Identificación de galaxias usando algoritmos de aprendizaje automático
Este trabajo presenta un análisis experimental de algoritmos para la clasificación automática de imágenes de galaxias. La metodología usada se basa en tres etapas: · El tratamiento digital de la imagen: Se estandarizan todas las muestras, cada imagen fue filtrada, rotada, centrada, ajustada a un tam...
- Autores:
-
Meneses Cuadros, Erick Ramon
Ortiz Covelli, Luis Guillermo
- Tipo de recurso:
- http://purl.org/coar/version/c_b1a7d7d4d402bcce
- Fecha de publicación:
- 2006
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- spa
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/18667
- Palabra clave:
- Morfología Galáctica
Tratamiento Digital de Imágenes
Extracción de Parámetros
Aprendizaje Automático
Procesamiento
Galactic Morphology
Digital Image Processing
Parameter Extraction
Machine Learning
Parallel
- Rights
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
Summary: | Este trabajo presenta un análisis experimental de algoritmos para la clasificación automática de imágenes de galaxias. La metodología usada se basa en tres etapas: · El tratamiento digital de la imagen: Se estandarizan todas las muestras, cada imagen fue filtrada, rotada, centrada, ajustada a un tamaño estándar y dividida en sus componentes RGB. Se trabajó con la imagen final en varias formas: escala de grises, componentes RGB separados y componentes RGB unidos en una sola imagen. · Extracción de parámetros: aquí se utilizo el Análisis de Componentes Principales como método eficaz para reducir la dimensionalidad de los datos y extraer la información relevante y propia de la imagen a identificar. · Aprendizaje Automático: basados en los parámetros obtenidos en la fase anterior se usaron tres algoritmos: Redes Neuronales Artificiales, K-Vecinos más Cercanos y Regresión Localmente Ponderada, cuyo fin era analizar los datos y proveer un juicio acerca de la clase a la que pertenecía la imagen de la galaxia (espiral, elíptica o irregular). Los mejores resultados obtenidos arrojaron un porcentaje del 85.89% de clasificación correcta para un conjunto de 429 imágenes usando el N-fold cross-validation como método de evaluación de los algoritmos. Además, y de acuerdo a la mejor combinación de algoritmos obtenida se propone la mejora del método haciendo un diseño exhaustivo de su paralelización. |
---|