q , dándoles mayor o menor influencia sobre el resultado.
9.5 que han sido segmentados con la asignación del mismo valor de grupo o cluster.
Por ejemplo, en la captura, tras la ejecución del algoritmo kmeans_ab para segmentar la imagen asociada al evento número 17, se le ha sido asignado como cluster principal en la ROI el número 4, de los k = 8 posibles, al igual que a los siguientes eventos numerados del 18 al 26, los cuales se encuentran localizados en la misma imagen. Por el mismo razonamiento, y puede comprobarse, no estamos además ante un caso aislado y, aunque esto no ocurre para todos lo casos, sí es lo más habitual en este estudio.
Una vez finalizado el análisis de los citados argumentos de entrada de la función kmeans_ab, continuamos profundizando en los resultados sujetos a los valores de los parámetros de la divergencia alfa-beta, entradas también de la misma función. De modo que, por el criterio que obedece a conseguir el mayor porcentaje de aciertos posible por encima de las otras dos magnitudes empleadas para la evaluación de resultados, focalizamos la atención en los resultados de la Tabla 9.5.
En ella observamos las cuatro cifras más altas obtenidas en cuanto a aciertos, asociadas a las parejas de valores (0.75, 0), (0.5, 0.25), (0.25, 0.5) y (0, 0.75), las cuales conforman la relevante recta alpha + beta = 0.75. A fin de obtener una mejor solución, ejecutamos el programa para las cuatro parejas de valores alfa y beta destacadas, ampliando a 100 el número máximo de iteraciones y a 4 el número de réplicas, de tal modo que se reduce la influencia de la inicilización en la solución óptima del algoritmo ab-k-means. La Tabla 9.8 contiene los distintos resultados de esta prueba:
α
β Correcto (%) Error (%) Ratio 0,75 0 75,6139 13,1632 5,7443400,5 0,25 75,92291 12,97588 5,851080
0,25 0,5 75,79358 12,54023 6,044034
0 0,75 76,244 12,43827 6,129791
Tabla 9.8 Resultados finales.
Finalmente, el resultado global logrado y las conclusiones alcanzadas en la segunda batería de ensayos siguen siendo válidos.
Estos últimos resultados más optimizados varían de manera casi inapreciable respecto a los anteriores. El dato más significativo denota un pequeño incremento, en torno al 1 %, en los porcentajes de aciertos. Concretamente, el mejor resultado, logrado de nuevo para alpha = 0 y beta = 0.75, alcanza ahora un valor igual a el 76,244 %. Adicionalmente, las proporciones finales entre las celdas clasificadas como ROIs, y solapadas además con las etiquetas de verificación, y las celdas clasificadas como falsos positivos, rondan los 6 puntos, lo que significa que los centroides seleccionados son muy efectivos para determinar la vecindad de los parámetros de imagen contenidos en la etiqueta de verificación.
Aunque en este proyecto nos regimos por otro criterio, cabe recordar el estudiado caso alpha = 0.5 y beta = 0.5 en el que se obtuvo de ratio 6.8 puntos y que, además, proporciona resultados incluidos entre los mejores para las magnitudes porcentuales de acierto y de error.
Para concluir, nuestro enfoque de aplicar clustering asimétrico para la detección de ROIs en imágenes solares, haciendo uso de la familia de divergencias alfa-beta y clasificando los datos en 8 grupos diferentes, ha resultado ser adecuado, en cuanto a buenos resultados y a procesamiento, para tal propósito.
Detección de Regiones de Interés en Imágenes Solares mediante Clustering Asimétrico 77
10
CONCLUSIONES Y LÍNEAS FUTURAS
Oh Sol, // cristal paterno, // horario // y poderío, // progenitor planeta, // gigante // rosa rubia // siempre // hirviendo de fuego, // siempre // consumiéndote // encendido.
Pablo Neruda, “Oda al Sol”, 1975
l objetivo marcado al comienzo del presente proyecto era, fundamentalmente, ser capaces de desarrollar un programa informático eficiente y eficaz para detectar automáticamente regiones de interés o ROIs en imágenes solares.
Durante la preparación y elaboración de todo el proyecto nos hemos basado, principalmente, en el método propuesto como parte del estudio de emplear técnicas de aprendijaze no supervisadas para la detección de ROIs en imágenes pertenecientes al campo de la física solar, pero, tal y como indica el título de este trabajo, aplicando el método de clustering asimétrico, el cual hace uso de la familia de divergencias conocida como divergencias alfa-beta.
Existe en la actualidad una gran dedicación por parte de investigadores en este campo de investigación que han elaborado diversos estudios que han servido de referencia para este proyecto, como Juan M. Banda y Rafal A. Angryk, autores del artículo principal y de otras investigaciones realizadas también referentes, además de otras múltiples publicaciones y fuentes de información recogidas en las referencias.
Adicionalmente, hemos llevado a cabo un importante trabajo de investigación acerca de diferentes materias implicadas, desde el estudio del Sol y la física solar hasta las medidas matemáticas de similitud, como son las distancias y divergencias con las que trabajamos.
En base a toda la información recabada, la realización de este proyecto, los distintos retos afrontados y, finalmente, a la luz arrojada por los resultados obtenidos podemos realizar algunas afirmaciones.
Para empezar, el programa desarrollado consigue, de manera eficiente, resultados optimistas para la detección de regiones de interés en imágenes solares.
Más allá de esto, las imágenes usadas, proporcionadas por el módulo Atmospheric Imaging Assembly (AIA) de la misión SDO, pueden contener cuatro tipos de eventos solares diferentes, los cuales, además, pueden presentar múltiples localizaciones, tamaños y formas, y dentro del rango de escala de grises. Teniendo en cuenta estas condiciones, hemos comparado las ROIs segmentadas por nuestro algoritmo de clustering asimétrico con las
ground truth labels que, de manos de expertos, localizan los eventos solares en las imágenes del Sol, y los
resultados han sido satisfactorios.
El resultado final alcanzado (Tabla 9.8), para la medición del nivel de solapamiento entre las celdas clasificadas de las ROIs y la etiqueta de verificación, hemos obtenido un porcentaje de aciertos máximo que se eleva a un 76 % para alpha = 0 y beta = 0.75. Para estos valores además se obtiene un buen resultado para la medida de los falsos positivos (12 %) y, por tanto, para la proporción entre ambas magnitudes (6.12 puntos).
Conclusiones y Líneas Futuras
78 78
También sacamos las conclusiones siguientes:
✓ La versatilidad de las divergencias alfa-beta hace que sea posible trabajar con diversas distancias conocidas variando, simplemente, los valores de los parámetros, logrando así resultados óptimos en diferentes escenarios.
✓ El enfoque empleado proporciona notables resultados para un amplio rango de valores de los parámetros de la divergencias alfa y beta, como puede comprobrase en las tablas de porcentajes de aciertos Tabla 9.2 y Tabla 9.5.
✓ La mejor proporción acierto-error (Tabla 9.7) se consigue para alpha = beta = 0.5 que da lugar a una medida de similitud proporcional a la distancia de Hellinger. Cuenta con buenos resultados también para las medidas porcentuales de acierto y de error.
✓ El programa desarrollado está capacitado para detectar regiones de interés en imágenes solares de manera automática.
En líneas futuras relacionadas con el uso del clustering asimétrico con divergencias alfa-beta:
• En la misma línea de este proyecto, podrían obtenerse mejores resultados empleando más de un cluster en la detección de fenómenos solares. En [1] abordaron este enfoque determinando, como parte de una ROI, las celdas agrupadas en dos centroides distintos que se encontraran solapadas con las etiquetas de verificación, consiguiendo un mayor porcentaje de solapamientos correctos, aunque también un leve empeoramiento en la proporción acierto- error.
• Probar a usar otros parámetros característicos de imagen positivos como el código LBP (Local Binary Pattern) para texturas u otros cálculos de dimensiones fractales más actuales, entre otras posibilidades.
• Como futuro proyecto, podría resultar interesante ajustar de manera personalizada los parámetros de las divergencias alfa-beta para la detección óptima de cada tipo de fenómeno solar.
• A partir de los buenos resultados para la detección de ROIs, el método propuesto puede ser útil en el desarrollo de sistemas de recuperación de imágenes (CBIR) basados en regiones, en los que logran reducir el espacio de búsqueda en lugar de realizarla de forma exhaustiva en toda la imagen.
• Otra línea investigación en la que este procedimiento podría ser beneficioso es el seguimiento espacio-temporal de eventos solares [111].
Por último, con las nuevas misiones espaciales que están por venir o que son recientes, como la sonda de la misión Parker Solar Probe [112] de la NASA enviada a estudiar el Sol de cerca, ¿quién sabe qué retos nos deparan?
Detección de Regiones de Interés en Imágenes Solares mediante Clustering Asimétrico 79
Referencias
80 80
REFERENCIAS
[1] J. M. Banda and R. A. Angryk (2015). Unsupervised Learning Techniques for Detection of Regions of Interest in Solar Images. IEEE International Conference on Data Mining Workshop (ICDMW), Atlantic City, NJ, 2015, pp. 582-588.
[2] National Aeronautics Space Agency (NASA). (2009). A Guide to the Mission and Purpose of NASA’s
Solar Dynamics Observatory. [En línea]. Available:
https://sdo.gsfc.nasa.gov/assets/docs/SDO_Guide.pdf. [Último acceso: Abril 2019].
[3] Cichocki, Andrzej & Cruces, Sergio & Amari, Shun-ichi. (2011). Generalized Alpha-Beta Divergences and Their Application to Robust Nonnegative Matrix Factorization. Entropy. 13. 10.3390/e13010134.
[4] Sarmiento Vega, M.A., Fondón García, I., Durán Díaz, I. y Cruces Álvarez, S.A. (2019). Centroid- Based Clustering with ab-Divergences. Entropy, 21 (2), 196-1-196-19.
[5] Kucuk, Ahmet & Banda, Juan & Angryk, Rafal. (2017). A large-scale solar dynamics observatory image dataset for computer vision applications. Scientific Data. 4. sdata201796. 10.1038/sdata.2017.96.
[6] Karen C. Fox. (2017). Sun Primer: Why NASA Scientists Observe the Sun in Different Wavelengths. [En línea]. Available: https://www.nasa.gov/mission_pages/sunearth/news/light-wavelengths.html. [Último acceso: Abril 2019].
[7] Solar Dynamics Observatory (SDO mission, NASA). (2012). Out on the Fringe. [En línea]. Available: https://sdo.gsfc.nasa.gov/gallery/preview/FringePlay_304.jpg. [Último acceso: Abril 2019].
[8] Wikipedia. (2019). Sol. [En línea]. Available: https://es.wikipedia.org/wiki/Sol. [Último acceso: Abril 2019].
[9] María Laura Romero. El Sol: Características, Partes, Estructura y Composición. [En línea]. Available: https://www.lifeder.com/sol/. [Último acceso: Abril 2019].
[10] Okdiario. (2018). ¿Cuál es la distancia de la Tierra al Sol? [En línea]. Available: https://okdiario.com/curiosidades/2018/03/14/cual-distancia-tierra-sol-1962124. [Último acceso: Abril 2019].
[11] National Aeronautics Space Agency (NASA). (2002). Extraño pero cierto: el Sol está lejos el 4 de julio. [En línea]. Available: https://ciencia.nasa.gov/science-at-nasa/2002/02jul_aphelion. [Último acceso: 2019 Abril].
[12] Astronoo.com. (2014). Las luces del Sol. [En línea]. Available: http://www.astronoo.com/es/articulos/luces-del-sol-y-longitudes-de-onda.html. [Último acceso: Abril 2019].
[13] Sergio Fonrouge. (2016). Ondas electromagnéticas. Espectro electromagnético. [En línea]. Available: https://sites.google.com/site/ondaselecmag/_/rsrc/1456999020760/espectro-electromagnetico/. [Último acceso: 2019 Abril].
Detección de Regiones de Interés en Imágenes Solares mediante Clustering Asimétrico 81
[14] Kelvinsong (usuario Wikipedia). (2013). Diagrama del Sol. [En línea]. Available: https://es.wikipedia.org/wiki/Sol#/media/File:Afiche_del_sol.svg. [Último acceso: Abril 2019]. [15] Wikipedia. (2019). Tachocline. [En línea]. Available: https://en.wikipedia.org/wiki/Tachocline.
[Último acceso: Abril 2019].
[16] Una estrella llamada Sol. [En línea]. Available:
http://atenea.pntic.mec.es/Antares/modulo4/m4_u104.html. [Último acceso: Abril 2019].
[17] European Space Agency (ESA). (2007). [En línea]. Available: https://www.esa.int/var/esa/storage/images/esa_multimedia/images/2007/03/fine-
scale_structure_of_the_chromosphere/9859039-3-eng-GB/Fine-
scale_structure_of_the_chromosphere_node_full_image_2.jpg. [Último acceso: Abril 2019].
[18] National Aeronautics Space Agency (NASA). (2008). La NASA explorará una “capa secreta” del Sol. [En línea]. Available: https://ciencia.nasa.gov/science-at-nasa/2008/05sep_sumi. [Último acceso: Abril 2019].
[19] Wikipedia. (2019). Corona. Astronomical term. [En línea]. Available: https://en.wikipedia.org/wiki/Corona. [Último acceso: Abril 2019].
[20] National Aeronautics Space Agency (NASA). (2016). The Interstellar Medium: Crossing the Cosmic World. [En línea]. Available: https://scitechdaily.com/images/Crossing-the-Cosmic-Void.jpg. [Último acceso: Abril 2019].
[21] Abigail Tabor. (2019). Solar Activity Forecast for Next Decade Favorable for Exploration. [En línea]. Available: https://www.nasa.gov/feature/ames/solar-activity-forecast-for-next-decade-favorable-for- exploration. [Último acceso: Abril 2019].
[22] Kristen Erickson & Heather Doyle. (2019). What is the solar cycle? [En línea]. Available: https://spaceplace.nasa.gov/solar-cycles/en/. [Último acceso: Abril 2019].
[23] SOHO (ESA & NASA). (2018). 22 years of SOHO. [En línea]. Available: https://www.esa.int/spaceinimages/Images/2018/02/22_years_of_SOHO. [Último acceso: Abril 2019].
[24] Wikimedia foundation (Academic). (2010). Rotación diferencial. [En línea]. Available: https://esacademic.com/dic.nsf/eswiki/1025705. [Último acceso: Abril 2019].
[25] Anna Martí. (2018). Tormentas solares: los efectos directos e indirectos sobre la Tierra de las llamaradas solares más intensas. [En línea]. Available: https://www.xataka.com/espacio/tormentas- solares-los-efectos-directos-e-indirectos-sobre-la-tierra-de-las-llamaradas-solares-mas-intensas. [Último acceso: Abril 2019].
[26] John Kennewell & Andrew McDonald. (2017). What is a Coronal Hole? [En línea]. Available: http://www.sws.bom.gov.au/Educational/2/1/5. [Último acceso: Abril 2019].
[27] Wikipedia. (2019). Viento solar. [En línea]. Available: https://es.wikipedia.org/wiki/Viento_solar. [Último acceso: Abril 2019].
[28] Astromia. Viento solar. Diccionario de astronomía. [En línea]. Available: https://www.astromia.com/glosario/vientosolar.htm. [Último acceso: Abril 2019].
Referencias
82 82
[29] Ricardo J. Tohmé. (2004). Las manchas solares. [En línea]. Available: https://www.astronomiaonline.com/2004/04/las-manchas-solares/. [Último acceso: Abril 2019]. [30] Jennifer Bergman. (2016). Manchas solares. [En línea]. Available:
https://www.windows2universe.org/sun/atmosphere/sunspots.html&lang=sp. [Último acceso: Abril 2019].
[31] Francisco Martín León. (2015). El grupo de manchas solares AR 2339 cruza el Sol. [En línea]. Available: https://www.tiempo.com/ram/188492/el-grupo-de-manchas-solares-ar-2339-cruza-el-sol/. [Último acceso: Abril 2019].
[32] Bob King. (2017). Giant Sunspots, Flares Presage Arrival of Solar Storm. [En línea]. Available: https://www.skyandtelescope.com/astronomy-blogs/explore-night-bob-king/giant-sunspots-flares- presage-arrival-of-solar-storm/. [Último acceso: Abril 2019].
[33] Francisco Martín León. (2017). SDO observa la desaparición de las manchas solares. [En línea]. Available: https://www.tiempo.com/ram/323152/sdo-desaparicion-manchas-solares/. [Último acceso: Abril 2019].
[34] La Asociación de Universidades para la Investigación en Astronomía (AURA). (2019). Manchas Solares y Regiones Activas. [En línea]. Available: https://www.eclipsesolar2019.cl/sunspots-and- active-regions/. [Último acceso: Mayo 2019].
[35] Randy Russell & Jennifer Bergman. (2016). Regiones asctivas del Sol. [En línea]. Available: https://www.windows2universe.org/sun/atmosphere/active_regions.html&lang=sp. [Último acceso: Mayo 2019].
[36] R. Lemen, James & M. Title, Alan & J. Akin, David & Boerner, Paul & Chou, Catherine & F. Drake, Jerry & W. Duncan, Dexter & G. Edwards, Christopher & M. Friedlaender, Frank & F. Heyman, Gary & Hurlburt, Neal & L. Katz, Noah & D. Kushner, Gary & Levay, Michael & W. Lindgren, Russell & Mathur, Dnyanesh & L. McFeaters, Edward & Mitchell, Sarah & A. Rehse, Roger & Waltham, Nick. (2011). The Atmospheric Imaging Assembly (AIA) on the Solar Dynamics Observatory (SDO). Solar Physics. 275. 17-40. 10.1007/s11207-011-9776-8.
[37] Nacho Palou. (2009). Prominencias solares. [En línea]. Available: https://www.microsiervos.com/archivo/ciencia/prominencias-solares-stereo-2009.html. [Último acceso: Mayo 2019].
[38] Solar Dynamics Observatory (SDO mission, NASA). (2012). Blossoming Blast. [En línea]. Available: https://sdo.gsfc.nasa.gov//main/item/139. [Último acceso: Mayo 2019].
[39] Solar Dynamics Observatory (SDO mission, NASA). (2011). Active Region Threesome. [En línea]. Available: https://sdo.gsfc.nasa.gov/gallery/main/item/96. [Último acceso: Mayo 2019].
[40] Wikipedia. (2019). Solar flare. [En línea]. Available: https://en.wikipedia.org/wiki/Solar_flare. [Último acceso: Mayo 2019].
[41] Nola Taylor Redd. (2017). Space Weather: Sunspots, Solar Flares & Coronal Mass Ejections. [En línea]. Available: https://www.space.com/11506-space-weather-sunspots-solar-flares-coronal- mass-ejections.html. [Último acceso: Mayo 2019].
[42] Gordon D. Holman. (2008). Overview of Solar Flares. [En línea]. Available: https://hesperia.gsfc.nasa.gov/hessi/flares.htm. [Último acceso: Mayo 2019].
Detección de Regiones de Interés en Imágenes Solares mediante Clustering Asimétrico 83
[43] Sarah Loff. (2017). First Moments of a Solar Flare in Different Wavelengths of Light. [En línea]. Available: https://www.nasa.gov/content/first-moments-of-a-solar-flare-in-different-wavelengths- of-light. [Último acceso: Mayo 2019].
[44] Solar Dynamics Observatory (SDO mission, NASA). (2017). Major Solar Flare. [En línea]. Available: https://sdo.gsfc.nasa.gov/gallery/main/item/841. [Último acceso: Mayo 2019]. [45] Wikipedia. (2019). Coronal mass ejection. [En línea]. Available:
https://en.wikipedia.org/wiki/Coronal_mass_ejection. [Último acceso: Mayo 2019].
[46] Holly Zell. (2017). What is a coronal mass ejection or CME? [En línea]. Available: https://www.nasa.gov/content/goddard/what-is-a-coronal-mass-ejection . [Último acceso: Mayo 2019].
[47] National Oceanic and Atmospheric Administration (NOAA). (2017). Coronal Mass Ejections. [En línea]. Available: https://www.swpc.noaa.gov/phenomena/coronal-mass-ejections. [Último acceso: Mayo 2019].
[48] Susan Hendrix. (2013). NASA Detects Earth Directed Coronal Mass Ejection. [En línea]. Available: https://scitechdaily.com/nasa-detects-earth-directed-coronal-mass-ejection/. [Último acceso: Mayo 2019].
[49] Solar Dynamics Observatory (SDO mission, NASA). (2011). Having a Solar Blast. [En línea]. Available: https://sdo.gsfc.nasa.gov/gallery/main/item/79. [Último acceso: Mayo 2019].
[50] Astrid Veronig & Manuela Temmer (University of Graz). Coronal holes and their relation to the solar wind. [En línea]. Available: https://physik.uni-graz.at/en/astrophysics/research/solar-and- heliospheric-physics/coronal-holes-and-their-relation-to-the-solar-wind/. [Último acceso: Mayo 2019].
[51] National Oceanic and Atmospheric Administration (NOAA). Coronal Holes. [En línea]. Available: https://www.swpc.noaa.gov/phenomena/coronal-holes. [Último acceso: Mayo 2019].
[52] Space Weather Live. What is a coronal hole? [En línea]. Available: https://www.spaceweatherlive.com/en/help/what-is-a-coronal-hole. [Último acceso: Mayo 2019].
[53] Solar Dynamics Observatory (SDO mission, NASA). (2012). [En línea]. Available: https://www.nasa.gov/sites/default/files/images/656133main_coronalhole_sdo_blank_full.jpg. [Último acceso: Mayo 2019].
[54] Gary Walton. (2016). A monster coronal hole is facing Earth: Coronal holes thought to cause large quakes...Stay tuned. [En línea]. Available: http://www.thebigwobble.org/2016/09/a-monster-coronal- hole-is-facing-earth.html. [Último acceso: Mayo 2019].
[55] Isabel Paz. (2016). Imagen por J.C. Casado (StarryEarth). Auroras y trenes de viento solar. [En línea]. Available: http://isabelpaz.com/wp-content/uploads/2016/03/aurorakaunispaa280316.jpg. [Último acceso: Mayo 2019].
[56] Smithsonian Astrophysical Observatory (SAO). (2009). Weekly Science Update: Sigmoids. [En línea]. Available: https://www.cfa.harvard.edu/news/2009/su200910.html. [Último acceso: Mayo 2019].
Referencias
84 84
[57] Robert Massey. Royal Astronomical Society. (2009). Solar Flares: Solar Sigmoids Explained. [En línea]. Available: https://www.sciencedaily.com/releases/2009/04/090419205941.htm. [Último acceso: Mayo 2019].
[58] Savcheva, A. S., McKillop, S. C., McCauley, P. I., Hanson, E. M., DeLuca, E. E. (2014). A New Sigmoid Catalog from Hinode and the SDO: Statistical Properties and Evalotionary Histories. [En línea]. Available: http://aia.cfa.harvard.edu/sigmoid/. [Último acceso: Mayo 2019].
[59] Greg Shirah. (1999). Solar Sigmoid: Zoom In, Move Around, Pull Back. [En línea]. Available: https://svs.gsfc.nasa.gov/577. [Último acceso: Mayo 2019].
[60] Banda, Juan & Angryk, Rafal & Martens, Petrus. (2013). Article: ImageFARMER: Introducing a Data Mining Framework for the Creation of Large-scale Content-based Image Retrieval Systems. International Journal of Computer Applications. 79. 8-13. 10.5120/13799-1777
[61] Pentland, Alex & Picard, Rosalind & Sclaroff, Stan. (1996). Photobook: Content-Based Manipulation of Image Databases. International Journal of Computer Vision. 18. 233-254. 10.1007/BF00123143.
[62] Ogle, V.E. & Stonebraker, Michael. (1995). Chabot: Retrieval from a Relational Database of Images. Computer. 28. 40 - 48. 10.1109/2.410150.
[63] Flickner, Myron & Sawhney, Harpreet & Niblack, Wayne & Ashley, Jonathan & Huang, Qian & Dom, Byron & Gorkani, Monika & Hafner, Jurgen & Lee, Denis & Petkovic, Dragutin & Steele, David & Yanker, Peter. (1995). Query by image and video content: The QBIC System. Computer. 28. 23 - 32. 10.1109/2.410146.
[64] Natsev, Apostol & Rastogi, Rajeev & Shim, Kyuseok. (2004). WALRUS: A similarity retrieval algorithm for image databases. Knowledge and Data Engineering, IEEE Transactions on. 28. 301 - 316. 10.1109/TKDE.2003.1262183.
[65] Jing, Feng & Li, Mingjing & Zhang, Hong-Jiang & Zhang, Bo. (2004). An Efficient and Effective Region-Based Image Retrieval Framework. IEEE transactions on image processing: a publication of the IEEE Signal Processing Society. 13. 699-709. 10.1109/TIP.2004.826125.
[66] Huang, Wei & Gao, Yan & Luk Chan, Kap. (2010). A Review of Region-Based Image Retrieval. Signal Processing Systems. 59. 143-161. 10.1007/s11265-008-0294-3.
[67] Banda, Juan & Angryk, Rafal & Martens, Petrus. (2013). On Dimensionality Reduction for Indexing and Retrieval of Large-Scale Solar Image Data. solphys. 283. 113-141. 10.1007/s11207-012-0027-4. [68] Martens, Petrus & Attrill, G.D.R. & Davey, Alisdair & Engell, A & Farid, Samaiyah & Grigis, P.C. & Kasper, Jorgen & Korreck, Kelly & Saar, Steven & Savcheva, A & Su, Yingna & Testa, Paola & Wills, Meredith & Bernasconi, P.N. & Raouafi, N. E. & Delouille, V & Hochedez, Jean-Francois & Cirtain, Jonathan & Deforest, C & Timmons, Ryan. (2011). Computer Vision for the Solar Dynamics Observatory (SDO). Solar Physics. 275. 79-113. 10.1007/s11207-010-9697-y.
[69] Banda, Juan & Schuh, Michael & Angryk, Rafal & Pillai, KarthikGanesan & McInerney, Patrick. (2014). Big Data New Frontiers: Mining, Search and Management of Massive Repositories of Solar Image Data and Solar Events. 10.1007/978-3-319-01863-8_17.
Detección de Regiones de Interés en Imágenes Solares mediante Clustering Asimétrico 85
[70] Banda, Juan & Angryk, Rafal. (2010). An Experimental Evaluation of Popular Image Parameters for Monochromatic Solar Image Categorization. Proceedings of the 23rd International Florida Artificial Intelligence Research Society Conference, FLAIRS-23.
[71] Banda, Juan & Angryk, Rafal. (2010). Selection of Image Parameters as the First Step towards Creating a CBIR System for the Solar Dynamics Observatory. Proceedings - 2010 Digital Image Computing: Techniques and Applications, DICTA 2010. 528-534. 10.1109/DICTA.2010.94. [72] Banda, Juan & Angryk, Rafal. (2009). On the Effectiveness of Fuzzy Clustering as a Data
Discretization Technique for Large-scale Classification of Solar Images. 2019 - 2024. 10.1109/FUZZY.2009.5277273.
[73] Banda, Juan & Angryk, Rafal. (2014). Large-Scale Region-Based Multimedia Retrieval for Solar Images. 649-661. 10.1007/978-3-319-07173-2_55.
[74] Tamura, Hideyuki & Mori, Shunji & Yamawaki, Takashi. (1978). Textural Features Corresponding to Visual Perception. Systems, Man and Cybernetics, IEEE Transactions on. 8. 460 - 473. 10.1109/TSMC.1978.4309999.
[75] Banda, Juan & Angryk, Rafal. (2014). Scalable Solar Image Retrieval with Lucene. Proceedings - 2014 IEEE International Conference on Big Data, IEEE Big Data 2014. 10.1109/BigData.2014.7004399.
[76] Banda, Juan & Angryk, Rafal & Martens, Petrus. (2011). On the surprisingly accurate transfer of image parameters between medical and solar images. Proceedings - International Conference on Image Processing, ICIP. 3669-3672. 10.1109/ICIP.2011.6116515.
[77] A Poldrack, Russell. (2007). Region of interest analysis for fMRI. Social cognitive and affective neuroscience. 2. 67-70. 10.1093/scan/nsm006.
[78] Elmoufidi, Abdelali & El Fahssi, Khalid & jai andaloussi, Said & Madrane, Nabil & Sekkaki, Abderrahim. (2014). Detection of regions of interest's in mammograms by using local binary pattern, dynamic k-means algorithm and gray level co-occurrence matrix. 118-123. 10.1109/NGNS.2014.6990239.
[79] M. Zakariya, S & Ali, Rashid & Ahmad, Nesar. (2010). Combining visual features of an image at different precision value of unsupervised content based image retrieval. 2010 IEEE International Conference on Computational Intelligence and Computing Research, ICCIC 2010. 10.1109/ICCIC.2010.5705739.
[80] A. Amory, Abduljawad & Sammouda, Rachid & Mathkour, Hassan & M. Jomaa, Rami. (2012). A content based image retrieval using K-means algorithm. 7th International Conference on Digital Information Management, ICDIM 2012. 221-225. 10.1109/ICDIM.2012.6360121.
[81] Amores, Jaume & Sebe, Nicu & Radeva, Petia. (2007). Context-Based Object-Class Recognition and Retrieval by Generalized Correlograms. IEEE transactions on pattern analysis and machine intelligence. 29. 1818-33. 10.1109/TPAMI.2007.1098.
[82] A Helala, Mohamed & Selim, Mazen & Zayed, Hala. (2012). A Content Based Image Retrieval Approach Based On Principal Regions Detection. International Journal of Computer Science Issues, vol 9, no. 4, pp. 204-213, 2012.
Referencias
86 86
[83] Cichocki, Andrzej & Amari, Shun-ichi. (2010). Families of Alpha- Beta- and Gamma- Divergences: Flexible and Robust Measures of Similarities. Entropy. 12. 10.3390/e12061532.
[84] Banerjee, Arindam & Merugu, Srujana & S. Dhillon, Inderjit & Ghosh, Joydeep. (2004). Clustering with Bregman Divergences. Journal of Machine Learning Research. 6. 10.1137/1.9781611972740.22. [85] Nielsen, Frank & Nock, Richard. (2009). Sided and Symmetrized Bregman Centroids. Information
Theory, IEEE Transactions on. 55. 2882 - 2904. 10.1109/TIT.2009.2018176.
[86] Nock, Richard & Nielsen, Frank & Amari, Shun-ichi. (2013). On conformal divergences and their population minimizers. IEEE Transactions on Information Theory. 62. 10.1109/TIT.2015.2448072. [87] Taneja, Inder & Kumar, Pranesh. (2004). Relative Information of Type s, Csiszár f-Divergence, and
Information Inequalities. Information Sciences. 166. 104-125. 10.1016/j.ins.2003.11.002.
[88] García-García, Darío & von Luxburg, Ulrike & Santos-Rodriguez, Raul. (2011). Risk-Based Generalizations of f-divergences. Proceedings of the 28th International Conference on Machine Learning, ICML 2011. 417-424.
[89] Ding, C & XF, He & Simon, H.D. (2005). On the equivalence of nonnegative matrix factorization and spectral clustering. 606-610.
[90] Chakraborty, Saptarshi & Das, Swagatam. (2017). k-means Clustering with a New divergence-based Distance Metric: Convergence and Performance Analysis. Pattern Recognition Letters. 100. 10.1016/j.patrec.2017.09.025.
[91] Mandal, Abhijit & Cichocki, Andrzej. (2013). Non-Linear Canonical Correlation Analysis Using Alpha-Beta Divergence. Entropy. 15. 2788-2804. 10.3390/e15072788.
[92] Sarmiento, Auxiliadora & Durán-Díaz, Iván & Cichocki, Andrzej & Cruces, Sergio. (2015). A Contrast Function Based on Generalized Divergences for Solving the Permutation Problem in Convolved Speech Mixtures. Audio, Speech, and Language Processing, IEEE/ACM Transactions on. 23. 1713-1726. 10.1109/TASLP.2015.2447281.
[93] Revuelta Vera S. (2016). Aplicación de las divergencias Alfa-Beta a la Separación Ciega de Fuentes en mezclas de audio. Proyecto Fin de Carrera. Universidad de Sevilla. Escuela Técnica Superior de Ingeniería (ETSI), departamento Teoría de la Señal y Comunicaciones.
[94] Olszewski, Dominik & Å ter, Branko. (2014). Asymmetric clustering using the Alpha-beta divergence. Pattern Recognition. 47. 2031-2041. 10.1016/j.patcog.2013.11.019.
[95] NASA/Sandra Joseph and Tony Gray. Feb. 11, 2010. Atlas V Leaps Off the Pad. [En línea]. Available: https://sdo.gsfc.nasa.gov/gallery/itl/item/242. [Último acceso: Junio 2019].
[96] NASA / STEREO (Website). (2017) [En línea]. Available: https://www.nasa.gov/ mission_pages/stereo/mission/index.html. [Último acceso: Junio 2019].
[97] ESA & NASA / SOHO (Website) (2018). [En línea]. Available: https://soho.nascom.nasa.gov/about/about.html. [Último acceso: Junio 2019].
[98] Solar Dynamics Observatory (SDO mission, NASA). SDO Log [En línea]. Available: https://sdo.gsfc.nasa.gov/assets/img/site/SDO_Logo_flat_lg.png. [Último acceso: Junio 2019].
Detección de Regiones de Interés en Imágenes Solares mediante Clustering Asimétrico 87
[99] Wikipedia. (2019). Solar Dynamics Observatory. [En línea]. Available: https://en.wikipedia.org/wiki/Solar_Dynamics_Observatory. [Último acceso: Junio 2019].
[100] Solar Dynamics Observatory (SDO mission, NASA). Spacecraft. [En línea]. Available: https://sdo.gsfc.nasa.gov/mission/spacecraft.php. [Último acceso: Junio 2019].
[101] Cristiana Dumitrache. (2017). Numerical Simulations of the Evolution of Solar Active Regions: the Complex AR12565 and AR12567. [En línea]. Available: https://www.researchgate.net/figure/The- full-disk-HMI-SDO-magnetogram-and-the-active-region-zone-cutting-up_fig1_314116760. [Último acceso: Junio 2019].
[102] Solar Dynamics Observatory (SDO mission, NASA). The four AIA Telescopes installed on the IM in the SCA cleanroom. [En línea]. Available: https://sdo.gsfc.nasa.gov/gallery/itl/item/208. [Último acceso: Junio 2019].
[103] Wikipedia. (2018). Zerodur. [En línea]. Available: https://en.wikipedia.org/wiki/Zerodur. [Último acceso: Junio 2019].
[104] Karen Fox & Scott Wiessinger. (2013). SDO Wavelength Graphic. [En línea]. Available: https://svs.gsfc.nasa.gov/cgi-bin/details.cgi?aid=11071. [Último acceso: Junio 2019].