Resumen de Paper- Republica Dominicana, Santo Domingo UNAPEC, Julio 07-2017 1
Resumen de Mtodo de Supresin de Ruido para un
Receptor AM usando Procesamiento Digital de
Seales
Miguel Damirn, Xavier Portes y Csar Santiago
ExtractoEn este documento se realiza una sntesis de un
artculo de investigacin presentado por Ramrez Q. Juan y
Chacn M. Mario I, en donde gracias al amplio uso de las redes
neuronales en el campo del procesamiento de imgenes, llevo a
estos a realizar una revisin de 200 artculos donde se documentan
algoritmos que utilizan alguna arquitectura de redes neuronales
para tareas de clasificacin, reconocimiento o segmentacin en
imgenes digitales. Esta revisin presenta los distintos modelos de
redes as como sus modificaciones y aplicaciones en el
procesamiento de imgenes. Luego se documentan algunos
aspectos de nuevas redes neuronales incluyendo los modelos
pulsantes, se presenta el anlisis de los trabajos revisados
organizado por el tipo de procesamiento que hacen las redes
neuronales y finalmente se comentan las conclusiones del estudio
realizado.
Palabras claveRedes Neuronales Artificiales, Procesamiento
de imgenes, Computacin Inteligente.
I. INTRODUCCION
Durante las dcadas pasadas, surgieron modelos de redes
neuronales artificiales (RNA) postuladas de diversas teoras de
funcionamiento de redes neuronales biolgicas. Desde entonces
han sido numerosos los trabajos propuestos donde se aplican
RNAs en diferentes reas de la ingeniera. Un rea donde se
utilizan ampliamente dichas redes es la de procesamiento de
imgenes.
En este documente se presenta una revisin de 200 trabajos
publicados en los ltimos diez aos enfocndose a documentar
las distintas modificaciones que han tenido las diferentes
arquitecturas de redes neuronales para mejorar su aplicacin en
procesamiento de imgenes.
II. TAXONOMA DEL PROCESAMIENTO DE
IMGENES
Las tcnicas para analizar una imagen digital se agrupan en un
rea llamada Procesamiento Digital de Imgenes. Estas
herramientas se organizan segn el nivel de procesamiento que
se desea realizar para analizar la informacin contenida en una
imagen digital. Estos niveles forman una cadena de
procesamiento como la que se ve en la figura 1. A continuacin
se describen brevemente:
1) Pre-procesamiento. Operaciones para adaptar la informacin
de una imagen y tener mejor anlisis en pasos posteriores.
Ejemplos de procesamiento son las operaciones de brillo y
contraste.
2) Segmentacin. Operaciones para hacer una particin de la
imagen en varias regiones que representen la informacin
necesaria para el problema a resolver.
3) Deteccin de objetos y clasificacin. Determinacin y
clasificacin de los objetos contenidos en la imagen.
4) Anlisis de imagen. Obtener informacin de alto nivel acerca
de lo que la imagen muestra.
Las aplicaciones de las RNAs en imgenes digitales fueron para
tareas de segmentacin y clasificacin (CL). Para desglosar la
informacin, la parte de segmentacin se separ de la siguiente
manera:
1) Segmentacin de forma (SS). Se refiere a generar una nueva
imagen binarizada donde el resultado son regiones
representativas de la informacin que se desea analizar.
2) Deteccin de bordes (CS). Extraccin de altas frecuencias en
la imagen que representen contornos y lmites de objetos en la
imagen.
3) Segmentacin de color (CrS). Particin de la imagen en
regiones que agrupan colores similares.
4) Segmentacin de Textura (TS).Particin de una imagen con
base a los patrones de variacin espacial de las intensidades de
grises y color.
5) Segmentacin de movimiento (VS).Deteccin de objetos
dinmicos en una secuencia de imgenes. Tambin se
reportaron trabajos para eliminacin de ruido (NR),
agrupamiento de datos para aplicaciones especficas (Ct) y
comparacin entre RNAs (VR).
III. REDES NEURALES Y PROCESAMIENTO DE
IMGENES.
A. Breve historia de las RNAs
El sistema nervioso de los animales ha servido de inspiracin
para modelar las redes neuronales artificiales (RNA), las cuales
son interconexiones de neuronas artificiales. Estas redes
surgieron a partir de las ideas en la publicacin de McCulloch y
Pitts, donde se postula que las neuronas funcionan como
dispositivos bolanos. La funcin lineal se ve en la ecuacin (1).
Donde Xi son los datos de entrada, Wi son los pesos sinpticos
y b es un factos de polarizacin.
Luego del perceptrn y otras redes con neuronas binarias,
surgen otros modelos que tambin han sido utilizadas en el rea
de procesamiento de imgenes. Como las redes con funciones
de activacin continuas, tales como las sigmoidales o las
funciones de base radial, definidas en las ecuaciones (2) y (3)
respectivamente.
Donde es un parmetro que caracteriza la inclinacin de la
funcin, c es un punto llamado centro.
En los ltimos 10 aos, han sido varias las arquitecturas de redes
neuronales utilizadas para procesamiento de imgenes. De la
literatura analizada se reportan trabajos relacionados a
procesamiento de imgenes con la teora de resonancia adaptiva
(ART), red neuronal celular (CNN), perceptrn multicapa
(MLP), redes neuronales oscilatorias (ONN), red neuronal
pulsoacoplada (PCNN), redes neuronales recurrentes (RNN),
redes neuronales basadas en modelos probabilsticos (RPNN),
ed neuronal de funciones radiales (RBFNN) y los mapas
autoorganizados de kohonen (SOM). A continuacin se
presentan:
B. Teora de Resonancia adaptiva (ART)
Es un modelo de red neuronal artificial que basa su
funcionamiento en la forma en cmo el cerebro procesa
informacin. Esta arquitectura puede ser supervisada y no
supervisada.
C. Red Neuronal Celular (CNN)
Basada en la teora de los autmatas celulares, est red permite
la interaccin de los vecinos de cada unidad en la red. Contiene
una cantidad fija de unidades llamadas clulas, las cuales son
sistemas no lineales, dinmicos donde la informacin de entrada
es codificada para conocer su comportamiento. Cada clula esta
localmente interconectadas con mltiples entradas que vienen
de otras clulas. La dinmica puede ser continua (CTCNN)
discreta (DT-CNN).
D. Perceptrn multicapa (MLP) y Backpropagation (BP)
Esta parte se refiere a redes perceptrn multicapa con funciones
de activacin sigmoidales que son entrenadas mediante
algoritmos de aprendizaje BP. Debido a que MLP fue de los
primeros modelos de redes neuronales, se plantean en muchos
trabajos para comparar el desempeo entre un modelo propuesto
y un perceptrn o un algoritmo de entrenamiento con BP.
E. Red Neuronal Oscilatoria (ONN)
La teora de las redes oscilatorias se basa en los estmulos con
oscilaciones peridicas sincronizadas en forma de grupos en la
corteza visual y es posible que sirvan para detectar
caractersticas en una escena visual. A partir de esto, se modelan
redes con caractersticas oscilatorias que se van sincronizando
segn el patrn de entrada.
F. Red Neuronal Pulso-Acoplada (PCNN)
Esta red es utilizada para pre-procesamiento y desarrollada por
Eckhorn, a partir de la corteza visual del cerebro del gato. La
PCNN se implementa en un modelo de una neurona por pxel y
su arquitectura tiene tres mdulos principales: el mdulo
dendritas, el mdulo de encadenamiento y el generador de
pulsos.
G. Redes neuronales Recurrentes (RNN)
Son redes neuronales que tienen conexiones formando un ciclo
directo. Esto permite comportamientos dinmicos pero
consumen ms memoria que las redes directas. Los ejemplos
clsicos de las redes recurrentes son las redes de Hopfield, la
RNN bidireccional o la RNN de tiempo continuo. El uso de las
RNN y tiene un gran potencial en agrupamiento de datos como
ART.
H. Red Neuronal con Funciones de Base Radial (RBFNN)
Las RBFNN son redes que contienen funciones de activacin de
base radial. Generalmente estas funciones de activacin son de
tipo gaussiano. Las RBFNN, consisten tpicamente de una red
de tres capas; la de entrada, la oculta que contiene funciones de
base radial no lineal y la capa de salida. Las RBFNN son muy
utilizadas en aplicaciones especficas como segmentacin de
tejidos en imgenes mdicas, inspeccin de calidad en procesos
industriales, reconocimiento de rostros y gestos.
I. Redes Neuronales probabilsticas (RPNN)
La red neuronal probabilstica (PNN), el algoritmo de mezclas
gaussianas (GMM) y la red neuronal aleatoria. La PNN es una
RNA semi-supervisada basada en las redes de decisin
bayesiana. La arquitectura consta de cuatro capas. La primera
capa recibe el vector de entrada. La segunda capa tiene un
conjunto de neuronas totalmente conectadas con las neuronas
de la primera capa con funciones de activacin.
K. Redes Pulsantes (SNN)
Estas redes se inspiran a partir de que las clulas del sistema
nervioso generan una serie de potenciales de accin que se
pueden analizar como seales en el dominio del tiempo.
IV. CONCLUSION
En este documento se pudo observar que las RNAs tuvieron un
uso muy marcado para tareas de segmentacin. De manera ms
especfica, son muy utilizadas para segmentacin de formas,
color, textura, movimiento y bordes.
De acuerdo al anlisis de esta revisin de artculos,
segmentacin de forma fue la aplicacin ms comn de varias
arquitecturas de RNA, ya que es difcil extraer con mtodos
clsicos de procesamiento de imgenes formas irregulares que
no tienen un patrn tan repetible, tales como tejidos biolgicos,
regiones en sensado remoto, patrones biomtricos, inspeccin
de producto, etc.
REFERENCIA
[1] Ramrez Q. Juan A. y Chacn M. Mario I.. (2011, julio 1). Redes
neuronales artificiales para el procesamiento de imgenes, una revisin de
la ltima dcada. RIEE&C, REVISTA DE INGENIERA ELCTRICA,
ELECTRNICA Y COMPUTACIN, 9, 1-7.