Universidad Autónoma de Nuevo León

Facultad de Ingeniería Mecánica y

Eléctrica

Visión Computacional

Evidencia 2.- Reporte Diseño del algoritmo formas

Docente: Ing. Laura Patricia Del Bosque Vega

Nombre: Jonathan Omar Galindo Gutiérrez
Matricula: 1877500
Carrera: ITS
Semestre: 8vo

Semestre Enero – Junio 2023

San Nicolás de los Garza, 13 de marzo del 2023

1
Para esta entrada el objetivo fue programar las rutinas necesarias para la detección de
formas en una imagen.

Con lo que hicimos en la tarea 1, detección de bordes utilizando máscaras de Prewitt y

aplicación de umbrales para un mejor resultado.

Ahora vamos a detectar los objetos que quedan encerrados dentro de los contornos
resaltados en color blanco, para ello probaremos con las siguientes imágenes.

Para comenzar necesitamos binarizar las imágenes con la técnica de convolución que
ya vimos.

Después de aplicar máscaras y umbrales tendremos algo como esto:

2
Ahora a detectar los objetos, es un procedimiento sencillo y complejo a la vez:

• Creamos una matriz de pixeles visitados del mismo tamaño que la imagen (alto x
ancho)

• Creamos una lista para guardar la información de los objetos que encontremos y
un contador que servirá para poner un ID a cada objeto.

• Ahora comenzamos a recorrer todos los pixeles de la imagen.

• Verificamos cada píxel en el que nos posicionamos en la matriz de pixeles

visitados, si no está marcado como visitado (visitado[x][y] = False) y el color del
pixel es negro entonces marcamos ese pixel como el origen de nuestra búsqueda
(los pixeles negros pertenecen a objetos, los blancos a bordes).

• Generamos un color aleatorio

• Aplicamos búsqueda en anchura BFS en el píxel que marcamos como origen

para pintar con el color generado los pixeles que nos lance la búsqueda en
anchura.

3
• BFS nos regresará la lista de pixeles que fueron visitados, dichos pixeles nos
sirven para calcular también la masa del objeto y buscar su centro. Además, nos
regresa la lista de pixeles pintados de la imagen.

• Calculamos sus propiedades:

o tamaño del objeto a partir del largo de la lista de pixeles visitados

o su porcentaje con una regla de tres simple utilizando el tamaño del objeto
y a cantidad total de pixeles en la imagen.

• Tomamos las coordenadas de la lista de pixeles visitados y realizamos 2 sumas,

en una sumamos los valores de las coordenadas x y en la otra suma los valores
de las coordenadas y, después dividimos la sumatoria entre la cantidad de valores
sumados. Este par de resultados son las coordenadas del centro de masa del
objeto.

• Tomamos las propiedades y armamos un objeto en forma de

diccionario, ahí empaquetamos toda la información.

• Por cada objeto creado incrementamos el contador de los IDs

• Repetimos hasta que todos los pixeles hayan sido visitados.

• Después, de la lista de objetos tomamos aquel de mayor tamaño, supondremos

que el objeto de mayor tamaño es el fondo de la imagen por ahora. Pintamos los
pixeles que pertenecen a ese objeto de color gris.

• Ahora solo nos queda recorrer la lista de objetos obteniendo las propiedades de
cada uno, mas precisamente, las coordenadas de su centro. En esas coordenadas
dibujamos un punto negro y colocamos una etiqueta con el ID del objeto al que
pertenece.

• Mientras en terminal imprimimos sus propiedades para que podamos

relacionarlas.

4
La rutina BFS está basada en el algoritmo visto en clase.

Los objetos identificados se colorean y se ven así:

Podemos ver el centro de masa marcado con un punto negro.

Por último, los etiquetamos.

5
Mientras en la terminal vemos la información recolectada de cada objeto, su tamaño en
pixeles y porcentaje.

Y así termina la entrada.

Código

Clasificación de objetos parte 1, que hace el trabajo en la interfaz gráfica.

Clasificación de objetos parte 2, encargada de la parte lógica

6
7
8
Interfaz

La interfaz permanece sin cambios, al menú Machine vision se agregaron las opciones:

• Convex hull: Envoltura de objetos, aún sin funcionalidad

• Object Detection: Detección de un objeto individual

• Object Classification: Detección de todos los objetos en una imágen

Como agregado hice una rutina llamada objectDetection cuyo objetivo es detectar una
sola figura dada las coordenadas de origen.

Coloqué un listener en el canvas para guardar las coordenadas donde se da clic,

después la rutina toma esas coordenadas como inicio para detectar ese objeto utilizando
BFS. No etiqueta ni marca centros de masa, pero es una buena práctica para simular el
rellenado de figuras que vemos en programas de dibujo. Las coordenadas seleccionadas
se muestran en terminal, la figura se rellena de color azul sólido

Referencias

No se utilizaron referencias.