Introducción a Visión Computacional
Introducción a Visión Computacional
Introducción a Visión Computacional
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
38 PROC. DE IMÁGENES Y VISIÓN.<br />
En el caso discreto, podemos aproximar la derivada tomando simplemente la diferencia entre<br />
dos valores contiguos. Si consideramos una sección de 2 × 2 de la imagen como sigue:<br />
I1,1 I1,2<br />
I2,1 I2,2<br />
Entonces, una posible aproximación discreta al gradiente en dicha región es:<br />
∂f<br />
∂x = I1,2 − I1,1<br />
∂f<br />
∂y = I2,1 − I1,1<br />
Otra posible alternativa para construir el operador de derivada en una máscara de 2x2 es tomar<br />
las diferencias cruzadas:<br />
∂f<br />
∂x = I1,1 − I2,2<br />
∂f<br />
∂y = I1,2 − I2,1<br />
Donde ( ∂f<br />
∂f<br />
∂x ) es el gradiente horizontal y ( ∂y ) es el gradiente vertical. También podemos extender<br />
esta aproximación a un área de la imagen de 3 × 3, como sigue:<br />
Aproximando el gradiente en este caso como:<br />
I1,1 I1,2 I1,3<br />
I2,1 I2,2 I2,3<br />
I3,1 I3,2 I3,3<br />
∂f<br />
∂x = (I3,1 + I3,2 + I3,3) − (I1,1 + I1,2 + I1,3)<br />
∂f<br />
∂y = (I1,3 + I2,3 + I3,3) − (I1,1 + I2,1 + I3,1)<br />
Estas operaciones pueden ser implementadas mediante máscaras u operadores. En particluar,<br />
los últimos dos se conocen como los operadores de Roberts y Prewitt, y se implementan con máscaras<br />
de 2 × 2 y 3 × 3, respectivamente. Los máscaras se ilustran en las figuras 3.5 y 3.6.<br />
1 0<br />
0 −1<br />
0 1<br />
−1 0<br />
Figura 3.5: Operadores de Roberts.<br />
En la figura 3.7 se muestra el resultado de aplicar los operadores de Roberts y Prewitt. Las<br />
magnitudes se normalizaron entre 0 y 255 para mejorar el despliegue.