SlideShare una empresa de Scribd logo
1 de 51
Descargar para leer sin conexión
Procesamiento de Imágenes 
y Visión Artificial 
(WEE2) 
Sesión: 7 
Operaciones morfológicas II 
MSc. Ing. José C. Benítez P.
Logros de aprendizaje 
1. Conocer las operaciones morfológicas aplicadas a los 
diferentes tipos de imágenes digitales. 
2. Procesar morfológicamente las imágenes digitales. 
3. Implementar las operaciones morfológicas de las 
imágenes binarias. 
4. Dilatar una imagen binaria. 
5. Erosionar una imagen binaria. 
6. Aperturar una imagen binaria. 
7. Clausurar una imagen. 
8. Extraer las fronteras (borde) de una imagen. 
9. Rellenar regiones de una imagen. 
2
3 
Contenido 
Operaciones morfológicas II: 
• Introducción. 
• Elementos del procesado morfológico. 
• Dilatación binaria. 
• Erosión binaria. 
• Apertura (erosión + dilatación). 
• Clausura (dilatación + erosión). 
• Bordes utilizando OM. 
• Rellenado de regiones (Fill Hole ). 
• Resumen de operaciones morfológicas.
Introducción a las OM 
Esquema general del análisis de imágenes
Introducción a las OM 
 Morfología: 
• Estudio de la forma y la estructura 
 Morfología matemática: 
• Es una técnica de procesado no lineal de la imagen, interesada 
en la geometría de los objetos 
• Análisis morfológico: Permite extraer componentes de la imagen 
que son útiles en la representación y descripción de la forma de 
las regiones: 
Fronteras 
Esqueletos, … 
• Permite obtener características relevantes de los objetos en la 
imagen: 
Forma 
Tamaño, ... 
• Procesado morfológico: Permite transformar la forma o la 
estructura de los objetos en una imagen
Introducción a las OM 
 Tipos: 
• Morfología binaria (es la más frecuente). 
• Morfología de niveles de gris. 
• Morfología de imágenes policromáticas. 
 Usos: 
• Post-procesado: Por ejemplo, tras un proceso 
de segmentación 
• Pre-procesado: Por ejemplo, previo a un 
sistema de reconocimiento. 
 Aplicaciones: 
• Análisis de imágenes médicas, teledetección, 
visión artificial, ...
Introducción a las OM 
• Las tareas de segmentación no suelen dar un resultado exacto de 
la delimitación de los objetos o regiones de interés. Aparecen 
píxeles mal clasificados, bordes imprecisos de los objetos o 
regiones que están solapadas. Por tanto, antes de extraer más 
características de medio nivel se requiere de una etapa de pre-procesamiento. 
En esta fase se suele emplear el tratamiento 
morfológico. 
• Es una técnica de procesamiento no lineal de la señal, 
caracterizada en realzar la geometría y forma de los objetos. 
• Su fundamento matemático se basa en la teoría de conjuntos. 
• Aunque en un principio se aplicará sobre las imágenes binarizadas, 
luego se extenderá a las imágenes en niveles de grises. Este uso a 
niveles de grises permitirá vislumbrar que el procesamiento 
morfológico también se puede utilizar como técnica de procesado 
de la señal.
Introducción a las OM 
• Concluyendo, estas nuevas herramientas se 
pueden emplear tanto en el procesado, como en 
las etapas de segmentación - postprocesado o en 
fases de mayor nivel de información visual. 
• Actualmente se puede encontrar aplicaciones en la 
restauración de imágenes, en la detección de 
bordes, en el análisis de texturas, en el aumento 
del contraste y hasta en la compresión de 
imágenes.
Introducción a las OM 
• La morfología matemática se basa en operaciones de teoría 
de conjuntos. En el caso de imágenes binarias, los conjuntos 
tratados son subconjuntos de Z2 y en el de las imágenes en 
escala de grises, se trata de conjuntos de puntos con 
coordenadas en Z3. 
• Las operaciones morfológicas simplifican imágenes y 
conservan las principales características de forma de los 
objetos. 
• Un sistema de operadores de este tipo y su composición, 
permite que las formas subyacentes sean identificadas y 
reconstruidas de forma óptima a partir de sus formas 
distorsionadas y ruidosas.
Introducción a las OM 
• La morfología matemática se puede usar, entre otros, 
con los siguientes objetivos: 
 Pre-procesamiento de imágenes (supresión de 
ruidos, simplificación de formas). 
 Destacar la estructura de los objetos (extraer el 
esqueleto, detección de objetos, envolvente 
convexa, ampliación, reducción,...) 
 Descripción de objetos (área, perímetro,...)
Introducción a las OM 
1. Imágenes binarias 
 Operaciones morfológicas: 
Dilatación, erosión, Transformada Hit-or-Miss, apertura 
y clausura. 
 Aplicaciones: 
Extracción de fronteras y componentes conexas, 
rellenado de regiones, adelgazamiento y 
engrosamiento, esqueleto y poda. 
2. Imágenes en escala de grises 
 Operaciones morfológicas: dilatación, erosión, apertura, 
cierre. 
 Aplicaciones: 
Gradiente morfológico, transformada Top-Hat, texturas y 
granulometrías.
Dilatación 
Dada una imagen A, y un elemento estructural B, (ambas 
imágenes binarias con fondo blanco), la dilatación de A por B 
se define como: 
Tengamos en cuenta que, para la intersección sólo 
consideramos los píxeles negros de A y B. 
El primer elemento de la dilatación, A, está asociado con la 
imagen que se está procesando y el segundo recibe el nombre 
de elemento estructural, la forma que actúa sobre A en la 
dilatación para producir A Å B .
Dilatación
Dilatación
Dilatación
Dilatación
Dilatación
Dilatación
Dilatación
Erosión 
Dada una imagen A, y un elemento estructural B, (ambas 
imágenes binarias con fondo blanco), la erosión de una imagen, 
A, por un elemento estructural, B, es el conjunto de todos los 
elementos x para los cuales B trasladado por x está contenido 
en A: 
Tengamos en cuenta que, para la condición Bx Í A, sólo 
consideramos los píxeles negros de A y B. 
La erosión es la operación morfológica dual de la dilatación. 
La erosión se concibe usualmente como una reducción de la 
imagen original.
Erosión
Erosión
Erosión
Erosión
Erosión
Erosión
Erosión
Erosión
Dilatación y Erosión 
Ejercicios: 
• ¿En qué condiciones A Í A Å B? 
• ¿ A Q B Í A? 
• ¿Cuándo se dan las inclusiones contrarias? 
Para practicar: 
http://homepages.inf.ed.ac.uk/rbf/HIPR2/morops.htm
Apertura
Apertura
Apertura
Clausura
Clausura
Clausura
Clausura
Clausura
Apertura y Clausura (Cierre)
Bordes mediante erosión 
Extracción de la frontera 
La frontera de un conjunto A se puede obtener primero erosionando A 
por un elemento estructural apropiado, B, y realizando posteriormente 
la diferencia entre A y su erosión. Es decir, 
El elemento estructural B usado más frecuentemente es el cuadrado 
3x3 (como en el ejemplo que se muestra a continuación). Usando 
otros tamaños, por ejemplo 5 x 5, se ampliaría el grosor de la frontera 
a dos o tres píxeles.
Bordes mediante erosión
Bordes mediante erosión
Rellenado de regiones (Fill Hole ).
Rellenado de regiones (Fill Hole ).
Relleno de regiones (Fill Hole ).
Relleno de regiones (Fill Hole ).
Resumen de Operaciones morfológicas I
Resumen de Operaciones morfológicas II
Resumen de Operaciones morfológicas II
Resumen 
 Realizar un resumen mediante mapas conceptuales (CMapTools) 
49 
de esta diapositiva. 
 Serán mejor consideradas los resúmenes que tengan información 
extra a esta diapositiva. 
 Las fuentes adicionales utilizadas en el resumen se presentarán 
en su carpeta personal del Dropbox y deben conservar el nombre 
original y agregar al final _S7. 
 Las fuentes y los archivos *.cmap deben colocarse dentro de su 
carpeta personal del Dropbox, dentro de una carpeta de nombre: 
PDI_PaternoM_S7 
Las Tareas que no cumplan las 
indicaciones no serán considerados 
por el profesor.
50 
Preguntas 
El resumen con mapas conceptuales solicitado de la Sesión, 
al menos debe responder las siguientes preguntas: 
1. Conceptos de operaciones morfológicas. 
2. Clasificación de los OM. 
3. Hacer un listado de cinco aplicaciones de las operaciones 
morfológicas. 
4. La dilatación binaria y sus propiedades. 
5. La erosión binaria y sus propiedades. 
6. EL teorema de la dualidad de la erosión y la dilatación. 
7. La apertura y la clausura. 
8. Extracción de bordes mediante erosión. 
9. Rellenado de regiones. 
10. Hacer un cuadro sinóptico de las distintas OM.
51 
Sesion7. Operaciones morfológicas II 
Procesamiento de Imágenes 
y Visión Artificial 
Blog del curso: 
http://utppdiyva.blogspot.com

Más contenido relacionado

La actualidad más candente

A153 wee2 procesamientodeimagenesyvisionartificial
A153 wee2 procesamientodeimagenesyvisionartificialA153 wee2 procesamientodeimagenesyvisionartificial
A153 wee2 procesamientodeimagenesyvisionartificialjcbp_peru
 
Utp pd_iy_va_sap11 segmentación
 Utp pd_iy_va_sap11 segmentación Utp pd_iy_va_sap11 segmentación
Utp pd_iy_va_sap11 segmentaciónc09271
 
Utp pd_iy_va_sap10 detecciòn de bordes
 Utp pd_iy_va_sap10 detecciòn de bordes Utp pd_iy_va_sap10 detecciòn de bordes
Utp pd_iy_va_sap10 detecciòn de bordesc09271
 
Reconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronalReconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronalHugo Banda
 
Utp 2015-2_pdi_lab2
 Utp 2015-2_pdi_lab2 Utp 2015-2_pdi_lab2
Utp 2015-2_pdi_lab2jcbp_peru
 
Utp 2015-2_pdi_lab1
 Utp 2015-2_pdi_lab1 Utp 2015-2_pdi_lab1
Utp 2015-2_pdi_lab1jcbp_peru
 
Cartel de contenidos razonamiento matemática 4º de secundaria 2010
Cartel de contenidos razonamiento    matemática  4º   de  secundaria  2010Cartel de contenidos razonamiento    matemática  4º   de  secundaria  2010
Cartel de contenidos razonamiento matemática 4º de secundaria 2010SIGI40
 

La actualidad más candente (7)

A153 wee2 procesamientodeimagenesyvisionartificial
A153 wee2 procesamientodeimagenesyvisionartificialA153 wee2 procesamientodeimagenesyvisionartificial
A153 wee2 procesamientodeimagenesyvisionartificial
 
Utp pd_iy_va_sap11 segmentación
 Utp pd_iy_va_sap11 segmentación Utp pd_iy_va_sap11 segmentación
Utp pd_iy_va_sap11 segmentación
 
Utp pd_iy_va_sap10 detecciòn de bordes
 Utp pd_iy_va_sap10 detecciòn de bordes Utp pd_iy_va_sap10 detecciòn de bordes
Utp pd_iy_va_sap10 detecciòn de bordes
 
Reconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronalReconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronal
 
Utp 2015-2_pdi_lab2
 Utp 2015-2_pdi_lab2 Utp 2015-2_pdi_lab2
Utp 2015-2_pdi_lab2
 
Utp 2015-2_pdi_lab1
 Utp 2015-2_pdi_lab1 Utp 2015-2_pdi_lab1
Utp 2015-2_pdi_lab1
 
Cartel de contenidos razonamiento matemática 4º de secundaria 2010
Cartel de contenidos razonamiento    matemática  4º   de  secundaria  2010Cartel de contenidos razonamiento    matemática  4º   de  secundaria  2010
Cartel de contenidos razonamiento matemática 4º de secundaria 2010
 

Destacado

Utp pd_iy_va_sap6 diltacion y erosión binaria
 Utp pd_iy_va_sap6 diltacion y erosión binaria Utp pd_iy_va_sap6 diltacion y erosión binaria
Utp pd_iy_va_sap6 diltacion y erosión binariajcbp_peru
 
Utp 2015-2_pdi_ea1 introduccion a la va
 Utp 2015-2_pdi_ea1 introduccion a la va Utp 2015-2_pdi_ea1 introduccion a la va
Utp 2015-2_pdi_ea1 introduccion a la vajcbp_peru
 
Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
 Utp 2015-2_pdi_ea3 conversiones c2_g y negativo Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
Utp 2015-2_pdi_ea3 conversiones c2_g y negativojcbp_peru
 
Utp 2015-2_pdi_sap2 iluminacion y modos de color
 Utp 2015-2_pdi_sap2 iluminacion y modos de color Utp 2015-2_pdi_sap2 iluminacion y modos de color
Utp 2015-2_pdi_sap2 iluminacion y modos de colorjcbp_peru
 
Utp pdi_2015-2_ea8 transformaciones geometricas
 Utp pdi_2015-2_ea8 transformaciones geometricas Utp pdi_2015-2_ea8 transformaciones geometricas
Utp pdi_2015-2_ea8 transformaciones geometricasjcbp_peru
 
Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
 Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicasjcbp_peru
 
Utp pd_iy_va_sap12 reconocimiento de patrones
 Utp pd_iy_va_sap12 reconocimiento de patrones Utp pd_iy_va_sap12 reconocimiento de patrones
Utp pd_iy_va_sap12 reconocimiento de patronesjcbp_peru
 
Utp pd_iy_va_sap14 vision estereoscopica
 Utp pd_iy_va_sap14 vision estereoscopica Utp pd_iy_va_sap14 vision estereoscopica
Utp pd_iy_va_sap14 vision estereoscopicajcbp_peru
 
Utp pdi_2015-2_ea9 filtrado espacial
 Utp pdi_2015-2_ea9 filtrado espacial Utp pdi_2015-2_ea9 filtrado espacial
Utp pdi_2015-2_ea9 filtrado espacialjcbp_peru
 
Utp ia_sl2 patrones de aprendizaje de las rna
 Utp ia_sl2 patrones de aprendizaje de las rna Utp ia_sl2 patrones de aprendizaje de las rna
Utp ia_sl2 patrones de aprendizaje de las rnajcbenitezp
 
Representación binaria de textos, imagenes y sonidos
Representación binaria de textos, imagenes y sonidosRepresentación binaria de textos, imagenes y sonidos
Representación binaria de textos, imagenes y sonidosCj Samu Lopez Djj
 
Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
 Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgammajcbp_peru
 
Pdi paterno m_lab2c
Pdi paterno m_lab2cPdi paterno m_lab2c
Pdi paterno m_lab2cjcbenitezp
 
Pdi paterno m_lab1
Pdi paterno m_lab1Pdi paterno m_lab1
Pdi paterno m_lab1c09271
 
Utp 2015-2_pdi_lab3
 Utp 2015-2_pdi_lab3 Utp 2015-2_pdi_lab3
Utp 2015-2_pdi_lab3jcbenitezp
 
REPRESENTACION DE INFORMACION EN COMPUTADORAS
REPRESENTACION DE INFORMACION EN COMPUTADORASREPRESENTACION DE INFORMACION EN COMPUTADORAS
REPRESENTACION DE INFORMACION EN COMPUTADORASGustavo Salazar Loor
 
Presentacion desarrollo sitio web
Presentacion desarrollo sitio webPresentacion desarrollo sitio web
Presentacion desarrollo sitio webSonia Segura
 

Destacado (20)

Utp pd_iy_va_sap6 diltacion y erosión binaria
 Utp pd_iy_va_sap6 diltacion y erosión binaria Utp pd_iy_va_sap6 diltacion y erosión binaria
Utp pd_iy_va_sap6 diltacion y erosión binaria
 
Utp 2015-2_pdi_ea1 introduccion a la va
 Utp 2015-2_pdi_ea1 introduccion a la va Utp 2015-2_pdi_ea1 introduccion a la va
Utp 2015-2_pdi_ea1 introduccion a la va
 
Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
 Utp 2015-2_pdi_ea3 conversiones c2_g y negativo Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
Utp 2015-2_pdi_ea3 conversiones c2_g y negativo
 
Utp 2015-2_pdi_sap2 iluminacion y modos de color
 Utp 2015-2_pdi_sap2 iluminacion y modos de color Utp 2015-2_pdi_sap2 iluminacion y modos de color
Utp 2015-2_pdi_sap2 iluminacion y modos de color
 
Utp pdi_2015-2_ea8 transformaciones geometricas
 Utp pdi_2015-2_ea8 transformaciones geometricas Utp pdi_2015-2_ea8 transformaciones geometricas
Utp pdi_2015-2_ea8 transformaciones geometricas
 
Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
 Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
Utp 2015-2_pdi_ea4 binariz_zoomumbralo_logicas
 
Utp pd_iy_va_sap12 reconocimiento de patrones
 Utp pd_iy_va_sap12 reconocimiento de patrones Utp pd_iy_va_sap12 reconocimiento de patrones
Utp pd_iy_va_sap12 reconocimiento de patrones
 
Utp pd_iy_va_sap14 vision estereoscopica
 Utp pd_iy_va_sap14 vision estereoscopica Utp pd_iy_va_sap14 vision estereoscopica
Utp pd_iy_va_sap14 vision estereoscopica
 
Utp pdi_2015-2_ea9 filtrado espacial
 Utp pdi_2015-2_ea9 filtrado espacial Utp pdi_2015-2_ea9 filtrado espacial
Utp pdi_2015-2_ea9 filtrado espacial
 
Utp ia_sl2 patrones de aprendizaje de las rna
 Utp ia_sl2 patrones de aprendizaje de las rna Utp ia_sl2 patrones de aprendizaje de las rna
Utp ia_sl2 patrones de aprendizaje de las rna
 
Representación binaria de textos, imagenes y sonidos
Representación binaria de textos, imagenes y sonidosRepresentación binaria de textos, imagenes y sonidos
Representación binaria de textos, imagenes y sonidos
 
Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
 Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
Utp pdi_2015-2_sap5 histograma_brilloo_cntrastecgamma
 
Lab2 d
Lab2 dLab2 d
Lab2 d
 
Pdi paterno m_lab2c
Pdi paterno m_lab2cPdi paterno m_lab2c
Pdi paterno m_lab2c
 
Pdi paterno m_lab1
Pdi paterno m_lab1Pdi paterno m_lab1
Pdi paterno m_lab1
 
L2 s2
L2 s2L2 s2
L2 s2
 
Utp 2015-2_pdi_lab3
 Utp 2015-2_pdi_lab3 Utp 2015-2_pdi_lab3
Utp 2015-2_pdi_lab3
 
REPRESENTACION DE INFORMACION EN COMPUTADORAS
REPRESENTACION DE INFORMACION EN COMPUTADORASREPRESENTACION DE INFORMACION EN COMPUTADORAS
REPRESENTACION DE INFORMACION EN COMPUTADORAS
 
Presentacion desarrollo sitio web
Presentacion desarrollo sitio webPresentacion desarrollo sitio web
Presentacion desarrollo sitio web
 
Librosmasvendidos
LibrosmasvendidosLibrosmasvendidos
Librosmasvendidos
 

Similar a Morfológicas Imágenes

tema5-1 transformaciones morfologicas.pdf
tema5-1 transformaciones morfologicas.pdftema5-1 transformaciones morfologicas.pdf
tema5-1 transformaciones morfologicas.pdfxoscarx18x
 
Analisis de fragmentación con Image j
Analisis de fragmentación con Image jAnalisis de fragmentación con Image j
Analisis de fragmentación con Image jRomel Villanueva
 
Utp pd_iy_va_sap11 segmentación
 Utp pd_iy_va_sap11 segmentación Utp pd_iy_va_sap11 segmentación
Utp pd_iy_va_sap11 segmentaciónc09271
 
Segmentación imagenes
Segmentación  imagenesSegmentación  imagenes
Segmentación imagenesMarco Muñoz
 
Presentación PDI FICH
Presentación PDI FICHPresentación PDI FICH
Presentación PDI FICHCesar Martinez
 
Vision Artificial
Vision ArtificialVision Artificial
Vision ArtificialJavier ER
 
Wee2 procesamientode imagenesyvisionartificial
Wee2 procesamientode imagenesyvisionartificialWee2 procesamientode imagenesyvisionartificial
Wee2 procesamientode imagenesyvisionartificialc09271
 
Estudio de regiones activas solares a través de técnicas de diversidad de fase
Estudio de regiones activas solares a través de técnicas de diversidad de faseEstudio de regiones activas solares a través de técnicas de diversidad de fase
Estudio de regiones activas solares a través de técnicas de diversidad de faseastrosanti
 
Utp pdi_2014-2 lab3 borrador
 Utp pdi_2014-2 lab3 borrador Utp pdi_2014-2 lab3 borrador
Utp pdi_2014-2 lab3 borradorjcbp_peru
 
Pdiva 2012 2 balotario pc4
Pdiva 2012 2 balotario pc4Pdiva 2012 2 balotario pc4
Pdiva 2012 2 balotario pc4c09271
 

Similar a Morfológicas Imágenes (20)

A02v6n2
A02v6n2A02v6n2
A02v6n2
 
T5bn
T5bnT5bn
T5bn
 
tema5-1 transformaciones morfologicas.pdf
tema5-1 transformaciones morfologicas.pdftema5-1 transformaciones morfologicas.pdf
tema5-1 transformaciones morfologicas.pdf
 
Analisis de fragmentación con Image j
Analisis de fragmentación con Image jAnalisis de fragmentación con Image j
Analisis de fragmentación con Image j
 
Utp pd_iy_va_sap11 segmentación
 Utp pd_iy_va_sap11 segmentación Utp pd_iy_va_sap11 segmentación
Utp pd_iy_va_sap11 segmentación
 
Segmentación imagenes
Segmentación  imagenesSegmentación  imagenes
Segmentación imagenes
 
Presentación PDI FICH
Presentación PDI FICHPresentación PDI FICH
Presentación PDI FICH
 
Vision Artificial
Vision ArtificialVision Artificial
Vision Artificial
 
Metamorfosis de imágenes morphing
Metamorfosis de imágenes morphingMetamorfosis de imágenes morphing
Metamorfosis de imágenes morphing
 
Wee2 procesamientode imagenesyvisionartificial
Wee2 procesamientode imagenesyvisionartificialWee2 procesamientode imagenesyvisionartificial
Wee2 procesamientode imagenesyvisionartificial
 
Estudio de regiones activas solares a través de técnicas de diversidad de fase
Estudio de regiones activas solares a través de técnicas de diversidad de faseEstudio de regiones activas solares a través de técnicas de diversidad de fase
Estudio de regiones activas solares a través de técnicas de diversidad de fase
 
Sistemas de vision
Sistemas de visionSistemas de vision
Sistemas de vision
 
Cs gvilca
Cs gvilcaCs gvilca
Cs gvilca
 
Utp pdi_2014-2 lab3 borrador
 Utp pdi_2014-2 lab3 borrador Utp pdi_2014-2 lab3 borrador
Utp pdi_2014-2 lab3 borrador
 
Talle cabri iiplus
Talle cabri iiplusTalle cabri iiplus
Talle cabri iiplus
 
Modelos3 d-generalidades-textoeimagen
Modelos3 d-generalidades-textoeimagenModelos3 d-generalidades-textoeimagen
Modelos3 d-generalidades-textoeimagen
 
Pdiva 2012 2 balotario pc4
Pdiva 2012 2 balotario pc4Pdiva 2012 2 balotario pc4
Pdiva 2012 2 balotario pc4
 
Segmentacion mathlab
Segmentacion mathlabSegmentacion mathlab
Segmentacion mathlab
 
Proyecto. vision artificial
Proyecto. vision artificialProyecto. vision artificial
Proyecto. vision artificial
 
Segmentacion de imagenes
Segmentacion de imagenesSegmentacion de imagenes
Segmentacion de imagenes
 

Más de jcbp_peru

It526 2017 1 balotario-s_ap2y3
It526 2017 1 balotario-s_ap2y3It526 2017 1 balotario-s_ap2y3
It526 2017 1 balotario-s_ap2y3jcbp_peru
 
It526 2016 2 pc4 dom
It526 2016 2 pc4 domIt526 2016 2 pc4 dom
It526 2016 2 pc4 domjcbp_peru
 
It246 2016 2 practica calificada 4
It246 2016 2 practica calificada 4It246 2016 2 practica calificada 4
It246 2016 2 practica calificada 4jcbp_peru
 
It246 2016 2 practica calificada 3
It246 2016 2 practica calificada 3It246 2016 2 practica calificada 3
It246 2016 2 practica calificada 3jcbp_peru
 
It246 2016 2 practica calificada 2
It246 2016 2 practica calificada 2It246 2016 2 practica calificada 2
It246 2016 2 practica calificada 2jcbp_peru
 
It526 2013 2 ep
It526 2013 2 epIt526 2013 2 ep
It526 2013 2 epjcbp_peru
 
It526 2016 1 ep
It526 2016 1 epIt526 2016 1 ep
It526 2016 1 epjcbp_peru
 
It526 2016 2 practica calificada 2
It526 2016 2 practica calificada 2It526 2016 2 practica calificada 2
It526 2016 2 practica calificada 2jcbp_peru
 
33012 calvo tfw-figura-paterna-2015
33012 calvo tfw-figura-paterna-201533012 calvo tfw-figura-paterna-2015
33012 calvo tfw-figura-paterna-2015jcbp_peru
 
It246 2016 2 practica calificada 1
It246 2016 2 practica calificada 1It246 2016 2 practica calificada 1
It246 2016 2 practica calificada 1jcbp_peru
 
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacionUni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacionjcbp_peru
 
Uni fiee ci 2016 02 sesion 2 servicios inalámbricos
Uni fiee ci 2016 02 sesion 2 servicios inalámbricosUni fiee ci 2016 02 sesion 2 servicios inalámbricos
Uni fiee ci 2016 02 sesion 2 servicios inalámbricosjcbp_peru
 
Uni fiee ci 2016 02 sesion 1 espectro radioelèctrico
Uni fiee ci 2016 02 sesion 1 espectro radioelèctricoUni fiee ci 2016 02 sesion 1 espectro radioelèctrico
Uni fiee ci 2016 02 sesion 1 espectro radioelèctricojcbp_peru
 
Uni wc 2016 1 sesion 14 redes moviles 4 g
Uni wc 2016 1 sesion 14 redes moviles 4 gUni wc 2016 1 sesion 14 redes moviles 4 g
Uni wc 2016 1 sesion 14 redes moviles 4 gjcbp_peru
 
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3g
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3gUni wc 2016 1 sesion 13 redes moviles 2 g y 3g
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3gjcbp_peru
 
Lte whitepaper(1)
 Lte whitepaper(1) Lte whitepaper(1)
Lte whitepaper(1)jcbp_peru
 
Redes moviles
Redes movilesRedes moviles
Redes movilesjcbp_peru
 
Uni fiee ci sesion 12 cdma
Uni fiee ci sesion 12 cdmaUni fiee ci sesion 12 cdma
Uni fiee ci sesion 12 cdmajcbp_peru
 
Uni fiee ci 2016 01 sesion 11 comunicaciones moviles
Uni fiee ci 2016 01 sesion 11 comunicaciones movilesUni fiee ci 2016 01 sesion 11 comunicaciones moviles
Uni fiee ci 2016 01 sesion 11 comunicaciones movilesjcbp_peru
 
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacionUni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacionjcbp_peru
 

Más de jcbp_peru (20)

It526 2017 1 balotario-s_ap2y3
It526 2017 1 balotario-s_ap2y3It526 2017 1 balotario-s_ap2y3
It526 2017 1 balotario-s_ap2y3
 
It526 2016 2 pc4 dom
It526 2016 2 pc4 domIt526 2016 2 pc4 dom
It526 2016 2 pc4 dom
 
It246 2016 2 practica calificada 4
It246 2016 2 practica calificada 4It246 2016 2 practica calificada 4
It246 2016 2 practica calificada 4
 
It246 2016 2 practica calificada 3
It246 2016 2 practica calificada 3It246 2016 2 practica calificada 3
It246 2016 2 practica calificada 3
 
It246 2016 2 practica calificada 2
It246 2016 2 practica calificada 2It246 2016 2 practica calificada 2
It246 2016 2 practica calificada 2
 
It526 2013 2 ep
It526 2013 2 epIt526 2013 2 ep
It526 2013 2 ep
 
It526 2016 1 ep
It526 2016 1 epIt526 2016 1 ep
It526 2016 1 ep
 
It526 2016 2 practica calificada 2
It526 2016 2 practica calificada 2It526 2016 2 practica calificada 2
It526 2016 2 practica calificada 2
 
33012 calvo tfw-figura-paterna-2015
33012 calvo tfw-figura-paterna-201533012 calvo tfw-figura-paterna-2015
33012 calvo tfw-figura-paterna-2015
 
It246 2016 2 practica calificada 1
It246 2016 2 practica calificada 1It246 2016 2 practica calificada 1
It246 2016 2 practica calificada 1
 
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacionUni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacion
 
Uni fiee ci 2016 02 sesion 2 servicios inalámbricos
Uni fiee ci 2016 02 sesion 2 servicios inalámbricosUni fiee ci 2016 02 sesion 2 servicios inalámbricos
Uni fiee ci 2016 02 sesion 2 servicios inalámbricos
 
Uni fiee ci 2016 02 sesion 1 espectro radioelèctrico
Uni fiee ci 2016 02 sesion 1 espectro radioelèctricoUni fiee ci 2016 02 sesion 1 espectro radioelèctrico
Uni fiee ci 2016 02 sesion 1 espectro radioelèctrico
 
Uni wc 2016 1 sesion 14 redes moviles 4 g
Uni wc 2016 1 sesion 14 redes moviles 4 gUni wc 2016 1 sesion 14 redes moviles 4 g
Uni wc 2016 1 sesion 14 redes moviles 4 g
 
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3g
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3gUni wc 2016 1 sesion 13 redes moviles 2 g y 3g
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3g
 
Lte whitepaper(1)
 Lte whitepaper(1) Lte whitepaper(1)
Lte whitepaper(1)
 
Redes moviles
Redes movilesRedes moviles
Redes moviles
 
Uni fiee ci sesion 12 cdma
Uni fiee ci sesion 12 cdmaUni fiee ci sesion 12 cdma
Uni fiee ci sesion 12 cdma
 
Uni fiee ci 2016 01 sesion 11 comunicaciones moviles
Uni fiee ci 2016 01 sesion 11 comunicaciones movilesUni fiee ci 2016 01 sesion 11 comunicaciones moviles
Uni fiee ci 2016 01 sesion 11 comunicaciones moviles
 
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacionUni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
 

Morfológicas Imágenes

  • 1. Procesamiento de Imágenes y Visión Artificial (WEE2) Sesión: 7 Operaciones morfológicas II MSc. Ing. José C. Benítez P.
  • 2. Logros de aprendizaje 1. Conocer las operaciones morfológicas aplicadas a los diferentes tipos de imágenes digitales. 2. Procesar morfológicamente las imágenes digitales. 3. Implementar las operaciones morfológicas de las imágenes binarias. 4. Dilatar una imagen binaria. 5. Erosionar una imagen binaria. 6. Aperturar una imagen binaria. 7. Clausurar una imagen. 8. Extraer las fronteras (borde) de una imagen. 9. Rellenar regiones de una imagen. 2
  • 3. 3 Contenido Operaciones morfológicas II: • Introducción. • Elementos del procesado morfológico. • Dilatación binaria. • Erosión binaria. • Apertura (erosión + dilatación). • Clausura (dilatación + erosión). • Bordes utilizando OM. • Rellenado de regiones (Fill Hole ). • Resumen de operaciones morfológicas.
  • 4. Introducción a las OM Esquema general del análisis de imágenes
  • 5. Introducción a las OM Morfología: • Estudio de la forma y la estructura Morfología matemática: • Es una técnica de procesado no lineal de la imagen, interesada en la geometría de los objetos • Análisis morfológico: Permite extraer componentes de la imagen que son útiles en la representación y descripción de la forma de las regiones: Fronteras Esqueletos, … • Permite obtener características relevantes de los objetos en la imagen: Forma Tamaño, ... • Procesado morfológico: Permite transformar la forma o la estructura de los objetos en una imagen
  • 6. Introducción a las OM Tipos: • Morfología binaria (es la más frecuente). • Morfología de niveles de gris. • Morfología de imágenes policromáticas. Usos: • Post-procesado: Por ejemplo, tras un proceso de segmentación • Pre-procesado: Por ejemplo, previo a un sistema de reconocimiento. Aplicaciones: • Análisis de imágenes médicas, teledetección, visión artificial, ...
  • 7. Introducción a las OM • Las tareas de segmentación no suelen dar un resultado exacto de la delimitación de los objetos o regiones de interés. Aparecen píxeles mal clasificados, bordes imprecisos de los objetos o regiones que están solapadas. Por tanto, antes de extraer más características de medio nivel se requiere de una etapa de pre-procesamiento. En esta fase se suele emplear el tratamiento morfológico. • Es una técnica de procesamiento no lineal de la señal, caracterizada en realzar la geometría y forma de los objetos. • Su fundamento matemático se basa en la teoría de conjuntos. • Aunque en un principio se aplicará sobre las imágenes binarizadas, luego se extenderá a las imágenes en niveles de grises. Este uso a niveles de grises permitirá vislumbrar que el procesamiento morfológico también se puede utilizar como técnica de procesado de la señal.
  • 8. Introducción a las OM • Concluyendo, estas nuevas herramientas se pueden emplear tanto en el procesado, como en las etapas de segmentación - postprocesado o en fases de mayor nivel de información visual. • Actualmente se puede encontrar aplicaciones en la restauración de imágenes, en la detección de bordes, en el análisis de texturas, en el aumento del contraste y hasta en la compresión de imágenes.
  • 9. Introducción a las OM • La morfología matemática se basa en operaciones de teoría de conjuntos. En el caso de imágenes binarias, los conjuntos tratados son subconjuntos de Z2 y en el de las imágenes en escala de grises, se trata de conjuntos de puntos con coordenadas en Z3. • Las operaciones morfológicas simplifican imágenes y conservan las principales características de forma de los objetos. • Un sistema de operadores de este tipo y su composición, permite que las formas subyacentes sean identificadas y reconstruidas de forma óptima a partir de sus formas distorsionadas y ruidosas.
  • 10. Introducción a las OM • La morfología matemática se puede usar, entre otros, con los siguientes objetivos: Pre-procesamiento de imágenes (supresión de ruidos, simplificación de formas). Destacar la estructura de los objetos (extraer el esqueleto, detección de objetos, envolvente convexa, ampliación, reducción,...) Descripción de objetos (área, perímetro,...)
  • 11. Introducción a las OM 1. Imágenes binarias Operaciones morfológicas: Dilatación, erosión, Transformada Hit-or-Miss, apertura y clausura. Aplicaciones: Extracción de fronteras y componentes conexas, rellenado de regiones, adelgazamiento y engrosamiento, esqueleto y poda. 2. Imágenes en escala de grises Operaciones morfológicas: dilatación, erosión, apertura, cierre. Aplicaciones: Gradiente morfológico, transformada Top-Hat, texturas y granulometrías.
  • 12. Dilatación Dada una imagen A, y un elemento estructural B, (ambas imágenes binarias con fondo blanco), la dilatación de A por B se define como: Tengamos en cuenta que, para la intersección sólo consideramos los píxeles negros de A y B. El primer elemento de la dilatación, A, está asociado con la imagen que se está procesando y el segundo recibe el nombre de elemento estructural, la forma que actúa sobre A en la dilatación para producir A Å B .
  • 20. Erosión Dada una imagen A, y un elemento estructural B, (ambas imágenes binarias con fondo blanco), la erosión de una imagen, A, por un elemento estructural, B, es el conjunto de todos los elementos x para los cuales B trasladado por x está contenido en A: Tengamos en cuenta que, para la condición Bx Í A, sólo consideramos los píxeles negros de A y B. La erosión es la operación morfológica dual de la dilatación. La erosión se concibe usualmente como una reducción de la imagen original.
  • 29. Dilatación y Erosión Ejercicios: • ¿En qué condiciones A Í A Å B? • ¿ A Q B Í A? • ¿Cuándo se dan las inclusiones contrarias? Para practicar: http://homepages.inf.ed.ac.uk/rbf/HIPR2/morops.htm
  • 39. Bordes mediante erosión Extracción de la frontera La frontera de un conjunto A se puede obtener primero erosionando A por un elemento estructural apropiado, B, y realizando posteriormente la diferencia entre A y su erosión. Es decir, El elemento estructural B usado más frecuentemente es el cuadrado 3x3 (como en el ejemplo que se muestra a continuación). Usando otros tamaños, por ejemplo 5 x 5, se ampliaría el grosor de la frontera a dos o tres píxeles.
  • 42. Rellenado de regiones (Fill Hole ).
  • 43. Rellenado de regiones (Fill Hole ).
  • 44. Relleno de regiones (Fill Hole ).
  • 45. Relleno de regiones (Fill Hole ).
  • 46. Resumen de Operaciones morfológicas I
  • 47. Resumen de Operaciones morfológicas II
  • 48. Resumen de Operaciones morfológicas II
  • 49. Resumen Realizar un resumen mediante mapas conceptuales (CMapTools) 49 de esta diapositiva. Serán mejor consideradas los resúmenes que tengan información extra a esta diapositiva. Las fuentes adicionales utilizadas en el resumen se presentarán en su carpeta personal del Dropbox y deben conservar el nombre original y agregar al final _S7. Las fuentes y los archivos *.cmap deben colocarse dentro de su carpeta personal del Dropbox, dentro de una carpeta de nombre: PDI_PaternoM_S7 Las Tareas que no cumplan las indicaciones no serán considerados por el profesor.
  • 50. 50 Preguntas El resumen con mapas conceptuales solicitado de la Sesión, al menos debe responder las siguientes preguntas: 1. Conceptos de operaciones morfológicas. 2. Clasificación de los OM. 3. Hacer un listado de cinco aplicaciones de las operaciones morfológicas. 4. La dilatación binaria y sus propiedades. 5. La erosión binaria y sus propiedades. 6. EL teorema de la dualidad de la erosión y la dilatación. 7. La apertura y la clausura. 8. Extracción de bordes mediante erosión. 9. Rellenado de regiones. 10. Hacer un cuadro sinóptico de las distintas OM.
  • 51. 51 Sesion7. Operaciones morfológicas II Procesamiento de Imágenes y Visión Artificial Blog del curso: http://utppdiyva.blogspot.com