1
INFORME DE TALLER 1: IMÁGENES E
HISTOGRAMAS
Diego Alexander Rodríguez Vargas, diarodriguezva@unal.edu.co, codigo: 285607
Julián Alexander Vargas Jiménez, juavargasji@unal.edu.co, codigo: 285615
I. I NTRODUCCIÓN
L documento en cuestión corresponde al Informe del
E Taller #1 de Técnicas de Inteligencia Artificial. El ob-
jetivo del taller es realizar un acercamiento a las rutinas que
utiliza la libreria OpenCV para la obtención de histogramas
de los niveles de gris de imágenes digitales, además de ciertas
funciones de OpenCV que permiten realizar comparaciones
entre histogramas. El informe por tanto describe la manera
como la tarea fue llevada a cabo y describe los resultados
obtenidos.
II. M ARCO T EÓRICO
OpenCV implementa una gran variedad de herramientas
para la interpretación de la imagen. Es compatible con Intel
Image Processing Library (IPL) que implementa algunas
operaciones en imágenes digitales. A pesar de primitivas como
binarization, filtrado, estadísticas de la imagen, pirámides,
OpenCV es principalmente una librería que implementa
algoritmos para las técnicas de la calibración (Calibración
de la Cámara), detección de rasgos, para rastrear (Flujo
Óptico), análisis de la forma (Geometría, Contorno que
Procesa), análisis del movimiento (Plantillas del Movimiento,
Estimadores), reconstrucción 3D(Transformación de vistas),
segmentación de objetos y reconocimiento (Histograma, etc.).
El rasgo esencial de la librería junto con funcionalidad y
la calidad es su desempeño. Los algoritmos están basados en
estructuras de datos muy flexibles, acoplados con estructuras
IPL; más de la mitad de las funciones ha sido optimizada
aprovechándose de la Arquitectura de Intel.
OpenCV usa la estructura Iplimage para crear y manejar
imágenes. Esta estructura tiene gran cantidad de campos,
algunos de ellos son mas importantes que otros. Por ejemplo
el width es la anchura del Iplimage, height es la altura, depth
es la profundidad en bits y nChannels el número de canales
(uno por cada nivel de gris de las imágenes y tres para las
imágenes coloridas).
OpenCV en cuanto a análisis de movimiento y seguimiento
de objetos, ofrece una funcionalidad interesante. Incorpora
funciones básicas para modelar el fondo para su posterior
sustracción, generar imágenes de movimiento MHI (Motion
History Images) para determinar dónde hubo movimiento y
en qué dirección, algoritmos de flujo óptico, etc.
OpenCV viene con una interface gráfica llamada highGUI.
Esta interfaz gráfica es muy importante porque se necesita
bajo OpenCV para visualizar imágenes.
Histograma es el gráfico de las frecuencias de aparición
de cada nivel de gris, o de los niveles de cada canal de
un modelo de color de la imagen, y facilita informaciónpara
realizar multitud de operaciones de reasignación de los valores
de cada píxel de la imagen. Aumentar el rango del histograma
se emplea para mejorar el contraste de las imágenes, dado que
distribuye un intervalo del histograma de la imagen de modo
que ocupen todos los valores[1].
III. D ESCRIPCIÓN DEL TALLER
El taller consistió básicamente en dos actividades:
1. Cálculo y visualización de los histogramas de imágenes
de una mano expuesta a tres condiciones distintas de
iluminación, a saber: iluminación en interior, iluminación
en exterior e iluminación en exterior en un día con som-
bra; se solicita obtener los histogramas con un número
específico de bins (rectángulos, o cuantización de los
niveles de gris). Además, las imágenes deben tratarse en
un nivel de gris con profundidad de ocho bits.
2. Comparación de los histogramas obtenidos mediante los
criterios de comparación que posee la función cvCom-
pareHist de OpenCV, a saber: Correlation, Chi-square,
Intersection y Bhattacharyya distance. Se debe final-
mente realizar un análisis de los resultados obtenidos.
Para el desarrollo del taller, se decide introducir una
condición de iluminación adicional: imagen de una mano
expuesta a iluminación en interior con sombras, con el fin
de poder realizar comparaciones entre condiciones similares
de iluminación. Las cuatro imágenes de la mano en las
condiciones de iluminación descritas se muestran en las
figuras 1 a 4.
El mínimo número de bins, con el cual se puede elabaorar
un histograma es 2, pues nos brinda la posibilidad de
contabilizar la cantidad de píxeles que son más oscuros y
aquellos que son más claros. Los histogramas obtenidos para
las cuatro imágenes propuestas se pueden apreciar en la figura
5
En los histogramas se puede ver por simple inspección
que las imágenes con tonos más oscuros corresponden a: la
mano sin iluminación en un recinto cerrado y a la mano en el
 2

Figura 1. Interior no iluminado Figura 4. Exterior día soleado.

Figura 2. Interior con iluminación

exterior en un día soleado. El primero de estos histogramas Figura 5. Histogramas 2 Bins.

es fácilmente explicable debido a la carencia de luz, por
otro lado en un día soleado se esperaría un comportamineto
diferente, no obstante, debido a la cantidad de luz, las sombras en día soleado y una tendencia muy fuerte de tonos de tonos
son a su vez más intensas lo que se refleja en el histograma, oscuros en el interior sin iluminación. En cuanto a la mano con
sin emabrgo no se puede hablar de predominancia puesto iluminación en el interior se observa una mejor distribución
que el número de píxeles con una intensidad menor a 128 es de la intensidad de lo cual se infiere que esta imágen tiene
considerable. Debido a las diferencias tan grandes vistas en una mayor intensidad.
estos histogramas, no se considera pertinente el uso de los
Los resultados de la rutina de comparación se presentan en
métodos de comparación para 2 bins.
la tabla II
Para un número de bins igual a 64 se obtinen los
Donde, IL(Indoor-Lighted), IS(Indoor-Shaded),
histogramas mostrados en la figura 6
OL(Outdoor-Lighted) y OS(Outdoor-Shaded). Teniendo
Con los nuevos histogramas se observan comportamientos
interesantes nuevos, así por ejemplo, se observa una dominan-
cia de tonos claros en un día nublado al exterior, tonos oscuros

Figura 3. Exterior dia nublado Figura 6. Histogramas 64 Bins.

 3

Bins Correl. Chi Inter. Bhatta.

IS-IL -0.3326 1.605 0.1283 0.8503
OS-OL -0.1747 0.9335 0.3721 0.5531
IS-OS -0.3358 1.906 0.03068 0.9637
IL-OL -0.2305 0.8816 0.37 0.5394
Cuadro I
C OMPARACIÓN CON 64 BINS

Figura 8. Histogramas 8 Bins.

Figura 7. Histogramas 256 Bins.

en cuenta los rangos de comparación de cada uno de

los métodos: Correlación(-1 a 1), Chi-Cuadrado(2 a 0),
Intersección(0 a 1) y Bhattacharyya(1 a 0), se puede concluir
que los histogramas generados son totalmente diferentes entre
ellos.

Ahora bien, si se define el máximo número de bins (256),

se obtinen los siguientes histogramas.

Si se comparan los histogramas con los histogramas Figura 9. Histogramas 32 Bins.

generados a partir de 64 bins, se podría decir que la
descripción es la misma y se esperaría que la rutina de
comparación de histogrmas diera resultados similares.
Bins Correl. Chi Inter. Bhatta.
La diferencia entre los valores obtenidos con 64 y 256 IS-IL -0.3794 1.571 0.1431 0.8001
bins es despreciables, lo cual ratifica que los histogrmas son OS-OL -0.3041 0.8608 0.3901 0.5217
IS-OS -0.3956 1.896 0.03184 0.9556
totalmente incongruentes.
IL-OL -0.3874 0.6708 0.4325 0.4444
Como parte del ejercicio se pide comparar los histogramas
Cuadro III
con 8 y 32 bins. Las figuras 8 y 9 presentan los histagramas C OMPARACIÓN CON 8 BINS
respectivos.

Las rutinas de comparación arrojan para estos numeros de

bins los siguientes valores.
Bins Correl. Chi Inter. Bhatta.
IS-IL -0.3472 1.601 0.1292 0.8453
Bins Correl. Chi Inter. Bhatta. OS-OL -0.1787 0.9279 0.3721 0.5508
IS-IL -0.3144 1.606 0.1283 0.8529 IS-OS -0.3488 1.905 0.03144 0.963
OS-OL -0.173 0.9357 0.3712 0.5541 IL-OL -0.2371 0.8721 0.3751 0.534
IS-OS -0.3187 1.906 0.03068 0.9645
IL-OL -0.2274 0.8868 0.3689 0.5421 Cuadro IV
C OMPARACIÓN CON 32 BINS
Cuadro II
C OMPARACIÓN CON 64 BINS
 4

Los datos consignados para las comparaciones con 32 bins

difieren muy poco de los datos con 64 y 256 bins, lo que
nos lleva a decir que para esta tarea es necesario utilizar
únicamente 32 bins, también, si se analiza el histograma, se
puede ver claramente que las tendencias son las mismas que se
venían presentando. Por otro lado, si se mirna los histogrmas
con 8 bins, uno podría decir que necesita un mayor grado de
precisión para definir correctamente las imágenes, sin embargo
si se estudian los datos dados en la comparación, se puede ver
que los próximos histogrmas no difieren mucho de estos.

IV. C ONCLUSIÓN
A partir de los histogramas se puede concluir como era
de esperarse que la intensidad de las imágenes depende de
la ilumincación del lugar. Además, el comportamiento de los
histogrmas para esta aplicación puede definirse con pocos bins,
aproximadamente 32, pues si después se incrementa el nùmero
de bins no hay un cambio notable en las distribuciones ni en
las comparaciones.

R EFERENCIAS
[1] G. Bradski, Learning OpenCV, O’Reilly, (2008)