Apéndice A: Funciones del programa LightPAP
|
|
- Ricardo Soriano Gil
- hace 6 años
- Vistas:
Transcripción
1 Apéndice A: Funciones del programa LightPAP A continuación se van a explicar las funciones principales que se han desarrollado para esta aplicación. 1 calcula_prop.m function [nc,cv,posicion,tinta,saturacion,luminancia] = calcula_prop (im_celula, im_nucleo,n_nucleos,celula_color) im_celula: matriz que contiene la imagen de la célula segmentada. im_nucleo: matriz que contiene la imagen del núcleo segmentado. n_nucleos: número de núcleos detectados en la célula. celula_color: matriz 3D que contiene la imagen de la célula a color segmentada. nc: Valor de la relación núcleo/citoplasma. cv: Valor del coeficiente de variación del núcleo. posicion: Valor del coeficiente de variación del núcleo. tinta: Valor de parámetro de color tinta. saturacion: Valor del parámetro de color saturación. 1
2 luminancia: Valor del parámetro de color luminancia. Esta función calcula los parámetros que relacionan el núcleo con el citoplasma y que se detallan en el apartado Error! No se encuentra el origen de la referencia.. 2 citoplasma.m function varargout = citoplasma(varargin) varargout{1} = Bandera que indica si se desea calcular el área (bien de la célula, bien varargout{2} = Bandera que indica si se desea calcular el área convexa (bien de la célula, bien varargout{3} = Bandera que indica si se desea calcular el centroide (bien de la célula, bien varargout{4} = Bandera que indica si se desea calcular la excentricidad (bien de la célula, bien varargout{5} = Bandera que indica si se desea calcular el eje mayor (bien de la célula, bien varargout{6} = Bandera que indica si se desea calcular el eje menor (bien de la célula, bien varargout{7} = Bandera que indica si se desea calcular la solidez (bien de la célula, bien 2
3 varargout{8} = Bandera que indica si se desea calcular el valor medio de intensidad y su desviación típica en el interior (bien de la célula, bien varargout{9} = Bandera que indica si se desea calcular el perímetro (bien de la célula, bien varargout{10} = Bandera que indica si se desea calcular el valor medio de intensidad y su desviación típica en el borde (bien de la célula, bien varargout{11} = Bandera que indica si se desean calcular todos los parámetros definidos (bien de la célula, bien Archivo.m para la creación de la pantalla citoplasma.fig. En esta ventana el usuario puede elegir las propiedades de la célula o del núcleo que desea que se calculen. 3 crear_matriz_xls.m Function[matrix_xls]=crear_matriz_xls(prop_cell,area,areac, centroid,ejemayor,ejemenor,solid,int,perim,excentric, int_borde,celula,bordes,nucleos,esnucleo) prop_cell = estructura de propiedades de la célula obtenidas con regionprops. area = Bandera que indica si se desea calcular el área (bien de la célula, bien del núcleo). 3
4 areac = Bandera que indica si se desea calcular el área convexa (bien de la célula, bien centroid = Bandera que indica si se desea calcular el centroide (bien de la célula, bien ejemayor = Bandera que indica si se desea calcular el eje mayor (bien de la célula, bien ejemenor = Bandera que indica si se desea calcular el eje menor (bien de la célula, bien solidez = Bandera que indica si se desea calcular la solidez (bien de la célula, bien del núcleo). int = Bandera que indica si se desea calcular el valor medio de intensidad y su desviación típica en el interior (bien de la célula, bien perim = Bandera que indica si se desea calcular el perímetro (bien de la célula, bien del núcleo). excentric = Bandera que indica si se desea calcular la excentricidad (bien de la célula, bien int_borde = Bandera que indica si se desea calcular el valor medio de intensidad y su desviación típica en el borde (bien de la célula, bien celula = Matriz que contiene la imagen de la célula segmentada, con los valores que no pertenecen a la célula a cero. bordes = Matriz que contiene la imagen de bordes que marcan los límites de segmentación de la célula. nucleos = Matriz que contiene una imagen máscara con los núcleos detectados marcados a uno lógico. 4
5 esnucleo = Vale 1 cuando es llamado para calcular los parámetros del núcleo y 0 cuando lo es para el citoplasma. matrix_xls = vector que almacena los parámetros calculados. Almacena en un vector los valores ordenados de los parámetros calculados. Cuando no se calcula un parámetro (porque el usuario decida que no es necesario), el valor por defecto es cero. 4 fanalizacell.m function [celula,nucleos,n_nucleos,bw]=fanalizacell(l,aproc, prop_region,nucleo_max,nucleo_min,ex_limit) L = Matriz con la imagen de bordes resultado de una segmentación. Imagen de regiones. Aproc = Matriz con la imagen preprocesada. prop_region = Propiedades de la región que estamos estudiando. nucleo_max = Valor del tamaño máximo de un núcleo en pixeles. nucleo_min = Valor del tamaño máximo de un núcleo en pixeles. ex_limit = Valor límite de circularidad de un núcleo 5
6 celula = matriz con la imagen de la célula segmentada. nucleos = matriz con la imagen binaria indicando la posición de los núcleos. n_nucleos = valor del número de núcleos detectados en una célula. BW = matriz con la imagen binaria indicando la segmentación de la célula. Vale uno donde la región corresponde a la célula y cero donde no. Esta función recorta la célula y ajusta la ventana al tamaño de la misma y asigna las propiedades de la célula. Además detecta los núcleos y crea una máscara para segmentar los núcleos. 5 fcelulas.m function L = fcelulas(mask,im_gray,umbral_nucleo,se_nucleo) mask = matriz con la imagen de máscara de regiones. im_gray = matriz con la imagen prerpocesada en escala de grises. umbral_nucleo = valor para segmentar los marcadores. se_nucleos = tamaño del elemento estructural para aumentar el tamaño de los marcadores. 6
7 L = matriz con la imagen de regiones segmentada por Watershed. Esta función aplica la segmentación Watershed con marcadores explicada en apartados anteriores. 6 fpreprocesado.m function Aproc = fpreprocesado(a,color,media,mediana,histo, realce,alpha,size) A = Imagen que se desea procesar. color = Plano de la imagen con la que se va a trabajar. Vale 2 si la imagen la queremos en escala de grises; 3 si cogemos el plano rojo, 4 si el plano verde, y 5 si el plano azul. media = Bandera para el filtro de la media. mediana = Bandera para el filtro de la mediana. histo = Bandera para la ecualización adaptativa de histograma. realce = Bandera para el filtro de realce de bordes. alpha = Parámetro variable para el filtro de realce de bordes. size = Tamaño del filtro. 7
8 Aproc = Imagen procesada con los parámetros indicados. posteriores. Aplica la fase de preprocesado a la imagen, la prepara para los pasos 7 fregiones.m function BW = fregiones(a,umbral,tam_min,flagbordes,radio1) A = Imagen en 2D preparada. Salida de preprocesado. umbral = Umbral para segmentar las regiones de interés del fondo. tam_min = Para eliminar las regiones por debajo de este tamaño. flagbordes = Elige entre dos tipos de detección de bordes: Sobel y Prewitt. radio1 = Determina el tamaño del elemento morfológico que se va a usar en las operaciones. BW = Máscara que elimina el fondo de la imagen, dejando sólo las regiones de interés. 8
9 Esta función detecta automáticamente la región de interés de una imagen, eliminando el fondo. Crea una máscara que aplicada a la imagen elimina las regiones no deseadas. 8 pap.m function varargout = pap(varargin) Fichero.m para la creación de la aplicación pap.fig. Esta pantalla es la ventana principal de programa, donde el usuario puede cargar las imágenes que desee analizar, puede modificar los parámetros y aplicar procesados sobre las imágenes, y a la vez visualizar los resultados. 9 salir.m function varargout = salir(varargin) Fichero.m para la creación del cuadro de diálogo salir.fig. 9
10 Funciones del programa HighPAP A continuación se van a explicar las funciones principales que se han desarrollado para esta aplicación. 1 calculo_lmpx.m function varargout = calculo_lmpx(varargin) Argumentos de Entrada varargin: imagen sobre la cual queremos calcular la resolución. Debe estar en escala de grises. Argumentos de Salida varargout: devuelve el valor numérico de la resolución calculada. Abre una pequeña interfaz que calcula la resolución de la imagen fijando dos puntos sobre la misma e indicando la distancia real entre estos. 2 fpreprocesado.m function sprocess = fpreprocesado(soptions) 10
11 Argumentos de Entrada soptions: estructura que contiene la imagen a procesar y los parámetros de preprocesado. Contiene los siguientes campos: image: que contiene la imagen que se quieres procesar. ncolor: que contiene el plano de color con el que se va a trabajar. nflagmedia: bandera que está a 1 cuando se desea aplicar un filtro de media. nflagmedian: bandera que está a 1 cuando se desea aplicar un filtro de mediana. nflaghisto: bandera que está a 1 cuando se desea aplicar una ecualización de histograma. nflagunsharp: bandera que está a 1 cuando se desea aplicar un filtro de realce de bordes. nalpha: valor del parámetro para realce de bordes. nsizefilter: tamaño del filtro de ruido. Argumentos de Salida sprocess: estructura que devuelve la imagen procesada y mensajes de error en caso de que los haya. 3 calcula_prop.m function [nc,cv,posicion,tinta,saturacion,luminancia] = calcula_prop (im_celula, im_nucleo,n_nucleos,celula_color) 11
12 im_celula: matriz que contiene la imagen de la célula segmentada. im_nucleo: matriz que contiene la imagen del núcleo segmentado. n_nucleos: número de núcleos detectados en la célula. celula_color: matriz 3D que contiene la imagen de la célula a color segmentada. nc: Valor de la relación núcleo/citoplasma. cv: Valor del coeficiente de variación del núcleo. posicion: Valor del coeficiente de variación del núcleo. tinta: Valor de parámetro de color tinta. saturacion: Valor del parámetro de color saturación. luminancia: Valor del parámetro de color luminancia. Esta función calcula los parámetros que relacionan el núcleo con el citoplasma y que se detallan en el apartado Error! No se encuentra el origen de la referencia.. 4 crear_matriz_xls.m function [matrix_xls]=crear_matriz_xls(prop_cell,area,areac,centroid,... ejemayor,ejemenor,solid,int,perim,excentric,int_borde,celula,bordes,... nucleos,esnucleo) 12
13 prop_cell = estructura de propiedades de la célula obtenidas con regionprops. area = Bandera que indica si se desea calcular el área (bien de la célula, bien del núcleo). areac = Bandera que indica si se desea calcular el área convexa (bien de la célula, bien centroid = Bandera que indica si se desea calcular el centroide (bien de la célula, bien ejemayor = Bandera que indica si se desea calcular el eje mayor (bien de la célula, bien ejemenor = Bandera que indica si se desea calcular el eje menor (bien de la célula, bien solidez = Bandera que indica si se desea calcular la solidez (bien de la célula, bien del núcleo). int = Bandera que indica si se desea calcular el valor medio de intensidad y su desviación típica en el interior (bien de la célula, bien perim = Bandera que indica si se desea calcular el perímetro (bien de la célula, bien del núcleo). excentric = Bandera que indica si se desea calcular la excentricidad (bien de la célula, bien int_borde = Bandera que indica si se desea calcular el valor medio de intensidad y su desviación típica en el borde (bien de la célula, bien celula = Matriz que contiene la imagen de la célula segmentada, con los valores que no pertenecen a la célula a cero. 13
14 bordes = Matriz que contiene la imagen de bordes que marcan los límites de segmentación de la célula. nucleos = Matriz que contiene una imagen máscara con los núcleos detectados marcados a uno lógico. esnucleo = Vale 1 cuando es llamado para calcular los parámetros del núcleo y 0 cuando lo es para el citoplasma. matrix_xls = vector que almacena los parámetros calculados. Almacena en un vector los valores ordenados de los parámetros calculados. Cuando no se calcula un parámetro (porque el usuario decida que no es necesario), el valor por defecto es cero. 5 buscaroi.m function BW = fregiones(a,umbral,tam_min, radio1) A = Imagen en 2D preparada. Salida de preprocesado. umbral = Umbral para segmentar las regiones de interés del fondo. tam_min = Para eliminar las regiones por debajo de este tamaño. radio1 = Determina el tamaño del elemento morfológico que se va a usar en las operaciones. 14
15 BW = Máscara que elimina el fondo de la imagen, dejando sólo las regiones de interés. Esta función detecta automáticamente la región de interés de una imagen, eliminando el fondo. Crea una máscara que aplicada a la imagen elimina las regiones no deseadas. 6 FindMarks.m function smarks = FindMarks (soptions) soptions: estructura que contiene los siguientes campos image: La imagen que se quiere procesar ntipo: el tipo de operación morfológica que se desea hacer nsetam: tamaño del elemento morfológico smarks: estructura que contiene los siguientes campos image: la imagen de marcadores obtenida ctipo: cadena de caracteres con el filtrado aplicado Esta función encuentra máximos locales sobre una imagen en escala de grises previamente filtrada. 15
16 7 Region_grow2.m function [seg]=region_grow2(im,seg,criterion,connectivity) im: imagen en escala de grises sobre la que tengo que hacer la segmentación. seg: imagen binaria con las regiones semilla necesarias para la segmentación por crecimiento de región. criterion: umbral que sirve de criterio para admitir un pixel en una región. connectivity: conectividad del crecimiento de región. Puede valer 4 y 8. nucleos_final: imagen binaria con el resultado de la segmentación. Función que partiendo de unas regiones semilla, añade píxeles conectados que cumplen un criterio de intensidad fijado por el usuario de la aplicación. 8 pap.m function varargout = pap(varargin) Fichero.m para la creación de la aplicación pap.fig. Esta pantalla es la ventana principal de programa, donde el usuario puede cargar las imágenes que desee analizar, 16
17 puede modificar los parámetros y aplicar procesados sobre las imágenes, y a la vez visualizar los resultados. 9 SegWatershed.m function L = SegWatershed(mask,im_gray,marcadores,tipo,tipofiltro) mask: máscara de ROI calculada previamente. im_gray: imagen a segmentar en escala de grises. marcadores: imagen binaria con los marcadores necesarios para la segmentación Watershed. tipo: se han implementado dos tipos de transformada Watershed. La primera toma como entrada la imagen original (en escala de grises); y la segunda la imagen gradiente. tipofiltro: en el caso de que se tome como entrada a la transformada la imagen gradiente, este parámetro especifica el tipo de filtro usado para calcular el gradiente. L: imagen binaria con el resultado de la segmentación. Aplica el algoritmo de Watershed con marcadores para segmentar la imagen de entrada. 17
18 10 SegGradient.m function nucleos_final = SegGradient (soptions) soptions: estructura que contiene los siguientes campos: image: Imagen que se desea segmentar. ntypefilter: especifica el tipo de filtro usado para calcular el gradiente. numbral: umbral de segmentación del gradiente. nucleos_final: imagen binaria con el resultado de la segmentación. Segmenta la imagen de entrada umbralizando el gradiente de la imagen. 11 nucleos_final.m function nucleos_final = selec_nucleos(nucleoseg,flag_circ,flag_tam, MIN,MAX,CIRC) nucleoseg: Imagen binaria con la segmentación de los núcleos. flag_circ: Flag para filtro de circularidad. Cuando está a 1 se le pasa el filtro. flag_tam: Flag para filtro de tamaño. Cuando está a 1 se le pasa el filtro. 18
19 MIN: Umbral inferior de tamaño. MAX: Umbral superior de tamaño. CIRC: Umbral para el filtro de circularidad. nucleos_final: Imagen binaria de los núcleos segmentados que han pasado el filtro. Filtra las regiones segmentadas que no cumplan con unas características definidas a priori para un núcleo. 12 salir.m function varargout = salir(varargin) Fichero.m para la creación del cuadro de diálogo salir.fig. 19
ANALISIS Y DETERMINACIÓN DE PROPIEDADES EN IMÁGENES DE CITOLOGÍA
6. Guía de usuario En este apartado se va a explicar el funcionamiento de la aplicación desarrollada, con sus distintas opciones y posibilidades. A la vez, se irá mostrando el proceso de ajuste de parámetros
Más detalles5. Software desarrollado
5. Software desarrollado Como ya se ha señalado, en el desarrollo de este proyecto se ha creado una herramienta que ayuda al diagnóstico de cáncer de cérvix. Esta herramienta calcula una serie de parámetros
Más detalles7. Ejemplos con LightPAP
7. Ejemplos con LightPAP La herramienta creada se ha testado con una secuencia de siete imágenes de citologías muy diferentes entre sí. Estas imágenes han sido proporcionadas por un grupo de investigación
Más detallesFILTRO DE COLOR FUZZY BASADO EN EL HISTOGRAMA PARA LA RESTAURACIÓN DE IMÁGENES. Jesús López de la Cruz Grupo 10
FILTRO DE COLOR FUZZY BASADO EN EL HISTOGRAMA PARA LA RESTAURACIÓN DE IMÁGENES Jesús López de la Cruz Grupo 10 Problema Soluciones anteriores Algoritmo HFC Explicación visual Problema Tenemos una imagen
Más detallesIngeniería en Informática
Ingeniería en Informática Procesamiento de Imágenes Digitales 1 a convocatoria oficial, curso 2008-2009 APELLIDOS: NOMBRE: En las preguntas tipo test cada respuesta correcta puntúa 0.5 puntos, mientras
Más detallesContenido. Capítulo 1. Capítulo 2. Capítulo 3. Prólogo
Contenido Prólogo XIII Capítulo 1 Acerca del procesamiento de imágenes 1 1.1 Introducción 2 1.2 Sistema de visión y procesamiento de imágenes 2 1.3 Procesamiento digital de imágenes 3 1.4 Relaciones básicas
Más detallesNota: se pueden usar funciones de Matlab para filtrado de imágenes. Se dará importancia al tiempo de cómputo de los métodos.
Procesamiento Digital de Imágenes TAREAS UNIDAD 5 Entregar el 4 de agosto Tarea 1. Métodos de umbralado global y local Implementar en Matlab los siguientes cinco métodos de umbralado global: Rosenfeld,
Más detallesPorqué analizar imágenes?
Porqué analizar imágenes? Medidas que requieren estudiar un número demasiado elevado de imágenes. Análisis cuantitativo: La visión humana no cuantifica por si sola. El análisis automático es más repetitivo
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 detallesTema 5: SEGMENTACIÓN (I) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (I) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación 2 El propósito de la segmentación de imágenes consiste en dividir una imagen en regiones significativas con respecto
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 detallesAnálisis de imágenes biomédicas
Análisis de imágenes biomédicas Formación de la imagen a partir de una fuente externa β Objeto irradiado γ Dominio del objeto Sistema de formación de la imagen h x y Imagen Sección seleccionada z Dominio
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 detallesRECONOCIMIENTO DE MENSAJES EN CÓDIGO BRAILLE MEDIANTE TÉCNICAS DE PROCESADO DE IMÁGENES
PROCESAMIENTO DE IMÁGENES DIGITALES RECONOCIMIENTO DE MENSAJES EN TRABAJO REALIZADO POR: MANUEL CASAS ALAMINOS FRANCISCO JAVIER IGLESIAS RUIZ CURSO: 2013/2014 ÍNDICE: 1. INTRODUCCIÓN 2. PREPROCESADO 3.
Más detallesMODELO FUNCIONAL DEL SISTEMA
APENDICE A: MODELO FUNCIONAL DEL SISTEMA 102 APENDICE A MODELO FUNCIONAL DEL SISTEMA A.1. Descripción del proyecto El Sistema Reconocedor de Partituras Musicales (S.R.P.M.) es un sistema que analiza partituras
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesMorfología matemática en color para el análisis de imágenes neuronales
INFORME TÉCNICO VC-6-2005 Morfología matemática en color para el análisis de imágenes neuronales (Realizado por Francisco Ortiz Zamora Profesor Titular de Escuela Universitaria, Universidad de Alicante)
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesProcesamiento Digital de Imágenes
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 14 Procesamiento Espacial en Color De manera similar al procesamiento espacial de imágenes en escala de gris, las imágenes RGB pueden ser procesadas
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 14
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 14 Procesamiento Espacial en Color De manera similar al procesamiento espacial de imágenes en escala de gris, las imágenes RGB pueden ser procesadas
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 detallesCapítulo 4 IMPLEMENTACIÓN EN MATLAB DEL MÉTODO LIVE WIRE
34 Capítulo 4 IMPLEMENTACIÓN EN MATLAB DEL MÉTODO LIVE WIRE En este capítulo se explicará el funcionamiento del programa realizado en MATLAB que implementa el método de segmentación Live Wire tratado en
Más detallesDetección de bordes en una imagen.
Detección de bordes en una imagen. Departamento de Ingeniería electrónica, Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática OBJETIVOS: Utilizar distintas máscaras empleadas para
Más detallesOrden de las clases...
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 18 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 18
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 18 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesProcesamiento de Imágenes. Prof. Alexandra La Cruz, PhD
Procesamiento de Imágenes Prof. Alexandra La Cruz, PhD alacruz@ldc.usb.ve Contenido Conceptos básicos Modelo de una imagen Procesamiento digital de imágenes Operaciónes básicas Convolución Filtros Segmentación
Más detallesPROCESAMIENTO DIGITAL DE IMÁGENES
PROCESAMIENTO DIGITAL DE IMÁGENES Nombre de la materia: Procesamiento Digital de Imágenes Profesor: Dr. Wilfrido Gómez Flores Número de horas: 60 horas (4 horas semanales). Sitio web: http://www.tamps.cinvestav.mx/~wgomez/teaching.html
Más detallesPROCESAMIENTO DE IMÁGENES CON TITERE
www. PROCESAMIENTO DE IMÁGENES CON TITERE PAUTA Programa de mejora de las enseñanzas Prácticas basadas en el AUToAprendizaje 20/03/01 Proyecto TITERE 1 PROYECTO TITERE 1. Introducción. 2. Descripción del
Más detallesPROCESAMIENTO DE IMÁGENES CON TITERE
www. Proyecto TITERE PROCESAMIENTO DE IMÁGENES CON TITERE Realización de prácticas de laboratorio en puestos de trabajo remotos mediante la Transmisión de Imágenes REales por InTErnet PAUTA Programa de
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 detallesProcesamiento Avanzado de Imágenes Astronómicas. Filtrado Espacial
Procesamiento Avanzado de Imágenes Astronómicas Filtrado Espacial Fundamentos filtrar implica retener o remover ciertas componentes de la imagen. el filtrado se hace utilizando kernels (máscaras, ventanas,
Más detallesSegmentación de Imágenes Parte 2
Segmentación de Imágenes Parte 2 Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Parcial - respuestas Descripción del Color Tres atributos: - Brillo
Más detallesPreguntas tema 4: MORFOLOGÍA
Preguntas tema 4: MORFOLOGÍA 1 I N G E N I E R Í A I N F O R M Á T I C A C U R S O 2 0 1 3-2 0 1 4 MORFOLOGÍA BINARIA 2 Ejemplo clausura: Corrección de texto escaneado - Imagen original: texto escaneado
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Transformada watershed CONCEPTOS BÁSICOS En la morfología matemática, se define una técnica de segmentación basada en regiones denominada transformada
Más detallesExamen correspondiente a la evaluación alternativa. Procesamiento de imágenes digitales curso 2007/2008
Examen correspondiente a la evaluación alternativa Procesamiento de imágenes digitales curso 2007/2008 Cada respuesta correcta puntúa 0.25. Cada respuesta incorrecta puntúa -0.05. 1. Cuál de las siguientes
Más detallesManual del Usuario para el programa de reconocimiento de caracteres.
Manual del Usuario para el programa de reconocimiento de caracteres. Instalación. El software no tiene programa de instalación, solo es necesario copiar el ejecutable al directorio donde usted desee. Y
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 detallesFundamentos de Visión por Computador
Fundamentos de Visión por Computador Sistemas Informáticos Avanzados Índice Introducción Conectividad Operaciones matemáticas básicas OR AND NOT XOR Operadores morfológicos Dilatación Erosión Cierre Apertura
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
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 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 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 detallesConceptos Básicos para el Procesamiento Digital de Imágenes
ELO 313 Procesamiento Digital de Señales con Aplicaciones Conceptos Básicos para el Procesamiento Digital de Imágenes Matías Zañartu, Ph.D. Departamento de Electrónica Universidad Técnica Federico Santa
Más detallesSegmentación de imágenes. Procesamiento de imágenes biomédicas Curso 2011
Segmentación de imágenes Procesamiento de imágenes biomédicas Curso 2011 Introducción Hasta ahora el procesamiento digital de una imagen implicaba, una imagen de entrada y una imagen de salida. Ahora con
Más detallesUNIDAD 3. CANALES Y MÁSCARAS CAPAS - FILTROS
UNIDAD 3. CANALES Y MÁSCARAS CAPAS - FILTROS Objetivo El estudiante aprenderá a utilizar adecuadamente las herramientas correspondientes a las opciones de canales y máscaras, así como las de capas y filtros,
Más detalles[20380] Visió per Computador Prueba 1 (2016) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 1 (2016) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. Qué secuencia está ordenada de menor a mayor energía: a) Rayos γ,
Más detallesFiltrado lineal. Digital image processing, Gonzalez & Woods, chpt 4 Digital Image Processing, WK Pratt, part 3. filtrado lineal 1
Filtrado lineal Digital image processing, Gonzalez & Woods, chpt 4 Digital Image Processing, WK Pratt, part 3 filtrado lineal 1 Filtrado es la operación de eliminar o resaltar componentes de la representación
Más detallesM.C. ENRIQUE MARTÍNEZ PEÑA
Tema 4.5 Operaciones morfológicas fundamentales 2 1 3 Introducción Los filtros morfológicos fueron originalmente concebidos para ser usados sobre imágenes binarias (1/0; blanco/negro). Estas se encuentran
Más detallesConceptos Básicos para el Procesamiento Digital de Imágenes
ELO 313 Procesamiento Digital de Señales con Aplicaciones Conceptos Básicos para el Procesamiento Digital de Imágenes Matías Zañartu, Ph.D. Departamento de Electrónica Universidad Técnica Federico Santa
Más detallesContenido Capítulo 1 Introducción Capítulo 2 Conceptos Básicos Capítulo 3 Procesamiento de Imágenes en el Dominio Espacial
Contenido Capítulo 1 Introducción 1.Introducción 1 1.1 Sistema Visual Humano 1 1.2 Modelo de Visión por Computadora 3 1.3 Procesamiento Digital de Imágenes 3 1.4 Definición de Imagen Digital 4 Problemas
Más detallesConteo de Objetos en una Imagen
Conteo de Objetos en una Imagen Claudia Mayela Alcaraz Avendaño Instituto Tecnológico de Celaya claudia.alcaraz@itcelaya.edu.mx Juana María Flores Vázquez Instituto Tecnológico de Celaya juana.flores@itcelaya.edu.mx
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 5b
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 5b Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesEstadística básica con R Commander. María Eugenia Fernández de Luco
Estadística básica con R Commander María Eugenia Fernández de Luco Facultad de Ciencias Exactas, Ingeniería y Agrimensura Universidad Nacional de Rosario 2014 ÍNDICE 1. Introducción... 2 2. Lectura de
Más detallesUNIVERSIDAD POLITÉCNICA DE MADRID
UNIVERSIDAD POLITÉCNICA DE MADRID DEPARTAMENTO DE ELECTRÓNICA, AUTOMÁTICA E INFORMÁTICA INDUSTRIAL Prácticas de Robótica y Visión Artificial Práctica 3 Prácticas de procesado de las imágenes 3.2 Técnicas
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 detallesRevista Aristas Ciencia Básica y Aplicada
Contenido disponible en http://fcqi.tij.uabc.mx/usuarios/revistaaristas/ Revista Aristas Ciencia Básica y Aplicada ELIMINACIÓN DE LA SOBRESEGMENTACIÓN DE IMÁGENES COLPOSCÓPICAS UTILIZANDO K-MEANS. Itzel
Más detallesCapítulo 2. Técnicas de Procesamiento de Imágenes
Capítulo 2. Técnicas de Procesamiento de Imágenes 2.1 Binarización La binarización es una de las técnicas más antiguas de procesamiento de imágenes ya que en el pasado, el primer analizador de imágenes
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 detallesFundamentos de Visión por Computador
Fundamentos de Visión por Computador Sistemas Informáticos Avanzados Índice Filtrado en el espacio Filtros lineales Tipos de ruido Filtro media Filtro mediana Filtros gausianos Filtrado en la frecuencia
Más detallesLaboratorio de Visión para Robots. Práctica 2
1. Preparación del entorno de trabajo Laboratorio de Visión para Robots Práctica 2 La manera en la que trabajaremos será primero utilizando Eclipse para prototipar nuestro programa. Cuando podamos procesar
Más detallesDetección y segmentación de objetos
24 de abril de 2013 ¾Qué es segmentación? Segmentación Objetivo El objetivo de la segmentación de una imagen es el agrupamiento de ciertos píxeles de la imagen en regiones correspondientes a objetos contenidos
Más detallesSistemas de Percepción Visión por Computador
5/9/7 Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción
Más detallesApuntes Curso Doctorado: Análisis de Imágenes y Reconocimiento de formas. Elena Díaz Fernández
Apuntes Curso Doctorado: Análisis de Imágenes y Reconocimiento de formas Elena Díaz Fernández 20 de noviembre de 2007 Análisis de Imágenes y Reconocimiento de formas Código Asignatura 26212 Tipo Fundamental
Más detallesProcesamiento digital de señales Semana 14. Procesamiento de Imágenes: introduccción
Procesamiento digital de señales Semana 14. Procesamiento de Imágenes: introduccción Versión 21 de Noviembre 2017 Dra. María del Pilar Gómez Gil Otoño 2017 Coordinación de computación INAOE Parte del material
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 detallesUNIVERSIDAD DE CARABOBO FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA ELÉCTRICA DEPARTAMENTO DE SISTEMAS Y AUTOMÁTICA
UNIVERSIDAD DE CARABOBO FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA ELÉCTRICA DEPARTAMENTO DE SISTEMAS Y AUTOMÁTICA DESARROLLO DE UNA APLICACIÓN PARA SISTEMAS DE VISIÓN POR COMPUTADOR DE ROBOTS INDUSTRIALES,
Más detalles5 PROCESADO DE IMÁGENES
5 PROCESADO DE IMÁGENES 5.1 DE LA IMAGEN A LA REALIDAD El primer objetivo del estudio es caracterizar el fenómeno de un flujo de detritos granular. La metodología elegida para lograrlo es filmar el flujo
Más detallesManejo de Archivos DICOM. (Utilización de Osirix) Parte II
1 Manejo de Archivos DICOM Facultad: Ingeniería. Escuela: Biomédica Asignatura: Digitalización de Información en Servicios Médicos (Utilización de Osirix) Parte II Objetivos Utilizar herramientas de Distribución
Más detallesSegmentación de imágenes biomédicas
Segmentación de imágenes biomédicas Definición de segmentación La segmentación es la partición de una imagen, en un subconjunto regiones homogéneas en base a una característica (intensidad, textura,...).
Más detallesCAPITULO 3 ANÁLISIS Y DISEÑO DEL SISTEMA RECONOCEDOR DE PARTITURAS MUSICALES (S.R.P.M.)
CAPITULO 3: ANALISIS Y DISEÑO DE S.R.P.M. 59 CAPITULO 3 ANÁLISIS Y DISEÑO DEL SISTEMA RECONOCEDOR DE PARTITURAS MUSICALES (S.R.P.M.) 3.1 SEGMENTACIÓN DE PARTITURAS MUSICALES El primer paso para la construcción
Más detallesANEXO N 3. Estudio Del Color En Videos De Tráfico
ANEXO N 3 Estudio Del Color En Videos De Tráfico Análisis de imágenes de tráfico en espacios de colores Se pretende analizar una imagen de un segmento de vía típico con condiciones de luz ideales. Se tendrá
Más detallesClasificación. Agrupación de las partes de una imagen de forma homogénea
Clasificación Agrupación de las partes de una imagen de forma homogénea Clasificación o clustering Intenta clasificar los píxeles directamente en clases, en función de ciertas características de cada píxel.
Más detallesIntroducción a Matlab. Ing. Laura López López
Introducción a Matlab Ing. Laura López López Qué es Matlab? MatLab significa MATrixLABoratory MATLAB es un lenguaje de alto nivel para realizar cálculos científico-técnicos. Integra las herramientas de
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 detallesRealzado de Imagen. 11 de junio de El histograma de una imagen digital con niveles de gris en la amplitud de [0, L 1], es función discreta
Realzado de Imagen 11 de junio de 2001 Una operación clásica en el procesado de imagen es realzar una imagen de entrada de alguna manera para que la imagen de salida sea más fácil de interpretarla. La
Más detallesGUIA DE USUARIO REQUISITOS DEL SISTEMA. Equipo. Sistema Operativo
GUIA DE USUARIO Esta guía tiene como finalidad ilustrar al usuario en el funcionamiento del programa (software) del modulo de visión de la célula de manufactura flexible. REQUISITOS DEL SISTEMA Características
Más detallesTema 4. Reducción del ruido
1 Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández GRUPO DE TECNOLOGÍA INDUSTRIAL Tabla de Contenidos 2 Definición Filtros Lineales Filtros No Lineales Filtros Temporales Realce Espacial
Más detallesProcesamiento de Imágenes. Curso 2011 Clase 3 Eliminación del ruido mediante filtrado espacial
Procesamiento de Imágenes Curso 2 Clase 3 Eliminación del ruido mediante filtrado espacial Eliminación del ruido Entendemos por ruido en imágenes digitales cualquier valor de un píxel de una imagen que
Más detallesINDICE Prefacio 1. Introducción 2. Fundamentos de la imagen digital
INDICE Prefacio XVII 1. Introducción 1.1. Fundamentos 1 1.2. Representación digital de imágenes 6 1.3. Etapas fundamentales del procesamiento de imágenes 8 1.4. Elementos de los sistemas de procesamiento
Más detallesManual de utilización del Módulo Binar_V2. A la abertura aparece el cuadro reportado en la figura 1.
Jean-François PARROT LAGE, Instituto de Geografía UNAM, México D.F., México Manual de utilización del Módulo Binar_V2 El módulo Binar_V2 es un modulo utilitario que representa el primer paso de diversas
Más detalles[20380] Visió per Computador Prueba 1 (2017) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 1 (2017) [A] Teoría (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. Qué secuencia está ordenada de mayor a menor frecuencia: a) Rayos
Más detallesPercepción visual aplicada a la robótica
Percepción visual aplicada a la robótica Mario I. Chacón Murguía Rafael Sandoval Rodríguez Javier Vega Pineda Selecciona el libro para empezar Capítulo 1 Conceptos básicos de procesamiento de imágenes
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 detallesProcesamiento Digital de Imágenes LCC-594
Procesamiento Digital de Imágenes LCC-594 Benemérita Universidad Autónoma de Puebla Facultad de Ciencias de la Computación Daniel Alejandro Valdés Amaro, Ph.D 4. Operaciones regionales Objetivo: Conocer
Más detallesCapítulo 7 Algoritmos de Segmentación
Capítulo 7 Algoritmos de Segmentación 71 Capítulo 7 Algoritmos de Segmentación 7.1 Investigación y selección de algoritmos de segmentación de publicaciones recientes El proceso de investigación de los
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 detallesAnálisis de imágenes digitales
Análisis de imágenes digitales MEJORAMIENTO DE LA IMAGEN Procesamiento del histograma DISTRIBUCIÓN DE PÍXELES El histograma de una imagen es un gráfico de las frecuencias relativas de ocurrencia de cada
Más detallesPara comenzar a ejecutar la interfaz se escribirá lo siguiente en la pantalla principal de Matlab: >>proyecto
Capítulo 4. Manual de usuario. En este apartado del proyecto se va a realizar una guía para facilitar el uso del programa, así como dar a conocer sus diferentes opciones y posibilidades. La interfaz se
Más detalles6 Analizador de escena
Reconocimiento de señales de tráfico para un sistema de ayuda a la conducción 6 Analizador de escena 6.1 Objetivo y funcionamiento Hasta ahora se ha explicado el proceso de extracción de información de
Más detallesPRÁCTICA 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 detallesUNIVERSIDAD AUTÓNOMA DE TLAXCALA FACULTAD DE CIENCIAS BÁSICAS, INGENIERÍA Y TECNOLOGÍA PROCESAMIENTO DIGITAL DE LA IMAGEN
UNIVERSIDAD AUTÓNOMA DE TLAXCALA FACULTAD DE CIENCIAS BÁSICAS, INGENIERÍA Y TECNOLOGÍA PROCESAMIENTO DIGITAL DE LA IMAGEN OPERACIONES DE PUNTO Transformaciones de Pixel Transformaciones de color Compositing
Más detallesManual de Uso: Portal de Ana lisis Dina mico de Indicadores de Cre dito Contenido
Manual de Uso: Portal de Ana lisis Dina mico de Indicadores de Cre dito Contenido Introducción... 2 Funcionalidad general... 2 Acceso... 2 Funcionalidad por tipo de crédito... 5 Tarjetas de crédito:...
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 detallesTratamiento de imágenes Operaciones con el histograma de una imagen
Tratamiento de imágenes Operaciones con el histograma de una imagen Héctor Alejandro Montes hamontesv@uaemex.mx http://scfi.uaemex.mx/hamontes Advertencia No use estas diapositivas como referencia única
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 detallesMejora de la Imagen Image Enhancement. Ref: Capítulo 3 Digital Image Processing Gonzalez, Woods
Mejora de la Imagen Image Enhancement Ref: Capítulo 3 Digital Image Processing Gonzalez, Woods Para que? Mejorar la visualización Facilitar el procesamiento posterior Adecuar la imagen para una aplicación
Más detallesPráctica 3: Realce de imágenes
Prácticas de laboratorio Práctica 3: Realce de imágenes 1. DESCRIPCIÓN Y REALIZACIÓN DEL PROBLEMA Se trata de desarrollar un conjunto sencillo de algoritmos en C para ejecutar operaciones de REALCE por
Más detallesPreproceso: mejora de la imagen
Preproceso: mejora de la imagen Gonzaled &Woods Digital Image Processing cap4 Mejora de la imagen 1 Transformaciones de la imagen dirigidas a mejorarla para el proceso posterior Mejora de contraste: Operaciones
Más detalles