Professional Documents
Culture Documents
INAOE
esucar@inaoep.mx
ccc.inaoep.mx/~esucar
Sesión 1
Introducción
1
Introducción
2
¿Qué es Visión?
• “Visión es saber que hay y donde mediante
la vista” (Aristóteles)
• “Visión es recuperar de la información de los
sentidos propiedades válidas del mundo
exterior” (Gibson)
• “Visión es un proceso que produce a partir
de las imágenes del mundo una descripción
que es útil para el observador y que no tiene
información irrelevante” (Marr)
3
Procesamiento de Imágenes
• Remover defectos,
• Remover problemas por movimiento o desenfoque,
• Mejorar ciertas propiedades como color, contraste,
estructura, etc.
• Agregar “colores falsos” a imágenes monocromáticas
4
Ejemplo procesamiento
5
Visión Computacional
DESCRIPCIÒN
IMAGEN VISIÒN
6
Visión Computacional
DESCRIPCIÒN
IMAGEN VISIÒN
7
Ejemplo visión
8
Aplicaciones
10
Ejemplos de aplicaciones
11
Vehículos autónomos
12
Colores falsos (ultrasonido)
13
Aplicaciones médicas
14
Reconocimiento de gestos
15
Robótica móvil
16
Seguimiento y Juegos
17
Representación
Monocromática:
I=f(x,y)
Color:
f(x,y)=[f_{rojo}(x,y),f_{azul}(x,y),f_{verde}(x,y)]
18
Proyección Perspectiva
y,Y
(X,Y,Z)
f
Z
(x,y) Lens
19
Reflectancia
Fo Fp
DA ñ
VERDE
ROJO
AZUL
400 700
21
Modelos de Color
Modelo RGB:
VERDE ROJO
BLANCO
AZUL
22
Modelos de Color
Modelo RGB:
23
Modelos de Color
Modelos perceptuales:
• Intensidad - I
• Croma (hue) - H
• Saturación - S
CÚBICO
B LA N C O
I
R
V H
S
NEGRO A
24
Modelos de Color
Modelos perceptuales:
• Intensidad - I
• Croma (hue) - H
• Saturación - S
25
Digitalización de imágenes
24 38 44
43 45 50
56 59 46
26
Muestreo
FOURIER
D IM E N S IÓ N
Frecuencia de muestreo:
> 2 veces mayor frecuencia
(teorema de Shannon)
27
Efectos de Muestreo (resolución)
a b
c d
28
Dispositivos de captura
• Cámaras fotográficas,
• Cámaras de televisión,
• Digitalizadores,
• Sensores de rango (laser),
• Sensores de ultrasonido,
• Rayos X, tomografía,
• Resonancia magnética.
29
Niveles de análisis
• Teoría computacional
- ¿Qué?
• Representación y algoritmo
- ¿Cómo - concepto?
• Implementación
- ¿Cómo - físico?
30
Niveles de análisis
• Procesamiento de nivel bajo
• Procesamiento de nivel intermedio
• Procesamiento de nivel alto
óvalo
31
Ejemplo
1. Captura de la imagen
2. Mejoramiento de la imagen
3. Binarización
4. Detección de orillas
5. Segmentación
6. Extracción de características
7. Reconocimiento
32
Ejemplo: identificación de placas
H
33
Visión de Nivel Bajo y Medio
orillas
textura
Imagen
color Segmen-
tada
3-D
34
Visión de Nivel Alto
Representación
del mundo
orillas
textura
Imagen
color Segmen- Descripción
tada simbólica
3-D
35
Visión de Alto Nivel
36
Aspectos básicos
37
Extracción de Características
• Basadas en segmentación
– Propiedades globales de la región como color,
textura, forma
• Basadas en contornos
– Descripción de “forma” basada normalmente en
modelos geométricos
• Basada en características locales
– Descripción mediante “puntos” distintivos como
esquinas, orillas, Haar, Sift, etc.
38
Representaciones
39
Reconocimiento
40
Reconocimiento
41
Ejemplo – reconocer una persona
42
Ejemplo – reconocer una persona
43
Ejemplo – reconocer una persona
cara
pierna pierna
44
Ejemplo – reconocer una persona
45
Resto del Curso
46
Resto del Curso
48