Laboratorio de Visión para Robots. Práctica 2

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Laboratorio de Visión para Robots. Práctica 2"

Rubén Martín Bustamante
hace 7 años
Vistas:

1 1. Preparación del entorno de trabajo Laboratorio de Visión para Robots Práctica 2 La manera en la que trabajaremos será primero utilizando Eclipse para prototipar nuestro programa. Cuando podamos procesar las imágenes como queremos, entonces introduciremos ese código en un nodo de ROS. Abrimos Eclipse y creamos un nuevo proyecto, yendo a File > New... > PyDev Project. Ahí le asignamos un nombre al proyecto, tal como Prácticas de Visión. Dejamos las opciones como de encuentran y damos clic en Finish. Es posible que el programa nos pregunte si queremos asignar un interpretador de Python (el programa que ejecutará nuestro código), en cuyo caso le dejamos a la computadora asignar uno automáticamente, siguiendo las opciones que presenta. En seguido abrimos la perspectiva de PyDev. Una perspectiva es una configuración particular del entorno de programación, que presenta comandos y opciones particularmente útiles para el lenguaje que estamos manejando en el momento (Eclipse cuenta con persectivas de Java y de C / C++ y Python, ya que instalamos estos plugins. Ahora nuevamente vamos a File > New... y escogemos PyDev Module. En la ventana que se abre, en el campo de Name, le asignamos un nombre a nuestro módulo (tal como Practica1 ). No es necesario especificar un nombre de paquete, aunque suele ser buena práctica, para mantener nuestros módulos divididos por funcionalidad. Damos clic en Finish. Posteriormente nos ofrecerá aplicar un template. Es decir, incluir algo de código para ayudar a darle formato a nuestro programa, dependiendo si queremos escribir una clase, o alguna otra aplicación. Seleccionaremos un documento vacío. 2. Ejercicios A manera de calentamiento, haremos algunos ejercicios de manipulación básica de imágenes utilizando solamente Python (es decir, sin recurrir a las funciones de OpenCV). Estos ejercicios están explicados en el archivo llamado EjerciciosPractica2.py, disponible en la página del curso. Segmentación de imágenes 1. Selección de umbral Cuando se trabaja con imágenes en escala de grises, la manera más básica de distinguir entre los objetos en la imagen y el fondo es mediante la intensidad de los pixeles que los componen. Este método, por supuesto, asume que los objetos en la imagen son más claros o más oscuros que el fondo. Existen otros métodos de segmentación más avanzados, que buscan reconocer texturas, formas (como círculos o líneas) para distinguir objetos, u otros más que usan el color de los pixeles cuando se trata de imágenes a color. En este práctica se trabajará únicamente con el primer método. El primer problema la que nos enfrentamos, es intentar decidir a partir de qué valor decidiremos cuándo un pixel corresponde a un objeto y cuándo corresponde al fondo. Podríamos ver direct

2 amente en la imagen qué valor tiene un pixel de un objeto y qué valor tiene uno de fondo, y escoger un umbral que este dentro de estos valores. Sin embargo, hacer esto será de muy poca utilidad, ya que por lo general se requiere automatizar el proceso de segmentación y llevarlo a cabo en tiempo real en video, y cualquier cambio en la iluminación de la imagen hará que sea necesario cambiar el umbral para segmentar correctamente. Intentar escoger manualmente un umbral implica que el usuario debe procesar manualmente cada imagen, lo que haría que el concepto de visión computacional resulte inútil. 2. Histogramas Figura 1: Captura de imagen objeto oscuro sobre fondo claro Un histograma es simplemente un conteo de cuántos pixeles de cada valor en la escala de grises (por lo general, de 0 a 255) hay en la imagen, y representado en una gráfica de número de pixeles vs. intensidad. En el caso expuesto arriba, tenemos esencialmente dos intensidades de pixel: clara y oscura. Por lo tanto, se espera que el histograma de la imagen muestre una concentración de pixeles de estos dos valores. En otras palabras, el histograma presentará dos máximos una distribución bimodal. Figura 2. Histograma de la imagen

3. Funciones Umbral En el histograma de la imagen anterior, se puede apreciar en el mismo que los valores para los pixeles de la pieza oscilan en torno a 180, y los del fondo, en torno a 90,

3 3. Funciones Umbral En el histograma de la imagen anterior, se puede apreciar en el mismo que los valores para los pixeles de la pieza oscilan en torno a 180, y los del fondo, en torno a 90, aproximadamente. Un umbral de 120 producirá una imagen binaria (blanco y negro) clara. Esta es la manera más común de binarizar una imagen, pero existen muchas otras maneras, como son utilizando un umbral inverso, o un umbral trunco. OpenCV provee éstas y más opciones para binarizar una imagen. Figura 3. Imagen binarizada con un umbral inadecuado Figura 4. Imagen binarizada con un umbral adecuado Tarea: Investigar qué funciones umbral ofrece OpenCV y presentar imágenes procesadas con todos estos tipos. 4. Selección automática del umbral Por lo general, se requiere poder seleccionar un umbral sin tener que revisar manualmente el histograma. Existen varios modos de hacer esto a través de código, pero utilizaremos sólo un algoritmo en particular (que tiene la ventaja de ya star implementado en OpenCV): el algoritmo

de Otsu. A grandes rasgos, este algoritmo prueba todos los umbrales posibles (es decir, utiliza todos los valores en la escala de grises) y escoge aquel que mejor segmente la imagen.

Tarea: Investigar y describir a mayor detalle el algoritmo de Otsu, y presentar imágenes procesadas con este algoritmo. 5.

4 de Otsu. A grandes rasgos, este algoritmo prueba todos los umbrales posibles (es decir, utiliza todos los valores en la escala de grises) y escoge aquel que mejor segmente la imagen. Para hacer esto, busca un umbral tal que se minimice la suma de las varianzas de los dos modos de histograma. Para que funcione, se requiere que el histograma sea bimodal. Tarea: Investigar y describir a mayor detalle el algoritmo de Otsu, y presentar imágenes procesadas con este algoritmo. 5. Umbral adaptativo Finalmente, en materia de umbrales, podremos notar que si la iluminación no es uniforme, la distinción entre pixeles de fondo y pixeles de objeto no será clara en toda la imagen. Para solucionar este problema, se hace uso de un umbral adaptativo, donde se aplica un umbral diferente para cada pixel en la imagen, dependiendo de la intensidad de los pixeles adyacientes. Figura 5. Imagen con iluminación no uniforme Figura 6. Imagen anterior binarizada con el algoritmo de Otsu.

Figura 7. Imagen binarizada con umbral adaptativo El umbral adaptativo también es útil para obtener contornos, ya que filtra todos los pixeles excepto aquellos donde hay cambios súbitos de intensidad.

5 Figura 7. Imagen binarizada con umbral adaptativo El umbral adaptativo también es útil para obtener contornos, ya que filtra todos los pixeles excepto aquellos donde hay cambios súbitos de intensidad. Esto permite detectar contornos que no se pueden ver con los otros umbrales. Sin embargo, este tipo de umbral suele dejar ruido en la imagen, por lo que se recomienda que sea suavizada antes, o procesada después con operaciones de erosión y dilatación para eliminar el ruido. Figura 8. Detección de contornos utilizando umbral adaptativo Tarea: Investigar y describir a mayor detalle cómo funciona el umbral adaptativo, y presentar imágenes con iluminación no uniforme y binarizarlas tanto con alguno de los métodos anteriores como con umbral adaptativo.

Documentos relacionados

Preguntas tema 4: MORFOLOGÍA

Preguntas tema 4: MORFOLOGÍA 1 I N G E N I E R Í A I N F O R M Á T I C A C U R S O 2 0 1 3-2 0 1 4 MORFOLOGÍA BINARIA 2 Ejemplo clausura: Corrección de texto escaneado - Imagen original: texto escaneado