1

Cur so de Visión Ar t if icial
Cur so de Visión Ar t if icial
Francisco Serradilla García
Ángel Arroyo Castillo
Fco. Javier Alcalá Casado
Cont enidos
Cont enidos
ð Introducción: Visión Natural vs Visión Artificial.
ð Esquema de un Sistema de Visión Artificial.
ð Conceptos relativos al Tratamiento de Imágenes Digitales.
ð Preprocesamiento.
ð Segmentación.
ð Extracción de Características.
ð Morfología Matemática.
ð Compresión de Imágenes Digitales.
ð Calibración de Cámaras.
ð Visión Estéreo.
ð Ejemplos de Sistemas de Visión Artificial.
2
I nt r oducción
I nt r oducción
ðImportancia de la visión como fuente de información para
ambos tipos de sistemas.
ðEl sentido de la vista nos proporciona el 80% de la
información que recibimos.
ðDotar a las máquinas de esta fuente de información les
proporcionaría una mejora significativa.
Respuest a al Espect r o Elect r omagnét ico
Respuest a al Espect r o Elect r omagnét ico
3
Respuest a al Espect r o Elect r omagnét ico
Respuest a al Espect r o Elect r omagnét ico
ðLongitud de onda = 1 / Frecuencia de onda
Respuest a al Espect r o Elect r omagnét ico
Respuest a al Espect r o Elect r omagnét ico
4
Espect r o Elect r omagnét ico - Ej emplos
Espect r o Elect r omagnét ico - Ej emplos
ðInfrarrojo: detección de clavos insertados en la madera
(calor inducido + digitalización con cámara de infrarrojos).
ðInfrarrojo: Iluminación nocturna. Identificación de
vehículos en carretera (reconocimiento de matrículas).
ðInfrarrojo: detección de fuego en instalaciones
industriales.
ðRayos X: detección de grietas o imperfecciones en
objetos de madera.
Velocidad de Respuest a
Velocidad de Respuest a
ðTiempo de respuesta del SVH: 0.06 segundos. (TV
muestra 30 tramas por segundo ⇒una trama cada 0.03
segundos).
ðTiempo de respuesta del SVA depende de:
û tipo de cámara: cámara de estado sólido = 10 µseg.
û electrónica de digitalización: mayor de 30 por seg.
û tamaño de la imagen.
ðEl tiempo de respuesta de los SVA se irá reduciendo
según se vaya mejorando la electrónica asociada a los
mismos (la variación del SVH es mucho más lenta).
5
Velocidad de Respuest a - Ej emplos
Velocidad de Respuest a - Ej emplos
ðUn SVA actual puede detectar la existencia o no de
etiquetas sobre botellas a una velocidad de 1200 botellas
por minuto ⇒20 por segundo ⇒1 cada 0.05 seg.
ðEl tiempo de respuesta del SVH se va incrementando con
la fatiga, la edad, etc. Esto no ocurre a los SVA.
Sensibilidad, Pr ecisión y Consist encia
Sensibilidad, Pr ecisión y Consist encia
ð Sensibilidad:
û El ser humano puede discernir entre 10 ó 20 niveles de gris.
û Los SVA tienen una definición muy superior.
ð Precisión:
û La precisión del SVH es muy pobre (se apoya en instrumentos de medida).
û Los SVA pueden calcular áreas, perímetros, etc... con gran precisión (sólo
depende de la resolución espacial de los componentes del sistema).
ð Consistencia:
û Los resultados obtenidos por el SVH son poco consistentes debido a: fatiga,
distracciones, etc ...
û Los resultados obtenidos por un SVA son consistentes. Se puede considerar que
su nivel de rendimiento permanece constante a lo largo de toda su vida operativa.
6
SVH - Pr ocesos oponent es
SVH - Pr ocesos oponent es
Fijar la visión sobre el símbolo + de la izquierda durante al
menos 30 segundos. Posteriormente fijar la vista sobre el
símbolo + de la derecha.
SVH - Ef ect o de r elleno
SVH - Ef ect o de r elleno
Observar la imagen de cerca y,
posteriormente, observarla
después de haberse separado
un par de metros de la misma.
Este fenómeno de rellenado
confirma la pobreza de la
resolución espacial del sistema
de conos del ojo humano
especializado en la percepción
de las longitudes de onda
cortas.
7
SVH - Per cepción de la dist ancia
SVH - Per cepción de la dist ancia
Este dibujo nos permite comprobar la Influencia del color
y del brillo en la percepción de la distancia
SVH - Campos r ecept ivos
SVH - Campos r ecept ivos
8
SVH - I lusiones
SVH - I lusiones
Esquema Físico de un SVA
Esquema Físico de un SVA
Cámara
Tarjeta
Digitalizadora
Memoria CPU
Posición (Encuadre)
Zoom
Enfoque
Luz
Señal de Vídeo
(Analógica)
Imagen
Digital
Realiza las
operaciones
sobre la imagen
en memoria
Control de los parámetros de la cámara (Visión Activa)
Conversor A / D
9
Esquema Lógico de un SVA
Esquema Lógico de un SVA
Adquisición
Preproceso Segmentación
Extracción de
Características
Reconocimiento
Interpretación
de la escena
Campo de
la Visión
Artificial
Campo del Reconocimiento
de Patrones
Campo de la Inteligencia
Artificial
I luminación
I luminación
ð La variabilidad de la luz ambiental es inaceptable para la
gran mayoría de los SVA.
ð Necesidad de diseñar el sistema de iluminación artificial.
ð En el diseño será necesario contemplar:
û Las características ópticas de los materiales.
û Las necesidades de la aplicación.
û Las fuentes de luz a emplear.
10
Nat ur aleza de la luz
Nat ur aleza de la luz
ð La luz se desplaza o irradia en todas las direcciones a partir de su origen. Por
eso según la distancia se percibe con mayor o menor energía luminosa, es lo
que denominamos luminosidad.
ð Cuando la luz se desplaza por un medio constante puede llegar a la superficie
de algún objeto. En este punto puede ser:
û Reflejada: la superficie de la mayoría de los objetos reflejan o "rebotan" la
luz.
û Absorbida: si el objeto es opaco, la luz no reflejada por su superficie resulta
absorbida por aquél y desaparece. La energía se convierte en calor en el
interior del objeto.
û Transmitida: si el objeto es transparente, parte de la luz continúa su
desplazamiento a través del objeto.
ð La energía total de la luz que llega a un objeto (luz incidente) debe equivaler a la
suma de la energía de la luz reflejada, absorbida y transmitida.
Car act er íst icas ópt icas de los mat er iales
Car act er íst icas ópt icas de los mat er iales
ð Materiales Reflectantes
û Difusos
Ÿ La luz incidente se refleja en todas las direcciones
Ÿ Superficies con textura granular.
û Especulares
Ÿ La luz incidente se refleja con el mismo ángulo de incidencia.
Ÿ Superficies altamente pulidas - espejos.
û Selectivos
Ÿ Devuelven una cierta cantidad de luz de una longitud de onda
determinada y absorben el resto.
û No Selectivos
Ÿ Devuelven toda la luz incidente independientemente de su
longitud de onda.
11
Car act er íst icas ópt icas de los mat er iales
Car act er íst icas ópt icas de los mat er iales
ð Materiales Absorbentes
û Selectivos
Ÿ Materiales que muestran un alto nivel de absorción para
determinadas longitudes de onda de la luz incidente. Por
ejemplo, las superficies coloreadas.
û No Selectivos
Ÿ Absorben por igual todas las longitudes de onda de la luz
incidente.
Car act er íst icas ópt icas de los mat er iales
Car act er íst icas ópt icas de los mat er iales
ð Materiales que dejan pasar la luz
û Transparentes
Ÿ Dejan pasar la luz sin dispersión o reflexión apreciables.
û Translúcidos
Ÿ Dejan pasar la mayor parte de la luz incidente pero con una
componente importante de difusión.
û Opacos
Ÿ No dejan pasar la luz
û Selectivos y No selectivos
12
Fuent es de Luz
Fuent es de Luz
ð Fuentes Incandescentes
ð Fluorescentes
ð LEDs
ð Luz Estroboscópica
ð Láser
ð Fibra óptica
Fuent es I ncandescent es
Fuent es I ncandescent es
ð Ventajas
û Bajo coste
û Fáciles de utilizar
û Pueden estar en
funcionamiento durante
largos períodos de
tiempo
û Permiten ajustar la
intensidad
ð Inconvenientes
û Desprenden calor
elevado
û El paso de la corriente
alterna a 50 Hz
13
Fluor escent es
Fluor escent es
ð Ventajas
û No generan calor
û Formas y tamaños variables
û Diversos colores de luz
ð Inconvenientes
û Imposibilidad de operar a
bajas temperaturas
û Disminución del nivel de
iluminación con el paso del
tiempo
ð Aplicaciones
û Buenos para iluminación difusa
û Se emplean con materiales con un elevado índice de reflexión
LEDs
LEDs
ð Ventajas
û Luz monocroma en una
gran variedad de colores
û Período de vida largo
û Bajo coste
ð Inconvenientes
û Intensidad de iliminación
muy baja
ð Aplicaciones
û Buenos para iluminación a contraluz
û Se utilizan LEDs ultravioletas para obtener grandes incrementos
de contraste
14
Luz Est r oboscópica
Luz Est r oboscópica
ð Ventajas
û Permiten analizar
objetos en movimiento
(piezas en una cinta
transportadora)
û Iluminación intensa
(disminuye el efecto de
la luz ambiente)
û Pulsos de luz de 2
µseg.
ð Inconvenientes
û Necesitan una fuente
de tensión especial
û Necesitan
sincronización con las
cámaras
û Su intensidad va
decreciendo con el
tiempo
Láser
Láser
ð Ventajas
û Permite generar una
gran diversidad de
patrones de luz
(puntos, líneas finas,
rejillas, ...)
ð Inconvenientes
û Mal comportamiento
frente a superficies que
absorben luz
ð Aplicaciones
û Buenos para iluminación estructurada
û Permiten medir alturas en el eje z
15
Fibr a ópt ica
Fibr a ópt ica
ð No transmiten calor en el proceso de iluminación
ð Se utilizan para iluminar pequeñas áreas y zonas de difícil
acceso
ð También se emplean en aplicaciones en las que el
espacio de trabajo permanece constante
Mét odos de I luminación
Mét odos de I luminación
ð Iluminación a Contraluz
ð Iluminación Estructurada
ð Iluminación Frontal
ð Iluminación Rasante
16
I luminación a Cont r aluz
I luminación a Cont r aluz
CÁMARA
I luminación a Cont r aluz
I luminación a Cont r aluz
ð El objeto se coloca entre la fuente de iluminación y la cámara
ð Crea una silueta del objeto (por supuesto opaco) sobre un fondo
iluminado
ð Se suelen utilizar difusores para evitar saturaciones en la imagen
captada
ð La imagen resultante es prácticamente monocromática y su
segmentación es muy sencilla
ð Es muy útil en aplicaciones en las que se quieran detectar falta de
elementos o grietas.
ð Su principal inconveniente se encuentra en la pérdida de los detalles
y en la imposibilidad de detectar imperfecciones en la superficie de
los objetos.
17
I luminación Est r uct ur ada
I luminación Est r uct ur ada
I luminación Est r uct ur ada
I luminación Est r uct ur ada
ð En este método de iluminación se realizan proyecciones
de puntos, franjas o rejillas sobre la superficie de trabajo
ð Al establecer un patrón conocido resulta más fácil
detectar cualquier anomalía en los objetos
ð Analizando la forma en la que el patrón de luz es
distorsionado podemos obtener información
tridimensional de los objetos
18
I luminación Fr ont al e I luminación Rasant e
I luminación Fr ont al e I luminación Rasant e
ð Estos tipos de iluminación se utilizan para analizar la
superficie de los objetos.
ð Dependiendo del ángulo de incidencia de la luz sobre la
superficie se denomina:
û Iluminación Frontal (ángulos grandes)
û Iluminación Rasante (ángulos pequeños)
Ÿ Cuanto más pequeño sea el ángulo más se resaltarán las
pequeñas rugosidades existentes en la superficie del objeto.
Tipos de Cámar as
Tipos de Cámar as
ð Cámaras VIDICÓN
ð Cámaras de Estado Sólido
ð Otros Dispositivos Captadores de Imagen
û Scanners
û Arrays Lineales
19
Cámar as VI DI CÓN
Cámar as VI DI CÓN
ð Se rastrea la superficie sobre la que se ha proyectado la imagen
mediante un haz de electrones.
ð La superficie fotosensible se rastrea línea a línea.
ð En cada punto por el que pasa el haz de electrones, el dispositivo es
excitado de forma proporcional a la intensidad luminosa. Esto se
traduce en una función continua de corriente que representa la
imagen seccionada en líneas.
ð Alta resolución y sensibilidad
ð Buen comportamiento ante el efecto BLOOMING.
Cámar as de Est ado Sólido
Cámar as de Est ado Sólido
ð La superficie sobre la que se proyecta la luz está formada
por una matriz de elementos fotosensibles.
ð Cada uno de los elementos entrega un valor de corriente
proporcional a la intensidad luminosa proyectada sobre él.
ð Tamaño y peso reducidos.
ð Bajo consumo de energía (1..3 watios frente a los 10..20
watios de las vidicón).
ð Gran resistencia a los campos magnéticos.
ð Alta velocidad de respuesta.
20
Cámar as Digit ales o Analógicas
Cámar as Digit ales o Analógicas
ð Si lo que se necesita es una señal de vídeo clara que no
se va a procesar de ninguna manera (p.e. viéndola
directamente en un monitor) bastará con una cámara
analógica.
ð Si se va a procesar la imagen a través de un ordenador,
hay dos posibles soluciones:
û Utilizar una cámara analógica y digitalizar la señal en el ordenador
con la correspondiente tarjeta. Esto presenta el problema de que
se puede introducir ruido eléctrico en la señal antes de ser
digitalizada, haciendo que la imagen pierda algo de calidad.
û Utilizar una cámara con salida digital. Este sistema es más
resistente al ruido y permite obtener mejores resultados.
Vent aj as de ut ilizar cámar as digit ales
Vent aj as de ut ilizar cámar as digit ales
ð El Número de bits efectivos (ENOB, Equivalent Number
Of Bits) es mayor en una cámara digital que en una
analógica.
ð Eliminación del pixel jitter o temblor de pixels.
ð Resolución subpíxel.
ð Coherencia espacial.
21
Sensibilidad de una cámar a
Sensibilidad de una cámar a
La sensibilidad es la cantidad de luz (en lux) incidiendo en
el CCD para conseguir una señal de vídeo de 100 IRE
(1.0 voltios, o un 255 en un sistema digital de 8 bits, o un
1023 en uno de 10). Cuanta menos luz sea necesaria
para conseguir este nivel, más sensible es la cámara.
ENOB - númer o de bit s ef ect ivos
ENOB - númer o de bit s ef ect ivos
ð Cuando se digitaliza una señal analógica afectada por
ruido, los más afectados son los bits menos significativos.
û Pongamos como ejemplo un sistema de 8 bits por pixel en
escala de grises. En una zona de la imagen completamente
uniforme, el nivel de gris de los pixels digitalizados podrían
variar de, por ejemplo, 80 a 83. En un sistema ruidoso, esta
variación podría producirse en el mismo pixel en sucesivos
muestreos.
û En este ejemplo se habrían perdido los dos bits menos
significativos. Esto significa que el número de bits efectivos
(ENOB) no sería 8, sino 6.
22
Campo de Visión
Campo de Visión
ð Se denomina campo de visión a la superficie de imagen
captada por el sensor de la cámara.
ð El mejor campo de visión para cualquier aplicación se
encuentra determinado por el tamaño del detalle más
pequeño que se quiera detectar.
Campo de Visión = Resolución * Tamaño del detalle
Campo de Visión - Ej emplo
Campo de Visión - Ej emplo
Superficie a inspeccionar = 120 * 80 cm.
Cámara con resolución de 512 * 512 pixels
Tamaño detalle h = Campo de visión h / resolución h
= 120 / 512 = 0.23 cm.
Tamaño detalle v = Campo de visión v / resolución v
= 80 / 512 = 0.16 cm.
23
Ópt icas - Ref r acción de la Luz
Ópt icas - Ref r acción de la Luz
Medio más denso
Fuente
de Luz
Vector normal a la superficie
Ópt icas - Dist ancia Focal
Ópt icas - Dist ancia Focal
Lente
Con-
ver-
gente
∞ ∞
f = foco
Distancia focal
û Característica principal de un objetivo.
û Distancia mínima que media entre el centro del objetivo y el plano
en el que convergen los rayos paralelos al eje.
24
Ópt icas - Pr of undidad de Campo
Ópt icas - Pr of undidad de Campo
Lente
Con-
ver-
gente
∞ ∞
q
f
∞ ∞
p
Ópt icas - Pr of undidad de Campo
Ópt icas - Pr of undidad de Campo
ð Se denomina profundidad de campo al intervalo de campo enfocado
alrededor de una determinada distancia de enfoque q
ð Cuanto menor es la distancia del objeto a la lente, más lejos de la
lente se forma la imagen del objeto
ð Para poder enfocar un objeto situado a una distancia finita es preciso
desplazar la lente. Este desplazamiento responde a la siguiente
relación:
f q p
1 1 1
· +
f q
f q p
p Si · ⇒ · ⇒ · ⇒ ∞ ·
1 1
0
1
∞ · ⇒ · q f p Si
25
Ópt icas - Ej emplo I
Ópt icas - Ej emplo I
Dados 2 objetivos O
1
y O
2
con distancias focales
f
1
=20mm y f
2
=200mm.
A) Hallar las distancias de enfoque de ambos objetivos
para los puntos p
1
= ∞ y p
2
= 2 metros.
B) ¿Qué conclusiones se pueden obtener a partir de los
resultados del apartado anterior?
Ópt icas - Ej emplo I I
Ópt icas - Ej emplo I I
Dado un objetivo con distancia focal f = 50 mm
A) Hallar las distancias de enfoque para los puntos
p
1
= 100 metros
p
2
= 10 metros
p
3
= 1 metro
B) ¿Qué conclusiones se pueden obtener a partir de los
resultados del apartado anterior?
26
Tar j et as Digit alizador as
Tar j et as Digit alizador as
ð Su función consiste en convertir la señal procedente de
la/s cámara/s y almacenarla en memoria.
ð Existen tarjetas que proporcionan sus propios buffers de
memoria y otras que utilizan la memoria del ordenador
(vía DMA).
ð Muchas de ellas permiten un preprocesamiento previo de
las imágenes. El número de tareas implementadas en
hardware es muy variable.
La resolución de las tarjetas digitalizadoras y la de las cámaras (sensor) no
tiene porque coincidir. Por lo tanto, es importante (sobre todo cuando se
emplean técnicas de medición) saber que ocurre con los puntos que faltan o
sobran.
Muest r eo y Cuant if icación
Muest r eo y Cuant if icación
ð El muestreo es la conversión que sufren las dos
dimensiones espaciales de la señal analógica y que
general la noción de pixel.
ð La cuantificación es la conversión que sufre la amplitud
de la señal analógica generándose el concepto de nivel
de gris o intensidad.
ð Existen dos conceptos asociados al muestreo y a la
cuantificación:
û Resolución: número de muestras (rango en el que se
divide el espacio bidimensional).
û Definición: número de niveles de intensidad (rango en el
que se divide la intensidad de la señal luminosa).
27
Ej emplo de los ef ect os del muest r eo
Ej emplo de los ef ect os del muest r eo
Reducida
por 32
Reducida
por 16
Reducida
por 4
Original
Ej emplo de los ef ect os de la cuant if icación
Ej emplo de los ef ect os de la cuant if icación
2 niveles 4 niveles 8 niveles 256 niveles
28
Repr esent ación de las I mágenes Digit ales
Repr esent ación de las I mágenes Digit ales
¹
¹
¹
¹
¹
'
¹
¹
¹
¹
¹
¹
'
¹
·
) , ( ... ) 1 , ( ) 0 , (
... ... ... ...
... ... ... ...
) , 0 ( ... ) 1 , 0 ( ) 0 , 0 (
) , (
n m f m f m f
n f f f
y x f
] 1 _ ... 0 [ ) , ( − · NIVEL MAX y x f donde
Tipos de I mágenes Digit ales
Tipos de I mágenes Digit ales
ð Imágenes Monocromáticas
ð Imágenes Binarias
ð Imágenes Multiespectrales
ð Imágenes Estereoscópicas
ð Imágenes de Vídeo (Secuencia de Imágenes)
29
Vecindad
Vecindad
N
4
(p) = conjunto de vecindad 4
A
B C
D
X
Y
) 1 , ( − · y x A ) , 1 ( y x B − ·
) , 1 ( y x C + · ) 1 , ( + · y x D
N
8
(p) = conjunto de vecindad 8
A C B
D E
F H G
X
Y
) 1 , 1 ( − − · y x A ) 1 , 1 ( − + · y x C
) 1 , 1 ( + + · y x G ) 1 , 1 ( + − · y x F
Conect ividad
Conect ividad
ð Concepto importante para establecer las fronteras entre
los distintos objetos que componen las imágenes.
ð Para decir si 2 pixels p y q están conectados es necesario
determinar los siguientes criterios:
û Criterio de Vecindad
Ÿ por ejemplo:
û Criterio de Equivalencia
Ÿ por ejemplo:
) (
4
p N q ∈
p q ·
30
Dist ancia I
Dist ancia I
ð Dados los pixels p, q y z, con coordenadas (x,y), (s,t) y
(u,v) respectivamente, decimos que D es una función
distancia si:
û
û
û
q p si q p D
q p si q p D
≠ ≥
· ·
0 ) , (
0 ) , (
) , ( ) , ( p q D q p D ·
) , ( ) , ( ) , ( z q D q p D z p D + ≤
Dist ancia I I
Dist ancia I I
ð La DISTANCIA EUCLÍDEA entre p y q se define como:
( ) ( )
2 2
) , ( t y s x q p D
e
− + − ·
ð La DISTANCIA D
4
(CITY-BLOCK DISTANCE) entre p y q
se define como:
t y s x q p D − + − · ) , (
4
ð La DISTANCIA D
8
(CHESSBOARD DISTANCE) entre p y
q se define como:
( ) t y s x q p D − − · , máx ) , (
4
31
Hist ogr ama
Hist ogr ama
ð Un histograma es una representación gráfica de la
frecuencia de ocurrencia de cada uno de los niveles de
intensidad (niveles de gris) de una imagen
ð Pseudocódigo
Desde i = 0 hasta i = N -1
Desde j = 0 hasta j = M - 1
[ ] ) , ( j i f HISTOGRAMA r Incrementa
Oper aciones Ar it mét icas
Oper aciones Ar it mét icas
ð Suma de Imágenes
ð Diferencia de Imágenes
ð Multiplicación de Imágenes
ð Escalado de Imágenes
ð División de Imágenes
32
Suma de I mágenes
Suma de I mágenes
ð Aplicaciones
û Reducir los efectos del ruido en varias muestras de una misma
escena.
û Aclarar imágenes (sumando una constante a todos los pixels).
ð La imagen de salida dependera de la implementación. ¿Qué
hacemos con los pixels saturados?
û Normalizar
û Ajustar al máximo valor
û Empezar de nuevo en 0
) , ( ) , ( ) , (
2 1
j i In j i In j i Out + ·
Cte j i In j i Out + · ) , ( ) , (
Dif er encia de I mágenes
Dif er encia de I mágenes
ð Aplicaciones
û Detectar cambios producidos entre dos imágenes de la misma
escena pasado un determinado intervalo de tiempo. (por ejemplo:
detectar una fuente de calor en el espectro infrarrojo).
û Eliminar defectos conocidos en el sensor de captación y zonas
irrelevantes en el procesamiento de la escena.
ð La imagen de salida, dependiendo de la implementación, necesitará
una posterior normalización para eliminar los valores negativos.
) , ( ) , ( ) , (
2 1
j i In j i In j i Out − ·
Cte j i In j i Out − · ) , ( ) , (
) , ( ) , ( ) , (
2 1
j i In j i In j i Out − ·
33
Mult iplicación de I mágenes
Mult iplicación de I mágenes
ð La multiplicación pixel a pixel de una imagen no se suele
utilizar dentro del dominio del espacio.
ð Sin embargo, tiene aplicación en el dominio de la
frecuencia. Se utiliza como filtro para atenuar
determinado tipo de frecuencias.
) , ( ) , ( ) , (
2 1
j i In j i In j i Out × ·
Escalado de I mágenes
Escalado de I mágenes
Cte j i In j i Out × · ) , ( ) , (
ð Aplicaciones
û Aclarar imágenes
û Obscurecer imágenes
û Reducir el número de pixels que se salen fuera del rango al
aplicar otras operaciones aritméticas
ð El escalado produce efectos de aclarar/obscurecer mucho más
naturales que la suma de una constante a todos los pixels de una
imagen ya que mantiene el contraste relativo de la imagen.
1 f Cte
1 p Cte
Nota: El escalado de niveles de gris no debe confundirse con el escalado geométrico.
34
Oper aciones Lógicas
Oper aciones Lógicas
ð Los operadores lógicos se utilizan mayormente con
imágenes binárias
û AND
û OR
û NOT
û XOR
ð También se pueden emplear con imágenes en niveles de
gris con otra funcionalidad
û NOT (en niveles de gris se convierte en inversión)
û AND, OR y XOR (entre los bytes de la imagen y un byte
introducido como parámetro)
Oper aciones Geomét r icas
Oper aciones Geomét r icas
ð Traslación
ð Rotación
ð Espejo Vertical
ð Espejo Horizontal
1 1 2
1 1 2
cos sen
sen cos
y x y
y x x
× + × ·
× − × ·
α α
α α
1 2
1 2
y y
x x
·
− ·
1 2
1 2
y y
x x
− ·
·
b y y
a x x
+ ·
+ ·
1 2
1 2
35
Pr epr ocesamient o
Pr epr ocesamient o
ð Transformación de Niveles (Tablas Look-up)
ð Transformación del Histograma
ð Filtrado de Imágenes Digitales:
û en el dominio del Espacio
û en el dominio de la Frecuencia
Tr ansf or mación de Niveles I
Tr ansf or mación de Niveles I
ð A cada nivel de intensidad se le asigna uno nuevo
ð Los niveles a asignar se guardan en tablas Look-up
ð Este tipo de transformaciones suelen estar
implementadas en Hardware
o o ... .. 1 ... ... ... .. ... ... ... 255 255
o 1 ... .. 2 ... ... ... .. ... ... ... 254 255
36
Tr ansf or mación de Niveles I I
Tr ansf or mación de Niveles I I
p
q
p
1
q
1
p
q
p
1
q
1
Aclar a Obscur ece
Tr ansf or mación de Niveles I I I
Tr ansf or mación de Niveles I I I
p
q
p
1
q
1
p
q
p
1
q
1
Aument a el cont r ast e
I nvier t e
37
Tr ansf or mación de Niveles I V
Tr ansf or mación de Niveles I V
p
q
p
1
q
1
p
q
p
1
q
1
No pr oduce cambios
Umbr aliza
Ecualización del Hist ogr ama
Ecualización del Hist ogr ama
ð Transformación de los niveles de gris de una imagen para
conseguir que su histograma sea lo más plano posible

·
·
+
×

·
i
k
P
P i
k
P P i
q i H
M N
q q
i T
0
0
0
0
..
) (
) (
ð Características:
û Aprovecha mejor el número de niveles disponible
û Aumenta el contraste
û A veces revela detalles ocultos por un bajo contraste
p
0
, p
k
⇒ rango original
q
0
, q
k
⇒ rango nuevo
N x M ⇒ nº de pixels
38
Filt r ado de I mágenes Digit ales
Filt r ado de I mágenes Digit ales
ð Objetivo: Resaltar determinadas frecuencias dentro de la
imagen digital
û Paso Alto
Ÿ Resaltar Frecuencias Altas
Ÿ Se corresponden con los bordes de los objetos
û Paso Bajo
Ÿ Resaltar Frecuencias Bajas
Ÿ Se corresponden con las superficies homogéneas
a
Filt r ado Espacial - Máscar as de Convolución
Filt r ado Espacial - Máscar as de Convolución
b c
e f d
h i g
X
Y
[ ] ) 1 , 1 ( ... ) 1 , 1 (
1
) , ( + + × + + − − × · y x f i y x f a
n
y x f
û En los límites de la imagen
se aplica un tratamiento
especial o no se aplica
ninguno (depende de la
implementación)
39
Filt r ado Espacial - Filt r os Paso Baj o
Filt r ado Espacial - Filt r os Paso Baj o
]
]
]
]
]

·
1 1 1
1 1 1
1 1 1
9
1
h
]
]
]
]
]

·
1 1 1
1 2 1
1 1 1
10
1
h
]
]
]
]
]

·
1 2 1
2 4 2
1 2 1
16
1
h
Filt r ado Espacial - Filt r o de la Mediana
Filt r ado Espacial - Filt r o de la Mediana
ð En el filtro de la mediana la máscara de convolución se
emplea de forma distinta que en el resto de filtros
û Se toman todos los valores de la imagen cubiertos por la
máscara
û Se ordenan de menor a mayor
û Se toma el valor central
ð Características:
û Degrada la imagen en menor cuantía que otros filtros paso
bajo
û Es idempotente
û Es no lineal
40
Filt r ado Espacial - Filt r os Paso Alt o
Filt r ado Espacial - Filt r os Paso Alt o
ð Filtros Laplacianos:
]
]
]
]
]

− ·
0 1 0
1 4 1
0 1 0
h
]
]
]
]
]

− ·
1 1 1
1 8 1
1 1 1
h
ð Se aplica la máscara y, posteriormente, se toma el
módulo
ð El operador de Laplace tiene el inconveniente de detectar
alguno de los bordes dos veces y de ser muy sensible al
ruido
Filt r os de Gr adient e
Filt r os de Gr adient e
ð Los filtros de gradiente se utilizan para detectar los
bordes (altas frecuencias) de los objetos presentes en la
imagen
ð Detectan los cambios bruscos de intensidad en una
determinada dirección
ð Normalmente utilizan máscaras de convolución de
tamaño 3 x 3
ð En una máscara 3 x 3 podemos considerar 8 direcciones,
por lo tanto, en un filtro de gradiente podemos tener hasta
8 máscaras de convolución
41
Filt r ado Espacial - Filt r os de Gr adient e
Filt r ado Espacial - Filt r os de Gr adient e
ð En la mayoría de los casos sólo se utilizan dos máscaras:
G
x
y G
y
para detectar los bordes horizontales y verticales
ð Posteriormente, se calcula el gradiente total mediante
alguna de las dos fórmulas siguientes:
2 2
y x
G G G + ·
y x
G G G + ·
Filt r os de Gr adient e - Rober t s
Filt r os de Gr adient e - Rober t s
]
]
]


·
1 0
0 1
x
G
Origen
]
]
]


·
0 1
1 0
y
G
Origen
) 1 , ( ) , 1 ( ) 1 , 1 ( ) , ( ) , ( + − + + + + − · y x f y x f y x f y x f y x G
42
Filt r os de Gr adient e - Pr ewit t
Filt r os de Gr adient e - Pr ewit t
]
]
]
]
]

− − −
·
1 1 1
0 0 0
1 1 1
1
h
]
]
]
]
]

− −
− ·
0 1 1
1 0 1
1 1 0
2
h
]
]
]
]
]




·
1 0 1
1 0 1
1 0 1
3
h
. . .
+ + + + + + − − − + + − + − − · )) 1 , 1 ( ) 1 , ( ) 1 , 1 ( ( )) 1 , 1 ( ) 1 , ( ) 1 , 1 ( ( ) , ( y x f y x f y x f y x f y x f y x f y x G
ð Si utilizamos las máscaras h
1
y h
3
para detectar los
bordes horizontales y verticales tenemos la siguiente
expresión:
)) 1 , 1 ( ) , 1 ( ) 1 , 1 ( ( )) 1 , 1 ( ) , 1 ( ) 1 , 1 ( ( + − + − + − − − + + + + + − + y x f y x f y x f y x f y x f y x f
Filt r os de Gr adient e - Sobel
Filt r os de Gr adient e - Sobel
]
]
]
]
]

− − −
·
1 2 1
0 0 0
1 2 1
1
h
]
]
]
]
]

− −
− ·
0 1 2
1 0 1
2 1 0
2
h
]
]
]
]
]




·
1 0 1
2 0 2
1 0 1
3
h
. . .
ð Si utilizamos las máscaras h
1
y h
3
para detectar los
bordes horizontales y verticales tenemos la siguiente
expresión:
+ + + + + + − − − + + − + − − · )) 1 , 1 ( ) 1 , ( 2 ) 1 , 1 ( ( )) 1 , 1 ( ) 1 , ( 2 ) 1 , 1 ( ( ) , ( y x f y x f y x f y x f y x f y x f y x G
)) 1 , 1 ( ) , 1 ( 2 ) 1 , 1 ( ( )) 1 , 1 ( ) , 1 ( 2 ) 1 , 1 ( ( + − + − + − − − + + + + + − + y x f y x f y x f y x f y x f y x f
43
Tr ansf or mada de Four ier
Tr ansf or mada de Four ier
∑ ∑

·

·
+ −
·
1
0
1
0
) ( 2
) , (
1
) , (
N
x
N
y
N
vy ux j
e y x f
N
v u F
π
∑ ∑

·

·
+
·
1
0
1
0
) ( 2
) , ( ) , (
N
u
N
v
N
vy ux j
e v u F y x f
π
ð La transformada de Fourier es un número complejo y, por lo tanto,
queda definido por su módulo y su argumento
ð Debido a que, generalmente, el módulo toma un valor muy alto para
frecuencias bajas se suele mostrar su logaritmo:
[ ] ) , ( 1 log ) , ( v u F Cte v u D + × ·
Filt r os en el dominio de la f r ecuencia
Filt r os en el dominio de la f r ecuencia
ð Filtros Paso Bajo
û Dejan pasar las frecuencias bajas
ð Filtros Paso Alto
û Dejan pasar las frecuencias altas
ð Filtros Paso Banda
û Nos permiten eliminar un determinado rango de frecuencias
û Muy útil cuando el ruido tiene frecuencias conocidas
44
Segment ación
Segment ación
ð La segmentación consiste en separar los distintos
elementos que componen la imagen digital.
ð Entre todos los métodos existentes nos centraremos en:
û Segmentación por Umbralización
û Segmentación por Crecimiento de Regiones
û Segmentación utilizando la Transformada de Hough
Segment ación - Umbr alización
Segment ación - Umbr alización
ð Umbralizar consiste en obtener una imagen binaria a
partir de una imagen de niveles.
û Si los valores de la imagen están por debajo de un
determinado umbral ⇒ 0 (en la imagen binaria)
û Si los valores de la imagen están por encima de un
determinado umbral ⇒ 1 (en la imagen binaria)
ð Esta umbralización puede ser:
û Fija
û Histograma Global
û Histograma Local
45
Umbr al con hyst er esis
Umbr al con hyst er esis
ð Esta operación crea una imagen binaria cuyos valores
serán umbralizados con un valor dependiente de los
vecinos del pixel
ð Si los vecinos son oscuros el umbral será más alto y
viceversa
ð Se trata de eliminar ruido a la vez que se obtiene la
imagen binaria
¹
'
¹
+

·

caso otro cualquier en L Umbral
Máximo vecinos si L Umbral
Umbral
f 3
¹
'
¹ ≥
·

caso otro cualquier en
Umbral y x f si
y x g
0
) , ( 1
) , (
Umbr al Por cent ual - Umbr al Recur sivo
Umbr al Por cent ual - Umbr al Recur sivo
ð La operación de Umbralizacón Percentual crea una
imagen binaria que tendrá un porcentaje de pixels negros
igual al porcentaje determinado de antemano. Muy útil
cuando conocemos el tamaño relativo del objeto con
respecto del fondo
ð La operación de Umbralizacón recursiva crea una imagen
binaria umbralizada en un valor calculado en N
iteraciones de manera que la media de pixels debajo y
sobre el umbral sea equidistante
46
Segment ación - Cr ecimient o de Regiones I
Segment ación - Cr ecimient o de Regiones I
→ ) (R H
Criterio de Homogeneidad dentro de la Región R
ð Buscamos conseguir:
regiones de n s s i i TRUE R H
i
º .. 1 ) ( · · ∀ ·
j i j i
R adyacente R j i j i FALSE R R H ≠ ∀ · ∪ , ) (
10 ) ( · − ↔ · ∪ T siendo T m m TRUE R R H
J i j i
p Por ejemplo:
donde m
i
= media del nivel de gris de la región i
Segment ación - Cr ecimient o de Regiones I I
Segment ación - Cr ecimient o de Regiones I I
Algoritmo:
1. Dividir la imagen en muchas regiones pequeñas (por
ejemplo: una por pixel)
2. Examinar todas las regiones adyacentes y unir las
regiones R
i
y R
j
si se cumple:
3. Mientras se hayan unido regiones, ir al paso 2
TRUE R R H
j i
· ∪ ) (
47
Tr ansf or mada de Hough (I )
Tr ansf or mada de Hough (I )
ð Su objetivo es encontrar en la imagen la localización de
objetos de cierto tipo (originariamente rectas)
ð Transforma la imagen a un nuevo espacio N dimensional
û Cada posición representa a un objeto concreto
ð Rectas: espacio bidimensional donde
û Cada posición representa una posible recta en la imagen
original, especificada por su pendiente y ordenada en el
origen
û Todas las posibles rectas que pasan por un punto en la
imagen original se representan por una recta en la imagen
transformada
m’
Tr ansf or mada de Hough (I I )
Tr ansf or mada de Hough (I I )
x
y
Y

=

m

x

+

n
m
n
n’
x
y
m
n
n = - x’ m + y’
(x’, y’)
(m’,n’)
y’ = m x’ + n
48
Tr ansf or mada de Hough (I I I )
Tr ansf or mada de Hough (I I I )
ð Una recta en el dominio de la imagen se transforma en un
punto en el espacio de Hough
ð Un haz de rectas que pasan por un punto (x’,y’) en la
imagen se transforman en una recta en el dominio de
Hough
ð El problema de esta representación (y = m x + n) es que
la pendiente puede tomar valores infinitos
ð Es preferible la representación s = x cos θ + y sen θ
Cálculo de la t r ansf or mada
Cálculo de la t r ansf or mada
ð Discretizar el espacio de Hough s,θ en un conjunto finito
de valores (el número de éstos depende de la aplicación).
Se utilizará una matriz A(s,θ). Inicializar A(s,θ) con ceros.
ð Para cada punto (x,y) activo en la imagen
û para cada posible valor de θ en el rango T
Ÿ calcular s = x cos θ + y sen θ
Ÿ incrementar el contenido de A(s,θ)
ð Buscar elementos de A con valores altos; cada uno de
ellos se corresponde con una recta en la imagen original.
La magnitud del valor depende del número de pixels de la
recta.
49
Ej emplo I
Ej emplo I
x
45º
90º
y
s’
90º
s
θ
45º
s’
Rectas detectadas:
theta = 45.000000; S = 135.764496 (H = 1.000000)
theta = 90.000000; S = 100.000000 (H = 0.707106)
Rectas detectadas:
theta = 45.000000; S = 135.764496 (H = 1.000000)
theta = 90.000000; S = 100.000000 (H = 0.707106)
Ej emplo I I
Ej emplo I I
90º
s
θ
45º
Rectas detectadas:
theta = 0.000000; S = 56.851387 (H = 0.819132)
theta = 0.000000; S = 68.221664 (H = 0.828778)
theta = 1.000000; S = 68.221664 (H = 1.000000)
theta = 3.000000; S = 79.591942 (H = 0.923633)
theta = 90.000000; S = 295.627197 (H = 0.839228)
theta = 91.000000; S = 284.256927 (H = 0.860129)
theta = 95.000000; S = 204.664993 (H = 0.809486)
theta = 176.000000; S = -56.851387 (H = 0.843248)
theta = 178.000000; S = -68.221664 (H = 0.977492)
Rectas detectadas:
theta = 0.000000; S = 56.851387 (H = 0.819132)
theta = 0.000000; S = 68.221664 (H = 0.828778)
theta = 1.000000; S = 68.221664 (H = 1.000000)
theta = 3.000000; S = 79.591942 (H = 0.923633)
theta = 90.000000; S = 295.627197 (H = 0.839228)
theta = 91.000000; S = 284.256927 (H = 0.860129)
theta = 95.000000; S = 204.664993 (H = 0.809486)
theta = 176.000000; S = -56.851387 (H = 0.843248)
theta = 178.000000; S = -68.221664 (H = 0.977492)
50
Gener alización par a ot r os t ipos de obj et o
Gener alización par a ot r os t ipos de obj et o
ð Es posible calcular las transformadas para una gran
cantidad de objetos utilizando las ecuaciones de éstos
û círculos
û rectángulos
ð La dimensión (D) del espacio transformado depende del
tipo de objeto y de la resolución de la discretización de los
parámetros (P)
û el coste del cálculo de la transformada de una imagen de
NxNxP pixels es PN
2
û el coste computacional de la búsqueda de máximos es P
D
Compar ación con ot r os mét odos
Compar ación con ot r os mét odos
ð Ventajas
û es capaz de detectar objetos parcialmente ocultos
û es independiente del tamaño del objeto
û se puede generalizar a cualquier tipo de objeto
ð Inconvenientes
û alto coste computacional
û no es trivial fijar el umbral de detección
û es necesario describir matemáticamente el objeto a
reconocer
51
Ext r acción de Car act er íst icas
Ext r acción de Car act er íst icas
ð Objetivo: encontrar valores numéricos que describan la
figura del objeto (previamente segmentada)
ð Existen muchas formas de describir los objetos presentes
en una imagen digital. Dos métodos muy utilizados son:
û Imágenes binarias de contornos → Descriptores de Contorno
û Imágenes binarias de regiones → Descriptores de Región
Obt ención de una imagen de cont or no
Obt ención de una imagen de cont or no
ð Se procesan las filas:
ð Se procesan las columnas
ð Se combinan los resultados previos mediante una
operación lógica OR
¹
'
¹
· −
≠ −
·
) , ( ) 1 , ( 0
) , ( ) 1 , ( 1
) , (
y x I y x I si
y x I y x I si
y x I
¹
'
¹
· −
≠ −
·
) , ( ) , 1 ( 0
) , ( ) , 1 ( 1
) , (
y x I y x I si
y x I y x I si
y x I
52
Descr ipt or es de Cont or no
Descr ipt or es de Cont or no
ð Código Cadena
ð Signaturas
ð Aproximaciones Poligonales
Código Cadena
Código Cadena
3 1 2
4 0
5 7 6
0
1
2
3
4
5
6
7
ð Para representar cada uno de los contornos existentes en
una imagen son necesarios:
û Un punto inicial
û Una secuencia de dígitos que representan el contorno
53
Descr ipt or es de Regiones
Descr ipt or es de Regiones
ð Momentos
û Área
û Centro de Gravedad
û Momentos Invariantes a Traslaciones
ð Descriptores de Textura
ð Esqueletos
Moment os
Moment os
∑ ∑

·

·
·
1
0
1
0
) , (
N
x
M
y
q p
pq
y x f y x m
área m ≡
00
00
01
00
10
:
m
m
y
m
m
x Gravedad de Centro · ·
∑ ∑

·

·
− − ·
1
0
1
0
) , ( ) ( ) (
N
x
M
y
q p
pq
y x f y y x x µ
Momentos Invariantes a Traslaciones:
54
Mor f ología Mat emát ica - I nt r oducción (I )
Mor f ología Mat emát ica - I nt r oducción (I )
ð Morfología Matemática
û metodología del tratamiento de imágenes basada en el
estudio de formas y estructuras
ð Tipos de Estructura interior de una imagen
û Macroestructura
Ÿ análisis de formas:
herramientas
caracteres impresos
û Microestructura
Ÿ análisis de distribución de partículas
imagen ruidosa
Mor f ología Mat emát ica - I nt r oducción (I I )
Mor f ología Mat emát ica - I nt r oducción (I I )
ð Tipos de Morfología Matemática
û Morfología Binaria
Ÿ Transformaciones de Conjuntos
Ÿ Imágenes binarias
û Morfología Numérica
Ÿ Transformaciones de Funciones
Ÿ Imágenes Numéricas
ð La Morfología Matemática nos permite construir
transformaciones complejas mediante iteración o
concatenación de transformaciones elementales
55
Mor f ología Mat emát ica - I nt r oducción (I I I )
Mor f ología Mat emát ica - I nt r oducción (I I I )
ð Imágenes
û Conjunto de pixels de tamaño apreciable
ð Elementos Estructurantes
û Conjunto de pixels de tamaño reducido
Imagen A =
E.E. X =
Mor f ología Mat emát ica - I nt r oducción (I V)
Mor f ología Mat emát ica - I nt r oducción (I V)
ð La idea básica del procesamiento morfológico consiste en ir
sondeando la imagen con un elemento estructurante para obtener
información relativa a las formas que en ella se encuentran.
ð Georges Matheron
û “el conocimiento que tenemos de una imagen depende del modo
en que la observamos, y por lo tanto, todas las relaciones
consecuentes dependerán de las elecciones tomadas en nuestras
observaciones”
û “incluso si aplicamos algoritmos para seleccionar el elemento
estructurante apropiado, el criterio mediante el cual estos
algoritmos realizan sus selecciones estará, a fin de cuentas,
determinado por el tipo de información que nosotros deseemos
conseguir”
56
Mor f ología Mat emát ica - Er osión (I )
Mor f ología Mat emát ica - Er osión (I )
ð Notación:
ð Definición
û consiste en pasear el elemento estructurante por todos
los pixels de la imagen e ir marcando aquellas
posiciones en las que se sitúa el origen del elemento
estructurante, siempre y cuando éste “case” en la
imagen
Mor f ología Mat emát ica - Er osión (I I )
Mor f ología Mat emát ica - Er osión (I I )
Imagen Original
Imagen Erosionada
Elemento
Estructurante
57
Mor f ología Mat emát ica - Dilat ación (I )
Mor f ología Mat emát ica - Dilat ación (I )
ðNotación:
ðDefinición
û consiste en pasear el elemento estructurante por todos
los pixels de la imagen y, si el origen del elemento
estructurante coincide con un pixel activo (=1),
entonces marcaremos las posiciones activas del
elemento estructurante en la imagen de salida.
Mor f ología Mat emát ica - Dilat ación (I I )
Mor f ología Mat emát ica - Dilat ación (I I )
58
Mor f ología Mat emát ica - Aper t ur a
Mor f ología Mat emát ica - Aper t ur a
ð Notación:
ð Definición
û consiste en una erosión seguida de una dilatación, ambas con el
mismo elemento estructurante.
ð Ejemplo:
Mor f ología Mat emát ica - Cier r e
Mor f ología Mat emát ica - Cier r e
ð Notación:
ð Definición
û consiste en una dilatación seguida de una erosión, ambas con el
mismo elemento estructurante.
ð Ejemplo:
59
Mor f ología Mat emát ica - Esquelet ización
Mor f ología Mat emát ica - Esquelet ización
ð Es un método empleado comunmente para el adelgazamiento de
imágenes con propósitos de reconocimiento o compresión
ð Se basa en el concepto de discos máximos
ð Los centros de los discos máximos de una imagen componen el
esqueleto de la imagen
ð Ejemplos:
ð Fórmula de Lantuejoul para obtener el esqueleto de una imagen:
( ) ( ) [ ] { ¦ ... 2, 1, n para ) ( · Θ − Θ ∪ · B nB S nB S S Skel o
Mor f ología Mat emát ica - Pr opiedades (I )
Mor f ología Mat emát ica - Pr opiedades (I )
A B B A ⊕ · ⊕
( ) ( ) C B A C B A ⊕ ⊕ · ⊕ ⊕
B B A B A B B B ⊕ ⊕ · ⊕ ⇒ ⊕ · 2 2
• Multiplicación Escalar
• Asociatividad de la Dilatación
• Conmutatividad de la Dilatación
60
Mor f ología Mat emát ica - Pr opiedades (I I )
Mor f ología Mat emát ica - Pr opiedades (I I )
( )
( ) B A B B A
B A B B A
• · • •
· o o o
A B A ⊃ •
A B A ⊂ o
• Antiextensividad de la apertura
• Extensividad del cierre
• Idempotencia
Mor f ología Mat emát ica - Aplicaciones (I )
Mor f ología Mat emát ica - Aplicaciones (I )
( ) A B A − ⊕
( ) B B A • o
• Filtrado de Ruido
• Detección de Bordes
Frontera Externa
( ) B A A Θ −
( ) ( ) B A B A Θ − ⊕
Frontera Interna
Gradiente Morfológico
61
Mor f ología Mat emát ica - Aplicaciones (I I )
Mor f ología Mat emát ica - Aplicaciones (I I )
ð Granulometrías
û Método de análisis de texturas, tamaños y formas
û Consiste en cribar imágenes granulares a través de cribas de
diferente tamaño y forma.
ð Ejemplo:
( )
E E E E
E E E
circular e e E E
pixel único un E
⊕ ⊕ ·
⊕ ·
·
·
4
3
2 . .
1
Mor f ología Mat emát ica - Mor f ología Numér ica
Mor f ología Mat emát ica - Mor f ología Numér ica
ð La morfología numérica tiene en consideración las transformaciones
morfológicas de las funciones (imágenes numéricas)
ð La Erosión se realiza reemplazando cada punto de la imagen por el
valor Mínimo de todos los puntos cubiertos por el elemento
estructurante
ð En la Dilatación el valor de cada punto de la imagen viene dado por el
valor Máximo de los puntos cubiertos por el elemento estructurante
{ ¦ B j i j i f B y x f ∈ · Θ ) , ( | ) , ( mín ) , (
{ ¦ B j i j i f B y x f ∈ · ⊕ ) , ( | ) , ( máx ) , (
62
Compr esión de I mágenes - Necesidad
Compr esión de I mágenes - Necesidad
ðAlmacenamiento requerido por distintos tipos de
imágenes digitales
û trama de vídeo en color (512 x 512)
Ÿ 750 KBytes
û negativo fotográfico (2000 x 3000)
Ÿ 18 MBytes
û radiografía (5000 x 6000)
Ÿ 44 Mbytes
ðVelocidad de Transmisión
Compr esión de I mágenes - Redundancia
Compr esión de I mágenes - Redundancia
ðEl proceso de compresión consiste básicamente en
eliminar uno o más de los 3 tipos siguientes de
redundancia
û Redundancia Espacial: debida a la correlación
(dependencia) entre los valores de pixels vecinos
û Redundancia Espectral: debida a la correlación entre los
diferentes planos de color
û Redundancia Temporal: debida a la correlación entre las
tramas de una secuencia de imágenes
63
Compr esión de I mágenes - Clasif icaciones
Compr esión de I mágenes - Clasif icaciones
ðMétodos con pérdida de información
ðMétodos sin pérdida de información
ðMétodos Espaciales
ðMétodos Transformados
ðMétodos de 1ª generación
ðMétodos de 2ª generación
Compr esión de I mágenes - Mét odos (I )
Compr esión de I mágenes - Mét odos (I )
ðCodificación en planos de bits
û códigos continuos (código Gray)
û codificación de longitudes
ðCodificación Predictiva
û predicción
û codificación
64
Compr esión de I mágenes - Mét odos (I I )
Compr esión de I mágenes - Mét odos (I I )
ðMétodos Transformados - Compresor
Segmentación
en bloques de
tamaño n x n
Transformación
Cuantificador
y
Codificador
Imagen
Original
f(i,j)
f(j,k)
F(u,v)
F*(u,v)
Imagen
Comprimida
Compr esión de I mágenes - Mét odos (I I I )
Compr esión de I mágenes - Mét odos (I I I )
ðMétodos Transformados - Descompresor
Decodificador
Transformación
Inversa
Combinación
de los
bloques
Imagen
Comprimida
F’*(u,v)
F’(u,v)
f’(j,k)
f’(i,j)
Imagen
Reconstruida
65
Compr esión de I mágenes - Mét odos (I V)
Compr esión de I mágenes - Mét odos (I V)
ðCodificación Subbanda
Filtro
paso
alto
Sub-
muestreo
Filtro
paso
bajo
Sub-
muestreo Filtro
paso
alto
Sub-
muestreo
Filtro
paso
bajo
Sub-
muestreo
Filtro
paso
alto
Sub-
muestreo
Filtro
paso
bajo
Sub-
muestreo
f(i,j)
f
2
(i,j)
f
1
(i,j)
f
11
(i,j)
f
12
(i,j)
f
21
(i,j)
f
22
(i,j)
Compr esión de I mágenes - Mét odos (V)
Compr esión de I mágenes - Mét odos (V)
ðCodificación Jerárquica
Nivel 0 (N x N)
Imagen Original
Nivel 1
(N/2 x N/2)
Nivel 2
(N/4 x N/4)
Nivel 3
(N/8 x N/8)
66
Compr esión de I mágenes - Mét odos (VI )
Compr esión de I mágenes - Mét odos (VI )
ðCodificación basada en el Objeto
û Segmentación
Ÿ Regiones Crecientes
Ÿ Morfología Matemática
û Codificación de Contornos
û Codificación de Texturas
Compr esión de I mágenes - Est ándar es (I )
Compr esión de I mágenes - Est ándar es (I )
ðJPEG (Joint Picture Group) ISO-CCITT
ðModos de Funcionamiento
û Secuencial
û Progresivo
û Jerárquico
û Sin pérdida de información
67
Compr esión de I mágenes - Est ándar es (I I )
Compr esión de I mágenes - Est ándar es (I I )
ðJPEG - Resultados
Bits por pixel
0.25 - 0.50
0.50 - 0.75
0.75 - 1.50
1.50 - 2.00
Calidad
Moderada a Buena
Buena a Muy Buena
Excelente
Indistinguible del original
Compr esión de I mágenes - Est ándar es (I I I )
Compr esión de I mágenes - Est ándar es (I I I )
ðMPEG (Moving Picture Expert Group) - ISO
Esquema de Codificación
ðApartados del MPEG
û MPEG - VIDEO
û MPEG - AUDIO
û MPEG - SYSTEM
68
Calibr ación de Cámar as
Calibr ación de Cámar as
ðModelo general de cámara
û Modelo de calibración pin-hole
û Modelo de distorsión de la lente
û Plantillas de calibrado
ðModelo de calibrado alternativo
û Modelo de cámara basado en interpolación
Modelo Gener al de Cámar a
Modelo Gener al de Cámar a
ðObjetivo: construir un modelo analítico que permita
obtener la proyección de una escena y, a partir de él, el
modelo inverso
ðObtención de una medida cuantitativa a partir de la
imagen que se analiza
X
Y
Z
MODELO
u
v
¹
'
¹
¹
¹
⇒ ⇒
¹
'
¹
u
v
MOD INVERSO
X
Y
Z
¹
'
¹
⇒ ⇒
¹
'
¹
¹
¹
.
69
Modelo de Calibr ación pin-hole (I )
Modelo de Calibr ación pin-hole (I )
ð M(X,Y,Z) Punto de la escena
ð m(x,y) Punto M proyectado en el plano imagen
ð C Centro óptico
ð f Distancia focal
x f
X
Z
·
y f
Y
Z
·
Modelo de Calibr ación pin-hole (I I )
Modelo de Calibr ación pin-hole (I I )
ð (x,y) Proyección sobre el plano imagen
ð (u,v) Píxel correspondiente a la proyección
ð c(u
0
,v
0
) Punto principal de la cámara
ð k
u
, k
v
Nº píxeles por unidad de longitud
u k x u
u
· +
0
v k y v
v
· +
0
70
Modelo de Calibr ación pin-hole (I I I )
Modelo de Calibr ación pin-hole (I I I )
ð (X
W
,Y
W
,Z
W
) Sistema de referencia de la escena
ð (X,Y,Z) Sistema de referencia de la cámara
Modelo de Calibr ación pin-hole (I V)
Modelo de Calibr ación pin-hole (I V)
ð Transformación del sistema de referencia de la escena al sistema de
referencia de la cámara
ð R Matriz de rotación
ð t Vector de traslación
R ·

− + +
+ − +
|
.

`
,

cos cos sen cos sen
sen cos cos sen cos cos cos sen sen sen cos sen
sen sen cos sen cos cos sen sen sen cos cos cos
ψ θ ψ θ θ
ψ φ ψ θ φ ψ φ ψ θ φ θ φ
ψ φ ψ θ φ ψ φ ψ θ φ θ φ
t
t
t
t
x
y
z
·
|
.

`
,

X
Y
Z
R
X
Y
Z
t
W
W
W
|
.

`
,

·
|
.

`
,

+
71
Modelo de Calibr ación pin-hole (V)
Modelo de Calibr ación pin-hole (V)
ð
ð
ð
t
Z
Y
X
R
Z
Y
X
W
W
W
+

,
`

.
|
·

,
`

.
|
Z
X
f x ·
Z
Y
f y ·
0
u x k u
u
+ ·
0
v y k v
v
+ ·
Par ámet r os de Calibr ación
Par ámet r os de Calibr ación
ðParámetros intrínsecos. Representan las propiedades
internas de la cámara
û f, distancia focal
û u
0
, v
0
, coordenadas del punto principal
û k
u
, k
v
, factores de escala horizontal y vertical
ðParámetros extrínsecos. Representan la posición y
orientación de la cámara respecto de la escena
û ψ, θ, φ, parámetros de rotación
û t
x
, t
y
, t
z
, parámetros de traslación
72
Pr oceso de Calibr ación
Pr oceso de Calibr ación
ðLa calibración de una cámara consiste en calcular los
once parámetros intrínsecos y extrínsecos
ðProceso de calibrado:
û Construcción de la plantilla de calibrado. Al menos seis
puntos de la escena conocidos
û Proyección y localización de los puntos en la imagen
û Planteamiento del sistema de ecuaciones
û Resolución aplicando mínimos cuadrados
Modelo de Dist or sión de la Lent e (I )
Modelo de Dist or sión de la Lent e (I )
ð El modelo pin-hole es un modelo teórico libre de distorsiones
ð La óptica de la cámara introduce aberraciones que distorsionan la
imagen. La más notable es la distorsión radial, que provoca que los
puntos de la imagen se desplacen en direcciones radiales alejándose
o acercándose al punto principal c
73
Modelo de Dist or sión de la Lent e (I I )
Modelo de Dist or sión de la Lent e (I I )
ðInfluencia de la distorsión radial en el modelo general de
cámara.
ðδ
x
y δ
y
son las correcciones de las coordenadas (x,y)
y
y y δ + · ˆ
...) ( ˆ
6
3
4
2
2
1
+ + + · r k r k r k x
x
δ
...) ( ˆ
6
3
4
2
2
1
+ + + · r k r k r k y
y
δ
2 2
ˆ ˆ y x r + ·
) 1 ( ˆ
2
1
r k x x + ·
) 1 ( ˆ
2
1
r k y y + ·
2 2 2
ˆ ˆ y x r + ·
2
1
ˆ r k x
x
· δ
2
1
ˆ r k y
y
· δ
x
x x δ + · ˆ
Modelo de Dist or sión de la Lent e (I I I )
Modelo de Dist or sión de la Lent e (I I I )
ð
ð
t
Z
Y
X
R
Z
Y
X
W
W
W
+

,
`

.
|
·

,
`

.
|
Z
X
f x ·
Z
Y
f y ·
0
ˆ u x k u
u
+ ·
0
ˆ v y k v
v
+ ·
) 1 ( ˆ
2
1
r k x x + ·
) 1 ( ˆ
2
1
r k y y + ·
2 2 2
ˆ ˆ y x r + ·
ð
ð
74
Pr oceso de Calibr ación (I )
Pr oceso de Calibr ación (I )
ðk
1
es el nuevo parámetro introducido por el modelo de
distorsión de la lente
ðEl modelo de distorsión de la lente no es lineal
ðProceso de calibrado:
1 Obtención de los once parámetros del modelo pin-hole,
considerando k
1
= 0 la primera vez y el valor calculado en el
paso 2 las siguientes veces
2 Despejar k
1
y calcularlo en función de los once parámetros
obtenidos en el paso previo
3 Repetir los dos pasos anteriores hasta que los doce
parámetros converjan
Pr oceso de Calibr ación (I I )
Pr oceso de Calibr ación (I I )
ðAlgoritmo:
Ctes(t) = (f, u
0
, v
0
, k
u
, k
v
, ψ, θ, φ, t
x
, t
y
, t
z
)(t)
t = 0
k
1
(t) = 0
Ctes(t) = 0
Repetir
t = t + 1
Calcular Ctes(t) con k
1
(t-1)
Calcular k
1
(t) con Ctes(t)
Hasta que Ctes(t) == Ctes(t-1) y k
1
(t) == k
1
(t-1)
75
Plant illa de Calibr ado (I )
Plant illa de Calibr ado (I )
Plant illa de calibr ado (I I )
Plant illa de calibr ado (I I )
76
Modelo de Cámar a Basado en I nt er polación
Modelo de Cámar a Basado en I nt er polación
ðCaracterísticas:
û Método válido para análisis de escenas formadas por
planos (pared, suelo, lateral plano de un objeto, etc.)
û Independiente de la posición de la cámara y de la distancia
focal
û No existen parámetros de calibrado
û Existen dos matrices con las posiciones reales y de imagen,
respectivamente, de los puntos de calibrado
û Transformación directa entre coordenadas reales y
coordenadas de imagen
û Minimiza el efecto de la perspectiva y de la distorsión radial
Tr ansf or mación de Coor denadas
Tr ansf or mación de Coor denadas
ð Las transformación de
coordenadas se realiza
pasando de un espacio
bidimensional (plano XY) a
otro (plano uv)
ð Correspondencia biunívoca
entre las coordenadas de
imagen y reales en los puntos
de calibrado
ð Interpolación bilineal entre los
puntos de calibrado para
obtener el resto de puntos
77
I nt er polación Bilineal
I nt er polación Bilineal
ð Se obtienen los puntos de calibrado más próximos que rodean al
punto a transformar
ð Se calcula la interpolación de cada coordenada por separado
Visión Est ér eo
Visión Est ér eo
ðObjetivo: reconstrucción de las coordenadas 3D de los
puntos de una escena desde varias imágenes tomadas
por cámaras diferentes de las cuales se conoce su
posición y orientación
ðConceptos básicos
û Ambigüedad de la correspondencia
û Restricciones
û Rectificado
û Técnicas de correlación
78
Ambigüedad de la Cor r espondencia (I )
Ambigüedad de la Cor r espondencia (I )
ðDado un punto perteneciente a un objeto en una imagen
es difícil determinar cuál es su homólogo en la otra
imagen, ya que puede haber varios candidatos
ðCuestiones que se plantean:
û ¿Qué puntos de la segunda imagen son adecuados para
ser puestos en correspondencia?
û ¿Qué restricciones pueden utilizarse para limitar la
búsqueda del homólogo?
û ¿Cómo se realiza el emparejamiento?
Ambigüedad de la Cor r espondencia (I I )
Ambigüedad de la Cor r espondencia (I I )
ð Problema de correspondencia:
para el punto m
1
hay que decidir
con qué m
2
se corresponde
ð Problema de reconstrucción:
Dado m
1
y m
2
hay que calcular
las coordenadas de M en el
sistema de referencia de la
escena
û Intersección entre las rectas
m
1
C
1
y m
2
C
2
û Resolución del sistema de
ecuaciones
con P
i
matrices de proyección
M P m
M P m
2 2
1 1
·
·
79
Ambigüedad de la Cor r espondencia (I I I )
Ambigüedad de la Cor r espondencia (I I I )
ðPara resolver el problema de correspondencia hay que
imponer restricciones:
û Restricciones geométricas impuestas por el sistema de
cámaras: destaca la restricción epipolar
û Restricciones geométricas que surgen según la
posición desde la que se observen los objetos:
suposición de que la distancia al objeto varía ligeremente
en cualquiera de sus partes (poliedros)
û Restricciones físicas que surgen de la manera en que
los objetos interaccionan con la iluminación: implica
utilizar modelos para las fuentes de luz y para las
superficies de reflectancias (modelo lambertiano)
Pr imit ivas de Puest a en Cor r espondencia
Pr imit ivas de Puest a en Cor r espondencia
ðLas primitivas de correspondencia representan elementos
(puntos, líneas, regiones) seleccionados para encontrar
correspondencias entre dos vistas estereoscópicas de
una misma escena
û Primitivas basadas en la intensidad: se correlan píxeles
(o ventanas) atendiendo a sus niveles de gris
û Primitivas basadas en bordes: se utilizan los puntos de
los bordes para emparejar los puntos homólogos
û Primitivas basadas en regiones: se establecen
correspondencias entre regiones, que son menos sensibles
al ruido. Hay menor ambigüedad
80
Rest r icciones
Rest r icciones
ðSe imponen restricciones geométricas para limitar el
espacio de búsqueda del homólogo
ðRestricciones más comunes:
û Restricción epipolar
û Criterio de unicidad
û Restricción de continuidad
û Restricción de ordenación
û Restricción de planaridad
Rest r icción Epipolar (I )
Rest r icción Epipolar (I )
ðEs la restricción más conocida y estudiada
ðPermite reducir el espacio de búsqueda de dos a una
dimensión
ðDefiniciones:
û Plano epipolar ℘
û Líneas epipolares
û Epipolos
û Línea base.
81
Rest r icción Epipolar (I I )
Rest r icción Epipolar (I I )
Car act er íst icas de la Rest r icción Epipolar (I )
Car act er íst icas de la Rest r icción Epipolar (I )
ðLas líneas epipolares son el resultado de la intersección
del plano epipolar con cada uno de los planos imagen
ðLos epipolos son únicos para un mismo sistema
estereoscópico
ðTodas las líneas epipolares pasan por los epipolos
ðLa línea base es única para un sistema estereoscópico
dado
ðTodos los planos epipolares pasan por la línea base
ðDado m
1
, m
2
se encuentra en la epipolar ep
2
(2D ⇒1D)
ðEs simétrica (m
1
busca m
2
en ep
2
y m
2
busca m
1
en ep
1
)
82
Car act er íst icas de la Rest r icción Epipolar (I I )
Car act er íst icas de la Rest r icción Epipolar (I I )
ðSi los planos imagen son paralelos los epipolos se van al
infinito y todas las epipolares son paralelas
Cr it er io de Unicidad
Cr it er io de Unicidad
ðPara cada punto de la imagen 1 existe a lo sumo un punto
homólogo en la imagen 2 (los objetos deben ser opacos)
ðLas líneas y áreas tienen infinitos puntos independiente-
mente del punto de vista desde el que se observen
ðExisten problemas debido al error de discretización
debido al proceso de digitalización
83
Rest r icción de Cont inuidad
Rest r icción de Cont inuidad
ð También llamada restricción de disparidad
ð Se basa en la “suavidad” de las superficies de los objetos
ð Función de disparidad
ð Un vecino n
1
de m
1
encuentra a su homólogo n
2
con una disparidad
próxima a d
z d 1 ·
Rest r icción de Or denación (I )
Rest r icción de Or denación (I )
ð Dado un punto M, existe una zona prohibida ligada a M en la que no
podrán verse simultáneamente dos puntos pertenecientes a un
mismo objeto opaco de grosor no nulo
ð Para un punto N situado en la zona prohibida de M, el orden de las
proyecciones de los puntos N y M es idéntico en ambas imágenes:
E
1
m
1
n
1
y E
2
m
2
n
2
84
Rest r icción de Or denación (I I )
Rest r icción de Or denación (I I )
ð Esta restricción puede utilizarse para eliminar candidatos de n
1
conociendo el par estéreo m
1
y m
2
ð Si M y N no pertenecen al mismo objeto, no se puede aplicar la
restricción de ordenación
Rest r icción de Planar idad
Rest r icción de Planar idad
ðSe aplica cuando los puntos de los que se va a buscar un
par estéreo pertenecen a un plano
ðExiste un transformación analítica que consiste en una
rotación y una traslación de los parámetros del plano
desde una imagen a la otra
85
Rect if icado
Rect if icado
ð Se aplica para asegurar una geometría epipolar simple para un par
estéreo, es decir, epipolos en el infinito y epipolares paralelas a las
filas de la imagen
ð La digitalización realiza un muestreo de la escena que obliga a
realizar una interpolación bilineal de las intensidades de la imagen
Técnicas de cor r elación (I )
Técnicas de cor r elación (I )
ðAmbas imágenes tienen que estar previamente
rectificadas
ðSe considera una ventana rectangular de tamaño
(2P+1)x(2N+1) centrada en (u,v) para encontrar las
coordenadas del píxel de la segunda imagen
ðSe calcula la correlación C
12
(τ) de la primera imagen con
la segunda a lo largo de la fila v
ðτ indica el desplazamiento a lo largo de la fila v
ðLa correlación no es simétrica, es decir, C
21
(τ) obtiene
resultados diferentes
86
Técnicas de cor r elación (I I )
Técnicas de cor r elación (I I )
( )( )
∑ ∑
− · − ·
+ − + + + − + + ·
N
N u
P
P v
v u I v v u u I v u I v v u u I
K
C
1 1
) , ( ) , ( ) , ( ) , (
1
) (
2 1 1 2 1 1 1 1 12
τ τ τ
) , ( ) , ( ) 1 2 )( 1 2 (
2 1
v u v u P N K τ σ σ + + + ·
∑ ∑
− · − ·
+ +
+ +
·
N
N u
P
P v
v v u u I
P N
v u I
1 1
) , (
) 1 2 )( 1 2 (
1
) , (
1 1 1 1
∑ ∑
− · − ·
+ + +
+ +
· +
N
N u
P
P v
v v u u I
P N
v u I
2 2
) , (
) 1 2 )( 1 2 (
1
) , (
2 2 2 2
τ τ
( )
∑ ∑
− · − ·
+ − + + +
+ +
· +
N
N u
P
P v
v u I v v u u I
P N
v u
1 1
2
1 1 1 1
2
1
) , ( ) , (
) 1 2 )( 1 2 (
1
) , ( τ τ τ σ
( )
∑ ∑
− · − ·
+ − + + +
+ +
· +
N
N u
P
P v
v u I v v u u I
P N
v u
2 2
2
2 2 2 2
2
2
) , ( ) , (
) 1 2 )( 1 2 (
1
) , ( τ τ τ σ
Ej emplos de SVA - MORPHECO (I )
Ej emplos de SVA - MORPHECO (I )
ðMORPHECO: Codificación Morfológica para el
Almacenamiento y Transmisión de Imágenes Digitales
ðCompresión basada en objetos (mayor compresión)
ðCodificación de contornos y de texturas por separado
ðPosibilidad de ajustar los ratios de compresión mediante
la configuración de:
û Número de iteraciones
û Tamaño del elemento estructurante
87
Ej emplos de SVA - MORPHECO (I I )
Ej emplos de SVA - MORPHECO (I I )
ðRatios de compresión > 30 : 1
û MORPHECO obtiene mejor calidad que JPEG
ðRatios de compresión ≈ 30 : 1
û La recuperación global de la escena es similar en
ambos casos
ðRatios de compresión < 30 : 1
û JPEG obtiene mejor calidad que MORPHECO
Ej emplos de SVA - PRYCA
Ej emplos de SVA - PRYCA
ðAplicación para la cadena de supermercados PRYCA
ðRepresentación Multiescala de Imágenes
ðElevados Niveles de compresión
ðTransmisión Progresiva
û Ante la solicitud de una imagen (y otros datos del producto)
por parte de un supermercado, la estación de trabajo de la
central la enviará de forma progresiva (utilizando
codificación morfológica) hasta que se produzca la
recepción de conformidad
88
Ej emplos de SVA - FI DESY
Ej emplos de SVA - FI DESY
ðFIDESY (Fire Detection System) en entornos industriales
ðCámara de Infrarrojo
û Localización del fuego
û Segmentación de la estructura fractal
ðCámara de visión normal
û Comprobación dentro del rango visible
ðActivación automática de los equipos anti-incendios y/o
aviso a los servicios de extinción de incendios más
cercanos
Ej emplos de SVA - CAVA
Ej emplos de SVA - CAVA
ðCAVA (Control de Acceso a Vehículos Automóviles)
M-1111-Z
Barrera
Foco Infrarrojo Cámara
ðSegmentación de la matrícula basada en sus
características geométricas
ðReconocimiento de los caracteres mediante una red
neuronal entrenada previamente
89
Ej emplos de SVA - GERSA
Ej emplos de SVA - GERSA
ðDetección automática de futuras averías en las líneas del
tendido eléctrico
ðUna avioneta o helicóptero recorre la línea del tendido
eléctrico realizando una grabación en vídeo mediante un
sensor infrarrojo-visible
ðEn el laboratorio se analiza la grabación en busca de
puntos calientes en las catenarias
û Se buscan zonas iluminadas (calientes)
û Se analiza si se corresponden con un cable del tendido o no
û Se determina la ubicación de la avería
Ej emplos de SVA - PARTI TURAS
Ej emplos de SVA - PARTI TURAS
ð Segmentación
û Umbralización por histograma local
û Búsqueda de pentagramas
û Eliminación de las líneas del pentagrama mediante morfología matemática
û Búsqueda de notas de izquierda a derecha
ð Descripción
û Altura relativa de la nota: obtención del tono
û Teselado de la imagen de la nota
ð Clasificación
û Perceptrón Multicapa
SVA
Partitura en
formato BMP
Fichero MIDI
90
Ej emplos de SVA - I nspección Visual
Ej emplos de SVA - I nspección Visual
ðCinta Transportadora
ð8 cámaras + 1 de alta resolución
ð2 tarjetas digitalizadoras
ð1 PLC
ð2 zonas de captación con un volteador de objetos
ðReconocimiento de defectos en los objetos a inspeccionar
ðSelección de la línea de salida según el tipo de defecto
detectado
Bibliogr af ía
Bibliogr af ía
ð “Reconocimiento de Formas y Visión Artificial.”
û Darío Maravall
ð “Digital Image Processing”
û R.C. Gonzalez y P. Wintz.
ð “Machine Vision”
û Davies
ð “Computer Vision and Image Processing”
û Linda Shapiro
ð “Image Processing, Analysis and Machine Vision”
û Milan Sonka, Vaclav Hlavac y Roger Boyle
ð “A Versatil Camera Calibration Technique for High-accuracy 3D Machine
Vision Metrology Using Off-the-self TV Cameras and Lens”
û Roger Y. Tsai
ð “Three Dimensional Computer Vision”
û Olivier Faugeras

Sign up to vote on this title
UsefulNot useful