PERCEPCIÓN COMPUTACIONAL - ACTIVIDAD 2
Filtros espaciales y morfológicos
para identificación de matrı́culas
Abstract—El avance de la visión artificial ha sufrido un
crecimiento exponencial en los últimos años. Uno de sus fines
es ayudar a observar detalles que al ojo humano se le escapan,
ya sea por su tamaño microscópico, por el entorno o incluso, por
la velocidad a la que deben ser registrados. El presente estudio
busca describir como dicha tecnologı́a, nos permite visualizar
matrı́culas eliminando las distracciones presentes en la imagen.
Abstract—The advancement of artificial vision has exponential
growth in recent years. One of its purposes is to help observe details
that escape the human eye, either because of their microscopic size,
because of the environment or even because of the speed at which
they must be recorded. The present study seeks to describe how
this technology allows us to visualize license plates eliminating the
distractions present in the image.
Index Terms—Percepción computacional, Actividad 2, proce-
samiento de imágenes, filtros espaciales, filtros morfológicos.
I. I NTRODUCCI ÓN
A Ctualmente el análisis de imágenes por computación de
forma autónoma es un sector en auge, el cual participa en
diferentes ámbitos de nuestra vida cotidiana. Ejemplos de ello
son el reconocimiento facial a la hora de realizar pagos con
el móvil, en la industria para seleccionar o medir posiciones,
o incluso a la hora de reconocer texto escrito y transcribirlo
en formato digital.
Es en este último ámbito donde se va a centrar el presente
estudio. Concretamente se ha generado un algoritmo que
permita extraer la matrı́cula de un coche a través de filtros
espaciales y morfológicos para su posterior segmentación y
lectura.
En los últimos años la venta de automóviles ha venido
creciendo, tal y como reflejan los datos del Instituto Nacional
de Estadı́stica (INE) [1]. Es por ello por lo que es necesario
ser capaces de realizar una detección rápida y veraz que
permita identificarlos. El criterio más evidente que nos lleva
a diferenciar un vehı́culo de otros es su matrı́cula.
Obviamente cabe destacar el gran interés de obtener este
dato de un coche ya que se puede implementar en difer-
entes facetas, tales como radares de carreteras, detección de
vehı́culos mal estacionados o, incluso, entradas y salidas de
zonas restringidas o garajes.
El mercado está continuamente mejorando en este ámbito
ofreciendo cámaras con mayor resolución que puedan acceder
a capturar múltiples carriles, trabajar bajo malas condiciones
de luz o, incluso, realizando un prefiltrado de la imagen para
facilitar el posterior procesamiento.
1
Por todo ello y para tener una idea clara de la aplicación a
desarrollar es necesario realizar un estudio del estado del arte
para poder proponer mejoras sobre la tecnologı́a ya existente.
II. E STADO DEL A RTE
Actualmente existen diferentes alternativas para detectar
matrı́culas en vehı́culos. De cada metodologı́a parten multitud
de versiones, a cada cual resuelve conflictos presentes en otras
y viceversa, siendo de esta forma aplicaciones estandarizadas
para unas condiciones determinadas.
Una compañı́a que da solución a la búsqueda de matrı́culas
es OPENALPR [2], la cual posee una aplicación de código
abierto que emplea diferentes técnicas, las cuales serán co-
mentadas a continuación.
A. Detección por lı́mites
Este método busca los lı́mites verticales de la imagen
[3]. Para ello estudia la ubicación de lı́mites verticales en
el histograma, localizando de esta forma los laterales de la
matrı́cula. Posteriormente, con ese fragmento vertical de la
imagen, busca los lı́mites horizontales, acotando con ello la
zona en la que se encuentra la matrı́cula.
Dicho modelo de detección posee un inconveniente, ya que,
si la imagen de entrada posee lı́neas verticales tales como ed-
ificios, puede impedir que el software funcione correctamente
y no se obtengan zonas candidatas en la imagen.
B. Detección por binarizado
Otra forma de obtención es a través de un binarizado de la
imagen. Por lo general el blanco es algo no muy presente en
los entornos interurbanos o incluso urbanos. Esta técnica se
aprovecha de ello binarizando la imagen y buscando la zona
blanca de la misma la cual con una alta probabilidad será la
matrı́cula.
Una vez obtenida la zona de interés se establece un margen
de recorte y se aplica en la misma zona de la imagen original,
obteniendo ası́ la matrı́cula.
El contrapunto que tiene esta técnica es que la matrı́cula
ha de ser blanca para ası́ poder obtenerla, si la misma es de
otro color el proceso puede llegar a no identificar nada como
posible zona de recorte.
PERCEPCIÓN COMPUTACIONAL - ACTIVIDAD 2 2

C. Filtrado de imágenes 3) Transformación Top Hat: Está transformación favorece

Puesto que el objetivo de este trabajo es el de profundizar y
poner en práctica los filtros espaciales y morfológicos, es
conveniente analizar en el funcionamiento de aquellos que
pueden aplicar con mayor precisión al problema planteado.
1) Cierre o clausura: La clausura, es un operador mor-
fológico que realiza en primer lugar una dilatación y posteri-
ormente una erosión. Matemáticamente, la clausura se define
según (1), considerando A como la imagen original y B como
el elemento estructural que se use para la transformación .
las variaciones de intensidad, resaltando los elementos más
claros. Por lo que aplicándola obtendremos una imagen que
resalta objetos más brillantes que los elementos aledaños
[4]. Para obtener este resultado el procedimiento realiza una
apertura de la imagen para restar dicha apertura a la imagen
original, tal y como se describe en (3). En la Figura 3 se
puede apreciar un ejemplo de aplicación de este filtro.
A (A B) = A ((A B) B) (3)

A · B = (A B) B (1)

La clausura, al aplicar primero una dilatación, los efectos

de expansión que produce sobre el contorno de un objeto
de la imagen van a ser eliminados después por la erosión,
respectando la forma original aunque rellenando su interior.
Para ilustrar este proceso podemos observar la Figura 1 donde
se aplica una clausura.

Fig. 3. Ejemplo de imagen original y resultado de aplicar transformación Top

Hat

4) Transformación Bottom Hat: Al contrario que la anterior

Fig. 1. Ejemplo de imagen original y resultado de aplicar transformación
Cierre o clausura
2) Apertura: La apertura, es un operador morfológico
que es la sucesión de una erosión seguida por una dilat-
ación. Matemáticamente, la apertura se define según (2), con-
siderando A como la imagen original y B como el elemento
estructural que se use para la transformación. Para ilustrar este
proceso podemos observar la Figura 2 donde se aplica una
apertura.
A B = (A B) B (2)
transformación, con esta logramos destacar los elementos
oscuros [5]. Para ello se realiza un cierre de la imagen y
una resta de la imagen original, formulándose como (4), de
forma que se obtiene una imagen con, únicamente, los detalles
que el cierre ha eliminado (los puntos negros en el interior de
las zonas afectadas). En la Figura 4 se muestra un ejemplo del
efecto conseguido con esta transformación.
(A · B) A = ((A B) B) A (4)

El efecto de la apertura será eliminar los detalles más

pequeños, manteniendo los objetos más grandes, por lo que
al hacer la diferencia con la imagen original se obtiene lo
opuesto: se eliminan los contornos de los objetos más grandes
y permanecen los detalles de su interior.

Fig. 2. Ejemplo de imagen original y resultado de aplicar transformación Fig. 4. Ejemplo de imagen original y resultado de aplicar transformación
Apertura Bottom Hat
PERCEPCIÓN COMPUTACIONAL - ACTIVIDAD 2
5) Filtro Gaussiano: Este filtro permite eliminar el ruido
que pueda existir en una imagen produciendo un suavizado
más uniforme. El principal inconveniente es que puede llegar
a desenfocar una imagen, perdiendo la nitidez de esta. Para ello
hay que controlar la desviación estándar de la distribución, ya
que en caso de asignar una sigma demasiado alta se pueden
obtener resultados como el que se muestra en la siguiente
ilustración [6]. En la Figura 5 se muestra un ejemplo de
aplicación de este filtro.
Fig. 5. Ejemplo de imagen original y resultado de aplicar filtro Gaussiano
6) Filtro Canny: La finalidad de este filtro es dar una
descripción a los objetos presentes. Dicho filtro aplica una
erosión en las zonas claras y una dilatación en las zonas
oscuras obteniendo con ello dos imágenes, para posteriormente
realizar una resta entra las imágenes obtenidas obteniendo el
contorno de los objetos presentes en la imagen de entrada [7].
En la Figura 6 se muestra un ejemplo de aplicación de este
filtro.
Fig. 6. Ejemplo de imagen original y resultado de aplicar el filtro de Canny
III. D ESCRIPCI ÓN DEL PROBLEMA
Primero se han de obtener las imágenes las cuales serán la
entrada del algoritmo desarrollado. Estas pueden ser obtenidas
a través de una cámara que se active por sensores de
movimiento o pueden ser frames de un vı́deo que, con las
cámaras actuales, significarı́a obtener 30 imágenes por se-
gundo. El algoritmo desarrollado se ha generado para que las
imágenes de entrada hayan sido realizadas con luz ambiental al
aire libre. Aun limitando la toma de imágenes a exteriores se
pueden encontrar diversos problemas, tales como matrı́culas
distorsionadas por la toma de la foto o, incluso, que no se
encuentren centradas en la imagen formando un rectángulo con
ángulos de 90 grados. Estas casuı́sticas han sido contempladas
tal y como se verá en los siguientes apartados.
3
IV. S OLUCI ÓN PLANTEADA
Una vez conocida la necesidad y el estado del arte de
las soluciones existentes y las diferentes técnicas que se
pueden aplicar para alcanzar el objetivo, en el presente trabajo
se propone un algoritmo que encadena diferentes filtros y
transformaciones, dentro del ámbito de los espaciales y mor-
fológicos, con el objetivo de identificar dentro de una imagen
la sección de la misma que corresponde con una matrı́cula y
la obtención de sus contornos para una posterior segmentación
e identificación.
En concreto, la secuencia de operaciones que se propone es
la indicada a continuación:
1) Conversión de la imagen a escala de grises.
2) Aplicación de transformación Bottom Hat.
3) Aplicación de transformación Top Hat.
4) Gradiente.
5) Filtro Gaussiano.
6) Localización de la matrı́cula por intensidades.
7) Detección de bordes aplicando un filtro Canny.
Para llevar a cabo estas operaciones se hace uso de la librerı́a
skimage de Python.
1) Conversión de la imagen a escala de grises: Las im-
agenes deben ser convertidas a escala de grises de forma
que se trabajará con la iluminación de cada pı́xel, obteniendo
un umbral adecuado para su procesado, de hecho, los filtros
morfológicos y espaciales se comportan mejor en imágenes en
esta escala (grises) o binarizadas. Para ello se hace uso de la
función rgb2gray.
2) Aplicación de transformación Bottom Hat: Al aplicar
esta transformación se genera una imagen donde resaltan, entre
otras caracterı́sticas de la imagen, las letras de la matrı́cula en
un color blanco sobre fondo negro. El elemento estructural
utilizado será el de un cuadrado de tamaño 5x5. En la Figura
7 se puede observar el resultado al aplicar esta transformación,
donde lo que queda resaltado son los caractéres de la matrı́cula
y algún perfil del vehı́culo.
3) Aplicación de transformación Top Hat: El siguiente paso
en el proceso de localización de la matrı́cula es aplicar el
operador Top Hat, que devuelve una imagen con, únicamente,
los detalles que la apertura ha eliminado. Esto permite resaltar
las transiciones bruscas. El elemento estructural utilizado será
el de un cuadrado de tamaño 5x5. En la Figura 8 se puede
observar el resultado al aplicar esta transformación.
4) Gradiente: Una vez aplicados las dos transformaciones
anteriores, el siguiente paso es el de aplicar un gradiente fruto
de la resta de las imágenes resultantes de aplicar el Botton
Hat y el Top Hat, obteniendo una imagen en escala de grises
en la que se resaltan los detalles con alto contraste como las
letras y números de la matrı́cula y algunas zonas del interior
del contorno del coche, como las llantas o el contorno de las
ventanas. En la Figura 9 se puede ver el resultado de esta
operación, consiguiendo que la parte con mayor intensidad de
grises sea la matrı́cula.
5) Filtro Gaussiano: Una vez resaltadas las zonas candi-
datas, el siguiente paso es aplicar un ruido Gaussiano con
una sigma ( ) lo suficientemente alta (10 en el algoritmo
propuesto) para que, en la imagen obtenida en el gradiente,
PERCEPCIÓN COMPUTACIONAL - ACTIVIDAD 2 4

Fig. 7. Imagen original de vehı́culo y resultado de aplicar el filtro de Bottom Fig. 9. Imagen original de vehı́culo y resultado de aplicar el gradiente
Hat propuesto

al gradiente, donde claramente se denota un bloque negro

asociado a la matrı́cula del vehı́culo.

Fig. 8. Imagen original de vehı́culo y resultado de aplicar el filtro de Top

Hat

se consiga un efecto similar al del cierre donde la zona que Fig. 10. Imagen original de vehı́culo y resultado de aplicar el filtro Gaussiano
a la imagen gradiente
forman los números y letras de la matrı́cula se convierta en
un bloque oscuro difuminado.
De esta forma se aumenta el contraste entre la matrı́cula 6) Localización de la matrı́cula por intensidades:
(totalmente oscura) y el resto de la imagen, lo cual facilitará su Una vez resaltada la zona donde está la matrı́cula del
localización en el punto siguiente del proceso. En la Figura 10 vehı́culo, se define una función denominada FindPlate,
se puede apreciar el resultado tras aplicar el filtro Gaussiano que recibe una imagen de entrada y devuelve la
PERCEPCIÓN COMPUTACIONAL - ACTIVIDAD 2 5

posición de la sección de la imagen más oscura
(rowStart, rowEnd, columnStart, columnEnd).
El proceso de esta función serı́a simplemente calcular los
valores mı́nimos de intensidad para cada fila de la imagen
y ordenarlos de menos a mayor. A continuación se busca el
bloque de filas donde haya menor intensidad. En la Figura 11
se puede apreciar la imagen tras el filtro Guassiano junto con
su distribución de intensidades, de forma que las más bajas se
encuentran en las filas donde está la matrı́cula (marcadas en
rojo en la gráfica de la derecha).
para ello, se propone la aplicación de un filtro Canny con el
que se detectan los bordes para el segmento localizado.
El filtro Canny identifica el mayor número de bordes de la
imagen, minimizando el número de falsos negativos y falsos
positivos en su identificación, que se realiza una única vez sin
que el ruido presente en la imagen de lugar a falsos bordes.

Fig. 14. Subimagen de la matrı́cula y el resultado de aplicar el filtro Canny

En la Figura 14 se observa el resultado de aplicar este filtro

Fig. 11. Imagen del vehı́culo tras aplicar el filtro Gaussiano y su distribución
de intensidades por filas
La subimagen formada por esa sección de filas se binariza
de forma que se pueda localizar el bloque o sección mayor
con mayor intensidad ya que corresponderı́a a la matrı́cula.
En la Figura 12 se puede apreciar el segmento horizontal
de la imagen delimitado en el paso anterior junto con una
binarización generada considerando como umbral o threshold
la medida del segmento, quedando marcados en negro las
zonas más oscuras. El proceso localiza el bloque de mayor
tamaño que sea negro, que en esta ocasión está delimitado
por las lı́neas rojas de la gráfica inferior.
y corresponderı́a con el resultado que devuelve el algoritmo
propuesto en este trabajo.
V. R ESULTADOS
Para poner a prueba el algoritmo propuesto, se ha aplicado
a diferentes imágenes descargadas de Internet con diferentes
ángulos, modelos de vehı́culo y situaciones, obteniendo los
resultados que se mostrarán a continuación, a excepción de
la imagen Arona.jpg que se corresponde a la utilizada en los
apartados anteriores para explicar el procedimiento definido.
Para un mejor seguimiento de todo el proceso, el algoritmo
propuesto tiene una opción denominada trace que cuando
se indica con valor True al invocarlo, muestra las diferentes
imágenes resultantes de aplicar cada uno de los pasos del
proceso.
1) Audi.jpg: En la Figura 15 se puede ver todo el proceso
llevado a cabo para una imagen cuya matrı́cula no es española.

Fig. 12. Subimagen con mayores intensidades horizontales junto con su

binarización y marcado de lı́mites verticales.

Tras aplicar esta función, los valores devueltos corresponden

justo a la matrı́cula del vehı́culo, tal y como se muestra en la
Figura 13.

Fig. 13. Subimagen donde está ubicada la matrı́cula según la función

FindPlate

7) Detección de bordes aplicando un filtro Canny: Hasta

este momento, la aplicación de filtros morfológicos y espa-
ciales para localizar la matrı́cula corresponde a la parte central
de la resolución del problema. Una vez localizada la matrı́cula, Fig. 15. Proceso de localización de matrı́cula para la imagen Audi.jpg
el objetivo será mejorar la visualización de esta por lo que,
PERCEPCIÓN COMPUTACIONAL - ACTIVIDAD 2
Fig. 16. Proceso de localización de matrı́cula para la imagen Lexus.jpg
2) Lexus.jpg: En la Figura 15 se puede ver el resultado
final para una imagen que presenta más de un vehı́culo en
escena.
3) Policı́a.jpg: En la Figura 17 se puede ver todo el proceso
llevado a cabo para una imagen que presenta un vehı́culo de
policı́a donde podrı́a haber otros elementos que complicaran
la detección de la matrı́cula.
Fig. 17. Proceso de localización de matrı́cula para la imagen Policia.jpg
4) Seat.jpg: En la Figura 18 se puede ver el resultado final
obtenido junto con la imagen original.
Fig. 18. Proceso de localización de matrı́cula para la imagen Seat.jpg
5) Vokswagen.jpg: En la Figura 19 se puede ver el resultado
final obtenido junto con la imagen original.
6
Fig. 19. Proceso de localización de matrı́cula para la imagen Volkswagen.jpg
VI. C ONCLUSIONES
El proceso de localización y visualización de las matrı́culas
mediante la aplicación de filtros espaciales y morfológicos
es un problema que ha sido ampliamente tratado con fines
prácticos, como parkings, radares de velocidad, etc.. . . y el uso
de distintos filtros o simplemente distinto orden de aplicación
de estos podrı́a conducir a resultados similares, mejores o
peores.
La selección y el orden de los filtros y operaciones en
este trabajo no es solo obtener una solución óptima sino
también poder observar los efectos de aquellos que son más
comunes en la literatura cientı́fica. Se puede concluir por
tanto que se ha alcanzado el objetivo principal, una solución
completa en la que se demuestran y justifican los efectos de
las operaciones aplicadas y que, a su vez, han conducido a
realizar una localización de la matrı́cula bastante precisa y
definir el contorno de la misma de forma que la visualización
de los caractéres y dı́gitos que la componen sea clara.
Queda para trabajos futuros la adaptación de este algoritmo
para soportar matrı́culas de otros colores, como podrı́an ser las
azules de los taxis y vehı́culos de transporte con conductor,
ası́ como permitir identificar más de una matrı́cula en una
única imagen, soportar imágenes con diferentes iluminaciones
o ajustar la rotación de la imagen para solventar posibles
problemas con los ángulos de las matrı́culas.
R EFERENCES
[1] Ficha Histórica. Instituto Nacional de Estadı́stica. [Online]. Enlace:
https://www.ine.es/dyngs/IOE/es/fichaHistorica.htm?cid=1259930960724
[2] OpenALPR, OpenALPR de Rekor.[Online]. Enlace:
https://es.openalpr.com/contact
[3] López Fdez, J. M., González, J., & Galindo Vicente Arévalo, C., Re-
conocimiento automático de matrı́culas usando operadores morfológicos
y múltiples redes neuronales. 2006
[4] Alegre E., Pajares G., de la Escalera A.Conceptos y métodos en visión
por computador. Grupo de Visión del Comité Español de Automática
(CEA). 2016
[5] Mundaca-Vidarte, G. Detección de caractéres de placas de automóviles
mediante técnicas de visión artificial. 2016
[6] MathWorks. Filtrado gaussiano 2D de imágenes - MAT-
LAB imgaussfilt MathWorks España. [Online] Enlace:
https://es.mathworks.com/help/images/ref/imgaussfilt.html 2022
[7] MathWorks. Detección de bordes - MATLAB & SimulinkMathWorks
España. [Online] Enlace: https://es.mathworks.com/help/images/edge-
detection.html 2022
Sistema de Percepción

Preprocesamiento

How is the signal obtained in the

form of a continuous signal converted into a discrete signal, that is, into a digital picture?

The moving average filter replaces each pixel with the average pixel value of it and a neighborhood window of adjacent pixels . The effect is a
more smooth image with sharp features removed.

Increasing the size of a digital image is named “up sampling” and decreasing is named “down sampling”

For example, the range of values that pixels can have in a gray level of 3 bits is [0–7], while the range of values that pixels can take in a gray
level of 8 bits is [0–255]. The values that pixels have are also called the “intensity” of that pixel.

The processes applied to obtain a different version of the image on an image that does not have any deformation in its essence are included in
the operations in the Image Enhancement category

If an image is processed pixel by pixel, that is, if the process is applied to each pixel individually, it’s examined in Gray Level
Transformations and if the processes are applied to pixel groups larger than 1 pixel, it is examined in the Filtering category.

When we consider a picture matrix that can take values between 0 –255, we said that the pixels closer to 0, are closer to black
and the ones closer to 255, are closer to white.

Another linear process is to take the negative of the picture. This process is to subtract each pixel from its complement. Gamma
correction changes not only the amount of light but also the contrast settings of an image

Equalization Histogram

A histogram of an image is the graphical interpretation of the image’s pixel intensity values. It can be
interpreted as the data structure that stores the frequencies of all the pixel intens ity levels in the image
Histogram Equalization is an image processing technique that adjusts the contrast of an image by using
its histogram. To enhance the image’s contrast, it spreads out the most frequent pixel intensity values or
stretches out the intensity range of the image
Smoothing Filters are used to smooth the image. Basically when we apply this filter to an image for example via convolution
operation, we get a more smooth version of our input image.

Gaussian Filter (Gaussian Low Pass Filter) is a popular smoothing filter which is based on Gaussian Distribution where the
formula of Gaussian

Filtro de mediana
– Comúnmente empleado para eliminar artefactos (ruido)
impulsivo
– Se aplica mediante ventana deslizante de tamaño N muestras
– Desventaja: modifica el valor de las muestras que no son
anomalías

Realce de imagen
– Etapas iniciales de procesado (tras reducción de ruido)
– Capturar información relevante vs. información
prescindible

Supresión de ruido de fondo. Resalte del contenido frente a la textura

(ruido) de fondo de la imagen
– Ajuste de intensidad. Aumento de contraste
– Realce de bordes. Ensalce de transiciones entre elementos de la
imagen

Conocer las principales técnicas de procesado punto a punto

– Ajuste de intensidad
– Basadas en histograma
– Operaciones aritméticas

Se conocen como transformaciones del nivel de gri s

Hay una imagen más contrastada. El algoritmo de segmentación podría detectar la posición de cada
nube.
Los algoritmos de segmentación se basan en propiedades básicas de
los valores del nivel de gris:
- Discontinuidad: Los bordes de las regiones son suficientemente diferentes del fondo lo que permite la detección de los
mismos basándonos en cambios bruscos de nivel de intensidad.
- Similitud: Se divide la imagen basándose en la búsqueda de zonas que tengan valores similares, conforme a unos criterios
prefijados.
- Umbralización: Un método básico para diferenciar un objeto del fondo de la imagen es mediante binarización (e n
realidad se puede considerar una medida de similitud).

Transformación Logaritmica

– Valores pequeños  Se expanden: se amplian las diferencias

– Valores grandes  Se concentran: se reducen las diferencias
– Se emplea cuando se pretende expandir el rango de intensidad d e
los píxeles oscuros, mientras que, a la vez, el objetivo es equiparar
entre sí los píxeles más claros

Filtros Espaciales

– Promediado (integral)  Elimina variaciones bruscas  Atenúa el contraste entre píxeles próximos entre sí (fecuencias altas de
laseñal)  LPF
– Substracción (derivada)  Resalta diferencias o cambios bruscos  Ensalza el contraste y atenúa áreas de valor similar de
intensidad entrepíxeles (frecuencias bajas de la señal)  HPF

sobel_horizontal = np.array([[-1,-2,-1],[0,0,0], [1,2,1]])

sobel_vertical = np.array([[-1,0,1],[-2,0,2],[-1,0,1]])
sobel_diagonal = np.array([[0,1,2],[-1,0,1],[-2,-1,0]])
sobel_diagonal_inverso = np.array([[-2,-1,0],[-1,0,1],[0,2,1]])
Operador Roberts
– Máscaras 2 x 2
– Identificación de bordes en dirección 135º y 45º
– Respuesta débil a los bordes y sensible a la presencia de ruido

Operadores de Prewitt

– Máscaras 3 x 3
– Identificación de bordes en direcciones vertical y horizontal

Máscaras 3 x 3
– Identificación de bordes en direcciones vertical y hori zontal
– Menos sensible al ruido

Operador de Canny
Filtro paso-bajo de tipo gaussiano: suavizado y reducción de ruido
– Cálculo del gradiente en las diferentes direccione s
– Intensidad a 0 para los píxeles que no son un máximo local
– Umbral sobre la intensidad de los píxeles para binarizar la imagen y
quedarnos con las estructuras que potencialmente pueden
corresponderse con bordes
– Se eliminan aquellas estructuras más débiles que no están conectadas
con bordes mayores

Filtros Morfologicos

Se utiliza también para separar objetos tras una segmentación

► Puede utilizarse antes o después de la segmentación, no existe limitación
Any grayscale image can be viewed as a topographic surface where high intensity denotes peaks and
hills while low intensity denotes valleys. You start filling every isolated valleys (local minima) with
different colored water (labels). As the water rises, depending on the peaks (gradients) nearby, water
from different valleys, obviously with different colors will start to merge. To avoid that, you build
barriers in the locations where water merges. You continue the work of filling water and building
barriers until all the peaks are under water. Then the barriers you created gives you the segmentation
result. This is the "philosophy" behind the watershed. You can visit the CMM webpage on watershed to
understand it with the help of some animations.

We start with finding an approximate estimate of the coins. For that, we can use the Otsu's binarization
ret, thresh = cv.threshold(gray,0,255,cv.THRESH_BINARY_INV+cv.THRESH_OTSU)

Now we need to remove any small white noises in the image. For that we can use morphological
opening. To remove any small holes in the object, we can use morphological closing. So, now we know
for sure that region near to center of objects are foreground and region much away from the object are
background. Only region we are not sure is the boundary region of coins

So we need to extract the area which we are sure they are coins. Erosion removes the boundary pixels.
So whatever remaining, we can be sure it is coin. That would work if objects were not touching each
other. But since they are touching each other, another good option would be to find the distance
transform and apply a proper threshold. Next we need to find the area which we are sure they are not
coins. For that, we dilate the result. Dilation increases object boundary to background. This way, we can
make sure whatever region in background in result is really a background, since boundary region is
removed. See the image below.
The remaining regions are those which we don't have any idea, whether it is coins or background.
Watershed algorithm should find it. These areas are normally around the boundaries of coins where
foreground and background meet (Or even two different coins meet). We call it border. It can be
obtained from subtracting sure_fg area from sure_bg area.

Theory
Morphological transformations are some simple operations based on the image shape. It is
normally performed on binary images. It needs two inputs, one is our original image, second one
is called structuring element or kernel which decides the nature of operation. Two basic
morphological operators are Erosion and Dilation. Then its variant forms like Opening, Closing,
Gradient etc also comes into play. We will see them one-by-one with help of following image:
image

1. Erosion

The basic idea of erosion is just like soil erosion only, it erodes away the boundaries of
foreground object (Always try to keep foreground in white). So what it does? The kernel slides
through the image (as in 2D convolution). A pixel in the original image (either 1 or 0) will be
considered 1 only if all the pixels under the kernel is 1, otherwise it is eroded (made to zero).

So what happends is that, all the pixels near boundary will be discarded depending upon the size
of kernel. So the thickness or size of the foreground object decreases or simply white region
decreases in the image. It is useful for removing small white noises (as we have seen in
colorspace chapter), detach two connected objects etc.

Here, as an example, I would use a 5x5 kernel with full of ones. Let's see it how it works:

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv.erode(img,kernel,iterations = 1)

Result:

image

2. Dilation

It is just opposite of erosion. Here, a pixel element is '1' if at least one pixel under the kernel is
'1'. So it increases the white region in the image or size of foreground object increases. Normally,
in cases like noise removal, erosion is followed by dilation. Because, erosion removes white
noises, but it also shrinks our object. So we dilate it. Since noise is gone, they won't come back,
but our object area increases. It is also useful in joining broken parts of an object.

dilation = cv.dilate(img,kernel,iterations = 1)

Result:

image

3. Opening

Opening is just another name of erosion followed by dilation. It is useful in removing noise, as
we explained above. Here we use the function, cv.morphologyEx()

opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

Result:

image

4. Closing

Closing is reverse of Opening, Dilation followed by Erosion. It is useful in closing small holes
inside the foreground objects, or small black points on the object.

closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

Result:
image

5. Morphological Gradient

It is the difference between dilation and erosion of an image.

The result will look like the outline of the object.

gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

Result:

image

6. Top Hat

It is the difference between input image and Opening of the image. Below example is done for a
9x9 kernel.

tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

Result:
image

7. Black Hat

It is the difference between the closing of the input image and input image.

blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

Result:

image

Goal
In this tutorial you will learn how to:

• Use the OpenCV function cv::Canny to implement the Canny Edge Detector.

Theory
The Canny Edge detector [40] was developed by John F. Canny in 1986. Also known to many as
the optimal detector, the Canny algorithm aims to satisfy three main criteria:

• Low error rate: Meaning a good detection of only existent edges.

• Good localization: The distance between edge pixels detected and real edge pixels have to be
minimized.
• Minimal response: Only one detector response per edge.
Steps

1. Filter out any noise. The Gaussian filter is used for this purpose. An example of a
Gaussian kernel of size=5 that might be used is shown below:

K=1159⎡⎣⎢⎢⎢⎢⎢⎢245424912945121512549129424542⎤⎦⎥⎥⎥⎥⎥⎥
2. Find the intensity gradient of the image. For this, we follow a procedure analogous to Sobel:
a. Apply a pair of convolution masks (in x and y directions:

Gx=⎡⎣⎢−1−2−1000+1+2+1⎤⎦⎥

Gy=⎡⎣⎢−10+1−20+2−10+1⎤⎦⎥

b. Find the gradient strength and direction with:

G=G2x+G2y−−−−−−−√θ=arctan(GyGx)
The direction is rounded to one of four possible angles (namely 0, 45, 90 or 135)

3. Non-maximum suppression is applied. This removes pixels that are not considered to be part of
an edge. Hence, only thin lines (candidate edges) will remain.
4. Hysteresis: The final step. Canny does use two thresholds (upper and lower):
a. If a pixel gradient is higher than the upper threshold, the pixel is accepted as an edge
b. If a pixel gradient value is below the lower threshold, then it is rejected.
c. If the pixel gradient is between the two thresholds, then it will be accepted only if it is
connected to a pixel that is above the upper threshold.

Canny recommended a upper:lower ratio between 2:1 and 3:1.

5. For more details, you can always consult your favorite Computer Vision book.
Purpose of Image processing

The purpose of image processing is divided into 5 groups. They are :

Visualization - Observe the objects that are not visible.

Image sharpening and restoration - To create a better image.

Image retrieval - Seek for the image of interest.

Measurement of pattern – Measures various objects in an image.

Image Recognition – Distinguish the objects in an image.

Fundamental steps in Digital Image Processing :

1. Image Acquisition

This is the first step or process of the fundamental steps of digital image processing. Image
acquisition could be as simple as being given an image that is already in digital form. Generally,
the image acquisition stage involves preprocessing, such as scaling etc.
2. Image Enhancement

Image enhancement is among the simplest and most appealing areas of digital image processing.
Basically, the idea behind enhancement techniques is to bring out detail that is obscured, or
simply to highlight certain features of interest in an image. Such as, changing brightness &
contrast etc.

3. Image Restoration

Image restoration is an area that also deals with improving the appearance of an image.
However, unlike enhancement, which is subjective, image restoration is objective, in the sense
that restoration techniques tend to be based on mathematical or probabilistic models of image
degradation.

4. Color Image Processing

Color image processing is an area that has been gaining its importance because of the significant
increase in the use of digital images over the Internet. This may include color modeling and
processing in a digital domain etc.

5. Wavelets and Multiresolution Processing

Wavelets are the foundation for representing images in various degrees of resolution. Images
subdivision successively into smaller regions for data compression and for pyramidal
representation.

6. Compression
Compression deals with techniques for reducing the storage required to save an image or the
bandwidth to transmit it. Particularly in the uses of internet it is very much necessary to
compress data.

7. Morphological Processing

Morphological processing deals with tools for extracting image components that are useful in th e
representation and description of shape.

8. Segmentation

Segmentation procedures partition an image into its constituent parts or objects. In general,
autonomous segmentation is one of the most difficult tasks in digital image processing. A rugged
segmentation procedure brings the process a long way toward successful solution of imaging
problems that require objects to be identified individually.

9. Representation and Description

Representation and description almost always follow the output of a segmentation stage, which
usually is raw pixel data, constituting either the boundary of a region or all the points in the
region itself. Choosing a representation is only part of the solution for transforming raw data into
a form suitable for subsequent computer processing. Description deals with extracting attributes
that result in some quantitative information of interest or are basic for differentiating one class of
objects from another.

10. Object recognition

Recognition is the process that assigns a label, such as, “vehicle” to an object based on its
descriptors.

11. Knowledge Base:

Knowledge may be as simple as detailing regions of an image where the information of interest
is known to be located, thus limiting the search that has to be conducted in se eking that
information. The knowledge base also can be quite complex, such as an interrelated list of all
major possible defects in a materials inspection problem or an image database containing high -
resolution satellite images of a region in connection with change-detection applications.