Tesis de Maestria Jhohann Fabian Salazar Loaiza PDF

DISEO DE UN MICROSISTEMA USANDO FPGAs
PARA MEDIR EL REA DE UNA LMINA DE

CUERO

JHOHANN FABIN SALAZAR LOAIZA

UNIVERSIDAD DEL VALLE
FACULTAD DE INGENIERA
ESCUELA DE INGENIERA ELCTRICA Y ELECTRNICA
PROGRAMA DE POSTGRADO EN INGENIERA ELCTRICA Y ELECTRNICA
SANTIAGO DE CALI
2012

DISEO DE UN MICROSISTEMA USANDO FPGAs
PARA MEDIR EL REA DE UNA LMINA DE
CUERO

JHOHANN FABIN SALAZAR LOAIZA

Trabajo de grado en opcin al ttulo de:
Magster en Ingeniera - nfasis Ingeniera Electrnica

Director:
Jaime Velasco Medina Ph.D
Escuela de Ingeniera Elctrica y Electrnica

UNIVERSIDAD DEL VALLE
FACULTAD DE INGENIERA
ESCUELA DE INGENIERA ELCTRICA Y ELECTRNICA
PROGRAMA DE POSTGRADO EN INGENIERA ELCTRICA Y ELECTRNICA
SANTIAGO DE CALI
2012
iii

Tabla de Contenido

INTRODUCCIN 5

1.1 MOTIVACIN 5
1.2 CONTRIBUCIN DE LA TESIS 7
1.3 ORGANIZACIN DE LA TESIS 7

BIBLIOGRAFA 8

FUNDAMENTOS E IMPLEMENTACIONES HARDWARE PARA EL
PROCESAMIENTO DIGITAL DE IMGENES 9

2.1 INTRODUCCIN 9

2.2 FUNDAMENTOS DEL SISTEMA DE CAPTURA DE UNA IMAGEN 11
2.2.1 Imagen digital 11
2.2.2 Sistema de Adquisicin de una Imagen 13
2.2.3 Modelo Pinhole 15
2.2.4 Correccin de la Distorsin 18
2.2.5 Iluminacin de la imagen 20
1. Iluminacin normal 22
2. Iluminacin horizontal 22
3. Iluminacin vertical 22

2.3 TCNICAS PARA EL PROCESAMIENTO DIGITAL DE IMGENES 22
2.3.1 Mejoramiento de la Imagen 22
2.3.1.1 Operaciones Morfolgicas 23
1. Dilatacin 23
2. Erosin 24
3. Apertura y Cierre 24
4. Transformacin Top Hat y Bottom Hat 25
2.3.1.2 Filtrado en el Dominio Espacial 27
1. Filtrado espacial paso bajo 28
2. Filtrado por la mediana 28
3. Filtrado espacial paso alto 29
4. Filtrado high boost 30
5. Filtros diferenciales 31
2.3.2 Segmentacin de imgenes 32
2.3.2.1 Operador Laplaciano 33
2.3.2.2 Umbralizacin 34
1. Mtodos Basados en la Forma del Histograma. 34
2. Mtodos Basados en Agrupamiento de Pxeles o Clustering. 36
3. Mtodos Basados en Informacin de la Entropa del Histograma. 37
4. Mtodos Basados en los Atributos de la Imagen. 39
5. Mtodos Basados en Informacin Espacial. 41
6. Mtodos basados en caractersticas locales. 43

2.4 IMPLEMENTACIONES HARDWARE PARA EL PROCESAMIENTO
DIGITAL DE IMGENES 44
2.4.1 Arquitecturas Hardware para la Captura de Imgenes 44
2.4.2 Arquitecturas Hardware para la Correccin de Distorsiones en la
Captura de una Imagen 47
2.4.3 Arquitecturas Hardware para la Mejora y el Realce de una Imagen 48
2.4.4 Arquitecturas Hardware para la Segmentacin y la Umbralizacin
de una Imagen 53
BIBLIOGRAFA 56
iv

ILUMINACIN, CALIBRACIN Y SIMULACIN FUNCIONAL DE LOS
ALGORITMOS USADOS PARA MEDIR UNA LMINA DE CUERO 61

3.1 INTRODUCCIN 61

3.2 IMPLEMENTACIN DEL SISTEMA DE ILUMINACIN 61

3.3 CALIBRACIN DEL SISTEMA DE CAPTURA DE LA IMAGEN 63

3.4 SIMULACIN DE LOS ALGORITMOS DE MEJORAMIENTO Y REALCE
DE LA IMAGEN. 67
3.4.1 Simulacin del Filtro Mediana 67
3.4.2 Simulacin de la Supresin del Fondo de la Imagen 69
3.4.3 Simulacin del Filtro High Boost 72

3.5 SELECCIN DE ALGORITMOS DE UMBRALIZACIN 73
3.5.1 Criterios para la evaluacin de los algoritmos de umbralizacin 74
3.5.1.1 Criterio basado en la clasificacin errnea. 74
3.5.1.2 Criterio basado en el error relativo del rea del objeto. 74
3.5.2 Evaluacin de los algoritmos de umbralizacin 75
3.5.2.1 Resultados para la Figura Cuadrado 77
3.5.2.2 Resultados para la Figura Crculo 79
3.5.2.3 Resultados para la Figura Tringulo 81

3.6 SIMULACIN DE LOS ALGORITMOS DE UMBRALIZACIN
SELECCIONADOS SOBRE LMINAS DE CUERO 83

BIBLIOGRAFA 88

IMPLEMENTACIN HARDWARE DE LOS ALGORITMOS PARA MEDIR UNA
LMINA DE CUERO 89

4.1 INTRODUCCIN 89
4.1.1 Diagrama de Bloques para Medir una Lmina de Cuero 89

4.2 ETAPA DE ADECUACIN DE LA IMAGEN ORIGINAL 91
4.2.1 Filtrado Mediana de la Imagen 92
4.2.2 Supresin del Fondo de la Imagen 98
4.2.2.1 Bloque Restador de Fondo 98
4.2.2.1 Filtrado Morfolgico Bottom Hat 100
4.2.3 Filtrado High Boost de la Imagen 105

4.3 ETAPA DE UMBRALIZACIN DE LA IMAGEN 108
4.3.1 Arquitectura Hardware para el Algoritmo de Umbralizacin de Otsu 108
4.3.1.1 Implementacin del Bloque para el Clculo del Histograma 111
4.3.1.2 Implementacin del Bloque Estadstico 112
4.3.1.3 Implementacin del Bloque para Clculo del Umbral Otsu 113
4.3.2 Arquitectura Hardware para el Algoritmo de Umbralizacin ISODATA 114
4.3.3 Arquitectura Hardware para el Algoritmo de Umbralizacin Intermodal 116
4.3.4 Arquitectura Hardware para el Algoritmo de Umbralizacin Valles y Colinas 119

4.4 ETAPA PARA EL CLCULO DEL REA PTIMA DE LA LMINA
DE CUERO 121
4.4.1 Ejemplo con Crculos para Calcular el rea ptima de la Lmina de Cuero 121
4.4.2 Arquitectura Hardware para el Clculo del Valor Optimo. 123

BIBLIOGRAFA 126

CONCLUSIONES Y TRABAJO FUTURO 127
v

LISTA DE FIGURAS

Figura 1.1-1. Sistema electrnico tradicional para medir el rea de una lmina de cuero.

6
Figura 1.1-2. Sistema de visin artificial basado en FPGAs para medir el rea de una lmina de cuero.

7
Figura 2.1-1. Sistema para medir el rea de una lmina de cuero usando un microsistema basado en
FPGA

10
Figura 2.2-1. Representacin grafica de la funcin muestreo bidimensional.

12
Figura 2.2-2. Representacin grafica del proceso de discretizacin y cuantizacin.

12
Figura 2.2-3. Dispositivos de captura.

13
Figura 2.2-4. Modelo Pinhole.

16
Figura 2.2-5. Efectos de distorsin radial.

20
Figura 2.2-6. Ley de los cuadrados

21
Figura 2.2-7. Tipos de iluminacin

21
Figura 2.3-1. Proceso de dilatacin de una imagen

23
Figura 2.3-2. Proceso de erosin de una imagen

24
Figura 2.3-3. Proceso de apertura de una imagen

25
Figura 2.3-4. Proceso de cerradura de una imagen

25
Figura 2.3-5. Transformacin top hat en una imagen

26
Figura 2.3-6. Transformacin bottom hat en una imagen

26
Figura 2.3-7. Operacin de convolucin sobre una imagen

27
Figura 2.3-8. Mascara de convolucin para un filtro paso bajo

28
Figura 2.3-9. Filtrado paso bajo

29
Figura 2.3-10. Filtro mediana

29
Figura 2.3-11. Mascara de convolucin para un filtro paso alto

29
Figura 2.3-12. Filtrado paso alto

30
Figura 2.3-13. Mascara de convolucin para un filtro high boost

30
Figura 2.3-14. Filtrado high boost

31
vi

Figura 2.3-15. Operadores de gradiente

32
Figura 2.3-16. Operador Laplaciano

33
Figura 2.3-17. Operacin del operador Laplaciano

33
Figura 2.3-18. Umbralizacion de una imagen

34
Figura 2.3-19. Matriz de coocurrencia

42
Figura 2.4-1. Arquitectura para el dispositivo LM9630 producido por [42]

45
Figura 2.4-2. Arquitectura basada en un FPGA para el procesamiento en tiempo real de imgenes
propuesto por [43]

45
Figura 2.4-3. Arquitectura basada en un FPGA para la captura de imgenes de un sensor CMOS,
propuesto por [44]

46
Figura 2.4-4. Bloque DSP para la captura de imgenes de un sensor CMOS, propuesto por [7]

47
Figura 2.4-5. Arquitectura basada en un FPGA para la correccin de las distorsiones que generan los
lentes en una imagen propuesta por [45]

47
Figura 2.4-6. Arquitectura basada en un FPGA para la correccin de las distorsiones que generan los
lentes en una imagen propuesta por [46]

48
Figura 2.4-7. Arquitectura basada en un FPGA para el clculo del histograma propuesta por [47]

49
Figura 2.4-8. Arquitectura basada en un FPGA de un filtro FIR bi-dimensional [48]

50
Figura 2.4-9. Arquitectura basada en un FPGA de un filtro Gausiano [49]

50
Figura 2.4-10. Arquitectura basada en un FPGA de un filtro mediana [50]

51
Figura 2.4-11. Arquitectura de un comparador basada en transistores pmos y nmos [51]

52
Figura 2.4-12. Arquitectura de detector de bordes sobel implementado por [52]

52
Figura 2.4-13. Arquitectura para la realizacin de las operaciones de dilatacin y erosion en imgenes
implementada en [53]

53
Figura 2.4-14. Arquitectura para umbralizacion de una imagen mediante el algoritmo ISODATA

53
Figura 2.4-15. Arquitectura para la segmentacin y extraccin de caractersticas de un video

54
Figura 2.4-16. Arquitectura para la umbralizacion por el mtodo espacio temporal para video

55
Figura 3.2-1. Lmpara usada para la iluminacin de sitio de medicin. Tomada de [1]

61
Figura 3.2-1. Iluminacin de la lmina de cuero

62
Figura 3.3-1. Toolbox en Matlab para la calibracin de cmaras.

63
vii

Figura 3.3-2. Patrn de Calibracin de 64 cuadros de 20 mm c/u.

63
Figura 3.3-3. Imgenes de calibracin cargadas en el toolbox calibration.

64
Figura 3.3-4. Parmetros extrnsecos de la cmara.

65
Figura 3.3-5. Modelo de distorsin radial.

65
Figura 3.3-6. Modelo de distorsin tangencial.

66
Figura 3.4-1. Aplicacin del Filtro mediana a diferentes laminas de cuero

68
Figura 3.4-2. Supresin del fondo a una la lmina de cuero por diferencia con el fondo

70
Figura 3.4-3. Supresion del fondo a una la lmina de cuero por filtrado bottom hat

71
Figura 3.4-4. Mejoramiento de bordes a una lamina de cuero sin fondo, por filtrado High boost

73
Figura 3.5-1. Figuras geomtricas de prueba y sus histogramas

77
Figura 3.5-2. Umbralizacion de la figura cuadrado de 2500 pixeles

78
Figura 3.5-3. Umbralizacion de la figura circulo de 1861 pixeles

80
Figura 3.5-4. Umbralizacion de la figura triangulo de 16000 pixeles

82
Figura 3.6-1. Lminas de cuero capturadas en escala de grises

83
Figura 3.6-2. Histogramas de las lminas de cuero en escala de grises.

85
Figura 4.1-1 Diagrama de bloques para medir una lmina de cuero

90
Figura 4.2-1 Bloque funcional para la adecuacin de la imagen

91
Figura 4.2-2 Arreglo sistlico de un filtro mediana

92
Figura 4.2-3 Arreglo sistlico de un filtro mediana mejorado en [2]

93
Figura 4.2-4 Filtro no lineal tipo mediana implementado en pipeline

94
Figura 4.2-5 circuito de manejo de memoria y la imagen de ejemplo

97
Figura 4.2-6 Bloque hardware del restador de fondo y su funcionamiento

100
Figura 4.2-7 Elementos estructurales para las operaciones de dilatacin y erosin

101
Figura 4.2-8 Arquitectura pipeline para realizar las operaciones de dilatacin y erosin

102
Figura 4.2-9 Simulacin de las operaciones de dilatacin y erosin

104
Figura 4.2-10 Arquitectura pipeline para realizar el filtro high boost

105
Figura 4.2-11 Simulacin del filtrado high boost

107
Figura 4.3-1 Imagen de prueba para calcular el umbral de Otsu

109
viii

Figura 4.3-2 Umbralizacion de Otsu de forma grafica

110
Figura 4.3-3 Clculo en hardware del histograma

112
Figura 4.3-4 Arquitectura hardware del bloque estadstico

112
Figura 4.3-5 Arquitectura hardware del bloque que clculo el umbral de Otsu

113
Figura 4.3-6. Arquitectura hardware para el clculo del umbral ISODATA

115
Figura 4.3-7 Algoritmos intermodal mostrado grficamente

117
Figura 4.3-8. Arquitectura hardware del algoritmo intermodal

118
Figura 4.3-9 Clculo del mnimo valle grficamente

119
Figura 4.3-10. Calculo del umbral valles y colinas

120
Figura 4.4-1. Crculos de prueba

121
Figura 4.4-2. Interseccin de las imgenes binarias

122
Figura 4.4-3. Arquitectura a bloques para el clculo del rea optimo

125

ix

LISTA DE TABLAS

Tabla 3.2-1. Muestras tomadas en el rea de medicin

62
Tabla 3.3-1. Valores de calibracin de la cmara

64
Tabla 3.3-2. Valores de calibracin para cada punto

67
Tabla 3.5-1. Algoritmos de umbralizacion a evaluar

75
Tabla 3.5-2. Calculo de los valores de los criterios de seleccin para la figura en forma de cuadrado

79
Tabla 3.5-3. Calculo de los valores de los criterios de seleccin para la figura en forma de crculo

80
Tabla 3.5-4. Calculo de los valores de los criterios de seleccin para la figura en forma de triangulo

82
Tabla 3.6-1. Resultados de simulacin de la medida del cuero para la lamina de la figura 3.6-1a

86
Tabla 3.6-2. Resultados de simulacin de la medida del cuero para la lamina de la figura 3.6-1b

86
Tabla 3.6-3. Resultados de simulacin de la medida del cuero para la lamina de la figura 3.6-1c

86
Tabla 3.6-4. Resultados de simulacin de la medida del cuero para la lamina de la figura 3.6-1d

87
Tabla 4.2-1 Resultados de simulacin del filtro mediana

98
Tabla 4.2-2 Resultados de simulacin del supresor del fondo

100
Tabla 4.2-3 Resultados de simulacin del filtro Bottom hat

105
Tabla 4.2-4 Resultados de simulacin del filtro High boost

108
Tabla 4.3-1 Resultados de simulacin del umbralizador de Otsu

114
Tabla 4.3-2 Resultados de simulacin del umbralizador ISODATA

116
Tabla 4.3-3 Resultados de simulacin del umbralizador Intermodal

119
Tabla 4.3-4 Resultados de simulacin del umbralizador valles y colinas

120
Tabla 4.4-1. Resultados de las intersecciones de los crculos mostrados en la figura 4.3-2

123
Tabla 4.4-2 Resultados de simulacin para el clculo del rea optima

125

5

INTRODUCCIN

Las lminas de cuero son comercializadas de acuerdo al tamao de su superficie y las
unidades tpicas son: el decmetro cuadrado, el pie cuadrado y el metro cuadrado. Para
realizar esta medida se utilizan actualmente sistemas electrnicos de medicin, en su
mayora de fabricacin extranjera, esto conlleva a los problemas de falta de soporte y
mantenimiento, adems, la electrnica incorporada en todo el sistema usa en promedio
entre 80 y 160 sensores fotoelctricos, los cuales son propensos a fallas por contaminacin
del medio ambiente u oxidacin por las sustancias usadas en el proceso, lo que conlleva a
un mantenimiento frecuente, generando interrupciones en el proceso de produccin y altos
costos por reparacin o importacin de sus repuestos.

Si la cantidad de partes electrnicas se disminuye o se integra en bloques ms pequeos y
compactos, se puede disminuir las fallas del sistema y los inconvenientes en el proceso de
medicin del rea de una lmina de cuero. Entonces, con el propsito de mitigar los
anteriores inconvenientes en los equipos electrnicos usados en la medicin de una lmina
de cuero, esta tesis de maestra presenta el diseo de un microsistema basado en FPGAs
para medir el rea de una lmina de cuero. Es decir, mediante la implementacin en
hardware de algoritmos de visin artificial usando FPGAs es posible realizar la medicin
del rea de una lmina de cuero de una forma confiable y robusta.

1.1 Motivacin

En las actividades que se llevan a cabo en las curtiembres, uno de los procesos ms
importantes es la medicin del rea de una lmina de cuero, ya sea el cuero azul (curtido en
cromo) o el cuero terminado, el cual es medido en decmetros cuadrados o pies cuadrados.
Los equipos de medicin son generalmente electrnicos, aunque anteriormente se usaban
mtodos manuales o mecnicos. Informacin ms detallada sobre este aspecto puede ser
consultada en [1], el cual es un enlace en internet que muestra los diferentes mtodos de
medicin.

Los equipos electrnicos presentan mayores ventajas sobre los sistemas de medicin
mecnicos y/o manuales debido a su precisin y velocidad. En la Figura 1.1-1, se observa
un esquema de un equipo electrnico tradicional.

Un equipo electrnico tradicional para medir el rea de una lmina de cuero est
conformado por:

Captulo 1

Introduccin

6
Mesa transportadora: Es un sistema mecnico que se encarga de desplazar el cuero
sobre el arreglo de sensores fotoelctricos y bajo el sistema de iluminacin.
Sistema de iluminacin: Este sistema se encarga de iluminar el arreglo fotoelctrico
y debe mantener una iluminacin constante.
Arreglo de sensores fotoelctricos: Este arreglo se encarga de capturar la
informacin de la lmina del cuero cuando se desplaza sobre la mesa.

Figura 1.1-1. Sistema electrnico tradicional para medir el rea de una lmina de cuero.

El error porcentual en los equipos electrnicos tradicionales est entre 1% y 2%, lo cual es
debido a que existe una distancia entre cada fotosensor de 2 cms. Sin embargo, el error
puede aumentar si existen cambios en la velocidad de la banda transportadora o en la
intensidad de la luz de las lmparas.

Adicionalmente, los equipos electrnicos tradicionales destinados a trabajar con cuero azul
sufren un fuerte deterioro de las tarjetas electrnicas, debido a que estas lminas de cuero
estn impregnadas de cromo, lo cual conduce a la sulfatacin de las partes metlicas y las
pistas de cobre en los circuitos impresos. Este tipo de deterioro produce un error mayor en
la medida y en consecuencia la confiabilidad se reduce.

Teniendo en cuenta, las ventajas y falencias que tienen los equipos electrnicos
tradicionales, en esta tesis se presenta el desarrollo de un equipo electrnico de medicin
del rea de las lminas de cuero, el cual usa una tecnologa diferente a la tradicional y
cumple con las siguientes caractersticas:

Alta confiabilidad: Error relativo inferior al 1%

Alta robustez: Equipo bien compacto y separado fsicamente de las sustancias
qumicas destructoras del cobre.

Introduccin

7
En este caso, el sistema electrnico de medicin es un microsistema basado en FPGAs que
permite implementar varias tcnicas o algoritmos de visin artificial en hardware
considerando procesamiento paralelo. En la Figura 1.1-2 se muestra el sistema de visin
artificial basado en FPGAs para medir el rea de una lmina de cuero.

Figura 1.1-2. Sistema de visin artificial basado en FPGAs para medir el rea de una lmina de
cuero.

1.2 Contribucin de la Tesis

En esta tesis se presenta el diseo de un microsistema usando FPGAs para medir el rea de
una lmina de cuero. La principal contribucin consiste en que el sistema desarrollado
presenta una alta confiabilidad debido a que se implementaron 4 algoritmos.
Adicionalmente, el sistema presenta una alta robustez debido a que se encuentra lo
suficientemente separado de la lmina de cuero. Teniendo en cuenta estas ventajas, este
sistema de medicin es altamente competitivo con respecto a los productos existentes en el
mercado. Los algoritmos de umbralizacin en hardware son: OTSU, ISODATA, intermodal
y clculo del valle.
1.3 Organizacin de la Tesis

La tesis est organizada en cinco captulos. En el captulo 1, se describen los
inconvenientes que presentan los sistemas electrnicos de medicin tradicionales; en el
captulo 2 se presenta el marco terico necesario para soportar este proyecto; en el captulo
3 se presenta una descripcin sobre los mtodos que permiten realizar una correcta
separacin entre la imagen de la lmina de cuero y la imagen de la mesa. En el captulo 4 se
presenta el diseo en hardware del microsistema de medicin con los algoritmos
implementados y finalmente en el captulo 5 se presentan las conclusiones y el trabajo
futuro.

Introduccin

8
Bibliografa

[1] http://www.cueronet.com/tecnicacuero.htm
9

2.1 Introduccin

En este captulo se presentan los conceptos tericos utilizados en el diseo del
microsistema basado en FPGA para la medicin del rea de una lmina de cuero. En este
caso, se usa una cmara de video como sensor de captura de la imagen de la lmina de
cuero, para ser procesada digitalmente y obtener de forma precisa y confiable la medida de
su rea. Los algoritmos de procesamiento de la imagen son implementados en hardware de
forma embebida sobre el FPGA con el propsito de lograr mejores resultados en cuanto a
desempeo, portabilidad y confiabilidad. Por lo tanto, con el propsito de alcanzar un
excelente desempeo del diseo es necesario entender muy bien, las diversas tcnicas para
el procesamiento digital de imgenes y sus posibles implementaciones en hardware.

En general, cualquier sistema para capturar una imagen y procesarla digitalmente debe
disponer como mnimo de:

1. Sistema de adquisicin e iluminacin de las imgenes: cmara de video y lmparas
de iluminacin uniforme.

2. Sistema de procesamiento y visualizacin: tarjeta electrnica en la cual se
implementan en hardware los algoritmos de procesamiento de imgenes.

En este orden de ideas, se hace necesario realizar el estudio terico sobre diversos temas de
visin por computador. En la Figura 2.1-1 se muestran los diferentes elementos que hacen
parte de un sistema de visin por computador y ms exactamente el sistema desarrollado en
este trabajo para la medicin de una lamina de cuero.
Captulo 2
Fundamentos e Implementaciones Hardware para el Procesamiento Digital de Imgenes

10

Figura 2.1-1 Sistema para medir el rea de una lmina de cuero usando un microsistema basado en
FPGA.

En este captulo se presentan los fundamentos tericos del sistema de captura de la imagen,
del sistema de iluminacin tcnicas usadas para el procesamiento digital de la imagen de
una lmina de cuero, y algunas implementaciones en hardware de estos algoritmos.

En la seccin 2.2 se presentan los fundamentos del sistema de adquisicin de imgenes, que
abarca desde la captura de la imagen, el modelo pinhole, los modelos de distorsin, hasta
los modelos de iluminacin para el sistema de captura.

En la seccin 2.3 se presenta el marco terico de diversas tcnicas de procesamiento digital
de imgenes que permiten dar mejor contrastes a la imagen analizada, destacando las
caractersticas de inters. Tambin se presentan las seis tcnicas de umbralizacin con la
explicacin de varios algoritmos segn sus tcnicas.

11

En la seccin 2.4 se presentan dieciseis implementaciones en hardware, entre las cuales se
describen arquitecturas para la captura de la imagen, para el realce y mejoramiento de la
imagen y para la umbralizacin de la imagen.

2.2 Fundamentos del Sistema de Captura de una Imagen
Para realizar una buena captura de una imagen se deben tener presentes, aspectos como el
tipo de sensor de captura que se va a usar, ya que si no se logra una buena copia digital de
la imagen a tratar, se har ms complejo el proceso de anlisis de su informacin y la
extraccin de sus caractersticas. De igual modo se deben conocer aspectos como el modelo
matemtico del sistema de captura (pinhole) y las distorsiones presentes en el lente y as
corregirlas antes de iniciar su anlisis. Otro aspecto importante que influye en el sistema de
captura de la imagen es el sistema de iluminacin, ya que si la imagen se ilumina de forma
errnea esta imagen presentar efectos de sombras o brillos que alteraran la informacin de
la imagen.

2.2.1 Imagen digital

Una imagen es una funcin continua F(x,y), donde las coordenadas x, y son variables
espaciales del plano donde se forma la imagen. La amplitud de la funcin F, es la
intensidad en esa coordenada. Una imagen tambin se define por dos funciones separadas:
Una es la iluminacin L(x,y) y la otra la reflectancia R(x,y) y es definida por la ecuacin
2.2-1. Este tema es ampliado en [1], en el capitulo 2.

) , ( ). , ( ) , ( y x L y x R y x F = (2.2-1)

Cuando la posicin (x,y) y los valores de la amplitud de la funcin F son cantidades
discretas finitas, esta imagen es llamada una imagen digital. El proceso de discretizar las
variables espaciales x, y se conoce como muestreo y est definida por la ecuacin 2.2-2,
grficamente se observa en la figura 2.2-1.

= ) , ( ) , ( ) , (
0 0 0 0
y x f dxdy y y x x y x f (2.2-2)


12

Figura 2.2- 1. Representacin grafica de la funcin muestreo bidimensional.

La discretizacin de la amplitud S se denomina cuantizacin. Este proceso consiste en
asignarle a cada localizacin discreta x,y un valor entero 2
b
, donde b es el nmero de bits
asignados a cada nivel de gris. La discretizacin y cuantizacin es descrita grficamente por
la figura 2.2-2.

Figura 2.2-2. Representacin grafica del proceso de discretizacin y cuantizacin.

13

2.2.2 Sistema de Adquisicin de una Imagen

Para la correcta adquisicin de una imagen se debe contar con un buen sistema de captura,
donde se tengan presentes aspectos como la tecnologa de fabricacin y los distintos
parmetros intrnsecos y extrnsecos del sistema. Referente a la tecnologa de fabricacin,
actualmente las cmaras de video estn construidas por sensores de estado slido como las
CMOS y CCD, en [2] el autor describe tendencias sobre el uso de sensores CMOS y en [3]
se hace una revisin sobre esta tecnologa. En [4] se muestra un diseo hbrido entre ambas
tecnologas y en [5] se presenta una aplicacin de un sensor CCD para la segmentacin de
imgenes. Se debe tener presente que los sensores CMOS se pueden integrar ms que la
CCD, consumen menos potencia pero la imagen es de menor calidad, y son ampliamente
usados en cmaras para PC, sistemas de seguridad, escneres cdigos de barras entre otros
sistemas de bajo costo. Mientras las CCD son de mayor tamao, de ms consumo pero de
mejor calidad, son usadas frecuentemente en fotografa digital, aplicaciones digitales de
alta precisin y cientficas. En la figura 2.2-3 se observan los sensores tipo CMOS y CCD.

a)

b)

Figura 2.2-3. Dispositivos de captura.
a) Sensor CMOS. b) Sensor CCD

Estos sensores de captura tienen caractersticas que deben ser tenidas en cuenta a la hora de
seleccionarlo, entre las caractersticas ms relevantes tenemos:

1. Responsividad luminosa: Es el nivel de seal que es capaz de ofrecer el sensor por cada
unidad de energa ptica incidente. Se define por la ecuacin 2.2-3

d V
d s
Km
S A
lx
A
S
e
n e
df df
li
) ( ) (
) ( ) (
.
) 8 . 632 (
(2.2-3)


14

Donde: S
li
es la responsividad luminosa en unidades de [Amperios/lux]. S
df
(632,8) es la
responsividad absoluta del detector fotomtrico a 632,8 nm.
e
() es la distribucin
espectral de la fuente iluminante tipo A. S
n
() es la responsividad espectral relativa del
detector fotomtrico. V() es Eficiencia espectral luminosa para la visin fotpica. Km es
la eficiencia espectral luminosa mxima (683 lm/W). A
df
es el rea del detector
fotomtrico. Mayor informacin sobre este tema puede ser consultada en [6].

2. Relacin seal a ruido o SNR (Signal Noise Relation): El SNR da un indicador de
cuantos fotones inciden sobre el sensor de captura o la superficie del fotodiodo de captura,
sobre otros factores que afectan negativamente la imagen original. El SNR est dado por la
ecuacin 2.2-4

c v T i i q
T i
i SNR
dc ph
ph
ph
2 2
10
) (
log 20 ) (
+ + +
= (2.2-4)

Donde: SNR(i
ph
) es la relacin de seal a ruido sobre sensor de captura o el fotodiodo.
q(i
ph
+i
dc
) es la carga de los electrones incidentes en el fotodiodo y la corriente de
polarizacin del mismo. T es el periodo de exposicin del fotodiodo en la captura de la
imagen.
2
v es la varianza del ruido en el circuito.
2
c es la varianza antes de iniciar la
conduccin el fotodiodo. i
ph
es la corriente del fotodiodo. Mayor ampliacin sobre este
tema puede ser consultada en [7], en el numeral 1.2.1

3. Rango Dinmico: Es la razn entre el mximo nivel de luminosidad que el sensor puede
medir antes de saturarse y el mnimo nivel descontado el ruido de lectura. El rango
dinmico est definido por la ecuacin 2.2-5.

c v T i q
Q
DR
ph
sat
2 2
10
log 20
+ +
= (2.2-5)

Donde: DR es el rango dinmico. qi
ph
es la carga de los electrones incidentes en el
fotodiodo. T es el periodo de exposicin del fotodiodo en la captura de la imagen.
2
v es la
varianza del ruido en el circuito.
2
c es la varianza antes de iniciar la conduccin el
fotodiodo. Mayor ampliacin sobre este tema puede ser consultada en [7], en el numeral
1.2.1

4. Velocidad de captura: La velocidad de captura de una imagen est dada por la cantidad
de imgenes que puede capturar en un segundo y est representado por las siglas del FPS
(Frames Per Second). Podemos citar dos arquitecturas de captura de video. La arquitectura
de lectura digital que permite velocidades de captura de hasta los 10KFPS y la
arquictectura de lectura analgica que permite velocidades de captura de hasta 400 MFPS.
La ecuacin 2.2-6 describe la velocidad de captura para una arquitectura digital secuencial
de pxel por pxel (PBP). En [8] el autor hace un anlisis de las diferentes arquitecturas para
la captura de imgenes.

15

1
1
]
1
\
|
+ =
RO ADC PBP
x
n
b
HxV FR (2.2-6)

Donde, H y V, son el nmero de filas y columnas del arreglo de sensores,
ADC
es el tiempo
que toma la conversin de anlogo a digital,
RO
es el tiempo que tarda el dispositivo en
enviar la conversin, b es el nmero de bits y n es el nmero de salidas paralelas.

Otras caractersticas que deben ser tenidas en cuenta son: Las densidad de pxeles, esta
caracterstica describe la relacin entre el nmero de pxeles y el tamao del sensor, entre
mas rea se disponga para la misma cantidad de pxeles, mayor ser el tamao de este pxel,
por lo tanto mayor la iluminacin recibida, dando como resultado mayor calidad de la
imagen capturada. La respuesta uniforme, con esta caracterstica se espera que un pxel
sometido al mismo nivel de excitacin de luz que sus vecinos no presente cambios
apreciables respecto de ellos. El Blooming es el fenmeno por el cual un pxel que ha
alcanzado la saturacin empieza a saturar a sus vecinos, creando efectos y patrones no
deseados.

2.2.3 Modelo Pinhole

El sistema de captura para imgenes ms sencillo, es el modelo pinhole, el cual est
compuesto por una cmara con un orificio infinitamente pequeo y por este los rayos de luz
entran a la cmara y forman una imagen del cuerpo situado en frente de este orificio en su
interior, pero de forma invertida. En [9] el autor, en el capitulo11 hace la descripcin del
modelo pinhole y la proyeccin de perspectiva que se analiza a continuacin.

En el modelo pinhole, todos los rayos provenientes de un objeto atraviesan un fino agujero
e impactan en la cmara o el sensor de captura en el caso de las cmaras electrnicas.
Debido a que los rayos de luz pasan a travs de los lentes y estos no tienen un
comportamiento lineal se presentan deformaciones en la imagen proyectada dentro de la
cmara o en el sensor de captura, por lo tanto el modelo pinhole debe ser corregido por
medio de parmetros que corrijan su comportamiento no lineal y lo aproximen a la
apariencia real del objeto.

En este modelo, el sistema de referencia de la cmara se sita en el centro de la proyeccin,
coincidiendo el eje z de este sistema con el eje ptico o eje axial. En esta disposicin de
ejes, el plano imagen, de coordenadas u,v, se encuentra situado a una distancia igual a la
longitud focal del objetivo, de forma perpendicular al eje ptico. La interseccin del eje
ptico con el plano imagen se denomina punto principal.

El centro de proyeccin o centro ptico de la cmara se supone constante pero es a priori
desconocido. El plano imagen normalmente se sita por delante del centro de proyeccin,
para tener una imagen sin inversin. En la Figura 2.2-4, se muestra un diagrama del Modelo
Pinhole.

16

Figura 2.2-4. Modelo Pinhole.

Un punto X
cam
expresado en el sistema de coordenadas de la cmara, con coordenadas [X Y
Z], se proyecta en un punto del plano imagen X
im
de coordenadas (x,y) aplicando el modelo
pinhole. Los valores de las coordenadas del plano imagen se obtienen a partir de las
ecuaciones de proyeccin de perspectiva para un objetivo de distancia focal f , suponiendo
que Z > f , esto es, todos los puntos en anlisis se encuentran en frente de la lente, segn la
ecuacin 2.2-7

Y
X
Z
f
y
x
(2.2-7)

Las coordenadas en pxeles (u,v) de esta posicin (x,y) en el plano imagen se obtienen
utilizando el tamao horizontal y vertical de los pxeles. Posteriormente, se deben
referenciar dichos valores al origen superior izquierdo de la imagen en el sensor, por lo que
se adiciona el valor del punto principal (u
0
,v
0
), el cual viene dado en pxeles.

Dicha conversin se efecta aplicando la expresin contenida en 2.2-8, realizando la
transformacin entre el espacio euclidiano de la cmara (plano imagen con distancia z=-
focal) y el sensor de la imagen 2D con origen (0,0) situado en la parte superior izquierda de
la imagen captada.

0
0
.
.
v y s v
u x s u
y
x
+ =
+ =
(2.2-8)

El punto tridimensional X
cam
correspondiente al pxel de impacto (u,v) no es nico. Todos
los puntos pertenecientes a la recta que une el centro de proyeccin C con el punto X
cam

inicialmente considerado son posibles puntos originales. As cualquier punto M de la recta
R con coordenadas (X,Y,Z) cumple la igualdad de la ecuacin 2.2-9, al proyectarse sobre el
pxel (u,v):

17

Cam
y
x
Z
Y
X
v f
u f
v
u
1 0 0
0
0
1
0
0
(2.2-9)

Donde,
f s f
f s f
y y
x x
.
.
=
=

El subndice cam para las coordenadas (X,Y,Z) indican que el punto M viene expresado en
el sistema de referencia de la cmara. En general, las coordenadas para objetos de la escena
vendrn dadas para un sistema de referencia global o particular para un objeto. Adems se
nota que el centro C del sistema de coordenadas de la cmara, centro de proyeccin, no se
conoce a priori.

Si se consideran las coordenadas (X,Y,Z)
w
de un punto M de la escena para un cierto
sistema de referencia externo, dichas coordenadas se tienen que expresar en el sistema de
coordenadas de la cmara para as poder aplicar las ecuaciones de proyeccin del modelo
pinhole. La transformacin entre ambos sistemas de coordenadas viene expresada como
una matriz de rotacin y traslacin denominada matriz extrnseca (RT
ext
).

Conocida dicha matriz RT
ext
se puede realizar la transformacin de coordenadas de un
punto expresado en el sistema de referencia W al sistema de coordenadas de la cmara C.
Dicha ecuacin, haciendo uso de coordenadas homogneas, se describen en la ecuacin
2.2-10

W cam
Z
Y
X
r
r
r
r
r
r
r
r
r
Z
Y
X
1 0 0 0 1
33
23
13
32
22
12
31
21
11
(2.2-10)

La notacin habitualmente empleada para expresar las ecuaciones de proyeccin P de un
punto M (X,Y,Z)
w
sobre el plano imagen en el pxel de coordenadas m (u,v) se describen en
la ecuacin 2.2-11.

PM m (2.2-11)

Donde la matriz P puede ser descrita por la ecuacin 2.2-12:

=
1
0 0 0
0
0
0
1 0 0
0
0
33
23
13
32
22
12
31
21
11
0
0
z
y
x
y
x
t
t
t
r
r
r
r
r
r
r
r
r
v f
u f
P (2.2-12)

18

La proyeccin perspectiva o pinhole est definida a falta de un factor de escala .

El modelo pinhole sirve para modelar correctamente lentes delgados, dado que el espesor
de los mismos se considera despreciable y se puede decir que todos los haces de rayos que
lo atraviesan lo hacen siempre por el mismo centro de proyeccin. En el caso, de trabajar
con lentes donde el espesor no es despreciable, lentes gruesos, este modelo no tiene en
cuenta que la transformacin entre los puntos del espacio y sus puntos correspondientes en
el plano imagen vienen dados por dos planos principales diferentes. Por tanto, el parmetro
f representa la distancia del sistema de referencia de la cmara al plano imagen la cual no
es, en general, equivalente a la distancia focal efectiva del sistema ptico, cuyo valor es una
propiedad intrnseca de los lentes.

El modelo pinhole, aunque invlido para proporcionar un modelo en el espacio euclidiano,
es utilizado como modelo de formacin de las imgenes en el espacio proyectivo. Es decir,
no puede proporcionar valores reales de distancias euclidianas pero s modelar la captura de
objetos en una escena sobre el plano imagen al aplicar directamente la proyeccin
perspectiva.

2.2.4 Correccin de la Distorsin

Cuando se trata de realizar mediciones a travs de una cmara como en este proyecto, el
modelo pinhole debe ser corregido con la ayuda de otros parmetros que modelan una
distorsin para lograr medidas de buena precisin. Es decir, adems de considerar la
proyeccin perspectiva ideal dada por el modelo pinhole, hay que compensar los efectos
reales que no se tienen en cuenta. La distorsin introducida por los lentes se aade a las
coordenadas del modelo pinhole mediante un polinomio en funcin de su posicin (u,v)
modificndolo adecuadamente. Es decir la distorsin es la distancia existente entre el
impacto ideal dado por el modelo pinhole (modelo de proyeccin de perspectiva) y la
posicin real que ocupa cada pxel en la imagen. En [10] el autor describe la calibracin de
una cmara con zoom y movimiento pan-tilt.

Existen diferentes tipos de distorsin que vienen a modelar y corregir fenmenos y
aberraciones pticas de distinto origen. En la calibracin, se suelen considerar nicamente
dos tipos: distorsin radial y tangencial. La distorsin denominada radial se observa de
forma cada vez ms apreciable al considerar pxeles ms alejados del punto principal. Para
cmaras de gran angular donde la distancia focal es muy corta, se interpola un polinomio de
aproximacin para corregir dicha posicin con un grado de hasta quinto orden, que son
descritas por las ecuaciones 2.2-13 y 2.2-14.

2
0
2
0 2

=
y x
f
v v
f
u u
r (2.2-13)

Distancia radial =
10
5
8
4
6
3
4
2
2
1
r a r a r a r a r a + + + + (2.2-14)

19

En cmaras de distancia focal muy corta es recomendable hacer uso de los cinco
parmetros a
i
, para cmaras con distancia focal intermedia el nmero de parmetros de
correccin de la distorsin es menor. En la Figura 2.2-5 se muestran los efectos de la
distorsin radial en una imagen.

Por otra parte, para corregir la no perpendicularidad entre el eje ptico del lente fijo y el
plano imagen se introduce un trmino de distorsin tangencial. Dicha distorsin expresada
por un polinomio de segundo orden y es modelada por los dos parmetros p
1
y p
2
, siendo
diferentes las expresiones para las coordenadas u y v, como se describen en las ecuaciones
2.2-15, 2.2-16, 2.2-17, 2.2-18, 2.2-19. Los valores de p
1
y p
2
varan de una cmara a otra.

2
0

=
x
f
u u
u (2.2-15)

2
0

=
y
f
v v
v (2.2-16)

2 2 2
v u r + = (2.2-17)

uv p u r p u Tangencial Dist
2
2 2
1
2 ) 2 ( _ _ + + = (2.2-18)

uv p v r p v Tangencial Dist
1
2 2
2
2 ) 2 ( _ _ + + = (2.2-19)

Estos modelos de distorsin cubren una extensa variedad de distorsiones, siendo capaz de
modelar sin error cualquier fenmeno tpico de distorsin de los lentes actuales de distancia
focal fija.

En el proceso de calibracin de la cmara y posterior utilizacin del mismo en las
coordenadas ideales del modelo pinhole, se les aade los trminos de distorsin radial y
tangencial correspondientes, como se describen en las Ecuaciones 2.2-20 y 2.2-21.

u dist rad Dist u u
Zcam
Xcam
f u u
x
_ tan_ _ * ) (
0 0
+ + = (2.2-20)

v dist rad Dist v v
Zcam
Ycam
f v v
y
_ tan_ _ * ) (
0 0
+ + = (2.2-21)


20

Figura 2.2-5. Efectos de distorsin radial.

2.2.5 Iluminacin de la imagen

La iluminacin es una componente muy importante en un sistema de visin por
computador, ya que permite al sistema de captura de la imagen registrar de forma ms
eficiente las caractersticas del objeto en anlisis.

La iluminacin se define como el flujo luminoso por unidad de superficie (Lmenes/metro
cuadrado) y est dada por la ecuacin 2.2-22, su unidad de medida es el LUX.

0
ds
d
E

= (2.2-22)

Si el tipo de iluminacin es de una fuente puntual, su intensidad luminosa estar definida
por la potencia luminosa de la fuente en esa direccin por unidad de ngulo solido y es
medido en Lmenes sobre Estereorradin y su unidad es la Candela. Se define por la
ecuacin 2.2-23.

=
d
d
I

(2.2-23)

La iluminacin E y la intensidad luminosa I se relacionan por medio de la ley inversa de los
cuadrados y es descrita por la ecuacin 2.2-24.

2
d
I
E = (2.2-24)

Donde d
2
es la distancia entre la fuente de iluminacin y el objeto iluminado. En la figura
2.2-6 se observa esta relacin.

21

Figura 2.2-6. Ley de los cuadrados

Para relacionar la iluminacin con el ngulo formado por la direccin del rayo incidente y
la perpendicular a la superficie se hace uso de la ley del coseno que esta descrita por la
ecuacin 2.2-25
cos
2
d
I
E = (2.2-25)

A continuacin se analiza la ley del coseno para los tipos de iluminacin observados en la
figura 2.2-7.

1. Iluminacin normal
2. Iluminacin horizontal
3. Iluminacin vertical

Figura 2.2-7. Tipos de iluminacin

22

1. Iluminacin normal: En este caso el ngulo de inclinacin es de 90
0
y la iluminacin la
describe la ecuacin (2.2-24)

2. Iluminacin horizontal: En este caso la podemos relacionar en funcin de la altura del
elemento de iluminacin h y se describe por la ecuacin 2.2-26

3
2
cos
h
I
E = (2.2-26)

3. Iluminacin vertical: En este caso, entre los ngulos y existe una relacin sencilla, ya
que ambos pertenecen a un tringulo rectngulo, por los tanto + + 90=180 y aplicando
relaciones trigonomtricas podemos llegar a la ecuacin 2.2-27.

sen
d
I
E
2
= (2.2-27)

Mayor informacin sobre luminotecnia puede ser consultada en [11]

2.3 Tcnicas para el Procesamiento Digital de Imgenes

Cuando una imagen es capturada por el sistema de adquisicin de imgenes, se deben
aplicar una serie de algoritmos que permitan mejorar la imagen capturada y realzar las
caractersticas importantes del objeto en anlisis. Actualmente existe muchas tcnicas que
permiten el procesamiento digital de una imagen, pero segn la aplicacin se deben escoger
tcnicas adecuadas que permitan transformar la imagen capturada en la imagen esperada.

En este proyecto se debe adecuar, contrastar y separar la lmina de cuero del resto de la
imagen, para poder realizar la medida correcta de dicha lmina. En este orden de ideas se
deben estudiar las tcnicas de procesamiento de la imagen que permitan el mejoramiento y
la segmentacin de la imagen, por lo tanto se abordarn los temas de mejoramiento y
segmentacin de las imgenes.

2.3.1 Mejoramiento de la Imagen

Las tcnicas de mejoramiento de la imagen tienen como objetivo principal procesar la
imagen capturada y modificarla de tal forma que la imagen resultante muestre las
caractersticas que deseamos analizar.

Las tcnicas de mejoramiento de la imagen se usan segn el tipo de aplicacin o problema a
resolver, por lo tanto se analizaran las tcnicas ms competentes para este proyecto. Las
tcnicas a analizar son:

23

1. Operaciones morfolgicas
2. Filtrado en el dominio espacial

2.3.1.1 Operaciones Morfolgicas

Las operaciones morfolgicas aplicadas a imgenes, sirven para extraer sus componentes
principales como su contorno, el esqueleto, cerco convexo entre otras. Estas tcnicas
morfolgicas tambin son usadas en el pre-procesamiento de la imagen mediante el uso de
filtros morfolgicos. En [1] en el numera 8.4 y en [12] se hace mayor anlisis sobre este
tema. A continuacin se describirn las siguientes tcnicas:

1. Dilatacin
2. Erosin
3. Apertura y cierre
4. Transformacines top hat y bottom hat

1. Dilatacin

Esta tcnica consiste en adicionar pxeles al contorno de los objetos presentes en la imagen
y se define para imgenes en escala de grises como: La dilatacin de escala de grises de f
por b, representada f b, se define por medio de la ecuacin 2.3-1

{ }
b f
D y x D y t x s y x b y t x s f Max t s b f + = ) , ( ; ) ( ), ( ) , ( ) , ( ) , )( (
(2.3-1)

Donde D
f
y D
b
son dominios de f y b, respectivamente. La condicin de los parmetros de
desplazamiento (s x) y (f y) tienen que estar contenidos en el dominio de f. La dilatacin
de una imagen puede ser observada en la figura 2.3-1.

a)

b)
Figura 2.3-1. Proceso de dilatacin de una imagen
a) Imagen original. b) Imagen dilatada

24

2. Erosin

Esta tcnica consiste en eliminar pxeles del contorno de los objetos presentes en la imagen.
La erosin de una imagen se define mediante la ecuacin 2.3-2

(f b) { }
b f
D y x D y t x s y x b y t x s f Min t s + + + + = ) , ( ; ) ( ), ( ) , ( ) , ( ) , ( (2.3-2)

Donde D
f
y D
b
son dominios de f y b, respectivamente. La condicin de que los parmetros
de desplazamiento ( s + x ) y ( f + y ) tienen que estar contenidos en el dominio de f. La
erosin de una imagen puede ser observada en la figura 2.3-2.

a)

b)

Figura 2.3-2. Proceso de erosin de una imagen
a) Imagen original. b) Imagen erosionada

3. Apertura y Cierre

La apertura y el cierre de una imagen son operaciones que resultan de la combinacin de la
dilatacin y la erosin, por lo tanto, la apertura es una erosin seguida de una dilatacin y
se describe por la ecuacin 2.3-3.

) ( b f o = (f b) b (2.3-3)

La operacin de apertura en una imagen es usada para suavizar sus contornos, eliminar
pequeas protuberancias y romper conexiones dbiles. La apertura de una imagen se
muestra en la figura 2.3-3

25

a)

b)

Figura 2.3-3. Proceso de apertura de una imagen
a) Imagen original. b) Imagen con apertura

De forma similar se define que el cierre es una dilatacin seguida de una erosin y se
describe por la ecuacin 2.3-4.

) ( ) ( b f b f = b (2.3-4)

La operacin de cierre de una imagen es usada para suavizar contornos, rellenar detalles,
rellenar vacios en el contorno y eliminar pequeos huecos. Esta operacin es observada en
la figura 2.3-4.

a)

b)

Figura 2.3-4. Proceso de cerradura de una imagen
Imagen original. b) Imagen con cerradura

4. Transformacin Top Hat y Bottom Hat

La transformacin top hat sustrae a la imagen, la apertura de la imagen. Es til para resaltar
objetos de color contrario al fondo o extraer detalles brillantes en presencia de sombras. Se
define por la ecuacin 2.3-5.

26

) ( b f f h o = (2.3-5)

En la figura 2.3-5 se observa esta transformacin

a)

b)

Figura 2.3-5. Transformacin top hat en una imagen
Imagen original. b) Imagen con transformacin

La transformacin bottom hat sustrae a la imagen la cerradura de la imagen, es til para
capturar detalles oscuros en zonas iluminadas. Se define por la ecuacin 2.3-6

f b f h = ) ( (2.3-6)

En la figura 2.3-6 se observa esta transformacin

a)

b)

Figura 2.3-6. Transformacin bottom hat en una imagen
Imagen original. b) Imagen con transformacin

27

2.3.1.2 Filtrado en el Dominio Espacial

Los filtros en el procesamiento de digital de imgenes son usados para atenuar el ruido en
los pxeles de la imagen o resaltar las caractersticas que deseamos analizar o estudiar, los
filtros se pueden disear en el dominio espacial o en el dominio frecuencial. En este
proyecto solo se describirn los filtros suavizantes en el dominio espacial.

Los filtros en el dominio espacial son el resultado de una operacin de convolucin tal
como lo describe la ecuacin 2.3-7, donde el pxel p en la posicin (i,j) es el resultado de la
convolucin, mxn en el tamao de la mscara usada y los elementos w
k
son los
componentes de la mscara y los z
k
son los pxeles que intervienen en la operacin.

=
=
mxn
k
k k
z w j i P
1
) , ( (2.3-7)

En la figura 2.3-7 se observa esta operacin. En [1] en el numeral 4.3.2 el autor analiza ms
a fondo este tema

Figura 2.3-7. Operacin de convolucin sobre una imagen

Entre los filtros ms importantes tenemos:

1. Filtrado espacial paso bajo
2. Filtrado por la mediana
3. Filtrado espacial paso alto
4. Filtrado high boost
5. Filtros diferenciales


28

1. Filtrado Espacial Paso Bajo

Segn la respuesta de impulso para un filtro espacial paso bajo, es necesario que los
coeficientes de la mscara del filtro sean positivos. Este filtro tiene especial aplicacin para
el suavizado o difuminado de una imagen. Un ejemplo de una mscara que puede ser usada
por esta imagen se muestra en la figura 2.3-8. Este filtro puede describirse por la ecuacin
2.3-8.

=
1 1 1
1 1 1
1 1 1
9
1
x h

Figura 2.3-8. Mscara de convolucin para un filtro paso bajo

=
=
M
i
i
y x g
M
y x g
1
) , (
1
) , ( (2.3-8)

La operacin sobre una imagen de este filtro puede observarse en la figura 2.3-9

a)

b)

Figura 2.3-9. Filtrado paso bajo
a) Imagen Original. b) Imagen filtrada por mascara de 35x35

2. Filtrado por la Mediana

El filtro mediana es un filtro no lineal, su operacin consiste tomar los valores del pxel a
filtrar y de su entorno, ordenarlos y posteriormente calcular el valor de la mediana. El

29

filtrado por la mediana tiene especial aplicacin cuando el objetivo es la disminucin del
ruido producido por componentes puntuales fuertes similares al ruido sal y pimienta, pero
preservando los bordes de la imagen. Este filtro aplicado a una mscara de 3x3 se puede
definir por la ecuacin 2.3-9 y su aplicacin sobre una imagen en la figura 2.3-10.

+ + + +
+
+ +
=
) 1 , 1 ( ) 1 , ( ) 1 , 1 (
) , 1 ( ) , ( ) , 1 (
) 1 , 1 ( ) 1 , ( ) 1 , 1 (
) , (
j i f j i f j i f
j i f j i f j i f
j i f j i f j i f
mediana j i p
(2.3-9)

a)

b)

Figura 2.3-10. Filtro mediana
a) Imagen Original. b) Imagen filtrada por mscara de 3x3

3. Filtrado Espacial Paso Alto

La respuesta impulso necesaria para este filtro implica que el filtro debe tener coeficientes
negativos en la periferia de la mscara y en el centro valores positivos. Generalmente son
llamados filtros de realce, su principal aplicacin est en la deteccin de los cambios
bruscos o desniveles de intensidad en la imagen, como es el caso de los bordes de una
imagen. Una mscara comn que describe a este filtro puede observarse en la figura 2.3-
11. Se puede representar por la misma ecuacin del filtro paso bajo, dado por la ecuacin
2.3-8

=
1 1 1
1 8 1
1 1 1
9
1
x h

Figura 2.3-11. Mscara de convolucin para un filtro paso alto

30

La operacin sobre una imagen puede observarse en la figura 2.3-12

a)

b)

Figura 2.3-12. Filtrado paso alto
a) Imagen Original. b) Imagen filtrada por mascara de 3x3

4. Filtrado High Boost

El filtro high boost es un caso especial del filtro paso alto donde el valor central de la
mscara esta dado por un valor w. Este valor w esta dado por un factor de amplificacin A
de la imagen original, si A es mayor que 1, da como resultado la imagen original con bordes
mas definidos, si A es igual a 1, el resultado es un filtro pasa alto normal. Se define por la
ecuacin 2.3-8, pero cambiando el valor central de la mscara por A.

La mscara de convolucin para el filtro high boost puede ser descrita por la figura 2.3-13,
y la aplicacin de un filtro high boost puede ser apreciada en la figura 2.3-14.

=
1 1 1
1 1
1 1 1
9
1
w x h

Figura 2.3-13. Mscara de convolucin para un filtro high boost

Donde w es igual a 9A-1, con A 1.

31

a)

b)

Figura 2.3-14. Filtrado high boost
a) Imagen Original. b) Imagen filtrada con A = 1.7

5. Filtros Diferenciales

Los filtros diferenciales tienen como caracterstica principal que aumentan la nitidez de la
imagen, el mtodo ms comn de diferenciacin de una imagen es el gradiente.

El Operador Gradiente es un operador diferencial que resalta los cambios bruscos o bordes
que tiene una imagen. Estos cambios bruscos son los pxeles alrededor de la imagen que
presentan variaciones rpidas en sus niveles de gris o de intensidad. El operador gradiente
en una imagen f (x,y) sobre un punto (x,y) se define como un vector bidimensional y esta
dado por la ecuacin 2.3-10 y su mdulo por la ecuacin 2.3-11.

=
y
f
x
f
f (2.3-10)

2
2
2 2
) (
= + =
y
f
x
f
G G f mag
y x
(2.3-11)

Este operador gradiente puede implementarse usando mscaras de 2x2 o 3x3, como se
observa en la figura 2.3-15, donde se muestran sus diferentes formas. Una aplicacin en la
deteccin de discontinuidades puede ser consultada en [13].


32

1 0
0 1

0 1
1 0

a)

1 1 1
0 0 0
1 1 1

1 0 1
1 0 1
1 0 1

b)

1 2 1
0 0 0
1 2 1

1 0 1
2 0 2
1 0 1

c)

Figura 2.3-15. Operadores de gradiente
a) Operador Roberts. b) Operador Prewitt. c) Operador Sobel

2.3.2 Segmentacin de imgenes

La segmentacin tiene como objetivo extraer informacin de una imagen, dividindola en
sus partes importantes u objetos. La segmentacin se logra cuando los objetos de inters
son separados de la imagen, para este proyecto en especial, cuando se logra separar la
lmina del cuero del resto de la imagen. Informacin ms profunda sobre segmentacin
puede ser consultada en [1] en el captulo 7.

La segmentacin de imgenes monocromticas generalmente se basan en dos propiedades
bsicas de los niveles de gris: La discontinuidad y la similaridad. En los mtodos basados
en discontinuidad se divide la imagen basndose en los cambios bruscos de los niveles de
gris, entre las tcnicas mas comunes de la discontinuidad tenemos el operador gradiente que
fue descrito en el numeral anterior y el operador Laplaciano.

Los mtodos basados en similaridad buscan construir objetos basndose en las regiones que
forma la imagen. Su funcin es encontrar pxeles vecinos que tengan una propiedad en
comn. Una de las tcnicas ms conocidas de este mtodo es la umbralizacin.

33

2.3.2.1 Operador Laplaciano

El operador Laplaciano es un operador de segunda derivada y tiene como objetivo principal
descubrir transiciones de intensidad en la imagen. El operador Laplaciano, al derivar dos
veces la imagen genera un impulso al entrar al borde y otro al salir del borde de la imagen;
en los dems lugares de la imagen su valor ser cero. Esta caracterstica lo hace ideal para
detectar con precisin la ubicacin de los bordes de objetos o finales de imgenes de pieza
o materia prima en procesos industriales, pero es muy susceptible al ruido de pxeles que se
mezcla con el objeto a analizar en la imagen. Este operador se usa generalmente con otros
mtodos para lograr la deteccin ptima de los bordes ya que el operador por si solo genera
imgenes de polaridad. (+ Positivo al entrar al borde, - negativo al salir del borde, 0 en el
borde y dems partes de la imagen). Este operador esta descrito por la ecuacin 2.3-12

) ( 4 ) 1 , ( ) 1 , ( ) , 1 ( ) , 1 (
2
2
2
2
2
x f y x f y x f y x f y x f
y
f
x
f
f + + + + + =
= (2.3-12)

Una mscara que puede describir este operador es observada en la figura 2.3-16

=
0 1 0
1 4 1
0 1 0
h

Figura 2.3-16. Operador Laplaciano

La aplicacin de este operador sobre una imagen puede observarse en la figura 2.3-17

a)

b)

Figura 2.3-17. Operacin del operador Laplaciano
a) Imagen Original. b) Imagen con aplicacin del operador Laplaciano

34

2.3.2.2 Umbralizacin

La umbralizacin es una tcnica de segmentacin ampliamente utilizada en aplicaciones
industriales, donde existe una clara diferencia entre el objeto a extraer y el fondo de la
imagen.

Cuando se aplica un umbral T a una imagen, sta quedar binaria, etiquetando con 0 los
pxeles que pertenecen al objeto y con 1 a los que pertenecen al fondo tal como se observa
en las Figura 2.3-18.

a)

b)

Figura 2.3-18. Umbralizacin de una imagen
a) Imagen Original. b) Imagen umbralizada

Los mtodos de umbralizacin pueden ser implementados de forma manual o automtica.
En los mtodos manuales se debe tener una iluminacin uniforme, un fondo constante y un
buen contraste entre el objeto y el fondo. Con los mtodos automticos se busca obtener
mayor robustez y se usan para ambientes en donde el ruido y la iluminacin pueden no ser
siempre uniformes.

En [14] los autores hacen una evaluacin entre los diferentes mtodos de umbralizacin y
los clasifican en 6 grupos:

1. Mtodos Basados en la Forma del Histograma.

En estos mtodos se analizan las curvas, los valles y las colinas del histograma. Ejemplos
de estos mtodos son:

35

a. Umbralizacin basado en la concavidad del histograma: Este mtodo se basa en el
anlisis de los puntos de concavidad de la envolvente convexa de la funcin de masa de
probabilidad de la imagen. Los puntos ms profundos en la concavidad convexa, son
candidatos potenciales para el umbral. La seleccin del umbral ptimo T, entre los puntos
candidatos seleccionados es obtenido por medio de la ecuacin 2.3-13

[ ] { } )) ( ( ) ( max max arg i p Hull i p T = (2.3-13)

Donde p(i) es la funcin de masa de probabilidad de la imagen, Hull(p(i)) es la envolvente
convexa de la funcin de masa de probabilidad de la imagen . Una aplicacin moderna de
esta tcnica puede ser consultada en [15]

b. Umbralizacin basado en los picos del histograma: Este mtodo se basa en el anlisis de
los picos del histograma suavizado. Se genera una seal detectora de picos r(g) por medio
de la convolucin del histograma con el kernel de deteccin de picos, el cual es
completamente caracterizado por el parmetro N de suavizado, que se ajusta
automticamente hasta alcanzar el nmero deseado de picos. La seal de deteccin est
dada por la ecuacin 2.3-14, y para binarizacin se reduce el nmero de picos I hasta dos.
El umbral ptimo T es obtenido por la ecuacin 2.3-15.

1,..I i ), , , [( = =
i i i
s m e S (2.3-14)

1. 0 , s ) - (1 e
2 1
+ =
opt
T (2.3-15)

En [16] se describe una aplicacin de este mtodo.

c. Umbralizacin intermodal: Sugiere que el histograma bimodal sea ledo y se promedien
en grupos de 3 valores consecutivos, hasta terminar con todos los datos, y se encuentren los
dos valores mximos. Para estos dos valores mximos se calculan sus posiciones j y k, y el
valor de umbral esta descrito por la ecuacin 2.3-16, donde g
max
y g
min
son los picos
mximos y mnimos del histograma y g
mid
es el punto medio del histograma

=
=
*
min
) ( ) (
min max
mid
g
g g
opt
g p g g T (2.3-16)

Para que este mtodo funcione adecuadamente, el histograma no debe tener picos muy
variables, ni valles muy amplios y planos. Esta informacin puede ser consultada en [17].

d. Otros mtodos de umbralizacin basados en la forma del histograma son propuestos por
[18], [19], donde hacen uso de la transformada wavelet y en [20] en autor propone un
mtodo basado en una funcin de dos niveles y de forma iterativa se minimiza la varianza
entre estas funciones.


36

2. Mtodos Basados en Agrupamiento de Pxeles o Clustering.

En estos mtodos los pxeles son agrupados en dos partes, segn sus niveles de gris,
generalmente denominados fondo y objeto, o tambin pueden agruparse como dos
distribuciones gausianas. Ejemplos de estos tenemos:

a. Umbralizacin ISODATA: (Iterative Self Organizing Data Analysis TEchiniques) procesa
los patrones repetidamente y en cada iteracin se asignan al grupo ms cercano una serie de
heursticas con el objetivo de: eliminar agrupamientos poco numerosos, mezclar
agrupamientos cercanos y dividir agrupamientos dispersos. Este algoritmo se caracteriza
por usar la informacin directamente de la imagen. Este mtodo es propuesto por [21]. A
continuacin se muestra el procedimiento para calcular el umbral ISODATA:

1. Seleccione un umbral inicial T para el promedio de la intensidad.
2. Particione la imagen en dos grupos: R1 y R2 utilizando T.
3. Calcule los valores medios de las regiones 1 y 2
4. Asigne un nuevo umbral para T usando la ecuacin 2.3-17

2
) (
2 1
+
= T (2.3-17)

5. Repetir los pasos 2,3 y 4 hasta que el valor de T no cambie.

b. Umbralizacin de Otsu: El mtodo de Otsu presenta buenos resultados cuando se trabaja
con imgenes del mundo real, donde la presencia de ruido y la mala iluminacin son
caractersticas comunes de estos ambientes. Este mtodo usa una imagen, la cual es una
funcin bidimensional de la intensidad del nivel de gris, y est compuesta de N pxeles,
cuyos niveles de gris se encuentran entre 1 y K, donde K es el mximo nivel de intensidad.
Por ejemplo, en una imagen en escala de grises de 8 bits, el valor de K sera 255. El nmero
de pxeles con nivel de gris i, y la probabilidad de ocurrencia de este nivel se denominan f
i

tal como se describe en la ecuacin 2.3-18. Este mtodo es propuesto por [22] y se describe
a continuacin.

N
f
i P
i
= ) ( (2.3-18)

Cuando la umbralizacin se realiza en dos niveles o binarizacin, los pxeles se dividen en
2 clases, q1(i) y q2(i), donde los niveles de gris de q
1
(i) son [1..t*] y los niveles de q
2
(i) son
[t+1K], y son descritos por la Ecuaciones 2.3-19 y 2.3-20

=
=
t
i
i P i q
1
1
) ( ) ( (2.3-19)

+ =
=
k
t i
i P i q
1
2
) ( ) ( (2.3-20)

37

La media de las clases q
1
(i) y q
2
(i) estn descritos por las Ecuaciones 2.3-21 y 2.3-22

=
=
t
i
i q
i iP
t
1 1
1
) (
) (
) (
(2.3-21)

+ =
=
k
t i
i q
i iP
t
1 2
2
) (
) (
) (
(2.3-22)

El mtodo de Otsu define la diferencia de clases para una imagen usando la ecuacin 2.3-
23, y la clase 1 y clase 2 del histograma se describen usando las Ecuaciones 2.3-24 y 2.3-25

) (
) (
)] ( [ ) (
1 1
2
1
2
1
t q
i P
t i t
t
i
=
= (2.3-23)

) (
) (
)] ( [ ) (
2 1
2
2
2
2
t q
i P
t i t
I
t i
+ =
= (2.3-24)

) ( ) ( ) ( ) ( ) (
2
2 2
2
1 1
2
t t q t t q t
w
+ = (2.3-25)

En este caso, mediante la minimizacin de la ecuacin 2.3-25 se obtiene el umbral de
OTSU. Un estudio comparativo de este algoritmo se describe en [23]

d. Entre otros mtodos de umbralizacin basados en agrupamientos de pxeles tenemos el
del mnimo error propuesto por [24], y la umbralizacin por agrupamientos difusos
propuesto por [25].

3. Mtodos Basados en Informacin de la Entropa del Histograma.

Estos mtodos usan la entropa de la distribucin de los niveles de gris de la imagen. Su
criterio se basa en encontrar un umbral ptimo que maximice la entropa entre el fondo y el
objeto en la imagen, y otros autores minimizan la entropa cruzada como un indicador de
preservacin de la informacin. Ejemplos de estos mtodos tenemos:

a. Umbralizacin basada en la maximizacin de la entropa. Este algoritmo divide la
imagen en dos distribuciones de probabilidad, una que represente el objeto y otra que
represente el fondo. Se selecciona un valor t, tal que la suma de las entropas de estas
distribuciones de probabilidad sea mxima. Implementaciones de esta umbralizacin puede
ser consultada en [26,27]. En este caso, se considera una funcin de probabilidad de
distribucin no lineal descrita por la ecuacin 2.3-26


38

NXN
m
NxN
m
e
e
N m fpd
9
9
1
1
) , (
+
=

(2.3-26)

Donde N es un nmero par positivo y m pertenece a un valor entero entre {1,2NxN}. La
entropa asociada con el objeto y el fondo estn descritas por las Ecuaciones 2.3-27 y 2.3-
28

) , (
) (
) , (
ln
) (
) , (
) , (
0 1
N m fpd
t p
m k p
t p
m k p
N t H
t
K
A
NxN
m
A
A
= =
= (2.3-27)

) , (
) (
) , (
ln
) (
) , (
) , (
255
1 1
N m fpd
t p
m k p
t p
m k p
N t H
t K
B
NxN
m
B
B
+ = =
= (2.3-28)

En este caso, la funcin de criterio est dada por la ecuacin 2.3-29

) , ( ) , ( ) , ( N t H N t H N t
B A
+ = (2.3-29)

El valor de umbral ptimo T se encuentra maximizando la ecuacin 2.3-30

) , ( N t ArgMax T =
(2.3-30)

b. Umbralizacin Basado en el Clculo de la Mnima Cross-entropa. En [28] proponen un
algoritmo que considera que el umbral de separacin es la minimizacin de la distancia
terica de la informacin. La distancia est descrita por la ecuacin 2.3-31 y es llamada la
distancia. Kullback-Leibler. Esta distancia es la medida entre las dos distribuciones del
objeto p(g) y el fondo q(g).

)] ( ), ( ), ( [ arg
3 1 2 2 1 1
T b m T b m T b m equal T
opt
= = = = (2.3-31)

La ecuacin 2.3-32 describe la mnima cross-entropa.

= + =
+ =
T
g
G
T g
opt
T
g
T
g T
0 1 b f
]
) ( m
g
log p(g)
) ( m
g
log p(g) min[ arg
(2.3-32)

Considerando la restriccin que la imagen original y la imagen umbralizada tienen el
mismo promedio de intensidad en el objeto y el fondo. La ecuacin 2.3-33 describe la
anterior consideracin.

= =
T g T g
b
T g T g
f
T m g T m g ) ( ; ) ( (2.3-33)

39

c. Umbralizacin basada en la maximizacin de la entropa por medio de coeficientes de
pertenencia difusa. Este mtodo propuesto en [29], es un mtodo de umbralizacin que se
basa en un coeficiente de pertenencia difusa, el cual es un valor en escala de grises que
separa el fondo del objeto en una imagen. Este valor es calculado en base a la funcin de
probabilidad acumulada. El valor de pertenencia difuso est dado por la ecuacin 2.3-34, el
cual indica el grado de pertenencia al fondo de la imagen.

) ( 2
) ( ) 1 ( ... ) (
5 . 0 ) (
T P
i T p i T p T p
i T
f
+ + +
+ =

(2.3-34)

La ecuacin 2.3-35 indica el grado de pertenencia del objeto en la imagen.

)) ( - (1 2
) ( ) 1 ( ... ) 1 (
5 . 0 ) (
T P
i T p i T p T p
i T
b
+ + + + + +
+ = + (2.3-35)

El valor de umbral de separacin debe tener la mxima incertidumbre como se describe en
la ecuacin 2.3-36

5 . 0 ) ( ) ( = = T T
b f
(2.3-36)

De tal forma que la ecuacin 2.3-37 describe el ptimo valor de umbral.

) ( ) ( min arg T H T H T
b f T opt
= (2.3-37)

Las funciones H
b
(T) y H
f
(T) son descritas por las Ecuaciones 2.3-38 y 2.3-39

) ) ( log(
) (
) (
) (
0
=
=
T
g
f f
g
T P
g p
T H (2.3-38)

) ) ( log(
) ( 1
) (
) (
1
+ =

=
G
T g
b b
g
T P
g p
T H (2.3-39)

Una comparacin de los mtodos basados en la entropa pueden ser consultados en [30] y
una aplicacin de los mtodos de cross-entropia puede ser consultado en [31].

4. Mtodos Basados en los Atributos de la Imagen.

Estos mtodos utilizan caractersticas de la imagen como formas, texturas, niveles de gris,
conectividad, etc. Su criterio se basa en encontrar un valor de umbral segn el atributo

40

seleccionado que corresponda a una medida de similitud entre la imagen original y la
imagen binarizada. Ejemplos de estos mtodos tenemos:

a. Umbralizacin Basado en el Clculo de Preservacin de Momentos: En [32] el autor
propone un algoritmo de umbralizacin que considera que una imagen en escala de grises
es una versin borrosa de una imagen binaria ideal, por lo tanto se establece que los tres
primeros momentos de una imagen en escala de grises coincidan con los tres primeros
momentos de una imagen binaria. Los momentos de una imagen binaria b
k
y de una imagen
en escala de grises m
k
, estn descritos por las Ecuaciones 2.3-40 y 2.3-41

=
=
G
g
k
k
g g p m
0
) ( (2.3-40)

k
b b
k
f f k
m P m P b + = (2.3-41)

El umbral de separacin est dado por la ecuacin 2.3-42

=
p(g)
q(g)
log ) ( ) , ( g q p q D (2.3-42)

b. Umbralizacin por similitud difusa: En [33] se presenta un mtodo que utiliza la teora
de conjuntos difusos para umbralizar imgenes. Considerando el ndice difuso que se
obtiene calculando la distancia entre el nivel de gris y el nivel binario. El conjunto de la
imagen est descrito por la ecuacin 2.3-43.

))] , ( ( ), , ( [ j i I j i I F
f
= (2.3-43)

Donde el coeficiente difuso esta descrito por la ecuacin 2.3-44:

1 )) , ( ( 0 j i I
f

(2.3-44)

Las Ecuaciones 2.3-45 y 2.3-46 representan para cada pxel (i,j) la medida difusa
perteneciente al objeto al fondo respectivamente. La medida difusa puede estar dada por las
medianas del objeto m
f
(T) y del fondo m
b
(T).

T j i I
C
T m j i I
T j i I
f
f

+
= ) , ( si
) ( ) , (
1
1
) ), , ( ( (2.3-45)

T j i I
C
T m j i I
T j i I
b
b

+
= ) , ( si
) ( ) , (
1
1
) ), , ( ( (2.3-46)

41

Donde C es un valor constante que cumple la condicin descrita por la ecuacin 2.3-47

1 ) , ( ( 5 . 0 j i I
F
(2.3-47)

Por ejemplo, C puede tomar un valor como g
max
g
min
o simplemente llamarlo G. Teniendo
en cuenta el valor de pertenencia difuso de cada pxel, se puede obtener un ndice difuso de
toda la imagen mediante la entropa de Shannon o la medida de Yager. La entropa de
Shannon presenta mejores resultados debido a que con menor valor para la medida difusa,
es mejor la binarizacin de la imagen. El umbral de separacin ptimo es presentado por la
ecuacin 2.3-48

)] ( )). , ( 1 log( )) , ( 1 ( )) , ( ( log ) , (
2 log
1
min[ arg
0
2
g p T g T g T g T g
N
T
f f f
G
g
f opt
+ =

=
(2.3-48)

c. Otros mtodos de umbralizacin basados en los atributos de la imagen son expuestos por
[34] donde hacen uso de la umbralizacin topolgica en estado estable, con el objetivo de
binarizar la imagen mientras se establece el tamao correcto de los tamaos de los objetos
sobre el primer plano. En [35] el autor expone un mtodo que considera que el umbral es el
cambio en la incertidumbre de una observacin cuando se clasifica el fondo de la imagen
con el objeto a separar. En ausencia de cualquier observacin la entropa de la escena es
medida por ) 1 log( ) 1 ( log ) ( = X H , donde es la probabilidad que un pxel
permanezca al primer plano (objeto), mientras 1 es la probabilidad que pertenezca al
segundo plano u objeto.

5. Mtodos Basados en Informacin Espacial.

Estos mtodos usan la informacin espacial de los pxeles, como las probabilidades de su
contexto, probabilidades de coocurrencia, funciones de correlacin, modelos de
dependencia lineal local, entropa bi-dimensional entre otros. Ejemplos de estos mtodos
tenemos:

a. Umbralizacin basada la probabilidad de coocurrencia: En [36] el autor lo propone para
dos imgenes con histogramas idnticos, pero con diferentes entropas de ensimo orden.
Por lo tanto se considera que la coocurrencia de los niveles de gris de k y l de una imagen
como una funcin de umbralizacin T, es calculada por la ecuacin 2.3-49, donde 1 = , si
)) ) , 1 ( ( ) ) , ( (( )) ) 1 , ( ( ) ) , ( (( m j i I k j i I m j i I k j i I = + = = + = y 0 = para otros casos

=
agen
m k
c
Im
,
(2.3-49)

Se propone establecer el umbral de tal manera que las probabilidades de coocurrencia de la
imagen original y la imagen binarizada sean mnimamente divergentes. Como medida de

42

similitud se usa divergencia dirigida o la distancia Kullback-Leibler . Se plantea una matriz
de coocurrencia para cuatro cuadrantes, donde el primer cuadrante se define como las
transiciones que tiene el fondo con el fondo, el segundo cuadrante se define como las
transiciones que tiene el fondo con el objeto, el tercer cuadrante se define como las
transiciones que tiene el objeto con el fondo y el cuarto cuadrante se define como las
transiciones que tiene el objeto con el objeto. La figura 2.3-19 muestra la matriz de
coocurrencia.

Figura 2.3-19. Matriz de coocurrencia

Usando las probabilidades de coocurrencia, que sera el resultado de las transiciones del
fondo y el objeto del pxel i,j normalizado, por el nmero de transiciones.

Las ecuaciones 2.3-50 hasta la 2.3-53 describen las probabilidades de estas transiciones.

= =
=
T
i
T
j
ij bb
p T P
0 0
) ( (2.3-50)

= + =
=
T
i
G
T j
ij bf
p T P
0 1
) ( (2.3-51)

+ = + =
=
G
T i
G
T j
ij ff
p T P
1 1
) ( (2.3-52)

+ = =
=
G
T i
T
j
ij fb
p T P
1 0
) ( (2.3-53)

Las cantidades, que son la mtrica se definen como Q
bb
(T), Q
bf
(T), Q
ff
(T), Q
fd
(T) son usadas
para calcular el umbral ptimo segn la ecuacin 2.3-54

43

(T)] (T)logQ P (T) (T)logQ P (T) (T)logQ P (T) (T)logQ argmin[P T
fb fb ff ff bf bf bb bb opt
+ + + = (2.3-54)

b. Umbralizacin basada en conjuntos aleatorios: Este mtodo propuesto es [37] est
basado en la mejor aproximacin de una funcin de distancia en una imagen en escala de
grises con un umbral de valor T y una funcin de distancia esperada. La idea subyacente de
este mtodo es que cada imagen en escala de grises da lugar a una distribucin en un
conjunto aleatorio. En el contexto de la umbralizacin, cada valor de umbral genera un
conjunto de objetos binarios con diferentes propiedades de distancia. As la funcin de
distancia esperada ubica el pxel (i,j), a una distancia ) , ( j i d la cual es obtenida del promedio
del mapa de distancias ) ; , (
T
F j i d , para todos los valores de umbral entre 0 y G, o
alternativamente con los pesos que corresponden al valor del histograma. Donde F
T

describe el objeto binario. El umbral ptimo se calcula por medio de la ecuacin 2.3-55

|} ) ; , ( ) , ( | {max min
, T j i T opt
F j i d j i d T = (2.3-55)

c. Umbralizacin basada en la entropa difusa de una particin bi-dimensional: En [38] el
autor propone un mtodo que combina la entropa difusa y el histograma bi-dimensional de
los valores de pxel y los promedios de los vecinos a una distacia 3x3. Un histograma bi-
dimensional es particionado en una regin brillante y otra oscura y difusa conforma a una
funcin S dada por Kaufmann. Un pxel x
i
es asignado segn la reglas difusas ) (
i A
x que a
su vez caracterizan tres parmetros llamados (a,b,c), para obtener la mejores reglas difusas
se usa la ecuacin 2.3-56 de entropa difusa

) , ( log ) , ( ) , ( ) (
,
y x p y x p y x A H
y x
A fuzzy
= (2.3-56)

Donde A son los eventos del fondo o el objeto en la imagen, y el umbral ptimo se define
por la ecuacin 2.3-57

{ } ) ( ) ( max
, ,
Fondo H Objeto H T
fuzzy fuzzy
c b a
opt
+ = (2.3-57)

6. Mtodos basados en caractersticas locales.

Estos mtodos adaptan el umbral de cada pxel en funcin de las caractersticas locales de
la imagen, tal como rango, varianza, parmetros de superficie, etc. Ejemplos de estos
mtodos tenemos:

a. Umbralizacin por la varianza local: Este mtodo propuesto en [39] adapta el umbral
segn a la media local m(i,j) y la desviacin estndar (i,j) y calcula una ventana de bxb
pxeles. Se puede representar por la ecuacin 2.3-58


44

4 3 3x3
T j) VarI(i, or T ) , ( Ave if 1 ) , ( > < = j i I j i B (2.3-58)

b. Umbralizacin basada en el contraste local: Este mtodo propuesto por [40] compara el
nivel de gris de un pxel, con el promedio de niveles de gris de sus vecinos. El umbral se
toma como el valor medio en el rango de valores de los vecinos. Puede representarse por la
ecuacin 2.3-59

OtroCaso
bias j i I j i if
j i B
w
<
=
) , ( ) , (
0
1
) , (
(2.3-59)

c. Umbralizacin por ajuste de superficie: Este mtodo propuesto por [41] se basa en la
combinacin de la deteccin de bordes y la informacin del nivel de gris para construir un
umbral de la superficie. Se calcula la magnitud del gradiente de la superficie y es
adelgazado para obtener los mximos gradientes locales. El umbral de superficie es
obtenido con la interpolacin de superficie potencial usando el mtodo de sobre relajacin.
El umbral se obtiene por medio de la ecuacin 2.3-60

4 / ) , ( ) , ( ) , (
1
j i R j i T j i T
n n n
+ =

(2.3-60)

Donde R(i,j) es el laplaciano discreto de la superficie.

2.4 Implementaciones Hardware para el Procesamiento digital de
Imgenes

En esta seccin se realiza una recopilacin de diversas arquitecturas hardware para el
procesamiento digital de imgenes. Se inicia con arquitecturas propuestas para la captura de
la imagen desde el sensor, que pretenden mejorar caractersticas como la fidelidad de la
imagen y su velocidad de captura. Se muestra una arquitectura que permite corregir las
distorsiones generadas por el lente de la cmara de forma automtica. Tambin se presentan
varias arquitecturas para filtros como la mediana y el gausiano que pretenden mejorar la
imagen capturada, y finalmente se presenta dos arquitecturas que buscan la umbralizacin
de una imagen de forma automtica.

2.4.1 Arquitecturas Hardware para la Captura de Imgenes

En la figura 2.4-1 se muestra la arquitectura interna del dispositivo LM9630 [42], con
capacidad para capturar imgenes monocromticas de sensores CMOS de 100x128 con una
velocidad de captura de 580 fps

45

Figura 2.4-1. Arquitectura para el dispositivo LM9630 producido por [42]

En la figura 2.4-2 se muestra una arquitectura para basada en FPGAs para el procesamiento
en tiempo real de imgenes propuesto por [43], donde el autor propone una arquitectura
para la captura de una imagen por medio de un sensor CMOS con una resolucin de 1280 x
1024 pxeles, y permite enviar la imagen a un PC de forma paralela, adems permite
realizar convoluciones con mascaras de nxn

Figura 2.4-2. Arquitectura basada en un FPGA para el procesamiento en tiempo real de imgenes
propuesto por [43]


46

La figura 2.4-3 muestra una arquitectura para la captura de imgenes de alta velocidad para
sensores CMOS propuesta por [44], con una resolucin de 1280x1024, donde proponen una
velocidad de captura de 500 fps mediante convertidores ADC de 10 bits

Figura 2.4-3. Arquitectura basada en un FPGA para la captura de imgenes de un sensor CMOS,
propuesto por [44]

En [7] el autor describe el desarrollo de una arquitectura de alta velocidad para la captura
de una imagen, esta arquitectura permite capturar imgenes a una velocidad de 10.000 fps.
Esta arquitectura se observa en la figura 2.4-4

a)

47

b)

Figura 2.4-4. Bloque DSP para la captura de imgenes de un sensor CMOS, propuesto por [7]
a) Bloque DSP b) Esquemtico del pxel

2.4.2 Arquitecturas Hardware para la Correccin de Distorsiones en la
Captura de una Imagen

En la figura 2.4-5 se muestra una arquitectura propuesta por [45], donde el autor propone la
correccin de la imagen capturada por un sistema estereoscpico mediante el uso de un
FPGA, esta arquitectura tiene como componente principal un bloque llamado LDRU (Lens
Distortion and Rectification Unit), que es la unidad de rectificacin de lentes y distorsiones.
Su aplicacin se orienta a la robtica mvil y segn sus autores tiene la capacidad de
corregir una imagen capturada a una velocidad de 35 fps y de tamao de 1024x1024
pxeles.

Figura 2.4-5. Arquitectura basada en un FPGA para la correccin de las distorsiones que generan
los lentes en una imagen propuesta por [45]


48

En la figura 2.4-6 se muestra una arquitectura propuesta en [46], para la correccin
geomtrica generada por un lente en una imagen. La implementacin de los clculos
matemticos son realizados a travs del algoritmo CORDIC de forma paralela en pipeline
mostrado en la figura 2.3-6a, y la implementacin de la arquitectura para la correccin
radial en pipeline se muestra en la figura 2.3-6b

a)

b)

Figura 2.4-6. Arquitectura basada en un FPGA para la correccin de las distorsiones que
generan los lentes en una imagen propuesta por [46]
a) Arquitectura CORDIC b) Arquitectura para la correccin radial

2.4.3 Arquitecturas Hardware para la Mejora y el Realce de una Imagen

Uno de los clculos ms usados en el procesamiento digital de imgenes, es el clculo del
histograma y en [47], los autores proponen una arquitectura en hardware para el clculo del
histograma de forma paralela. En la figura 2.4-7 se observa el diseo de esta arquitectura,
que tiene como propsito una tcnica que libere la memoria de posibles colisiones de los
datos almacenados. La PCH (Parallel Histogram Computation) Usa una memoria de dos
puertos, y se desarrolla en dos etapas, primero se almacenan en dos arreglos los pxeles de
las posiciones pares e impares respectivamente y de forma simultnea. En la segunda etapa
se actualiza el incremento del histograma.

49

a)

b)

Figura 2.4-7. Arquitectura basada en un FPGA para el clculo del histograma propuesta por [47]
a) Arquitectura para el manejo del histograma. b) Arquitectura para el manejo de la memoria
de dos puertos

En la figura 2.4-8 se muestra la implementacin de un filtro FIR bi-dimensional propuesto
por [48]. La idea principal de este filtro es rotar la ventana formada por los vecinos de cada
pxel que se procesa a determinado ngulo, y realizar el filtrado sobre la ventana de la
imagen rotada con un banco de filtros FIR fijo.


50

Figura 2.4-8. Arquitectura basada en un FPGA de un filtro FIR bi-dimensional [48]

La implementacin de un filtro para el mejoramiento de imgenes es propuesta por [49]
donde se implementa un filtro gausiano mediante el algoritmo CORDIC como se observa
en la figura 2.4-9a y calcula la direccin y la magnitud del gradiente como se observa en la
figura 2.4-9b.

a)

b)

Figura 2.4-9. Arquitectura basada en un FPGA de un filtro Gausiano [49]
a) Filtro Gausiano. b) Calculo de la direccin y magnitud del gradiente

En [50] los autores disean un filtro mediana para sistemas de inspeccion industrial en
tiempo real. El filtro mediana tiene la caracterstica de ser un filtro no lineal y que su
algoritmo de implementacin consiste en organizar un conjunto de datos y seleccionar la
posicin media de este conjunto. Los autores proponen una arquitectura que reduce el
tiempo de clculo de este filtro, mediante la reduccin de los bloques comparadores que
requiere un filtro mediana clsico. La implementacin de este filtro mediana es mostrada
por la figura 2.4-10.

51

a)

b)

c)

Figura 2.4-10. Arquitectura basada en un FPGA de un filtro mediana [50]
a) Nodo bsico de comparadores. b) Red de comparadores. c) Filtro mediana

Otra implementacin del filtro mediana es vista en la figura 2.4-11, donde los autores [51]
disean un bloque de comparacin basado en full-adder de un bit y un multiplexor
implementados mediante transistores pmos y nmos.

a)

b)


52

c)

Figura 2.4-11. Arquitectura de un comparador basada en transistores pmos y nmos [51]
a) Full-adder. b) Multiplexor. c) Comparador

Para la deteccin y realce de bordes en [52] los autores proponen un detector de bordes
sobel , usando un filtro digital de aritmtica distribuida con el objetivo de realzar bordes de
imgenes un tamao de 256x256 pxeles. La figura 2.4-12 muestra esta implementacin.

Figura 2.4-12. Arquitectura de detector de bordes sobel implementado por [52]

Una arquitectura que implementa filtros morfolgicos desarrollados por [53] es mostrada
en la figura 2.4-13. Esta arquitectura tiene como objetivo de realizar las operaciones bsicas
de la matemtica morfolgica, para aplicarla como acelerador de hardware, en operaciones
de filtrado, segmentacin y etiquetado de imgenes.

53

Figura 2.4-13. Arquitectura para la realizacin de las operaciones de dilatacin y erosion en
imgenes implementada en [53]

2.4.4 Arquitecturas Hardware para la Segmentacin y la Umbralizacin
de una Imagen

Una arquitectura para la umbralizacin basada en el algoritmo ISODATA es mostrada en la
figura 2.4-14. Esta implementacin realizada por [54] disea un datapath paralelizado y en
pipeline lo que aumenta la velocidad de clculo del umbral.

Figura 2.4-14. Arquitectura para umbralizacin de una imagen mediante el algoritmo ISODATA

La figura 2.4-15 muestra una arquitectura para la segmentacin de imgenes por el mtodo de
crecimiento de regiones. Esta arquitectura diseada por [55] tiene como objetivo separar
caractersticas de objetos en un video. La figura 2.4-15a muestra la arquitectura para la

54

segmentacin y la extraccin de caractersticas, la figura 2.4-15b muestra el circuito de
umbralizacin por crecimiento de regiones y la figura 2.4-15c muestra el circuito para la extraccin
de caractersticas.

a)

b)

c)

Figura 2.4-15. Arquitectura para la segmentacin y extraccin de caractersticas de un video
a) Arquitectura principal. b) Circuito de umbralizacin. c) Circuito de extraccin de
caractersticas

En [56] los autores proponen un mtodo de segmentacin espacio-temporal para video.
Esta arquitectura procesa imgenes a una velocidad de 133 Mpixeles por segundo. En la
figura 2.4-16a muestra el circuito de segmentacin del objeto y la figura 2.4-16b muestra el
circuito de umbralizacin.

55

a)

b)

Figura 2.4-16. Arquitectura para la umbralizacin por el mtodo espacio temporal para video
a) Arquitectura principal. b) Circuito de umbralizacin.

56

Bibliografa

[1] Tratamiento digital de Imgenes. Rafael C. Gonzales, Richard E. woods. 1996.

[2] Trends in CMOS Image Sensor Technology and Design, Abbas El Gamal. Department of
Electrical Engineering. Stanford University, Stanford CA 94305. 2003

[3] Review of CMOS image sensors. M. Bigasa, E. Cabrujaa, J. Forestb, J. Salviba. Centre
Nacional de Microelectronica, IMB-CNM (CSIC), Campus Universitat Autonoma de
Barcelona, 08193 Bellaterra, Barcelona, Spain. Institut dInformatica i Aplicacions Campus
Montilivi, Universitat de Girona, 17071 Girona, Spain. 2005

[4] CCD / CMOS Hybrid FPA for Low Light Level Imaging. Xinqiao (Chiao) Liu, Boyd A.
Fowler, Steve K. Onishi, Paul Vu, David D. Wen, Hung Do, and Stuart Horn, Fairchild
Imaging, Inc., 1801 McCarthy Boulevard, Milpitas, CA 95035. U.S. Army Night Vision
and Electronic Sensors Directorate, 10221 Burbeck Rd., Fort Belvoir, VA 22060-5806.
2003

[5] Image splicing detection using camera response function consistency and automatic
segmentation. Yu-Feng Hsu and Shih-Fu Chang. Department of Electrical Engineering.
Columbia University. fyfhsu,sfchangg@ee.columbia.edu. 2006

[6] Calibracin de responsividad absoluta de detectores fotomtricos para la realizacin de la
candela j. c. molina, j. c. Bermdez Centro Nacional de Metrologa, km 4,5 Carretera a los
Cus, El Marqus, Qro. Mxico. 2006

[7] CMOS image sensors dynamic range and SNR enhancement via statistical signal
processing. A dissertation submitted to the department of electrical engineering and the
committee on graduate studies of stanford university in partial fulfillment of the
requirements for the degree of doctor of philosophy Xinqiao Liu. June 2002

[8] CMOS Image Sensors for High Speed Applications. Munir El-Desouki,M. Jamal
Deen,Qiyin Fang, Louis Liu, Frances Tse and David Armstrong. ISSN 1424-8220. Canada.
2009

[9] Visin por computador. Gonzalo Pajares, Jesus M. de la Cruz. 2002

[10] Calibracin de una cmara con zoom y movimiento pan-tilt. Alfredo Gardel Vicente.
Universidad de alcala, Escuela politcnica superior. Tesis de doctorado. Apndice A.
Calibracion de objetos con distancia focal fija. 2004

57

[11] Luminotecnia. Principios fundamentales, Capitulo 6. Mxico 2002

[12] An overview of morphological filtering. Jean Serra & Luc Vincent. Centre de Morphologie
Mathematique. Ecole Nationale Superieure des Mines de Paris. Francia. 1992

[13] Deteccin de discontinuidades y mejora de contraste mediante el calculo de gradientes
usando redes neuronales celulares. M. A. Jaramillo Morn, J. A. Fernndez Muoz. E.
Martnez de Salazar Martnez. Departamento de ingeniera electrnica y electromecnica.
Escuela de ingeniera industrial. Universidad de Extremadura. Espaa. 2000

[14] Survey over image thresholding techniques and quantitative performance
evaluationMehmet SezginTubtak Marmara Research Center Information Technologies
Research InstituteGebze, Kocaeli. Turkey. E-mail: sezgin@btae.mam.gov.tr, Bulent Sankur
Bogazici University Electric-Electronic Engineering Department Bebek, Istanbul. Turkey.
2004

[15] An Adaptive Canny Edge Detector using Histogram Concavity Analysis. Jun Zeng, Dehua
Li.International Journal of Digital Content Technology and its Applications. Volume 5,
Number 6, China. Junio 2011

[16] Multi-modal gray-level histogram modeling and decomposition.Jeng Horng, Kuo ching
Fan. Universidad de Taiwan. 2001

[17] Goal-directed evaluation of binarization methods, O.D. Trier, A.K. Jain, IEEE Tran.
Pattern Analysis and Machine Intelligence, PAMI-17 1995.

[18] Histogram Analysis Using a Scale-Space Approach, M.J. Carlotto, IEEE Trans. Pattern
Analysis and Machine Intelligence, PAMI-9. 1997

[19] Automatic threshold selection using the wavelet transform, J.C. Olivo, Graphical Models
and Image Processing. 1994.

[20] Thresholding Based on Histogram Approximation, N. Ramesh, J.H. Yoo, I.K. Sethi, IEE
Proc. Vis. Image, Signal Proc. 1995.

[21] Ridler, TW & Calvard, S , "Picture thresholding using an iterative selection method", IEEE
Transactions on Systems, Man and Cybernetics 8: 630-632. 1978

[22] A threshold selection method from gray-level histograms. N. Otsu. IEEE Transactions on
Systems, Man, and Cybernetics. 1979.

[23] T-tests, F-tests and Otsus Methods for Image Thresholding Jing-Hao Xue* and D. Michael
Titterington. Jing-Hao Xue* and D. Michael Titterington. IEEE TRANSACTIONS ON
IMAGE PROCESSING, 2010


58

[24] Automatic Target Classification Using Moment Invariant of Image Shapes, D.E. Lloyd,
Technical Report, RAE IDN AW126, Farnborough-UK, 1985.

[25] Investigations on fuzzy thresholding based on fuzzy clustering, C.V. Jawahar, P.K. Biswas,
A.K. Ray, Pattern Recognition. 1997

[26] J. N. Kapur, P. K. Sahoo, and A. K. C. Wong, A new method for gray-level picture
thresholding using the entropy of the histogram, Comput. Vision graphics Image
Process., vol. 29, pp. 273-285. 1985

[27] Yang Xiao, Zhiguo Cao , Tianxu Zhang. Entropic Thresholding Based on Gray-level
Spatial Correlation Histogram. Huazhong Univ. of Sci. And Tech, Wuhan, 430074,
P.R.China. 2006.

[28] An Iterative Algorithm for Minimum Cross Entropy Thresholding, Li, CH & Tam, PKS,
Pattern Recognition Letters. 1998

[29] Utilization of information measure as a means of image thresholding, Shanbhag, Abhijit
G, Graph. Models Image Process. 1994

[30] Survey and comparative analysis of entropy and relative entropy thresholding techniques
C.-I Chang, Y. Du, J. Wang, S.-M. Guo and P.D. Thouin. Image Signal Process., Vol. 153,
No. 6, December 2006.

[31] Multilevel Minimum Cross Entropy Threshold Selection based on Honey Bee Mating
Optimization Ming-Huwi Horng, Member, IAENG, Ting-Wei Jiang and Jin-Yi Chen.
Proceedings of the International MultiConference of Engineers and Computer Scientists
2009

[32] Moment-preserving thresholding: a new approach, W. Tsai, Computer Vision Graphics
Image Process., vol. 29, pp. 377-393. 1985

[33] Image Thresholding by Minimizing the Measures of Fuzziness, L.K. Huang, M.J.J. Wang,
Pattern Recognition, 1995

[34] Digital Image Thresholding Based on Topological Stable State, A. Pikaz, A. Averbuch.
Pattern Recognition, 1996.

[35] Maximum Segmented Image Information Thresholding, C.K. Leung, F.K. Lam, Graphical
Models and Image Processing, 1998.

[36] A note on the use of gray level co-occurrence matrix in threshold selection, B. Chanda,
D.D. Majumder, Signal Processing, 15 1988

[37] A new thresholding technique based on random sets, Pattern Recognition, N. Friel, I.S.
Molchanov, 1999.

59

[38] Fuzzy Partition of Two-Dimensional Histogram and its Application to Thresholding, H.D.
Cheng, Y.H. Chen, Pattern Recognition, 1999.

[39] W. Niblack, An Introduction to Image Processing, Prentice-Hall, pp:115-116. 1986

[40] New segmentation techniques for document image analysis, N.B. Venkateswarluh, R.D.
Boyle, Image and Vision Computing, 1995

[41] Binarization of document images using Hadamard multiresolution analysis, F. Chang, K.H.
Liang, T.M. Tan, W.L. Hwang, ICDAR'99: Int. Conf. On Document Analysis and
Recognition, 1999

[42] National Semiconductor LM9630. 2002

[43] Architecture Based on FPGAs for Real-Time Image Processing. Ignacio Bravo, Pedro
Jimenez, Manuel Mazo, Jose Luis Lazaro, and Ernesto Martn. Electronics Department.
University of Alcala. Madrid , Espaa. 2006

[44] Design and implementation of high-speed digital CMOS camera driving control timing and
data interface. SUN Honghai, CAI Rongtai,WANG Yanjie. Changchun Institute of Optics.
Chine. 2006

[45] FPGA-based rectification and lens undistortion for a real-time embedded stereo vision
sensor Emanuel Staudinger, Martin Humenberger and Wilfried Kubinger Austrian
Research Centers GmbH ARC Donau-City-Str. 1, 1220 Vienna, Austria. 2008

[46] FPGA-based Optical Distortion Correction for Imaging Systems. Lin Qiang Nigel M
Allinson. Department of Electronic and Electrical Engineering, The University of Sheffield
Mappin Street, Sheffield, , Reino Unido. 2006

[47] FPGA Implementation of Parallel Histogram Computation. Asadollah Shahbahrami1, Jae
Young Hur1, Netherlands Organization for Scientic Research. Holanda. 2009

[48] Low-cost space-varying FIR filter architecture for computational imaging systems.
Guotong Feng, Mohammed Shoaib. Department of Electrical Engineering, Princeton
University, Princeton. 2009

[49] A Parallel Hardware Architecture for Image Feature Detection Vanderlei Bonato, Eduardo
Marques1, and George A. Constantinides. Institute of Mathematical and Computing
Sciences. The University of Sao Paulo. Brasil. 2008.

[50] An FPGA-based implementation for median filter meeting the real-time requirements of
automated visual inspection systems. Miguel A. Vega-Rodrguez. Juan M. Snchez-Prez,
Juan A. Gmez-Pulido. Universidad de Extremadura. Espaa. 2002.

[51] Digital Circuit Architecture for a Median Filter of Grayscale Images Based on Sorting
Network Victor Jimenez-Fernandez, Denisse Martinez-Navarrete, Carlos Ventura-

60

Arizmendi, Zulma Hernandez-Paxtian, Joel Ramirez-Rodriguez, International journal of
circuits, systems and signal processing . Mexico 2011.

[52] Hardware implementation of sobel-edge detection distributed arithmetic digital filter.
Sorawat CHIVAPREECHA and Kobchai DEJHAN. Faculty of Engineering and Research
Center for Communication and Information Technology. 25th ACRS 2004. Thailand. 2004

[53] Image Processing Architectures for Binary Morphology and Labeling, Hugo Hedberg, The
Department of Electrical and Information Technology, Lund University,LUND, SWEDEN.
2008

[54] A Parallelized and Pipelined Datapath to Implement ISODATA Algorithm for Rosette Scan
Images on a Reconfigurable Hardware. Ehsan Rahimi, Shahriar B. Shokouhi, Ali Sadr. Iran
University. 2008

[55] Image Segmentation and Pattern Matching Based FPGA/ASIC Implementation
Architecture of Real-Time Object Tracking. K. Yamaoka, T. Morimoto, H. Adachi, T.
Koide, and H. J. Mattausch Research Center for Nanodevices and Systems, Hiroshima
University. 2006

[56] An FPGA-based implementation of spatio-temporal object segmentation. Kumara
Ratnayake and Aishy Amer. Concordia University, Electrical and Computer Engineering,
Montreal, Quebec, Canada. 2006

61

ILUMINACIN, CALIBRACIN Y SIMULACIN
FUNCIONAL DE LOS ALGORITMOS USADOS PARA
MEDIR UNA LMINA DE CUERO

3.1 Introduccin

Este captulo se divide en cinco secciones principales. La seccin 3.2 que presenta los
resultados de las mediciones realizadas a la iluminacin del sitio donde se realizaron las
capturas de las imgenes de la lmina de cuero. La seccin 3.3 presentan los resultados de
la calibracin del sistema de captura de la imagen, con sus parmetros de correccin del
lente. La seccin 3.4 muestra la simulacin de los algoritmos que realizan el mejoramiento
y realce de la lmina de cuero buscando facilitar su separacin del fondo. En la seccin 3.5
se presentan los criterios de evaluacin usados para la seleccin de los umbralizadores a
disear en este proyecto, y finalmente en la seccin 3.6 se presentan los resultados de
simulacin de los umbralizadores seleccionados.

3.2 Implementacin del Sistema de Iluminacin

Para el desarrollo de este proyecto se ha implementado la iluminacin horizontal por medio
de una lmpara de sodio de 250W de uso industrial similar a la mostrada en la figura 3.2.1

Figura 3.2-1. Lmpara usada para la iluminacin de sitio de medicin. Tomada de [1]

La altura a la cual se ha ubicado la lmpara es de 5 metros. Estas lmparas tienen una
intensidad luminosa de 33000 lumen segn [1]. Con esta informacin se calcula el flujo
Captulo 3
Iluminacin, Calibracin y Simulacin Funcional de los Algoritmos Usados para Medir una Lmina de Cuero

62

luminoso por unidad de rea que iluminar la lmina de cuero por medio de la ecuacin
2.2-24. Para este proyecto se estima un flujo luminoso mximo de 1320 LUX. La figura
3.2-2 muestra la forma de iluminar la lmina de cuero

Figura 3.2-2. Iluminacin de la lmina de cuero

La ecuacin 3.2-1 es un indicador de la uniformidad luminosa. Esta informacin nos indica
si la iluminacin es uniforme y debe cumplir el criterio de ser mayor o igual a 0.8. Para
calcular la uniformidad luminosa se debe hacer un muestreo del flujo luminoso en
diferentes partes dentro del rea donde se realizaran las medidas. La tabla 3.1 muestra las
diferentes medidas realizadas en el rea de medicin.

{ }
=
=
n
i
n
n
a
n
a a a a a Min
U I
1
3 2 1 0
1
.. ,
. (3.2-1)

Tabla 3.2-1. Muestras tomadas en el rea de medicin

Muestra Medida [LUX] Orientacin de la
medida
1 1180 N
2 1150 S
3 1000 E
4 1050 O


63

La uniformidad luminosa calculada fue de 0.91, el cual es mayor que 0.8, por lo tanto se
considera una iluminacin uniforme.

3.3 Calibracin del Sistema de Captura de la Imagen

Como sistema de captura se ha usado una cmara digital con un lente CMOS y configurada
para capturar imgenes de 1417x1063 pxeles. Para su calibracin se us un programa
realizado en Matlab de cdigo abierto llamado Camera Calibration ToolBox for Matlab,
cuya interfaz de presentacin se observa en la Figura 3.3-1

Figura 3.3-1. Toolbox en Matlab para la calibracin de cmaras.

Para realizar la calibracin se hace necesario tener varias imgenes similares a la Figura
3.3-2 donde el patrn de calibracin tiene forma de tablero de ajedrez.

X
Y
O
The red crosses should be close to the image corners
200 400 600 800 1000 1200 1400 1600 1800 2000 2200
200
400
600
800
1000
1200
1400
1600

Figura 3.3-2. Patrn de Calibracin de 64 cuadros de 20 mm c/u.


64

Con el propsito de realizar los patrones de calibracin se tomaron 15 fotografas en
diferentes posiciones, se cargan en el toolbox de calibracin y el programa nos genera la
Figura 3.3-3, donde se muestran las imgenes de prueba para calibracin.
Calibration images

Figura 3.3-3. Imgenes de calibracin cargadas en el toolbox calibration.

Una vez cargadas las imgenes en el toolbox calibration, se marca un cuadrado como en la
Figura 3.3-2 por cada imagen, y despus se ejecuta la calibracin. Los resultados de la
calibracin son presentados en la Tabla 3.3-1.

Tabla 3.3-1. Valores de calibracin de la cmara

Parmetro Resultado Desviacin
Longitud focal fc = [ 3129.06605 3140.30730 +/-[263.12486 263.85072 ]
Punto principal cc = [ 335.98766 238.90657 ] [ 3.10113 4.17690 ]
Asimetra
alpha_c = [ 0.00000 ] [
0.00000]

Angulo de cada cuadro 90.00000 0.00000 Grados
Distorsin
kc = [ 1.74924 -215.20296
0.00095 -0.00755 0.00000 ]
[ [ 0.30476 72.96209
0.00375 0.00183 0.00000 ]

Error de pixel
[0.15721 0.14225 ]

El programa genera grficamente los parmetros extrnsecos de la cmara en un grfico
3D, donde se muestra la posicin espacial de la cmara y de las diferentes imgenes en el
espacio de coordenadas. Este grfico se puede observar en la Figura 3.3-4.


65

Figura 3.3-4. Parmetros extrnsecos de la cmara.

El toolbox tambin nos genera los componentes de la distorsin radial y tangencial, que se
pueden observar en las Figuras 3.3-5 y 3.3-6, respectivamente. Esta informacin fue
consultada tomada de [2]

Figura 3.3-5. Modelo de distorsin radial.


66

Figura 3.3-6. Modelo de Distorsin tangencial.

A continuacin se muestran las ecuaciones que modelan los parmetros intrnsecos de la
cmara.

Dado un punto en el espacio x
n
, tal como se describe en la Ecuacin 3.3-1 y 3.3-2:

=
y
x
Z
Y
Z
X
x
c
c
c
c
n (3.3-1)

Donde:

2 2 2
y x r + = (3.3-2)

Debido a que el lente de la cmara genera una distorsin, el punto x
n
se convierte ahora en
el punto x
d
que se relaciona mediante la Ecuacin 3.3-3:

dx x r Kc r Kc r Kc
x
x
x
n
d
d
d
+ + + + =
= ) ) 5 ( ) 2 ( ) 1 ( 1 (
) 2 (
) 1 (
6 4 2
(3.3-3)

Donde el vector dx, que es la distorsin tangencial est dado por la Ecuacin 3.3-4

+ +
+ +
=
xy kc y r kc
x r kc xy kc
dx
) 4 ( 2 ) 2 )( 3 (
) 2 )( 4 ( ) 3 ( 2
2 2
2 2
(3.3-4)

Segn los datos arrojados por el programa de calibracin el vector kc es igual a:

67

kc = [ 1.74924 -215.20296 0.00095 -0.00755 0.00000 ]. El vector kc se reemplaza en
la Ecuacin 3.2-3 para obtener los valores de correccin de la imagen, tal como la describe
la Ecuacin 3.3-5.

+ =
+ + =
) 2 ( ) 2 ( )( 2 (
) 1 ( )) ( * _ ) 1 ( )( 1 (
cc x fc y
cc c x c alpha x fc x
d p
d d p
(3.3-5)

Ya conocidos los valores de x
d
, encontrados por la Ecuacin 3.3-3, y con los valores de
fc(1), fc(2), cc(1), cc(2) y alpha_c calculados por el programa de calibracin, se pueden
encontrar las valores reales de ubicacin de cada punto de la imagen. Estos valores se ven
en la Tabla 3.3-2. La calibracin por medio de este mtodo y otros similares puede ser
detallada en el trabajo realizado en [3]

Tabla 3.3-2. Valores de calibracin para cada punto

FC 3129.06605 3140.30730
CC 335.98766 238.90657
alpha_c 0.00000

3.4 Simulacin de los Algoritmos de Mejoramiento y Realce de la
Imagen.

Para el mejoramiento y realce de la imagen capturada se han implementado tres algoritmos
que permiten mejorar la imagen de la lmina de cuero y atenuar el fondo sobre el cual est
dicha lmina. Las simulaciones a realizar son:

1. Simulacin del filtro mediana
2. Simulacin de la supresion del fondo de la imagen
3. Simulacin del filtro High boost

3.4.1 Simulacin del Filtro Mediana

El filtro mediana se implementa para una mscara de 3x3. Este filtro tiene como objetivo
principal atenuar el ruido producido por componentes puntuales fuertes, pero preservando
el borde de la imagen. La ecuacin 2.3-9 describe el clculo de la mediana

Para la simulacin se han usado tres imgenes de lminas de cuero y se ha aadido de
forma externa ruido tipo sal y pimienta con el objetivo de simular su comportamiento y
analizar los resultados. La figura 3.4-1 muestra las imgenes con ruido y sin ruido. En [4] el
autor propone diferentes mtodos de implementacin de la mediana.

68

a)

b)

c)

d)

e)

f)

Figura 3.4-1. Aplicacin del Filtro mediana a diferentes lminas de cuero
a) Lamina #1 con ruido. b) Lamina #1 Filtrada. c) Lamina #2 con ruido. d) Lamina #2 Filtrada.
e) Lamina #3 con ruido. f) Lamina #3 filtrada.


69

3.4.2 Simulacin de la Supresin del Fondo de la Imagen

Para la supresin del fondo de la imagen se han implementado dos alternativas. La primera
alternativa consiste en almacenar peridicamente el fondo de la imagen y usarlo como
referencia o tara, con el objetivo de calibrar a cero el sistema de medida. Con el fondo
almacenado se procede a restarlo de la imagen que contiene la lmina de cuero a medir.
Esta diferencia genera una imagen con la lmina de cuero sin el fondo o muy disminuido.

La supresin de fondo se realiza aplicando la ecuacin 3.4-1. Donde k es un valor de offset
para el ajuste de la diferencia entre el fondo y la imagen. La figura 3.4-2 muestra la
supresin de fondo realizada a la lmina de cuero #1.

<
=
otroscasos Pixel
k Pixel Pixel
NuevoPixel
imagen
fondo imagen
,
, 255
(3.4-1)

a)

b)

70

c)

Figura 3.4-2. Supresin del fondo a una la lmina de cuero por diferencia con el fondo
a) Fondo de la imagen. b) Lmina #1. c) Lmina #1 sin fondo.

La supresin del fondo se logra de forma correcta, pero se debe conocer a priori el fondo de
la imagen.

La segunda alternativa consiste en aplicar operaciones morfolgicas, usando un filtro
Bottom hat. Este filtro morfolgico aplica una operacin de cerradura a la imagen original y
este resultado lo resta a la imagen original. Este filtr lo describe por la ecuacin 2.3-6.
Tiene especial aplicacin en la atenuacin de las zonas claras y el resalte de las zonas
oscuras, lo cual es apropiado para este proyecto, ya que el fondo es blanco y la lmina de
cuero es de un color diferente. La operacin sobre la lmina de cuero #1 se observa en las
figuras 3.4-3a y 3.4-3b. Para obtener el formato de la imagen que se usa en este proyecto,
que es un fondo claro y la lmina de cuero en un color ms oscuro, se aplica la ecuacin
3.4-2, Donde k es un valor de offset para el ajuste de la diferencia entre el fondo y la
imagen, con este cambio el fondo quedara blanco, como se observa en la figura 3.4-3c. En
[5] el autor presenta una aplicacin del filtro bottom hat que realiza el suavizado de la
imagen y la deteccin de bordes en imgenes y la compara con otras tcnicas de filtrado
lineal.

<
=
otroscasos Pixel
k Pixel
NuevoPixel
Bottomhat
Bottomhat
,
, 255
(3.4-1)


71

a)

b)

c)

Figura 3.4-3. Supresin del fondo a una la lmina de cuero por filtrado bottom hat
a) Fondo de la imagen. b) Lamina #1. c) Lamina #1 sin fondo.

72

Para el diseo del filtro bottom hat se implemento un elemento estructural en forma de
disco de 50 pxeles. Esta supresin del fondo tiene la caracterstica que no requiere conocer
a priori el fondo de la imagen, pero si requiere el tamao del elemento estructural a priori.

3.4.3 Simulacin del Filtro High Boost

Cuando el algoritmo de supresin de fondo ha eliminado la imagen del fondo de la lmina
de cuero, se hace necesario realizar un filtrado, ya que se deben eliminar los residuos de
que genero la supresin y mejorar los bordes de la nueva imagen. En este caso el filtrado se
realiza usando un filtro High-Boost el cual tiene la caracterstica de mejorar los bordes y
permitir el paso de parte de la imagen de acuerdo al valor de A, como se describe en la
Ecuacin 2.3-8. Una aplicacin de este filtro puede ser consultada en [6]

En la figura 3.4-4a y 3.4.4b se observa la aplicacin del filtro high boost a la lmina de
cuero #1, despus de suprimirle el fondo por medio de las tcnicas vistas en el numeral
3.4.2.

a)

73

b)

Figura 3.4-4. Mejoramiento de bordes a una lmina de cuero sin fondo, por filtrado High boost
a) Filtro aplicado a la figura 3.4-2c b) Filtro aplicado a la figura 3.4-3c

3.5 Seleccin de Algoritmos de Umbralizacin

En la literatura consultada no se encuentran trabajos documentados que implementen algn
algoritmo de umbralizacin en hardware para la medicin de lminas de cuero. Pero hay
trabajos que usan tcnicas de visin artificial para medir el cuero, como son los siguientes
casos. En [7] se presenta un sistema para cortar y medir el rea de una lmina de cuero, este
sistema se basa en una cmara en posicin perpendicular a la lmina de cuero. El sensor de
captura de la cmara est basado en un arreglo matricial monocromtico de tecnologa
CCD, y un sistema servo controlado para el movimiento del lente. En [8] el autor propone
un prototipo para medir una lmina de cuero por medio de una webcam y un PC. En [9] el
autor propone un sistema de medicin con un sensor en forma de escner y un computador,
hace un anlisis del error de las maquinas actuales de sensores fotoelctricos y las antigua
mquina con sistema Pinwheel en relacin al mtodo que propone.

Las tcnicas de umbralizacin nos permiten separar el fondo del objeto en una imagen, pero
no siempre se realiza de la manera esperada. El xito o fracaso de esta tcnica depende de
aspectos como la iluminacin, el pre-procesamiento de la imagen y del algoritmo usado
para umbralizar. En este numeral se analizaran y evaluaran varios algoritmos de
umbralizacin con el objetivo de seleccionar cuales algoritmos dan mejores resultados y
cuales son apropiados a implementar sobre FPGAs. En [10] los autores hacen una
evaluacin de varios algoritmos de umbralizacin hacen un anlisis de varios criterios de
seleccin.

74

A continuacin se describe la secuencia de los temas a analizar.

1. Criterios para la evaluacin de los algoritmos de umbralizacin
2. Evaluacin de los algoritmos de umbralizacin
3. Seleccin y prueba de los algoritmos a implementar

3.5.1 Criterios para la evaluacin de los algoritmos de umbralizacin

Existen en la literatura muchos algoritmos de umbralizacin como los descritos en el
capitulo dos, como los algoritmos de OTSU, ISODATA, intermodal, mxima entropa,
percentiles, etc., los cuales entregan buenos resultados de umbralizacin para diferentes
tipos de imgenes, pero se deben seleccionar los algoritmos a usar en este proyecto por
medio de algn criterio. Para la seleccin de los algoritmos de umbralizacin se usarn dos
criterios:

1. Criterio basado en la clasificacin errnea.
2. Criterio basado en el error relativo de rea del objeto

3.5.1.1 Criterio basado en la clasificacin errnea.

Cuando la segmentacin de realiza solo a dos clases, como es el caso de la umbralizacin,
el criterio por clasificacin errnea se puede describir por la ecuacin 3.5-1.

0 0
0 0
1
F B
F F B B
ME
T T
+
+
= (3.5-1)

Donde
o
B y
o
F son el fondo y el objeto de la imagen original, y
T
B y
T
F son el fondo y el
objeto de la imagen de prueba.

3.5.1.2 Criterio basado en el error relativo del rea del objeto.

Cuando se realiza una correcta umbralizacin se espera que el objeto separado mantenga
sus medidas de forma precisa. Para cuantificar este criterio se usa la ecuacin 3.5-2.

True
Test True
A
A A
RAE
= (3.5-2)


75

Donde
True
A es el rea real del objeto y
test
A es el rea del objeto en prueba

3.5.2 Evaluacin de los algoritmos de umbralizacin

Se han seleccionado diez algoritmos de umbralizacin tomando como referencia los
mtodos expuestos en el capitulo dos. El mtodo basado en la informacin espacial no se
evaluara, ya que son especialmente usados para pequeas regiones, como es el caso de
reconocimiento de caracteres escritos.

Los algoritmos a evaluar se muestran en la tabla 3.5-1

Tabla 3.5-1. Algoritmos de umbralizacin a evaluar

N Algoritmo de umbralizacin Mtodo
1 ISODATA Agrupamiento de pxeles
2 Otsu Agrupamiento de pxeles
3 Mnimo error Agrupamiento de pxeles
4 Intermodal Forma del histograma
5 Concavidad Forma del histograma
6 Valles y colinas Forma del histograma
7 Mxima entropa Entropa de la imagen
8 Mnima entropa cruzada Entropa de la imagen
9 Momentos Atributos de la imagen
10 Similitud difusa Atributos de la imagen

Se han diseado tres figuras geomtricas como imgenes de prueba. Las imgenes de
prueba son diseadas en un programa grfico, con el objetivo de conocer a priori su rea y
el nmero de objetos, adems se ha adicionado ruido gausiano para dificultar su
umbralizacin. Las figuras 3.5-1 se muestran las figuras geomtricas con ruido gausiano y
sus respectivos histogramas. La figura 3.5-1a es un cuadrado de 2500 pxeles , la figura
3.5-1b es un crculo de 1861 pxeles y la figura 3.5-1c es un tringulo de 16000 pxeles .

a)

b)

c)


76

0 50 100 150 200 250
0
500
1000
1500
2000
Intesidad
P
i
x
e
l
e
s
d)

0 50 100 150 200 250
0
500
1000
1500
2000
Intesidad
P
i
x
e
l
e
s
e)

77

0 50 100 150 200 250
0
200
400
600
800
1000
1200
1400
1600
1800
Intesidad
P
i
x
e
l
e
s

f)

Figura 3.5-1. Figuras geomtricas de prueba y sus histogramas
a) Cuadrado con A= 2500 pxeles b) Crculo con A= 1861 pxeles c) Triangulo con A= 16000
pxeles d) Histograma del cuadrado e) Histograma del crculo. f) Histograma del tringulo

3.5.2.1 Resultados para la Figura Cuadrado

En estas pruebas se nota que los algoritmos del mtodo de umbralizacin por forma del
histograma dieron mejores resultados, como son el caso de los algoritmos intermodal,
valles y colina, seguido por los algoritmos del mtodo de agrupamiento como Otsu e
ISODATA. Esto se puede verificar por inspeccion visual y por medio del clculo del
promedio de los criterios de evaluacin, a menor valor mejor la umbralizacin. La figura
3.5-2 y la tabla 3.5-2 muestran los resultados de umbralizacin.

A=2517 pxeles
a)

A= 2517 pxeles
b)

78

A=70711 pxeles
c)

A=2495 pxeles
d)

A= 1950 pxeles
e)

A=2507 pxeles
f)

A= 2906 pxeles
g)

A= 64663 pxeles
h)

A= 7469 pxeles
i)

A= 75789 pxeles
j)
Figura 3.5-2. Umbralizacion de la figura cuadrado de 2500 pxeles
a) Umbralizacion ISODATA b) Umbralizacion Otsu c) Umbralizacion mnimo error d)
Umbralizacion intermodal e) Umbralizacion concavidad. f) Umbralizacion Valles y
colinas. g) Umbralizacion mxima entropa. h) Umbralizacion mnima entropa cruzada.
i) Umbralizacion Momentos. j) Umbralizacion similitud difusa


79

Tabla 3.5-2. Calculo de los valores de los criterios de seleccin para la figura en
forma de cuadrado
Ranking Algoritmo de umbralizacin ME RAE Valor
medio{ME,RAE}
1 Intermodal 0,00013021 0,002 0,0010651
2 Valles y colinas 0,00018229 0,0028 0,00149115
3 ISODATA 0,00044271 0,0068 0,00362135
4 Otsu 0,00044271 0,0068 0,00362135
5 Mxima entropa 0,01057292 0,1624 0,08648646
6 Concavidad 0,01432292 0,22 0,11716146
7 Momentos 0,12940104 1,9876 1,05850052
8 Mnima entropa cruzada 0,8588 24,8652 12,862
9 Mnimo error 0,8925 27,2844 14,08845
10 Similitud difusa 0,9555 29,3156 15,13555

3.5.2.2 Resultados para la Figura Crculo

Al igual que las pruebas anteriores se observa en la tabla 3.5-3 que los primeros cuatro
algoritmos continan dando mejores resultados. En este caso el algoritmo de umbralizacin
de concavidad mejoro al de mxima entropa, pero no logra segmentar todo el crculo de
manera perfecta. En la figura 3.5-3 se observan los resultados.

A= 1880 pxeles
a)

A= 1880pixeles
b)

A= 70916 pxeles
c)

A= 1859 pxeles
d)

80

A= 1609 pxeles
e)

A= 1865 pxeles
f)

A= 2195pixeles
g)

A= 68159 pxeles
h)

A= 8079 pxeles
i)

A= 75800 pxeles
j)

Figura 3.5-3. Umbralizacion de la figura crculo de 1861 pxeles

a) Umbralizacion ISODATA b) Umbralizacion Otsu c) Umbralizacion mnimo error d)
Umbralizacion intermodal e) Umbralizacion concavidad. f) Umbralizacion Valles y colinas.
g) Umbralizacion mxima entropa. h) Umbralizacion mnima entropa cruzada. i)
Umbralizacion Momentos. j) Umbralizacion similitud difusa

Tabla 3.5-3. Calculo de los valores de los criterios de seleccin para la figura en forma de
crculo

medio{ME,RAE}
1 Intermodal 0,00844264 0,00107469 0,00475867
2 Valles y colinas 0,00839012 0,00214938 0,00526975
3 ISODATA 0,00839012 0,01020956 0,00929984
4 Otsu 0,00839012 0,01020956 0,00929984
5 Concavidad 0,01500768 0,13541107 0,07520938

81

6 Mxima entropa 0,00839012 0,1794734 0,09393176
7 Momentos 0,15489555 3,3412144 1,74805498
9 Mnimo error 0,9025 37,1063944 18,9994472

3.5.2.3 Resultados para la Figura Tringulo

De igual manera que con las dos figuras geomtricas anteriores, los algoritmos de valles y
colina, intermodal y Otsu dan los mejores resultado. Sin embargo los dems algoritmos
empiezan a mejorar su desempeo al tener una mayor relacin entre el fondo y la imagen.
Todos los algoritmos de umbralizacin a excepto el de mnimo error lograron separar la
figura geomtrica del fondo para este caso unos en mayor medida que otros. La figura 3.5-
4 y la tabla 3.5-4, presentan los resultados de umbralizacin.

A= 16045 pxeles
a)

A= 16039 pxeles
b)

A= 41764 pxeles
c)

A= 16003 pxeles
d)

A= 15005 pxeles
e)

A= 15993 pxeles
f)

82

A= 17838 pxeles
g)

A= 15845 pxeles
h)

A= 18851 pxeles
i)

A= 16323 pxeles
j)
Figura 3.5-4. Umbralizacion de la figura tringulo de 16000 pxeles
b) Umbralizacion ISODATA b) Umbralizacion Otsu c) Umbralizacion mnimo error d)
Umbralizacion intermodal e) Umbralizacion concavidad. f) Umbralizacion Valles y
colinas. g) Umbralizacion mxima entropa. h) Umbralizacion mnima entropa cruzada.
i) Umbralizacion Momentos. j) Umbralizacion similitud difusa

Tabla 3.5-4. Calculo de los valores de los criterios de seleccin para la figura en
forma de tringulo

medio{ME,RAE}
1 Intermodal 0,14956811 0,0001875 0,0748778
2 Valles y colinas 0,14950166 0,0004375 0,07496958
3 Otsu 0,15036545 0,0024375 0,07640147
4 ISODATA 0,15049834 0,0028125 0,07665542
7 Concavidad 0,14950166 0,0621875 0,10584458
8 Mxima entropa 0,19021041 0,114875 0,1525427
9 Momentos 0,21264673 0,1781875 0,19541712
10 Mnimo error 0,72013289 1,61025 1,16519145

Se puede concluir que los algoritmos intermodal, valles y colinas, Otsu e ISODATA son confiables
para Umbralizar imgenes en ambientes ruidoso y con relaciones de imagen y fondo pequeas. Los
algoritmos citados anteriormente sern implementados sobre FPGAs en este proyecto.


83

3.6 Simulacin de los Algoritmos de Umbralizacin Seleccionados
sobre lminas de cuero

Los algoritmos de umbralizacin presentados en el numeral anterior, han sido usados para
medir el rea de varias lminas de cuero que tienen diferentes tamaos. En este caso, se han
seleccionado tres lminas de cuero azul o wet blue, como se le llama al cuero recin curtido
con cromo de forma aleatoria y se usara un patrn de medida de radio de 6.1 dm, que
cumple con la norma ISO 11646:1993 .

En la Figura 3.6-1a se muestra una lmina de cuero patrn circular de dimetro de 6.1 dm y
en las figuras 3.6-1b, 3.6-1c y 3.6-1d se muestran tres lminas de cuero azul previamente
medidas. Sus respectivos histogramas son mostrados en la figura 3.6-2.

Las medidas realizadas a estas tres lminas de cuero se hicieron por medio de una mquina
electrnica calibrada por un patrn avalado por la SIC (Superintendencia de industria y
comercio), fueron de: 260 dm
2
, 246 dm
2
y 281 dm
2
.

La imgenes son capturadas en escala de gris y se us una mesa de fondo blanco que tiene
3.75 m de ancho por 5 m de largo y una resolucin de 1417 x 1063 pxeles. Las lminas de
cuero son centradas en la mesa para mitigar los efectos de las distorsiones que tiene el
lente, que para este caso son en sus orillas.

a)

b)

c)

d)

Figura 3.6-1. Lminas de cuero capturadas en escala de grises
a) Patrn circular de dimetro 6.1 dm b) Lmina con rea 260 dm
2
c) Lmina con rea 246 dm
2
d)
Lmina con rea 281 dm
2
.

84

0 50 100 150 200 250
0
0.5
1
1.5
2
2.5
3
3.5
x 10
4
Intesidad
P
i
x
e
l
e
s
a)

0 50 100 150 200 250
0
0.5
1
1.5
2
2.5
3
x 10
4
Intesidad
P
i
x
e
l
e
s
b)

85

0 50 100 150 200 250
0
0.5
1
1.5
2
2.5
3
x 10
4
Intesidad
P
i
x
e
l
e
s
c)
0 50 100 150 200 250
0
0.5
1
1.5
2
2.5
3
x 10
4
Intesidad
P
i
x
e
l
e
s
d)

Figura 3.6-2. Histogramas de las lminas de cuero en escala de grises.
a) Patrn circular de dimetro 6.1 dm, b) Lmina con rea 260 dm2, c) Lmina con rea 246 dm2,
d) Lmina con rea 281 dm2.

Usando los cuatro algoritmos de umbralizacin seleccionados anteriormente se midi el
rea del cuero a las cuatro lminas vistas en la figura 3.6-1. Los resultados son presentados
en las Tablas 3.6-1, 3.6-2, 3.6-3 y 3.6-4.


86

Tabla 3.6-1. Resultados de simulacin de la medida del cuero para la lmina de la figura
3.6-1a

Algoritmo de
umbralizacin
Lmina de cuero patrn circular de dimetro 6,1 dm mostrada en la
figura 3.6-1a
rea = 29.2 dm
2

Umbral
Cantidad de
pxeles
rea en
dm
2

Error absoluto
dm
2

Error
relativo
1. Intermodal 151 23512 29,26 0,03 0,12%
2. ISODATA 153 23535 29,27 0,05 0,16%
3. Otsu 153 23535 29,27 0,05 0,16%
4. Clculo del valle 140 23352 29,04 0,18 -0,62%

3.6-1b

Algoritmo de
umbralizacin
Lmina de cuero figura 3.6-1b
rea = 246 dm
2
Umbra
l
Cantidad de
pxeles
rea en
dm
2

Error absoluto
dm
2

Error
relativo
1. Intermodal 159 197335 245,56 0,44 -0,18%
2. ISODATA 162 197602 245,77 0,23 -0,09%
4. Otsu 162 197602 245,77 0,23 -0,09%
9. Clculo del valle 150 196554 244,47 1,53 -0,62%

3.6-1c

Algoritmo de
umbralizacin
Lmina de cuero figura 3.6-1c
rea = 260 dm
2
Umbra
l
Cantidad de
pxeles
rea en
dm
2

Error absoluto
dm
2

Error
relativo
1. Intermodal 157 209505 260,71 0,71 0,27%
2. ISODATA 155 209295 260,32 0,32 0,12%
4. Otsu 155 209295 260,32 0,32 0,12%
9. Clculo del valle 158 209618 260,72 0,72 0,28%

3.6-1d


87

Algoritmo de
umbralizacin
Lmina de cuero figura 3.6-1c
rea = 280 dm
2
Umbra
l
Cantidad de
pxeles
rea en
dm
2

Error absoluto
dm
2

Error
relativo
1. Intermodal 159 226206 281,49 0,49 0,17%
2. ISODATA 156 225818 280,87 0,13 -0,05%
4. Otsu 156 225818 280,87 0,13 -0,05%
9. Clculo del valle 153 225422 280,38 0,62 -0,22%

Para realizar los clculos del rea para cada algoritmo se tomaron 10 imgenes por cada
lmina y se uso el promedio de ellas, para hacer el clculo del rea en decmetros cuadrados
y sus respectivos errores.

Los clculos de los errores relativos y absolutos para las tres lminas de cuero (excepto la
lmina de cuero patrn, ya que se puede medir por su forma geomtrica) se tomo como
referencia la mquina electrnica que previamente la midi.


88

Bibliografa

[1] Ficha tcnica para la lmpara de sodio de referencia SUPER SHP-T Tubular Clara, de la
fabrica sylvania

[2] Camera Calibration Toolbox for Matlab. Jean-Yves Bouguet. Francia. 2009

[3] Autocalibracin y sincronizacin de mltiples cmaras ptz. Universidad autnoma de
Madrid. Javier Garca Ocn. Espaa. 2007

[4] Median Filtering in Constant Time. Simon Perreault and Patrick Hebert . Francia. 2007

[5] Speckle Noise Removal and Edge Detection Using Mathematical Morphology. Arpit
Singhal, Mandeep Singh International Journal of Soft Computing and Engineering
(IJSCE).ISSN: 2231-2307, Noviembre 2011

[6] Robust Video Denoising for Better Subjective Evaluation. Aditya Acharya, Sukadev
Meher. Electronics and Communication Engineering Department, National Institute of
Technology Rourkela, Odisha, India. Agosto 2011

[7] Inspection and measurement of leather system based on artificial visin techniques
applied to the automation and waterjet cut direct application. J. D. Aranda Pearanda. J.
A. Ramos Alcazar. L. M. Tomas Balibrea. J. L. Muos Lozano. R. Torres Sanchez.
Instituto Murciano de Tecnologia. Espaa. 1994

[8] Prototipo de medicin de superficies mediante un computador usando una cmara
digital. Univerdidad politcnica salesiana. Patricio Fernando Urjiles. Ecuador. 2003

[9] Surface rea measurement of leather system based image processing techniques applied
to the automation application. Rehan Adil, Department of Electronic Engineering The
3rd International Conference on Machine Vision. Pakistan. 2010

[10] Selection of thresholding methods for non-destructive testing application. Mehmet
Sezgin, Bulent Sankut. Turkey. 2001

89

IMPLEMENTACIN HARDWARE DE LOS ALGORITMOS
PARA MEDIR UNA LMINA DE CUERO

4.1 Introduccin

En este captulo se presenta la implementacin en hardware de los algoritmos de adecuacin y
umbralizacin que son usados para la medicin de una lmina de cuero. En este caso se
sintetizaron nueve algoritmos que permiten separar una lmina de cuero de su entorno, y medir
su rea. Los algoritmos sintetizados son: Un filtro mediana, un supresor del fondo de la imagen
por restador y otro por operacin morfologa bottom hat, un filtro high boost, cuatro algoritmos
de umbralizacin que son: Umbralizador de Otsu, umbralizador ISODATA, umbralizador
intermodal y el umbralizador entre valles y colinas, y un algoritmo para el clculo del valor
ptimo del rea. Tambin se sintetizo un algoritmo para el clculo del histograma y otro que es
un generador de direcciones para facilitar el manejo de la memoria. Este diseo ha sido
calculado para imgenes de 100x75 pxeles, con el fin de verificar su funcionalidad, pero de
igual forma es expandible para imgenes de mayor tamao, dependiendo de tipo de FPGA
usada.

4.1.1 Diagrama de Bloques para Medir una Lmina de Cuero

La arquitectura propuesta en hardware para medir una lmina de cuero consta principalmente
de una secuencia de tres etapas de procesamiento.

1. La primera etapa consiste en adecuar la imagen original mediante el filtrado y la supresin
del fondo, de forma tal que la imagen resultante pueda ser umbralizada de forma correcta

2. La segunda etapa consiste en la correcta binarizacin de la imagen con el fondo
suprimido usando cuatro algoritmos de umbralizacin.

3. La tercera etapa consiste en la seleccin del umbral ptimo entre los cuatro resultados de
los umbralizadores.

En la Figura 4.1-1 se muestra el diagrama de bloques para medir una lmina de cuero.

C Captulo 4

Implementacin Hardware de los Algoritmos para Medir una Lmina de Cuero
90

Figura 4.1-1 Diagrama de bloques para medir una lmina de cuero
El diagrama de bloques para medir una lmina de cuero esta implementado por:
Dos bloques de memoria ROM de 8Kb cada uno. Uno que almacena la imagen a
medir y otro que almacena el fondo de la imagen a medir.

Dos bloques de memoria RAM de 8Kb cada uno. Uno para almacenar el resultado de
la imagen tratada y otro que almacena la imagen en proceso

Un bloque para la adecuacin de la imagen. En este bloque se implementan las
arquitecturas para la adecuacin y supresin de fondo de la imagen.

Un bloque para los umbralizadores. En este bloque se implementan los algoritmos de
umbralizacin seleccionados en el captulo 3.

Cuatro registros de 8 bits cada una, que almacenan los resultados de los
umbralizadores.

Un bloque para el clculo del valor ptimo del rea de la lmina de cuero

91

Un bloque para la unidad de control. En este bloque se almacenan todas las maquinas
de estado que controlan los diferentes bloques.

4.2 Etapa de Adecuacin de la Imagen Original
La imagen original una vez capturada, contiene la informacin de la lmina del cuero y la del
fondo o mesa de trabajo, por lo tanto esta imagen debe ser adecuada antes de proceder a medir
el rea de la lmina de cuero. Esta adecuacin consiste en filtrar la imagen del posible ruido que
pueda contener, atenuar las caractersticas del fondo y resaltar los bordes y dems pxeles
correspondientes a la lmina de cuero. La figura 4.2-1 muestra los diagrama funcional de esta
etapa.
La supresin del fondo se propone de dos maneras, una semiautomtica, ya que requiere
conocer a priori el fondo de la imagen en memoria y otra automtica que captura la
informacin del fondo de forma de la misma imagen

Figura 4.2-1 Bloque funcional para la adecuacin de la imagen

La adecuacin de la imagen original se realiza en tres pasos:
1. Filtrado mediana de la imagen
2. Supresin del fondo de la imagen
3. Filtrado High-boost de la imagen

92

4.2.1 Filtrado Mediana de la Imagen
El filtro mediana es un filtro no lineal descrito por la ecuacin 2.3-9 y es frecuentemente usado
para suprimir las componentes puntuales fuertes de la imagen, sin prdida de la informacin. El
filtro mediana debe realizar un ordenamiento para lograr obtener el valor mediano. Existen
algunos desarrollos en hardware que pretenden optimizar este clculo. Una propuesta es
realizada por [1], que busca mejorar el tiempo de bsqueda y ordenamiento mediante un
comparador de tres datos, implementado con transistores de tecnologa pmos.
El filtro mediana puede ser realizado mediante un arreglo sistlico clsico que permite el
ordenamiento de un vector, tal como se observa en la figura 4.2-2, donde se hace uso de 41
comparadores.

Figura 4.2-2 Arreglo sistlico de un filtro mediana
En [2] los autores proponen el diseo de un filtro mejorado que solo hace uso de 27
comparadores para una ventana de 3x3 pxeles, esta propuesta es mostrada en la figura 4.2-3a, y
ser la utilizada en este proyecto como un elemento de proceso (PE).

93

a)

b)

Figura 4.2-3 Arreglo sistlico de un filtro mediana mejorado en [2]
a) Filtro mediana mejorada. b) Elemento de proceso PE
La arquitectura propuesta para este filtro se basa en el PE de la figura 4.2-3b y se ha
implementado en pipeline para lograr un reuso de 3 pxeles. Esta arquitectura se observa en la
figura 4.2-4. Una arquitectura similar es presentada en [3], pero lo aplican a un filtro mediana
adaptativo.
Para aplicar el filtro mediana normalmente se debe cargar el pxel a filtrar con sus vecinos
formando una ventana nxn. Para realizarlo en pipeline, se debe cargar esta matriz nxn por medio
de n columnas en los registros de desplazamiento, para facilitar el manejo de memoria y la carga
de los datos a los circuitos pipeline se ha propuesto el circuito de la figura 4.2.5a. Por ejemplo,
se tiene una imagen como la mostrada en la figura 4.2-5b de un tamao de 6x6 pxeles formada
por caracteres para facilitar su aplicacin. Para filtrar la imagen con la arquitectura propuesta en
la figura 4.2-2a se debe agregar a los bordes de la imagen valores de blanco puro o 0xff o

94

duplicar los pxeles del borde, para que al aplicar la mscara del filtro, los ndices de la memoria
no generen posiciones negativas. La nueva imagen queda representada por una matriz de 7x7,
como se observa en la figura 4.2-5c. Para filtrar el punto ubicado en la posicin fila i=3,
columna j=3 con valor de intensidad e, de la nueva imagen, se deben cargar los datos de forma
serial sobre los registros de desplazamiento en el siguiente orden {p(2,2), p(3,2) ,p(4,2), p(2,3),
p(3,3) ,p(4,3), p(2,4) ,p(3,4), p(4,4)} o en intensidad {a, b ,c, d, e, f, g, h, i}, como se observa en
la figura 4.2-5d. Una vez cargados los registros, se calcula la mediana en forma paralela y se
carga solo la columna de los tres pxeles siguientes y se ejecuta de nuevo el clculo de la
mediana, haciendo un re-uso de seis pxeles ya cargados en los registros de desplazamiento,
como se observa en la figura 4.2-5e. La simulacin se observa en la figura 4.2-5f. La tabla 4.2-1
presenta los resultados de compilacin.

Figura 4.2-4 Filtro no lineal tipo mediana implementado en pipeline

95

a)

b
a d
c
e
g
h
f i
k
j m
l
n
p
q
o r
t
s v
u
w
y
z
x 1
3
2 5
4
6
8
9
7 0

b)

96

c)
0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xff
0xff
0xff
0xff
b
a d
c
e
g
h
f i
k
j m
l
n
p
q
o r
0xff
0xff
0xff
Fondo falso
Fondo falso
Fondo falso
Primer columna
a b c
Segunda columna
d e f
Tercer columna
g h i
Flujo de datos

d)
0xff
0xff
0xff
0xff
0xff
0xff
0xff
b
a d
c
e
g
h
f i
k
j m
l
n
p
q
o r
0xff
0xff
0xff
0xff
0xff
0xff
0xff 0xff 0xff 0xff 0xff 0xff 0xff
Fondo falso
Fondo falso
Fondo falso Fondo falso
t
s v
u
w
y
z
x 1
3
2 5
4
6
8
9
7 0

97

0xff
0xff
0xff
b
a d
c
e
g
h
f i
k
j m
l
n
p
q
o r
0xff
0xff
0xff
Fondo falso
Fondo falso
Fondo falso
Segunda columna
d e f
Tercer columna
g h i
Flujo de datos
Cuarta columna
j k l
Datos de reuso

e)

f)
Figura 4.2-5 circuito de manejo de memoria y la imagen de ejemplo
a) Circuito para el manejo de la memoria. b) Imagen de ejemplo de 6x6. c) Imagen de ejemplo
sobre-muestreada de 7x7. d) Captura de datos. e) Reuso de seis datos. f) Simulacin del filtro

98

Tabla 4.2-1 Resultados de simulacin del filtro mediana

Elementos usados Total
Celdas lgicas 295
Registros 183

4.2.2 Supresin del Fondo de la Imagen
La supresin del fondo de la imagen permite mejorar el contraste de la lmina de cuero, ya que
suprime total o parcialmente el fondo o la mesa de trabajo de la escena. Para este proyecto se
han implementado dos tcnicas. La primera consiste en almacenar previamente el fondo y
restarlo de la nueva imagen tomada, mitigando efectos de iluminacin a bajo costo
computacional, pero dejando el sistema de modo semiautomtico, ya que requiere la
intervencin del operario. La segunda tcnica consiste en realizar un filtrado morfolgico
bottom hat, suprimiendo el fondo de forma automtica pero a mayor costo computacional. Para
este proyecto se implementarn las dos tcnicas.

4.2.2.1 Bloque Restador de Fondo
Este bloque permite suprimir un pxel del fondo con uno de la imagen. Entonces; se realiza la
diferencia y se compara con un valor de referencia. De acuerdo a este resultado, si la diferencia
es menor que la referencia, se guarda un valor de 255 o blanco puro. En caso contrario se
guarda el pxel de la imagen o el cuero. El diseo de este del supresor de fondo propuesto est
compuesto por dos sumadores, dos multiplexores y un comparador y es mostrado en la figura
4.2-6c. La figura 4.2-6a muestra grficamente como funciona este bloque.
Esta tcnica semiautomtica de supresin del fondo permite eliminar de forma precisa el fondo
de la imagen, puede usarse como una tara para la medida, ya que permite suprimir defectos
producidos por la suciedad, la iluminacin y pequeos cambios del tono del fondo. La tabla 4.2-
2 presenta los resultados de compilacin.

99

250 248 250 252 245 248
250 248 250 252 245 248
255 148 45 52 45 148
250 238 150 90 145 248
245 248 150 152 145 248
235 248 250 252 245 248
Imagen Original
255 255 255 255 255 255
255 255 255 255 255 255
255 148 45 52 45 148
255 255 150 90 145 255
255 255 150 152 145 255
255 255 255 255 245 255
Offset = 10
250 241 245 243 240 250
250 248 250 252 245 248
255 239 251 245 240 128
250 238 250 250 245 248
245 248 250 252 245 248
235 248 250 252 245 248
Imagen del Fondo
Imagen con fondo suprimido
Imagen
Fondo

a)

b)

100

c)

Figura 4.2-6 Bloque hardware del restador de fondo y su funcionamiento
a) Funcionamiento de forma grafica de la resta. b) Restador como elemento de proceso (PE).
c) Bloque hardware del restador.

Tabla 4.2-2 Resultados de simulacin del supresor del fondo

ALUTs 27

4.2.2.1 Filtrado Morfolgico Bottom Hat

El filtro morfolgico Bottom hat realiza la operacin de cerradura sobre la imagen,
eliminando la mayora de elementos en ella, dejando solo el fondo. La realizacin de una
operacin de cerradura implica hacer primero una dilatacin a la imagen y despus una
erosin, o sea se deben realizar dos filtrados a la imagen, aplicando el mismo elemento

101

estructural en ambos filtrados, elevando el costo computacional, pero sin la necesidad de
conocer a priori el fondo de la imagen.

Estas operaciones de dilatacin y erosin se implementaron en pipeline y el elemento
estructura es formado en una matriz binaria de 3x3 elementos, similares a los mostrados en
la figura 4.2-7

0 1 0
1 1 1
0 1 0

a)
1 1 1
1 1 1
1 1 1

b)
0 0 1
0 1 0
1 0 0

c)
1 0 1
0 1 0
1 0 1

d)

Figura 4.2-7 Elementos estructurales para las operaciones de dilatacin y erosin
a) Cruz b) Cuadrado c) Diagonal d) Equis

Los elementos estructurales se cargan de forma serial por medio de registros de
desplazamiento de un bit. Segn la estructura a cargar, estos valores binarios activan los
multiplexores, seleccionando un cero o el valor del pxel.

Una vez cargados los registros de desplazamiento (pipeline) con los pxeles de la mscara
seleccionada se obtiene el valor de erosin del pxel en esa vecindad. Esta tarea se realiza
hasta recorrer toda la imagen. Despus se ejecuta el mismo procedimiento, pero haciendo
la dilatacin de la imagen. Al realizar el segundo recorrido se obtiene la cerradura de la
imagen. La arquitectura propuesta se observa en la figura 4.2-8. Un diseo de una
arquitectura para el clculo de erosin y dilatacin es presentada en [4]

Para hacer el filtrado bottom hat se debe aplicar la cerradura y despus suprimirle la imagen
original, para obtener de esta manera la imagen sin el fondo. La resta se hace usando el
bloque del restador mostrado en la figura 4.2-6a

102

Figura 4.2-8 Arquitectura pipeline para realizar las operaciones de dilatacin y erosin

La simulacin de este filtro se observa grficamente en la secuencia de la figura 4.2-9
donde se tiene una imagen de 8x8 pxeles y se aplica un elemento estructural en forma de
cruz. En la figura 4.2-9a se filtra el pxel con valor de intensidad 5, dando como resultado

103

para la erosin el menor valor dentro de esta vecindad, el cual es el valor de intensidad 2.
La tabla 4.2-3 presenta los resultados de compilacin.

a)

b)

104

c)

d)

Figura 4.2-9 Simulacin de las operaciones de dilatacin y erosin
a) Filtrado en T1. b) Filtrado en T2. c) Filtrado en T3. d) Diagrama de tiempos

105

Tabla 4.2-3 Resultados de simulacin del filtro Bottom hat

Registros 450
Registros lgicos dedicados 450
ALUTs combinacionales 2350

4.2.3 Filtrado High Boost de la Imagen
Cuando el algoritmo de supresin de fondo ha realizado la resta entre la imagen de la mesa y la
imagen de la lmina de cuero, se hace necesario realizar un filtrado, ya que se deben eliminar
los residuos de que gener la supresin y mejorar los bordes de la nueva imagen. En este caso el
filtrado se realiza usando un filtro High-Boost el cual tiene la caracterstica de mejorar los
bordes y permitir el paso de parte de la imagen de acuerdo al valor de A, como se describe en la
Ecuacin 2.3-8
La implementacin de este filtro se realiza en pipeline como se observa en la figura 4.2-10

a)

106

+
+
-
+
+
-
X0[0..7]
X1[0..7]
X2[0..7]
X3[0..7]
X5[0..7]
X6[0..7]
X7[0..7]
X8[0..7]
X4[0..7] Y[0..7]

b)
+
X
0
[
0
..7
]
X
1
[
0
..7
]
X
2
[
0
..7
]
X
3
[
0
..7
]
X
5
[
0
..7
]
X
6
[
0
..7
]
X
7
[
0
..7
]
X
8
[
0
..7
]
Suma[0..10]
X4[0..10]
+
-
0
A
B
A>B
A
B
A>B
A
B
A>B
A
B
A>B
255
0
1
0
1
HB[0..10]

c)
Figura 4.2-10 Arquitectura pipeline para realizar el filtro high boost
a) Arquitectura high boost. b) Elemento de proceso de suma y resta. c) Bloque del
elemento de suma y resta

Este filtro se realiza con un arreglo de registros de desplazamiento, los cuales realizan el
pipeline del filtro y la mscara se implementa con un sumador de 8 entradas y un restador,
para mantener el valor de salida en el rango de 0 a 255 se usan dos comparadores y dos
multiplexores.
La simulacin del filtro high boost, aplicado a un pxel de una imagen de prueba se observa en
la secuencia mostrada en la figura 4.2-11. La tabla 4.2-4 presenta los resultados de compilacin.

107

a)

b)

Figura 4.2-11 Simulacin del filtrado high boost
a) Pxel filtrado con high boost. b) Diagrama de tiempos

108

Tabla 4.2-4 Resultados de simulacin del filtro High boost

Registros 364

4.3 Etapa de Umbralizacin de la Imagen

Los algoritmos de umbralizacin son una parte fundamental del microsistema de medicin
debido a que estos terminan de separar el fondo de la lmina de cuero mediante el clculo de un
valor de umbral que separa los niveles de intensidad de la imagen en dos regiones. Una regin
que contiene los pxeles del fondo de la imagen y otra que contiene los pxeles de la lmina de
cuero. La suma de los pxeles contenidos en la regin umbralizada, representan el rea real de la
lmina de cuero

En la seccin 3.5.2 se realizo una evaluacin a diez algoritmos de umbralizacin, de los cuales
se han implementado los primeros cuatro algoritmos mediante arquitecturas hardware. Los
algoritmos implementados son:

1. Arquitectura hardware para el algoritmo de umbralizacin de Otsu
2. Arquitectura hardware para el algoritmo de umbralizacin ISODATA
3. Arquitectura hardware para el algoritmo de umbralizacin intermodal
4. Arquitectura hardware para el algoritmo de umbralizacin de valles y colinas

4.3.1 Arquitectura Hardware para el Algoritmo de Umbralizacin de
Otsu

El algoritmo de umbralizacin de OTSU hace uso iterativo de la informacin del histograma de
la imagen. El histograma implementado en este proyecto es para imgenes en escala de grises, o
sea de 8 bits y solo requiere 256 valores o posiciones de memoria. En [5] se desarrolla una
arquitectura que pretende mejorar la implementacin en hardware de este algoritmo

El algoritmo de Otsu utiliza la varianza como una medida de dispersin de los niveles de gris.
Este mtodo busca un valor de umbral que minimice la varianza en la regin de inters y que a
su vez sea mxima con las dems regiones. Para esto el algoritmo debe encontrar un valor de
umbral donde el cociente entre ambas varianzas sea mximo.

La implementacin hardware del algoritmo de OTSU se basa en el clculo del histograma y en
dos bloques principales, un bloque estadstico para calcular los momentos estadsticos OMEGA
y MU, y otro para calcular el umbral de OTSU a travs de la varianza.

109

Para comprender mejor el funcionamiento de este algoritmo se plantea una imagen de 6x6
pxeles como la mostrada en la figura 4.3-1a y su histograma en la figura 4.3-1b.

a)

b)

Figura 4.3-1 Imagen de prueba para calcular el umbral de Otsu
a) Imagen de prueba. b) Histograma de la imagen de prueba
0
2
4
6
8
10
12
Negro Seminegro Gris Grisclaro Semiblanco Blanco
C
a
n
t
i
d
a
d

d
e

p
i
x
e
l
e
s
Intensidad
Histograma de intensidad

110

Una vez calculado el histograma, se calculan los momentos estadsticos y se busca el umbral de
separacin mediante la comparacin de la varianza entre clases (fondo y objeto), de forma tal
que el mnimo valor es el umbral de Otsu, este procedimiento se observa la figura 4.3-2.

a)

b)

c)

d)

e)

f)

Figura 4.3-2 Umbralizacin de Otsu de forma grafica

a) Imagen para umbral T<0. b) Imagen para umbral T<1. c) Imagen para umbral T<2.
d) Imagen para umbral T<3. e) Imagen para umbral T<4. f) Imagen para umbral T<5.

Se observa que la varianza dentro de las clases es menor en las figuras 4.3-2c y 4.3-2d y de
igual manera, la figura queda mejor separada para estos dos umbrales, o para un umbral T <3.
La tabla 4.3-1 presenta los resultados de compilacin de umbralizador de Otsu.

111

4.3.1.1 Implementacin del Bloque para el Clculo del Histograma

Para la implementacin del hardware para calcular el histograma se requiere tener un bloque de
memoria RAM para almacenar el conteo de cada elemento que se repite en la imagen
inicializada en cero. Se carga el valor del nivel de intensidad de la imagen y este valor apunta a
la direccin de la memoria RAM del histograma. Con la Memoria RAM direccionada, se carga
el valor actual de esta posicin y se aumenta en uno. Para realizar este incremento se usa un
sumador acumulador y su salida se graba nuevamente en la memoria RAM del histograma.

Para sincronizar esta operacin se requiere que la lnea de lectura del la memoria RAM de la
imagen y el histograma estn en nivel alto, es este momento se carga el valor del pxel de la
imagen en el puerto de direcciones de histograma, dando salida al valor de intensidad del
histograma de esta posicin. Este valor es incrementado en uno. Una vez cargado el valor de
suma y acumulacin se activa la lnea de escritura de la memoria RAM del histograma y se
actualiza el nuevo valor del histograma. En la Figura 4.3-3 se muestran el bloque hardware para
el clculo del histograma y su simulacin.

a)

112

b)

Figura 4.3-3 Clculo en hardware del histograma
a) Bloque hardware del histograma. b) Simulacin del histograma

4.3.1.2 Implementacin del Bloque Estadstico

El bloque estadstico permite calcular los momentos llamados omega y miu. Para la
implementacin de este mtodo se dispone de dos bloques de memoria RAM, un sumador-
acumulador para el clculo del histograma acumulado o el momento omega y un multiplicador-
sumador y acumulador que calcula el rea de intensidad acumulada. La implementacin de este
bloque estadstico se observa en la figura 4.3-4

Figura 4.3-4 Arquitectura hardware del bloque estadstico

Este bloque estadstico se calcula a partir del histograma de la imagen a analizar o ms
directamente del histograma almacenado en la memoria RAM histograma. La memoria RAM

113

Omega almacena el clculo del histograma acumulado, mediante la suma y acumulacin de
los valores presentes y pasados del histograma. De igual forma pero precedida de una
multiplicacin entre el valor del histograma y el i-esimo valor del histograma se calculan los
valores de la memoria RAM Miu.

4.3.1.3 Implementacin del Bloque para Clculo del Umbral Otsu

Este bloque calcula la varianza entre clases para hallar el umbral de Otsu. Los clculos
aritmticos son realizados por los bloques funcionales mostrados en la figura 4.3-5 para
nmeros enteros, los principales bloques son: Un sumador, cuatro flip-flops, cuatro restadores,
cuatro multiplicadores, dos divisores, y un comparador, los cuales se encargan de calcular el
valor de umbral de Otsu.

Figura 4.3-5 Arquitectura hardware del bloque que clculo el umbral de Otsu

114

Esta arquitectura realiza los clculos matemticos para hallar la varianza de cada clase (fondo y
objeto) de forma iterativa, encontrando el mnimo valor entre ambas clases y guardando la
posicin del contador de la iteracin, que finalmente es el valor de umbral de Otsu. La tabla 4.3-
1 presenta los resultados de compilacin

Tabla 4.3-1 Resultados de simulacin del umbralizador de Otsu

Multiplicadores de 9 bits embebidos 18
Registros 156
Funciones combinacionales 2259
Memoria Total en bits 72032

4.3.2 Arquitectura Hardware para el Algoritmo de Umbralizacin
ISODATA

El umbralizador ISODATA se puede describir en dos pasos, como se presentan a continuacin:

1. En el primer paso, se deben calcular los umbrales inciales. Para calcular los valores
inciales se toman los valores de las esquinas de la imagen y se promedian, este valor
se llama T1, despus se promedia el resto de pxeles de la imagen, este valor se llama
T2, luego se calcula el promedio T1 y T2, a este valor se le llama el umbral T inicial.
En este procedimiento se inicializa el umbral viejo o anterior, con un valor de cero.

2. En el segundo paso, se calcula el promedio de la regin contenida por los valores
inferiores al umbral inicial y se calcula el promedio de la regin contenida por los dems
valores. Estos promedios se llaman T1 y T2. Se calcula el promedio entre T1 y T2 y se
compara con el umbral T inicial, si son iguales, entonces se ha calculado el umbral
ISODATA y se termina el clculo, en caso contrario, se har el umbral T inicial como el
umbral viejo y el promedio de T1 y T2 ser el nuevo umbral T inicial, y se regresa al
paso uno de nuevo.

La implementacin de este umbralizador se ha diseado para que realice el clculo del
promedio entre T1 y T2 en hardware, e inicie el umbral inicial por medio de la seal Iniciar,
cargando de esta forma el primer valor de umbral T, se resetea el flip-flop umbral viejo a cero.
Una vez inicializado, se cargan todos los pxeles de la imagen y se calculan los siguientes
valores promedio T1 y T2, y a su vez el promedio entre ellos. Este valor es comparado con el
umbral viejo cargado en el flip-flop, y si son iguales, este valor ser el umbral ISODATA, y se
cargara en el flip-flop de salida. En caso contrario este valor se carga como umbral T y el
antiguo valor de umbral T se desplaza, convirtindose en el umbral viejo. Este proceso se repite
hasta que el umbral viejo y el promedio de T1 y T2 sean iguales. Una implementacin en

115

hardware de este algoritmo es propuesta en [6]. La tabla 4.3-2 presenta los resultados de
compilacin. La arquitectura propuesta se observa en la figura 4.3-6.

Figura 4.3-6. Arquitectura hardware para el clculo del umbral ISODATA

116

Tabla 4.3-2 Resultados de simulacin del umbralizador ISODATA

Registros 40

4.3.3 Arquitectura Hardware para el Algoritmo de Umbralizacin
Intermodal

Este umbralizador hace uso de forma iterativa del histograma y lo modifica adelgazndolo con
cada iteracin; no realiza complejos clculos matemticos lo cual hace que ocupe menor rea,
pero tiene mayor tiempo de convergencia, ya que depende de la forma de la distribucin
frecuencial de los pxeles en su histograma. El umbral de separacin se calcula en el valor
medio de los picos mximos adelgazados.

Al algoritmo intermodal propuesto en este proyecto se realiza en cuatro pasos, como se
muestran a continuacin.

1. Se lee el histograma, haciendo una comparacin entre grupos de 3 registros de las
posiciones [k-1], [k], [k+1], y acumulando las veces que se cumpla la condicin dada por
la Ecuacin 4.3-1.

{ } ] 1 [ ] [ ] 1 [ + < > k k k (4.3-1)

2. En el caso de que el valor del acumulado sea igual a tres, se debe finalizar la lectura del
histograma. En caso de que se termine de leer el histograma y el acumulado es igual a dos,
se ejecuta el paso 4, de lo contrario se ejecuta el paso 3.

3. Se promedian los valores de la posiciones [k-1], [k] y [k+1] y se almacenan de nuevo en
la posicin k, al terminar de actualizar el histograma se ejecuta de nuevo el paso 1.

4. Se calcula el umbral promediando entre la ubicacin del primer valor acumulado y el
segundo valor acumulado. Esta ubicacin es el umbral intermodal.

Este algoritmo se puede observar en grficamente en la figura 4.3-7. La tabla 4.3-3 presenta los
resultados de compilacin

a)

c)
Figura 4.3
a) Bsqueda de mximos en el histograma. b) Adelgazamiento del histograma. c) Reduccin del
histograma hasta obtener

Para la implementacin de este algoritmo de
RAM, uno para el histograma que se modifica y otro para el histograma temporal; tres
flops para mantener actualizados los datos i
permiten encontrar el valor de umbral. En la Figura 4.3.
del algoritmo intermodal.

Implementacin Hardware de los Algoritmos para Medir una Lmina de C
117

b)

d)

Figura 4.3-7 Algoritmos intermodal mostrado grficamente
histograma hasta obtener dos mximos. d) Calculo del umbral de intermodal
Para la implementacin de este algoritmo de umbralizacin se usaron, dos bloques de memoria
RAM, uno para el histograma que se modifica y otro para el histograma temporal; tres
lizados los datos i-1, i, i+1 y tres bloques de comparacin que
permiten encontrar el valor de umbral. En la Figura 4.3.8 se muestra la arquitectura hardware


al de intermodal
loques de memoria
RAM, uno para el histograma que se modifica y otro para el histograma temporal; tres fllip-
bloques de comparacin que
la arquitectura hardware

118

Figura 4.3-8. Arquitectura hardware del algoritmo intermodal

Esta arquitectura hardware adelgaza el histograma mediante el promedio de tres pxeles
consecutivos. Este procedimiento lo realiza a todo el histograma de la imagen y al finalizar el
adelgazamiento se verifica que solo existan dos valores mximos. El valor medio de estos dos
mximos es el umbral Intermodal. El histograma se carga inicialmente en la memoria RAM
Intermodal, mediante la habilitacin de la seal LdH. Una vez cargado el histograma, se
inicia el proceso de adelgazamiento.

Se usa una red de retardo de tres flip
despus de haber calculado el promedio, y do
umbral intermodal se logra cuando se ha terminado de adelgazar el histograma y la salida del
comparador esta activa para A=2. En este momento se carga el resultado del promedio de las
posiciones de la primera colina y la segunda colina encontrada.

Tabla 4.3-3 Resultados de simulacin
Elementos usados
Celdas lgicas
Registros
Memoria Total en bits
4.3.4 Arquitectura Hardware para el
y Colinas

Este umbralizador funciona de forma similar al
adelgazndolo con cada iteracin
cual hace que ocupe menor rea, pero tiene mayo
separacin se calcula en el valor mnimo del valle del histograma adelgazado.
de este algoritmo depende de que exista un buen contraste entre el fondo y la imagen y
obtener un valor mnimo entre el valle que se forma entre el fondo y la

El algoritmo de umbralizacin
est en que solo cambia el paso
Grficamente este paso se observa en la figura 4.3

Figura 4.3
Este bloque umbralizador se compone de: D
histograma que se modifica y otro para el histograma temporal, tres
de mantener actualizados los datos i
encontrar el valor de umbral, que ser el mnimo valor del valle entre los mximos finales. En la
Figura 4.3-10 se muestra el diagrama de b
Implementacin Hardware de los Algoritmos para Medir una Lmina de C
119
Se usa una red de retardo de tres flip-flops para guardar la posicin que se puede sobre
despus de haber calculado el promedio, y dos de atraso para guardar la posicin adelgazada. El
ntermodal se logra cuando se ha terminado de adelgazar el histograma y la salida del
esta activa para A=2. En este momento se carga el resultado del promedio de las
colina y la segunda colina encontrada.
Resultados de simulacin del umbralizador Intermodal

Total
323
117
8192

ardware para el Algoritmo de Umbralizacin
Este umbralizador funciona de forma similar al intermodal, haciendo uso del histograma y
adelgazndolo con cada iteracin; no realiza complejos clculos aritmticos ni matemticos lo
cual hace que ocupe menor rea, pero tiene mayor tiempo de convergencia. El umbral de
separacin se calcula en el valor mnimo del valle del histograma adelgazado.
de este algoritmo depende de que exista un buen contraste entre el fondo y la imagen y
ntre el valle que se forma entre el fondo y la lmina
umbralizacin es similar al usado para el algoritmo intermodal, su diferencia
est en que solo cambia el paso nmero 4 al calcular el valor mnimo en lugar del valor medio.
este paso se observa en la figura 4.3-9

Figura 4.3-9 Clculo del mnimo valle grficamente

ue umbralizador se compone de: Dos bloques de memoria RAM, uno para el
histograma que se modifica y otro para el histograma temporal, tres fllip-flops
de mantener actualizados los datos i-1, i, i+1 y tres bloques de comparacin que permite
10 se muestra el diagrama de bloques del umbralizador clculo del valle.
flops para guardar la posicin que se puede sobre escribir,
posicin adelgazada. El
ntermodal se logra cuando se ha terminado de adelgazar el histograma y la salida del
esta activa para A=2. En este momento se carga el resultado del promedio de las
del umbralizador Intermodal
izacin Valles
, haciendo uso del histograma y
o realiza complejos clculos aritmticos ni matemticos lo
r tiempo de convergencia. El umbral de
separacin se calcula en el valor mnimo del valle del histograma adelgazado. La convergencia
de este algoritmo depende de que exista un buen contraste entre el fondo y la imagen y as poder
lmina de cuero.
es similar al usado para el algoritmo intermodal, su diferencia
4 al calcular el valor mnimo en lugar del valor medio.
os bloques de memoria RAM, uno para el
flops que se encargan
de comparacin que permite
loques del umbralizador clculo del valle.

120

Figura 4.3-10. Calculo del umbral valles y colinas

Esta arquitectura es similar a la propuesta para el algoritmo Intermodal, su diferencia est
en la carga del mnimo valor que cumple la condicin dada por la ecuacin 4.3-1 en lugar
del valor medio. La tabla 4.3-4 presenta los resultados simulacin.

Tabla 4.3-4 Resultados de simulacin del umbralizador valles y colinas

Celdas lgicas 330
Registros 130
Memoria Total en bits 8192

121

4.4 Etapa para el Clculo del rea ptima de la Lmina de Cuero

Al tener cuatro valores de umbral, se debe decidir cul de ellos usar y as binarizar la imagen y
calcular el rea correspondiente. Para calcular el rea ptima se sustraen las imgenes entre si y
se calcula el promedio para el par de imgenes de menor variacin. A continuacin se muestra
un ejemplo de cmo se realiza este proceso.

4.4.1 Ejemplo con Crculos para Calcular el rea ptima de la Lmina
de Cuero

1. Se generan las figuras binarias usando cada umbral. Para la mejor comprensin de este
mtodo se usarn figuras en forma de crculo con dimetros diferentes y un rea total de la
imagen de 50x50 pxeles, tal como se observa en la figura 4.4-1a, 4.4-1b, 4.4-1c, 4.4-1d.

a)

b)

c)

d)

Figura 4.4-1. Crculos de prueba

a) Crculo A de un dimetro de 47 pxeles y rea 1734 pixeles
2
. b) Crculo B de un dimetro de 45
pxeles y rea 1590 pixeles
2
. c) Crculo C de un dimetro de 43 pxeles y rea 1452 pixeles
2
. d)
Crculo D de un dimetro de 46 pxeles y rea 1661 pixeles
2
.

122

2. Se implementa la operacin B A y acumulando su resultado. Los pxeles no comunes entre
los crculos se observan en la figura 4.4-2.

a)

b)

c)

d)

e)

f)

Figura 4.4-2. Interseccin de las imgenes binarias
a) B A b) C A c) D A d) C B e) D B f) D C

El rea sombreada de los crculos de la figura 4.4-2 representa los pxeles que no son comunes
en ambas imgenes, y por lo tanto son un indicador de la variacin entre ambas
umbralizaciones. El valor ptimo de umbral se logra cuando este valor es mnimo. Para este

123

ejemplo en particular se presenta en la tabla 4.4-1 los resultados de las intersecciones de los
crculos mostrados en la figura 4.4-1

Tabla 4.4-1. Resultados de las intersecciones de los crculos mostrados en la figura 4.3-2

Interseccin entre los conjuntos Cantidad de pxeles no comunes
B A 145
C A 283
D A 73
C B 138
D B
71
D C 210

3. Se seleccin los conjuntos que contienen la menor cantidad de pxeles no comunes, y sobre
este conjunto se calcula el promedio de sus valores de umbral. Este promedio ser el valor
ptimo, que para este caso sera el promedio del rea B y D, que es 1626 pxeles

4.4.2 Arquitectura Hardware para el Clculo del Valor Optimo.

La arquitectura a bloques propuesta para el clculo del rea optima consta de una etapa en la
cual se lee la imagen sin fondo almacenada en la memoria RAM llamada Imagen Tratada,
donde se compara con cada umbral y se calcula cada rea segn su umbral, mediante cuatro
sumadores acumuladores, como se observa en la figura 4.4-3a. Las seales bitA, bitB, bitC y
bitD son generadas por la comparacin entre el pxel de la imagen y cada umbral de separacin.
Estas seales habilitan la suma y acumulacin de cada pxel que corresponde a la lmina de
cuero, los cuales se denominan A
Otsu
, A
ISODATA
, A
Intermodal
y A
Vallesycolinas
que corresponden a los
valores de rea en pxeles segn el umbral de clculo. La figura 4.4-3b muestra las seales bitA,
bitB, bitC y bitD combinadas en parejas por la operacin xor calculan el rea no comn entre
cada par de lminas de cuero umbralizadas. Tambin se cargan los valores de los promedios de
las reas calculadas y los valores de rea no comn en el circuito mostrado en la figura 4.4-3c y
calcula el menor valor del rea no comn y canaliza el promedio de rea de esta pareja, que
finalmente es el rea ptima de la lmina de cuero. La tabla 4.4-2 presenta los resultados de
compilacin

124

a)

b)

c)

125

d)

Figura 4.4-3. Arquitectura a bloques para el clculo del rea ptimo
a) Calculo de las distintas reas segn el umbral b) Calculo de los promedios entre las reas y sus
rea no comunes c) Bloque PE para el clculo del menor valor no comn y su rea optima. d)

Tabla 4.4-2 Resultados de simulacin para el clculo del rea ptima

Celdas lgicas 330
Registros 130
ALUTs 20

126

Bibliografa

[1] Digital Circuit Architecture for a Median Filter of Grayscale Images Based on
Sorting Network. International journal of circuits, systems and signal processing.
Victor Jimenez-Fernandez, Denisse Martinez-Navarrete, Carlos Ventura-Arizmendi,
Zulma Hernandez-Paxtian, Joel Ramirez-Rodriguez. 2011

[2] An FPGA-based implementation for median filter meeting the real-time
requirements of automated visual inspection systems. Proceedings of the 10th
Mediterranean Conferenceon Control and Automation. lisboa. miguel a. vega-
rodrguez, juan m. snchez-prez, juan a. gmez-pulido. Universidad de
Extremadura, Dpto. de Informtica, Espaa. 2002

[3] High Speed Pipelined Architecture for Adaptive Median Filter. European Journal of
Scientific Research. D.Dhanasekaran K. Boopathy Bagan . ISSN 1450-216X Vol.29
No.4 pp. 454-460. 2009.

[4] Implementacin de una arquitectura para un filtro morfolgico de imgenes
digitales en escala de grises en un fpga de altera. tesis para optar el ttulo de
ingeniero electrnico. Jordn Giacomo Villeta Espinoza. Per. 2003

[5] Implementation of Otsu's Thresholding Process Based on FPGA. Wang Jianlai, Yang
Chunling, Zhu Min, Wang Changhui. School of Electrical Engineering Harbin Institute
of Technology Harbin, China wjl820518@sina.com 2009

[6] A Parallelized and Pipelined Datapath to Implement ISODATA Algorithm for Rosette
Scan Images on a Reconfigurable Hardware. Ehsan Rahimi, Shahriar B. Shokouhi, Ali
Sadr. Iran University. 2008

81

CONCLUSIONES Y TRABAJO FUTURO

En este trabajo se presenta el diseo de un microsistema basado en un FPGAs para la
medicin del rea de una lmina de cuero. En este caso, se lleva a cabo un anlisis de las
diferentes partes que componen este sistema de medicin y se realiza un estudio sobre los
aspectos tericos para la realizacin del proyecto y desarrollos actuales de microsistemas
para el procesamiento digital de imgenes sobre FPGAs.

Se selecciona una cmara que permite obtener imgenes de buena resolucin y con mnima
distorsin del lente con el objetivo de lograr la medicin ms confiable desde el inicio de la
captura de la imagen. Los resultados experimentales mostraron que las imgenes tomadas
presentaron una distorsin despreciable, ya que sus capturas se hicieron de forma centrada.
La resolucin de captura fue de 1.5 mega pxeles, logrndose una resolucin de 804
pixeles por decmetro cuadrado, suficientes para lograr la precisin propuesta y mejorando
notablemente la resolucin respecto a los equipos de medida tradicionales que pueden
obtener hasta 25 puntos por decmetro cuadrado.

Se uso un sistema de iluminacin practico y robusto, implementado con una lmpara de uso
industrial, para obtener una buena relacin entre el contraste de la lmina del cuero y la
mesa de medida; el tipo de iluminacin usada fue la iluminacin frontal, la cual presenta
buenos resultados y es de fcil instalacin, aunque presento algunos problemas con los
cambios de iluminacin a lo largo del da. Para solucionar este problema se opto por
implementar la tcnica de supresin de fondo y medir en un sitio cerrado, para evitar
perturbaciones externas, mitigando los problemas de sombras en la imagen.

Los algoritmos para el mejoramiento de la imagen se implementaron con un filtro mediana
y posteriormente se suprimi el fondo de la imagen mediante un filtro morfolgico bottom
hat, que se desempeo correctamente en todas la pruebas, logrando suprimir el fondo con
xito. Posteriormente se filtro la imagen usando un filtro high-boost que tiene como
objetivo mejorar los bordes de la imagen y disminuir la prdida de rea causada por bordes
defectuosos generados durante la supresin del fondo, esto permiti definir mejor el
contorno de la imagen de la lmina de cuero.

La implementacin hardware en pipeline del filtro mediana, bottom hat y el, high boost
mejoran el desempeo del filtrado ya que hace un re-uso de seis de nueve pixeles que se
usan comnmente en este tipo de filtros, logrando mejorar la velocidad en el
procesamiento.

Una de las partes ms importantes de este trabajo de investigacin, consisti en determinar
que algoritmos, tcnicas o mtodos nos permiten separar de forma ptima y confiable la
Captulo 5
Conclusiones y Trabajo Futuro
82

imagen de la mesa de la imagen de la lmina de cuero, para poder realizar su medicin de
forma correcta. Durante el desarrollo de este proyecto se determino que las tcnicas de
umbralizacion resolvan esta necesidad, y se probo de forma experimental cuales dieron
mejores resultados para realizar este proyecto.

Se investigo en la literatura existente diversas tcnicas de umbralizacion, y en este caso se
probaron diez algoritmos de umbralizacion. Se uso el criterio basado en la clasificacin
errnea y el criterio basado en el error relativo para determinar los mejores resultados de
umbralizacion, dando como resultados los algoritmos de umbralizacion de Otsu,
ISODATA, Intermodal y valles y colinas.

El xito de estos algoritmos radico en que ellos hacen su bsqueda en las distribuciones que
separa el valle ms profundo. Al buscar sobre este valle profundo se incrementan la
posibilidades de xito ya que el fondo de la imagen o la mesa de trabajo es de un color que
genera un buen contraste con las lminas de cuero, que generalmente para esta aplicacin
son de color azul o curtido en cromo (wet-blue). Teniendo en cuenta, los resultados de
medicin se puede finalmente concluir que el microsistema para la medicin de una lmina
de cuero logra mejores resultados que las maquina electrnicas tradicionales, ya que el
error relativo fue inferior al 1%, mientras que el error relativo de los sistemas de medicin
tradicionales estn entre el 1 y el 3%, aparte de la ventaja tcnica que representa el tener un
sistema de medicin compacto, el cual presenta menos problemas por mantenimiento que
sus contrapartes tradicionales.

El trabajo futuro puede estar enfocado a capturar la imagen desde el sistema de medicin y
no de forma externa como se realizo en este proyecto. Se pueden implementar arquitecturas
como las mostradas en el capitulo 2, en la seccin 2.4.1 con el objetivo de realizar de forma
embebida toda la medicin de la lamina de cuero. De igual manera se puede implementar la
correccin del lente y ajuste de perspectiva de forma embebida en el FPGA como los
mostrados en el capitulo 2 en la seccin 2.4.1, para disminuir la distancia de instalacin del
sistema de captura de la imagen, ya que en este trabajo esta a una distancia aproximada de 5
metros de altura, lo cual le resta un poco de practicidad a la hora de realizar el montaje.

Tambin se puede mejorar el sistema de iluminacin, implementando un sistema de
iluminacin automtico que permita a toda hora tener una iluminacin siempre constante en
diversos puntos de rea de medicin, con el objetivo de mitigar los efectos producidos por
los cambios de iluminacin a lo largo del da o los altibajos de tensin comunes en
ambientes industriales.

Una de las ventajas de usar un sistema de medicin mediante el uso de sensores de captura
tipo CMOS o CCD es que al aumentar la resolucin del sistema de captura se disminuye el
error relativo en la medida. Lo cual es algo factible en este momento ya que la relacin
precio y resolucin del sensor cada da es ms baja, dando como resultados alta precisin a
bajo precio. Otra forma de lograr mas precisin para este microsistema de medicin es
mediante un arreglo de cmaras, que ayudan a disminuir la distancia del sistema de captura
de la imagen y aumentar su resolucin de medida sin necesidad de aumentar la resolucin
en pixeles de la imagen.
Conclusiones y Trabajo Futuro
83

En el corto plazo se puede avanzar a la implementacin del sistema de medicin sobre
video en tiempo real, mediante tcnicas de tracking. Es posible aplicar tcnicas de
segmentacin espacio-temporales de objetos y medir la lamina de cuero en el trayecto
durante la lnea de produccin, disminuyendo paradas, e inclusive, suprimiendo de la lnea
de produccin la etapa de medicin, ya que se puede realizar en cualquier parte del proceso
donde se extienda la lamina de cuero, como puede ser en el pintado, en el escurrido o
despus del planchado.

Con esta aplicacin se puede migrar fcilmente al desarrollo de productos de impacto en la
industria del cuero, como puede ser la deteccin de fallas en el cuero, medicin de la
calidad de la pintura en el cuero, o identificacin de piezas para el corte automtico del
cuero.

Tesis de Maestria Jhohann Fabian Salazar Loaiza PDF

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Tesis de Maestria Jhohann Fabian Salazar Loaiza PDF

Încărcat de

Drepturi de autor:

Formate disponibile

DISEO DE UN MICROSISTEMA USANDO FPGAs

PARA MEDIR EL REA DE UNA LMINA DE

S-ar putea să vă placă și