Reporte de actividades del proyecto de InvestigaciÃ³n en ...

More documents

Recommendations

Info

2.1. Probando el desempeño de varias combinaciones de clasificadores y vectores de rasgos en la determinación de la identidad y el numero de objetos circulando en una banda transportadora. Karla Penélope Xicotencatl Aguilar. Tesis de maestría,2001,Ed. Instituto Politécnico Nacional. Resumen El conocer el tipo de objeto, el número circundando en una banda transportadora es muy importante. Esto permitiría a un brazo manipulador, localizar y planear la trayectoria para tomar dicho objeto y realizar con él una tarea especificada. Un objeto puede aparecer en la banda en posiciones variadas. Cuando dicho objeto es tomado por el brazo manipulador puede aparecer incluso más chico o grande, dependiendo de la distancia y posición de dicho sensor al objeto. Otro punto importante es considerar las sombras y los cambios de iluminación. Los tres clasificadores probados son: el basado en el cálculo de la distancia mínima, el basado en el cálculo de la distancia de Mahalanobis y el Bayesiano . Los descriptores usados son los invariantes a traslaciones, rotaciones y cambios de escala de Hu y los invariantes a afinidades propuestos por Flusser y Suk. Un sistema de reconocimiento de patrones opera con todos los posibles objetos individuales que se van a reconocer. Estos objetos suelen denominarse patrones. Existen varias maneras de reconocer un patrón. Una de ellas consiste en transformar dicho patrón en una tupla “X” cuyas componentes se denominan rasgos o características (ver figura 2.1.1) . Cada tupla de rasgos se compara con un 16
diccionario de tuplas preestablecidas, compuesto por las tuplas de rasgos de todos los objetos del universo de trabajo. Figura 2.1.1 Objetos convertidos en tuplas de características Se puede observar que los objetos individuales se convierten en tuplas “X” de rasgos antes de ser reconocidos que corresponden a las características del objeto.. La notación usada para las tuplas de rasgos es de tipo columna: ⎡ x1 ⎤ ⎢ ⎥ ⎢ x2 X = ⎥ ⎢ M ⎥ ⎢ ⎥ ⎢⎣ x p ⎥⎦ (2.1.1) en donde, x1,x2, ... ,xp, pueden ser cualquier tipo de variable. Una vez calculada la tupla “X” asociada a un objeto individual, su reconocimiento se basa en determinar su grado de semejanza con las tuplas previamente definidas. La selección del número y tipo de rasgos descriptores será tal que patrones individuales puedan ser discriminados o diferenciados. Es deseable que el valor de cada rasgo sea también invariante ante transformaciones. El método para probar el desempeño de los clasificadores y descriptores seleccionados consta de dos etapas: 1) Etapa de obtención de funciones discriminantes: Este procedimiento describe los pasos de la etapa de entrenamiento para cada combinación clasificador-vector de rasgos. Dado una combinación clasificador-vector de rasgos, Ci y un conjunto de objetos a reconocer, Oj, j = 1,...,N realizar los siguientes pasos: 17
Page 1 and 2: Maestría en Ciencias de la Computa
Page 3 and 4: CAPÍTULO 5. SEGMENTACIÓN 5.1 Dete
Page 5 and 6: Capítulo 4 Figura 4.1.1: Represent
Page 7 and 8: Índice de Tablas Capítulo 2 Tabla
Page 9 and 10: 1.2. Aplicaciones de visión artifi
Page 11 and 12: 1.4 Etapas del reconocimiento autom
Page 13 and 14: El método de reconocimiento que se
Page 15: Capítulo 2 ESTADO DEL ARTE En esta
Page 19 and 20: En todos los casos, se probó el de
Page 21 and 22: 2.2. Localización de placas en veh
Page 23 and 24: Al realizar la búsqueda de la plac
Page 25 and 26: (a) (b) (c) (d) (e) Figura 2.3.1 (a
Page 27 and 28: La Técnica La técnica consta de c
Page 29 and 30: Capítulo 3 ADQUISICIÓN DE IMÁGEN
Page 31 and 32: La distancia entre el punto focal d
Page 33 and 34: Figura 3.1.4: Respuesta del ojo hum
Page 35 and 36: Existen diferentes arquitecturas de
Page 37 and 38: Modelo YCbCr En el modelo YCbCr el
Page 39 and 40: Modelo CIE(Lab) Una vez que se disp
Page 41 and 42: Figura 3.3.5 Espacio de color HSI 4
Page 43 and 44: 3.5. Resolución de la imagen Para
Page 45 and 46: GIF.- Estas tres letras, representa
Page 47 and 48: 4.1. Conversión de una imagen en c
Page 49 and 50: 4.3. Mejoramiento de histograma El
Page 51 and 52: Ampliación de histograma Es una de
Page 53 and 54: 4.4. Uso de filtros para el mejoram
Page 55 and 56: x-1,y-1 x,y-1 x+1,y-1 x-1,y x,y x+1
Page 57 and 58: 4.5. Suavizado binario Al binarizar
Page 59 and 60: Como se aprecia en la tabla anterio
Page 61 and 62: Figura 4.7.1. Efecto de aplicación
Page 63 and 64: La operación de dilatación hace q
Page 65 and 66: Extracción de Frontera.- La fronte
Page 67 and 68:
Para calcular la derivada en la ecu
Page 69 and 70:
Operador Prewitt El operador Prewit
Page 71 and 72:
Mascaras de Kirsch Las máscaras de
Page 73 and 74:
Capítulo 5 SEGMENTACIÓN Figura 5.
Page 75 and 76:
5.2 Método de segmentación de Ots
Page 77 and 78:
Ejemplo: Supongamos un imagen de N*
Page 79 and 80:
Capítulo 6 REPRESENTACIÓN Y DESCR
Page 81 and 82:
Capítulo 8 CÁLCULO DE DISTANCIA C
Page 83 and 84:
Capítulo 10 IMPLEMENTACIÓN DEL PR
Page 85 and 86:
Figura 10.1.3: Diferentes tipos de
Page 87 and 88:
9.2. Preprocesamiento de la imagen
Page 89 and 90:
La realización del programa #3 se
Page 91 and 92:
im_res=zeros(fil,col); im=double(im
Page 93 and 94:
A) B) C) Figura 10.3.2 Operaciones
Page 95 and 96:
También se hicieron pruebas con di
Page 97 and 98:
Conclusiones 97
Page 99:
Bibliografía electrónica [12] htt
show all

Reporte de actividades del proyecto de InvestigaciÃ³n en ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?