Reconocimientos de Patrones en Imagenes Digitales

58 %
42 %
Information about Reconocimientos de Patrones en Imagenes Digitales

Published on March 14, 2008

Author: siis

Source: slideshare.net

Dr. César A. Beltrán Castañón [email_address] http://www.spc.org.pe

Dr. César A. Beltrán Castañón

[email_address]

http://www.spc.org.pe

RECONOCIMIENTO DE PATRONES EN IMÁGENES DIGITAL Dr. César A. Beltrán Castañón [email_address] Laboratório de Biologia Molecular de Coccídias Instituto de Ciências Biomédicas Universidade de São Paulo Grupo de Pesquisa em Visão Cibernética Instituto de Física de São Carlos Universidade de São Paulo

Contenido Introducción Adquisición y pre-procesamiento de imágenes Representación de formas Clasificación y minería de datos Resultados Perspectivas futuras

Introducción

Adquisición y pre-procesamiento de imágenes

Representación de formas

Clasificación y minería de datos

Resultados

Perspectivas futuras

Introducción Coccidiosis en aves: siete especies de Eimeria infectan la gallina doméstica: E. maxima E. brunetti E. tenella E. necatrix E. praecox E. acervulina E. mitis

Coccidiosis en aves: siete especies de Eimeria infectan la gallina doméstica:

Marcadores de DNA DNA fingerprinting - minisatélites RAPD Secuencias ribosómicas ITS1 Marcadores SCARs – PCR multiplex Desventajas: Requiere de personal especializado en técnicas moleculares Requiere transporte de muestras de la granja hasta el laboratorio de referencia – riesgos sanitarios! PCR multiplex RAPD Introducción

Marcadores de DNA

DNA fingerprinting - minisatélites

RAPD

Secuencias ribosómicas ITS1

Marcadores SCARs – PCR multiplex

Desventajas:

Requiere de personal especializado en técnicas moleculares

Requiere transporte de muestras de la granja hasta el laboratorio de referencia – riesgos sanitarios!

Introducción Reconocimiento de Patrones?? Objeto -# rectas # de ángulos # de alas Tamaño/dimensión Dist. Alas ..... Extracción de Características Classificación/ Reconocimiento Es un avión!!! ¿Cómo aplicar ese proceso para el reconocimiento de la Eimeria ?

Reconocimiento de Patrones??

-# rectas

# de ángulos

# de alas

Tamaño/dimensión

Dist. Alas

.....

Contenido Introducción Adquisición y pre-procesamiento de imágenes Representación de formas Clasificación y minería de datos Resultados Perspectivas futuras

Introducción

Adquisición y pre-procesamiento de imágenes

Representación de formas

Clasificación y minería de datos

Resultados

Perspectivas futuras

Adquisición y pre-procesamiento de imágenes Secuencia de pasos. Micrografias adquiridas por microscopía Aislamiento de oocistos individuales Transformación en tonos de gris ecualización Segmentación o Binarización Detección de contorno Fezes de gallina Purificación de oocistos Muestras de oocistos de cada especie Aquisición de imágenes digitales

Secuencia de pasos.

Adquisición y pre-procesamiento de imágenes Diagrama de flujo del proceso de reconocimiento de oocistos Base de datos de imágenes Extracción de características Reconocimento de patrones Vector de características Pre - procesamiento de imágenes (elemento de verificación/prueba) Pre - procesamiento de imágenes (conjunto de entrenamiento) Clasificación Vector de características X 1 X 2 X 3 X n g 1 g 2 g 3

Diagrama de flujo del proceso de reconocimiento de oocistos

Segmentación y detección del contorno Algoritmo de seguimiento de contorno Contorno paramétrico x(t) e y(t) Adquisición y pre-procesamiento de imágenes

Segmentación y detección del contorno

Contenido Introducción Aquisición y pre-procesamiento de imágenes Representación de formas Clasificación y minería de datos Resultados Perspectivas futuras

Introducción

Aquisición y pre-procesamiento de imágenes

Representación de formas

Clasificación y minería de datos

Resultados

Perspectivas futuras

Representación de formas Platón: El mundo material es uma sombra del mundo real. Aristóteles: La mente, un lugar de las formas En los brazos de Morpheus Originalmente publicado en 1917

Transformación y aplicación de filtros Representación de formas Reducción de la dimensionalidad Remoción de información redundante Maximizar la capacidad de representación Caracterizar distintos aspectos Vector de características Medidas Geométricas Representación de la curvatura Caracterización de la estructura interna

Transformación y aplicación de filtros

Reducción de la dimensionalidad

Remoción de información redundante

Maximizar la capacidad de representación

Caracterizar distintos aspectos

Medidas geométricas Representación de formas Área : Conteo del número de pixels Diámetros : Cálculo por componentes principales D d ( a ) ( b ) ( c ) x y x y y x

Medidas geométricas

Medidas geométricas Representación de formas Simetría :

Medidas geométricas

Representación de la curvatura Representación de formas Sigma=50 Sigma=10

Representación de la curvatura

Caracterización de la estrutura interna Representación de formas Matrices de co-ocurrencia

Caracterización de la estrutura interna

Caracterización de imágenes Espacio de características Diámetro menor Simetría vertical Simetría horizontal Área Entropía de la estructura interna Media de la curvatura Desviación estándar curvatura Entropía de la curvatura Segundo momento angular Contraste Momento diferencia inversa Entropia matriz co-ocurrencia Diámetro mayor Excentricidad(ancho/largo)

Espacio de características

Diámetro menor

Simetría vertical

Simetría horizontal

Área

Entropía de la estructura interna

Media de la curvatura

Desviación estándar curvatura

Entropía de la curvatura

Segundo momento angular

Contraste

Momento diferencia inversa

Entropia matriz co-ocurrencia

Diámetro mayor

Excentricidad(ancho/largo)

Contenido Introducción Adquisición y pre-procesamiento de imágenes Representación de formas Clasificación y minería de datos Resultados Perspectivas futuras

Introducción

Adquisición y pre-procesamiento de imágenes

Representación de formas

Clasificación y minería de datos

Resultados

Perspectivas futuras

Clasificación y minería Vector de características Método paramétrico por densidad normal

Método paramétrico por densidad normal

Clasificación y minería Función discriminante basada em la distribución normal Resultados son intepretados como por similaridad Método paramétrico por densidad normal

Función discriminante basada em la distribución normal

Resultados son intepretados como por similaridad

Método paramétrico por densidad normal

Clasificación y minería Generalización del clasificador Selección de características Definición del tamaño mínimo del conjunto de entrenamiento

Generalización del clasificador

Contenido Introducción Adquisición y pre-procesamiento de imágenes Representación de formas Clasificación y minería de datos Resultados Perspectivas futuras

Introducción

Adquisición y pre-procesamiento de imágenes

Representación de formas

Clasificación y minería de datos

Resultados

Perspectivas futuras

Resultados Identificación de especies de Eimeria de gallina Conjunto de datos Características 3.891 TOTAL 404 E. necatrix 608 E. tenella 747 E. praecox 757 E. mitis 418 E. brunetti 321 E. maxima 636 E. acervulina N o de ejemplos Especie Excentricidad o shape index F14 Entropía de la matriz de co-ocurrencia F13 Momento de la diferencia inversa F12 Contraste F11 Segundo momento angular F10 Entropía de la estructura interna F9 Área F8 Simetría en función del diámetro menor F7 Simetría en función del diámetro mayor F6 Diámetro menor (ancho) F5 Diámetro mayor (largo) F4 Entropía de la curvatura F3 Desviación estándard de la curvatura F2 Média de la curvatura F1 Característica ID

Identificación de especies de Eimeria de gallina

Resultados Identificación de especies de Eimeria de gallina ¿Cuál es el conjunto mínimo de elementos de entrenamiento? 30% = 672 ejemplos 96 imágenes/especie

Identificación de especies de Eimeria de gallina

Resultados Identificación de especies de Eimeria de gallina Selección de características con SFS y el clasificador por similaridad 85,15 X X X X X X X X X X X X X X 14 85,39 X X X X X X X X X X X X X 13 85,29 X X X X X X X X X X X X 12 85,14 X X X X X X X X X X X 11 85,09 X X X X X X X X X X 10 85,00 X X X X X X X X X 9 85,08 X X X X X X X X 8 84,37 X X X X X X X 7 82,92 X X X X X X 6 81,47 X X X X X 5 80,15 X X X X 4 79,13 X X X 3 76,45 X X 2 Acierto F14 F13 F12 F11 F10 F9 F8 F7 F6 F5 F4 F3 F2 F1 Nivel

Identificación de especies de Eimeria de gallina

Resultados Identificación de espécies de Eimeria de gallina Selección de características con SFS y el clasificador por probabilidad 80,10 X X X X X X X X X X X X X X 14 80.97 X X X X X X X X X X X X X 13 80,88 X X X X X X X X X X X X 12 81,46 X X X X X X X X X X X 11 81,28 X X X X X X X X X X 10 81,15 X X X X X X X X X 9 81,20 X X X X X X X X 8 81,05 X X X X X X X 7 81,02 X X X X X X 6 79,61 X X X X X 5 77,69 X X X X 4 74,80 X X X 3 69,65 X X 2 Acierto F14 F13 F12 F11 F10 F9 F8 F7 F6 F5 F4 F3 F2 F1 iível

Identificación de espécies de Eimeria de gallina

Resultados Identificación de especies de Eimeria de gallina Discriminación de especies Clasificador: por similaridad Estrategia de validación: Leave-one-out Acierto medio: 85,49% 74,51 12,13 5,20 4,70 0,50 0,00 2,97 404 E. necatrix 11,51 80,59 4,61 0,33 2,47 0,00 0,49 608 E. tenella 8,84 5,62 75,77 6,69 3,08 0,00 0,00 747 E. praecox 3,30 0,26 3,04 92,74 0,00 0,00 0,66 757 E. mitis 0,48 4,07 0,96 0,00 94,02 0,48 0,00 418 E. brunetti 0,00 0,00 0,00 0,00 0,94 99,07 0,00 321 E. maxima 14,62 1,73 0,16 1,73 0,00 0,00 81,76 636 E. acervulina E. nec E. ten E. pra E. mit E. bru E. max E. ace Especies de oocistos Nro. de oocistos Especies

Identificación de especies de Eimeria de gallina

Resultados Identificación de especies de Eimeria de gallina Discriminación de especies Clasificador: por probabilidad Estrategia de validación: Leave-one-out Acierto medio: 80,10% 61,63 18,32 6,19 5,69 0,99 0,00 7,18 404 E. necatrix 20,89 70,23 5,10 0,16 2,96 0,00 0,66 608 E. tenella 14,59 8,97 65,33 5,89 5,09 0,00 0,13 747 E. praecox 5,15 0,13 2,25 91,41 0,00 0,00 1,06 757 E. mitis 0,00 6,70 3,11 0,00 89,24 0,96 0,00 418 E. brunetti 0,00 0,00 0,00 0,00 1,56 98,44 0,00 321 E. Maxima 10,85 2,20 0,16 2,20 0,16 0,00 84,43 636 E. acervulina E. nec E. ten E. pra E. mit E. bru E. max E. ace Especies de oocistos Nro. de oocistos Especies

Identificación de especies de Eimeria de gallina

Resultados Identificación de especies de Eimeria de gallina Análisis comparativo del desempeño de los clasificadores

Identificación de especies de Eimeria de gallina

Resultados Identificación de especies de Eimeria de gallina Análisis del desempeño de los clasificadores por curvas ROC E. acervulina E. maxima E. brunetti E. mitis E. praecox E. tenella E. necatrix

Identificación de especies de Eimeria de gallina

Resultados Flujograma del sistema integrado (COCCIMORPH)

Flujograma del sistema integrado (COCCIMORPH)

Resultados Interfaz web http://puma.icb.usp.br/coccimorph/

Interfaz web

Resultados Base de imágenes

Base de imágenes

Filograma inferido por máxima verosemejanza a partir de genomas mitocondriais de Eimeria spp. E. coecicola E. flavescens E. necatrix E. tenella E. praecox E. maxima E. brunetti E. mitis E. acervulina 97 100 66 100 100 100 0.02 Filograma inferido por Neighbor-joining con datos morfométricos E. acervulina E. mitis E. praecox E. maxima E. brunetti E. tenella E. necatrix 0.1 92 64 100 97

Producción científica

Contenido Introducción Adquisición y pre-procesamiento de imágenes Representación de formas Clasificación y minería de datos Resultados Perspectivas futuras

Introducción

Adquisición y pre-procesamiento de imágenes

Representación de formas

Clasificación y minería de datos

Resultados

Perspectivas futuras

Perspectivas Futuras Segmentación automática. Aprendizaje online . Aplicación del sistema a otros parásitos. Adaptación del sistema para parásitos cuya morfología se encuadre em el mismo dominio de imágenes. Adaptación del sistema para parásitos con morfología muy diferente de Eimeria spp.

Segmentación automática.

Aprendizaje online .

Aplicación del sistema a otros parásitos.

Adaptación del sistema para parásitos cuya morfología se encuadre em el mismo dominio de imágenes.

Adaptación del sistema para parásitos con morfología muy diferente de Eimeria spp.

Otras Aplicaciones Predicción e Identificación de genes aplicando dominio de frecuencia

Predicción e Identificación de genes aplicando dominio de frecuencia

Visualización de Proteinas

Predicción de estructura de proteinas Parallel Right-handed β -helix Leucine-rich repeats Hemagglutinin Eubacterial 70S

Secuencia Primaria MNGTEGPNFY VPFSNKTGVV RSPFEAPQYY LAEPWQFSML AAYMFLLIML GFPINFLTLY VTVQHKKLRT PLNYILLNLA VADLFMVFGG FTTTLYTSLH GYFVFGPTGC NLEGFFATLG GEIALWSLVV LAIERYVVVC KPMSNFRFGE NHAIMGVAFT WVMALACAAP PLVGWSRYIP EGMQCSCGID YYTPHEETNN ESFVIYMFVV HFIIPLIVIF FCYGQLVFTV KEAAAQQQES ATTQKAEKEV TRMVIIMVIA FLICWLPYAG VAFYIFTHQG SDFGPIFMTI PAFFAKTSAV YNPVIYIMMN KQFRNCMVTT LCCGKNPLGD DEASTTVSKT ETSQVAPA Estructura 3D Folding Funcion compleja dentro de una red de proteinas Normal P ROTEINA S Secuencia  Estructura  Función (Extraido de: Judith Klein-Seetharaman)

Secuencia primaria MNGTEGPNFY VPFSNKTGVV RSPFEAPQYY LAEPWQFSML AAYMFLLIML GFPINFLTLY VTVQHKKLRT PLNYILLNLA VADLFMVFGG FTTTLYTSLH GYFVFGPTGC NLEGFFATLG GEIALWSLVV LAIERYVVVC KPMSNFRFGE NHAIMGVAFT WVMALACAAP PLVGWSRYIP EGMQCSCGID YYTPHEETNN ESFVIYMFVV HFIIPLIVIF FCYGQLVFTV KEAAAQQQES ATTQKAEKEV TRMVIIMVIA FLICWLPYAG VAFYIFTHQG SDFGPIFMTI PAFFAKTSAV YNPVIYIMMN KQFRNCMVTT LCCGKNPLGD DEASTTVSKT ETSQVAPA Estructura 3D Folding Función compleja dentro de red de proteinas P ROTEINA S Secuencia  Estructura  Función Enfermedad

Alineamiento y predicción: β - Helix (Extraido de: Carbonell 2006)

Reconstrucción de Patrones de Expresión Genética ( Travençolo 2008 )

Gestión de Cuencas

Equipo de investigación Propagación y purificación de parásitos Sandra Fernandez - ICB-USP Jane Silveira Fraga - ICB-USP Orientación Prof. Dr. Arthur Gruber – ICB-USP Prof. Dr. Luciano da Fontoura Costa – IFSC-USP Prof. Dr. Carlos Alberto de B. Pereira – IME-USP

Soporte financiero CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior CNPq – Conselho Nacional de Desenvolvimento Científico e Tecnológico

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior

CNPq – Conselho Nacional de Desenvolvimento Científico e Tecnológico

Add a comment

Related presentations

Related pages

Reconocimientos de Patrones en Imagenes Digitales

extraccion de caracteristicas en imagenes digitales Primer reporte de mi proxima Tesis :) PD:el titulo esta aun por editar,
Read more

Reconocimiento de patrones y métodos de clasificación en ...

Revisión bibliográfica del reconocimiento de patrones y los métodos de clasificación en imágenes digitales.
Read more

RECONOCIMIENTO DE IMÁGENES UTILIZANDO REDES NEURONALES ...

MÁSTER EN INVESTIGACIÓN EN ... Este trabajo describe el proceso de extracción de patrones ... comparación de imágenes digitales requiere de ...
Read more

Reconocimiento de patrones - Wikipedia, la enciclopedia libre

... consiste en el reconocimiento de patrones de señales. ... por ejemplo se puede clasificar imágenes digitales de letras en las clases «A» a «Z ...
Read more

Reconocimiento de patrones y métodos de clasificación en ...

RECONOCIMIENTOS DE PATRONES BASADOS ENM´ETODOS MATEM´ATICOS DE DECISI´ONUno de los motivos del uso ... Reconocimientos de Patrones en Imagenes Digitales.
Read more

Reconocimiento Imágenes De Archivo, Vectores ...

#40730374 - Cierre para arriba del ojo digitales femenino ... #41141807 - grandes datos y reconocimiento de patrones: ... Busca en 123RF con imágenes ...
Read more

Técnicas de reconocimiento de imágenes para la creación de ...

La comparación de imágenes digitales es la parte esencial en un proceso ... dactilares o los patrones en las retinas de los oj os.
Read more

reconocimiento de patrones - YouTube

El tema escogido fue Reconocimiento de Patrones. ... reconocimiento de patrones en java ... RECONOCIMIENTOS DE PATRONES DE LA IA.mp4 ...
Read more