TRATAMIENTO DE IMÁGENES

Unidad 3 - Fase 5 - experimento

PRESENTADO POR:

Luis Antonio Velasco

GRUPO: 208054_16

CURSO:

TRATAMIENTO DE IMÁGENES

208054A_474

PAOLA ANDREA MATEUS

TUTOR(A)

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA-UNAD-

FACULTAD DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA

PPROGRAMA INGENIERÍA DE TELECOMUNICACIONES

CEAD POPAYAN

2018
1. Desarrollo de los siguientes análisis de resultados

Procedimiento (Experimento) – Parte Individual:

1.1 Realice la evaluación cualitativa de los resultados obtenidos en

la fase 3. El análisis se realiza entre los resultados que arroja la
máquina de soporte vectorial SVM, en la variable “clasificación”
contra los resultados reales del experto”

Para entrenamiento

Cantidad
de objetos
en la Área Área Clasificación Clasificación
imagen máxima mínima SVM Expertos
Imagen
enferma 1 9 10553 50 1 0
Imagen
enferma 2 15 25708 50 1 0
Imagen
enferma 3 9 6016 70 1 0
Imagen sana
1 8 25027 54 0 1
Imagen sana
2 1 12240 0 1
Imagen sana
3 2 9032 629 0 0

VN Verdadero negativo , es decir diagnostico negativo enfermedad ausente

VP Verdadero Positivo , es decir diagnostico positivo enfermedad presente
FN Falso negativo , es decir diagnostico negativo enfermedad presente
FP Falso positivo , es decir diagnostico positivo enfermedad ausente

Clasificador Reales FP FN VN VP Precisión Exactitud

Imagen
enfermas 5 3 2 3 0 1 33.3% 16.7%
Imagen
sanas 1 3

𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 = 𝑉𝑃/(𝑉𝑃+𝐹𝑃) 0.333333333

𝑬𝒙𝒂𝒄𝒕𝒊𝒕𝒖𝒅=(𝑉𝑃+𝑉𝑁)/(𝑉𝑃+𝐹𝑃+𝐹𝑁+𝑉𝑁) 0.166666667
Sensibilidad
𝑉𝑃𝑅= 𝑉𝑃/(𝑉𝑃+𝐹N) 0.25

Especificidad
𝑆𝑃𝐶= 𝑉N/(VN+FP) 0

Para prueba
Cantidad de
objetos en la Área Área Clasificación Clasificación
imagen máxima mínima SVM Expertos
Imagen enferma
6 3 54305 591 1 0
Imagen enferma
7 3 14155 70 1 0
Imagen enferma
8 3 8586 75 1 0
Imagen sana 1 10 2268 55 0 1
Imagen sana 2 10 1591 59 0 1
Imagen sana 3 1 60181 0 0

Clasificador Reales FP FN VN VP Precisión Exactitud

Imagen
enfermas 5 3 2 3 0 1 33.3% 16.7%
Imagen
sanas 1 3

𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 = 𝑉𝑃/(𝑉𝑃+𝐹𝑃) 0.333333333

𝑬𝒙𝒂𝒄𝒕𝒊𝒕𝒖𝒅=(𝑉𝑃+𝑉𝑁)/(𝑉𝑃+𝐹𝑃+𝐹𝑁+𝑉𝑁) 0.166666667
Sensibilidad
𝑉𝑃𝑅= 𝑉𝑃/(𝑉𝑃+𝐹N) 0.25

Especificidad
𝑆𝑃𝐶= 𝑉N/(VN+FP) 0

 Se debe anexar las imágenes resultantes de las imágenes enfermas

y sanas.

1.2. Realizar la curva característica operativa del receptor ROC.

 Sensibilidad
𝑉𝑃
𝑉𝑃𝑅 =
𝑉𝑃 + 𝐹𝑁

 Especificidad
𝑉𝑁
𝑆𝑃𝐶 =
𝐹𝑃 + 𝑉𝑁

a. Explique los datos y gráfica obtenida.

1.3. Realice el análisis e informe con los resultados obtenidos en los

puntos anteriores.
 BIBLIOGRAFIA

Aguado, A. S. (2012). Feature Extraction and Image Processing for Computer Vision.
Oxford: Academic Press 2012. Available from: eBook Collection
(EBSCOhost), pp. 37 - 81.
Bovik, A. C. (2005). Handbook of Image and Video Processing. Amsterdam:
Academic Press, 2005. eBook Collection (EBSCOhost), pp. 57– 73.
https://medium.com/machine-learning-101/chapter-2-svm-support-
vector-machine-coding-edd8f1cf8f2d.
Bovik, A. C. (2009). The Essential Guide to Image Processing.
Amsterdam: Academic Press, 2009. eBook Collection (EBSCOhost), pp.
69 - 100.

Aguado, A. S. (2012). Feature Extraction and Image Processing for

Computer Vision. Oxford: Academic Press 2012. Available from: eBook
Collection (EBSCOhost), pp. 83 - 134