tp1 vision

20
Juan Eduardo Segovia Calder´ on Mart´ ın Nobl´ ıa Visi´onArtificial Profesor: Ing. Fabi´ an M. Sanfilip Instructor: Ing. Javier Soldato

Upload: el-suizo

Post on 16-Nov-2015

242 views

Category:

Documents


0 download

DESCRIPTION

tp1 vision artificial

TRANSCRIPT

  • Juan Eduardo Segovia CalderonMartn Nobla

    Vision Artificial

    Profesor: Ing. Fabian M. Sanfilippo

    Instructor: Ing. Javier Soldato

  • To Gauss

  • Indice

    1. Resumen 4

    2. Captura de imagenes 4

    2.1. Adquirir tres imagenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

    2.2. Mostrar el efecto del ruido producido en una imagen que se toma con bajas condiciones de iluninacion. 5

    2.3. Mostrar el efecto de una imagen tomada a un objeto en movimiento con una camara de barridoentrelazado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

    3. Imagen color 9

    3.1. Mostrar el efectos de descomponer una imagen color con el formato bmp en sus tres canales (R,G,B)y compararla con la original . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

    4. Muestreo y cuantizacion 10

    4.1. Mostrar los efectos del muestreo y la cuantizacion en una imagen dada . . . . . . . . . . . . . . . . . 10

    5. Archivos BMP 12

    5.1. Guardar una imagen pequena como bmp y analizar el contenido del archivo. . . . . . . . . . . . . . . . 12

    6. Histograma 14

    6.1. Desarrollar una funcion que permita calcular el histograma de una imagen en tonos de gris y lo muestreen pantalla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

    6.2. Aplicar la funcion a las imagenes del punto 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

    7. Segmentacion 15

    8. Color template 15

    8.1. Hallar un valor de segmentacion optimo (en forma manual o automatica) para cada uno de las imagenestomadas en el punto 1 (seis imagenes). Mostrar los resultados. . . . . . . . . . . . . . . . . . . . . . . . 15

    9. Conclusion 18

  • Indice de figuras

    1. Imagenes tomadas a los dos objetos, la intensidad de luz disminuye de izquierda a derecha. . . . . . . 4

    2. Corte realizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

    3. grafico de la porcion de imagen(ilumninacion optima) tomada como muestra . . . . . . . . . . . . . . . 6

    4. grafico de la porcion de imagen(ilumninacion baja) tomada como muestra . . . . . . . . . . . . . . . . 7

    5. zoom del grafico de la porcion de imagen(ilumninacion optima) tomada como muestra. . . . . . . . . . 7

    6. zoom del grafico de la porcion de imagen(ilumninacion baja) tomada como muestra. . . . . . . . . . . 8

    7. Imagen en moviento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

    8. Descomposicion de Imagen bmp en sus canales RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

    9. Imagen submuestreada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

    10. Imagen cuantizada a cuatro niveles (24) bits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

    11. Descomposicion de imagen bmp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

    12. Referencia de un archivo de mapa de bits (.bmp) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

    13. histogramas de las respectivas imagenes (1a) , (1b) , (1c) , (1d) , (1e) , (1f) . . . . . . . . . . . . . . . 15

    14. Segmentacion de la imagen (1a) , con un valor de segmentacion igual a 55 . . . . . . . . . . . . . . . . 16

    15. Segmentacion de la imagen (1b) , con un valor de segmentacion igual a 25 . . . . . . . . . . . . . . . . 16

    16. Segmentacion de la imagen (1c) , con un valor de segmentacion igual a 5 . . . . . . . . . . . . . . . . . 16

    17. Segmentacion de la imagen (1d) , con un valor de segmentacion igual a 105 . . . . . . . . . . . . . . . 17

    18. Segmentacion de la imagen (1f) , con un valor de segmentacion igual a 71 . . . . . . . . . . . . . . . . 17

    19. Segmentacion de la imagen (1a) , con un valor de segmentacion igual a 11 . . . . . . . . . . . . . . . . 17

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    1. Resumen

    En este laboratorio se dan a conocer las caractersticas fundamentales de las imagenes digitales, tales comosu descripcion matricial, su estructura de color, sus modelos de representacion y las principales herramientas parala adquisicion, restauracion y procesamiento de imagenes digitales. Tambien exploraremos los comandos basicos y/oalgoritmos de el utilitario Matlab. Los items mas destacados son:

    Captura de imagenes

    Tipos de almacenamientos digitales de imagenes

    Comandos y/o algoritmos basicos de procesamiento de imagenes

    2. Captura de imagenes

    2.1. Adquirir tres imagenes en tonalidades de gris de 2 objetos distintos con ilumi-nacion de intensidad baja, media y alta (total seis imagenes)

    Las imagenes obtenidas fueron1:

    (a) (b) (c)

    (d) (e) (f)

    Figura 1: Imagenes tomadas a los dos objetos, la intensidad de luz disminuye de izquierda a derecha.

    1Cabe aclarar que las imagenes fueron obtenidas con un equipo casero y no con un equipo profesional

    Universidad Nacional de Quilmes 4 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    2.2. Mostrar el efecto del ruido producido en una imagen que se toma con bajascondiciones de iluninacion.

    Existe un ndice que nos indica la proporcion senal/ruido presente en la captura de una imagen digital, esendice se denomina ISO .

    En las camaras digitales, el sensor o CCD2 es el chip encargado de la captura de la imagen. Esta compuestopor una malla de miles de celdas fotosensibles en las que se recibe la imagen formada por el lente.

    Cada una de esas celdas genera una corriente electrica en presencia de la luz. Esa corriente electrica sera luegoconvertida en datos numericos que se almacenaran en forma digital binaria en la memoria de la camara dando origena un pxel.

    Cada una de esas celdas genera una cantidad mas o menos fija de corriente electrica (y por lo tanto de datos)al azar, aun en ausencia de la luz y en relacion a la temperatura.

    La sensibilidad de cada uno de los elementos del sensor es fija, con un valor aproximado equivalente a 100ISO. Los ndices ISO superiores que nos ofrece la camara digital se logran no por un incremento en la sensibilidadde los elementos captores, sino por una amplificacion posterior de la senal que estos emiten.

    Como estos elementos tienen una emision de senal de base mas o menos fija, al capturar una senal lumnicadebil y amplificarla, estamos amplificando tambien una buena porcion de la emision de datos aleatoria del chip, conlo que se mezclara una cantidad de senal aleatoria sin contenido a la senal correspondiente a la imagen.

    La mayor calidad de imagen con una camara digital se obtendra usandola a su menor sensibilidad ISOequivalente.

    El uso de sensibilidades ISO mayores se traducira en un aumento de pixeles distribuidos al azar, principalmenteen las zonas de sombra de la imagen. El ruido, a diferencia del grano, no sera proporcional en toda la imagen, sinoque se manifestara de forma mas evidente en las zonas oscuras.

    El ruido es mas notable en algunos canales que en otros, normalmente el canal azul suele ser el que contienemas ruido.

    Para demostrar esta amplificacion de senal aleatoria bajo una senal lumnica debil, tomamos la imagen(1c) yrealizamos un corte, para tener referencia de donde se realizo ponemos a continuacion la imagen y el corte realizado:

    2siglas en ingles de charge-coupled device: dispositivo de cargas electricas interconectadas

    Universidad Nacional de Quilmes 5 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    Figura 2: Corte realizado

    Luego graficamos esta porcion de imagen y el mismo sector de la imagen(1a), que fue tomada bajo condicionesde iluminacion optimas .

    0 200 400 600 800 1000 12000

    10

    20

    30

    40

    50

    60

    70

    80

    90

    Figura 3: grafico de la porcion de imagen(ilumninacion optima) tomada como muestra

    Universidad Nacional de Quilmes 6 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    0 200 400 600 800 1000 12000

    2

    4

    6

    8

    10

    12

    14

    Figura 4: grafico de la porcion de imagen(ilumninacion baja) tomada como muestra

    Vemos claramente que si observamos, en un sector del grafico donde no hay objeto (por ejemplo de 0 a 200 ) lasdiferencias entre los maximos y mnimos son notoriamente mas grandes en la imagen tomada con baja iluminacion, larazon es, como ya lo dijimos, la amplificacion de los datos aleatorios del chip. Esta es la principal fuente de ruido, otrafuente tambien es la temperatura, que en este caso la consideramos despreciable, ya que las tomas fueron realizadasbajo condiciones de temperatura normales (aprox 20c). Para poner en evidencia aun mas el efecto a continuacionrealizamos un acercamiento de los dos graficos.

    20 40 60 80 100 120 140 160 180 200

    0

    10

    20

    30

    40

    50

    60

    70

    80

    Figura 5: zoom del grafico de la porcion de imagen(ilumninacion optima) tomada como muestra.

    Universidad Nacional de Quilmes 7 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    20 40 60 80 100 120 140 160 180 200

    2

    4

    6

    8

    10

    12

    Figura 6: zoom del grafico de la porcion de imagen(ilumninacion baja) tomada como muestra.

    2.3. Mostrar el efecto de una imagen tomada a un objeto en movimiento con unacamara de barrido entrelazado

    Cuando se produce una imagen entrelazada a partir de un sensor CCD, se generan dos campos de lneas: Uncampo que muestra las lneas impares y un segundo campo que muestra las pares. Sin embargo, para crear el campoimpar, se combina la informacion de ambas lneas de un sensor CCD. Lo mismo se aplica al campo impar, en el quela informacion de ambas lneas se combina para formar una imagen cada dos lneas.

    Cuando se transmite una imagen entrelazada, solamente se enva a mitad del numero de lneas (alternadoentre lneas pares e impares) cada vez, lo que reduce el uso del ancho de banda a la mitad. El monitor, por ejemplo, untelevisor tradicional, debe utilizar tambien la tecnica de entrelazado. En primer lugar se muestran las lneas imparesy despues las pares de una imagen y, a continuacion, se actualizan de manera alternada a 25 imagenes (PAL) o 30imagenes (NTSC) por segundo, de manera que el sistema visual humano las interpreta como imagenes completas.Todos los formatos de vdeo analogicos y algunos formatos HDTV modernos son entrelazados.El efecto que se produce al tomar una imagen en movimiento con este tipo de camara es el de poner en evidencia lafalta de informacion que se produce entre muestra y muestra. A continuacion vemos la imagen tomada en movimiento.

    Figura 7: Imagen en moviento

    Universidad Nacional de Quilmes 8 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    3. Imagen color

    3.1. Mostrar el efectos de descomponer una imagen color con el formato bmp en sustres canales (R,G,B) y compararla con la original

    Modelo RGB: Las imagenes digitales en color estan compuestas por tres canales o layers. Estos canales sonimagenes monocromaticas en un determinado color, cuando se trata de imagenes impresas en papel estos colores baseson cian, magenta y amarillo; cuando se trata de imagenes digitales, en archivos informaticos, imagenes proytectadasen luz o en pantallas; los colores base son rojo, verde y azul. Nosotros vamos a utilizar los canales RGB (red, green,blue (En ingles dice rojo, verde y azul)).

    Para ilustrar la composicion de las fotos color, vamos a descomponerlas en sus tres canales y ver como influyecada canal en el resultado. Por ejemplo, al descomponer la imagen en sus respectivas componentes RGB obtenemosel siguiente resultado.

    %%Script para descomponer una imagen bmp en sus tres canales

    x=input('Ingrese el path de la imagen(si esta en el directotio de trabajo)o el path completo ');imagen=imread(x);

    imred=imagen(:,:,1);imgreen=imagen(:,:,2);imblue=imagen(:,:,3);

    % Prealocamos una matriz con las dimensiones que necesitamosc=uint8(zeros(size(imagen)));

    imR=c;imG=c;imB=c;

    % Cargamos en las 3 matrices anteriores la respectiva capa en% cada matriz, para ver las capas en sus respectivos colores y% no en escala de grises.imR(:,:,1)=imred;imG(:,:,2)=imgreen;imB(:,:,3)=imblue;

    % Graficamos la imagen original y sus respectivas capas de colorsubplot(2,2,1)imshow(imagen),title('Imagen original');subplot(2,2,2)imshow(imR),title('Canal Rojo');subplot(2,2,3)imshow(imG),title('Canal Verde');subplot(2,2,4)imshow(imB),title('Canal Azul');

    Universidad Nacional de Quilmes 9 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    Imagen original Canal Rojo

    Canal Verde Canal Azul

    Figura 8: Descomposicion de Imagen bmp en sus canales RGB

    4. Muestreo y cuantizacion

    4.1. Mostrar los efectos del muestreo y la cuantizacion en una imagen dada

    Las imagenes digitales en escala de grises son representadas por matrices en las cuales sus elementos son lasintensidades de los pxeles en las coordenada [x; y] se representa por ello a una imagen de (N por M) pxeles como unafuncion f [x; y] ,el proceso de obtencion de esta imagen proviene de haber muestreado una imagen continua f(x; y)con un perodo de muestreo (si el muestreo es uniforme) T .

    f [x; y] =

    f [0; 0] f [0; 1] ... f [0, N 1]

    : : :: : :

    f [M 1; 0] f [M 1; 1] ... f [M 1;N 1]

    (1)Si realizamos nuevamente el proceso de muestrear la senal digital, lo que estaremos haciendo es simplemente

    reduciendo su tamano ya que al muestrear nuevamente tomamos una muestra si otra no , una si otra no de la imagenoriginal (si T = 2)

    fs[x; y] =

    f [0; 0] f [0; 3] ... f [0, N 3]

    : : :: : :

    f [M 3; 0] f [M 3; 3] ... f [M 3;N 3]

    (2)La implementacion en Matlab que realiza esta tarea es:[3][4][5]

    %funcion para muestrear una imagen digital%se ingresa una imagen en escala de grises (double)y el periodo de muestreo Tfunction imagen s=muestreo(imagen,T)

    Universidad Nacional de Quilmes 10 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    imagen s=imagen(1:T:end,1:T:end);imshow(uint8(imagen s))

    un ejemplo de salida para Is=muestreo(imagen1,8);es:

    Figura 9: Imagen submuestreada

    El efecto visible que se nota al realizar un submuestreo es el de pxelamiento de la imagen ya que hemossacado informacion de la misma.

    La cuantizacion de una imagen digital, se trata simplemente de cuantizar los niveles en que estan representadasen las intensidades de los pxeles, la mayora de las imagenes estan representadas en 8 bits, para realizar unacuantizacion de una imagen dada implementamos la siguiente funcion de Matlab:[4][5]

    %funcion para cuantizar una imagen dada en el numero de niveles%deseados%ingresamos la imagen(double) y los niveles de cuantizacionfunction Icuan=cuant(imagen,niveles)

    I = floor(imagen.*((niveles+1)/256))+1;Icuan=I.*((256/niveles)1);imshow(uint8(Icuan))

    por ejemplo, evaluando la funcion para la imagen(1a) con el comando I=cuant(imagen1,4) obtenemos:

    Universidad Nacional de Quilmes 11 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    Figura 10: Imagen cuantizada a cuatro niveles (24) bits

    5. Archivos BMP

    5.1. Guardar una imagen pequena como bmp y analizar el contenido del archivo.

    Un archivo en formato BMP se compone principalmente de 4 partes: Un encabezado del archivo, un encabezadode informacion de mapa de bits, La paleta de imagen y la codificacion de la imagen. Si abrimos un archivo pequenoen formato hexadecimal vemos una matriz como la siguiente:

    Figura 11: Descomposicion de imagen bmp

    La interpretacion completa la podemos realizar tomando las referencias de la siguiente tabla donde se detallala informacion que aporta cada par de bytes:

    Universidad Nacional de Quilmes 12 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    Figura 12: Referencia de un archivo de mapa de bits (.bmp)

    Universidad Nacional de Quilmes 13 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    6. Histograma

    6.1. Desarrollar una funcion que permita calcular el histograma de una imagen entonos de gris y lo muestre en pantalla

    El histograma de una imagen digital con niveles de grises en el rango [0;L 1] es una funcion discretah(rk) = nk , donde rk es el k-nivel y nk es el numero de pixeles en la imagen que tienen el nivel rk .Es comunnormalizar el histograma dividiendo cada uno de los valores por el numero total de pixeles en la imagen , denotadopor n . As el histograma normalizado esta dado por :[1]

    p(rk) =nkn

    k = 0, 1, 2......, (L 1) (3)

    La implementacion en Matlab[3][4] es la siguiente

    %funcion que calcula el histograma de una imagen en escala de grises%la entrada debe ser la matriz de la imagen, por ejemplo la que se%obtiene con imread().function y=histograma(Imagen)

    Imagen vec=double(Imagengr(:)); %vectorizamos la imagen (aumenta la velocidad de procesamiento)

    y=zeros(1,256); %Prealocamos para mayor velocidad de procesamiento

    gr=(1:256); % Escala de grisesfor i=1:256

    x=find(Imagen vec==gr(i)); %encontramos las coincidenciasif(isempty(x))

    continue;end

    y(i)=length(x);

    end

    stem(y,'.'),title('Histograma')

    6.2. Aplicar la funcion a las imagenes del punto 1

    Al aplicar la funcion del insiso anterior obtuvimos .

    Universidad Nacional de Quilmes 14 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    0 50 100 150 200 250 3000

    1

    2

    3

    4

    5

    6x 10

    4 Histograma

    (a)

    0 50 100 150 200 250 3000

    1

    2

    3

    4

    5

    6

    7

    8x 10

    4 Histograma

    (b)

    0 50 100 150 200 250 3000

    0.5

    1

    1.5

    2

    2.5x 10

    5 Histograma

    (c)

    0 50 100 150 200 250 3000

    0.5

    1

    1.5

    2

    2.5

    3

    3.5

    4

    4.5

    5x 10

    4 Histograma

    (d)

    0 50 100 150 200 250 3000

    1

    2

    3

    4

    5

    6x 10

    4 Histograma

    (e)

    0 50 100 150 200 250 3000

    2

    4

    6

    8

    10

    12

    14

    16x 10

    4 Histograma

    (f)

    Figura 13: histogramas de las respectivas imagenes (1a) , (1b) , (1c) , (1d) , (1e) , (1f)

    7. Segmentacion

    8. Color template

    8.1. Hallar un valor de segmentacion optimo (en forma manual o automatica) paracada uno de las imagenes tomadas en el punto 1 (seis imagenes). Mostrar losresultados.

    Programando e implementando un script bajo el utilitario Matlab disenado para generar una segmentacion(de imagen tono de grises a imagen binaria) logramos hacer una diferenciacion entre imagen y fondo. Aplicandoeste algoritmo a las imagenes del punto 1, vemos como la ausencia de luminosidad afecta contundentemente a ladiscriminacion del objetivo en captura. Utilizamos un valor de segmentacion adecuado a cada imagen estimado demanera emprica.

    %%Script para segmentacion de imagen en escala de grisesI=input('Ingrese el path del archivo .bmp (Entre comillas simples) :');ImgGray=imread(I,'bmp');[A,B]=size(ImgGray);ImgSeg=zeros(A,B);Mins=58;Maxs=255;

    for a=1:Afor b=1:B

    if (Mins

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    (a) (b)

    Figura 14: Segmentacion de la imagen (1a) , con un valor de segmentacion igual a 55

    (a) (b)

    Figura 15: Segmentacion de la imagen (1b) , con un valor de segmentacion igual a 25

    (a) (b)

    Figura 16: Segmentacion de la imagen (1c) , con un valor de segmentacion igual a 5

    Universidad Nacional de Quilmes 16 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    (a) (b)

    Figura 17: Segmentacion de la imagen (1d) , con un valor de segmentacion igual a 105

    (a) (b)

    Figura 18: Segmentacion de la imagen (1f) , con un valor de segmentacion igual a 71

    (a) (b)

    Figura 19: Segmentacion de la imagen (1a) , con un valor de segmentacion igual a 11

    Universidad Nacional de Quilmes 17 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    9. Conclusion

    A traves de este estudio observamos una cantidad importante de herramientas que existen para el procesa-miento de imagenes digitales, que a su vez son el pilar fundamental de las tecnicas de vision artificial. Esto nos abrelas puertas a seguir desarrollando topicos mas avanzados en las tecnicas de analisis y procesamiento, programandocon las capacidades adquiridas hasta entonces.

    Universidad Nacional de Quilmes 18 1 cuatrimestre 2010

  • Vision ArtificialTp N1

    Martn NoblaJuan Eduardo Segovia Calderon

    Referencias

    [1] Gonzalez, Rafael C./ Richard E. Woods ,Digital Image Processing ,Editorial Prentise Hall, ISBN 0-201-18075-8

    [2] Machine Vision, Ramesh Jain, Rangachar Kasturi, Brian G. Schunck, ISBN 0-07-032018-7

    [3] Guidelines for writing clean and fast code in MATLAB, Nico Schlomer

    [4] Code Vectorization Guide. 2009, url: http://www.mathworks.com/support/tech-notes/1100/1109.shtml

    [5] Matrix Indexing in MATLAB, url: http://www.mathworks.com/company/newsletters/digest/sept01/matrix.html

    Universidad Nacional de Quilmes 19 1 cuatrimestre 2010

    http://www.mathworks.com/support/tech-notes/1100/1109.shtmlhttp://www.mathworks.com/company/newsletters/digest/sept01/matrix.htmlhttp://www.mathworks.com/company/newsletters/digest/sept01/matrix.html

    ResumenCaptura de imgenesAdquirir tres imagenesMostrar el efecto del ruido producido en una imgen que se toma con bajas condiciones de iluninacin. Mostrar el efecto de una imagen tomada a un objeto en movimiento con una cmara de barrido entrelazado

    Imagen colorMostrar el efectos de descomponer una imagen color con el formato bmp en sus tres canales (R,G,B) y compararla con la original

    Muestreo y cuantizacinMostrar los efectos del muestreo y la cuantizacin en una imgen dada

    Archivos BMPGuardar una imagen pequea como bmp y analizar el contenido del archivo.

    HistogramaDesarrollar una funcin que permita calcular el histograma de una imagen en tonos de gris y lo muestre en pantalla Aplicar la funcin a las imgenes del punto 1

    SegmentacinColor template Hallar un valor de segmentacin ptimo (en forma manual o automtica) para cada uno de las imgenes tomadas en el punto 1 (seis imgenes). Mostrar los resultados.

    Conclusin