En este capitulo se compilan algunas de las técnicas de procesamiento vistas en el capitulo anterior, esto ayudara para poder realizar el reconocimiento de un objeto especifico.
Para poder realizar el reconocimiento de objetos, en este caso se va a utilizar como descriptor el código de cadena.
El objeto que se va a reconocer con este código es un objeto rectangular. El primer objetivo de este programa es tomar la imagen de entrada y separar cada objeto, mediante el comando
bwlabel, luego se obtiene el código de cadena de cada uno de los objetos
(fchcode)
, y finalmente se compara con un código de cadena ya ingresada con anterioridad(CC)
, el programa marcara en el centro solo al objeto que tenga el código de cadena idéntico a CC, de este modo solo marcara la figura rectangular que se quiere reconocer.f = imread('test2.JPG'); BW = im2bw(f, 0.7); figure(1), imshow(BW); [L, N] = bwlabel(BW,8); figure(2), imshow(L); for comp = 1:N [r,c]=find(L == comp); object=bwselect(L,c,r); binary_object=double(object); %figure(comp+2), imshow(binary_object) %% B = boundaries(binary_object); d = cellfun('length', B); [max_d, k] = max(d); b = B{k}; [M N] = size(binary_object);
BW2 = bound2im(b, M, N, min(b(:,1)), min(b(:,2)));
%% [s,su] = bsubsamp(b, 50); cn = connectpoly(s(:,1),s(:,2)); %figure(comp+3), imshow(BW2); newn = bound2im(s,M+1,N+1,min(s(:,1)),min(s(:,2))); %figure(comp+4), imshow(newn);
conn = bound2im(cn,M+1,N+1,min(cn(:,1)),min(cn(:,2))); figure(comp+2), imshow(conn); c = fchcode(su) %% c = fchcode(su); A = c.fcc; %CC = [0 0 0 0 6 6 4 4 4 4 4 2 2 0]; %CC = [0 0 0 0 0 6 6 6 4 4 4 4 4 2 2 2]; CC = [0 0 0 0 0 6 6 6 4 4 4 4 4 4 2 2 2 0]; %if (A==CC) if(isequal(A, CC)) s = regionprops(binary_object, 'all');
centroids = cat(1, s.Centroid); hold on plot(centroids(:,1), centroids(:,2), 'b*') hold off end; end; Anex4.1
Anex4.2
Conclusiones
1.- La visión artificial es un subcampo de la inteligencia artificial por lo que su futuro es muy prometedor, además diariamente se ven aplicaciones en donde es utilizada.
La cantidad de aplicaciones que se pueden realizar en este campo es ilimitada, lo que demuestra la importancia que tendrá en los años venideros.
2.-El estudio de la teoría de cada uno de los pasos del procesamiento de imágenes es vital para comprender la forma en que se debe trabajar, y reconocer los objetos de una imagen.
3.-El mejoramiento de la imagen fue el primer paso que se estudió en el procesamiento de imágenes. La importancia de este paso es simplificar la imagen que se va a trabajar y la misión es reducir el ruido de la imagen y realzar los objetos que tienen más importancia en la imagen que se esta analizando. Es importante destacar que las distintas técnicas vistas en el estudio del mejoramiento de imágenes, son aplicables de acuerdo al ambiente en que se este trabajando, además dependerán de la calidad de la imagen que se tome y los medios de iluminación con que se trabaje. Cabe destacar la importancia del uso de filtros espaciales (pasa-alto y pasa-bajo), lineal y no lineal, que son básicos en este paso.
4.-En el estudio de la segmentación de la imagen se pudo apreciar las diferentes técnicas con que se puede realzar los bordes de los objetos, de esta forma se pueden destacar los bordes, para poder marcar un objeto de interés, o de forma contraria, se pueden atenuar los bordes para poder destacar solo los objetos más relevantes, de esta forma, se obvia los detalles inservibles.
En este paso, también se cuentan con una variedad de formas de segmentar la imagen (segmentación de bordes o regiones), esto se debe a que la técnica elegida para poder segmentar una imagen dependerá del ambiente en que se obtenga la imagen, existiendo técnicas que serán más útiles en algunas circunstancias que en otras.
Es relevante mencionar la importancia de las técnicas de umbralización y segmentación orientada a regiones.
5.-La representación y descripción es el paso que introduce a la detección de objetos, de este paso se obtienen los datos útiles para poder trabajar cada objeto e identificar uno de otro. Con la descripción se obtiene la forma de representar una figura, de manera que se pueda generar un vector con esta representación. Trabajar con un objeto como si fuera un vector, facilita mucho más el trabajo de poder distinguir un objeto de otro y el trabajo de clasificación es mucho más fácil. Es importante destacar que la forma de representar un objeto depende de lo complejo de la figura o de la cantidad de parámetros que se quieran extraer de el, por lo tanto algunos descriptores serán más convenientes de usar en cierto tipo de problemas.
6.-La realización práctica ayudó a tener una mejor cercanía con cada paso del mejoramiento y segmentación de la imagen, pudiendo comprender de mejor forma la utilización de los filtros y los parámetros que hay que entregarle para obtener una salida óptima. Trabajar el mejoramiento y la segmentación fue útil para poder comprender los efectos que tiene el cambiar algunas variables de entrada y el resultado que éste tiene en la salida de la imagen, también ayuda a adquirir la experiencia suficiente para poder elegir el filtro más adecuado para cada tipo de imagen.
7.-La realización práctica del reconocimiento fue de suma importancia para este trabajo, ya que de esta forma se puede comprender las reales dificultades que se presentan al diseñar y programar un detector de objetos.
8.-La primera dificultad que se presentó, fue el escaso material en español para el trabajo práctico, sin embrago existe un poco más de material en lengua inglesa, el cual no es suficiente ya que no se encuentran todos los ejemplos de filtros, o pasos que se deben seguir para poder realizar un reconocedor optimo.
Lo segundo, es el hecho de que solo existe una Toolbox (DIPUM Toolbox), que esta orientada al procesamiento de imágenes. Matlab cuenta con una toolbox de procesamiento de imágenes, pero no cubre todas las tareas que se deben realizar. El uso de esta toolbox y el hecho de que no es de código abierto, limita el trabajo práctico basado solo en un libro [17].
9.-El trabajo de esta tesis da una base a temas para futuras tesis, donde se pueda dar más hincapié a contenidos como el reconocimiento estadístico de patrones en imágenes, o simplemente el trabajo de aplicaciones basadas en el uso de visión artificial.