1

REDES NEURONALES CONVOLUCIONALES

PARA
EL PROCESAMIENTO DE IMÁGENES
TE. Kelly Johanna Vasquez Barrera
TE. Linda Natalia García Santana
ST. Daniel Alejandro Paez Villamil
ST. David Santiago Herrera Bermeo
ST. Luisa Fernanda Perdomo Santos

INTRODUCCIÓN
Resumen— Se tiene como finalidad analizar el tema
relacionado con redes neuronales convolucionales para el En la actualidad las redes neuronales
procesamiento de imagen y con ello plasmar como objetivo
principal dos ejemplos donde se evidencie el comportamiento convolucionales han mejorado exitosamente su
gráfico de las imágenes a través del programa de simulación desempeño , tanto asi que los trabajos que se realizan
Python . se publican por todo el mundo impactando a que no
Cabe resaltar que para la ejecución del ejercicio se ha tenido en solo sea un trabajo si no que se investigue a fondo
cuenta conceptos fundamentales que permiten la claridad del cada detalle sobre una imagen.
concepto global de la red neuronal convolucional como lo son un
CNN, la clasificación de imágenes, pixeles y neuronas.
Por ello se presenta este informe donde busca definir
La idea es profundizar en el campo de las redes neuronales el tema de red neuronal convolucional y analizar por
convolucionales. Estas , son un tipo de red neuronal artificial medio del programa python dos ejemplos de imagen
donde las neuronas se corresponden a campos receptivos de una donde represente un ajuste adecuado a las imagenes
manera muy similar a las neuronas en la corteza visual primaria
de un cerebro biológico. Por lo que son muy efectivas en el campo con la ayuda del codigo que se diseñe.
de la visión artificial, cuya aplicación más destacada es el
reconocimiento y clasificación de imágenes o de patrones en la Con ello se define que la imagen consta de los
imagen.
segmentos indivisibles más pequeños llamados
píxeles y cada píxel tiene una fuerza que a menudo se
Abstract-- The aim is to analyze the topic related to convolutional conoce como intensidad de píxel. Siempre que
neural networks for image processing and thus to capture as the
main objective two examples where the graphic behavior of the estudiamos una imagen digital, generalmente viene
images is evidenced through the Python simulation program. con tres canales de color, es decir, los canales Rojo-
Verde-Azul, conocidos popularmente como valores
It should be noted that for the execution of the exercise,
fundamental concepts have been taken into account that allow the “RGB” Codifiquemos y entendamos de qué estamos
clarity of the global concept of the convolutional neural network hablando [1]
such as a CNN, the classification of images, pixels and neurons.

The idea is to delve into the field of convolutional neural networks. Por lo anterior, se plantea paso a paso la descripción
These are a type of artificial neural network where neurons de lo que se debe realizar para que las imágenes se
correspond to receptive fields in a very similar way to neurons in representen de acuerdo con la definición de una red
the primary visual cortex of a biological brain. Therefore, they are
very effective in the field of artificial vision, whose most prominent neuronal, utilizando el programa de simulador
application is the recognition and classification of images or Python, así analizar y brindar una conclusión clara de
patterns in the image. que tan importante sirven las redes neuronales y lo
rápido que avanza la tecnología donde busca
mantener el bienestar del ser humano.
 2

Las redes neuronales convolucionales son muy características como el color de la imagen, la
potentes para todo lo que tiene que ver con el análisis posición de la cara, el color de fondo, el color de la
de imágenes, debido a que son capaces de detectar camisa y muchas más. El mayor desafío al trabajar
características simples como por ejemplo detención con imágenes es la incertidumbre de estas
de bordes, lineas, etc y componer en características características. Para el ojo humano, parece igual, sin
más complejas hasta detectar lo que se busca. embargo, cuando se convierte en datos, es posible
que no encuentre fácilmente un patrón específico en
estas imágenes”. [3]
I. MARCO TEÓRICO

“Durante la historia se ha podido recoger algunos

conceptos desde mediados del siglo XX donde
muestran estudios constantes y por ello han tenido
grandes mejoras en su desempeño, a lo largo de estos
últimos años, su uso ha pasado de ser académico y de
objeto de estudio e investigación a estar totalmente
implementadas y operativas en nuestro día a día.

Las redes neuronales convolucionales son similares

a las redes neuronales multicanal, su principal Figure 2. Illustrates the portrait of the Author taken in 2014
and 2019 respectively.
ventaja es que cada parte de la red se le entrena para
realizar una tarea, esto reduce significativamente
el número de capas ocultas, por lo que el
entrenamiento es más rápido. Además,
presenta invarianza a la traslación de los patrones a
identificar”. [2]

Figure 3. Illustrates the portrait of the Author

taken in 2014 and 2019 respectively.

Figura 1. Redes Convolucionales [2]

“¿Qué es la clasificación de imágenes?

La clasificación de imágenes es el proceso de

segmentar las imágenes en diferentes categorías
según sus características. Una característica podría
ser los bordes de una imagen, la intensidad de los
píxeles, el cambio en los valores de los píxeles y
muchos más. Intentaremos comprender estos
componentes más adelante. Por el momento,
miremos las imágenes a continuación (consulte la
Figure 4. Illustrates the portrait of the Author taken in
Figura 2). Las tres imágenes pertenecen a la misma 2014 and 2019 respectively.
persona, sin embargo, varían en comparación con
 3

“Una imagen consta de los segmentos indivisibles Las redes neuronales convolucionales se han
más pequeños llamados píxeles y cada píxel tiene definido mediante una notacion sencilla y
una fuerza que a menudo se conoce como intensidad comprensible, donde cada nuevo desarrollo obtenido
de píxel. Siempre que estudiamos una imagen digital, permite un tipo de flexibilidad respecto a la forma
generalmente viene con tres canales de color, es final de la red, lo cual permite la facilidad en la
decir, los canales Rojo-Verde-Azul, conocidos adaptacion a aplicaciones particulares.
popularmente como valores “RGB”. ¿Por qué RGB?
Porque se ha visto que una combinación de estos tres Las aplicaciones de estas redes neuronales
puede producir todas las paletas de colores posibles. convolucionales son aptas para ser utilizadas en la
Siempre que trabajamos con una imagen en color, la clasificacion de todo tipos de datos, las cuales se
imagen se compone de varios píxeles y cada píxel encuentran distribuidos en una forma continua en un
consta de tres valores diferentes para los canales mapa de entrada y de esta maneran tenga una
RGB. Codifiquemos y entendamos de qué estamos similitud en cualquier lugar de este mapa de entrada.
hablando”.[3] Dandole asi una razon para ser empleadas
especialmente en la clasificacion de imágenes.
“¿Qué es CNN? Teniendo en cuenta que existen otras aplicaciones
como lo pueden ser en clasificacion de series de
CNN o la red neuronal convolucional (CNN) es una tiempo o señales de audio donde en sus casos se
clase de redes neuronales de aprendizaje profundo. utilizan convoluciones en 1D, y para la clasificacion
En resumen, piense en CNN como un algoritmo de de datos volumetricos se usa convoluciones en 3D.
aprendizaje automático que puede tomar una imagen
de entrada, asignar importancia (pesos y sesgos Una de los principales objetivos de estas redes esta
aprendibles) a varios aspectos / objetos en la imagen en recoger una cantidad de pixeles de una imagen
y poder diferenciar uno del otro. de entrada y realizar procesos escalares mediante un
CNN funciona extrayendo características de las kernel, donde esta permitira recorrer las neuronas
imágenes. Cualquier CNN consta de lo siguiente: obteniendo una matriz nueva.

 La capa de entrada que es una imagen en escala

de grises. II. PROCEDIMIENTO
 La capa de salida, que es una etiqueta binaria o de Es de gran importancia entender que estas redes
varias clases. funcionan mediante un algoritmo de Deepp
 Capas ocultas que constan de capas de Learning, el cual trabaja con imágenes, donde las
convolución, capas ReLU (unidad lineal toma como input, mediante el cual le asigna una
rectificada), capas de agrupación y una red importancia a ciertos elementos de esta imagen para
neuronal completamente conectada. asi poderlas diferenciar de otras.

Es muy importante comprender que las redes Este ha sido uno de los reconocidos algortimos, que
neuronales artificiales o ANN, compuestas por ha contribuido al desarrollo y perfeccionamiento del
múltiples neuronas, no son capaces de extraer campo de la vision. Estas cuentas con varias hidden
características de la imagen. Aquí es donde entra en layers las cuales tienen la funcion de detectar lineas
escena una combinación de capas de convolución y y/o curvas hasta el punto de detectar una silueta.
agrupación. De manera similar, las capas de
convolución y agrupación no pueden realizar la En base de la investigación realizada sobre redes
clasificación, por lo que necesitamos una red neuronales convolucionales, se presentará a
neuronal completamente conectada. continuación la obtención del ejercicio práctico
Antes de profundizar en los conceptos, intentemos mediante la convolución de dos imágenes en código
comprender estos segmentos individuales por Python. Donde se evidencia con claridad el
separado”. [3] Cumplimiento del objetivo del presente trabajo.
 4

Clasificacion De Imagen Predicciones de la imagen

Figura 5. Clasificación Imagen. Fuente Propia

Modelos de arquitectura
Figura 9. Predicciones Imagen Rana. Fuente Propia

Ejemplo imagen numero dos

Figura 6. Modelos de Arquitectura. Fuente Propia

Ejemplo numero uno

Figura 10. Ejemplo Perro. Fuente Propia

Ajuste de la imagen

Figura 7. Ejemplo Rana. Fuente Propia

Ajuste de la imagen

Figura 11 Ajuste Imagen Perro. Fuente Propia

Figura 8. Ajuste Imagen Rana. Fuente Propia

 5

Predicciones de la imagen Para finalizar el informe se puede afirmar que se

evidencio la importancia y la evolución que se ha
tenido con la implementación de estas redes, el ser
capaz de entenderlas y ponerlas en practica hacen
que sea posible el desarrollo de nuevas aplicaciones
que en muchas ocasiones tienen como finalidad o
están enfocadas a la automatización de procesos

IV. BIBLIOGRAFIA
[1] https://towardsdatascience.com/convolution-neural-
network-for-image-processing-using-keras-
dc3429056306
Figura 12 Predicciones Imagen Perro. Fuente Propia
[2] https://www.tensorflow.org/tutorials/images/cnn

III. CONCLUSIONES [3] https://towardsdatascience.com/convolution-neural-

network-for-image-processing-using-keras-
dc3429056306
De acuerdo con el análisis que se realizó a las redes
neuronales convolucionales se denota que este tipo
de redes permiten realizar modificaciones y tomar
características puntuales de las imágenes, ya sean en
escala de grises o RGB, además se puede observar el
proceso desde la entrada hasta la salida de los datos
presentando la imagen que se requiere de acuerdo
con la grabación de la secuencia de esa misma
imagen hasta definirla.

Una de las características que resaltan en estas redes

neuronales convolucionales son el poder tomar una
imagen de entrada y diferenciarla de otras
extrayendo una serie de parámetros específicos de
estos y haciendo predicciones como se pudo observar
en los ejercicios anteriormente plasmados.

Mediante la elaboración del anterior del ejercicio se

pudo evidenciar la importancia de estas redes al ser
una potente herramienta en el análisis de imágenes,
permitiendo la identificación de características que
van desde lo mas simple hasta lo mas complejo.

También se evidencio como logran ser tan eficaces

que, definiendo solo ciertos parámetros mediante
Python, es este mismo nos da la oportunidad de
verificar y demostrar que tanto porcentaje de
exactitud tiene al momento de clasificar imagen, tal
como se pudo comprobar en el mismo.