Computación y Sistemas Vol. 3 No.2 pp.

88- 97
@ 1999, CIC -IPN. ISSN 1405-5546 Impreso en México

Segmentación de Defectos Superficiales en Alambrón de

Co bre

F .J .Madrid, R. MediDa, M. Prieto y A. Carmona

Universidad de Córdoba
Córdoba, España
teléfono: 34 57211035
e-mail:ma1macuf@uco.es

Artículo recibido el24 de mayo, 1999; aceptado el 28 de agosto, 1999

-.u~,

Resumen 1 Introd ucción

En este trabajo se exponen los resultados obtenidos en la El alambrón de cobre es la materia prima utilizada para
segmentación de imágenes correspondientes a muestras la fabricación de hilo de cobre y otros derivados. Du-
de alambrón de cobre, con forma cilíndrica, en las que se rante el proceso de fabricación, se pueden producir, de-
aprecian determinados defectos debidos al propio proceso bido a distintos factores físico/químicos y mecánicos,
de fabricación. una serie de desperfectos en el alambrón que influirán
Los resultados obtenidos se basan en un método de directamente tanto en la calidad de éste como en la
preprocesamiento original de la imágen de alambrón. Se calidad de los productos obtenidos a partir del mismo
han empleado en los ensayos realizados algoritmos de
(Pops, 1988b) .Actualmente, el control de calidad que
umbralización global, que "a priori"no parecen indica- se lleva a cabo durante el proceso de fabricación consiste
dos por las características de los defectos a detectar, lo básicamente en obtener, a partir de la bobina de alam-
que permite comprobar la robustez del método de pre- brón fabricada, una serie de muestras ( cilindros de unos
procesamiento que se propone. Asi mismo, se han con- 8 mm. de diámetro y 20 cm. de longitud a los que se le
trastado los resultados obtenidos con métodos orientados aplica un proceso de torsión) las cuales son examinadas
al análisis de texturas. El método ideado limita con- visualmente por parte de un operario que le asigna una
siderablemente el problema de la reflexión especular que determinada cuantificación de la calidad del material
aparece cuando se trabaja con superficies metálicas de fabricado. La cuantificación realizada es de vital impor-
forma cilíndrica. tancia, debido a que es la que determina el tipo de uso
al que será destinado el alambrón y, basándose en ello,
Palabras Clave el precio final del material (Pops et al., 1988), (Giirtner,
Segmentación, Preprocesamiento. 1990). En la figura 1 puede apreciarse un esquema del
proceso actual de fabricación.
Si bien la detección visual de los defectos es un pro-
ceso simple para el ser humano, no ocurre lo mismo
con la cuantificación realizada por el operario. Se trata
de un proceso comprometido por la subjetividad de la
persona que realiza el examen, ya que, se ha contrasta-
do experimentalmente que diferentes individuos clasifi-
can de diferente forma una misma muestra (Giirtner,
1990). Sería por tanto interesante automatizar el pro-
ceso de cuantificación, sobre la base de criterios esta-
bles que permitan reproducir el proceso de clasificación
ante situaciones similares. Es importante citar que en el
proceso de fabricación existen variables que pueden ser
modificadas para limitar la cuantía de los defectos que
aparecen.

88
 F. J. Madrid, R. Medina, M. Prieto y A. Carmona: Segmentación de Defectos Superliciafes en Afambrón de Cobre

El primer paso, para el estudio del defecto esca-

ma mediante Visión Artificial, es la segmentación de
dicho defecto. Las dificultades comentadas anterior-
mente provocan que métodos de umbralización clásicos
no den resultados satisfactorios. Las características de
las imágenes pueden hacer pensar que métodos de seg-
mentaciÓn orientados a texturas puedan dar resultados
mejores, pero de nuevo, las dificultades de este tipo de
imágenes lo impiden.
En el presente trabajo, se propone un método ori-
ginal de preprocesamiento de las imágenes de alambrón
,,!!;~~!l!~.~~~.~~?~~~,:,.~
que permite utilizar algoritmos clásicos de umbralización
global, frente a otro tipo de métodos con más costo com-
putacional como son los orientados a texturas, para seg-
mentar el tipo de defecto escama, objeto de este estudio.
En la sección 2 se muestran los problemas que tales
Figura 1: Esquema de fabricación del alambrón de co- algoritmos presentan en este tipo de aplicación. La
bre. sección 3 muestra los resultados obtenidos en base a
métodos orientados al análisis de texturas. La sección 4
Sin embargo, el problema de sustituir al operario desarrolla el método propuesto y los resultados obtenidos
para localizar visualmente los defectos en una muestra con el mismo, para finalmente exponer las conclusiones
no es ni mucho menos trivial. A pesar de los avances y futuros trabajos en la sección 5.
realizados en Visión Artificial, el tipo de material a exa-
minar complica la aplicación que se trata de desarro-
llar. Ello se debe fundamentalmente a que el sistema de 2 Detección de las Escamas Me-
iluminación a emplear es crítico ya que las reflexiones
diante U mbralización
especulares provocadas por le material metálico pueden
ocultar el defecto a estudiar . Este tipo de defecto aparece tras la torsión del alambrón,
y es provocado principalmente por la presencia de óxido
en su superficie, proveniente tanto de la fundición del
cobre como del óxido acumulado en los rodillos que van
dando forma a la colada de cobre fundido. En la figura
3 se muestra las tres formas más usuales de este tipo de
defecto.

a)

a)
b) c)

Figura 2: Ejemplos de defectos: rugosidad (a), pliegue

(b) y escama (c). ,

Existen distintos tipos de defectos a evaluar. Tér- b) c)

minos como escamas, pliegues y rugosidades son habi-
tualmente utilizados en el proceso de control de calidad.
La figura 2 muestra los diferentes tipos de defectos co- Figura 3: Ejemplos más comunesde escamas
mentados. De los tres tipos de defectos, el tipo escama
tiene una especial importancia y es sobre el que se centra La forma de la escama puede ser tanto una depresióIl
este trabajo. en la superficie (figura 3a),una depresión en la superfi-

89
 F. J. Madrid, R. Medina, M. Prieto y A. Carmona: Segmentación de Defectos Superliciales en Alambrón de Cobre

cie con una textura irregular (figura 3b), o una mezcla imagen, y dado que los algoritmos probados se basan
de depresiones y protuberancias en la superficie, provo- en la información extraída exclusivamente a partir del
cadas por el material que se ha despegado pero que no mismo, difícilmente podrían esperarse resultados satis-
ha llegado a desprenderse por completo (figura 3c). factorios.

2.1 Métodos de U mbralización Basados

en el Histograma
En una primera aproximación se probaron métodos de
umbralización basado~ en el estudio del histograma de
la imagen, (Otsu, 1979) (Kapuret al., 1985).
b) (123)
La selección de estos tres métodos se debe a que re-
presentan las tres principales tendencias en los algorit-
mos de segmentación por umbralización del histograma
(Sahoo et al., 1988). El algoritmo de Otsu representa a
los algoritmos basados en la obtención de una función
criterio a partir de estadísticos extraídos del histogra-
ma, y la búsqueda del umbral óptimo que haga máxima
o mínima, según el caso, dicha función criterio. En con-
creto dicho algoritmo busca el umbral que maximiza la
varianza entre clases.
El algoritmo de Kapur et al., representa a los algorit-
mos basados en el estudio de la entropía del histograma.
De nuevo se define una función criterio basada en las en-
tropías de objeto y fondo, seleccionándose el umbral que g) (60) i) (108)
maximice o minimice, según el caso, dicha función. En
el algoritmo se define la función criterio como la suma de
las entropías de objeto y del fondo, obtenidas a partir de Figura 4: Resultados de umbralizar la imágenes de la
sus distribuciones de probabilidad, que son aproximadas figura 3 mediante los algoritmos de otsu, Kapur et al.
normalizando el histograma. y Rosenfeld et al. (los números representan los umbrales
Por último el algoritmo de Rosenfeld et al. , represen- seleccionados) .
ta a los algoritmos que examinan la curva que define el
histograma, estudiando las concavidades, convexidades
y la relaciones entre ambas. En general, una convexidad 2.2 Métodos Basados en Estadísticos de
del histograma representará a un objeto en la imagen Segundo Orden
y las concavidades se utilizan para seleccionar el um-
bral que mejor separa el objeto del fondo. El algoritmo La observacióQvisual de las imágenes originales permite
calcula el casco po}igonal convexo h(i) del histograma distinguir claramente las zonas defectuosas. Esto es de-
h(i), y estudia la forma de la función f(i) = h(i)- h(i). bido a que estas zonas presentan una relación espacial
Los máximos de esta función representan los puntos con entre los niveles de gris muy diferente a la relación espa-
mayor distancia vertical entre el casco poligonal convexo cial en las zonas sin defecto, es decir, tienen una textura
y el histograma y son seleccionados como candidatos a muy diferente.
umbral. Existen distintas formas de estudiar las relaciones
Los resultados obtenidos tras umbralizar las tres imá- espaciales entre los pixels de una imagen desde un pun-
genes de la figura 3 se pueden apreciar en la figura 4. to de vista estadístico. Una de las más utilizadas es la
Como puede observarse, los tres algoritmos fallan en las matriz de coocurrencias. Si 6 = (r,B) define un vec-
tres imágenes de prueba, mezclando zonas con defec- tor en coordenadas polares de la imagen, la matriz de
to con zonas libres de defecto, y aislando sólo aquellas coocurrencia representa la probabilidad de ocurrencia
zonas en las que se produce reflexión especular de la luz. conjunta de pares de niveles de gris correspondientes a
En general, la relación área con defecto frente al área puntos de la imagen separados por 6.
libre de defecto es muy pequeña y la distribución de Otra forma de caracterizar las relaciones espaciales
niveles de gris en las zonas con defecto es muy dispersa. entre pixels es el denominado scatter plot. El scatter plot
Como consecuencia de ello, las zonas con defecto tienen representa un histograma bidimensional de los niveles de
muy poca influencia en la forma del histograma de la~ gris, junto con los niveles de gris promedio calculados en
un entorno de vecindad de cada pixel.

90
 F. J. Madrid, R. Medina, M. Prieto y A. Carmona: Segmentación
Se han probado varios algoritmos que utilizan ~s-
tadísticos de segundo orden (Abutaleb, 1989), (Brink,
1992) y (Pal et al., 1991).
El algoritmo de Pal et al. se basa en el estudio de la
matriz de coocurrencias. Una vez calculada la matriz, si
se fija un nivel de gris s, se pueden definir en la matriz
cuatro zonas: A: {(o,o),(s,s)}, B : {(O,s),(s,L -1)},
C : { (s, s), (L -1, L -1)} y D : { (s, O), (L -1, s)}, donde
L es el número de niveles de gris presentes en la imagen.
Teniendo en cuenta que las zonas A y C de la matriz
corresponden a las distribuciones de objeto y fondo, y
que las zonas B y D corresponden a las distribuciones
de transición fondo a objeto, objeto a fondo y ruido, se
pueden definir dos criterios de segmentación utilizando
el concepto de entropía. El primer criterio seleccionará
el umbral s que haga máxima la suma de las entropías
de las zonas A y C, y el segundo seleccionará el umbral
s que haga mínima la suma de las entropías de las zonas
B yD.
Las propuestas de Abutaleb parten del cálculo del
scatter plot. Si se fija la pareja umbral (s, t), se pueden
definir cuatro zonas en el mismo: A: {(o,o),(s,t)},
B: {(s,O),(L-l,t)}, C : {(s,t),(L-l,L-l)}
D : {(O,t), (s,L -1)}. De nuevo, las zonas A y C de
la matriz corresponden a las distribuciones de objeto y
fondo, y las zonas B y D corresponden a las distribu- .
ciones de transición fondo a objeto, objeto a fondo y
ruido. Abutaleb propone seleccionar la pareja umbral
(s, t) que haga máxima la suma de las entropías de las
zonas A y C. Brin k sugiere una forma distinta de calcu-
lar las entropías de las zonas A y C, y además propone
seleccionar la pareja umbral (s, t) que haga máximo el
valor más pequeño de las entropías de A y C.
Los resultados, junto con los umbrales obtenidos,
tras segmentar las tres imágenes de la figura 3 se pueden
apreciar en la figura 5. Como se puede apreciar en la
figura, los métodos de "segmentación ensayados también
fallan, aislando sólo aquellas zonas donde se produce re-
flexió~~specular de la luz.
3 Detección de Escamas Median-
te Métodos Basados en Aná-
lisis de Texturas
Los resultados obtenidos en la sección 2.2 parecen dar
a entender que las texturas presentes en la imagen no
son de una fácil caracterización estadística. Parece con-
veniente ensayar métodos de análisis de texturas en los
que el componente estadístico se minimice. Bajo esta
filosofía se han probado diferentes métodos (Palmer et
al,,1995) (Laws, 1980) y (Jain et al., 1991).
de Defectos Superficiales en Alambrón de Cobre
a) (112) b) (11~ c) (124,124)
d) (155) e) (119,119) f) (150,150)
g) (146) h) (137,137) i) (106,106)
Figura 5: Resultados de umbralizar las imágenes de la
figura 3 mediante los algoritmos de Pal et al., Abutaleb y
Brin k (los números representan los umbrales selecciona-
y dos).
El método de Palmer et al. se basa en el concep-
to de energía sobre cada una de las sub-bandas de la
transformada de Wavelet de la imagen. Una vez cal-
culada la energía de forma local sobre cada sub-banda
se obtiene un vector asociado a cada pixel de la ima-
gen, que caracteriza la textura del mismo. Para realizar
la transformada se ha utilizado el filtro Daubechies de
orden dos (cuatro coeficientes) (Fatemi et al., 1996).
El método de Laws caracteriza la textura de cada
pixel mediante la convolución de la imagen con una serie
de núcleos obtenidos a partir de los vectoresL5, E5, S5,
R5 y W5 (Laws, 1980). Por último, la propuesta de Jain
et al. convoluciona la imagen con una serie de máscaras
de Gabor, aplica un operador no lineal a cada una de las
imágenes filtradas y calcula un operador energía local,
y segmenta utilizando un algoritmo de clustering. En la
selección de los parámetros del banco de filtros de Gabor
se ha seguido la propuesta (Jain et al., 1991).
En los métodos anteriores se ha utilizado el método
de clustering C-Medias difuso (Yager et al., 1987) para
obtener la imagen segmentada.
Los métodos de Laws y Jain proporcionan resultados
muy pobres. Tan sólo los resultados obtenidos por el
método de Palmer merecen ser discutidos. En la figura
6 aparecen los resultados obtenidos sobre las imágenes
de la figura 3. Como puede apreciarse los resultados que
se obtienen inciden de nuevo sobre la problemática de
detección de las zonas donde existe reflexión especular .
91
 F. J. Madrid, R. Medina, M. Prieto y A. Carmona: Segmentación
Figura 6: Imágenes obtenidas mediante el método de
Palmer et al. sobre las escenas de la figura 3.
Figura 7: Imágenes obtenidas mediante el método de
Palmer et al. sobre las escenas a) y c) de la figura 3 al
utilizar 4 clusters
Si se fuerza a que el algoritmo C-Medias difuso de-
tecte cuatro clusters, en lugar de sólo dos, la situación
mejora considerablemente en relación a las zonas de re-
flexión especular , pero siguen sin obtenerse buenos re-
sultados en la detección de los defectos presentes (ver
figura 7) .Es preciso tener en cuenta que el coste com-
putacional de este último método es enorme, frente a
los procedimientos discutidos en apartados anteriores,
sin que ello redunde en una mejora significativa de los
resultados obtenidos.
4 mediante una sistema de coordenadas local en la super-
Método Propuesto
De los apartados anteriores se pueden extraer dos con-
clusiones respecto al mal funcionamiento de los algorit-
mos comentados:
1. Los niveles de gris en las zonas con defecto no
son esencialmente distintos a los niveles de gris
de las zonas sin defecto, sin embargo sí es distinta
la relación espacial entre ellos.
2. Las zonas con reflexión especular tienen gran in-
fluencia, provocando que los algoritmos fallen.
3. Aquellos métodos que consiguen localizar parte de
los defectos confunden dichas zonas con el fondo
de la escena.
o')
de Defectos Supetficiales en Alambrón de Cobre
4.1 Modelos de Iluminación
Los modelos de iluminación pretenden representar la for-
ma en que la luz interacciona con los objetos sobre los
que incide. En última instancia intentan aproximar la
apariencia de una superficie iluminada por una o varias
fuentes de iluminación. Nuestro interés se centra en el
brillo que debería presentar tal superficie.
El brillo de una superficie es proporcional a la in-
tensidad de luz reflejada o emitida por la misma en la
dirección del punto de vista, es decir, el brillo de una
superficie es proporcional a la radiancia de ésta. La ra-
diancia de una superficie depende de la cantidad de luz
que incide sobre ella, de la fracción de luz incidente que
está siendo reflejada, de la dirección desde la cual está
siendo iluminada, y de la posición del observador (Horn,
1986).
Figura 8: Ejemplo de sistema local de coordenadas para
definir las direcciones implicadas en el estudio de la ra-
diancia de una escena.
Se pueden describir todas las direcciones mencionadas
ficie, donde uno de sus ejes lo define el vector normal a la
superficie. En la figura 8 se muestra tal sistema. En di-
cho sistema de coordenadas se puede describir cualquier
dirección mediante dos ángulos {0,1/», donde O represen-
ta el ángulo entre un rayo y la normal a la superficie,
y I/>representa el ángulo entre la proyección perpendi-
cular del rayo sobre la superficie y la línea de referencia
sobre ella. Estos ángulos son denominados ángulo polar
y azimut respectivamente.
La función !{Oi, I/>ijOe,I/>e)denominada función bidi-
mensional de distribución de la refiactancia, indica con
qué brillo aparecerá la escena cuando es iluminada desde
la dirección {Oi, I/>i) y es vista desde la dirección {Oe,I/>e).
La función f se expresa como la relación entre la ra-
diancia medida respecto a la irradiancia a la que está
expuesta la superficie:
 F. J. Madrid, R. Medina, M. Prieto y A. Carmona. Segmentación
!((Ji,<Pi;(Je,<Pe)= oL((Je,<Pe)
OE((Ji,<Pi)
Esta función! también depende del material que for-
ma la superficie y en general es difícil de determinar. Se
han propuestos distintos modelos de iluminación, orien-
tados a la síntesis de imágenes, que tratan de aproximar
la función bidimensional de distribución de la reflactan-
cia de una forma simplificada (Foley, 1990). En estos
modelos, la función! se aproxima como la suma de dos
factores:
I = kd X Id + k s x Is, con (kd + k s = 1)
donde f d describe la componente difusa de f y f s la com-
ponente especular. Existen distintos modelos de ilumi-
nación que calculan ambas componentes en función de
las direcciones de vista e iluminación, el material que
forma la superficie, su textura, etc. (Cook, et al., 1981).
a)
,...y
b)
Figura 9: Distribución de normales a lo largo de una
recta tangente y paralela al eje axial del alambrón, a)
sin defecto, b) con defecto.
4.2 Método de Preprocesamiento
Supongamos un punto de vista perpendicular al eje cen-
tral del alambrón, y sea s una recta paralela al eje axial
del alambrón y tangente a la superficie de éste. Como
el alambrón es prácticamente un cilindro, los vectores
normales a la superficie del alambrón, a lo largo de la
~
de Defectos Superficiales en Alambrón de Cobre
recta s, deben ser prácticamente idénticos. Si el punto
(1) de vista no cambia (se utiliza Pfoyección ortogonal), y
si suponemos que la fuente de luz mantiene una ilumi-
nación homogénea a lo largo de la recta s, la función
bidimensional de distribución de la reflactancia debería
permanecer constante a lo largo de la recta s, o lo que
es lo mismo, el nivel de gris correspondiente a la radian-
cia medida a lo largo de la recta s debería ser constante
(figura ga).
En la realidad el nivel de gris no es constante por
varios motivos:
1. El ruido, siempre presente.
(2) 2. La iluminación no es homogénea a lo largo de la
recta s.
3. El alambrón no es exactamente un cilindro;
4. El perfil atraviesa zonas con defecto
El problema del ruido puede minimizarse utilizando
un filtro de suavizado. El hecho de que la iluminación
no sea homogénea se puede solucionar seleccionando una
fuente de luz apropiada, pero en general, debido a que
la superficie visionada es relativamente pequeña, la ilu-
minaciÓn se mantendrá suficientemente homogénea en
toda el área. El hecho de que el alambrón no sea exacta-
mente un cilindro tiene una influencia poco significativa
debido, al igual que ocurre con la iluminación, a que el
área visionada es relativamente pequeña.
El cuarto motivo es, por tanto, el que más influencia
debe tener con relación a que el nivel de gris no se man-
tenga constante. Como ya se indicó en la introducción,
las zonas defectuosas son debidas a la pérdida de mate-
rial provocado por el proceso de torsión y la presencia
de óxidos. Debido a esta pérdida de material, aparece
una textura muy rugosa que provoca cambios bruscos
en las normales a la superficie, incluso a lo largo de una
recta tangente y paralela al eje axial del alambrón, y
como consecuencia, los niveles de gris a lo largo de tal
recta varían (figura9b).
Supongamos que poseemos una imagen sintética E,
de dimensión M x M, que estima la imagen real que
correspondería a un alambrón libre de defectos. Si el
eje axial del alambrón está alineado con el eje x de la
imagen E, las líneas que satisfacen la ecuación y = k con
O::; k < M deberán presentar un tono de gris constante.
Sea R la imagen real adquirida utilizando las direcciones
de visión e iluminación de la figura 9.
La imagen pre-procesada p definida como p = IR -
El. Esta imagen deberá presentar una gran discrimi-
nación entre las zonas con defecto y zonas sín defec-
to, ya que estas últimas aparecerán con niveles de gris
prácticamente cero, debido a Ja coincidencia de su nivel
de gris en la imagen real R y en la estimada E. Por
93
 F. J, Madrid, R. Medina, M. Prieto y A. Carmona: Segmentación de Defectos Superficiales en Alambrón de Cobre

Tomando la imagen pre-procesada p como entrada

de los algoritmos de segmentación comentados en la sec-
ción 2, los resultados junto con los umbrales obtenidos
pueden verse en las figuras 11 y 12. El resultado obtenido
con el método expuesto en la sección 3 puede verse en la
figura 13 (el resultado del método aplicado a la imagen
b) (68,68) c) (201,201)
e) de la figura 10 no se muestra ya que proporciona una
imagen plana).

, d) (107} , e) (59,59) f) (123,123)

a) (25) b) (66)

~~ g) (75) h) ( 48,48) i) (114,114)

Figura 12: Umbralización de las imágene~ pre.

procesadas mediante los algoritmos de Pal et al. ( a,d,g)
Abutaleb (b,e,h) y Brin k (c,f,i).
h) (61) i) (39)

Figura 11: Umbralización de las imágenes pre-

procesadas mediante los algoritmos de Otsu ( a,d,g) , Ka-
pur et al. (b,e,h) y Rosenfeld et al. (c,f,i).

Como se puede apreciar, todos los algoritmos logran

distinguir las zonas con defecto de las zona sin defecto
restante. También se puede observar como en general
los algoritmos basados en estadísticos de segundo or-
den proporcionan mejóres resultados en concordancia
con (Sahoo et al., 1988). De los tres algoritmos que
utilizan estadísticos de segundo orden el que propor-
ciona mejores resultados es el algoritmo de Abutaleb. El
método discutido en la sección 3 proporciona resultados
similares a los obtenidos por el algoritmo de Abutaleb
pero a costa de un costo computacional excesivo.
5 Conclusiones y Trabajos Futu.
ros
Se propone un método original de preprocesamiento,
basado en conceptos habitualmente empleados para gene-
ración de imágenes sintéticas, y que permite emplear
posteriormente algoritmos de umbralización global obte-
niendo resultados con una buena calidad.
Figura 13: Imágenes obtenidas mediante el método de
Palmer et al. sobre las imágenes b y h de la figura 10 al
utilizar 2 clusters.
La robustez del método propuesto se ha contrastado
empleando algoritmos de umbralización global, puesto
que éstos son, a priori, los menos indicados para este tipo
de problema. Para ello se han utilizado tales algoritmos
sobre las imágenes originales y sobre las obtenidas tras
pre-procesar las mismas con el método propuesto, ob-
servándose en todos los casos un rendimiento significa-
tivamente superior. Como efecto añadido, el método de
preprocesamiento limita considerablemente el problema
derivado de la reflexión especular , sobre todo si se tiene
en cuenta que se trabaja con superficies metálicas.
En el futuro se pretende probar el método de pre-
procesamiento propuesto para la segmentación de los
otros tipos de defecto superficiales del alambrón comen-
tados en la introducción.

95
 F. J. Madrid, R. Medina, M. Prieto y A. Carmona: Segmentación
6 Agradecimientos
El presente trabajo ha sido desarrollado en el marco del
proyecto de investigación TAP-97-0369 financiado por
la Comisión Interministerial de Ciencia y Tecnología.
7 Referencias
Abutaleb A.S., "Automatic Thresholding of Gray-Level
Pictures Using Two-DimensionalEntropy", CVGIP(47),
pp. 22-32, 1989.
Brink, A.D., "Thresholding of Digital Images Using
Two-Dimensional Entropies", PR(25), n. 8, pp. 803-
808,1992.
Cook R.L. Torrance, K.E.," A Refiectance Model for
Computer Graphics"; IEEE-T CG(15), n. 3, pp. 307-
316,1981.
Fogel, I., Sagi, D., "Gabor Filters as Texture Dis-
criminator" .Journal of Biological Cybernetics, 61. pp.
103-113.1989.
Fatemi-Ghomi, N., Palmer, P.L., Petrou, M. "Per-
formance evaluation of texture segmentation algorithms
baesd on wavelets" , Proc. of the workshop on Perfor-
mance Characteristics of Vision Algorithms, ECCV-96,
1996.
Foley, J .D., et al:, " Computer Graphics: Principles and
Practice" , Addison Wesley, 1990.
Giirtner, H., Bohmeier, H.,"Untersuchugen von Kup-
fer Giefwalzdrht" , , Drahtwelt(90) n. 1, pp. 26-31, 1990.
Horn, B.K.P.,"Robot Vision", The MIT Press, Mas-
sachusets, 1986.
Jain, A., Farrokhnia, F ., " Unsupervised Texture Seg-
mentation Using Gabor Filters" , Patter Recognition(24)
n. 12 pp. 1167-1186, 1991.
96
de Defectos Supetficiales en Alambrón de Cobre
Kapur, J.N., Sahoo, P.K., Wong, A.K.C., "A New
Method for Gray-Level Picture Thresholding Using the
Entropiy of the Histogram", CVGIP(29), pp. 273-285,
1985.
Laws, K.I., "Textured Image Segmentation,PhD. the-
sis" , University of Southern California School of Engi-
neering, 1980.
Otsu, N ., " A Threshold Selection Method from Gray-
Level Histograms", IEEE-T SMC(9), n. 1, pp. 62-79,
enero 1979.
Pal, N.R., Pal, S.K.,"Entropy: A New Definition and
its Applications", SMC(21), n. 5, pp. 1260-1270,1991.
Palmer, P.L.,Fatemi-Ghomi, N., Petrou, M.,"Feat.
ure selectionfor the tree-wawelettransform" , Proceed-
ings of 6th International Conferenceon Computer Anal-
ysis of Images and Patterns. pp. 820-825. 1995
Pops, H., Kingsbury, G.,"On the origin of twist test
cracks in copperrolf' , Wire Journal, 1988.
Pops, H.,"CopperRodRequirementsforMagnet Wire",
United Technologies,Essex Group, Metals Laboratory,
Fort Wayne, Indiana.
Rosenfeld, A., De la Torre, P.,"Histogram Concavity
Analysis as an Aid in Threshold Selection", SMC(13),
n. 3, pp. 231-235,1983.
Sahoo, P.K., Soltani, S., Wong, A.K.C.,"A Survey
of Thresholding Techniques",CVGIP(41), pp. 233-260,
1988.
Yager, S., Ovchinnikov, S., Tong, H.T., "Fuzzy
Sets And Applications:SelectedPapers by L.A.Zadeh" ,
John Wiley & Sons. 1987.
F. J. Madrid, R. Medina, M. Prieto y A. Carmona: Segmentación de Defectos Superficiales en Alambrón de Cobre

F.J. Madrid recibió el título de Ingeniero Superior en Informática por la Univer-

sidad de Málaga (España) en 1996. Actualmente, es estudiante del programa de
Doctorado del Departamento de Inteligencia Artificial de la Universidad
Politécnica de Madrid (España) y trabaja como profesor en el Departamento de
Informática y Análisis Numérico de la Universidad de Córdoba (España). Sus
líneas de trabajo incluyen procesamiento/análisis de imagen y sus aplicaciones a

procesos industriales.

R. Medina recibió una licenciatura en Matemáticas por la Universidad de Sevi-

lla (España) en 1978, y el grado de Doctor en Computación por la Universidad
Politécnica de Madrid (España) en 1992. El actualmente trabaja en problemas
de inspección industrial. Sus líneas de trabajo incluyen procesamiento de ima-
gen para aplicaciones industriales.

Manuel Prieto obtuvo el título de Diplomado en Informática por la Universidad

de Córdoba en 1997. Actualmente estudia Ingeniería Informática en la Universi-
dad de Granada y colabora con el Departamento de Informática y Análisis Nu-
mérico de la Universidad de Córdoba. Sus intereses incluyen la Visión Artificial,
los métodos empíricos para la evaluación de algoritmos de segmentación y la
aplicación de la Visión Artificial en procesos industriales.

Angel Carmona es Ingeniero Agrónomo desde 1986, obteniendo el grado de

Doctor Ingeniero Agrónomo en la Universidad de Córdoba, en 1989. Desde 1989
es profesor del Departamento de Informática y Análisis Numérico de la univer-
sidad de Córdoba. En la actualidad trabaja en aplicaciones en visión artificial.
Sus líneas de trabajo incluyen Visión Artificial, especialmente en el reconoci-
miento de objetos.

~-J

97