Taller Vision Computacional

Universidad de Guanajuato DICIS LaViRIA
Dr. Víctor Ayala Ramírez
M. en I. José Antonio Gasca Martínez
Ing. Sergio Alejandro Mota Gutiérrez
Dr. Raúl Enrique Sánchez Yáñez
{ayalav, pepeg,samota, sanchezy}@laviria.org

Objetivos

  Los participantes irán adquiriendo
conocimientos sobre la materia de visión en
color para luego aplicarlos en una
competencia. Irán aprendiendo cómo hacer
que sus robots sean capaces de
desenvolverse en espacios con marcas de
colores.

Preparado para Campus Party México 2009 2

Metas

  Que el participante utilice eﬁcazmente la
teoría de la visión computacional para el
desarrollo de aplicaciones en problemas
reales.


Programa del Taller

  Procesamiento y análisis de imágenes.
  Desarrollo de aplicaciones en tiempo real
OpenCV.
  Reto de Visión.


Visión Computacional (1/2)

  Es la ciencia y la tecnología de las
máquinas que ven.
  Como una disciplina cientíﬁca, la visión por
computadora trata con la teoría de
construir sistemas artiﬁciales que obtienen
información a partir de imágenes.


Visión Computacional (2/2)

  Los datos de imágenes pueden tomar
muchas formas, como imágenes
capturadas, secuencias de video, vistas de
múltiples cámaras, o datos
multidimensionales de fuentes diversas.
  La visión por computadora estudia y
describe los sistemas de visión artiﬁcial
que son implementados en software y/o
hardware.


Áreas de Trabajo en Visión

Procesamiento Análisis de Visión por Detección de
de Imágenes Imágenes Computadora Formas

Análisis por Reconocimiento Entendimiento
Segmentación
Color de Patrones de Escenas

Detección de Seguimiento de Servo‐control Reconstrucción
Movimiento Objetos Visual 3D

Navegación
Basada en …
Visión


Cámaras Digitales

  Dispositivos que permiten el registro de un
aspecto 2D del mundo en el que vivimos.
  Pueden registrar el mundo en diferentes
calidades (resoluciones y ﬁdelidades) .
  Más resolución implica un mayor detalle, pero no
necesariamente más calidad.
  Pueden registrar el mundo según diferentes
aspectos.
  Capturan de manera típica imágenes de intensidad
luminosa, pero pueden proporcionarnos también otros
tipos de imágenes, como profundidad, etc.


Imágenes Digitales

  Ejemplos de imágenes


La Imagen Digital

Una imagen continua                 es aproximada por un arreglo discreto de valores.
f (x, y)

⎡ f (0, 0) f (0,1) … f (0, N − 1) ⎤
⎢ ⎥
… f (1, N − 1)
f (x, y) = ⎢ ⎥
f (1, 0) f (1,1)
⎢     ⎥
⎢ ⎥
⎢ f (M − 1, 0)
⎣
f (M − 1,1)  f (M − 1, N − 1) ⎥
⎦

A esta matriz se le conoce como imagen digital y a cada uno de los  MxN valores
se le denomina píxel ( contracción de picture element) o pel.

Cada uno de los valores reﬂeja una intensidad de la variable registrada por el
dispositivo de captura asociado con un objeto dentro de la escena.
Preparado para Campus Party México 2009
R. E. Sánchez Yáñez / Universidad de Guanajuato FIMEE
10

Una imagen digital
158 156 159 163 149 103 89 91 98 95 96 102 104 103 100 97 97 86 75 78 69 57 47 55 128 102 79 67 76 89
154 157 161 135 102 102 102 102 107 107 112 113 106 103 102 97 89 78 70 74 87 88 95 78 76 105 111 123 142 153
164 163 159 160 162 162 160 160 163 165 166 165 166 165 166 166 168 167 163 164 165 168 164 161 157 161 159 155 151 151
138 136 135 136 134 132 134 133 139 141 142 143 144 147 147 149 151 154 152 154 156 158 156 157 162 163 162 164 158 15
97 95 93 90 85 86 86 82 85 87 85 84 81 83 86 85 90 92 94 93 92 101 88 91 80 64 59 63 68 56
105 103 102 100 99 99 98 98 99 97 97 97 96 99 101 98 99 120 105 91 92 78 65 61 60 51 49 53 49 56
111 110 110 111 106 106 107 105 104 100 96 97 101 106 107 116 124 82 86 82 65 70 76 64 73 68 66 57 57 57
125 123 121 120 116 117 121 140 146 158 172 158 119 109 121 143 100 84 96 97 85 103 106 97 79 61 50 51 49 68
129 128 125 124 121 119 113 104 105 124 143 148 167 151 118 83 66 62 50 70 97 104 110 116 88 82 67 74 67 70
129 129 126 127 119 112 112 115 112 111 121 120 121 118 100 76 87 83 64 69 104 153 111 105 119 124 117 83 103 91
131 130 128 129 118 116 124 125 122 133 130 126 122 90 58 65 61 77 101 64 130 87 51 62 89 96 101 84 52 44
132 130 127 134 128 128 135 127 140 139 133 128 98 56 57 60 50 51 85 132 68 50 52 54 53 53 69 51 44 58
132 127 127 147 136 137 131 154 155 147 141 112 68 59 56 51 79 149 107 47 52 56 55 50 53 53 53 65 96 91
130 128 132 167 158 151 157 174 172 160 129 80 61 77 69 133 173 112 91 100 103 80 60 57 64 76 105 113 86 118
130 129 130 179 181 178 188 183 173 167 130 81 57 73 149 170 133 141 136 131 130 119 86 78 86 91 101 111 132 134
130 130 126 175 191 196 194 189 177 166 133 80 88 148 173 92 104 166 160 149 140 138 128 116 126 132 136 140 139 139
128 127 126 135 194 204 201 195 185 169 1291 80 163 178 146 93 153 168 164 154 144 122 142 138 138 139 136 137 140 143
127 126 125 122 152 210 204 199 185 177 133 163 179 165 165 112 124 142 134 127 147 128 155 153 151 151 145 141 137 140
120 123 122 117 106 141 211 203 192 172 178 187 176 187 188 175 177 169 155 141 178 141 134 155 181 169 161 154 147 142
117 110 111 108 104 92 130 196 192 176 192 189 190 202 199 146 118 164 170 159 136 85 50 97 197 188 182 172 163 155
154 148 139 137 141 141 138 138 178 192 194 177 116 145 169 80 93 114 108 79 54 51 54 54 158 208 204 198 189 178
154 159 155 147 142 144 146 144 174 197 201 144 122 89 61 53 53 54 55 59 68 70 78 83 70 120 189 212 209 202
153 156 153 149 135 80 57 83 197 199 190 130 114 68 84 99 105 103 105 105 90 93 97 104 103 103 111 128 144 179
153 152 153 145 144 141 107 184 202 181 132 118 50 57 56 53 50 60 85 110 140 151 153 127 142 145 142 124 90 98
186 153 147 140 142 143 156 215 213 162 105 50 50 48 67 96 128 146 154 153 150 151 151 126 132 138 136 135 64 97
163 206 172 141 144 138 76 70 63 46 49 52 81 118 147 153 153 151 150 148 146 147 147 130 113 128 135 140 147 134
117 123 179 205 128 54 52 50 48 57 98 138 153 154 159 153 151 148 144 143 140 138 132 125 118 169 210 191 173 89
120 120 114 92 47 50 50 51 88 142 155 161 162 157 157 154 150 142 139 159 173 187 196 206 208 206 165 124 75 85
122 125 78 48 49 49 60 120 153 158 155 158 160 159 148 152 143 151 187 198 205 210 213 206 145 100 100 90 90 81
123 81 50 50 52 83 137 156 156 157 154 154 157 157 145 148 143 190 199 206 208 210 208 133 81 100 98 94 94 97


Imagen Digital:
De Superficie a Imagen


Muestreo


Cuantificación


Herramientas para Visión
Computacional
  Fuera de línea
  Software de creación sintética de imágenes.
  Software de procesamiento y análisis de imagen.

  En línea
  Manejadores de dispositivos de captura.
  Librerías de manejo de imágenes.
  Entornos personalizados de programación.


Procesamiento de Imágenes



  En la mayoría de las aplicaciones de visión por
computadora, el ﬁn último es extraer
importantes características a partir de datos
de imágenes; características de las cuales, a
su vez una computadora puede proporcionar
ya sea una descripción, una interpretación o
el entendimiento de la escena.
En las operaciones de procesamiento de
imágenes generalmente se tiene como salida
otra imagen, realizando tareas como
restauración, mejoramiento o codiﬁcación.


Ejemplo de aplicación

Aplicación en Metalografía



  Procesos puntuales
  Operaciones que modiﬁcan cada píxel de una
imagen según un proceso que considera
únicamente el píxel correspondiente en la imagen
de entrada.
  Procesos de área
  Operaciones que calculan propiedades de un píxel
a partir de una cierta vecindad.


Procesos Puntuales

  Operaciones que modiﬁcan cada píxel de una
imagen según un proceso que considera
únicamente el píxel correspondiente en la
imagen de entrada.
  Ejemplos de procesos puntuales
  Negativo de una imagen.
  Cambio de espacio de color de una imagen.
  Umbralización.


Negativo de Imágenes (1/2)

  Simplicidad para entender lo que se hace
cuando se procesa una imagen.

  Familiaridad de los usuarios (al menos los que
todavía usamos cámara con película) del
aspecto de la imagen invertida.


Negativo de Imágenes (2/2)

Si f (x, y) es la imagen original y
F(x, y) el negativo de la imagen:
∀x, y ∈{0, M − 1} × {0, N − 1}
F(x, y) = Imax − f (x, y)
El valor de I max es el máximo valor de la
intensidad capturado por el dispositivo de entrada.
Típicamente 255.


Ejemplos de Negativo de Imágenes


Umbralización
  Esta es una operación que tiene como
objetivo separar el fondo de una imagen de la
ﬁgura u objeto de interés a partir de la
utilización de dos niveles de intensidad. Uno
para el fondo y otro para el objeto.


Umbralización

Si r = f (x, y) es la imagen original,
s = g(x, y) es la imagen procesada
y t es un umbral de separación:
⎧
⎪ 0 Si 0 < r ≤ t
r=⎨
⎪ L − 1 Si t < r ≤ L − 1
⎩
Donde L - 1 es la intensidad máxima del formato imagen.


Umbralización

  Extracción de un objeto del fondo


Unbralización Multinivel


Histograma de una imagen

  Un histograma se deﬁne como una gráﬁca de
distribución de frecuencia de ocurrencia de
cada color en la imagen y es un indicativo de
la concentración de pixeles contra la
brillantez.
  El histograma se usa generalmente de forma
normalizada (esto es como una función de
probabilidad). El histograma es una función
discreta de una imagen.

Histograma de una imagen

nk
h(k) =
M×N


Ecualización de Histograma


Procesos de área

  Operaciones que modiﬁcan cada píxel
utilizando la información contenida en una
vecindad centrada en el píxel de interés de
una imagen según un proceso determinado.

  Ejemplos de procesos puntuales
  Filtrado de mediana.
  Filtrado espacial.
  Detección de bordes.


Media de una Vecindad

  Es un método de suavizado empleado para eliminar ruido
aditivo de una imagen.
  Generalmente se usa una ventana V de NxN píxeles
alrededor del píxel central (x,y).
  El valor de intensidad del píxel en la imagen procesada es
el promedio de los píxeles en V.


Media de una Vecindad


Mediana de una Vecindad

  Se usa para preservar la información de los
bordes de la imagen.
  En este procesamiento, los valores de
intensidad de los píxeles de una vecindad V
alrededor del punto (x,y) son ordenados y la
mediana (el valor central de los datos) es
tomada como resultado en la imagen de
salida.


Mediana de una Vecindad


Filtrado Espacial


Frecuencia Espacial (1/2)

•  La frecuencia espacial se deﬁne como la tasa
de cambio de la brillantez de los pixeles (la
intensidad) dividida por la distancia sobre la
cual ocurre el cambio, teniendo componentes
en ambas direcciones de la imagen.
•  Una imagen con frecuencia espacial alta
contiene grandes cambios de intensidad en
pixeles cercanos; mientras que una con baja
frecuencia espacial, tiene áreas extensas con
intensidad constante.

Frecuencia Espacial (2/2)

•  La frecuencia espacial nos indica qué tan
cerca (en ambas direcciones) se repiten
patrones de intensidad en la imagen.
•  Considerando la información de frecuencia
espacial, los procesos de área pueden
operar como ﬁltros para remover o resaltar
componentes de frecuencia especíﬁcos.


Convolución Discreta en 2D


Filtros Pasa‐Bajas (Ejemplo 1)


Filtros Pasa‐Bajas (Ejemplo 2)


Filtros Pasa‐Altas (Ejemplo 1)


Filtros Pasa‐Altas (Ejemplo 2)


Detección de Bordes

  Convolución de una imagen con máscaras
especíﬁcas que implementan el gradiente de
una señal y un post‐procesamiento
(magnitud, umbralización, …)


Detección de Bordes

R. E. Sánchez Yáñez / Universidad de Guanajuato FIMEE

Análisis de Imágenes


Análisis de Imágenes
  Extracción de Características,
  Análisis de Textura,
  Análisis de Bordes,
  Reconocimiento de Formas,
  Clasiﬁcación,
  Segmentación,
  Concordancia de Escenas,
  Entendimiento de Escenas


Características

Área,
Perimetetro, Color,
Medidas de simetría. Textura.


Vectores de Características

Definiendo un conjunto de características (mediciones
de atributos) como

x1 = área
x2 = perímetro
:
xd = atributo d-ésimo

podemos pensar en nuestro conjunto de atributos (patrón)
como un vector de características (feature vector) x, en
donde x es un vector columna d-dimensional.


Vectores como Puntos

De la misma forma, podemos considerar este patrón
como un punto en un espacio de características d-
dimensional.

Esta representación abstracta puede hacerse para un
objeto o para un evento.

Análisis por Color


¿Imágenes
en Color o en Niveles de gris?


Componentes R, G, B y Y


Espacios (Modelos) de Color
  Espacios de Color
  Generalmente 3 componentes.
  RGB
  CIELab
  Utilidad dependiente de la
aplicación especíﬁca.
  CIELuv
  HSI
  …

Una transformación simple
Componentes R,G,B Otro espacio de color


Análisis por Textura


Textura


Detección de textura


Detección del tamaño del
texel


Clasiﬁcación por Textura

¿A cuál de las 8 clases
de arriba pertenece esta
imagen?


Segmentación de Imágenes


Determinación de Regiones


Contornos de Regiones


Unbralización Multinivel


Segmentación Basada en Color


Segmentación Basada en
Textura


Segmentación de Imágenes
Naturales (por Color/Textura)


Entendimiento de Escena


Requisitos para el
  El reconocimiento de Propiedades Físicas
  ...usando el análisis de imágenes.

  Un Proceso de Reconocimiento Semántico
  ...usando aproximaciones diversas para la inferencia.


Entendimiento de una Escena

Cielo

Camino

Tierra “Paisaje Rural:
un camino, un
¿ ? árbol”

Árbol


SKY GRASS 1 GRASS 2 PATH GROUND INDETERMINATE


Herramienta Didáctica

  www.laviria.org/eventos/TallerVision.html


Taller Vision Computacional

Recommandé

Recommandé

Contenu connexe

En vedette

En vedette (20)

Similaire à Taller Vision Computacional

Similaire à Taller Vision Computacional (20)

Plus de Futura Networks

Plus de Futura Networks (20)

Taller Vision Computacional