INTRODUCCIN: Podemos definir al borde de una imagen como puntos que tiene un alto valor del gradiente mientras

que las esquinas con puntos prominentes contenidos en una imagen, caracterizados por presentar tambin un alto valor del gradiente pero a diferencia de los bordes, este alto valor del gradiente no solo se manifiesta en una direccin sino en diferente. Las esquinas pueden ser utilizadas en una amplia gama de aplicaciones tales como el seguimiento de un objeto en secuencia de video, para ordenar las estructuras de objetos en visin estereoscpica, como puntos de referencia en la medicin de caractersticas geomtricas de objetos o bien en la calibracin de cmaras para sistemas de visin. Algunas de las ventajas de las esquinas sobre otras caractersticas obtenidas de una imagen no son la robustez al cambio de perspectiva as como su confiablidad en su localizacin ante diferentes condiciones de luz. Un algoritmo para la deteccin de las esquinas debe reunir algunos aspectos importantes tales como: Detectar esquinas importantes de las no importantes Detectar las esquinas en presencia del ruido propio de la imagen Rpida ejecucin para permitir su implementacin en tiempo real

Como es de suponer, existen varios enfoques que son capaces de cumplir con estas caractersticas en donde la mayora de ellos se basan en la medicin del valor del gradiente en el punto que se considera como potencialmente esquina. La mayora de los algoritmos utilizados para la deteccin de esquinas utilizan el criterio de la primera o segunda derivada sobre la imagen en la direccin x o y como aproximacin del valor del gradiente. OBJETIVOS: Comparar distintos algoritmos de deteccin de esquinas para determinar cul de ellos es el mejor. Desarrollo: Algoritmo de Harris: El clculo se basa en la primera derivada parcial en un pixel I(x,y) en direccin horizontal y vertical. Para cada pixel de la imagen (x,y) son calculados tres diferentes cantidades que sern denominadas HE11(x,y), HE22(x,y) y HE12(x,y), donde: ( ) ( ) ( ) ( ) ( ) ( ) ( ) Estos valores pueden ser interpretados como aproximaciones de los elementos de la matriz de estructuras denominada como HE tal que: [ ] Donde HE12 = HE21

Para encontrar las esquinas con este algoritmo es necesario suavizar los valores de cada uno de los elementos de la matriz de estructuras mediante su convolucin por un filtro Gaussiano tal que:

El algoritmo de Harris utiliza una propiedad significativa, esta la implementa como medida de valor de la esquina la funcin es la siguiente: ( ) ( ) ( ( ))

Aplicado a nuestro caso la funcin sera la siguiente: ( ) ( ) ( )

Donde el parmetro controla la sensibilidad del algoritmo. Un punto de la imagen (x,y) es considerado como punto esquina potencial si la condicin ( )

Se cumple. Donde th es el umbral y normalmente su valor tpico se encuentra dentro del intervalo de 900 a 10000, dependiendo del contenido de la imagen. A partir de esta condicin se tendr una matriz binaria conteniendo unos donde la condicin fue cumplida y ceros donde no lo fue. Esquinas calculadas mediante el algoritmo de Harris:

Todos los siguientes algoritmos se basan en el clculo de alguna operacin desarrollada con la matriz Hessiana o el Hessiano.

La matriz Hessiana de una funcin f de n variables, es la matriz cuadrada de nxn, de las segundas derivadas parciales. Por lo que dada una funcin real f de 2 variables reales: ( )

Si todas las segundas derivas parciales de f existen, se define la matriz Hessiana de f como ( ( ) [ Normalmente son definidas las componentes del Hessiano como: ( ( ) ) ( ) ) ( ( ) ) ]

Algoritmo de Beaudet: El detector de Beaudet es un operador isotrpico basado en el clculo del determinante del Hessiano: ( ( ))

De tal forma que bajo este operador sern consideradas como esquinas aquellos puntos de B(x,y) que sobrepasen o sean iguales a un determinado umbral prefijado.

Algoritmo de Kitchen & Rosenfeld. Ellos propusieron un detector de esquinas en el cambio de la direccin del gradiente a lo largo de un borde multiplicado por la direccin del gradiente local en el pixel en cuestin, propusieron calcular la siguiente matriz. ( ) ( ) ( )

En este enfoque se considera a las esquinas como aquellos valores que sobrepasen un valor prefijado considerado como umbral.

Algoritmo de Wang & Brady Para la deteccin de esquinas considera una imagen como una superficie, de tal forma que el algoritmo busca lugares en imagen donde la direccin de un borde cambia abruptamente, como es el caso de las esquinas. Para ello se mide el coeficiente C(x,y) que se establece para cada pixel definido como: ( De esta manera se define el operador ( ) [ ] ) ( ) | ( )|

Y: ( ) [ ]

Cdigo:
Algoritmo de Harris %Limpiamos clear(); clc(); ruido = 'speckle'; %Leeemos imagen y convertimos a escala de grises Ima=imread('tren.jpg'); Ir = rgb2gray(Ima); %Ir = imnoise(Ir, ruido, 0.2); %Guardamos dimensiones de la imagen en una matriz [m n]=size(Ir); %Declaramos matrices donde pondremos resultados y las llenamos con ceros V1=zeros(size(Ir)); S=zeros(size(Ir)); %Filtro de 3x3 normalizado h=ones(3,3)/9; %Convertimos imagen a double Id=double(Ir); %Aplicamos filtro lineal a la imagen If=imfilter(Id,h); %Filtro Sobel para X e Y Hx=[-0.5 0 0.5]; Hy=[-0.5; 0; 0.5]; %Aplicamos el filtro Sobel a la imagen anterior ya filtrada Ix=imfilter(If,Hx); Iy=imfilter(If,Hy);

%Obtenemos los valores X e Y de la imagen filtrada y los guardamos en HE11=Ix.*Ix; HE22=Iy.*Iy; HE12=Ix.*Iy; %Filtro Gaussiano normalizado Hg=[0 1 2 1 0; 1 3 5 3 1; 2 5 9 5 2; 1 3 5 3 1; 0 1 2 1 0]; Hg=Hg*(1/57); %Aplicamos el filtro Gaussiano a los componentes de la imagen filtrada %anteriormente A=imfilter(HE11,Hg); B=imfilter(HE22,Hg); C=imfilter(HE12,Hg); %Variable para sensibilidad de deteccin de esquinas %alfa=-0.0001; alfa=0.04; %Obtenemos el valor de la esquina Rp=A+B; Rp1=Rp.*Rp; %Ecuacin de Harris para detectar las esquinas Q=((A.*B)-(C.*C))-(alfa*Rp1); %Guardamos aquellos valores mayores a 1000 de la ec. anterior V1=Q>1000; %Cantidad de valores de vecindad que va a tomar en cuenta el pixel en %cuestin pixel=10; %Leemos imagen (filas y columnas) for r=1:m for c=1:n if(V1(r,c)) fprintf('calculando\n'); %Pixeles que se encuentren en los 4 mrgenes de la imagen %Izquierdo, Dereho, Superior e Inferior I1=[r-pixel 1]; I2=[r+pixel m]; I3=[c-pixel 1]; I4=[c+pixel n]; %Guardamos valores Mximos y minimos de los pixeles calculados %anteriormente datxi=max(I1); datxs=min(I2); datyi=max(I3); datys=min(I4); %Calculamos y guardamos el valor mximo de la vecindad de los %pixeles calculados Bloc=Q(datxi:1:datxs,datyi:1:datys); MaxB=max(max(Bloc));

%Si Encontramos el valor mximo, ponemos valor de 1 en la matriz S if(Q(r,c)==MaxB) S(r,c)=1; end end end end %Mostramos imagen imshow(Ir); %Mostramos resultados, marcando las esquinas con un '+' hold on for r=1:m for c=1:n if(S(r,c)) plot(c,r,'+'); end end end

Algoritmo de Beaudet clear(); clc(); Iorig=imread('tren.jpg'); Im=double(rgb2gray(Iorig)); h=ones(3)/9; Im=imfilter(Im,h); sx=[-1,0,1;-2,0,2; -1,0,1]; sy=[-1,-2,-1; 0,0,0; 1,2,1]; Ix=imfilter(Im,sx); Iy=imfilter(Im,sy); Ixx=imfilter(Ix,sx); Iyy=imfilter(Iy,sy); Ixy=imfilter(Ix,sy); B=(1+Ix.*Ix+Iy.*Iy).^2; A=Ixx.*Iyy-(Ixy).^2; B=(A./B); B=(1000/max(max(B)))*B; V1=(B)>100; pixel=10; [n,m]=size(V1); res=zeros(n,m); for r=1:n for c=1:m if(V1(r,c)) I1=[r-pixel,1]; I1=max(I1); I2=[r+pixel,n]; I2=min(I2); I3=[c-pixel,1]; I3=max(I3); I4=[c+pixel,m]; I4=min(I4); tmp=B(I1:I2,I3:I4); maxim=max(max(tmp)); if(maxim==B(r,c)) res(r,c)=1;

end end end end imshow(uint8(Im)); hold on [re,co]=find(res'); plot(re,co,'+');

Algoritmo de Kitchen&Rosenfield
clear(); clc(); Iorig=imread('objetos3.jpg'); Im=rgb2gray(Iorig); h=ones(3)/9; Im=imfilter(Im,h); sx=[-1,0,1;-2,0,2; -1,0,1]; sy=[-1,-2,-1; 0,0,0; 1,2,1]; Ix=imfilter(Im,sx); Iy=imfilter(Im,sy); Ixx=imfilter(Ix,sx); Iyy=imfilter(Iy,sy); Ixy=imfilter(Ix,sy); A=(Ixx.*(Iy.^2))+(Iyy.*(Ix.^2))-(2*Ixy.*Iy); B=(Ix.^2)+(Iy.^2); V=(A./B); V=( 1000/max(max(V)))*V; V1=(V)>100; pixel=10; [n,m]=size(V1;) res=zeros(n,m); for r=1:n for c=1:m if(V1(r,c)) I1=[r-pixel,1]; I1=max(I1); I2=[r+pixel,n]; I2=min(I2); I3=[c-pixel,1]; I3=max(I3); I4=[c+pixel,m]; I4=max(I4); tmp=V(I1:I2,I3:I4); maxim=max(max(tmp)); if(maxim==V(r,c)) res(r,c)=1; end end end end imshow(uint8(Im)); hold on [re, co]=find(res'); plot(re,co,'+');

Algoritmo de Wang&Bradey

clear(); clc(); Iorig=imread('objetos3.bmp'); Im=rgb2gray(Iorig); h=ones(3)/9; Im=imfilter(Im,h); d1=[0,-0.5,0;-0.5,0,0.5;0,0.5,0]; d2=[0,1,0;1,-4,1;0,1,0]; I1=imfilter(Im,d1); I2=imfilter(Im,d2); c=1; V=(I2-c*abs(I1)); V=(1000/max(max(V)))*V; V1=(V)>100; pixel=10; [n,m]=size(V1); res=zeros(n,m); for r=1:n for c=1:m if(V1(r,c)) I1=[r-pixel,1]; I1=max(I1); I2=[r+pixel,n]; I2=min(I2); I3=[c-pixel,1]; I3=max(I3); I4=[c+pixel,m]; I4=max(I4); tmp=V(I1:I2,I3:I4); maxim=max(max(tmp)); if(maxim==V(r,c)) res(r,c)=1; end end end end imshow(uint8(Iorig)); hold on [re, co]=find(res'); plot(re,co,'+');

CONCLUSIONES: En el desarrollo de esta prctica pudimos comparar varios de los algoritmos ms importantes para la deteccin de esquinas, algunos desde los ms bsicos hasta los ms precisos como lo es el algoritmo de Harris, ya que al hacer la comparacin de todos estos nos dimos cuenta que seleccionaba las esquinas fundamentales, mientras que los dems detectan esquinas y tambin algunos bordes, ya que para el ojo humano es muy fcil detectar esquinas, sin embargo para la computadora es muy complicado y se tiene que hacer uso de estos algoritmos matemticos. Bibliografa: Procesamiento digital de imgenes con Matlab y SIMULINK, alfaomega, Erick Cuevas, Daniel Zaldivar, Marco Prez Cisneros, 2010.