Professional Documents
Culture Documents
Curso de
de Visión
Visión Artificial
Artificial
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
Respuesta
Respuesta al
al Espectro
Espectro Electromagnético
Electromagnético
2
Respuesta
Respuesta al
al Espectro
Espectro Electromagnético
Electromagnético
Respuesta
Respuesta al
al Espectro
Espectro Electromagnético
Electromagnético
3
Espectro
Espectro Electromagnético
Electromagnético -- Ejemplos
Ejemplos
Velocidad
Velocidad de
de Respuesta
Respuesta
4
Velocidad
Velocidad de
de Respuesta
Respuesta -- Ejemplos
Ejemplos
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
SVH
SVH -- Efecto
Efecto de
de relleno
relleno
6
SVH
SVH -- Percepción
Percepción de
de la
la distancia
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
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 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
û No Selectivos
Características
Características ópticas
ópticas de
de los
los materiales
materiales
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
12
Fluorescentes
Fluorescentes
ð Ventajas ð Inconvenientes
û No generan calor û Imposibilidad de operar a
bajas temperaturas
û Formas y tamaños variables
û Disminución del nivel de
û Diversos colores de luz
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 ð Inconvenientes
û Luz monocroma en una û Intensidad de iliminación
gran variedad de colores muy baja
û Período de vida largo
û Bajo coste
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
Láser
Láser
ð Ventajas ð Inconvenientes
ð Aplicaciones
û Buenos para iluminación estructurada
û Permiten medir alturas en el eje z
14
Fibra
Fibra óptica
óptica
acceso
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 Crea una silueta del objeto (por supuesto opaco) sobre un fondo
iluminado
16
Iluminación
Iluminación Estructurada
Estructurada
Iluminación
Iluminación Estructurada
Estructurada
17
Iluminación
Iluminación Frontal
Frontal ee Iluminación
Iluminación Rasante
Rasante
Tipos
Tipos de
de Cámaras
Cámaras
ð Cámaras VIDICÓN
û Scanners
û Arrays Lineales
18
Cámaras
Cámaras VIDICÓN
VIDICÓN
Cámaras
Cámaras de
de Estado
Estado Sólido
Sólido
19
Cámaras
Cámaras Digitales
Digitales oo Analógicas
Analógicas
Ventajas
Ventajas de
de utilizar
utilizar cámaras
cámaras digitales
digitales
ð Resolución subpíxel.
ð Coherencia espacial.
20
Sensibilidad
Sensibilidad de
de una
una cámara
cámara
ENOB
ENOB -- número
número de
de bits
bits efectivos
efectivos
21
Campo
Campo de
de Visión
Visión
Campo
Campo de
de Visión
Visión -- Ejemplo
Ejemplo
22
Ópticas
Ópticas -- Refracción
Refracción de
de la
la Luz
Luz
Fuente
de Luz
Ópticas
Ópticas -- Distancia
Distancia Focal
Focal
Lente
f = foco
Con-
∞ ver-
gente
Distancia focal
û Característica principal de un objetivo.
23
Ópticas
Ópticas -- Profundidad
Profundidad de
de Campo
Campo
Lente
Con-
ver-
gente
∞ f
q
p
Ópticas
Ópticas -- Profundidad
Profundidad de
de Campo
Campo
24
Ópticas
Ópticas -- Ejemplo
Ejemplo II
Ópticas
Ópticas -- Ejemplo
Ejemplo II
II
25
Tarjetas
Tarjetas Digitalizadoras
Digitalizadoras
Muestreo
Muestreo yy Cuantificación
Cuantificación
26
Ejemplo
Ejemplo de
de los
los efectos
efectos del
del muestreo
muestreo
Ejemplo
Ejemplo de
de los
los efectos
efectos de
de la
la cuantificación
cuantificación
27
Representación
Representación de
de las
las Imágenes
Imágenes Digitales
Digitales
Tipos
Tipos de
de Imágenes
Imágenes Digitales
Digitales
ð Imágenes Monocromáticas
ð Imágenes Binarias
ð Imágenes Multiespectrales
ð Imágenes Estereoscópicas
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
û Criterio de Vecindad
Ÿ por ejemplo: q ∈ N 4 ( p)
û Criterio de Equivalencia
Ÿ por ejemplo: q= p
29
Distancia
Distancia II
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 Pseudocódigo
Desde i = 0 hasta i = N -1
Desde j = 0 hasta j = M - 1
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).
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.
32
Multiplicación
Multiplicación de
de Imágenes
Imágenes
Escalado
Escalado de
de Imágenes
Imágenes
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
Operaciones
Operaciones Geométricas
Geométricas
ð Traslación x2 = x1 + a
y2 = y1 + b
ð Espejo Horizontal x2 = x1
y2 = − y1
34
Preprocesamiento
Preprocesamiento
û en el dominio de la Frecuencia
Transformación
Transformación de
de Niveles
Niveles II
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
36
Transformación
Transformación de
de Niveles
Niveles IV
IV
q
q
q1
q1
p p
p1 p1
Ecualización
Ecualización del
del Histograma
Histograma
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
û Paso Alto
Ÿ Resaltar Frecuencias Altas
û Paso Bajo
Ÿ Resaltar Frecuencias Bajas
Filtrado
Filtrado Espacial
Espacial -- Máscaras
Máscaras de
de Convolución
Convolución
X
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
Filtros
Filtros de
de Gradiente
Gradiente
40
Filtrado
Filtrado Espacial
Espacial -- Filtros
Filtros de
de Gradiente
Gradiente
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 ...
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 ...
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
D (u , v ) = Cte × log [1 + F (u , v) ]
Filtros
Filtros en
en el
el dominio
dominio de
de la
la frecuencia
frecuencia
43
Segmentación
Segmentación
Segmentación
Segmentación -- Umbralización
Umbralización
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
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
45
Segmentación
Segmentación -- Crecimiento
Crecimiento de
de Regiones
Regiones II
ð Buscamos conseguir:
Segmentación
Segmentación -- Crecimiento
Crecimiento de
de Regiones
Regiones II
II
Algoritmo:
H ( Ri ∪ R j ) = TRUE
3. Mientras se hayan unido regiones, ir al paso 2
46
Transformada
Transformada de
de Hough
Hough (I)
(I)
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)
Cálculo
Cálculo de
de la
la transformada
transformada
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
Comparación
Comparación con
con otros
otros métodos
métodos
ð Ventajas
û es capaz de detectar objetos parcialmente ocultos
ð Inconvenientes
û alto coste computacional
50
Extracción
Extracción de
de Características
Características
Obtención
Obtención de
de una
una imagen
imagen de
de contorno
contorno
1 si I ( x, y − 1) ≠ I ( x, y )
I ( x, y ) =
0 si I ( x, y − 1) = I ( x, y )
1 si I ( x − 1, y ) ≠ I ( x, y )
I ( x, y ) =
0 si I ( x − 1, y ) = I ( x, y )
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
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
∑ ∑ ( 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
Morfología
Morfología Matemática
Matemática -- Introducción
Introducción (II)
(II)
û Morfología Numérica
Ÿ Transformaciones de Funciones
Ÿ Imágenes Numéricas
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 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
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
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 Ejemplos:
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
61
Compresión
Compresión de
de Imágenes
Imágenes -- Necesidad
Necesidad
ð Velocidad de Transmisión
Compresión
Compresión de
de Imágenes
Imágenes -- Redundancia
Redundancia
62
Compresión
Compresión de
de Imágenes
Imágenes -- Clasificaciones
Clasificaciones
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)
û codificación de longitudes
ð Codificación Predictiva
û predicción
û codificación
63
Compresión
Compresión de
de Imágenes
Imágenes -- Métodos
Métodos (II)
(II)
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)
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)
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
Compresión
Compresión de
de Imágenes
Imágenes -- Estándares
Estándares (III)
(III)
Esquema de Codificación
ð Apartados del MPEG
û MPEG - VIDEO
û MPEG - AUDIO
û MPEG - SYSTEM
67
Calibración
Calibración de
de Cámaras
Cámaras
Modelo
Modelo General
General de
de Cámara
Cámara
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)
x= f X
Z
y= f Y
Z
Modelo
Modelo de
de Calibración
Calibración pin-hole
pin-hole (II)
(II)
u = k u x + u0
v = k v y + v0
69
Modelo
Modelo de
de Calibración
Calibración pin-hole
pin-hole (III)
(III)
Modelo
Modelo de
de Calibración
Calibración pin-hole
pin-hole (IV)
(IV)
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
71
Proceso
Proceso de
de Calibración
Calibración
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)
72
Modelo
Modelo de
de Distorsión
Distorsión de
de la
la Lente
Lente (II)
(II)
x = xˆ + δ x δ x = xˆ ( k1r 2 + k2 r 4 + k3 r 6 + ...)
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 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:
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
76
Interpolación
Interpolación Bilineal
Bilineal
Visión
Visión Estéreo
Estéreo
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)
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)
Primitivas
Primitivas de
de Puesta
Puesta en
en Correspondencia
Correspondencia
79
Restricciones
Restricciones
Restricción
Restricción Epipolar
Epipolar (I)
(I)
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)
81
Características
Características de
de la
la Restricción
Restricción Epipolar
Epipolar (II)
(II)
Criterio
Criterio de
de Unicidad
Unicidad
82
Restricción
Restricción de
de Continuidad
Continuidad
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
83
Restricción
Restricción de
de Ordenación
Ordenación (II)
(II)
Restricción
Restricción de
de Planaridad
Planaridad
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
Técnicas
Técnicas de
de correlación
correlación (I)
(I)
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
∑ ∑ 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)
86
Ejemplos
Ejemplos de
de SVA
SVA -- MORPHECO
MORPHECO (II)
(II)
ðRatios de compresión ≈ 30 : 1
û La recuperación global de la escena es similar en
ambos casos
Ejemplos
Ejemplos de
de SVA
SVA -- PRYCA
PRYCA
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 Cámara de Infrarrojo
û Localización del fuego
û Segmentación de la estructura fractal
Ejemplos
Ejemplos de
de SVA
SVA -- CAVA
CAVA
Barrera
88
Ejemplos
Ejemplos de
de SVA
SVA -- GERSA
GERSA
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 2 tarjetas digitalizadoras
ð 1 PLC
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