Identificación de imágenes por análisis de texturas utilizando aprendizaje automático

Identicación de imágenes por análisis de texturas utilizando aprendizaje automático Trabajo de n de grado Nicolás Alcaine Camilli Alejandro Rodríguez Chacón Departamento de Arquitectura de Computadores y Automática Facultad de Informática Universidad Complutense de Madrid Curso académico 2018/2019 Identicación de imágenes por análisis de texturas utilizando aprendizaje automático Memoria presentada para el trabajo de n de grado de Ingeniería Informática Dirigida por el Doctor José Jaime Ruz Ortiz Departamento de Arquitectura de Computadores y Automática Facultad de Informática Universidad Complutense de Madrid Curso académico 2018/2019 Agradecimientos Queremos agradecer los ánimos, la ayuda y el conocimiento recibidos a una gran cantidad de personas. Sin ellas, este trabajo no habría sido posible. En primer lugar, queremos referirnos a nuestro tutor, José Jaime Ruz Ortiz, por permitirnos realizar este TFG, por su buena fe, por su paciencia y por ser una fuente de estímulo y conocimiento inestimable. También queremos dar las gracias a nuestros familiares, compañeros en la facultad y amigos. Ellos han sido un sostén frente a la adversidad, pues siempre nos han transmitido sus mejores deseos y nos han ofrecido su ayuda incondicional. No nos olvidamos tampoco de todos los profesores, que, durante la carrera, gracias a su labor docente, nos han preparado para afrontar el futuro con la mayor de las seguridades. Por último, debemos agradecer a todos aquellos autores, pasados o presentes, que, bien a través de la publicación de libros o artículos, o bien mediante el desarrollo de la técnica, han creado el sedimento que hace posible, no solo este trabajo, sino cualquier otro trabajo, actual o futuro. v Resumen En la actualidad, el reconocimiento de objetos en imágenes a través del procesamiento digital y el aprendizaje automático es un campo que se encuentra en claro auge dentro del mundo moderno, esto es así hasta el punto de que la utilización de las tecnologías derivadas de esta área de investigación han generado múltiples dilemas éticos en la sociedad actual. Para poder aseverar esta armación no tenemos más que rememorar las distintas polémicas causadas, recientemente, por los sistemas de reconocimiento facial. Dentro del procesamiento digital por aprendizaje automático encontramos el análisis de textura como una de las variantes más prominentes en el organigrama de este extenso campo. Y precisamente este será el tema fundamental de nuestro proyecto, el cual desarrollaremos y profundizaremos a lo largo de estas páginas. Por ende, nuestro objetivo para este proyecto será implementar un entorno operativo que facilite el desarrollo de diferentes aplicaciones de clasicación de texturas y que permita ensayos con diferentes parámetros y conguraciones. Además, aplicaremos el sistema, a modo de ensayo práctico, sobre el problema de identicación de la neumonía a partir de radiografías con rayos X. Para llevar a cabo esto, el proyecto se dividirá en varias partes diferenciadas: Investigación y estudio previo. Desarrollo de la aplicación en tres módulos funcionales. Testeo para la búsqueda de posibles errores de implementación y búsqueda de la conguración óptima para el problema de la neumonía. Resultados y conclusiones. vii Abstract Nowadays, the recognition of objects in images through digital processing and machine learning is a eld that is clearly booming in the modern world, this is so to the point that the use of technologies derived from this area of research has generated multiple ethical dilemmas in today's society. To be able to assert this armation we have only to remember the dierent controversies caused, recently, by the facial recognition systems. Within the digital processing by machine learning we nd texture analysis as one of the most prominent variants in the organization chart of this extensive eld. And precisely this will be the fundamental theme of our project, which we will develop and deepen throughout this pages. Therefore, our goal for this project will be to implement an operating environment that facilitates the development of dierent textural classication applications and allows testing with dierent parameters and congurations. In addition, we will apply the system, as a practical test, on the problem of identifying pneumonia from x-rays. To carry out this, the project will be divided into several dierentiated parts: Research and previous study. Development of the application in three functional modules. Testing to search for possible implementation errors and search for the optimal conguration for the pneumonia problem. Results and conclusions. ix xvi Índice 3. Metodología de trabajo 23 3.1. Googledrive............................ 24 3.2. Googlehangouts ......................... 24 3.3. Gitlab............................... 25 3.4. GitKraken............................. 25 4. Identicación de análisis por textura utilizando aprendizaje automático 27 4.1. Funcionamiento general del sistema . . . . . . . . . . . . . . . 27 4.2. Módulo 1: Toma de muestras . . . . . . . . . . . . . . . . . . 27 4.2.1. Componentes del módulo . . . . . . . . . . . . . . . . 30 4.3. Módulo 2: Aprendizaje de la SVM . . . . . . . . . . . . . . . 30 4.3.1. Componentes del módulo . . . . . . . . . . . . . . . . 31 4.4. Módulo 3: Clasicación de muestras con la SVM . . . . . . . 33 4.4.1. Componentes del clasicador . . . . . . . . . . . . . . 36 5. Pruebas y evaluación 37 5.1. Introducción............................ 37 5.2. Elproblema............................ 38 5.3. El conjunto de datos . . . . . . . . . . . . . . . . . . . . . . . 38 5.4. Elexperimento .......................... 39 6. Conclusiones y trabajo futuro 43 6.1. Conclusión............................. 43 6.2. Conclusion............................. 44 6.3. Trabajofuturo .......................... 46 6.3.1. Utilizar otros métodos de análisis . . . . . . . . . . . . 46 6.3.2. Velocidad de ejecución . . . . . . . . . . . . . . . . . . 47 6.3.3. Otros trabajos futuros . . . . . . . . . . . . . . . . . . 48 7. Contribuciones individuales 49 7.1. Nicolás Alcaine Camilli . . . . . . . . . . . . . . . . . . . . . . 49 7.2. Alejandro Rodríguez Chacón . . . . . . . . . . . . . . . . . . 50 8. Apéndice A: Ejemplo de ejecución 53 9. Apéndice B: Manual de usuario 63 Bibliografía 65 Índice de guras 2.1. Ejemplo de escala de grises. . . . . . . . . . . . . . . . . . . . 10 2.2. Ejemplo de como resultaría la matriz de co-ocurrencia de distancia 1 y dirección este. . . . . . . . . . . . . . . . . . . . . . 11 2.3. Matriz de co-ocurrencia (1,0) para la imagen de prueba. . . . 11 2.4. Normaliación de la matriz. . . . . . . . . . . . . . . . . . . . . 12 2.5. Características implementadas en el proyecto. Siendo P i,j la probabilidad de co-ocurrencia de los valores de gris i y j, para unadistanciadada........................ 13 2.6. Concepto de la SVM. . . . . . . . . . . . . . . . . . . . . . . . 14 2.7. Hiperplano de separación. . . . . . . . . . . . . . . . . . . . . 15 2.8. Hiperplano de separación máxima. . . . . . . . . . . . . . . . 16 2.9. Clases no separable linealmente. . . . . . . . . . . . . . . . . . 17 2.10.Kernellineal. ........................... 18 2.11. Kernel polinómico. . . . . . . . . . . . . . . . . . . . . . . . . 18 2.12. Kernel gaussiano. . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.1. Vista de las ramas del proyecto desde GitKraken. . . . . . . . 25 4.1. Vista del módulo de toma de muestras. . . . . . . . . . . . . . 28 4.2. Ejemplo de muestreo. . . . . . . . . . . . . . . . . . . . . . . . 29 4.3. Diagrama de bloques del sistema . . . . . . . . . . . . . . . . 30 4.4. Vistadelmódulo2........................ 33 4.5. Vistadelmódulo3........................ 34 4.6. Ejemplo de resultado del barrido . . . . . . . . . . . . . . . . 35 4.7. Comando de acceso a libsvm . . . . . . . . . . . . . . . . . . . 36 5.1. Resultados de las pruebas . . . . . . . . . . . . . . . . . . . . 39 5.2. Barrido resultante de la conguración 13 . . . . . . . . . . . . 41 5.3. Barrido resultante de la conguración 13 . . . . . . . . . . . . 42 5.4. Barrido resultante de la conguración 13 . . . . . . . . . . . . 42 6.1. Ejemplo de geometría fractal en la naturaleza. . . . . . . . . . 46 xvii xviii Índice de figuras 6.2. Comparativa de rendimiento en la deconvolución de una imagen, implementada sobre una CPU, multiprogramada sobre ocho núcleos y en una GPU mediante CUDA. [8] . . . . . . . 47 8.1. ................................... 53 8.2. ................................... 54 8.3. ................................... 54 8.4. ................................... 55 8.5. ................................... 56 8.6. ................................... 56 8.7. ................................... 57 8.8. ................................... 57 8.9. ................................... 58 8.10.................................... 58 8.11.................................... 59 8.12.................................... 60 8.13.................................... 60 8.14.................................... 61 Índice de Tablas xix Capítulo 1 Introducción Resumen: en este capítulo se expone la motivación que nos ha llevado a desarrollar este proyecto, así como los objetivos iniciales del mismo. 1.1. Motivación Desde los inicios de la informática siempre se ha tratado de crear máquinas, cada vez más complejas, que fueran capaces de emular algunas de las características, funciones y maneras de procesar la realidad propias del ser humano. En este sentido, las computadoras vendrían a ser un contenedor del conocimiento del hombre salvo por el hecho de que disponen de una capacidad de cómputo innitamente superior. Serían un auxiliar que posibilitaría el descubrimiento de nuevos avances cientícos y artilugios técnicos. En palabras de Vannevar Bush: " Ciertamente, se deberá asegurar la delegación en las máquinas del arduo trabajo que requiere la compleja y detallada manipulación matemática de los datos, si deseamos que el cerebro de esos cientícos quede libre para canalizarlo a tareas mucho más importantes que la mera transformación repetitiva de los datos según reglas preestablecidas "[3]. Uno de los campos de la informática donde más palpable se hace lo dicho y que más se ha expandido en los últimos tiempos es la visión por ordenador, la cual deniríamos como " una disciplina cientíca que incluye métodos para adquirir, procesar, analizar y comprender las imágenes del mundo real con el n de producir información numérica o simbólica para que puedan ser tratados por un ordenador " 1 . Tal y como los humanos usamos nuestros ojos 1 https://es.wikipedia.org/wiki/Visión_articial 1 2 Capítulo 1. Introducción y cerebros para comprender el mundo que nos rodea. Y es dentro del área de la visión por computador donde encontramos el campo del reconocimiento de patrones grácos, que a su vez, engloba el análisis de texturas como una de las ramas más prominentes, ya que es la responsable de multitud de hallazgos y aplicaciones tan importantes como: Diagnóstico de cáncer de piel y lesiones pigmentadas benignas (Green et al., 1991), recuperación de imágenes por color y textura (Veltkamp y Hagedoorn, 1999), diagnóstico de miocarditis (Ferdeghini et al., 1991), detección de características de los hielos polares (Sephton et al., 1994), clasicación de las rocas volcánicas por textura (Hernández, 1995), clasicación de formaciones vegetales (Gil et al., 1997a), identicación de personas mediante la textura del Iris y detección de residuos en determinados medios utilizando cámaras ópticas. Claro está que implementar todas estas herramientas no es una tarea sencilla. Para lograrlo, hay que apoyarse en técnicas de clasicación basadas en aprendizaje automático, como redes neuronales o, en nuestro caso, SVM; y en técnicas de ADI (Análisis Digital de Imágenes), las cuales están relacionadas con la extracción de mediciones útiles, datos o información de un campo de la imagen utilizando dispositivos y sistemas automáticos. 1.2. Objetivos El objetivo principal de este TFG es implementar un analizador de texturas que sea capaz de identicar la presencia de un determinado material en una imagen tan solo ateniéndonos a su textura. No tendremos en cuenta otras características como el color y la forma del material. Para ello habrá, en primer lugar, que analizar digitalmente las imágenes de nuestro dataset y obtener muestras que nos sirvan posteriormente para entrenar nuestra máquina y clasicar las imágenes. Esta tarea se completará haciendo uso de métodos estadísticos, basados en el histograma de la matriz de grises de la imagen; de la matriz de co-ocurrencia de segundo orden, derivada del histograma de grises; y de 14 descriptores de fácil cálculo. En segundo lugar, habremos de instanciar una SVM (Support vector machine), para entrenar y clasicar, que reciba como entrada los vectores de características de las muestras recogidas en la primera parte, o las propias componentes de la matriz de co-ocurrencia . Por último, y como complemento u objetivo secundario, aplicaremos to- 1.3. Visión general del documento 3 do el sistema sobre un caso concreto de la realidad y realizaremos un estudio sobre la calidad de los resultados obtenidos. 1.3. Visión general del documento El documento estará dividido en los siguientes capítulos que se muestran a continuación: Capítulo 2: se explicará todo el estudio previo a la implementación del sistema. Capítulo 3: en este apartado explicaremos todo lo relacionado con la gestión del proyecto y la administración del trabajo. Capítulo 4: describiremos el sistema en su totalidad a partir de un análisis detallado de cada una de sus partes. Capítulo 5: comportamiento del sistema sobre un problema concreto. Capítulo 6: conclusiones del trabajo y proyectos futuros. Capítulo 7: se expondrán las contribuciones de cada miembro del equipo al resultado nal. Apéndice A: ejemplo de ejecución de la aplicación. Apéndice B: manual de usuario. 4 Capítulo 1. Introducción 1.4. Motivation Since the beginning of computing, we have always tried to create increasingly complex machines that were able to emulate some of the characteristics, functions and ways to understand properly reality as human being would. In this sense, computers would become a container of the knowledge of man, except by the fact that they have an innitely superior computing capacity. They would be an auxiliary that would enable the discovery of new scientic advances and technical devices. In the words of Vannevar Bush: " Relief must be secured from laborious detailed manipulation of higher mathematics as well, if the users of it are to free their brains for something more than repetitive detailed transformations in accordance with established rules. "[3]. One of the elds of computer science where what has been said is most palpable and has been expanded the most in recent times is computer vision, which we would dene as " an interdisciplinary scientic eld that deals with how computers can be made to gain high-level understanding from digital images or videos. From the perspective of engineering, it seeks to automate tasks that the human visual system can do. " 2 . And it is within the area of computer vision where we nd the eld of recognition of graphic patterns, which, in turn, encompasses the analysis of textures as one of the most prominent branches, since it is responsible for a multitude of ndings and applications as important as: skin cancer and benign pigmented lesions diagnosis(Green and anothers,1991), recovery of images by color and texture (Veltkamp and Hagedoorn,1999), myocarditis diagnosis(Ferdeghini and others, 1991), detection of polar ice characteristics(Sephton and others, 1994), classication of volcanic rocks by texture(Hernández, 1995), classication of plant formations(Gil and others, 1997), identication of people through the texture of Iris and detection of waste in certain area using optical cameras. Of course, implementing all these tools is not a simple task. To achieve this, we must rely on classication techniques based on machine learning, such as neural networks or, in our case, SVM; and in the techniques of digital image análisis which are related to the extraction of useful measurements, data or information from a eld of the image using devices and automatic systems. 2 https://en.wikipedia.org/wiki/Computer_vision 1.5. Objectives 5 1.5. Objectives The main objective of this paper is to implement a texture analyzer able to identify the presence of a certain material in an image only by adhering to its texture. We will despise other characteristics such as the color and shape of the material. To do this, we will rst have to digitally analyze the images of our dataset and obtain samples that will serve us later to train our machine and classify the images. This task will be completed using statistical methods, based on the histogram of the gray matrix of the image; by the second-order co-occurrence matrix, derived from the gray histogram; and 14 easily calculated descriptors. In second term, we will have to instantiate an SVM (Support vector machine), to train and classify, that receives as input the characteristics vectors of the samples collected in the rst part, or the own components of the coocurrence matrix. Finally, as a complement or secondary objective, we would like to apply the whole system on a concrete case of reality and realize a small study on the quality of the results obtained. 1.6. General vision of the document The document will be divided into the following chapters: Chapter 2: the entire study previous to the implementation of the system. Chapter 3: in this section we will explain everything related to the project management and administration. Chapter 4: we will describe the system at its entirety from a detailed analysis of each of its parts. Chapter 5: behavior of the system on a specic problem. Chapter 6: conclusions of work and future projects. Chapter 7: the contributions of each team member to the nal result. Appendix A: execution example. Appendix B: user manual. 12 Capítulo 2. Trabajo previo Figura 2.4: Normaliación de la matriz. tenemos así el cálculo de ambos sentidos en una misma dirección, ahora tenemos: este-oeste, norte-sur, noreste-suroeste, noroeste-sureste). Esto se consigue sumando la matriz de coocurrencia calculada en una dirección a su traspuesta. Ya que tenemos la matriz simétrica, lo siguiente y lo último que hay que hacer es expresarla como matriz de probabilidad, normalizarla tal como muestra la Figura 2.4. Una vez que tenemos la matriz normalizada, podremos utilizarla para obtener medidas estadísticas, que describan la textura. Recordemos que, una vez que se denan estas características, los bloques de imágenes se pueden clasicar utilizando una de las múltiples técnicas de reconocimiento de patrones. Haralick denió estas 14 características: Segundo momento angular, contraste, correlación, varianza, momento de diferencia inversa, suma de promedios, suma de varianzas, suma de entropía, entropía, diferencia de varianza, diferencia de entropía, medidas de información de la correlación y máximo coeciente de correlación. Cada característica nos dará información distinta, y será más relevante dependiendo de la naturaleza de la textura. Las características que nosotros hemos implementado para formar los vectores de clasicación son las siguientes: 2.3. SVM 13 Figura 2.5: Características implementadas en el proyecto. Siendo P i,j la probabilidad de co-ocurrencia de los valores de gris i y j, para una distancia dada 2.3. SVM Es bien sabido que existen una gran cantidad de algoritmos de clasi- cación, como las redes neuronales o la regresión logística, para clasicar conjuntos de datos. La mayoría de ellos funcionan de una forma muy simi- 14 Capítulo 2. Trabajo previo lar, por lo que hay que tener un conocimiento muy elevado de los matices que aporta cada algoritmo para elegir el correcto en cada momento. La mayoría de las veces la variable más crítica de un problema será el tamaño de su conjunto de datos; la máquina de vector de soporte es una de las técnicas que más potencial puede aportar en esta situación. Una descripción bastante aproximada de cómo funciona una SVM sería: dado un conjunto de puntos, subconjunto de un conjunto mayor (espacio), en el que cada uno de ellos pertenece a una de dos posibles categorías, un algoritmo basado en SVM construye un modelo capaz de predecir si un punto nuevo (cuya categoría desconocemos) pertenece a una categoría o a la otra. 4 Para completar esta denición, es necesario decir que la idea detrás de la máquina es la de clasicar un conjunto de datos de cualquier dimensionalidad, parametrizado matemáticamente, buscando el hiperplano que divide al conjunto de datos en las clases dadas. Siempre habrá muchos hiperplanos que clasiquen a ese conjunto de datos de forma más o menos correcta. Por tanto, la clave es encontrar aquel que haga una mejor clasicación, es decir, aquél que deje un mayor margen entre ambas clases. Esta última es la razón por la que, a veces, se conoce a las SVM como clasicadores de margen máximo. Figura 2.6: Concepto de la SVM. Advertimos que en este trabajo no se profundizará en el aspecto matemático, pero puede encontrarse una descripción detallada en el libro Support Vector Machines Succinctly by Alexandre Kowalczyk [7]. 4 https://es.wikipedia.org/wiki/Máquinas_de_vectores_de_soporte 2.3. SVM 15 2.3.1. Maximal Margin Classier e Hiperplano En un espacio p-dimensional, un hiperplano se dene como un subespacio plano y afín de dimensiones p−1 . El término afín signica que el subespacio no tiene por qué pasar por el origen. [11] En el caso de un espacio de dimensión uno el hiperplano será un punto (divide una línea en dos). Si lo que tenemos es un espacio de dimensión dos, un plano, entonces el hiperplano será una recta. Esto es generalizable a cualquier dimensión mediante la siguiente ecuación: β0+β1x1+β2x2+... +βpxp= 0 Y es precisamente esta ecuación la que nos interesa para conocer el funcionamiento del SVM. Simplemente: β0+β1x1+β2x2+... +βpxp<0 o bien β0+β1x1+β2x2+... +βpxp>0 Vemos como el hiperplano divide el espacio en dos mitades, de tal forma que dependiendo del signo del resultado de resolver la ecuación para un punto X implica que este punto sea clasicado en una u otra clase. Lo dicho se comprenderá mucho mejor mediante un ejemplo. En la siguiente imagen contemplamos un espacio bidimensional que es dividido mediante un hiperplano, en este caso una recta. La ecuación que describe esta recta es 1 + 2x1+ 3x2= 0 . Así vemos que al área azul la conformarán los puntos que cumplen: 1 + 2x1+ 3x2>0 , mientras que la región roja será aquella que se forme con los puntos que satisfacen la misma ecuación con signo contrario. Figura 2.7: Hiperplano de separación. 16 Capítulo 2. Trabajo previo Para resolver los problemas de clasicación con SVM hay que encontrar el hiperplano óptimo de separación o maximal margin hyperplane , es decir aquel que se encuentra más alejado de todas las observaciones de entrenamiento. Para obtenerlo, se tiene que calcular la distancia perpendicular de cada observación a un determinado hiperplano. La menor de estas distancias determina el margen máximo de separación que habrá que optimizar hasta llegar al maximal margin hyperplane . Figura 2.8: Hiperplano de separación máxima. La imagen anterior muestra el maximal margin hyperplane para un conjunto de datos de entrenamiento. Las tres observaciones equidistantes respecto al maximal margin hyperplane se encuentran a lo largo de las líneas discontinuas que indican la anchura del margen. A estas observaciones se les conoce como vectores soporte, ya que son vectores en un espacio p-dimensional y soportan (denen) el maximal margin hyperplane . Cualquier modicación en estas observaciones (vectores soporte) conlleva cambios en el maximal margin hyperplane [11]. 2.3.2. Clasicador de vector soporte o Soft Margin SVM Siempre que clasicamos con SVM nos gustaría encontrar un hiperplano que fuera capaz de hacer una separación perfecta del conjunto de datos. Pero, a veces, esta separación o bien no es posible, o bien es contraproducente a la hora de generalizar el problema, al pasar de entrenamiento a clasicación. En el primer caso se puede experimentar con distintos tipos de Kernels para adaptar "la forma"del hiperplano a "la nube de puntos". En el segundo caso estamos ante un problema de sobreajuste(overtting), que solo se solu- 2.3. SVM 17 Figura 2.9: Clases no separable linealmente. cionará usando un parámetro C que aporte cierta exibilidad y controle la compensación entre errores de entrenamiento y los márgenes rígidos, creando así un margen blando que permita algunos errores en la clasicación a la vez que los penaliza 5 . Cuanto mayor es el valor de C mayor es el ajuste. 2.3.3. Kernels En el punto anterior decíamos que, en ocasiones, la separación entre dos conjuntos de datos es inviable y que para ello necesitaríamos contar con otras formas de hiperplano que no clasiquen de forma lineal. Esto se logra con la utilización de distintos tipos de kernel. Un kernel es una función que devuelve el resultado del dot product entre dos vectores realizado en un nuevo espacio dimensional distinto al que se encuentran los vectores. Aunque no se ha entrado en detalle en las fórmulas matemáticas empleadas para resolver el problema de optimización, esta contiene un dot product . Si se sustituye este dot product por un kernel, se obtienen directamente los vectores soporte (y el hiperplano) en la dimensión correspondiente al kernel [11]. Existen multitud de kernels distintos, algunos de los más utilizados y que se emplean en el trabajo son: Kernel lineal (Figura 2.9): K(x, x0) = x∗x0 . Si se emplea un Kernel lineal, el clasicador Support Vector Machine obtenido es equivalente al Support Vector Classier . 5 https://es.wikipedia.org/wiki/Máquinas_de_vectores_de_soporte 18 Capítulo 2. Trabajo previo Figura 2.10: Kernel lineal. Kernel polinómico (Figura 2.10): K(x, x0) = (x∗x0+c)d . Cuando se emplea d = 1 y c = 0, el resultado es el mismo que el de un kernel lineal. Si d >1, se generan límites de decisión no lineales, aumentando la no linealidad a medida que aumenta d. No suele ser recomendable usar d >5 por problemas de overtting . Figura 2.11: Kernel polinómico. Kernel gaussiano (Figura 2.11): K(x, x0) = exp(−γ||x−x0||2) . El valor de γ controla el comportamiento del kernel, cuando es muy pequeño el modelo nal es equivalente al del kernel lineal, a medida que aumenta su valor, también lo hace la exibilidad del modelo. 2.4. Tecnologías relevantes 19 Figura 2.12: Kernel gaussiano. 2.4. Tecnologías relevantes 2.4.1. Python Python es un lenguaje de alto nivel de los años 90 creado por Guido van Rossum que en los últimos años ha ganado bastante popularidad. Uno de sus grandes atractivos es que intenta acercarse al lenguaje natural, enfatizando la legibilidad y limpieza del código, permitiendo que sea relativamente sencillo realizar desarrollos usando dicho lenguaje. También es un lenguaje interpretado que usa tipado dinámico y resolución dinámica de nombres. Soporta diferentes paradigmas, permitiendo que se trabaje en programación imperativa, funcional y orientada a objetos, lo que le da una gran versatilidad. Python contiene una amplia librería estándar, y un gran número de módulos que le dan una gran cantidad de herramientas para trabajar en diferentes ámbitos, siendo uno de los más destacados el análisis de datos, lo cual hace que sea un lenguaje recurrente en el desarrollo de aplicaciones cientí- cas. Aunque nalmente no hemos usado las bibliotecas de Python para implementar las partes de aprendizaje automático de la máquina de vector de soporte, motivados por su facilidad de uso y por la existencia de herramientas para la elaboración de interfaces, sí lo hemos empleado en la construcción 20 Capítulo 2. Trabajo previo de los módulos 1 y 3. 2.4.2. Pillow Pillow es una librería OpenSource para Python que añade una gran cantidad de funciones de uso común para trabajar con imágenes, como pueden ser: aplicación de ltros, redimensionado de imágenes y cambios de formato. Es una herramienta muy importante de cara al proyecto, dado que el primer y tercer módulo realizan un análisis donde se utilizan distintas operaciones para simplicar la extracción de datos sobre las múltiples imágenes. 2.4.3. NumPy y SciPy NumPy es una librería OpenSource para Python que añade funcionalidades para trabajar con vectores y realizar calculos cienticos. Basada en la librería Numeric, se creó para tener un código de fácil mantenimiento, optimizado para dar mayor eciencia, y exible en su uso. NumPy nos aporta diferentes estructuras, más ecientes que las estándar de Python, para encapsular datos como vectores o matrices(como es el caso de la matriz de Co-Ocurrencia). SciPy es una librería OpenSource para Python que añade una gran colección de algoritmos matemáticos y proporciona a los usuarios una interfaz capaz de procesar datos con la misma ecacia que herramientas como Matlab u Octave. 2.4.4. PyQt PyQt es un binding de la biblioteca gráca Qt para el lenguaje de programación Python. Fue desarrollado por Riverbank Computing. Qt es un framework que permite desarrollar aplicaciones multiplataforma e interfaces grácas. Desarrollado en 1992, nace parcialmente en un desarrollo de código abierto, pero no completamente libre. Fue utilizado en el desarrollo de KDE, actualmente uno de los escritorios más populares de GNU/Linux. 2.4. Tecnologías relevantes 21 2.4.5. JavaFX JavaFX es una plataforma software con la capacidad de producir aplicaciones web provistas de las características de una aplicación de escritorio. Es la alternativa a Swing más usada debido a la exibilidad de estilos en las componentes, lo cual se consigue mediante el empleo de hojas css. Por esta razón, hemos optado por JavaFX para producir una interfaz dinámica para el módulo 2 que sea capaz de adaptar sus estilos en las diferentes plataformas, y que además sea lo más simple y ampliable posible. Cabe destacar que, al emplear lenguaje Java, ha sido bastante sencillo comunicarse entre procesos de la terminal y realizar llamadas a programas de libSVM, consiguiendo que un proceso hijo sea esperado por su padre en sólo unas pocas líneas de código. 2.4.6. libSVM libSVM es una de las librerías en código abierto más conocidas para trabajar con máquinas de vector soporte. Su licencia es BSD, por lo que hemos podido usar su código C para compilar nuestras propias versiones de los programas de entrenamiento y predicción. Estas librerías contienen un amplio repertorio de APIs en diferentes lenguajes, por ejemplo en Java, C, C++, Python, R, etc. También trae soporte para apps de android. Entre sus funcionalidades destacan los clasicadores de máquina soporte (SVC), regresiones (SVR) y estimación de una distribución (SVM de una clase). Para nuestro trabajo nos enfocamos exclusivamente en los clasicadores de máquina soporte, en especial C-SVC, que trabaja con el hiper-parámetro C, explicado anteriormente en la teoría. Otra característica muy importante, es que contiene un script llamado grid.py, que se emplea para trabajar con validación cruzada. La validación cruzada es una técnica capaz de conseguir resultados óptimos de los valores C y gamma para un determinado caso de prueba con sus predictores. En cuanto a kernels, libSVM soporta el kernel lineal, polinomial, radial (gaussiano) y el kernel sigmoide. En la parte práctica veremos que los kernels más útiles para nuestras clasicaciones serán el kernel polinomial y el radial. 28 Capítulo 4. Identicación de análisis por textura utilizando aprendizaje automático condicionado por el tratamiento que se le haya dado a las imágenes en este componente. Figura 4.1: Vista del módulo de toma de muestras. El módulo de toma de muestras cuenta con dos "modalidades"para realizar el análisis sobre la imagen: análisis estadístico y análisis por matriz de co-ocurrencia, construida tal y como indicamos en el capítulo 2 de esta memoria . En caso de querer realizar un análisis estadístico, el usuario seleccionará ESTADÍSTICOS, las características que desee aplicar a la imagen y procederá con el muestreo. Si lo que queremos es realizar un análisis sobre la matriz de co-ocurrencia, seleccionaremos MATRIZ CO-OCURRENCIA, las características deseadas, la dirección de la co-ocurrencia (es necesaria al menos una dirección), un escalado de grises(cada muestra será transformada a una matriz de grises), una distancia y, nalmente, se procederá al muestreo. De manera opcional se podrá marcar la opción . A ñadir matriz de co-ocurrencia como característica", con ella podremos añadir cada componente de la matriz de co-ocurrencia como una componente más del vector de características de cada muestra analizada. En resumen podemos incorporar una estrategia más (comúnmente utilizada en estudios precedentes) para obtener información de las imágenes. Ambas modalidades operarán sobre las características denidas en el capítulo 2, sin embargo, la primera de ellas analizará las muestras aplicando 4.2. Módulo 1: Toma de muestras 29 ltros y cálculos directamente sobre los datos de las matrices de las muestras, mientras que la segunda calculará, en primer lugar, las matrices de co-ocurrencia de las distintas muestras, con la conguración seleccionada para dichas matrices, y aplicará las características sobre ellas, en vez de directamente sobre las muestras. Finalmente queda el muestreo, que consistirá en seleccionar una de las dos clases de muestra (positiva o negativa), e ir clickeando sobre la imagen para que se marquen las muestras. Una vez terminado el muestreo se realiza el procesado de cada muestra y se almacena en una estructura de datos. Figura 4.2: Ejemplo de muestreo. Recordamos que la idea de esta aplicación es crear un un entorno operativo que facilite el desarrollo de diferentes aplicaciones de clasicación de texturas, permitiendo ensayos con diferentes parámetros. Como consecuencia de ello, y al ser un módulo de toma de muestras manual, con el objetivo de agilizar esta tarea, se ha tratado de implementar todo tipo de facilidades para la persona que interactúa con la aplicación: precauciones para que las muestras no se sobrepongan, restricciones para que las muestras no excedan los bordes, posibilidad de obtener muestras sobre distintas imágenes, etc. 30 Capítulo 4. Identicación de análisis por textura utilizando aprendizaje automático 4.2.1. Componentes del módulo La elección de Python para el Clasicador viene dada por ser un lenguaje que destaca por su cantidad de paquetes que enfocan al análisis de datos. En este módulo se han hecho uso los siguiente paquetes de Python: PIL: este paquete de Python permite trabajar de forma sencilla con imágenes PyQt: este paquete es una implementación en Python de Qt un famoso framework GUI. SciPy: es un ecosistema de paquetes para realizar computación de datos cientícos en Python. Figura 4.3: Diagrama de bloques del sistema 4.3. Módulo 2: Aprendizaje de la SVM En este módulo, la aplicación se centra en la clasicación de los datos obtenidos por la salida del componente anterior, esto es, un archivo zip con un chero para el entrenamiento con los vectores arrojados por el módulo 1 y un archivo de conguración json de cara a poder usar el módulo 3. 4.3. Módulo 2: Aprendizaje de la SVM 31 4.3.1. Componentes del módulo Los archivos usados para este módulo son: svm-train: Es un ejecutable construido sobre C, cuya función es la de entrenar el dataset que le introducimos y generar un archivo model, que será aquel que use la máquina para luego poder realizar las clasi- caciones. svm-predict: Otro ejecutable que clasica el dataset de test y crea un porcentaje de aciertos entre las clases que estima la máquina y las clases que realmente representan los ejemplos. Además crea un chero output que guarda todas las clases que estimó la máquina durante la clasicación. grid.py: Script de python opcional, pero útil para realizar K-fold crossvalidation sobre el dataset. Para poder usarlo al máximo rendimiento, es imprescindible tener gnuplot instalado en el sistema, debido a que genera una imágen que representa una gráca sobre los parámetros C y gamma con mejores resultados. Para seleccionar qué tipo de clasicación se quiere realizar, en la interfaz gráca se pueden seleccionar 5 tipos: C-SVC: Habilitado por defecto, debido a que es el más empleado en este trabajo. Equivale al explicado en la sección SVM Soft Margin en el capítulo 2. nu-SVC: Tiene la misma función que C-SVC, con la diferencia de que éste emplea el parámetro nu en lugar del parámetro C. SVM one class: Idóneo para poder estudiar la relación que tienen las características sobre una clase en especíco. Epsilon SVR: Emplea regresión lógica sobre el dataset empleando el parámetro épsilon. Este clasicador nunca se emplea, debido a que el más idóneo para este trabajo es SVC. nu-SVR: Igual que el anterior, solo que empleando el parámetro nu en lugar de C. Kernels utilizables (también explicados en el capítulo 2): lineal. 32 Capítulo 4. Identicación de análisis por textura utilizando aprendizaje automático polynomial. radial. sigmoid. Los parámetros que se pueden emplear para realizar el entrenamiento de la máquina son: Degree: Dene el parámetro d para el kernel polinomial. Gamma: Dene el parámetro gamma para el kernel polinomial, radial y sigmoidal. Coef0: Dene el parámetro r para el kernel polinomial y sigmoidal. Cost: Dene el parámetro C para C-SVC y Epsilon SVR. Nu: Dene el parámetro nu para nu-SVC, SVM one class y nu-SVR. Epsilon-SVR: Dene épsilon para Epsilon SVR. Cache Size: Dene el tamaño de la memoria caché para realizar la clasicación. Epsilon: Determina tolerancia para el criterio de terminación. Shrink: Activa la opción de acortar el número de iteraciones que realiza la máquina para aprender durante el entrenamiento. Estimate: Activa la opción de usar probabilidades estimadas de acierto generadas por un k-fold cross validation utilizado durante el entrenamiento. Es recomendable sólo usarlo una vez que se denen los parámetros óptimos para un dataset. Weight: Es un parámetro que actualiza C multiplicándose por el propio C. 4.4. Módulo 3: Clasicación de muestras con la SVM 33 Figura 4.4: Vista del módulo 2 4.4. Módulo 3: Clasicación de muestras con la SVM La idea de este módulo es realizar un barrido de una imagen dada con un tamaño de muestra y unas características idénticas a las utilizadas en el módulo de aprendizaje. Para ello se aplicarán las dos partes precedentes del sistema con el objetivo de obtener el vector de características de cada muestra del barrido. Finalmente se procederá a la clasicación de cada uno de estos vectores. 34 Capítulo 4. Identicación de análisis por textura utilizando aprendizaje automático Figura 4.5: Vista del módulo 3 Para completar el barrido lo primero que habrá que hacer será cargar una imagen, o un conjunto de imágenes, junto con el training set arrojado por la SVM, es decir, un directorio comprimido, con extensión .zip, que contendrá un archivo de extensión .train con las muestras usadas para el entrenamiento de la SVM y un json con los parámetros de conguración que fueron seleccionados en el módulo anterior para entrenar a la máquina de vector soporte. Una vez obtenidos los datos de entrada necesarios para que este componente funcione, se inicia un proceso que nalizará con las imágenes de entrada marcadas de tal forma que se diferenciarán, del resto de formas de la imagen, los objetos que queríamos adivinar por su textura. En el caso de la búsqueda de neumonía en radiografías de rayos x, las partes de la imagen que no son neumonías quedarán enmarcadas dentro de un recuadro rojo y las que sí lo son aparecerán sin dibujar. 4.4. Módulo 3: Clasicación de muestras con la SVM 35 Figura 4.6: Ejemplo de resultado del barrido El proceso se iniciará cargando la conguración del json y el archivo .train para inmediatamente después generar un comando que llame al módulo dos(a través de una tubería) y le pase tanto la conguración como las muestras del entrenamiento. Esto se hace con el n de adquirir un modelo, tal y como el de la sección anterior, que sirva para clasicar las muestras del barrido. Una vez que hemos entrenado a la máquina de nuevo y hemos obtenido el modelo de entrenamiento, procederemos a dividir la imagen en un grid, cuyas celdas tendrán el tamaño de muestra que se especicó en el módulo 1, y a recorrerlo de forma descendente, de izquierda a derecha. En este recorrido se clasicarán las muestras según dictamine el modelo y se generará una matriz de booleanos que se utilizará, nalmente, para pintar la imagen acorde al resultado de la clasicación. Hay que aclarar que, en este módulo, para poder clasicar hay que crear un chero .t con cada muestra y ejecutar, a partir de llamadas al sistema operativo(para acceder a libsvm), el método predict residente en el modelo de entrenamiento obtenido: 36 Capítulo 4. Identicación de análisis por textura utilizando aprendizaje automático Figura 4.7: Comando de acceso a libsvm 4.4.1. Componentes del clasicador El módulo subprocess: permite invocar procesos desde Python y comunicarse con ellos: enviar datos a la entrada (stdin) y recibir la información de salida (stdout). Además, esperar a que el proceso nalice o bien terminarlo prematuramente, y obtener el valor de retorno. 1 Al igual que en el módulo 1, también utilizamos las librerías PIL, numPy y PyQt. 1 https://recursospython.com/guias-y-manuales/subprocess-creacion-y-comunicacioncon-procesos/ Capítulo 5 Pruebas y evaluación Resumen: En este capítulo mostraremos el comportamiento del sistema sobre un problema concreto. 5.1. Introducción Desde que comenzamos a trabajar en el sistema de identicación de imágenes por análisis de texturas nos hemos estado preguntando cual sería el campo de investigación más apropiado para aplicar nuestro desarrollo. El primer estudio que consideramos hacer fue el de aplicar el análisis de textura al diagnóstico de enfermedades odontológicas, pero tras hablar con un odontólogo y obtener un conjunto de datos para el entrenamiento y la clasicación, decidimos descartar esta investigación, ya que no encontramos la forma de aplicar nuestro sistema al dataset recibido. Tras este primer intento, la osteoporosis fue el siguiente problema que valoramos. Contactamos con la universidad politécnica de Orleans (Francia) para que nos legaran su dataset etiquetado con muestras de dicha enfermedad, pero las imágenes que nos dieron eran válidas, en el mejor de los casos, para resolver un problema de clasicación, no para la identicación de un objeto dentro de la imagen, tal y como pretendemos nosotros. Finalmente hemos decidido emplear nuestra aplicación en la identicación de la neumonía a partir de las radiografías de la caja torácica de distintos pacientes. El conjunto de datos para este experimento se ha obtenido de Kaggle, que a su vez lo ha obtenido del trabajo " ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on WeaklySupervised Classication and Localization of Common Thorax Diseases ",[13] el cual realiza un estudio muy similar al nuestro, aunque utiliza 37 44 Capítulo 6. Conclusiones y trabajo futuro un retrato más dedigno de la realidad, son muy susceptibles de incrementar la efectividad de los resultados paralelamente a la capacidad de cómputo. El segundo de estos factores es la gran cantidad de variantes que hay para resolver un problema concreto. Y no solo eso, sino que cualquier pequeña modicación o combinación de distintos paradigmas puede, dependiendo del caso, arrojar resultados completamente distintos e incluso constituir una nueva variante. Por ello, los estudios del arte realizados por multitud de autores en el pasado son la base imprescindible para conseguir éxitos en este campo, ya que con ellos podemos tener un conocimiento general sobre sobre multitud de técnicas muy importantes. En cuanto al desarrollo del proyecto, hemos de decir que estamos satisfechos con el resultado nal debido a que, durante la realización de este, hemos adquirido unos valiosos conocimientos y una abundante experiencia gracias a que para implementar el sistema hemos tenido que entremezclar, de manera completamente libre y no reglada, distintos tipos de tecnologías y lenguajes de programación, lo que nos a forzado, hasta cierto punto, a ser creativos a la hora de inventar soluciones para los problemas que han ido surgiendo y a familiarizarnos con dichas herramientas. También nos gustaría destacar que trabajar en este proyecto nos ha hecho concienciarnos de la utilidad de usar sistemas de control de versiones, de planicar correctamente un proyecto desde el principio y de la importancia de realizar una investigación previa completa. En las siguientes páginas explicaremos lo que, a nuestro juicio, son posibles ampliaciones, complementos o variantes relevantes para nuestro proyecto actual. 6.2. Conclusion We believe that to start this section of conclusions the best we can do is to speak honestly about what has most caught our attention about this nal project. We would say that the most impressive thing for us has been the simplicity of the techniques applied to solve a problem as complex and necessarily chaotic as it is to identify an object through its texture, being that a few elementary mathematical functions, a matrix model, whose formation is not complex at all, and some of the innumerable automatic learning techniques to solve regression problems are sucient requirements to identify a large 6.2. Conclusion 45 part of the textures, both natural and articial. But if the techniques are so simple, why when we investigate the state of the art we see that for more than 50 years there have been progresses and changes in the matter? We believe that this is fundamentally due to two factors. The rst of these is, obviously, the increase in the capacity and speed of hardware processing, given that problems of this type, which require handling a huge amount of information in order to make a more reliable portrait of reality, they are very susceptible to increase the eectiveness of the results parallel to the computing capacity. The second of these factors is the large number of variants that exist to solve a specic problem. And not only that, but any small modication or combination of dierent paradigms can, depending on the case, yield completely dierent results and even constitute a new variant. For this reason, the studies of art made by many authors in the past are the essential basis to achieve success in this eld, since with them we can have a general knowledge about a multitude of very important techniques. Regarding the development of the project, we have to say that we are satised with the nal result. because during the realization of this, we have acquired valuable knowledge and an abundant experience thanks to the fact that to implement the system we have had to intermingle, completely free and not regulated, dierent types of technologies and programming languages, which We have been forced, to some extent, to be creative when it comes to inventing solutions for the problems that have arisen and to become familiar with these tools. We would also like to highlight that working on this project has made us aware of the utility of using version control systems, of correctly planning a project from the beginning and of the importance of carrying out a complete prior investigation. In the following pages we will explain what, in our opinion, possible extensions, complements or variants relevant to our current project. 46 Capítulo 6. Conclusiones y trabajo futuro 6.3. Trabajo futuro 6.3.1. Utilizar otros métodos de análisis En capítulos previos hemos visto que los métodos de análisis de texturas pueden ser clasicados de muchas formas, aunque generalmente se suelen dividir en: estadísticos, basados en la distribución espacial de los niveles de grises; estructurales, los cuales suponen que la textura está formada por una estructura que se repite, denominada primitiva; y espectrales. Una de las vías que nos gustaría aplicar en el futuro sería combinar el actual método estadístico de la co-ocurrencia con métodos estructurales, concretamente utilizar la geometría fractal para encontrar patrones en la textura, en la línea del trabajo " Análisis de la textura a partir de la geometría fractal "(Peleg, et al., 1984) Figura 6.1: Ejemplo de geometría fractal en la naturaleza. La razón de esta idea surge de lo intuitivo que resulta aplicar el fractal para describir la disposición de las partículas de una textura. Mientras que la geometría euclídea clásica a menudo resulta insuciente para describir las formas enrevesadas y caóticas que comúnmente apreciamos en los elementos más microscópicos, la geometría fractal como contraposición a esta resulta algo mucho más pertinente de aplicar en el mundo de las imperfectas texturas. 1 1 La matemática siempre ha servido de lenguaje de las ciencias, sobre todo de las llamadas por algunos fácticas. A partir de ellas se han construido modelos que simulan la realidad con mayor o menor éxito y que frecuentemente estos modelos sustituyen a la mis- 6.3. Trabajo futuro 47 Además, utilizar fractales es una opción interesante puesto que son una de las formas más comunes de la naturaleza, presentes en la materia biológica, junto con las simetrías (las formas básicas que solo necesitan la mitad de información genética) y las espirales (las formas de crecimiento y desarrollo de la forma básica hacia la ocupación de un mayor espacio) . 2 6.3.2. Velocidad de ejecución Una de las facetas que convendría mejorar de cara al futuro sería la velocidad con la que se ejecuta la aplicación. Pese a que ya hemos aplicado algunas técnicas para este propósito(multithreading), el margen de mejora sigue siendo bastante amplio. Una técnica que cobra cada vez más importancia en las aplicaciones cientícas y de cálculo intensivo es el uso de tarjetas aceleradoras de vídeo. Al n y al cabo, este tipo de procesadores fueron diseñados para este tipo de trabajos y por tanto es una idea muy sensata utilizarlas en nuestro sistema. Otra manera de mejorar la velocidad de ejecución sería plantear una optimización del código. Figura 6.2: Comparativa de rendimiento en la deconvolución de una imagen, implementada sobre una CPU, multiprogramada sobre ocho núcleos y en una GPU mediante CUDA. [8] ma realidad. En el caso de los procesos rugosos, roughness en el lenguaje de Mandelbrot, tales como pliegues, o bien fenómenos que se autoreplican como los proceso de reproducción de células, las matemáticas salvo modelos estadísticos y algunos analíticos han tenido un éxito escaso [1] 2 https://es.wikipedia.org/wiki/FractalCaracterísticas_de_un_fractal 48 Capítulo 6. Conclusiones y trabajo futuro 6.3.3. Otros trabajos futuros Experimentar con distintos tipos de hardware para la toma de muestras; cámaras térmicas, por ejemplo. Combinar el identicador de objetos con un clasicador. Por ejemplo, una vez automatizado el proceso de identicación de la neumonía, podemos complementar el diagnóstico implementando un clasicador que distinga entre neumonía vírica o bacteriana. Utilizar otro tipo de técnicas de aprendizaje automático distintas al SVM. Capítulo 7 Contribuciones individuales 7.1. Nicolás Alcaine Camilli Al comienzo del trabajo, se realizó una separación de módulos para que cada uno de nosotros pudiese encargarse prácticamente con alguno de ellos y especializarse, pudiendo realizar una investigación sobre él y posteriormente documentarlo en la memoria junto con la implementación del código necesario para llevarlo a la parte práctica. De aquí en la primera reunión se eligió a Alejandro como encargado de todo el primer módulo, es decir, toda la parte de análisis de texturas en imágenes y su implementación. A mí se me asignó el segundo módulo, que se encarga de analizar todas las características estudiadas en el anterior módulo y poder realizar clasicaciones de objetos presentes en las imágenes usando aprendizaje automático, en concreto empleando SVM, debido a su gran capacidad de clasicación mediante sus kernels. Al comienzo de la realización de mi módulo, tuve la idea de realizarlo bajo Python, debido a que entre nosotros habíamos visto que Python es un lenguaje que poco a poco se fue especializando en las matemáticas y en particular, sobre data science (dentro de éste también en aprendizaje automático). También mi idea fue esa porque tenía pensado unicar ese módulo junto con los demás y ellos ya los habían empezado a implementar bajo ese lenguaje. Más tarde procedí a ir implementando el kernel gaussiano bajo la clasi- cación usando el parámetro C, pero no continué por una posterior reunión con el tutor, donde habíamos decidido entre nosotros 2 que el módulo iba a estar completamente separado del resto de módulos y que se podría usar directamente una librería capaz de realizar todas las operaciones bajo SVM. 49 50 Capítulo 7. Contribuciones individuales Al nal opté por usar JavaFX como lenguaje de mi módulo, debido a su facilidad y moldeabilidad a la hora de crear interfaces de usuario. Anteriormente sólo había trabajado con el lenguaje Java, pero se me hizo bastante fácil su aprendizaje ya que también realizé trabajos de páginas web con CSS3 en el pasado, y toda la parte gráca de sus elementos se denen bajo propiedades CSS. También opté por realizar llamadas externas al programa para poder realizar los entrenamientos y las clasicaciones, usando ejecutables compilados en C de la librería libSVM. Esta librería la escogí debido a su gran popularidad en el mundo del machine learning, y es de código abierto, por lo cual no hay inconvenientes para usar su código bajo nuestro proyecto. La licencia de éste es BSD, por lo que tenemos libertad de usar éste tanto en código cerrado como abierto. Mientras fui implementando el código para el módulo, pudimos ver entre los dos miembros que hay diferentes conexiones entre cada módulo, por lo que he estado colaborando con mis compañeros en el resto de módulos en lo que respecta al uso de cheros de entrenamiento y en el entrenamiento y testeo en el módulo 3. Entre todos también fuimos haciendo pruebas usando todos los módulos, tanto con imágenes de la cámara térmica de nuestro tutor, como con imágenes que pidió Alejandro para el estudio e identicación de la neumonía sobre pacientes. Entre todos pudimos unir ambos conocimientos para conseguir clasicaciones óptimas. Por otra parte, también he ido documentando en la memoria todas mis investigaciones en el capítulo 2 y su funcionamiento en el módulo 2 sobre el capítulo 4 y sobre el apéndice B. El apéndice A también ha sido escrito por mí. 7.2. Alejandro Rodríguez Chacón En el inicio del proyecto, en la fase de investigación, me encargué de familiarizarme con el estado del arte y las técnicas de procesamiento de imágenes, es decir, de la matriz de co-ocurrencia y de las fórmulas matemáticas que utilizamos para obtener las componentes del vector de características. Este estudio consistió en la lectura de la bibliografía aportada por el tutor(entre la que se encuentran [12] y [9]) y de documentos obtenidos de otras fuentes, como "Textural features for image classication"de Robert Haralick. 7.2. Alejandro Rodríguez Chacón 51 Por tanto, cuando comenzamos a desarrollar el sistema, mi cometido fue programar en Python aquellas partes que tenían que ver con esta investigación y posteriormente las conecté con la GUI. En denitiva, elaboré el módulo 1. Para poder comenzar a desarrollar tuve antes que investigar el funcionamiento de Python en algunos aspectos, ya que no tenía una gran experiencia previa con este lenguaje. En este punto, aunque no de cara a la implementación del sistema, también comencé a estudiar otros aspectos importantes de la teoría como: SVM, los distintos modelos existentes para el procesamiento de imágenes digitales(estadísticos, estructurales, etc) y estudios de otros autores sobre la textura. Durante este tiempo, también ayudé a resolver algunos problemas del módulo 3, sobre todo aquellos que tenían que ver con mantener la coherencia con el módulo 1. Al obtener una primera versión de la aplicación, tras revisar lo hecho por todo el equipo, comprobé el comportamiento de los módulos y pude encontrar distintos errores como que el módulo de toma de muestras cogía el color de la marca(verde o rojo) como muestra o que las muestras se solapaban. Una vez terminada la parte técnica del proyecto, también me he responsabilizado de hacer la mayor parte de pruebas iniciales para comprobar la efectividad de la máquina con problemas reales. Estas pruebas conllevaron, con el n de cubrir la mayor parte del abanico de posibles conguraciones, una planicación de las distintas combinaciones de parámetros que eran interesantes para probar en el sistema. Cuando nalizamos estos test, a través del análisis de los cheros de salida del módulo 2, conseguimos denir que parámetros eran los más adecuados para problema propuesto. En cuanto a la tarea de obtención de datasets para la investigación, mi contribución ha sido aportar el conjunto de datos de la neumonía y contactar, de manera infructuosa, con la universidad de universidad politécnica de Orleans (Francia) con el propósito de obtener un dataset de osteoporosis. Sin embargo, diría que la mayor parte de mi trabajo ha estado destinado, en primera instancia, a la investigación de las tecnologías utilizadas y de las posibles aplicaciones del proyecto y, en último término, a la elaboración de la mayor parte de esta memoria, para lo cual ha sido necesario aprender LaTex desde cero pues ningún miembro del equipo tenía experiencia previa con este 52 Capítulo 7. Contribuciones individuales sistema de composición de textos. Capítulo 8 Apéndice A: Ejemplo de ejecución Como ejemplo de ejecución tomaremos una imagen de neumonía bacteriana: Figura 8.1 Usaremos la aplicación del módulo 1 para ir dibujando algunas muestras de neumonía y del resto del cuerpo. En total se toman 260 muestras: 130 positivas y 130 negativas: 53 60 Capítulo 8. Apéndice A: Ejemplo de ejecución Figura 8.12 Esto nos abrirá otra ventana para escoger nuestro zip. Esta ventana solamente admitirá formato zip: Figura 8.13 61 Ahora solo nos queda apretar en "Start"para empezar con el barrido de imagen y generar todos los casos de neumonía que encuentre el SVM. Figura 8.14 Capítulo 9 Apéndice B: Manual de usuario Para empezar, lo primero es obtener los diferentes módulos, para el primero y el tercero requerimos Python 3.7 y ciertos módulos instalados, por el otro lado el módulo 2 requerirá OpenJDK 12 y ya pues al estar montado con maven el mismo cargará todas sus dependencias. Para instalar las dependencias de Python una forma recomendada es hacer uso de anaconda pues se adapta a los diferentes entornos. Una vez instalado desde la consola de anaconda (conda prompt) basta ejecutar los comandos conda install: conda install -c anaconda numpy conda install -c anaconda pil conda install -c anaconda scipy conda install -c dsdale24 pyqt5 El resto a excepción de Tools debería venir instalado por defecto, con la instalación de Python 3.7 de anaconda Aquí resumiré las tecnologías y herramientas necesarias para la ejecución completa de nuestra herramienta. Requisitos: Clasicador (Módulo 1) SVM (Módulo 2) Analizador (Módulo 3) Python 3.7 Numpy 63 64 Capítulo 9. Apéndice B: Manual de usuario Pillow Scipy PyQt Tools (Python lib) ZipFile (Python lib) Math(Python lib) IO (Python lib) OpenJDK 12 Bibliografía [1] V. Arguedas. La geometría de la naturaleza: Benoit Mandelbrot . Escula matemática, Universidad de Costa Rica, Febrero, 2012. [2] A.Rosenfeld and E.Troy. Visual texture analysis . 1970. [3] V. Bush. As we may think . The Atlantic Montly, Julio, 1945. [4] M. M. Galloway. Texture analysis using gray level run-lengths . Computer Graphics and Image Processing, 1975. [5] S. K. D. Haralick, R.M. Textural features for image classication, 1973. [6] H.Kaizer. A quantication of textures on aerial photographs . Boston Univ., 1955. [7] A. Kowalczyk. Support Vector Machines Succinctly . Syncfusion, 2501 Aerial Center Parkway Suite 200 Morrisville, NC 27560 USA, 2017. [8] F. J. M. Navas. Desarrollo de un proceso de deconvolución para imágenes usando GPUs . Facultad de informática, Universidad de Murcia, 2009. [9] M. Presutti. la matriz de co-ocurrencia en la clasicación multiespectral: tutorial para la enseñanza de medidas texturales en cursos de grado universitario. Universidad Nacional de La Plata, Agosto, 2004. [10] V. J. R.Bixby, G. Elerding and R.Loewe. Natural image computer . 1967. [11] J. A. Rodrigo. Máquinas de Vector Soporte (Support Vector Machines, SVMs) . https://rpubs.com/Joaquin_AR/267926, Abril, 2017. [12] J. L. G. Rodríguez. Estado Actual de la Representación y Análisis de Textura en Imágenes. Julio, 2008. [13] X. Wang et al. ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classication and Localization of Common Thorax Diseases . National Institutes of Health, Bethesda, MD 20892, National Center for Biotechnology Information, National Library of Medicine, Department of Radiology and Imaging Sciences, Clinical Center. 65