APLICACIÓN DE TÉCNICAS DE CORRESPONDENCIA PARA DETERMINAR LA POSICIÓN DEL EFECTOR FINAL DE UN MANIPULADOR ROBÓTICO
|
|
- Amparo Silva Salazar
- hace 7 años
- Vistas:
Transcripción
1 APLICACIÓN DE TÉCNICAS DE CORRESPONDENCIA PARA DETERMINAR LA POSICIÓN DEL EFECTOR FINAL DE UN MANIPULADOR ROBÓTICO José G. Hoyos, Jaiber E. Cardona, Luis M. Capacho, Mónica L. Hernández Resumen Categoría 2. En este artículo se presentara el avance del estudio de las diferentes técnicas de correspondencia enfocadas en encontrar la posición del efector final de un manipulador robótico de 5 grados de libertad, incluyendo la posición de los objetos que lo rodean, con el objetivo de aplicar técnicas de control por realimentación de imágenes, aquí se encontrara la descripción de tres tipos de técnicas de Matching orientadas a encontrar la correspondencia de un pixel dado. Palabras Claves Correlación, Curvas Intrínsecas, Manipulador Robótico RV-2AJ, Matching, Programación Dinámica, Visión Estéreo. U I. INTRODUCCIÓN NA de las etapas mas importante en el proceso de reconstrucción 3D, es tal vez, la etapa de Matching (en español, Correspondencia), cuyo objetivo es encontrar puntos o primitivas (características del objeto que se desea reconstruir) en la imagen de un objeto, que correspondan a otros puntos en otra imagen del mismo objeto desde un punto de vista diferente. En el campo de Visión por Computadora esté ha sido un problema de gran importancia, debido a la necesidad que existe actualmente por desarrollar sistemas que tengan la capacidad de reconstruir perfectamente entornos, objetos o situaciones del mundo real en un mundo virtual. correspondencia entre líneas como lo hace la técnica de matching que utiliza curvas intrínsecas. II. MATCHING O CORRESPONDENCIA Los algoritmos de Matching o de correspondencia nos permiten encontrar a partir de puntos interesantes de una imagen sus correspondientes en otra imagen [1]. Inicialmente se puede pensar que es muy sencillo resolver este problema, pero debido a que existen restricciones en el proceso de formación de la imagen, en la imagen misma, y en el espacio como: ubicación de las cámaras, ubicación de la luz, ubicación de los objetos de la escena, resulta un poco engorroso encontrar los puntos correspondientes en ambas imágenes. A su vez estas restricciones permiten reducir el espacio de búsqueda de las correspondencias. Estas restricciones se pueden clasificar en tres marcos: A. Restricciones dadas por el sistema de formación de la imagen: Este tipo de restricciones abarcan los problemas geométricos en el proceso de formación de la imagen tales como la ubicación de las cámaras, estas restricciones dependen de un proceso de calibración. Aquí se tratara de explicar las generalidades del problema de matching, cuales son las restricciones más comunes en un sistema de visión estéreo (visión por computador), además del resultado de la implementación de tres tipos de técnicas de matching, las cuales se pueden clasificar en correspondencia entre puntos, técnicas basadas en una función de correlación y técnicas basadas en una función de costo programación dinámica. Y las técnicas que basan su búsqueda de J.G.H.G Universidad del Quindío, Programa de Tecnología Electrónica. J.E.C.A, L.M.C.V, M.L.H. Universidad del Quindío, Grupo de Investigación GAMA, Programa de Ingeniería Electrónica. Avenida Bolívar Calle 12 Norte Armenia Quindío. Colombia Tel: ; josegabrielh@uniquindio.edu.co, jaibercardona@uniquindio.edu.co, lmcapacho@uniquindio.edu.co, anaililmonica@hotmail.com, 88 Fig. 1. Segmento de la Línea Epipolar. Se puede observar como la proyección del punto de la imagen A sobre el plano de proyección de la imagen B, conocido como segmento Epipolar, el cual se puede delimitar por un P máximo y un mínimo, encontrados a partir de una profundidad (Z) mínima y máxima
2 1) Restricción Epipolar: Se tiene un sistema bifocal, o sistema de dos cámaras, para estos sistemas se aplica la restricción Epipolar, la cual se puede representar matemáticamente con la ecuación (1) 0 (1) Donde Es la matriz fundamental (dada por la calibración de cámaras), Son los puntos correspondientes. Esta restricción permite reducir el espacio de búsqueda de las correspondencias, debido a que esta permite ubicar las cámaras de tal forma que los planos de imagen queden paralelos. Además de esto si se ubican las cámaras totalmente horizontales permite que la línea Epipolar quede horizontal, reduciendo las dimensiones del problema. La restricción Epipolar se puede ver gráficamente en fig. 1, aquí se puede observar la configuración de cámaras paralelas horizontales, y se demuestra como este tipo de configuración nos reduce el espacio de búsqueda a una simple línea (problema 1D) y si tenemos en cuenta los limites máximo y mínimos de la cámara al objeto podemos reducir el espacio de búsqueda de la línea Epipolar. 2) Limite de Disparidad: La disparidad es una función de la distancia entre el objeto y la cámara. Con esta restricción se impone límites de profundidad de los objetos de la escena. Además de crear una limitación en el segmento de la recta Epipolar para la búsqueda de correspondencias, permite rechazar aquellas correspondencias que estén fuera del límite de disparidad. Se debe tener en cuenta la ubicación de las cámaras para determinar los límites de disparidad. B. Restricciones dadas por la geometría de los objetos visualizados: Estas restricciones permiten generar criterios de decisión para la selección de las correspondencias, debido a la geometría de los objetos visualizados. 1) Restricción de Unicidad: Esta restricción indica que solo habrá un pixel correspondiente de la imagen 1 en la imagen 2, lo que implica que de tener varios pixeles potencialmente correspondientes, habrá que escoger aquel que tenga más confianza. Esta restricción permite crear intervalos de correspondencia (umbrales de confianza). 2) Restricción de Ordenamiento: Si dos pixeles y de la línea Epipolar de la imagen izquierda están situadas a la derecha de, sus correspondientes y estarán situados en la línea Epipolar derecha de forma que estarán a la derecha también de, como se observa en la fig. 2. Existe una zona en donde no se cumple lo anterior, denominada zona prohibida asociada a M. [2], para disminuir la zona prohibida se debe garantizar que la distancia del eje de cámaras es mayor a la distancia de la línea base. 3) Restricción de continuidad de superficie: Las disparidades de cada una de las imágenes varían suavemente, debido a que la distancia del sistema de imagen varia suavemente en la superficie. Continuidad de las figuras: dados puntos correspondientes sobre bordes definidos en las imágenes estéreo, los puntos vecinos sobre los bordes son correspondientes si las disparidades son similares. Existen diferentes bordes en una imagen: Bordes debidos a la orientación de las superficies en la imagen. Bordes de Reflactancia debidos a los cambios de características de Reflactancia en la superficie. Bordes de iluminación debidos a efectos de iluminación. Bordes de reflejos debidos a especularidades de la superficie (no fiable). Bordes de oclusión debidos a las siluetas de los objetos frente al fondo (no fiable). C. Restricciones fotométricas: La luz reflejada por una superficie es función del tipo de superficie, su orientación, la posición de los focos de luz y el punto de vista. Estas restricciones se basan en modelos que expresan la forma como la luz interactúa con los objetos. [2; 3]. III. CLASIFICACIÓN DE LOS ALGORITMOS DE CORRESPONDENCIA Fig. 2. Representación geométrica de la restricción de unicidad. En la literatura de visión por computadora se encuentra diversas formas de clasificar las técnicas de correspondencia [4; 5; 1; 3], generalmente se pueden clasifican por su resultado, p.e. Mapas densos de disparidad o Mapas pocos densos de disparidad, entendiéndose por mapa de disparidad como una matriz generalmente del tamaño de la imagen que contiene la disparidad de cada uno de los pixeles de ambas imágenes. 89
3 Para el problema que se trata de resolver se clasifica los algoritmos en base a su funcionamiento, es decir, los algoritmos basados en resolver matching para toda la imagen, y los algoritmos basados en resolver matching para las características importantes de la imagen. Además se pueden clasificar en el tipo de imagen que se utiliza, es decir, algoritmos basados en imágenes a escala de grises o imágenes a color. En la etapa que esta el proyecto se han implementado tres tipos de técnicas basadas en resolver la disparidad de la totalidad de la imagen, pero se mantiene la idea de resolver matching para algunas características de la imagen. 1) Características del Algoritmo y Pruebas del Algoritmo: Este algoritmo está orientado a buscar correspondientes de pixeles, por lo que implica conocer la posición del pixel que se quiere corresponder, o realizar este procedimiento a toda la imagen, lo que implica un costo computacional innecesario para las características de nuestro problema. Para este algoritmo se realizaron dos pruebas para medir el error de disparidad del algoritmo con imágenes virtuales e imágenes reales. El resultado de las pruebas nos permite concluir que el algoritmo presenta inconvenientes para imágenes que no presentan cambios suaves [4], además de los inconvenientes con disparidades verticales. A. Técnica de Matching basada en una función de Correlación: Las técnicas basadas en el cálculo de una función de correlación, son básicamente unas técnicas que miden la similitud de un pixel patrón (por ejemplo un pixel en la imagen 1) con cada uno de los pixeles de la otra imagen (por ejemplo la imagen 2). Se propone un procedimiento para solucionar el problema de Matching a través de un algoritmo que calcula una función de correlación de un pixel patrón con los pixeles de otra imagen. El algoritmo fue implementado en MatLab, basado en [6] en el cual se propone el cálculo de la función de correlación para imágenes en escala de grises de la siguiente forma:, (2), (3), (4),,, Donde = Promedio de nivel de gris de la ventana de la imagen derecha, esta ventana tiene como centro el pixel patrón. = Promedio del nivel de gris de la ventana de la imagen izquierda, esta ventana tiene como centro el pixel a comparar. = Nivel de gris del pixel patrón,, en la imagen derecha. = Nivel de gris del pixel a comparar,, en la imagen izquierda., = tamaño de la ventana. Se debe tener en cuenta que el tamaño de la ventana debe ser un múltiplo entero de la resolución de la ventana. Fig. 3. Procedimiento para solucionar el problema de Matching a través de un algoritmo basado en el cálculo de una función de costo Programación Dinámica B. Técnica de Matching basada en el cálculo de una función de costo Programación Dinámica: Programación dinámica que es un enfoque general para la solución de problemas en los que es necesario tomar decisiones en etapas sucesivas. De esta forma se puede ver el problema de Matching, el cual esta condicionado a las restricciones que tenga el sistema de formación de la imagen y de los objetos visualizados. Se propone solucionar matching a partir de la minimización de las funciones de costo debido a: la intensidad, la existencia de arista, condición de suavidad en los pixeles a comparar. Se plantea el siguiente procedimiento para solucionar el problema de Matching a través de la minimización de una función de costo (ver figura 3), que compara una ventana 90
4 patrón de la imagen p.e derecha con una ventana de la imagen p.e izquierda. El algoritmo fue implementado en MatLab, basado en [7] en el cual se propone que la función de costo sea calculada a partir de las siguientes ecuaciones que permiten pesar restricciones de intensidad (nivel de gris) en el pixel evaluado, restricción de suavidad y detección de aristas (verticales y horizontales).,, (5),,, (6) 1,,,, 1,,,, (7),, 1 1, (8) Donde, = Imagen Izquierda. = Imagen Derecha.,, = Aristas verticales de las imágenes izquierda y derecha respectivamente, contienen un valor de 1 si hay una arista entre el, y el, 1 y 0 en otro caso.,, = Aristas horizontales de las imágenes izquierda y derecha respectivamente, contiene un valor de 1 si hay una arista entre el, y el 1, y 0 en otro caso. = Mapa de disparidad., 1 0 = nivel de resolución. (Escala). 1) Características del Algoritmo: El algoritmo propuesto se ha desarrollado en diferentes funciones que nos permiten calcular cada una de las funciones de costo. La función Nivel_intensidad calcula el nivel de intensidad de la ventana de la imagen de búsqueda y hace la comparación con la ventana de la imagen patrón, este cálculo lo hace como en la ecuación (6). function [Costo_Nivel_intensidad] = Nivel_intensidad(imagenL, imagenr, disp, tam, pixel) La función de costo de nivel de arista utiliza los mapas de aristas verticales y horizontales, su cálculo se hace como en la ecuación (7), este cálculo se hace para la ventana. function [Costo_Nivel_arista] = Nivel_arista(vL,vR,hL,hR,disp,tam,pixel) La función Nivel_suavidad calcula el nivel de suavidad del pixel de la imagen patrón, aquí se utiliza el mapa de aristas verticales. Ver ecuación (8). function [Costo_Nivel_suavidad] = Nivel_suavidad(vL,disp,pixel) Para obtener mapa de aristas se implemento la función de MatLab que permite extraer contornos una imagen, ImaRT=edge(Imagen,'canny')esta función recibe como parámetros la imagen en escala de grises, y el método por el cual se extrae contornos. [8] El método de Canny, fue propuesto en 1986, es considerado uno de los mejores para detectar contornos, este método se basa en tres pasos: 1. Obtención del gradiente, aquí se calcula la magnitud y orientación del vector gradiente en cada pixel. 2. Supresión no máxima: en este paso se logra el adelgazamiento del ancho de los bordes obtenidos con el gradiente, hasta lograr bordes de un pixel de ancho. 3. Histéresis de umbral, en este paso se aplica una función de histéresis basada en dos funciones umbrales; con este proceso se pretende reducir la posibilidad de aparición de falsos contornos. C. Técnica de Matching aplicando Curvas intrínsecas Una interesante visión del problema de Matching, es introducido por [9; 10], permitiendo ver el problema de búsqueda de correspondencias como un problema de encontrar los vecinos más cercanos nearest-neighbor. A partir de curvas intrínsecas o intimas, se explora un concepto diferente de líneas epipolares, con la ayuda de curvas intrínsecas se genera un modelo de los cambios de niveles de intensidad de una imagen en escala de grises. Una curva intrínseca es una representación matemática que nos permite encontrar representaciones de señales a partir de unos operadores, la dedición formal de curva intrínseca dice: Suponiendo que N operadores,, son aplicados a una señal para producir una nueva señal Para n = 1,,N. El vector,, describe una curva C en parametrizada por la variable real, C es llamada curva intrínseca generada por a través de los operadores,, Además de utilizar la definición de curva intrínseca se utiliza la definición de la distancia entre los descriptores conocida como Radial Metric, esta distancia es la distancia euclidiana entre los operadores,, de cada una de las curvas. 91
5 El algoritmo propuesto para resolver el problema de Matching, se describe el diagrama de flujo (ver figura 4). El algoritmo propuesto resuelve el problema de Matching a partir de la aproximación de los niveles de grises, tomando los valores de cada una de las filas para agruparlos para realizar la aproximación a las curvas intrínsecas, para determinar la correspondencia valida se selecciona la distancia mínima entre Con la primer prueba se buscaba comprobar la eficiencia del algoritmo para encontrar correspondencias, para poder evaluar esto se aplico los algoritmos para imágenes no reales, la imagen utilizada consiste en un fondo blanco con una ventana de 15X15 pixeles de color negro. Esta imagen es a color de formato JPG para aplicar los algoritmos se realiza la conversión a una imagen en escala de grises con tipo de dato uint8 (Entero sin signo de 8 bits) para realizar las operaciones con la imagen se debe convertir el tipo de dato de uint8 a un doble. Estas imágenes tienen una resolución de 480X704, además de presentar disparidades horizontales y verticales 17 pixeles y 1 pixel respectivamente. La segunda prueba se realizo con imágenes reales, la imágenes utilizadas fueron las del manipulador robótico RV- (a) Fig. 4. Procedimiento para solucionar el problema de Matching a través de un algoritmo basado en la generación de una Curva Intrínseca. los factores de la curva intrínseca. Se propone hacer la aproximación por columnas también, esto con el fin de encontrar la disparidad vertical. 1) Características del algoritmo: Este algoritmo se desarrollo en Matlab, con la ayuda de la función que nos permite interpolar puntos a curvas polyfit(x,y,n), donde x para nuestro caso equivale a la posición en la fila, y equivale al valor del nivel de gris en la posición de la fila y n es el orden del polinomio al que quiero aproximar la curva. Esto igualmente se realiza para la aproximación por columnas. Para calcular la distancia métrica, simplemente restamos uno a uno los factores del polinomio encontrado con la función polyfit. IV. PRUEBAS Y RESULTADOS Para probar la eficiencia de los algoritmos anteriormente descritos se diseñaron dos tipos de pruebas las cuales se evalúan características de los algoritmos, veracidad de las correspondencias y tiempo de ejecución, además de determinar las cualidades y dificultades de cada uno de los algoritmos. (b) Fig. 5. Imágenes Utilizadas para realizar la prueba: Pruebas con imágenes reales (a). Imagen Izquierda, (b). Imagen Derecha. El círculo es el pixel seleccionado para aplicar los algoritmos de Matching. 2AJ ver figura 5. Esta imagen es a color de formato JPG para aplicar el algoritmo se realiza la conversión a una imagen en escala de grises con tipo de dato uint8 (Entero sin signo de 8 bits) para realizar las operaciones con la imagen se debe convertir el tipo de dato de uint8 a un doble. La imagen utilizada es de resolución de 480X704. Para seleccionar el pixel patrón se utiliza la función de MatLab [C,R,P]=impixel(Imagen), con la cual se puede encontrar la ubicación del pixel seleccionado, los pixeles utilizados para la prueba son: Imagen Izquierda pixell (96,367) e Imagen Derecha pixelr (96,363). Y por ende sabemos que la disparidad horizontal y vertical es de 4 pixeles y o pixeles respectivamente. 92
6 En las siguientes tablas se encuentra un resumen comparativo de los resultados de las pruebas aplicadas a cada uno de los algoritmos aquí propuestos. En la tabla I se resume los resultados para la prueba 1, en esta prueba se logro determinar que el algoritmo basado en una función de costo Programación Dinámica es más eficiente aunque el algoritmo de curvas intrínsecas es mucho más rápido y la cualidad de medir disparidad verticales nos permite tener una mayor versatilidad, el error del pixel correspondiente es soportable ya que es de unos pocos pixeles. En la tabla II se resume los resultados para la prueba 2, con esta prueba podemos verificar el comportamiento de los algoritmos con imágenes reales, se contextualiza el algoritmo, aquí es importante medir las características de tiempo de ejecución y error en la correspondencia. En esta última prueba se noto que el mejor algoritmo definitivamente es el de Programación Dinámica en cuanto a la valides de la correspondencia, en cuanto a tiempo de ejecución es el de curvas intrínsecas. ALGORITMO Función de Correlación Programación Dinámica Curvas Intrínsecas TABLA II RESULTADOS MATCHING PARA PRUEBA 2: IMÁGENES REALES ALGORITMO Función de Correlación Programación Dinámica Curvas Intrínsecas TABLA I RESULTADOS MATCHING PARA PRUEBA 1 Pixel Real Pixel Real Pixel Encontrado Pixel Encontrado Disp. Encontrada Disp. Encontrada V. CONCLUSIONES Error Error Tiempo de Ejecución (sg) (172,214) 1 (169,215) abs(2,18) (3,1) 24,6010 (171,197) 2 (172,197) abs(17) (0,0) 14,7110 (172,214) 1 (169,208) abs(2,11) (3,6) 0, El pixel utilizado como pixel patrón es el pixel de la imagen derecha, pixelr(171,197). 2 El pixel utilizado como pixel patrón es el pixel de la imagen izquierda pixell(172,214). Tiempo de Ejecución (sg) (96,367) 1 (223,454) abs(127,91) (127,87) 25,3030 (96,363) 2 (96,363) abs(4) (0,0) 16,63 (96,367) 1 (97,360) abs(1,3) (1,7) 0, El pixel utilizado como pixel patrón es el pixel de la imagen derecha, pixelr(96,363). 2 El pixel utilizado como pixel patrón es el pixel de la imagen izquierda pixell(96,363). Con estas primeras pruebas se permite apreciar un primer avance en el proceso de investigación de los diferentes algoritmos para la aplicación de técnicas de Matching en un sistema estéreo. Aquí se comprobó que debido a las características del problema se debe centrar la investigación en desarrollar algoritmos de Matching basados en características importantes de la imagen y no en la búsqueda de correspondencia de todos los pixeles de la imagen, con el fin 93 de minimizar el tiempo de ejecución. Además es importante explorar la respuesta de los algoritmos que utilizan otro tipo de información diferente a la intensidad de nivel de gris como por ejemplo la información de color en diferentes planos y características de mayor nivel (marcas), con el fin de minimizar el error en la correspondencia. En las pruebas realizadas al algoritmo basado en una función de costo (programación dinámica) se hacer ver la necesidad del tener en cuenta el valor de disparidad inicial muy cercano al real, debido a que las pruebas demostraron la vulnerabilidad del algoritmo, cuando se tiene rangos muy amplios de disparidades. También se puede ver que este algoritmo no calcula disparidad vertical, por lo tanto se supone que el sistema de captura de imágenes, estén ubicadas a la misma altura, lo que permite tener una restricción en el sistema de captura de imágenes, planos de imagen paralelos. Con la propuesta utilizando curvas intrínsecas para solucionar el problema de Matching, se puede ver como se reduce el costo computacional gracias a la simplicidad del algoritmo. Además podemos ver que le algoritmo funciona muy bien para imágenes reales como para imágenes virtuales, el error que posee en las correspondencias es aceptable. El tiempo de ejecución del algoritmo que utiliza curvas intrínsecas depende de la aproximación inicial que tengamos de los limites de disparidad, y esto es debido a que el algoritmo está diseñado para buscar posibles correspondientes en regiones delimitadas por los limites de disparidad dados por la geometría del sistema de captura de imágenes. Y el tiempo de ejecución del algoritmo de programación dinámica depende de la restricción Epipolar, es decir, depende del rango de posibles valores de disparidad para un pixel dado, pero a diferencia del anterior, este busca la posible correspondencia en toda la imagen. Todos los algoritmos están orientados a buscar correspondientes de pixeles, por lo que implica conocer la posición del pixel que se quiere corresponder, o realizar este procedimiento a toda la imagen para encontrar un mapa de disparidad denso, lo que implica un costo computacional innecesario para las características de nuestro problema. REFERENCIAS [1] Trucco, Emmanuele and Verri, Alessandro. Introductory techniques for 3D Computer Vision. Estados Unidos : Prentice Hall PTR, [2] UMH Ingeniería de Sistemas y Automática. Curso de Doctorado: Visión Tridimensional. [Online] [3] López Valles, José, Fernández Caballero, Antonio and Fernández, Miguel. Conceptos y Técnicas de Estereovisión por Computador. 2005, Revista Iberoamericana de Inteligencia Artificial, pp [4] Burnelli, Roberto. Template Matching Techniques in Computer Vision: Theory and Practice. s.l. : John Wiley & Sons, Ltd, [5] Mery, Domingo. Visión por Computadora. Departamento de ciencias de la Computación. Santiago de Chile : Universidad Católica de Chile, [6] Luccioni, Griselda Maria and Juliá, Jose Eduardo. Correspondencia basada en área. Mapping Interactivo. [Online] [Cited: 03 12,
7 2010.] [7] Compañ, Patricia, et al. Dpto Ciencia de la Computación e Inteligencia Artificial Universidad de Alicate. [Online] [Cited: 03 17, 2010.] [8] Valverde Rebaza, Jorge. Detección de bordes mediante el algoritmo de Canny. Escuela Académico Profesional de Informática. [Online] [9] Stereo Mathcing as a Nearest-Neighbor Problem. Tomasi, Carlo and Manduchi, Roberto. 1998, IEEE Transactions on Pattern Analysis and Machine Intelligence, pp. p.p [10] Martínez Arteaga, Pedro Antonio. La contruccion del modelo de la imagen del fondo mediante el uso de curvas intrínsecas. Querétaro : Instituto Politécnico Nacional, Jaiber Evelio Cardona Aristizábal, Colombia 17 de febrero de 1976, Ingeniero Electrónico de la Universidad del Valle, Magister en Automática de la misma Universidad,, Docente de Ingeniería Electrónica de la Universidad del Quindío desde 2005, Áreas de interés: Automatización industrial, control de procesos, inteligencia artificial y procesamiento de imágenes. José Gabriel Hoyos Gutiérrez, Colombia 26 de julio de 1967, Ingeniero Electricista Universidad Nacional sede Manizales, Especialista en Automatización Industrial Universidad del Valle, Maestría Ingeniería Eléctrica, UTP, Estudiante doctorado en Automática Universidad Nacional, Docente Tecnología Electrónica Universidad del Quindío desde 1994, Áreas de interés: Automatización industrial, procesamiento de imágenes. Luís Miguel Capacho Valbuena, Colombia 6 de mayo de 1982, Ingeniero Electrónico de la Universidad del Quindío, Docente de Ingeniería Electrónica de la Universidad del Quindío desde 2008, Áreas de interés: Sistemas embebidos, Programación y procesamiento de señales e imágenes. Mónica Liliana Hernández C, Colombia 17 de noviembre de 1988, Perteneció al semillero de investigación del grupo de investigación GAMA de la Universidad del Quindío. Actualmente se encuentra realizando su trabajo de grado para optar el titulo de Ingeniera Electrónica en la Universidad del Quindío. Se encuentra adelantando estudios de nivel de maestría en la Universidad Pontifica Javeriana, en la modalidad de cursos libres. Aquí pertenece al grupo de investigación SIRP como Auxiliar de investigación. Áreas de interés: Control, Robótica, Procesamiento de Imágenes. 94
PRÁCTICA 2. Detección de características entre pares de imágenes y reconstrucción proyectiva y euclídea entre los puntos correspondidos
PRÁCTICA 2 TÍTULO Detección de características entre pares de imágenes y reconstrucción proyectiva y euclídea entre los puntos correspondidos OBJETIVO El objetivo de la práctica es que el alumno realiza
Más detallesReconstrucción Tridimensional a Partir de Varias Imágenes
Reconstrucción Tridimensional a Partir de Varias Imágenes Dr. Luis Gerardo de la Fraga E-mail: fraga@cs.cinvestav.mx Sección de Computación Departamento de Ingeniería Eléctrica CINVESTAV 22 de noviembre,
Más detallesCAPÍTULO 2. Desde el punto de vista más simple, hoy una imagen digital consiste de lo que se puede ver
CAPÍTULO 2 PROCESAMIENTO DE IMÁGENES 2.1 Imágenes Digitales Desde el punto de vista más simple, hoy una imagen digital consiste de lo que se puede ver como una matriz de miles o millones de píxeles cada
Más detallesEstéreo dinámico. Estéreo dinámico
Estéreo dinámico 1 Vectores locales de desplazamiento Dada una secuencia de imagenes Tomadas a intervalos Movimiento absoluto: movimiento independiente de la cámara Movimiento relativo: movimiento debido
Más detallesEstéreo estático. Derivadas segundas obtenidas en direcciones distintas sobre el mismo borde
Derivadas segundas obtenidas en direcciones distintas sobre el mismo borde Marr propuso la detección de variaciones en la intensidad de la imagen (bordes) como bosquejo primordial. Se observa que corresponde
Más detallesVISIÓN POR COMPUTADOR
VISIÓN POR COMPUTADOR Introducción Ingeniería de Sistemas y Automática Universidad Miguel Hernández Tabla de Contenidos 2 Definición de Visión por Computador Captación Información Luminosa Imagen Digital
Más detallesTécnicas de inteligencia artificial. Visión Artificial Detección de aristas y puntos característicos
Técnicas de inteligencia artificial Visión Artificial Detección de aristas y puntos característicos Indice Detección de aristas Algoritmo de Canny Algoritmo de Susan Aristas ( Edges ) Operadores de gradiente:
Más detallesExtracción de Bordes
Visión por Computadora Unidad IV Extracción de Bordes Rogelio Ferreira Escutia Contenido 1) Conceptos sobre Bordes 2) Extracción de bordes por Derivadas 3) Operadores de Primera Derivada 1) Conceptos sobre
Más detallesTécnicas de inteligencia artificial. Visión Artificial Extracción de características
Técnicas de inteligencia artificial Visión Artificial Extracción de características Indice Transformada de Hough Características: SIFT Transformada de Hough Fundamentos: Motivación: Desarrollar técnicas
Más detallesTécnicas de inteligencia artificial. Visión Artificial Visión 3D
Técnicas de inteligencia artificial Visión Artificial Visión 3D Indice Introducción Visión estéreo Introducción Cuando usamos una cámara, perdemos la información 3D x y z y x z y x Sin embargo, la información
Más detallesCÁLCULO DE CAMINO ÓPTIMO PARA MANIPULADOR ARTICULADO SCARA SUJETO A OBSTÁCULOS
CÁLCULO DE CAMINO ÓPTIMO PARA MANIPULADOR ARTICULADO SCARA SUJETO A OBSTÁCULOS Carlos Pillajo cpillajo@ups.edu.ec Agenda : Planteamiento del Problema Introducción Planificación de Caminos Cálculo del Espacio
Más detallesLos métodos de procesamientos de imágenes, no definen una forma cuantitativa para
77 5.1 PRUEBAS Y CONCLUSIONES Los métodos de procesamientos de imágenes, no definen una forma cuantitativa para establecer un nivel de procesamiento, debido a que son métodos apreciativos a quien los diseña.
Más detallesSoftware Desarrollado: la aplicación HAdDA
Capítulo 3 Software Desarrollado: la aplicación HAdDA En este proyecto se ha desarrollado una herramienta de ayuda al diagnóstico y al análisis de las BOC de pacientes de EM. Al estar diseñado para su
Más detallesIMPLEMENTACIÓN DE LA TRANSFORMADA DE HOUGH PARA LA DETECCIÓN DE LÍNEAS PARA UN SISTEMA DE VISIÓN DE BAJO NIVEL
Scientia et Technica Año X, No 4, Mayo 004. UTP. ISSN 01-1701 79 IMPLEMENTACIÓN DE LA TRANSFORMADA DE HOUGH PARA LA DETECCIÓN DE LÍNEAS PARA UN SISTEMA DE VISIÓN DE BAJO NIVEL RESUMEN En este artículo
Más detallesEstudio comparativo de dos modelos de visión estereoscópica humana: el de Kim y Aggarwal frente al PMF de Pollard, Mayhew y Frisby
Estudio comparativo de dos modelos de visión estereoscópica humana: el de Kim y Aggarwal frente al PMF de Pollard, Mayhew y Frisby Pilar Rubio de Lemus y Ramón Pérez Muñoz La visión en estéreo es un método
Más detallesCaracterización de Imágenes
de Imágenes Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Caracterizar: "determinar los atributos peculiares de alguien o de algo, de modo que claramente
Más detallesKorell, Guillermo Pohl, Nancy. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas
Unión de imágenes mediante correlación Korell, Guillermo Pohl, Nancy Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas Captura y Procesamiento Digital de Señales e Imágenes Resumen:
Más detallesTrazo de Primitivas Geométricas I
Quinta sesión 17 de agosto de 2010 Contenido 1 Manejo de la discretización del Plano de Observación 2 Geometría analítica de la recta Algoritmo del analizador diferencial Algoritmo de Bresenham 3 Eliminación
Más detallesTema 5. Detección de bordes
1 Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández GRUPO DE TECNOLOGÍA INDUSTRIAL Tabla de Contenidos Deinición de Borde Extracción de Bordes Comparación de Funciones Locales Comparación
Más detallesCINEMÁTICA INVERSA DE ROBOTS INDUSTRIALES
I EMETRE DE 00 CINEMÁTICA INVERA DE ROBOT INDUTRIALE GERMÁN ANDRÉ RAMO FUENTE * 1. Introducción El uso de robots en ambientes industriales, y más precisamente en procesos de manufactura, ha generado toda
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más detallesDeteccio n de monedas con el me todo de la transformada de Hough
Deteccio n de monedas con el me todo de la transformada de Hough G R U P O 10 C A R L O S H E R C E G U I L L E R M O G U T I É R R E Z Procesamiento de Imágenes Digitales Ingeniería en Informática. Enero
Más detallesUniversidad de Montemorelos Facultad de Ingeniería y tecnología
Universidad de Montemorelos Facultad de Ingeniería y tecnología Proyecto elaborado como requisito parcial De la material Calculo Integral Equipo Calculeitors: Sydney Javier Domínguez Jesus Daniel Maldonado
Más detallesDiseño e implementación de un sistema para digitalización de objetos en 3D mediante el uso de Matlab
1 Diseño e implementación de un sistema para digitalización de objetos en 3D mediante el uso de Matlab Andrés Sosa, Klever Guamán Departamento de Eléctrica y Electrónica, Universidad de las fuerzas armadas
Más detallesSistemas de Percepción
PROGRAMA DE LA ASIGNATURA: Sistemas de Percepción Código: 3042105040 Curso 2006/2007 CENTRO: ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES TITULACIÓN: INGENIERO EN AUTOMÁTICA Y ELECTRÓNICA INDUSTRIAL
Más detallesVisión Artificial Unidad de Competencia I Introducción a la Visión Artificial
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO Centro Universitario UAEM Zumpango Ingeniero en Computación Visión Artificial Unidad de Competencia I Introducción a la Visión Artificial M. en C. Rafael Rojas
Más detallesFundamentos matemáticos básicos de la realidad virtual
Fundamentos matemáticos básicos de la realidad virtual José Ignacio Ronda Prieto Grupo de Tratamiento de Imágenes, ETSIT, UPM jir@gti.ssr.upm.es Fundamentos matemáticos básicos de la realidad virtual 1
Más detallesTema 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 Universidad de Córdoba Universidad de Córdoba
Más detalles= v. = v. Restricciones geométricas. Restricciones geométricas. Restricciones geométricas. Restricciones de consistencia. m 1 m 2.
Índice Introducción Qué es la visión estereoscópica? Geometría de un sistema binocular Geometría de la proyección Geometría binocular. Matriz fundamental Rectificación 9 Restricciones Métodos de correspondencia
Más detallesSegmentación. Transformada de Hough.
Segmentación. Transformada de Hough. Departamento de Ingeniería electrónica, Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática OBJETIVOS: Uso de la transformada de Hough como técnica
Más detallesVisión por Computador: Introducción
Visión por Computador: Introducción Ciencia que desarrolla la base teórica y algorítmica mediante la que se extrae y analiza información útil sobre el mundo/ entorno, a partir de: una imagen un conjunto
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales EXTRACCIÓN DE PATRONES Transformada de Hough La transformada de Hough es método de extracción de características patentado por Paul Hough en 1962 *, para la detección de
Más detallesJOSÉ GERARDO CARDONA T.
JOSÉ GERARDO CARDONA T. Licenciado en Matemáticas y Física de la Universidad Tecnológica de Pereira, Magister y Especialización en Instrumentación Física, Maestría en Investigación operativa y estadística.
Más detallesCálculo del valor de la resistencia eléctrica de un resistor de 4 franjas, por medio del código de colores utilizando visión por computadora
Maestría en Manufactura Integrada por Computadora Sistemas de Visión en Manufactura Universidad Don Bosco Catedrático: Msc Manuel Cardona Cálculo del valor de la resistencia eléctrica de un resistor de
Más detallesContornos de objetos. Marcados por varios usuarios.
DETECCIÓN DE CONTORNOS Contornos de objetos Marcados por varios usuarios http://www.eecs.berkeley.edu/research/projects/cs/vision/grouping/segbench/bench/html/images.html Contornos de objetos a partir
Más detallesÍndice 1. Introducción Imagen digital. Formación imagen Histograma de una imagen digital 2. Transformaciones puntuales. Introducción.
Índice 1. Imagen digital. Formación imagen Histograma de una imagen digital 2. Transformaciones puntuales Procesamiento de imágenes digitales Transformaciones basadas en el histograma Ecualización del
Más detallesProyecto docente de la asignatura
Proyecto docente de la asignatura Asignatura Materia Módulo Titulación APLICACIÓN DE LA VISIÓN ARTIFICIAL EN ENTORNOS DE PRODUCCIÓN Programación de aplicaciones entornos avanzados de producción Informática
Más detallesVisión Estéreo Fundamentos, desafios, aplicaciones y un enfoque de investigación
Visión Estéreo Fundamentos, desafios, aplicaciones y un enfoque de investigación Iván Cabezas ivan.cabezas@correounivalle.edu.co Octubre 27 de 2010 Pontificia Universidad Javeriana, Cali Contenido Presentación
Más detallesModélos Matemáticos en Visión por Ordenador
Modélos Matemáticos en Visión por Ordenador Modelos matemáticos para representar el funcionamiento de una cámara Luis Alvarez Univ. Las Palmas de G.C. Mayo 29 Luis Alvarez (Univ. Las Palmas de G.C. ) Modélos
Más detallesVisión artificial y Robótica. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Sensores 3D Métodos de registro 3D Iterative Closest Points Sensores 3D Permiten obtener la información
Más detallesFundamentos matemáticos básicos de la realidad virtual
Fundamentos matemáticos básicos de la realidad virtual José Ignacio Ronda Prieto Grupo de Tratamiento de Imágenes, ETSIT, UPM jir@gti.ssr.upm.es Fundamentos matemáticos básicos de la realidad virtual 1
Más detallesPONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE VICERRECTORÍA ACADÉMICA
RESOLUCIÓN N 248/2010 APRUEBA PLAN DE CONTINUIDAD DE ESTUDIOS EN INGENIERÍA CIVIL, CONDUCENTE AL TÍTULO PROFESIONAL DE INGENIERO CIVIL DE COMPUTACIÓN O AL GRADO ACADÉMICO DE MAGISTER EN CIENCIAS DE LA
Más detallesAplicaciones de realidad aumentada en un ipad
Aplicaciones de realidad aumentada en un ipad Dr. Luis Gerardo de la Fraga Cinvestav, Computer Science Department Av. IPN 2508, 07360 Mexico, D.F., México E-mail: fraga@cs.cinvestav.mx Noviembre 17, 2016
Más detallesEvaluación de algoritmos de visión estereoscópica para un sistema de reconocimiento de la mano
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE TELECOMUNICACIÓN UNIVERSIDAD POLITÉCNICA DE CARTAGENA Proyecto Fin de Carrera Evaluación de algoritmos de visión estereoscópica para un sistema de reconocimiento
Más detallesUNIVERSIDAD DON BOSCO VICERRECTORÍA DE ESTUDIOS DE POSTGRADO
UNIVERSIDAD DON BOSCO VICERRECTORÍA DE ESTUDIOS DE POSTGRADO MAESTRÍA EN MANUFACTURA INTEGRADA POR COMPUTADORA SISTEMAS DE VISIÓN EN MANUFACTURA Catedrático: Msc Manuel Napoleón Cardona Gutiérrez GUÍA
Más detallesCapítulo V. Descripción del Sistema y Pruebas
Capítulo V Descripción del Sistema y Pruebas V 5.1 Descripción del Sistema El sistema finalmente implantado es mostrado en las pantallas siguientes, se tiene una pantalla principal de aplicación, en la
Más detallesUN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS
UNIVERSIDAD DE MÁLAGA ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA SUPERIOR EN INFORMÁTICA ANTEPROYECTO UN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS DIRECTOR DEL PROYECTO: FIRMA:
Más detallesDEPARTAMENTO DE MATEMÁTICAS. CRITERIOS de EVALUACIÓN BACHILLERATO. Contenido
DEPARTAMENTO DE MATEMÁTICAS CRITERIOS de EVALUACIÓN BACHILLERATO Contenido I. MATEMÁTICAS CCSS I 1ºHCS... 1 II. MATEMÁTICAS I 1ºCIT... 2 III. MATEMÁTICAS CCSS II 2ºHCS... 3 IV- MATEMÁTICAS II 2ºCIT...
Más detallesCAPITULO 3: PASOS REALIZADOS PARA LA DETECCIÓN DE BORDES DE IMÁGENES A COLOR
CAPITULO 3: PASOS REALIZADOS PARA LA DETECCIÓN DE BORDES DE IMÁGENES A COLOR El algoritmo realizado para la detección de bordes de imágenes a color se basa en el operador Canny. La filosofía del operador
Más detalles1 Introducción. 1.1 Ecualización del histograma
AHE (ECUALIZACIÓN DEL HISTOGRAMA ADAPTATIVO) Dpto. Física aplicada e Ingeniería de Sistemas Grupo de Control e Informática Industrial Universidad Politécnica de Madrid Escuela Universitaria de Ingeniería
Más detallesFigura 1: Propiedades de textura: (a) Suavidad, (b) Rugosidad y (c) Regularidad
3 TEXTURA 3.1 CONCEPTO DE LA TEXTURA La textura es una característica importante utilizada en segmentación, identificación de objetos o regiones de interés en una imagen y obtención de forma. El uso de
Más detallesTAREA N 1 DETECTOR DE LETRAS L MEDIANTE CAMPO RECEPTIVO
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Eléctrica EL7007 Introducción al Procesamiento Digital de Imágenes TAREA N 1 DETECTOR DE LETRAS L MEDIANTE CAMPO
Más detallesUNIVERSIDAD NACIONAL DE LOJA
UNIVERSIDAD NACIONAL DE LOJA ÁREA DE ANERGÍA, LAS INDUSTRIASS Y LOS RECURSOS NATURALES NO RENOVABLES INGENIERÍA EN ELECTRÓNICA Y TELECOMUNICACIONES DISEÑO E IMPLEMENTACIÓN DE UN SISTEMA AUTÓNOMO DISPENSADOR
Más detallesColección de Tesis Digitales Universidad de las Américas Puebla. Gómez Barrios, María Luisa
1 Colección de Tesis Digitales Universidad de las Américas Puebla Gómez Barrios, María Luisa En este capítulo se presenta una introducción general sobre el problema de la detección de colisiones en robótica.
Más detallesANEXO N 4. Algoritmo de Flujo Óptico
ANEXO N 4 Algoritmo de Flujo Óptico Para la realización del proyecto era necesaria la implementación de algoritmos de detección de movimiento y seguimiento del mismo, por ejemplo al tener un fondo definido
Más detallesTema 8. Detección de líneas y esquinas
Tema 8. Detección de líneas y esquinas 4730 Visión Industrial Ingeniería Técnica Industrial especialidad en Electrónica Industrial Universitat de les Illes Balears Departament de Ciències Matemàtiques
Más detallesPráctica 6. Tratamiento de imágenes mediante Matlab
Práctica 6 Tratamiento de imágenes mediante Matlab MODIFICACIÓN DE LOS COLORES.... OBTENCIÓN DEL NEGATIVO DE UNA IMAGEN....2 MODIFICACIÓN DEL BRILLO DE UNA IMAGEN... 2.3 DIBUJO DE LA IMAGEN EN BLANCO
Más detallesESTIMACIÓN N DE LA DISTANCIA RECORRIDA POR UN ROBOT MÓVIL M MEDIANTE LA UTILIZACIÓN N DE DESCRIPTORES SURF
ESTIMACIÓN N DE LA DISTANCIA RECORRIDA POR UN ROBOT MÓVIL M MEDIANTE LA UTILIZACIÓN N DE DESCRIPTORES SURF Autor: Juan Manuel Peraza Domínguez Tutor: Dr. Luis Moreno Lorente Noviembre de 2009 1 ÍNDICE
Más detallesAnálisis Bioseñales I
Análisis Bioseñales I Prepaso Práctico 4 Mauricio Farías Gerardo Fasce Rodrigo Ortiz Gustavo Zomosa IMAGEN Colección de componentes de frecuencia Formación de imagen : Pixel, valor : luminosidad del punto
Más detallesTABLA DE CONTENIDOS. Dedicatoria. Agradecimientos. Tabla de Contenidos. Índice de Figuras. Índice de Tablas. Resumen
TABLA DE CONTENIDOS página Dedicatoria Agradecimientos Tabla de Contenidos Índice de Figuras Índice de Tablas Resumen I II IV VII X XI 1. Introducción 13 1.1. Descripción del contexto.........................
Más detalles[20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. En cuál de estas posibles aplicaciones podríamos utilizar una característica
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: RECONOCIMIENTO DE PATRONES FECHA DE ELABORACIÓN: MARZO 2005 ÁREA DEL PLAN DE ESTUDIOS: AS ( )
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE INGENIERÍA EN ELECTRICIDAD Y COMPUTACIÓN Segmentación de imágenes médicas para detección de detalles Tomografías y Ecografías REPORTE DE MATERIA DE
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales FILTRADO DE LA IMAGEN Filtros espaciales suavizantes INTRODUCCIÓN El uso de máscaras espaciales para el procesamiento de imágenes se denomina filtrado espacial y a las propias
Más detallesUso de las estadísticas de los histogramas para el realce local de imágenes
Uso de las estadísticas de los histogramas para el realce local de imágenes Albornoz, Enrique Marcelo y Schulte, Walter Alfredo 5 de noviembre de 2004 Captura y Procesamiento Digital de Imágenes. Facultad
Más detallesPlano tangente a una superficie y a una superficie de nivel, derivada direccional y regla de la cadena
1 Universidad Simón Bolívar. Preparaduría nº 3. christianlaya@hotmail.com ; @ChristianLaya Plano tangente a una superficie y a una superficie de nivel, derivada direccional y regla de la cadena Derivada
Más detallesTarea 1 INSTRUCCIONES TAREA 1
Universidad de Los Andes Facultad de Ingeniería y Ciencias Aplicadas Tarea 1 Cálculo Numérico Profesores: Takeshi Asahi, Semestre 2016-01 Miguel Carrasco INSTRUCCIONES TAREA 1 1 ) Esta tarea vale por un
Más detallesLa Transformada de Hough. Detección de Líneas y Círculos. Presentado por: Tania Martínez
. Detección de Líneas y Círculos Presentado por: Tania Martínez Herramienta utilizada para detectar figuras en una imagen digital que pueden ser expresadas matemáticamente, tales como rectas, círculos
Más detallesUNIVERSIDAD DON BOSCO VICERRECTORÍA DE ESTUDIOS DE POSTGRADO
UNIVERSIDAD DON BOSCO VICERRECTORÍA DE ESTUDIOS DE POSTGRADO MAESTRÍA EN MANUFACTURA INTEGRADA POR COMPUTADORA SISTEMAS DE VISIÓN EN MANUFACTURA Catedrático: Msc Manuel Napoleón Cardona Gutiérrez CONTROL
Más detallesTema 01: Algoritmia y diagramas de flujo. Estructuras de datos (Prof. Edgardo A. Franco)
Tema 1 Estructuras de datos (Prof. Edgardo A. Franco) Contenido Algoritmia Qué es un algoritmo? Métodos algorítmicos Diagrama de flujo Símbolos utilizados en los diagramas de flujo Reglas para la construcción
Más detallesVISIÓN 3D. José M. Sebastián - Luis M. Jiménez. Problema Central de la Visión Artificial Tridimensional.
VISIÓN 3D José M. Sebastián - Luis M. Jiménez Problema Central de la Visión Artificial Tridimensional. A partir de una imagen o de una secuencia de imágenes de un objeto estacionario o en movimiento, tomada
Más detallesControl de un Brazo Robótico para Clasificar Objetos Sólidos con Formas Definidas Utilizando Visión Estereoscópica
Control de un Brazo Robótico para Clasificar Objetos Sólidos con Formas Definidas Utilizando Visión Estereoscópica Medina Naranjo Jorge Fernando, Escuela Politécnica Nacional (EPN), Quito - Ecuador Nono
Más detallesUNIVERSIDAD POLITÉCNICA DE MADRID
UNIVERSIDAD POLITÉCNICA DE MADRID DEPARTAMENTO DE ELECTRÓNICA, AUTOMÁTICA E INFORMÁTICA INDUSTRIAL Prácticas de Visión Artificial Práctica 1 Iniciación al procesamiento de imágenes con Matlab 1.2 Iniciación
Más detallesVisión artificial y Robótica Geometría. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Geometría Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Geometría 2D y 3D Transformación de coordenadas Calibración de la cámara Álgebra necesaria
Más detallesGraficación. Garibaldi Pineda García
Graficación Garibaldi Pineda García chanokin@gmail.com Requisitos Álgebra lineal Multiplicación de matrices Operaciones con vectores Programación II Java con netbeans OpenGL (se enseña en clase) Habilidades
Más detallesPLAN DE EVALUACIÓN ACREDITACIÓN
PLAN DE EVALUACIÓN ACREDITACIÓN ASIGNATURA: MATEMÁTICAS IV SEDE: ESTATAL SEMESTRE: CUARTO CORTE: I BLOQUES: I, II, III PERIODO: 2018-1 DESEMPEÑO A DEMOSTRAR COMPETENCIAS A DESARROLLAR EVIDENCIA A EVALUAR
Más detallesReconstrucción tridimensional de vasos sanguíneos de retina de humanos
Reconstrucción tridimensional de vasos sanguíneos de retina de humanos Dra. María Elena Martínez Pérez Departamento de Ciencias de la Computación IIMAS-UNAM Colaboradores: Dr. Arturo Espinosa, M. en C.
Más detallesOperación de Microsoft Excel
Formato de datos y celdas Dar formato significa, en términos generales, fijar los parámetros que definirán el aspecto y la presentación de los datos contenidos en las hojas de trabajo. Excel ofrece muchas
Más detallesControl de un Brazo Robótico para Clasificar Objetos Sólidos con Formas Definidas Utilizando Visión Estereoscópica
Control de un Brazo Robótico para Clasificar Objetos Sólidos con Formas Definidas Utilizando Visión Estereoscópica Medina Naranjo Jorge Fernando, Escuela Politécnica Nacional (EPN), Quito - Ecuador Nono
Más detallesDETECCION DE ESQUINAS. ALGORITMO HARRIS SISTEMAS DE VISIÓN EN MANUFACTURA. ANDREAS OBED LLANES CORNEJO
DETECCION DE ESQUINAS. ALGORITMO HARRIS SISTEMAS DE VISIÓN EN MANUFACTURA. ANDREAS OBED LLANES CORNEJO GENERALIDADES Tipos de esquinas presentes en la imagen: Geométricas, Texturadas, Proyección de un
Más detallesLOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR
LOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR Presentado por: Ing. ANDRES ALEJANDRO DIAZ TORO Director: Dr. Eduardo Caicedo Bravo Asesor: Dra. Lina María Paz GRUPO DE INVESTIGACION
Más detallesVisión y áreas relacionadas
Visión y áreas relacionadas Dr. Luis Gerardo de la Fraga E-mail: fraga@cs.cinvestav.mx Departamento de Computación Cinvestav 28 de octubre, 2010 Dr. Luis Gerardo de la Fraga 9o. Simp. Computación Visión
Más detallesReconstrucción 3D: Estéreo
Reconstrucción 3D: Estéreo Lección 08.2 Dr. Pablo Alvarado Moya MP6127 Visión por Computadora Programa de Maestría en Electrónica Énfasis en Procesamiento Digital de Señales Escuela de Ingeniería Electrónica
Más detallesEl pipeline de visualización es el conjunto de
Sistemas de Visualización Pipeline de visualización 3D Definición del modelo geométrico Transformaciones geométricas Transformaciones de visualización Volumen de visualización Proyecciones Pipeline de
Más detallesConsecuente: Cálculo Diferencial e Integral III, Ecuaciones diferenciales Créditos: 8 (3 h teoría, 2 h taller) Semipresencial
UNIVERSIDAD DE SONORA Unidad Regional Centro División de Ingeniería Departamento de Ingeniería Química y Metalurgia Asignatura: Cálculo diferencial e integral II Clave: 6884 Antecedente: Cálculo Diferencial
Más detalles» Profesorado. Tutorías: Martes de 16:30 a 19:30 Miércoles de 10:00 a 13:00. Concertar cita previa por ! Cristina Suárez Mejías
» Profesorado María José Jiménez Página web: http://personal.us.es/majiro Email: majiro@us.es Departamento: Matemática Aplicada I (http://ma1.eii.us.es) Lugar: despacho B2.46 Tutorías: Martes de 16:30
Más detallesTema 2: PROCESAMIENTO EN EL DOMINIO ESPACIAL (Parte 2)
Tema 2: PROCESAMIENTO EN EL DOMINIO ESPACIAL (Parte 2) 1 I N G E N I E R Í A I N F O R M Á T I C A D P T O. M A T E M Á T I C A A P L I C A D A I 2 ÍNDICE: Filtrado espacial Filtros de suavizado Filtros
Más detallesMarcas de agua (Watermarking) en imágenes, aplicadas en el dominio espacial basadas en Correlación
Marcas de agua (Watermarking) en imágenes, aplicadas en el dominio espacial basadas en Correlación Godoy Matías, Mignola César Captura y Procesamiento Digital de Señales e Imágenes Trabajo práctico final
Más detallesCAPÍTULO 6 PRUEBAS Y RESULTADOS
CAPÍTULO 6 PRUEBAS Y RESULTADOS 6.1 Pruebas y Resultados Las pruebas que se generaron fueron tomando en cuenta tres parámetros importantes. El primero, la hora del día, ya que se ven afectados los resultados
Más detallesCapítulo 2: Segmentación de imágenes
Capítulo 2: Segmentación de imágenes 2.1.- Introducción Como se ha comentado en la presentación, la segmentación de la imagen es el proceso que divide una imagen en regiones u objetos cuyos píxeles poseen
Más detallesInterpolacion y extrapolacion numerica y Ajuste de datos
Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Interpolacion y extrapolacion numerica y Ajuste de datos Prof: J. Solano 2012-I Introducción La interpolación y extrapolación
Más detallesPROCESAMIENTO DE IMÁGENES APLICADOS A LA EDUCACIÓN
PROCESAMIENTO DE IMÁGENES APLICADOS A LA EDUCACIÓN Resumen En el procesamiento de Imágenes es necesario implementar algoritmos de bajo costo para identificar objetos básicos, como son figuras geométricas,
Más detallesCapítulo 4. Detección del Objeto Conocido, Medición de su Tamaño Virtual y Cálculo de la Distancia
Capítulo 4. Detección del Objeto Conocido, Medición de su Tamaño Virtual y Cálculo de la Distancia 4.1 Características del objeto a medir El objeto a ser procesado es de dimensiones conocidas, y tiene
Más detallesA continuación se presentan algunos ejercicios resueltos, paso a paso, extraídos del libro Aplicaciones Físicas de la Integral Definida:
A continuación se presentan algunos ejercicios resueltos, paso a paso, etraídos del libro : EJEMPLO Sea R la región definida por (, ) R = /. Se tiene una placa con la forma de la región R sumergida verticalmente
Más detalles3 Fundamentos y algoritmos de visión artificial
3. Descripción de los procesos utilizados En esta aplicación el problema de visión artificial que se plantea es la discriminación y localización de una serie de objetos, concretamente discos circulares
Más detallesMÉTODO DE DIFERENCIAS FINITAS (FDM)
MÉTODO DE DIFERENCIAS FINITAS (FDM) MÉTODO DE DIFERENCIAS FINITAS (FDM) Cambia ecuaciones diferenciales ecuaciones en diferencias finitas a Relaciona el valor de la variable dependiente en un punto a valores
Más detallesPrograma de estudios por competencias Seminario de solución de problemas de Inteligencia Artificial I
Programa de estudios por competencias Seminario de solución de problemas de Inteligencia Artificial I 1. Identificación del curso Programa educativo: Licenciatura en Ingeniería en Computación Unidad de
Más detallesCAPÍTULO Inteligencia Artificial y Redes Neuronales Artificiales
CAPÍTULO 1 INTRODUCCIÓN 1.1 Inteligencia Artificial y Redes Neuronales Artificiales Durante las últimas décadas se han ido desarrollando investigaciones importantes en el área de la inteligencia artificial.
Más detalles