Extracción de Características de Imágenes

Veamos ahora cómo trabajar con imágenes.

La extracción de características de las imágenes es el proceso de seleccionar y extraer información significativa, o características, de las imágenes. Estas características pueden basarse en el color, la textura, la forma o el aprendizaje profundo.

Existen muchos métodos para extraer características de las imágenes, pero aquí se presentan cuatro técnicas de uso común:

1. *PCA es una técnica de reducción de la dimensionalidad que se utiliza habitualmente para la extracción de características de imágenes. Funciona encontrando los componentes principales de los datos, que son las direcciones en las que los datos varían más. Al proyectar los datos sobre estos componentes principales, los datos pueden representarse en un espacio de menor dimensión, conservando la mayor parte posible de la varianza.
2. Descomposición empírica modal (EMD) - es una técnica de procesamiento de señales que también puede utilizarse para la extracción de características en imágenes. La EMD descompone la imagen en un número finito de componentes denominados funciones de modo intrínseco (IMF). Cada IMF representa una escala diferente de variación en la imagen, desde detalles finos hasta estructuras gruesas. La descomposición supone que cualquier imagen puede representarse como una suma de estas FMI. Analizando la frecuencia y la amplitud de cada IMF, pueden extraerse características útiles de los datos de la imagen, como bordes, texturas y patrones.
3. *Las CNN son un tipo de modelo de aprendizaje profundo que ha tenido mucho éxito en la extracción de características de las imágenes. Aplican una serie de filtros a la imagen de entrada, extrayendo varias características como bordes, texturas y formas. Los filtros se aprenden mediante el entrenamiento en un gran conjunto de datos, y los mapas de características resultantes se pueden utilizar para una amplia gama de tareas, como la detección y clasificación de objetos.
4. Descomposición de valor singular (SVD) - es una técnica de factorización de matrices que también puede aplicarse a la extracción de características en imágenes. Descompone la matriz de la imagen en tres matrices: U, S y V. La matriz S contiene los valores singulares de la matriz de la imagen original, que representan la importancia de cada característica o píxel de la imagen. Seleccionando las características más importantes en función de sus valores singulares, se puede reducir la dimensionalidad de la imagen conservando la mayor parte de la información. Esto puede ser especialmente útil para reducir el ruido y la redundancia de la imagen y comprimir los datos de la imagen.