SlideShare a Scribd company logo
1 of 50
Download to read offline
Procesamiento de Imágenes
y Visión Artificial
(WEE2)
Sesión: 7
MSc. Ing. José C. Benítez P.
Operaciones morfológicas II
Logros de aprendizaje
1. Conocer las operaciones morfológicas aplicadas a los
diferentes tipos de imágenes digitales.
2. Procesar morfológicamente las imágenes digitales.
3. Implementar las operaciones morfológicas de las
imágenes binarias.
4. Dilatar una imagen binaria.
5. Erosionar una imagen binaria.
6. Aperturar una imagen binaria.
7. Clausurar una imagen.
8. Extraer las fronteras (borde) de una imagen.
9. Rellenar regiones de una imagen.
2
3
Contenido
Operaciones morfológicas II:
• Introducción.
• Elementos del procesado morfológico.
• Dilatación binaria.
• Erosión binaria.
• Apertura (erosión + dilatación).
• Clausura (dilatación + erosión).
• Bordes utilizando OM.
• Rellenado de regiones (Fill Hole ).
• Resumen de operaciones morfológicas.
Introducción a las OM
Esquema general del análisis de imágenes
Introducción a las OM
Morfología:
• Estudio de la forma y la estructura
Morfología matemática:
• Es una técnica de procesado no lineal de la imagen, interesada
en la geometría de los objetos
• Análisis morfológico: Permite extraer componentes de la imagen
que son útiles en la representación y descripción de la forma de
las regiones:
Fronteras
Esqueletos, …
• Permite obtener características relevantes de los objetos en la
imagen:
Forma
Tamaño, ...
• Procesado morfológico: Permite transformar la forma o la
estructura de los objetos en una imagen
Introducción a las OM
Tipos:
• Morfología binaria (es la más frecuente).
• Morfología de niveles de gris.
• Morfología de imágenes policromáticas.
Usos:
• Post-procesado: Por ejemplo, tras un proceso
de segmentación
• Pre-procesado: Por ejemplo, previo a un
sistema de reconocimiento.
Aplicaciones:
• Análisis de imágenes médicas, teledetección,
visión artificial, ...
Introducción a las OM
• Las tareas de segmentación no suelen dar un resultado exacto de
la delimitación de los objetos o regiones de interés. Aparecen
píxeles mal clasificados, bordes imprecisos de los objetos o
regiones que están solapadas. Por tanto, antes de extraer más
características de medio nivel se requiere de una etapa de pre-
procesamiento. En esta fase se suele emplear el tratamiento
morfológico.
• Es una técnica de procesamiento no lineal de la señal,
caracterizada en realzar la geometría y forma de los objetos.
• Su fundamento matemático se basa en la teoría de conjuntos.
• Aunque en un principio se aplicará sobre las imágenes binarizadas,
luego se extenderá a las imágenes en niveles de grises. Este uso a
niveles de grises permitirá vislumbrar que el procesamiento
morfológico también se puede utilizar como técnica de procesado
de la señal.
Introducción a las OM
• Concluyendo, estas nuevas herramientas se
pueden emplear tanto en el procesado, como en
las etapas de segmentación - postprocesado o en
fases de mayor nivel de información visual.
• Actualmente se puede encontrar aplicaciones en la
restauración de imágenes, en la detección de
bordes, en el análisis de texturas, en el aumento
del contraste y hasta en la compresión de
imágenes.
Introducción a las OM
• La morfología matemática se basa en operaciones de teoría
de conjuntos. En el caso de imágenes binarias, los conjuntos
tratados son subconjuntos de Z2 y en el de las imágenes en
escala de grises, se trata de conjuntos de puntos con
coordenadas en Z3.
• Las operaciones morfológicas simplifican imágenes y
conservan las principales características de forma de los
objetos.
• Un sistema de operadores de este tipo y su composición,
permite que las formas subyacentes sean identificadas y
reconstruidas de forma óptima a partir de sus formas
distorsionadas y ruidosas.
Introducción a las OM
• La morfología matemática se puede usar, entre otros,
con los siguientes objetivos:
Pre-procesamiento de imágenes (supresión de
ruidos, simplificación de formas).
Destacar la estructura de los objetos (extraer el
esqueleto, detección de objetos, envolvente
convexa, ampliación, reducción,...)
Descripción de objetos (área, perímetro,...)
Introducción a las OM
1. Imágenes binarias
Operaciones morfológicas:
Dilatación, erosión, Transformada Hit-or-Miss, apertura
y clausura.
Aplicaciones:
Extracción de fronteras y componentes conexas,
rellenado de regiones, adelgazamiento y
engrosamiento, esqueleto y poda.
2. Imágenes en escala de grises
Operaciones morfológicas: dilatación, erosión, apertura,
cierre.
Aplicaciones:
Gradiente morfológico, transformada Top-Hat, texturas y
granulometrías.
Dilatación
Dada una imagen A, y un elemento estructural B, (ambas
imágenes binarias con fondo blanco), la dilatación de A por B
se define como:
Tengamos en cuenta que, para la intersección sólo
consideramos los píxeles negros de A y B.
El primer elemento de la dilatación, A, está asociado con la
imagen que se está procesando y el segundo recibe el nombre
de elemento estructural, la forma que actúa sobre A en la
dilatación para producir A ⊕ B .
Dilatación
Dilatación
Dilatación
Dilatación
Dilatación
Dilatación
Dilatación
Erosión
Dada una imagen A, y un elemento estructural B, (ambas
imágenes binarias con fondo blanco), la erosión de una imagen,
A, por un elemento estructural, B, es el conjunto de todos los
elementos x para los cuales B trasladado por x está contenido
en A:
Tengamos en cuenta que, para la condición Bx ⊆⊆⊆⊆ A, sólo
consideramos los píxeles negros de A y B.
La erosión es la operación morfológica dual de la dilatación.
La erosión se concibe usualmente como una reducción de la
imagen original.
Erosión
Erosión
Erosión
Erosión
Erosión
Erosión
Erosión
Erosión
Dilatación y Erosión
Ejercicios:
• ¿En qué condiciones A ⊆⊆⊆⊆ A ⊕ B?
• ¿ A ΘΘΘΘ B ⊆⊆⊆⊆ A?
• ¿Cuándo se dan las inclusiones contrarias?
Para practicar:
http://homepages.inf.ed.ac.uk/rbf/HIPR2/morops.htm
Apertura
Apertura
Apertura
Clausura
Clausura
Clausura
Clausura
Clausura
Apertura y Clausura (Cierre)
Bordes mediante erosión
Extracción de la frontera
La frontera de un conjunto A se puede obtener primero erosionando A
por un elemento estructural apropiado, B, y realizando posteriormente
la diferencia entre A y su erosión. Es decir,
El elemento estructural B usado más frecuentemente es el cuadrado
3x3 (como en el ejemplo que se muestra a continuación). Usando
otros tamaños, por ejemplo 5 x 5, se ampliaría el grosor de la frontera
a dos o tres píxeles.
Bordes mediante erosión
Bordes mediante erosión
Rellenado de regiones (Fill Hole ).
Rellenado de regiones (Fill Hole ).
Relleno de regiones (Fill Hole ).
Relleno de regiones (Fill Hole ).
Resumen de Operaciones morfológicas I
Resumen de Operaciones morfológicas II
Resumen de Operaciones morfológicas II
49
Preguntas
Al término de la experiencia de aprendizaje el alumno debe
ser capaz de responder las siguientes preguntas:
1. Conceptos de operaciones morfológicas.
2. Clasificación de los OM.
3. Hacer un listado de cinco aplicaciones de las operaciones
morfológicas.
4. La dilatación binaria y sus propiedades.
5. La erosión binaria y sus propiedades.
6. EL teorema de la dualidad de la erosión y la dilatación.
7. La apertura y la clausura.
8. Extracción de bordes mediante erosión.
9. Rellenado de regiones.
10. Hacer un cuadro sinóptico de las distintas OM.
50
Sesion7. Operaciones morfológicas II
Procesamiento de Imágenes
y Visión Artificial
Blog del curso:
http://utppdiyva.blogspot.com

More Related Content

What's hot

Utp pd_iy_va_sap6 operaciones morfologicas i
 Utp pd_iy_va_sap6 operaciones morfologicas i Utp pd_iy_va_sap6 operaciones morfologicas i
Utp pd_iy_va_sap6 operaciones morfologicas ijcbp_peru
 
Utp pd_iy_va_sap7 operaciones morfologicas ii
 Utp pd_iy_va_sap7 operaciones morfologicas ii Utp pd_iy_va_sap7 operaciones morfologicas ii
Utp pd_iy_va_sap7 operaciones morfologicas iijcbp_peru
 
Utp pd_iy_va_sap10 detecciòn de bordes
 Utp pd_iy_va_sap10 detecciòn de bordes Utp pd_iy_va_sap10 detecciòn de bordes
Utp pd_iy_va_sap10 detecciòn de bordesc09271
 
Utp 2015-2_pdi_lab2
 Utp 2015-2_pdi_lab2 Utp 2015-2_pdi_lab2
Utp 2015-2_pdi_lab2jcbp_peru
 
Utp 2015-2_pdi_lab1
 Utp 2015-2_pdi_lab1 Utp 2015-2_pdi_lab1
Utp 2015-2_pdi_lab1jcbp_peru
 
A153 wee2 procesamientodeimagenesyvisionartificial
A153 wee2 procesamientodeimagenesyvisionartificialA153 wee2 procesamientodeimagenesyvisionartificial
A153 wee2 procesamientodeimagenesyvisionartificialjcbp_peru
 
Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
 Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicasjcbp_peru
 
Utp va_sl2 procesamiento de imagenes con mat_lab i
 Utp va_sl2 procesamiento de imagenes con  mat_lab i Utp va_sl2 procesamiento de imagenes con  mat_lab i
Utp va_sl2 procesamiento de imagenes con mat_lab ijcbenitezp
 
Reconocimiento automático de matriculas
Reconocimiento automático de matriculasReconocimiento automático de matriculas
Reconocimiento automático de matriculasAntonio Espinosa
 
Taller procesamiento
Taller procesamientoTaller procesamiento
Taller procesamientoDiego Zerkk
 
Analisis de fragmentación con Image j
Analisis de fragmentación con Image jAnalisis de fragmentación con Image j
Analisis de fragmentación con Image jRomel Villanueva
 
Utp va_sl4_procesamiento digital de imagenes con matlab iii
 Utp va_sl4_procesamiento digital de imagenes con matlab iii Utp va_sl4_procesamiento digital de imagenes con matlab iii
Utp va_sl4_procesamiento digital de imagenes con matlab iiijcbenitezp
 
Utp pdiva_lab6_procesamiento digital de imagenes con matlab iv
 Utp pdiva_lab6_procesamiento digital de imagenes con matlab iv Utp pdiva_lab6_procesamiento digital de imagenes con matlab iv
Utp pdiva_lab6_procesamiento digital de imagenes con matlab ivjcbenitezp
 
Practica Modelo digital de terreno con envi
Practica Modelo digital de terreno con enviPractica Modelo digital de terreno con envi
Practica Modelo digital de terreno con enviGLIDER AGUILAR MORI
 
Dialnet estudio delefectodelasmascarasdeconvolucionenimagen-4902816
Dialnet estudio delefectodelasmascarasdeconvolucionenimagen-4902816Dialnet estudio delefectodelasmascarasdeconvolucionenimagen-4902816
Dialnet estudio delefectodelasmascarasdeconvolucionenimagen-4902816Jorge Antonio Parra Serquen
 
Dialnet preprocesamientodeimagenesaplicadasamamografiasdig-4829296
Dialnet preprocesamientodeimagenesaplicadasamamografiasdig-4829296Dialnet preprocesamientodeimagenesaplicadasamamografiasdig-4829296
Dialnet preprocesamientodeimagenesaplicadasamamografiasdig-4829296Jorge Antonio Parra Serquen
 

What's hot (19)

Utp pd_iy_va_sap6 operaciones morfologicas i
 Utp pd_iy_va_sap6 operaciones morfologicas i Utp pd_iy_va_sap6 operaciones morfologicas i
Utp pd_iy_va_sap6 operaciones morfologicas i
 
Utp pd_iy_va_sap7 operaciones morfologicas ii
 Utp pd_iy_va_sap7 operaciones morfologicas ii Utp pd_iy_va_sap7 operaciones morfologicas ii
Utp pd_iy_va_sap7 operaciones morfologicas ii
 
Utp pd_iy_va_sap10 detecciòn de bordes
 Utp pd_iy_va_sap10 detecciòn de bordes Utp pd_iy_va_sap10 detecciòn de bordes
Utp pd_iy_va_sap10 detecciòn de bordes
 
Utp 2015-2_pdi_lab2
 Utp 2015-2_pdi_lab2 Utp 2015-2_pdi_lab2
Utp 2015-2_pdi_lab2
 
Utp 2015-2_pdi_lab1
 Utp 2015-2_pdi_lab1 Utp 2015-2_pdi_lab1
Utp 2015-2_pdi_lab1
 
A153 wee2 procesamientodeimagenesyvisionartificial
A153 wee2 procesamientodeimagenesyvisionartificialA153 wee2 procesamientodeimagenesyvisionartificial
A153 wee2 procesamientodeimagenesyvisionartificial
 
Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
 Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
 
Utp va_sl2 procesamiento de imagenes con mat_lab i
 Utp va_sl2 procesamiento de imagenes con  mat_lab i Utp va_sl2 procesamiento de imagenes con  mat_lab i
Utp va_sl2 procesamiento de imagenes con mat_lab i
 
Reconocimiento automático de matriculas
Reconocimiento automático de matriculasReconocimiento automático de matriculas
Reconocimiento automático de matriculas
 
Taller procesamiento
Taller procesamientoTaller procesamiento
Taller procesamiento
 
Analisis de fragmentación con Image j
Analisis de fragmentación con Image jAnalisis de fragmentación con Image j
Analisis de fragmentación con Image j
 
Pdi03
Pdi03Pdi03
Pdi03
 
Utp va_sl4_procesamiento digital de imagenes con matlab iii
 Utp va_sl4_procesamiento digital de imagenes con matlab iii Utp va_sl4_procesamiento digital de imagenes con matlab iii
Utp va_sl4_procesamiento digital de imagenes con matlab iii
 
Utp pdiva_lab6_procesamiento digital de imagenes con matlab iv
 Utp pdiva_lab6_procesamiento digital de imagenes con matlab iv Utp pdiva_lab6_procesamiento digital de imagenes con matlab iv
Utp pdiva_lab6_procesamiento digital de imagenes con matlab iv
 
Ortofotogrametria digital
Ortofotogrametria digitalOrtofotogrametria digital
Ortofotogrametria digital
 
Practica Modelo digital de terreno con envi
Practica Modelo digital de terreno con enviPractica Modelo digital de terreno con envi
Practica Modelo digital de terreno con envi
 
Tema4
Tema4Tema4
Tema4
 
Dialnet estudio delefectodelasmascarasdeconvolucionenimagen-4902816
Dialnet estudio delefectodelasmascarasdeconvolucionenimagen-4902816Dialnet estudio delefectodelasmascarasdeconvolucionenimagen-4902816
Dialnet estudio delefectodelasmascarasdeconvolucionenimagen-4902816
 
Dialnet preprocesamientodeimagenesaplicadasamamografiasdig-4829296
Dialnet preprocesamientodeimagenesaplicadasamamografiasdig-4829296Dialnet preprocesamientodeimagenesaplicadasamamografiasdig-4829296
Dialnet preprocesamientodeimagenesaplicadasamamografiasdig-4829296
 

Viewers also liked

Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
 Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgammajcbp_peru
 
Pdi paterno m_lab2c
Pdi paterno m_lab2cPdi paterno m_lab2c
Pdi paterno m_lab2cjcbenitezp
 
Pdi paterno m_lab1
Pdi paterno m_lab1Pdi paterno m_lab1
Pdi paterno m_lab1c09271
 
Utp 2015-2_pdi_lab3
 Utp 2015-2_pdi_lab3 Utp 2015-2_pdi_lab3
Utp 2015-2_pdi_lab3jcbenitezp
 
Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
 Utp 2015-2_pdi_ea3 conversiones c2_g y negativo Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
Utp 2015-2_pdi_ea3 conversiones c2_g y negativojcbp_peru
 
Utp 2015-2_pdi_ea1 introduccion a la va
 Utp 2015-2_pdi_ea1 introduccion a la va Utp 2015-2_pdi_ea1 introduccion a la va
Utp 2015-2_pdi_ea1 introduccion a la vajcbp_peru
 
Utp pdi_2015-2_ea8 transformaciones geometricas
 Utp pdi_2015-2_ea8 transformaciones geometricas Utp pdi_2015-2_ea8 transformaciones geometricas
Utp pdi_2015-2_ea8 transformaciones geometricasjcbp_peru
 
Utp 2015-2_pdi_sap2 iluminacion y modos de color
 Utp 2015-2_pdi_sap2 iluminacion y modos de color Utp 2015-2_pdi_sap2 iluminacion y modos de color
Utp 2015-2_pdi_sap2 iluminacion y modos de colorjcbp_peru
 
Utp pd_iy_va_sap12 reconocimiento de patrones
 Utp pd_iy_va_sap12 reconocimiento de patrones Utp pd_iy_va_sap12 reconocimiento de patrones
Utp pd_iy_va_sap12 reconocimiento de patronesjcbp_peru
 
Utp pd_iy_va_sap14 vision estereoscopica
 Utp pd_iy_va_sap14 vision estereoscopica Utp pd_iy_va_sap14 vision estereoscopica
Utp pd_iy_va_sap14 vision estereoscopicajcbp_peru
 
Utp pdi_2015-2_ea9 filtrado espacial
 Utp pdi_2015-2_ea9 filtrado espacial Utp pdi_2015-2_ea9 filtrado espacial
Utp pdi_2015-2_ea9 filtrado espacialjcbp_peru
 
MUESTREO Y RECONSTRUCCION DE SEÑALES
MUESTREO Y RECONSTRUCCION DE SEÑALESMUESTREO Y RECONSTRUCCION DE SEÑALES
MUESTREO Y RECONSTRUCCION DE SEÑALESLinda Yesenia
 
Muestreo y cuantificación de una señal analógica con MatLab
Muestreo y cuantificación de una señal analógica con MatLabMuestreo y cuantificación de una señal analógica con MatLab
Muestreo y cuantificación de una señal analógica con MatLabmarco calderon layme
 
Procesamiento digital de imágenes con matlab
Procesamiento digital de imágenes con matlabProcesamiento digital de imágenes con matlab
Procesamiento digital de imágenes con matlabPercy Julio Chambi Pacco
 
Procesamiento digital de señales con matlab
Procesamiento digital de señales con matlabProcesamiento digital de señales con matlab
Procesamiento digital de señales con matlabPercy Julio Chambi Pacco
 
Elementos de la imagen
Elementos de la imagenElementos de la imagen
Elementos de la imagenadrianux90
 
Visual guide to qualitative analysis with Quirkos
Visual guide to qualitative analysis with QuirkosVisual guide to qualitative analysis with Quirkos
Visual guide to qualitative analysis with QuirkosDaniel Turner
 

Viewers also liked (20)

L2 s2
L2 s2L2 s2
L2 s2
 
Lab2 d
Lab2 dLab2 d
Lab2 d
 
Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
 Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
 
Pdi paterno m_lab2c
Pdi paterno m_lab2cPdi paterno m_lab2c
Pdi paterno m_lab2c
 
Pdi paterno m_lab1
Pdi paterno m_lab1Pdi paterno m_lab1
Pdi paterno m_lab1
 
Utp 2015-2_pdi_lab3
 Utp 2015-2_pdi_lab3 Utp 2015-2_pdi_lab3
Utp 2015-2_pdi_lab3
 
Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
 Utp 2015-2_pdi_ea3 conversiones c2_g y negativo Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
 
Utp 2015-2_pdi_ea1 introduccion a la va
 Utp 2015-2_pdi_ea1 introduccion a la va Utp 2015-2_pdi_ea1 introduccion a la va
Utp 2015-2_pdi_ea1 introduccion a la va
 
Utp pdi_2015-2_ea8 transformaciones geometricas
 Utp pdi_2015-2_ea8 transformaciones geometricas Utp pdi_2015-2_ea8 transformaciones geometricas
Utp pdi_2015-2_ea8 transformaciones geometricas
 
Utp 2015-2_pdi_sap2 iluminacion y modos de color
 Utp 2015-2_pdi_sap2 iluminacion y modos de color Utp 2015-2_pdi_sap2 iluminacion y modos de color
Utp 2015-2_pdi_sap2 iluminacion y modos de color
 
Utp pd_iy_va_sap12 reconocimiento de patrones
 Utp pd_iy_va_sap12 reconocimiento de patrones Utp pd_iy_va_sap12 reconocimiento de patrones
Utp pd_iy_va_sap12 reconocimiento de patrones
 
Utp pd_iy_va_sap14 vision estereoscopica
 Utp pd_iy_va_sap14 vision estereoscopica Utp pd_iy_va_sap14 vision estereoscopica
Utp pd_iy_va_sap14 vision estereoscopica
 
Utp pdi_2015-2_ea9 filtrado espacial
 Utp pdi_2015-2_ea9 filtrado espacial Utp pdi_2015-2_ea9 filtrado espacial
Utp pdi_2015-2_ea9 filtrado espacial
 
Informe matlab
Informe matlabInforme matlab
Informe matlab
 
MUESTREO Y RECONSTRUCCION DE SEÑALES
MUESTREO Y RECONSTRUCCION DE SEÑALESMUESTREO Y RECONSTRUCCION DE SEÑALES
MUESTREO Y RECONSTRUCCION DE SEÑALES
 
Muestreo y cuantificación de una señal analógica con MatLab
Muestreo y cuantificación de una señal analógica con MatLabMuestreo y cuantificación de una señal analógica con MatLab
Muestreo y cuantificación de una señal analógica con MatLab
 
Procesamiento digital de imágenes con matlab
Procesamiento digital de imágenes con matlabProcesamiento digital de imágenes con matlab
Procesamiento digital de imágenes con matlab
 
Procesamiento digital de señales con matlab
Procesamiento digital de señales con matlabProcesamiento digital de señales con matlab
Procesamiento digital de señales con matlab
 
Elementos de la imagen
Elementos de la imagenElementos de la imagen
Elementos de la imagen
 
Visual guide to qualitative analysis with Quirkos
Visual guide to qualitative analysis with QuirkosVisual guide to qualitative analysis with Quirkos
Visual guide to qualitative analysis with Quirkos
 

Similar to Utp pdi_2015-2_ea7 operaciones morfologicas ii

Utp pd_iy_va_sap11 segmentación
 Utp pd_iy_va_sap11 segmentación Utp pd_iy_va_sap11 segmentación
Utp pd_iy_va_sap11 segmentaciónc09271
 
tema5-1 transformaciones morfologicas.pdf
tema5-1 transformaciones morfologicas.pdftema5-1 transformaciones morfologicas.pdf
tema5-1 transformaciones morfologicas.pdfxoscarx18x
 
Pontificia universidad católica del ecuador virtualizacion
Pontificia universidad católica del ecuador virtualizacionPontificia universidad católica del ecuador virtualizacion
Pontificia universidad católica del ecuador virtualizacionGabriel Solano
 
Segmentacion de imagenes
Segmentacion de imagenesSegmentacion de imagenes
Segmentacion de imagenesAndresDvila
 
Vision Artificial
Vision ArtificialVision Artificial
Vision ArtificialJavier ER
 
Segmentación imagenes
Segmentación  imagenesSegmentación  imagenes
Segmentación imagenesMarco Muñoz
 
Reconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronalReconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronalHugo Banda
 

Similar to Utp pdi_2015-2_ea7 operaciones morfologicas ii (16)

Utp pd_iy_va_sap11 segmentación
 Utp pd_iy_va_sap11 segmentación Utp pd_iy_va_sap11 segmentación
Utp pd_iy_va_sap11 segmentación
 
Taller segmentacion
Taller segmentacionTaller segmentacion
Taller segmentacion
 
tema5-1 transformaciones morfologicas.pdf
tema5-1 transformaciones morfologicas.pdftema5-1 transformaciones morfologicas.pdf
tema5-1 transformaciones morfologicas.pdf
 
Pontificia universidad católica del ecuador virtualizacion
Pontificia universidad católica del ecuador virtualizacionPontificia universidad católica del ecuador virtualizacion
Pontificia universidad católica del ecuador virtualizacion
 
A02v6n2
A02v6n2A02v6n2
A02v6n2
 
Segmentacion mathlab
Segmentacion mathlabSegmentacion mathlab
Segmentacion mathlab
 
Segementacion de imagenes
Segementacion de imagenesSegementacion de imagenes
Segementacion de imagenes
 
Segmentacion de imagenes
Segmentacion de imagenesSegmentacion de imagenes
Segmentacion de imagenes
 
Vision Artificial
Vision ArtificialVision Artificial
Vision Artificial
 
Segmentación imagenes
Segmentación  imagenesSegmentación  imagenes
Segmentación imagenes
 
Algo de filtros
Algo de filtros Algo de filtros
Algo de filtros
 
Segmentacion de imagenes
Segmentacion de imagenesSegmentacion de imagenes
Segmentacion de imagenes
 
Segmentacion de imagenes
Segmentacion de imagenesSegmentacion de imagenes
Segmentacion de imagenes
 
Reconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronalReconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronal
 
Operaciones Morfologicas
Operaciones MorfologicasOperaciones Morfologicas
Operaciones Morfologicas
 
Segmentacion imagenes
Segmentacion imagenesSegmentacion imagenes
Segmentacion imagenes
 

More from jcbp_peru

It526 2017 1 balotario-s_ap2y3
It526 2017 1 balotario-s_ap2y3It526 2017 1 balotario-s_ap2y3
It526 2017 1 balotario-s_ap2y3jcbp_peru
 
It526 2016 2 pc4 dom
It526 2016 2 pc4 domIt526 2016 2 pc4 dom
It526 2016 2 pc4 domjcbp_peru
 
It246 2016 2 practica calificada 4
It246 2016 2 practica calificada 4It246 2016 2 practica calificada 4
It246 2016 2 practica calificada 4jcbp_peru
 
It246 2016 2 practica calificada 3
It246 2016 2 practica calificada 3It246 2016 2 practica calificada 3
It246 2016 2 practica calificada 3jcbp_peru
 
It246 2016 2 practica calificada 2
It246 2016 2 practica calificada 2It246 2016 2 practica calificada 2
It246 2016 2 practica calificada 2jcbp_peru
 
It526 2013 2 ep
It526 2013 2 epIt526 2013 2 ep
It526 2013 2 epjcbp_peru
 
It526 2016 1 ep
It526 2016 1 epIt526 2016 1 ep
It526 2016 1 epjcbp_peru
 
It526 2016 2 practica calificada 2
It526 2016 2 practica calificada 2It526 2016 2 practica calificada 2
It526 2016 2 practica calificada 2jcbp_peru
 
33012 calvo tfw-figura-paterna-2015
33012 calvo tfw-figura-paterna-201533012 calvo tfw-figura-paterna-2015
33012 calvo tfw-figura-paterna-2015jcbp_peru
 
It246 2016 2 practica calificada 1
It246 2016 2 practica calificada 1It246 2016 2 practica calificada 1
It246 2016 2 practica calificada 1jcbp_peru
 
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacionUni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacionjcbp_peru
 
Uni fiee ci 2016 02 sesion 2 servicios inalámbricos
Uni fiee ci 2016 02 sesion 2 servicios inalámbricosUni fiee ci 2016 02 sesion 2 servicios inalámbricos
Uni fiee ci 2016 02 sesion 2 servicios inalámbricosjcbp_peru
 
Uni fiee ci 2016 02 sesion 1 espectro radioelèctrico
Uni fiee ci 2016 02 sesion 1 espectro radioelèctricoUni fiee ci 2016 02 sesion 1 espectro radioelèctrico
Uni fiee ci 2016 02 sesion 1 espectro radioelèctricojcbp_peru
 
Uni wc 2016 1 sesion 14 redes moviles 4 g
Uni wc 2016 1 sesion 14 redes moviles 4 gUni wc 2016 1 sesion 14 redes moviles 4 g
Uni wc 2016 1 sesion 14 redes moviles 4 gjcbp_peru
 
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3g
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3gUni wc 2016 1 sesion 13 redes moviles 2 g y 3g
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3gjcbp_peru
 
Lte whitepaper(1)
 Lte whitepaper(1) Lte whitepaper(1)
Lte whitepaper(1)jcbp_peru
 
Redes moviles
Redes movilesRedes moviles
Redes movilesjcbp_peru
 
Uni fiee ci sesion 12 cdma
Uni fiee ci sesion 12 cdmaUni fiee ci sesion 12 cdma
Uni fiee ci sesion 12 cdmajcbp_peru
 
Uni fiee ci 2016 01 sesion 11 comunicaciones moviles
Uni fiee ci 2016 01 sesion 11 comunicaciones movilesUni fiee ci 2016 01 sesion 11 comunicaciones moviles
Uni fiee ci 2016 01 sesion 11 comunicaciones movilesjcbp_peru
 
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacionUni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacionjcbp_peru
 

More from jcbp_peru (20)

It526 2017 1 balotario-s_ap2y3
It526 2017 1 balotario-s_ap2y3It526 2017 1 balotario-s_ap2y3
It526 2017 1 balotario-s_ap2y3
 
It526 2016 2 pc4 dom
It526 2016 2 pc4 domIt526 2016 2 pc4 dom
It526 2016 2 pc4 dom
 
It246 2016 2 practica calificada 4
It246 2016 2 practica calificada 4It246 2016 2 practica calificada 4
It246 2016 2 practica calificada 4
 
It246 2016 2 practica calificada 3
It246 2016 2 practica calificada 3It246 2016 2 practica calificada 3
It246 2016 2 practica calificada 3
 
It246 2016 2 practica calificada 2
It246 2016 2 practica calificada 2It246 2016 2 practica calificada 2
It246 2016 2 practica calificada 2
 
It526 2013 2 ep
It526 2013 2 epIt526 2013 2 ep
It526 2013 2 ep
 
It526 2016 1 ep
It526 2016 1 epIt526 2016 1 ep
It526 2016 1 ep
 
It526 2016 2 practica calificada 2
It526 2016 2 practica calificada 2It526 2016 2 practica calificada 2
It526 2016 2 practica calificada 2
 
33012 calvo tfw-figura-paterna-2015
33012 calvo tfw-figura-paterna-201533012 calvo tfw-figura-paterna-2015
33012 calvo tfw-figura-paterna-2015
 
It246 2016 2 practica calificada 1
It246 2016 2 practica calificada 1It246 2016 2 practica calificada 1
It246 2016 2 practica calificada 1
 
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacionUni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
 
Uni fiee ci 2016 02 sesion 2 servicios inalámbricos
Uni fiee ci 2016 02 sesion 2 servicios inalámbricosUni fiee ci 2016 02 sesion 2 servicios inalámbricos
Uni fiee ci 2016 02 sesion 2 servicios inalámbricos
 
Uni fiee ci 2016 02 sesion 1 espectro radioelèctrico
Uni fiee ci 2016 02 sesion 1 espectro radioelèctricoUni fiee ci 2016 02 sesion 1 espectro radioelèctrico
Uni fiee ci 2016 02 sesion 1 espectro radioelèctrico
 
Uni wc 2016 1 sesion 14 redes moviles 4 g
Uni wc 2016 1 sesion 14 redes moviles 4 gUni wc 2016 1 sesion 14 redes moviles 4 g
Uni wc 2016 1 sesion 14 redes moviles 4 g
 
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3g
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3gUni wc 2016 1 sesion 13 redes moviles 2 g y 3g
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3g
 
Lte whitepaper(1)
 Lte whitepaper(1) Lte whitepaper(1)
Lte whitepaper(1)
 
Redes moviles
Redes movilesRedes moviles
Redes moviles
 
Uni fiee ci sesion 12 cdma
Uni fiee ci sesion 12 cdmaUni fiee ci sesion 12 cdma
Uni fiee ci sesion 12 cdma
 
Uni fiee ci 2016 01 sesion 11 comunicaciones moviles
Uni fiee ci 2016 01 sesion 11 comunicaciones movilesUni fiee ci 2016 01 sesion 11 comunicaciones moviles
Uni fiee ci 2016 01 sesion 11 comunicaciones moviles
 
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacionUni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
 

Utp pdi_2015-2_ea7 operaciones morfologicas ii

  • 1. Procesamiento de Imágenes y Visión Artificial (WEE2) Sesión: 7 MSc. Ing. José C. Benítez P. Operaciones morfológicas II
  • 2. Logros de aprendizaje 1. Conocer las operaciones morfológicas aplicadas a los diferentes tipos de imágenes digitales. 2. Procesar morfológicamente las imágenes digitales. 3. Implementar las operaciones morfológicas de las imágenes binarias. 4. Dilatar una imagen binaria. 5. Erosionar una imagen binaria. 6. Aperturar una imagen binaria. 7. Clausurar una imagen. 8. Extraer las fronteras (borde) de una imagen. 9. Rellenar regiones de una imagen. 2
  • 3. 3 Contenido Operaciones morfológicas II: • Introducción. • Elementos del procesado morfológico. • Dilatación binaria. • Erosión binaria. • Apertura (erosión + dilatación). • Clausura (dilatación + erosión). • Bordes utilizando OM. • Rellenado de regiones (Fill Hole ). • Resumen de operaciones morfológicas.
  • 4. Introducción a las OM Esquema general del análisis de imágenes
  • 5. Introducción a las OM Morfología: • Estudio de la forma y la estructura Morfología matemática: • Es una técnica de procesado no lineal de la imagen, interesada en la geometría de los objetos • Análisis morfológico: Permite extraer componentes de la imagen que son útiles en la representación y descripción de la forma de las regiones: Fronteras Esqueletos, … • Permite obtener características relevantes de los objetos en la imagen: Forma Tamaño, ... • Procesado morfológico: Permite transformar la forma o la estructura de los objetos en una imagen
  • 6. Introducción a las OM Tipos: • Morfología binaria (es la más frecuente). • Morfología de niveles de gris. • Morfología de imágenes policromáticas. Usos: • Post-procesado: Por ejemplo, tras un proceso de segmentación • Pre-procesado: Por ejemplo, previo a un sistema de reconocimiento. Aplicaciones: • Análisis de imágenes médicas, teledetección, visión artificial, ...
  • 7. Introducción a las OM • Las tareas de segmentación no suelen dar un resultado exacto de la delimitación de los objetos o regiones de interés. Aparecen píxeles mal clasificados, bordes imprecisos de los objetos o regiones que están solapadas. Por tanto, antes de extraer más características de medio nivel se requiere de una etapa de pre- procesamiento. En esta fase se suele emplear el tratamiento morfológico. • Es una técnica de procesamiento no lineal de la señal, caracterizada en realzar la geometría y forma de los objetos. • Su fundamento matemático se basa en la teoría de conjuntos. • Aunque en un principio se aplicará sobre las imágenes binarizadas, luego se extenderá a las imágenes en niveles de grises. Este uso a niveles de grises permitirá vislumbrar que el procesamiento morfológico también se puede utilizar como técnica de procesado de la señal.
  • 8. Introducción a las OM • Concluyendo, estas nuevas herramientas se pueden emplear tanto en el procesado, como en las etapas de segmentación - postprocesado o en fases de mayor nivel de información visual. • Actualmente se puede encontrar aplicaciones en la restauración de imágenes, en la detección de bordes, en el análisis de texturas, en el aumento del contraste y hasta en la compresión de imágenes.
  • 9. Introducción a las OM • La morfología matemática se basa en operaciones de teoría de conjuntos. En el caso de imágenes binarias, los conjuntos tratados son subconjuntos de Z2 y en el de las imágenes en escala de grises, se trata de conjuntos de puntos con coordenadas en Z3. • Las operaciones morfológicas simplifican imágenes y conservan las principales características de forma de los objetos. • Un sistema de operadores de este tipo y su composición, permite que las formas subyacentes sean identificadas y reconstruidas de forma óptima a partir de sus formas distorsionadas y ruidosas.
  • 10. Introducción a las OM • La morfología matemática se puede usar, entre otros, con los siguientes objetivos: Pre-procesamiento de imágenes (supresión de ruidos, simplificación de formas). Destacar la estructura de los objetos (extraer el esqueleto, detección de objetos, envolvente convexa, ampliación, reducción,...) Descripción de objetos (área, perímetro,...)
  • 11. Introducción a las OM 1. Imágenes binarias Operaciones morfológicas: Dilatación, erosión, Transformada Hit-or-Miss, apertura y clausura. Aplicaciones: Extracción de fronteras y componentes conexas, rellenado de regiones, adelgazamiento y engrosamiento, esqueleto y poda. 2. Imágenes en escala de grises Operaciones morfológicas: dilatación, erosión, apertura, cierre. Aplicaciones: Gradiente morfológico, transformada Top-Hat, texturas y granulometrías.
  • 12. Dilatación Dada una imagen A, y un elemento estructural B, (ambas imágenes binarias con fondo blanco), la dilatación de A por B se define como: Tengamos en cuenta que, para la intersección sólo consideramos los píxeles negros de A y B. El primer elemento de la dilatación, A, está asociado con la imagen que se está procesando y el segundo recibe el nombre de elemento estructural, la forma que actúa sobre A en la dilatación para producir A ⊕ B .
  • 20. Erosión Dada una imagen A, y un elemento estructural B, (ambas imágenes binarias con fondo blanco), la erosión de una imagen, A, por un elemento estructural, B, es el conjunto de todos los elementos x para los cuales B trasladado por x está contenido en A: Tengamos en cuenta que, para la condición Bx ⊆⊆⊆⊆ A, sólo consideramos los píxeles negros de A y B. La erosión es la operación morfológica dual de la dilatación. La erosión se concibe usualmente como una reducción de la imagen original.
  • 29. Dilatación y Erosión Ejercicios: • ¿En qué condiciones A ⊆⊆⊆⊆ A ⊕ B? • ¿ A ΘΘΘΘ B ⊆⊆⊆⊆ A? • ¿Cuándo se dan las inclusiones contrarias? Para practicar: http://homepages.inf.ed.ac.uk/rbf/HIPR2/morops.htm
  • 39. Bordes mediante erosión Extracción de la frontera La frontera de un conjunto A se puede obtener primero erosionando A por un elemento estructural apropiado, B, y realizando posteriormente la diferencia entre A y su erosión. Es decir, El elemento estructural B usado más frecuentemente es el cuadrado 3x3 (como en el ejemplo que se muestra a continuación). Usando otros tamaños, por ejemplo 5 x 5, se ampliaría el grosor de la frontera a dos o tres píxeles.
  • 42. Rellenado de regiones (Fill Hole ).
  • 43. Rellenado de regiones (Fill Hole ).
  • 44. Relleno de regiones (Fill Hole ).
  • 45. Relleno de regiones (Fill Hole ).
  • 46. Resumen de Operaciones morfológicas I
  • 47. Resumen de Operaciones morfológicas II
  • 48. Resumen de Operaciones morfológicas II
  • 49. 49 Preguntas Al término de la experiencia de aprendizaje el alumno debe ser capaz de responder las siguientes preguntas: 1. Conceptos de operaciones morfológicas. 2. Clasificación de los OM. 3. Hacer un listado de cinco aplicaciones de las operaciones morfológicas. 4. La dilatación binaria y sus propiedades. 5. La erosión binaria y sus propiedades. 6. EL teorema de la dualidad de la erosión y la dilatación. 7. La apertura y la clausura. 8. Extracción de bordes mediante erosión. 9. Rellenado de regiones. 10. Hacer un cuadro sinóptico de las distintas OM.
  • 50. 50 Sesion7. Operaciones morfológicas II Procesamiento de Imágenes y Visión Artificial Blog del curso: http://utppdiyva.blogspot.com