurales que guardan los objetos de estudio, utilizando la teoríade lenguajes formales, teoría de autómatas, etc. El objetivo esconstruir una gramática que describa la estructura del universo deobjetos.


26/39

Neuro‐reticular: se utilizan redes neuronales que se ‘entrenan’ paradar una cierta respuesta ante determinados valores.

Lógico‐combinatorio: se basa en la idea de que el modelado delproblema debe ser lo más cercano posible a la realidad del mismo,sin hacer suposiciones que no estén fundamentadas. Se utiliza para

conjuntos difusos y utiliza lógica simbólica, circuitos combinacionalesy secuenciales, etc.

Considerando las metodologías, clasificaciones, métodos y estrategiasantes mencionadas, el siguiente paso es crear un sistema deReconocimiento de Patrones, este consiste en los patrones que sepretenden obtener a partir de los procesos de segmentación, extracción decaracterísticas y descripción donde cada objeto queda representado poruna colección de descriptores. Alonso en el 2015 menciona que el sistemade reconocimiento debe asignar a cada objeto su categoría o clase

(conjunto de entidades que comparten alguna característica que ladiferencia del resto), considerando la mención que dio Rodríguez en el 2008sobre el diseño de un sistema de reconocimiento de patrones, que se llevaa cabo normalmente de la siguiente manera (Véase también figura 1):

1-Adquisición y pre-proceso de datos.

2- Extracción de características.

La extracción de características debe cumplir con las siguientescondiciones:

+ La dimensión del vector de características debe ser menorque la del patrón original.

+ Las características deben representar una codificaciónóptima de la entrada, perdiendo la información que no sea muyimportante.

3- Toma de decisiones o agrupamiento.

Figura 1. Proceso de reconociendo de patrones.


27/39

Al tener los pasos para realizar un sistema de reconocimiento de patrones semostrarán a continuación las diversas aplicaciones que fueron resumidaspor De la rosa en el 2003, considerando que algunas son las más relevantes

y utilizadas actualmente:Previsión meteorológica: poder clasificar todos los datos meteorológicossegún diversos patrones, y con el conocimiento a priori que tenemos de lasdiferentes situaciones que pueden aparecer nos permite crear mapas depredicción automática.

Reconocimiento de caracteres escritos a mano o a máquina: es una de lasutilidades más populares de los sistemas de reconocimiento de patrones yaque los símbolos de escritura son fácilmente identificables.

Reconocimiento de voz: el análisis de la señal de voz se utiliza actualmenteen muchas aplicaciones, un ejemplo claro son los teleoperadoresinformáticos.

Aplicaciones en medicina: análisis de biorritmos, detección deirregularidades en imágenes de rayos-x, detección de células infectadas,marcas en la piel.

Reconocimiento de huellas dactilares: utilizado y conocido por la granmayoría, mediante las huellas dactilares todos somos identificables y conprogramas que detectan y clasifican las coincidencias, resulta sencillo

encontrar correspondencias.

Reconocimiento de caras: utilizado para contar asistentes en unamanifestación o simplemente para detectar una sonrisa, ya hay diferentescámaras en el mercado con esta opción disponible.

Interpretación de fotografías aéreas y de satélite: gran utilidad parapropuestas militares o civiles, como la agricultura, geología, geografía,planificación urbana.

Predicción de magnitudes máximas de terremotos.

Reconocimiento de objetos: con importantes aplicaciones para personascon discapacidad visual.

Reconocimiento de música: identificar el tipo de música o la canciónconcreta que suena.


28/39

En el caso de desarrollar un sistema de reconociendo de patrones, aplicadoal procesamiento de imágenes, el cual nos referimos a cualquier forma deprocesamiento de señales, en donde la estrada es una imagen y la salidapuede ser una imagen, conjunto de características o parámetrosrelacionados con la imagen de entrada [Meschino, 2014]. Dicho

procesamiento se puede hace de forma óptica, analógica o digital.

Al analizar una imagen, según menciona Meschino en el 2014, podemos veruna representación pictórica de un objeto que contiene informacióndescriptiva de este, y así hacer un sistema de procesamiento de imágeneso sistema de reconocimiento, el cual típicamente está conformado por lossiguientes partes:

Adquisición: Se refiere al proceso de convertir un documento a unarepresentación apta para ser procesada por la computadora. Tal

adquisición y conversión puede ser realzada por un escáner, cámarafotográfica o de video, etc; y el resultado puede variar dependiendo delproceso de digitalización usado y el método de codificación.

Binarización: Convierte la imagen recibida en una imagen binariaseparando así el fondo de los objetos a analizar, consiste en un proceso dereducción de la información de la misma, en la que sólo persisten dosvalores: verdadero y falso [De la Rosa, 2003]. En una imagen digital, estosvalores, verdadero y falso, pueden representarse por los valores 0 y 1 o, másfrecuentemente, por los colores negro (valor de gris 0) y blanco (valor de gris

255) [Wilson, 2009]. Los métodos de binarización se pueden dividir en dostipos: Globales y locales:

Los métodos globales tratan de encontrar un umbral el cual aplicar a todala imagen entre estos se encuentran los métodos por umbral y Otsu.

El método local obtiene el umbral para cada pixel en la imagen usandopara ello los valores de sus vecinos, entre los métodos de esta categoríaentran el método de N iblack y Saovola. Los métodos locales generalmenteproducen un mejor resultado al binarizar la imagen incluso en situacionesdonde la iluminación en el documento es variable. Sin embargo, las

limitaciones de procesamiento y memoria lo hacen difícil de implementaren dispositivos móviles. Si bien se pueden utilizar alternativas como los sonlas imágenes para obtener los resultados de la binarización local y unarápida ejecución esto requiere memoria, además de que los grandesvalores que se puede necesitar la imagen pueden provocar undesbordamiento de búfer.


29/39

Análisis de documento: Trata de analizar la estructura de un documento yentender la información contenida en sus componentes.

Segmentación: Se refiere a delimitar las regiones que nos interesan. Seevalúan dos métodos:

Descomposición de árbol X-Y.

Etiquetado de componentes conexos.

Normalización: Trata de ajustar la forma, tamaño y posición delcaracterismo con el objetivo de minimizar la variación entre imágenes de lamisma clase.

Extracción de características: Permite conocer las características como loson el tamaño, perímetro, área, etc. Así como características topográficascomo lo es la orientación de segmentos.

Reconocimiento: Convierte la imagen binaria en una representaciónelectrónica. Misma que permite realizar operaciones de validación yanálisis.

Pros-proceso: Referido a mejorar el proceso de reconocimiento medianteel uso de información contextual como lo es análisis a nivel lingüístico.

En la mayoría de estas técnicas de imágenes son involucradas algunas delas siguientes etapas:

Adquisición de la imagen o captura: La adquisición de la imagen es pormedio de un tipo de cámara digital, basadas en sensores CCD o CMOS[Escalante, 2006], con características de distancia al objeto y mega píxeles[Wainschenker, 2011], está a cargo de algún transductor o conjunto detransductores que mediante la manipulación de la luz o de alguna otraforma de radiación que es emitida o reflejada por los cuerpos, se lograformar una representación del objeto dando lugar [Florencia, 2015] a unaimagen [González, 2015] visual.

Pre-procesamiento de la imagen: Proceso de digitalización [González, 2015]que consiste en eliminar la mayor cantidad de ruido que se le agregadurante la adquisición, así como también mejorar las características dedicha imagen como: definición de contornos, color, brillo, etc. Valiéndosede procedimientos [Florencia, 2015] y herramientas matemáticas.

Segmentación: Es el proceso que divide a una imagen en objetos [Florencia,2015], delimitando las regiones que nos interesan. Se evalúan dos métodossegún Meschino en el 2014:


30/39


+ Etiquetado de componentes conexos

Extracción de características: Es el proceso mediante el cual se obtienen[Florencia, 2015] características como lo son el tamaño, perímetro, área, etc.

Así como características topográficas como lo es la orientación desegmentos [Meschino, 2014].

Reconocimiento o identificación de objetos: Es el proceso que asocia unsignificado a un conjunto de objetos reconocidos [González, 2015], es decirconvierte una imagen binaria a una representación electrónica, que utilizaun modelo de toma de decisión [Escalante, 2006] para decidir a quécategoría pertenece cada objeto.

Presentación al observador: La presentación al observador consiste en el

método empleado para exponer la imagen la cual puede ser impresa o pormedios electrónicos como la televisión, el monitor de una computadora, oalgún otro medio [Meschino, 2014]. Para la presentación de la imagen sedeben considerar ciertos aspectos de percepción humana [González,2015], así como las velocidades de despliegue del dispositivo utilizado.


31/39

Anexo 2

Estado del arte

Articulo Referencia

Identificar el sexo de una persona con una imagen de 25x25pixeles. [Andrade, 2010]

Diseño e implementación de nuevas tecnologías basadas envisión artificial para la inspección no destructiva de la calidadde fruta en campo y mínimamente procesada.

[Cubero, 2012]

Reconocimiento facial automático mediante técnicas devisión tridimensional. [Díaz, 2004]

iCARE Social Interaction [Hernández, 2010]

Estación de control de calidad de por visión artificial para uncentro de manufactura integrada por computador (cim). [Herrera, 2010]

Visión artificial estero con aplicación al controlde un brazo de robot [Moreno, 2003]

Sistema de reconocimiento y clasificación de patronesbasado en procesamiento digital de imágenes y redesneuronales

[Maraví, 2016].

Reconocimiento automático de matrículas de automóvil [Toledo, 2005]

Aplicación de algoritmos para el procesamiento de imágenes a latecnología de microarreglos para el diagnóstico.

[Laza, 2010]


32/39

Anexo 3

Reconocimiento de patrones

El Reconocimiento de Patrones, también llamado, lectura de patrones, el cualdesciende de una de las ramas de la inteligencia artificial [Antonio, 2015], consiste

en la identificación de figuras y/o reconocimiento de formas, donde Carrasco ensu publicación del 2011 define que el reconocimiento de patrones es la forma deinterpretar con el mundo, el cual se encarga de la descripción y clasificación(reconocimiento) de objetos, personas y representaciones de todo lo queinteractúa con el ser humano, con el fin de poder representarlocomputacionalmente.

Las características del reconocimiento de patrones son únicas, ya que identificana un sujeto en específico de los demás de su misma especie [Vega, 2009], porejemplo, un niño desde bebé aprende a reconocer su entorno distinguiendopatrones visuales (formas, colores, etc.), auditivos (sonidos, música, etc.), sensitivos(calor, frío, etc.), entre otros [Carrasco, 2011]. Por esta razón, desde hace variosaños se han estado desarrollando diferentes metodologías que intentan resolvereste tipo de problemas.

Los sistemas de reconocimiento de patrones suelen incorporar un método deaprendizaje, normalmente mediante un algoritmo inductivo. Es importante resaltarla necesidad de introducir un método de evaluación para analizar dicho algoritmo,ya que, en el caso de que dicha evaluación fuese negativa reduciría la eficienciadel algoritmo.

La revista Arista: Investigación Básica y Aplicada, en su artículo “Investigaciones

actuales relacionadas al reconocimiento de patrones” del año 2015, mencionaque existen varios enfoques en el reconocimiento automático de patrones[Antonio, 2015]. Los más utilizados son: Los que se basan en la teoría deprobabilidad y estadística, los que utilizan funciones discriminantes, basadas en laneuro-computación y los que trabajan con algoritmos de búsqueda deoptimización basados en heurística, entre otros.

A continuación, se describe brevemente el enfoque a utilizar:

El enfoque tradicional expuesto por Senijas en el año 2011, explica sobre laconstrucción de un sistema reconocedor de patrones el cual consiste en dividir al

sistema en dos módulos principales: un módulo encargado de la extracción decaracterísticas y el otro dedicado a la clasificación, como muestra la Figura 1.


33/39

Figura 1: Modelo de clasificación tradicional.Este enfoque mencionado por Carrasco, no es necesariamente independiente ymuchas veces, el mismo método puede ser visto con diferentes interpretacionesdesde distintos enfoques.

Cuando se intenta resolver un problema que implique el reconocimiento depatrones y se realice un sistema, este debe tener como objetivo lo siguiente (véasetambién figura 2):

Clasificación Supervisada: Consiste en clasificar nuevos objetos basándose en lainformación de una muestra ya clasificada [Carrasco, 2011]. Identificar el patrón

como miembro de una clase ya definida [Alonso, 2015] (Véase también figura 5).La clasificación Supervisada, también conocida como clasificación conaprendizaje, se basa en la disponibilidad de áreas de entrenamiento. Consiste enclasificar nuevos objetos basándose en la información de una muestra yaclasificada [Ochoa, 2015] de áreas, en las que se conoce a priori la clase a la quepertenecen y que servirán para generar una signatura espectral característica decada una de las clases. Se denominan clases informacionales en contraposición alas clases espectrales que genera la clasificación no supervisada [Gutiérrez, 2012],véase en Figura 5.

Carrasco menciona en el 2011, que el problema de la clasificación, comúnmenteconocido como clasificación supervisada consiste en, dado un universo de estudiodividido en clases y una muestra de objetos ya clasificados, encuentra mecanismosque nos permitan clasificar nuevos objetos.

Para resolver el problema de clasificación supervisada Vega en el 2009 mencionaque se han desarrollado una gran cantidad de métodos, por ejemplo:


34/39

Funciones discriminantes: si son dos clases, se busca obtener una función gtal que para un nuevo objeto O, si g(O) ≥ 0 se asigna a la clase 1 y en otro

caso a la 2. Si son múltiples clases se busca un conjunto de funciones gi y elnuevo objeto se ubica en la clase donde la función tome el mayor valor.

Vecino más cercano: un nuevo objeto se ubica en la clase donde esté el

objeto de la muestra original que más se le parece. Redes neuronales artificiales: denominadas habitualmente RNA o en sus

siglas en inglés ANN. Se supone que imitan a las redes neuronales reales enel desarrollo de tareas de aprendizaje [De la Rosa, 2003]. Wilson en el 2009dice que se entrena una red de neuronas interconectadas, con los ejemplospara cada clase, con esto al presentarle un objeto nuevo en sus entradas lared dará como resultado la clase a la cual pertenece.

Superficies de Separación: Se suponen los objetos en Rn y se busca unconjunto de superficies que separen a las clases.

Vecino más cercano: Un nuevo objeto se ubica en la clase donde esté elobjeto de la muestra original que más se le parece.

Sintáctico‐estructural: se basa en encontrar las relaciones estructurales queguardan los objetos de estudio, utilizando la teoría de lenguajes formales,teoría de autómatas, etc. El objetivo es construir una gramática quedescriba la estructura del universo de objetos.

Neuro‐reticular: se utilizan redes neuronales que se ‘entrenan’ para dar unacierta respuesta ante determinados valores.

Lógico‐combinatorio: se basa en la idea de que el modelado del problemadebe ser lo más cercano posible a la realidad del mismo, sin hacersuposiciones que no estén fundamentadas. Se utiliza para conjuntos difusosy utiliza lógica simbólica, circuitos combinacionales y secuenciales, etc.

Figura 5. Clasificación supervisada


35/39

Considerando las metodologías, clasificaciones, métodos y estrategias antesmencionadas, el siguiente paso es crear un sistema de Reconocimiento dePatrones, este consiste en los patrones que se pretenden obtener a partir de losprocesos de segmentación, extracción de características y descripción dondecada objeto queda representado por una colección de descriptores. Alonso en el

2015 menciona que el sistema de reconocimiento debe asignar a cada objeto sucategoría o clase (conjunto de entidades que comparten alguna característicaque la diferencia del resto), considerando la mención que dio Rodríguez en el 2008sobre el diseño de un sistema de reconocimiento de patrones, que se lleva a cabonormalmente de la siguiente manera [Rodríguez, 2008]:

1-Adquisición y pre-proceso de datos.

2- Extracción de características.

La extracción de características debe cumplir con las siguientescondiciones:

+ La dimensión del vector de características debe ser menor que ladel patrón original.

+ Las características deben representar una codificación óptima dela entrada, perdiendo la información que no sea muy importante.

3- Toma de decisiones o agrupamiento.

En el caso de desarrollar un sistema de reconociendo de patrones, aplicado alprocesamiento de imágenes, el cual nos referimos a cualquier forma de

procesamiento de señales, en donde la estrada es una imagen y la salida puedeser una imagen, conjunto de características o parámetros relacionados con laimagen de entrada [Meschino, 2014]. Dicho procesamiento se puede hace deforma óptica, analógica o digital.

Al analizar una imagen, según menciona Meschino en el 2014, podemos ver unarepresentación pictórica de un objeto que contiene información descriptiva deeste, y así hacer un sistema de procesamiento de imágenes o sistema dereconocimiento, el cual típicamente está conformado por los siguientes partes queen la mayoría de estas técnicas de imágenes son involucradas algunas de lassiguientes etapas:

1) Adquisición de la imagen o captura.

La adquisición de la imagen es por medio de un tipo de cámara digital, basadasen sensores CCD o CMOS [Escalante, 2006], con características de distancia alobjeto y mega píxeles [Wainschenker, 2011], está a cargo de algún transductor oconjunto de transductores que mediante la manipulación de la luz o de algunaotra forma de radiación que es emitida o reflejada por los cuerpos, se logra formar


36/39

una representación del objeto dando lugar [Florencia, 2015] a una imagen[González, 2015] visual.

2) Pre-procesamiento de la imagen.

Proceso de digitalización [González, 2015] que consiste en eliminar la mayor

cantidad de ruido que se le agrega durante la adquisición, así como tambiénmejorar las características de dicha imagen como: definición de contornos, color,brillo, etc. Valiéndose de procedimientos [Florencia, 2015] y herramientasmatemáticas.

3) Segmentación.

Es el proceso que divide a una imagen en objetos [Florencia, 2015], delimitando lasregiones que nos interesan. Se evalúan dos métodos según Meschino en el 2014:


+ Etiquetado de componentes conexos4) Extracción de características.

Es el proceso mediante el cual se obtienen [Florencia, 2015] características comolo son el tamaño, perímetro, área, etc. Así como características topográficas comolo es la orientación de segmentos [Meschino, 2014].

5) Reconocimiento o identificación de objetos.

Es el proceso que asocia un significado a un conjunto de objetos reconocidos[González, 2015], es decir convierte una imagen binaria a una representaciónelectrónica, que utiliza un modelo de toma de decisión [Escalante, 2006] paradecidir a qué categoría pertenece cada objeto.

6) Presentación al observador.

La presentación al observador consiste en el método empleado para exponer laimagen la cual puede ser impresa o por medios electrónicos como la televisión, elmonitor de una computadora, o algún otro medio [Meschino, 2014]. Para lapresentación de la imagen se deben considerar ciertos aspectos de percepciónhumana [González, 2015], así como las velocidades de despliegue del dispositivoutilizado.

Se utilizará el software llamado Matlab el cual tendrá el objetivo de brindar unaherramienta para la interpretación de los resultados por parte de los analistas y delos laboratorios donde se implemente la tecnología.

El análisis de una imagen está dividido en tres etapas:

1. Ubicación de los puntos de la imagen.En la etapa de ubicación de los puntos de la imagen se realiza unaasignación de coordenadas al centro de cada punto, o se escoge un


37/39

elemento estructurante (círculos, rectángulos u otra forma libre) que loscontengan [Guido, 2014]. Esto debe realizarse de forma confiable, rápida ylo más automática posible [Gonzales, 2008].

2. Segmentación de la imagen.

En la etapa de segmentación de la imagen se realiza la clasificación de lospíxeles en fondo o señal [Serra, 2003]. Los métodos de segmentación deimágenes están agrupados en cuatro tipos fundamentales: técnicasbasadas en cotas, métodos basados en bordes, métodos basados enregiones y técnicas que combinan los métodos basados en bordes yregiones [Hall, 2007] [Shena, 2011].

Los métodos de corte se basan en el postulado de que todos los píxeles cuyovalor de intensidad caiga en un cierto rango pertenecen a una clasedeterminada [Soltani, 2015]. Para ello se usa un valor de corte o umbral quepermite definir cuando un píxel pertenece a la señal o al fondo. Los métodosde bordes se basan en el postulado de que los valores de los píxelescambian bruscamente alrededor de los bordes de los objetos [Canny, 2008[[Diaz, 2006]. Permiten la detección de bordes en las imágenes, con unaprecisión entre el borde detectado y el real dependiente del grado devariabilidad de ciertos parámetros. Los métodos de regiones se basan en elpostulado de que píxeles vecinos dentro de una región dada tienen valoresde intensidad similar [Adams, 2013] [Gonzales, 2009]. El procedimientogeneral compara cada píxel con los de cierta región y si se satisface lacondición de homogeneidad de interés se agrega a la misma. Parte de unconjunto de regiones semillas (representativas de la característica de interés)

y a partir de estas comienza el crecimiento mediante la adición de píxeles[Adams, 2013]. Los métodos que combinan estos dos últimos incluyensegmentación morfológica [Serra, 2009] [Gonzáles, 2002] y ajuste desuperficie. Se aplica la transformada de Watershed [Meyer, 2000] algradiente de la imagen y se analiza la topografía de dicho gradiente confronteras entre regiones como crestas.

3. Extracción de características.

La etapa de extracción de características en la que se calculan diferentes medidasde interés para las regiones segmentadas en la imagen: áreas, volúmenes,

longitudes, promedios. Generalmente, para estos cálculos se suele usar lasintensidades de los píxeles de la región a medir, pero pudieran usarse también lacantidad de píxeles de los puntos pertenecientes a una región dada [Haynor,2015].Por ejemplo, el área de un objeto de la imagen puede definirse a partir de lacantidad de píxeles que conforman dicho objeto. También puede definirse ladistancia entre dos puntos de la imagen a partir de la cantidad de píxeles queconforman la línea recta que los une. Puede resultar también de interés evaluar lacalidad de la segmentación a partir de ciertos parámetros conocidos de


38/39

antemano y que deben cumplirse en la imagen segmentada [Wilson, 2009]. Porejemplo, que un objeto tenga determinadas dimensiones o que este ubicado endeterminado lugar dentro de la imagen.

Métodos Implementado:

Método de Corte: A partir de un valor de intensidad escogido, usualmente dadopor un experto, se dice que el píxel es fondo si su valor está por debajo de la cotay es señal si está por encima. Este valor se le denomina cota o valor de corte [Laza,2010].

La ventaja de este método es que es un método útil para realizar inspeccionespreliminares sobre la imagen respecto a la determinación de zonas fluorescentes apartir de un valor de corte dado [Dueñas, 2016]. Pero depende del criterio deexpertos, el cual, sobre todo en las primeras etapas del desarrollo, es imposibledefinir con exactitud.

Método de Canny [Fernández, 2003]: Esta basado en un proceso de optimizaciónde ciertos objetivos tales como:

1. Maximizar la relación señal-ruido: mediante un filtrado de la imagen, la cuales suavizada usando un filtro Gausiano.

2. Minimizar la diferencia borde real y borde detectado: para disminuir ladiferencia entre uno y otro, y evitar falsas detecciones, se eliminan los puntosque no sean de máximos locales de la imagen filtrada.

3. Identificar bordes usando un conjunto de píxeles con cierta conectividad.Se construyen dos imágenes binarias a partir de ciertas condiciones y se usancomplementariamente para encontrar un borde final.

Su ventaja principal es que es indepen

Date post:	06-Jul-2018
Category:	Documents
Upload:	jose-rafael-cruz
View:	222 times
Download:	0 times

ChávezPro3.0

Documents