Reporte de actividades del proyecto de InvestigaciÃ³n en ...

More documents

Recommendations

Info

Obtener P imágenes del objeto Oj Para cada imagen del objeto Oj. Aislar el objeto y calcular sus invariantes de Hu y de Flusser. Obtener los vectores medios y matrices de covarianza respectivos, según sea el caso. 2) Etapa de prueba: Dada una imagen f, conteniendo una o más instancias de uno o más objetos del universo de objetos usados durante la etapa de entrenamiento realizar los siguientes pasos: 1. Obtener la versión binaria b de la imagen f. 2. Aplicar cualquier algoritmo de etiquetado sobre b para obtener las regiones R k k=1,...,M de cada objeto. 3. Para cada R k , obtener los rasgos característicos. 4. Aplicar la combinación C i a cada R k para obtener su clase correspondiente. 5. Obtener las estadísticas de desempeño para cada combinación clasificador-vector de rasgos. El procedimiento anterior da como resultado los porcentajes de aciertos para cada combinación de clasificador-vector de rasgos. Pruebas de desempeño Los seis objetos usados para la experimentación se muestran en la figura 2.1.2. Se nota la presencia de sombras y brillos, que como es sabido influyen fuertemente en los procesos de entrenamiento. Figura 2.1.2. Objetos a reconocer. 18
En todos los casos, se probó el desempeño de las siguientes combinaciones clasificador-vector de rasgos: Se usaron vectores reducidos ya que se quería verificar si el desempeño de estos vectores con los respectivos clasificadores daba un mejor desempeño. Los vectores se obtuvieron al escoger aquellos invariantes con medias más separadas. Desempeño de las combinaciones sin cambios de iluminación Se tomaron 25 imágenes para cada una de las inclinaciones de 0, 22.5, 25 y 67.5 grados del sensor con respecto a la vertical a diversas distancias para obtener las deformaciones requeridas. El total de objetos reconocidos y porcentaje de reconocimiento de cada combinación se muestra en la tabla 2.1.1. Podemos notar que el clasificador Bayesiano–Flusser-Suk da el mejor resultado. El segundo lugar lo ocupó la combinación Mahalanobis-vector reducido de Flusser-Suk. Tabla 2.1.1 Desempeño de la combinación Bayesiano-Flusse-Suk. 19
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 and 16: Capítulo 2 ESTADO DEL ARTE En esta
Page 17: diccionario de tuplas preestablecid
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 ...

Create successful ePaper yourself

Delete template?

Save as template?