Algoritmo Genetico

E.T.S.
de Ingeniería Industrial,
Informática y de Telecomunicación
Tratamiento de imágenes con ruido

impulsivo mediante reglas difusas y
algoritmos genéticos
Grado en Ingeniería Informática
Trabajo Fin de Grado
Sergio Sada Pezonaga

José Antonio Sanz Delgado
Pamplona, 25 de junio de 2015
RESUMEN
Uno de los principales problemas a resolver al realizar un procesamiento de imágenes
es el tratamiento de imágenes con ruido en el que se tratará de eliminar la mayor
cantidad posible de ruido.
Existen muchas técnicas para solucionar este problema. Una de ellas son los operadores
Fuzzy Inference Ruled by Else-action (FIRE), enfocados a la eliminación de ruido
impulsivo Sal y Pimienta.
Este algoritmo propone el uso de un algoritmo genético y la utilización de reglas difusas

para tratar dicho problema. Una de las partes fundamentales del éxito de este algoritmo
resida en la posibilidad de elección de los parámetros que modelan los conjuntos
difusos.
En la propuesta original, los valores de estos parámetros son fijos por lo que puede
acarrear que los resultados no sean todo lo buenos que pudieran ser.
Por lo tanto, el objetivo de este proyecto es proponer un nuevo algoritmo genético en

el cual se aprenderá la mejor base de reglas y además, los parámetros que definan las
funciones de pertenencia.
Para evaluar la calidad de la propuesta, evaluaremos y realizaremos pruebas en las que

comprobaremos la nueva propuesta con el algoritmo original, además de la utilización
de otras técnicas habitualmente utilizadas para resolver este problema.
Palabras clave
Tratamiento de imágenes, ruido sal y pimienta, conjuntos difusos, algoritmos genéticos,

FIRE.
Sergio Sada Pezonaga 3

ÍNDICE
Resumen ........................................................................................................................... 3
1. Introducción .............................................................................................................. 7
2. Conceptos preliminares............................................................................................ 9
2.1 Procesamiento digital de imágenes ................................................................... 9
2.1.1 Imagen digital ........................................................................................... 10
2.1.2 Ruido ......................................................................................................... 10
2.1.3 Filtrado...................................................................................................... 13
2.1.4 Criterios de fidelidad ................................................................................ 14
2.2 Lógica difusa..................................................................................................... 15
2.2.1 Operador t-norma .................................................................................... 17
2.2.2 Operador t-conorma................................................................................. 18
2.3 Algoritmos genéticos ....................................................................................... 18
2.4 Algoritmo FIRE ................................................................................................. 23
3. Propuestas .............................................................................................................. 28
3.1 Implementación del algoritmo FIRE ................................................................ 28
3.2 Ajuste de los parámetros del conjunto difuso LP ............................................ 29
3.3 Ajuste de los parámetros del conjunto difuso LP y LN .................................... 30
3.4 Optimización de los parámetros del conjunto difuso LP para cada variable de
entrada ........................................................................................................................ 30
3.5 Algoritmo general de limpieza con FIRE .......................................................... 31
4. Resultados............................................................................................................... 33
4.1 Marcos Experimental ....................................................................................... 33
4.2 Resultados obtenidos ...................................................................................... 37
4.2.1 Resultados con densidad de ruido 0,1 ..................................................... 37
4.2.2 Resultados con densidad de ruido 0,18 ................................................... 41
4.2.3 Resultados con densidad de ruido 0,3 ..................................................... 44
5. Conclusiones ........................................................................................................... 48
6. Líneas futuras.......................................................................................................... 50
7. Bibliografía .............................................................................................................. 51

1. INTRODUCCIÓN
Procesamiento de imagen
El procesamiento digital de imágenes es un campo de investigación abierto. El constante

progreso en esta área ha estado guiado por diferentes áreas como las matemáticas, la
computación, así como el conocimiento cada vez mayor de ciertos órganos del cuerpo
humano que intervienen en la percepción y en la manipulación de las imágenes. Unido
a esto, la inquietud del hombre por imitar y usar ciertas características del ser humano
como apoyo en la solución de problemas. El avance del procesamiento digital de
imágenes se ve reflejado en la medicina, la astronomía, geología, microscopía, etc.
Una imagen digital es una representación bidimensional de una imagen en forma de una
matriz numérica. En las imágenes representadas en escala de grises, los píxeles están
representados con un valor numérico entero que está entre 0 y 255.
Uno de los principales problemas que se encuentran hoy en día es la aparición de ruido
en imágenes digitales. Las principales fuentes de ruido aparecen durante las fases de
adquisición y transmisión de imágenes. Existen muchos tipos de ruido y entre los más
conocidos se encuentran algunos como el gaussiano o impulsivo.
Para la eliminación o minimización del ruido existen muchos métodos como el proceso
de filtrado. Son un conjunto de técnicas cuyo objetivo principal es obtener, a partir de
una imagen inicial con un determinado ruido, otra final cuyo resultado sea otra imagen
con mejor calidad.
Los principales objetivos que se buscan con la aplicación de filtros son suavizar la
imagen, eliminar el ruido, realce y detección de bordes.
Lógica difusa
Una de las disciplinas matemáticas con mayor número de investigadores en la actualidad

es la llamada lógica difusa. Utiliza expresiones que no son ni totalmente ciertas ni
completamente falsas, es decir, es la lógica aplicada a conceptos que pueden tomar un
valor cualquiera de veracidad dentro de un conjunto de valores. La lógica difusa permite
tratar información imprecisa como estatura media o temperatura baja.
El concepto de lógica difusa fue concebido por Lofti A. Zadeh en 1965. Zadeh estaba
inconforme con los conjuntos clásicos que solo permitían dos opciones (la pertenencia
o no de un elemento a dicho conjunto), y presentó la lógica difusa como una forma de
procesar la información permitiendo pertenencias parciales a unos conjuntos.
La intención original del Zadeh fue la de crear un formalismo para manipular de forma
más eficiente la imprecisión y la vaguedad del razonamiento humano expresado
lingüísticamente. Sin embargo, causó cierta sorpresa que el éxito de la lógica difusa

llegase en el campo del control automático de procesos debido al tremendo interés
causado en Japón allá por 1987.
Algoritmos genéticos
A lo largo de los años, el ser humano ha conseguido incrementar su capacidad de

interactuación con entornos antes impensables y comprender la dificultad de muchos
otros en los que no se ve tan capacitado. Por lo tanto, su habilidad para predecir la
naturaleza del entorno cobra cada vez más importancia. Entre las ciencias que más han
hecho por conseguir estos logros, la inteligencia artificial ocupa un lugar destacado.
En la década de los ochenta, el interés por la biología como fuente de inspiración para
las ciencias de la computación comienza a ser una realidad entre los científicos, que
vieron como este interés y su posterior desarrollo les ha llevado a logros nunca antes
pensados. Logros que se han conseguido con desarrollos como las redes neuronales, el
aprendizaje o la computación evolutiva y sus algoritmos genéticos.
Los algoritmos genéticos imitan el proceso evolutivo de la naturaleza para resolver

problemas de optimización o búsqueda. En concreto, cada individuo en un algoritmo
genético representa una solución al problema y sobrevivirán aquellos mejor adaptados,
es decir, aquellos que ofrezcan una mejor solución al mismo. Para ello, se imitan
mecanismos de la naturaleza como la selección, la reproducción o la mutación.
Objetivos
Los objetivos de este proyecto son varios. El objetivo inicial es entender y conseguir
replicar el algoritmo FIRE, desarrollado por Fabrizio Russo en 1998.
Otros de los objetivos de este proyecto, consisten en realizar una serie de propuestas o
modificaciones sobre la propuesta original. Estas propuestas radican en la optimización
de los parámetros utilizados por los conjuntos difusos. En la propuesta original estos
parámetros son fijos durante todo el proceso pero que en las propuestas que se
realizarán, se modificarán para que sean variables con el fin de otorgar mayor libertad
al algoritmo genético y tratar de conseguir mejores resultados.
Por último se pretende idear un sistema que sea capaz de entrenar con varias
imágenes con ruido Sal y Pimienta para obtener un sistema final que pueda ser capaz
de utilizarse sobre cualquier otra imagen con este ruido y conseguir unos resultados
satisfactorios. Este sistema viene ideado porque creemos que no tiene sentido el idear
un algoritmo para tratar de forma individual a una imagen. Pensamos que lo
importante es idear un sistema que pueda ser aplicado a cualquier imagen.

2. CONCEPTOS PRELIMINARES
En este apartado se va a proceder a la definición de una serie de conceptos previos y
necesarios para una facilitar la comprensión de las técnicas utilizadas.
2.1 Procesamiento digital de imágenes

El procesamiento digital de imágenes es el conjunto de técnicas que permiten mejorar
la calidad o facilitar la búsqueda de información en una imagen por medio de una
computadora.
El interés por el procesamiento digital de imágenes está fundamentado principalmente

en dos áreas:
• Mejorar la calidad de la información para la interpretación humana.
Figura 2-1: Ejemplo de mejora en la calidad de la imagen
• Procesar los datos de la imagen para su almacenamiento, transmisión y

representación para la percepción autónoma de máquinas.
Figura 2-2: Ejemplo de procesado de imagen
Existe una gran cantidad de sectores donde el procesamiento digital de imágenes se

utiliza de manera rutinaria. Una manera simple para categorizar las imágenes es
dependiendo de su fuente física:
• Radiación electromagnética (EM): Aplicaciones para medicina, astronomía,

sistemas de radar, climatología, etc.
• Acústica o Ultrasonidos: Ultrasonido de bebé, tiroides, etc.
• Electrónica: Rayos de electrones en microscopios ópticos.

2.1.1 Imagen digital
Una imagen digital es una representación bidimensional de una imagen en forma de una
matriz de F filas y C columnas. Si F y C son discretos y finitos entonces podemos decir
que la imagen es digital.
En este proyecto se va a trabajar con imágenes representadas en escala de grises, es

decir, cada píxel estará representado por un valor numérico que nos indica la intensidad
del píxel, el cual estará entre el 0 y el 255.
Img(x,y) Є {0,.., 255} | con x en {1, …, F} e y en {1, …, C}
FxC = número totales de píxeles de la imagen digital.
Cuanto más bajo sea el valor, más oscuro será el píxel y viceversa. De esta forma, un
píxel con valor 0 corresponde a negro y un píxel con valor 255 a blanco.
Ejemplo de representación de una imagen digital 3*3 en escala de grises:
0 4 103
Img = 167 255 175
47 200 60
Cuya imagen en la escala de grises sería:
Figura 2-3: Ejemplo escala de grises de Img
En las imágenes digitales en color, cada píxel está representado por 3 valores numéricos
denominados RGB (Red, Green, Blue) que son el nivel de intensidad en cada uno de esos
3 colores.
2.1.2 Ruido
El ruido digital es la variación de manera aleatoria de la intensidad o color en una imagen
digital. Las principales fuentes de ruido surgen durante la adquisición y/o transmisión
de las imágenes.

Durante la adquisición el rendimiento de los sensores de la imagen puede verse afectado
por factores como las condiciones ambientales o la calidad del elemento de captura. Los
niveles de luz y sensores de temperatura son diferentes para cada dispositivo de entrada
y afectan de manera directa la cantidad de ruido resultante generado.
Durante la transmisión de imágenes también puede generarse ruido debido a una

interferencia en el canal utilizado.
A la hora de modelar matemáticamente el ruido, se considera que en general, no

depende ni del valor del píxel ni de su posición.
Algunos de los ruidos comúnmente encontrados son el gaussiano y sal y pimienta que
se describen en las siguientes secciones.
2.1.2.1 Ruido Gaussiano

En el ruido de tipo Gaussiano, todos los píxeles que componen la imagen cambian su
valor en base a una distribución normal o gaussiana. La distribución mostrada en la
figura 2-4, el ruido está centrado en el valor Z (que se corresponde con el valor de
intensidad del píxel) y tiene una desviación estándar de sigma.
Figura 2-4: Función de distribución del ruido gaussiano
El efecto de este ruido es que en general se generan valores aleatorios que variarán
poco respecto del valor original del píxel. La mayor parte de los valores establecidos
quedaran similares al original pero con alguna pequeña modificación tal y como puede
verse en la figura 2-5, donde la imagen de la izquierda muestra la imagen original y a su
derecha la imagen con ruido gaussiano.

Figura 2-5: Ejemplo de ruido Gaussiano
2.1.2.2 Ruido Impulsivo (sal y pimienta)

El ruido Sal y pimienta es un caso particular del ruido impulsivo. El valor que toma el
píxel no tiene relación con el valor original, sino que toma valores muy altos o muy bajos,
es decir, casi blanco o negro. Matemáticamente este ruido se modela con una función
de distribución no gaussiana o escalón como la mostrada en la figura 2-6.
Figura 2-6: Función de distribución del ruido Sal y Pimienta
El efecto final de este ruido es que ciertos píxeles de forma aleatoria cambian a el valor
máximo (sal=blanco) o el mínimo (pimienta=negro), tal y como puede verse en la figura
2-7, donde la imagen de la izquierda muestra la imagen original y a su derecha la imagen
con ruido impulsivo Sal y Pimienta.
Figura 2-7: Ejemplo de ruido Sal y Pimienta

2.1.3 Filtrado
Los filtros constituyen uno de los principales modos de operar en el procesamiento de
imágenes digitales. Los principales objetivos que se persiguen con la aplicación de filtros
son:
• Suavizar la imagen: reducir la cantidad de variaciones de intensidad entre

píxeles vecinos.
• Eliminar ruido: tratar aquellos píxeles cuyo nivel de intensidad es muy distinto
al de sus vecinos.
• Realzar bordes: destacar los bordes de los objetos contenidos en una imagen.
• Detectar bordes: detectar los píxeles donde se produce un cambio brusco de
intensidad.
Los filtros se pueden clasificar en dos grandes grupos: filtros que trabajan en el dominio
del espacio y filtros en el dominio de la frecuencia.
• Filtros en el dominio de la frecuencia: las operaciones se realizan sobre la

transformada de Fourier de la imagen.
• Filtros en el dominio del espacio: operan directamente sobre los píxeles de la

imagen. Las operaciones espaciales de filtrado se definen en un entorno de
vecindad sobre el píxel a transformar localizados en la posición (x,y).
Generalmente, se entenderá como el entorno de vecindad del píxel localizado
en (x,y), como una ventana de MxN píxeles centrada en dicho píxel.
Los filtros en el dominio del espacio pueden clasificarse en filtros lineales y no

lineales.
 Filtros lineales: filtros que operan sobre la vecindad mediante
operaciones lineales y que se basan en máscaras de convolución. Algunos
ejemplos de los más conocidos son los basados en diferentes tipos de
medias. Estos filtros se caracterizan por coger el valor del píxel central
localizado en (x,y), operar teniendo en cuenta su ventana de vecindad y
sustituyendo el valor original del píxel por el obtenido con la media
correspondiente.

 Filtro de la media:
𝑎𝑎 𝑏𝑏
1
𝑔𝑔(𝑥𝑥, 𝑦𝑦) = � � 𝑓𝑓(𝑥𝑥 + 𝑠𝑠, 𝑦𝑦 + 𝑡𝑡)
𝑚𝑚𝑚𝑚𝑚𝑚
𝑠𝑠=−𝑎𝑎 𝑡𝑡=−𝑏𝑏
 Filtro de la media geométrica:
𝑀𝑀𝑀𝑀 = � [𝑓𝑓(𝑥𝑥, 𝑦𝑦)]1/𝑛𝑛𝑛𝑛

(𝑥𝑥,𝑦𝑦)∈𝑊𝑊
 Filtro de la media armónica:

𝑛𝑛𝑛𝑛
𝑀𝑀𝑀𝑀𝑀𝑀 =
1
∑(𝑥𝑥,𝑦𝑦)∈𝑊𝑊
𝑓𝑓(𝑥𝑥, 𝑦𝑦)
 Otros: filtro de la media contra-armónica, gaussianos, etc.
 Filtros no lineales: también operan sobre la vecindad pero no mediante

sumas/multiplicaciones, sino basados en proyecciones ordenadas.
Algunos de los más conocidos son:
 Filtro de la mediana: se reemplaza cada píxel por la mediana de
los píxeles del vecindario.
 Filtro del mínimo/máximo: se reemplaza cada píxel por el valor
máximo o mínimo del vecindario
 Otros: Alpha-Media, punto medio, filtro adaptativo de reducción
local, etc.
2.1.4 Criterios de fidelidad

Cuando se tratan imágenes para la eliminación de ruido, es necesario saber la calidad
del tratamiento aplicado. Para ello se cuantifica el error (disimilitud) entre la imagen
original y la imagen fitrada. Así pues, se aplica la siguiente operación matemática:
𝑒𝑒(𝑥𝑥, 𝑦𝑦) = f ′ (x, y) − f(x, y)
donde f(x,y) es el valor del píxel en la imagen original y f’(x,y) es el valor del píxel en la
imagen filtrada.

Algunos de los más comunes para medir la calidad de las imágenes filtradas son:
• Error cuadrático medio (Mean Square Error)

𝑀𝑀 𝑁𝑁
1
𝑀𝑀𝑀𝑀𝑀𝑀 = � �(𝑓𝑓′(𝑥𝑥, 𝑦𝑦) − 𝑓𝑓(𝑥𝑥, 𝑦𝑦))2
𝑀𝑀𝑀𝑀
𝑥𝑥=1 𝑦𝑦=1
Cuanto menor sea el valor de MSE, más parecida es la imagen filtrada a la imagen
original. En la situación ideal en la que el filtrado es perfecto, el MSE obtenido será 0.
• Peak Signal to Noise Ratio (PSNR)
(𝐿𝐿 − 1)2
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 = 10 log10
𝑀𝑀𝑀𝑀𝑀𝑀
Cuanto mayor sea el valor de PSNR, más parecida es la imagen filtrada a la imagen
original. En la situación ideal en la que el filtrado es perfecto, el PSNR obtenido será +∞.
2.2 Lógica difusa

En 1965 Lotfi Zadeh introdujo la teoría de conjuntos difusos.
Un conjunto difuso A definido sobre un universo finito y no vacío U = {u1,…,un} viene

dado por:
A: {(ui, μA(ui))| ui є U}
donde μA: U→ [0,1] es tal que μA(ui) є [0,1] denota el grado de pertenencia del elemento
ui al conjunto A.
Por lo tanto, cuanto más cerca esté el valor de μA(ui) a 1, mayor será el grado de
pertenencia de ui en A. Cuando A es un conjunto en el sentido clásico, su función de
pertenencia puede tomar sólo dos valores 0 y 1, es decir μA(ui) = {1 o 0} cuando ui
pertenece o no pertenecen a A, respectivamente.
En el mundo real existe mucho conocimiento no-perfecto, es decir, conocimiento vago,

impreciso, incierto, ambiguo, inexacto, o probabilístico por naturaleza. El razonamiento
y pensamiento humano frecuentemente conlleva información de este tipo,
probablemente originada por la inexactitud inherente a los conceptos humanos y del
razonamiento basado en experiencias similares pero no idénticas a experiencias
anteriores. La lógica difusa, es una lógica alternativa a la lógica clásica que pretende
introducir un grado de vaguedad en los conceptos que califica para modelar lo descrito
anteriormente.
El problema principal surge de la poca capacidad de expresión de la lógica clásica.

Supongamos por ejemplo que tenemos un conjunto de personas que intentamos
agrupar según su altura, clasificándolas en altas o bajas. La solución que presenta la
lógica clásica es definir un umbral de pertenencia (por ejemplo, un valor que todo el

mundo considera que de ser alcanzado o superado, la persona en cuestión puede
llamarse alta). Si dicho umbral es 1.80, todas las personas que midan 1.80 o más serán
altas, mientras que las otras serán bajas. Según esta manera de pensar, alguien que mida
1.79 será tratado igual que otro que mida 1.50, ya que ambas han merecido el
calificativo de bajas. Sin embargo, si dispusiéramos de una herramienta para caracterizar
las alturas de forma que las transiciones fueran suaves, estaríamos reproduciendo la
realidad mucho más fielmente.
Asimismo, no hay un valor cuantitativo que defina el término joven. Para algunas
personas, 25 años es joven, mientras que para otras, 35 es joven. Incluso el concepto
puede ser relativo al contexto. Un presidente de gobierno de 35 años es joven, mientras
que un futbolista no lo es. Sin embargo hay cosas que están claras: una persona de 1
año es joven, mientras que una de 100 años no lo es. Pero una persona de 35 años tiene
posibilidades de ser joven (normalmente dependen del contexto). Para representar este
hecho, definiremos el conjunto joven de modo que cada uno de sus elementos (edades)
pertenezca a él con cierto grado (posibilidad).
Por ejemplo podemos modelar el conjunto difuso joven para la edad utilizando una
función de pertenencia como la mostrada en la figura 2-8. En este caso, una persona
será completamente joven cuando tenga menos de 25 años y no será para nada joven
cuando tenga más de 50. En las edades intermedias, los grados de pertenencia irán
siendo menores progresivamente.
Figura 2-8: Función de pertenencia de joven si el U es continuo
La lógica difusa es útil y efectiva en las siguientes situaciones:
• En procesos complejos, si no existe un modelo de solución sencillo.

• Cuando haya que introducir la experiencia de un operador “experto” que se base
en conceptos imprecisos.
• Cuando ciertas partes del sistema a controlar son desconocidas y no pueden
medirse de forma fiable.
• Cuando el ajuste de una variable puede producir el desajuste de otras.
Algunos de los términos más utilizados en el ámbito de los conjuntos difusos son:

• El núcleo de un subconjunto difuso A es el conjunto de los elementos 𝑢𝑢𝑖𝑖 que
pertenecen totalmente a A, es decir que verifican µA(𝑢𝑢𝑖𝑖 ) = 1
• El soporte de subconjunto difuso A es el conjunto de los elementos 𝑢𝑢𝑖𝑖 que
pertenecen, en cierto grado, a A. Es decir que verifican µA(𝑢𝑢𝑖𝑖 ) > 0.
• Variable difusa es una variable en la que se utilizan conjuntos difusos para
representar sus estados mediante conceptos lingüísticos.
• Dos conjuntos difusos A y B son iguales si y solo si sus funciones características
µA(𝑢𝑢𝑖𝑖 ) y µB(𝑢𝑢𝑖𝑖 ) son iguales.
Las operaciones básicas entre conjuntos difusos son las siguientes:
• El conjunto complementario ¬𝐴𝐴 de un conjunto difuso A es aquel cuya función

de pertenencia viene definida por µA(𝑢𝑢𝑖𝑖 ) = 1 − µA(𝑢𝑢𝑖𝑖 )
• La unión de dos conjuntos difusos A y B es un conjunto difuso A ∪ B en U cuya
función de pertenencia es µA ∪B(𝑢𝑢𝑖𝑖 ) = S[µA(𝑢𝑢𝑖𝑖 ), µB(𝑢𝑢𝑖𝑖 )]
• La intersección de dos conjuntos difusos A y B es un conjunto difuso A ∩ B en U
con función característica µA ∩B (𝑢𝑢𝑖𝑖 ) = T[µA(𝑢𝑢𝑖𝑖 ), µB(𝑢𝑢𝑖𝑖 )]
S y T son t-normas y t-conormas respectivamente y se explican en las secciones

siguientes.
Estas tres operaciones definidas para conjuntos difusos cumplen, al igual que en la teoría
clásica de conjuntos, asociatividad, conmutatividad y distributividad, así como las leyes
de Morgan. Sin embargo, existen dos leyes fundamentales de la teoría clásica de
conjuntos como son el Principio de contradicción 𝐴𝐴 ∪ ¬𝐴𝐴 = U, y el Principio de exclusión:
𝐴𝐴 ∩ ¬𝐴𝐴 = ø que no se cumplen en la teoría de conjuntos difusos.
2.2.1 Operador t-norma

Una función T: [0,1]2 → [0,1] es una t-norma si satisface las siguiente propiedades:
• Condición de contorno T(x,1)= x para todo x є [0,1];

• Monótona, T(x,y) ≤ T(z,u) si x ≤ z e y≤u;
• Conmutativa, T(x,y) = T(y,x) para todo x,y є [0,1];
• Asociativa, T(T(x,y),z) = T(x,T(y,z)) para todo x,y,z є [0,1];
Ejemplos de t-norma:
• Mínimo: T(x,y) = min{x,y}

• Producto algebraico: T(x,y)= x*y
• Lukasiewicz: T(x,y) = max{0, x + y -1}

2.2.2 Operador t-conorma
Una función S: [0,1]2 → [0,1] es una t-conorma si satisface las siguiente propiedades:
• Condición de contorno S(x,0)= x para todo x є [0,1];

• Monótona, S(x,y) ≤ S(z,u) si x ≤ z e y≤u;
• Conmutativa, S(x,y) = S(y,x) para todo x,y є [0,1];
• Asociativa, S(S(x,y),z) = S(x,S(y,z)) para todo x,y,z є [0,1];
Ejemplos de t-conorma:
• Máximo: S(x,y) = max{x,y}

• Suma probabilística S(x,y)= x+y-x*y
• Lukasiewicz: S(x,y) = min{1, x + y}
2.3 Algoritmos genéticos

Los algoritmos genéticos son métodos adaptativos que pueden usarse para resolver
problemas de búsqueda y optimización. Están basados en el proceso evolutivo de los
organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la
naturaleza de acuerdo con los principios de la selección natural y la supervivencia de los
más fuertes, postulados por Darwin (1859). Por imitación de este proceso, los algoritmos
genéticos son capaces de ir creando soluciones para problemas del mundo real. La
evolución de dichas soluciones hacia valores óptimos del problema depende en buena
medida de una adecuada codificación de las mismas.
Algunas de las ventajas de estos algoritmos son que hacen un uso inteligente de las
búsquedas llevadas a cabo en problemas de optimización y aunque son aleatorios, se
ayudan de información pasada para orientar la búsqueda en el futuro. Además son más
robustos que otros métodos de la inteligencia artificial. Es decir, son menos sensibles a
pequeñas variaciones en los parámetros iniciales o a perturbaciones debidas a ruido,
información incompleta, etc. Igualmente la búsqueda en espacios de soluciones muy
grandes es más efectiva que con otros métodos de Inteligencia Artificial. En particular,
son muy apropiados para llevar a cabo búsquedas en espacios de soluciones muy
grandes o para lograr combinaciones óptimas de elementos que, de otra forma,
resultaría temporalmente muy costoso, si no imposibles de obtener.
Los algoritmos genéticos parten de una serie de individuos o soluciones que constituyen
la población. Éstos se utilizan para generar los individuos de la siguiente población. Las
soluciones para crear una nueva población se eligen teniendo en cuenta su adaptación
al problema a resolver. Este proceso se repite hasta que se cumpla una condición dada
(número de iteraciones máximas alcanzadas, solución perfecta encontrada, etc.)

Algunos de los conceptos básicos de los diferentes elementos y componentes que
forman un algoritmo genético son:
• Cromosoma o individuo: Conjunto de genes. Un cromosoma o individuo

representa la solución a un problema dado en forma de genes, que son los que
representan los parámetros del sistema a optimizar o del problema a resolver.
• Población: Conjunto de individuos que utiliza el algoritmo genético para
solucionar el problema.
• Fitness (Adaptación, calidad): Valor que se asigna a cada individuo en función
de lo lejos o cerca que se haya de la solución. Cuanto mayor es el valor de fitness
de un cromosoma, mejor solución representa.
• Función de fitness: Función que asigna a cada individuo su fitness. Depende de
cada problema específico.
• Cruce: Operación que toma dos individuos y combina sus cromosomas para
obtener nuevos individuos.
• Mutación: Operación que modifica ligeramente un gen en un individuo.
• Selección: Operación que escoge individuos realizar la operación de cruce.
El esquema básico de un algoritmo genético estándar sigue estos pasos
COMIENZO
INICIALIZAR la población aleatoriamente
POR CADA INDIVIDUO evaluar su calidad utilizando la función de fitness
REPETIR HASTA condición HACER
1-SELECCIONAR padres
2-CRUZAR los padres
3-MUTAR los descendientes resultantes
4-POR CADA DESCENDIENTE evaluar su calidad utilizando la función de

fitness
5-SELECCIONAR los individuos para formar la siguiente generación
FIN
Como se ha descrito anteriormente, son necesarios una serie de conceptos o términos

para una correcta síntesis de este tipo de algoritmos.

Algunos de los componentes más importantes anteriormente explicados poseen una
serie de variantes o posibilidades dependiendo del tipo del problema, codificación del
cromosoma, cruce, etc. Ciertos componentes requieren una mención y explicación más
precisa.
• Representación: Es necesario relacionar el problema en el mundo real con

nuestras posibilidades de codificación. Hay dos codificaciones muy habituales
que son la binaria y la real. En la binaria, cada cromosoma es una secuencia de
ceros y unos:
Cromosoma 1: 001001100110
Cromosoma 2: 101111000010
Existen otros tipos de representaciones como las basadas en permutaciones,

codificación en árbol, etc. La elección de cual escoger dependerá del tipo de
problema.
• Población: La población representa todas las soluciones que existen en un

momento dado. La diversidad de una población se refiere a la variedad de
soluciones entre los individuos que componen la población.
• Mecanismo de selección de padres: Este mecanismo, que debe también fijarse

de antemano, escoge entre la población los individuos mejor adaptados para
generar la siguiente población. Un individuo es un padre o progenitor si ha sido
seleccionado para generar nuevas soluciones (individuos). En general, los
individuos de mejor calidad tienen más posibilidades de ser escogidos como
padres. Sin embargo, los individuos de baja calidad tienen una probabilidad
positiva aunque pequeña de ser elegidos, para evitar caer en óptimos locales.
Algunos ejemplos de estos mecanismos de selección son:

o Método de la Ruleta: La probabilidad de que un individuo sea
seleccionado es proporcional a su fitness.
Figura 2-9: Método de la ruleta

En este método se puede visualizar intuitivamente como una ruleta, tal y
como se muestra en la figura 2-9 en la que se representa una población de
8 individuos. El porcentaje representado es proporcional al valor de fitness
de cada uno de ellos. En particular, como el cromosoma 5 presenta un valor
mayor, tendrá más opciones de ser elegido para cruzarse más veces.
o Método del Torneo: En este método no se necesita un conocimiento global

de lo óptima que es una solución ni de todas las soluciones simultáneamente.
El método se basa en comparar k cromosomas cada vez. La probabilidad de
que un individuo sea seleccionado depende de varios factores.
1. El tamaño k del torneo. A mayor número de individuos, más
probabilidad de ser seleccionado.
2. La posibilidad de que el mejor adaptado del torneo sea elegido. En
general, esta probabilidad es 1, es decir, se fuerza.
3. Si los individuos son seleccionados con o sin sustitución. En el primer
caso, incluso el peor adaptado podría ser seleccionado.
• Mutación: Un operador de mutación actúa sobre un único individuo y lo

devuelve ligeramente modificado. El papel de las mutaciones en los algoritmos
genéticos es proporcionar diversidad. Sin embargo, existen algoritmos
evolutivos en los que no se usan y otros en los que son la única fuente de cambio
utilizada para alcanzar la solución. La mutación se lleva a cabo por medio de
operadores estocásticos (probabilísticos aleatorios) y permiten en ciertos casos
garantizar que los algoritmos genéticos alcanzan una solución.
En el ejemplo de una codificación binaria, Cada gen puede cambiar su valor (de
0 a 1 o de 1 a 0) con probabilidad p, como se puede ver en la figura 2-10.
Figura 2-10: Ejemplo de mutación de un cromosoma
La probabilidad de mutación para algoritmos genéticos se toma muy baja (del

orden de 0,05 o inferior). Existen muchos métodos de mutación dependiendo
del tipo de representación (mediante enteros, en punto flotante, mediante
permutaciones).
• Cruce: Como anteriormente se ha mencionado, es un operador que toma dos

individuos, los combina y devuelve uno o dos descendientes. En los algoritmos

genéticos es el principal operador de búsqueda de soluciones. Existen muchos
métodos de cruce dependiendo del tipo de codificación del cromosoma que se
tenga en cada problema. Para codificaciones binarias cabe destacar:
o Cruce en un punto: Dados dos cromosomas de longitud N, se elige

aleatoriamente un entero l entre 0 y N-1 y se toman los l primeros genes del
cromosoma 1 con los N-l segundos genes del cromosoma 2 y l primeros genes
del cromosoma 2 con los N-l segundos genes del cromosoma 1 tal y como se
muestra en la figura 2-11.
Figura 2-11: Cruce sobre un punto
o Cruce de n puntos: Es igual al anterior pero con n puntos de cruce.

o Otros: Cruce uniforme, etc.
Para codificaciones no binarias cabe destacar:
o Cruce por recombinación aritmética: A partir de dos cromosomas se hace la

media para todas las posiciones.
o Cruce PCBLX: Dados dos cromosomas C1 = (c11,…, c1n) y C2 = (c21,…, c2n),

donde c1i, c2i Є [ai,bi]. Se generan dos descendientes, Hk = (hk1,…, hki,…, hkn),
k =1,2 donde hki se genera aleatoriamente en el intervalo [li, ui].
K=1 K=2
li = max {ai, c1i-D} li = max {ai, c2i-D}

ui = min {bi, c1i+D} ui = min {bi, c2i+D}
D = | c1i – c2i | D = | c1i – c2i |
o Otros: Recombinación aritmética total (en punto real), parcialmente

mapeado (por permutaciones), cruce de aristas, cruzamiento basado en
orden, cíclico, etc.

• Método de reemplazo de la población: Consiste en escoger los individuos que
formarán parte de la siguiente población. En general es determinista: se
eliminan los individuos más viejos o peor adaptados de la generación anterior.
o Sustitución basada en la edad: Cada individuo solo está presente en el
algoritmo durante un número fijado de generaciones. Por supuesto, esto
puede llevar a la eliminación de los mejor adaptados lo cual puede ser un
problema.
o Reemplazar los peores individuos: Se eliminan los peores individuos. Puede
producir convergencia prematura.
o Elitismo: Se mantiene el mejor individuo en la siguiente población y el resto
de individuos se sustituyen por los hijos. El mayor elitismo se consigue al
combinar los padres con los hijos y eligiendo los mejores.
2.4 Algoritmo FIRE

Los operadores FIRE (Fuzzy Inference Ruled by Else-action) son una clase de operadores
no lineales para el procesamiento de imágenes mediante el uso de reglas difusas. Este
algoritmo propone el uso de un algoritmo genético mediante el cual se describe un
método para la generación automática de la base de reglas difusas. El creador de los
operadores FIRE es Fabrizio Russo (Universidad de Trieste, Italia, en el año 1998).
El algoritmo FIRE está enfocado en la eliminación del ruido impulsivo Sal y Pimienta y
preservación del detalle. También es utilizado como método de detección de bordes
pero no está contemplado en este proyecto.
Una vez esta pequeña introducción se va a proceder a explicar cada proceso y

componentes de este tipo de filtrado.
El algoritmo FIRE se basa en operaciones mediante las cuales se va tratando cada píxel
de la imagen teniendo en cuenta su ventana de vecindad (3x3).
Figura 2-12: Ventana de vecindad para cada píxel
En el proceso del tratamiento de la imagen con ruido, se obtienen las llamadas variables
de entrada Δ para cada píxel en función de su vecindad de la siguiente manera:
Δx𝑗𝑗 (𝑛𝑛) = 𝑥𝑥𝑗𝑗 (𝑛𝑛) − 𝑥𝑥(𝑛𝑛)
Es decir, cada variable de entrada Δx𝑗𝑗 se calculará restando el valor de cada vecino
menos el píxel central con lo que tenemos 8 variables de entrada para cada regla. De

esta forma las reglas tendrán 8 antecedentes y vendrán representadas por cadenas de
unos y ceros como se puede ver en la figura 2-12, donde las variables 2, 4 y 6
conformarían el antecedente de la regla.
0 1 0 1 0 1 0 0
Figura 2-13: Ejemplo de representación de una regla
La regla representada en la Figura 2-13 se establece de la siguiente manera:
𝐼𝐼𝐼𝐼 (Δx2 , 𝐿𝐿𝑃𝑃) 𝐴𝐴𝐴𝐴𝐴𝐴 (Δx4 , 𝐿𝐿𝐿𝐿) 𝐴𝐴𝐴𝐴𝐴𝐴 (Δx6 , 𝐿𝐿𝐿𝐿) 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 (Δy, PO)
𝐼𝐼𝐼𝐼 (Δx2 , 𝐿𝐿𝐿𝐿) 𝐴𝐴𝐴𝐴𝐴𝐴 (Δx4 , 𝐿𝐿𝐿𝐿) 𝐴𝐴𝐴𝐴𝐴𝐴 (Δx6 , 𝐿𝐿𝐿𝐿) 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 (Δy, NE)
Ilustración 2-1: Representación de una regla LP y LN
Donde PO (positivo) y NE (negativo) representan singletons centrados en L-1 y –L+1.
Al aplicar cada regla como PO y NE, hace que estén diseñadas para hacer frente a los
impulsos de ruido positivo y negativo (Sal y Pimienta).
Una vez calculadas estas variables de entrada, se fuzzifican mediante dos conjuntos
difusos etiquetados LP (large positive) y LN (large negative). La función de pertenencia
del conjunto difuso LP es la siguiente:
0 𝑠𝑠𝑠𝑠 0 < 𝑥𝑥 < 𝑎𝑎

𝑥𝑥−𝑎𝑎
∗ 𝑐𝑐 𝑠𝑠𝑠𝑠 𝑎𝑎 ≤ 𝑥𝑥 ≤ 𝑏𝑏
𝑚𝑚𝐿𝐿𝐿𝐿 (𝑥𝑥) = � 𝑏𝑏−𝑎𝑎
𝑥𝑥−𝑏𝑏
𝑐𝑐 + ∗ (1 − 𝑐𝑐) 𝑠𝑠𝑠𝑠 𝑏𝑏 ≤ 𝑥𝑥 ≤ 𝐿𝐿 − 1
𝐿𝐿−1−𝑏𝑏
Figura 2-14: Función de pertenencia del conjunto LP
Para fuzzificar las variables de entrada mediante el conjunto difuso LN simplemente se

realiza:
𝑚𝑚𝐿𝐿𝐿𝐿 (𝑥𝑥) = 𝑚𝑚𝐿𝐿𝐿𝐿 (−𝑥𝑥)
Es decir, es el antónimo de LP. Para calcularlo se cambian de signo las variables de

entrada y se realiza el proceso exactamente igual que en LP.
Para poder realizar este proceso (fuzzificar las variables de entrada mediante LP y LN) es
necesario un cálculo previo del parámetro ‘a’.
El cálculo del parámetro ‘a’ viene formulado a partir de una nueva función de
pertenencia:

Figura 2-15: Función de pertenencia para calcular la variable "a"
donde 𝑎𝑎 = 𝑎𝑎𝑚𝑚𝑚𝑚𝑚𝑚 ∗ 𝑚𝑚𝑀𝑀𝑀𝑀 (𝑥𝑥), y 𝑎𝑎𝑚𝑚𝑚𝑚𝑚𝑚 = 𝑏𝑏.
Tanto los parámetros 𝑎𝑎0 , 𝑎𝑎1 , 𝑎𝑎2 de esta función de pertenencia, como los parámetros b
y c de la anterior, vienen fijados por el autor y sus valores son 128, 120, 40, 127 y 0.5
respectivamente. Estos valores no cambian en ningún momento durante el proceso del
algoritmo FIRE. L es el máximo del rango de los valores que puede tomar un píxel, es
decir, 255.
Después de realizar el proceso de fuzzificacion (LP y LN), estos valores fuzzificados serán
los que realmente les lleguen a las variables de las reglas como se muestra en la
Ilustración 2-1.
En general se debe considerar más de un patrón a la hora de aplicar una regla con el fin
de tener en cuenta las posibles combinaciones de ruido en píxeles adyacentes. Como se
ha comentado anteriormente, está generación de reglas automáticas se realizara en el
proceso del algoritmo genético.
El valor de salida Δy se calcula de la siguiente manera:
Δy = (L − 1)(λ1 − λ2 )
donde
λ1 = 𝑀𝑀𝑀𝑀𝑀𝑀�𝑀𝑀𝑀𝑀𝑀𝑀�𝑚𝑚𝐿𝐿𝐿𝐿 �Δx𝑗𝑗 �, 𝑗𝑗 ∈ 𝐴𝐴𝑖𝑖 �, 𝑖𝑖 = 1, … , 𝑁𝑁�
λ2 = 𝑀𝑀𝑀𝑀𝑀𝑀�𝑀𝑀𝑀𝑀𝑀𝑀�𝑚𝑚𝐿𝐿𝐿𝐿 �Δx𝑗𝑗 �, 𝑗𝑗 ∈ 𝐴𝐴𝑖𝑖 �, 𝑖𝑖 = 1, … , 𝑁𝑁�
Una vez calculado el valor de salida Δy, nuestro nuevo valor para el píxel central será
igual a la suma de su valor y Δy. Si no se satisface ninguna regla (todos los bits son iguales
a 0), el valor del píxel central no se modifica (se quedará con el mismo valor).
Por último, el algoritmo FIRE se apoya en el uso de un algoritmo genético para generar
la base de reglas de forma automática.

La generación de estas reglas se realiza de la siguiente manera:
Figura 2-16: Ejemplo de generación de reglas
Cada cromosoma es una cadena binaria de M x 8 bits que representa una base de reglas
completa. Cada una de estas cadenas contiene M substrings. Cada substring representa
un total de 8 reglas debido al siguiente motivo:
Por cada substring realizaremos tres giros (90, 180 y 270 grados). Para el ejemplo
anterior, mostrado en la Figura 2-16, las cadenas resultantes son las siguientes:
0 1 0 1 0 1 0 0 Inicial
0 0 0 1 0 1 0 1 90 grados
0 1 0 0 0 1 0 1 180 grados
0 1 0 1 0 0 0 1 270 grados
Con este procedimiento generaremos 3 reglas más. Si las añadimos a la regla inicial son
4 reglas. Estas cuatro reglas se aplicaran tanto a LP y a LN por lo que se pueden
considerar 8 reglas. Para el resto de substrings se realiza el mismo proceso por lo que al
final tenemos un total de M * 4 reglas * 2(LP y LN) para aplicar.
El algoritmo empieza con una población de individuos generada aleatoriamente.

Después se aplica todo el método explicado anteriormente para tratar cada píxel de la
imagen con ruido y obtener una imagen filtrada.
Una vez recorrida la imagen y con el fin de poder medir el error que hemos generado
con la base de reglas que representa el cromosoma tratado en cada momento, la función
de Fitness (será nuestra medida para evaluar a cada individuo de la población) viene
definida como:
1 (𝑁𝑁1 − 2)(𝑁𝑁2 − 2)
𝐹𝐹 = =
𝑀𝑀𝑀𝑀𝑀𝑀 ∑𝑁𝑁1 −2 ∑𝑁𝑁2 −2(𝑦𝑦(𝑛𝑛 , 𝑛𝑛 ) − 𝑠𝑠(𝑛𝑛 , 𝑛𝑛 ))2
𝑛𝑛1 =1 𝑛𝑛2=1 1 2 1 2

donde “y” y “s” se corresponden con la imagen limpiada y la imagen original sin ruido.
La única diferencia se encuentra en que al tratar siempre con ventanas 3x3, al calcular
el error no se tienen en cuenta los píxeles de la primera y última fila y columnas porque
no se tratan en ningún momento.
Este proceso se realiza para cada individuo de la población y sucesivas generaciones.

Cuando el algoritmo concluya se habrá obtenido la mejor base de reglas para esa
imagen.

3. PROPUESTAS
En este capítulo se presentan las propuestas planteadas en el proyecto en las que se
utilizan las técnicas descritas en las secciones anteriores. Todas ellas mantienen la
esencia de la propuesta del algoritmo original FIRE pero incorporando y/o modificando
ciertos matices con el fin de buscar una mejora en el desarrollo de la misma.
3.1 Implementación del algoritmo FIRE

En este apartado se van a describir ciertos aspectos técnicos de la configuración en la
implementación del algoritmo FIRE. El proceso y su mecánica siguen exactamente los
mismos pasos que los descritos en el apartado Algoritmo FIRE, salvo por una ampliación
explicada más adelante.
La representación de un cromosoma viene definido como una cadena de Mx8 bits.

1 1 0 1 1 0 0 0 1 0 0 1 0 0 1 0 1 1 1 0 1 1 0 0
Este cromosoma ha sido fijado como el inicial. Tiene 24 elementos por lo que tiene 3
substrings de 8 bits y como se ha descrito en la generación de reglas, se generaran 24
reglas.
Los parámetros de los conjuntos difusos a fuzzificar son fijos durante todo el programa
son:
𝑎𝑎0 128
𝑎𝑎1 120
𝑎𝑎2 40
b 127
c 0,5
En el proceso del ajuste del algoritmo genético, el autor no detalla nada acerca de
ninguno de sus parámetros. No impone método de selección de progenitores, cruce,
mutación, etc. Por ello, se va a detallar los utilizados en ésta y en las demás propuestas.
Todos ellos están explicados detalladamente en los Conceptos preliminares.
Al iniciar el algoritmo genético, la población inicial está formada por 20 individuos (el
cromosoma inicial impuesto y 19 aleatorios).

La condición de parada viene determinada por dos parámetros:
- Se llegue a un numero de iteraciones máximas = 200

- Durante 10 generaciones no mejore el Fitness del mejor cromosoma en
1
0,000001. Se recuerda que el 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 = 𝑀𝑀𝑀𝑀𝑀𝑀
La selección de progenitores se realiza mediante el método de la ruleta.
Para cruzar los progenitores se usa el cruce por un punto. En nuestro caso, al estar
compuesto el cromosoma por M cadenas de 8 bits, se realiza un cruce por cada Substring
(en nuestro caso 3). Además, el cruce se realiza con una probabilidad de 0,9. En caso de
no producirse, los descendientes serán los propios progenitores.
La mutación se realiza sobre cada gen y tiene una probabilidad de realizarse de 0,05.
Una vez se evalúan los nuevos descendientes (20 individuos), la siguiente generación
estará formada por los 20 mejores individuos (de entre la generación actual y los
descendientes nuevos). Es decir, se aplica el mayor nivel de elitismo posible para guiar
la búsqueda completamente por las mejores soluciones.
Una vez ha concluido el algoritmo genético se habrá obtenido el cromosoma que

representa la mejor base de reglas para una imagen inicial con ruido.
Después de obtener el cromosoma ganador se limpia la imagen con ruido inicial y a

continuación, se vuelve a aplicar la misma base de reglas utilizando la imagen filtrada
anteriormente. Esta segunda imagen será la solución final del algoritmo.
A esta extensión se le ha llamado proceso de recuperación de la mejor imagen y

limpieza.
3.2 Ajuste de los parámetros del conjunto difuso LP

Esta propuesta presenta dos diferencias respecto a la anterior.
El algoritmo original deja fijos los parámetros 𝑎𝑎0 , 𝑎𝑎1 , 𝑎𝑎2 , 𝑏𝑏 𝑦𝑦 𝑐𝑐, por lo que puede estar
limitando la calidad de las soluciones. Por este motivo se propone añadir estas variables
dentro del cromosoma.
La estructura de un cromosoma para esta versión queda definida de la siguiente manera:

1 1 0 1 1 0 0 0 1 0 0 1 0 0 1 0 1 1 1 0 1 1 0 0
128 120 40 127 0,5
El propósito de la modificación de los parámetros de los conjuntos difusos es para dar

una mayor libertad al algoritmo genético para obtener mejores resultados.

A la hora de realizar el cruce, se efectuará en dos partes. Una primera (la parte binaria)
de la misma manera que en la propuesta anterior y la segunda (parte real) se realizará
mediante el cruce PCBLX, también explicado en los conceptos preliminares.
Un detalle a tener en cuenta tanto a la hora de crear estos nuevos parámetros reales de
forma aleatoria como en el cruce es que siempre tiene que cumplirse 𝑎𝑎1 ≥ 𝑎𝑎2 por la
propia definición del conjunto difuso para obtener el valor “a”.
Otra puntualización que merece ser destacada es que los parámetros 𝑎𝑎0 , 𝑎𝑎1 , 𝑎𝑎2 𝑦𝑦 𝑏𝑏 se
tienen que encontrar siempre en el rango [0,255] y c en [0,1].
El resto del procedimiento (aplicación del algoritmo FIRE y proceso de recuperación y

limpia) es idéntico al explicado en la propuesta anterior.
3.3 Ajuste de los parámetros del conjunto difuso LP y LN

En la propuesta anterior se han añadido los parámetros 𝑎𝑎0 , 𝑎𝑎1 , 𝑎𝑎2 , 𝑏𝑏 𝑦𝑦 𝑐𝑐 en el
cromosoma para que actúen de manera variable por cada cromosoma. En esta
propuesta se realizará una distinción entre parámetros 𝑎𝑎0 , 𝑎𝑎1 , 𝑎𝑎2 , 𝑏𝑏 𝑦𝑦 𝑐𝑐 para LP y
𝑎𝑎0 , 𝑎𝑎1 , 𝑎𝑎2 , 𝑏𝑏 𝑦𝑦 𝑐𝑐 para LN.
Por lo tanto la estructura de un cromosoma en esta versión quedará definida de la

siguiente manera:
1 1 0 1 1 0 0 0 1 0 0 1 0 0 1 0 1 1 1 0 1 1 0 0
128 120 40 127 0,5 127 120 40 127 0,5
Es decir, se introducen 5 parámetros para el conjunto difuso LP y otros 5 para LN. De

esta forma dichos conjuntos difusos ya no son antónimos entre ellos. A la hora de
realizar los procesos de fuzzificación LP y LN, cada conjunto difuso tendrá sus propios
parámetros en vez de utilizar los dos lo mismos como en la versión anterior.
Tanto el procedimiento (aplicación del algoritmo FIRE y proceso de recuperación y

limpia) como la configuración del algoritmo genético son exactamente igual al explicado
en la propuesta Implementación del algoritmo FIRE.
3.4 Optimización de los parámetros del conjunto difuso LP para

cada variable de entrada
En este apartado se quiere dotar de aún más libertad de aprendizaje al algoritmo
genético. Volviendo a la estructura tomada en la propuesta Ajuste de los parámetros del
conjunto difuso LP (añadir los parámetros 𝑎𝑎0 , 𝑎𝑎1 , 𝑎𝑎2 , 𝑏𝑏 𝑦𝑦 𝑐𝑐 al cromosoma) se va a realizar
una optimización sobre este planteamiento. Se debe destacar que en esta propuesta LN
siempre será el antónimo del correspondiente LP.

Se añadirán una cadena de parámetros 𝑎𝑎0 , 𝑎𝑎1 , 𝑎𝑎2 , 𝑏𝑏 𝑦𝑦 𝑐𝑐 por cada variable de entrada
Δx𝑗𝑗 . Por lo tanto, al haber 8 variables de entrada nuestro nuevo cromosoma tendrá 8*5
parámetros (parte real) y la parte binaria (igual que siempre).
La representación de la estructura de un cromosoma para esta nueva propuesta es:

1 1 0 1 1 0 0 0 1 0 0 1 0 0 1 0 1 1 1 0 1 1 0 0
128 120 40 127 0,5 128 120 40 127 0,5 128 120 40 127 0,5 128 120 40 127 0,5 128 120 40 127
0,5 128 120 40 127 0,5 128 120 40 127 0,5 128 120 40 127 0,5
En esta propuesta al igual que en la propuesta Ajuste de los parámetros del conjunto
difuso LP, no se hará distinción de parámetros para los conjuntos difusos LP y LN. La
única diferencia es que el proceso de fuzzificar los conjuntos difusos LP y LN habrá uno
por cada componente Δx𝑗𝑗 (𝐿𝐿𝐿𝐿1 , … , 𝐿𝐿𝐿𝐿8 ).
Al igual que en todas las propuestas, el procedimiento (aplicación del algoritmo FIRE y
proceso de recuperación y limpia) como la configuración del algoritmo genético son
exactamente igual al explicado en la propuesta Implementación del algoritmo FIRE.
3.5 Algoritmo general de limpieza con FIRE

A la hora de la verdad no tiene sentido aplicar FIRE para aprender sobre una imagen con
ruido teniendo la original sin ruido. Normalmente no se van a tener las imágenes con
ruido y sin él. Con este sistema se va a lograr un cromosoma (con la mejor base de reglas)
para un conjunto de imágenes de entrenamiento. Luego, esta base de reglas podrá ser
aplicada para tratar cualquier imagen que reciba el sistema.
Con este último planteamiento se pretender ir un paso más allá y sacar más partido a
las ventajas de un algoritmo genético. Para ello se ha modificado la estructura de todo
el algoritmo para que en vez de limpiar una imagen con ruido, lo haga con varias. El
objetivo de este nuevo algoritmo es que se pueda realizar una primera fase de
aprendizaje con varias imágenes con ruido sal y pimienta para obtener un cromosoma
(el mejor) sobre esas imágenes de entrenamiento. Toda la propuesta sigue el mismo
procedimiento que el algoritmo original pero adaptado a más de una imagen.
Una vez tenemos el cromosoma ganador (el que mejor se ajusta a esas imágenes de
entrenamiento) se aplica la segunda fase que se corresponde con la recuperación de la
imagen y limpieza pero adaptada a cualquier imagen (las de entrenamiento y/o nuevas).
De esta forma, se ha construido un sistema capaz de poder entrenar con “X” imágenes
de entrenamiento y en base al cromosoma obtenido, tratar cualquier otra imagen con
ruido que se presente.

Para una mejor comprensión de este planteamiento, se va a proceder a realizar un
esquema sobre su funcionamiento.
FASE 1: Entrenamiento FASE 2: tratar imágenes (FIRE+

Alg genético + limpieza
Imagen 1 (de Imagen 1 (de tratamiento limpieza

Imagen 1
train) con test) con Imagen 1 Final
tratada
ruido ruido
Imagen 2 (de
train) con
Imagen 2 (de
ruido Imagen 2
test) con Imagen 2 Final
tratada
FIRE + Alg ruido
Cromosoma Ganador
genético
. .
. .
. .
. .
. .
. .
Imagen N (de Imagen M (de
Imagen M Imagen M
train) con test) con
tratada Final
ruido ruidot
El propósito es conseguir sacar todo el potencial a los algoritmos genéticos y su

posibilidad aprender sobre unos ejemplos. Con lo aprendido, actuar sobre cualquier
caso que se nos presente creando un sistema general para tratar cualquier imagen en
vez de quedarse con ajustar una imagen de manera individual.
Este algoritmo general se puede aplicar con cualquiera de las propuestas anteriores. De
hecho este algoritmo general se emplea con cada una de las 4 versiones anteriormente
para la siguiente sección de resultados.

4. RESULTADOS
En esta sección se van a exponer todas las pruebas realizadas, imágenes utilizadas,
resultados obtenidos y sus posteriores análisis.
4.1 Marcos Experimental

En este apartado se van a detallar el conjunto de imágenes utilizadas y la configuración
de los parámetros usados durante las pruebas.
A continuación se presentan las diferentes imágenes utilizadas para la realización de las

pruebas. En total se han usado 27 imágenes de las cuales 7 han sido utilizadas para
entrenamiento y el resto para test. Todas las imágenes que se han usado son de tamaño
256x256 píxeles.
Imágenes de entrenamiento
5.2.10.png einstein.png indor1.png
indor2.png lena.png test1.png
venice.png

Imágenes de test
4.1.png 4.1.06.png 4.2.05.png
4.2.06.png aerial2.png barche.png
car2.png casa.png donna.png
elaine.512.png goldhill.png hedgebw.png

house.png indor3.png indor4.png
indor5.png indor7.png nat6.png
nat7.png portofino.png
Se han realizado las pruebas con las mismas imágenes pero con diferentes densidades
de ruido (0.1, 0.18 y 0.3). Para el desarrollo de las pruebas se han utilizado los algoritmos
propuestos en el capítulo anterior:
1. Algoritmo general de limpieza + Implementación del algoritmo FIRE

2. Algoritmo general de limpieza + Ajuste de los parámetros del conjunto difuso LP
3. Algoritmo general de limpieza + Ajuste de los parámetros del conjunto difuso LP
y LN
4. Algoritmo general de limpieza + Optimización de los parámetros del conjunto
difuso LP para cada variable de entrada Δx𝑗𝑗
Para todas las propuestas la configuración de los parámetros es idéntica:
- Número de cadenas binarias de Substrings del cromosoma: M = 3

- Tamaño de ventana de vecindad: 3x3
1
- Fitness: 𝑀𝑀𝑀𝑀𝑀𝑀
- Parámetros de los conjuntos difusos: 𝑎𝑎0 = 128, 𝑎𝑎1 = 120, 𝑎𝑎2 = 40, 𝑏𝑏 =
127 𝑦𝑦 𝑐𝑐 = 0,5. Este conjunto difuso siempre es incluido en todas las propuestas
como cromosoma inicial.
- Cromosoma inicial: Cada propuesta tiene una representación diferente tal y
como se ha explicado en el capítulo anterior. Son los siguientes:
1. Algoritmo general de limpieza + Implementación del algoritmo FIRE

1 1 0 1 1 0 0 0 1 0 0 1 0 0 1 0 1 1 1 0 1 1 0 0
2. Algoritmo general de limpieza + Ajuste de los parámetros del conjunto

difuso LP
1 1 0 1 1 0 0 0 1 0 0 1 0 0 1 0 1 1 1 0 1 1 0 0
128 120 40 127 0,5
3. Algoritmo general de limpieza + Ajuste de los parámetros del conjunto

difuso LP y LN
1 1 0 1 1 0 0 0 1 0 0 1 0 0 1 0 1 1 1 0 1 1 0 0
128 120 40 127 0,5 127 120 40 127 0,5
4. Algoritmo general de limpieza + Optimización de los parámetros del

conjunto difuso LP para cada variable de entrada Δx𝑗𝑗 .
1 1 0 1 1 0 0 0 1 0 0 1 0 0 1 0 1 1 1 0 1 1 0 0
128 120 40 127 0,5 128 120 40 127 0,5 128 120 40 127 0,5 128 120 40 127 0,5 128 120 40 127
0,5 128 120 40 127 0,5 128 120 40 127 0,5 128 120 40 127 0,5
- Población inicial: 19 individuos aleatorios y el cromosoma inicial

- Selección de progenitores: método de la ruleta
- Cruce: Cruce por un punto para la parte binaria y PCBLX para la parte real
- Probabilidad de cruce: 0,9
- Mutación: sobre cada gen con una probabilidad de 0,05
- Tamaño de la siguiente generación: 20 individuos (los mejores)
- Condición de parada
o Iteraciones máximas = 200
o No se produzca mejora del Fitness del mejor cromosoma de 0,000001
durante 10 generaciones

Además de las propuestas, se han utilizado dos filtros para la realización de pruebas y
comparación de resultados.
- Filtro de la Mediana: Tamaño de ventana de vecindad 3x3

- Filtro Median_base impulsive detector: Tamaño de ventana de vecindad 3x3 y
umbral T=40
4.2 Resultados obtenidos

En este apartado vamos a ver los diferentes resultados para cada nivel de ruido. Por
cada uno se mostrarán los resultados numéricos y visuales, así como un análisis de los
mismos.
4.2.1 Resultados con densidad de ruido 0,1

A continuación se muestran los resultados visuales de algunas imágenes después de ser
tratadas por los diferentes procedimientos para el nivel de ruido 0,1.
Debido a la gran cantidad de imágenes utilizadas en las pruebas, se muestran una

selección de las imágenes de test por motivos de espacio.
Cada fila de la tabla 4-1 corresponde a los resultados de una imagen de test.
Las columnas de la tabla 4-1 son: la imagen original sin ruido, la imagen con nivel de
ruido 0.1, las imágenes resultantes de cada uno de las propuestas (algoritmos 1-4) y las
imágenes resultantes de los filtros de la Mediana y Median_base impulsive detector.
Esta estructura será igual para los otros dos niveles de ruidos expuestos en los apartados
posteriores.

Filtro
Imagen sin Imagen con Median_base
Algoritmo 1 Algoritmo 2 Algoritmo 3 Algoritmo 4 Filtro Mediana
ruido ruido impulsive
detector
Tabla 4-1: Resultados visuales para densidad de ruido 0,1

En la tabla 4-2 se muestran los resultados numéricos (MSE) para el nivel de ruido 0,1.
Cada fila corresponde a los valores que surgen por cada una de las 27 imágenes
mostradas en el marco experimental (tanto de entrenamiento como de test, 27 en
total). Cada columna se corresponde con cada uno de los algoritmos propuestos y los
dos filtros (Filtro de la Mediana y Filtro Median_base impulsive detector).
Estos algoritmos son:
- Algoritmo 1: Algoritmo general de limpieza + Implementación del algoritmo FIRE

- Algoritmo 2: Algoritmo general de limpieza + Ajuste de los parámetros del
conjunto difuso LP
- Algoritmo 3: Algoritmo general de limpieza + Ajuste de los parámetros del
conjunto difuso LP y LN
- Algoritmo 4: Algoritmo general de limpieza + Optimización de los parámetros del
conjunto difuso LP para cada variable de entrada Δx𝑗𝑗
Cada celda se compone de dos elementos. El valor que aparece a la izquierda de cada
celda, corresponde con el valor del Error Cuadrático Medio de cada algoritmo para cada
imagen. Para cada fila, el elemento que mejor Error Cuadrático Medio tenga de todos
(el más bajo) aparecerá en negrita. Además, el mejor de los cuatro algoritmos
propuestos aparecerá subrayado.
En función de ese valor, en la parte derecha de cada celda, aparece un número entre
paréntesis. Este valor sirve para realizar un ranking entre todos los valores de la fila.
Estos valores van del 1 (el mejor) hasta número total de métodos, 6 (el peor de todos).
La última fila de la tabla contiene dos elementos. El valor superior realiza una media de
estos rankings con el fin de proporcionar una idea de la calidad de cada uno de los
métodos. El elemento inferior, corresponde con el número de veces que el método
obtiene el mejor ranking.

Filtro
Algoritmo Algoritmo Algoritmo Algoritmo Filtro de la Median_bas
1 2 3 4 Mediana e impulsive
detector
Lena 20,74 (3) 20,18 (2) 19,56 (1) 22,01 (4) 71,37 (5) 185,09 (6)
5.2.10 66,01 (2) 68,79 (4) 57,30 (1) 68,37 (3) 333,39 (5) 570,57 (6)
Einstein 10,82 (1) 15,64 (4) 11,14 (2) 13,81 (3) 46,93 (5) 120,00 (6)
Indor1 0,60 (1) 1,96 (4) 1,65 (3) 2,08 (5) 1,57 (2) 13,33 (6)
Indor2 7,25 (1) 7,30 (2) 8,20 (3) 8,67 (4) 11,79 (5) 34,18 (6)
Test1 307,55 (4) 171,37 (1) 271,88 (2) 305,47 (3) 492,11 (5) 521,95 (6)
Venice 88,82 (4) 61,19 (1) 64,71 (2) 82,85 (3) 283,26 (5) 433,35 (6)
4.1.04 10,25 (1) 16,18 (4) 10,87 (2) 13,62 (3) 21,55 (5) 79,84 (6)
4.1.06 22,86 (1) 29,86 (4) 22,90 (2) 27,00 (3) 104,45 (5) 222,45 (6)
4.2.05 28,84 (2) 29,80 (3) 24,51 (1) 29,84 (4) 122,57 (5) 220,96 (6)
4.2.06 37,50 (2) 38,51 (3) 33,39 (1) 38,75 (4) 187,63 (5) 323,33 (6)
Aerial2 23,20 (1) 29,24 (4) 23,49 (2) 28,67 (3) 104,45 (5) 288,90 (6)
Barche 21,27 (1) 27,26 (4) 21,39 (2) 24,42 (3) 111,50 (5) 246,08 (6)
Car2 169,59 (3) 106,79 (1) 151,06 (2) 174,69 (4) 312,78 (5) 378,95 (6)
Casa 7,29 (1) 17,40 (4) 8,15 (2) 10,72 (3) 33,79 (5) 103,80 (6)
Donna 5,49 (1) 8,99 (4) 5,98 (2) 7,43 (3) 25,54 (5) 108,47 (6)
Ealine.512 14,96 (1) 17,41 (4) 15,40 (2) 17,29 (3) 57,79 (5) 158,58 (6)
Goldhill 20,19 (1) 23,07 (3) 20,34 (2) 23,81 (4) 113,88 (5) 256,77 (6)
Hedgebw 28,30 (2) 31,54 (4) 26,18 (1) 30,28 (3) 107,47 (5) 299,48 (6)
House 33,04 (2) 37,87 (4) 31,72 (1) 36,57 (3) 182,88 (5) 338,29 (6)
Indor3 8,53(3) 6,98 (1) 8,47 (2) 9,12 (4) 10,51 (5) 25,43 (6)
Indor4 5,56 (1) 8,80 (4) 8,28 (3) 7,68 (2) 14,85 (5) 49,95 (6)
Indor5 7,35 (1) 13,37 (4) 8,68 (2) 10,95 (3) 27,20 (5) 78,37 (6)
Indor7 4,40 (1) 8,96 (4) 5,30 (2) 7,52 (3) 17,10 (5) 78,69 (6)
Nat6 1,24 (1) 3,74 (4) 1,90 (2) 2,70 (3) 5,92 (5) 40,27 (6)
Nat7 27,21 (1) 35,03 (4) 27,42 (2) 33,18 (3) 107,22 (5) 215,66 (6)
Portofino 23,52 (2) 28,07 (4) 22,02 (1) 26,68 (3) 144,97 (5) 276,71 (6)
MEDIA 1,67 3,30 1,85 3,30 4,69 6,00
(Ranking) (16) (4) (7) (0) (0) (0)
Tabla 4-2: Resultados para densidad de ruido 0,1

A la vista de los resultados numéricos y visuales hay varios aspectos que merecen ser
comentados.
Para el nivel de ruido 0,1 se observa como el algoritmo 1 y 3 son claramente mejor al
resto con una media de ranking de 1,67 y 1,85 respectivamente. A pesar de tener un
ranking parecido el algoritmo 1 es mejor en 16 de las 27 imágenes utilizadas mientras
que el algoritmo 3 es mejor en 7. También es destacable que la diferencia entre ambos
algoritmos (error cuadrático medio) es muy pequeña para cada imagen.
Es curioso como el algoritmo 2 y 4 tienen exactamente la misma media de ranking. A

pesar de ello, el algoritmo 2 es el mejor en 4 de las imágenes. Ambos no consiguen ser
nunca el mejor método.
También se puede ver como entre los dos filtros el de la mediana actúa mucho mejor
que el Median_base impulsive detector aunque ambos obtienen mucho peores
resultados que cualquiera de las propuestas y no consiguen ser el mejor en ninguna
ocasión.
Por último cabe comentar la curiosidad de que el algoritmo que mejor funcione sea el
1, a pesar de ser el que menos parámetros de aprendizaje tiene por lo que pasa este
nivel de ruido se puede concluir que el hecho de añadir más parámetros al cromosoma
para que se desarrolle con más libertad y se obtengan mejores resultados no se cumple.

En la tabla 4-3 se muestran los resultados visuales de algunas imágenes con densidad de
ruido 0,18 después de ser tratadas por los diferentes procedimientos.

Filtro
detector

En la tabla 4-4 se muestran los resultados para el nivel de ruido 0,18.
Filtro
Algoritmo Algoritmo Algoritmo Algoritmo Filtro de la Median_base
1 2 3 4 Mediana impulsive
detector
Lena 37,57 (1) 69,94 (4) 50,02 (2) 63,42 (3) 108,34 (5) 215,01 (6)
5.2.10 132,97 (1) 159,69 (4) 134,46 (2) 154,66 (3) 402,32 (5) 615,29 (6)
Einstein 26,83 (1) 48,80 (3) 36,14 (2) 50,63 (4) 83,79 (5) 148,14 (6)
Indor1 3,58 (1) 23,85 (4) 10,91 (2) 24,75 (5) 20,71 (3) 30,82 (6)
Indor2 7,73 (1) 26,87 (4) 13,56 (2) 26,41 (3) 28,56 (5) 50,76 (6)
Test1 467,47 (4) 395,31 (1) 455,64 (3) 430,26 (2) 682,72 (5) 719,09 (6)
Venice 148,18 (3) 140,50 (2) 140,38 (1) 155,09 (4) 351,04 (5) 502,48 (6)
4.1.04 16,71 (1) 42,65 (3) 25,25 (2) 42,65 (3) 52,40 (5) 105,66 (6)
4.1.06 63,89 (1) 88,15 (4) 65,95 (2) 83,83 (3) 165,97 (5) 275,75 (6)
4.2.05 54,90 (1) 71,58 (3) 59,80 (2) 73,80 (4) 167,55 (5) 264,25 (6)
4.2.06 78,33 (1) 103,84 (4) 85,33 (2) 102,67 (3) 241,86 (5) 367,47 (6)
Aerial2 50,53 (1) 88,01 (3) 66,81 (2) 89,16 (4) 146,41 (5) 310,61 (6)
Barche 55,05 (1) 77,78 (3) 60,50 (2) 82,99 (4) 164,81 (5) 287,76 (6)
Car2 200,51 (2) 196,23 (1) 202,43 (3) 225,08 (4) 355,05 (5) 419,22 (6)
Casa 24,29 (1) 48,50 (4) 34,43 (2) 47,26 (3) 72,35 (5) 135,52 (6)
Donna 18,43 (1) 39,89 (4) 26,50 (2) 39,34 (3) 62,31 (5) 146,38 (6)
Ealine.512 31,45 (1) 54,06 (3) 41,08 (2) 56,82 (4) 92,46 (5) 182,62 (6)
Goldhill 44,66 (1) 66,02 (4) 47,41 (2) 65,14 (3) 150,64 (5) 277,70 (6)
Hedgebw 53,93 (1) 91,28 (4) 68,40 (2) 77,71 (3) 152,83 (5) 332,88 (6)
House 78,28 (1) 100,76 (3) 81,97 (2) 101,89 (4) 244,74 (5) 384,26 (6)
Indor3 9,03 (1) 32,31 (4) 18,49 (2) 28,02 (3) 41,44 (5) 58,64 (6)
Indor4 11,81 (1) 33,37 (3) 24,99 (2) 36,57 (4) 44,31 (5) 77,37 (6)
Indor5 28,99 (1) 51,32 (3) 41,83 (2) 58,08 (4) 72,10 (5) 118,56 (6)
Indor7 18,00 (1) 36,46 (3) 22,08 (2) 39,84 (4) 40,01 (5) 93,69 (6)
Nat6 11,74 (1) 37,96 (4) 19,92 (2) 31,06 (3) 38,86 (5) 72,98 (6)
Nat7 55,77 (1) 85,31 (3) 67,87 (2) 87,55 (4) 161,18 (5) 257,47 (6)
Portofino 49,17 (1) 74,85 (4) 56,23 (2) 72,87 (3) 188,95 (5) 307,71 (6)
MEDIA 1,22 3,30 2,04 3,48 4,85 6,00
(Ranking) (24) (2) (1) (0) (0) (0)

En esta ocasión se pueden comentar varios detalles que merecen ser citados a la vista
de los resultados numéricos y visuales.
Se observa como el algoritmo 1 es sin ninguna duda el mejor. Con una media de 1,22 y
siendo el mejor en 24 de las 26 imágenes, es decir, en todas menos dos.
El algoritmo 3 queda asentado como segundo método. A pesar que solo consigue ser el
mejor en una imagen, sus diferencias de error cuadrático medio con el algoritmo 3 para
cada imagen son relativamente pequeñas.
Los algoritmos 2 y 4 tienen una media muy pareja de 3,30 y 3,48 respectivamente.
Aunque no tienen una media muy alta, el algoritmo 2 consigue ser el mejor método en
2 imágenes.
También se puede ver como entre los dos filtros, el de la mediana actúa mejor que el
Median_base impulsive detector, aunque ambos lo hacen mucho peor que cualquiera
de las propuestas, como se puede observar en el ranking.
Para el nivel de ruido 0,18 y a vista de los resultados se puede concluir que el incluir más
parámetros en el cromosoma con el fin de dejarle más autonomía en la búsqueda de
una mejor solución, no garantiza que acabe siendo así ya que el algoritmo 1 es
claramente el mejor.

A continuación, en la tabla 4-5, se muestran los resultados visuales de algunas imágenes
con densidad de ruido 0,3 después de ser tratadas por los diferentes procedimientos.

Filtro
detector

En la siguiente tabla 4-6 se muestran los resultados para el nivel de ruido 0,3.
Filtro
Algoritmo Algoritmo Algoritmo Algoritmo Filtro de la Median_ba
1 2 3 4 Mediana se impulsive
detector
Lena 101,25 (1) 115,38 (2) 184,74 (3) 201,76 (4) 364,05 (5) 460,12 (6)
5.2.10 271,21 (1) 282,20 (2) 375,00 (4) 373,56 (3) 696,59 (5) 874,94 (6)
Einstein 86,69 (2) 84,37 (1) 175,14 (3) 194,05 (4) 324,19 (5) 374,10 (6)
Indor1 20,65 (1) 34,09 (2) 92,98 (3) 138,53 (4) 183,83 (5) 191,09 (6)
Indor2 49,63 (1) 50,68 (2) 112,98 (3) 134,05 (4) 243,31 (5) 266,84 (6)
Test1 1029,66 (4) 860,33 (1) 903,23 (2) 978,29 (3) 1375,72 (5) 1409,72 (6)
Venice 282,89 (2) 259,03 (1) 341,45 (3) 358,47 (4) 634,54 (5) 786,13 (6)
4.1.04 52,31 (1) 79,93 (2) 149,04 (3) 163,69 (4) 261,86 (5) 308,29 (6)
4.1.06 143,47 (1) 174,55 (2) 236,93 (4) 233,52 (4) 459,10 (5) 551,94 (6)
4.2.05 161,31 (2) 154,88 (1) 228,66 (4) 213,16 (3) 427,26 (5) 520,28 (6)
4.2.06 176,98 (2) 167,11 (1) 245,26 (3) 253,87 (4) 491,70 (5) 603,55 (6)
Aerial2 104,32 (1) 114,33 (2) 196,31 (3) 217,72 (4) 373,90 (5) 505,24 (6)
Barche 111,05 (2) 110,03 (1) 182,42 (3) 218,77 (4) 391,43 (5) 492,51 (6)
Car2 293,39 (2) 268,61 (1) 339,29 (3) 398,89 (4) 567,20 (5) 623,85 (6)
Casa 80,04 (2) 77,34 (1) 163,69 (4) 161,92 (3) 304,10 (5) 357,57 (6)
Donna 45,95 (1) 63,77 (2) 112,71 (3) 130,62 (4) 267,12 (5) 354,33 (6)
Ealine.512 69,55 (1) 89,88 (2) 172,34 (3) 176,35 (4) 296,36 (5) 373,37 (6)
Goldhill 117,23 (1) 123,31 (2) 176,14 (3) 222,49 (4) 379,31 (5) 480,17 (6)
Hedgebw 131,63 (1) 162,65 (2) 239,05 (3) 227,66 (4) 432,70 (5) 593,21 (6)
House 202,58 (2) 196,98 (1) 275,79 (3) 275,96 (4) 501,87 (5) 616,66 (6)
Indor3 38,78 (1) 84,89 (2) 127,01 (3) 143,05 (4) 259,69 (5) 280,55 (6)
Indor4 42,89 (1) 60,28 (2) 131,34 (3) 145,50 (4) 240,95 (5) 271,07 (6)
Indor5 70,41 (1) 75,05 (2) 154,84 (4) 152,70 (3) 270,66 (5) 310,09 (6)
Indor7 49,24 (1) 52,01 (2) 133,19 (3) 137,26 (4) 229,11 (5) 271,90 (6)
Nat6 40,56 (1) 63,82 (2) 130,81 (3) 150,70 (4) 223,07 (5) 257,76 (6)
Nat7 144,56 (2) 125,71 (1) 217,20 (4) 210,86 (3) 401,51 (5) 477,00 (6)
Portofino 125,01 (1) 141,10 (2) 206,81 (3) 229,27 (4) 427,03 (5) 522,48 (6)
MEDIA 1,41 1,63 3,19 3,78 5,00 6,00
(Ranking) (17) (10) (0) (0) (0) (0)

Para la densidad de ruido 0,3 tenemos varios detalles a resaltar.
Se observan unos resultados bastante parejos entre el algoritmo 1 y 2. Tienen una media
de ranking de 1,41 y 1,63 respectivamente. Entre los dos algoritmos ocupan la primera
posición del ranking para todas las imágenes, siendo el algoritmo 1 el mejor en 17
imágenes y el algoritmo 2 en 10.
Se puede apreciar como el algoritmo 3 obtiene mejores resultados que el algoritmo 4.

Ambos algoritmos ocupan el tercer y cuarto lugar en el ranking como se puede apreciar
en la tabla 4-6.
Los filtros de la mediana y median-base impulsive detector funcionan mucho peor que
las propuestas. Entre ellos, el de la mediana obtiene mucho mejores resultados que el
median-base impulsive detector.

5. CONCLUSIONES
Para terminar se puede afirmar que se ha logrado cumplir los objetivos de este trabajo
con éxito. Se ha entendido y conseguido replicar la propuesta original FIRE. Además se
han ideado nuevas propuestas de mejora y se ha creado un sistema general de
entrenamiento-test que sirve para tratar cualquier imagen a posteriori. Los resultados
para los algoritmos 2, 3 y 4 (las nuevas propuestas) no han sido los esperados porque se
supone que deberían mejorar al algoritmo 1 (ya que el algoritmo 1 debería ser un caso
partícular de las propuestas). Esto es debido a que la base de reglas que representa el
cromosoma ganador del algoritmo 1 es de mejor calidad que los obtenidos con las
propuestas. La explicación a todo esto es que al añadir más parámetros a nuestro
cromosoma, su espacio de búsqueda es mucho mayor y por consiguiente, hace que se
pierda en él. Para todas estas propuestas se ha realizado un estudio en el que se muestra
la calidad de las propuestas que se han elaborado y que demuestran el éxito de las
mismas.
Tras la realización del estudio experimental y en base a los resultados obtenidos en las
pruebas para cada uno de los niveles de ruido, se pueden resaltar las siguientes
lecciones aprendidas:
Para un nivel de ruido bajo (0.1), la propuesta que mejor funciona es el algoritmo 1
(Algoritmo general de limpieza + algoritmo FIRE original). Aunque es el mejor método
en 16 de las 27 imágenes, el algoritmo 3 (Algoritmo general de limpieza + Ajuste de los
parámetros del conjunto difuso LP y LN) posee una media de ranking bastante similar.
Si el algoritmo 1 tiene un 1,67 de media, el algoritmo 3 posee 1,85. A pesar de ello, la
realidad es que es algoritmo 1 es el mejor método en líneas generales. Los algoritmos 2
y 4 obtienen unos resultados bastante similares entre ellos pero muy discretos en
comparación a los algoritmos 1 y 3. Aunque a priori se pudiera pensar que añadiendo
más parámetros al cromosoma con el fin de otorgar más libertad de aprendizaje al
algoritmo genético, no se obtiene un mejor patrón de eliminación del ruido.
Para un nivel de ruido intermedio de densidad 0.18, el algoritmo 1 sigue siendo el mejor
método. Si para el nivel anterior de ruido era el mejor en 16 imágenes, en este, es mejor
en 24 de las 26 imágenes. A pesar de ser el mejor con tanta contundencia al ver los
datos, se puede destacar que las diferencias de error con el segundo mejor método (el
algoritmo 3) para cada imagen son mínimas. Aunque el algoritmo 3 vuelve a ser el
segundo mejor método, su media de ranking es un poco peor que para el nivel de ruido
0,1 y pasa de ser el mejor en 7 imágenes a 1. Si el algoritmo 3 funcionaba casi tan bien
como el algoritmo 1 para un nivel de ruido 0.1, se puede apreciar como para un nivel de
ruido superior no lo hace tan bien ya que pasa a ser el segundo mejor método al tercero.
Por lo tanto, para un nivel de ruido intermedio tampoco se cumple que incluir más

parámetros en el cromosoma nos asegure mejores resultados ya que el algoritmo 1
vuelve a ser el mejor.
Para un nivel de ruido alto (0,3), el algoritmo 1 vuelve a tener los mejores resultados.
Hay que decir que a pesar de ser el mejor, el algoritmo 2 (Algoritmo general de limpieza
+ Ajuste de los parámetros del conjunto difuso LP) obtiene unos resultados muy
similares. La media de ranking del algoritmo 1 es de 1,41 por 1,63 del algoritmo 2. En
este caso el algoritmo 1 es el mejor en 17 imágenes por 10 del algoritmo 2. Se puede
destacar que el hasta ahora siempre segundo mejor método (el algoritmo 3) pasa a la
tercera posición y no consigue ser el mejor en ninguna imagen. Con esto se puede
afirmar que a medida que aumenta la densidad de ruido, el algoritmo 3 obtiene peores
resultados mientras que con el algoritmo 2 ocurre justo lo contrario.
Un aspecto muy destacable es que el algoritmo 4 (Algoritmo general de limpieza +

Optimización de los parámetros del conjunto difuso LP para cada variable de entrada)
obtiene en general los peores resultados entre las propuestas. Se desarrolló con idea
de obtener los mejores resultados ya que se le incluían 40 nuevos parámetros al
cromosoma con el fin de darle una flexibilidad máxima al algoritmo genético y obtener
mejores soluciones. Ha quedado demostrado en vista de las pruebas que el dotar de
mayor libertad y añadir parámetros al cromosoma no me garantiza obtener unos
resultados mejores.
El filtro de la mediana ha sido siempre un método muy utilizado ante un problema de

ruido sal y pimienta en imágenes por sus buenos resultados. En los distintos niveles de
ruido probados, las propuestas elaboradas en este proyecto siempre trabajan mejor que
los filtros usados para la comparación.

6. LÍNEAS FUTURAS
Vistos los resultados obtenidos, se han considerado una serie de posibles vías de estudio
que pueden ser interesantes de desarrollar.
En vista de que el algoritmo 1 (FIRE original) consigue obtener un cromosoma ganador

de mejor calidad al generado por las propuestas, existen dos alternativas:
1. Introducir el cromosoma ganador del algoritmo 1 como cromosoma inicial y

ejecutar después cualquiera de nuestras propuestas. Con esto conseguimos que
al menos nuestra peor solución sea la obtenida con el algoritmo 1. Este
planteamiento tiene una crítica porque obliga a ejecutar el algoritmo 1 y además
la propuesta elegida, por lo que el tiempo de ejecución aumenta
considerablemente.
2. Idear una nueva estructura de nuestros algoritmos de tal forma que primero se
realice el algoritmo 1 (cromosoma en binario) y una segunda etapa compuesta
por un algoritmo genético cuyo objetivo sea aprender los mejores parámetros
de los conjuntos difusos utilizando en esta fase la base de reglas aprendida en la
primera etapa.
Durante el proyecto se han trabajado con imágenes de 256x256 píxeles tanto en train y
test. Una posible prueba es ver cómo se comporta el sistema si cambiamos los tamaños
de las imágenes. Es decir, entrenar con un determinado tamaño y luego utilizar
imágenes de test con un tamaño mayor o menor. Esto puede ser muy interesante, ya
que si se consiguen buenos resultados al eliminar el ruido, se pueden reducir mucho los
tiempos de entrenamiento y/o de test.
Además, otro posible estudio pudiera ser el ver cómo se comporta el algoritmo FIRE ante
imágenes con otros tipos de ruido distintos al ruido impulsivo Sal y Pimienta.
Por otra parte, el algoritmo FIRE utiliza siempre ventanas de vecindad 3x3. Una posible
modificación puede ser probar a aumentar este tamaño de vecindad a (5x5, 7x7, etc) y
comprobar si su funcionamiento es mejor. Habría que modificar también el número de
entradas en función de ese tamaño de vecindad.

7. BIBLIOGRAFÍA
1. FIRE operators for image processing
Fabrizio Russo. Fuzzy sets and System 103 (1999) 265-275
2. Introducción al procesamiento de imagen. Visión Artificial

Daniel Paternain, Edurne Barrenechea. Universidad Pública de Navarra
3. Filtrado y realzado de imagen. Visión Artificial

4. Comprensión y reducción de imágenes. Visión Artificial

5. Basic Concepts. Ingeniería del Conocimiento

Humberto Bustince. Universidad Pública de Navarra
6. Aspectos avanzados de la Inteligencia Artificial. Extensiones de los conjuntos

difusos en la representación del conocimiento. Ingeniería del Conocimiento
Humberto Bustince. Universidad Pública de Navarra
7. Introducción a los algoritmos genéticos. Computación

Fco. Javier Fernandez. Universidad Pública de Navarra
8. Algoritmos genéticos con codificación binaria. Computación

9. Algoritmos genéticos con codificación general. Computación

10. Filtrado de imágenes

http://dmi.uib.es/~ygonzalez/VI/Material_del_Curso/Teoria/Tema5_Filtrado.p
df
11. Procesamiento digital de imágenes

http://verona.fi-p.unam.mx/boris/teachingnotes/Introduccion.pdf
12. Filtros. Conceptos generales

http://alojamientos.us.es/gtocoma/pid/tema3-1.pdf

13. Teoría de conjuntos difusos y lógica difusa
http://www.lcc.uma.es/~eva/aic/apuntes/fuzzy.pdf
14. Conceptos fundamentales de la lógica difusa

http://www.tesisenred.net/bitstream/handle/10803/6887/04Rpp04de11.pdf?s
equence=4
15. Introducción a la lógica difusa

http://es.slideshare.net/mentelibre/logica-difusa-introduccion
16. Algoritmos genéticos

http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/temageneticos.pdf

Algoritmo Genetico

Cargado por

Copyright:

Formatos disponibles

Algoritmo Genetico

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algoritmo Genetico

Cargado por

Copyright:

Formatos disponibles

E.T.S.

Tratamiento de imágenes con ruido

Grado en Ingeniería Informática

Trabajo Fin de Grado

Sergio Sada Pezonaga

Este algoritmo propone el uso de un algoritmo genético y la utilización de reglas difusas

Por lo tanto, el objetivo de este proyecto es proponer un nuevo algoritmo genético en

Para evaluar la calidad de la propuesta, evaluaremos y realizaremos pruebas en las que

Tratamiento de imágenes, ruido sal y pimienta, conjuntos difusos, algoritmos genéticos,

Sergio Sada Pezonaga 3

Sergio Sada Pezonaga 5

El procesamiento digital de imágenes es un campo de investigación abierto. El constante

Una de las disciplinas matemáticas con mayor número de investigadores en la actualidad

Sergio Sada Pezonaga 7

A lo largo de los años, el ser humano ha conseguido incrementar su capacidad de

Los algoritmos genéticos imitan el proceso evolutivo de la naturaleza para resolver

Sergio Sada Pezonaga 8

2.1 Procesamiento digital de imágenes

El interés por el procesamiento digital de imágenes está fundamentado principalmente

• Mejorar la calidad de la información para la interpretación humana.

Figura 2-1: Ejemplo de mejora en la calidad de la imagen

• Procesar los datos de la imagen para su almacenamiento, transmisión y

Figura 2-2: Ejemplo de procesado de imagen

Existe una gran cantidad de sectores donde el procesamiento digital de imágenes se

• Radiación electromagnética (EM): Aplicaciones para medicina, astronomía,

Sergio Sada Pezonaga 9

En este proyecto se va a trabajar con imágenes representadas en escala de grises, es

Img(x,y) Є {0,.., 255} | con x en {1, …, F} e y en {1, …, C}

FxC = número totales de píxeles de la imagen digital.

Ejemplo de representación de una imagen digital 3*3 en escala de grises:

Img = 167 255 175

Cuya imagen en la escala de grises sería:

Figura 2-3: Ejemplo escala de grises de Img

Sergio Sada Pezonaga 10

Durante la transmisión de imágenes también puede generarse ruido debido a una

A la hora de modelar matemáticamente el ruido, se considera que en general, no

2.1.2.1 Ruido Gaussiano

Figura 2-4: Función de distribución del ruido gaussiano

Sergio Sada Pezonaga 11

2.1.2.2 Ruido Impulsivo (sal y pimienta)

Figura 2-6: Función de distribución del ruido Sal y Pimienta

Figura 2-7: Ejemplo de ruido Sal y Pimienta

Sergio Sada Pezonaga 12

• Suavizar la imagen: reducir la cantidad de variaciones de intensidad entre

• Filtros en el dominio de la frecuencia: las operaciones se realizan sobre la

• Filtros en el dominio del espacio: operan directamente sobre los píxeles de la

Los filtros en el dominio del espacio pueden clasificarse en filtros lineales y no

Sergio Sada Pezonaga 13

 Filtro de la media geométrica:

𝑀𝑀𝑀𝑀 = � [𝑓𝑓(𝑥𝑥, 𝑦𝑦)]1/𝑛𝑛𝑛𝑛

 Filtro de la media armónica:

 Otros: filtro de la media contra-armónica, gaussianos, etc.

 Filtros no lineales: también operan sobre la vecindad pero no mediante

2.1.4 Criterios de fidelidad

𝑒𝑒(𝑥𝑥, 𝑦𝑦) = f ′ (x, y) − f(x, y)

Sergio Sada Pezonaga 14

• Error cuadrático medio (Mean Square Error)

• Peak Signal to Noise Ratio (PSNR)