Identificación Automática deImágenes de Carbonizados Borrosas      y Con Poco Contenido              Deisy Chaves Sanchez ...
Introducción (I)                                              Tratamiento deCarboquímica                                 A...
Introducción (II)Carbonizado                                        Preprocesamiento   Resina                     Adquisic...
Características de las Imágenes Adquiridas                                             Imagen Con           Imagen Nítida ...
Estado del Arte (I) Ong et al. proponen una medida de borrosidad  calculando dispersión de la magnitud del gradiente Ko ...
Estado del Arte (II) Chong y Tanaka analizan la relación de la distribución  de intensidades de luz en la imagen Liu et ...
Magnitud del Gradiente                                       Imagen ConImagen Nítida      Imagen Borrosa     Poco Contenid...
Saturación                                     Imagen ConImagen Nítida      Imagen Borrosa   Poco Contenido0.50 0.52   0.0...
Método Propuesto (I) Sea I una imagen de carbonizados, de dimensiones MxN. Dado un  valor n, la imagen se divide en n2 bl...
Método Propuesto (II) Se define un umbral para determinar si un bloque es  borroso o con poco contenido:           1 Si ...
Ilustración del Método Propuesto Con n=2                                                                                  ...
Evaluación Experimental (I) Se utilizaron imágenes de carbonizados a color de alta  resolución (1300 x 1030 píxeles).  Co...
Evaluación Experimental (II) Valores de G(I) y los colores representan el tipo  de imagen: nítida, borrosa o con poco con...
Evaluación Experimental (III) Imágenes de carbonizados borrosas y con poco  contenido que no fueron identificadas correct...
Comentarios Finales Se propuso un método para determinar si una imagen  de carbonizado es borrosa o con poco contenido de...
16/16
Upcoming SlideShare
Loading in...5
×

Identificacion Imagenes Carbonizados Borrosas Poco Contenido by Chaves

283

Published on

Electronic microscopes are tools for capturing multimedia information that provide an alternative solution to several problems. Char coal classification is carried out manually by observing its morphological characteristics. In this process is necessary to analyse at least five hundred particles. As an alternative, the automation requires the use of image processing techniques. The char images acquisition is carried out automatically using an electronic microscope with motorized stage. In this process blur, empty and fragment particles images are captured. Including all these images in the classification process imply an additional effort during the process. In particular, the blur images may produce quantification errors in the quantification of the morphological characteristics. In this article a method, based on gradient magnitude and saturation for automatic identification of blur images and images with little content, is presented as a first step towards automatic classification process. Experimental results shown that the proposed method detects 70% of blur images and 95% of images with little content

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
283
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Identificacion Imagenes Carbonizados Borrosas Poco Contenido by Chaves

  1. 1. Identificación Automática deImágenes de Carbonizados Borrosas y Con Poco Contenido Deisy Chaves Sanchez Ing. María Patricia Trujillo Uribe PhD.
  2. 2. Introducción (I) Tratamiento deCarboquímica Aguas ResidualesVigilancia Dermatología Diagnostico de Enfermedades 2/16
  3. 3. Introducción (II)Carbonizado Preprocesamiento Resina Adquisición deProbeta las Imágenes Clasificación del Carbonizado Identificación y Análisis de Partículas 3/16
  4. 4. Características de las Imágenes Adquiridas Imagen Con Imagen Nítida Imagen Borrosa Poco ContenidoImagenOriginalBordes 4/16
  5. 5. Estado del Arte (I) Ong et al. proponen una medida de borrosidad calculando dispersión de la magnitud del gradiente Ko et al. usan la desviación y la media de la de la magnitud del gradiente en una red bayesiana1. Ong, E., Lin, W., Lu, Z., Yang, X., Yao, S., Pan, F., Jiang, L., and Moschetti, F. A no-reference quality metric for measuring image blur. IEEE, pp. 469- 472, 20032. Ko, J., and Kim, Ch. Low cost blur image detection and estimation for mobile devices. IEEE ICACT, pp. 1605 -1610, 2009 5/16
  6. 6. Estado del Arte (II) Chong y Tanaka analizan la relación de la distribución de intensidades de luz en la imagen Liu et al. analizan la imagen dividiéndola por bloque usando la desviación del gradiente normalizando con por contraste3. Chong, R. M., and Tanaka, T. Image extreme analysis and blur detection with identification. IEEE International Conference on Signal Image Technology and Internet Based Systems, pp. 320-326, 20084. Liu, R., Li, Z., and Jia, J. Image partial blur detection and classification. IEEE Conference on In Computer Vision and Pattern Recognition, pp. 1-8, 2008 6/16
  7. 7. Magnitud del Gradiente Imagen ConImagen Nítida Imagen Borrosa Poco Contenido74 255 255 49 44 41 105 75 2751 207 255 45 37 33 91 69 2531 118 255 32 26 27 81 65 19 S = 91.64 S = 7.71 S = 29.29 7/16
  8. 8. Saturación Imagen ConImagen Nítida Imagen Borrosa Poco Contenido0.50 0.52 0.01 0.36 0.38 0.32 0.28 0.32 0.170.47 0.48 0.04 0.35 0.39 0.30 0.22 0.20 0.170.52 0.48 0.03 0.31 0.30 0.23 0.14 0.15 0.15 8/16
  9. 9. Método Propuesto (I) Sea I una imagen de carbonizados, de dimensiones MxN. Dado un valor n, la imagen se divide en n2 bloques, de tamaño M/n x N/n M/n N/n H (bi )  S (bi )  SAT (bi ) Donde:  S(bi), es la desviación estándar de las magnitudes del gradiente calculadas para cada posición (x,y) en el bloque bi  SAT(bi), es el máximo valor de saturación en el bloque bi. El valor de saturación se obtiene como:   I ( x, y ) R  3   Sat [bi (x, y)] = 1  mín I ( x, y ) G  I ( x, y) R + I ( x, y) G + I ( x, y) B        I ( x, y ) B   9/16
  10. 10. Método Propuesto (II) Se define un umbral para determinar si un bloque es borroso o con poco contenido:  1 Si H(bi )  t  Borroso o con poco contenidog bi     0 Si H(bi ) > t  Nítido y con suficiente contenido El grado de nitidez y la cantidad de contenido en una imagen se determina usando: n2 G(I) =  g b  i=1 i 10/16
  11. 11. Ilustración del Método Propuesto Con n=2 Imagen Con Imagen Nítida Imagen Borrosa Poco ContenidoImagen S(b1) SAT(b1) H(b1) S(b2) SAT(b2) H(b2) S(b3) SAT(b3) H(b3) S(b4) SAT(b4) H(b4) Nítida 54.01 0.84 45.44 59.45 1.00 59.45 40.07 1.00 40.07 55.93 1.00 55.93Borrosa 15.66 0.64 10.01 20.46 0.73 14.90 18.80 0.70 13.14 12.72 0.69 8.73Con poco 3.76 0.50 1.90 5.78 0.75 4.33 5.04 0.89 2.98 10.81 0.89 9.6contenido Imagen de Carbonizado G(I) Nítida 0 t =30 Borrosa 4 Con Poco Contenido 4 11/16
  12. 12. Evaluación Experimental (I) Se utilizaron imágenes de carbonizados a color de alta resolución (1300 x 1030 píxeles). Con n=4, se analizan 16 bloques de 325x257 Una imagen es borrosa o con poco contenido cuando ningún bloque supera el umbral t obtenido ó G(I)=n2 Imágenes Identificadas Imágenes de Prueba CorrectamentePrueba Umbral Con Poco Con Poco Nítidas Borrosas Borrosas t Contenido Contenido 1 100 20 20 35% 47.5% 31 2 100 20 0 70%  32 3 100 0 20  95% 31 12/16
  13. 13. Evaluación Experimental (II) Valores de G(I) y los colores representan el tipo de imagen: nítida, borrosa o con poco contenido 13/16
  14. 14. Evaluación Experimental (III) Imágenes de carbonizados borrosas y con poco contenido que no fueron identificadas correctamenteG(I) =15 G(I) =15 G(I) =15 G(I) =14 G(I) =14 G(I) =9 G(I) =9 14/16
  15. 15. Comentarios Finales Se propuso un método para determinar si una imagen de carbonizado es borrosa o con poco contenido de partículas, usando la magnitud del gradiente y la saturación Las imágenes de carbonizados tienen concentradas las partículas en una o dos regiones Las regiones borrosas en las imágenes de carbonizados son causadas por deficiencias en el proceso de pulido 15/16
  16. 16. 16/16

×