Portafolio Vision 733 PDF

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE INFORMÁTICA Y ELECTRÓNICA

ESCUELA DE INGENIERÍA ELECTRÓNICA EN CONTROL Y REDES
INDUSTRIALES
PORTAFOLIO DE VISIÓN ARTIFICIAL
I. DATOS INFORMATIVOS
Nombres y Apellidos: Martha Cecilia Pillajo Ñauñay
Dirección domiciliaria: Manuel María Sánchez y Demetrio Aguilera
Teléfono: 032601338
Correo electrónico Ceci.pillajo@gmail.com
institucional y personal:
Código: 733
Fecha: 2017-07-29
S
I
L
A
B
O
“Saber para Ser”

SÍLABO INSTITUCIONAL
1. INFORMACIÓN GENERAL
FACULTAD INFORMÁTICA Y ELECTRÓNICA

INGENIERÍA ELECTRÓNICA EN CONTROL Y
ESCUELA
REDES INDUSTRIALES
INGENIERÍA EN ELECTRÓNICA, CONTROL Y
CARRERA
REDES INDUSTRIALES
SEDE MATRIZ - ESPOCH
MODALIDAD PRESENCIAL
SÍLABO DE VISIÓN ARTIFICIAL
NIVEL DÉCIMO
PERÍODO ACADÉMICO ABRIL 2016 – SEPTIEMBRE 2016
ÁREA CÓDIGO NÚMERO DE CRÉDITOS
EJERCICIO PROFESIONAL IEO29824 3
NÚMERO DE HORAS
PRERREQUISITOS CORREQUISITOS
SEMANAL
3 190 CRÉDITOS
NOMBRE DEL DOCENTE JAVIER JOSÉ GAVILANES CARRIÒN

NÚMERO TELEFÓNICO 0980228196
CORREO ELECTRÓNICO javier.gavilanes@espoch.edu.ec
TÍTULOS ACADÉMICOS DE INGENIERO EN ELECTRÓNICA,CONTROL Y
TERCER NIVEL REDES INDUSTRIALES
TÍTULOS ACADÉMICOS DE MÁSTER UNIVERSITARIO EN AUTOMÁTICA Y
POSGRADO ROBÓTICA
2. DESCRIPCIÓN DE LA ASIGNATURA
2.1. IDENTIFICACIÓN DEL PROBLEMA DE LA ASIGNATURA EN

RELACIÓN AL PERFIL PROFESIONAL
La visión artificial, también conocida como visión por computador permite modelar
de manera matricial el mundo que nos rodea, basado en las imágenes que se
adquieren por os sistemas de visión, logras esto implica conocer cómo funcionan
los diversos sistemas y los algoritmos que los gobiernan, así como poder
reconocer que algoritmos se deben usar para dar solución a un determinado
problema.
2.2. CONTRIBUCIÓN DE LA ASIGNATURA EN LA FORMACIÓN DEL
PROFESIONAL
P á g i n a 1 de 8
El uso de la visión artificial aporta varias soluciones para diversos sistemas de

automatización, dotando a los sistemas de automatización de un cierto grado de
inteligencia para poder discernir en base al procesamiento de imágenes. Este
grado de inteligencia estará determinado por la robustez del sistema de visión
artificial.
3. OBJETIVOS GENERALES DE LA ASIGNATURA
El objetivo general de esta asignatura es que el estudiante luego de aprobar el

curso esté en capacidad de:
Conocer y comprender las diversas técnicas usadas en el procesamiento de

imágenes, así como el funcionamiento de los sistemas que hacen uso de ellas.
Aplicar los conceptos y herramientas matemáticas de la visión artificial mediante

el uso de la ToolBox de procesamiento de imágenes de Matlab.
Identificar problemas reales en donde se pueda hacer uso de la visión artificial.
4. CONTENIDOS
UNIDADES OBJETIVOS TEMAS
 Adquirir los  Introducción

conocimientos básicos  Sistema de Visión
INTRODUCCIÓN
en el campo de la visión  Percepción
artificial  Aplicaciones
 Visión humana
 Adquisición de
 Comprender el proceso imágenes
de adquisición de  Características de
imágenes y el pre imagen.
PROCESAMIENTO A procesamiento básico  Transformaciones de
BAJO NIVEL para su uso en niveles la imagen
superiores.  Reducción del ruido
 Realce de la imagen
 Detección de bordes
 Transformaciones
geométricas
 Transformaciones
morfológicas
 Percepción de color.
 Procesamiento de
color.
 Visión
estereoscópica,
 Reconstrucción 3D
 Agrupamiento y
bordes.
 Pirámides y arboles
 Analizar los resultados  Técnicas basadas en
del pre procesamiento la detección de
PROCESAMIENT fronteras.
para refinar la obtención
O A NIVEL  Transformada de
de regiones de interés,
INTERMEDIO Hough.
mediante algoritmos y
técnicas definidas.  Técnicas de
búsqueda.
 Segmentación.
 Movimiento
 Flujo óptico.
 Obtener información  Reconocimiento de

puntual de la imagen, objetos.
PROCESAMIENTO DE para la generación de  Visión basada en
ALTO NIVEL una señal de control modelos.
para un sistema de  Visión basada en
control. conocimiento.
 Odometría Visual.
P á g i n a 3 de 8
5. ESTRATEGIAS METODOLÓGICAS
La metodología que guiará a la asignatura será: de proyectos, explicativa, crítica y

de exposición problemática.
Será necesario apoyarnos en los siguientes métodos:
MÉTODOS TÉCNICAS
 Método por proyectos  Manejar técnicas de estudio
 Explicativa  Manejar técnicas de lectura
 Critica  Conocer en el internet
 Exposición problemática  Comparar a través de un
organizador gráfico
 Escribir síntesis
 Interactuar
 Investigar documentos
6. USO DE TECNOLOGÍAS
Los recursos tecnológicos que se utilizarán son:

 Laboratorios, computadoras, software de simulación
 Bibliografía
 Material didáctico (Transparencias)
 Internet, utilización de TICs, Aula Virtual
7. RESULTADOS O LOGROS DE APRENDIZAJE
CONTRIBUCION
RESULTADOS O LOGROS EL ESTUDIANTE SERÁ
(ALTA,MEDIA,
DEL APRENDIZAJE CAPAZ DE
BAJA)
Aplicar los algoritmos
a) Aplicar el conocimiento de
matemáticos gobiernan el
las ciencias básicas de la
MEDIA procesamiento de los
ingeniería electrónica en
sistemas de visión por
control y redes industriales
computador.
b) Identificar y definir los
problemas relacionados Determinar qué tipo de
con la electrónica, sistemas MEDIA sistema es más viable para
de control e instalaciones una determinada solución.
eléctricas industriales.
c) Proponer soluciones Discernir entre la
técnico económicas a los MEDIA rentabilidad de la aplicación
problemas relacionados de un sistema de visión, y
con la electrónica, sistemas los algoritmos que aplicará.

de control e instalaciones
eléctricas industriales.
d) Desarrollar habilidades
mediante utilización de
medios tecnológicos para Estar al tanto de las
diseñar sistemas tecnologías más recientes
electrónicos de control e MEDIA que se aplican en el
instalaciones eléctricas desarrollo de sistemas de
industriales así como el visión por computador.
diagnóstico y solución de
sus problemas.
Diseñar soluciones
integrales para la resolución
de problemas relacionados
e) Trabajar como un equipo
MEDIA al campo profesional, dentro
multidisciplinario.
de un grupo
multidisciplinario.
Comprender la
responsabilidad profesional,
investigativa y personal que
conlleva la elaboración de un
f) Aplicar la responsabilidad
BAJA proyecto, el cual puede
ética y profesional.
desarrollarse por una única
persona o por un grupo de
personas.
Usar de manera efectiva las

normas de comunicación
g) Promover la comunicación
BAJA oral, escrita, gráfica y
efectiva.
electrónica.
P á g i n a 5 de 8
Identificar problemas y
aportar con nuevas
h) Potenciar el ámbito de la
soluciones a problemas
investigación para lograr el BAJA
derivados de un trabajo de
aprendizaje continuo.
investigación.
Identificar temas y asuntos

i) Fortalecer el interés por el
vinculados con el ambiente
conocimiento del entorno
BAJA de trabajo relacionado a su
social y tecnológico
carrera para la presentación
contemporáneo.
de posibles soluciones.
8. AMBIENTES DE APRENDIZAJE
 Conferencia: Planteamiento y desarrollar los fundamentos teórico-

prácticos de la temática establecida en las unidades didácticas mediante
clases expositivas- participativas.
 Talleres: Trabajo individual y en equipos para resolver en forma práctica
problemas relacionados con los conocimientos alcanzados.
 Investigación: Trabajos individuales y en equipo que permitan construir
conocimiento con el apoyo de los sistemas de información y como la
participación responsable, diálogo y discusión entre los estudiantes.
 Simulación por computadora: mediante el empleo de herramientas de
software apropiadas que permitan a los estudiantes comprender de mejor
manera los sistemas de visión por computador.
9. SISTEMA DE EVALUACIÓN DE LA ASIGNATURA
ACTIVIDADES A PRIMER SEGUNDO TERCER EVALUACIÓN

EVALUAR SUSPENSIÓN
PARCIAL PARCIAL PARCIAL PRINCIPAL
Exámenes 3 3 3 12 20
Lecciones 1 1
Tareas
1
Individuales
Informes
Fichas de
Observación
Trabajo en
1 2 4
Equipo
Trabajo de
2 3 2
Investigación
Portafolios 1
Aula Virtual 1
Otros
TOTAL 8 PUNTOS 10 PUNTOS 10 PUNTOS 12 PUNTOS 20 PUNTOS
10. BIBLIOGRAFÍA
BASICA
 Velez Serrano Jose F, Visión por Computador. 2004, Dykinson, España.
COMPLEMENTARIA
 Richard Szeliski. Computer Vision: Algorithms and Applications.
 Gonzales R. C., Woods R.E. Digital Image Processing, Second Edition
Prentice Hall.
 Michael Seul, Lawrence O'Gorman, Michael J. Sammon. Practical
Algorithms for Image Analysis. Cambridge University Press, 2000.
 Sucar L. E., Gomez Giovani. Visión Computacional.
 Tutorial Matlab (Processing Image Toolbox)

LECTURAS RECOMENDADAS
 Domingo Mery. Apuntes de Visión por computador. Universidad Santiago
de Chile.
 Mit Technologic Review, Business report The Future of Work
 Tutorial OPENCV
P á g i n a 7 de 8
WEBGRAFÍA
 http://szeliski.org/Book/
 http://www.ehu.eus/ccwintco/uploads/d/d4/PresentacionMundoVirtual.pdf
 http://opencv.org
FIRMA DEL DOCENTE FIRMA DEL

DE LA ASIGNATURA COORDINADOR DE
ÁREA
FIRMA DEL DIRECTOR

DE ESCUELA
FECHA DE Riobamba, 05 de Octubre de 2015

PRESENTACIÓN
D
E
B
E
R
E
S
INGENIERÍA ELECTRÓNICA EN CONTROL Y REDES INDUSTRIALES
NOMBRE: Martha Pillajo CÓDIGO: 733 FECHA: 2016-05-14
Sistema LiDAR y método SLAM
Sistema LiDAR
LIDAR (siglas en inglés de Laser Imaging Detection and Ranging),
una tecnología originada en los años 60, se aplica principalmente en
geología, sismología y física, permite determinar la distancia desde
un emisor laser al punto de medida en base al tiempo que se demore
el pulso en regresar.
Éste sistema permite obtener varios puntos del terreno mediante un
escáner laser aerotransportado, en donde se combinan dos
movimientos, uno longitudinal dado por la trayectoria del avión y
otro transversal mediante un espejo móvil que desvía el haz de luz
láser emitido por el escáner. Para lo cual es necesario conocer la
posición del sensor y el ángulo del espejo en cada momento. Para
ello el sistema se apoya en un sistema GPS diferencial y un sensor
inercial de navegación. Conocidos estos datos y la distancia sensor-
terreno obtenida con el distanciómetro se obtienen las coordenadas
buscadas.
Los componentes del LIDAR son:
 ALS: Escáner Láser Aerotransportado. Emite pulsos de luz

infrarroja que sirven para determinar la distancia entre el sensor
y el terreno.
 GPS diferencial. Mediante el uso de un receptor en el avión y uno
o varios en estaciones de control terrestres (en puntos de
coordenadas conocidas), se obtiene la posición y altura del avión.
 INS: Sistema Inercial de Navegación. Nos informa de los giros y
de la trayectoria del avión.
 Cámara de video digital (opcional), que permite obtener una
imagen de la zona de estudio.
 Medio aéreo. Puede ser un avión o un helicóptero, dependiendo
de la densidad de la zona.
Método SLAM
LAM, Localización Y Mapeado Simultáneos. Es una técnica usada por
robots y vehículos autónomos para construir un mapa de un entorno
desconocido en el que se encuentra, a la vez que estima su
trayectoria al desplazarse dentro de este entorno.
Existen algunos problemas al momento de usar éste método, la
primera es el ruido presente en los sistemas sensoriales, los
inevitables errores y aproximaciones cometidos en los modelos
Sistema de visión por computador bioinspirado usando la GPU y
Modelo Visual de Evaluación de Lenguaje (VIPAL): Aplicación en el
pronóstico de Cáncer de Mama.
Pillajo Martha, 733
Facultad de Informática y Electrónica, ESPOCH, Riobamba, Ecuador
Sin embargo, un especialista en un instituto médico grande a

Abstract. – La visión por ordenador bio-inspirado es un veces necesita evaluar más de un centenar de biopsias por
campo emergente. Su objetivo es reproducir las capacidades día. Así, para apoyar sus trabajos para el pronóstico del
de los sistemas de visión biológica finalmente, para simular cáncer de mama se convierte un asunto importante.
las funciones visuales para diversos fines.
En este trabajo, se propone un sistema visual por
computador bioinspirado utilizando la unidad de
procesamiento gráfico (GPU), y su aplicación en pronóstico
del cáncer de mama. El sistema extrae características
visuales de una imagen de entrada utilizando un mecanismo
que es similar a sistema visual humano.
Con el fin de operar el sistema visual equipo de bio-
inspirado, en este trabajo se propone un nuevo lenguaje de
programación, llamado Visual Pattern Assessment
Language (VIPAL) en español Modelo Visual de
Evaluación del Lenguaje. La Vipal ofrece una shell entre el
sistema visual equipo bioinspirado y los usuarios.
Keywords. – Bio-inspirado, pronóstico, cáncer, GPU,

VIPAL.
I. INTRODUCCIÓN
La mayoría de los sistemas bio-inspirados están formados a
partir de las simulaciones de organismos simples de cálculo
de un conjunto de reglas simples.
Esas reglas simples colaboran entre sí y producen
información para una aplicación de nivel superior.
En éste estudio se simula la actividad neuronal de la retina y Aunque muchas modalidades médicas se utilizan para
de la corteza visual primaria, con el fin de imitar algunas apoyar el pronóstico del cáncer de mama, la histopatología
funciones visuales como la codificación de los bordes, es la mejor opción para tomar la decisión final para el
texturas y formas de escenas naturales. pronóstico y los siguientes tratamientos.
Estas características visuales son convertidas a señales de Una de las cuestiones clave es que, dado que el tamaño de la
actividad neuronales artificiales que luego se clasifican por imagen de las biopsias de mama digitalizadas es bastante
un algoritmo de aprendizaje automático. grande, la implementaciones en esas investigaciones por lo
Al utilizar el sistema visual ordenador bio-inspirado, es general requiere una gran cantidad de cómputo de tiempo.
posible hacer conexiones entre las características de imagen En este trabajo, se presenta un área de detección invasiva
y conocimiento de los conceptos visuales. algoritmo basado en la simulación visual inspirado en la
Sin embargo éste procedimiento es bastante complejo y por biología. Para esto la unidad de procesamiento gráfico
lo general no es posible representarlo por una sola entidad y (GPU) se puede utilizar. En este estudio, la GPU de
por eso se propone un nuevo lenguaje de programación NVIDIA y el dispositivo de computación unificada de
llamado VIPAL que provee una interfaz de alto nivel. Arquitectura (CUDA) se han usado para acelerar el
Los primeros signos de cáncer de mama a menudo se algoritmo.
ocultan dentro de los tejidos de la mama.
Por lo tanto, el pronóstico del cáncer de mama se basa en II. MÉTODOS
gran medida de la medicina, los patólogos necesitan
identificar los tumores y analizar su aspecto histológico.
El modelo propuesto se basa en el sistema visual humano.
Un patólogo bien entrenado normalmente puede completar
el análisis de una biopsia en 10 a 20 segundos.
El sistema visual humano incluye dos partes principales: la A. Representación del color
retina y la corteza visual primaria. En la retina, hay dos
principales foto receptores: el cono y las células de la barra. Con el fin de simular las reacciones visuales relacionados de
Las células de cono se pueden clasificar en tres tipos: L-, M- sistema visual humano, tenemos que obtener unos
, y S. Estos tipos de foto receptores reaccionan a diferentes parámetros.
longitudes de onda de luz.
o La sensibilidad de los foto receptores en el espectro
visible ver Fig. 3 (a)
o En segundo lugar, el factor de luminosidad ver
Fig. 3 (b)
o Espectro de una pantalla típica de CRT.
La mayor parte del módem pantallas proporcionan la

corrección de gamma. Un ejemplo del coeficiente Gamma
(GDC) se muestra en la Fig. 3 (c).
Fig. 2 Detección de áreas de cáncer de mama.
El patólogo selecciona patrones de entrenamiento a través

de la observación de las biopsias de mama, y envía los
patrones para el sistema. El sistema convierte la imagen en
señales de actividad neuronales artificiales. La primera y la
segunda características visuales de orden se extraen. Estas
características visuales se utilizan ya sea para entrenar el
sistema durante la fase de entrenamiento, o para detectar las
áreas invasivas en la fase de prueba.
Este conocimiento del sistema visual humano nos puede
ayudar para descubrir las estrategias de toma de decisiones
en el proceso, cuando los patólogos están analizando una
biopsia para el pronóstico de cáncer de mama. En este
estudio, se simula algunos de los mecanismos del sistema
visual humano, generar la primera y características de
segundo orden, y clasificarlas características de máquinas de
vectores soporte (SVM). Después de la SVM ha sido
entrenado, el sistema es capaz de detectar las regiones de
interés.
Con el fin de acelerar la computación, la tecnología GPU es
utilizada en algunos de los componentes principales del
sistema.
En los experimentos, los patrones de entrenamiento fueron
dados por el investigador, bajo la supervisión del patólogo.
Esos patrones vinieron de un conjunto de muestras que han
sido identificadas por el patólogo. Estas muestras contienen
características típicas de la zona invasiva. Durante la fase de
aprendizaje, el sistema a veces era incapaz de identificar
algunos casos positivos. Después de discutir con el
patólogo, se proporciona nueva formación con el fin de
mejorar su rendimiento.
En este estudio, el objetivo es descubrir la relación entre una
imagen de la biopsia de mama aparece en una pantalla, y la
toma de decisiones procedimiento de un patólogo que está Fig. 3 Los coeficientes relacionados
analizando las imágenes en la pantalla.
Basado en la introducción un operador puede ser obtenido El campo receptivo de un ganglio puede ser considerado
para la reconstrucción de la corrección gamma. como una referencia debido a que exhibe un centro/borde
característico.
El campo receptivo de un ganglio puede ser representado de

la siguiente manera:
Donde:
1) Fotoreceptor:
S: Escala para normalizar los valores de entrada Incluye varios conos y bastones, éstas células reaccionan a
diferentes longitudes de luz. Los conos pueden ser
T: matriz de 3x3 combinación lineal del factor de clasificados en: S/ células azules, M/ células verdes,
sensibilidad y el factor de luminosidad. L/células rojas.
Representación del color desde el punto de vista

psicológico:
2) Células bipolares
Recogen la señal de un número de células cono y transmiten
el rápido aumento de ganglios. Aunque hay varios tipos de
células bipolares, en éste modelo se elige el más simple. Los
mapas de células bipolares a una célula de cono y su canal
opuesto de cono con un sesgo - b.
Representación del color opuesto de Hering:
3) Células horizontales
Conjunto de células que contribuyen a la respuesta de la
envolvente de células bipolares.
Estos pares de colores y la luminancia pueden ser usados

para describir las señales visuales en un sistema de visión 4) Ganglio
humana. Una célula ganglio recoge señal solo de la célula bipolar, en
éste modelo solo un sesgo b es usado para representar la
Basados en la información de color, el sistema visual función de la célula del ganglio
humano es capaz de extraer las características de la imagen. C. Visual Pattern Assessment Language
En nuestro método, estos algoritmos de extracción de
características incluyen la intensidad de los colores, y la
textura percepción. Un ejemplo de imagen de la biopsia de mama
(histopatología) de los la plataforma microscópica. La
resolución de la imagen es 8.3 um / pixel en 1,2X (12 veces)
B. Modelo computacional Fovea de ampliación. Un punto es elegido por un usuario que hace
Para modelar la retina, varios modelos son propuestos para clic y el resto de los 50 puntos se calculan sobre la base de
varios propósitos. Huang propone un modelo computacional multivariante distribución de Gauss.
fóvea para modelar de manera simplificada el sistema
completo de la retina.
Fig. 4 Modelo computacional fóvea

La Vipal ofrece las funciones de operación de archivo,
imagen vista preliminar, la operación de rutina, etc. Como
resultado, la complejidad del sistema está cubierto por una
shell. Así la carga de trabajo en el los usuarios pueden
reducirse.
V. RESULTADOS
Fig. 4 Ejemplo de biopsia de mama.
El patrón de Evaluación de Lenguaje Visual (VIPAL) es un

nuevo lenguaje informático que proporciona a los usuarios
acceso a recuperar las características de la imagen mediante
el uso de una secuencia de comandos. El diseño de la
VIPAL se basa en la secuencia de comandos de la base de
datos bien conocida: SQL. El VIPAL proporciona un
entorno donde los usuarios pueden recuperar imágenes de la
misma manera como lo harían mediante el acceso a las
tablas de una base de datos. Como resultado, este lenguaje En la fase de prueba, se obtienen más de 25 imágenes de 15
sirve como interfaz para la operación del sistema. diapositivas de biopsia de mama digitalizadas. Dos de las
imágenes se utilizan como los patrones de entrenamiento.
La curva bajo el área global (AUC) es 0,9186. El punto de
corte óptimo es -1. 1348.
El índice Característico (ROC).
También se calculó la diferencia de rendimiento de la

inversión entre los resultados de nuestra detección de
retorno de la inversión y de la realidad de las mediciones
por:
Donde R es nuestro resultado, G es el valor verdadero

previsto por expertos, y c (0,1) es la tasa de cobertura. El
promedio de todos los resultados de las pruebas es 0.7077.
VI. CONCLUSIONES
 En éste trabajo un sistema visual bio-inspirado se
implementa una GPU para el pronóstico del cáncer de
mama basado en una base de datos de imágenes
predefinidas, de ésta manera se puede identificar las áreas
cancerosas en la biopsia digitalizada.
 Por la misma biopsia, diferentes médicos pueden hacer
diferente pronóstico. A veces incluso el mismo médico
Fig. 5 400 vectores de la base de 20 x 20 píxeles de la imagen parches
hace un pronóstico diferente para la misma biopsia por lo
que es necesario evaluar la variabilidad del pronóstico.
 El lenguaje Vipal ofrece una shell que será la intérprete de
comandos entre el sistema visual bioinspirado y los
usuarios. La complejidad de la característica de imagen de
bajo nivel de evaluación se puede gestionar por el shell.
VII. REFERENCES
[1] Chao-Hui HUANG, IEEE, “Bio-inspired Computer Visual
System using GPU and Visual Pattern Assessment Language
(ViPAL):
Application on Breast Cancer Prognosis”
[2] J. A. Bednar, "Understanding neural maps with Topographica,"

Brains, Minds, and Media, vol. 3, p. bmm1402, 2008. [Online].
Available: http://www. brains-minds-media.org/archive/1402
empleados, y la dificultad representativa de los entornos a medida

que éstos aumentan en complejidad.
Las soluciones que mejores resultados han obtenido a la hora de
abordar el problema del SLAM son aquellas basadas en técnicas
probabilísticas, Este tipo de algoritmos tienen su base en el teorema
de Bayes.
FUENTES:
[1] Muge, Mutlu; Sorin C. Popescu. «Assessing forest fuel models
using lidar remote sensing». Remote Sensing of Environment.
[2] Laura Plitt (2015) LIDAR, la tecnología que permite encontrar
"ciudades perdidas". [Online] Available on:
http://www.bbc.com/mundo/noticias/2015/06/150622_tecnologia_lid
ar_arqueologia_lp
[3] Elfes, Alberto (1987). «Sonar-based real-world mapping and
navigation». IEEE Journal of Robotics and Automation

ESCUELA DE INGENIERÍA ELECTRÓNICA EN CONTROL Y REDES INDUSTRIALES
VISIÓN ARTIFICIAL
PRÁCTICA
PROCESAMIENTO DE IMÁGENES EN MATLAB
1. DATOS GENERALES:
NOMBRE(S): CÓDIGO(S):
Martha Pillajo 733
FECHA DE REALIZACIÓN: FECHA DE ENTREGA:
2016/06/26 2016/07/03
2. OBJETIVO(S):
2.1. GENERAL
Realizar un trabajo práctico en Matlab que haga un procesamiento de la imagen

perteneciente a la escena del proyecto final.
2.2. ESPECÍFÍCOS
a) Mostrar la imagen binarizada.

b) Contar la cantidad de objetos disponibles.
c) Recortar y orientar los objetos para obtener la región de interés final.
3. METODOLOGÍA
En la realización de ésta práctica se utiliza el método cuasiexperimental debido a que

partiendo de funciones y comandos conocidos en el software MatLab, podemos realizar un
procesamiento de la imagen que estamos evaluando, a la vez se aplican variaciones en los
parámetros de las funciones para observar sus efectos sobre el resultado final.
Para realizar ésta práctica se sigue la siguiente metodología:
 Lectura y recorte de imagen.

 Binarización de imagen.
 Detección de bordes
 Operaciones morfológicas
 Conteo de objetos encontrados.
 Obtención de regiones de interés
 Descartar objetos que no pertenecen
 Obtener por separado la región de interés de cada objeto encontrado
4. EQUIPOS Y MATERIALES:
Hardware
Computadora Portátil: DELL
- Procesador:
Intel(R) Core(TM) i7-3612QM
CPU @ 2.10GHz
- Adaptador de Video:
Intel(R) HD Graphics Family
- Memoria RAM:
8.0 GB
- Sistema Operativo:
Microsoft Windows 7 Ultimate
Software
MatLab
5. PROCEDIMIENTO:
5.1. Lectura y recorte de imagen.

Una vez obtenida la imagen es necesario recortarla debido a que por la posición de la
cámara ésta captura no solo la base de la escena si no también partes de las paredes.
El comando imcrop nos permite realizar ésta función.
5.2. Binarización de imagen.

Binarizamos la imagen utilizando el comando im2bw.
5.3. Detección de bordes

Es importante declarar un elemento estructurante y aplicando dilatación a la imagen
mediante el comando imdilate podemos obtener los bordes de la imagen.
5.4. Operaciones morfológicas

Aplicamos una cerradura de tipo disk con un parámetro de 10.
5.5. Obtención de regiones de interés

Aplicando la función regionprops podemos obtener varias características de las
imágenes.
5.6. Conteo de objetos encontrados.

Una vez que se han identificado cada uno de los objetos se define una condición de
área, ya que las fichas de dominó tendrán un área específica, esto hará que las
diferencie del resto de objetos.
5.7. Descartar objetos que no pertenecen

Una vez que han sido identificados todos los objetos podemos descartar los objetos que
no pertenecen a nuestro objeto de estudio.
5.8. Obtener por separado la región de interés de cada objeto encontrado

Con la información del ángulo que proporciona la función regionprops podemos aplicar
una rotación a cada uno de los objetos y obtener por separado cado región de interés.
6. RESULTADOS
6.1. EJEMPLO 1
FIG.1 Operaciones ejemplo 1

Fuente: Autor
FIG.2 Regiones de interés recortadas ejemplo 1
Fuente: Autor
6.2. EJEMPLO 2
Fuente: Autor

Fuente: Autor
6.3. EJEMPLO 3

Fuente: Autor
Fuente: Autor
7. CONCLUSIONES
 Es muy importante recortar la imagen original a las medidas con las que vamos a trabajar,
esto nos permitirá descartar algunos errores.
 Debemos escoger correctamente la operación morfológica que se vaya a aplicar, en éste
caso lo más adecuado fue aplicar una operación de cerradura.
8. BIBLIOGRAFÍA:
[1] Procesamiento digital de imágenes con matlab. (21:19:56 UTC). Recuperado a partir
de http://es.slideshare.net/lonely113/procesamiento-digital-de-imgenes-con-matlab
[2] Como hacer detección de bordes en una imagen usando Matlab. (2015, mayo 3).
Recuperado a partir de http://solrive.com/blog/como-hacer-deteccion-de-bordes-en-
una-imagen-usando-matlab/
[3] Matlab - Segmentar una imágen. (s. f.). Recuperado 3 de julio de 2016, a partir de
http://www.lawebdelprogramador.com/foros/Matlab/1313851-Segmentar-una-
imagen.html
[4] Morphologically close image - MATLAB imclose. (s. f.). Recuperado 3 de julio de
2016, a partir de http://www.mathworks.com/help/images/ref/imclose.html
[5] Morphologically open image - MATLAB imopen. (s. f.). Recuperado 3 de julio de
2016, a partir de http://www.mathworks.com/help/images/ref/imopen.html
[6] regionprops (Image Processing Toolbox). (s. f.). Recuperado 3 de julio de 2016, a
partir de http://www-rohan.sdsu.edu/doc/matlab/toolbox/images/regionprops.html
RECONOCIMIENTO DE FICHAS DE DOMINÓ
BASADO EN VISIÓN ARTIFICIAL
Pillajo Martha, 733
Visión Artificial
Facultad de Informática y Electrónica, ESPOCH, Riobamba, Ecuador
numérica o simbólica para que puedan ser tratados por un

Abstract. - This paper presents the development of a computador.
program and a GUI using Matlab, whose purpose is to El buen desempeño de un sistema de visión depende en gran
identify dominoes, based on artificial vision using software parte de sus componentes.
for image processing. For this is used in hardware, a • La primera fase, consiste en la captura o
smartphone that connects to the software via an application adquisición de imágenes por parte del sensor.
called IPwebcam. • La segunda etapa consiste en el tratamiento digital
The design and development of this work were made as a de las imágenes, con objeto de facilitar las etapas
project for Robotic Basics subject from the seventh semester posteriores.
of the Engineering Control Electronic career from • El siguiente paso se conoce como segmentación, y
Polytechnic School of Chimborazo. consiste en aislar los elementos que interesan de una escena
para comprenderla.
• La parametrización, que recibe también el nombre
Keywords. – vision, artificial, Matlab, dominoes . de extracción de características o selección de rasgos.
B. Procesamiento de imágenes
I. INTRODUCCIÓN. El procesamiento de imágenes tiene que ver con la
adquisición, transmisión, procesamiento y representación de
las imágenes. Las técnicas de proceso de imágenes se
La visión artificial es una disciplina científica que
utilizan para mejorar la apariencia visual de las imágenes
incluye métodos para adquirir, procesar, analizar y
para un observador y para preparar convenientemente el
comprender las imágenes del mundo real con el fin de
contenido fotográfico de cara a la percepción por parte de
producir información numérica o simbólica para que puedan
máquinas.
ser tratados por un computador.
C. Métodos de procesamiento de imágenes
El procesamiento digital de imágenes es el Una vez elegidos los elementos constituyentes de sistema de
conjunto de técnicas que se aplican a las imágenes digitales visión artificial se pasa a estudiar los elementos
con el objetivo de mejorar la calidad o facilitar la búsqueda correspondientes al entorno y la forma de situarlos. Un
de información. entorno debidamente controlado es importante ya que nos
asegura unas buenas condiciones de partida, que aseguren
MATLAB es un software matemático que ofrece una óptima adquisición. Las variables que influyen
un entorno de desarrollo integrado con un lenguaje de directamente en la calidad de la imagen adquirida son: La
programación propio. Entre sus prestaciones básicas se iluminación, el fondo, la posición de la cámara.
hallan: la manipulación de matrices, la representación de • Adquisición o captura que se ocupa de los
datos y funciones, la implementación de algoritmos, la diferentes caminos para la obtención de imágenes,
creación de interfaces de usuario (GUI) y la comunicación utilizando cámaras digitales o digitalizando imágenes
con programas en otros lenguajes. Además, se pueden analógicas.
ampliar las capacidades de MATLAB con las cajas de • Realce y mejora son las técnicas que se usan para
herramientas. Para el caso de manipulación de imágenes se mejorar la apariencia visual de las imágenes o para
emplea el toolbox “Image Processing”. recuperar o restaurar las imágenes degradadas.
• Segmentación que se ocupa de la división de las
imágenes en regiones o áreas significativas.
II. MARCO TEÓRICO • Extracción de características que se ocupa de la
detección y localización de entidades geométricas simples y
A. Visión artificial complejas. Desde entidades simples como líneas y puntos
La visión artificial es una disciplina científica que incluye hasta geometrías complejas como curvas y cuádricas.
métodos para adquirir, procesar, analizar y comprender las
imágenes del mundo real con el fin de producir información
D. Técnicas de iluminación C. Binarización de imagen.
Una vez elegidos los elementos constituyentes de sistema de Se binariza la imagen utilizando el comando im2bw.
visión artificial se pasa a estudiar los elementos
correspondientes al entorno y la forma de situarlos. Un
entorno debidamente controlado es importante ya que nos
asegura unas buenas condiciones de partida, que aseguren
una óptima adquisición. Las variables que influyen
directamente en la calidad de la imagen adquirida son: La
iluminación, el fondo, la posición de la cámara.
III. DESARROLLO Y DISEÑO
A. Obtención de la imagen
Fig. 3 Binarización de la imagen

Fuente: Autor
A. Operaciones morfológicas
Aplicamos una cerradura de tipo disk con un parámetro de
17.
Fig. 1 Captura de la imagen

Fuente: Autor
B. Lectura y recorte de imagen.

Una vez obtenida la imagen es necesario recortarla debido a
que por la posición de la cámara ésta captura no solo la base
de la escena si no también partes de las paredes.
El comando imcrop nos permite realizar ésta función.
Fig. 4 Aplicación de operaciones morfológicas

Fuente: Autor
B. Detección de bordes
Es importante declarar un elemento estructurante y
aplicando dilatación a la imagen mediante el comando
imdilate podemos obtener los bordes de la imagen.
Fig. 2 Recorte de la imagen

Fuente: Autor
Fig. 5 Detección de bordes Fig. 7 Eliminación de objetos no pertenecientes
Fuente: Autor Fuente: Autor
Aplicamos una cerradura de tipo disk con un parámetro de

10. F. Obtener por separado la región de interés de
C. Obtención de regiones de interés cada objeto encontrado
Aplicando la función regionprops podemos obtener varias Con la información del ángulo que proporciona la función
características de las imágenes. regionprops podemos aplicar una rotación a cada uno de los
objetos y obtener por separado cado región de interés.
D. Conteo de objetos encontrados.
Una vez que se han identificado cada uno de los objetos se
define una condición de área, ya que las fichas de dominó
tendrán un área específica, esto hará que las diferencie del
resto de objetos.
Fig. 6 Conteo de objetos encontrados

Fuente: Autor
Fig. 8 Segmentación de áreas de interés

E. Descartar objetos que no pertenecen Fuente: Autor
Una vez que han sido identificados todos los objetos
podemos descartar los objetos que no pertenecen a nuestro
objeto de estudio. G. Determinar la denominación de cada ficha
Una vez que se obtiene por separado cada ficha es
necesario analizar imagen por imagen para determinar
cuantos puntos tiene cada una, para lo que es necesario
hacer una segmentación de áreas.
 Cantidad de objetos encontrados
 Cantidad de fichas de dominó encontradas
Fig. 11 Impresión de resultados totales

Fuente: Autor
 Denominación de cada una de las fichas

Fig. 9 Obtención de áreas de interés por separado
Fuente: Autor
IV. RESULTADOS
Mostrar el proceso en una GUI
Los resultados obtenidos se presentan en una interfaz de
usuario que muestra:
 Un axes que despliega los figures correspondientes
al procesamiento
Fig. 12 Impresión de resultados individuales

Fuente: Autor
V. CONCLUSIONES
 Es muy importante recortar la imagen original a las
medidas con las que vamos a trabajar, esto nos permitirá
descartar algunos errores.
 Antes de comenzar a operar en la imagen es conveniente
aplicar filtros en primer lugar.
 Debemos escoger correctamente la operación morfológica
que se vaya a aplicar, en éste caso lo más adecuado fue
aplicar una operación de cerradura.
VI. REFERENCIAS
[1] Procesamiento digital de imágenes con matlab. (21:19:56 UTC).
Recuperado a partir de
http://es.slideshare.net/lonely113/procesamiento-digital-de-
imgenes-con-matlab
[2] Como hacer detección de bordes en una imagen usando Matlab.

(2015, mayo 3). Recuperado a partir de
http://solrive.com/blog/como-hacer-deteccion-de-bordes-en-
una-imagen-usando-matlab/
[3] Matlab - Segmentar una imágen. (s. f.). Recuperado 3 de julio

de 2016, a partir de
http://www.lawebdelprogramador.com/foros/Matlab/1313851-
Segmentar-una-imagen.html
Fig. 10 Procesamiento de la imagen mostrada en la GUI [4] Morphologically close image - MATLAB imclose. (s. f.).
Fuente: Autor Recuperado 3 de julio de 2016, a partir de
http://www.mathworks.com/help/images/ref/imclose.html
[5] Morphologically open image - MATLAB imopen. (s. f.).
Recuperado 3 de julio de 2016, a partir de
http://www.mathworks.com/help/images/ref/imopen.html
[6] regionprops (Image Processing Toolbox). (s. f.). Recuperado 3

de julio de 2016, a partir de http://www-
rohan.sdsu.edu/doc/matlab/toolbox/images/regionprops.html
Autor
Pillajo Martha
Estudiante de la Escuela de Ingeniería Electrónica en
Control y Redes Industriales.
Escuela Superior Politécnica de Chimborazo
Ecuador
29/07/2016
M
A
T
E
R
I
A
Visión Artificial
Procesamiento de
bajo nivel (I)
ESCUELA DE INGENIERÍA ELECTRÓNICA EN CONTROL Y REDES INDUSTRIALE S
ESCUELA SUPERIOR POLITÉCNICA DEL CHIMBORAZO

Procesamiento de bajo nivel (I)
Adquisición de imágenes
Características de imagen.
Transformaciones de la imagen
Reducción del ruido
Realce de la imagen
Detección de bordes
Escuela de Ingeniería Electrónica en Control y Redes Industriales


Adquisición de imágenes
Se la realiza mediante la incidencia de la luz en un dispositivo sensor
Además cuenta con otros parámetros:
La luz
La óptica
Objetivos
La iluminación
Elemento sensor

Adquisición de imágenes
Se la realiza mediante un dispositivo sensor
Además cuenta con otros parámetros:
La luz
La óptica
Objetivos
La iluminación
Elemento sensor

La luz
 Es un fenómeno muy complejo y
puede abarcar años de estudio.
 La propagación de la luz
corresponde a una onda.
 La luz visible solo corresponde a
una parte pequeña del espectro.

Propagación de la luz
La luz se propaga en línea recta hasta que interactúa:
produciéndose un cambio de dirección
reflexión
refracción
si pasa a través de una ranura o agujero

Difracción

Óptica
El cometido del objetivo de una cámara (óptica) es conseguir una imagen nítida proyectada
sobre el elemento sensor
Esto es establecer una correspondencia punto a punto del mundo real con la imagen
proyectada
Exposición directa

Óptica
Cámara oscura ideal

Óptica
Cámara oscura real

Óptica
Es necesario utilizar lentes para conseguir
◦ suficiente luminosidad
◦ correspondencia de punto a punto
Lente es
Sistema óptico centrado formado por dos dioptrios de los cuales al menos uno es esférico y
dos medios externos con el mismo índice de refracción que la limitan
Componente de vidrio o plástico transparente, usualmente circular, que tiene dos superficies
primarias que son talladas y pulidas de una forma específica, diseñada para producir bien
convergencia o bien divergencia de la luz que atraviesa el material

Óptica
Enfoque
Una imagen, o punto de imagen o región está enfocada si la luz procedente de los puntos del
objeto converge tan bien como sea posible en la imagen; por el contrario está desenfocada si
la luz no converge correctamente. La frontera entre las dos condiciones viene dada por el
circulo de confusión.

Óptica
Profundidad de campo
Es la distancia por delante y por detrás del objeto
que aparecen enfocadas
Distancia Hiperfocal
Es la mínima distancia a la que el final lejano de la
profundidad de campo se sitúa en infinito

Objetivos
Proyección de un objeto
 Área visible del objeto a inspeccionar (FOV)
Distancia de trabajo (WD)
Tamaño del sensor (ST)

Tipos de ópticas empleadas en visión artificial
Ópticas Estándar
Ópticas Zoom Estándar
Ópticas de Alta Resolución (Alta sensibilidad)
Ópticas de Gran Formato (Sensor de gran
dimensión)
Ópticas para Micro cámaras
Ópticas zoom de precisión
 Alta magnificación
 Enfoque a pequeñas distancias
 Telecéntricas

La iluminación
El objetivo principal es capturar la imagen en las mejores condiciones posibles para su
posterior análisis

Técnicas básicas de iluminación
Frontal
Omni-direccional
Direccional
Estroboscópica
Retroiluminación o a contraluz
Campo luminoso
Campo oscuro
Iluminación estructurada
Luz polarizada
Iluminación plano láser
Iluminación de color, infrarroja, ultravioleta

Omni-direccional
Elimina sombras del objeto, Se consigue utilizando difusores
Utilización
Análisis de objetos con superficies suaves
Inspección de superficies continuas

Iluminación frontal
Direccional
◦ Potencia la aparición de sombras
◦ Imágenes de alto contraste
Utilización
◦ Localización y reconocimiento de piezas
◦ Inspección de superficies texturizadas/mecanizadas

Ejemplo de iluminación direccional y omni-direccional



Iluminación estroboscópica
◦ Estroboscópica
◦ Iluminación de disparo controlado, con alta potencia y bajo tiempo de activación
Utilización
◦ Objetos en movimiento

Iluminación estroboscópica

Retroiluminación o a contraluz
De campo luminoso
◦ Resalte de los contornos
◦ Iluminación con un difusor tras el objeto (según cámara)
Utilización
◦ Obtención de imágenes con dos niveles de gris
◦ Localización de piezas
◦ Análisis dimensional

Ejemplo de retroiluminación de campo luminoso




Retroiluminación
De campo oscuro
◦ Detecta contornos de materiales transparentes /
translúcidos
◦ Aprovecha las propiedades de reflexión del material
◦ Genera una especie de sección transversal
Utilización
◦ Genera imágenes de alto contraste en este tipo de
material

Ejemplo de retroiluminación de campo oscuro

Iluminación estructurada
Polarizada
◦ Se permite un plano de vibración del campo E de la luz
Utilización
◦ Eliminación de reflejos (agua, espejismo)
◦ Polarizando verticalmente
◦ Fotoelasticidad
◦ Se estudia el efecto de tensiones en materiales transparentes

Fotoelasticidad

Patrón plano láser
◦ Proyecta un patrón conocido sobre la pieza
◦ La deformación del patrón da información 3D de la pieza
Utilización
◦ Detección de objetos
◦ Medida
◦ Visión 3D

Ejemplo de iluminación estructurada - Patrón laser


Iluminación color
◦ Crea mayor contraste
◦ Emisión de un espectro sobre una superficie del mismo color provoca una imagen más clara
◦ Emisión de un espectro sobre una superficie de color opuesto provoca una imagen más
oscura
Iluminación Infrarrojo
◦ Reduce contraste sobre espectros de colores diferentes

Ejemplo de iluminación estructurada – Iluminación color

Ejemplo de iluminación
estructurada – Iluminación color
Luz roja
Luz verde

Ejemplo de iluminación estructurada – Iluminación infrarroja

Sensores
CCD
CMOS
Estrategias de adquisición de imágenes.

CCD (Charge Coupled Device)
 Es sensible a la luz y trabaja a manera de líneas de pixeles con una cobertura de los colores
primarios (RGB).
Es más sensible a la luz que el CMOS.
Consume más energía, así que la batería puede agotarse más rápido.
Captura un rango más amplio de tonos (luces brillantes, tonos medios y sombras) en las fotografías.

CMOS (Complementary Metal-Oxide Semiconductor)
 Mejor desempeño en una estructura más simple, sin necesidad de más equipo.
Menos sensible a la luz, pero un consumo mucho más bajo de energía, por lo que las cámaras
son más económicas.

CCD vs CMOS

CCD vs CMOS
Los sensores CCD crean imágenes de alta calidad con poco ruido digital; los sensores CMOS
son más sensibles a ello.
Los CMOS consumen menos energía; un sensor CCD puede llegar a consumir hasta 100 más
energía que el CMOS; esto hace que la batería dure más en una cámara con este tipo de sensor.
El tiempo que tardas en tomar una foto y poder verla es más rápido en cámaras con CMOS.
En realidad, ninguno es mejor que el otro, simplemente son sensores que aportan
características distintas a cada una de las cámaras digitales.
La tecnología actual ha hecho que el sensor CMOS (en teoría, inferior al CCD) se acerque a una
calidad muy semejante al CCD por lo que, para el ojo humano, las diferencias son casi
imperceptibles.

Estrategias de captura
Proyección de una sola vista de una superficie
Adquisición básica
Puede haber campo de velocidades entre sensor y objeto
En ocasiones requiere posicionado de precisión

Proyección de una sola vista de una superficie
Proyección de varias vistas del objeto en una sola

adquisición.
Diversas adquisiciones desde distintos puntos de

vista
La composición del objeto se realiza sin tener en

cuenta la geometría tridimensional

Mediante cámaras lineales
Movimiento uniforme entre cámara y
objeto
Indicada para procesos continuos y de
alta resolución

Mediante cámaras lineales

Mediante varias vistas
Par estereoscópico con diversos
grados de libertad:
Pan, tilt, óptica y convergencia


Una vista y una proyección de un plano luminoso

Mediante el uso de sensores de
rango

Cámaras termográficas
Obtienen información de la temperatura de los cuerpos
Precio elevado


Características de la imagen
Histograma
Nivel de ruido
Brillo
Contraste
Nitidez
Color
Textura
Tamaño de la imagen
Vecindad y Conectividad
Diferencia cuadrática de dos imágenes

Histograma
Distribución de niveles de gris en una imagen
Función de densidad de probabilidad de niveles de gris
Coordenadas
Abscisas: rango posible de intensidades de gris
Ordenadas: número de pixeles para cada nivel de gris

Nivel de Ruido
Variación en el nivel de gris que sufre un pixel no debida a la
aportación lumínica de la escena
Tipos
Correlados: La variación del nivel de gris depende de la posición espacial del pixel afectado
No correlados: La variación del nivel de gris no depende de la posición espacial del pixel
afectado
Gaussiano: La distribución del ruido se asemeja a una distribución gaussiana de una
determinada media y varianza
Aleatorio: También llamado de sal y pimienta. El número de pixeles afectados y la intensidad
del mismo son variables aleatorias independientes

Nivel de Ruido

Nivel de Ruido

Brillo
Nivel medio de grises de una imagen

Contraste
Variación de niveles de gris de una imagen

Nitidez
Respuesta en nivel de gris de la imagen ante cambios bruscos en la iluminación de la escena
captada.

Nitidez

Nitidez
La baja nitidez puede estar provocada por:
Objetos fuera del rango de enfoque de la óptica
Deficiencias del elemento sensor
Efectos de algoritmos de tratamiento de imágenes
La medición de la nitidez es una tarea compleja, pues depende de:

Los objetos presentes en la imagen
La presencia de ruido

Color
Ojo humano
Las diferentes longitudes de onda del espectro visible son percibidas por el ojo humano como
colores
3 tipos de fotoconversores retinianos:
Azul, verde y rojo
La mezcla, en proporción adecuada, de estas franjas de longitudes de onda, permite la
reproducción de toda la gama de colores
Síntesis aditiva
Colores primarios

Color

Textura
Medida de la disposición espacial
de lo niveles de gris de los píxeles
de la imagen
Cuantifica propiedades como suavidad,
rugosidad y regularidad
Independiente de la posición,
orientación, forma, tamaño, nivel de
brillo ...

Vecindad y Conectividad
Vecindad a cuatro
Vecindad a ocho

Sea una imagen en donde se
desea saber si un conjunto de
píxeles forma una región conectada
(o conexa)
Los píxeles pi y pj están

conectados si existe una secuencia
{pi,... pk,... pj} tal que píxeles
consecutivos pk y pk+1 son vecinos
y comparten una cierta propiedad
(ej: nivel de gris)
Sea R la región de una imagen
formada por todos los pixeles que
comparten una característica dada
Dicha región está conectada si
toda pareja de pixeles pi y pj en R
están conectados.
El tipo de vecindad usado
determina el tipo de conectividad
de la región R.

Diferencia cuadrática
Error cuadrático total
Error cuadrático normalizado


Transformaciones de la imagen
Operaciones puntuales
Operaciones locales
Operaciones globales
Operaciones geométricas

 Operaciones Puntuales:
El resultado de aplicarlo a un pixel depende principalmente de su valor

Operaciones Puntuales: El resultado de aplicarlo a un pixel depende principalmente de su valor
Pueden ser:
Independientes de las características globales
Con una sola imagen

 Suma, resta, multiplicación, división
Máximo y mínimo respecto a una constante
Umbralización
Inversa
Transformaciones según una función racional o irracional (logarítmicas, exponenciales, ...)

Operaciones Puntuales: División entre una constante

Operaciones puntuales: Umbralización

Operaciones puntuales: Inversa

Operaciones puntuales
Pueden ser:

Con una sola imagen
Entre varias imágenes

 suma, resta, multiplicación, división
 máximo, mínimo
 AND, OR, XOR

El resultado de aplicarlo a un pixel depende principalmente de los valores en las imágenes de
entrada




Pueden ser:

Con una sola imagen
Entre varias imágenes
Dependientes de las características globales

Manipulación del histograma
Escalado de la imagen

Operaciones puntuales: Manipulación del Histograma

Operaciones puntuales: Manipulación del Histograma

El resultado de aplicar la función a un pixel depende de su nivel de gris y del de los pixeles del
entorno

El resultado de aplicar la función a un pixel depende de su nivel de gris y del de los pixeles del
entorno

Operaciones locales
El resultado de aplicar la función a un pixel depende de su nivel de gris y del de los pixeles del
entorno
Pueden ser:
Lineales
 La imagen resultante es la convolución de la imagen inicial con una función local denominada máscara

Convolución

Convolución


Operaciones locales
Pueden ser:
Lineales
 No lineales:
 Estadísticas (mediana, mediana ponderada)

Operaciones locales
Pueden ser:
Lineales
 No lineales:

Operaciones locales
Pueden ser:
Lineales
 No lineales:

Operaciones locales
Pueden ser:
 Lineales
 No lineales:
Estadísticas
Morfológicas: están relacionadas con la estructura geométrica de los objetos
o Erosión, dilatación
o Openings, closings
o Adelgazamiento
o Hit-or-Miss

Adelgazamiento

Adelgazamiento

Operaciones locales
Pueden ser:
Lineales
No lineales:
 Estadísticas
 Morfológicas
 Analíticas (función analítica no lineal)
Media geométrica
Media armónica
Media contraarmónica
Media de potencia

Operaciones globales
La imagen se transforma globalmente sin considerar los pixeles de forma individual,
realizándose un cambio de dominio

oEntre las más empleadas:
Transformada de Fourier
Transformada de Hadamard-Walsh
Transformada de Karhunen-Lòeve
Transformada discreta del coseno
Transformada de Hough
Cambio entre modelos de color
oTambién se definen sus transformadas inversas



La posición de cada pixel en la imagen resultado depende de su posición en la imagen origen



Operaciones geométricas
La posición de cada pixel en la imagen resultado depende de su posición en la imagen origen
Las más usadas son:

Homotecia, zoom
Traslación
Rotación, transformada de Hotelling
Warping, corrección de distorsiones
Morphing

Ejemplos de operaciones geométricas




Morphing


Reducción de ruido
Algoritmos más frecuentes
Filtros lineales
 Convolución de una imagen con una máscara predefinida
Filtros no lineales
 Operación no lineal con los pixeles del entorno de vecindad
Filtros temporales
 Análisis de varias imágenes de la misma escena tomadas en instantes diferentes de tiempo

Reducción de ruido
Filtros lineales
Indicados en el caso de ruido gaussiano
 Promediado del entorno de vecindad
 Distribución gaussiana de la función de convolución

Reducción de ruido

Reducción de ruido

Reducción de ruido

Reducción de ruido

Reducción de ruido

Reducción de ruido
Filtros no lineales
Filtro de la mediana
 Los pixeles de la nueva imagen se generan calculando la mediana del conjunto de pixeles del entorno
de vecindad del pixel correspondiente a la imagen origen
 Se homogeneizan los pixeles de intensidad muy diferente con respecto a la de los vecinos
 Indicado en el caso de ruido aleatorio

Reducción de ruido

Reducción de ruido

Reducción de ruido

Reducción de ruido
Filtros temporales
Se basan en la continuidad temporal de la información
 El ruido varía con el tiempo, la escena no
Se realiza el promedio de varias imágenes de la misma escena en distintos instantes

 No hay movimientos relativos escena - cámara
 La escena no cambia en el tiempo

Reducción de ruido
Ejemplo de filtro temporal

Reducción de ruido
Ejemplo de filtro temporal


Realce de la Imagen
Aumento de la nitidez de la imagen
 Ventajas:
o Bordes más definidos
 Inconvenientes:
o Aumenta el nivel de ruido de la imagen
o Se producen “artifacts”: niveles de gris fuera del rango definido por el entorno de vecindad
 “Sharpening” (Filtro lineal):

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen
Manipulación del histograma:
 Adecua el rango de niveles de gris de la imagen.
 Modifica el contraste.
 Aumenta el nivel de ruido
Sea el histograma h(k)

 Función de distribución
 Objetivo: obtener una función k=g(l) tal que h(g(l)) se comporte de una forma determinada

Realce de la Imagen
Manipulación del histograma
 Ecualización.

Realce de la Imagen
 Ecualización.

Realce de la Imagen
 Ecualización.

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen
Manipulación del Histograma: Ecualización

Realce de la Imagen

Realce de la Imagen

Realce de la Imagen
Ecualización.
Stretching o alargamiento: se persigue que los extremos del histograma se correspondan con los
extremos del rango de niveles de gris permitido. El resto se distribuye linealmente.

Realce de la Imagen
Ecualización.
Stretching o alargamiento: se persigue que los extremos del histograma se correspondan con los
extremos del rango de niveles de gris permitido. El resto se distribuye linealmente.

Realce de la Imagen
Manipulación del Histograma: Stretching

Realce de la Imagen
 Ecualización.
 Stretching o alargamiento.
 Autoescalado:
o Se persigue que los extremos del histograma se correspondan con unos valores prefijados.
o El resto se distribuye linealmente.
o Uniformiza imágenes tomadas en distintas condiciones o por diversas cámaras
 Otras transformaciones:
o Se persigue que h(g(l)) se asemeje alguna función determinada: polinómica, exponencial, logarítmica, ...


Detección de bordes
Borde:
 Cualquier discontinuidad que sufre alguna función de intensidad sobre los puntos de la misma
 Tipos de bordes:
o Cambio brusco en la distancia cámara-objeto (dc)
o Cambio en la normal del objeto (n)
o Cambio en la reflectancia del objeto (r)
o Cambio en la proyección de la luz incidente (s)

Filtrado + Extracción = Detección de bordes
Umbralización:
 Selecciona pixeles etiquetados como bordes
Localización:
 Suministra información exacta de la posición y orientación del borde

En el dominio espacial
 Operadores derivada de los niveles de intensidad
 Comparaciones de funciones locales de intensidad
 Comparación con máscaras orientadas, previamente definidas (template matching)

Operadores basados en la derivada

Operadores derivada
 Discretización de las componentes del Gradiente
 Detectores

Operadores derivada
 Estos operadores suministran dos componentes, que permiten:

Extraer la componente horizontal o vertical
Obtener la raíz cuadrada de los cuadrados (norma dos)
Obtener el máximo módulo (norma infinito)
Obtener la suma de los módulos (norma uno)
Obtener el argumento





Umbralización
 Etiquetado de los pixeles de borde
 Problemas
 Pérdidas de conectividad:
• Bordes poco definidos
• Filtrados muy fuertes
• Umbral muy exigente
 Generación de bordes de anchura múltiple:
• Efectos del filtrado
• Umbral poco exigente
 Existencia de falsos bordes:
• Presencia de ruido

Tipos de umbralización
Operadores basados en la primera derivada
 Umbralización simple
o Umbral T único, define la existencia de borde
o g(x, y)>T entonces BORDE
o g(x, y)<T entonces NO BORDE
 Umbralización múltiple
o Dos o más umbrales, que definen dos imágenes resultado
 Determinación de máximos locales del gradiente.
Supresión de los no máximos (SNM)

Operadores basados en la primera derivada
o Determinación de máximos locales del gradiente. Supresión de los no máximos (SNM)



Ejemplos de imágenes de borde umbralizadas



Operadores basados en la segunda derivada
Cálculo de zero crossing o paso por cero

Operadores segunda derivada
Operador Laplaciana

Operadores derivada de los niveles de intensidad
Comparaciones de funciones locales de intensidad:

o Se obtiene la diferencia de dos imágenes con distinta función local de intensidad y posteriormente se
somete a un proceso de umbralización

Comparaciones de funciones locales de intensidad






Operadores derivada de los niveles de intensidad
Comparaciones de funciones locales de intensidad
Comparación con máscaras orientadas, previamente definidas (template matching)

o Cada máscara define una orientación de un posible borde.
Hay que emplear tantas máscaras como orientaciones se deseen detectar

Visión Artificial
ESCUELA DE INGENIERÍA ELECTRÓNICA EN CONTROL Y REDES INDUSTRIALE S
ESCUELA SUPERIOR POLITÉCNICA DEL CHIMBORAZO

Profesor
Javier Gavilanes
Contacto
Correo: javier.gavilanes@espoch.edu.ec. Disponibilidad: Siempre
Celular: 0980228196. Disponibilidad: 10:00 – 17:00 (Excepto clases)

Planificación (I)
1. (04/04) Presentación y asignación de trabajos
2. (11/04) Introducción.
3. (18/04) Procesamiento a bajo nivel (I)
4. (25/04) Taller adquisición y pre procesamiento de imágenes.
5. (02/05) Procesamiento a bajo nivel (II)
6. (09/05) Primera evaluación acumulativa
7. (16/05) Presentaciones VC.
8. (23/05) (Probablemente puente del 24-05) Procesamiento nivel intermedio (I)

Planificación (II)
9. (30/05) Procesamiento nivel intermedio (II)
10. (06/06) Procesamiento nivel intermedio (III)
11. (13/06) Segunda evaluación acumulativa
12. (20/06) Procesamiento de alto Nivel
13. (27/06) Avance proyecto final
14. (04/07) Taller procesamiento de imágenes, segmentación, reconocimiento de objetos
15. (11/07) Odometría Visual.
16. (18/07) Semana de recuperación

Recursos y material docente
URL
DROPBOX

Bibliografía
Velez Serrano Jose F, Visión por Computador. 2004, Dykinson, España
Gonzales R. C., Woods R.E. Digital Image Processing, Second Edition Prentice Hall.
Michael Seul, Lawrence O'Gorman, Michael J. Sammon. Practical Algorithms for Image
Analysis. Cambridge University Press, 2000.
Tutorial Matlab (Processing Image Toolbox)
http://opencv.org/

Evaluación
PRIMER
ACTIVIDADES A EVALUAR SEGUNDO PARCIAL TERCER PARCIAL EVALUACIÓN PRINCIPAL SUSPENSIÓN
PARCIAL
Exámenes 3 3 3 12 20
Lecciones 1 1
Tareas Individuales 1
Informes
Fichas de Observación
Trabajo en Equipo 1 2 4
Trabajo de Investigación 2 3 2
Portafolios 1
Aula Virtual 1
Otros
TOTAL 8 PUNTOS 10 PUNTOS 10 PUNTOS 12 PUNTOS 20 PUNTOS

Trabajos (I)
Diseño completo de una aplicación
con detección e identificación de:
Naipes
Dados de póker
Fichas de dominó
Pieza de un puzzle (12 piezas)
Cubo de figuras (4 piezas)
Tangram
Investigación(2 proyectos)

Trabajos (II)
Cubo de figuras Tangram

Trabajos (III)
Área de trabajo
Tapete de color de dimensión A3 (29.70 x 42.02 cm)
Número de elementos a detectar e identificar

Al menos uno cada vez: naipe, ficha, dado o pieza
Herramientas disponibles: Las que el estudiantes considere necesarias

HW: cámara, iluminación, estructura de soporte de elementos, aislamiento lumínico, ...
SW: Matlab, OpenCV, LabView, C, C++, Python, ...

Trabajos (IV)
Rendimiento (aciertos): 60% (seis pruebas aleatorias)
Se sitúa un naipe/ficha/dado/pieza sobre el área de trabajo
La posición y orientación son aleatorias
El sistema debe detectar e identificar el elemento
Propuesta técnica: 20% (a discreción del profesor)
 Se evalúa la solución técnica desde el punto de vista de originalidad, robustez, enfoque
comercial, etc
Excelencia: 20% (a demostrar por el ponente)
 Se premia a los sistemas que rebasan las especificaciones
 Detección de más de un naipe/ficha/dado/pieza
 Resolución de oclusiones.

Elección de temas
Aquí y Ahora
Mismo número de personas/grupos por cada trabajo.

Contenido
Características de la imagen
Transformaciones geométricas
Transformaciones morfológicas

Transformaciones Geométricas
Se persigue cambiar la disposición geométrica de la imagen
Homotecia, zoom:
 Se aumenta o disminuye la resolución de la imagen
Traslación
Rotación
Warping:
 Corrección o creación de distorsiones
Morphing:
 Creación de imágenes intermedias entre dos determinadas





Zoom de una imagen
 Expansión de la imagen
 Convolución de réplica

 Convolución de réplica

Zoom de una imagen por Replicado




 Convolución de interpolación

 Convolución de interpolación

Zoom de una imagen por Interpolación




Contenido
Características de la imagen
Transformaciones geométricas
Transformaciones morfológicas

Transformaciones Morfológicas
Operaciones morfológicas
 Relacionadas con la estructura geométrica de los objetos
 Depende del elemento estructurante
o En imágenes binarias:
o Erosión
o Dilatación
o Opening
o Closing
o Hit or Miss
o Adelgazamiento y esqueletización
o Poda
 En imágenes multinivel
o Extensión de las mismas operaciones

Erosión y dilatación
Elemento estructurante




Erosión de imágenes binarias

Erosión de imágenes binarias

Dilatación de imágenes binarias

Dilatación de imágenes binarias

Erosión de una imagen multinivel

Erosión de una imagen multinivel

Dilatación de una imagen multinivel

Dilatación de una imagen multinivel

Opening y closing
Encadenamiento de operaciones
Opening
 Erosión + Dilatación
Closing
 Dilatación + Erosión
Opening de orden 2
 Erosión + Erosión + Dilatación + Dilatación
Closing de orden 2
 Dilatación + Dilatación + Erosión + Erosión
Filtros alternativos
 Opening + Closing ; Closing + Opening

Opening de una imagen binaria

Opening de una imagen binaria

Closing de una imagen binaria

Closing de una imagen binaria

Opening de una imagen multinivel

Opening de una imagen multinivel

Closing de una imagen multinivel

Closing de una imagen multinivel

Operaciones morfológicas
Relacionadas con la estructura geométrica de los objetos
Depende del elemento estructurante
En imágenes binarias:
 Erosión
 Dilatación
 Opening
 Closing
 Hit or Miss
 Adelgazamiento y esqueletización
 Poda
En imágenes multinivel:
 Extensión de las mismas operaciones

Hit or Miss (imágenes binarias)
Busca la existencia en la imagen de una determinada estructura o morfología

Hit or Miss (imágenes binarias)

Hit or Miss (Elemento estructurante anterior)





Adelgazamiento: Determina la mínima información posible, que cumpla
No se pierde la conectividad (4 o 8)
La anchura es la unidad
Es robusto ante el ruido






Adelgazamiento frente a Erosión (I)




Adelgazamiento frente a Erosión (II)





Podamiento. Elimina
Puntos aislados
Puntos terminales
Ramas de pequeño tamaño

Puntos aislados

Puntos aislados

Puntos aislados

Portafolio Vision 733 PDF

Cargado por

Copyright:

Formatos disponibles

Portafolio Vision 733 PDF

Cargado por

Información del documento

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

Portafolio Vision 733 PDF

Cargado por

Copyright:

Formatos disponibles

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD DE INFORMÁTICA Y ELECTRÓNICA

PORTAFOLIO DE VISIÓN ARTIFICIAL

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD INFORMÁTICA Y ELECTRÓNICA

NOMBRE DEL DOCENTE JAVIER JOSÉ GAVILANES CARRIÒN

2.1. IDENTIFICACIÓN DEL PROBLEMA DE LA ASIGNATURA EN

El uso de la visión artificial aporta varias soluciones para diversos sistemas de

3. OBJETIVOS GENERALES DE LA ASIGNATURA

El objetivo general de esta asignatura es que el estudiante luego de aprobar el

Conocer y comprender las diversas técnicas usadas en el procesamiento de

Aplicar los conceptos y herramientas matemáticas de la visión artificial mediante

Identificar problemas reales en donde se pueda hacer uso de la visión artificial.

UNIDADES OBJETIVOS TEMAS

 Adquirir los  Introducción

 Obtener información  Reconocimiento de

La metodología que guiará a la asignatura será: de proyectos, explicativa, crítica y

Será necesario apoyarnos en los siguientes métodos:

Los recursos tecnológicos que se utilizarán son:

7. RESULTADOS O LOGROS DE APRENDIZAJE

con la electrónica, sistemas los algoritmos que aplicará.

Usar de manera efectiva las

Identificar temas y asuntos

 Conferencia: Planteamiento y desarrollar los fundamentos teórico-

9. SISTEMA DE EVALUACIÓN DE LA ASIGNATURA

ACTIVIDADES A PRIMER SEGUNDO TERCER EVALUACIÓN

 Sucar L. E., Gomez Giovani. Visión Computacional.

 Tutorial Matlab (Processing Image Toolbox)

FIRMA DEL DOCENTE FIRMA DEL

FIRMA DEL DIRECTOR

FECHA DE Riobamba, 05 de Octubre de 2015

NOMBRE: Martha Pillajo CÓDIGO: 733 FECHA: 2016-05-14

Sistema LiDAR y método SLAM

 ALS: Escáner Láser Aerotransportado. Emite pulsos de luz

Sin embargo, un especialista en un instituto médico grande a

Keywords. – Bio-inspirado, pronóstico, cáncer, GPU,

La mayor parte del módem pantallas proporcionan la

Fig. 2 Detección de áreas de cáncer de mama.

El patólogo selecciona patrones de entrenamiento a través

El campo receptivo de un ganglio puede ser representado de

Representación del color desde el punto de vista

Estos pares de colores y la luminancia pueden ser usados

Fig. 4 Modelo computacional fóvea

Fig. 4 Ejemplo de biopsia de mama.

El patrón de Evaluación de Lenguaje Visual (VIPAL) es un

También se calculó la diferencia de rendimiento de la

Donde R es nuestro resultado, G es el valor verdadero

[2] J. A. Bednar, "Understanding neural maps with Topographica,"

empleados, y la dificultad representativa de los entornos a medida

FACULTAD DE INFORMÁTICA Y ELECTRÓNICA

PROCESAMIENTO DE IMÁGENES EN MATLAB

Martha Pillajo 733

FECHA DE REALIZACIÓN: FECHA DE ENTREGA:

Realizar un trabajo práctico en Matlab que haga un procesamiento de la imagen

a) Mostrar la imagen binarizada.

En la realización de ésta práctica se utiliza el método cuasiexperimental debido a que

Para realizar ésta práctica se sigue la siguiente metodología:

 Lectura y recorte de imagen.

Computadora Portátil: DELL