Un saludo cordial para el profesor y mis compañeros de debate.
Para cerrar formalmente el foro de nuestro grupo y sintetizar las excelentes intervenciones de Alexander y Neheman, me propongo evaluar el comportamiento del sistema cuando empujamos los parámetros hacia los extremos. Como hemos visto, la convolución y la aplicación de la transformada de Fourier bidimensional actúan como traductores fundamentales entre los píxeles caóticos y las características computables.
Secuencia 3 - Análisis Extremo (Tamaño de Kernel: 7x7)
A continuación, presento la última secuencia de nuestro ejercicio práctico, llevando la ventana de convolución matemática a un tamaño de 7x7 sobre la misma imagen.
[NOTA: Insertar aquí la captura de pantalla de los resultados de la carpeta 'resultados_k7']
Conclusiones del Ejercicio
A partir del análisis escalonado que hicimos (kernels de 3x3, 5x5 y 7x7), concluyo lo siguiente:
- La abstracción tiene un costo geométrico: Con el kernel 7x7, la distorsión geométrica en los bordes es sumamente notoria. Para poder calcular el valor del píxel central usando 48 vecinos (una matriz de 49 menos el centro), la imagen útil se reduce significativamente. Si estuviéramos procesando imágenes médicas o evidencia forense en baja resolución, perder tres o cuatro líneas de píxeles alrededor de toda la imagen podría ser catastrófico.
- El filtro correcto depende de la distancia focal del problema: Como demostró Alexander, en escenarios altamente complejos como la detección de rostros en estrados judiciales, un tamaño pequeño (3x3) respeta las micro-características. Sin embargo, si nuestro objetivo fuese el conteo general de multitudes o la censura total por privacidad (emborronamiento severo), el kernel de 7x7 es claramente superior.
- La visión por computador no ve imágenes, computa matrices: Esto parece obvio, pero al interactuar con el código en OpenCV y manipular los valores negativos y positivos de la matriz (como vimos en los filtros de relieve y bordes), queda demostrado empíricamente que lo que hacemos es amplificar o cancelar frecuencias espaciales.
En definitiva, el procesamiento primario de la imagen no es un paso accesorio, sino el cimiento sobre el cual los clasificadores (ya sean Support Vector Machines, Redes Convolucionales, o modelos híbridos como los implementados en el Ecosistema MARDUK) construyen su exactitud predictiva.
¡Muchas gracias a todos por la retroalimentación a lo largo de esta semana!