Modelos de iluminación Representación de imágenes Visión Artificial

Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas

Modelos de Iluminación

Luz ●

Radiación electromagnética captada por el ojo humano.

http://www.ces.fau.edu/nasa/module-2/radiation-sun.php

Fuentes luminosas ●

Cualquier objeto que emita energía radiante. - Fuente luminosa puntual. - direccional. - Fuente luminosa infinitamente distante.

Iluminación superficial ●

●

Reflexión difusa: dispersión de la luz reflejada en todas las direcciones. Superficies rugosas, granulosas, mates. Reflexión especular: luz reflejada que se concentra en un resalte. Superficies brillantes. http://yaneliekmartin.blogspot.com/2009/11/que-es-una-reflexion-difusa-y-especular.html

Modelos de iluminación ●

Ley del coseno de Lambert: La intensidad luminosa reflejada en cualquier dirección desde una superficie perfectamente difusiva varía con el coseno del ángulo entre la dirección de la luz incidente y el vector normal a la superficie.

Modelos de iluminación ●

Modelo de reflexión difusa (Lambertiano). Asume que las superficies difusivas obedecen la ley del coseno (superficies Lambertianas).

https://www.ntu.edu.sg/home/ehchua/programming/opengl/CG_BasicsTheory.html

Modelos de iluminación ●

Modelo de reflexión difusa (Lambertiano).

Modelos de iluminación ●

Modelo de reflexión especular (de Phong). Adicionar reflexiones especulares.

https://www.ntu.edu.sg/home/ehchua/programming/opengl/CG_BasicsTheory.html

Modelos de iluminación ●

Modelo de reflexión especular (de Phong).

Sombreado ●

Objetos bloquean la fuente de luz, generando sombras.

http://faculty.ycp.edu/~dbabcock/PastCourses/cs470/labs/lab16.html

Múltiples reflexiones ●

Iluminación de un objeto no depende sólo de la fuente de luz, sino de las reflexiones en objetos cercanos.

http://fuzzyphoton.tripod.com/whatisrt.htm

Modelos de iluminación

https://www.ice.rwth-aachen.de/research/tools-projects/grace/ray-traycing/

Teoría del Color

Colores espectrales

https://en.wikipedia.org/wiki/Color

Percepción del Color Trichromatic cone cells respond positively to one of three frequencies exhibited by photons arriving on their surface.

The three color channels are discovered by nearby opponent cells. Opponent cells tuned to luminosity are excited by the red, green, and blue color signals. Cg cells are excited by red and blue and inhibited by green. Cb cells are excited by red and green and inhibited by blue.

http://en.wikipedia.org/wiki/Color_vision

Percepción del Color

http://wiki.blender.org/index.php/U ser:Sobotka/Color_Management

http://www.graphics.com/article-old/graphicdesign-sins-and-virtues-color

Descripción del Color ●

Tres atributos: - Brillo o luminosidad: oscuro vs claro, blanco vs negro. - Saturación: intenso vs pálido. - Matiz: rojo, naranja, amarillo, verde, azul, morado. http://earthobservatory.nasa.gov/blogs/elegantfi gures/2013/08/05/subtleties-of-color-part-1-of-6/

Descripción del Color ●

Primarios estándar (imaginarios).

http://www.handprint.com/HP/WCL/color6.html

Modelos de Color ●

Modelo abstracto matemático que describe la manera de representar los colores como tuplas de números (3 o 4 componentes). –

RGB: Red, Green, Blue → colores aditivos.

–

YIQ: Luminancia – crominancia .

–

YCrCb: Luminancia – crominancia (rojo, azul).

–

HSV: Hue, Saturation, Value.

–

HSL: Hue, Saturation, Lightness.

–

CMYK: Cyan, Magenta, Yellow, Black → colores substractivos.

Modelo RGB ●

●

Utilización de los colores aditivos (Rojo, Verde, Azul) para estimular los receptores visuales. Así capturan la mayor parte del espacio de color visible por los humanos.

en.wikipedia.org/wiki/RGB_color_model

Modelo YIQ ●

Luminancia – Crominancia.

http://en.wikipedia.org/wiki/YIQ

Modelo YCrCb ●

Luminancia – Crominancia (dif. rojo, dif. Azul).

http://en.wikipedia.org/wiki/YCbCr

Modelos HSV y HSL ●

●

Representación en coordenadas cilíndricas de puntos del modelo de color RGB. Intentan ser más intuitivos y perceptualmente relevantes: –

Ángulo alrededor del eje central vertical es el Matiz (Hue, color).

–

Distancia al eje central es la Saturación (Saturation, cantidad de color).

–

Distancia a lo largo del eje central es el Valor o el Brillo (Value o Lightness, oscuro o claro).

Modelos HSV y HSL

en.wikipedia.org/wiki/HSL_and_HSV

Modelo CMYK ●

●

Modelo de color substractivo, usado en la impresión (no tanto en visualización). Toma su nombre de las tintas utilizadas: Cyan, Magenta, Yellow y Key (black).

en.wikipedia.org/wiki/CMYK_color_model

Representación de Imágenes

Adquisición de imágenes ●

Transformar energía en imágenes digitales.

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Adquisición de imágenes

Array sensor

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Adquisición de imágenes

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Adquisición de imágenes Convertir datos continuos en valores digitales. ●

●

Muestreo (sampling): Tomar muestras sólo en ciertas posiciones espaciales (coordenadas). Cuantificación (quantization): Restringir el valor (amplitud) de la muestra a unos pocos valores posibles.

Adquisición de imágenes

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Representación de imágenes ●

I = f(x,y), con x = 0,1,2,...,M­1 y y = 0,1,2,...,N­1.

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Representación de imágenes ●

I = f(x,y), con x = 0,1,2,...,M­1 y y = 0,1,2,...,N­1.

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Representación de imágenes ●

I = f(x,y), con x = 0,1,2,...,M­1 y y = 0,1,2,...,N­1.

Picture elements: pixels

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Representación de imágenes ●

Cuantificación: valores de intensidad como potencias enteras de 2 (L = 2k, [0 – L­1]).

256

128

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Representación de imágenes ●

Cuantificación: valores de intensidad como potencias enteras de 2 (L = 2k, [0 – L­1]).

64

32

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Representación de imágenes ●

Cuantificación: valores de intensidad como potencias enteras de 2 (L = 2k, [0 – L­1]).

16

8

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Representación de imágenes ●

Cuantificación: valores de intensidad como potencias enteras de 2 (L = 2k, [0 – L­1]).

4

2

R.C. González, R.E. Woods. Digital Image Processing, 3rd ed. Pearson Prentice Hall, 2008.

Representación de imágenes ●

●

●

●

Rango dinámico: el rango de valores usados para representar la información. El límite superior se determina por saturación, valores superiores se reemplazan por el máximo. El valor inferior se determina por ruido, pues enmascara los valores reales inferiores. El número de bits necesarios para almacenar la imagen se calcula como: b = M × N × k

Representación de imágenes ●

Color: una imagen (canal) por cada color base.

https://en.wikipedia.org/wiki/Grayscale

Representación de imágenes ●

Resolución: medida del detalle más pequeño discernible en una imagen. –

Pixeles por unidad de distancia (dots per inch, dpi).

http://langwitches.org/blog/2010/10/11/image-resolution-and-resizing/

Pausa activa

Trabajo en clase ●

ITK: Insight Toolkit www.itk.org

http://www.itk.org/ItkSoftwareGuide.pdf

Trabajo en clase Instalación de ITK – 4.8.2 ●

●

http://sourceforge.net/projects/itk/files/itk/4.8/Ins ightToolkit-4.8.2.tar.gz/download sudo mkdir /usr/local/itk sudo mv Ins*.tar.gz /usr/local/itk cd /usr/local/itk sudo tar ­zxf InsightToolkit­4.8.2.tar.gz sudo mkdir bin cd bin sudo cmake ../InsightToolkit­4.8.2 sudo make ­j16 sudo make install

Trabajo en clase Ejercicios con ITK http://sophia.javeriana.edu.co/~rueda-andrea/ visArtif/docs/intro_itk.zip ●

unzip intro_itk.zip cd intro_itk mkdir build cd build cmake .. make

Referencias ●

●

●

R.C. González, R.E. Woods. Digital Image Processing, 3rd edition. Pearson Prentice Hall, 2008. M. Sonka, V. Hlavac, R. Boyle. Image Processing, Analysis, and Machine Vision, 3rd edition. Thomson Learning, 2008. D.A. Forsyth, J. Ponce. Computer Vision – A Modern Approach, 2nd edition. Pearson Education, 2012.