Redes neuronales
El último método de clasificación de imágenes digitales que se va a exponer aquí es el clasificador de red neuronal. Este método está inspirado en el reciente progreso en la investigación de la modelización de la capacidad perceptiva del cerebro humano. Se ha propuesto un concepto que muestra las analogías con el modo en que trabaja el cerebro, basado en la utilización de una red de "neuronas". El componente fundamental de esta red es el "perceptrón". Se van a multiplicar tres valores de entrada (por ejemplo, las radiancias, o alguna otra magnitud derivada de los canales espectrales seleccionados) por sus respectivos pesos, y se van a sumar. Esta suma sufre un umbralado, para producir "0" o "1" en la salida. La salida representa el valor "falso" o "verdadero" (es decir, el perceptrón se centra en la identificación de un tipo de clase determinado). Los pesos son conocidos a través del aprendizaje. Así, la mayoría de los métodos de redes neuronales se basan en un aprendizaje supervisado. Una red neuronal completa consta de varios perceptrones (por ejemplo, cada uno de ellos preparado para identificar una clase determinada).
Otros esquemas más sofisticados utilizan varias capas de perceptrones (perceptrones multicapa) con el fin de conseguir un análisis más contextual de las imágenes. Estos métodos utilizan los llamados nodos escondidos, que no resultan tan fáciles de entender como los nodos de entrada. Para ello, las redes de perceptrones multicapa pueden trabajar como si fueran la caja negra del usuario. La selección de la característica no está clara y, por tanto, tampoco está claro qué detalle de la imagen aporta la información más importante para el escenario de la clasificación concreta. El éxito de los clasificadores de red neuronal depende (en lo referente a métodos de clasificación supervisada) de su aprendizaje, y de si los materiales de aprendizaje son representativos del verdadero aspecto de la clase, y de su variación. En el caso de esquemas más complicados, obviamente es importante construir esquemas computacionalmente eficientes, capaces de calcular y cambiar los pesos individuales para los nodos de entrada, tanto como para los escondidos. La estratagema está en utilizar los errores obtenidos en los nodos de salida en la fase de aprendizaje, para producir nuevos pesos, que reducirán los errores (una función de propagación hacia atrás del error). Así, el proceso de cálculo de nuevos pesos muestra parecidos con los esquemas más generales de asimilación de datos variacionales en meteorología.
