UNIVERSIDAD NACIONAL DE SAN MARTÍN

FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA

Escuela Profesional INGENIERÍA DE SISTEMAS E INFORMÁTICA
Semestre Académico 2022 - I

GUÍA DE PRÁCTICA DE LABORATORIO

NOMBRES Y
APELLIDOS

CURSO INTELIGENCIA ARTIFICIAL CICLO IX

SEMANA 3 FECHA 16.05.2022 N° DE PRÁCTICA 2

DOCENTE Ing. John Clark Santa María Pinedo

CAPACIDAD Aplica diferentes algoritmos y técnicas para la extracción de características de

un objeto.

LOGRO DEL Instala la plataforma Anaconda para el desarrollo de las prácticas de laboratorio
APRENDIZAJE del curso.

I. FUNDAMENTO TEÓRICO
Reconocimiento de patrones. El reconocimiento de patrones es la disciplina científica que trata
de emular el proceso cognitivo que el ser humano emplea para clasificar objetos. El desarrollo de
reconocimiento de patrones está aumentando rápidamente; y los campos relacionados y las
aplicaciones desarrolladas cada vez son más amplias.

Anaconda. Anaconda es una distribución libre y abierta de los lenguajes Python y R, utilizada en
ciencia de datos, y aprendizaje automático. Esto incluye procesamiento de grandes volúmenes de
información, análisis predictivo y cómputos científicos.

II. EQUIPOS Y MATERIALES

 Computadora personal o Laptop.
 Anaconda Software.
 Guía de práctica de laboratorio

III. PROCEDIMIENTOS
1. Debemos ingresar a la plataforma de Anaconda Software:
2. Seleccionamos la opción ENVIROMENTS

3. Una vez que veamos el entorno de ENVIROMENTS seleccionamos la opción Not instaled y
escribimos en el buscador OpenCV

4. Luego, regresamos a HOME y damos clic en LAUNCH a la aplicación Spyder

5. En Spyder, escribimos el código pip install opencv-python

6. Esperamos unos minutos mientras se instala la librería OPENCV

7. La consola Spyder instala la librería opencv

8. Luego, instalamos Numpy, insertando el siguiente texto pip install numpy.

9. Ahora, volvemos al entorno de Anaconda Software y seleccionamos la consola de Spyder

10. A continuación, iniciamos accediendo a la consola de Spyder

11. Luego, insertamos el siguiente código.

import cv2
import numpy as np

img1 = cv2.imread('manzanas.jpg', 0)
img2 = cv2.imread('peras.jpg', 0)
img3 = cv2.imread('platanos.jpg', 0)
img4 = cv2.imread('naranjas.jpg', 0)

# disminución

res1 = cv2.resize(img1,(550,530),interpolation=cv2.INTER_CUBIC)
res2 = cv2.resize(img2,(550,530),interpolation=cv2.INTER_CUBIC)
res3 = cv2.resize(img3,(550,530),interpolation=cv2.INTER_CUBIC)
res4 = cv2.resize(img4,(550,530),interpolation=cv2.INTER_CUBIC)

# Filtro por Gausiano

blur_g1 = cv2.GaussianBlur(res1, (5,5), 0)

blur_g2 = cv2.GaussianBlur(res2, (5,5), 0)
blur_g3 = cv2.GaussianBlur(res3, (5,5), 0)
blur_g4 = cv2.GaussianBlur(res4, (5,5), 0)

# Método por Umbral

_,bin1 = cv2.threshold(blur_g1, 100, 255, cv2.THRESH_BINARY)

_,bin2 = cv2.threshold(blur_g2, 100, 255, cv2.THRESH_BINARY)
_,bin3 = cv2.threshold(blur_g3, 100, 255, cv2.THRESH_BINARY)
_,bin4 = cv2.threshold(blur_g4, 100, 255, cv2.THRESH_BINARY)

# Mostrar

cv2.inshow('imagen1',bin1)
cv2.inshow('imagen2',bin2)
cv2.inshow('imagen3',bin3)
cv2.inshow('imagen4',bin4)

cv2.waitkey(0)
 cv2.destroyAllWindows()

12. El siguiente paso será realizar tres conclusiones acerca del código en su computador y pegar
una imagen del resultado obtenido.

IV. RESULTADOS


