VISIÓN POR COMPUTADOR

Transcripción

1 Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería de Sstemas y Automátca ISA-UMH

2 TÍTULO Segmentacón, localzacón y reconocmento de pezas OBJETIVO El obetvo de la práctca es mostrar al alumno un método para el reconocmento de varas pezas exstentes en el módulo servdor de mágenes, determnando las característcas más sgnfcatvas para dcho reconocmento. IMÁGENES DE PRUEBA Las mágenes de trabao son dversas mágenes reales, captadas del módulo servdor de mágenes. Están dsponbles en el bloque "Imágenes\CargarPráctcas\ImagenPráctca4" Hay que trabaar con dos conuntos de mágenes: Imágenes tomadas con la msma resolucón: 480x320. Para cada peza, se han tomado dversas mágenes con dcha resolucón, desplazando la poscón de "Gro" y "Elevacón" 10 undades con respecto a la poscón ncal, y cumplendo todas ellas la condcón de que se vsualce correctamente la peza sn que aparezcan en la magen los bordes de la caa. Se adqueren por cada peza al menos cnco mágenes. Imágenes tomadas con dstnta resolucón. A las pezas captadas prevamente, se han añaddo para cada peza dos nuevas mágenes: una tomada con resolucón 640x480 y otra tomada con resolucón 320x240.

3 La nomenclatura de las mágenes es nombre_x_r_y, donde nombre={"tornllo", "arandela", "tornllo alargado" y "tuerca"}, X es el tpo={1,2,3,4}, R es la resolucón horzontal, Y es el orden de muestra.. Posterormente y para comprobar el algortmo de reconocmento se tomarán mágenes reales del sstema Títere. ALGORITMOS UTILIZADOS Se emplean los sguentes algortmos: Lee las mágenes ya grabadas ("Imágenes/CargarPráctcas/ImagenPráctca4") Openng de una magen ("AlgortmosBN/Morfologa/Openng") Closng de una magen ("AlgortmosBN/Morfologa/Closng") Defnr un área de nterés en la magen ("Imágenes/Manpulacón/AreaInterés") Umbralzar una magen ("AlgortmosBN/Segmentacón/Otsu") Obtener la nversa de una magen ("AlgortmosBN/UnaImagen/Inversa") Determnacón de las característcas de los obetos exstentes en la magen ("AlgortmosBN/Blobs") DESCRIPCIÓN DE LA PRÁCTICA Los pasos a realzar son los sguentes: El alumno utlzará ncalmente las mágenes almacenadas en el programa. Adconalmente tomará mágenes reales desde el Servdor de Imágenes para comparar los resultados. Es recomendable repetr la práctca por separado para cada peza (así se evtan problemas de almacenamento de mágenes en la memora del computador). Las mágenes captadas deben de ser fltradas, para evtar el efecto del rudo, y tambén deben de ser homogenzadas, a fn de consegur zonas más homogéneas. Se recomenda la utlzacón consecutva de dos fltros: "Closng" y "Openng". Las mágenes reales suelen poseer algunas flas y columnas de nformacón no válda, por lo que es necesaro defnr una "Área de Interés", en el que por eemplo se le quten las 10 prmeras y últmas flas y columnas, rellenando esta zona con un valor neutro, por eemplo 128. A ésta magen fnal la denomnamos IMAGEN_TRABAJO. Para segmentar la peza dentro de la magen, se debe umbralzar con un nvel. Se recomenda utlzar el bloque se segmentacón automátca

4 Otsu. El resultado de este algortmo es una magen que vale 255 cuando se supera el umbral (el fondo) y de 0 cuando no se supera el umbral (el obeto). Para un adecuado tratamento de la nformacón es necesaro Invertr esta magen, desgnando con el valor 255 al obeto. Las característcas de los obetos presentes en la magen se realza medante el bloque "Blobs". Este algortmo agrupa y etqueta los pxels de la magen sumnstrando valores numércos de las característcas de los obetos presentes en la magen. Los obetos (o blobs) pueden ser agrupados de las sguentes formas: o Obtenendo todos los obetos presentes en la magen, cuyo tamaño supere un umbral (Esta opcón no es la recomendada, pues no modfca el panel de reconocmento). o Obtenendo el máxmo obeto presente en la magen. (Esta opcón es una de las recomendadas, pues s modfca el panel de reconocmento) o Obtenendo la unón de todos los obetos presentes en la magen, cuyo tamaño supere un umbral. (Esta opcón es una de las recomendadas pues s modfca el panel de reconocmento). Se recomenda un valor de 100 para el mínmo tamaño que debe tener un obeto. A fn de realzar un correcto almacenamento de los datos calculados es necesaro sumnstrarle al bloque nformacón de la peza y del expermento realzado (se almacenan sólo unos datos por cada peza y por cada expermento, perdéndose los anterores). El algortmo necesta dos mágenes: la prmera la magen segmentada (el obeto debe estar al valor 255), y la segunda una magen con nformacón de ntensdad (en este caso la IMAGEN_TRABAJO). El resultado vsual es una magen etquetada en la que se ndcan los obetos con su rectángulo envolvente, CDG, y ee prncpal de nerca.

5 Las característcas calculadas por el bloque, son las sguentes: o Área o Perímetro o Mínma X o Mínma Y o Máxma X o Máxma Y o Centro de gravedad ee X o Centro de gravedad ee Y o Relacón de compacdad o Excentrcdad o Valor del tnte (magen en color) o del nvel de grs (magen en blanco y negro). o Relacón Invarante 1 o Relacón Invarante 2 o Ee Prncpal de Inerca o Longtud o Anchura Estos datos se pueden vsualzar en la consola (botón con el símbolo )

6 En cualquer momento del desarrollo de la práctca se puede solctar nformacón de los datos de almacenamento al Panel de Reconocmento (Icono con una lnterna). Se representa para un determnado expermento de una determnada peza el valor de todas las característcas calculadas, así como para todos los expermentos de la peza selecconada la meda, la desvacón típca (supuesta una dstrbucón Gaussana) y el recorrdo de los datos. Es necesaro cuando se almacenado nuevos datos pulsar el botón "Actualza Datos". El botón "Borra Datos", borra los datos del expermento de la peza selecconada. El boton "Graba Datos" almacena en modo texto los datos almacenados que pueden ser mportados a Excel para su análss. El botón WEKA almacena los datos formateados para el programa WEKA (análss de datos y clasfcacón).

7 Generacón del "Coefcente de Separacón entre Clases para cada Característca". Este coefcente, que deberá ser realzado manualmente por el alumno, sumnstra nformacón de cómo dos Clases de obetos son separables con una determnada característca, adqurendo un mayor valor cuanto más separadas sean sus dstrbucones. Así para dos Clases, con dstrbucones Gaussanas en la característca : Se defne el Coefcente de Separacón entre las Clases, con la característca como: C MnDst 3 3 C 3 La característca más adecuada para separar dos obetos es la que maxmza el coefcente de separacón entre clases. Este coefcente puede ser postvo (dstrbucones no se solapan) o negatvo (dstrbucones se solapan). Se recomendo al alumno exportar los datos a un fchero de texto y utlzar el programa Excel para realzar el análss estadístco (medas, desvacones típcas, coefcentes de separacón entre clases)

8 MÉTODO DE EVALUACIÓN Apartado 1: El alumno deberá presentar un nforme con el esquema títere los datos en una tabla Excel y el análss de las dstntas característcas: Área, Perímetro, Compacdad, Nvel de Grs, Relacones nvarantes, que meor separan cada una de las pezas (tuerca, tornllo, tornllo largo, arandela), según el "Coefcente de Separacón entre Clases para cada Característca": 1) Imágenes de la msma resolucón: a) Peza 1 (tornllo) - Peza 2 (arandela) b) Peza 1 (tornllo) - Peza 3 (tornllo largo) c) Peza 1 (tornllo) - Peza 4 (tuerca) d) Peza 2 (arandela) - Peza 3 (tornllo largo) e) Peza 2 (arandela) - Peza 4 (tuerca) f) Peza 3 (tornllo largo) - Peza 4 (tuerca) 2) Imágenes con dstnta resolucón: a) Peza 1 (tornllo) - Peza 2 (arandela) b) Peza 1 (tornllo) - Peza 3 (tornllo largo) c) Peza 1 (tornllo) - Peza 4 (tuerca) d) Peza 2 (arandela) - Peza 3 (tornllo largo) e) Peza 2 (arandela) - Peza 4 (tuerca) f) Peza 3 (tornllo largo) - Peza 4 (tuerca)

9 Apartado 2: Exportar los datos al programa WEKA y realzar una análss completo bdmensonal de los datos utlzando dferentes clasfcadores: bayesanos,. 1) Seleccón de característcas: Dentro de WEKA, Entrando en Explorer y selecconando Open Fle cargaremos el fchero de datos.arff con los datos obtendos de para las cuatro pezas. En prncpo, no es necesaro realzar nngún preprocesado de los datos. A contnuacón, el alumno deberá elegr un conunto de característcas que le permtan separar convenentemente sus obetos. Para ello se utlzará la pestaña denomnada Select Attrbutes. WEKA es capaz de elegr las característcas que meor separan los datos, por eemplo, utlzando la opcón ChSquaredAttrbuteEval. Utlzando el menú Vsualze, podemos ver en detalle cómo se dstrbuyen los obetos en funcón de las característcas elegdas (de forma smlar a la práctca 4 de Vsón).

10

11 2) Dseño del clasfcador: Nos quedamos con las característcas elegdas en el menú anteror. Para ello, selecconamos las característcas elegdas en el menú Preprocess, ncluyendo el número asocado a cada obeto y, a contnuacón, lo guardamos con el nombre tranng.arff. Hacemos lo msmo con los datos de prueba (mágenes capturadas con el sstema Títere), guardándolos con el nombre test.arff. En el menú Classfy elegmos la opcón NaveBayes. En las opcones de datos de Test selecconamos Suppled test set donde ndcaremos el fchero con las datos obtendos para mágenes capturadas desde el sstema títere.