Unidad 1 – Etapa 1 – Identificación de presaberes

Tratamiento de Imágenes

Tutor:

Sandra Milena Garcia

Presentado por:

Diego Alejandro Romero Peñaloza

Universidad Nacional Abierta y a Distancia.

Ingeniería en telecomunicaciones.

2021
Contenido

Introducción………………………………………………………………………3

Objetivos………………………………………………………………………4

1.Actualizacion de perfil y presentación: ………………………………………5 -6

2.Resumen del proyecto final: ……………………………………………………6 - 14

3.Definicion de conceptos: ………………………………………………………. 14 -19

4.Implementacion de códigos: ……………………………………………………19 - 26

Conclusiones: …………………………………………………………………….. 27

Referencias Bibliográficas………………………………………………………28 - 29
 INTRODUCCION

En este trabajo se desarrollará la etapa 1 del curso la cual busca comprender las etapas por

las que pasa el proyecto del curso y los conceptos previos como lo es el espacio de color,

este informe busca contextualizar e identificar los presaberes necesarios para poder llevar a

cabo el proyecto final de forma correcta y cumpliendo con los requisitos establecidos en el

curso.

En este 1er trabajo entonces se recopilará tanto términos iniciales que nos introducen a el

tratamiento de imágenes como también al uso de la herramienta MATLAB la cual es en

donde dejaremos evidencia de cómo vamos aplicando los conocimientos que

progresivamente obtenemos de este curso.

 OBJETIVOS

-Comprender cada una de las etapas que conforman las etapas del curso.

-Actualizar el perfil con foto

-Realizar el resumen del proyecto final

-Dar contestación a las preguntas teóricas y definir los conceptos

-Implementar los códigos y analizar los resultados obtenidos y crear los scripts

-Cumplir con los parámetros establecidos para este trabajo

1.Actualizacion de perfil y presentación:

a. Actualizar el perfil con foto e información y realizar un aporte en el foro con la

evidencia.
2.Resumen del proyecto final: Realizar lectura e investigación sobre el proyecto final. La

investigación debe contener información sobre las 6 etapas a seguir para la detención del

dispositivo, es decir, el estudiante debe realizar una breve investigación de cómo se

desarrolla cada uno de esos pasos.

2.1. Pre procesamiento de imágenes

Para el pre procesamiento de imágenes se recurren a 3 tipos se técnicas que son:

-Modificación del nivel de gris

Fuente:https://www.researchgate.net/figure/Figura-1-2-Ejemplo-de-la-modificacion-de-la-escala-de-grises-

a-Imagen-de-4-x-4_fig1_36720498

a.Imagen de 4 x 4 pixeles con cada pixel representado por 3 bits.

b.Funcion de transformacion de los niveles de gris.

c.Resultado de modificar la imagen en (a.) usando la transformacion de niveles de gris

especificada en (b.)

Fuente:https://www.researchgate.net/figure/Figura-1-2-Ejemplo-de-la-modificacion-de-la-escala-de-grises-

a-Imagen-de-4-x-4_fig1_36720498

-Reducción del ruido

Es un proceso que consiste en eliminar el ruido de una señal. Existen técnicas de reducción

de ruido para audio e imágenes, cuyos algoritmos tienden a alterar las señales en mayor o

menor grado.

Fuente: https://es.wikipedia.org/wiki/Reducci%C3%B3n_de_ruido
Fuente: http://ocw.uc3m.es/ingenieria-de-sistemas-y-automatica/sistemas-

percepcion/material-de-clase-1/mc-f-05.pdf

-Realce de bordes

Bajo esta denominación pueden entrar todos los operadores que lleven a cabo operaciones

de filtrado paso alto, este nombre se reserva para operadores de tipo gradiente, es decir,

operadores de primera derivada, y, en general, con carácter direccional.

Fuente: https://www.lpi.tel.uva.es/muitic/pim/docus/Realce.pdf
Fuente: http://ocw.uc3m.es/ingenieria-de-sistemas-y-automatica/sistemas-

percepcion/material-de-clase-1/mc-f-05.pdf

2.2. Procesamiento de imágenes

Es el conjunto de técnicas que se aplican a las imágenes con el objetivo de mejorar la

calidad o facilitar la búsqueda de información

-Imagen digital: Esta compuesta de un numero finito de elementos y cada uno tiene una

localidad y un valor particular. Aestos elementos se les llama puntos elementales de la

imagen o pixeles, siendo este ultimo el termino comúnmente utilizado para denotar la

unidad minima de medida de una imagen digital.

-Imágenes en color: El fundamento para describir una imagen digital en color es el mismo

que el expuesto anteriormente, con la salvedad de que cada elemento o pixel es descrito y

codificado de otra forma, para un espacio de color RGB se representa cada pixel como un

color creado a partir de ciertas cantidades de los colores rojo, verde y azul.

Fuente general del punto 2.2:

http://bibing.us.es/proyectos/abreproy/12112/fichero/Documento_por_capitulos%252F3_C

ap%C3%ADtulo_3.pdf
2.3. Identificación de características

-Variables del color: Estas existen gracias a la unión de matiz, luminosidad, tono y

saturación.

Matiz: Es el valor cromático de un color, la frecuencia del espectro donde se encuentra.

Depende de la longitud de onda dominante, y es la cualidad que permite clasificar a los

colores como amarillo, rojo, violeta, etc.

Fuente: https://www.definicionabc.com/wp-content/uploads/matices-450x200.jpg

Luminosidad: Es el resultado de la mezcla de los colores con blanco o negro y tiene

referencia de matiz. Representa la cantidad de luz presente en un color, mas blanco o mas

negro, según sea el caso. Cuanto mayor es la luminosidad, mayor es la cantidad de luz en

un color, es decir, mas color blanco posee.

Fuente: https://www.etiquetasenrollo.mx/wp-content/uploads/2016/10/luminosidad.gif
Saturación: Se refiere al grado de pureza de un color y se mide con relación al gris. Los

colores con menor saturación se muestran mas agrisados, con mayor cantidad de impurezas

y con menor intensidad luminosa.

Fuente general del punto 2.2:

http://bibing.us.es/proyectos/abreproy/12112/fichero/Documento_por_capitulos%252F3_C

ap%C3%ADtulo_3.pdf

2.4. Implementación de clasificador

Las tareas de clasificación que han resultado difíciles para los humanos realizar, resultan

mucho mas fáciles para redes neuronales que constantemente se reentrenan para mejorar su

capacidad de reconocimiento y clasificación en este tipo de tareas.

https://media-exp1.licdn.com/dms/image/C5612AQFvR8nmqBMiGA/article-inline_image-

shrink_1000_1488/0/1609129196680?e=1639008000&v=beta&t=4w0tWJeQXLQNSZ4T6

HLC5Z6fH9zIlBhdqGLY7T5Xq4o

Fuente: https://www.wolfram.com/language/12/machine-learning-for-images/train-a-

custom-image-classifier.html.es?footer=lang

2.5. Resultados

Los resultados que se pueden obtener al analizar una imagen son:

-Nivel compositivo: Para analizar la composición es útil pensar en el encuadre, la

perspectiva, la proporción y la distribución de pesos. ¿Desde donde ha sido realizada la

fotografia?¿Esta tomada a la altura de los ojos o desde otras posiciones(angulo frontal,

picado, cenital, contrapicado, nadir)?

-Nivel técnico: Debemos considerar los aspectos técnicos de la cámara: enfoque, apertura

de diafragma, velocidad de obturación, profundidad de campo y balance de blancos.

-Nivel narrativo:¿Qué es lo que cuenta la fotografia?¿Cuales son los elementos narrativos

mas importantes que componen la historia? Hay que analizar la historia a nivel expresivo.

Fuente: http://aavi.net/blog/2016/04/07/como-se-lee-una-fotografia-el-analisis-de-la-

imagen/
2.6. Análisis de resultados

La red neuronal tiene 3 fases que son:

-Entrenamiento: Se le introducen a la red la respuesta espectral de pixeles cuya clase se

conoce y se compara la salida con la realidad. A partir de esta comparación se modifican

los coeficientes de ponderación de todas las neuronas para que se obtenga la respuesta

adecuada (se trata de un procedimiento automático) es decir un 1 en la clase correcta y

ceros en las incorrectas.

-Estabilización: Al principio del entrenamiento, los factores de ponderación cambian muy

deprisa, pero conforme este se desarrolla (y si las áreas de entrenamiento se han

seleccionado correctamente) se estabilizan.

-Clasificación: Se introducen las respuestas espectrales de los pixeles cuya clase no se

conoce y se adjudican a la clase que dé una respuesta más alta.

Fuente del punto 2.6: https://www.um.es/geograf/sigmur/temariohtml/node74.html

3.Definicion de conceptos:

Estudiando el libro guía, el estudiante investiga de manera individual y da respuesta a las

siguiente preguntas teóricas:

a)¿Cuál es la diferencia entre imagen análoga e imagen digital?(Defina esta pregunta en 5

renglones maximo)

Las imágenes análogas son todas aquellas que están compuestas por “granos” como

estructura base y utilizan películas fotosensibles y químicos de revelado, mientras que las
imágenes digitales están compuestas por “pixeles” como estructura base y captura la luz

mediante un sensor electrónico compuesto de unidades fotosensibles.

Fuente del punto 3.a: https://concepto.de/fotografia-digital/

b) Investigue e indique 5 campos de aplicación que tiene el tratamiento de

imágenes.(Defina esta pregunta en 5 renglones máximo).

El uso que se le da al tratamiento de imágenes es utilizado en campos como lo son las

matemáticas para la realización de ejercicios, para la inteligencia artificial en asignación de

tareas, para el control automatico aplicado en sistemas de robotica, para las técnicas de

imagen siendo estas aplicadas a las cámaras inteligentes y por ultimo para el procesamiento

de señal.

Fuente del punto 3.b: https://eprints.ucm.es/id/eprint/9773/1/Memoria.pdf

c)¿Se tiene una imagen con resolución de 300 pixeles de alto y 200 pixeles de ancho,

cuantos pixeles en total tiene la imagen??

La resolución de una imagen es el numero de pixeles por pulgada que contiene (1 pulgada

= 2,54 centimetros). Cuantos mas pixeles (o puntos) haya por pulgada mas información

contendrá la imagen (mas precisa), por ejemplo, una resolución de 300 dpi significa que la

imagen contiene 300 pixeles de ancho y 300 pixeles de alto, por tanto, se compone de

90.000 pixeles (300x300 ppp).

Por tanto en una imagen de 300 pixeles de alto y 200 pixeles de ancho el total de pixeles es

de 60.000.
Fuente del punto 3.c: https://www.canson-infinity.com/es/faq/que-es-la-resolucion-de-una-

imagen

d)Indique cual es la definición de cada uno de los siguientes tipos de numero:

1. Unit8:La clase uint8 esta destinada principalmente a alamacenar valores enteros. La

mayoría de las operaciones que manipulan matrices sin cambiar sus elementos están

definidas (los ejemplos son remodelación, tamaño, asignación, con subíndice y referencia

con subíndice). No se definen operaciones matemáticas para uint8 ya que dichas

operaciones son ambiguas en el limite del conjunto (por ejemplo, podrían ajustarse o

truncarse allí).

Fuente 3.d.1: https://math.jhu.edu/~shiffman/370/help/techdoc/ref/uint8.html

2. Unit16: Algunas funciones de creación de matrices le permiten especificar el tipo de

datos. Por ejemplo, zeros(100,”uint16”) crea una matriz de 100 por 100 de ceros de tipo

uint16.

Si tiene una matriz de un tipo diferente, como doble o simple, puede convertir esa matriz en

una matriz de tipo uint16 utilizando la función uint16

Fuente 3.d.1: https://la.mathworks.com/help/matlab/ref/uint16.html

3. Double: Convierte el valor simbolico s en doble precisión. La conversión de valores

simbólicos a precisión doble es útil cuando una función MATLAB no acepta valores

simbólicos. Para conocer las diferencias entre números simbólicos y de doble precisión,

consulte Elegir aritmética numérica o simbolica.

Fuente 3.d.1: https://la.mathworks.com/help/symbolic/double.html

4.Logical: Convierte A en una matriz de valores lógicos. Cualquier elemento distinto de

cero de A se convierte en 1 logico (verdadero) y los ceros se convierten en 0 logico (falso).

Los valores complejos y los NaNs no se pueden convertir en valores lógicos y dan como

resultado un error de conversión.

Fuente 3.d.1:

e) Seleccione cual de las siguientes afirmaciones es correcta y explique porque:

1) RGB= rojo, gris y blanco.

2) RGB= rojo, verde y blanco.

3) RGB= rojo, verde y azul.

4)RGB= verde, azul y gris.

La opción correcta es la 3) RGB = rojo, verde y azul y se debe a que esta es la composición

del color en términos de la intensidad de los colores primarios de la luz. A su vez RGB es

un modelo de color basado en la síntesis aditiva, con el que es posible respresentar un color

mediante la mezcla por adicion de los tres colores de luz primarios.

Fuente e: https://es.wikipedia.org/wiki/RGB

f) Indique cuantas capas tiene un espacio de color RGB. (Defina esta pregunta en 2

renglones maximo)

Un espacio de color RGB particular esta definido por el rojo, verde y azuly puede producir

cualquier cromaticidad que sea el triangulo definido por esos colores primarios.
Fuente f: https://www.hisour.com/es/rgb-color-space-

24575/#:~:text=Un%20espacio%20de%20color%20RGB,definido%20por%20esos%20col

ores%20primarios.

g)¿Qué espacio de color tiene las siguientes capas: matiz, saturación y valor?(Defina esta

pregunta en 1 renglon maximo).

El Espacio de color HSV basado en tinte, matiz, tonalidad, saturación, brillo o valor.

Fuente g: https://www.ecured.cu/Modelo_HSV

h) ¿Qué es histograma?

El histograma es un gráfico en donde se nos permite usar barras, cuya altura dependerá de

la frecuencia de los datos, que corresponde al eje Y, mientras que en eje X podemos

observar la variable de estudio, en el grafico se nos muestra cómo se distribuyen los datos

de una muestra estadística o de una población.

Fuente: https://asolengin.files.wordpress.com/2014/10/histograma-1.jpg

4.Implementacion de códigos:

-Indique para que sirven los comandos clc, clear all y close all.

CLC: Se encarga de borrar todas las entradas y salidas de la pantalla de la ventana de

comandos, lo que le proporciona una “pantalla limpia”. Despues de usar clc, no puede usar

la barra de desplazamiento para ver el historial de funciones, pero aun puede usar la flecha

hacia arriba para recuperar declaraciones del historial de comandos.

Fuente: http://www.ece.northwestern.edu/local-apps/matlabhelp/techdoc/ref/clc.html

CLEAR ALL: Se ocupa de borrar las variables, pero también borra muchas otras cosas de

la memoria, como puntos de interrupción, variables persistentes y memoria en cache; como

es nuevo en Matlab, esto probablemente no sea tan claro.

Fuente: https://www.it-swarm-es.com/es/matlab/cual-es-la-diferencia-entre-clc-y-clear-all-

en-matlab/825346225/

CLOSE ALL: Elimina todas las figuras cuyos mangos no estén ocultos.

Fuente: https://www.it-swarm-es.com/es/matlab/cual-es-la-diferencia-entre-clc-y-clear-all-

en-

matlab/825346225/#:~:text=Tambi%C3%A9n%20eso%20close%20all%20se,la%20diferen

cia%20entre%20los%20dos%3F&text=clc%20se%20usa%20b%C3%A1sicamente%20par

a,(donde%20ejecutamos%20MATLAB%20comandos).

-Guardar la imagen en la carpeta creada anteriormente, póngale el nombre imagen1

(Asegurese de que la imagen quede guardada en la extensión .jpg).

-Desarrollar el siguiente código creando un Script y guardándolo como “preprocesamiento”

en el software Matlab
%Nombre:Diego Romero
-Linea del Nombre

% Año: 2021
-Linea del año

% Periodo: 16-04
-Linea del Periodo

Comunicacion=imread("imagen1.jpg");
-Lee la 1era imagen del archivo.

figure;
-Se añade el espacio para añadir la imagen.
imshow(Comunicacion);
-Muestra la imagen indexada seleccionada con el mapa de colores como
observamos en la imagen.

GrayComunicacion=rgb2gray(Comunicacion);
-Convierte la imagen seleccionada a la escala de grises.

figure;
-Se añade el espacio para añadir la imagen.

imshow(Comunicacion);
-Muestra la imagen indexada con el mapa de colores como observamos en la
imagen.
GrayComunicacion=im2double(GrayComunicacion);
-Convierte la imagen a la doble precisión.

figure;
-Se añade el espacio para añadir la imagen.

imhist(GrayComunicacion);
-Muestra un histograma de imagen el cual es un gráfico que muestra la
distribución de intensidades en una imagen indexada o en escala de grises.

Explique cada línea de comando

-%texto: Sirve para dejar un comentario no ejecutable en el cuerpo de un programa,

relacionado a la actividad que se está haciendo.

-close all: Elimina todas las figuras cuyos controladores no están ocultos.

-imread: Comando que sirve para leer la imagen del archivo de graficos.

-figure: Indica la creación de una ventana de figura.

-imshow: Muestra la imagen del objeto al que hemos hecho referencia.

-imhist: Realiza un histograma de datos de una imagen.

¿Qué hacen las funciones imread, imshow, rgb2gray, im2double e imhist?

-imread: Se encarga de leer la imagen del archivo de graficos.

Fuente: https://www-mathworks-

com.translate.goog/help/matlab/ref/imread.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es-

419&_x_tr_pto=nui,sc

-imshow: Se encarga de mostrarnos la imagen.

Fuente: https://www-mathworks-

com.translate.goog/help/matlab/ref/imshow.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es-

419&_x_tr_pto=nui,sc

-rgb2gray: Convierte una imagen RGB o mapa de colores a la escala de grises.

Fuente: https://es-mathworks-

com.translate.goog/help/matlab/ref/rgb2gray.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es-

419&_x_tr_pto=nui,sc

-im2double: Se convierte una imagen a doble precisión.

Fuente: https://www-mathworks-

com.translate.goog/help/matlab/ref/im2double.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es

-419&_x_tr_pto=nui,sc

-imhist: Es el histograma de datos de una imagen.

Fuente: https://la.mathworks.com/help/images/ref/imhist.html
5.Desarrolle el siguiente código en el script creado anteriormente

-Explique cada línea de comando realizada.

-.Analice cada imagen obtenida en este ejercicio.

La imagen se torna rojiza a raíz de la configuración realizada a continuación:

% Espacio de color RGB

-Linea del Nombre de la actividad.

% Nombre: Diego Romero

-Linea del nombre.

% Año: 2021
-Linea del año.

% Periodo: 16-04
-Linea del periodo.

ComponenteRojo=Comunicacion(:,:,1);
-Se nombra como componenterojo a la imagen que haremos uso.

figure;
-Se añade el espacio para añadir la imagen
image(ComponenteRojo),colormap([(0:1/255:1)',zeros(256,1),zeros(256,1)]),col
orbar;
-colormap: Establece el mapa de colores de la figura actual en el mapa de
colores especificado por map.

-zeros: Crea una matriz de todos los ceros.

-colorbar: Barra de colores que muestra la escala de colores.

La imagen se torna verde a raíz de la configuración realizada a continuación:

ComponenteVerde=Comunicacion(:,:,2);
-Se nombra como componenteverde a la imagen que haremos uso.

figure;
-Se añade el espacio para añadir la imagen.

image(ComponenteVerde),colormap([zeros(256,1),(0:1/255:1)',zeros(256,1)]),co
lorbar;

-colormap: Establece el mapa de colores de la figura actual en el mapa de

colores especificado por map.

-zeros: Crea una matriz de todos los ceros.

-colorbar: Barra de colores que muestra la escala de colores.

La imagen se torna de color azul oscuro a raíz de la configuración realizada a continuación:

ComponenteAzul=Comunicacion(:,:,3);
-Se nombra como componenteazul a la imagen que haremos uso.

figure;
-Se añade el espacio para añadir la imagen.

image(ComponenteAzul),colormap([zeros(256,1),zeros(256,1),(0:1/255:1)']),col
orbar;

-colormap: Establece el mapa de colores de la figura actual en el mapa de

colores especificado por map.

-zeros: Crea una matriz de todos los ceros.

-colorbar: Barra de colores que muestra la escala de colores.

6.Investigue como realizar el código para el espacio de color HSV y realícelo en Matlab a

la imagen que le fue asignada.

im = imread('imagen1.jpg');
-Se encarga de leer la imagen del archive de graficos.

imshow(im);
-Comando introducido para mostrarnos la imagen a manipular.
En la imagen obtenida observamos como la parte izquierda es el hue o el tono, en la parte

central esta la saturación o cantidad de color y por ultimo en la parte derechaesta el value o

brillo de la imagen.

Z = rgb2hsv(im);
-Comando con el cual se convierte los colores RGB a HSV

H = Z(:,:,1);
-Se coordina el 1er espacio de la imagen para mostrar a hue o el tono.

S = Z(:,:,2);
-Se coordina el 2ndo espacio de la imagen para mostrar la saturacion o
cantidad de color.

V = Z(:,:,3);
-Se coordina el 3er espacio de la imagen para mostrar el value o el brillo
de la imagen.

imshow([H,S,V]);
-Comando introducido para mostrarnos los 3 espacios de la imagen que
anteriormente habiamos coordinado.
Conclusiones:

En el transcurso de este proyecto se investigó sobre aquellas terminologías que van ligadas

al procesamiento de imágenes y como entenderlas es fundamental a la hora de realizar

ejercicios en Matlab, como también el cómo pese a los parámetros e instrucciones dadas en

el Anexo 1 se generaron errores al usar herramienta como parte del comenzar a entender el

funcionamiento que rige alrededor de las imágenes.

En general el ámbito del procesamiento de imágenes en esta 1era actividad tuvo su enfoque

en conceptos previos al espacio del color y como por medio de la ejecución de técnicas

asociadas al tratamiento de imágenes se consigue generar una correcta aplicación de la

implementación de códigos.

Sin embargo a la hora de ejecutar los comandos y instrucciones dadas en la guía se

comprobó que ejecutarlos en Matlab online, estos no presentaron ningún problema o error,

por lo que fue mas efectivo a la hora de realizar la actividad, obteniendo los resultados

esperados.
Referencias Bibliográficas

http://www.ece.northwestern.edu/local-apps/matlabhelp/techdoc/ref/clc.html

https://www.it-swarm-es.com/es/matlab/cual-es-la-diferencia-entre-clc-y-clear-all-en-

matlab/825346225/

https://www.it-swarm-es.com/es/matlab/cual-es-la-diferencia-entre-clc-y-clear-all-en-

matlab/825346225/#:~:text=Tambi%C3%A9n%20eso%20close%20all%20se,la%20diferen

cia%20entre%20los%20dos%3F&text=clc%20se%20usa%20b%C3%A1sicamente%20par

a,(donde%20ejecutamos%20MATLAB%20comandos).

Mateus, P. (2019, Enero 14), Tratamiento de Imágenes. [OVI]. Recuperado

de: http://hdl.handle.net/10596/23302

https://www.researchgate.net/figure/Figura-1-2-Ejemplo-de-la-modificacion-de-la-escala-de-grises-a-Imagen-

de-4-x-4_fig1_36720498

https://www.lpi.tel.uva.es/muitic/pim/docus/Realce.pdf

https://es.wikipedia.org/wiki/Reducci%C3%B3n_de_ruido

http://bibing.us.es/proyectos/abreproy/12112/fichero/Documento_por_capitulos%252F3_C

ap%C3%ADtulo_3.pdf

https://www.linkedin.com/pulse/clasificador-de-imagenes-juan-

sosa?trk=read_related_article-card_title
https://media-exp1.licdn.com/dms/image/C5612AQFvR8nmqBMiGA/article-inline_image-

shrink_1000_1488/0/1609129196680?e=1639008000&v=beta&t=4w0tWJeQXLQNSZ4T6

HLC5Z6fH9zIlBhdqGLY7T5Xq4o

Fuente: https://www.wolfram.com/language/12/machine-learning-for-images/train-a-

custom-image-classifier.html.es?footer=lang

https://www.um.es/geograf/sigmur/temariohtml/node74.html

https://eprints.ucm.es/id/eprint/9773/1/Memoria.pdf

https://www.canson-infinity.com/es/faq/que-es-la-resolucion-de-una-imagen

https://es.wikipedia.org/wiki/RGB

https://www.hisour.com/es/rgb-color-space-

24575/#:~:text=Un%20espacio%20de%20color%20RGB,definido%20por%20esos%20col

ores%20primarios.

https://www.ecured.cu/Modelo_HSV

https://la.mathworks.com/help/matlab/ref/rgb2hsv.html