Curso

Curso de
de Visión
Visión Artificial
Artificial

Francisco Serradilla García

Ángel Arroyo Castillo
Fco. Javier Alcalá Casado

Contenidos
Contenidos
ð Introducción: Visión Natural vs Visión Artificial.
ð Esquema de un Sistema de Visión Artificial.
ð Conceptos relativos al Tratamiento de Imágenes Digitales.
ð Preprocesamiento.
ð Segmentación.
ð Extracción de Características.
ð Morfología Matemática.
ð Compresión de Imágenes Digitales.
ð Calibración de Cámaras.
ð Visión Estéreo.
ð Ejemplos de Sistemas de Visión Artificial.

1
 Introducción
Introducción

ð Importancia de la visión como fuente de información para

ambos tipos de sistemas.

ð El sentido de la vista nos proporciona el 80% de la

información que recibimos.

ð Dotar a las máquinas de esta fuente de información les

proporcionaría una mejora significativa.

Respuesta
Respuesta al
al Espectro
Espectro Electromagnético
Electromagnético

2
Respuesta
Respuesta al
al Espectro
Espectro Electromagnético
Electromagnético

ð Longitud de onda = 1 / Frecuencia de onda

Respuesta
Respuesta al
al Espectro
Espectro Electromagnético
Electromagnético

3
 Espectro
Espectro Electromagnético
Electromagnético -- Ejemplos
Ejemplos

ð Infrarrojo: detección de clavos insertados en la madera

(calor inducido + digitalización con cámara de infrarrojos).

ð Infrarrojo: Iluminación nocturna. Identificación de

vehículos en carretera (reconocimiento de matrículas).

ð Infrarrojo: detección de fuego en instalaciones

industriales.

ð Rayos X: detección de grietas o imperfecciones en

objetos de madera.

Velocidad
Velocidad de
de Respuesta
Respuesta

ð Tiempo de respuesta del SVH: 0.06 segundos. (TV

muestra 30 tramas por segundo ⇒ una trama cada 0.03
segundos).

ð Tiempo de respuesta del SVA depende de:

û tipo de cámara: cámara de estado sólido = 10 µseg.
û electrónica de digitalización: mayor de 30 por seg.
û tamaño de la imagen.

ð El tiempo de respuesta de los SVA se irá reduciendo

según se vaya mejorando la electrónica asociada a los
mismos (la variación del SVH es mucho más lenta).

4
 Velocidad
Velocidad de
de Respuesta
Respuesta -- Ejemplos
Ejemplos

ð Un SVA actual puede detectar la existencia o no de

etiquetas sobre botellas a una velocidad de 1200 botellas
por minuto ⇒ 20 por segundo ⇒ 1 cada 0.05 seg.

ð El tiempo de respuesta del SVH se va incrementando con

la fatiga, la edad, etc. Esto no ocurre a los SVA.

Sensibilidad,
Sensibilidad, Precisión
Precisión yy Consistencia
Consistencia

ð Sensibilidad:
û El ser humano puede discernir entre 10 ó 20 niveles de gris.
û Los SVA tienen una definición muy superior.

ð Precisión:
û La precisión del SVH es muy pobre (se apoya en instrumentos de medida).
û Los SVA pueden calcular áreas, perímetros, etc... con gran precisión (sólo
depende de la resolución espacial de los componentes del sistema).

ð Consistencia:
û Los resultados obtenidos por el SVH son poco consistentes debido a: fatiga,
distracciones, etc ...
û Los resultados obtenidos por un SVA son consistentes. Se puede considerar que
su nivel de rendimiento permanece constante a lo largo de toda su vida operativa.

5
 SVH
SVH -- Procesos
Procesos oponentes
oponentes

Fijar la visión sobre el símbolo + de la izquierda durante al

menos 30 segundos. Posteriormente fijar la vista sobre el
símbolo + de la derecha.

SVH
SVH -- Efecto
Efecto de
de relleno
relleno

Observar la imagen de cerca y,

posteriormente, observarla
después de haberse separado
un par de metros de la misma.

Este fenómeno de rellenado

confirma la pobreza de la
resolución espacial del sistema
de conos del ojo humano
especializado en la percepción
de las longitudes de onda
cortas.

6
 SVH
SVH -- Percepción
Percepción de
de la
la distancia
distancia

Este dibujo nos permite comprobar la Influencia del color

y del brillo en la percepción de la distancia

SVH
SVH -- Campos
Campos receptivos
receptivos

7
 SVH
SVH -- Ilusiones
Ilusiones

Esquema
Esquema Físico
Físico de
de un
un SVA
SVA
Posición (Encuadre)
Zoom
Cámara Enfoque
Luz

Conversor A / D
Señal de Vídeo
(Analógica) Tarjeta
Digitalizadora Realiza las
operaciones
Imagen sobre la imagen
Digital en memoria

Memoria CPU
Control de los parámetros de la cámara (Visión Activa)

8
 Esquema
Esquema Lógico
Lógico de
de un
un SVA
SVA
Campo del Reconocimiento Campo de la Inteligencia
de Patrones Artificial

Interpretación
Reconocimiento
de la escena

Extracción de
Adquisición
Características

Campo de
la Visión
Artificial
Preproceso Segmentación

Iluminación
Iluminación

ð La variabilidad de la luz ambiental es inaceptable para la

gran mayoría de los SVA.

ð Necesidad de diseñar el sistema de iluminación artificial.

ð En el diseño será necesario contemplar:

û Las características ópticas de los materiales.

û Las necesidades de la aplicación.

û Las fuentes de luz a emplear.

9
 Naturaleza
Naturaleza de
de la
la luz
luz
ð La luz se desplaza o irradia en todas las direcciones a partir de su origen. Por
eso según la distancia se percibe con mayor o menor energía luminosa, es lo
que denominamos luminosidad.

ð Cuando la luz se desplaza por un medio constante puede llegar a la superficie

de algún objeto. En este punto puede ser:
û Reflejada: la superficie de la mayoría de los objetos reflejan o "rebotan" la
luz.
û Absorbida: si el objeto es opaco, la luz no reflejada por su superficie resulta
absorbida por aquél y desaparece. La energía se convierte en calor en el
interior del objeto.
û Transmitida: si el objeto es transparente, parte de la luz continúa su
desplazamiento a través del objeto.

ð La energía total de la luz que llega a un objeto (luz incidente) debe equivaler a la
suma de la energía de la luz reflejada, absorbida y transmitida.

Características
Características ópticas
ópticas de
de los
los materiales
materiales
ð Materiales Reflectantes
û Difusos
Ÿ La luz incidente se refleja en todas las direcciones
Ÿ Superficies con textura granular.

û Especulares
Ÿ La luz incidente se refleja con el mismo ángulo de incidencia.
Ÿ Superficies altamente pulidas - espejos.

û Selectivos
Ÿ Devuelven una cierta cantidad de luz de una longitud de onda
determinada y absorben el resto.
û No Selectivos
Ÿ Devuelven toda la luz incidente independientemente de su
longitud de onda.

10
 Características
Características ópticas
ópticas de
de los
los materiales
materiales

ð Materiales Absorbentes

û Selectivos

Ÿ Materiales que muestran un alto nivel de absorción para

determinadas longitudes de onda de la luz incidente. Por
ejemplo, las superficies coloreadas.

û No Selectivos

Ÿ Absorben por igual todas las longitudes de onda de la luz

incidente.

Características
Características ópticas
ópticas de
de los
los materiales
materiales

ð Materiales que dejan pasar la luz

û Transparentes
Ÿ Dejan pasar la luz sin dispersión o reflexión apreciables.

û Translúcidos
Ÿ Dejan pasar la mayor parte de la luz incidente pero con una
componente importante de difusión.

û Opacos
Ÿ No dejan pasar la luz

û Selectivos y No selectivos

11
 Fuentes
Fuentes de
de Luz
Luz

ð Fuentes Incandescentes

ð Fluorescentes

ð LEDs

ð Luz Estroboscópica

ð Láser

ð Fibra óptica

Fuentes
Fuentes Incandescentes
Incandescentes

ð Ventajas ð Inconvenientes

û Bajo coste û Desprenden calor

elevado
û Fáciles de utilizar
û El paso de la corriente
û Pueden estar en
alterna a 50 Hz
funcionamiento durante
largos períodos de
tiempo
û Permiten ajustar la
intensidad

12
 Fluorescentes
Fluorescentes

ð Ventajas
û No generan calor
û Formas y tamaños variables
û Diversos colores de luz
ð Inconvenientes
û Imposibilidad de operar a
bajas temperaturas
û Disminución del nivel de
iluminación con el paso del
tiempo

ð Aplicaciones
û Buenos para iluminación difusa
û Se emplean con materiales con un elevado índice de reflexión

LEDs
LEDs

ð Ventajas
û Luz monocroma en una
gran variedad de colores
û Período de vida largo
û Bajo coste
ð Inconvenientes
û Intensidad de iliminación
muy baja

ð Aplicaciones
û Buenos para iluminación a contraluz
û Se utilizan LEDs ultravioletas para obtener grandes incrementos
de contraste

13
 Luz
Luz Estroboscópica
Estroboscópica

ð Ventajas ð Inconvenientes

û Permiten analizar û Necesitan una fuente

objetos en movimiento de tensión especial
(piezas en una cinta
û Necesitan
transportadora)
sincronización con las
û Iluminación intensa cámaras
(disminuye el efecto de
û Su intensidad va
la luz ambiente)
decreciendo con el
û Pulsos de luz de 2 tiempo
µseg.

Láser
Láser

ð Ventajas ð Inconvenientes

û Permite generar una û Mal comportamiento

gran diversidad de frente a superficies que
patrones de luz absorben luz
(puntos, líneas finas,
rejillas, ...)

ð Aplicaciones
û Buenos para iluminación estructurada
û Permiten medir alturas en el eje z

14
 Fibra
Fibra óptica
óptica

ð No transmiten calor en el proceso de iluminación

ð Se utilizan para iluminar pequeñas áreas y zonas de difícil

acceso

ð También se emplean en aplicaciones en las que el

espacio de trabajo permanece constante

Métodos
Métodos de
de Iluminación
Iluminación

ð Iluminación a Contraluz

ð Iluminación Estructurada

ð Iluminación Frontal

ð Iluminación Rasante

15
 Iluminación
Iluminación aa Contraluz
Contraluz

CÁMARA

Iluminación
Iluminación aa Contraluz
Contraluz

ð El objeto se coloca entre la fuente de iluminación y la cámara

ð Crea una silueta del objeto (por supuesto opaco) sobre un fondo
iluminado

ð Se suelen utilizar difusores para evitar saturaciones en la imagen

captada

ð La imagen resultante es prácticamente monocromática y su

segmentación es muy sencilla

ð Es muy útil en aplicaciones en las que se quieran detectar falta de

elementos o grietas.

ð Su principal inconveniente se encuentra en la pérdida de los detalles

y en la imposibilidad de detectar imperfecciones en la superficie de
los objetos.

16
 Iluminación
Iluminación Estructurada
Estructurada

Iluminación
Iluminación Estructurada
Estructurada

ð En este método de iluminación se realizan proyecciones

de puntos, franjas o rejillas sobre la superficie de trabajo

ð Al establecer un patrón conocido resulta más fácil

detectar cualquier anomalía en los objetos

ð Analizando la forma en la que el patrón de luz es

distorsionado podemos obtener información
tridimensional de los objetos

17
 Iluminación
Iluminación Frontal
Frontal ee Iluminación
Iluminación Rasante
Rasante

ð Estos tipos de iluminación se utilizan para analizar la

superficie de los objetos.

ð Dependiendo del ángulo de incidencia de la luz sobre la

superficie se denomina:

û Iluminación Frontal (ángulos grandes)

û Iluminación Rasante (ángulos pequeños)

Ÿ Cuanto más pequeño sea el ángulo más se resaltarán las
pequeñas rugosidades existentes en la superficie del objeto.

Tipos
Tipos de
de Cámaras
Cámaras

ð Cámaras VIDICÓN

ð Cámaras de Estado Sólido

ð Otros Dispositivos Captadores de Imagen

û Scanners

û Arrays Lineales

18
 Cámaras
Cámaras VIDICÓN
VIDICÓN

ð Se rastrea la superficie sobre la que se ha proyectado la imagen

mediante un haz de electrones.

ð La superficie fotosensible se rastrea línea a línea.

ð En cada punto por el que pasa el haz de electrones, el dispositivo es

excitado de forma proporcional a la intensidad luminosa. Esto se
traduce en una función continua de corriente que representa la
imagen seccionada en líneas.

ð Alta resolución y sensibilidad

ð Buen comportamiento ante el efecto BLOOMING.

Cámaras
Cámaras de
de Estado
Estado Sólido
Sólido

ð La superficie sobre la que se proyecta la luz está formada

por una matriz de elementos fotosensibles.

ð Cada uno de los elementos entrega un valor de corriente

proporcional a la intensidad luminosa proyectada sobre él.

ð Tamaño y peso reducidos.

ð Bajo consumo de energía (1..3 watios frente a los 10..20

watios de las vidicón).

ð Gran resistencia a los campos magnéticos.

ð Alta velocidad de respuesta.

19
 Cámaras
Cámaras Digitales
Digitales oo Analógicas
Analógicas

ð Si lo que se necesita es una señal de vídeo clara que no

se va a procesar de ninguna manera (p.e. viéndola
directamente en un monitor) bastará con una cámara
analógica.

ð Si se va a procesar la imagen a través de un ordenador,

hay dos posibles soluciones:
û Utilizar una cámara analógica y digitalizar la señal en el ordenador
con la correspondiente tarjeta. Esto presenta el problema de que
se puede introducir ruido eléctrico en la señal antes de ser
digitalizada, haciendo que la imagen pierda algo de calidad.
û Utilizar una cámara con salida digital. Este sistema es más
resistente al ruido y permite obtener mejores resultados.

Ventajas
Ventajas de
de utilizar
utilizar cámaras
cámaras digitales
digitales

ð El Número de bits efectivos (ENOB, Equivalent Number

Of Bits) es mayor en una cámara digital que en una
analógica.

ð Eliminación del pixel jitter o temblor de pixels.

ð Resolución subpíxel.

ð Coherencia espacial.

20
 Sensibilidad
Sensibilidad de
de una
una cámara
cámara

La sensibilidad es la cantidad de luz (en lux) incidiendo en

el CCD para conseguir una señal de vídeo de 100 IRE

(1.0 voltios, o un 255 en un sistema digital de 8 bits, o un

1023 en uno de 10). Cuanta menos luz sea necesaria

para conseguir este nivel, más sensible es la cámara.

ENOB
ENOB -- número
número de
de bits
bits efectivos
efectivos

ð Cuando se digitaliza una señal analógica afectada por

ruido, los más afectados son los bits menos significativos.
û Pongamos como ejemplo un sistema de 8 bits por pixel en
escala de grises. En una zona de la imagen completamente
uniforme, el nivel de gris de los pixels digitalizados podrían
variar de, por ejemplo, 80 a 83. En un sistema ruidoso, esta
variación podría producirse en el mismo pixel en sucesivos
muestreos.
û En este ejemplo se habrían perdido los dos bits menos
significativos. Esto significa que el número de bits efectivos
(ENOB) no sería 8, sino 6.

21
 Campo
Campo de
de Visión
Visión

ð Se denomina campo de visión a la superficie de imagen

captada por el sensor de la cámara.

ð El mejor campo de visión para cualquier aplicación se

encuentra determinado por el tamaño del detalle más

pequeño que se quiera detectar.

Campo de Visión = Resolución * Tamaño del detalle

Campo
Campo de
de Visión
Visión -- Ejemplo
Ejemplo

Superficie a inspeccionar = 120 * 80 cm.

Cámara con resolución de 512 * 512 pixels

Tamaño detalle h = Campo de visión h / resolución h

= 120 / 512 = 0.23 cm.

Tamaño detalle v = Campo de visión v / resolución v

= 80 / 512 = 0.16 cm.

22
 Ópticas
Ópticas -- Refracción
Refracción de
de la
la Luz
Luz
Fuente
de Luz

Medio más denso

Vector normal a la superficie

Ópticas
Ópticas -- Distancia
Distancia Focal
Focal

Lente
f = foco
Con-
∞ ver-
gente

Distancia focal
û Característica principal de un objetivo.

û Distancia mínima que media entre el centro del objetivo y el plano

en el que convergen los rayos paralelos al eje.

23
 Ópticas
Ópticas -- Profundidad
Profundidad de
de Campo
Campo

Lente
Con-
ver-
gente

∞ f

q
p

Ópticas
Ópticas -- Profundidad
Profundidad de
de Campo
Campo

ð Se denomina profundidad de campo al intervalo de campo enfocado

alrededor de una determinada distancia de enfoque q

ð Cuanto menor es la distancia del objeto a la lente, más lejos de la

lente se forma la imagen del objeto

ð Para poder enfocar un objeto situado a una distancia finita es preciso

desplazar la lente. Este desplazamiento responde a la siguiente
relación:
1 1 1
+ =
p q f
1 1 1
Si p = ∞ ⇒ = 0⇒ = ⇒ q= f Si p = f ⇒ q = ∞
p q f

24
 Ópticas
Ópticas -- Ejemplo
Ejemplo II

Dados 2 objetivos O1 y O2 con distancias focales

f1=20mm y f2=200mm.

A) Hallar las distancias de enfoque de ambos objetivos

para los puntos p1 = ∞ y p2 = 2 metros.

B) ¿Qué conclusiones se pueden obtener a partir de los

resultados del apartado anterior?

Ópticas
Ópticas -- Ejemplo
Ejemplo II
II

Dado un objetivo con distancia focal f = 50 mm

A) Hallar las distancias de enfoque para los puntos

p1 = 100 metros
p2 = 10 metros
p3 = 1 metro

B) ¿Qué conclusiones se pueden obtener a partir de los

resultados del apartado anterior?

25
 Tarjetas
Tarjetas Digitalizadoras
Digitalizadoras

ð Su función consiste en convertir la señal procedente de

la/s cámara/s y almacenarla en memoria.

ð Existen tarjetas que proporcionan sus propios buffers de

memoria y otras que utilizan la memoria del ordenador
(vía DMA).

ð Muchas de ellas permiten un preprocesamiento previo de

las imágenes. El número de tareas implementadas en
hardware es muy variable.

La resolución de las tarjetas digitalizadoras y la de las cámaras (sensor) no

tiene porque coincidir. Por lo tanto, es importante (sobre todo cuando se
emplean técnicas de medición) saber que ocurre con los puntos que faltan o
sobran.

Muestreo
Muestreo yy Cuantificación
Cuantificación

ð El muestreo es la conversión que sufren las dos

dimensiones espaciales de la señal analógica y que
general la noción de pixel.

ð La cuantificación es la conversión que sufre la amplitud

de la señal analógica generándose el concepto de nivel
de gris o intensidad.

ð Existen dos conceptos asociados al muestreo y a la

cuantificación:
û Resolución: número de muestras (rango en el que se
divide el espacio bidimensional).
û Definición: número de niveles de intensidad (rango en el
que se divide la intensidad de la señal luminosa).

26
 Ejemplo
Ejemplo de
de los
los efectos
efectos del
del muestreo
muestreo

Reducida Reducida Reducida Original

por 32 por 16 por 4

Ejemplo
Ejemplo de
de los
los efectos
efectos de
de la
la cuantificación
cuantificación

2 niveles 4 niveles 8 niveles 256 niveles

27
 Representación
Representación de
de las
las Imágenes
Imágenes Digitales
Digitales

 f (0,0) f (0,1) ... f (0, n) 

 
 ... ... ... ... 
f ( x, y ) =  
 ... ... ... ... 
 f ( m,0) f ( m,1) ... f (m, n) 


donde f ( x, y ) = [0...MAX _ NIVEL − 1]

Tipos
Tipos de
de Imágenes
Imágenes Digitales
Digitales

ð Imágenes Monocromáticas

ð Imágenes Binarias

ð Imágenes Multiespectrales

ð Imágenes Estereoscópicas

ð Imágenes de Vídeo (Secuencia de Imágenes)

28
 Vecindad
Vecindad
N4(p) = conjunto de vecindad 4 N8(p) = conjunto de vecindad 8

X X

Y A Y A B C
B C D E
D F G H

A = ( x, y − 1) B = ( x − 1, y ) A = ( x − 1, y − 1) C = ( x + 1, y − 1)

C = ( x + 1, y ) D = ( x, y + 1) F = ( x − 1, y + 1) G = ( x + 1, y + 1)

Conectividad
Conectividad

ð Concepto importante para establecer las fronteras entre

los distintos objetos que componen las imágenes.

ð Para decir si 2 pixels p y q están conectados es necesario

determinar los siguientes criterios:

û Criterio de Vecindad
Ÿ por ejemplo: q ∈ N 4 ( p)
û Criterio de Equivalencia
Ÿ por ejemplo: q= p

29
 Distancia
Distancia II

ð Dados los pixels p, q y z, con coordenadas (x,y), (s,t) y

(u,v) respectivamente, decimos que D es una función
distancia si:

D ( p, q) = 0 si p = q
û
D ( p, q) ≥ 0 si p ≠ q
û D ( p, q ) = D (q, p )
û D ( p , z ) ≤ D ( p, q ) + D ( q, z )

Distancia
Distancia II
II
ð La DISTANCIA EUCLÍDEA entre p y q se define como:

De ( p, q) = (x − s )2 + ( y − t )2
ð La DISTANCIA D4 (CITY-BLOCK DISTANCE) entre p y q
se define como:

D4 ( p, q) = x − s + y − t
ð La DISTANCIA D8 (CHESSBOARD DISTANCE) entre p y
q se define como:

D4 ( p, q) = máx( x − s , y − t )

30
 Histograma
Histograma

ð Un histograma es una representación gráfica de la

frecuencia de ocurrencia de cada uno de los niveles de
intensidad (niveles de gris) de una imagen

ð Pseudocódigo

Desde i = 0 hasta i = N -1

Desde j = 0 hasta j = M - 1

Incrementar HISTOGRAMA [ f (i, j )]

Operaciones
Operaciones Aritméticas
Aritméticas

ð Suma de Imágenes

ð Diferencia de Imágenes

ð Multiplicación de Imágenes

ð Escalado de Imágenes

ð División de Imágenes

31
 Suma
Suma de
de Imágenes
Imágenes
Out (i, j ) = In1 (i, j ) + In2 (i, j )
Out (i, j ) = In(i , j ) + Cte
ð Aplicaciones
û Reducir los efectos del ruido en varias muestras de una misma
escena.
û Aclarar imágenes (sumando una constante a todos los pixels).

ð La imagen de salida dependera de la implementación. ¿Qué

hacemos con los pixels saturados?
û Normalizar
û Ajustar al máximo valor
û Empezar de nuevo en 0

Diferencia
Diferencia de
de Imágenes
Imágenes
Out (i, j ) = In1 (i, j ) − In2 (i, j )
Out (i, j ) = In1 (i, j ) − In2 (i, j )
Out (i, j ) = In(i , j ) − Cte
ð Aplicaciones
û Detectar cambios producidos entre dos imágenes de la misma
escena pasado un determinado intervalo de tiempo. (por ejemplo:
detectar una fuente de calor en el espectro infrarrojo).
û Eliminar defectos conocidos en el sensor de captación y zonas
irrelevantes en el procesamiento de la escena.

ð La imagen de salida, dependiendo de la implementación, necesitará

una posterior normalización para eliminar los valores negativos.

32
 Multiplicación
Multiplicación de
de Imágenes
Imágenes

Out (i, j ) = In1 (i, j ) × In2 (i, j )

ð La multiplicación pixel a pixel de una imagen no se suele

utilizar dentro del dominio del espacio.

ð Sin embargo, tiene aplicación en el dominio de la

frecuencia. Se utiliza como filtro para atenuar
determinado tipo de frecuencias.

Escalado
Escalado de
de Imágenes
Imágenes

Out (i, j ) = In(i, j ) × Cte

ð Aplicaciones

û Aclarar imágenes
Cte f 1
û Obscurecer imágenes
Cte p 1
û Reducir el número de pixels que se salen fuera del rango al
aplicar otras operaciones aritméticas
ð El escalado produce efectos de aclarar/obscurecer mucho más
naturales que la suma de una constante a todos los pixels de una
imagen ya que mantiene el contraste relativo de la imagen.
Nota: El escalado de niveles de gris no debe confundirse con el escalado geométrico.

33
 Operaciones
Operaciones Lógicas
Lógicas

ð Los operadores lógicos se utilizan mayormente con

imágenes binárias
û AND
û OR
û NOT
û XOR

ð También se pueden emplear con imágenes en niveles de

gris con otra funcionalidad
û NOT (en niveles de gris se convierte en inversión)
û AND, OR y XOR (entre los bytes de la imagen y un byte
introducido como parámetro)

Operaciones
Operaciones Geométricas
Geométricas

ð Traslación x2 = x1 + a
y2 = y1 + b

ð Rotación x2 = cos α × x1 − sen α × y1

y2 = sen α × x1 + cosα × y1
ð Espejo Vertical x2 = − x1
y2 = y1

ð Espejo Horizontal x2 = x1
y2 = − y1

34
 Preprocesamiento
Preprocesamiento

ð Transformación de Niveles (Tablas Look-up)

ð Transformación del Histograma

ð Filtrado de Imágenes Digitales:

û en el dominio del Espacio

û en el dominio de la Frecuencia

Transformación
Transformación de
de Niveles
Niveles II

ð A cada nivel de intensidad se le asigna uno nuevo

ð Los niveles a asignar se guardan en tablas Look-up

o o 1 ... .. ... ... ... ... .. ... ... 255 255

o 1 2 ... .. ... ... ... ... .. ... ... 254 255

ð Este tipo de transformaciones suelen estar

implementadas en Hardware

35
 Transformación
Transformación de
de Niveles
Niveles II
II

q q

q1

q1
p p
p1 p1

Aclara Obscurece

Transformación
Transformación de
de Niveles
Niveles III
III
q
q

q1
q1

p p
p1 p1

Aumenta el contraste Invierte

36
 Transformación
Transformación de
de Niveles
Niveles IV
IV
q
q
q1

q1

p p
p1 p1

No produce cambios Umbraliza

Ecualización
Ecualización del
del Histograma
Histograma

ð Transformación de los niveles de gris de una imagen para

conseguir que su histograma sea lo más plano posible
Pi
qk − q0 p0, pk ⇒ rango original
T (i) N × M = ∑ H (i ) + q 0 q0, qk ⇒ rango nuevo
i = P0 .. Pk i = P0
N x M ⇒ nº de pixels

ð Características:
û Aprovecha mejor el número de niveles disponible

û Aumenta el contraste
û A veces revela detalles ocultos por un bajo contraste

37
 Filtrado
Filtrado de
de Imágenes
Imágenes Digitales
Digitales

ð Objetivo: Resaltar determinadas frecuencias dentro de la

imagen digital

û Paso Alto
Ÿ Resaltar Frecuencias Altas

Ÿ Se corresponden con los bordes de los objetos

û Paso Bajo
Ÿ Resaltar Frecuencias Bajas

Ÿ Se corresponden con las superficies homogéneas

Filtrado
Filtrado Espacial
Espacial -- Máscaras
Máscaras de
de Convolución
Convolución
X

û En los límites de la imagen

Y a b c se aplica un tratamiento
d e f especial o no se aplica
g h i
ninguno (depende de la
implementación)

1
f ( x, y ) = [a × f ( x − 1, y − 1) + ... + i × f ( x + 1, y + 1)]
n

38
 Filtrado
Filtrado Espacial
Espacial -- Filtros
Filtros Paso
Paso Bajo
Bajo

1 1 1
1
h = 1 1 1
9
1 1 1

1 1 1 1 2 1
1  1 
h= 1 2 1 h= 2 4 2
10  16 
1 1 1  1 2 1

Filtrado
Filtrado Espacial
Espacial -- Filtro
Filtro de
de la
la Mediana
Mediana
ð En el filtro de la mediana la máscara de convolución se
emplea de forma distinta que en el resto de filtros
û Se toman todos los valores de la imagen cubiertos por la
máscara
û Se ordenan de menor a mayor
û Se toma el valor central

ð Características:
û Degrada la imagen en menor cuantía que otros filtros paso
bajo
û Es idempotente

û Es no lineal

39
 Filtrado
Filtrado Espacial
Espacial -- Filtros
Filtros Paso
Paso Alto
Alto

ð Filtros Laplacianos:

0 1 0 1 1 1
h =  1 −4 1


h = 1 −8 1


 0 1 0 1 1 1
ð Se aplica la máscara y, posteriormente, se toma el
módulo

ð El operador de Laplace tiene el inconveniente de detectar

alguno de los bordes dos veces y de ser muy sensible al
ruido

Filtros
Filtros de
de Gradiente
Gradiente

ð Los filtros de gradiente se utilizan para detectar los

bordes (altas frecuencias) de los objetos presentes en la
imagen

ð Detectan los cambios bruscos de intensidad en una

determinada dirección

ð Normalmente utilizan máscaras de convolución de

tamaño 3 x 3

ð En una máscara 3 x 3 podemos considerar 8 direcciones,

por lo tanto, en un filtro de gradiente podemos tener hasta
8 máscaras de convolución

40
 Filtrado
Filtrado Espacial
Espacial -- Filtros
Filtros de
de Gradiente
Gradiente

ð En la mayoría de los casos sólo se utilizan dos máscaras:

Gx y Gy para detectar los bordes horizontales y verticales

ð Posteriormente, se calcula el gradiente total mediante

alguna de las dos fórmulas siguientes:

G = Gx2 + G y2 G = Gx + G y

Filtros
Filtros de
de Gradiente
Gradiente -- Roberts
Roberts

Origen Origen

1 0  0 1
Gx =  Gy = 
0

− 1 − 1 0

G( x, y) = f ( x, y) − f ( x + 1, y + 1) + f ( x + 1, y) − f ( x, y + 1)

41
 Filtros
Filtros de
de Gradiente
Gradiente -- Prewitt
Prewitt

 1 1 1  0 1 1 − 1 0 1

h1 = 0

0 0  h2 
= −1

0 1 h3 
= −1

0 1
 − 1 −1 − 1  − 1 −1 0  − 1 0 1 ...

ð Si utilizamos las máscaras h1 y h3 para detectar los

bordes horizontales y verticales tenemos la siguiente
expresión:

G( x, y) = ( f ( x − 1, y − 1) + f ( x, y − 1) + f ( x + 1, y − 1)) − ( f ( x − 1, y + 1) + f ( x, y + 1) + f ( x + 1, y1)) +

( f ( x + 1, y − 1) + f ( x + 1, y) + f ( x + 1, y + 1)) − ( f (x − 1, y − 1) + f ( x − 1, y) + f ( x − 1, y + 1))

Filtros
Filtros de
de Gradiente
Gradiente -- Sobel
Sobel

 1 2 1  0 1 2 −1 0 1

h1 = 0

0 0  h2 
= −1

0 1  h3 
= −2

0 2
 − 1 −2 − 1  − 2 −1 0  − 1 0 1  ...

ð Si utilizamos las máscaras h1 y h3 para detectar los

bordes horizontales y verticales tenemos la siguiente
expresión:

G( x, y) = ( f ( x − 1, y − 1) + 2 f ( x, y − 1) + f ( x + 1, y − 1)) − ( f ( x − 1, y + 1) + 2 f ( x, y + 1) + f ( x + 1, y1)) +

( f ( x + 1, y − 1) + 2 f ( x + 1, y) + f ( x + 1, y + 1)) − ( f ( x − 1, y − 1) + 2 f ( x − 1, y) + f ( x − 1, y + 1))

42
 Transformada
Transformada de
de Fourier
Fourier
N −1 N − 1 − j 2π ( ux + vy )
1
F (u , v) =
N
∑ ∑ f ( x, y ) e N

x= 0 y= 0

N −1 N −1 j 2π ( ux + vy )
f ( x, y ) = ∑ ∑ F (u, v) e N

u= 0 v= 0

ð La transformada de Fourier es un número complejo y, por lo tanto,

queda definido por su módulo y su argumento

ð Debido a que, generalmente, el módulo toma un valor muy alto para

frecuencias bajas se suele mostrar su logaritmo:

D (u , v ) = Cte × log [1 + F (u , v) ]

Filtros
Filtros en
en el
el dominio
dominio de
de la
la frecuencia
frecuencia

ð Filtros Paso Bajo

û Dejan pasar las frecuencias bajas

ð Filtros Paso Alto

û Dejan pasar las frecuencias altas

ð Filtros Paso Banda

û Nos permiten eliminar un determinado rango de frecuencias

û Muy útil cuando el ruido tiene frecuencias conocidas

43
 Segmentación
Segmentación

ð La segmentación consiste en separar los distintos

elementos que componen la imagen digital.

ð Entre todos los métodos existentes nos centraremos en:

û Segmentación por Umbralización

û Segmentación por Crecimiento de Regiones

û Segmentación utilizando la Transformada de Hough

Segmentación
Segmentación -- Umbralización
Umbralización

ð Umbralizar consiste en obtener una imagen binaria a

partir de una imagen de niveles.
û Si los valores de la imagen están por debajo de un
determinado umbral ⇒ 0 (en la imagen binaria)
û Si los valores de la imagen están por encima de un
determinado umbral ⇒ 1 (en la imagen binaria)

ð Esta umbralización puede ser:

û Fija

û Histograma Global

û Histograma Local

44
 Umbral
Umbral con
con hysteresis
hysteresis
ð Esta operación crea una imagen binaria cuyos valores
serán umbralizados con un valor dependiente de los
vecinos del pixel
ð Si los vecinos son oscuros el umbral será más alto y
viceversa
ð Se trata de eliminar ruido a la vez que se obtiene la
imagen binaria

Umbral − L si 3 vecinos f Máximo

Umbral ∗ = 
 Umbral + L en cualquier otro caso
1 si f ( x, y ) ≥ Umbral ∗
g ( x, y ) = 
0 en cualquier otro caso

Umbral
Umbral Porcentual
Porcentual -- Umbral
Umbral Recursivo
Recursivo
ð La operación de Umbralizacón Percentual crea una
imagen binaria que tendrá un porcentaje de pixels negros
igual al porcentaje determinado de antemano. Muy útil
cuando conocemos el tamaño relativo del objeto con
respecto del fondo

ð La operación de Umbralizacón recursiva crea una imagen

binaria umbralizada en un valor calculado en N

iteraciones de manera que la media de pixels debajo y
sobre el umbral sea equidistante

45
 Segmentación
Segmentación -- Crecimiento
Crecimiento de
de Regiones
Regiones II

H (R ) → Criterio de Homogeneidad dentro de la Región R

Por ejemplo: H ( Ri ∪ R j ) = TRUE ↔ mi − mJ p T siendo T = 10

donde mi = media del nivel de gris de la región i

ð Buscamos conseguir:

H ( Ri ) = TRUE ∀ i i = 1..s s = n º de regiones

H ( Ri ∪ R j ) = FALSE ∀ i, j i ≠ j Ri adyacente R j

Segmentación
Segmentación -- Crecimiento
Crecimiento de
de Regiones
Regiones II
II

Algoritmo:

1. Dividir la imagen en muchas regiones pequeñas (por

ejemplo: una por pixel)

2. Examinar todas las regiones adyacentes y unir las

regiones Ri y Rj si se cumple:

H ( Ri ∪ R j ) = TRUE
3. Mientras se hayan unido regiones, ir al paso 2

46
 Transformada
Transformada de
de Hough
Hough (I)
(I)

ð Su objetivo es encontrar en la imagen la localización de

objetos de cierto tipo (originariamente rectas)

ð Transforma la imagen a un nuevo espacio N dimensional

û Cada posición representa a un objeto concreto

ð Rectas: espacio bidimensional donde

û Cada posición representa una posible recta en la imagen
original, especificada por su pendiente y ordenada en el
origen
û Todas las posibles rectas que pasan por un punto en la
imagen original se representan por una recta en la imagen
transformada

Transformada
Transformada de
de Hough
Hough (II)
(II)
y n

x +n
m
Y= (m’,n’)
n’

x m’ m

y n
y’ = m x’ + n

n = - x’ m + y’
(x’, y’)

x m

47
 Transformada
Transformada de
de Hough
Hough (III)
(III)

ð Una recta en el dominio de la imagen se transforma en un

punto en el espacio de Hough

ð Un haz de rectas que pasan por un punto (x’,y’) en la

imagen se transforman en una recta en el dominio de
Hough

ð El problema de esta representación (y = m x + n) es que

la pendiente puede tomar valores infinitos

ð Es preferible la representación s = x cos θ + y sen θ

Cálculo
Cálculo de
de la
la transformada
transformada

ð Discretizar el espacio de Hough s,θ en un conjunto finito

de valores (el número de éstos depende de la aplicación).
Se utilizará una matriz A(s,θ). Inicializar A(s,θ) con ceros.

ð Para cada punto (x,y) activo en la imagen

û para cada posible valor de θ en el rango T
Ÿ calcular s = x cos θ + y sen θ
Ÿ incrementar el contenido de A(s,θ )

ð Buscar elementos de A con valores altos; cada uno de

ellos se corresponde con una recta en la imagen original.
La magnitud del valor depende del número de pixels de la
recta.

48
 Ejemplo
Ejemplo II
x s’ s
45º

90º s’ 45º

90º

Rectas θ
Rectas detectadas:
detectadas:
theta = 45.000000; S = 135.764496 (H = 1.000000)
theta = 45.000000; S = 135.764496 (H = 1.000000)
theta
theta == 90.000000;
90.000000; SS == 100.000000
100.000000 (H
(H == 0.707106)
0.707106)

Ejemplo
Ejemplo II
II
s

45º

90º

Rectas
Rectas detectadas:
detectadas: θ
theta
theta == 0.000000;
0.000000; SS == 56.851387
56.851387 (H
(H == 0.819132)
0.819132)
theta
theta = 0.000000;
= 0.000000; SS == 68.221664
68.221664 (H
(H == 0.828778)
0.828778)
theta =
theta = 1.000000;
1.000000; SS == 68.221664
68.221664 (H = 1.000000)
(H = 1.000000)
theta =
theta = 3.000000;
3.000000; SS == 79.591942
79.591942 (H = 0.923633)
(H = 0.923633)
theta
theta == 90.000000;
90.000000; SS == 295.627197
295.627197 (H
(H == 0.839228)
0.839228)
theta
theta == 91.000000;
91.000000; SS == 284.256927
284.256927 (H
(H == 0.860129)
0.860129)
theta
theta == 95.000000;
95.000000; SS == 204.664993
204.664993 (H
(H == 0.809486)
0.809486)
theta
theta == 176.000000;
176.000000; SS == -56.851387
-56.851387 (H
(H == 0.843248)
0.843248)
theta = 178.000000;
theta = 178.000000; SS == -68.221664
-68.221664 (H = 0.977492)
(H = 0.977492)

49
 Generalización
Generalización para
para otros
otros tipos
tipos de
de objeto
objeto

ð Es posible calcular las transformadas para una gran

cantidad de objetos utilizando las ecuaciones de éstos
û círculos
û rectángulos

ð La dimensión (D) del espacio transformado depende del

tipo de objeto y de la resolución de la discretización de los
parámetros (P)
û el coste del cálculo de la transformada de una imagen de
NxNxP pixels es PN2
û el coste computacional de la búsqueda de máximos es PD

Comparación
Comparación con
con otros
otros métodos
métodos

ð Ventajas
û es capaz de detectar objetos parcialmente ocultos

û es independiente del tamaño del objeto

û se puede generalizar a cualquier tipo de objeto

ð Inconvenientes
û alto coste computacional

û no es trivial fijar el umbral de detección

û es necesario describir matemáticamente el objeto a
reconocer

50
 Extracción
Extracción de
de Características
Características

ð Objetivo: encontrar valores numéricos que describan la

figura del objeto (previamente segmentada)

ð Existen muchas formas de describir los objetos presentes

en una imagen digital. Dos métodos muy utilizados son:

û Imágenes binarias de contornos → Descriptores de Contorno

û Imágenes binarias de regiones → Descriptores de Región

Obtención
Obtención de
de una
una imagen
imagen de
de contorno
contorno

ð Se procesan las filas:

 1 si I ( x, y − 1) ≠ I ( x, y )
I ( x, y ) = 
 0 si I ( x, y − 1) = I ( x, y )

ð Se procesan las columnas

 1 si I ( x − 1, y ) ≠ I ( x, y )
I ( x, y ) = 
 0 si I ( x − 1, y ) = I ( x, y )

ð Se combinan los resultados previos mediante una

operación lógica OR

51
 Descriptores
Descriptores de
de Contorno
Contorno

ð Código Cadena

ð Signaturas

ð Aproximaciones Poligonales

Código
Código Cadena
Cadena
2
3 1
3 2 1
4 0
4 0
5 6 7

5 7
6
ð Para representar cada uno de los contornos existentes en
una imagen son necesarios:
û Un punto inicial
û Una secuencia de dígitos que representan el contorno

52
 Descriptores
Descriptores de
de Regiones
Regiones

ð Momentos

û Área

û Centro de Gravedad

û Momentos Invariantes a Traslaciones

ð Descriptores de Textura

ð Esqueletos

Momentos
Momentos

N −1 M −1

∑ ∑ x y f ( x, y ) m00 ≡ área
p q
m pq =
x= 0 y= 0

m10 m01
Centro de Gravedad : x= y=
m00 m00

Momentos Invariantes a Traslaciones:

N − 1 M −1

∑ ∑ ( x − x ) ( y − y ) f ( x, y )
p q
µ pq =
x= 0 y = 0

53
 Morfología
Morfología Matemática
Matemática -- Introducción
Introducción (I)
(I)

ð Morfología Matemática
û metodología del tratamiento de imágenes basada en el
estudio de formas y estructuras

ð Tipos de Estructura interior de una imagen

û Macroestructura
Ÿ análisis de formas:
herramientas
caracteres impresos
û Microestructura
Ÿ análisis de distribución de partículas
imagen ruidosa

Morfología
Morfología Matemática
Matemática -- Introducción
Introducción (II)
(II)

ð Tipos de Morfología Matemática

û Morfología Binaria
Ÿ Transformaciones de Conjuntos
Ÿ Imágenes binarias

û Morfología Numérica
Ÿ Transformaciones de Funciones
Ÿ Imágenes Numéricas

ð La Morfología Matemática nos permite construir

transformaciones complejas mediante iteración o
concatenación de transformaciones elementales

54
 Morfología
Morfología Matemática
Matemática -- Introducción
Introducción (III)
(III)
ð Imágenes
û Conjunto de pixels de tamaño apreciable

Imagen A =

ð Elementos Estructurantes
û Conjunto de pixels de tamaño reducido

E.E. X =

Morfología
Morfología Matemática
Matemática -- Introducción
Introducción (IV)
(IV)

ð La idea básica del procesamiento morfológico consiste en ir

sondeando la imagen con un elemento estructurante para obtener
información relativa a las formas que en ella se encuentran.

ð Georges Matheron
û “el conocimiento que tenemos de una imagen depende del modo
en que la observamos, y por lo tanto, todas las relaciones
consecuentes dependerán de las elecciones tomadas en nuestras
observaciones”
û “incluso si aplicamos algoritmos para seleccionar el elemento
estructurante apropiado, el criterio mediante el cual estos
algoritmos realizan sus selecciones estará, a fin de cuentas,
determinado por el tipo de información que nosotros deseemos
conseguir”

55
 Morfología
Morfología Matemática
Matemática -- Erosión
Erosión (I)
(I)

ð Notación:

ð Definición

û consiste en pasear el elemento estructurante por todos

los pixels de la imagen e ir marcando aquellas
posiciones en las que se sitúa el origen del elemento
estructurante, siempre y cuando éste “case” en la
imagen

Morfología
Morfología Matemática
Matemática -- Erosión
Erosión (II)
(II)

Elemento
Estructurante Imagen Original

Imagen Erosionada

56
 Morfología
Morfología Matemática
Matemática -- Dilatación
Dilatación (I)
(I)

ð Notación:

ð Definición

û consiste en pasear el elemento estructurante por todos

los pixels de la imagen y, si el origen del elemento
estructurante coincide con un pixel activo (=1),
entonces marcaremos las posiciones activas del
elemento estructurante en la imagen de salida.

Morfología
Morfología Matemática
Matemática -- Dilatación
Dilatación (II)
(II)

57
 Morfología
Morfología Matemática
Matemática -- Apertura
Apertura
ð Notación:

ð Definición
û consiste en una erosión seguida de una dilatación, ambas con el
mismo elemento estructurante.

ð Ejemplo:

Morfología
Morfología Matemática
Matemática -- Cierre
Cierre
ð Notación:

ð Definición
û consiste en una dilatación seguida de una erosión, ambas con el
mismo elemento estructurante.

ð Ejemplo:

58
 Morfología
Morfología Matemática
Matemática -- Esqueletización
Esqueletización
ð Es un método empleado comunmente para el adelgazamiento de
imágenes con propósitos de reconocimiento o compresión

ð Se basa en el concepto de discos máximos

ð Los centros de los discos máximos de una imagen componen el

esqueleto de la imagen

ð Ejemplos:

ð Fórmula de Lantuejoul para obtener el esqueleto de una imagen:

Skel ( S ) = ∪{(SΘnB ) − [(SΘnB ) o B ]} para n = 1, 2, ...

Morfología
Morfología Matemática
Matemática -- Propiedades
Propiedades (I)
(I)

• Conmutatividad de la Dilatación

A⊕ B = B ⊕ A
• Asociatividad de la Dilatación

A ⊕ (B ⊕ C ) = ( A ⊕ B ) ⊕ C
• Multiplicación Escalar

2B = B ⊕ B ⇒ A ⊕ 2B = A ⊕ B ⊕ B

59
 Morfología
Morfología Matemática
Matemática -- Propiedades
Propiedades (II)
(II)

• Antiextensividad de la apertura

Ao B ⊂ A
• Extensividad del cierre

A• B ⊃ A
• Idempotencia
(A o B)o B = A o B
(A • B)• B = A • B

Morfología
Morfología Matemática
Matemática -- Aplicaciones
Aplicaciones (I)
(I)

• Filtrado de Ruido

(A o B)• B
• Detección de Bordes

Frontera Externa (A ⊕ B) − A
Frontera Interna A − ( AΘB )
Gradiente Morfológico ( A ⊕ B ) − ( AΘB )

60
 Morfología
Morfología Matemática
Matemática -- Aplicaciones
Aplicaciones (II)
(II)
ð Granulometrías
û Método de análisis de texturas, tamaños y formas
û Consiste en cribar imágenes granulares a través de cribas de
diferente tamaño y forma.

ð Ejemplo:

E1 = un único pixel
E 2 = E (e. e. circular )
E3 = E ⊕ E
E4 = E ⊕ E ⊕ E

Morfología
Morfología Matemática
Matemática -- Morfología
Morfología Numérica
Numérica

ð La morfología numérica tiene en consideración las transformaciones

morfológicas de las funciones (imágenes numéricas)

ð La Erosión se realiza reemplazando cada punto de la imagen por el

valor Mínimo de todos los puntos cubiertos por el elemento
estructurante

f ( x, y ) Θ B = mín { f (i, j ) | (i, j ) ∈ B}

ð En la Dilatación el valor de cada punto de la imagen viene dado por el
valor Máximo de los puntos cubiertos por el elemento estructurante

f ( x, y ) ⊕ B = máx { f (i, j ) | (i, j ) ∈ B}

61
 Compresión
Compresión de
de Imágenes
Imágenes -- Necesidad
Necesidad

ð Almacenamiento requerido por distintos tipos de

imágenes digitales
û trama de vídeo en color (512 x 512)
Ÿ 750 KBytes

û negativo fotográfico (2000 x 3000)

Ÿ 18 MBytes

û radiografía (5000 x 6000)

Ÿ 44 Mbytes

ð Velocidad de Transmisión

Compresión
Compresión de
de Imágenes
Imágenes -- Redundancia
Redundancia

ð El proceso de compresión consiste básicamente en

eliminar uno o más de los 3 tipos siguientes de
redundancia

û Redundancia Espacial: debida a la correlación

(dependencia) entre los valores de pixels vecinos

û Redundancia Espectral: debida a la correlación entre los

diferentes planos de color

û Redundancia Temporal: debida a la correlación entre las

tramas de una secuencia de imágenes

62
Compresión
Compresión de
de Imágenes
Imágenes -- Clasificaciones
Clasificaciones

ð Métodos con pérdida de información

ð Métodos sin pérdida de información

ð Métodos Espaciales

ð Métodos Transformados

ð Métodos de 1ª generación

ð Métodos de 2ª generación

Compresión
Compresión de
de Imágenes
Imágenes -- Métodos
Métodos (I)
(I)

ð Codificación en planos de bits

û códigos continuos (código Gray)

û codificación de longitudes

ð Codificación Predictiva

û predicción

û codificación

63
 Compresión
Compresión de
de Imágenes
Imágenes -- Métodos
Métodos (II)
(II)

ð Métodos Transformados - Compresor

Imagen F*(u,v)
Original Imagen
f(i,j) Comprimida

Segmentación Cuantificador
en bloques de y
tamaño n x n Codificador

f(j,k)
F(u,v)
Transformación

Compresión
Compresión de
de Imágenes
Imágenes -- Métodos
Métodos (III)
(III)

ð Métodos Transformados - Descompresor

Imagen f’(i,j)
Comprimida Imagen
F’*(u,v) Reconstruida
Combinación
Decodificador de los
bloques

F’(u,v)
f’(j,k)
Transformación
Inversa

64
 Compresión
Compresión de
de Imágenes
Imágenes -- Métodos
Métodos (IV)
(IV)

ð Codificación Subbanda
Filtro
Sub-
f11(i,j)
f1(i,j) paso
bajo muestreo
Filtro
paso Sub-
bajo muestreo Filtro
Sub- f12(i,j)
paso
muestreo
f(i,j) alto

Filtro
Sub-
f21(i,j)
f2(i,j) paso
bajo muestreo
Filtro
Sub-
paso muestreo
alto Filtro
Sub- f22(i,j)
paso
muestreo
alto

Compresión
Compresión de
de Imágenes
Imágenes -- Métodos
Métodos (V)
(V)

ð Codificación Jerárquica
Nivel 3
(N/8 x N/8)

Nivel 2
(N/4 x N/4)

Nivel 1
(N/2 x N/2)

Nivel 0 (N x N)
Imagen Original

65
 Compresión
Compresión de
de Imágenes
Imágenes -- Métodos
Métodos (VI)
(VI)

ðCodificación basada en el Objeto

û Segmentación
Ÿ Regiones Crecientes

Ÿ Morfología Matemática

û Codificación de Contornos

û Codificación de Texturas

Compresión
Compresión de
de Imágenes
Imágenes -- Estándares
Estándares (I)
(I)
ð JPEG (Joint Picture Group) ISO-CCITT

ð Modos de Funcionamiento
û Secuencial

û Progresivo

û Jerárquico
û Sin pérdida de información

66
 Compresión
Compresión de
de Imágenes
Imágenes -- Estándares
Estándares (II)
(II)

ð JPEG - Resultados

Bits por pixel Calidad

0.25 - 0.50 Moderada a Buena

0.50 - 0.75 Buena a Muy Buena

0.75 - 1.50 Excelente

1.50 - 2.00 Indistinguible del original

Compresión
Compresión de
de Imágenes
Imágenes -- Estándares
Estándares (III)
(III)

ð MPEG (Moving Picture Expert Group) - ISO

Esquema de Codificación
ð Apartados del MPEG

û MPEG - VIDEO

û MPEG - AUDIO

û MPEG - SYSTEM

67
 Calibración
Calibración de
de Cámaras
Cámaras

ð Modelo general de cámara

û Modelo de calibración pin-hole
û Modelo de distorsión de la lente
û Plantillas de calibrado

ð Modelo de calibrado alternativo

û Modelo de cámara basado en interpolación

Modelo
Modelo General
General de
de Cámara
Cámara

ð Objetivo: construir un modelo analítico que permita

obtener la proyección de una escena y, a partir de él, el
modelo inverso

ð Obtención de una medida cuantitativa a partir de la

imagen que se analiza

X X
 u u 
Y  ⇒ MODELO ⇒   ⇒ MOD. INVERSO ⇒  Y
v v Z
Z  

68
 Modelo
Modelo de
de Calibración
Calibración pin-hole
pin-hole (I)
(I)

ð M(X,Y,Z) Punto de la escena

ð m(x,y) Punto M proyectado en el plano imagen
ð C Centro óptico
ð f Distancia focal

x= f X
Z

y= f Y
Z

Modelo
Modelo de
de Calibración
Calibración pin-hole
pin-hole (II)
(II)

ð (x,y) Proyección sobre el plano imagen

ð (u,v) Píxel correspondiente a la proyección
ð c(u0,v0) Punto principal de la cámara
ð ku, kv Nº píxeles por unidad de longitud

u = k u x + u0
v = k v y + v0

69
 Modelo
Modelo de
de Calibración
Calibración pin-hole
pin-hole (III)
(III)

ð (XW,YW,ZW) Sistema de referencia de la escena

ð (X,Y,Z) Sistema de referencia de la cámara

Modelo
Modelo de
de Calibración
Calibración pin-hole
pin-hole (IV)
(IV)

ð Transformación del sistema de referencia de la escena al sistema de

referencia de la cámara
ð R Matriz de rotación
ð t Vector de traslación

 cosψ cosθ senψ cosθ − senθ 

 
R =  − senψ cosφ + cosψ senθ cosφ cosψ cosφ + senψ senθ sen φ cosθ sen φ 
 
 senψ sen φ + cosψ senθ cosφ − cosψ sen φ + senψ senθ cosφ cosθ cosφ 

 tx   X  XW 
     
t = ty   Y  = R YW  + t
     
 tz   Z  ZW 

70
 Modelo
Modelo de
de Calibración
Calibración pin-hole
pin-hole (V)
(V)

ð X   XW 
   
 
Y = R  YW  + t
Z Z 
   W
X
ð x= f
Z
Y
y= f
Z
ð u = ku x + u 0

v = kv y + v0

Parámetros
Parámetros de
de Calibración
Calibración

ð Parámetros intrínsecos. Representan las propiedades

internas de la cámara
û f, distancia focal
û u0, v0, coordenadas del punto principal
û ku, kv, factores de escala horizontal y vertical

ð Parámetros extrínsecos. Representan la posición y

orientación de la cámara respecto de la escena
û ψ, θ, φ, parámetros de rotación
û tx, ty, tz, parámetros de traslación

71
 Proceso
Proceso de
de Calibración
Calibración

ð La calibración de una cámara consiste en calcular los

once parámetros intrínsecos y extrínsecos

ð Proceso de calibrado:
û Construcción de la plantilla de calibrado. Al menos seis
puntos de la escena conocidos
û Proyección y localización de los puntos en la imagen
û Planteamiento del sistema de ecuaciones
û Resolución aplicando mínimos cuadrados

Modelo
Modelo de
de Distorsión
Distorsión de
de la
la Lente
Lente (I)
(I)

ð El modelo pin-hole es un modelo teórico libre de distorsiones

ð La óptica de la cámara introduce aberraciones que distorsionan la
imagen. La más notable es la distorsión radial, que provoca que los
puntos de la imagen se desplacen en direcciones radiales alejándose
o acercándose al punto principal c

72
 Modelo
Modelo de
de Distorsión
Distorsión de
de la
la Lente
Lente (II)
(II)

ð Influencia de la distorsión radial en el modelo general de

cámara.

x = xˆ + δ x δ x = xˆ ( k1r 2 + k2 r 4 + k3 r 6 + ...)

y = yˆ + δ y δ y = yˆ (k1r 2 + k 2 r 4 + k3r 6 + ...) r = xˆ 2 + yˆ 2

ð δx y δy son las correcciones de las coordenadas (x,y)

δ x = xˆk1r 2 x = xˆ (1 + k1r 2 )

δ y = yˆk1r 2 y = yˆ (1 + k1r 2 ) r 2 = xˆ 2 + yˆ 2

Modelo
Modelo de
de Distorsión
Distorsión de
de la
la Lente
Lente (III)
(III)

X   XW  X
    x= f
Z
ð
 Y  = R YW  + t ð
Z Z  Y
   W y= f
Z

x = xˆ (1 + k1r 2 ) u = ku xˆ + u0
ð ð
y = yˆ (1 + k1r 2 ) v = k v yˆ + v0
r 2 = xˆ 2 + yˆ 2

73
 Proceso
Proceso de
de Calibración
Calibración (I)
(I)

ð k1 es el nuevo parámetro introducido por el modelo de

distorsión de la lente

ð El modelo de distorsión de la lente no es lineal

ð Proceso de calibrado:
1 Obtención de los once parámetros del modelo pin-hole,
considerando k1 = 0 la primera vez y el valor calculado en el
paso 2 las siguientes veces
2 Despejar k1 y calcularlo en función de los once parámetros
obtenidos en el paso previo
3 Repetir los dos pasos anteriores hasta que los doce
parámetros converjan

Proceso
Proceso de
de Calibración
Calibración (II)
(II)

ð Algoritmo:

Ctes(t) = (f, u0, v0, ku, kv, ψ, θ, φ, tx, ty, tz)(t)

t = 0
k1(t) = 0
Ctes(t) = 0
Repetir
t = t + 1
Calcular Ctes(t) con k1(t-1)
Calcular k1(t) con Ctes(t)
Hasta que Ctes(t) == Ctes(t-1) y k1(t) == k1(t-1)

74
Plantilla
Plantilla de
de Calibrado
Calibrado (I)
(I)

Plantilla
Plantilla de
de calibrado
calibrado (II)
(II)

75
 Modelo
Modelo de
de Cámara
Cámara Basado
Basado en
en Interpolación
Interpolación

ð Características:
û Método válido para análisis de escenas formadas por
planos (pared, suelo, lateral plano de un objeto, etc.)
û Independiente de la posición de la cámara y de la distancia
focal
û No existen parámetros de calibrado
û Existen dos matrices con las posiciones reales y de imagen,
respectivamente, de los puntos de calibrado
û Transformación directa entre coordenadas reales y
coordenadas de imagen
û Minimiza el efecto de la perspectiva y de la distorsión radial

Transformación
Transformación de
de Coordenadas
Coordenadas

ð Las transformación de
coordenadas se realiza
pasando de un espacio
bidimensional (plano XY) a
otro (plano uv)

ð Correspondencia biunívoca
entre las coordenadas de
imagen y reales en los puntos
de calibrado

ð Interpolación bilineal entre los

puntos de calibrado para
obtener el resto de puntos

76
 Interpolación
Interpolación Bilineal
Bilineal

ð Se obtienen los puntos de calibrado más próximos que rodean al

punto a transformar

ð Se calcula la interpolación de cada coordenada por separado

Visión
Visión Estéreo
Estéreo

ð Objetivo: reconstrucción de las coordenadas 3D de los

puntos de una escena desde varias imágenes tomadas
por cámaras diferentes de las cuales se conoce su
posición y orientación

ð Conceptos básicos
û Ambigüedad de la correspondencia
û Restricciones
û Rectificado
û Técnicas de correlación

77
 Ambigüedad
Ambigüedad de
de la
la Correspondencia
Correspondencia (I)
(I)

ð Dado un punto perteneciente a un objeto en una imagen

es difícil determinar cuál es su homólogo en la otra
imagen, ya que puede haber varios candidatos

ð Cuestiones que se plantean:

û ¿Qué puntos de la segunda imagen son adecuados para
ser puestos en correspondencia?
û ¿Qué restricciones pueden utilizarse para limitar la
búsqueda del homólogo?
û ¿Cómo se realiza el emparejamiento?

Ambigüedad
Ambigüedad de
de la
la Correspondencia
Correspondencia (II)
(II)
ð Problema de correspondencia:
para el punto m1 hay que decidir
con qué m2 se corresponde
ð Problema de reconstrucción:
Dado m1 y m2 hay que calcular
las coordenadas de M en el
sistema de referencia de la
escena
û Intersección entre las rectas
m1C1 y m2C2
û Resolución del sistema de
ecuaciones
m1 = P1M
2 =proyección
con Pi matricesmde P2 M

78
 Ambigüedad
Ambigüedad de
de la
la Correspondencia
Correspondencia (III)
(III)

ð Para resolver el problema de correspondencia hay que

imponer restricciones:
û Restricciones geométricas impuestas por el sistema de
cámaras: destaca la restricción epipolar
û Restricciones geométricas que surgen según la
posición desde la que se observen los objetos:
suposición de que la distancia al objeto varía ligeremente
en cualquiera de sus partes (poliedros)
û Restricciones físicas que surgen de la manera en que
los objetos interaccionan con la iluminación: implica
utilizar modelos para las fuentes de luz y para las
superficies de reflectancias (modelo lambertiano)

Primitivas
Primitivas de
de Puesta
Puesta en
en Correspondencia
Correspondencia

ð Las primitivas de correspondencia representan elementos

(puntos, líneas, regiones) seleccionados para encontrar
correspondencias entre dos vistas estereoscópicas de
una misma escena
û Primitivas basadas en la intensidad: se correlan píxeles
(o ventanas) atendiendo a sus niveles de gris
û Primitivas basadas en bordes: se utilizan los puntos de
los bordes para emparejar los puntos homólogos
û Primitivas basadas en regiones: se establecen
correspondencias entre regiones, que son menos sensibles
al ruido. Hay menor ambigüedad

79
 Restricciones
Restricciones

ð Se imponen restricciones geométricas para limitar el

espacio de búsqueda del homólogo

ð Restricciones más comunes:

û Restricción epipolar
û Criterio de unicidad
û Restricción de continuidad
û Restricción de ordenación
û Restricción de planaridad

Restricción
Restricción Epipolar
Epipolar (I)
(I)

ð Es la restricción más conocida y estudiada

ð Permite reducir el espacio de búsqueda de dos a una

dimensión

ð Definiciones:
û Plano epipolar ℘
û Líneas epipolares
û Epipolos
û Línea base.

80
 Restricción
Restricción Epipolar
Epipolar (II)
(II)

Características
Características de
de la
la Restricción
Restricción Epipolar
Epipolar (I)
(I)

ð Las líneas epipolares son el resultado de la intersección

del plano epipolar con cada uno de los planos imagen

ð Los epipolos son únicos para un mismo sistema

estereoscópico
ð Todas las líneas epipolares pasan por los epipolos

ð La línea base es única para un sistema estereoscópico

dado
ð Todos los planos epipolares pasan por la línea base
ð Dado m1, m2 se encuentra en la epipolar ep2 (2D ⇒ 1D)
ð Es simétrica (m1 busca m2 en ep2 y m2 busca m1 en ep1)

81
 Características
Características de
de la
la Restricción
Restricción Epipolar
Epipolar (II)
(II)

ð Si los planos imagen son paralelos los epipolos se van al

infinito y todas las epipolares son paralelas

Criterio
Criterio de
de Unicidad
Unicidad

ð Para cada punto de la imagen 1 existe a lo sumo un punto

homólogo en la imagen 2 (los objetos deben ser opacos)

ð Las líneas y áreas tienen infinitos puntos independiente-

mente del punto de vista desde el que se observen

ð Existen problemas debido al error de discretización

debido al proceso de digitalización

82
 Restricción
Restricción de
de Continuidad
Continuidad

ð También llamada restricción de disparidad

ð Se basa en la “suavidad” de las superficies de los objetos

ð Función de disparidad d =1 z
ð Un vecino n1 de m1 encuentra a su homólogo n2 con una disparidad
próxima a d

Restricción
Restricción de
de Ordenación
Ordenación (I)
(I)
ð Dado un punto M, existe una zona prohibida ligada a M en la que no
podrán verse simultáneamente dos puntos pertenecientes a un
mismo objeto opaco de grosor no nulo

ð Para un punto N situado en la zona prohibida de M, el orden de las

proyecciones de los puntos N y M es idéntico en ambas imágenes:
E1m1n1 y E2 m2 n2

83
 Restricción
Restricción de
de Ordenación
Ordenación (II)
(II)

ð Esta restricción puede utilizarse para eliminar candidatos de n1

conociendo el par estéreo m1 y m2

ð Si M y N no pertenecen al mismo objeto, no se puede aplicar la

restricción de ordenación

Restricción
Restricción de
de Planaridad
Planaridad

ð Se aplica cuando los puntos de los que se va a buscar un

par estéreo pertenecen a un plano

ð Existe un transformación analítica que consiste en una

rotación y una traslación de los parámetros del plano
desde una imagen a la otra

84
 Rectificado
Rectificado
ð Se aplica para asegurar una geometría epipolar simple para un par
estéreo, es decir, epipolos en el infinito y epipolares paralelas a las
filas de la imagen

ð La digitalización realiza un muestreo de la escena que obliga a

realizar una interpolación bilineal de las intensidades de la imagen

Técnicas
Técnicas de
de correlación
correlación (I)
(I)

ð Ambas imágenes tienen que estar previamente

rectificadas

ð Se considera una ventana rectangular de tamaño

(2P+1)x(2N+1) centrada en (u,v) para encontrar las
coordenadas del píxel de la segunda imagen

ð Se calcula la correlación C12(τ) de la primera imagen con

la segunda a lo largo de la fila v

ð τ indica el desplazamiento a lo largo de la fila v

ð La correlación no es simétrica, es decir, C21(τ) obtiene

resultados diferentes

85
 Técnicas
Técnicas de
de correlación
correlación (II)
(II)

∑ ∑ (I (u )( )
N P
1
C12 (τ ) = 1 1 + u, v1 + v) − I1 (u, v) I 2 (u1 + u + τ , v1 + v ) − I 2 (u + τ , v )
K u1 = − N v1 = − P

K = (2 N + 1)(2P + 1)σ 1 (u , v)σ 2 (u + τ , v)

( )
N P

∑ ∑ I1 (u1 + u + τ , v1 + v) − I1 (u + τ , v)
1 2
σ 12 (u + τ , v ) =
(2 N + 1)(2P + 1) u =− N v = − P
1 1
N P

∑ ∑ I1 (u1 + u , v1 + v)
1
I1 (u , v) =
(2 N + 1)(2 P + 1) u = − N v = − P
( )
1 1
N P

∑ ∑ I 2 (u2 + u + τ , v2 + v) − I 2 (u + τ , v)
1 2
σ 22 (u + τ , v ) =
1 N P (2 N + 1)(2P + 1) u = − N v = − P
I 2 (u + τ , v) = ∑ ∑ I 2 (u2 + u + τ , v2 + v)
2 2

(2 N + 1)(2 P + 1) u = − N v = − P
2 2

Ejemplos
Ejemplos de
de SVA
SVA -- MORPHECO
MORPHECO (I)
(I)

ð MORPHECO: Codificación Morfológica para el

Almacenamiento y Transmisión de Imágenes Digitales

ð Compresión basada en objetos (mayor compresión)

ð Codificación de contornos y de texturas por separado

ð Posibilidad de ajustar los ratios de compresión mediante

la configuración de:
û Número de iteraciones
û Tamaño del elemento estructurante

86
 Ejemplos
Ejemplos de
de SVA
SVA -- MORPHECO
MORPHECO (II)
(II)

ðRatios de compresión > 30 : 1

û MORPHECO obtiene mejor calidad que JPEG

ðRatios de compresión ≈ 30 : 1
û La recuperación global de la escena es similar en
ambos casos

ðRatios de compresión < 30 : 1

û JPEG obtiene mejor calidad que MORPHECO

Ejemplos
Ejemplos de
de SVA
SVA -- PRYCA
PRYCA

ð Aplicación para la cadena de supermercados PRYCA

ð Representación Multiescala de Imágenes

ð Elevados Niveles de compresión

ð Transmisión Progresiva
û Ante la solicitud de una imagen (y otros datos del producto)
por parte de un supermercado, la estación de trabajo de la
central la enviará de forma progresiva (utilizando
codificación morfológica) hasta que se produzca la
recepción de conformidad

87
 Ejemplos
Ejemplos de
de SVA
SVA -- FIDESY
FIDESY

ð FIDESY (Fire Detection System) en entornos industriales

ð Cámara de Infrarrojo
û Localización del fuego
û Segmentación de la estructura fractal

ð Cámara de visión normal

û Comprobación dentro del rango visible

ð Activación automática de los equipos anti-incendios y/o

aviso a los servicios de extinción de incendios más
cercanos

Ejemplos
Ejemplos de
de SVA
SVA -- CAVA
CAVA

ð CAVA (Control de Acceso a Vehículos Automóviles)

Foco Infrarrojo M-1111-Z Cámara

Barrera

ð Segmentación de la matrícula basada en sus

características geométricas

ð Reconocimiento de los caracteres mediante una red

neuronal entrenada previamente

88
 Ejemplos
Ejemplos de
de SVA
SVA -- GERSA
GERSA

ð Detección automática de futuras averías en las líneas del

tendido eléctrico

ð Una avioneta o helicóptero recorre la línea del tendido

eléctrico realizando una grabación en vídeo mediante un
sensor infrarrojo-visible

ð En el laboratorio se analiza la grabación en busca de

puntos calientes en las catenarias
û Se buscan zonas iluminadas (calientes)
û Se analiza si se corresponden con un cable del tendido o no
û Se determina la ubicación de la avería

Ejemplos
Ejemplos de
de SVA
SVA -- PARTITURAS
PARTITURAS

Partitura en
SVA Fichero MIDI
formato BMP

ð Segmentación
û Umbralización por histograma local
û Búsqueda de pentagramas
û Eliminación de las líneas del pentagrama mediante morfología matemática
û Búsqueda de notas de izquierda a derecha

ð Descripción
û Altura relativa de la nota: obtención del tono
û Teselado de la imagen de la nota

ð Clasificación
û Perceptrón Multicapa

89
 Ejemplos
Ejemplos de
de SVA
SVA -- Inspección
Inspección Visual
Visual

ð Cinta Transportadora

ð 8 cámaras + 1 de alta resolución

ð 2 tarjetas digitalizadoras

ð 1 PLC

ð 2 zonas de captación con un volteador de objetos

ð Reconocimiento de defectos en los objetos a inspeccionar

ð Selección de la línea de salida según el tipo de defecto

detectado

Bibliografía
Bibliografía
ð “Reconocimiento de Formas y Visión Artificial.”
û Darío Maravall
ð “Digital Image Processing”
û R.C. Gonzalez y P. Wintz.
ð “Machine Vision”
û Davies
ð “Computer Vision and Image Processing”
û Linda Shapiro
ð “Image Processing, Analysis and Machine Vision”
û Milan Sonka, Vaclav Hlavac y Roger Boyle
ð “A Versatil Camera Calibration Technique for High-accuracy 3D Machine
Vision Metrology Using Off-the-self TV Cameras and Lens”
û Roger Y. Tsai
ð “Three Dimensional Computer Vision”
û Olivier Faugeras

90