Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.12104/104802
Full metadata record
DC FieldValueLanguage
dc.contributor.authorRamos Michel, Alfonso
dc.date.accessioned2024-09-18T16:49:48Z-
dc.date.available2024-09-18T16:49:48Z-
dc.date.issued2023-05-26
dc.identifier.urihttps://wdg.biblio.udg.mx
dc.identifier.urihttps://hdl.handle.net/20.500.12104/104802-
dc.description.tableofcontents1. Introducción 4 1.1. Fotografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2. Ecografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3. Resonancia magnética . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4. Imágenes espectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.5. Imagen térmica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.6. Imagen por rayos X . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.7. Imagen por rayos Gamma . . . . . . . . . . . . . . . . . . . . . . . . 11 2. Compilación sobre procesamiento digital de imágenes 15 2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2. Datos de teledetección . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3. Análisis para imágenes de teledetección . . . . . . . . . . . . . . . . . 20 2.3.1. Detección de esquinas para registro de imágenes . . . . . . . . 20 2.3.2. Extracción de firmas espectrales y separación de píxeles . . . . 26 2.3.3. Segmentación y clasificación . . . . . . . . . . . . . . . . . . . 31 3. Clasificación de imágenes con redes neuronales convolucionales 44 3.1. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.2. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.3. Clasificación de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4. Métricas de clasificación . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4.1. Métricas para clasificación binaria . . . . . . . . . . . . . . . . 48 3.4.2. Métricas para clasificación multiclase . . . . . . . . . . . . . . 50 2 Índice general 3 3.5. Redes neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.5.1. Nodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.5.2. Tensores y lotes de datos . . . . . . . . . . . . . . . . . . . . . 55 3.5.3. Función de activación . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.4. Capas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 3.5.5. Aprendizaje supervisado . . . . . . . . . . . . . . . . . . . . . 62 3.5.6. Tasa de aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . 63 3.6. Redes neuronales convolucionales . . . . . . . . . . . . . . . . . . . . 63 3.6.1. Capa convolucional . . . . . . . . . . . . . . . . . . . . . . . . 64 3.6.2. Capa de agrupamiento . . . . . . . . . . . . . . . . . . . . . . 65 3.6.3. Capas completamente conectadas . . . . . . . . . . . . . . . . 66 3.7. Entrenamiento de una Red neuronal convolucional . . . . . . . . . . . 67 3.8. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 3.9. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 4. Segmentación de imágenes térmicas de sistemas electrónicos 79 4.1. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 4.2. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 4.3. El problema de la segmentación de imágenes . . . . . . . . . . . . . 85 4.3.1. Mínima entropía cruzada . . . . . . . . . . . . . . . . . . . . . 86 4.4. Algoritmo Global-best BSO . . . . . . . . . . . . . . . . . . . . . . . 88 4.5. Algoritmo GBSO para umbralización multinivel de imágenes . . . . . 92 4.6. Análisis experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 4.6.1. Selección y configuración de algoritmos . . . . . . . . . . . . . 94 4.6.2. Métricas para evaluar la calidad de la segmentación . . . . . . 94 4.6.3. Experimentos con imágenes del conjunto Berkley . . . . . . . 97 4.6.4. Aplicación de MCET-GBSO al contraste de imágenes térmicas de dispositivos electrónicos con enfoques metaheurísticos recientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 4.7. Conclusiones y trabajo futuro . . . . . . . . . . . . . . . . . . . . . . 113 5. Conclusiones 115 Bibliografía 119
dc.formatapplication/PDF
dc.language.isospa
dc.publisherBiblioteca Digital wdg.biblio
dc.publisherUniversidad de Guadalajara
dc.rights.urihttps://www.riudg.udg.mx/info/politicas.jsp
dc.titleProcesamiento digital de imágenes de sensado remoto en entornos no supervisados mediante algoritmos de inteligencia artificial
dc.typeTesis de Doctorado
dc.rights.holderUniversidad de Guadalajara
dc.rights.holderRamos Michel, Alfonso
dc.coverageGUADALAJARA, JALISCO
dc.type.conacytdoctoralThesis
dc.degree.nameDOCTORADO EN CIENCIAS DE LA ELECTRONICA Y LA COMPUTACION CON ORIENTACIONES
dc.degree.departmentCUCEI
dc.degree.grantorUniversidad de Guadalajara
dc.rights.accessopenAccess
dc.degree.creatorDOCTOR EN CIENCIAS DE LA ELECTRONICA Y LA COMPUTACION CON ORIENTACIONES
dc.contributor.directorOliva Navarro, Diego Alberto
dc.contributor.codirectorPerez Cisneros, Marco Antonio
Appears in Collections:CUCEI

Files in This Item:
File SizeFormat 
DCUCEI10197FT.pdf9.54 MBAdobe PDFView/Open


Items in RIUdeG are protected by copyright, with all rights reserved, unless otherwise indicated.