Fase 3 CLASIFICADORES Y ENTRENAMIENTO DE MÁQUINAS
Entregado por: ANGEL ENMANUEL ORTIZ CRUZ Código: 1073155220
Grupo: 208054_13
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA OCTUBRE 2018 BOGOTA
DESARROLLO
Implementación de los siguientes códigos Procedimiento (Experimento) – Parte Individual Enferma1
Enferma2
Enferma3
Sana1
Sana2
Sana3
a.
Explique cada línea de código.
se3=strel ('line',8,3); dilatacion1=imdilate (Filtro1,se3); figure; imshow (dilatacion1) [Lo num] =bwlabel (dilatacion1); prop=regionprops (Lo); figure; imshow (Lo)
se3=strel ('line',8,3); Para la función strel se representa un elemento estructurante morfológico plano, que es una parte esencial de las operaciones de dilatación y erosión morfológicas.
dilatacion1=imdilate (Filtro1,se3);
con esta línea se dilata la im agen en escala de grises, binaria o em paquetada , devolviendo la imagen dilatada
imshow (dilatacion1)
muestra la imagen devuelta dilatada
b.
¿Cómo funciona y que datos obtienen de la función “bwlabel”?
Esta función devuelve la matriz de etiquetas BW que contiene etiquetas para los 8 o 4 objetos conectados que se encuentran en la variable
c.
¿Qué valor se obtiene en las variables “Lo” y en “num”?
Lo: Etiqueta de matriz de regiones contiguas, devuelta como matriz de enteros no negativos con el mismo tamaño que BW. Los píxeles etiquetados con 0 son el fondo. Los píxeles etiquetados como 1 forman un objeto; los píxeles etiquetados como 2 forman un segundo objeto; y así. Num: Número de objetos conectados en BW, devueltos como un entero no negativo.
d.
¿Cómo funciona y que datos obtienen de la función “regionprops”?
(BW, propiedades) devuelve medidas para el conjunto de propiedades especificado por propiedades para cada 8 componentes conectados (objeto) en la imagen binaria, BW. stats es una matriz struct que contiene una estructura para cada objeto en la imagen. Puede usar regionprops en regiones contiguas y regiones no contiguas. 2.3 Desarrolle el siguiente código en el script de Matlab
clear all close all datos=xlsread('datos.xlsx' datos=xlsread('datos.xlsx'); ); caracteristicas=datos(1:end,1:3); En estas líneas se leen los datos y características de las imágenes en el documento xlsx entrenamiento=datos(1:end,4); En esta línea se dan los parámetros para entrenar la maquina %entrenamiento maquina svmStruct = fitcsvm(caracteristicas,entrenamiento,'Standardize' fitcsvm(caracteristicas,entrenamiento, 'Standardize',true, ,true,'KernelFunction' 'KernelFunction',,'linear' 'linear',,'KernelScale' 'KernelScale',,'auto' 'auto')) ; En esta línea se dan los pautas para entrenar la maquina con los parámetros dados
prueba=xlsread('prueba.xlsx' prueba=xlsread('prueba.xlsx'); ); xprueba=prueba(1:end,1:3); En estas líneas se leen los datos y características de las imágenes en el documento xlsx
clasificacion = predict (svmStruct,xprueba) con ClassificationSVM almacenan los datos de entrenamiento, valores de parámetros, probabilidades previas, vectores de soporte e información de implementación algorítmica. predict (SVMModel, X) devuelve un vector de etiquetas de clase pronosticadas para los datos del predictor en la tabla o matriz X, según el modelo SVMModel de clasificación SVM completo o compacto y entrenado.
