Tratamiento De Imágenes

Unidad 3 Fase 5.

Presentado a:
Ing. Paola Andrea Mateus

Entregado por:
Cristian Fabián Arias Ordoñez
Código: 1.143.829.574

Grupo: 208054_4

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA (ECBTI)
INGENIERIA DE TELECOMUNICACIONES
Huila, Colombia
Abril de 2018
 2. Desarrollo de los siguientes análisis de resultados

Procedimiento (Experimento) – Parte Individual:

a. 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”

La evaluación debe entregar los siguientes datos en porcentaje:

Clasificador Reales FP FN VN VP Precisión Exactitud
Imágenes
enfermas
Imágenes
sanas

 La tabla anterior la debe realizar tanto para la SVM como para la

clasificación por umbral.

Usando la clasificación de la actividad anterior obtuvimos los siguientes

resultados de clasificación.
Clasificación del experto

Resultados
Clasificador Reales FP FN VN VP Precisión Exactitud
Imágenes 7 5 2 0 2 5 71% 77%
enfermas
Imágenes 2 4
sanas

𝑉𝑃
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 = 𝑉𝑃+𝐹𝑃
5
= 0,71
5+2

0,71 𝑥 100 = 71%

𝑉𝑃+𝑉𝑁
𝑬𝒙𝒂𝒄𝒕𝒊𝒕𝒖𝒅 = 𝑉𝑃+𝐹𝑃+𝐹𝑁+𝑉𝑁
5+2 7
= 9 = 0,77
5+2+0+2

0,77 𝑥 100 = 77%

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.

𝑉𝑁
𝒆𝒔𝒑𝒆𝒄𝒊𝒇𝒊𝒄𝒊𝒅𝒂𝒅 =
𝑉𝑁 + 𝐹𝑃
2 2
= 4 = 0,5
2+2

0,5 𝑥 100 = 50%

𝑉𝑃
𝑺𝑬𝑵𝑺𝑰𝑩𝑰𝑳𝑰𝑫𝑨𝑫 =
𝑉𝑃 + 𝐹𝑁
5 5
=5=1
5+0

1 𝑥 100 = 100%
Curva roc SVM.
Código

Grafica:
De acuerdo a la gráfica podemos ver que la línea azul es el clasificador que realizamos con
las hojas enfermas de la unidad pasada está por encima del límite que es la línea roja lo que
quiere decir que si podemos usar el clasificador si nos sirve ya que esta mas cerca del
clasificador perfecto que es la línea de color verde donde las coordenadas son 0,1 en el eje
X y eje Y

Evaluación cuantitativa clasificador umbral

Se aplicó el siguiente código para el clasificador por umbral.
 Clasificador Reales FP FN VN VP Precisión Exactitud
Imágenes 2 5 1 4 4 1 50% 50%
enfermas
Imágenes 8 5
sanas

𝑉𝑃
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 = 𝑉𝑃+𝐹𝑃
1
= 0,5
1+1

0,5 𝑥 100 = 50%

𝑉𝑃+𝑉𝑁
𝑬𝒙𝒂𝒄𝒕𝒊𝒕𝒖𝒅 =
𝑉𝑃+𝐹𝑃+𝐹𝑁+𝑉𝑁
1+4 5
= 10 = 0,5
1+1+4+4

0,5 𝑥 100 = 50%

Sensibilidad
𝑉𝑃
𝑉𝑃𝑅 = 𝑉𝑃+𝐹𝑁
 1
𝑉𝑃𝑅 = 1+4 =0,2 =20%

Especificidad
𝑉𝑁
𝑆𝑃𝐶 = 𝐹𝑃+𝑉𝑁
4
𝑆𝑃𝐶 = 1+4 =0,8 = 80%

Para el eje x la especificidad es 1- especificidad.

1-0,8=0,2 =0,2 x 100= 20%

Como se puede observar la gráfica muestra que nuestro clasificador está en el límite de uso
para acercarlo más al clasificador perfecto nos tocaría jugar con el umbral y num pixel de
todas las hojas para acercarlo más a este resultado de perfección.

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

puntos anteriores.
Como podemos observar los resultados obtenidos son una representación gráfica de la
sensibilidad frente a la especificidad para un sistema clasificador binario según se varía el
umbral de discriminación. Otra interpretación de este gráfico es la representación de la razón
de verdaderos positivos (VPR = Razón de Verdaderos Positivos) frente a la razón o ratio de
falsos positivos (FPR = Razón de Falsos Positivos) también según se varía el umbral de
discriminación (valor a partir del cual decidimos que un caso es un positivo).
 Si la prueba fuera perfecta, es decir, sin solapamiento, hay una región en la que cualquier
punto de corte tiene sensibilidad y especifidad iguales a 1: la curva sólo tiene el punto (0,1).
- Si la prueba fuera inútil: ambas fdp´s coinciden y la sensibilidad (verdaderos positivos) es
igual a la proporción de falsos positivos, la curva sería la diagonal de (0,0) a (1,1).

También ROC puede significar como una Característica Operativa Relativa porque es una
comparación de dos características operativas (VPR y FPR) según cambiamos el umbral para
la decisión
Al analizar la curva ROC, notamos que proporciona herramientas para seleccionar los
modelos posiblemente óptimos como la distribución de las dos clases sobre las que se decide.
La curva ROC es también independiente de la distribución de las clases en la población como
en diagnóstico, la prevalencia de una enfermedad en la población. El análisis ROC se
relaciona de forma directa y natural con el análisis de coste/beneficio en toma de decisiones
diagnósticas.
Si acomodamos esta información a nuestros resultados es importante definir el umbral y el
num pixel para acomodar y entrenar nuestra máquina para que verdaderamente nos arroje
los resultados correctos para analizar si las hojas que estamos analizando son sanas o
enfermas de acuerdo a las características de cada imagen.
Bibliografías.
Bovik, A. C. (2009). The Essential Guide to Image Processing. Amsterdam: Academic
Press, 2009. eBook Collection (EBSCOhost), pp. 69 - 100. Recuperado
de: http://bibliotecavirtual.unad.edu.co:2048/login?user=proveedor&pass=danue0a0&url=h
ttp://bibliotecavirtual.unad.edu.co:2051/login.aspx?direct=true&db=nlebk&AN=249002&l
ang=es&site=ehost-live
Mateus Abaunza, P. A. (26 de 07 de 2017). Unidad 3 - Análisis de resultados. Recuperado
el 06 de 07 de 2017, de Unidad 3 - Análisis de resultados:
http://hdl.handle.net/10596/12674