Post on 11-Apr-2015
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 1
Manuel Mazo QuintasDaniel Pizarro Pérez
Departamento de Electrónica. Universidad de Alcalá.Email:mazo@depeca.uah.es
VISIÓN POR COMPUTADOR
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 2
ContenidoContenido
Extracción (Detección) de bordes.
Detección de esquinas.
Extracción (Detección) de bordesExtracción (Detección) de bordes
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 4
Detección de bordesDetección de bordes
¿Qué es un borde? “Él estaba sentado en el borde de su asiento.” “Ella pinta con bordes muy pronunciados” “Yo siempre corro por fuera de los bordes de la carretera” “Ella estuvo parada al borde del rio” “Los negativos de fotografías deberían cogerse únicamente por los
bordes” “Ellos corren al borde de sus posibilidades”
La definición de borde no es clara.
En visión por computador, los bordes son frecuentemente relacionados con discontinuidades dentro de un conjunto de píxeles.
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 5
Detección de bordesDetección de bordes DiscontinuidadesDiscontinuidades
A
C
B
D
• A: Discontinuidad de profundidad: cambios abruptos de profundidad en la escena
• B: Discontinuidades normales de superficies: cambios en la orientación de la superficie
• C: Disconinuidades de iluminación: sombras, cambios de luz.
• D: Discontinuidades de reflectancia: propias de las superficies, marcas huellas
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 6
Detección de bordesDetección de bordesObjetivoObjetivo
Idear algoritmos para la extracción de bordes (edges) significativos de una imagen.
Lo que se quiere decir con significantes no está claro. En parte definido por el contexto en el que se están aplicando
los detectores de bordes.
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 7
Detección de bordesDetección de bordesBordes locales (“Edgels”)Bordes locales (“Edgels”)
Un borde local (o edgel) es un cambio rápido en una imagen dentro de un área pequeña. Por tanto los “edgels” deberán detectarse en un entorno local.
Edgels no son contornos, límites o líneas. Los “edgels” sirven de soporte para definir contornos, límites
o líneas. Contornos, límites o líneas se construyen a partir de los
“edgels”
Los “Edgels” tienen propiedades Orientación Magnitud Longitud (frecuentemente una unidad de longitud)
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 8
BordesBordes¿Cómo detectar “Edgels”?¿Cómo detectar “Edgels”?
f(u)
Línea
Nivel de gris de la línea
u
u
u
Primera derivada
f´(u)
Segunda derivada
f´´(u)
Máximo
Cruce por cero
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 9
BordesBordesEjemplosEjemplos
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 10
BordesBordesPropiedadesPropiedades
Original
Orientación
Magnitud
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 11
BordesBordesDescriptores cuantitativosDescriptores cuantitativos
Normal: Vector unitario en la dirección de máxima variación de intensidad (máximo gradiente de intensidad)
Dirección: Vector unitario perpendicular al vector normal. Posición o centro: posición de la imagen en la cual se localizan los
bordes. Longitud: relacionado con el gradiente local (cómo de rápido varía la
intensidad a través del borde en la dirección de la normal).
normalDirección
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 12
BordesBordesEfecto del ruidoEfecto del ruido
Borde ideal Borde+ruido
Aumento de ruido
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 13
BordesBordesEjemplo realEjemplo real
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 14
BordesBordesPasos a seguir en su detecciónPasos a seguir en su detección
Eliminación de ruido Suprimir todo lo que se pueda el ruido mientras se mantengan los
bordes. En ausencia de otro tipo de información, se supone que el ruido es
“blanco” con distribución gausiana. Realce de bordes
Diseñar filtros que respondan bien a los bordes. Filtros que tengan respuestas elevadas en donde existan bordes y respuesta baja en el resto.
Localización de bordes Determinar qué píxeles deberían ser descartados por representar
ruido, y cúales se deben mantener.• Bordes de ancho delgado (de un píxel de ancho): máxima
supresión• Establecer un valor mínimo para considerar un máximo local de
un filtro como un borde (umbralización)
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 15
BordesBordesMétodos de detecciónMétodos de detección
Estimación de la primera derivada Detectores de bordes tipo “gradiente”. Detectores de bordes tipo “orientación” (brújula o compás). Detectores de bordes tipo “Canny*”
Segunda derivada Laplaciana Laplaciana de la Gaussiana
Modelos parámetricos de bordes
* nombre en honor de su autor.
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 16
BordesBordesOperadores primera derivada: GradienteOperadores primera derivada: Gradiente
El gradiente de una imagen f(u,v) en un punto (u,v) se define como un vector bidimensional (vector perpendicular al borde):
G f u vG
Guf u v
vf u v
G G G G G G
u vG
G
u
v
u v u v
v
u
[ ( , )]( , )
( , )
,
( , ) tan
2 2
1
Se considera que existe borde si la magnitud
del gradiente supera un determinado umbral. !Se debe fijar un umbral T!:
v
u
f(u,v) G
f
v
θu
Interpretación
g u vsi G f u v T
si G f u v T( , )
[ ( , )
[ ( , )
2 5 5
0
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 17
BordesBordesOperadores primera derivada: GradienteOperadores primera derivada: Gradiente
Las derivadas se pueden aproximar por:
Gf u v
uf u v f u v
Gf u v
vf u v f u v
u
v
( , )( , ) ( , )
( , )( , ) ( , )
1
1
1 00 0-1
000
0
1 0
0 00
00-1
0
u
v
máscara
máscara
h11(u,v)
h21(u,v)
Gf u v
uf u v f u v f u v
f u v f u v f u v
Gf u v
vf u v f u v f u v
f u v f u v f u v
u
v
( , )[ ( , ) ( , ) ( , )]
[ ( , ) ( , ) ( , )]
( , )[ ( , ) ( , ) ( , )]
[ ( , ) ( , ) ( ,
1 1 2 1 1 1
1 1 2 1 1 1
1 1 2 1 1 1
1 1 2 1 1 1)]
0 0-1 -1-2
210
1
0 2-1 10
0-1-2
1
h12(u,v)
h22(u,v)
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 18
BordesBordesEjemplo real: gradienteEjemplo real: gradiente
g1(u,v)=f(u,v)*h21(u,v) g2(u,v)=f(u,v)*h11(u,v)f(u,v)
g(u,v)= g1(u,v)+ g2(u,v)
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 19
f(u,v)
BordesBordesEjemplo real: gradienteEjemplo real: gradiente
gm(u,v)=|G[f(u,v])|
g(u,v), con T= 30 θ(u,v)
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 20
BordesBordesOtros operadores: gradienteOtros operadores: gradiente
G Gu v
1
4
1 0 1
2 0 2
1 0 1
1
4
1 2 1
0 0 0
1 2 1
,
G Gu v
1
3
1 0 1
1 0 1
1 0 1
1
3
1 1 1
0 0 0
1 1 2 1
,
Sobel
G Gu v
0 0 1
0 1 0
0 0 0
1 0 0
0 1 0
0 0 0
,
Previtt
Roberts
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 21
BordesBordesEjemplos con máscaras de PrewittEjemplos con máscaras de Prewitt
g u vsi G f u v
si G f u v( , )
[ ( , )
[ ( , )
0 1 0
2 5 5 1 0g u v
si G f u v
si G f u v( , )
[ ( , )
[ ( , )
0 2 0
2 5 5 2 0
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 22
BordesBordesEjemplos con máscaras de PrewittEjemplos con máscaras de Prewitt
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 23
BordesBordesOperadores: TOperadores: Ttipo “orientación” tipo “orientación”
(brújula)(brújula)• Máscaras de Kirsch
SE
E
NENNW
W
SE S
Para cada píxel f(u,v): |G[f(u,v)]| =máx{k0*f(u,v), k1*f(u,v), …, k7*f(u,v) }=ki*f(u,v)
=ángulo de la dirección correspondiente a ki
k k k k
k k
O O O O
0 1 2 3
4 5
3 3 5
3 0 5
3 3 5
3 5 5
3 0 5
3 3 3
5 5 5
3 0 3
3 3 3
5 5 3
5 0 3
3 3 3
0 4 5 9 0 1 3 5
5 3 3
5 0 3
5 3 3
3
, , ,
,
3 3
5 0 3
5 5 3
3 3 3
3 0 3
5 5 5
3 3 3
3 0 5
3 5 5
1 8 0 2 2 5 2 7 0 3 1 5
6 7
, ,k k
O O O O
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 24
BordesBordes Ejemplos con Ejemplos con Máscaras de KirschMáscaras de Kirsch
|G|
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 25
BordesBordes Detectores tipo “Canny”Detectores tipo “Canny”
Se fundamenta en los operadores derivada.
Resulta especialmente interesante porque extrae bordes y cierra los contornos.
Se desglosa en tres fases:
Obtención del gradiente (|G| y ) en cada píxel. Adelgazamiento del ancho de los bordes, obtenidos con el
gradiente, hasta lograr bordes de un píxel de ancho. Histéresis de umbral al resultado de la supresión no máxima.
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 26
BordesBordes Detectores tipo “Canny”Detectores tipo “Canny”
1. Obtención del gradiente:
1.1 Suavizar imagen original: f1(u,v) Filtro Gausiano
f2(u,v)1.2. Obtener el gradiente: Gradiente
f2(u,v)
|G|: imagen módulo Em
: imagen ángulo Ea
1. Supresión no máxima al resultado del gradiente:
2.1. Con Em y Ea como entrada generar una imagen de salida IN:
2.1.1. Para cada píxel (u,v), encontrar cuál de las direcciones
dk {0º, 45º, 90º, 135º) se parece más a al dirección Ea(u,v)
2.1.2. Si Em(u,v) es más pequeño que al menos uno de sus dos vecinos
en la dirección dk, entonces IN (u,v) =0, de otro modo IN(u,v) =Em(u,v)
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 27
BordesBordes Detectores tipo “Canny”Detectores tipo “Canny”
IN(u,v) es una imagen con los bordes adelgazados.
Supresión no máxima (IN(u,v) Imagen binarizada con umbral T=30
para la magnitud del gradiente (Em(u,v)
La salida IN(u,v) suele contener máximos localescreados por el ruido. ¿Cómo se puede eliminar esto?.
La eliminación fijando un umbral da problemas.
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 28
BordesBordes Detectores tipo “Canny”Detectores tipo “Canny”
1. Histéresis de umbral a la supresión no máxima:
3.1. Fijar dos umbrales T1 y T2 tales que T1<T2
3.2. Para todos los puntos de IN(u,v) y explorando en un orden fijo: 3.1.1. Localizar el siguiente punto de borde no explorado previamente,
IN(u,v), tal que IN(u,v) >T2.
3.1.2. Comenzar a partir de IN(u,v), seguir las cadenas de máximos locales conectados en ambas direcciones perpendiculares a la
normal del borde, siempre que IN>T1. Marcar todos los puntos explorados y salvar la lista de todos los puntos en el entorno conectado encontrado.3.3. La salida es un conjunto de bordes conectados de contornos de la imagen, así como la magnitud y orientación, describiendo las propiedades de los puntos de borde.
Este método elimina las uniones en Y y T de los segmentos que confluyen en un punto
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 29
BordesBordes Detectores tipo “Canny”Detectores tipo “Canny”
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 30
BordesBordes Detectores tipo “Canny”Detectores tipo “Canny”
=1, T2=255, T1=1
=1, T2=255, T1=220 =2, T2=128, T1=1 =1, T2=128, T1=1
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 31
BordesBordes Segunda derivada: LaplacianaSegunda derivada: Laplaciana
22
2
2
2
1 1 1 1 4
f u vf u v
u
f u v
vf u v f u v f u v f u v f u v
( , )( , ) ( , )
( , ) ( , ) ( , ) ( , ) ( , )
h
0 1 0
1 4 1
0 1 0
h
1 2 1
2 4 2
1 2 1
h
1 1 1
1 8 1
1 1 1
h
1 1 1 1 1
1 1 1 1 1
1 1 2 4 1 1
1 1 1 1 1
1 1 1 1 1
h
1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1
1 1 1 8 8 8 1 1 1
1 1 1 8 8 8 1 1 1
1 1 1 8 8 8 1 1 1
1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
1
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 32
BordesBordes Ejemplo: LaplacianaEjemplo: Laplaciana
Máscara 5x5 Máscara 9x9
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 33
BordesBordes Laplaciana de la gausianaLaplaciana de la gausiana
24
2 2
2
2 2
2
11
2 2G u v
u v u v( , )
( )ex p
( )
G u vu v
( , ) ex p( )
1
2 22
2 2
2
OperadorSombrero Mexicano
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 34
BordesBordes Laplaciana de la gausianaLaplaciana de la gausiana
2 = 0.5 2 = 1.0 2 = 2.0
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 35
BordesBordes Laplaciana de la gausianaLaplaciana de la gausiana
22
2
2
2f u v G u v G u f u vvG v G v f u v
uG u( , ) * ( , ) ( ) * ( , ) * ( ) ( ) * ( , ) * ( )
2 2f u v G u v G u v f u v( , ) * ( , ) ( , ) * ( , )
h h h
h h h
h h h
N
N
N N NN
11 1 2 1
2 1 2 2 2
1 2
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Convolución bidimensional
Cuatro convoluciones unidimensionales
Un ejemplo: máscara de 5x5
0 0 1 0 0
0 1 2 1 0
1 2 1 6 2 1
0 1 2 1 0
0 0 1 0 0
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 36
BordesBordes Laplaciana de la gausianaLaplaciana de la gausiana
¿Cómo se generan las máscaras bidimensionales?
1. Fijar el valor de σ.2. Determinar el valor de la ecuación anterior para los diferentes
valores de (u,v): u=0, 1,2,…. y v=,0, 1, 2, …Dada la simetría sólo hay que calcular en un cuadrante.
3. Escalar los valores y redondear los valores al entero más próximo.4. Extender el ancho de la máscara de forma que contenga todos los
valores distintos de cero.5. Ajustar de forma simétrica los valores, mediante la adición o
substracción de valores pequeños hasta conseguir que todos los valores de la máscara sumen cero
24
2 2
2
2 2
2
11
2 2G u v
u v u v( , )
( )ex p
( )
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 37
BordesBordes Ejemplo: Laplaciana de la gausianaEjemplo: Laplaciana de la gausiana
Máscara 13x13
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 38
BordesBordes Laplaciana de la gausianaLaplaciana de la gausiana
Máscara de 17x17
0 0 0 0 0 0 -1 -1 -1 -1 -1 0 0 0 0 0 0 0 0 0 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 0
0 0 0 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 0
0 0 -1 -1 -1 -2 -3 -3 -3 -3 -3 -2 -1 -1 -1 0 0
0 0 -1 -1 -1 -2 -3 -3 -3 -3 -3 -2 -1 -1 -1 0 0
0 0 -1 -1 -2 -3 -3 -3 -3 -3 -3 -3 -2 -1 -1 0 0
0 0 -1 -1 -2 -3 -3 -3 -3 -3 -3 -3 -2 -1 -1 0 0
0 -1 -1 -2 -3 -3 -3 -2 -3 -2 -3 -3 -3 -2 -1 -1 0 0 -1 -2 -3 -3 -3 0 2 4 2 0 -3 -3 -3 -2 -1 0
0 -1 -1 -2 -3 -3 -3 -3 -3 -3 -3 -3 -3 -2 -1 -1 0 0 -1 -2 -3 -3 -3 0 2 4 2 0 -3 -3 -3 -2 -1 0
-1 -1 -3 -3 -3 0 4 10 12 10 4 0 -3 -3 -3 -1 -1
-1 -1 -3 -3 -3 0 4 10 12 10 4 0 -3 -3 -3 -1 -1
-1 -1 -3 -3 -2 2 10 18 21 18 10 2 -2 -3 -3 -1 -1
-1 -1 -3 -3 -2 2 10 18 21 18 10 2 -2 -3 -3 -1 -1 -1 -1 -3 -3 -3 4 12 21 24 21 12 4 -3 -3 -3 -1 -1
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 39
BordesDetección en imágenes en color
Imagen
ROJO
VERDE
AZUL
Grad_R
Grad_G
Grad_B
Bord_R
Bord_G
Bord_B
Mapa deBordes
Descomposición Gradiente Detec. De Bordes Fusión de salida
Mapa deBordes
Imagen
ROJO
VERDE
AZUL
Grad_R
Grad_G
Grad_B
Gradiente
Descomposición Gradiente Grad. Multidim. Detección de bordes
• Dos alternativas frecuentes:
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 40
BordesResumen
Los operadores Prewit y Sobel por si solos se pueden aplicar a imágenes con poco ruido y bordes finos.
El operador ‘Canny’ puede afrontar imágenes con ruido y cualquier grosor de borde. (Parámetro σ)
Todos los operadores de gradiente: Histéresis de umbral al resultado de la supresión no máxima. Aportan información de la orientación del borde en la imagen.
El operador laplaciana de la gaussiana o de paso por cero, no aporta información de la dirección y no es dado a técnicas de supresión no máxima
Detección de esquinas.Detección de esquinas.
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 42
Extracción de esquinasExtracción de esquinasEsquinasEsquinas
Esquina: Región de la imagen donde existen variaciones apreciables en la intensidad de la imagen f(u,v) en ambas coordenadas ‘u’ y ‘v’.
Existen dos algoritmos muy usados como detectores de esquinas1. Operador Kanade-Lucas-Tomasi (KLT)
2. El operador Harris.
Se introduce el concepto de matriz de estructura local.
uf vf uf
u
vv
uEsquina Borde
u
vuffu
),(v
vuffv
),(
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 43
Extracción de esquinasExtracción de esquinasMatriz de Estructura LocalMatriz de Estructura Local
Se define el tensor:
Se calculan las derivadas para cada punto de la imagen en una región de vecindad D. Si es necesario se suaviza la imagen antes con un filtro gaussiano.
Las propiedades de la matriz son: Simetría: Puede ser diagonalizada mediante una matriz de paso ortogonal.
Definida o Semi-definida positiva: Ambos autovalores son positivos o cero
u
vuffu
),(C str=∑D f u2 f u f v
f v f u fv2
RRCstr
2
1
0
0'
v
vuffv
),(
0,0 21
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 44
Extracción de esquinasExtracción de esquinasMatriz de Estructura LocalMatriz de Estructura Local
La interpretación geométrica de los autovalores es: Para una imagen uniforme: La imagen de un borde produce: , donde el autovector
asociado con el autovalor positivo es la normal al borde Una esquina produce dos autovalores positivos. Cuanto mayores
sean, mayor será el contraste en la imagen producido por la esquina.
Observaciones básicas: Los autovectores expresan direcciones de borde y los autovalores
magnitud de gradiente. Se puede considerar una esquina a aquella matriz de Estructura
Local que tiene el menor autovalor suficientemente grande.
0,0 21 strC0,0 21
01
02
111 VCV str
222 VCV str 21 VVR
RRCstr
2
1
0
0'
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 45
Extracción de esquinasExtracción de esquinasAlgoritmo KLTAlgoritmo KLT
Se define un umbral para el autovalor menor y una region de vecindad D: Calcular las derivadas de la imagen para cada punto en la región de
vecindad D. Computar la matriz de Estructura en cada uno. Calcular el autovalor mas pequeño. Si es mayor que el umbral establecido añadirlo a una lista. Ordenar la lista de mayor a menor y elegido un punto, eliminar
aquellos que estan dentro de la region D de vecindad.
Observaciones básicas: El umbral para el autovalor mas pequeño debe ser elegido con
cuidado en función del histograma de autovalores. El criterio para elegir D es una relación de compromiso entre
ruido y lo juntas que pueden aparecer dos esquinas.
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 46
Extracción de esquinasExtracción de esquinasAlgoritmo HarrisAlgoritmo Harris
Es anterior a KLT y define una medida de lo bueno que es una esquina en función de la matriz de Estructura.
Una esquina es detectada si H es superior a un umbral establecido. Cuanto mayor sea ‘α' menor será H y por tanto se detectarán menos
bordes. Se utiliza también un análisis de vecindad D.
2)(),( strstr CtrazaCvuH 25.000),( vuH
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 47
Extracción de esquinasExtracción de esquinasHarris y KLTHarris y KLT
KLT Harris
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 48
Extracción de esquinasExtracción de esquinasHarris y KLTHarris y KLT
KLT Harris
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 49
Extracción de esquinasExtracción de esquinasMétodo: Kitchen y RosenfeldMétodo: Kitchen y Rosenfeld
Un método habitual es el uso de derivadas de segundo orden, para medir la razón de cambio de la dirección del gradiente (“rcdg”) con la magnitud del gradiente (“mg”).
Una esquina se declara como tal si: rcdg ≥T1 y/o mg ≥ T2. siendo T1 y T2 dos umbrales predeterminados.
Detector de esquinas de Kitchen y Rosenfeld:
Ef f f f f f f
f fTuu v vv u uv u v
u v
2 2
2 2 3 2 1
2
( ) /
ff u v
uf
f u v
vf
u
f u v
uf
v
f u v
vf
u
f u v
vu v uu vv uv
( , ),
( , ),
( , ),
( , ),
( , )
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 50
Extracción de esquinasExtracción de esquinasMétodo: Kitchen y RosenfeldMétodo: Kitchen y Rosenfeld
u v
0 0 0 0 0
0 1 0 1 0
0 1 0 1 0
0 1 0 1 0
0 0 0 0 0
0 0 0 0 0
0 1 1 1 0
0 0 0 0 0
0 1 1 1 0
0 0 0 0 0
,
Por tanto:
ff u v
u uf u v f
f u v
v uf u v
fu u
f u v fv v
f u v fu v
u v
uu vv uv
( , )* ( , ),
( , )* ( , )
* * ( , ) , * * ( , ) , * * f u v( , )
Donde:
Manuel Mazo,Daniel Pizarro. Departamento de Electrónica 51
Extracción de esquinasExtracción de esquinasMétodo: Kitchen y RosenfeldMétodo: Kitchen y Rosenfeld
Ejemplo de detección de esquinas