Hispanopedia WikiEl procesamiento evolutivo de imágenes (EIP) es un subcampo del procesamiento digital de imágenes . [ 1 ] Los algoritmos evolutivos (EA) se utilizan para optimizar y resolver diversos problemas de procesamiento de imágenes. El procesamiento evolutivo de imágenes representa, por lo tanto, la combinación de optimización evolutiva y procesamiento digital de imágenes. Los EA se han utilizado durante varias décadas en ciencias de la computación para optimizar diversos problemas. La aplicación en el procesamiento de imágenes, por otro lado, es todavía un campo de investigación relativamente nuevo. Esto se debe principalmente al desarrollo tecnológico de los sistemas informáticos, ya que el EIP es un proceso relativamente intensivo en computación. La visión artificial evolutiva (ECV) es una aplicación del EIP para la visión artificial. [ 2 ] Se ha demostrado que la programación genética (GP), como subclase de los EA, es particularmente útil para el procesamiento de imágenes.
Programación genética para el procesamiento de imágenes
En el procesamiento evolutivo de imágenes, la programación genética optimiza la disposición de diferentes operadores de procesamiento de imágenes para obtener resultados específicos o un rendimiento óptimo en la tarea. [ 3 ] A partir de 2021, en comparación con las redes neuronales convolucionales populares y bien desarrolladas , la GP es una técnica emergente para el aprendizaje de características . [ 4 ] En particular, la GP se ha utilizado para desarrollar clasificadores precisos para la detección de objetos , la clasificación de imágenes médicas y el reconocimiento óptico de caracteres. La GP presenta múltiples ventajas en el procesamiento de imágenes. [ 3 ] Estas incluyen:
- El resultado del programa GP es un programa o un conjunto de programas en forma de expresiones matemáticas, que son fáciles de interpretar después de su simplificación y conversión a notación normal.
- La programación genética (GP) requiere un tiempo considerable para la evolución de los clasificadores basados en GP. Sin embargo, el árbol GP resultante requiere un tiempo de ejecución muy corto en las pruebas.
- La función de aptitud física de GP es flexible y se puede adaptar según el problema que se quiera resolver.
Las desventajas de la GP para el procesamiento de imágenes incluyen:
- El coste computacional para la evolución de clasificadores basados en GP es muy elevado.
- Se requiere un conjunto de datos extenso para el entrenamiento.
- Debido a su naturaleza estocástica, no se garantiza una solución.
Véase también
Referencias
- ↑ Actas / 22. Taller de Inteligencia Computacional: Dortmund, 6 - 7 de diciembre de 2012 . Karlsruhe: KIT Publicación científica. 2012.ISBN 9783866449176.
- ↑ Ebner, Marc (2010). "Evolución de detectores de objetos con un sistema de visión acelerado por GPU" . Sistemas evolutivos: de la biología al hardware . Lecture Notes in Computer Science. Vol. 6274. Springer. pp. 109–120 . doi : 10.1007/978-3-642-15323-5_10 . ISBN 978-3-642-15322-8.
- 1 2 Khan, Asifullah; Qureshi, Aqsa Saeed; Wahab, Noorul; Hussain, Mutawarra; Hamza, Muhammad Yousaf (2021). "Un estudio reciente sobre las aplicaciones de la programación genética en el procesamiento de imágenes" . Inteligencia Computacional . 37 (4): 1745– 1778. arXiv : 1901.07387 . doi : 10.1111/coin.12459 . ISSN 1467-8640 .
- ↑ Bi, Ying; Xue, Bing; Zhang, Mengjie (agosto de 2022). "Aprendizaje de características discriminativas basado en programación genética para la clasificación de imágenes de baja calidad". IEEE Transactions on Cybernetics . 52 (8): 8272– 8285. Bibcode : 2022ITCyb..52.8272B . doi : 10.1109/TCYB.2021.3049778 . PMID 33531319 .
- Aplicaciones de algoritmos evolutivos
- Procesamiento de imágenes
