1

Reconocimiento de cartas
Julián S. Rodríguez Acevedo

Resumen—El presente informe describe el procedimiento se- III-C. Etiquetado

guido para dar solución al examen final del curso de vision de
máquina cuyo objetivo es reconocer un conjunto de imágenes
de cartas e indicar cual es el valor correspondiente; además se
muestran los resultados obtenidos con la solucion planteada.
I. INTRODUCCION
Este informe corresponde a la descripcion de las etapas
planteadas para la solucion del examen final del curso de
vision de máquina. Se hace una revision de cada una de
las etapas presentes en el desarrollo, así como los resultados
obtenidos usando algunas técnicas vistas durante el curso.
II. OBJETIVO
Usar tecnicas de vision de maquina para reconocer la
imagen de una carta y especificar de forma automatica
su valor.
Una vez que los elementos dentro de la imágen están en
blanco y el fondo en negro; es posible mediante la función
bwlabel enumerar cada uno de los elementos presentes en la
imágen; de esta forma es posible saber cuantos elementos hay
exactamente y establecer que si el numero de elementos es
tres, se trata de una figura y un numero de dos cifras; por lo
tanto podemos concluir de inmediato que se trata de un 10.
III-D. clasificacion numero - figura
Usando la funcion regionprops se extrajeron las caracteris-
ticas de cada una de las regiones presentes en la imágen y
mediante pruebas se verificó que los elementos de mayor área
corresponden a la figura comparados con el 1 y el 0 en el
caso del 10; para oro caso se establecio que la figura es la
que tiene mayor la caracteristica de Solidityde esta forma se
pudo clasificar la imágen en dos regiones: numero (o letra) y
figura. En la figura 2 se ilustra las dos regiones presentes en
una imagen de prueba.

III. ETAPAS

A continuacion se hace una descripcion de las etapas

del proceso aplicado a la imagen, así como los resultados
obtenidos.

III-A. Clasificación por color

Como primer paso para la solución del problema, se decidio
primero identificar si se trataba de una carta roja o una negra,
esto para facilitar la clasificacion de las figuras más adelante
( se reducen las clases a clasificar); para esto se extrajo la
componente roja de la imagen y se analizó su histograma, (a) Figura roja
en la figura 1 se muestra el histograma correspondiente a una
figura roja y a una negra; como se aprecia la figura negra tiene
dos lobulos, mientras que la roja tiene todos sus niveles mas
cercanos; esto permite establecer un umbral que consistio en
contar los niveles que existen por debajo de 100; se considero
que si hay más de 40 se trata de una figura negra; de lo
contrario es una figura roja.

III-B. Umbralizacion
El siguiente paso consistió en binarizar la imagen para
esto se busco un nivel de umbralización con la función
graythresh, cuyo nivel arrojado fue adecuado para cada una (b) Figura negra
de las imagenes.Posteriormente se realizó una inversion de la
imagen con el objetivo de que el fondo fuera negro, mientras Figura 1. Histogramas
que los elementos en la imágen fueran blancos.
 2

Figura 3. Colección de números para extraer características

III-E. clasificacion de numeros o letras

Para realizar esta clasificación se construyó una imagen que

(a) Region1
contiene todos los numeros posibles a exepcion del 10 (figura
3). Con base en esta imagen se extrajeron las caracteristicas
de cada una de ellas y se analizó cual o cuales proporcionaban
una buena clasificacion teniendo en cuenta que estas podrian
cambiar de tamaño y de orientación. Se concluyo que lo mejor
era combinar el numero de Euler, que es la diferencia entre el
numero de componentes conectadas en la imagen y el numero
de "huecos"presentes en ella, con Extent.

III-F. clasificacion de numeros o letras

Para clasificar las figuras, se realizó un proceso similar

(b) Region2
Figura 2. regiones de cada imagen
al anterior, teniendo en cuenta que ya se habia separado
entre las figuras rojas y negras; para esto se extrajeron las
caracteristicas de una conjunto de imagenes mostradas en
la figura 4; graficando un par de caracteristicas, podemos
observar en la figura 5 que se pueden separar facilmente
estableciendo un Umbral para la propiedad Solidity.
 3

IV. RESULTADOS
Para la visualizacion de los resultados se construyó una
interfaz grafica en matlab (figura 6), la cual permite cargar
la imagen a reconocer, y visualizar los resultados obtenidos.
la prueba se realizo con las 28 imágenes correspondientes a las
cartas más las 4 de prueba proporcionadas y otras 4 creadas;
en total 36 imágenes de prueba.
De estas Hubo un reconocimiento de la totalidad de las
figuras (corazones, tréboles, picas y diamantes); pero en los
números hubo error en 6 de ellas; para un rendimiento total
del 83.3
Los errores presentados básicamente ocurrieron porque las
características extraídas presentaban coincidencias para mas
de una figura, es el caso por ejemplo de la Q y el 8.
(a) figuras negras

(b) figuras rojas

Figura 4. Imagenes para extraer caracteristicas de las figuras

Figura 6. Interfaz grafica

V. CONCLUSIONES
Para este tipo de aplicaciones es conveniente ir discri-
minando las clases desde las primeras etapas, con el
objertivo de facilitar la clasificacion al final.
No es completamente discriminatorio, elegir un par de
caracteristicas para clasificar cuando se tiene un conjunto
amplio de clases, lo ideal es elegir mas caracteristicas
y emplear un método de reducción para seleccionar las
(a) figuras negras adecuadas para una correcta clasificación.

(b) figuras rojas

Figura 5. Imagenes para extraer caracteristicas de las figuras