C.L.U.T. (Color LookUp Table)

Slides:

Advertisements

Presentaciones similares

Proyecto Final de Procesamiento de Imagenes

Advertisements

Inteligencia artificial y sus aplicaciones

Ingeniería de Sistemas de Control

Visión de Máquina: Aplicaciones a la Industria

Etapas y Componentes de un Sistema de Visión Artificial

HERRAMIENTA PARA CARACTERIZACION DE RENDIMIENTO DE ALGORITMOS DE SEGMENTACION EN IMÁGENES MICROSCOPICAS Sustentación Tesis de Grado. Facultad de Ingeniería.

MÓDULO DE BÚSQUEDA DE PERSONAS DENTRO DE UNA BASE DE DATOS DE ROSTROS

Javier A. Chauvin. Cámara Tag θ d Que se va ha hacer? Captura tiempo real Video.

Tratamiento de Imágenes por Computadora – Proyecto Final

Reconocimiento de señas manuales Fuzzy ART

Reconocimiento de Patentes en automóviles

V3D Facultad de Informática - UCM - 6 de Julio de 2009 C. Javier García – Patricia Hernández – Daniel Merchán Visión estereoscópica 1.

MODELOS DE COLOR CARACTERÍSTICAS BÁSICAS

8. Detección de Rectas. Transformada de Hough

Grupo de Ingeniería Electrónica aplicada a Espacios INteligentes y TRAnsporte Modelado de arrays de micrófonos como cámaras de perspectiva en aplicaciones.

APLICACIONES DEL DSPI DESARROLLADAS EN EL CIOp. Medición de focales de lentes o sistemas Medida de espaciados.

Los valores triestímulos se calculan por las siguientes ecuaciones

Detección de movimiento empleando análisis de imágenes por visión de computador.

David G. Lowe Distinctive Image Features from Scale-Invariant Keypoints Aradí Rosales Cruz Visión de alto nivel Enrique Sucar.

Detector de grietas en edificios Síntesis, Análisis y Visualización de Imágenes Máster Oficial en Ingeniería y Tecnología del Software Pedro Tomás Ibáñez.

Laura Laue Noguera.

MODELOS DE COLOR CARACTERÍSTICAS BÁSICAS

L. Enrique Sucar Alberto Reyes ITESM Cuernavaca

INTELIGENCIA ARTIFICIAL

Procesamiento Digital de Imágenes y Visión

VISUALIZACIÓN PROCESAMIENTO DE IMÁGENES DIGITALES

Procesamiento de Imágenes Médicas Lección #6-7: Algoritmos sobre imágenes Noviembre, 2012.

Tema 6 Razonamiento aproximado

Inicialización de Superficies Deformables mediante Elipsoides Generalizados R. Dosil, X. M. Pardo, A. Mosquera, D. Cabello Grupo de Visión Artificial Departamento.

Tema 3. Digitalización y cuantificación   Las imágenes reales suelen ser continuas. Para poder trabajar con ellas en un ordenador, será necesario digitalizarlas.

Visión por computadora

Luz y Color. Propiedades de la luz y el color La luz es una banda estrecha dentro del espectro electromagnético y presenta todos los atributos de las.

Análisis de Imágenes y Visión por Computadora Aplicaciones Problemas Clasificación de correo, lectura de etiquetas, procesamiento de cheques bancarios,

Despliegue de Volúmenes

“PARTITURA 3D: Un modelo de sonificación de imágenes”

Reconocedor de Señales de Tráfico Verticales

Introducción Scalable Edge Enhancement With Automatic Optimization For Digital Radiographic Images Procesamiento de Imágenes Digitales 1.

TRATAMIENTO DE IMAGENES Detección de fibras coloreadas en lana.

ILUMINACIÓN E F E C T O S V I S U A L E S D I G I T A L E S

Uso de las coordenadas cromáticas para segmentar imagenes

Informática Médica: Procesamiento de imágenes

CARPLATE Reconocimiento del marco de la matrícula de un coche

Trabajo PID Análisis de imágenes de biopsias de músculo humano. Segmentación de células para construir un grafo a partir de las adyacencias entre ellas.

Procesamiento Digital de Imágenes

Una aproximación a la visión

ESPACIO DE COLOR RGB.

Ing. Eduard Leonardo Sierra Ballén Seminario de Investigación I Semestre I de 2005 Maestría en Ingeniería - Ingeniería de Sistemas Facultad de Ingeniería.

Robótica Inteligente L. Enrique Sucar Leonardo Romero Marco López ITESM Cuernavaca.

Software de Comunicaciones Título Miembro del grupo 1 Miembro del grupo 2 Miembro del grupo 3 Miembro del grupo 4 Departamento de Ingeniería.

Transformada de Hough Representación de rectas en coordenadas polares.

Por: Ivelisse Fermin Ortiz Linda D. Negrón Alberik Lázaga INF-103 Prof. Vantanggiato.

Analisis de datos en imagenes hiperespectrales: intro 1 Analisis de datos hiperespectrales: otra revisión Hyperespectral image data analysis, D. Landgrebe,

Procesamiento Digital de Imágenes

Introducción al análisis de expresiones

Televisores 3D José Luis León Hidalgo. Televisión 3D La Televisión 3D se refiere a un televisor que permite visualizar imágenes en 3 dimensiones, utilizando.

Fotografía Tema 1: la luz y la visión.

8.4 Toolbox de Matlab.

Compresión de imágenes Carlos Miguel Calafate Visión por Computador 2002.

PC BD Alexandra Buri H José Rivera De La Cruz.

MODELOS DEL COLOR YENNY ROMERO.  Los modelos HLS y HSB se conocen como modelos perceptivos de color por tomar sus atributos de la observación del funcionamiento.

Señales 1-D -audio f(t). 2-D - imágenes f(x, y) N-D - radiación f(x, z, t, ). Por el número de dimensiones (variables independientes) Clasificación de.

Tema: Profesor: Área Académica: INFORMATICA TEORÍA DEL COLOR

Ingeniería de Software

Universidad Mesoamericana Tecnología Médica e Informática.

Introducción a la Inteligencia Artificial

El objetivo de la segmentación es dividir (segmentar) y separar la información original para generar nuevas imágenes que representen las estructuras internas.

PARCIAL III Comprensión y uso de herramientas de Fotografía digital. La imagen digital.

Procesamiento de Vídeo Digital Máster en Matemática Computacional Francisco Miguel Pérez Romero.

Desarrollo de un decoder de video H

Transcripción de la presentación:

C.L.U.T. (Color LookUp Table) Máster en Ingeniería y Tecnología del Software Síntesis, Análisis y Visualización de Imágenes Miguel Velasco Gómez-Pantoja Joaquín Candañedo Arancón

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Introducción Segmentación  detección en la imagen. Aproximación a la visión humana. Segmentación del espacio de colores y luego “proyección” sobre la imagen.

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

H.S.I. Hue (matiz) Saturation (saturación) Intensity (intensidad)

H.S.I. (2) Perceptualmente intuitivo. Modela bien una percepción uniforme del espacio de colores. La forma y función de las categorías de color son funciones menos complejas que en el modelo RGB.

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Transformada de la distancia Manhattan: Euclídea: Chebychev: Minkoswki:

Transformada de la distancia (2) FEED: Fast Exact Euclidean Distance ED: aplicación de la distancia euclídea. p,q: pixel. O: conjunto de píxeles.

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Fase 1: Creación de la CLUT

Fase 1: Creación de la CLUT (2) Marcadores de colores no difusos [non- fuzzy color markers]. Marcadores de colores difusos [fuzzy color markers]. Colores sin acuerdo en la categoría [resto].

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Fase 2: Segmentación Proyecciones 2D HSI: Saturación-Intensidad: separación categorías cromáticas y acromáticas. Matiz-Intensidad: separación entre categorías cromáticas.

Fase 2: Segmentación (2) Matiz-Intensidad:

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Aplicaciones Imágenes médicas Sistemas de visión robóticos Localización de errores en hardware Compresión de imágenes

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias

Conclusiones Ventajas Inconvenientes Basado en categorización humana del color Segmentación realizada con pocos datos Resultados intuitivos para el hombre Bajo coste computacional gracias a FEED Inconvenientes Requiere una fase de entrenamiento Visión subjetiva de los humanos

Índice Introducción Herramientas Algoritmo Aplicaciones Conclusiones HSI Transformada de la distancia Algoritmo Fase 1: Creación de la C.L.U.T. Fase 2: Segmentación del espacio de colores Aplicaciones Conclusiones Referencias 23

Referencias

Referencias (2)

Gracias por vuestra atención