2.procesamiento de Imagenes

Universidad Nacional del Callao
Facultad de Ingeniería Industrial y de Sistemas

Escuela Profesional de Ingeniería de Sistemas
Sistemas Basados en Conocimientos (SBC)
Tema de la clase:
Procesamiento de
imágenes, Binarización y
segmentación. Expansión
Reducción de imágenes
Mg. Msc. Ing. Sally Torres

sktorresa@unac.edu.pe
Sistemas
Teoría deBasados en Conocimiento
la Lenguajes y Compiladores FIIS-UNAC Mg. Ing.
Mg. Msc. Msc.Sally
Sally Torres
Torres
Contenido
Representación de imágenes digitales
Análisis de imágenes digitales
Técnicas de procesamiento digital de

imágenes y reconocimiento de patrones
Dos paradigmas de sistemas inteligentes
Intersección,
Sistemas
Mg. Msc. Msc.Sally
Sally Torres
Torres
Etapas del Procesamiento de imágenes
4
Sistemas
Sistemas Basados
Basados en
en Conocimiento
conocimiento FIIS-UNAC Mg. Ing.
Mg. Msc. Msc.Sally
Sally Torres
Torres
Problema: Identificar frutas
4
Sistemas
Sistemas Basados
Basados en
en Conocimiento
Mg. Msc. Msc.Sally
Sally Torres
Torres
Definición de una imagen
Que es una imagen?

Una representación de un objeto real
Cámara Oscura:
"Se hace pasar la luz a
través de un pequeño
agujero hecho en un cuarto
cerrado por todos sus
lados. En la pared opuesta
al agujero, se formará la
imagen de lo que se
Figura 2.1 Imagen a procesar encuentre enfrente".
4
Sistemas
Sistemas Basados
Basados en
en Conocimiento
Mg. Msc. Msc.Sally
Sally Torres
Torres
Definición de una imagen
Figura 2.2 Imagen a procesar en un plano
Una representación plana de un objeto de 3 dimensiones
4
Sistemas
Sistemas Basados
Basados en
en Conocimiento
Mg. Msc. Msc.Sally
Sally Torres
Torres
Procesamiento Digital de Imágenes
• Las imágenes y el procesamiento son digitales.
• Imagen digital: Conjunto finito de elementos.
• cada uno tiene una localidad y un valor particular.
• A estos elementos se les llama puntos elementales de la imagen o
píxeles,
• Procesamiento digital de imágenes: Procesamiento de imágenes
realizado por un sistema digital (electrónico).
Figura 2.3 Imagen mostrando sus pixeles

4
Sistemas Basados en Conocimiento FIIS-UNAC Mg. Msc. Sally Torres
Imagen Digital
• Una imagen se define como una función de dos dimensiones
f(X, Y) donde X e Y representan las coordenadas del plano.
• f(X,Y) es la amplitud en el punto (x,y) y representa la intensidad o
nivel de gris de la imagen en ese punto.
• Si X e Y son discretos y finitos entonces la imagen es digital
La Figura 2.3 es una

representación de una imagen
con 256 niveles de intensidad.
Cada uno de los píxeles está
representado por un número
entero que es interpretado como
el nivel de intensidad luminosa
en la escala de grises.
Figura 2.4 Imagen con 256 niveles de intensidad y representación numérica de fragmento 8*8
4
¿ Que es una Imagen Digital?
Representación en
formato de grilla
(matriz)
M filas x N
columnas
Figura 2.5 Imagen con representación en una matriz de M*N
Representación en formato de grilla

(matriz) M filas x N columnas
Cada elemento de la grilla es un PIXEL M
filas N columnas
¿Qué información se guarda en cada pixel?
4
El Pixel –Profundidad de tono gris
• Pixel → INTENSIDAD PROMEDIO → número
• Pixel → INTENSIDAD PROMEDIO → número
Figura 2.6 El pixel en diferentes niveles de intensidad

4
Figura 2.7 El pixel en diferentes niveles de intensidad

4
Imagen 5 bits
Original 32 niveles
de gris
4 bits 3 bits
16 niveles 8 niveles
de gris de gris
Figura 2.8 El pixel en diferentes niveles de intensidad en 5,4 y 3 bits

4
2 bits
1 bits
4 niveles
2 niveles
de gris
de gris
Figura 2.9 El pixel en diferentes niveles de intensidad en 2 y 1 bits
La resolución total expresa el número de píxeles que forman una imagen

de mapa de bits. La calidad de una imagen depende directamente de su
resolución. Es común expresar la resolución de una imagen en dos
valores numéricos, donde el primero es la cantidad de columnas de
píxeles (cuántos píxeles tiene la imagen de ancho) y el segundo es la
cantidad de filas de píxeles (cuántos píxeles tiene la imagen de alto).
4
El Pixel –Resolución
Grillado
M x N = 10 x 10
Grillado
MxN= 8-bits
10 x 10 0 = NEGRO
255 = BLANCO
Grillado Grillado
M x N = 10 x 10 M x N = 10 x 10
8-bits 8-bits
0 = NEGRO 0 = NEGRO
255 = BLANCO 255 = BLANCO
Figura 2.10 El pixel resolución con diferentes grillados
4
Cuantificación
Resolución:
• Es la cantidad de pixeles que definen la imagen
Figura 2.11 Imagen mostrando sus pixeles

4
El tamaño de la imagen
Figura 2.12 El tamaño de una imagen medido en pixeles y su peso del archivo
el mejor indicador del tamaño de imagen es sencillamente la cantidad de

píxeles que la forman. Como todos los píxeles de una imagen tienen la
misma forma y tamaño, indicaremos el tamaño de una imagen digital
así: Tamaño de imagen = anchura en píxels x altura en píxels
4
Caracterizando la imagen: Histograma
Figura 2.13 Histograma de una imagen (caracterización)
El histograma es una representación gráfica de la distribución de los distintos

tonos de una imagen. Puede ayudarnos para controlar la exposición en
nuestras fotos, así como para corregir los colores
4
Histograma: intensidad y brillo
Figura 2.14 Histograma de una imagen mostrando la intensidad
La magnitud física que mide cuanta luz hay presente, ligada a la energía es la
intensidad. La intensidad es lo que se cuantifica de 0 a 255 en ocho bits por
tono.
El brillo por otro lado es una sensación humana la relación entre brillo e
intensidad no es directa debido a la adaptabilidad que tiene el ojo.
4
Histograma: Contraste
Figura 2.15 Histograma de una imagen mostrando el contraste
• En cualquier monitor encontramos ajustes de brillo y contraste.

• El contraste se refiere a la variación de intensidades,
• si hay mucha variación de intensidades hablamos de alto contraste
• si hay poca variación de intensidades hablamos de bajo contraste
4
Histograma: umbralado
Figura 2.15 Histograma de una imagen mostrando el umbralado
• Es la transformación de punto más elemental. La idea es cambiar

todos las intensidades de un rango a un solo valor de manera
resaltar su visión.
4
Aplicación de mascaras
• Se modifica el valor de cada pixel a

partir de una operación matemática
• Se tiene en cuenta el pixel y su entorno.
• Convolucion: mascara que recorre la
imagen pixel por pixel.
4
Aplicación de mascaras
• Se modifica el valor de cada pixel a

partir de una operación matemática
• Se tiene en cuenta el pixel y su entorno.
• Convolucion: mascara que recorre la
imagen pixel por pixel.
4
Binarizacion
La mayor parte de los algoritmos para reconocer

escritura están escritos a partir de imágenes
binarias, por lo que se hace conveniente el paso
de una imagen en niveles de gris (o color) a una
binaria, además esto permite reducir el volumen
de los datos a tratar.
La binarización de una imagen digital consiste en
convertir la imagen digital en una imagen en
blanco y negro, de tal manera que se preserven
las propiedades esenciales de la imagen.
4
Binarizacion
Uno de los métodos para
poder binarizar una imagen digital es
mediante el histograma de dicha
imagen. A través del histograma
obtenemos una gráfica donde se
muestran el número de píxeles por
cada nivel de gris que aparecen en la
imagen.
Para binarizar la imagen, se deberá
elegir un valor adecuado dentro de
los niveles de grises (umbral), de tal
forma que el histograma forme un
valle en ese nivel. Todos los niveles
de grises menores al umbral
calculado se convertirán en negro y Figura 2.10 Histograma de una
todos los mayores en blanco. imagen en la escala de grises
4
Fragmentación o segmentación de la imagen
Una vez obtenida la imagen binaria se deberá fragmentar o
segmentar en las diferentes componentes conexas (parte de la
imagen donde todos los píxeles son adyacentes entre sí) que la
componen.
Viene a ser una de las mayores dificultades del reconocimiento, y

se hace necesaria para poder reconocer cada uno de los
caracteres de la imagen binaria
Esta operación permite la descomposición de un texto en

diferentes entidades lógicas. Estas entidades lógicas deben ser lo
suficientemente invariables, para ser independientes del escritor, y
lo suficientemente significativas para su reconocimiento.
4
Con la segmentación se debería localizar las zonas de interés y
separar por dichas zonas. Las zonas de interés estarán
caracterizadas por unos atributos comunes como son dimensión,
superficie, densidad, inclinación, longitud del trazo, etc.
No existe ningún método genérico para realizar la segmentación

de la imagen que sea lo suficiente eficaz para el análisis de un
texto. Los métodos mayormente utilizados son variaciones del
método de ‘Proyecciones Vertical’.
Otro ejemplo, sería utilizar un método que segmentase la imagen
en entidades que no tuviesen ningún punto en común (Tsujimoto).
En imágenes perfecta daría un resultado favorable. Sin embargo,
en la realidad, teniendo en cuenta el ruido, esto no se produce.
4
Todos estos métodos no pueden ser aplicados al cien por cien, y se hace
necesario el estudio del contexto para poder realizar una segmentación
correcta. Pero el estudio del contexto no se puede aplicar hasta que no hayan
sido extraídos y reconocidos todas las entidades.
Una vez que se hayan extraídos todas los posibles cortes por algunos de los
métodos de segmentación, se puede emplear un árbol de decisión. Para ello
haríamos:
• Determinar todas las posiciones de cortes.

• Crearíamos un árbol de decisión, cada región entre dos cortes
correspondería a un nodo del árbol.
• Asociaríamos a cada nodo un carácter y ponderaríamos su idoneidad
respecto a esa región.
. 4
La segmentación o fragmentación
de una imagen también se puede
conseguir mediante la detección de
fronteras o bordes. Algunos de los
métodos de detección de bordes
son:
• El detector de bordes de Sobel.

• El operador de Kirsch.
• Detector de bordes de Marr-
Hildreth.
• Detector de bordes de Canny. Figura 2.10 Métodos de detección de bordes
.
4
4
Los enfoques de segmentación de imagen se puede categorizar

en dos tipos basados en las propiedades de la imagen.
4
Clasificación de las técnicas de segmentación de

imágenes
4
Técnicas para la
segmentación de
las imágenes
4
Método del Umbral
• Mas simples, dividen los pixel de la imagen con respecto a su nivel de
intensidad.
• se usan en imágenes que tienen objetos mas ligeros que fondo,
• la selección de este método puede ser manual o automáticos, es decir en
conocimiento previo o en la información de las características de la imagen.
Se hace usando El valor de T puede variar sobre la Hay múltiples

cualquier valor de imagen esto puede ser de dos tipos: valores del umbral
umbral apropiado/T Umbral local: El valor de T depende T0 y T1
donde el valor de T será de la vecindad
constante para toda la Umbral adaptativo: el valor de T es
imagen una función de X,Y
4
Método de Segmentación Basado en Bordes
Se basan en el cambio rápido del valor de intensidad en una imagen porque un solo valor de
intensidad no proporciona buena información sobre los bordes.
Las técnicas de detección de bordes localizan los bordes y luego se conectan entre si para
formar los limites del objeto.
. Para segmentar las regiones requeridas los métodos
básicos de segmentación basados en bordes son 2
Histograma en Gris y métodos Método de segmentación Basado en Región
basados en gradiantes. Segmentan la imagen en varias regiones que tienen
Para detectar los bordes se puede características similares, 2 tipos de técnicas:
utilizar una de las técnica básicas de Región método de cultivos; segmentación basado
detección de aristas como operador en crecimiento, segmentan la imagen en varias
Sobel, el operador astuto y el regiones basado en el crecimiento de semillas
operador Robert, el resultado de (pixeles iniciales) . Las semillas se seleccionan
estos métodos es básicamente una manualmente(conocimientos previos) o
imagen binaria. automáticamente (aplicación en particular)
Estas son las técnicas estructuradas Métodos de división y fusión de regiones; dos
basadas en detección de técnicas básicas la división y la fusión para segmentar
discontinuidad. la imagen en varias regiones
4
Método de división y fusión en regiones
La división representa división iterativa de una imagen en regiones que tienen características
similares y la fusión contribuye a combinar las regiones similares adyacentes.
el siguiente diagrama muestra la división basada en el árbol cuádruple, los pasos básicos del
algoritmo para el crecimiento y la fusión de la región son: sea P la imagen digital y (T) el
predicado particular.
• En primer lugar, el R es igual a P.
• Cada región se divide en cuadrante para los cuales T(R1)=falso.
• Si para cada región T(Rj) =verdadero se fusionan las regiones adyacentes Ri and Rj tales
que T (Ri u Rj)=verdadero.
• Repita el paso 3 hasta que la fusión sea posible
.
4
Método de segmentación basado en clústeres
Segmentan la imagen en grupos que tienen pìxeles con características similares,
el agrupamiento de datos es el método que divide los elementos en datos de
manera que los elementos del mismo grupo son similares entre si, que otros.
Existen dos características básicas del método de agrupamiento:
• Método jerárquico.
• Métodos basado en partición.
Por otro lado los métodos basados en particiones utilizan métodos de
optimización de forma iterativa para minimizar la función del objeto.
Entre estos métodos hay varios algoritmos para encontrar clúster, hay dos tipos
básicos de agrupación:
Hard Clustering: Divide la imagen en un conjunto de clústeres de tal manera que un pixel solo
puede pertenecer a un solo cluster, es decir cada pixel puede pertenecer a un grupo, utilizan
funciones de pertenencia que tienen valores de 1 o 0 , es decir uno o ciertos pixeles pueden
pertenecer o no a un grupo, ejemplo HCM
Soft Clustering: Es mas natural porque en la vida real no es posible la división exacta debido a
la presencia de ruido, por ello son útiles en donde la división de la imagen no es estricta, por
ejemplo se usa FUZZY c , donde un pixel puede pertenecer a mas de un grupo.
4
Métodos basados en cuencas
Usan el concepto de interpretación topológica en esto la intensidad

representa las cuentas que tienen agujeros en sus mínimos donde el
agua se derrama. Cuando el agua alcanza el borde de la cuenca, las
cuenca adyacentes se fusionan.
Para mantener la separación entre cuencas se requieren represas y
son los borde de la región de segmentación estas represas se
construyen usando dilatación, este método considera el gradiante de
la imagen como una superficie topográfica.
Los pixel que tienen mas gradientes se representan como limites
contenidos
4
Métodos de segmentación basado en la
ecuación diferencial parcial
Son métodos rápidos de segmentación son apropiados para
aplicaciones de tiempo critico, existen dos métodos básicos de PDE:
Filtro de difucion isotrópico no lineal (utilizados para mejorar los
bordes).
Restauracion convexa de variación no cuadrática (utilizar para
eliminar el ruido).
Los resultados del PDE son los bordes borrosos y limites que se
pueden cambiar utilizando operaciones cercanas. El método de PDE
de cuarto orden se utiliza para reducir el ruido de imagen y el método
de PDE de segundo orden se utiliza para mejorar los bordes y limites.
4
Métodos de segmentación basado en redes
neuronales artificiales
Simulan la es estrategias de aprendizaje del cerebro humano con el
propósito de tomar decisiones, hoy en día este método se utiliza
principalmente en todo procesamiento de imágenes medicas, repara
imágenes requeridas de fondo, etc, una red neuronal artificial se
compone de una gran numero de nodos conectados y cada una tiene
un peso particular.
Este métodos es independiente del PDE teniendo como pasos
básicos la extracción de características y la segmentación por la red
neuronal.
4
Tabla de comparación de técnicas de
segmentación
4
Adelgazamiento de los Componentes
Una vez obtenida las componentes conexas de la imagen, se deberá realizar

un proceso de adelgazamiento de cada una de ellas.
El procedimiento de adelgazamiento consiste en ir borrando sucesivamente

los puntos del borde de cada componente conexa, de forma que se preserve
su topología.
Las condiciones exactas que determinan si un punto se puede borrar están

relacionadas con el concepto de punto simple (un píxel negro P del borde de
la imagen se considera simple si el conjunto de los vecinos en negro de P
tienen exactamente una componente conexa que es adyacente a P) y punto
final (un punto es final si tiene exactamente un vecino negro; un punto final no
es más que un punto extremo de la imagen). Es decir, un punto del borde
cada componente se puede eliminar si es simple y no es final
4
Adelgazamiento de los componentes
El borrado de puntos debe seguir un esquema de barridos sucesivos para

que la imagen siga teniendo las mismas proporciones que la original y
conseguir así que no quede deformada. El borrado en cada rastreo debe
hacerse en paralelo, es decir, señalar los píxeles borrables para eliminarlos
todos a la vez.
Figura 2.11 Adelgazamiento de los componentes de una imagen

4
Reconocimiento de patrones
El objeto de estudio son los procesos de identificación, caracterización,

clasificación y reconstrucción sobre conjuntos de objetos o fenómenos, así
como el desarrollo de teorías, tecnologías y metodologías relacionadas a
dichos procesos.
Es la ciencia que se ocupa de

los procesos sobre ingeniería,
computación y matemáticas
relacionados a objetos físicos y/o
abstractos, con el propósito de
extraer información que permita
establecer propiedades de o
entre conjuntos de dichos
objetos. Figura 2.12 Reconocimiento de patrones Huellas Dactilar
4
Figura 2.13 Modelo de un sistema de reconocimiento de patrones
4
Figura 2.14 Ejemplo de Modelo de reconocimiento de patrones
4
Comparar con patrones
Una vez realizada el adelgazamiento de la imagen, se deberá realizar la

comparación con patrones o plantillas.
En esta etapa se deberá comparar los caracteres obtenidos con unos
caracteres teóricos almacenados en una base de datos.
Este paso es bastante importante, ya que el buen funcionamiento del OCR se

debe en gran medida a una buena definición de esta etapa.
Para poder realizar este paso, se debe disponer en el OCR Genérico de una
base de datos en la que se debe almacenar todos los caracteres que deben
ser reconocidos por dicho OCR Genérico. En esta base de datos se
almacenará, por tanto, todos los patrones o plantillas.
Existen varios métodos para el reconocimiento de caracteres basados en la

programación dinámica:
4
Métodos geométricos o estadísticos: Consisten en extraer de los
caracteres extraídos de la imagen, un conjunto de m medidas que constituyen
la composición de un vector de un espacio de representación Rm de
dimensión m. Estas medidas suelen ser elevadas en número (m>100). Sus
componentes fundamentales son medidas topológicas y métricas, como
superficies, regiones, perfiles, concavidades, bucles, intersecciones.
Figura 2.13 Representación del método geométrico o estadístico

4
- Métodos estructurales: Estos métodos pasan por

una esqueletización de los caracteres extraídos de la imagen, de manera que
pasan por una detección de contornos interiores y exteriores para detectar
una serie de puntos singulares, de estos puntos se extraerá una información
topológica. Posteriormente, se pasará a una vectorización, que permite
representar una descripción en forma de cadena de símbolos o de gráficos.
Métodos Neuro-Miméticos: Están basados en la utilización de redes

neuronales de todo tipo: perceptrones multinivel, catas de Kohonen, TDNN,
RBF, neocognitrones, colonias corticales,... La mecánica general es partir de
una imagen con caracteres normalizados o de símbolos. Los resultados
obtenidos, son buenos con la condición de disponer de grandes bases de
datos de aprendizaje. Como contrapartida, los tiempos de aprendizaje serán
elevados, además sería muy difícil determinar las causas de errores de estos
métodos.
4
- Métodos Markovianos: Se basan en hacer tablas de búsqueda de

secuencias de señales de caracteres pero variables en el transcurso del
tiempo. Es algo parecido a un caché de reconocimiento de caracteres. Esto
en cuanto a almacenamiento, pero el proceso de reconocimiento, combina el
uso de un grafo y un proceso aleatorio en las transiciones del grafo así como
en su retroalimentación. (Su recomposición a lo largo del tiempo de uso).
Figura 2.10 Histograma de una imagen en la escala de grises

4
- Métodos basados en IA: Estos métodos aplican sistemas de decisión

a base de reglas al proceso de reconocimiento. Son algoritmos de búsqueda
de árboles que se sustentan la base de algoritmos clásicos (A*).
- Métodos de Zadeh: Estos métodos basados en la lógica borrosa, están

muy bien adaptados al reconocimiento de caracteres con un tipo de datos
impreciso. Usan Máquinas de estados o reglas de Zadeh.
- Métodos Mixtos: Consisten en una combinación de algunos métodos

anteriores, como por ejemplo un sistema CTRBF, que combina un árbol de
decisión con una red neuronal.
4
Aplicaciones de
reconocimiento de
patrones
3
Sistemas
Mg. Msc. Msc.Sally
Sally Torres
Torres
Aplicaciones de reconocimiento de patrones
-Los sistemas de reconocimiento de patrones tienen diversas aplicaciones.

Algunas de las más relevantes y utilizadas actualmente son:
Previsión meteorológica: poder clasificar todos los datos meteorológicos
según diversos patrones, y con el conocimiento a priori que tenemos de las
diferentes situaciones que pueden aparecer nos permite crear mapas de
predicción automática.
Reconocimiento de caracteres escritos a mano o a máquina: es una de las
utilidades más populares de los sistemas de reconocimiento de patrones ya
que los símbolos de escritura son fácilmente identificables.
Reconocimiento de voz: el análisis de la señal de voz se utiliza actualmente
en muchas aplicaciones, un ejemplo claro son los teleoperadores
informáticos.
Aplicaciones en medicina: análisis de biorritmos, detección de
irregularidades en imágenes de rayos-x, detección de células infectadas,
marcas en la piel...
4
Aplicaciones de reconocimiento de patrones
Reconocimiento de huellas dactilares: utilizado y conocido por la gran

mayoría, mediante las huellas dactilares todos somos identificables y con
programas que detectan y clasifican las coincidencias, resulta sencillo
encontrar correspondencias.
Reconocimiento de caras: utilizado para contar asistentes en una
manifestación o simplemente para detectar una sonrisa, ya hay diferentes
cámaras en el mercado con esta opción disponible.
Interpretación de fotografías aéreas y de satélite: gran utilidad para
propuestas militares o civiles, como la agricultura, geología, geografía,
planificación urbana...
Predicción de magnitudes máximas de terremotos.
Reconocimiento de objetos: con importantes aplicaciones para personas
con discapacidad visual.
Reconocimiento de música: identificar el tipo de música o la canción
concreta que suena.
4
Técnicas e
procesamiento digital
de imágenes
3
Sistemas
Mg. Msc. Msc.Sally
Sally Torres
Torres
- Métodos basados en IA: Estos métodos aplican sistemas de decisión a base de reglas al
proceso de reconocimiento. Son algoritmos de búsqueda de árboles que se sustentan la base
de algoritmos clásicos (A*).
- Métodos de Zadeh: Estos métodos basados en la lógica borrosa, están muy bien
adaptados al reconocimiento de caracteres con un tipo de datos impreciso. Usan Máquinas
de estados o reglas de Zadeh.
- Métodos Mixtos: Consisten en una combinación de algunos métodos anteriores, como

por ejemplo un sistema CTRBF, que combina un árbol de decisión con una red neuronal.
Figura 2.10 Histograma de una imagen en la escala de grises

4

2.procesamiento de Imagenes

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2.procesamiento de Imagenes

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional del Callao

Facultad de Ingeniería Industrial y de Sistemas

Sistemas Basados en Conocimientos (SBC)

Mg. Msc. Ing. Sally Torres

Representación de imágenes digitales

Análisis de imágenes digitales

Técnicas de procesamiento digital de

Dos paradigmas de sistemas inteligentes

Que es una imagen?

Figura 2.2 Imagen a procesar en un plano

Una representación plana de un objeto de 3 dimensiones

Figura 2.3 Imagen mostrando sus pixeles

La Figura 2.3 es una

Representación en formato de grilla

• Pixel → INTENSIDAD PROMEDIO → número

Figura 2.6 El pixel en diferentes niveles de intensidad

Figura 2.7 El pixel en diferentes niveles de intensidad

Figura 2.8 El pixel en diferentes niveles de intensidad en 5,4 y 3 bits

Figura 2.9 El pixel en diferentes niveles de intensidad en 2 y 1 bits

La resolución total expresa el número de píxeles que forman una imagen

Figura 2.11 Imagen mostrando sus pixeles

el mejor indicador del tamaño de imagen es sencillamente la cantidad de

Figura 2.13 Histograma de una imagen (caracterización)

El histograma es una representación gráfica de la distribución de los distintos

Figura 2.14 Histograma de una imagen mostrando la intensidad

Figura 2.15 Histograma de una imagen mostrando el contraste

• En cualquier monitor encontramos ajustes de brillo y contraste.

Figura 2.15 Histograma de una imagen mostrando el umbralado

• Es la transformación de punto más elemental. La idea es cambiar

• Se modifica el valor de cada pixel a

Figura 2.15 Histograma de una imagen mostrando el umbralado

• Se modifica el valor de cada pixel a

Figura 2.15 Histograma de una imagen mostrando el umbralado

La mayor parte de los algoritmos para reconocer

Viene a ser una de las mayores dificultades del reconocimiento, y

Esta operación permite la descomposición de un texto en

No existe ningún método genérico para realizar la segmentación

• Determinar todas las posiciones de cortes.

• El detector de bordes de Sobel.

Los enfoques de segmentación de imagen se puede categorizar

Clasificación de las técnicas de segmentación de

Se hace usando El valor de T puede variar sobre la Hay múltiples

Usan el concepto de interpretación topológica en esto la intensidad

Una vez obtenida las componentes conexas de la imagen, se deberá realizar

El procedimiento de adelgazamiento consiste en ir borrando sucesivamente

Las condiciones exactas que determinan si un punto se puede borrar están

El borrado de puntos debe seguir un esquema de barridos sucesivos para

Figura 2.11 Adelgazamiento de los componentes de una imagen

El objeto de estudio son los procesos de identificación, caracterización,

Es la ciencia que se ocupa de

Figura 2.13 Modelo de un sistema de reconocimiento de patrones

Figura 2.14 Ejemplo de Modelo de reconocimiento de patrones

Una vez realizada el adelgazamiento de la imagen, se deberá realizar la

Este paso es bastante importante, ya que el buen funcionamiento del OCR se

Existen varios métodos para el reconocimiento de caracteres basados en la

Figura 2.13 Representación del método geométrico o estadístico

- Métodos estructurales: Estos métodos pasan por

Métodos Neuro-Miméticos: Están basados en la utilización de redes

- Métodos Markovianos: Se basan en hacer tablas de búsqueda de

Figura 2.10 Histograma de una imagen en la escala de grises

- Métodos basados en IA: Estos métodos aplican sistemas de decisión

- Métodos de Zadeh: Estos métodos basados en la lógica borrosa, están

- Métodos Mixtos: Consisten en una combinación de algunos métodos