Detección de vida vía software en imágenes de iris ... - ATVS

7.2 FASES DE ENTRENAMIENTO Y TESTUna vez extraídos los histogramas de las medidas de calidad dividimos la basede datos y procedimos a obtener resultados medibles mediante valores, en estecaso utilizamos el EMC.Comenzamos con la búsqueda de los mejores subconjuntos de medidas(aquellos que obtuviesen mínimo EMC) utilizando el algoritmo SFFS.A la salida de la fase de entrenamiento obtuvimos los resultados que se puedenobservar en la tabla 3. Una vez que el mínimo EMC es alcanzado, utilizamoslos mejores subconjuntos de medidas de calidad para clasificar las imágenes detest (que durante todo el desarrollo del proyecto han sido mantenidas separadasde las muestras del conjunto de entrenamiento) para obtener resultadostotalmente imparciales sobre la capacidad discriminativa del sistema.En la tabla 3 también indicamos los resultados de clasificación del proyecto.Por claridad, sólo se muestran los mejores subconjuntos de características en elentrenamiento. Se muestran los valores de error medio de clasificación para elconjunto de entrenamiento (enfrentando 200 imágenes a otras 200 y viceversa)y para el conjunto de test (enfrentando las 1200 imágenes de test al algoritmoentrenado con las 400 de entrenamiento).Orden Subconjunto Clase EMC entrenamiento(%)EMC test(%)MCI6 Oclusión 19,25 24,00MCI10 Oclusión 19,25 20,871MCI11 Oclusión 18,50 22,50MCI13 Contraste 5,75 7,37MCI19 Oclusión 4,25 10,50MCI21 Oclusión 14,75 14,62MCI19 + MCI4 Oclusión + enfoque 2,25 5MCI19 + MCI13 Oclusión + contraste 0,25 3MCI19 + MCI14 Oclusión + contraste 2,75 6,502 MCI19 + MCI15 Oclusión + enfoque 2,50 4,75MCI19 + MCI21 Oclusión + Oclusión 4,00 5,37MCI19 + MCI22Oclusión +dilatación0,00 0,003MCI19 + MCI22+ MCI13Ocl+dilat+ contras. 0,00 0,004MCI19 + MCI22 Ocl + dilat++ MCI13+… contras.+…0,00 0,00Tabla 3.Resultados de clasificación para los mejores subconjuntos de características.58