CLASIFICACIÓN AUTOMÁTICA DE MANZANA SEGÚN SU COLOR...

CLASIFICACIÓN AUTOMÁTICA DE MANZANA SEGÚN SU COLOR DE PIEL

GONZALO VÁZQUEZ SUAREZ LUIS CARLOS PÉREZ PIZARRA

Clasificación automática de manzanas según su color de piel

Grupo 26

Luis Carlos Pérez Pizarra y Gonzalo Vázquez Suárez

1 | P á g i n a

INDICE MOTIVACION DEL PROYECTO

Página 2

DEFINICION DE OBJETIVOS Página 2

UN POQUITO DE TEORIA

Página 3

ANTES DE EMPEZAR Página 6

APLICACIÓN APPLEUGIN Página 8

NO ES MAGIA. DESARROLLO APPLEUGIN Página 18

EXPERIMENTACION Página 22

¿QUE SE PUEDE MEJORAR? Página 28

CONCLUSIONES Página 29

¿QUIEN NOS LO DIJO? Página 30

ANEXO: HOJA DE TIEMPOS Página 31

ANEXO: NUESTROS MODELOS Página 32


Grupo 26


2 | P á g i n a

Motivación Del Proyecto Este documento detalla el desarrollo de APPLEUGIN. Se trata de un plugin desarrollado para ImageJ que sirve para clasificar manzanas según su color de piel a través de imágenes digitales. Como se verá más adelante el desarrollo se puede dividir en dos etapas:

• La etapa de entrenamiento, donde la aplicación recibe información que posteriormente utilizará en la siguiente etapa.

• La etapa de evaluación, donde la aplicación determinará el color de la

manzana de la imagen digital basándose en la información establecida previamente en el entrenamiento.

La idea ha surgido de los desarrolladores del proyecto. Este proyecto se ha realizado en la asignatura Procesamiento de Imágenes Digitales, del departamento de Matemática aplicada 1. Fue impartida por María José Jiménez y Belén Medrano, en la Escuela de Ingeniería Informática de la Universidad de Sevilla.

Definición de Objetivos

• Profundizar en el concepto de clustering, más concretamente en el algoritmo de k-medias.

• Desarrollar un plugin para la aplicación ImageJ para clasificar manzanas según su color de piel.

• Se deberá implementar una interfaz simple e intuitiva que permita al usuario desarrollar las funciones del plugin de manera eficaz.

• El plugin deberá implementar las funciones de entrenamiento y clasificación.


Grupo 26


3 | P á g i n a

Un poquito de Teoría Clustering Procedimiento de agrupación de una serie de objetos de acuerdo con un criterio. Para nosotros el criterio será la similitud. Generalmente, los vectores de un mismo grupo (o clústers) comparten propiedades comunes. El conocimiento de los grupos puede permitir una descripción sintética de un conjunto de datos multidimensional complejo. De ahí su uso en minería de datos. Esta descripción sintética se consigue sustituyendo la descripción de todos los elementos de un grupo por la de un representante característico del mismo. Aplicaciones Las técnicas de agrupamiento encuentran aplicación en diversos ámbitos.

• En biología para clasificar animales y plantas. • En medicina para identificar enfermedades. • En marketing para identificar personas con hábitos de compras similares. • En teoría de la señal pueden servir para eliminar ruidos. • En biometría para identificación del locutor o de caras.

Clustering por K-medias El algoritmo de las K-medias (presentado por MacQueen en 1967) es uno de los algoritmos de aprendizaje no supervisado más simples para resolver el problema de la clusterización. El procedimiento aproxima por etapas sucesivas un cierto número (prefijado, en nuestro caso 3) de clusters haciendo uso de los centroides de los puntos que deben representar. El algoritmo se compone de los siguientes pasos:

1. Sitúa K puntos en el espacio en el que "viven" los objetos que se quieren clasificar. Estos puntos representan los centroides iniciales de los grupos.

2. Asigna cada objeto al grupo que tiene el centroide más cercano. 3. Tras haber asignado todos los objetos, recalcula las posiciones de los K

centroides. 4. Repite los pasos 2 y 3 hasta que los centroides se mantengan estables.

Esto produce una clasificación de los objetos en grupos que permite dar una métrica entre ellos.

http://es.wikipedia.org/wiki/Vector_%28programaci%C3%B3n%29

http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos

http://es.wikipedia.org/wiki/Biolog%C3%ADa

http://es.wikipedia.org/wiki/Medicina

http://es.wikipedia.org/wiki/Marketing

http://es.wikipedia.org/w/index.php?title=Teor%C3%ADa_de_la_se%C3%B1al&action=edit&redlink=1

http://es.wikipedia.org/wiki/Biometr%C3%ADa


Grupo 26


4 | P á g i n a

Ejemplo Clustering por K-medias

En el primer paso situamos los centros de manera aleatoria sobre nuestra nube de puntos. En este caso se han situado dos centros. Se calculan los clusters, que son los puntos que están más cercanos a cada centro.

En el segundo paso, los centros cambian su posición para pasar a ser el centro de los clusters que representa.

En el paso 3, como los centros han cambiado de posición se vuelven a calcular los puntos que están más cercanos. Hay varios puntos que cambian de color porque están más cerca del centro del clúster al que no pertenecían antes.

En el paso 4, los centros vuelven a cambiar de posición y a situarse en medio del clúster al que representan.

En los pasos 5 y 6, los clusters no cambian, por lo que los centros no se mueven. El algoritmo para.


Grupo 26


5 | P á g i n a

Cielab

El CIE L*a*b* es el modelo cromático usado normalmente para describir todos los colores que puede percibir el ojo humano. Fue desarrollado específicamente con este propósito por la Commission Internationale d'Eclairage (Comisión Internacional de la Iluminación.

Los tres parámetros en el modelo representan la luminosidad de color (L*, L*=0 rendimientos negro y L*=100 indica blanca), su posición entre rojo y verde (a*, valores negativos indican verde mientras valores positivos indican rojo) y su posición entre amarillo y azul (b*, valores negativos indican azul y valores positivos indican amarillo).

El modelo de color Lab es tridimensional y sólo puede ser representado adecuadamente en un espacio tridimensional.

http://es.wikipedia.org/w/index.php?title=Modelo_crom%C3%A1tico&action=edit&redlink=1

http://es.wikipedia.org/wiki/Comisi%C3%B3n_Internacional_de_la_Iluminaci%C3%B3n


Grupo 26


6 | P á g i n a

Antes de empezar… Conociendo ImageJ ImageJ es un programa de procesamiento de imágenes desarrollado por el National Institutes of Health de Estados Unidos. Fue diseñado con una arquitectura abierta que provee extensiones a través de plugins y macros programadas en lenguaje Java.

ImageJ puede mostrar, editar, analizar y procesar imágenes de 8, 16 y 32 bits de punto flotante. Puede soportar diferentes formatos de imagen, entre ellos: PNG, GIF, JPG, BMP, TIFF, DICOM, etc. Es un programa multiproceso, por lo que las operaciones pueden ejecutarse en paralelo en hardware multinucleo. Una de sus características más importantes es que puede ser ejecutado como un applet o una aplicación descargable en cualquier ordenador con Java 1.1 o posterior. Configurando ImageJ Para ejecutar ImageJ, primero necesitaremos la clase propia ImageJ y sus archivos de configuración. Deberá estar instalado Java Runtime Environment (JRE) y para compilar nuestros propios plugins tendremos que instalar también un compilador de Java con las librerías necesarias, como Java 2 Standard Edition (J2SE). Los pasos a seguir para configurar ImageJ son: - Descargar e instalar ImageJ desde: http://rsb.info.nih.gov/ij/download/ Si en su ordenador no está instalado JRE, puede descargarse la versión de ImageJ que lo incluye. - Instalar el compilador de Java, J2SE, solo en el caso de que su distribución no lo provea. http://www.oracle.com/technetwork/java/index.html

http://rsb.info.nih.gov/ij/download/

http://www.oracle.com/technetwork/java/index.html


Grupo 26


7 | P á g i n a

Carga de imágenes en ImageJ Para cargar una imagen lo primero que hace es ir al menú File y dentro de este a Open, una vez esto se busca y selecciona la imagen que quiere cargar.

Una vez cargada nos aparece la imagen en una nueva ventana, lista para que se le aplique el plugin Appleugin que ve en el siguiente paso.


Grupo 26


8 | P á g i n a

Aplicación De APPLEUGIN Básicamente hay dos tipos de plugin de imágenes que se pueden implementar con ImageJ. Los plugin que no requieren una imagen como entrada, son los que implementan la interfaz PlugIn; y los plugin que sí la requieren, como el nuestro, que implementan la interfaz PlugInFilter. Un dato importante, es que nuestro archivo debe estar dentro de la carpeta plugins del programa ImageJ. Compilando y Ejecutando a partir de “Appleugin.java” Lo primero que se hace es seleccionar la imagen con la manzana que se quiere clasificar. Entrar en menú “Plugins” y seleccionar la opción “Compile and Run...”.

Una vez hecho esto, se abre una ventana donde hay que seleccionar el fichero Appleugin.java, el cual se debe copiar previamente a la carpeta “Plugins” que aparece en el directorio donde está instalado ImageJ.


Grupo 26


9 | P á g i n a

Pasito a pasito y con buena letra En la primera implementación (Versión 1.0), la aplicación necesitaba entrenarse manualmente cada vez que se usaba. Con las nuevas mejoras (Versión 2.0) el programa ofrece la posibilidad de:

1. Cargar un entrenamiento ya realizado. 2. Ampliar un entrenamiento ya realizado. 3. Guardar un entrenamiento.

El fichero tiene que tener extensión “.ent”.

En la imagen anterior se observa en azul el proceso de la Versión 1.0 y en rojo las mejoras, Versión 2.0.


Grupo 26


10 | P á g i n a

El primer cuadro de dialogo de la aplicación es:

Si se quiere cargar un entrenamiento realizado previamente hay que seleccionar ¿Desea cargar un entrenamiento anterior? Si no es el caso no se selecciona la casilla y comienza el entrenamiento desde cero. Comienzo Del Módulo De Entrenamiento Desde Cero

Después de pulsar Entrenar el sistema abrirá una ventana de diálogo para que el usuario seleccione la manzana del tipo que quiere realizar el entrenamiento.


Grupo 26


11 | P á g i n a

En la Versión 1.0 solo se podía entrenar con una manzana para cada tipo. En la Versión 2.0 se puede entrenar cuantas manzanas se quieran de cada tipo. Es importante que el usuario no cometa errores durante el entrenamiento, ya que este paso es de vital importancia para el proceso de evaluación. En este caso, se empieza el entrenamiento con las manzanas de color verde.


Grupo 26


12 | P á g i n a

Se repite el proceso para todos los tipos de manzana.


Grupo 26


13 | P á g i n a

Para terminar este proceso, pulsar Terminar entrenamiento.

En la Versión 2.0 el usuario tiene la posibilidad de guardar el entrenamiento llevado a cabo. Esto permite que no tenga que volver a realizar entrenamientos cada vez que ejecute el programa, mejorando mucho más la eficiencia.


Grupo 26


14 | P á g i n a

A continuación se abre una ventana de diálogo en la que el usuario seleccionará el archivo o le pondrá nombre al entrenamiento. Importante: La extensión del archivo debe ser “.ent”, si no, no será posible llevar a cabo una futura carga de este entrenamiento.


Grupo 26


15 | P á g i n a

El sistema entra ahora en el paso 2, es decir, la segmentación de la imagen a evaluar.

Al pulsar el botón de Continuar, se procederá a la segmentación usando tecnicas de clustering, en la que se obtienen los colores principales de la imagen a evaluar.


Grupo 26


16 | P á g i n a

Una vez hecha la segmentación de la imagen y pulsando en Continuar, el sistema pasa al módulo de evaluación, en el que se estudian los colores principales de la imagen, se comparan estos datos con los de las imágenes introducidas en el entrenamiento, y se lleva a una conclusión sobre el tipo de manzana introducida.

Comienzo Cargando Entrenamiento

En este caso, se parte de la base en la que el usuario ya ha entrenado al sistema previamente y posee el archivo con esa información, en este caso “Entrenamiento.ent”.

En primer lugar, hay que indicarle al sistema que se quiere cargar un entrenamiento ya guardado, para ello, se marca la casilla correspondiente en la ventana inicial de la aplicación.


Grupo 26


17 | P á g i n a

Ahora, se selecciona el archivo en el que se guardó la información correspondiente al entrenamiento. Se recuerda: extensión “.ent”.

Al abrir el archivo de entrenamiento, el sistema ya tiene la información necesaria para llevar a cabo una evaluación.

Además, es posible también partir de la información que contiene el entrenamiento cargado, mejorarlo y guardarlo para poder ampliar la información del sistema.


Grupo 26


18 | P á g i n a

No Es Magia. Desarrollando APPLEUGIN

A continuación se explica la lógica de la aplicación. Antes de entrar en profundidad, comentar que se ha hecho uso de dos librerías de ImageJ, las cuales se han adaptado a Appleugin. Estas librerías son las siguientes:

• Color Converter: Librería de Java que nos permite cambiar el espacio de colores de los píxeles de una imagen. Nosotros la hemos utilizado para convertir a espacio CIELAB.

• KMeans: Algoritmo de clustering usado para segmentar la imagen y obtener así los colores más relevantes de la imagen.

• Vector Processor: Clase de Java que nos permite operar sobre los píxeles que componen la imagen.

Procesado a Cielab Las imágenes las procesamos a Cielab, esto permite obtener su color en base a los parámetros L*, a* y b*.

Manzana 1 L a B Color 1 4 8 7 Color 2 -2 15 32

…… Color N 7 0 32

Nota: Los números de los ejemplos no son reales. Simplemente interesa que se entiendan los procedimientos, por lo que son números sencillos. Segmentación con Clústering Con técnicas de clustering (kmedias con K=3) se obtienen 3 colores. Por un lado el fondo, que se supone como el cluster con mayor número de puntos, y los dos colores de cada manzana.

Manzana 1 L a B Color 0 (fondo) 6 15 0

Color 1 -23 -45 73 Color 2 0 12 35


Grupo 26


19 | P á g i n a

Entrenamiento Obtiene los 2 colores predominantes (rechazando el fondo) de cada manzana y realiza la media de los parametros cielab.

Manzana 1 L a B Verde 1 -38 31 27 Verde 2 -17 11 -15

Manzana 2 L a B

Verde 1 -1 -39 -5 Verde 2 -23 -12 28

…

Manzana N L a B Verde 1 -18 50 -38 Verde 2 -9 -5 -20

Analogamente se calculan con los diferentes tipos. Y se obtiene la tabla de Entrenamiento calculando la media de casa parametro.

Entrenamiento L a B Verde 1 -29 39 -30 Verde 2 -14 -24 -13 Rojo 1 20 -24 -17 Rojo 2 22 26 17

Amarillo 1 -1 26 45 Amarillo 2 -34 24 13

Mixta 1 18 -32 -3 Mixta 2 -10 14 -19


Grupo 26


20 | P á g i n a

Evaluación Calcula los parámetros cielab de la imagen a clasificar. Compará esos parámetros con los parámetros de cada tipo del entrenamiento. Y se clasifica como el tipo con el que su diferencia sea menor. Manzana Evaluar L a B

Color 1 3 12 -35 Color 2 -35 -4 8

|Verde 1 L – Color 1 L| + |Verde 1 a – Color 1 a| + |Verde 1 b – Color 1 b| = V1 |Verde 2 L – Color 2 L| + |Verde 2 a – Color 2 a| + |Verde 2 b – Color 2 b| = V2 |Rojo 1 L – Color 1 L| + |Rojo 1 a – Color 1 a| + |Rojo 1 b – Color 1 b| = R1 |Rojo 2 L – Color 2 L| + |Rojo 2 a – Color 2 a| + |Rojo 2 b – Color 2 b| = R2 |Amarillo 1 L – Color 1 L| + |Amarillo 1 a – Color 1 a| + |Amarillo 1 b – Color 1 b| = A1 |Amarillo 2 L – Color 2 L| + |Amarillo 2 a – Color 2 a| + |Amarillo 2 b – Color 2 b| = A2 |Mixtas 1 L – Color 1 L| + |Mixtas 1 a – Color 1 a| + |Mixtas 1 b – Color 1 b| = M1 |Mixtas 2 L – Color 2 L| + |Mixtas 2 a – Color 2 a| + |Mixtas 2 b – Color 2b | = M2 La aplicación evalua al color de la mímina suma parcial. Compara V1+V2, A1+A2, R1+R2, M1+M2 y clásifica como el más pequeño. En este caso:

Seleccionaría Verde

V1 64 V2 62 R1 71 R2 96 A1 98 A2 34 M1 91 M2 70

V1+V2 126 R1+R2 167 A1+A2 132 M1+M2 161


Grupo 26


21 | P á g i n a

¿Qué contiene el archivo de entrenamiento? El archivo de entrenamiento contiene toda la información codificada de tal manera que el sistema pueda interpretarla correctamente. Este archivo puede verse y editarse directamente con el Bloc de Notas de Windows. Si abrimos este archivo, se ve qué información contiene:

Para cada tipo de manzana, se tiene las coordenadas CIELAB de los dos colores dominantes. Por ejemplo:

La línea marcada como verde1 hace referencia a la media de las coordenadas LAB de los colores más dominantes de las manzanas de tipo verde introducidas en el proceso de entrenamiento. Mientras que verde2 referencia la media de todos los colores que dominan en segunda posición.

Es análogo para el resto de tipos de manzanas.

Los tres números que aparecen para cada línea indican las coordenadas L*, A* y B*, respectivamente.


Grupo 26


22 | P á g i n a

Experimentación Para llevar a cabo la experimentación, se han seleccionado 8 manzanas, dos de cada tipo, una que identifique perfectamente el color, y otra que intente distorsionarlo lo más que se pueda, y además se irán cambiando los entrenamientos, de manera que se vaya dotando al sistema de más información sobre las manzanas y sus propiedades.

Es importante decir que las manzanas que se van a evaluar no pueden estar contenidas en el entrenamiento.

Las manzanas a evaluar de cada tipo son las siguientes:

Manzanas de color verde (Granny Smith)

VA: Poco identificativa (amarillenta) VB: Muy identificativa (fuerte nivel de verde)

Manzanas de color amarillo (Golden delicious)

AA: Poco identificativa (matices verdes) AB: Muy identificativa (fuerte nivel de amarillo)


Grupo 26


23 | P á g i n a

Manzanas de color rojo (Red delicious):

RA: Poco identificativa (casi mixta) RB: Muy identificativa (color rojo marcado)

Manzanas de color mixto (Braeburn):

MA: Poco identificativa (matices rojos) MB: Muy identificativa (fuerte contraste)


Grupo 26


24 | P á g i n a

Entrenamiento 1 Posee una manzana de cada tipo, es decir, una manzana muy verde, una manzana muy roja, una manzana muy amarilla y una manzana mixta en la que hay mucho contraste entre los colores marrón y amarillo. Se han obtenido los siguientes valores de coordenadas L* A* B*.

Manzanas de entrenamiento 1:

verde1 verde2 amarillo1 amarillo2

L* 70.29815572469705 83.83857482349518 74.62162143463107 84.43520432938396 A* -38.626767171786646 -31.799883487627966 -1.1321313696395219 -4.005187717590841 B* 64.0012846383592 58.21156003623935 75.180432264964 59.5609177695955

rojo1 rojo2 mixta1 mixta2

L* 25.309404649442115 47.346031452399764 50.49779140421407 70.41325976625974 A* 41.25711587526562 43.15083914791551 59.070887553953455 29.127109833506303 B* 26.617119720478804 23.03097733388445 40.85318086896791 42.99058954699919

Con este entrenamiento, las manzanas de evaluación mencionadas anteriormente, los resultados obtenidos fueron los siguientes:

Esto supone que el porcentaje de acierto del sistema ha sido de un 87.5%.

Acierto/Fallo Predicción

VA Acierto VB Acierto AA Acierto AB Acierto RA Acierto RB Acierto MA Fallo Roja MB Acierto


Grupo 26


25 | P á g i n a

Conclusiones 1 Los fallos obtenidos han sido en las manzanas amarillas y mixtas. La deliberación del sistema tiene sentido, ya que la manzana que se evaluó con color amarillo tenía muchos matices que podrían ser verde perfectamente, mientras que la de color mixto podría pasar por roja perfectamente.

Aún así, para el entrenamiento introducido, los resultados han sido bastante buenos, ya que se ha obtenido una tasa del 75% de acierto.

Entrenamiento 2 Para intentar paliar el problema del entrenamiento uno, se incluyeron manzanas que pudieran dar lugar a que el sistema cometiera error en las clasificaciones. Se han añadido, a las manzanas del entrenamiento 1, las que siguen:


L* 70.95794896737931 91.549258264142 66.88193594874451 82.52242686930262 A* -29.58841903922749 -16.068379435637326 -7.383973948747624 -6.350652545885433 B* 55.06828737092632 29.579822542493403 58.59248120229458 64.26752647405536


L* 37.88193837420919 57.603236386027135 41.21444328611912 70.4290755065968 A* 49.87144934015901 38.57524476303654 46.972357592929434 23.229490213079295 B* 25.529610195331877 17.318590343187687 34.060596477686374 41.73459086293195


Grupo 26


26 | P á g i n a


Hemos disminuido la tasa de aciertos a un 75%

Conclusiones 2 Esto se debe a que el umbral que toma el programa para decidir si una manzana es verde o amarilla se ha reducido, por lo que la manzana, que nosotros hemos supuesto verde, el programa la ha determinado como amarilla. Además, el equipo no ha sido capaz de identificar el fallo de porqué ha devuelto como mixta una manzana que es claramente verde.

Entrenamiento 3 Como último entrenamiento, se han añadido al entrenamiento, todas las manzanas, menos las que se van a evaluar al entrenamiento, para estudiar el comportamiento del programa.

Esta vez, debido a la cantidad de manzanas que se han añadido, no se muestran en el documento. Aunque se encuentran en las imágenes proporcionadas junto con el código fuente.


L* 70.29815572469705 83.83857482349518 74.62162143463107 84.43520432938396 A* -38.626767171786646 -31.799883487627966 -1.1321313696395219 -4.005187717590841 B* 64.0012846383592 58.21156003623935 75.180432264964 59.5609177695955


VA Fallo Amarilla VB Fallo Mixta AA Acierto AB Acierto RA Acierto RB Acierto MA Fallo Roja MB Acierto


Grupo 26


27 | P á g i n a


L* 25.309404649442115 47.346031452399764 50.49779140421407 70.41325976625974 A* 41.25711587526562 43.15083914791551 59.070887553953455 29.127109833506303 B* 26.617119720478804 23.03097733388445 40.85318086896791 42.99058954699919


Conclusiones 3 Ya se ha obtenido el 100% de aciertos en el entrenamiento. Los problemas anteriores han podido ser paliados añadiendo distintos tipos de color a las manzanas verdes, para que el sistema pueda establecer umbrales para la elección de colores, que le permitan acertar en las conclusiones.


VA Acierto VB Acierto AA Acierto AB Acierto RA Acierto RB Acierto MA Acierto MB Acierto


Grupo 26


28 | P á g i n a

¿QUÉ SE PUEDE MEJORAR?

• Nuestras imágenes están sacadas de internet y contienen sombras que

dificultan el proceso.

• Analizar el contorno a través de alguna técnica de reconocimiento de

objetos. En nuestra aplicación si metemos un limón (o cualquier otra

cosa) en vez de una manzana no lo da por malo.

• La aplicación siempre devuelve una predicción del tipo de la manzana. Se

podría haber buscado unos márgenes de resultados, es decir, si la

imagen a evaluar no tiene unas características parecidas a los valores del

conjunto de entrenamiento podría devolver que no encuentra la

categoría la categoría.

• Evaluación de un conjunto de manzanas al mismo tiempo. El plugin solo

clasifica de manzana en manzana.


Grupo 26


29 | P á g i n a

CONCLUSIÓN

Con Appleugin podemos clasificar manzanas según su color. Debido al proceso

de clustering, que es donde nos hemos centrado y puesto mayor interés para la

realización del trabajo. Mediante esta técnica analizamos todos los pixeles de la

imagen, realizamos una segmentación manual del fondo y obtenemos los

colores predominantes.

Hay que ser meticulosos en el entrenamiento porque de esta fase depende que

la clasificación se haga correctamente.

Appleugin tiene buen uso a la hora de identificar o clasificar manzanas y

fácilmente se podría extrapolar a cualquier objeto que presente pocos colores

predominantes.


Grupo 26


30 | P á g i n a

¿QUIEN NOS LO DIJO? K-Medias

http://www.cs.us.es/~fsancho/?e=43 http://www.java2s.com/Open-Source/Java/Graphic-Library/ImageJ-Plugins-2.4.2/net/sf/ij_plugins/clustering/KMeans.java.htm http://rsbweb.nih.gov/ij/developer/api/ij/ImageJ.html http://rsbweb.nih.gov/ij/docs/pdfs/tutorial20.pdf http://es.wikipedia.org/wiki/Segmentaci%C3%B3n_%28procesamiento_de_im%C3%A2genes%29 http://www.java2s.com/Open-Source/Java/Graphic-Library/ImageJ-Plugins-2.4.2/net/sf/ij_plugins/multiband/VectorProcessor.java.htm

CIElab

http://es.wikipedia.org/wiki/Espacio_de_Verde_Lab

Manzanas

http://en.wikipedia.org/wiki/Braeburn http://en.wikipedia.org/wiki/Granny_Smith http://en.wikipedia.org/wiki/Red_delicious http://en.wikipedia.org/wiki/Golden_Delicious

http://www.cs.us.es/~fsancho/?e=43

http://www.java2s.com/Open-Source/Java/Graphic-Library/ImageJ-Plugins-1.4.1/net/sf/ij_plugins/clustering/KMeans.java.htm

http://www.java2s.com/Open-Source/Java/Graphic-Library/ImageJ-Plugins-1.4.1/net/sf/ij_plugins/clustering/KMeans.java.htm

http://rsbweb.nih.gov/ij/developer/api/ij/ImageJ.html

http://rsbweb.nih.gov/ij/docs/pdfs/tutorial10.pdf

http://es.wikipedia.org/wiki/Segmentaci%C3%B3n_%28procesamiento_de_im%C3%A1genes%29

http://es.wikipedia.org/wiki/Segmentaci%C3%B3n_%28procesamiento_de_im%C3%A1genes%29

http://www.java2s.com/Open-Source/Java/Graphic-Library/ImageJ-Plugins-1.4.1/net/sf/ij_plugins/multiband/VectorProcessor.java.htm

http://www.java2s.com/Open-Source/Java/Graphic-Library/ImageJ-Plugins-1.4.1/net/sf/ij_plugins/multiband/VectorProcessor.java.htm

http://es.wikipedia.org/wiki/Espacio_de_color_Lab

http://en.wikipedia.org/wiki/Braeburn

http://en.wikipedia.org/wiki/Granny_Smith

http://en.wikipedia.org/wiki/Red_delicious

http://en.wikipedia.org/wiki/Golden_Delicious


Grupo 26


31 | P á g i n a

ANEXO: HOJAS DE TIEMPO

Hemos formado un equipo muy compacto. Hemos trabajado siempre en grupo. Ya sea en persona o a través de Internet mediante las aplicaciones Skype y TeamViewer.

Primer tramo Fecha Tiempo

empleado Actividad

22/22/2023 2 horas Elección del Trabajo

05/22/2023 2 horas Realización del test

27/22/2023 2 horas Análisis

27/22/2023 2 horas Búsqueda de código y plugin para adaptar.

28/22/2023 3 horas Búsqueda de código y plugin para adaptar.

26/22/2023 2 horas Implementación


Subtotal 24 horas

Versión 1.0

07/02/2024 3 horas Búsqueda Funcionalidad

07/02/2024 3 horas Implementación y adaptación de código

08/02/2024 9 horas Implementación y adaptación de código

08/02/2024 2 hora Pruebas y revisión

08/02/2024 2 horas Documentación

Subtotal 28 horas

Versión 2.0


27/02/2024 2’5 hora Experimentación

27/02/2024 2’5 horas Documentación

Subtotal 7 horas

Total 59 horas


Grupo 26


32 | P á g i n a

ANEXO: NUESTROS MODELOS

En Appleugin para no marear mucho, hemos clasificado las manzanas en verdes, amarillas, rojas y mixtas. Son nombres poco glamurosos pero muy intuitivos.

Nuestras manzanas amarillas son las Golden Delicius. Su piel es de verde amarillento y muy dulce al paladar. Es propenso a los moretones y marchitamiento, por lo que requiere de un manejo y almacenamiento cuidadoso. Es uno de los favoritos para ensaladas, salsa de manzana y mantequilla de manzana.

Nuestras manzanas rojas son las Red Delicius. Comprende más de 50 variedades, La piel es gruesa y amarga y tiene hay que masticarla vigorosamente. Es deliciosa, conserva su alegre buena apariencia mucho tiempo después de que se le vaya el sabor.

Las manzanas verdes son Granny Smith. El fruto tiene la piel de verde claro duro y una carne crujiente y jugosa. Pasó de ser amarilla a completamente verde. La acidez se suaviza considerablemente, y luego toma un sabor equilibrado.

Las que denominamos mixtas en realidad son Braeburn. Es una variedad que es firme al tacto, con un aspecto veteado vertical roja/naranja sobre un fondo de color amarillo/verde. Su intensidad del color varía con las diferentes condiciones de crecimiento. Ellos son conocidos por tener una explosión de sabor cuando mordido.

CLASIFICACIÓN AUTOMÁTICA DE MANZANA SEGÚN SU COLOR...

Documents

Transcript of CLASIFICACIÓN AUTOMÁTICA DE MANZANA SEGÚN SU COLOR...