Exponente direccional de Hurst en el análisis de similitud de imágenes de semillas
DOI:
https://doi.org/10.33448/rsd-v11i14.36211Palabras clave:
Auto-similitud; Clasificación de imágenes; Ondiculas.Resumen
La modernización está presente en todos los campos del conocimiento. Técnicas más sofisticadas y aparatos más modernos están surgiendo constantemente. La descomposición en ondiculas es una herramienta que tiene una importancia fundamental en muchos de estos avances. En lo que se refiere al análisis de imágenes, esta herramienta ha contribuido para creación de nuevas técnicas diferentes, como para la reconstrucción, comprensión y eliminación de ruidos, entre otros. Otra herramienta que auxilia en el análisis de imágenes es el exponente de Hurst, que mide cuanto tiene de auto-similitud una imagen, de forma que se capte información sobre las características de la imagen que a simple vista no seria posible. Con ello, el objetivo de este trabajo será combinar la técnica de descomposición en ondiculas con el cálculo del exponente de Hurst para analizar imágenes de semillas y así poder clasificarlas en llenas, levemente dañadas o dañadas. En el cálculo del exponente de Hurst serán usadas como medida de localización la media y la mediana. Un modelo de Máquinas de Vectores de Soporte será usado para la validación del método propuesto. Para el grupo de todas las semillas la precisión media del método, utilizando la media, fue de 74,5% y, con la mediana fue de 57,05%. Utilizando el grupo de semillas llenas y dañadas, la tasa media de precisión, con la media como medida de posición, fue de 99,76% y, con la mediana fue de 80,93%. En el grupo que contiene semillas levemente dañadas y dañadas la tasa media de precisión, usando la media como medida de posición, fue de 99,26% y, con la mediana fue de 76,22%.
Citas
Burger, W., & Burge, M. J. (2016) Digital image processing: An algorithmic introduction using java. Springer.
Burrus, C. S., Gopinath, R. A., & Guo, H. (1998) Introduction to wavelets and wavelets transforms: A primer. Prentice Hall.
Daubechies, I. (1992) Ten Lectures on Wavelets. SIAM.
EMBRAPA. (2018) Girassol. https://www.embrapa.br/girassol
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A., & Carvalho, A, C. P. L. F. de (2017) Inteligência Artificial: Uma abordagem de aprendizado de máquina. LTC.
Feng, C., & Vidakovic, B. (2017) Estimation of the hurst exponent using trimean estimators on nondecimated wavelet coefficients. Journal of latexclass files, 14(8), 1-11. https://doi.org/10.48550/arXiv.1709.08775
Fernández-Delgado, M., Cernadas, E., Barro, S., & Amorim, D. (2014) Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, 15(90), 3133–3181.
Goswami, J. C., & Chan, A. K. (2011) Fundamental of wavelets: theory, algorithms and applications. Wiley.
Hurst, H. E. (1956) The problem of long-term storage in reservoirs. Hydrological Sciences Journal, 1(3), 13–27. https://doi.org/10.1080/02626665609493644
Jeon, S.; Nicolis, O., & Vidakovic, B. (2014) Mammogram diagnostics via 2-d complex wavelet-based self-similarity measures. Journal of Mathematical Sciences, 8(2), 265–284. https://doi.org/10.11606/issn.2316-9028.v8i2p265-284
Kang, M., & Vidakovic, B. (2017) MEDL and MEDLA: Methods for assessment of scaling by medians of log-squared nondecimated wavelet coefficients. https://arxiv.org/pdf/1703.04180.pdf. https://doi.org/10.48550/arXiv.1703.04180
Kuhn, M. (2017) caret: Classification and regression training. R, Package Version 6.0-78, 2017. https://cran.r-project.org/web/packages/caret/caret.pdf.
Leite, I. C. C., Sáfadi, T., & Carvalho, M. L. M. de. (2013) Evaluation of seed radiographic images by independent component analysis and discriminant analysis. Seed Science and Technology, 41(2), 235–244. https://doi.org/10.15258/sst.2013.41.2.06
Lyashenko, V. V., Matarneh, R., Baranova, V., & Deineko, Z. V. (2016) Hurst expoent as a part of wavelet decomposition coefficients to measure long-term memory time series based on multiresolution analysis. American jornal of systems and software, 4(2), 51–56. 10.12691/ajss-4-2-4
Mallat, S. G. (1989) Multiresolution aproximations and wavelet orthonormal bases of L2(R). Transactions of the American Mathematical Society, 315(1), 69–87.
Mello, R. F., & Ponti, M. A. (2018) Machine Learning: A practical approach on the statistical learning theory. Springer.
Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., Leisch, F., Chang, C-C., & Lin, C-C. (2017) e1071: Misc functions of the department of statistics, probability theory group (formerly: E1071), TU Wien. R, Package Version 1.6-8. https://cran.r-project.org/web/packages/e1071/e1071.pdf.
Morettin, P. A. (2014) Ondas e ondaletas: da análise de fourier à análise de ondaletas de series temporais. EdUSP.
Nason, G. P. (2008) Wavelet methods in Statistics with R. Springer.
Nicolis, O., Ramirez-Cobo, P., & Vidakovic, B. (2011) 2d wavelet-based spectra with applications. Computational statistics and data analysis, 55(1), 738–751. https://doi.org/10.1016/j.csda.2010.06.020
Ramirez-Cobo, P., & Vidakovic, B. A. (2013) 2d wavelet-based multiscale approach with applications to the analisys of digital mamograms. Computational statistics and data analysis, 58(2), 71-81. https://doi.org/10.1016/j.csda.2011.09.009
Rodrigues, L. L. M. (2015) Análise de variância em séries temporais: uma abordagem usando ondaletas. Tese (Doutorado) — Universidade Federal de Lavras, UFLA.
Sáfadi, T., Kang, M., Leite, I. C. C., & Vidakovic, B. (2016) Wavelet-based spectral for descriptors of detection of damage in sunflower seeds. International Journal of Wavelets, Multiresolution and Information Processing, 14(4), 235–244. https://doi.org/10.1142/S0219691316500272
Silva, A. S. A., Menezes, R. S. C., & Stosic, T. (2021) Análise multifractal do índice de precipitação padronizado. Research, Society and Development, 10(7), 1-10. https://doi.org/10.33448/rsd-v10i7.16535
Souza, P. M., Carneiro, P. C., Pereira, G. M., Oliveira, M. M., Costa Junior, C. A. da, Moura, L. V. de, Mattjie, C., Silva, A. M. M. da, Macedo, T. A. A., & Patrocínio, A. C. (2022) Towards a Classification Model using CNN and Wavelets applied to COVID-19 CT images. Research, Society and Development, 11(5), 1-17. http://dx.doi.org/10.33448/rsd-v11i5.27919
Tuszynski, J. (2014) caTools: Tools: moving window statistics, gif, base64, ROC AUC, etc. R, Package Version 1.17.1.
https://cran.r-project.org/web/packages/caTools/caTools.pdf
Whitcher, B. (2015) Waveslim: Basic wavelet routines for one-, two- and three-dimensional signal processing. R, Package Version 1.7.5, https://cran.r-project.org/web/packages/waveslim/waveslim.pdf.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Fernando Ribeiro Cassiano; Thelma Sáfadi; Paulo Henrique Sales Guimarães
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
