1

Práctica 4. Operadores morfológicos y

manipulación de bordes.
(revisado octubre 2019)
Leslie Trejo Zamudio, Ana María Hernández Moreno

Resumen— Se implementará los conocimientos adquiridos en las diferentes sesiones de clase para realizar un
preprocesamiento de imágenes a partir del lenguaje de programación Python con las librerías de Open Cv (librería de visión
por computador) con el objetivo de realizar detección de forma y modificaciones con operadores morfológico.

Abstract— The acquired knowledge in the different class sessions will be implemented to perform a preprocessing of images
from the Python programming language with the OpenCV libraries (computer vision library) with the objective of shape detection
and modifications with morphological operators.

Palabras claves— Python, librerías de OpenCV, operadores morfológicos, procesamiento, detección.

Index Terms— Python, OpenCV libraries, operators morphogical, preprocessing, geometric, detection.

——————————  ——————————

1 INTRODUCCIÓN.

E n este informe, se aplicaran los conocimientos adquiri-

dos en las diferentes sesiones de clase para la manipu-
lación de imágenes con el lenguaje de programación
Python y las librerías de Open CV, en esta práctica se hará
énfasis en la segmentación de las imágenes utilizando di-
ferentes operaciones de detección de bordes; además de
operaciones morfológicas para conocer la forma y la es-
tructura del contenido de la imagen.

2 PROCEDIMIENTO

2.1 Identificaciones de formas

Imagen 1. Contorno de un pentágono detectado
En este apartado se realiza una identificación de formas
por medio de detección de bordes y operadores morfológi-
cos a partir de un video en tiempo real, las formas que se
utilizan son: Un rombo, pentágono, hexágono, círculo y co-
razón.

Imagen 2. Mensaje de pentágono detectado

——

——————————————

 Leslie Trejo Zamudio estudia ingeniería mecatrónica en el Instituto Politec-

nico Nacional E-mail: leslietrejo293802@correo.itm.edu.co.
 Ana maría Hernández Moreno estudia ingeniería mecatrónica en el Insti-
tuto tecnológico Metropolitano ITM (e-mail: anahernandez205388@co-
rreo.itm.edu.co)
2 IEEE TRANSACTIONS ON JOURNAL NAME, MANUSCRIPT ID

Imagen 3. Contorno de un hexágono encontrado Imagen 7. Contorno de un círculo encontrado

Imagen 8. Mensaje de un círculo encontrado

Imagen 4. Mensaje de hexágono detectado

Imagen 5. Contorno de un rombo encontrado Imagen 9. Contorno de corazón detectado

Imagen 6. Mensaje de un rombo encontrado Imagen 10. Mensaje de corazón dectado

AUTHOR ET AL.: TITLE 3

2.2 Segmentación de dientes de un tornillo

En este apartado, se encuentra el número de dientes

que posee un tornillo, para esto, se aplica operaciones de
segmentación y operaciones morfológicas. La imagen ori-
ginal debe ser convertida a una escala de grises, se aplica
operaciones para detección de bordes y luego operación
morfológica de erosión y de dilatación.

Imagen 14. Imagen con un operador morfológico cerrado

Imagen 11. Imagen original

Imagen 15. Imagen con un operador morfológico abierto

Imagen 12. Imagen con operación morfológica de

erosión y dilatación

Al ejecutar el código se obtiene que el tornillo posee 24

dientes.

2.3 Aplicación de operadores morfológicos Imagen 16. Imagen original

Se aplicará algunos operadores morfológicos para lle-

gar a la imagen resultado que plantea el profesor en la
práctica.

Imagen 17. Imagen con operación morfológica

abierta

Imagen 13. Imagen de entrada

4 IEEE TRANSACTIONS ON JOURNAL NAME, MANUSCRIPT ID

Imagen 18. Imagen con operación morfológica de dila-

tación

3 CONCLUSIONES

Durante esta práctica se aplica operadores morfológi-

cos a distintos ejercicios, con el fin de encontrar la forma de
diferentes figuras y el número de dientes en un tornillo,
además, se identifica se identifica que tipo de operador
aplicar para obtener el resultado deseado.

En la segmentación o procesamiento de una ima-

gen, uno de los grandes factores a tener en cuenta es la
iluminación, ya que esta puede variar en el entorno y
hacer un poco más complejo el proceso de segmenta-
ción con un video en tiempo real.

REFERENCES
[1] J OpenCV. (s.f.). Open Source Computer Vision. Obtenido de Open
Source Computer Vision: https://docs.opencv.org/3.4/d8/dc8/tuto-
rial_histogram_comparison.html
[2] Rosebrock, A. (14 de 07 de 2014). pyimagesearch. Obtenido de pyima-
gesearch: https://www.pyimagesearch.com/2014/07/14/3-ways-
compare-histograms-using-opencv-python/
[3] Tutor de programación. (17 de 08 de 2017). Obtenido de http://aco-
digo.blogspot.com/2017/08/histogramas-opencv-python.html
[4] marketingbcnvision. (11 abril del 2017). Obtenido de
http://www.bcnvision.es/blog-vision-artificial/iluminacion-
vision-artificial2/