Visión Artificial INSTITUTO POLITACNICO NACIONAL

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Visión Artificial INSTITUTO POLITACNICO NACIONAL"

Esteban Araya Guzmán
hace 8 años
Vistas:

1 INSTITUTO POLITACNICO NACIONAL UNIDAD PROFESIONAL INTERDICIPLINARIA EN INGENIERIA Y TECNOLOGIAS AVANZADAS. Esté modelo fue diseñado para obtener la ventaja del sistema de visión humano, que es más sensible a cambios de la reflectancia que a cambios de la saturación. Una de las ventajas y de la más importante del modelo YIQ en procesamiento de imágenes es la reflectancia y la información del color (I y Q) es que se pueden tratar por separado. Recordando que la reflectancia es proporcional a la cantidad de luz percibida por el ojo humano. VISION ARTIFICIAL. PRACTICA. 3. Desarrollo Experimental. Detección de piel. 1. Objetivo: Poder identificar en una imagen la piel de las personas. Para la detección de piel se utiliza la figura 4.1 con la que se obtuvieron los parámetros para la detección de piel Lo primero que se realiza es leer la imagen prueba (figura 4.1). Después se cambia al del espacio de color RGB a Ycbcr, el resultado se puede ver en la imagen Marco Teórico El modelo YIQ se usa en la TV comercial. Esté modelo de color se puede obtener a través de una combinación de los valores del modelo RGB como se muestra en 3.1. [ ] [ ] [ ] (3.1) 1

2 Figura 4. 1: Imagen prueba. Figura 4. 2: Imagen prueba en el espacio de color Ycbcr. 2

3 Visión Artificial 3.2. De la imagen en formato Ycbcr (Figura 4.2) se obtienen el valor de algunos pixeles de la piel de la capa cb y cr. Para este caso fueron. ( ) ( ) (4.3) cb = [ ] cr = [ ] Dónde: s, representa la desviación estándar. p, representa al pixel de entrada Después se calculó la media y la varianza utilizando las ecuaciones 4.1 y 4.2 respectivamente. (4.1) 6. Resultados obtenidos. En la figura 6.1 se muestra la fotografía del sujeto prueba y en la imagen 6.2 se muestra el resultado obtenido (imagen segmentada). ( ) (4.2) Dónde: n, representa el número de muestras., es la varianza 3.4. Con estos valores se puede obtener la función de densidad (ecuación 4.3) la cual se utiliza para detectar si el pixel que se introduce es piel. 3

4 Figura 6. 1: Imagen del sujetó prueba Figura 6. 2: Imagen segmentada 4

5 7. Conclusiones Se logró segmentar la piel por este método aunque cabe destacar que solo se pueden segmentar las piel de la misma tonalidad o tonalidades similares, ya que al variar la tonalidad de la piel los valores de la media aritmética y la varianza son distintos para cada caso por lo que ya no reconocería a un pixel como piel. 8. Bibliografía Digital Image Processing using matlab Rafael C. Gonzalez, Richard E. Woods, Steven L. Eddins Prentice Hall, 2004 Vision por Computadora: Imágenes digitales y aplicaciones Gonzalo Pajares, Jesus M. de la Cruz Alfaomega, Anexo (Códigos de matlab ) *** Codigo 01 (Leer imagen y cambiar al espacio de color Ycbcr) *** clc, clear all, close all; ima01 = uint8(imread('c:\users\rolando\documents\upiita\ser vicio Social\Practica-piel\Ima01.jpg')); figure,imshow(ima01); [a,b,c] = size(ima01); ima02 = rgb2ycbcr(ima01); figure,imshow(ima02); *** Codigo 02 (Encontrar la media aritmética y desviación estandar) *** clc, clear all, close all; dcb = [ ]; dcr = [ ]; [acb ncb] = size(dcb); [acr ncr] = size(dcr); % Media mcb = sum(dcb)/ncb mcr = sum(dcr)/ncr % Desviacion Estandar sumacb = 0; for i = 1:ncb sumacb = (dcb(1,i) -mcb)^2+sumacb; scb = sqrt(sumacb/(ncb-1)) sumacr = 0; for i = 1:ncr sumacr = (dcr(1,i) -mcr)^2+sumacr; 5

6 scr = sqrt(sumacr/(ncr-1)) fcb = zeros(1,ncb); for i = 1:ncb pcb = dcb(1,i); q1 = scb*sqrt(2*pi); w1 = 1/q1; e1 = (pcb-mcb)/scb; r1 = (-1/2)*e1^2; fcb(1,i) = w1*exp(r1); minfcb = min(fcb) maxfcb = max(fcb) fcr = zeros(1,ncb); for i = 1:ncr pcr = dcr(1,i); q2 = scr*sqrt(2*pi); w2 = 1/q2; e2 = (pcr-mcr)/scr; r2 = (-1/2)*e2^2; fcr(1,i) = w2*exp(r2); minfcr = min(fcr) maxfcr = max(fcr) *** Codigo 03 (Realiza segmentación de piel) *** clc, clear all, close all; mcb = 106; scb = ; mcr = ; scr = ; ima01 = uint8(imread('c:\users\...\ima02.jpg')); figure, imshow(ima01); [a,b,c] = size(ima01); ima02 = rgb2ycbcr(ima01); bin = zeros(a,b); for i = 1:a for j= 1:b pcb = double(ima02(i,j,2)); q1 = scb*sqrt(2*pi); w1 = 1/q1; e1 = (pcb-mcb)/scb; r1 = (-1/2)*e1^2; fcb = w1*exp(r1); pcr = double(ima02(i,j,3)); q2 = scr*sqrt(2*pi); w2 = 1/q2; e2 = (pcr-mcr)/scr; r2 = (-1/2)*e2^2; fcr = w2*exp(r2); if(fcr > && fcb > ) if(fcr < && fcb < ) bin(i,j) = 1; 6

7 %Eliminar ruido test = [1 1 1; 1 1 1; 1 1 1]; bin = imerode(bin,test); bin = bwareaopen(bin,2500); figure, imshow(bin) 7

Documentos relacionados

PROCESAMIENTO DE IMÁGENES DIGITALES

PROCESAMIENTO DE IMÁGENES DIGITALES 1 4 º C U R S O D E G R A D O I N G E N I E R Í A I N F O R M Á T I C A - T E C N O L O G Í A S I N F O R M Á T I C A S O P T A T I V A ( C U A T R I M E S T R E 1 )