Laboratorio N°4
Sarásh Calvo Farrayans, Rafael Caraballo Vizcaino, Nathalie Vesga Acosta
Estudiantes de Pregrado de Ingeniería Electrónica-Universidad del Magdalena
sarahcalvodf@unimagdaelena.edu.co, rafaelcaraballodv@unimagdaelena.edu.co,
nathalievesgaja@unimagdalena.edu.co
Resumen- Se diseña un código para la prueba
del procesamiento de señales con filtrado y
detección de colores en una imagen. Se supone
que los filtros aplicados y las determinaciones de
cada color permitirán filtrar dicho color . El
programa en el que se realiza todo el proceso es
Colab.
I. MARCO TEORICO
El análisis dinámico de imágenes
(procesamiento digital de imágenes) es uno
de los métodos más exactos cuando se trata
de determinar el tamaño y la forma de las
partículas.
Este método viene utilizándose cada vez más
al lado del tamizado y de la difracción láser
superándolos enormemente en rendimiento
por su precisión, su reproducibilidad y la
cantidad de información que proporciona en
el rango granulométrico de 0,8 µm a 30 mm
[1].
Sin embargo, para llegar desde la imagen
original al conjunto de parámetros e
información extraída de la misma, es
necesario pasar por distintas etapas de
procesamiento y filtrado donde se analiza la
imagen y se adecua para cierta aplicación
específica. Esto implica que el resultado del
procesamiento depende fuertemente del
problema que se esté abordando [2].
ANÁLISIS DE ALTA RESOLUCIÓN
DEL TAMAÑO Y LA FORMA
Las técnicas de análisis de imagen ofrecen
una serie de ventajas frente a los métodos de
medición tradicionales como el tamizado
analítico o la difracción láser. Aquí la
medición se realiza directamente en la
imagen de alta resolución obtenida de cada
partícula, que permite determinar con gran
exactitud diversos parámetros del tamaño y la
forma tales como el largo, el ancho, la
redondez y la angulosidad, por lo que la
cantidad de información obtenida es mucho
mayor que con métodos alternativos.
CANTIDAD DE MUESTRA
Para obtener resultados analíticos de valor
informativo debe emplearse una cantidad de
muestra significante y representativa. Esta
variará en función del tamaño de las
partículas y de la amplitud de la distribución
granulométrica: mientras más grueso sea el
material y más amplio el rango, más cantidad
de muestra se requiere para el análisis [1].
PARÁMETROS DE TAMAÑO Y
FORMA EN EL ADI
Las técnicas de análisis de la imagen ofrecen
la gran ventaja al emplear diferentes
definiciones para el tamaño, lo cual permite
medir directamente el largo y la forma de las
partículas. Existe una variedad de parámetros
de tamaño que pueden considerarse de interés
dependiendo del tipo de aplicación. Si se
analizan partículas “alargadas”, como por
ejemplo fibras de celulosa, barritas de
catalizadores, extruidos de plástico o granos
de arroz, el parámetro más importante será su
longitud [1].
Fig. 1: Definición de diferentes parámetros
para determinar el tamaño en el ADI
II. DESARROLLO
Se crea un código en Colab para el filtrado de la
imagen de los paneles, donde primero se carga la
imagen a la que se le hará el filtrado (los paneles)
luego se le aplica un zoom y se cropea la imagen
para observar claramente los paneles,
segmentamos la imagen para solo ver los paneles,
de ahí los pasamos a una escala de grises,
detectamos sus bordes y por últimos contamos la
cantidad de paneles que se encontraban en la
imagen.
import cv2
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import image
from matplotlib import pyplot
from google.colab.patches import 
cv2_imshow
# Se carga la imagen
img = cv2.imread('paneles.png')
cv2_imshow(img)
# Haciendo zoom y cropeando la
imagen
cropped = img[150:384, 400:627]
zoomed = zoom(img, 3)
zoomed_and_cropped = zoom(croppe
d, 3)
cv2_imshow(zoomed_and_cropped)
# Pasando de BGR A HSV  rnos
hsv = cv2.cvtColor(zoomed_and_cr
opped, cv2.COLOR_BGR2HSV)
#cv2_imshow(hsv)
# Segmentación de los paneles
lowerr = np.array([100,90,80], n
p.uint8)
upperr = np.array([120,200,145], 
np.uint8)
mask = cv2.inRange(hsv,lowerr,up
perr)
paneles = cv2.bitwise_and(zoomed
_and_cropped,zoomed_and_cropped,
mask=mask)
paneles = cv2.medianBlur(paneles
, 3)
cv2_imshow(paneles)
# Pasando a escala de grises 
gray1 = cv2.cvtColor(paneles, cv
2.COLOR_BGR2GRAY)
cv2_imshow(gray1)
# Detección de bordes
t, dst = cv2.threshold(gray1, 0, 
255, cv2.THRESH_BINARY | cv2.THR
ESH_TRIANGLE)
edges = cv2.Canny(dst,threshold1
=30, threshold2=200)
cv2_imshow(edges)
# Buscamos los contornos
(contornos,_) = cv2.findContours
(edges.copy(), cv2.RETR_EXTERNAL
, cv2.CHAIN_APPROX_SIMPLE)
 
# Mostramos el número de paneles
print("Hay {} paneles en la imag
en".format(len(contornos)))
# Mostramos la imagen y sus coto
cv2.drawContours(zoomed_and_crop
ped,contornos,-1,(0,0,255), 2)
cv2_imshow(zoomed_and_cropped)
III. RESULTADOS
A continuación, se muestran los resultados que se
obtuvieron del filtrado, selección de colores y el
conteo de los paneles que se le indico en el
código.
 Figura 1. Imagen inicial.
Figura 2. Imagen aplicando zoom y cropeo
Figura 3. Imagen en tonalidades grises.
Figura 4. Imagen inicial con detección de
bordes.
Figura 5. Conteo de los paneles
IV. CONCLUSIÓN
Finalmente se puede concluir que, al realizar
el análisis digital de las imágenes, se
visualiza las diferentes formas de ver una
misma imagen según el filtro que se esté
usando. Además, al extraer un color en la
imagen con los valores indicados esta buscara
resaltar dicho color en todas las parte que se
visualizan en la imagen, demostrando la
cantidad de tonalidades del color que no
pensamos que serían parte de este.
 V. REFERENCIAS

[1] Análisis dinámico de imágenes – Guíalab

(guialab.com.ar)

[2] N. A. DOBERNACK,
«IMPLEMENTACIÓN DE UN SISTEMA
DE UN SISTEMA DE DETECIÓN DE
SEÑALES DE TRÁFICO MEDIANTE
VISIÓN ARTIFICIAL BASADA EN
FPGA,» UNIVERSIDAD DE SEVILLA,
SEVILLA, 2013.