Modelos de iluminación Representación de imágenes

Transcripción

1 Modelos de iluminación Representación de imágenes Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas

2 Modelos de Iluminación

3 Luz Radiación electromagnética captada por el ojo humano.

4 Fuentes luminosas Cualquier objeto que emita energía radiante. - Fuente luminosa puntual. - direccional. - Fuente luminosa infinitamente distante.

5 Iluminación superficial Reflexión difusa: dispersión de la luz reflejada en todas las direcciones. Superficies rugosas, granulosas, mates. Reflexión especular: luz reflejada que se concentra en un resalte. Superficies brillantes.

6 Modelos de iluminación Ley del coseno de Lambert: La intensidad luminosa reflejada en cualquier dirección desde una superficie perfectamente difusiva varía con el coseno del ángulo entre la dirección de la luz incidente y el vector normal a la superficie.

7 Modelos de iluminación Modelo de reflexión difusa (Lambertiano). Asume que las superficies difusivas obedecen la ley del coseno (superficies Lambertianas).

8 Modelos de iluminación Modelo de reflexión difusa (Lambertiano).

9 Modelos de iluminación Modelo de reflexión especular (de Phong). Adicionar reflexiones especulares.

10 Modelos de iluminación Modelo de reflexión especular (de Phong).

11 Sombreado Objetos bloquean la fuente de luz, generando sombras.

12 Múltiples reflexiones Iluminación de un objeto no depende sólo de la fuente de luz, sino de las reflexiones en objetos cercanos.

13 Modelos de iluminación

14 Teoría del Color

15 Colores espectrales

16 Percepción del Color Trichromatic cone cells respond positively to one of three frequencies exhibited by photons arriving on their surface. The three color channels are discovered by nearby opponent cells. Opponent cells tuned to luminosity are excited by the red, green, and blue color signals. Cg cells are excited by red and blue and inhibited by green. Cb cells are excited by red and green and inhibited by blue.

17 Percepción del Color ser:sobotka/color_management

18 Descripción del Color Tres atributos: - Brillo o luminosidad: oscuro vs claro, blanco vs negro. - Saturación: intenso vs pálido. - Matiz: rojo, naranja, amarillo, verde, azul, morado. gures/2013/08/05/subtleties-of-color-part-1-of-6/

19 Descripción del Color Primarios estándar (imaginarios).

20 Modelos de Color Modelo abstracto matemático que describe la manera de representar los colores como tuplas de números (3 o 4 componentes). RGB: Red, Green, Blue colores aditivos. YIQ: Luminancia crominancia. YCrCb: Luminancia crominancia (rojo, azul). HSV: Hue, Saturation, Value. HSL: Hue, Saturation, Lightness. CMYK: Cyan, Magenta, Yellow, Black colores substractivos.

21 Modelo RGB Utilización de los colores aditivos (Rojo, Verde, Azul) para estimular los receptores visuales. Así capturan la mayor parte del espacio de color visible por los humanos. en.wikipedia.org/wiki/rgb_color_model

22 Modelo YIQ Luminancia Crominancia.

23 Modelo YCrCb Luminancia Crominancia (dif. rojo, dif. Azul).

24 Modelos HSV y HSL Representación en coordenadas cilíndricas de puntos del modelo de color RGB. Intentan ser más intuitivos y perceptualmente relevantes: Ángulo alrededor del eje central vertical es el Matiz (Hue, color). Distancia al eje central es la Saturación (Saturation, cantidad de color). Distancia a lo largo del eje central es el Valor o el Brillo (Value o Lightness, oscuro o claro).

25 Modelos HSV y HSL en.wikipedia.org/wiki/hsl_and_hsv

26 Modelo CMYK Modelo de color substractivo, usado en la impresión (no tanto en visualización). Toma su nombre de las tintas utilizadas: Cyan, Magenta, Yellow y Key (black). en.wikipedia.org/wiki/cmyk_color_model

27 Representación de Imágenes

28 Adquisición de imágenes Transformar energía en imágenes digitales. R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

29 Adquisición de imágenes Array sensor R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

30 Adquisición de imágenes R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

31 Adquisición de imágenes Convertir datos continuos en valores digitales. Muestreo (sampling): Tomar muestras sólo en ciertas posiciones espaciales (coordenadas). Cuantificación (quantization): Restringir el valor (amplitud) de la muestra a unos pocos valores posibles.

32 Adquisición de imágenes R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

33 Representación de imágenes I = f(x,y), con x = 0,1,2,...,M 1 y y = 0,1,2,...,N 1. R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

34 Representación de imágenes I = f(x,y), con x = 0,1,2,...,M 1 y y = 0,1,2,...,N 1. R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

35 Representación de imágenes I = f(x,y), con x = 0,1,2,...,M 1 y y = 0,1,2,...,N 1. Picture elements: pixels R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

36 Representación de imágenes Cuantificación: valores de intensidad como potencias enteras de 2 (L = 2k, [0 L 1]) R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

37 Representación de imágenes Cuantificación: valores de intensidad como potencias enteras de 2 (L = 2k, [0 L 1]) R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

38 Representación de imágenes Cuantificación: valores de intensidad como potencias enteras de 2 (L = 2k, [0 L 1]) R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

39 Representación de imágenes Cuantificación: valores de intensidad como potencias enteras de 2 (L = 2k, [0 L 1]). 4 2 R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

40 Representación de imágenes Rango dinámico: el rango de valores usados para representar la información. El límite superior se determina por saturación, valores superiores se reemplazan por el máximo. El valor inferior se determina por ruido, pues enmascara los valores reales inferiores. El número de bits necesarios para almacenar la imagen se calcula como: b = M N k

41 Representación de imágenes Color: una imagen (canal) por cada color base.

42 Representación de imágenes Resolución: medida del detalle más pequeño discernible en una imagen. Pixeles por unidad de distancia (dots per inch, dpi).

43 Pausa activa

44 Trabajo en clase ITK: Insight Toolkit

45 Trabajo en clase Instalación de ITK ighttoolkit tar.gz/download sudo mkdir /usr/local/itk sudo mv Ins*.tar.gz /usr/local/itk cd /usr/local/itk sudo tar zxf InsightToolkit tar.gz sudo mkdir bin cd bin sudo cmake../insighttoolkit sudo make j16 sudo make install

46 Trabajo en clase Ejercicios con ITK visartif/docs/intro_itk.zip unzip intro_itk.zip cd intro_itk mkdir build cd build cmake.. make

47 Referencias R.C. González, R.E. Woods. Digital Image Processing, 3rd edition. Pearson Prentice Hall, M. Sonka, V. Hlavac, R. Boyle. Image Processing, Analysis, and Machine Vision, 3rd edition. Thomson Learning, D.A. Forsyth, J. Ponce. Computer Vision A Modern Approach, 2nd edition. Pearson Education, 2012.