Modelo de segmentación y caracterización de objetos en escenas basados en métodos estocásticos

Abstract

La visión es uno de los sentidos más importantes que posee el ser humano. Inicialmente la visión por computador trató de imitar al sistema visual humano, pero la cantidad de información captada y procesada es tal, que dicha imitación sigue siendo actualmente una utopía. Por ello, los sistemas de visión por computador se dividen en distintas fases, (captación, preprocesamiento, segmentación, análisis de formas y clasificación de objetos), que son abordadas de manera independiente, aunque existe una gran interrelación entre todas ellas. Esta tesis aporta un nuevo modelo de visión por computador, centrado en las fases de segmentación y análisis de formas, buscando en ambos casos una buena respuesta. Previamente se analiza cuál es el espacio de color más adecuado para plantear el modelo. En la fase de segmentación de imágenes, se comparan dos métodos, uno de ellos utilizando una función de energía y otro mediante la utilización de un umbral. Utilizando el algoritmo definido para la segmentación de imágenes, en la fase de análisis de formas, se consigue definir una única propiedad que describe de manera unívoca cada uno de los objetos de una base de datos, el Histograma de distancias al centroide.

Vision is one of the most important senses that humans have. Initially, computer vision tried to imitate the human visual system, but the amount of captured and processed information is so huge that, nowadays, the imitation is still an Utopia. That is why the computer vision systems are divided into several phases (capture, preprocessing, segmentation, shape analysis and object classification), that are usually tackled independently, although there exists an important interrelation between them. This thesis proposes a new model for computer vision, focused on the segmentation and shape analysis stages, with the aim in both cases of having good results. In a previous study, an analysis to determine the most suitable colour space for the model is done. In the image segmentation phase, two methods are compared, one of them using an energy function and the other using a threshold. The image segmentation algorithm is used in the shape analysis phase to define a unique feature to totally describe an object and to distinguish it from all the others in a data base. This feature is the Distances to Centroid Histogram.