Your SlideShare is downloading. ×
0
Universidad de Guanajuato DICIS LaViRIA 
Dr. Víctor Ayala Ramírez 
M. en I. José Antonio Gasca Martínez 
Ing. Sergio Aleja...
Objetivos 

  Los participantes irán adquiriendo 
  conocimientos sobre la materia de visión en 
  color para luego aplic...
Metas 

  Que el participante utilice eficazmente la 
  teoría de la visión computacional para el 
  desarrollo de aplicac...
Programa del Taller 

  Procesamiento y análisis de imágenes. 
  Desarrollo de aplicaciones en tiempo real 
   OpenCV. 
...
Visión Computacional (1/2) 

  Es la ciencia y la tecnología de las 
   máquinas que ven. 
  Como una disciplina científi...
Visión Computacional (2/2) 

  Los datos de imágenes pueden tomar 
   muchas formas, como imágenes 
   capturadas, secuen...
Áreas de Trabajo en Visión 

 Procesamiento      Análisis de              Visión por               Detección de 
  de Imág...
Cámaras Digitales 

  Dispositivos que permiten el registro de un 
   aspecto 2D del mundo en el que vivimos. 
  Pueden ...
Imágenes Digitales 

  Ejemplos de imágenes 




                 Preparado para Campus Party México 2009    9 
La Imagen Digital 

 Una imagen continua                 es aproximada por un arreglo discreto de valores. 
              ...
Una imagen digital 
158   156   159   163   149   103    89    91    98    95    96    102    104   103   100    97    97 ...
Imagen Digital: 
De Superficie a Imagen 




          Preparado para Campus Party México 2009    12 
Muestreo 




            Preparado para Campus Party México 2009    13 
Cuantificación 




          Preparado para Campus Party México 2009    14 
Herramientas para Visión 
Computacional 
  Fuera de línea 
    Software de creación sintética de imágenes. 
    Softwar...
Procesamiento de Imágenes 




          Preparado para Campus Party México 2009    16 
Procesamiento de Imágenes 

  En la mayoría de las aplicaciones de visión por 
  computadora, el fin último es extraer 
  ...
Ejemplo de aplicación 

Aplicación en Metalografía 




                 Preparado para Campus Party México 2009    18 
Procesamiento de Imágenes 

  Procesos puntuales 
    Operaciones que modifican cada píxel de una 
    imagen según un pr...
Procesos Puntuales 

  Operaciones que modifican cada píxel de una 
   imagen según un proceso que considera 
   únicament...
Negativo de Imágenes (1/2) 

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

  Familiarida...
Negativo de Imágenes (2/2) 

        Si f (x, y) es la imagen original y
         F(x, y) el negativo de la imagen:
      ...
Ejemplos de Negativo de Imágenes 




             Preparado para Campus Party México 2009    23 
Umbralización  
  Esta es una operación que tiene como 
  objetivo separar el fondo de una imagen de la 
  figura u objeto...
Umbralización  




                Si r = f (x, y) es la imagen original,
                 s = g(x, y) es la imagen proce...
Umbralización 

  Extracción de un objeto del fondo 




                Preparado para Campus Party México 2009    26 
Unbralización Multinivel 




          Preparado para Campus Party México 2009    27 
Histograma de una imagen 

  Un histograma se define como una gráfica de 
   distribución de frecuencia de ocurrencia de 
 ...
Histograma de una imagen 

        nk
h(k) =
       M×N




             Preparado para Campus Party México 2009    29 
Ecualización de Histograma 




          Preparado para Campus Party México 2009    30 
Procesos de área  

  Operaciones que modifican cada píxel 
  utilizando la información contenida en una 
  vecindad centr...
Media de una Vecindad 


  Es un método de suavizado empleado para eliminar ruido 
   aditivo de una imagen. 
  Generalm...
Media de una Vecindad 




          Preparado para Campus Party México 2009    33 
Mediana de una Vecindad 

  Se usa para preservar la información de los 
   bordes de la imagen. 
  En este procesamient...
Mediana de una Vecindad 




          Preparado para Campus Party México 2009    35 
Filtrado Espacial 




          Preparado para Campus Party México 2009    36 
Frecuencia Espacial (1/2) 

•  La frecuencia espacial se define como la tasa 
  de cambio de la brillantez de los pixeles (...
Frecuencia Espacial (2/2) 

•  La frecuencia espacial nos indica qué tan 
  cerca (en ambas direcciones) se repiten 
  pat...
Convolución Discreta en 2D 




          Preparado para Campus Party México 2009    39 
Filtros Pasa‐Bajas (Ejemplo 1)  




            Preparado para Campus Party México 2009    40 
Filtros Pasa‐Bajas (Ejemplo 2)  




            Preparado para Campus Party México 2009    41 
Filtros Pasa‐Altas (Ejemplo 1) 




            Preparado para Campus Party México 2009    42 
Filtros Pasa‐Altas (Ejemplo 2) 




            Preparado para Campus Party México 2009    43 
Detección de Bordes 

  Convolución de una imagen con máscaras 
  específicas que implementan el gradiente de 
  una señal...
Detección de Bordes 




                        Preparado para Campus Party México 2009      45 
            R. E. Sánche...
Análisis de Imágenes 




          Preparado para Campus Party México 2009    46 
Análisis de Imágenes 
  Extracción de Características, 
  Análisis de Textura, 
  Análisis de Bordes, 
  Reconocimient...
Características 




Área,
Perimetetro,                                    Color,
Medidas de simetría.                    ...
Vectores de Características 

    Definiendo un conjunto de características (mediciones
de atributos) como

   x1 = área
 ...
Vectores como Puntos 




 De la misma forma, podemos considerar este patrón
 como un punto en un espacio de característic...
Análisis por Color 




          Preparado para Campus Party México 2009    51 
¿Imágenes 
en Color o en Niveles de gris? 




            Preparado para Campus Party México 2009    52 
Componentes R, G, B y Y 




          Preparado para Campus Party México 2009    53 
Componentes R, G, B y Y 




          Preparado para Campus Party México 2009    54 
Espacios (Modelos) de Color
  Espacios de Color
                                 Generalmente 3 componentes. 
    RGB
 ...
Análisis por Textura 




            Preparado para Campus Party México 2009    56 
Textura 




           Preparado para Campus Party México 2009    57 
Detección de textura 




          Preparado para Campus Party México 2009    58 
Detección del tamaño del 
texel 




          Preparado para Campus Party México 2009    59 
Clasificación por Textura 




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

                 Preparado para Ca...
Segmentación de Imágenes 




          Preparado para Campus Party México 2009    61 
Determinación de Regiones 




            Preparado para Campus Party México 2009    62 
Contornos de Regiones 




          Preparado para Campus Party México 2009    63 
Unbralización Multinivel 




          Preparado para Campus Party México 2009    64 
Segmentación Basada en Color 




          Preparado para Campus Party México 2009    65 
Segmentación Basada en 
Textura 




           Preparado para Campus Party México 2009    66 
Segmentación de Imágenes 
Naturales (por Color/Textura) 




            Preparado para Campus Party México 2009    67 
Entendimiento de Escena 




          Preparado para Campus Party México 2009    68 
Requisitos para el 
Entendimiento de Escena 
  El reconocimiento de Propiedades Físicas 
    ...usando el análisis de im...
Entendimiento de una Escena 




    Cielo 

    Camino 

    Tierra                                               “Paisaj...
Entendimiento de Escena 




          SKY         GRASS 1   GRASS 2          PATH         GROUND   INDETERMINATE 




   ...
Herramienta Didáctica 

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




                  Preparado para Campus Party Mé...
Upcoming SlideShare
Loading in...5
×

Taller Vision Computacional

2,713

Published on

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
2,713
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
99
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Transcript of "Taller Vision Computacional"

  1. 1. 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 
  2. 2. 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 
  3. 3. Metas    Que el participante utilice eficazmente la  teoría de la visión computacional para el  desarrollo de aplicaciones en problemas  reales.  Preparado para Campus Party México 2009  3 
  4. 4. Programa del Taller    Procesamiento y análisis de imágenes.    Desarrollo de aplicaciones en tiempo real  OpenCV.    Reto de Visión.  Preparado para Campus Party México 2009  4 
  5. 5. 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.  Preparado para Campus Party México 2009  5 
  6. 6. 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.  Preparado para Campus Party México 2009  6 
  7. 7. 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  Preparado para Campus Party México 2009  7 
  8. 8. 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.   Preparado para Campus Party México 2009  8 
  9. 9. Imágenes Digitales    Ejemplos de imágenes  Preparado para Campus Party México 2009  9 
  10. 10. 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 
  11. 11. 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 Preparado para Campus Party México 2009  11 
  12. 12. Imagen Digital:  De Superficie a Imagen  Preparado para Campus Party México 2009  12 
  13. 13. Muestreo  Preparado para Campus Party México 2009  13 
  14. 14. Cuantificación  Preparado para Campus Party México 2009  14 
  15. 15. 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.  Preparado para Campus Party México 2009  15 
  16. 16. Procesamiento de Imágenes  Preparado para Campus Party México 2009  16 
  17. 17. 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.   Preparado para Campus Party México 2009  17 
  18. 18. Ejemplo de aplicación  Aplicación en Metalografía  Preparado para Campus Party México 2009  18 
  19. 19. Procesamiento de Imágenes    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.    Preparado para Campus Party México 2009  19 
  20. 20. 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.  Preparado para Campus Party México 2009  20 
  21. 21. 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.  Preparado para Campus Party México 2009  21 
  22. 22. 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. Preparado para Campus Party México 2009  22 
  23. 23. Ejemplos de Negativo de Imágenes  Preparado para Campus Party México 2009  23 
  24. 24. 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.  Preparado para Campus Party México 2009  24 
  25. 25. 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. Preparado para Campus Party México 2009  25 
  26. 26. Umbralización    Extracción de un objeto del fondo  Preparado para Campus Party México 2009  26 
  27. 27. Unbralización Multinivel  Preparado para Campus Party México 2009  27 
  28. 28. 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.  Preparado para Campus Party México 2009  28 
  29. 29. Histograma de una imagen  nk h(k) = M×N Preparado para Campus Party México 2009  29 
  30. 30. Ecualización de Histograma  Preparado para Campus Party México 2009  30 
  31. 31. 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.  Preparado para Campus Party México 2009  31 
  32. 32. 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.  Preparado para Campus Party México 2009  32 
  33. 33. Media de una Vecindad  Preparado para Campus Party México 2009  33 
  34. 34. 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.  Preparado para Campus Party México 2009  34 
  35. 35. Mediana de una Vecindad  Preparado para Campus Party México 2009  35 
  36. 36. Filtrado Espacial  Preparado para Campus Party México 2009  36 
  37. 37. 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.  Preparado para Campus Party México 2009  37 
  38. 38. 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.   Preparado para Campus Party México 2009  38 
  39. 39. Convolución Discreta en 2D  Preparado para Campus Party México 2009  39 
  40. 40. Filtros Pasa‐Bajas (Ejemplo 1)   Preparado para Campus Party México 2009  40 
  41. 41. Filtros Pasa‐Bajas (Ejemplo 2)   Preparado para Campus Party México 2009  41 
  42. 42. Filtros Pasa‐Altas (Ejemplo 1)  Preparado para Campus Party México 2009  42 
  43. 43. Filtros Pasa‐Altas (Ejemplo 2)  Preparado para Campus Party México 2009  43 
  44. 44. Detección de Bordes    Convolución de una imagen con máscaras  específicas que implementan el gradiente de  una señal y un post‐procesamiento  (magnitud, umbralización, …)  Preparado para Campus Party México 2009  44 
  45. 45. Detección de Bordes  Preparado para Campus Party México 2009  45  R. E. Sánchez Yáñez / Universidad de Guanajuato FIMEE 
  46. 46. Análisis de Imágenes  Preparado para Campus Party México 2009  46 
  47. 47. Análisis de Imágenes    Extracción de Características,    Análisis de Textura,    Análisis de Bordes,    Reconocimiento de Formas,    Clasificación,    Segmentación,    Concordancia de Escenas,    Entendimiento de Escenas  Preparado para Campus Party México 2009  47 
  48. 48. Características  Área, Perimetetro, Color, Medidas de simetría. Textura. Preparado para Campus Party México 2009  48 
  49. 49. 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. Preparado para Campus Party México 2009  49 
  50. 50. 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. Preparado para Campus Party México 2009  50 
  51. 51. Análisis por Color  Preparado para Campus Party México 2009  51 
  52. 52. ¿Imágenes  en Color o en Niveles de gris?  Preparado para Campus Party México 2009  52 
  53. 53. Componentes R, G, B y Y  Preparado para Campus Party México 2009  53 
  54. 54. Componentes R, G, B y Y  Preparado para Campus Party México 2009  54 
  55. 55. 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  Preparado para Campus Party México 2009  55 
  56. 56. Análisis por Textura  Preparado para Campus Party México 2009  56 
  57. 57. Textura  Preparado para Campus Party México 2009  57 
  58. 58. Detección de textura  Preparado para Campus Party México 2009  58 
  59. 59. Detección del tamaño del  texel  Preparado para Campus Party México 2009  59 
  60. 60. Clasificación por Textura  ¿A cuál de las 8 clases de arriba pertenece esta imagen? Preparado para Campus Party México 2009  60 
  61. 61. Segmentación de Imágenes  Preparado para Campus Party México 2009  61 
  62. 62. Determinación de Regiones  Preparado para Campus Party México 2009  62 
  63. 63. Contornos de Regiones  Preparado para Campus Party México 2009  63 
  64. 64. Unbralización Multinivel  Preparado para Campus Party México 2009  64 
  65. 65. Segmentación Basada en Color  Preparado para Campus Party México 2009  65 
  66. 66. Segmentación Basada en  Textura  Preparado para Campus Party México 2009  66 
  67. 67. Segmentación de Imágenes  Naturales (por Color/Textura)  Preparado para Campus Party México 2009  67 
  68. 68. Entendimiento de Escena  Preparado para Campus Party México 2009  68 
  69. 69. Requisitos para el  Entendimiento de Escena    El reconocimiento de Propiedades Físicas    ...usando el análisis de imágenes.    Un Proceso de Reconocimiento Semántico    ...usando aproximaciones diversas para la inferencia.  Preparado para Campus Party México 2009  69 
  70. 70. Entendimiento de una Escena  Cielo  Camino  Tierra  “Paisaje Rural:  un camino, un  ¿   ?  árbol”  Árbol  Preparado para Campus Party México 2009  70 
  71. 71. Entendimiento de Escena  SKY         GRASS 1   GRASS 2          PATH         GROUND   INDETERMINATE  Preparado para Campus Party México 2009  71 
  72. 72. Herramienta Didáctica    www.laviria.org/eventos/TallerVision.html  Preparado para Campus Party México 2009  72 
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×