Artículo BIT
El ordenador y su entorno: visión artificial basada en computador
El ordenador y su entorno Vision en cora Se ha repetido hasta la saciedad que el computador se ha introdi cido enprácticamente todas las esferas de la actividad humana1La percepción visual no escapa a esta voracidad incontenible del ordena dor Escribe sobre el tema nuestro compañero DARÍO MARAVALLI El ordenador y su entorno Darío Maravall En todas las épocas de la Historia en cualquier sociedad humana se ha cons derado el sentido de la vista como el más maravilloso e importante El viejo prove bio chino una imagen vale por mil pala brasM tiene su versión en cada una de las lenguas vivas y muetas Se estima que alrededor de las tres cuartas partes de la información maneja da por un ser humano es visuaL Hay seres vivos cuya existencia gira casi exclus mente alrededor de la percepción visual No es necesario resaltar cuan vital es el sentido de la vista en los seres provistos de inteligencial Parece lógico deducir que implantar en una máquina algo parecido a la cepción visual supondría un salto tivo en su capacidad de acción Y es lo que se está intentando ya Este artículo pretende escarbar en la superficie de ese esfuerzo trascendental de automatizar la visión El término visión artificial íes decir la percepción visual en un artefacto o máquina equivale inevitablemente a v sión basada en computador Es imposible dotar a una máquina de un cierto grado del sentido de la vista sin que aparezca un computador por medio tanto para la etapa temprana furamente sensoriaD como para la fase superior que exige mayor complejidad de procesamiento En efeetc podemos distinguir dos etapas en el procesamiento automático de la información visuaL la de adquis ción y la de manipulación o procesamie to propiamente dicho En la primera se obtiene una información cruda de la es cena fhablamos de escena en sentido ge neralh consistente en intensidades de lu minosidac En la segunda el objetivo es interpretar esa escenat ADQUISICIÓN DE IMÁGENES Existe una variada gama de disposit vos sensores de la intensidad luminosa de una escena que transforman esta intens dad íque es una función bidimensional o espaciaO en una magnitud eléctricaont nua íseñal unidimensionalh Para el pro cesamiento de imágenes provenientes de escena vivas íno de una fotografía o un filmí por ejemploh que es el interés principal de gran parte de los esfuerzos actuales en visión artificiad los sensores típicos son las cámarasde vídeo basadas en el tubo vidicón aunque comienza a extenderse la cámara de estado sólido que se basa en una matriz de elementos fotosensibles4 El principio de funcionamiento del vidicón es similar al de la TV iver cuadro Ih ya que realiza una exploración de la escena por líneas Naturalmente la señal continua de vídeo íque contiene la información nosa de la escenaj deberá ser ial treada y íbj digitalizada binariamente pa ra su tratamiento en computador El efecto combinado del númeio de líneas Consustancial a la cámara de vi deol con el de la frecuencia de muestreo íes decir el número de muestras que se toman por lineal da lugar a lo que se conoce como nivel de resolución espacial de la imagen Una resolución típica por ejemplOf es 256 x 256 elementosí En la figura 1 puede observarse en qué se ha convertido la imagen originah en una rT triz de N x M elementos fN número de líneasl M número de muestras por Ih neah llamados pixels Contracción de los vocablos picture elements o elementos de imagenK Cada pixel incorpora el nivel de CUADRO I ADQUISICIÓN DE IMÁGENES Podría hacerse una analogía fácil de un sistema artificial de procesamiento de imágenes con el sistema visual humanoa Los ojos lo mejor el ojor pues la gran mayoría de los equipos actuales son tuertosl serían la cámara y el computador que realiza el procesamientos el cerebrol j Sin entrar en detalle la adquisición de imágenes consiste en digitalizar una señal de vídeo que contiene la información luminosa de la escena a interpretar En la figura L1 se muestran unas hipotéticas tramas horizontales Exploración de 1 línea de la escenaí de la señal vídeo generada por una cámaraa La parte superior representa el objetivo de la cámara aunque por simetría puede interpretarse como un monitor de vídeoa Visualización esquemática del principio de adquisición de imágenesa La señal de vídeo Caqui correspondiente a dos líneas horizontalesl recoge la informan ción en luminosidad de la escenaa El ordenador y su entorno digitalizacióna El digitalizador los niveles que se indican numéricamente para los de luminosidad máximah ITomado de Rs Robotics Agef VoL 3t Noc 2t MarchMprilEn la figura L2 se presenta un diagrama de bloques mínimo de un conversor AID de señal de vídeo proveniente de una cámara onJinef o de señal registradas por ejenv plOt en un magnetoscopios La salidar aquí con 8 bits de codificación consiste en la información luminosa correspondiente a los pixeis de la imagen Puede cargarse directa mente en la memoria del computador ot mejorr en una memoria propia fframe buffet Por últimof si se desea monitorizar imágenes digitalesr Cque son normalmente resultado del procesamiento en el computador hay que realizar un proceso inverso de conversión D7A tal como se aprecia en la figura L3a CU Cámara Vídeo Vídeo Enlace Del controlador del sistema A la memoria Diagrama de bloques del conversor DXAa tLas figuras L2a e L3a están inspiran das en las que aparecen en GA Baxes Digital Image Processing Pentice Hall 1984L luminosidad del punto correspondien te de la escena originaL La siguiente operaciónr antes de po der enviar esta ffimagen electrónica al computador es codificar en binario los niveles de intensidad de cada pixeL El número de bits empleados por pixelf se conoce como la resolución en niveles de gris4 Así 8 bits permiten manejar 256 niveles de gris que es una resolución en la frontera de lo que puede discriminar el ojo humano Los efectos combinados de las reso luciones espacial y en niveles de gris pue den apreciarse claramente en la figura L Hasta ahoraf grosso modo la etapa temprana o sensoriaf de la visión artif V ciaL A partir de aquí comienzan los daderos problen No obstante dos observaciones tes de seguir Una secundariai las cámaras de estado sólido de tecnologías CCD y CID especialmente han hecho su apar ción estando disponibles cámaras de 576 líneas por 384 puntos cada líneaa Actuad mente en robótica la relación efe ventas de cámaras vidicón y cámaras de estado sólido es 3 a 2t y se prevé que para 1987 la relación invertida pase a ser de 1 a La segunda observación es de fondoi hemos hablado de niveles de grisj esto es de imágenes monocromáticas Sin embar gc como veremos después la visión art ficial íno entramos a analizar los rnot vosj se ha desarrollado siempre en torno al principio del pattern recognition es decirí el uso de fornr El color no es una forma sino un atributo de las fo mas Todo lo que sigue se refiere a imáge nés monocromáticas PROCESAMIENTO PREVIO DE LA IMAGEN El procesamiento de imágenes suele dividirse en dos áreas bien diferenciadasi Procesamiento con observador humano Procesamiento sin observador h mano Aunque radicalmente distintas am bas poseen problemas y técnicas nes4 Por supuesta la adquisición de i genes es intercambiables exista o no un observador humano Las dos áreas utilh zan la misma herramienta básica el conv El ordenador y su entornoEn IAI se muestran cuatro imágenes de 512 x 512Í 256 x 256 128 x 128 y 64 x 64 pixels de resolución respectivamentea En iBjt otra misma imagen se ha codificado en 256f 128f 64 y 32 niveles de gris respectivamente IGonzález ESCENA PRE PROCESADO SEGMENTACIÓN EXTRACCIÓN DE CARACTERÍSTICAS CLASIFICACIÓN OBSERVADOR AUTOMÁTICO Figc 3a Diagrama de bloques de las etapas del análisis automático de escenaSt mente la calidad de una imagen cuando ésta es observada por un sujeto humano Estas técnicas se han desarrollado empleando por una parte teorías de la psicología visual humana y de otra mode los de los dispositivos físicos de adquis ción y presentación de imágenesi Su apl cacióní hasta ahoraf se ha dirigido hacia el área del procesamiento con observador humano y aunque es evidente que tiene influencia en las fases de interpretación automáticaf se ha estudiado poco esta problemáticafTransformaciones geométricas Tienen dos objetivos básicosi al co rrección de la perspectiva y bl recons trucción tridimensional de los objetos de una escena C Transformación del histograma En la figura 4 se visualiza una irr gen leí rostro de Albert EmsteirO y su correspondiente histograma En el eje de abcisas se representan los niveles de gris y en el de ordenadas el respectivo número de pixels con tal nivel En ciertas escenas como las que sue putador En visión artificial el área sin observador humane existe una etapa previa a la interpretación de escenas pi piamente dicha que emplea métodos del otro áreaf la primera en desarrollarse his tóricamente En la figura 3t se muestra el diagrama de bloques de las diferentes fases en quef habitualmente se divide la interpretación de escenas4 La etapa de preprocesado es la que contiene operaciones típicas emp das en el procesamiento con observador humanen siendo sus objetivos muy simila resi mejorar la imagen cruda taquella nr triz numérica entregada por el conjunto cámara digitalizadoO de la escena Entre las operaciones que se pueden realizar en la fase de preprocesamiento vamos a comentar brevemente las cuatro siguientesi conversión de los niveles de grisí transformaciones geométricasf trans formación del histograma yf en partic los filtrados espacial y frecuenciaLConversión de los niveles de gris Una transformación adecuada de los niveles de gris puede mejorar sensib Fig4 Imagen del rostro de EinsteirL El correspondiente histograma puede verse superpuesto dmaging Technilogy lncorporatedf 1983L El ordenador y su entorno len aparecer en entornos industriales el histograma puede ser suficiente para se parar objetos dentro de una imagen con lo que se facilita considerablemente la etapa de interpretación Sin embargof no siempre es factible sacar tanto jugo al histograrr En la ma yoría de las aplicaciones su manipu ción sólo permite aumentar7disminuir el contraste de la imagen y el margen diná mico de los niveles de g Sus efectos son evidentes para un observador humanol D Filtrado espacial y frecuencial No es fácil decidir si estas cioneSj absolutamente vitales en un tema de visión por computadora necen o no a la etapa de simple preroce samientOj dada la tremenda modificación que puede suponer respecto a la imagen original Para evitar esta ambigüedad co sideraremos que el filtrado es procesa miento previo cuando la transformación operada sobre la imagen sea pequeña El filtrado espacial actúa sobre los niveles de gris de los pixels de la imagen El filtrado frecuencial se basa en trabajar con la transformada discreta de Fourier de la imagen fuña operación terribles mente costosa en tiempo y en memoria de computadoO a la que se aplica un filtro bidimensionaL Volveremos a estos filtrados en la fa se de segmentación tprimera etapa de la interpretación de imágenesh INTERPRETACIÓN DE IMÁGENES La figura 5 es una versión detallada de la figura 3 y recoge las etapas básicas de la interpretación automática de una imagen i segmentación de la escena ex tracción de los rasgos de los objetos yt finalmenteí identificación y clasificación de la escenaí Segmentación La segmentación puede definirse mo el proceso orientado a particionar la imagen digital en zonas disjuntas con significado prop Este significado de penderá de la imagenl así como de los objetivos que se persiguen con su inte pretació En la figura 5 se han tenido en cue ta dos segmentacionesi de regiones o zo nas y de objetosí La operación es común lo que varía es aquello que se desea seg mentar En un casof zonasí en el otro ya dentro de una región concreta objetos individuad En general las operaciones de seg mentación de una escena el número y clases de regiones y objetos a distinguí dependerá íntimamente de la propia es cena yt tal como se dijo antesf de la irv formación que se busque dentro de la imagen Las técnicas de segmentación ya es té orientada a objetos o a agrupaciones de objetoSj se pueden dividir en tresgn posi Aplicación de umbrales de nivel Agrupación por rasgos comunesa Extracción de bordes La aplicación de umbrales se base en el empleo del histogran Su exposición detallada nos llevaría demasiado lejosí Básicamenteí consiste en distinguir obje tos individuales dentro de una escena a partir de sus diferentes niveles de gris4 La segmentación de imágenes diante la agupación Cclustering se i pira en las técnicas de reconocimiento de formas que se comentan brevemente en el cuadro La extracción de bordes es el f con muchOj más empleado en la seg mentación de imágenes ísalvo en robóti caf donde con frecuencia es suficiente la aplicación deumbralesh La efectividadj desde el punto de vis ta del reconocimiento de objetos de una operación cuyo resultado sea la obten ción de los bordes de un objeto tal es la segmentación es evidente puesto que la mayor cantidad de información se cuentra en los bordes De hechc la yoría de los objetos pueden reconocerse a partir de su formaf que está fijada por sus bordes No es de extrañar pue la existencia de datos empíricos acerca de mecanismos físicos de extracción de bo des en los sistemas visuales biológicosa Los filtrados espaciales y frecuen lesr que se comentaron en el pocesa miento previoí son precisamente ope ciones de extracción de bordes t aunque lo hagan con suavidad De manera aná logal los extractores de bordes empleados en la fase de segmentación pueden clasif carse en espaciales y frecuenciale En el cuadro Wt Extracción de bordes se mentan con más detalle Reconocimiento automático Tras la segmentación de la escena El ordenador y su entorno EXTRACCIÓN DE BORDES Una de las operaciones fundamentales en el reconocimiento automático de formas visuales es la extracción de bordea Delimitar los bordes de un objeten dentro de una escenar no es tarea fácil por varias razonesi solapamiento con otros objetosf falsos efectos de sombra y7o ilumina ciónaaa Un algoritmo de extracción de bordes excesivamente rígido puede dar lugar a una imagen con multitud de nuevos objetosl mientras que otro más flexible puede hacer desaparecer auténticos objetosa Cada imagen concreta es un universoí nada se puede establecer a prioriaaa Su segmentación basada en una correcta extracción de bordeSj se realizará siempre en interacción con el equipo humanen hasta conseguir un resultado satisfactorios a partir de lo cual será posible una automatización totaLa para esa imagen concretaa Los operadores de extracción de bordes se clasifican en espaciales y frecuencias Aa Extractores espaciales de bordes Son operadores que actúan sobre la matriz de intensidad luminosar I txryh o de niveles de gris de la imagen El objetivo es llegar a una imagen binaria idos únicos nivelesl que contenga los bordes de los objetos presentes en la escenaa Un operador muy utilizado es el gradiente de luminosidad siendo x e y los vectores unitarios en las direcciones xeyf respectivamente iu rizontal y verticalh Al realizarse esta operación en un computador yf al mismo tiempof ser I UByJ una función discretar no se trata de derivadas parciales sino de incrementosa Por ejemploí una típica aproximación del gradiente seriar aunque se han utilizado otras muchas1 Para llegar a la Hiriiagenn gradiente binaria se aplica un umbrah Si se visualizara esta imagen binariar en ciertos casos no sólo no resuelve el proble ma de la segmentación sinp que puede distorsionar la imagen originad deformando los objetos presenten Para evitar esto debe analizarse cuidadosamente el efecto del umbral T o suavizar7agudizar el efecto gradientea Ba Extractores frecuenciales de bordes Es un hecho bien conocido el que la aplicación de filtros bidimensionales sinto nizados en diferentes frecuencias o bandasr filtros paso bajof pasa banda y paso altor sobre la transformada de Fourier de una imagen tiene efectos muy importantes sobre la percepción y análisis de la imagen resultante Un filtro de paso bajor grosso modo produciría una imagen borrosa o difuminadar en la que desaparecen los pequeños detalles ten un efecto típico del miope que se quita las gafash Un filtro paso altof por el contraríen produciría una imagen de bordes t acentuadosj en donde se aprecian mejor los detallesa Existe una pujante teoría sobre la existencia de canales psicovisuales en el sistema visual humano ISVHJ que realizan operaciones de filtrado paso banda sobre la trans formada de Fourier de la matriz de luminosidad formada en la retina y se han postu lado algoritmos de extracción de bordes tver cuadro IID y análisis de formas visuales apoyándose en la citada teoríaa Su implementación en computador requiere tiempos muy extensoSf lo que dificulta su aplicación en sistemas de yisión artificialj pero consth tuyef sin dudaf uno de los intentos más importantes en VA yf desde luego el de mayor alcance intelectual aparecen dos nuevas fasesi extracción de los rasgos característicos de los objetos ya diferenciados y su identificación piamente Extracción de rasgos Dado un cierto lfobjeto físico tro de una imagenr y a partir de su torno Resultado de la segmentación se pueden obtener de inmediato un conju to de parámetros caracterizados como el perímetrOf grado de circularidadí nr mentos de ordena etc etc Estos rasgos hacen posible distinguir objetos mediante el uso de un número reducido de propiedadesl Los rasgos de un objeto forman un vector Xll x1 x2 xn II que particu larizado en unos valores numéricos los del objeto a clasifican determina un pun to en el espacio nimensional de los ras gos Las propiedades deseables en los ras gos son principalmentei número no vadoi estar incorrelados entre sí al moi discriminación abrupta de los obje tos etc propiedades orientadas a real zar una clasificación automática rápida y fiablea Clasificación de los objetos En el cuadro IV se presenta con cier to detalle el funcionamiento de la clasif cación automáticas cuyas aplicaciones van mucho más allá de la visión artificial Aparte de haber sido segmentado en la escena y de habérsele extraído un cie to número de características propias pa ra reconocer un objeto es imprescindible haberlo catalogado previamentei es decir haberlo definidof dado un Esto significa que en un sistema de visión artificial existe un conocimiento almacenado íuna memorial que ha sido elaborado por un equipo de especialistasí Este conocimiento previo es muy variado y depende de la aplicación concretal Pue de ser muy sencilla tal es el caso rep sentado en la figura 6 de un robot paste lero en donde prácticamente sólo hay que distinguir unas pocas figuras simples ítipos de bombonesl y en particular su orientación en un plano Y puede ser un conocimiento muy complejo tal es el ca El ordenador y su entorno so de detección automática de tumores íaunque en diagnosis médica siempre existe un observador humano que es el responsable último Una vez adquirida la imagen pre procesada segmentada la cor pondientex escena y aislados y recono cidos los objetos en su seno se entraría en una fase superior que podría califh carse de cognitiva o de procesamiento del conocimientos más cercana a lo que ha venido a denominarse Inteligencia Artifi ciaL Aunque insistimos todavía no se han resuelto importantes problemas en En tal se presenta la imagen original ien el textot Hx9yN9 con una reduo ción de 320 x 320 pixelsa En UjI y Ccj pue den verse las imágenes suavizadas con fun ciones gaussianas de parámetros O 4 y CT 8f respectivamente ÍE C Mildreth opt citjtFigt III 2 Detección de bordesa En puede verse la imagen originaL En íbl se senta la imagen tras aplicarle el operador V2C En tcl se visualiza la misma imagen V2G con los valores negativos como negros y los valores positivos como blancc Por ÚU timo en tdl se presentan los cruces de ce rofí del laplaciano r esto est los bordes de la imagen tEvC Mildreth CUADRO III ALGUNAS IDEAS INSPIRADAS EN EL SISTEMA VISUAL HUMANO Se ha usado y abusadof dentro de uria teoría computacional del comportamiento t de la dicotomía hardware7software en el procesamiento de información a cualquier nivela por parte de los seres humanos Es decirf sobre el cómo y el quéf la estructura y la función La percepción visual no es una excepción Existen evidencias empíricas desde muy antiguo que parecen confirmar que el sistema visual humano ÍSVHj realiza una operación de filtrado espacial mediante la función laplaciana lluego explicaremos en qué consiste esta funciónj sobre la matriz de intensidades luminosas que entrega el array de elementos fotonreceptores situados en la retina Ya en 1865f el filósofo Ernst Mach escribía sobre el denominado fenómeno de inhibición lateral un mecanismo cerebral consistente en la inhibición de las neuronas vecinas por otra excitadac Posteriormenteí de manera particular a partir de los años 60 de este siglof se ha profundizado en el modelado matemático de la distribución de la sensibilidad a las excitaciones luminosas en una célula nerviosaf habiéndose llegado a establecer una función diferencia de gaussianasiSiendo L txfyl la intensidad luminosa resultantef Ge y Gi sonf respectivamenter las distribuciones de intensidad excitadora e inhibidor Basándose en evidencias empíricasl David Marr y sus colegas en el MJX han propuesto un modelo de detección de bordes en el SVH en el que aparecen tres etapas sucesivas En la primera etapa se aplica a la imagen cruda I txrylf captada directamente por la matriz de elementos fotoreceptores de la retinal una operación de suavizado mediante la función gaussianar En donde el símbolo representa la oparación de convolucións En la figura IIL1 se muestra el efecto de esta operación habiéndose realizado con dos valores de o diferentes Nótese que el aumento de a permite conservar mayores detalles finos de la imagen originaL En la segunda etapa se aplica el operador laplaciano V2 s gen previamente filtradar En virtud de esta propiedad de la convoluciónf las dos etapas anteriores equivalen a realizar directamente una convolución de la imagen crudaf lf con el filtro laplacíano de la gaussiana que es cuya forma es muy parecida a la función diferencia de gaussianas que se ha propuesto para los sistemas biológúm Por últimOf aprovechando la propiedad del operador laplaciano de que los máxi mos de una función F producen cruces por ceroM del laplaciano V2Ff se unen los cruces por cero de la imagenff tV2GJIf obteniéndose los bordes tcambios de intensidadlc La figura IIL2 muestra cuatro imágenes sucesivasf a partir de la implementación en compu tadorf que se obtienen de aplicar el anterior modelo de detección de bordes del SVH Para una mayor información sobre estos modelos del SVHf y otros de gran impor tancia como la teoría de los canales visualesf recomendamos los trabajos de Marr y colaboradores que se citan en la bibliógrafo El ordenador y su entorno las fases previas la segmentación en ticular para imágenes compleja De cho sólo se han encontrado soluciones generales para imágenes bidimensionales sencillasa No hablemos de temas como la percepción de la textura de los objetos de la visión tridimensional de las escenas en movimiento del fenómeno de la este reopsis ívisión en profundidadh etc etcw temas abiertos que nos recuerdan cuan lejos se está de una teoría computa cional Omplementable en computadorj de la visión Por todo esto es presunn so hablar de percepción visual cognitiva al menos para escenas que no sean senc llas y bidimensiona UNA BREVE PERSPECTIVA SOBRE LAS APLICACIONES INMEDIATAS DE LA VISION ARTIFICIAL Si el procesamiento de imágenes con observador humano requiere el uso inte sivo del computadora qué no será de la visión artificial en donde aquél observa dor íde cuyo sistema visual apenas sabe mos nadaf pese a ser usuarios cotidianosj es sustituido por uno o varios computa do Recordamos esto porque a fin de cuentaSj el artículo aparece en un mono gráfico sobre el ordenador y su entorno AdemáSj acontece que en el área de la visión artificial el computador se encue tra con un conjunto de problemas de e vergadura con serias exigencias de cálcu lo y tiempc No es extraño puesí que allí donde han existido fondos los invesf dores en el área de la visión artificial en vez de contentarse con máquinas come ciales han exigido y a veces se han lanza do a su construcción computadores es pecializados en el procesamiento y re nocimiento de imágenes Una de lasaplh caciones importantes ya con entidad propiaí de la visión por computador es el propio computador En otro orden de aplicaciones y siempre ciñéndonos al procesamiento de imágenes sin observador las principales aplicacioneSt las que están actuando de motor de arranque se dirigen hacia la producción industrial Insistimos que nos limitamos a la visión artificial pural sin actuación l4orvlineM de observadores hu manos Las aplicaciones en campos en donde existe una participación del obse vador humano por ejemplo en diagnósti co médicc son mucho más numerosas CUADRO IV LA CLASIFICACIÓN AUTOMÁTICA Lo que en inglés se denomina pattem recognition es un vastago muy desarrolla do de la ingeniería cibernéticas Un modelo especulativo del reconocimiento de formas geométricas por una red neuronalf esto esf el perceptrón constituye una de las lfmáquh ñas avanzadas pioneras que a finales de los años 1950 echarían las tases de técnicas tan comercializadasf hoy díaf como las que hacen posible los modem de alta velocidad iel célebre filtro de WidrowHoffh Un esquema de bloques de un sistema de reconocimiento automático es el de la Esquema de bloques del principio de reconocimiento automatice En la figura IV 1f Xrll xx x2 mmrm xnllres el vector de característicasdeí en el caso de visión artificial que nos ocupaí un determinado objeto segmentado previamente en la escena a analizar Los bloques FDi son funciones escalaresr denominadas discrími nantesf que realizan la operaciónr FD1 Estas funciones discriminantes se definen para cada una de las diferentes clases de objetos que puedan presentarse digamos las clases otlt o w aNa Asíf la función discriminante proporciona una medida de pertenencia o de distan cia íqujvienen a ser cosas complementariasl del objeto o si se prefiere de su vector de rasgos Xrf con respecto a cada clase de objetos previamente establecidos Finalmenter el bloque de decisión compara las distancias del objeto a cada clase y lo clasifica en la clase con la distancia mínima Si alguien quisiera clasificar deportistas en dos clasesi jugadores de baloncesto y jugadores de cualquier otro deporteí el rasgo idóneo podría ser la alturar y no el color de los ojoSj por ejempkh Si se le diese una ficha técnica de un deportista en donde ponga 2 10 metrosf lo clasificaría como jugador de baloncesto yf casi segurof habría acertadoa aunque es incorrecto hablarí en tal casof de visión artificiaL Las razones por las que la aplicación de la visión artificial pura hoy por hoy está prácticamente reducida al entorno industrial son cla Por una parteí el es tado actual de la propia VA no permite ir más allá del reconocimiento de escenas no excesivamente complejas tal son una parte importante de las escenas indust De otro lado está el incremento de la productividadI Piénseseí por ejemplc en las tremendas precisiones que se exigen en los manipulador que los encarecen drásticamente El sentido de la visión permite reducir apreciablemente esas pre cisiones milimétricasí No obstante el mercado norteamer cano íel más desarrollados junto con el japonésl de visión artificial aplicada a la automatización industrial es aún modes KK 50 millones de dólares en ventas en el año 1982 aunque se prevee en 1987 pa sar a 500 millones de dólaresl Habituaimente se distinguen dos áreas de VA en la automatización indus triak Tareas de identificación manip lación y ensamblado de productos indus tríales írobóticavisualh Tareas de inspección visual espe cialmente para control de calidadh El potencial económico del aumento El ordenador y su entorno TV camera TV Monitor 8í Microcomputer Mockup Conveyor Robot Decorator FigI 6 Dos fotografías del robot pastelero que se cita en el textc La de arriba es una panorámica generad en donde se aprecian el sistema de visión y el manipuladorrtf encargado de depositar correctamente el chocolate sobre los bombones Idetalle de la fotografía ihferíorl f según la orientación y forma analizada por el sistema de visión IAí it op1 citja Bibliografía escogida K R CASTLEMAN Í1979K Digital Image Processing Prentice Hall Englewood CliffsDestacaf en relación a otros libros sobre el mismo temar por su atención en mode lar matemáticamente los dispositivos físp cos que intervienen en el procesado digi tal de imágenesI primeras figurasa A pesar de tratarse de una contribución de 15 autoresf los so pes son mínimos y la complementariedad sorprendenteíR C GONZALEZr P WINTZ H977K Di gital Image Processing Addison Wesleyí Readingf Mass Si hubiese que escoger una publicación didáctica y cristalinas nos inclinaríamos hacia este librof que ya va por la sexta reimpresión EL HALL I1979L Computer Image Processing and Recognitionl Academic Press N1Y1 Con una estructura similar al González Wintzf profundiza más en los temas Estas dos obras bastarían para formar una bi blioteca básica de procesamiento de de laaproductividad en estas áreas es dentef si se tiene en cuenta su volumen dentro de la producción industriaL Así como cifras indicativas extraídas de un informe relativo a los EEtULL aproxinr damente el 1096 de los obreros industrian les realizan tareas de inspección Parece claro que a medida que se va ya resolviendo problemas todavía abiei tos en la visión artificial aparecerán nue vas áreas de aplicación o si se mira des de el otro ángulo el proceso de invasión de las máquinas se agudizarán merced a que la percepción visual pase de ser un mecanismo que se usa a un mecanismo que ademásf se conoce1 with the Environment ÍRobot Technology Vo lume 2 Kogan Page LondonI Uno de los escasos libros que expone con cierto sistema la problemática de la visión artificial en robotsa FAUGERASi Editor CI983K Funda mentáis in Computer Vision Cambridge University Presst Cambridge Aborda casi toda la temática de la visión basada en computador con un plantel de EC HILDRETH 9S Edge Detec tion in Man and Machinen Robotics Age4 Vol 3 Núml 5 Sept7Oct Artículo divulgativo de los trabajos en el Laboratorio de Inteligencia Artificial del IVLLT El cuadro II está basado en este Articule de donde se han tomado las tograf ías correspondienteD MARR 0982 Vision WH Freeman and Companyf San Franciscc La obra postuma de un investigador ge nial muerto prematuramente Trata ex haustivamente sus teorías computaciona les sobre el procesamiento humano de la información visuaLDi MARR T POGGIO 1979 A Com putational Theory of Human Stereo sionProcR SocLond B 204 301 328 A PUGHÍ Editor I1983Í4 Robot Vision IFS IPublicationsl y Springererlaga Se recogen 28 contribuciones al tenr La mayoría de ellas corresponden a desarro líos y sistemas específicosl dOl A ROSENFELD AC KAK Í1982JI Di cjital Picture Processing1 Academic Press Tratamiento casi exhaustivo del tema en dos tomos 1111 Aí ROSENFELD 1984 lmage sisr Problemsí Progress and Prospects Pattern Rocognitiont Vol 17 núm 1 fppíCon una tremenda masa de publicaciones 115 libros y unos 300 articulóse el autor está perfectamente capacitado para escri bir sobre las perspectivas de la visión arti ficiaL Por últimoí una fuente inagotable de i formación sobre la visión artificial es el servicio de publicaciones del IEEEI Cita mos únicamente cuatro números mono gráficos recientesI COMPUTER Machine Perception4 May 19804 IEEE Trans Computen Número especial sobre arquitecturas de computador para visión October 1982 COMPUTERl ífComputer Architectures for Image Processing Janurayf 1983a Proceedings of the IEEEC Special Issue on Robotics July 1983I
30 oct 2015