Tema 1.- Introducci On A La Visi On Arti Cial
Tema 1.- Introducción a la Visión ArtificialTema 1.- Introducción a la Visión ArtificialVisión Artificial AvanzadaProf. Dr. Nicolás Luis Fernández Garcı́aDepartamento de Informática y Análisis NuméricoEscuela Politécnica SuperiorUniversidad de CórdobaUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes1 / 200
Tema 1.- Introducción a la Visión ArtificialProgramaTema 1.- Introducción a la Visión ArtificialTema 2.- Dificultades en los procesos de reconocimiento 2DTema 3.- Dificultades y limitaciones asociadas al uso de laVisión 3DUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes2 / 200
Tema 1.- Introducción a la Visión ArtificialPrograma1SegmentaciónUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes3 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentación1SegmentaciónUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes4 / 200
Tema 1.- Introducción a la Visión ́nIntroducciónAlgoritmos orientados a regionesUmbralización de regionesCrecimiento de regionesPartición y fusión de regionesAlgoritmos orientados a los bordesIntroducciónDetección de bordes en imágenes monocromáticasDetección de bordes en imágenes en colorEvaluación de algoritmos de detección de bordes en colorUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes5 / 200
Tema 1.- Introducción a la Visión �nEl análisis de la imagen requiere una reducción de la cantidadde informaciónLa segmentación permite identificar las partes significativas dela imagenUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes6 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónIntroducciónDefinición (Segmentación)Proceso que permite identificar regiones que representenobjetoso partes significativas de los objetosCada región debeser homogéneadiferenciarse de las regiones adyacentes y del fondotener una gran relación con un elemento del mundo realUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes7 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónIntroducciónDefinición (Segmentación)Descomposición de la imagen X en regiones R1 , · · · , RN tal que:X N[Rii 1Ri Rj i 6 jP(Ri ) Verdadero i {1, 2, . . . , N}P(Ri Rj ) Falsoi 6 jdondeRi : región o parte significativa la imagenP(): predicado lógico que indica un criterio de homogeneidadUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes8 / 200
Tema 1.- Introducción a la Visión �n: propiedadesSimilitud: los puntos de una región deben tener valoressimilares de una propiedad:Nivel de grisColorTexturaEtc.Conectividad: los puntos de una región han de estarconectados entre sı́.Discontinuidad: las regiones se deben diferenciar del fondo ytener unos bordes definidos.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes9 / 200
Tema 1.- Introducción a la Visión �n: dificultadesSimilitud: la iluminación influye en que los puntos de uncomponente de la imagen no tenga valores similares: brillo,ruido, etc.Conectividad: las oclusiones u ocultamientos parcialespueden impedir que puntos de un mismo componente esténconectados entre sı́.Discontinuidad: los bordes pueden no estar bien definidos(contornos no cerrados o con bucles).Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes10 / 200
Tema 1.- Introducción a la Visión �n: tipos de algoritmosOrientados a las regiones (Region-based methods)Orientados a los bordes (Edge-based methods)Etc.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes11 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regiones1SegmentaciónIntroducciónAlgoritmos orientados a regionesUmbralización de regionesCrecimiento de regionesPartición y fusión de regionesAlgoritmos orientados a los bordesIntroducciónDetección de bordes en imágenes monocromáticasDetección de bordes en imágenes en colorEvaluación de algoritmos de detección de bordes en colorUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes12 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesAlgoritmos orientados a regionesIntentan detectar las regiones ocupadas por los objetospresentes en una imagen.Cada región está compuesta por puntos conpropiedades homogéneasy diferentes a las del resto de las regiones y del fondo.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes13 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesAlgoritmos orientados a regionesTiposUmbralización de regionesCrecimiento de regionesPartición y fusión de regionesEtc.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes14 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesUmbralización de regionesMétodo muy simpleComputacionalmente eficienteMuy útil si la imagen está formada por objetos queconstrastan con el fondoUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes15 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesEjemplo (Umbralización de regiones)ImagenUniversidad de Córdoba: Escuela Politécnica SuperiorImagen umbralizadaMáster de Sistemas Inteligentes16 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesEjemplo (Umbralización de regiones)Histogramas: (a) bimodalUniversidad de Córdoba: Escuela Politécnica Superior(b) trimodalMáster de Sistemas Inteligentes17 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesUmbralización de regionesHistograma bimodalLo genera una imagen con un objeto claro sobre un fondooscuroAcumulación de la izquierda: corresponde al fondo de laimagenAcumulación de la derecha: asociada al objeto.Zona de transición: valle que establece el lı́mite de separaciónentre el objeto y el fondoUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes18 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesUmbralización de regionesHistograma bimodalLos puntos con un nivel de intensidad menor que dicho umbralpertenecerán al fondo de la imagenEl resto de puntos formarán parte del objetoUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes19 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesNota (Umbralización de regiones)DificultadesUna imagen no siempre tiene un único objeto sobre el fondo.Cada objeto debe estar formado por puntos con un rango deniveles de intensidad distinto al de los demás objetos y al delfondo.Los objetos también se caracterizan por propiedades distintasal nivel de intensidad, como, por ejemplo, su texturaUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes20 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesEjemplo (Imágenes con texturas)ColorUniversidad de Córdoba: Escuela Politécnica SuperiorMonocromáticaMáster de Sistemas Inteligentes21 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesUmbralización de regionesAlgoritmo generalSea f una imagen formada por N objetos O1 , O2 , · · · , ON ,(uno de ellos es el fondo)Seleccionar N 1 umbrales U1 , U2 , · · · , UN 1 a partir delhistogramaGenerar una nueva imagen g g1 si 0 f (x, y ) U1 g2 si U1 f (x, y ) U2g (x, y ) . . gN si UN 1 f (x, y ) 255Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes22 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesUmbralización de regiones: tipos de algoritmosGlobalCalcula un único umbral a partir de los valores de todos lospuntos: f (x, y )Útil si el contraste de los objetos frente al fondo esrelativamente constanteLocal o adaptativaTambién utiliza propiedades locales de los puntos.Por ejemplo: valor medio de intensidad de un vecindariocentrado en cada puntoDinámicaAdemás, tiene en cuenta las coordenadas de cada punto: (x, y )Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes23 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesNota (Umbralización de regiones: tipos de algoritmos)Los algoritmos locales y dinámicos son útiles cuandoel fondo de la imagen varı́a a lo largo de éstael contraste de los objetos es cambianteUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes24 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesCrecimiento de regiones1Fase inicial: regiones iniciales del tamaño de un punto(semillas)2Crecimiento: cada punto se añade a la región contigua conpropiedades similares (nivel de gris, color, textura, etc.).Comprobación de fronteras adyacentes: medida deconsistencia3Frontera fuerte: propiedades medias son sensiblementediferentesFrontera débil, en caso contrarioLas fronteras débiles se eliminan, permitiendo la unión de lasregiones a las que separaban.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes25 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesEjemplo (Crecimiento de regiones)Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes26 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesCrecimiento de regionesDificultades implı́citasElección de las semillasCada región debe tener al menos una semilla representativaCada semilla debe estar situada dentro del contorno de laregión a la que representa.Complejidad:Se deben elegir adecuadamente las propiedades y los criteriosque controlarán el crecimiento de las regionesVentajaRobustez:Ofrecen una mejor respuesta en presencia de ruido.En este criterio, superan a los algoritmos de detección debordes.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes27 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesPartición y fusión de regiones12Fase inicial: la imagen original se considera que es una regiónComprobación(a) Si P(R) falso entonces partición(i) R se divide en 4 regiones de igual tamaño: R1 , R2 , R3 y R4(ii) Para cada región Ri (i {1, · · · , 4}) se repite el paso 2(b) Si P(R) verdadero entonces fusión(i) Si R es adyacente a Ri , · · · , Rj ,P(Ri ) verdadero, · · · , P(Ri ) verdadero yP(R Ri · · · Rj ) verdadero entonces se fusionan en unanueva región R 0 R Ri · · · Rj(ii) Se comprueba si la nueva región R 0 se puede fusionar conotras regiones adyacentes (paso 2 b)Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes28 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a regionesEjemplo (Partición y fusión de regiones)Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes29 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordes1SegmentaciónIntroducciónAlgoritmos orientados a regionesUmbralización de regionesCrecimiento de regionesPartición y fusión de regionesAlgoritmos orientados a los bordesIntroducciónDetección de bordes en imágenes monocromáticasDetección de bordes en imágenes en colorEvaluación de algoritmos de detección de bordes en colorUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes30 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesAlgoritmos orientados a los bordesIntroducciónDetección de bordes en imágenes monocromáticasDetección de bordes en imágenes en colorEvaluación de algoritmos de detección de bordes en colorUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes31 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesIntroducciónLos algoritmos orientados a los bordesTratan de extraer los objetos de la imagen localizando suscontornos o fronterasGeneran como salida una imagen denominada mapa de bordesEl mapa de bordes puede incluir información explı́cita sobrela posiciónla fuerza o intensidadla orientaciónUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes32 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesImagen en colorUniversidad de Córdoba: Escuela Politécnica SuperiorMapa de bordesMáster de Sistemas Inteligentes33 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesIntroducciónRelevancia de los bordesLos bordes contienen una información esencial de la imagenMuy usados en tareas del procesamiento digital de imágenes:Realce de imágenesSegmentación de imágenesCompresión de imágenesReconocimiento de objetosReconstrucción 3DEtc.El rendimiento de estas tareas depende de la precisión con laque los bordes sean detectados.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes34 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesDefinición (Borde)Discontinuidad en algún atributo de la imagenUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes35 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesIntroducciónAtributos utilizados en la detección de bordesIntensidad luminosa de los niveles de gris de la imagen:atributo más utilizadoColor: importanciaProporciona más información que una imagen monocromáticaLa información adicional del color es relevante.Permite detectar bordes provocados por cambios de tono (hue)de color pero con un mismo nivel de intensidad luminosa.La detección de bordes en color supera a la detecciónmonocromática de bordes si el contraste bajo.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes36 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesIntroducciónCausas fı́sicas de los bordesIluminaciónReflejosSombrasGeometrı́a de los objetosProfundidad de los objetos en la escenaOcultaciones parciales de los objetosTextura de los objetosCambios de colorEtc.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes37 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesImagen en color con bordes provocados por diferentes motivos.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes38 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesAlgoritmos orientados a los bordesIntroducciónDetección de bordes en imágenes monocromáticasDetección de bordes en imágenes en colorEvaluación de algoritmos de detección de bordes en colorUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes39 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesAlgoritmos orientados a los bordesDetección de bordes en imágenes monocromáticasBordes de las imágenes monocromáticasClasificación de los detectores de bordes monocromáticosDiseño los detectores de bordes monocromáticosSuavización de la imagenDiferenciación de la imagenIdentificación de los bordesUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes40 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesAlgoritmos orientados a los bordesDetección de bordes en imágenes monocromáticasBordes de las imágenes monocromáticasClasificación de los detectores de bordes monocromáticosDiseño los detectores de bordes monocromáticosSuavización de la imagenDiferenciación de la imagenIdentificación de los bordesUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes41 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesDefinición (Bordes de las imágenes monocromáticas)Se corresponden con los cambios o discontinuidades de la funciónde intensidad de los niveles de gris.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes42 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesBorde ideal tipo escalón o saltoPerfil de la función de intensidada lo largo de una lı́nea horizontalUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes43 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesDetección de bordes en imágenes monocromáticasBorde de tipo escalónAparece cuando coinciden dos regiones homogéneas conniveles de gris muy diferentes entre sı́.El borde se sitúa en el punto en el cual la discontinuidad delos niveles de gris se produce.La mayorı́a de los detectores de bordes han sido diseñadospara este tipo de bordesSe caracteriza por su ruido, contraste, pendiente y anchura.Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes44 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesDetección de bordes en imágenes monocromáticasTipos de bordesEscalón o salto (step edge).Rampa (ramp edge):Con pendiente cóncava (concave slope)Con pendiente convexa (convex slope)o con ambasEscalera (staircase edge).Pico (peak edge), cresta (ridge edge) o pulso (pulse edge).Valle (valley edge).Tejado (roof edge).Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes45 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesTipos de bordes: (a) escalón o salto, (b) rampa convexa, (c) rampa cóncava,(d) escalera, (e) valle, (f) tejado, (g) y (h) pico o pulsoUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes46 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesDetección de bordes en imágenes monocromáticasTipos de bordes según la forma geométricaLı́neas rectas con cualquier direcciónLı́neas curvasUniones (junctions)Esquinas (corners)Universidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes47 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesImagen con un borde del tipo T-uniónUniversidad de Córdoba: Escuela Politécnica SuperiorMáster de Sistemas Inteligentes48 / 200
Tema 1.- Introducción a la Visión ArtificialSegmentaciónAlgoritmos orientados a los bordesAlgoritmos orientados a los bordesDetección de bordes en imágenes monocromáticasB
Tema 1.- Introducci on a la Visi on Arti cial Programa 1 Segmentaci on Universidad de C ordoba: Escuela Polit ecnica Superior M aster de Sistemas Inteligentes 3 / 200
Contenido del curso Tema 1. Sistemas de Producción Lechera en México Tema 2. Características de la raza Holstein Tema 3. Crianza de reemplazos Tema 4. Manejo reproductivo del ganado lechero Tema 5. Alimentación del ganado lechero Tema 6. Manejo sanitario del ganado lechero Tema 7. Producción de leche Tema 8. Construcciones y equipo
Tema 9: Introduccio n a las redes neuronales D. Balbont ın Noval F. J. Mart ın Mateos J. L. Ruiz Reina Dpto. Ciencias de la Computaci on e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial IA 2013-2014 Tema 9: Introducci on a las redes neuronales.
Tema 9: Introduccio n a las redes neuronales D. Balbont ın Noval F. J. Mart ın Mateos J. L. Ruiz Reina Dpto. Ciencias de la Computaci on e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial IA 2012-2013 Tema 9: Introducci on a las redes neuronales.
sismologÍa e ingenierÍa sÍsmica tema 6: modelos sobre el comportamiento de fallas activas. tema 7: paleosismicidad. tema 8: movimiento sÍsmicos del suelo: dominio temporal y frecuencial. tema 9: peligrosidad sÍsmica y efectos locales. tema 10: vulnerabilidad y riesgo sÍsmico. tema 11: sismometrÍa
INTRODUCCIÓN AL HOME STUDIO 2. SOFTWARE DE AUDIO (PROTOOLS) TEMA 1: INTERFACE TEMA 2: COMANDOS TEMA 3: CONFIGURACIÓN DE SESIÓN TEMA 4: EDICIÓN I 3. PROCESAMIENTO Y MIDI TEMA 1: PRINCIPIOS DEL AUDIO Y PLUGINS - Ecualización - Dinámica - Efectos TEMA 2: INSTRUMENTOS VIRTUALES - Instrumentos orgánicos - Instrumentos sintéticos 4 .
Tema 4: Espiritualidad filial, Providencia, abandono en el Padre. Tema 5: La espiritualidad se funda en Cristo. Tema 6: Espiritualidad para un mundo necesitado, esperanza. Tema 7: Espiritualidad es fidelidad a la Palabra de Dios Tema 8: Pedagogía del Espíritu en la liturgia. Tema 9: Donde está la Iglesia allí está el Espíritu de Dios.
Tema 8. Redes Neuronales Pedro Larra naga, I naki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computaci on e Inteligencia Arti cial Universidad del Pa s Vasco{Euskal Herriko Unibertsitatea 8.1 Introducci on En este tema vamos a introducir el paradigma de redes neuronales arti ciales, muy popular dentro de la Inteligencia Computacional.
pile bending stiffness, the modulus of subgrade reaction (i.e. the py curve) assessed based on the SW model is a function of the pile bending - stiffness. In addition, the ultimate value of soil-pile reaction on the py curve is governed by either the flow around failure of soil or the plastic hinge - formation in the pile. The SW model analysis for a pile group has been modified in this study .
