fundamentos de reconocimiento de patrones y anÁlisis de...

1

Máster universitario en investigación en tecnologías y procesos avanzados en la industria

ILUMINACIÓN Y PROCESAMIENTO DE IMAGEN EN LA INDUSTRIA

FUNDAMENTOS DE RECONOCIMIENTO DE PATRONES Y ANÁLISIS DE IMÁGENES EN COLOR

Dr. Francesco Bianconi

Università degli Studi di Perugia (Italia)

INTRODUCCIÓN

2

Iluminación y procesamiento de imagen en la industria: INTRODUCCIÓN

DATOS DEL DOCENTE

Francesco BIANCONI

Dipartimento Ingegneria IndustrialeUniversità degli Studi di PerugiaTel.: 0039 075 5853706E-mail: [email protected]: http://dismac.dii.unipg.it/bianco

Cursos impartidos

-Dibujo Técnico Industrial

Titulaciones-Ingeniería Mecánica

UBICACIÓN

ITALIA

UMBRIA


3

UMBRIA

Castelluccio – “la fiorita”

Todi

Spoleto

Orvieto

Gubbio

Assisi


PERUGIA

Casco antiguo

Campiña perugina (verano)

Panorámica de la ciudad


4

UNIVERSITÀ DEGLI STUDI DI PERUGIA

Universidad fundada en 1308

Enfoque multidisciplinar

-11 facultades

-29 departamentos

-75 titulaciones de grado

-61 titulaciones de máster

-28.000 estudiantes


FACULTAD DE INGENIERÍA

Titulaciones:

Ingeniería Civil

Ingeniería Civil y Arquitectura

Ingeniería del Medio Ambiente

Ingeniería Informática y Electrónica

Ingeniería Informática y Telecomunicaciones

Ingeniería Mecánica

Sede Perugia Sede Terni

Titulaciones:

Ingeniería de Gestión Industrial

Ingeniería Industrial


5

CONVENIO LLP ERASMUS

Tutores

Francesco Bianconi (Perugia)

Antonio Fernández (Vigo)

Movilidad de estudiantes

2 becas / año

Área: Manufacturing and CAD

Movilidad de docentes


TEMAS DE INVESTIGACIÓN

Evaluación automática de la apariencia visual de materiales industriales

- Tablas de madera (parquet)

- Baldosas en piedra natural

- Baldosas en cerámica

- Papel

- Cuero

Análisis del color y la textura


6

1a PARTE: FUNDAMENTOS DE RECONOCIMIENTO DE PATRONES

Iluminación y procesamiento de imagen en la industria: RECONOCIMIENTO DE PATRONES

RECONOCIMIENTO DE PATRONES: SUMARIO

Aplicaciones

Introducción

– Conceptos básicos

– Etapas del proceso

Tipos de clasificación

Clasificación no supervisada

Clasificación supervisadaClasificadores paramétricos

Clasificadores no paramétricos

Evaluación de la bondad de un clasificador

7


¿QUÉ ES EL RECONOCIMIENTO DE PATRONES?

Existen diversas definiciones:

Asignar un objeto (patrón) a una categoría (clase) predefinidaR. O. Duda

Dividir un espacio multidimensional en clasesK. Fukunaga

Tomar decisiones a partir de ejemplosB. D. Ripley

APLICACIONES (1)


IDENTIFICACIÓN BIOMÉTRICA

Reconocimiento de iris y huellas digitales

8

APLICACIONES (2)


DIAGNÓSTICO ASISTIDO POR COMPUTADOR

Detección de masas y calcificaciones en mamografías

APLICACIONES (3)


INSPECCIÓN INDUSTRIAL

Detección de nudos y grietas en tableros de madera

9

APLICACIONES (4)


RECUPERACIÓN POR CONTENIDO (MULTIMEDIA RETRIEVAL)

Identificación de temas musicales a partir de un fragmento

EJEMPLO ILUSTRATIVO


Separación automática de manzanas verdes y rojas en una planta de envasado de fruta

10

ETAPAS


Adquisición

Procesamiento previo

Extracción de características

Clasificación

Manzana verde

Manzana roja

ADQUISICIÓN


Sistema de iluminación

Cámara

Óptica

Frame grabber

11

PROCESAMIENTO PREVIO


Ecualización

Segmentación (separar las manzanas del fondo)

Solapamientos

EXTRACCIÓN DE CARACTERÍSTICAS


Atributos descriptivos

Poder de discriminación

Dimensión del espacio de características

12

CLASIFICACIÓN


Ejemplos (training samples)

Error de generalización

Coste, riesgo

TIPOS DE CLASIFICACIÓN


NO SUPERVISADA (CLUSTERING)

INPUT

Patrones a clasificar

Número de clases

OUTPUT

Grupos de patrones

SUPERVISADA

INPUT

Patrones de clase conocida (ejemplos o training set)

Patrones a clasificar

OUTPUT

Clases (etiquetas) de los patrones a clasificar

?

13

CLASIFICACIÓN NO SUPERVISADA


dos clases tres clases

Consiste en dividir un conjunto de manzanas en grupos.

ALGORITMO K–MEANS


Divide n patrones en k clases

Cada patrón se asocia al centroide más cercano

14

CLASIFICACIÓN SUPERVISADA


Consiste en determinar el tipo de una manzana a partir de un

aprendizaje basado en ejemplos de los diferentes tipos de manzana

Ejemplos de

manzanas verdes

Ejemplos de

manzanas rojas

APRENDIZAJE

¿ ?

ROJA

RECONOCIMIENTO

¿DE QUÉ CLASE ES ESTA MANZANA?


HIPÓTESIS: Las manzanas verdes y las rojas son equiprobables

CARACTERÍSTICAS: x = nivel medio del canal R de la imagen

15



3.120== Rx

Imagen RGB

Canal R Canal G Canal B

0 50 100 150 200 250

0

2

4

6

8

10

12

14x 10

-3

DENSIDADES CONDICIONALES DE CLASE (APRENDIZAJE)


p (x |roja)p (x |verde)

x

16

0 50 100 150 200 250

0

2

4

6

8

10

12

14x 10

-3

PROBABILIDADES A POSTERIORI


120.3

11.7

3.4

x

ASIGNACIÓN DE CLASE (RECONOCIMIENTO)


VERDE

17

TEORÍA DE LA DECISIÓN BAYESIANA


p (x |ωj): probabilidad condicional de que el vector de características tome el valor x si el patrón es de clase ωj

P (ωj): probabilidad a priori de la clase ωj

P (ωj | x): probabilidad a posteriori de que el patrón sea de clase ωj si el vector de características toma el valor x

( ) ( )( )∑

=

= N

iii

jjj

Pp

pPP

1

)|(

)|(|

ωω

ωωω

x

xx

N es el número de clases

REGLA DE DECISIÓN DE BAYES


Es la formalización estadística de la regla del sentido común

A cada patrón se le asigna la clase que tenga la máxima probabilidad a posteriori

{ }( )xj

NjwP

,...,1maxarg

∈=ω

18

PARTICULARIZACIÓN


( ) 2252.0107.115.0104.35.0

104.35.03.120

44

4

1 =××+××

××= −−

−

ωP

Nivel medio del canal R � x

Clase manzana roja � ω1

Clase manzana verde � ω2

p (120.3|ωωωω1) = 3.4×10-4

p (120.3|ωωωω2) = 11.7×10-4

P(ωωωω1) = P (ωωωω2) = 0.5

( ) 7748.0107.115.0104.35.0

107.115.03.120

44

4

2 =××+××

××= −−

−

ωP

TIPOS DE CLASIFICADORES

PARAMÉTRICOS

La función utilizada para clasificar tiene una forma establecida a priori y depende de unos cuantos parámetros

Se estiman los parámetros a partir de los datos disponibles (training set)

Ejemplos:

Clasificador bayesiano

Naïve Bayes

Clasificadores lineales

Estimación por mínimos cuadrados

Discrimimante lineal de Fisher

NO PARAMÉTRICOS

La función (o regla) no depende de parámetros

Ejemplos:

k–nn

1–nn

Mínima distancia


19

CLASIFICADOR BAYESIANO


Basado en la regla de decisión de Bayes

HIPÓTESIS: Las densidades condicionales de clase tienen una distribución gaussiana multidimensional:

Hay que estimar el vector de medias µµµµj y la matriz de covarianza ΣΣΣΣj para cada clase

( ) ( )jjj Np Σµx ,~|ω

CLASIFICADOR NAÏVE BAYES


Resulta difícil estimar los parámetros de un clasificador bayesiano

Hipótesis simplificadora: las componentes del vector de características son independientes:

La asignación de clase se basa en la regla del producto:

( ) ( )jjj Nxp σµω ,~|

{ }( )

= ∏=∈

M

iij

NjxPw

1,...,1|maxarg ω

M es la dimensión del espacio de características

20

CLASIFICADORES LINEALES


Un clasificador lineal divide el espacio de características en dos a través de un hiperplano.

Parámetros a estimar: a, b

x2

x1

0=+ bax

CLASIFICADORES LINEALES: ESTIMACIÓN POR MÍNIMOS CUADRADOS


Determina el hiperplano que minimiza la suma ponderada de los errores.

Se asigna -1 para cada claisificación correcta, +1 para cada error. El peso es la distancia al hiperplano.

x2

x1

0=+ bax

-1

+1+1

-1-1

-1-1

-1

-1

-1

-1

-1

-1

+1

21

CLASIFICADORES LINEALES: DISCRIMINANTE LINEAL DE FISHER


Determina el plano que:

maximiza la distancia (proyectada) entre los centroides de las dos clases;

minimiza la variación (proyectada) en cada clase.

x2

x1

Variación (proyectada)

en cada clase

Distancia (proyectada)

entre los centroides


Golden deliciousStarking Granny Smith

COMPLIQUEMOS NUESTRO EJEMPLO ILUSTRATIVO…

22

¿DE QUÉ CLASE ES ESTA MANZANA?


CARACTERÍSTICAS: x =(x1, x2): nivel medio de los canales R y G

INFORMACIÓN DISPONIBLE:

No se conocen las densidades condicionales de clase ⇒ clasificación no paramétrica

Se da un conjunto de ejemplos de clase conocida

EJEMPLOS DE APRENDIZAJE (O ENTRENAMIENTO)


x2

x1

Golden delicious

Starking

Granny Smith

23



?

x2

x1

CLASIFICADOR k–nn


Es uno de los clasificadores más utilizados por su sencillez de implantación

Se traza una hiperesfera cuyo centro es el patrón a clasificar, y de un radio tal que abarque los k vecinos más cercanos (nearestneighbours)

Se asigna la clase más representada dentro de esos k ejemplos

24

k = 9

3 5 1 ?

CLASIFICADOR k–nn


?

x2

x1

CLASIFICADOR 1–nn


Caso particular del clasificador k-nn (k = 1)

Se asigna al patrón que se va a clasificar la clase del vecino más cercano (nearest neighbour)

VENTAJAS:Sencillez de implantación

Rapidez de la clasificación

No necesita parámetros de ajuste

INCONVENIENTES:Sensibilidad a outliers

25

?

?

CLASIFICADOR 1–nn


x2

x1

k = 1

DIAGRAMA DE VORONOI


El clasificador 1–nn divide un espacio de características bidimensional

en regiones poligonales (teselación de Voronoi)

26

CLASIFICADOR DE MÍNIMA DISTANCIA


Se asigna al patrón que se va a clasificar la clase del centroidemás próximo

VENTAJAS:Menos sensible a outliers que el 1–nn

INCONVENIENTES:Si hay mucha dispersión, el centroide es poco significativo

?


?

x2

x1

CLASIFICADOR DE MÍNIMA DISTANCIA

27


Función que cumple las siguientes propiedades:

No negatividad: d(r,s) ≥ 0

Reflexividad: d(r,r) = 0

Simetría: d(r,s) = d(s,r)

Desigualdad triangular: d(r,s) + d(s,t) ≥ d(r,t)

DISTANCIA

DISTANCIAS ELEMENTALES


Euclídea (L2): c

Manhattan (L1): a+b

Tchebychev (L∞): max(a,b)

28

VALORES DE LAS DISTANCIAS ELEMENTALES Y LUGARES GEOMÉTRICOS CORRESPONDIENTES


4323432123

21012

32123

43234

Euclídea

22222

21112

2101221112

22222

21

21012

1

2

Manhattan Tchebychev

2222

22222222

2222

5555

5555

5555

5555

5555

5555

5555

55558888 8888

8888 8888

TASA DE ACIERTO DE UN CLASIFICADOR


DEFINICIÓN DEL “ground truth”

APRENDIZAJE: Se define un clasificador a partir de unos ejemplos de clase conocida (training set)

RECONOCIMIENTO: Se clasifican nv patrones de clase desconocida (test set o validation set), a nc de los cuales se les asigna la clase correcta

Tasa de acierto estimada:

v

c

n

nt =

29

PATRONES DE APRENDIZAJE (DE CLASE CONOCIDA)


x2

x1

12 + 8 + 10 = 30

SPLIT–SAMPLE

División aleatoria en training set y validation set

La partición puede hacerse de dos formas:Stratified sampling

Garantizando que la proporción de ejemplos de cada clase en el training set y en el validation set es la misma que en el conjunto de patrones

Full sampling

Sin garantizar dichas proporciones

Cuando el training set y el validation set están formados por el mismo número de patrones, se denomina split–half validation


30

?

?

?

??

?

?

??

?

?

?

?

?

??

?

?

?

?

?

?

?

?

?

?

?

?

?

?

SPLIT–SAMPLE


Stratified sampling (split-half) Full samplingx2

x1

x2

x1

1/2 1/2 1/2 2/5 1/2 5/12

LEAVE–ONE–OUT CROSS VALIDATION

El training set está formado por todos los patrones menos uno, que será el validation set

El proceso se repite un número de veces igual al número de patrones

Es un método determinista: siempre se obtiene la misma estimación del error de generalización


31

?


x2

x1

LEAVE–ONE–OUT CROSS VALIDATION

?

x2

x1

?x2

x1

?

x2

x1

1 21

i 30

MATRIZ DE CONFUSIÓN


Herramienta de visualización en aprendizaje supervisado

Muestra el número de predicciones correctas e incorrectas

FILAS: Clase real

COLUMNAS: Clase asignada por el clasificador

A partir de ella se pueden calcular diferentes índices, como la tasa de acierto

32


100% 0% 0%

3% 75% 22%

7% 12% 81%Cla

se e

fect

iva

Clase asignada

0% 0%

MATRIZ DE CONFUSIÓN

2a PARTE: ANÁLISIS DE IMÁGENES EN COLOR

33

Iluminación y procesamiento de imagen en la industria: ANÁLISIS DE IMÁGENES EN COLOR

SUMARIO

Sistema visual humano

Generación de colores (leyes de Grassmann)

Representación numérica del color

Conceptos básicos

Espacios de colorIndependientes del dispositivo

Dependientes del dispositivo

Medición del color

– Instrumentos

– Sistemas de especificación

Descripción del contenido de color de una imagen

EL OJO HUMANO


34

LA RETINA

La parte sensible del ojo es la retina. Ésta se puede considerar un detector de energía.


SENSIBILIDAD DEL SISTEMA VISUAL

En la retina hay dos tipos de fotorreceptores: conos y bastones.

Nivel de iluminación escotópico (< 10-3

cd/m2 ): funcionan sólo los bastones

Nivel de iluminación fotópico (> 1 cd/m2 ): los bastones están saturados y funcionan sólo los conos

Nivel de iluminación mesópico: funcionan ambos


35

VISIÓN ESCOTÓPICA

En condiciones escotópicas funcionan sólo los bastones.

Los bastones no son sensibles al color.

Sólo se pueden percibir cambios de intensidad.

Iluminación y procesamiento de imagen en la industria: ANÁLISIS DE IMÁGENES EN COLORIluminación y procesamiento de imagen en la industria: ANÁLISIS DE IMÁGENES EN COLOR

SENSIBILIDAD DE LOS CONOS

En la gráfica se muestra la sensibilidad de los tres tipos de conos. Los picos se localizan en 430 nm, 560 nm y 610 nm.


36

ESTÍMULO VISUAL

¿Cuántos parametros precisamos para describir, de manera unívoca, un estímulo visual aislado?

Visión escotópica

1 parámetro

Visión fotópica

3 parámetros

Visión univariante Visión trivariante


¿CÓMO VERÍAMOS SI TUVIÉSEMOS SÓLO DOS TIPOS DE CONOS?

Visión trivarianteVisión bivariante

La mayoría de los mamíferos tiene tan sólo dos tipos de conos. Por lo tanto su sistema de visión es bivariante.

Los seres humanos y otros primates tienen visión trivariante. Se supone que la trivarianza puede haber proporcionado una ventaja en el proceso de evolución (e.g.: capacidad de reconocer fruta madura).


37

DALTONISMO (COLOUR BLINDNESS)

Existen varios tipos. Los más frecuentes son:Desplazamiento del pico de sensibilidad de los conos rojos o verdes

Ausencia de conos rojos o verdes

Denominación en función del nivel:Moderado → «−anomalía»

Severo → «−opía»


PROTANOPÍA

Falta de conos rojos:Incidencia: hombres 1-1,3%; mujeres 0,02%

Protanopía Visión normal


38

DEUTERANOPÍA

Falta de conos verdes:Incidencia: hombres 1-1,2%; mujeres 0,01%

Deuteranopía Visión normal


TRITANOPÍA

Falta de conos azules:Incidencia: hombres 0,001%; mujeres 0,03%

Tritanopía Visión normal


39

TESTS DE ISHIHARA

Dr. Shinobu Ishihara, Universidad de Tokio (1917)

(6) (8) (25)

(29) (45) (56)


LEYES DE GRASSMANN

1) Todo color se puede reproducir a través de la mezcla de tres colores (colores primarios), siempre y cuando ninguno de ellos se pueda obtener a partir de los otros dos (principio de la trivarianza visual).

2) El estímulo proporcionado por una mezcla de luces coloreadas no depende del espectro sino sólo de la respuesta psicofísica (metamerismo);

3) Si el componente de una mezcla cambia, el color de la mezcla cambia de manera correspondiente


40

SÍNTESIS ADITIVA

A partir de tres luces correspondientes a colores primarios (e.g.: rojo, verde y azul) se puede reproducir cualquier color.


SÍNTESIS ADITIVA EN EL ÁMBITO ESPACIAL

La síntesis aditiva se puede dar en el espacio o en el tiempo.

La síntesis en un medio espacial es un fenómeno muy usual.


Ejemplo: monitores

41

SÍNTESIS ADITIVAS EN EL ÁMBITO TEMPORAL

Además de espacialmente, los colores se pueden fundir en el tiempo.

Este caso se da cuando los estímulos caen sobre los fotoreceptores en momentos distintos pero tan cercanos (al menos 1/50 o 1/60 de segundo), que el sistema visual los percibe como un único color.


SÍNTESIS SUSTRACTIVA

Se realiza por pigmentos que absorben ciertas longitudes de onda y reflejan otras. Colores primarios en este caso son: cian (absorbe el rojo), amarillo (absorbe el azul) y magenta (absorbe el verde)


Ejemplo: impresoras

42

REPRESENTACIÓN NUMÉRICA DEL COLOR

1) Se escoge una terna de colores primarios cuyos espectros sean conocidos;

2) se determina la “cantidad” de cada color primario necesaria a reproducir el color a medir

332211 CkCkCkC ++=

Siendo:

C el color a medir;

Ci los colores primarios;

ki las cantidades de cada color primario

El color a medir está representado por la terna (k1, k2, k3)

¿Cómo se puede medir el color?


ESPACIO DE COLOR CIE-RGB (1931)

En este espacio se adoptan colores primarios rojo, verde y azul:

λ= 700 nm

Y WR = 1

λ= 546.1 nm

Y WV = 4.5907

λ= 435.8 nm

Y WA = 0.0601

Donde λ es la longitud de onda, Y la luminancia.

Ahora pues, cada color se puede representar a través de las unidades de luminancia de cada color primario que necesitamos para reproducirlo (valores triestímulo):

blanco equienergético

Y W= 5.6508 cd/m2

AAVVRRC ccc ++=WA

Ac

WV

Vc

WR

Rc

Y

YA

Y

YV

Y

YR === ;;

+ + =


43

COLOR A PARTIR DEL ESPECTRO

Resulta trabajoso determinar los valores tricromáticos de un estímulo luminoso a través del proceso de igualación que acabamos de describir.

Podemos calcular el color directamente del espectro. Para un color espectral necesitamos la cantidad (normalizada) de cada color primario rλ, gλ, bλ (funciones de igualación):

-0,4

-0,2

0,0

0,2

0,4

0,6

0,8

1,0

1,2

400 450 500 550 600 650 700

Longitud de onda (nm)

Valo

r tr

iestí

mulo

Funciones de igualación RGB


FUNCIONES DE IGUALACIÓN RGB

En efecto los valores triestímulo de cada color espectral se handeterminado experimentalmente. Al conjunto de estos valores se le denomina funciones de igualación.

Ahora pues, dado un color espectral de longitud de onda λ, energía Eλ, resulta:

Problema: no todos los colores resultan definidos a través de cantidades positivas.

λλλλλλλλλ rBBgEGrER === ;;

∑∑∑===

===n

iii

n

iii

n

iii bEBgEGrER

111

;; λλλλλλ

Mientras que para un color genérico tenemos:


44

FUNCIONES DE IGUALACIÓN XYZ

Las funciones de igualación XYZ han sido determinadas de manera que cada color se puede representar por tres valores triestímulopositivos.

Funciones de igualación XYZ


ESPACIO DE COLOR CIE XYZ

Las funciones de igualación que acabamos de ver definen el espacio CIE-XYZ, en que cada color se representa a través de las coordenadas X, Y, Z.

Diagrama de cromaticidad xy

yxzZYX

Yy

ZYX

Xx

−−=++

=++

=

1

Si normalizamos los valores:

Cada color se puede ahora representar mediante un punto en un plano (diagrama de cromaticidad)


45

ESPACIO DE COLOR CIE Luv

El espacio CIE-XYZ no es perceptualmente uniforme, es decir: diferencias iguales (percibidas) entre colores no corresponden adistancias iguales en el espacio.

Para obviar este problema se han creado espacios perceptualmente uniformes, como el CIE-Luv y el CIE-Lab

Diagrama de cromaticidad uv


ESPACIOS DE COLOR DEPENDIENTES E INDEPENDIENTES DEL DISPOSITIVO

Los espacios de color que acabamos de ver son independientes del dispositivo (espacios colorimétricos). Es decir: los valores triestímulo de un color no dependen del dispositivo con que se han adquirido.

En cambio, en los espacios dependientes del dispositivo los valores triestímulo de un color dependen del dispositivo con que se han adquirido.

Espacios independientes del dispositivo

•CIE-RGB

•CIE-XYZ

•CIE-Luv

•CIE-Lab

•...

Espacios dependientes del dispositivo

•RGB

•HSV

•YIQ

•...


46

ESPACIO RGB

Cada color se representa a través de la intensidad del rojo, delverde y el azul.

Es el espacio más utilizado en dispositivos comerciales (cámarasdigitales). Es un espacio perceptualmente no uniforme.

Dichos valores son la respuesta en los canales R, G y B proporcionada por el dispositivo de adquisición, que depende de su sensibilidad espectral (por lo tanto los valores dependen del dispositivo utilizado).


ESPACIO HSV

Se obtiene a partir del espacio RGB por medio de una transformación.

H = hue (tonalidad). Se representa como un ángulo. A cada valor corresponde una tonalidad de color (verde, rojo, etc.)

S = saturation (saturación). Indica la “pureza” del color. Cuanto menos sea la saturación, más decoloreado el color.

V = value (intensidad). Indica la posición del color en el eje blanco-negro.

El HSV es un espacio aproximadamente uniforme.


47

¿QUÉ ES EL COLOR DE UN MATERIAL?

Ahora preguntémonos lo siguiente: ¿Qué es el color de un material?

El color no es un característica de un material, sino de un estímulo luminoso.

Cuando hablamos de “color” de un material por lo tanto nos referimos al estímulo de color que genera un material bajo ciertas condiciones de iluminación.

Fuente de luz Receptor


ILUMINANTES ESTÁNDARES

No tiene sentido por lo tanto decir: este material tiene un color (Xc, Yc, Zc) en el espacio CIE-XYZ. Sólo podemos decir: este material tiene un color (Xc, Yc, Zc) en el espacio CIE-XYZ bajo un iluminante de cierto tipo.

Iluminante E. Equienergético. Iluminante A. Simula la luz de una bombilla.

Iluminante D50. Simula la luz de un día despejado.

Iluminante D65. Simula la luz de un día nublado.


48

¿CÓMO SE MIDE EL COLOR DE UN MATERIAL?

Necesitamos un colorímetro o un espectrofotómetro. Se trata de instrumentos que tienen iluminación propia (iluminantes estándares) y que analizan la luz reflejada por el material.

Estos instrumentos proporcionan una respuesta en un espacio independiente del dispositivo.

ColorímetroColorímetro / espectrofotómetro


SISTEMAS DE ESPECIFICACIÓN: NCS

Desarrollado por el Instituto Escandinavo del Color

Es el sistema normalizado adoptado en España

Se basa en 6 colores primarios y en la teoría de los colores oponentes

NotaciónMatiz del color (nuance): grado de negrura + saturación (ejemplo: 10 50 = 10% de negrura y 50% de cromaticidad)

Tono (hue): grado de semejanza con los dos colores elementales (ejemplo: Y90R = 90% de rojez y 10% de amarillez)

www.ncscolour.com


49

SISTEMAS DE ESPECIFICACIÓN : PANTONE

Desarrollado por Pantone Inc.

Se usa en:Artes gráficas

Pinturas

Tejidos

Plásticos

Guía Pantone: colección de muestras de color numeradas

Fórmulas basadas en 13 pigmentos (más el blanco y el negro)

Permite igualaciones de color a distancia

www.pantone.com


¿QUÉ INFORMACIÓN PODEMOS OBTENER CON UNA CÁMARA DIGITAL?

Una cámara digital proporciona informaciones en un espacio dependiente del dispositivo (típicamente RGB).

Al cambiar instrumento cambia la respuesta.

Para obtener resultados independientes del dispositivo se debe hacer una calibración colorimétrica.

Material

Cámara A

RA,GA,BA

Cámara B

RB,GB,BB


50

DESCRIPCIÓN DEL CONTENIDO DE COLOR DE UNA IMAGEN

Cualquiera que sea el espacio de color utilizado, a la hora de caracterizar la apariencia visual, precisamos un conjunto de parámetros que describa el contenido de color de una imagen.

Histogramas

3D

Marginales

Descriptores estadísticos

µ Y σ

Percentiles

Momentos

“Soft colour descriptors”

Descriptores basados en el

color


HISTOGRAMA RGB (1)

Iluminación y procesamiento de imagen en la industria: CLASIFICACIÓN DE IMÁGENES DE TEXTURA

1. Se divide el espacio de color en un determinado numero de celdas (cuantización);

2. se estima la distribución de probabilidad del color en cada celda

51

HISTOGRAMA RGB (2)

Histograma en 3 dimensiones

Frecuencia de los colores de la paleta

Iluminación y procesamiento de imagen en la industria: CLASIFICACIÓN DE IMÁGENES DE TEXTURA

HISTOGRAMA RGB (3)

Imagen en colores Histograma de color en el espacio RGB


52

HISTOGRAMA MARGINALES

Imagen en colores

Histograma del canal G

Se calcula el histograma separadamente para cada canal. Teoricamente es correcto sólo si los canales son independientes.

Histograma del canal B

Histograma del canal R

Histogramas marginales en el espacio RGB


DESCRIPTORES ESTADÍSTICOS: MEDIA Y DESVIACIÓN TÍPICA

Imagen en colores

Son los descriptores estadísticos más sencillos. Se calcula elpromedio y la desviación típica en cada canal.

RR σµ ,

BB σµ ,

GG σµ ,

Ventaja: calculo rápido. Se utilizan en el “grading” on-line de baldosas en cerámica.


53

DESCRIPTORES ESTADÍSTICOS: PERCENTILES

El percentil es un valor que divide una distribución en partes de frecuencia asignada. Por ejemplo el percentil del 25 % (p25%) corta la distribución en dos partes tales que el 25 % de la población tiene un valor menor de p25%, mientras que el otro 75 % lo tiene mayor.

Percentiles del canal G

Percentiles del canal B

Percentiles del canal R

Imagen en colores


DESCRIPTORES ESTADÍSTICOS: MOMENTOS

Los momentos muestrales centrados se utilizan para describir la población estadística de cada canal de color. El momento muestral centrado de orden k es:

( )∑=

−=n

i

kxik x

nm

1

1 µ

El momento de orden 2 es la varianza.

Para cada canal del espacio de color utilizado se calculan momentos de diferente orden (típicamente de 2 a 5).


54

VENTAJAS Y DESVENTAJAS DE LOS MÉTODOS BASADOS EN COLOR

Ventajas

• Invariantes a rotación y a cambio de escala;

• tiempo de cómputo moderado

Desventajas

• Muy sensibles a cambios de iluminación;

• sensibles a cambios de sistemas de adquisición (en el caso de espacios dependientes del dispositivo)


fundamentos de reconocimiento de patrones y anÁlisis de...

Documents