Algoritmos para Segmentación Autimática de Conjunto de Imágenes Utilizando Algoritmos Evolutivos

Abstract

El desarrollo de sistemas de visión artificial para la detección de imágenes representa un esfuerzo fundamental en una amplia gama de dominios científicos. Entre los diversos procesos involucrados, la segmentación de imágenes destaca como un paso crítico, ya que influye significativamente en la precisión y la eficiencia de las tareas posteriores. Lograr parámetros de segmentación óptimos con un coste computacional mínimo sigue siendo un reto clave, a menudo abordado mediante la implementación de algoritmos evolutivos. Esta tesis explora la aplicación de diversos enfoques evolutivos, incluyendo algoritmos genéticos, optimización por enjambre de partículas (PSO) y evolución diferencial, cada uno de los cuales opera sobre un amplio espectro de rangos de parámetros para determinar las estrategias de segmentación más eficaces. Para evaluar el rendimiento de estos algoritmos, se realizaron experimentos exhaustivos utilizando conjuntos de datos públicos como PlantVillage, Coffee Diseases, ICL y LSM. Estos conjuntos de datos abarcan imágenes digitales de diversos dominios y están diseñados para diversas aplicaciones del mundo real. Además, se integró en el estudio un método complementario basado en características a nivel de píxel, con resultados muy prometedores. La eficacia de cada técnica de segmentación se evaluó mediante métricas de rendimiento estándar, como la especificidad, la sensibilidad, la precisión, el índice probabilístico de Rand (PRI), la Variación de la Información (VOI), el Error de Consistencia Global (ECG) y el índice de Jaccard. Los resultados experimentales destacan la robustez y la eficiencia de los métodos propuestos, especialmente en escenarios que requieren alta precisión y adaptabilidad.