3. ANTECEDENTES TEÓRICOSse divi<strong>de</strong> el intervalo [a,b] <strong>en</strong> n+1 partes iguales. Entonces se reemplaza la curva y=y(x) por la líneapoligonal con vérticesy se aproxima la funcional J[y] por la suma:(x 0 , A), (x 1 , y(x 1 )), . . . , (x n , y(x n ), (x n+1 , B)),don<strong>de</strong>n+1∑J(y 1 , . . . , y n ) = F (x i , y i , y i − y i−1)h, (3.31)hi=1y i = y(x i ),h = x i − x i−1y 0 = Ay n+1 = Bcada línea poligonal está <strong>de</strong>terminada por la or<strong>de</strong>nación y 1 , . . . , y n <strong>de</strong> sus vértices y la suma (3.31)es por tanto, una función <strong>de</strong> n variables y 1 , . . . , y n .3.5.2. Restauración <strong>de</strong> la imag<strong>en</strong>Consi<strong>de</strong>remos el problema <strong>de</strong> restaurar una imag<strong>en</strong> contaminada con ruido o <strong>de</strong>gradada. Seau 0 = Ku true +η la imag<strong>en</strong> adquirida don<strong>de</strong> K es un operador <strong>de</strong> nivel borroso y η es el nivel <strong>de</strong> ruidoo <strong>de</strong>gradación <strong>de</strong> la imag<strong>en</strong>. Encontrar una aproximación u( −→ x ) a la imag<strong>en</strong> verda<strong>de</strong>ra u true ( −→ x ). TVes un método [25] para recuperar la imag<strong>en</strong> verda<strong>de</strong>ra, lo más exacta posible y <strong>en</strong>contrar una nuevaimag<strong>en</strong> <strong>en</strong> la cual la información <strong>de</strong> interés sea más obvia y más fácil <strong>de</strong> extraer.Se pue<strong>de</strong> modificar una imag<strong>en</strong> disminuy<strong>en</strong>do la variación totalˆT V (u) ≡|∇u( −→ x )| d −→ x (3.32)<strong>en</strong> la imag<strong>en</strong>, mi<strong>en</strong>tras se preserva algún ajuste a los datos originales u 0 . A la ecuación (3.32) sele conoce como variación total <strong>de</strong> u. Al resolver la ecuación sigui<strong>en</strong>te, la niti<strong>de</strong>z o suavizado <strong>de</strong> laimag<strong>en</strong> (Fig. 3.11) lo <strong>de</strong>terminan u 0 y α. Esta ecuación se conoce como la formulación no restringida<strong>de</strong> Tikhonov.1minu 2 ‖u − u 0‖ 2 + αT V (u) (3.33)48
3.5. Variación TotalFigura 3.11: Resultado <strong>de</strong> la regularización por TV para una función con ruido (imag<strong>en</strong> superior) ypara una imag<strong>en</strong> con un mandril (imag<strong>en</strong> inferior). Las imág<strong>en</strong>es <strong>de</strong> la izquierda son las originales,las sigui<strong>en</strong>tes muestran los resultados <strong>de</strong> la regularización para los valores <strong>de</strong> α=0.0001, 0.001, 0.01,0.1 y 1.0.La formulación restringida a ruido está dada por:minuT V (u) sujeta a ‖u − u 0 ‖ 2 = σ 2 (3.34)Computacionalm<strong>en</strong>te este mo<strong>de</strong>lo g<strong>en</strong>eralm<strong>en</strong>te se resuelve a través <strong>de</strong> su ecuación <strong>de</strong> Euler-Lagrange [26, pag. 179]. Adoptando el método <strong>de</strong> p<strong>en</strong>di<strong>en</strong>te <strong>de</strong>sc<strong>en</strong><strong>de</strong>nte (steepest <strong>de</strong>sc<strong>en</strong><strong>de</strong>nt marching)con tiempo t artifical, propuesto por Rudin, Osher and Fatemi [27], t<strong>en</strong>emos que para:ˆE tv [u | u 0 ] =Ω|∇u| dx + λ 2La ecuación <strong>de</strong> Euler-Lagrange estará dada porˆΩ(u 0 (x) − u(x)) 2 dx (3.35)u t (x, t) = − ∂E tv∂u[ ] ∇u= ∇ · − λ |∇u| 2 (u(x, t) − u 0(x)) (3.36)Para procesami<strong>en</strong>to <strong>de</strong> imág<strong>en</strong>es, estos mecánismos <strong>de</strong> difusión son necesarios y una v<strong>en</strong>taja <strong>en</strong>técnicas <strong>de</strong> suavizado.3.5.3. Discretización <strong>de</strong> la variación total <strong>de</strong> una imag<strong>en</strong>Consi<strong>de</strong>remos una imag<strong>en</strong> u <strong>de</strong>finida <strong>en</strong> {0, . . . , N − 1} 2 , don<strong>de</strong> N es un <strong>en</strong>tero positivo, ext<strong>en</strong>dida<strong>en</strong> Z 2 . La forma clásica <strong>de</strong> discretizar (3.32) es <strong>de</strong> la sigui<strong>en</strong>te forma [28, 30, 31, 32]:T V d (u) = ∑ |∇u| d(k, l)0≤k,l
- Page 1: LOCALIZACIÓN Y RECONOCIMIENTO DE R
- Page 5: AgradecimientosQuiero expresar mi m
- Page 9: AbstractIn this work we present a n
- Page 12 and 13: Índice General3.1.2.2. Etiquetado
- Page 14 and 15: Índice GeneralD.6. Verificar imág
- Page 16: Lista de Figuras3.12. Estructura de
- Page 19 and 20: Capítulo 1INTRODUCCIÓNEn esta sec
- Page 21: 1.1. Estado del ArteFigura 1.1: Pro
- Page 24 and 25: 1. INTRODUCCIÓN(a) (b) (c)Figura 1
- Page 26 and 27: 1. INTRODUCCIÓNEn el capítulo 5,
- Page 28 and 29: 2. PROBLEMA DE INVESTIGACIÓNFigura
- Page 31 and 32: Capítulo 3ANTECEDENTES TEÓRICOSA
- Page 33 and 34: 3.1. Conceptos FundamentalesFigura
- Page 35 and 36: 3.1. Conceptos Fundamentalespercibe
- Page 37 and 38: 3.1. Conceptos FundamentalesFigura
- Page 39 and 40: 3.2. Análisis de Componentes Princ
- Page 41 and 42: 3.2. Análisis de Componentes Princ
- Page 43 and 44: 3.3. La Técnica Eigenface3.3. La T
- Page 45 and 46: 3.3. La Técnica Eigenfacedondev i
- Page 47: 3.5. Variación Total3.5. Variació
- Page 51 and 52: 3.5. Variación Total⎛ ⎞ ⎛
- Page 53: 3.6. Procesamiento Multiresolución
- Page 56 and 57: 4. PROTOCOLO DE ADQUISICIÓN DE IM
- Page 58 and 59: 4. PROTOCOLO DE ADQUISICIÓN DE IM
- Page 60 and 61: 4. PROTOCOLO DE ADQUISICIÓN DE IM
- Page 63 and 64: Capítulo 5LOCALIZACIÓN Y RECONOCI
- Page 65 and 66: 5.2. Localización FacialFigura 5.3
- Page 67 and 68: 5.4. Reconocimiento de Rostrosd =
- Page 69 and 70: 5.4. Reconocimiento de Rostros5.4.4
- Page 71: 5.5. IdentificaciónFigura 5.9: Con
- Page 74 and 75: 6. PRUEBAS Y RESULTADOSla posición
- Page 76 and 77: 6. PRUEBAS Y RESULTADOSFigura 6.2:
- Page 78 and 79: 6. PRUEBAS Y RESULTADOSFigura 6.3:
- Page 80 and 81: 6. PRUEBAS Y RESULTADOSFigura 6.6:
- Page 82 and 83: 6. PRUEBAS Y RESULTADOSFigura 6.11:
- Page 84 and 85: 6. PRUEBAS Y RESULTADOSFigura 6.14:
- Page 86 and 87: 6. PRUEBAS Y RESULTADOSFigura 6.18:
- Page 88 and 89: 6. PRUEBAS Y RESULTADOS(a)(b)(c)(d)
- Page 90 and 91: 6. PRUEBAS Y RESULTADOSFigura 6.23:
- Page 92 and 93: 6. PRUEBAS Y RESULTADOSFigura 6.25:
- Page 94 and 95: 6. PRUEBAS Y RESULTADOSFigura 6.27:
- Page 97 and 98: Capítulo 7CONCLUSIONES Y PERSPECTI
- Page 99 and 100:
Bibliografía[1] Shaogang Gong, Ste
- Page 101 and 102:
Bibliografía[25] Strong M., David,
- Page 103:
Apéndices103
- Page 107:
Apéndice BHoja de registroFigura B
- Page 110 and 111:
C. Artículos de InvestigaciónC.1.
- Page 112 and 113:
Modelo experimental que verifica la
- Page 114 and 115:
Modelo experimental que verifica la
- Page 116 and 117:
Modelo experimental que verifica la
- Page 118 and 119:
Modelo experimental que verifica la
- Page 120 and 121:
C. Artículos de InvestigaciónC.2.
- Page 122 and 123:
Imagen promedio de un conjunto de r
- Page 124 and 125:
Imagen promedio de un conjunto de r
- Page 126 and 127:
Imagen promedio de un conjunto de r
- Page 128 and 129:
D. Códigos de programas en MATLABD
- Page 130 and 131:
575859606162 for k = 1:NumSteps6364
- Page 132 and 133:
1 %Localización y Reconocimiento d
- Page 134 and 135:
113114115116 else117118119 end12012
- Page 136 and 137:
225226 for l=1:size(rows(:,1))22722
- Page 138 and 139:
337 figure,imshow(BW4),title('Mapa
- Page 140 and 141:
D. Códigos de programas en MATLABD
- Page 142 and 143:
57 archivo=strcat('en',num2str(i),'
- Page 144 and 145:
1 %Localización y Reconocimiento d
- Page 146 and 147:
113 end114115 %Visualizar eigenface
- Page 148 and 149:
D. Códigos de programas en MATLABD
- Page 150 and 151:
D. Códigos de programas en MATLABD
- Page 152 and 153:
575859 subplot(ceil(sqrt(M)),ceil(s
- Page 154 and 155:
169170 subplot(1,2,2)171172 'gray'
- Page 156 and 157:
1 %% Face recognition2 % This algor
- Page 158:
107 end108 % Convert to unsigned 8