Aplicación de algoritmos metaheurísticos en procesamiento de señales, imágenes y energías alternativas

Abstract

En años recientes se ha incrementado el interés por cómo la naturaleza da solución a diversos problemas como son: búsqueda de fuentes de alimento, organización de conjuntos de animales o insectos, atracción y repulsión de cargas, etc. De aquí surgen los algoritmos metaheurísticos (AM), los cuales simulan comportamientos naturales básicos para solucionar tareas complejas. El uso de estos métodos se ha extendido desde la optimización matemática hasta la ingeniería o la economía.En este trabajo se abordan tres áreas de aplicación: 1) diseño de filtros digitales; 2) procesamiento de imágenes y 3) energías alternativas. Además, para algunas de estas aplicaciones se proponen modificaciones a los AM, con el fin de mejorar su rendimiento.El primer AM que se describe es Electromagnetism-like (EMO), el cual está inspirado en los principios de atracción-repulsión de cargas eléctricas del electromagnetismo. Usando EMO se realizaron las siguientes aplicaciones: a) diseño de filtros IIR, donde los parámetros de los filtros se estiman mediante un proceso de optimización; b) detección de glóbulos blancos en imágenes médicas, aquí el proceso de identificación de leucocitos es analizado desde el punto de vista de la optimización, aplicando un detector de círculos basado en EMO que busca la forma circular que más se asemeje a las formas cuasi-circulares de las células sanguíneas; c) detección de objetos usando plantillas, aquí se busca la mayor similitud entre una plantilla seleccionada y una sección en la imagen donde esté contenida, para esto se emplea la correlación cruzada normalizada, cuya optimización se realiza mediante EMO; d) por último, se propone el uso de EMO para encontrar los mejores umbrales que permitan segmentar una imagen en función de su histograma, para esto se maximizan las ecuaciones de Otsu y Kapur. EMO es una poderosa alternativa de optimización, sin embargo, posee algunas deficiencias en la búsqueda local, lo cual en ciertas aplicaciones incrementa el costo computacional. Para esto, se propone dos modificaciones, una de ellas involucra el uso de la estrategia de aprendizaje conocida como Opposition-Based Learning. Mientras que la segunda es una modificación del proceso de búsqueda local, usando un muestreo alrededor de las mejores soluciones de cada iteración.El segundo método que se estudió, es conocido como Harmony Search (HSA). El cual tiene como analogía, la improvisación que realizan los músicos para encontrar nuevas harmonías. Este AM ha sido aplicado al problema de segmentación multinivel, donde el objetivo es encontrar los mejores umbrales para binarizar imágenes que maximicen las funciones de Otsu y Kapur. Finalmente, estos valores son aplicados para determinar el mejor umbral en el histograma de la imagen, logrando con esto la segmentación de los píxeles originales como imagen binaria.El tercer AM que se analizó es el Artificial Bee Colony (ABC), está inspirado en el comportamiento que tienen las abejas para encontrar nuevas fuentes de alimento. Este AM ha sido implementado para el diseño de celdas solares, para esto se emplea el modelo de diodo simple y diodo doble. El objetivo es encontrar la mejor configuración de parámetros que dé como resultados una buena relación corriente-voltaje.Los métodos planteados se presentan como soluciones alternativas a los problemas selectos de las áreas de interés. Los resultados experimentales y comparaciones realizadas de forma independiente, comprueban su desempeño en términos de precisión y robustez. Del mismo modo, se comprueba que el uso de los AM es viable para una gran cantidad de aplicaciones orientadas al tratamiento de imágenes y de forma general en ingenieríaIn recent years, the scientific community has increased the interest on the application of techniques inspired in the nature to solve some computational problems. Examples of such techniques are: search for food sources, animals or bugs organization, attraction-repulsion of charges. From these ideas the metaheuristic algorithms (MA) emerge to address the circumstances of mathematical optimization. They simulate different natural behaviors to solve complex tasks. The use of these methods has been extended from mathematical applications to implementations in different fields, including engineering. In this work, three fields of application are explored and analyzed: 1) digital filter design; 2) image processing and 3) alternative energies. Moreover, some modifications are proposed for the MA in order to improve their performance. The first MA implemented is Electromagnetism-like (EMO). This algorithm imitates the attraction–repulsion mechanism between charged particles in an electromagnetic field. Using EMO the following implementations are developed: a) IIR filter design, where filter parameters are estimated by an optimization process; b) white blood cells detection in medical images, where the identification of leukocytes is performed using a specific MA. A circle detector based on EMO is applied to obtain the best circular shape that matches with the quasi-circular shapes of blood cells; c) object detection using template matching, where EMO is used with the normal cross correlation as the objective function to find the best matching between a template and a section in the image; d) thresholding determination, where the use of EMO is proposed to find the best thresholds to segment the histogram of an image, to do this the Otsu’s and Kapur’s functions are maximized. EMO is a powerful optimization alternative, however, it has some shortcomings during the local search procedure in multidimensional applications where the computational cost is increased. For that reason, two modifications are proposed: one of them involves the use of a learning strategy, known as Opposition-Based Learning. Meanwhile, the second one is a modification of the local search using a sampling, at each iteration, around the best solutions found.. The second method studied is Harmony Search (HSA), that emulates the musicians improvisation looking for new harmonies while they are playing. HSA has been applied to multilevel segmentation problems, where the goal is to find the best threshold that maximizes the Otsu’s and Kapur’s functions. Finally, such values are used for image segmentation based on histogram thresholding, obtaining a correct pixel classification. The third MA analyzed is Artificial Bee Colony (ABC), which is inspired in the bee’s behavior when they are looking for new food sources. This method has been implemented to solar cell engineering design using the single and double diode models. The goal is to find the best configuration of parameters, involved in the design, which provides a good current-voltage relationship. The proposed methods are presented as alternative solutions for the selected problems in the specific areas. Experimental results and comparisons, carried out separately, prove their performance in terms of accuracy and robustness. On the same way, it is verified that the use of MA is feasible for different image processing and engineering applications.