Respuestas Ejercicios PDF

Nadala Zarroca Respuestas Ejercicios Pregunta 1: La idea es extraer un histograma de color RGB de las imágenes, calcular su histograma con 256 bins, y unir estos histogramas en un solo vector de 768 valores (256 para cada canal) de las cinco imágenes...

Nadala Zarroca Respuestas Ejercicios Pregunta 1: La idea es extraer un histograma de color RGB de las imágenes, calcular su histograma con 256 bins, y unir estos histogramas en un solo vector de 768 valores (256 para cada canal) de las cinco imágenes realizidas. Al ejecutar el código varias veces, cada imagen genera un histograma de color único, reflejando las distribuciones de colores en sus canales RGB. Diferentes imágenes tienden a mostrar distintas concentraciones de color en el histograma dependiendo de sus características visuales. (se puede observar en el pdf de codigo).Las Imagenes con un fondo homogéneo: uno de los canales (rojo, verde o azul) tenga picos destacados en ciertas intensidades. Y las imagenes con muchos colores (flores o paisajes): el histograma és más distribuido, sin picos tan definidos, reflejando la variedad de colores y tonos presentes en la imagen. El número de bins determina el nivel de detalle en el histograma: Con menos bins (por ejemplo, 8 o 64): Se agrupan más valores de intensidad de color, lo que reduce la precisión y suaviza el histograma. Con más bins (por ejemplo, 512 o 1024): da lugar a un histograma más detallado. Al ajustar los bins, la cantidad de detalles en el histograma cambia, pero 256 bins suele ser un buen balance entre precisión y eficiencia en imágenes RGB. Con menos bins, podrías mejorar la velocidad de procesamiento, sacrificando algo de detalle, mientras que más de 256 bins solo aumentaría el almacenamiento sin mejoras prácticas en la calidad del descriptor. Pregunta 2: Al ejecutar el análisis de gradientes varias veces en diferentes imágenes, notamos cómo la distribución de gradientes cambia notablemente entre imágenes con texturas y formas distintas. Las imágenes con formas y bordes marcados tienden a mostrar orientaciones de gradiente claramente definidas, mientras que las imágenes con menos contraste (fondos planos) presentan histogramas menos variados. Al aumentar a (64, 64): Un bloque de píxeles grande cubre una región más amplia y suaviza los detalles, útil para imágenes de objetos grandes y definidos. Al disminuir a (16, 16): Con bloques de píxeles más pequeños, el histograma captura detalles más finos, logrando una representación más precisa de texturas y pequeños patrones en la imagen. 1 Nadala Zarroca Respuestas Ejercicios Al reducir a 4 orientaciones: Usar menos orientaciones simplifica el histograma, útil para simplificar la representación de imágenes con texturas suaves, pero reduce la precisión en detalles complejos. Y al aumentar a 32 orientaciones: Al usar más orientaciones, el histograma se vuelve más preciso y captura detalles sutiles en las direcciones de los bordes y contornos. Un ventaja en este extractor de caracteristicas es la sensibilidad a bordes y contornos y la versatilidad en clasificación. Y unos de los inconvenientes és la pérdida de información de color, los ajustes de parámetros y el aumento del tamaño del descriptor. Pregunta 3: Al ejecutar el cálculo de LBP en varias imágenes, notamos cómo el descriptor captura diferentes texturas. Las imágenes con superficies lisas tienden a tener menos variación en los patrones locales binarios, mientras que las imágenes con texturas más complejas o detalles finos generan histogramas de LBP más variados. Para la modificacion del numero de Puntos de Vecindario observamos 2 cosas: Al aumentar a 24 puntos: Con más puntos en el vecindario, el descriptor captura más detalles y proporciona una representación más precisa de texturas complejas. Y al disminuir a 8 puntos: Al reducir el número de puntos, el cálculo de LBP se vuelve más rápido, y el descriptor es más simple, pero pierde capacidad de captar detalles complejos, lo que puede resultar en una representación pobre de texturas ricas. El parámetro radius al aumentar a 16: Un radio más amplio permite capturar patrones de textura en una región mayor, capturando texturas a una escala más global. Y al disminuir a 4: Un radio pequeño se centra en detalles más finos, capturando texturas a una escala menor. Pregunta 4: Análisis de cada uno de los extractores de características (histograma de color RGB, HOG y LBP) Histograma de Color RGB: Este descriptor se enfoca en la distribución de color, lo cual es útil para diferenciar imágenes con paletas de color claramente diferentes. 2 Nadala Zarroca Respuestas Ejercicios Histogram of Oriented Gradients (HOG):Este descriptor analiza la orientación de los gradientes, resaltando bordes y contornos. Es ideal para identificar formas y estructuras en la imagen. Local Binary Pattern (LBP):El LBP se centra en patrones de textura, proporcionando un descriptor robusto para detectar microtexturas, independientemente de la iluminación. Para mejorar la precisión y robustez de los descriptores, se puede considerar la combinación de extractores de características, donde podemos fusionar los tres descriptores (RGB, HOG y LBP). La aplicación de una segmentación para separar el fondo del objeto de interés puede reducir el impacto de colores de fondo uniformes o áreas irrelevantes. La normalización e igualación de color, los ajustes de parametros de cada descriptor (realizar diferentes pruebas de valores) y el uso de técnicas de reducción de dimensionalidad con la combinación de multiples descritpores. Pregunta 5: Analizando con un extractor de características basado en aprendizaje automático o en técnicas más avanzadas nos permite al modelo aprender representaciones más abstractas y complejas de las imágenes. Este método puede captar patrones de alto nivel, como formas complejas, texturas globales y detalles finos en una sola representación. Es probable que el nuevo método permita diferenciar mejor entre objetos similares. Y nos da una menor sensibilidad a variaciones de color o textura: Los métodos automáticos generalmente generalizan mejor en diferentes tipos de imágenes, mientras que los extractores manuales pueden requerir ajustes específicos. Los modelos automáticos extraen características de múltiples niveles, desde detalles hasta patrones globales, y pueden adaptarse a cualquier tipo de variabilidad en la imagen.Y aprende automáticamente qué características son más relevantes, eliminando gran parte de la necesidad de ajuste manual. La combinación de características automáticas y manuales puede ser una buena estrategia en algunos casos, logrando un equilibrio entre precisión y eficiencia computacional. 3