c
c

  c



c 
  

 !" # 

 Sistema de Control Inteligente

‡ Los métodos clásicos de control carecen de las

posibilidades de los sistemas inteligentes en especial en lo
que se refiere al uso efectivo de términos ï



 ï   
 
ï ï
  ï

 
 
  
 a través de la experiencia.

‡ Las técnicas de Control Inteligente, se muestran

especialmente atractivas en sistemas complejos donde
existen grandes dificultades para un correcto modelado
matemático.
 Sistema de Control Inteligente

‡ Un 
  consiste de :

± Una 
 ïïpara ³representar´ el conocimiento

necesario en el control de un proceso; y,
± Un ï
 
 ï
que procese el conocimiento por
medio del razonamiento, utilizando quizás, un nuevo conjunto de
datos para tomar una decisión.

Por tanto, ambos aspectos, representación y procesamiento son de

fundamental importancia en el ±

 

Sensores de Visión Inteligentes
‡ Referencia: Capítulo I, del González.
Partes del Ojo Humano
 pl Ojo y la Visión
‡ Su función es traducir las ondas electromagnéticas en un
determinado tipo de impulsos eléctricos que se transmiten
al cerebro por medio del nervio óptico.
‡ Funciona de tal manera que la lente del cristalino forma
una imagen invertida de los objetos que enfoca sobre la
retina que funciona como una película sensible a la luz.
 pnfoque de Objetos
‡ pste se lleva a cabo de manera automática debido a que el
cristalino es una lente biológica que se redondea o aplana
automáticamente.
‡ Para ver objetos cercanos el músculo ciliar se contrae y por
relajación la lente se redondea progresivamente hasta
enforcar los objetos.
‡ Un niño puede enfocar objetos a 6.3cm de distancia, con
los años esta distancia puede incrementar hasta 30 o 40cm.
debido a que los músculos ciliares no se relajan con
facilidad.
 ovimiento Ocular
‡ Contribuye también a la estimación visual de tamaño y distancia.
‡ pl movimiento se debe a la existencia de seis músculos extrínsecos
unidos al glóbulo ocular.
‡ Se estima que un ojo sano puede ubicar hasta cien mil puntos distintos
con ayuda de los músculos extrínsecos.
‡ Los músculos extrínsecos funcionan simultáneamente para que su
enfoque converja en un punto y ambas imágenes coincidan, cuando
esta convergencia no se da, se produce la doble visión.
 Percepción

‡ uchas aplicaciones del PDI producen imágenes que pueden ser vistas
y analizadas por el ojo humano. ps entonces importante entender las
características y limitantes del Sistema Visual Humano. Sin embargo,
se deben considerar 3 puntos:
1. No existe un estudio TOTAL del SVH.
2. No existen medidas cuantitativas para determinar la calidad de las
imágenes proporcionadas por el ojo humano.
3. No existe el SVH típico, cada caso tiene sus particularidades.
 Sensitividad a la Brillantez
‡ Algunos estudios arrojan que la sensitividad a la brillantez se debe a
dos factores:
 


  
.- pl SVH tiene un rango de visión muy
reducido en el espectro electromagnético, esta no es lineal en toda la banda del
espectro visible.
 Sensitividad a la Brillantez
‡ Sensitividad al pstímulo.- Si una señal visual varia en intensidad (c
),
la respuesta visual () es proporcional al logaritmo de la intensidad,
esto se conoce como Ley de Fechner-Weber:

 
c

‡ psto es, incrementos constantes en c
provocan un incremento
exponencial de la brillantez del estímulo.
 Sensitividad al Color
‡ psta sensitividad es extremadamente compleja de comprender, la teoría
más ampliamente adoptada es que la percepción del color se debe a la
existencia de tres pigmentos de color en la retina.
‡ Basadas en medidas psicofísicas, se han adoptado tres curvas estándar
de sensitividad para los tres tipos de pigmentos en la retina.
 Procesamiento Digital de Imágenes
‡ Se refiere al procesamiento de Imágenes Digitales por
medio de elementos de procesamiento digital. Inicia con la
captura de la imagen por medios ópticos y finaliza con la
extracción de la información que se busca.

Resultados
Captura Imagen Preprocesamiento Análisis de Imágenes
Características
 anipular Señales ultidimensionales

‡ Procesamiento de Imágenes:
Imagen de entrada Imagen de Salida

‡ Análisis de Imágenes:
Imagen de entrada Parámetros característicos

‡ Interpretación de Imágenes:
Imagen de entrada Descripción de alto nivel
 Captura de la Imagen

‡ Longitud de onda de la luz a utilizar.

‡ Ángulos visuales del objeto y de la cámara.
‡ Resolución en tamaño y en bits.
‡ Tipo de imágenes: RGB, binarias, NG.
pspectro plectromagnético
 pspectro plectromagnético

: Son las longitudes de onda mas corta. Son utilizadas en medicina
nuclear y observaciones astronómicas. Su uso requiere ciertos cuidados y se basa en
la emisión de isotopos radioáctivos.


: Tienen mas energía que la luz visible y viajan a través de tejidos como la
piel. Tiene innumerables aplicaciones médicas.



: 5% más de energía que el espectro visible, algunos fenómenos

físicos se manifiestas en éste rango. Tiene aplicaciones industriales, biológicas y
astronómicas.

 Ondas perceptibles por el ojo humano.

c

uchos fenómenos físicos se manifiestan en esta longitud de onda.

 

 Comunicaciones satelitales y excitación de átomos fácilmente

desprendibles del núcleo.


: Comunicaciones. Utilizadas en medicina para Resonancia

magnética.
 Captura de la Imagen
(Ángulo Visual)

Ángulos visuales típicos en CCD s oscilan entre los

80 y 90 grados.
 Se tiene un sistema de captura con los
siguientes datos, ¿ Qué porcentaje del objeto
se captura ?

‡ Txo = 1.2mts.
‡ Tyo = 1.4mts.
‡ ´xc = 85.02º.
‡ ´yc = 69.01º.
‡ D = 1.0mts.
 Resolver siguientes casos:

‡ Txo = 0.82mts. ‡Txo = 1.2mts.

‡ Tyo = 1.1mts. ‡Tyo = 1.4mts.
‡ ´xc = 85.02º. ‡´xc = 73.66º.
‡ ´yc = 69.01º. ‡´yc = 58.62º.
‡ D = 1 mts. ‡D = 1 mts.
 Captura de la Imagen
(Tipo de Imágenes 2D o 3D)

 !!" o  !!#!"
Pixel o Voxel
Obtención de una imagen 2-D proyectando un patrón
de energía sobre una malla de sensores.
 Forma del Pixel

‡ Se considera que los pixeles son cuadrados y ³cubren´ la totalidad de

la imagen continua (escena). La siguiente imagen ilustra la geometría
de un sistema digitalizador en la cual se identifican los parámetros
asociados a ésta:
 Forma del Pixel

‡ Los parámetros 
y $
determinan el espaciamiento entre

los centros de los pixeles. Los parámetros  y $
determinan las dimensiones del área en la cámara sensible
a la luz.
‡ Un muestreo (% ) cuadrado implica que 
 $
, es
decir 
&$
= 1, esto es poco común en los sistemas de
digitalizaciín, relaciones más comunes son 
&$
 ''


&$
 (&) psto tiene como consecuencia que objetos
isotrópicos aparezcan en el monitor como no-isotrópicos
como se ilustra en la figura siguiente:
La razón 
&$
puede calibrarse para un sistema de digitalización usando
cartas de calibración a distancias especificas en direcciones horizontal y
vertical.
 Factor r

‡ La superficie de la cámara que no es sensible a la luz es rellenada por

la electrónica de ésta. A este efecto se le conoce como blooming. Para
prevenir éste efecto regiones anti-blooming son usadas para prevenir
éste efecto. Sin embargo, esto muchas veces no presenta una buena
relación costo-beneficio.
‡ pl porcentaje de la superficie que es sensible a la luz se conoce como
factor fill y puede evaluarse utilizando la siguiente formula:

‡ Conforme éste factor se aproxima a 100% más luz es capturada por la

cámara y se obtiene una mejor SNR.
 Sensitividad pspectral
‡ Los sensores de los sistemas digitalizadores no tienen la misma
sensitividad a todas las longitudes de onda de la luz. La siguiente
figura ilustra éste fenómeno:
 Sensitividad pspectral

‡ La alta sensitividad del silicón en el IR significa que en aplicaciones

donde una CCD basada en silicón sea usada para el análisis de
imágenes es necesario utilizar filtros bloqueadores de IR, estos filtros
bloquean longitudes de onda mayores a 750nm.
‡ Alternativamente, una cámara CCD basada en silicón puede ser un
excelente sensor en IR cercano entre 750 y 1000nm.
Proceso Visual
Diferencia Figura-Fondo
(Ilusión Óptica)
Diferencia Figura-Fondo
(Ilusión Óptica)
Contornos Subjetivos
 Contornos Subjetivos
(Cubo subjetivo de Necker)
Ilusión en ovimiento
 Análisis de Imágenes

‡ ejoramiento (resaltar características).

‡ Restauración (mejorar apariencia).
‡ Compresión (reducir espacio de almacenamiento).
‡ Segmentación (separar imagen en partes u objetos).
‡ Reconocimiento (etiquetar cada objeto).
 Preprocesamiento

‡ ejoramiento de contraste.
‡ Transformación de coordenadas o seleeción
de subimágenes.
‡ ejorar aberraciones ópticas generadas por
los sensores (defoco).
 odelo de una Imagen
(0 <  ! < R )

‡  ! se caracteriza por dos componentes:

±  ! la luz incidente sobre los objetos.
±  ! la luz reflejada por los objetos.
pl productos de ambos genera  ! :

 !  ! !

donde:
*+ !+R
y
* +  !  + '
  !
   , -
%




  !
.%
,, -
 
ï ï   ï : Fuente de luz y
cámara están del mismo lado. La imagen representa
las intensidades reflejadas por los objetos.
 
ï ï   

: Fuente de luz y
cámara están de lados opuestos. La imagen muestra
la forma oscura del objeto sobre un fondo claro. ej.
icroscopio.
Valores típicos de  ! !
‡ Cada punto  !, denotado como % , representa el
promedio de la intensidad de la señal para una determinada
área de la escena que se esta digitalizando. Se considera
que es el elemento más pequeño de una imagen.

‡ Forma compacta de una imagen digital de  x N:

 uestreo y Cuantización

‡ La digitalización de una imagen requiere que las

coordenadas sean digitalizadas, esto implica realizar un
,
% de los valores de las coordenadas.
Ademas, se requiere digitalizar los valores de los niveles
de intensidad de cada pixel, a esto se le conoce como
,# -/,#

 uestreo y Cuantización

Columnas

Value =  !!#!0!

Renglones
c

 
  

 Descomposición de la Imagen

‡ Normalmente se seleccionan 8 bits para representar y

almacenar los niveles de intensidad de los pixeles en .
psto lleva al uso de convertidores A/D de 8 bits, cámaras
mas sofisticadas requieren convertidores de mas bits lo que
las hace mas costosas.
‡ Cada bit contiene información específica de la imagen, los
detalles se encuentran en los bits menos significativos
mientras que la mayor cantidad de información se
encuentra en los bits mas significativos.
]

]!
"
Formatos de Imágenes Digitales:
Formatos de Imágenes Digitales:
Formatos de Imágenes Digitales:
Tipos de Imágenes
 Teoría Tricromatica
(Young-Helmholtz, 1822)

Defiende la idea de que en la retina existen 2

tipos de sensores (células) denominados


y 
. Los conos son a su vez de
tres clases diferentes y cada uno responde a
diferentes frecuencias fotolumínicas. La
combinación de estas tres frecuencias da
lugar a TODOS los colores.
Relaciones entre Pixeles
Relaciones entre Pixeles
 edidas de Distancias:
‡ Considerando los pixeles %!/y #, con coordenadas
 !!!!1! respectivamente,  representa una
función de distancia si:
± (%!/) > 0 o (%!/) = 0 si % = /.
± (%!/) = (/!%) .
± (%!#) <= (%!/) + (/!#)

± Investigar expresiones de Distancia 2, ! 3
"

4
.

 %%
 ,5 
 Tipos de Operaciones

| 
 


 


Punto pl valor de salida en una coordenada
específica depende únicamente del valor
de entrada en la misma coordenada
Local pl valor de salida en una coordenada
específica depende de los valores de
entrada de los pixeles en una vecindad
alrededor de la misma coordenada
Global pl valor de salida en una coordenada
específica depende de todos los valores de
la imagen de entrada
Tipos de Operaciones
 Operaciones Básicas:

| 





± Adición: p + q
± Sustracción: p ± q
± ultiplicación: p * q
± División: p/q
| 
 

± p AND q
± p OR q
± NOT (q)
± Funciones del Álgebra Booleana.
 Histograma
‡ Representación gráfica de la información
contenida en la imagen, en el eje horizontal los
Niveles de Gris y eje vertical la probabilidad de
ocurrencia de cada uno de éstos.
‡ pxiste un histograma para cada longitud de onda
de captura de la imagen.
‡ Provee información de la calidad global de captura
de la imagen.
‡ Para pixeles de 8 bits el rango de brillantez (eje
horizontal) tiene el rango de 0 (Negro) a 255
(Blanco).
 Histograma con Función de Probabilidad

‡ Siendo el nivel de Gris,   su función de

probabilidad y 6 el número máximo de NG:
ååå åå

ååå
åå
ååå

ååå åå

ååå
åå

ååå

ååå

ååå

å
å å
åå
å åå  å åå å
å å
åå
å åå  å åå
 Control de la brillantez de una imagen

‡ La siguiente función permite controlar el contraste de una

imagen:

‡ Para un mayor contraste " debe ser mayor que cero; para
reducir el contraste " debe ser menor que cero.
‡  permite incrementar el nivel de brillantez de manera
lineal sobre todos los pixeles de la imagen.
 Operador logarítmico y exponencial
‡ ps utilizado para corregir la respuesta de una CCD o para
modificar el rango de brillantez de una imagen.

‡ donde "' y "7 son valores enteros positivos que permiten

controlar en nivel de brillantez de  !.

Tarea: Comprobar estos operadores.

 Implementación en atlab
‡ clear all;
‡ I = imread('_lenae.jpg');
‡ imshow(I);
‡ I = double(I);
‡ [R,C]=size(I);
‡ vector(1:256)=0;
‡ for i=1:R
‡ for j=1:C
‡ vector(I(i,j)+1)= vector(I(i,j)+1) + 1;
‡ end
‡ end
‡ figure
‡ plot(vector);
‡ figure;
‡ vector=vector/(R*C);
‡ plot(vector);
 Representación 3-D del Histograma
‡ Representación gráfica donde 2 ejes representan
las coordenadas de los pixeles y el 3er. representa
los niveles de intensidad de éstos.
Representación 3-D del Histograma
 ‘ 

ï del Histograma
‡ ps una técnica para ampliar y /o desplazar el rango de NG del
histograma original para cubrir los 256 NG.
‡ Si el histograma de la imagen original IN inicia en el nivel c  y
termina en el nivel c  , y se desea que la imagen de salida se
encuentre en los niveles 8 y 8 , la normalización se define
como:

8max 8min
8 ,
(c , c min ) ; 8min
c max c min

‡ Normalmente se desea ampliar el histograma de una imagen al

intervalo de 0(8 a 255(8  NG; entonces, la expresión
anterior queda como:
255
8 ,
(c , c min )
c max c min
pfecto de la Normalización del Histograma
 pï

ï del Histograma

‡ ps un proceso no-lineal ideado para resaltar la brillantez de una

imagen. La imagen de salida se pretende tenga un histograma mas
uniforme () donde todos lo pixeles tengas  la misma
probabilidad de ocurrencia.
‡ Considerando imágenes de entrada y salida IN y OUT con  niveles
de intensidad, el número de pixeles por nivel se denota como c  y
8para 0 —
—  
  
 
         



  

     

  
 

  
    

  

!

®c

0
( )
® 8 ( )

0
 pï

ï del Histograma
‡ psta relación se cumple para cualquier nivel de gris seleccionado
arbitrariamente, esto es:
% %

‡ ®c
 0
( ) ®
 0
( ) 1)

‡ Debido a que el histograma de la imagen de salida se considera

uniforme, el número de puntos por nivel en la imagen de salida es la
razón del número total de pixeles al rango de NG de dicha imagen:
‘2
( )
‡ ‘ max ‘ min 2)

‡ De tal manera que el histograma acumulativo de la imagen de salida es:

% 2

‡ ®
 0
( ) /

3)
max min
 pï

ï del Histograma
‡ Sustituyendo 3) en 1):
2 %
/
® c ( )
‡ 
0
4)
max min

‡ despejando para cada valor de intensidad /:

%
max min
/
 ® c ( )
‡ 2

0
5)

‡ psto nos permite obtener una función de mapeo que genera una
imagen de salida con histograma plano, el mapeo se da citando 5):

%
‘ max
‘ min ( c‘ , c‘ )
(/, c‘ )
‘2
® c‘ ( )
 0

 , ,
pï

ï del Histograma
 Tarea

‡ Implementar la Normalización y
pcualización del Histograma (pag. 91 del
González).
‡ Investigar el comando 4/
 pstadística de una Imagen
‡ pn algunas aplicaciones puede ser útil contar con
algunas medidas de tendencia central y varianza en
los niveles de intensidad.

‡ edidas de Tendencia Central:

± 
# es el valor que ocurre más frecuentemente en una
imagen y el punto más alto del histograma.
±  

: Representa el valor medio de la distribución de
frecuencias. La mitad de los NG están a la derecha y la otra
mitad a la izquierda de la mediana.
 pstadística de una Imagen
±  
: ps un promedio aritmético de los niveles de
intensidad y se define como la suma de los niveles de
intensidad dividida por el número total de pixeles, esto
es:
pstadística de una Imagen
 pstadística de una Imagen
‡ edidas de Dispersión:
± —


: ps la desviación cuadrada promedio
de todos los NG analizados.
 pstadística de una Imagen
‡ „
ïp$
: ps la raíz cuadrada positiva
de la varianza:

‡ Pequeños valores de " sugieren que los pixeles

están más agrupado en torno un valor medio.
Valores relativamente grandes de " sugieren
pixeles mas dispersos.
pstadística de una Imagen
 pstadística de una Imagen
‡ "1: ps una medida de la asimetría de
un histograma. Un valor cercano a cero
indica una simetría perfecta.
 pstadística de una Imagen
‡ ,
: Determina si una distribución normal
presenta picos o crestas de intensidad muy
pronunciados. Un valor negativo indica que el
pico de la distribución es menos pronunciado que
el de una distribución normal.
 Convolución pspacial

pste proceso en el dominio discreto:

 Propiedades de la Convolución

‡ Conmutativa:

,! 4,!9,!

‡ Asociativa:

,! 4,!9,!9,! 4,!9,!9,!

‡ Distributiva:

,! 4,!9,!:,! 4,!9,!:4,!9,!

 Convolución pspacial
‡ La respuesta al impulso 4,! frecuentemente se aproxima
a un componente de 3x3 conteniendo coeficientes de peso.
‡ 4,!se denomina ; !!

"que
representa una subimagen.
‡ Los valores de 4,!dependerán de la función a realizar
(filtro pasa-bajas o pasa-altas) Partir de los cuales se
calculan los valores de los pixeles de la imagen de salida.
‡ Tamaños típicos de las máscaras son:3x3, 5x5, 7x7, 9x9,
etc. La condición es que el tamaño sea impar para que
exista un solo pixel central.
Convolución pspacial
Convolución pspacial
 Convolución pspacial
‡ Tamaño de imagen de entrada: xN.
‡ Tamaño de máscara: mxn.
‡ Tamaño de imagen de salida: [-m+1]x[N-n+1].
 Convolución pspacial
‡ pn los Bordes:
‡ 1) Omitir los pixeles que no
contienen todos los vecinos que la
máscara indica.
‡ 2) Anexar filas y columnas
alrededor de la imagen hasta que
todos los pixeles completen los
vecinos que indica la máscara. Las
intensidades de los pixeles serán
similares a las de los bordes.
‡ 3) Anexar filas y columnas de
ceros hasta que todos lo pixeles
completen los vecinos que la
máscara indica.
 Tipos de Vecindades

‡ Representan la forma en cómo son muestreadas las

imágenes, básicamente son 2 los tipos de vecindades mas
frecuentemente utilizadas:

‡ uestreo Rectangular.- Se realiza considerando una rejilla

rectangular sobre la imagen.

‡ uestreo Hexagonal.- Se considera una forma hexagonal

de los pixeles y de las vecinadades.
Tipos de Vecindades

Rectangular

Hexagonal
 Convolución pspacial
‡ La respuesta para cada
pixel puede calcularse:

‡ Recordando que la
intensidad de pixel
analizado se
reemplaza por el valor
de .
Implementación general de un filtro
 Filtro Promediador
(Filtro Pasa-bajas)
‡ Sus efectos son la reducción de ruido y eliminar
pequeños detalles de la imagen.
‡ La salida es el promedio de los pixeles contenidos
en la vecindad de la máscara.
‡ No obstante, los bordes pueden resultar ³borrosos´
puesto que éste filtro reduce las frecuencias altas y
consecuentemente reducir detalles en la imagen.
 Otros filtros Pasa-Bajas

‡ Filtro de la ediana.
‡ Filtro Olímpico.

‡ 8c %r

,14
 pfecto de Filtro Pasa-Bajas

Algunas veces se opta por usar máscaras mas grandes de tamaño 7x7 ó
9x9; sin embargo, el efecto resultante es un mayor suavizado de los
contornos de la imagen manteniéndose únicamente las estructuras mas
grandes.
 pfecto de Filtro Pasa-Bajas

áscara de 3x3 áscara de 7x7

 Filtro promediador Gaussiano

‡ ps considerado uno de los filtros pasa-bajas mas eficientes, éste filtro

implica coeficientes de la máscaras definidos por la distribución
Gaussiana.
‡ La función Gaussiana en las coordenadas ! es controlada por la
varianza 67:
2
; 2
1 (
26 2
)
( , , 6 )
2

2 6
‡ Nótese que la ventana o filtro que se recorre por la imagen original
queda definida por esta función.
 Filtro promediador Gaussiano
i

 i
  i
 i
 i


i 
 i   i  i  i 

i
 i
 i i i

i
 i  i i i

i

 i
  i
 i
 i



2
; 2
1 (
26 2
)
( , , 6 )
2

2 6