Visión de Alto Nivel

Transcripción

1 Visión de Alto Nivel Dr. Luis Enrique Sucar INAOE ccc.inaoep.mx/~esucar Sesión 1 Introducción 1

2 Introducción 2

3 Qué es Visión? Visión es saber que hay y donde mediante la vista (Aristóteles) Visión es recuperar de la información de los sentidos propiedades válidas del mundo exterior (Gibson) Visión es un proceso que produce a partir de las imágenes del mundo una descripción que es útil para el observador y que no tiene información irrelevante (Marr) 3

4 Procesamiento de Imágenes IMAGEN PROCESAMIENTO IMAGEN Remover defectos, Remover problemas por movimiento o desenfoque, Mejorar ciertas propiedades como color, contraste, estructura, etc. Agregar colores falsos a imágenes monocromáticas 4

5 Ejemplo procesamiento 5

6 Visión Computacional IMAGEN VISIÒN DESCRIPCIÒN Determinar la identidad y localización de objetos en una imagen, Construir una representación tridimensional de un objeto. 6

7 Visión Computacional IMAGEN VISIÒN DESCRIPCIÒN Analizar un objeto para determinar su calidad, Descomponer una imagen u objeto en diferentes partes. 7

8 Ejemplo visión 8

9 Aplicaciones Robótica móvil y vehículos autónomos Manufactura Interpretación de imágenes aéreas Análisis de imágenes médicas Interpretación de escritura y dibujos Reconocimiento de personas, gestos y actividades Juegos 9

10 Aplicaciones Análisis de imágenes de microscopios y telescopios Compresión de imágenes para transmisión y almacenamiento Interfaces humano-computadora Seguridad Aplicaciones militares 10

11 Ejemplos de aplicaciones 11

12 Vehículos autónomos 12

13 Colores falsos (ultrasonido) 13

14 Aplicaciones médicas 14

15 Reconocimiento de gestos 15

16 Robótica móvil 16

17 Seguimiento y Juegos 17

18 Representación F X Y Monocromática: I=f(x,y) Color: f(x,y)=[f_{rojo}(x,y),f_{azul}(x,y),f_{verde}(x,y)] 18

19 Proyección Perspectiva y,y (X,Y,Z) (x,y) f Lens Z Por triángulos semejantes: y/f = Y/(F - Z) Por lo que: y=fy / (F - Z) En forma análoga: x=fx / (F - Z) 19

20 Reflectancia Fo Fp f DA ñ Luz incidente depende de 3 factores: Fuente lumínica Geometría (ángulo) Propiedades del objeto 20

21 Color Longitud de onda: nm Percepción del color: AZUL VERDE ROJO

22 Modelo RGB: Modelos de Color VERDE ROJO BLANCO AZUL 22

23 Modelo RGB: Modelos de Color 23

24 Modelos de Color Modelos perceptuales: Intensidad - I Croma (hue) - H Saturación - S CÚBICO BLANCO I R V H S NEGRO A 24

25 Modelos perceptuales: Intensidad - I Croma (hue) - H Saturación - S Modelos de Color 25

26 Digitalización de imágenes

27 Muestreo DIMENSIÓN FOURIER Frecuencia de muestreo: > 2 veces mayor frecuencia (teorema de Shannon) 27

28 Efectos de Muestreo (resolución) a b c d 28

29 Dispositivos de captura Cámaras fotográficas, Cámaras de televisión, Digitalizadores, Sensores de rango (laser), Sensores de ultrasonido, Rayos X, tomografía, Resonancia magnética. 29

30 Niveles de análisis Teoría computacional - Qué? Representación y algoritmo - Cómo - concepto? Implementación - Cómo - físico? 30

31 Niveles de análisis Procesamiento de nivel bajo Procesamiento de nivel intermedio Procesamiento de nivel alto óvalo 31

32 Ejemplo 1. Captura de la imagen 2. Mejoramiento de la imagen 3. Binarización 4. Detección de orillas 5. Segmentación 6. Extracción de características 7. Reconocimiento 32

33 Ejemplo: identificación de placas H 33

34 Visión de Nivel Bajo y Medio orillas textura color Imagen Segmentada 3-D 34

35 Visión de Nivel Alto orillas Representación del mundo textura color 3-D Imagen Segmentada Descripción simbólica 35

36 Visión de Alto Nivel Obtiene una interpretación consistente de las características obtenidas en visión de nivel bajo e intermedio Se basa en utilizar conocimiento de los objetos del dominio de interés En base al conocimiento y las características se realiza el reconocimiento 36

37 Aspectos básicos Representación - forma de modelar el mundo, en particular los objetos de interés para el sistema Reconocimiento - como el modelo y la descripción de la imagen(es) son utilizadas para identificar los objetos 37

38 Extracción de Características Basadas en segmentación Propiedades globales de la región como color, textura, forma Basadas en contornos Descripción de forma basada normalmente en modelos geométricos Basada en características locales Descripción mediante puntos distintivos como esquinas, orillas, Haar, Sift, etc. 38

39 Representaciones Propiedades vector de características Estructurales partes y sus relaciones Geométricas modelos en 2 o 3 dimensiones 39

40 Reconocimiento Técnicas de reconocimiento de patrones (representaciones vectoriales) Clasificadores, aprendizaje Métodos estadísticos Técnicas basadas en conocimiento (representaciones estructurales) Sistemas de reglas, redes semánticas, Modelos gráficos probabilistas 40

41 Reconocimiento Técnicas de alineamiento (representaciones geométricas) Transformaciones y apareamiento Grafos e isomorfismo 41

42 Ejemplo reconocer una persona Basado en características - globales Área, color, forma, 42

43 Ejemplo reconocer una persona Basado en características - locales [C1], [C2], [C3], 43

44 Ejemplo reconocer una persona Basado en una representación estructural cara brazo torso brazo pierna pierna 44

45 Ejemplo reconocer una persona Basado en alineamiento - contorno 45

46 Resto del Curso Breve repaso de visión de bajo nivel Orillas, textura, color Nivel Intermedio Segmentación Características globales Características locales 46

47 Resto del Curso Visión de alto nivel Modelos geométricos Modelos basados en conocimiento Modelos bayesianos Relaciones y gramáticas Aplicaciones Recuperación de imágenes por contenido Visión robótica 47

48 Referencias Sucar & Gómez: Cap. 1 Ullman: Cap. 1 y 2 Forsyth & Ponce: Cap. 1 48