Combinación de clasificadores para identificación de texturas en imágenes naturales: nuevas estrategias locales y globales
Loading...
Download
Official URL
Full text at PDC
Publication date
2010
Defense date
09/06/2009
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Complutense de Madrid, Servicio de Publicaciones
Citations
Exportar
Citation
Abstract
La combinación de clasificadores constituye hoy en día un campo emergente en los sistemas de toma de decisiones. Estos sistemas se caracterizan por su capacidad para el
tratamiento de grandes cantidades de información, dentro de lo que se denomina minería de datos. Un área de interés dentro de este ámbito es la identificación de texturas en
imágenes, particularmente texturas naturales de exterior. Es aquí donde se centra el trabajo de investigación que se presenta.
La motivación de la investigación está suscitada por un interés empresarial creciente para la identificación de las texturas en imágenes procedentes de sensores aerotransportados, cuya finalidad última está encaminada hacia aplicaciones concretas, entre las que destacan, la ordenación del territorio o la prevención de posibles catástrofes, tales como incendios forestales. La gran cantidad de información proporcionada por esos sensores
debe ser convenientemente tratada.
El objetivo principal consiste en el diseño de estrategias de clasificación capaces de mejorar los resultados proporcionados por las herramientas comerciales existentes y en la medida de lo posible automatizar el proceso de clasificación.
Como estrategia de clasificación se propone la combinación de clasificadores, siguiendo la tendencia actual de las investigaciones en este campo. Bajo la perspectiva de las
imágenes se proponen dos estrategias combinadas a nivel de píxel, una de naturaleza local y otra global. La primera aborda el problema de forma específica, clasificando cada
píxel en la imagen de forma individual teniendo en cuenta sus propiedades espectrales, mientras que la segunda considera esas mismas propiedades del píxel a clasificar junto con las de sus vecinos, así como las clasificaciones previas de los píxeles en la vecindad.
Bajo el enfoque local se proponen sendos procedimientos de combinación bajo la perspectiva de la lógica fuzzy, el primero de ellos se basa en el paradigma de la teoría de
la decisión multi-criterio y el segundo en la integral fuzzy.
Dentro del enfoque global, se proponen a su vez dos procedimientos de combinación, el primero basado en el concepto de los mapas cognitivos fuzzy y el segundo bajo el
paradigma de la relajación probabilista.
Para llevar a cabo la combinación se utilizan seis clasificadores clásicos en su versión original, como son: el método de agrupamiento borroso, el estimador paramétrico de máxima verosimilitud, el estimador no paramétrico de la ventana de Parzen, los mapas auto-organizativos y dos versiones derivadas del método de cuantización vectorial.
La comparación de los resultados frente a estos clasificadores individuales, así como frente a otros métodos clásicos combinados, permite verificar que las estrategias de combinación propuestas en este trabajo mejoran los resultados, quedando de este modo justificadas.
Adicionalmente, se ha diseñado una estrategia de naturaleza no supervisada a partir de un método supervisado. Esto permite el tratamiento de los datos de forma automática, en
concordancia con el objetivo inicial.
Todos los métodos se han diseñado con una filosofía de diseño abierta, en el sentido de que permiten la incorporación de nuevos clasificadores individuales o la variación de los mecanismos de combinación, particularmente en los métodos globales. Con este planteamiento, se pretende la consecución de un doble objetivo en el futuro, a saber: la mejora de los resultados en la clasificación de las texturas en imágenes, lo que todavía puede ser posible y la utilización de los métodos combinados en otro tipo de aplicaciones, incluso fuera del ámbito de las imágenes.
[ABSTRACT]
Nowadays the classifier combination is an emerging area in the decision making systems.
These systems are designed for dealing with large-scale information systems, under data mining approaches. The identification of textures in images is a field of interest,
particularly in outdoor natural images. We have focused the interest in this field.
The motivational research is aroused by a business growing interest for texture identification in images supplied by airborne sensors; where, among others, specific
applications are: land use planning or possible catastrophic fire forest prevention. The great quantity of information provided by these sensors must be conveniently processed.
The main goal of this work is the design of classification strategies, which are able to improve the results provided by the existing commercial tools and as far as possible, to
automate the classification process.
The classification strategy proposed is the combination of classifiers, according to the tendency of the research in this field. From the point of view of the images, two
strategies are proposed at the pixel level, namely: local and global. Under the first, each pixel in the image is classified individually based on its spectral properties. In the second, which is iterative, not only the spectral properties of each pixel to be classified are considered, but also the spectral properties of each neighbour pixel and besides the classification results of the neighbours during the previous iteration.
The local approach includes two combination methods under the fuzzy logic, the first is based on the multi-criteria decision making paradigm and the second on the fuzzy
integral.
Under the global approach, also two combined processes are proposed; the first applies the fuzzy cognitive maps and the second the probabilistic relaxation paradigm.
The combinations are based on six classical classifiers under their original version, they are: the fuzzy clustering, the parametric maximum likelihood estimator, the nonparametric Parzen’s window estimator, the self-organizing maps and two versions of the learning vector quantization.
The results are compared favourably against these individual classifiers, and also against other classical combined methods. This allows us to verify that the proposed approaches outperform the results of classical combiners and the individual classifiers. This justifies
its choice.
Additionally, an unsupervised strategy has been designed from a supervised method.
This makes that the data processing becomes automatic in accordance to the initial objective.
All methods have been proposed under an open design structure, allowing the addition of new individual classifiers or even though the change of the combination schemes, particularly for the global methods. Based on this, we try to achieve a twofold objective in the future, namely: the improving of the results, because they could be probably improved and the application of the proposed strategies for solving different problems out of the scope of the images.
Description
Tesis de la Universidad Complutense de Madrid, Facultad de Informática, Departamento de Ingeniería del Software e Inteligencia Artificial, leída el 09-06-2009