SEGMENTACIÓN MORFOLÓGICA WATERSHED EN IMÁGENES MÉDICAS: MÉTODOS DE SELECCIÓN DE MARCADORES

Tamaño: px
Comenzar la demostración a partir de la página:

Download "SEGMENTACIÓN MORFOLÓGICA WATERSHED EN IMÁGENES MÉDICAS: MÉTODOS DE SELECCIÓN DE MARCADORES"

Transcripción

1 Doctor en Ingeniería con orientación Electrónica SEGMENTACIÓN MORFOLÓGICA WATERSHED EN IMÁGENES MÉDICAS: MÉTODOS DE SELECCIÓN DE MARCADORES Ing. Mariela Azul Gonzalez Director: Dra. Virginia Laura Ballarin Co-Director: Dra. Teresita Raquel Cuadrado. FACULTAD DE INGENIERÍA UNIVERSIDAD NACIONAL DE MAR DEL PLATA CONICET

2 ÍNDICE GENERAL Resumen 1 Capitulo 1. Introducción Segmentación de imágenes médicas Métodos de segmentación y su aplicación a imágenes médicas Método de segmentación propuesto 1-8 Capitulo 2. Morfología Matemática Principios de la Morfología Matemática Operaciones Morfológicas aplicadas a imágenes binarias Erosión y dilatación Gradiente Morfológico Apertura y cerramiento Reconstrucción binaria Esqueleto y zonas de influencia Rellenado de Regiones Operaciones Morfológicas aplicadas a imágenes en niveles de gris Erosión y dilatación Gradiente Morfológico Apertura y cerramiento Filtros secuenciales Transformada Watershed Principios de la Transformada Watershed Formulación matemática de la Transformada Watershed Implementación de los algoritmos de inundación Segmentación de imágenes mediante la Transformada Watershed Watershed Iterativa 2-35

3 Capitulo 3. Materiales y métodos Materiales Obtención de una imagen gradiente adecuada para la Transformada Watershed Problemática en la obtención del gradiente Filtros Digitales Adaptivos Determinación manual de marcadores mediante morfología matemática Fundamentación Algoritmo propuesto Determinación semi-automática de marcadores mediante lógica difusa Sistemas de Inferencia Difusos Fundamentación Algoritmo propuesto Determinación automática de marcadores mediante clustering Clustering Fundamentación Algoritmo propuesto 3-23 Capitulo 4. Resultados Determinación de un gradiente basado en filtrado adaptivo Determinación manual de marcadores mediante morfología matemática Determinación semi-automática de marcadores mediante lógica difusa Determinación automática de marcadores mediante clustering Determinación del error y el costo computacional 4-20 Capitulo 5. Discusión 5-1 Capitulo 6. Conclusión 6-1 Capitulo 7. Referencias Bibliográficas 7-1

4 Resumen Las imágenes médicas poseen un alto contenido de textura y sus componentes presentan una gran variabilidad de formas y tamaños. Estas características evitan su correcto y eficiente procesamiento mediante métodos convencionales. Además los algoritmos específicos, desarrollados para su procesamiento en cada uno de los distintos campos de aplicación, son complejos y requieren una importante intervención del usuario para obtener los resultados esperados por el técnico especialista. La segmentación consiste en la partición de una imagen en sus regiones constitutivas. Este procedimiento se realiza para obtener la información que busca el observador experimentado. La Transformada Watershed es una herramienta morfológica que permite segmentar imágenes. Esta transformada se adapta a los diferentes tipos de imágenes siendo capaz de distinguir objetos sumamente complejos que no pueden ser procesados correctamente mediante algoritmos convencionales. El éxito de la Transformada Watershed depende fundamentalmente de la existencia de marcadores unívocos para cada uno de los objetos de interés y de un gradiente que permita la adecuada aplicación de los algoritmos de inundación. Los métodos estándar de obtención de marcadores son altamente específicos y determinan marcadores de manera efectiva pero no automática al procesar imágenes con alto contenido de textura. Por otro lado el gradiente de imágenes médicas posee en la mayoría de los casos bajo contraste y alto contenido de ruido resultando en imágenes gradiente con contornos difusos 1

5 que reducen la precisión de su procesamiento y favorecen la sobresegmentación. Esta tesis propone la utilización de técnicas de morfología matemática y reconocimiento de patrones para el desarrollo de algoritmos que permitan la eficiente aplicación de la Transformada Watershed para la segmentación imágenes médicas. Se desarrollaron tres algoritmos para la definición de marcadores de la TW basados en morfología matemática, lógica difusa y clustering. Como imágenes de prueba se utilizaron imágenes adquiridas mediante un microscopio debido a que presentan la mayor dificultad al segmentarlas. Para comprobar la validez de los métodos se analizaron muestras de arroz, polen, bacterias, microorganismos, nódulos linfáticos, materiales de corrosión y biopsias de médula ósea donde se requiere segmentar las trabéculas con fines de diagnóstico. Para el algoritmo basado en clustering, el error medido utilizando como referencia la segmentación del observador experimentado, resultó menor en comparación con los otros algoritmos propuestos. Los tiempos de procesamiento también resultaron significativamente menores. Del análisis de los resultados se concluye que el algoritmo basado en clustering puede ser aplicado de manera automática, simple y robusta. Los resultados de la segmentación fueron ampliamente satisfactorios tanto en imágenes de fácil procesamiento como en imágenes que no pueden ser procesadas mediante métodos convencionales. 2

6 Capítulo 1 INTRODUCCIÓN CAPITULO 1 INTRODUCCIÓN Las imágenes médicas están compuestas por objetos con una amplia variabilidad de formas, tamaños, intensidades y textura. En general poseen una baja relación señal a ruido y bajo contraste. Estas propiedades tampoco son uniformes dentro del interior de los objetos dificultando aún más su correcta distinción. La adquisición de imágenes médicas se caracteriza también por requerir del ajuste de una gran cantidad de parámetros que deben ser establecidos por el especialista en cada tipo de estudio. La iluminación, la resolución y el contraste de las imágenes adquiridas mediante un microscopio son establecidos por el microscopista durante cada adquisición para obtener la mejor visualización posible. Aún para el observador experimentado la ubicación de los contornos de los diferentes tipos de muestras es compleja y posee una imprecisión inherente al corte histológico bajo estudio (Glasbey et al., 1994; Rodríguez, 2005). El objetivo de analizar este tipo de imágenes es diagnosticar enfermedades, prevenirlas y realizar el seguimiento de sus estadios y su respuesta a drogas específicas. Un patólogo necesita varios años de entrenamiento para reconocer células sanas y enfermas en cada uno de los distintos tipos y estadios de patologías y en cada diferente morfología de los diversos pacientes. Dado que cada especialista posee distintos criterios para clasificar las muestras, las decisiones finales poseen un alto contenido de vaguedad e incerteza. Por otro lado, en los métodos de diagnóstico por imágenes las intensidades de gris se corresponden con la detección directa o indirecta de diversos tipos 1-1

7 Capítulo 1 INTRODUCCIÓN de ondas electromagnéticas que atraviesan los tejidos y son captadas por medio de sensores específicos. Por ejemplo, en las imágenes Radiográficas y de Tomografía Axial Computada (TAC) las intensidades representan la absorción de los Rayos X; en las imágenes de Resonancia Magnética Nuclear (RMN) las intensidades representan la variación del campo magnético de los átomos de hidrógeno, y por último, en las imágenes de Cámara Gamma y Tomografía por Emisión de Positrones (PET), las intensidades representan la radiación emitida por los órganos y tejidos durante el decaimiento de materiales radiactivos (Marshall et al., 2006). La variabilidad de estas imágenes se debe a los diferentes parámetros de adquisición, el alto contenido de ruido y textura que poseen, los diversos campos de estudio y los diversos tipos de patologías que se presentan (Krestel, 1990; Gonzalez et al., 2007). El reconocimiento automático y la cuantificación de los objetos biológicos dependen de la adaptación de los algoritmos de procesamiento digital a estas variaciones e incertezas. En consecuencia puede afirmarse que la tarea de analizar imágenes médicas es compleja y dificultosa tanto para los especialistas como para los métodos de análisis de Procesamiento Digital de Imágenes (PDI). Es por ello que los esfuerzos avocados al procesamiento y posterior cuantificación de estas imágenes surgen de una amplia variedad de aplicaciones Segmentación de imágenes médicas El Procesamiento Digital de Imágenes (PDI) se aplica con el fin de evitar la ambigüedad de los diferentes criterios utilizados por los especialistas y disminuir los tiempos de las evaluaciones. 1-2

8 Capítulo 1 INTRODUCCIÓN En el PDI se pueden diferenciar cuatro etapas (González et al., 1996; Catleman et al., 1979; Facón, 1996). La primera es la adquisición de la imagen y su digitalización. Los valores de resolución espacial y niveles de gris establecidos en esta etapa son un compromiso entre la calidad de la imagen y el espacio de memoria que ocupa. Si bien algunas de las imágenes médicas procesadas en esta tesis son imágenes a color, éste no aporta información para distinguir los objetos de interés. Por ejemplo, las tinciones realizadas a las biopsias de médula ósea se realizan para aumentar el contraste entre los objetos de interés y los demás componentes de la imagen. El color depende de la sustancia utilizada para lograr este objetivo pero no aporta información al momento de la segmentación. Por lo tanto, en el desarrollo de esta tesis las imágenes a color se convierten a niveles de gris. La segunda etapa involucra la restauración y/o mejora de la imagen para aumentar la eficiencia de los algoritmos aplicados en los pasos posteriores. La tercera etapa (comúnmente denominada segmentación) consiste en la partición de la imagen en sus regiones constitutivas. Finalmente, la cuarta etapa consiste en la cuantificación y medición de parámetros de los objetos de interés. La segmentación es una de las tareas más complejas del PDI. La precisión de la segmentación condiciona la posterior cuantificación de los objetos de interés. En particular los resultados de la segmentación deben cumplir con ciertas condiciones: a) brindar resultados similares a los producidos por un observador experimentado al reconocer los objetos de interés, b) las regiones constitutivas deben formar la imagen completa y no deben superponerse entre si, c) a cada objeto le debe corresponder una y sólo una región, d) las regiones deben ser simples y sin huecos, e) las regiones adyacentes deben tener 1-3

9 Capítulo 1 INTRODUCCIÓN valores significativamente diferentes respecto a las características sobre los cuales ellas son uniformes, f) los contornos de cada segmento deben ser simples, no discontinuos (curva cerrada), g) los algoritmos deben ser automáticos requiriendo una mínima intervención del usuario y h) deben poseer un bajo costo computacional (Dougherty et al., 1994; Glasbey et al., 1994). Debido a la complejidad de las imágenes médicas estas características son difíciles de lograr obteniendo sólo buenas aproximaciones en la mayoría de los casos. En general, para lograr una segmentación satisfactoria se recurre a la intervención minuciosa de un observador experimentado, requiriendo gran tiempo y esfuerzo por parte del mismo. Este tipo de procedimiento es denominado comúnmente segmentación manual. En este caso el observador debe establecer un gran número de parámetros y opciones, dificultando la utilización del algoritmo por parte del usuario inexperto. Por este motivo el desarrollo de métodos de segmentación que sean independientes de la intervención del usuario contribuye sustancialmente al mejoramiento del procesamiento de imágenes médicas. Estos métodos se denominan automáticos y el objetivo fundamental es facilitar el uso rutinario por parte del usuario entrenado y no entrenado, evitando disparidad de criterios. Sin embargo la presencia de ruido, los cambios graduales de intensidad o la similitud de intensidades entre diferentes estructuras anatómicas provoca que esta tarea no resulte sencilla, siendo muchas veces imposible. Por lo tanto, la alternativa más utilizada es la segmentación semi-automática donde se requiere una intervención mínima por parte del experto. Usualmente, en este caso se le presenta al usuario experimentado en forma automática una primera 1-4

10 Capítulo 1 INTRODUCCIÓN segmentación y se le permite mejorar la exactitud de la misma modificando los parámetros del algoritmo si la segmentación presentada no es la esperada Métodos de segmentación y su aplicación a imágenes médicas Los algoritmos de segmentación se basan generalmente en la similitud y discontinuidad de las intensidades de los píxeles. Uno de los algoritmos basados en similitud más utilizados es el umbralado a partir de los niveles de gris (Gonzalez et al., 1996). Este algoritmo es de simple programación y rápida ejecución. El umbral se puede aplicar a la intensidad de gris ó a otra propiedad del píxel. Los métodos globales de umbralado fallan en imágenes médicas debido a que en la mayoría de los casos éstas poseen una iluminación que varia espacialmente. Los métodos automáticos de umbralado global como por ejemplo el método del triángulo o de isodata sólo son efectivos en la medida que los espectros de las intensidades de gris determinados a partir del histograma se puedan distinguir y discriminar fácilmente existiendo poca superposición entre ellos, es decir que sean bimodales (Castleman et al., 1979). En consecuencia, el umbralado global de la imagen sólo es de utilidad en la segmentación de objetos homogéneos en un fondo de intensidad constante. El umbralado local busca evitar estos impedimentos pudiendo ser aplicado en imágenes con histogramas unimodales. En este caso se genera una superficie de umbralado donde cada píxel tiene asignado un umbral propio basado en características de las intensidades del píxel y de su entorno. La baja relación señal a ruido y el bajo contraste de las imágenes médicas hace que la aplicación de métodos automáticos de umbralado local no resulte en segmentaciones satisfactorias 1-5

11 Capítulo 1 INTRODUCCIÓN (Gonzalez et al., 1996; Otsu, 1979). Los métodos manuales de umbralado requieren la obtención del umbral de manera heurística. Cuando se desea umbralar un conjunto de imágenes adquiridas de diferente manera generalmente se debe elegir un umbral diferente para cada una de las mismas, lo que sucede comúnmente con las imágenes adquiridas mediante un microscopio. En consecuencia, si el número de imágenes es significativo no se puede aplicar esta técnica de segmentación. Otra técnica basada en la similitud de los píxeles es el crecimiento de regiones por agregación de píxeles. Este algoritmo comienza con puntos denominados semillas o marcadores y a ellos se les unen sus vecinos si comparten ciertas propiedades (nivel de gris, textura, color, etc.). Las propiedades que se eligen para caracterizar la imagen deben poder discriminar los objetos de interés; no deben tener correlación entre si para evitar redundancias y deben ser robustas, es decir, identificar los objetos frente a una amplia variación en sus características o por lo menos en el rango de variación propio de los mismos. Es aconsejable elegir un número pequeño de propiedades para evitar incrementar la complejidad de los algoritmos y aumentar su tiempo de ejecución. La gran variabilidad de las imágenes médicas impide encontrar propiedades uniformes de los píxeles pertenecientes a un mismo objeto evitando la aplicación de este tipo de algoritmos (González et al., 1996; Catleman et al., 1979). También existen otros algoritmos basados en la similitud de los píxeles. Por ejemplo, los modelos deformables de crecimiento de regiones y contornos activos. Estos algoritmos, además de requerir una compleja implementación y ajuste de parámetros, poseen un alto costo computacional. Las imágenes 1-6

12 Capítulo 1 INTRODUCCIÓN médicas poseen una alta resolución espacial evitando la aplicación de estos métodos (Dougherty et al., 1994; Facón, 1996). Otros métodos ampliamente utilizados son los algoritmos de agrupamiento de regiones (region merginig). Los mismos solo son efectivos si las regiones poseen indicadores de valores similares (intensidad, parámetros estadísticos, forma, tamaño, etc.) (Facón, 1996). El alto contenido de textura de las imágenes médicas impide obtener indicadores con dichas características, por lo que estos métodos no producen resultados satisfactorios. Los métodos de detección de bordes forman parte de los algoritmos de segmentación basados en la discontinuidad de los píxeles. Estos algoritmos utilizan imágenes gradiente para reconocer los contornos de los objetos de interés y usualmente no producen resultados similares a los que genera el observador experimentado. El ruido y la textura producen contornos de mayor intensidad que los contornos reales de los objetos, evitando la correcta umbralación del gradiente para segmentar los contornos buscados. Su detección mediante métodos automáticos de seguimiento de contornos depende de que los mismos posean características similares. Como se mencionó anteriormente, esto no sucede en las imágenes médicas. En la segmentación de imágenes médicas, la utilización de algoritmos basados en similitud o basados en discontinuidad, producen contornos discontinuos en el fondo y también dentro los objetos (Dougherty et al., 1994). En el Capítulo 3 se analizan en profundidad estos algoritmos a fin de justificar porque se los desestimó para esta tesis. Según lo expresado anteriormente puede afirmarse que los métodos lineales convencionales que son precisos en imágenes con alto contenido de 1-7

13 Capítulo 1 INTRODUCCIÓN textura tienen la desventaja de ser complejos, poco automáticos y poseer un alto costo computacional. Por otro lado, desde hace ya varios años se estudia la aplicación de una teoría basada en el álgebra de conjuntos denominada morfología matemática con muy buenos resultados y un costo computacional mínimo convirtiéndose en una herramienta de gran ayuda en imágenes médicas (Serra, 1992). De esta teoría surge un poderoso detector de contornos denominado Transformada Watershed con numerosas aplicaciones exitosas en problemas hasta ahora no resueltos (Vincent et al., 1991). La eficiencia de la TW reside en que, a diferencia de los métodos convencionales, la agrupación de píxeles se hace en base a su similitud y discontinuidad simultáneamente. Esta herramienta es fácilmente adaptable a diferentes tipos de imágenes siendo capaz de distinguir objetos sumamente complejos que no pueden ser procesados correctamente mediante algoritmos convencionales. Las características mencionadas hacen pensar que su aplicación en imágenes médicas sería exitosa. En consecuencia esta tesis propone la utilización de esta herramienta con el objeto de lograr una correcta segmentación Método de segmentación propuesto El éxito de la TW depende fundamentalmente de la existencia de marcadores unívocos para cada uno de los objetos de interés y de un gradiente que permita la adecuada aplicación de los algoritmos de inundación. Los métodos estándar de obtención de marcadores son altamente específicos, poseen un elevado costo computacional y determinan marcadores de manera efectiva pero no automática al procesar imágenes con alto contenido de textura (Fenandiere et al., 1997; Katz, 2003; Hai et al., 2004; Grau 1-8

14 Capítulo 1 INTRODUCCIÓN et al., 2004; Nagaraja, 2006). Por otro lado el gradiente de imágenes médicas posee bajo contraste y alto contenido de ruido resultando en imágenes gradiente con contornos difusos que reducen la precisión de la segmentación y favorecen la sobresegmentación (Hansen et al., 1999; Van Dr Ville et al., 2003). La textura de las imágenes médicas debe ser analizada con el objeto de caracterizar los objetos de una manera que permita su correcta distinción. La textura depende tanto del nivel de gris como de la distribución espacial de estos niveles. Las matrices de co-ocurrencia son de uso común en el análisis de dicha distribución (Gonzalez et al., 1996; Dougherty et al., 1994). También son ampliamente utilizados los métodos basados en la granulometría en niveles de gris. Sin embargo, aunque estos últimos caracterizan la textura de los objetos, disminuyen la precisión en la ubicación espacial de los objetos. Esta tesis también propone desarrollar algoritmos que utilicen las matrices de co-ocurrencia para determinar indicadores de textura que permitan distinguir los objetos de interés. En resumen, el objetivo de esta tesis es la utilización de técnicas de morfología matemática y reconocimiento de patrones para el desarrollo de algoritmos que permitan la eficiente aplicación de la TW para la segmentación imágenes médicas. 1-9

15 Capítulo 2 MOROFLOGÍA MATEMÁTICA CAPITULO 2 MORFOLOGÍA MATEMÁTICA En este capitulo se presentan los fundamentos, los operadores y las aplicación de la morfología matemática. La sección 1 inicia el capitulo con los principios generales de la morfología matemática. Las secciones 2 y 3 definen formalmente los operadores morfológicos básicos y además muestran las aplicaciones de los mismos. Finalmente la sección 4 detalla la herramienta morfológica Transformada Watershed, la cual es ampliamente estudiada y aplicada en la presente tesis Principios de la Morfología Matemática El cerebro es capaz de reconocer fácilmente los diferentes objetos que componen una imagen. Sin embargo, debido las características complejas de las imágenes médicas, esta tarea resulta laboriosa y muchas veces imposible para los algoritmos clásicos del PDI. La Morfología Matemática presenta un enfoque no convencional que permite obtener resultados satisfactorios desde la Teoría de Conjuntos. La morfología matemática permite responder a dos grandes interrogantes: Cómo se describe una imagen a partir de la geometría de las formas de los objetos que la componen? Qué ayuda puede brindar la morfología matemática para automatizar la cuantificación manual que realiza el experto? 2-1

16 Capítulo 2 MOROFLOGÍA MATEMÁTICA La palabra morfología tiene su origen a partir de dos palabras griegas: morphe (forma) y logos (ciencia). La morfología trata acerca de las formas que la materia puede tomar. En particular, la morfología matemática estudia las estructuras geométricas de los componentes de las imágenes. Mediante operaciones no lineales se extraen características relativas a la geometría y a la topología de los componentes de las imágenes. Esta teoría permite analizar la forma, tamaño, orientación y superposición de los objetos que componen las imágenes. Las diversas anatomías presentes en las imágenes médicas hacen que el análisis de estructuras inherentes, que posibilita la morfología matemática, sea de gran utilidad. Existe una gran diversidad de aplicaciones médicas donde la morfología matemática resultó una técnica exitosa. Entre ellas pueden mencionarse: la corrosión de metales (Peijun et al., 2004; Shuanhu et al., 2003; Gonzalez et al., 2006), fallas de materiales (Gonzalez et al., 2006), procesos inflamatorios y desgaste presentes en imágenes de huesos y prótesis médicas (Pastore et al., 2005; Pastore et al., 2007), el estudio de cortes histológicos pertenecientes a biopsias de medula ósea (Pastore et al., 2005; Gonzalez et al., 2006), músculos y otros órganos con fines de diagnóstico y seguimiento de diversas patologías (Pastore et al., 2004), detección de células cancerosas (Mancas et al., 2003) y segmentación de imágenes de microarreglos de ADN (Shuanhu Wu et al., 2003) y de geles resultado de electroforesis (Garcia et al., 2005). La morfología matemática permite procesar imágenes con objetivos de realce, segmentación, detección de bordes, esqueletización, afinamiento, rellenado de regiones, engrosamiento, análisis de formas, etc. 2-2

17 Capítulo 2 MOROFLOGÍA MATEMÁTICA La morfología matemática se fundamenta en las operaciones de la teoría de conjuntos. Las bases teóricas de la morfología matemática se deben al científico alemán nacido en Rusia, Hermann Minkowski ( ). Minkowski propuso sumar conjuntos que representan diversas formas (Serra, 1992). La suma de Minkowski apareció en el año de 1903 de la siguiente manera: siendo A y B dos conjuntos cualesquiera, sobre cuyos elementos esté bien definida la operación binaria suma (+), el conjunto de la suma de las dos formas A y B, contiene todos los elementos que resultan de sumar cada uno de los elementos del conjunto A con todos y cada uno de los elementos del conjunto B. A+B = {x=a+b, con a elemento de A y b elemento de B} La resta de Minkowski se define como la operación dual de la suma de Minkowski. A-B = {el conjunto de todas las x tales que x+b es elemento de A, para todo elemento de B} La aplicación de la morfología matemática a imágenes ha sido ampliamente desarrollada por Georges Matheron y Jean Serra a mediados de los 60 (Serra, 1992). Estos autores definieron operaciones morfológicas basadas en la suma y resta de Minkowski. Las operaciones morfológicas se aplican tanto a imágenes binarias como a imágenes en niveles de gris. El elemento estructurante se define como un conjunto que se caracteriza por su forma y tamaño. Este elemento recorre la imagen y a través de operaciones basadas en el álgebra de conjuntos compara si está contenido o no dentro de la imagen. La potencialidad de la morfología matemática reside en 2-3

18 Capítulo 2 MOROFLOGÍA MATEMÁTICA la elección de la forma y tamaño del elemento estructurante según la información que se desee obtener de la imagen (Facon, 1996), ya que posibilitan evaluar y cuantificar en que medida se encuentra contenido (o no) dentro de la imagen, es decir, las operaciones algebraicas aplicadas cuantifican el parecido de los componentes de la imagen con el elemento estructurante elegido. En base a este elemento se definen diversas operaciones de conjuntos según sea el tipo de imagen que se desea procesar (binaria o en niveles de gris). La morfología matemática aplicada a imágenes en niveles de gris es la extensión de la morfología binaria (Facon, 1996). Se diferencia con ésta última por los elementos estructurantes que utiliza, en el caso de la morfológica en niveles de gris estos pueden ser planos o en tres dimensiones Operaciones morfológicas aplicadas a imágenes binarias Erosión y dilatación La morfología binaria se define a partir de dos operaciones básicas denominadas erosión y dilatación. Estas operaciones comparan los subconjuntos dentro de la imagen binaria con el elemento estructurante. Este elemento es bidimensional y puede tener distintas formas, como por ejemplo, forma de disco, cuadrado, rectángulo, lineal, etc. La forma y tamaño del elemento estructurante son elegidos dependiendo del tipo de análisis que se desee realizar y de la forma de los objetos que componen las imágenes. El elemento estructurante es trasladado recorriendo de esta manera la imagen completa. El resultado es una nueva imagen binaria que contiene el resultado de dicha comparación. 2-4

19 Capítulo 2 MOROFLOGÍA MATEMÁTICA La erosión del conjunto A por el elemento estructurante Bx () Rn se define como: { : ( ) } AΘ B = x B x A siendo B( x) = { b + x : b B} (2.1) El resultado de la erosión es uno si el elemento estructurante queda incluido dentro del subconjunto de la imagen binaria analizado y es cero cuando no esta incluido en el subconjunto. La figura 2.1 muestra la erosión de un conjunto con forma de T utilizando un elemento estructurante lineal con orientación horizontal de tamaño 1x2 (Filas x Columnas). Cada cuadrado en la figura representa un píxel. Como se puede observar los subconjuntos con la misma forma y dirección que el elemento estructurante se conservan mientras que los subconjuntos de menor tamaño que el elemento estructurante desaparecen. A manera de presentar un ejemplo de aplicación más real se realiza una erosión (Fig. 2.3 b) con un elemento estructurante cuadrado de 3x3 a una imagen binaria de una muestra de polen (Fig. 2.3 a). Al erosionar la imagen los componentes pequeños desaparecen permaneciendo los componentes de igual forma y mayor tamaño que el elemento estructurante. Además al erosionar la imagen binaria los huecos dentro de los subconjuntos de la imagen binaria se agrandan. Fig Erosión morfológica de una imagen binaria 2-5

20 Capítulo 2 MOROFLOGÍA MATEMÁTICA Asimismo, dados dos conjuntos A, Bx () Rn, se define la dilatación (Ec. 2) de A por B(x) como: { ( ) } A B = x B x A (2.2) En la dilatación se asigna un valor igual a uno si existe al menos un píxel de intersección entre el subconjunto de la imagen original y el elemento estructurante desplazado y un valor igual a cero cuando la intersección es vacía. La figura 2.2 muestra el resultado de dilatar una imagen con un elemento estructurante lineal con orientación horizontal de tamaño 1x2. El resultado es el engrosamiento de la imagen debido a que, con un solo píxel de coincidencia entre el subconjunto binario y el elemento estructurante desplazado, el resultado de la dilatación es igual a uno. En la figura 2.3-c se muestra el resultado de dilatar una imagen binaria de polen con un objeto estructurante cuadrado de tamaño 3x3. En esta figura se puede observar como al dilatar la imagen los objetos aumentan de tamaño, los objetos adyacentes se unen si se encuentran cercanos e incluidos por el elemento estructurante aplicado y los huecos dentro de los objetos se cierran, desapareciendo. A partir de combinaciones de estas dos operaciones básicas pueden definirse las otras operaciones morfológicas. Fig Dilatación morfológica de una imagen binaria 2-6

21 Capítulo 2 MOROFLOGÍA MATEMÁTICA Gradiente Morfológico Formalmente, dados dos conjuntos A, Bx () Rn, el gradiente morfológico interno de A por B(x) está dado por: Gradiente Morfológico Interno = A ( AΘB ) (2.3) Mediante esta operación morfológica se obtiene el borde interior de los objetos. La figura 2.4 muestra la detección de los bordes internos del conjunto A mediante el elemento estructurante B resultando en el gradiente externo F(A). a) b) c) Fig a) Imagen binaria original de una muestra de polen, b) Imagen erosionada con un elemento estructurante cuadrado, c) Imagen dilatada con un elemento estructurante cuadrado Fig Detección de bordes internos 2-7

22 Capítulo 2 MOROFLOGÍA MATEMÁTICA De manera análoga, dados dos conjuntos A, Bx () Rn, se define el gradiente morfológico externo de A por B(x) como: Gradiente Morfológico Externo = ( A B) A (2.4) A través del gradiente morfológico externo se obtiene el borde exterior de los subconjuntos binarios de la imagen original (Ec. 2.4). También se define el gradiente morfológico generalizado el cuál es ampliamente utilizado. Se obtiene como la resta entre el resultado de la dilatación y de la erosión. Formalmente, dados dos conjuntos A, Bx () Rn, se define el gradiente morfológico generalizado de A por B(x) como: Gradiente Morfológico = ( A B) ( AΘB ) (2.5) En comparación con los gradientes en externos e internos, el gradiente morfológico generalizado tiene la ventaja de dar como resultado contornos más anchos y siempre continuos. La figura 2.5 muestra la imagen resultado de obtener el gradiente morfológico de la imagen binaria de polen. Estos tres gradientes morfológicos brindan resultados similares. En comparación con los gradientes lineales convencionales, los gradientes morfológicos son significativamente menos sensibles al ruido y permiten su aplicación a imágenes complejas obteniendo resultados sumamente satisfactorios. Los gradientes morfológicos analizan todas las direcciones de variación del gradiente en una misma operación facilitando su obtención. Otra ventaja importante es su bajo costo computacional debido a que su determinación consiste en sencillas operaciones lógicas. 2-8

23 Capítulo 2 MOROFLOGÍA MATEMÁTICA a) b) Fig a) Imagen binaria original de una muestra de polen, b) Gradiente morfológico generalizado de la imagen original Apertura y cerramiento La apertura consiste en la dilatación de la erosión de la imagen original (Ec. 6) (Gonzalez et al., 1996). Esta operación suaviza los contornos de los objetos eliminando pequeñas protuberancias y conexiones entre objetos de menor tamaño que el elemento estructurante. Además mantiene en gran medida el tamaño original de los objetos debido a la erosión final. Formalmente, dados dos conjuntos A, Bx () Rn, se define la apertura de A por B(x) como: Apertura = A B = ( AΘB ) B (2.6) En la figura 2.6 se muestra la apertura del conjunto A por un elemento estructurante cuadrado B de tamaño 3x3. En dicha imagen se pueden apreciar las propiedades de la apertura. La. 2.8-b) muestra la aplicación de la apertura a la imagen de polen binaria. De manera análoga, dados dos conjuntos A, Bx () Rn, se define el cerramiento de A por B(x) como: Cerramiento = A B = ( A B) ΘB (2.7) 2-9

24 Capítulo 2 MOROFLOGÍA MATEMÁTICA Fig Aplicación de la operación de apertura El cerramiento consiste en la erosión de la dilatación de la imagen original (Gonzalez et al., 1996). Esta operación une objetos adyacentes cercanos cuya distancia sea menor que el tamaño del elemento estructurante, rellena pequeños espacios dentro de los objetos, elimina ruido mediante la erosión y recompone el tamaño original de los objetos mediante la dilatación. Al igual que la apertura el resultado es una imagen binaria con contornos más suaves. En la figura 2.7 se pueden apreciar las propiedades del cerramiento del conjunto A por el elemento estructurante B. La figura 2.8-c muestra la aplicación del cerramiento a la imagen de polen binaria. Fig Aplicación de la operación cerramiento 2-10

25 Capítulo 2 MOROFLOGÍA MATEMÁTICA a) b) c) Fig a) Imagen binaria original de una muestra de polen, b) Apertura de la imagen original c) Cerramiento de la imagen original. Ambas operaciones aplicadas utilizando un elemento estructurante de tres por tres cuadrado Reconstrucción Binaria La reconstrucción binaria dilata conjuntos pequeños incluidos en los componentes de la imagen original denominados marcadores. La reconstrucción binaria permite seleccionar de la imagen original que actúa como máscara los objetos marcados por los conjuntos incluidos en ellos y mostrarlos en una nueva imagen binaria con su tamaño y forma original. Dado un conjunto A que actúa como máscara, un elemento estructurante B y un conjunto marcador M, la reconstrucción binaria (Ec. 9) se define a partir de la dilatación condicional (Ec. 8) como: A B ( c M ) = ( M B ) A (2.8) ρa( M) = lim( A Bc( A Bc( A Bc...( M)))) n nveces (2.9) La dilatación condicional, A B ( M ), consiste en dilatar los subconjuntos c de la imagen marcador, M, siempre y cuando el resu ltado de la dilatación este contenida en la imagen que actúa como máscara, A. La dilatación condicional 2-11

26 Capítulo 2 MOROFLOGÍA MATEMÁTICA cumple con la propiedad de idempotencia 1 debido a que esta operación se aplica sucesivamente hasta que no se observen cambios en la imagen. Una vez que la imagen no presenta cambios se obtiene la reconstrucción de la imagen, ρ ( M A ). En la figura 2.9 se muestra el resultado de la aplicación de la reconstrucción binaria a partir una imagen con marcadores obtenida erosiona ndo la imagen binaria original. En el resultado de la reconstrucción aparecen sólo los objetos marcados conservando su forma y tamaño original Esqueleto y zonas de influencia El esqueleto de una imagen binaria está compuesto por todos los píxeles de los objetos que tienen una distancia máxima con la frontera (Gonzalez et al., 1996). Si suponemos que la frontera del objeto se prende fuego, el esqueleto está formado por los puntos del objeto que más tardarán en apagarse. El esqueleto de un cuadrado está formado por sus diagonales y en el caso de un círculo el esqueleto es solamente el píxel central. a) b) c) Fig a) Imagen binaria original de una muestra de polen, b) Marcadores, c) Reconstrucción de los elementos de la imagen binari a a partir de los marcadores elegidos 1 Se define una operación F(X) como idempotente cuando F(F(x)) = F(x). 2-12

27 Capítulo 2 MOROFLOGÍA MATEMÁTICA La figura 2.10 muestra el esqueleto de la imagen de una letra Y. Como se puede apreciar el esqueleto posee una distancia máxima con el contorno del objeto. El mismo esta compuesto por los ejes centrales de la figura y por las diagonales de los cuadrados que se encuentran al final de los ejes. El esqueleto de un conjunto A se define en términos de erosiones y aperturas (Gonzalez et al., 1996). La formulación matemática que permite determinar el esqueleto S(A) del conjunto A es: K SA ( ) = SK( A) k= 0 (2.10) donde S K se define de la siguiente manera: K {( ) ( k=0 ) B } SK ( A) = AΘkB AΘkB (2.11) siendo B el elemento estructurante y ( AΘ kb) = ((...( AΘB) ΘB) Θ...) ΘB { ( ) } K = Max k AΘkB (2.12) (2.13) Fig Esqueleto de la letra Y 2-13

28 Capítulo 2 MOROFLOGÍA MATEMÁTICA El esqueleto de A, S(A)(Ec. 2.10), se puede obtener mediante la unión de subconjuntos con esqueletos parciales, S k (A)(Ec. 2.11). Estos esqueletos parciales (Ec. 2.11) se obtienen mediante la unión de las restas en cada iteración k (Ec. 2.12), con k=0,1,,k, donde K es el tamaño del mayor elemento estructurante para el cual la erosión no es un conjunto vacío (Ec. 2.13). Estos esqueletos parciales resultan de restar el resultado de erosionar A a la apertura de esta erosión (Ec. 2.11). Es decir, para un tamaño máximo de elemento estructurante K+1 el resultado de la erosión es un conjunto vacío. Se puede demostrar que la imagen original se puede reconstruir a partir de estos subconjuntos formados por esqueletos parciales. La figura 2.11 muestra los esqueletos parciales determinados en cada iteración. S 0 es el esqueleto parcial en la iteración inicial y se corresponde con la imagen original. El esqueleto parcial para k=1, S 1, esta formado por la unión de una sola resta (AΘB)- ((AΘB) B). El esqueleto parcial para k=2, S 2, esta formado por la unión de dos restas, (AΘB)- ((AΘB) B) U ((AΘB)ΘB- ((AΘB)ΘB B)). Una vez obtenidos los esqueletos parciales se realiza la unión de ellos para obtener el esqueleto completo. Si se calcula el esqueleto de la imagen binaria invertida se obtienen las zonas de influencia de los componentes de las imágenes, es decir el esqueleto del fondo. Las zonas de influencia de un objeto binario, SKIZ, son los píxeles del fondo que se encuentran más cerca de ese objeto en comparación con los otros componentes de la imagen. Este esqueleto se denomina esqueleto por zonas de influencia. La determinación del esqueleto y las zonas de influencia para la imagen binaria de la muestra de polen se observan en la figura

29 Capítulo 2 MOROFLOGÍA MATEMÁTICA Fig Determinación del esqueleto. Visualización de los resultados de cada iteración a) b) c) Fig a) Imagen binaria original de una muestra de polen, b) Imagen original en conjunto con su esqueleto morfológico, c) Imagen original en conjunto con su esqueleto por zonas de influencia 2-15

30 Capítulo 2 MOROFLOGÍA MATEMÁTICA Rellenado de regiones El rellenado de regiones consiste en completar el interior de los objetos de las imágenes (Gonzalez et al., 1996). Para realizar esta operación se utilizan operadores morfológicos ( dilataciones) y operaciones de conjuntos (complementos e intersecciones). El rellenado de regiones se define de la siguiente manera: Sea A un conjunto que contiene objetos con un contorno continuo, se comienza a partir de un punto p dentro de cada objeto y se procede a rellenar el interior del objeto mediante dilataciones condicionales hasta que la imagen no presente cambios. X =p 0 (2.14) X k = ( X B) A k 1 c (2.15) En la iteración k=0, el nuevo conjunto X es X o =p (Ec. 2.14), luego se dilata condicionalmente este conjunto de manera sucesiva para k=1,2,3 obteniendo en cada paso un conjunto de mayor tamaño, X k (Ec. 2.15). La dilatación condicionada en la iteración k, X, se realiza mediante la intersección del conjunto X k-1 k con el conjunto original A complementado, A c (Ec. 2.15). De esta manera la dilatación nunca excede el borde del objeto original. Cuando el resultado de las dilataciones condicionadas no cambia, es decir alcanzó la idempotencia, el objeto ya esta completo en su interior. La figura 2.13 muestra el rellenado de regiones de la imagen binaria A utilizando un elemento estructurante B de tipo cruz de 3x3. El rellenado de huecos en los objetos de la imagen binaria de la muestra de polen se la puede apreciar en la figura

31 Capítulo 2 MOROFLOGÍA MATEMÁTICA Fig Visualización del rellenado de regiones para cada iteración k a) b) Fig a) Imagen binaria original de una muestra de polen, b) Rellenado de regiones de la imagen original 2-3. Operaciones morfológicas aplicadas a imágenes en niveles de gris Erosión y dilatación Al igual que la morfología matemática para imágenes binarias, las operaciones morfológicas para niveles de gris se definen a partir las operaciones de erosión y dilatación. 2-17

32 Capítulo 2 MOROFLOGÍA MATEMÁTICA Cuando se aplican las operaciones morfológicas a imágenes en niveles de gris el elemento estructurante; además de poder adquirir diferentes tamaños y formas bidimensionales como en el caso de las imágenes binarias; puede ser tridimensional, es decir, se caracteriza por un volumen que representa una figura. El cono, los discos, las esferas, los cubos y los cilindros son algunos elementos estructurales tridimensionales utilizados comúnmente. Cuando el elemento estructurante es bidimensional se comparan los niveles de gris de la imagen original que quedan comprendidos en el entorno delimitado por la forma y tamaño del elemento estructurante. En cambio, cuando el elemento estructurante es tridimensional se compara píxel a píxel la relación entre los niveles de gris correspondientes en la imagen original y los niveles de gris correspondientes al elemento estructurante tridimensional. En este caso las operaciones se determinan basándose en ambos conjuntos de niveles de gris y no solamente en las intensidades de la imagen original como en el caso de la utilización de objetos estructurantes bidimensionales. El elemento estructurante es desplazado por toda la imagen obteniendo de esta manera una nueva imagen en niveles de gris. Dados una imagen f (x,y) con un dominio D f y un elemento estructurante B(x,y) con un dominio D B se define la erosión de f por B como: { f B} fθ B(,) s t = Min f( s+ x, t + y) B(,)( x y s+ x),( t + y) D;(,) x y D (2.16) Para cada píxel de la imagen, la operación erosión se define como la diferencia mínima entre las intensidades del elemento estructurante desplazado y las intensidades correspondientes de la imagen original (Ec. 2.16). 2-18

33 Capítulo 2 MOROFLOGÍA MATEMÁTICA La figura 2.15 muestra la operación erosión aplicada a una sola dimensión de la imagen. Se muestra las intensidades correspondientes a una fila de la imagen en niveles de gris, f(x). El elemento estructurante B(X) recorre las intensidades de la imagen para determinar la mínima diferencia entre las intensidades de la fila y las del intensidades correspondientes del elemento estructurante desplazado. La erosión (Fig b) acentúa pequeñas zonas oscuras, debido a que toma la mínima diferencia obtenida comparando la imagen original con el elemento estructurante. Dadas una imagen f (x,y) con un dominio D f y un elemento estructurante B(x,y) con un dominio D B se define la dilatación de f por B como: { f B} f B( s, t) = Max f( s x, t y) + B( x, y)( s x) D;( x, y) D (2.17) La dilatación de cada píxel de la imagen se define como la suma máxima encontrada sumando las intensidades del subconjunto de la imagen original con las intensidades correspondientes del elemento estructurante (Ec. 2.17). Fig Aplicac ión de la erosión a un perfil de intensidades de una imagen en niveles de gris 2-19

34 Capítulo 2 MOROFLOGÍA MATEMÁTICA La dilatación acentúa las zonas pequeñas y claras, debido a que toma la suma máxima obtenida comparando la imagen original con el elemento estructurante. La figura 2.16 muestra la dilatación utilizando un elemento estructurante circular en un perfil de intensidades correspondiente a una imagen en niveles de gris. La figura 2.17 muestra la dilatación utilizando un elemento estructurante bidimensional con forma de disco de radio igual a 3. Fig Aplicación dilatación al perfil de intensidades de una imagen en niveles de gris b) a) c) Fig a) Imagen original de una muestra de polen en niveles de gris, b) Erosión de la imagen original con un elemento estructurante con forma de disco y tamaño 3x3, c) Dilatación de la imagen original con un elemento estructurante con forma de disco y tamaño 3x3 2-20

35 Capítulo 2 MOROFLOGÍA MATEMÁTICA Gradiente Morfológico El gradiente morfológico en niveles de gris se define a partir de la erosión y de la dilatación al igual que para las imágenes binarias (Ecs. 2.3, 2.4 y 2.5). Tiene el objetivo de extraer los bordes de los objetos. En la figura 2.18 b se muestra el gradiente morfológico aplicado a una imagen de polen en niveles de gris Apertura y cerramiento La apertura y el cerramiento también tienen comportamientos similares a las operaciones correspondientes en la morfología binaria (Ecs. 2.6 y 2.7) (Gonzalez et al., 1996). La figura 2.19 muestra la apertura y cerramiento de intensidades correspondientes a la fila de una imagen en niveles de gris, f. La apertura elimina objetos claros de menor tamaño que el objeto estructurante y el cerramiento elimina objetos oscuros de menor tamaño que el objetos estructurante (figura 2.20-b y 2.20-c). a) b) Fig a) Imagen original de una muestra de polen en niveles de gris, b) Gradiente morfológico de la imagen original 2-21

36 Capítulo 2 MOROFLOGÍA MATEMÁTICA Fig Apertura y cerramiento de las intensidades de gris de las filas de una imagen utilizando un elemento estructurante circular. a) la imagen original, b) el elemento estructurante, c) apertura resultado, d) el elemento estructurante y e) cerramiento resultado a) b) c) Fig a) Imagen original de una muestra de polen en niveles de gris, b) Apertura de la imagen original, c) Cerramiento de la imagen original 2-22

37 Capítulo 2 MOROFLOGÍA MATEMÁTICA Filtros Secuenciales La aplicación de filtros secuenciales es de gran utilidad. Los filtros secuenciales tienen la potencialidad de filtrar componentes irrelevantes de pequeño tamaño sin afectar en gran medida la forma y tamaño original de los demás objetos. La Ec muestra la definición matemática de estos filtros basándose en la apertura y el cerramiento. Filtros Secuenciales = ( A B ) B i i i (2.18) donde B son elementos estructurantes crecientes i Esta operación consiste en la aplicación de la apertura y el cerramiento de manera secuencial con elementos estructurantes de tamaño creciente y se denomina comúnmente filtros secuenciales. En la figura 2.21 se puede observar el resultado de aplicar la secuencia apertura-cerramiento tres veces con un elemento estructurante de 3x3 tipo cruz. Se puede apreciar en ella el suavizado de la imagen mediante la eliminación de ruido sin afectar significativamente los componentes relevantes de la imagen. a) b) Fig a) Imagen original de una muestra de polen en niveles de gris, b) Filtros secuenciales aplicados a la imagen original 2-23

38 Capítulo 2 MOROFLOGÍA MATEMÁTICA 2-4. Transformada Watershed Principios de la Transformada Watershed La Transformada Watershed es una herramienta morfológica sumamente poderosa que permite descubrir contornos complejos pertenecientes a los componentes de las imágenes. A diferencia de los métodos convencionales de segmentación, la TW se basa tanto en la similitud como en la discontinuidad de los niveles de gris para distinguir los objetos de interés. La TW es un método de PDI basado en regiones. Este método clasifica los píxeles según su proximidad espacial, el gradiente de sus niveles de gris y la homogeneidad de sus texturas. Estas características de la transformada permiten obtener resultados exitosos similares a los esperados por el experto en cada tipo de imágenes. Las técnicas convencionales de segmentación se basan solamente en la similitud o en la discontinuidad de los niveles de gris. Sin embargo las imágenes difusas y de gran variabilidad de formas y texturas como son las imágenes médicas requieren un análisis simultaneo de la similitud y discontinuidad de los niveles de gris. Es por ello que la efectividad de la TW reside en que es un algoritmo de detección de contornos y de crecimiento de regiones al mismo tiempo (Li, Xiao et al., 2004; Soille, 2002). Para comprender esta transformada se realiza una analogía que resulta de gran utilidad, considérese una imagen en escala de gris que representa la imagen topográfica de un relieve terrestre. Las intensidades de gris de mayor amplitud se corresponden con llanuras o montañas mientras que las intensidades de menor valor se corresponden con valles y ríos. En base a estas características de las imágenes se define la técnica denominada Watershed que, mediante la inundación de los valles y ríos, es capaz de 2-24

39 Capítulo 2 MOROFLOGÍA MATEMÁTICA reconocer los contornos de zonas topográficas similares, rodeadas por cadenas montañosas. Los huecos del relieve topográfico comúnmente se denominan vasijas de retención o basins debido a que son los sectores que acumularán el agua para sumergir la topografía y reconocer los contornos de interés. La TW se implementa utilizando como punto de partida dos tipos de algoritmos: Los Waterfall y los basados en la inundación de la topografía. Los algoritmos denominados Waterfall consisten en suponer que cae agua desde arriba proveniente desde la posición cada píxel de la imagen (Facon, 1996). El agua de lluvia o proveniente del deshielo recorre la montaña pendiente abajo hasta llegar a los ríos inundando los valles. Esta es la situación que se desea mimificar para llenar las basins, que serán inicialmente los mínimos regionales de la topografía. En estos puntos el agua no tiene dirección posible hacia abajo quedando estancada. El camino tridimensional descendiente más corto es el que tomaría el agua naturalmente. Por lo que el algoritmo Waterfall cada píxel llena la basin (mínimo regional) hacia la cual el camino a realizar por el agua pendiente a bajo es el más corto. Al finalizar el algoritmo cada píxel tiene asignada una basin (mínimo regional) a la cual pertenece. Este etiquetado permite diferenciar los diferentes componentes de las imágenes. Las líneas Watershed están formadas por los contornos de las regiones etiquetadas. Este procedimiento se realiza una sola vez, convirtiendo a este algoritmo en no iterativo. Sin embargo, para cada píxel es necesario determinar todos los caminos posibles hacia los mínimos regionales dentro del relieve tridimensional, lo que incrementa significativamente el costo computacional de la TW. Como se mencionó, los conjuntos de imágenes médicas poseen una 2-25

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Agosto de 2005

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Agosto de 2005 Extracción de Frontera (Boundary Extraction) La frontera de un conjunto A, escrita como β(a), se puede obtener erosionando A por B y luego calcular la diferencia entre A y su erosión. Esto es β ( A) =

Más detalles

Tema 6: Morfología. Primera parte

Tema 6: Morfología. Primera parte Tema 6: Morfología Primera parte Morfología La morfología matemática se basa en operaciones de teoría de conjuntos. En el caso de imágenes binarias, los conjuntos tratados son subconjuntos de Z 2 y en

Más detalles

CAPÍTULO 2 PROCESAMIENTO DIGITAL DE IMÁGENES

CAPÍTULO 2 PROCESAMIENTO DIGITAL DE IMÁGENES CAPÍTULO PROCESAMIENTO DIGITAL DE IMÁGENES En este capítulo se presentan de manera breve, una explicación de la visión, las imágenes digitales y como son capturadas por medios electrónicos, el campo encargado

Más detalles

6.1 Procesamiento morfológico de imágenes

6.1 Procesamiento morfológico de imágenes Procesamiento morfológico Las tareas de segmentación no suelen dar un resultado exacto de la delimitación de los objetos o regiones de interés. Aparecen píxeles mal clasificados, bordes imprecisos de los

Más detalles

Capítulo 3. 3. Marco Teórico.

Capítulo 3. 3. Marco Teórico. Capítulo 3 3. Marco Teórico. La visión artificial o visión por computador se define como un área multidisciplinar que pretende, en cierta medida, reproducir artificialmente el sentido de la vista mediante

Más detalles

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por

Más detalles

Qué es una imágen digital?

Qué es una imágen digital? Qué es una imágen digital? Una imagen digital es una fotografía, un dibujo, un trabajo artístico o cualquier otra imagen que es convertida en un fichero de ordenador. Qué es una imágen digital? Una imagen

Más detalles

Capítulo III Procesamiento Digital de Imágenes

Capítulo III Procesamiento Digital de Imágenes Capítulo III Procesamiento Digital de Imágenes Contenido Introducción al Procesamiento digital de imágenes Orígenes del procesamiento digital de imágenes. Aplicaciones del Procesamiento de Imágenes Componentes

Más detalles

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Agosto de 2005

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Agosto de 2005 Apertura y Clausura (Opening and Closing) Como vimos, la dilatación y la erosión están muy relacionadas con la forma; la primera operación expande la imagen mientras que la segunda la contrae. La dilatación

Más detalles

Operaciones Morfológicas en Imágenes Binarias

Operaciones Morfológicas en Imágenes Binarias Operaciones Morfológicas en Imágenes Binarias Introducción La morfología matemática es una herramienta muy utilizada en el procesamiento de i- mágenes. Las operaciones morfológicas pueden simplificar los

Más detalles

Fundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1

Fundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Fundamentos de la Visión Artificial Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Índice 1. Introducción a lavisión Artificial 2. Adquisición y representación de imágenes 3. Filtrado

Más detalles

SISTEMA DE VISION ARTIFICIAL PARA RECONOCIMIENTO DE OBJETOS APLICADO A UN BRAZO ROBÓTICO

SISTEMA DE VISION ARTIFICIAL PARA RECONOCIMIENTO DE OBJETOS APLICADO A UN BRAZO ROBÓTICO PROCESAMIENTO DIGITAL DE IMÁGENES Dr. Johnson Garzón SISTEMA DE VISION ARTIFICIAL PARA RECONOCIMIENTO DE OBJETOS APLICADO A UN BRAZO ROBÓTICO Realizado por : Carlos Pillajo Introducción En este proyecto,

Más detalles

Métodos Avanzados para Análisis y Representación de Imágenes

Métodos Avanzados para Análisis y Representación de Imágenes Morfología Matemática p. 1/44 Métodos Avanzados para Análisis y Representación de Imágenes Morfología Matemática Departamento de Informática - FICH Universidad Nacional del Litoral Agosto de 2012 Morfología

Más detalles

Tema 4:Segmentación de imágenes

Tema 4:Segmentación de imágenes Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos

Más detalles

Detección de bordes en una imagen.

Detección de bordes en una imagen. Detección de bordes en una imagen. Departamento de Ingeniería electrónica, Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática OBJETIVOS: Utilizar distintas máscaras empleadas para

Más detalles

Cuando se termina de delimitar objetos en una imagen usando los operadores de búsqueda de bordes aparece el problema de definir dichos objetos dentro

Cuando se termina de delimitar objetos en una imagen usando los operadores de búsqueda de bordes aparece el problema de definir dichos objetos dentro Cuando se termina de delimitar objetos en una imagen usando los operadores de búsqueda de bordes aparece el problema de definir dichos objetos dentro del sistema. Supongamos que definimos una característica

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

Tema 1.- Introducción a la Visión Artificial

Tema 1.- Introducción a la Visión Artificial Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad

Más detalles

Capítulo 6 Filtrado en el Dominio de la Frecuencia

Capítulo 6 Filtrado en el Dominio de la Frecuencia Capítulo 6 Filtrado en el Dominio de la Frecuencia...39 6. Método en el Dominio de la Frecuencia...39 6. Filtros Espaciales en la frecuencia...40 6.. Convolución Lineal y la Transformada Discreta de Fourier...45

Más detalles

ASIGNATURA DE GRADO: VISIÓN ARTIFICIAL

ASIGNATURA DE GRADO: VISIÓN ARTIFICIAL ASIGNATURA DE GRADO: VISIÓN ARTIFICIAL Curso 2015/2016 (Código:71014046) 1.PRESENTACIÓN DE LA ASIGNATURA Esta asignatura pretende ofrecer al alumno una panorámica del problema de la percepción visual a

Más detalles

Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes

Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes 1 Facultad: Ingeniería. Escuela: Biomédica Asignatura: Imágenes Médicas Realce de Características Objetivos Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características

Más detalles

Práctica 2 - Procesamiento de Imágenes

Práctica 2 - Procesamiento de Imágenes Práctica 2 - Procesamiento de Imágenes En esta práctica veremos diferentes técnicas de tratamiento que suelen ser aplicadas a las imágenes obtenidas desde satélites. Muchos de los procedimientos que aprendamos

Más detalles

8 PROCESAMIENTO DIGITAL DE IMÁGENES USANDO MATLAB & SIMULINK RA-MA

8 PROCESAMIENTO DIGITAL DE IMÁGENES USANDO MATLAB & SIMULINK RA-MA ÍNDICE PRÓLOGO...19 CAPÍTULO 1. INTRODUCCIÓN...25 1.1 SISTEMA DE VISIÓN Y PROCESAMIENTO DE IMÁGENES...25 1.2 PROCESAMIENTO DIGITAL DE IMÁGENES...26 1.3 RELACIONES BÁSICAS ENTRE PÍXELES...27 1.3.1 Vecinos

Más detalles

Secretaría de Docencia Dirección de Estudios Profesionales

Secretaría de Docencia Dirección de Estudios Profesionales PROGRAMA DE ESTUDIO POR COMPETENCIAS VISIÓN ARTIFICIAL I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Área de docencia: Interacción Hombre-Máquina Año de aprobación

Más detalles

Capítulo 2 Silueta. Figura 2.1 Tetera capturada por la cámara con la silueta resaltada

Capítulo 2 Silueta. Figura 2.1 Tetera capturada por la cámara con la silueta resaltada Capítulo 2 Silueta 2.1 Silueta La silueta de un objeto es muy importante porque es lo que nos da las pistas visuales de cómo es que está formado, nos dice dónde están sus límites y ayuda a diferenciar

Más detalles

Edwin Chiguano, Nathaly Moreno, Luis Corrales. Facultad de Ingeniería Eléctrica y Electrónica, EPN Quito, Ecuador

Edwin Chiguano, Nathaly Moreno, Luis Corrales. Facultad de Ingeniería Eléctrica y Electrónica, EPN Quito, Ecuador Diseño e implementación de un sistema traductor de lenguaje de señas de manos a un lenguaje de texto mediante visión artificial en un ambiente controlado Edwin Chiguano, Nathaly Moreno, Luis Corrales Facultad

Más detalles

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos.

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos. Tema 3. MODELOS 011 0 01 01 FUNDAMENTOS 1. Modelos computacionales. 2. Computación y Neurociencia. CONTENIDOS 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas

Más detalles

Visión Artificial. Por Elisabeth Pérez

Visión Artificial. Por Elisabeth Pérez Visión Artificial Por Elisabeth Pérez Indice Qué es la Visión Artificial? Visión Artificial Diversos nombres Áreas de Aplicación Visión Artificial en Sistemas de Calidad Los pasos a tener en cuenta Áreas

Más detalles

Introducción a Sistemas de Información Geográfica (Resumen)

Introducción a Sistemas de Información Geográfica (Resumen) Introducción a Sistemas de Información Geográfica (Resumen) Existen términos que creemos exclusivos de los sistemas GIS, pero que anteriormente han sido acuñados por grandes personajes, como es el caso

Más detalles

GUÍA PARA UN ESCANEO ÓPTIMO

GUÍA PARA UN ESCANEO ÓPTIMO Condiciones para obtener un buen escaneo Los factores que intervienen en el proceso de escaneo son ambientales, propios de la configuración y calibración del escáner así como del objeto a escanear. El

Más detalles

Morfología Matemática en Imágenes

Morfología Matemática en Imágenes 8 de mayo de 2013 Morfología Estudio de la forma y la estructura Es una técnica de procesado no lineal de la imagen, interesada en la geometría de los objetos contenidos en una escena segmentada (usualmente

Más detalles

Introducción a las imágenes digitales

Introducción a las imágenes digitales Introducción a las imágenes digitales Segunda parte Topología Digital El proceso de digitalización Una imagen natural capturada con una cámara, un telescopio, un microscopio o cualquier otro tipo de instrumento

Más detalles

Reconocimiento de imágenes

Reconocimiento de imágenes Capítulo 4 Reconocimiento de imágenes En la actualidad, el reconocimiento de imágenes es una herramienta de gran utilidad en el área de control y automatización. Varias empresas usan el reconocimiento

Más detalles

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Septiembre de 2005

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Septiembre de 2005 Filtrado Espacial Introducción El filtrado espacial es la operación que se aplica a una imagen para resaltar o atenuar detalles espaciales con el fin de mejorar la interpretación visual o facilitar un

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

El monitoreo de una variable física requiere supervisión permanente de señales que

El monitoreo de una variable física requiere supervisión permanente de señales que Capítulo 1 Marco Contextual 1.1. Formulación del problema 1.1.1. Definición del problema El monitoreo de una variable física requiere supervisión permanente de señales que varían con el tiempo. Tal información,

Más detalles

Procesamiento Digital de Imágenes. Compresión de imágenes

Procesamiento Digital de Imágenes. Compresión de imágenes FICH, UNL - Departamento de Informática - Ingeniería Informática Procesamiento Digital de Imágenes Guía de Trabajos Prácticos 8 Compresión de imágenes 2010 1. Objetivos Analizar las características y el

Más detalles

Unidad V: Integración

Unidad V: Integración Unidad V: Integración 5.1 Introducción La integración es un concepto fundamental de las matemáticas avanzadas, especialmente en los campos del cálculo y del análisis matemático. Básicamente, una integral

Más detalles

I+D en Imagen Médica en Tomografía

I+D en Imagen Médica en Tomografía I+D en Imagen Médica en Tomografía Magdalena Rafecas, IFIC, Valencia Magdalena.Rafecas@ific.uv.es I. Introducción pag. 1 II. Unidad de Imagen Médica en la Gran Instalación pag. 5 III.Anexo: Descripción

Más detalles

Técnicas Clásicas de Segmentación de Imagen

Técnicas Clásicas de Segmentación de Imagen Técnicas Clásicas de Segmentación de Imagen Marcos Martín 21 de mayo de 2002 1. Introducción El primer paso en cualquier proceso de análisis de imagen es la segmentación. Mediante la segmentación vamos

Más detalles

Texturas. Descripción y aplicaciones

Texturas. Descripción y aplicaciones Texturas Descripciónyaplicaciones Motivación Segmentación de texturas. Clasificación de texturas. Síntesis de texturas. Extracción de características. Reconocimiento de patrones. Reconocimiento de objetos.

Más detalles

SIG. CIAF Centro de Investigación y Desarrollo en Información Geográfica. Fundamentos de Sistemas de Información Geográfica C U R S O.

SIG. CIAF Centro de Investigación y Desarrollo en Información Geográfica. Fundamentos de Sistemas de Información Geográfica C U R S O. Grupo SIG C U R S O Fundamentos de Sistemas de Información Geográfica UNIDAD 2 Datos geográficos y métodos de almacenamiento Tema 2 Modelos y estructuras de datos CIAF Centro de Investigación y Desarrollo

Más detalles

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Curso sobre Técnicas de Visualización CEH-CEDEX, 10 junio de 2011 APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Aplicación de técnicas

Más detalles

PRACTICO 7: FOTO AÉREA FOTOLECTURA FOTOINTERPRETACIÓN

PRACTICO 7: FOTO AÉREA FOTOLECTURA FOTOINTERPRETACIÓN PRACTICO 7: FOTO AÉREA FOTOLECTURA FOTOINTERPRETACIÓN Docente: Alicia Crosara crosara@fcien.edu.uy La fotografía aérea es un caso particular de la teledetección, en la que se utilizan aviones en lugar

Más detalles

REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES

REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES Y. Sossa, G. Osorio, F. Prieto, F. Angulo Grupo de Percepción

Más detalles

REDES NEURONALES APLICADAS AL ANÁLISIS DE IMÁGENES PARA EL DESARROLLO DE UN PROTOTIPO DE UN SISTEMA DE SEGURIDAD GABRIEL FELIPE JARAMILLO GONZÁLEZ

REDES NEURONALES APLICADAS AL ANÁLISIS DE IMÁGENES PARA EL DESARROLLO DE UN PROTOTIPO DE UN SISTEMA DE SEGURIDAD GABRIEL FELIPE JARAMILLO GONZÁLEZ REDES NEURONALES APLICADAS AL ANÁLISIS DE IMÁGENES PARA EL DESARROLLO DE UN PROTOTIPO DE UN SISTEMA DE SEGURIDAD GABRIEL FELIPE JARAMILLO GONZÁLEZ UNIVERSIDAD TECNOLÓGICA DE PEREIRA PROGRAMA DE INGENIERÍA

Más detalles

Procesado de Imagen para Reconocimiento de Huellas Digitales

Procesado de Imagen para Reconocimiento de Huellas Digitales Procesado de Imagen para Reconocimiento de Huellas Digitales Técnicas Avanzadas de Procesado de Imagen Marcos Ortega Hortas 1 Introducción (I) Identificación por huella dactilar, o fingerprint en inglés,

Más detalles

4. FUNCIONES DE VARIAS VARIABLES

4. FUNCIONES DE VARIAS VARIABLES 4. FUNCIONES DE VARIAS VARIABLES INDICE 4 4.1. Definición de una función de dos variables...2 4.2. Gráfica de una función de dos variables..2 4.3. Curvas y superficies de nivel....3 4.4. Límites y continuidad....6

Más detalles

Técnicas de Segmentación Semi-Automática en Imágenes para Diagnostico de Osteoporosis

Técnicas de Segmentación Semi-Automática en Imágenes para Diagnostico de Osteoporosis Técnicas de Segmentación Semi-Automática en Imágenes para Diagnostico de Osteoporosis Arturo F. Iglesias (1) ; Anabella S. Saleres (1) ; Walter D. Vogel (1) ; Jose M. Massa (2) ; Paula M. Tristan (2)(3)

Más detalles

MC ENRIQUE MARTINEZ PEÑA. Maestría en Ingeniería. Introducción al PDI Representación de la imagen Operaciones básicas con imágenes

MC ENRIQUE MARTINEZ PEÑA. Maestría en Ingeniería. Introducción al PDI Representación de la imagen Operaciones básicas con imágenes Maestría en Ingeniería Procesamiento Digital de Imágenes Contenido Introducción al PDI Representación de la imagen Operaciones básicas con imágenes 2 1 Inteligencia artificial La inteligencia artificial

Más detalles

Acerca del Libro. Información básica. Título: Visión Artificial y Procesamiento Digital de Imágenes usando Matlab Autor: Iván Danilo García Santillán

Acerca del Libro. Información básica. Título: Visión Artificial y Procesamiento Digital de Imágenes usando Matlab Autor: Iván Danilo García Santillán Acerca del Libro Información básica Título: Visión Artificial y Procesamiento Digital de Imágenes usando Matlab Autor: Iván Danilo García Santillán ISBN: 978-9942-01-790-1. 8 capítulos. 133 páginas. Ibarra

Más detalles

Imágenes binarias. Horn, Robot Vision Haralick & Shapiro, Computer and Robot Vision Gonzalez & Woods, Digital Image Processing. imagenes binarias 1

Imágenes binarias. Horn, Robot Vision Haralick & Shapiro, Computer and Robot Vision Gonzalez & Woods, Digital Image Processing. imagenes binarias 1 Imágenes binarias Horn, Robot Vision Haralick & Shapiro, Computer and Robot Vision Gonzalez & Woods, Digital Image Processing imagenes binarias 1 Propiedades geométricas simples: Area: la integral de la

Más detalles

DE CAPíTULOS. Capítulo 1 Conceptos básicos (1): Movimiento ondulatorio. Ondas mecánicas y ondas electromagnéticas...

DE CAPíTULOS. Capítulo 1 Conceptos básicos (1): Movimiento ondulatorio. Ondas mecánicas y ondas electromagnéticas... ;, índice DE CAPíTULOS Capítulo 1 Conceptos básicos (1): Movimiento ondulatorio. Ondas mecánicas y ondas electromagnéticas... Movimiento ondulatorio y ondas... Movimiento circular y movimiento circular

Más detalles

Programación de una interfaz gráfica con diferentes módulos para el tratamiento digital de imágenes en entornos industriales

Programación de una interfaz gráfica con diferentes módulos para el tratamiento digital de imágenes en entornos industriales ESCUELA TÉCNICA Y SUPERIOR DE INGENIERÍA DE TELECOMUNICACIÓN UNIVERSIDAD POLITÉCNICA DE CARTAGENA PROYECTO FIN DE CARRERA Programación de una interfaz gráfica con diferentes módulos para el tratamiento

Más detalles

Enfoque propuesto para la detección del humo de señales de video.

Enfoque propuesto para la detección del humo de señales de video. Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera

Más detalles

Radiologia Trevenezie, Monfalcone, Radiologia Triveneta, Bassano del Grappa 3dprinterpooling,Italy info@radiologiatrevenezie.it

Radiologia Trevenezie, Monfalcone, Radiologia Triveneta, Bassano del Grappa 3dprinterpooling,Italy info@radiologiatrevenezie.it Réplicas Anatómicas en 3D con Fines Educativos y Médicos en Cirugía Dental: Proyecto Práctico Desde una Perspectiva del Desarrollo y la Sustentabilidad Paolo Rossi, Carlo Campana Cooperazione Odontoiatrica

Más detalles

En las estructuras de datos, muchas de las implementaciones o mapeos de problemas, sus

En las estructuras de datos, muchas de las implementaciones o mapeos de problemas, sus 1 Introducción. En las estructuras de datos, muchas de las implementaciones o mapeos de problemas, sus soluciones o procesos, se basan en matrices binarias. Existen varios métodos y algoritmos que trabajan

Más detalles

MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER

MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER M.C. CAROLINA ROCÍO SÁNCHEZ PÉREZ 01 DE ABRIL DE 2011 Operaciones en el dominio de la frecuencia Una imagen digital es una representación

Más detalles

Aprender a realizar filtrados de información en capas de SIG raster.

Aprender a realizar filtrados de información en capas de SIG raster. TEMA 40: OPERACIONES DE VECINDAD INMEDIATA OBJETO DEL TEMA: Conocer los diferentes tipos de operaciones de análisis de vecindad inmediata y su metodología de aplicación en los Sistemas de Información Geográfica

Más detalles

Tema 7. Introducción al reconocimiento de objetos

Tema 7. Introducción al reconocimiento de objetos Tema 7. Introducción al reconocimiento de objetos En resumen, un sistema de reconocimiento de patrones completo consiste en: Un sensor que recoge las observaciones a clasificar. Un sistema de extracción

Más detalles

TRANSFORMACIONES GEOMÉTRICAS SOBRE IMÁGENES DIGITALES

TRANSFORMACIONES GEOMÉTRICAS SOBRE IMÁGENES DIGITALES TRANSFORMACIONES GEOMÉTRICAS SOBRE IMÁGENES DIGITALES Samuel Barreto Melo sbarreto@udistrital.edu.co Facultad de Ciencias Carrera de Matemáticas Universidad Distrital Francisco José de Caldas RESUMEN Las

Más detalles

CAPÍTULO 1 INTRODUCCIÓN

CAPÍTULO 1 INTRODUCCIÓN CAPÍTULO 1 INTRODUCCIÓN En este capítulo se plantea de forma general el problema que motivó el presente trabajo de investigación. Asimismo, se abordan y describen los objetivos de esta tesis, exponiendo

Más detalles

Bases del Procesamiento de Imágenes Médicas

Bases del Procesamiento de Imágenes Médicas Bases del Procesamiento de Imágenes Médicas Rubén Medina, Jesús Bellera Universidad de Los Andes, Facultad de Ingeniería, Grupo de Ingeniería Biomédica de la ULA (GIBULA), Av. Tulio Febres Cordero, Mérida

Más detalles

TEMA VI ANÁLISIS DIGITAL DE IMÁGENES

TEMA VI ANÁLISIS DIGITAL DE IMÁGENES TEMA VI ANÁLISIS DIGITAL DE IMÁGENES Qué es una imagen digital? Radianza media de una parcela Valor numérico Tratamiento digital Pixel Nº entero (ND) Pixel: unidad mínima de información en una imagen digital

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

González, R.C., Wintz, P. (1996), Procesamiento digital de imágenes. Addison- Wesley, Tema 1, pág 1-21.

González, R.C., Wintz, P. (1996), Procesamiento digital de imágenes. Addison- Wesley, Tema 1, pág 1-21. Capítulo 1 Introducción Bibliografía: González, R.C., Wintz, P. (1996), Procesamiento digital de imágenes. Addison- Wesley, Tema 1, pág 1-21. Jain, R., Kasturi, R., Schunck, B. (1995), Machine Vision,

Más detalles

Procesamiento Digital de Imágenes Tema 7: Técnicas de Restauración. Rafael Palacios Hielscher Curso de Doctorado 2002-2003

Procesamiento Digital de Imágenes Tema 7: Técnicas de Restauración. Rafael Palacios Hielscher Curso de Doctorado 2002-2003 Procesamiento Digital de Imágenes Tema 7: Técnicas de Restauración Rafael Palacios Hielscher Curso de Doctorado 2002-2003 Conceptos básicos Restauración consiste en corregir la degradación sufrida por

Más detalles

(x + y) + z = x + (y + z), x, y, z R N.

(x + y) + z = x + (y + z), x, y, z R N. TEMA 1: EL ESPACIO R N ÍNDICE 1. El espacio vectorial R N 1 2. El producto escalar euclídeo 2 3. Norma y distancia en R N 4 4. Ángulo y ortogonalidad en R N 6 5. Topología en R N 7 6. Nociones topológicas

Más detalles

Procesamiento de Imágenes

Procesamiento de Imágenes Procesamiento de Imágenes Curso 011 - Clase Filtros Espaciales Filtrado espacial Ya trabajamos procesando sólo al piel individualmente. Ahora vamos a hacer un procesamiento en una vecindad de cada piel.

Más detalles

CIDEAD. 2º BACHILLERATO. Tecnología Industrial II. Tema 17.- Los circuitos digitales. Resumen

CIDEAD. 2º BACHILLERATO. Tecnología Industrial II. Tema 17.- Los circuitos digitales. Resumen Tema 7.- Los circuitos digitales. Resumen Desarrollo del tema.. Introducción al tema. 2. Los sistemas de numeración.. El sistema binario. 4. Códigos binarios. 5. El sistema octal y hexadecimal. 6. El Álgebra

Más detalles

Mapas Autoorganizados

Mapas Autoorganizados Mapas Autoorganizados 1 Mapas Autoorganizados S.O.M (Self organized Maps) Mapas de características similar a la organización topológica de la corteza cerebral. Kohonen :dada una estructura y una descripción

Más detalles

ES 2 432 479 A2 ESPAÑA 11. Número de publicación: 2 432 479. Número de solicitud: 201200635 G06K 1/00 (2006.01) G06K 1/00 01.06.

ES 2 432 479 A2 ESPAÑA 11. Número de publicación: 2 432 479. Número de solicitud: 201200635 G06K 1/00 (2006.01) G06K 1/00 01.06. 19 OFICINA ESPAÑOLA DE PATENTES Y MARCAS ESPAÑA 11 21 Número de publicación: 2 432 479 Número de solicitud: 201200635 51 Int. CI.: G06K 1/00 (2006.01) G06K 1/00 (2006.01) 12 SOLICITUD DE PATENTE A2 22

Más detalles

Detección de bordes: metodos lineales de cálculo de gradientesk, etc. Detección de bordes. Métodos basados en operadores lineales de gradiente

Detección de bordes: metodos lineales de cálculo de gradientesk, etc. Detección de bordes. Métodos basados en operadores lineales de gradiente Detección de bordes Métodos basados en operadores lineales de gradiente 1 Bordes Variaciones fuertes de la intensidad que corresponden a las fronteras de los objetos visualizados Métodos basados en el

Más detalles

SISTEMA DE APOYO PARA IDENTIFICACIÓN Y ESTIMACIÓN DE VOLUMETRÍA DE NÓDULOS PULMONARES

SISTEMA DE APOYO PARA IDENTIFICACIÓN Y ESTIMACIÓN DE VOLUMETRÍA DE NÓDULOS PULMONARES SISTEMA DE APOYO PARA IDENTIFICACIÓN Y ESTIMACIÓN DE VOLUMETRÍA DE NÓDULOS PULMONARES CIS1510AP04 Pontificia Universidad Javeriana Autor. José Alejandro León Andrade Directores: Andrea del Pilar Rueda

Más detalles

Los tumores cerebrales en adultos son enfermedades en las cuales crecen células cancerosas (malignas) en los tejidos del cerebro.

Los tumores cerebrales en adultos son enfermedades en las cuales crecen células cancerosas (malignas) en los tejidos del cerebro. Colaboración : Dr. Raúl César Noriega García Neurología y Neurocirugía Los tumores cerebrales en adultos son enfermedades en las cuales crecen células cancerosas (malignas) en los tejidos del cerebro.

Más detalles

Guía para resolver la prueba Graduandos 2015

Guía para resolver la prueba Graduandos 2015 1 Prueba de Matemáticas 1. Objetivo del documento El objetivo principal de este documento es dar a conocer los temas de Matemáticas que se incluyen en la Evaluación Nacional de. 2. La importancia de evaluar

Más detalles

VII. Estructuras Algebraicas

VII. Estructuras Algebraicas VII. Estructuras Algebraicas Objetivo Se analizarán las operaciones binarias y sus propiedades dentro de una estructura algebraica. Definición de operación binaria Operaciones como la suma, resta, multiplicación

Más detalles

Inicio de MO Inicio de MD Inicio de MF. Documento de Análisis. Base de datos de las especificaciones OMT. MO, MD, MF Detallados. Librería de Clases

Inicio de MO Inicio de MD Inicio de MF. Documento de Análisis. Base de datos de las especificaciones OMT. MO, MD, MF Detallados. Librería de Clases 3.2 TÉCNICA DE MODELADO DE OBJETOS (OMT) (JAMES RUMBAUGH). 3.2.1 Introducción. En este documento se trata tanto el OMT-1 como el OMT-2, el primero contenido en el Libro Modelado y Diseño Orientado (Metodología

Más detalles

I. INTRODUCCION. PRACTICA N 03: Control Electroneumático de cilindros de simple y doble efecto usando el simulador FluidSIM

I. INTRODUCCION. PRACTICA N 03: Control Electroneumático de cilindros de simple y doble efecto usando el simulador FluidSIM PRACTICA N 0: Control Electroneumático de cilindros de simple y doble efecto usando el simulador FluidSIM I. INTRODUCCION Los electroneumática, como su nombre lo dice, es una técnica que abarca dos grandes

Más detalles

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA CONTENIDO Términos en manufactura Clasificación de sistemas de manufactura Beneficios y ejemplos de sistemas de manufactura Los componentes de un sistema de manufactura

Más detalles

MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ

MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS FACULTAD TECNOLÓGICA TECNOLOGÍA EN ELECTRÓNICA INGENIERÍA EN CONTROL Índice general

Más detalles

ANALISIS MORFOLOGICO DE IMAGEN MULTICANAL

ANALISIS MORFOLOGICO DE IMAGEN MULTICANAL UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS POSTGRADO EN INSTRUMENTACION ANALISIS MORFOLOGICO DE IMAGEN MULTICANAL Elaborado por: Lic. Roger José Bello Otero Tutor: Dr.Wuilian Torres. Caracas,

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

Visión de alto nivel:

Visión de alto nivel: UNIVERSIDAD DE MURCIA FACULTAD DE INFORMÁTICA SISTEMAS Y PROYECTOS INFORMÁTICOS Visión de alto nivel: Interpretación de dibujos de líneas mediante comparación de grafos Autor: Ginés García Mateos Profesor

Más detalles

% PRODUCTOS NO CONFORMES 10% 5%

% PRODUCTOS NO CONFORMES 10% 5% Departamento de Ingeniería Mecánica Tecnología Mecánica I 67.15 Unidad 13: Control de Calidad Ing. Sergio Laguzzi 1 TEMARIO - Definición de Calidad. Costos de la no Calidad. Estrategia de detección (Planes

Más detalles

Menú Insertar Celda Inserta una o varias filas o columna o un rango de celdas en blanco equivalente en tamaño y forma al rango de celdas

Menú Insertar Celda Inserta una o varias filas o columna o un rango de celdas en blanco equivalente en tamaño y forma al rango de celdas Menú Insertar Celda Inserta una o varias filas o columna o un rango de celdas en blanco equivalente en tamaño y forma al rango de celdas seleccionado, o inserta una selección a la que previamente se le

Más detalles

Transformación de binario a decimal. Transformación de decimal a binario. ELECTRÓNICA DIGITAL

Transformación de binario a decimal. Transformación de decimal a binario. ELECTRÓNICA DIGITAL ELECTRÓNICA DIGITAL La electrónica es la rama de la ciencia que se ocupa del estudio de los circuitos y de sus componentes, que permiten modificar la corriente eléctrica amplificándola, atenuándola, rectificándola

Más detalles

Una señal es una magnitud física de interés que habitualmente es una función del tiempo.

Una señal es una magnitud física de interés que habitualmente es una función del tiempo. 1.- Introducción al Procesado Digital de Señales. 1.1.- Introducción. Podemos decir que cuando realizamos cualquier proceso digital para modificar la representación digital de una señal estamos haciendo

Más detalles

1. Introducción. 1.1. Organización de la tesis

1. Introducción. 1.1. Organización de la tesis 1. Introducción 1.1. Organización de la tesis El incremento en el uso de imágenes médicas ha propiciado el desarrollo de herramientas que permitan aprovechar de la mejor manera posible la información obtenida,

Más detalles

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de planificación y control.

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de planificación y control. ESTUDIOS DE CAPACIDAD POTENCIAL DE CALIDAD 1.- INTRODUCCIÓN Este documento proporciona las pautas para la realización e interpretación de una de las herramientas fundamentales para el control y la planificación

Más detalles

Todos los conceptos de Calidad de un detector, se cuantifican en parámetros que todos los fabricantes miden según estrictas normas.

Todos los conceptos de Calidad de un detector, se cuantifican en parámetros que todos los fabricantes miden según estrictas normas. Detectores Digitales de Rx Tener buenos detectores es un tema fundamental para todos los sistemas que necesitan formar imágenes, pero en el caso de los Rayos X su importancia se acrecienta, ya que tener

Más detalles

UNIDAD DIDÁCTICA: ELECTRÓNICA DIGITAL

UNIDAD DIDÁCTICA: ELECTRÓNICA DIGITAL IES PABLO RUIZ PICASSO EL EJIDO (ALMERÍA) CURSO 2013-2014 UNIDAD DIDÁCTICA: ELECTRÓNICA DIGITAL ÍNDICE 1.- INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL 2.- SISTEMA BINARIO 2.1.- TRANSFORMACIÓN DE BINARIO A DECIMAL

Más detalles

IB14 Informática para la construcción. Tema 5. Tratamiento de imágenes digitales

IB14 Informática para la construcción. Tema 5. Tratamiento de imágenes digitales IB14 Informática para la construcción Tema 5. Tratamiento de imágenes digitales Contenidos Fotografía tradicional. Fotografía digital. Procesamiento digital de imágenes. Cómo almacena el ordenador

Más detalles

TOPOLOGIA DIGITAL Base para la visión artificial.

TOPOLOGIA DIGITAL Base para la visión artificial. UNIVERSIDAD ABIERTA INTERAMERICANA Facultad de Tecnología Informática Carrera: Licenciatura en Matemática TOPOLOGIA DIGITAL Base para la visión artificial. Autor: Jorge Alejandro Kamlofsky Directores:

Más detalles

Espectrometría de Radiación gamma

Espectrometría de Radiación gamma Espectrometría de Radiación gamma B.C. Paola Audicio Asistente de Radiofarmacia, CIN Fundamento La espectrometría gamma consiste en la obtención del espectro de las radiaciones gamma emitidas por los radionucleidos.

Más detalles

Tema 1. Sistemas de Visión Artificial

Tema 1. Sistemas de Visión Artificial Tema 1. Sistemas de Visión Artificial Tabla de Contenidos Definición Transformación Información Luminosa Imagen Digital Sistema Humano Visión Sistema Visión Artificial Aplicaciones de la Visión por

Más detalles

La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y unos).

La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y unos). Tratamiento de la Imagen Digital Qué es la imagen digital? La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y

Más detalles

Capítulo 10. Gráficos y diagramas

Capítulo 10. Gráficos y diagramas Capítulo 10. Gráficos y diagramas 1. Introducción Los gráficos y diagramas que se acostumbran a ver en libros e informes para visualizar datos estadísticos también se utilizan con propósitos cartográficos,

Más detalles

Proyecto de Innovación Docente ID2013/061

Proyecto de Innovación Docente ID2013/061 Escuela Politécnica Superior de Zamora MEMORIA DE RESULTADOS Proyecto de Innovación Docente ID2013/061 DESARROLLO E IMPLEMENTACIÓN DE PRÁCTICAS ESPECÍFICAS DE INGENIERÍA INVERSA EN LAS ASIGNATURAS DE DIBUJO

Más detalles