Curso de Ingeniería.

"Visión Artificial"
2019

TP04: PROCESOS PUNTUALES

Jorge Arturo Flores Rodriguez, Dr. Jonathan Cepeda Negrete.
Universidad de Guanajuato. DICIVA.
Licenciatura en Ingeniería Mecánica Agrícola.
jafloresrodriguez@ugto.mx, j.cepeda@ugto.mx.

Abstract. El presente reporte abarca un tema en aprender a la correlacion.

donde 𝑓1 denota el complejo conjugado de 𝑓.

INTRODUCCIÓN.
En este reporte se presenta el concepto de
correlación y ejemplos de saber la importancia
de conocer algunas operaciones de imágenes
digitales con esta aplicación. Se trata de
herramientas muy útil, que se encuentra
frecuentemente disponible en programas de
edición de imágenes o se ofrece como ayuda
en la pantalla de algunas cámaras digitales y
otros tipos de imágenes.
Normalmente tratamos con funciones reales -
imágenes-, en cuyo caso 𝑓 = 𝑓 1 .
La función de correlación tiene exactamente
la misma forma que la función de
convolución, con las excepciones del
complejo conjugado y del signo positivo del
segundo término del sumatorio, como vimos
anteriormente en la ecuación (3.32).

Un filtro adaptado es un sistema lineal

invariante cuya función principal es detectar
la presencia de una señal conocida, o
referencia, dentro de una señal recibida. La
señal a la salida del filtro será la correlación de
la señal referencia con la señal desconocida.
Este procedimiento es equivalente a realizar
la convolución de la señal desconocida con
una versión retardada de la señal, que usamos
como referencia. La correlación
bidimensional discreta de dos funciones
𝑓(𝑥, 𝑦) y ℎ(𝑥, 𝑦) de tamaño 𝑀 𝑥 9 se define
como:
𝑓(𝑥, 𝑦) ∗ ℎ(𝑥, 𝑦) =
𝑀−1 𝑁−1
1
= ∑ ∑ 𝑓1(𝑛, 𝑚)ℎ(𝑥 − 𝑚, 𝑦 − 𝑛)
𝑀𝑁
𝑚=0 𝑛=0
(3.33)
Dada la similitud entre ambas, existe
asimismo el teorema de la correlación,
análogo al de la convolución. Si denotamos
𝐹(𝑢, 𝑣) y 𝐻(𝑢, 𝑣) a las transformadas de
Fourier de 𝑓(𝑥, 𝑦) y ℎ(𝑥, 𝑦), respectivamente,
podemos apreciar lo anterior en la Tabla 3.2.

𝑓(𝑥, 𝑦) 𝑜 ℎ(𝑥, 𝑦) =
1
= ∑𝑀−1 𝑁−1
𝑚=0 ∑𝑛=0 𝑓1(𝑛, 𝑚)ℎ(𝑥 + 𝑚, 𝑦 + 𝑛)
𝑀𝑁
(3.32)
DESARROLLO y RESULTADOS

1.- De entrada tenemos una imagen original

figura 1, a la cual aplicamos la función de
suavizado, mostrando una imagen resultante
de una matriz 3x3 figura 2 como de otra 5x5 Figura 3. 5x5
figura 3
2.- Se realizo la correlación de dos marices
teniendo las mismas dimensiones, pero con
diferentes elementos.

3.- Al efectuar una correlación entre

imagenes, especial cuidado debe ponerse en
la forma de manejar la resultante, ya que ́esta
es de dimensión mayor a cualquiera de las
imágenes originales. Lo que generalmente se
requiere es la imagen resultante al extraer un
recorte de tamaño igual a la imagen bajo
prueba, centrado e ́ ste en la imagen de
correlación.

Figura 1. Original

Figura 4.

6.- Correlacionar una imagen de muestra

proporcionada por el profesor con una
pequeña perteneciente a alguna parte de la
Figura 2. 3x3 misma.
 7.- Si se gira la imagen muestra 𝜋⁄2 𝑟𝑎𝑑
grados y se realiza el corrimiento no se
obtiene el mismo resultado.

Figura 5. Imagen entrada

Figura 8. Imagen rotada

CONCLUSIONES.
Figura 6. Imagen perteneciente a la entrada

La correlación con imágenes suele ser muy

útiles nos ayuda a que el proceso que lleva el
análisis de imagen sea más sencillo, a tener
un control más estable en el manejo de
matrices en áreas seccionadas de las
imágenes siempre y cuando se tenga practica
escribiendo código.

Figura 7. Imagen salida