Вы находитесь на странице: 1из 50

Procesamiento de imagen.

Utilizacin de tcnicas de toma de decisin y aprendizaje


H. Bustince
Dpto. Automtica y Computacin,

Universidad Pblica de Navarra

Red RUENA Palencia, 4 /06/ 2010

Introduccin

Red RUENA Palencia, 4 /06/ 2010

Inteligencia
Potencia intelectual: facultad de conocer, de entender o comprender Tipos Inteligencia fluida: capacidad para abrirse paso mediante razonamiento a travs de un problema que nunca has visto antes

Red RUENA Palencia, 4 /06/ 2010

Inteligencia Artificial
Todas las definiciones de IA estn relacionadas con la siguiente idea:

IA es la ciencia de construir mquinas para que hagan cosas que, si las hicieran los humanos requeriran inteligencia. (M.Minsky no cree que se deba definir la IA hasta que no sepamos cmo trabaja el cerebro)

Red RUENA Palencia, 4 /06/ 2010

Inteligencia Artificial
Puede una mquina ser inteligente? Pueden volar las mquinas? Argumentos a favor o en contra

Test de Alan Turing (Computing Machine and Intelligence (1950)) Todo conocimiento es reducible a un algoritmo Sala china (Searle 1980)
Red RUENA Palencia, 4 /06/ 2010

Inteligencia Artificial
Conexionismo versus Simbolismo

En inteligencia el objeto es el conocimiento y la informacin. Predecir Comportamiento inteligente: percibir, razonar, aprender, comunicarse, actuar en entornos complejos, etc
Red RUENA Palencia, 4 /06/ 2010

Campos de la Inteligencia Artificial

Red RUENA Palencia, 4 /06/ 2010

Visin artificial
Finalidad: reproduccin artificial del sentido de la vista 3/4 Objetivo: dotar a las mquinas del sentido de la vista. Salto cualitativo en sus capacidades de actuacin Ojos Cerebro captura procesamiento
Red RUENA Palencia, 4 /06/ 2010

cmaras ordenador
8

Visin artificial
- Informacin visual: energa luminosa procedente del entorno - Retina: conos (color) bastones (intensidades) - Cmara: convierte la energa luminosa en corriente elctrica que puede ser muestreada y digitalizada para su procesamiento por el ordenador - Muestreo: rejilla rectangular-matriz bidimensional-pxeles

Red RUENA Palencia, 4 /06/ 2010

Visin artificial

Mamferos:
A) Desconocimiento del proceso visual: puntos de atencin B) Percepcin uniforme de la matriz Resolucin variable frente a uniforme
Red RUENA Palencia, 4 /06/ 2010

10

Complejidad de los SVA


Sistemas de visin artificial (SVA): Etapas, SED Problemas SVA:
- Escenas diferentes dan lugar a la misma imagen - Ilusiones visuales - Factores que afectan a los niveles de intensidad de los pxeles: Ruido Iluminacin de la escena Geometra del objeto Color y textura Parmetros y distorsin de la cmara Mucha informacin
Red RUENA Palencia, 4 /06/ 2010

11

Etapas en un proceso de Visin


ADQUISICIN IMAGEN PREPROCESAMIENTO DETECCIN DE BORDES SEGMENTACIN EXTRACCIN DE CARACTERSTICAS RECONOCIMIENTO/LOCALIZACIN DE OBJETOS

INTERPRETACIN DE LA ESCENA

Red RUENA Palencia, 4 /06/ 2010

12

Deteccin de bordes
Qu es un borde?
K

Detector de Canny:
Error Localizacin Respuesta nica

Red RUENA Palencia, 4 /06/ 2010

13

Deteccin de bordes
Tipos

Red RUENA Palencia, 4 /06/ 2010

14

Deteccin de bordes
0 0 1 2 3 . . . . N-1 1 2 3 . . . . . M-1

Red RUENA Palencia, 4 /06/ 2010

15

Deteccin de bordes
0 0 1 2 3 . . . . N-1 1 2 3 . . . . . M-1

Red RUENA Palencia, 4 /06/ 2010

16

Deteccin de bordes
0 0 1
K

. M-1 0 0 1 2 3 . . N-3 1 2 3 . . M-3

2 3 . . . . N-1 Imagen original

tn-processing

Red RUENA Palencia, 4 /06/ 2010

17

Deteccin de bordes
0 0 1
K

. M-1 0 0 1 2 3 . . N-3 1 2 3 . . M-3

2 3 . . . . N-1 Imagen original

sn-processing

Red RUENA Palencia, 4 /06/ 2010

18

Deteccin de bordes
0 0 1 2 3 . . . . N-1 Imagen original
Red RUENA Palencia, 4 /06/ 2010

. M-1 0 0 1 2 3 . . N-3 1 2 3 . . . M-3

[ [ [

][ ] ]

][ [

][ ]

][

Interval Type 2 Fuzzy Image 19

Deteccin de bordes

Red RUENA Palencia, 4 /06/ 2010

20

Deteccin de bordes Aproximacin gravitatoria


Dos masas se atraen con una fuerza proporcional al producto de las mismas

Red RUENA Palencia, 4 /06/ 2010

21

Deteccin de bordes
Cada punto de la imagen es un cuerpo con masa (dependiendo de su color)

Red RUENA Palencia, 4 /06/ 2010

22

Deteccin de bordes

Red RUENA Palencia, 4 /06/ 2010

23

Deteccin de bordes

Original

Canny

Gravitatorio 1

Gravitatorio 2 24

Red RUENA Palencia, 4 /06/ 2010

Segmentacin
Proceso de dividir la imagen en zonas o clases disjuntas de forma que cada clase satisface un conjunto predeterminado de atributos Extraer los objetos de la imagen.

Red RUENA Palencia, 4 /06/ 2010

25

Segmentacin
Cada regin Pi satisface una propiedad

P
i 1

imagen entera

con i j Pxeles pertenecientes a regiones


P i P j

adyacentes, no satisfacen la propiedad Problema: Pi Pj Transiciones T. Fuzzy Extensiones


Red RUENA Palencia, 4 /06/ 2010

26

Segmentacin
Tcnicas basadas en agrupamiento de pxeles en regiones. Tienen un enfoque de clasificacin de pxeles, donde: las regiones resultantes deben tener cierto significado para el procesamiento posterior pxeles de regiones distintas deben ser no-similares pxeles de una misma regin deben ser similares: niveles de gris, texturas, etc
Red RUENA Palencia, 4 /06/ 2010

27

Segmentacin
CASO ESPECIAL: Tcnicas basadas en la umbralizacin. Cada objeto est caracterizado por un intervalo de niveles de gris
Seleccin de un umbral T que separe dos escalas de grises. Asignar uno a los pxeles con amplitudes dentro del intervalo y cero a los que tienen amplitudes fuera del intervalo.

Herramienta: histograma de la imagen


Red RUENA Palencia, 4 /06/ 2010

28

Segmentacin
Dificultades:
El histograma no determina de manera nica la imagen Presencia de ruido Ambigedad en el predicado (propiedad o condicin) que debe cumplir cada objeto debido al solapamiento

Tcnicas fuzzy
los modelos que utilizan la Teora de Conjuntos Fuzzy son muy efectivos en procesos en los que se trabaja con datos ambiguos y en presencia de ruido.

Red RUENA Palencia, 4 /06/ 2010

29

Segmentacin

Algoritmo de Huang-Wang (1995)

Mejor umbral: 119

Mejor umbral: 115

Mejor umbral: 116

Mejor umbral: 127

Red RUENA Palencia, 4 /06/ 2010

30

Problema Segmentacin

Red RUENA Palencia, 4 /06/ 2010

31

Problema Segmentacin

Hay que tomar la decisin de los pxeles conflictivos

Red RUENA Palencia, 4 /06/ 2010

32

Toma de decisin: MEMC

Red RUENA Palencia, 4 /06/ 2010

33

Segmentacin de imgenes en color

Red RUENA Palencia, 4 /06/ 2010

34

Segmentacin de imgenes en color


Espacio de color RGB HSV CMY CIELAB

Red RUENA Palencia, 4 /06/ 2010

35

Segmentacin de imgenes en color

Red RUENA Palencia, 4 /06/ 2010

36

Segmentacin de imgenes en color

Red RUENA Palencia, 4 /06/ 2010

37

Segmentacin de imgenes en color

Red RUENA Palencia, 4 /06/ 2010

38

Extraccin de caractersticas
Anlisis de las componentes principales Dos fases: aprendizaje y reconocimiento

Red RUENA Palencia, 4 /06/ 2010

39

Extraccin de caractersticas: PCA

Red RUENA Palencia, 4 /06/ 2010

40

Extraccin de caractersticas: PCA

Red RUENA Palencia, 4 /06/ 2010

41

Ejemplo:
New method to assess barley nitrogen nutrition status based on image colour analysis. Comparison with SPAD-502 En este artculo proponemos un mtodo de bajo coste para estimar la cantidad de Nitrgeno en planta utilizando imgenes digitales en color Calculamos un ndice de verdor usando los componentes RGB de la imagen, el cual estima la cantidad de Nitrgeno en la planta. Para evaluar su eficacia calculamos la correlacin existente entre el ndice y las medidas obtenidas con el spad-502.
Red RUENA Palencia, 4 /06/ 2010

42

Anlisis del color


Fotografas a 20cm de la hoja, controlando la iluminacin. Imgenes de 1 cm cuadrado

Red RUENA Palencia, 4 /06/ 2010

43

Anlisis del color


RGB Existen diferentes expresiones para calcular el nivel de verdor de un pxel R-B (R-B)/(R-G) Etc..

Red RUENA Palencia, 4 /06/ 2010

44

Anlisis del color

Imgenes de hojas ordenadas por su estatus nutricional. Encontrar la direccin principal de la variacin de la cantidad de verdor.

Red RUENA Palencia, 4 /06/ 2010

45

Anlisis del color


Usando el PCA calculamos la matriz de correlacin y obtenemos los valores propios y la matriz de vectores propios. El vector propio asociado al mayor valor propio es la componente principal de los datos. Los coeficientes de nuestro nuevo ndice son los valores de vector propio.
Ipca = 0.7582|R B| 0.1168|R G| + 0.6414|G B|

El mtodo se puede repetir fcilmente para cualquier planta obteniendo un nuevo ndice.
Red RUENA Palencia, 4 /06/ 2010

46

Anlisis del color


Correlacin entre el mejor ndice y el spad R = 0.95 Spad vs grano. R = 0.64 Ipca vs grano. R = 0.73
60 50 40
SPAD

30 20 10 0 0,1 0,15 0,2


IPCA

0,25

0,3

0,35

Red RUENA Palencia, 4 /06/ 2010

47

Anlisis del color


Diferentes formas de agregar el ndice de verdor de todos los pixeles de la hoja. Segmentacin Color representativo de cada zona

Red RUENA Palencia, 4 /06/ 2010

48

Conclusiones
Bsqueda de mtodos no supervisados Imgenes de satlite. Comparacin zonas Tratamiento remoto Toma de decisin Ayuda a los expertos

Red RUENA Palencia, 4 /06/ 2010

49

Gracias por su atencin!!

http://giara.unavarra.es

Red RUENA Palencia, 4 /06/ 2010