Solucion Taller 1

Tecnicas de Inteligencia Artifical

Histogramas

Daniel Ricardo Gallo Acevedo1 , Edwin Alexander Ramrez Vargas1

1
Ingeniera Mecatronica Facultad de Ingeniera Mecanica y Mecatronica
Universidad Nacional de Colombia Sede Bogota
{jaabarrerabo,earamirezv}@unal.edu.co

Resumen En el presente informe se muestra el proceso llevado a cabo para el

calculo del histograma de tres imagenes con los mismos componentes pero a distintos
niveles de iluminacion, de manera que se analiza la caracterstica de cada histograma,
as como su relacion con el nivel de luminosidad de la imagen. Las tres imagenes
corresponden a fotografas tomadas de una mano, en la que se trato de mantener el fondo.
La primera imagen se tomo en el exterior y con da soleado, la segunda en el exterior
pero en sombra y la tercera en un recinto interior.

Palabras clave: Ecualizacion, normalizacion, luminancia, contraste.

1. Introduccion

Muchas veces resulta de gran importancia la visualizacion adecuada de una ima-

gen. En dichos casos el contraste juega un papel muy importante al momento de realizar
la visualizacion, pero existe alguna manera fiable y objetiva de evaluar la luminosidad
de una imagen digital?
La respuesta a esta pregunta es que s y la herramienta denominada histograma es
de gran ayuda para lograrlo; es por ello que en el presente informe se analiza la forma que
toma el histograma de una imagen dependiendo de sus condiciones de luminosidad.

2. Referencial Teorico

Modelo HSV En este modelo se cambia la representacion de RGB a una en la que

H representa un circulo cromatico de los colores llamado matiz, S representa la cantidad
de blanco en la imagen o que tan lejos esta del centro y V representa lo oscuro dentro de
la imagen
 Figura 1. Cono de colores HSV [Wikipedia 2005]

Histograma: Se entiende por histograma como la representacion grafica de la

distribucion de intensidades en una imagen, cuantificando el numero de pxeles para cada
valor de intensidad considerado [Tutorials 2014].
Cada imagen tiene su propio histograma, pero como regla general se considera
que una imagen tiene un buen contraste si su histograma se extiende ocupando casi todo
el rango de tonos.
El histograma resulta una herramienta de gran interes en tareas de analisis au-
tomatico de imagenes, como las que se llevan a cabo en el a rea de la vision por compu-
tador. Para una aplicacion de inspeccion automatica, se trata de determinar los pxeles de
la imagen que corresponden a la herramienta, que se sabe depositada sobre un fondo de
color mas claro, bastante uniforme.
La clave esta en encontrar un nivel de gris o umbral, tal que todos los pxeles mas
oscuros (a la izquierda del histograma) correspondan a la herramienta y los mas claros al
fondo. Este nivel podra determinarse a partir del analisis del histograma.
Tpicamente varias imagenes pueden tener un histograma bimodal, donde hay dos
grandes agrupaciones de niveles que aparecen con cierta frecuencia en la imagen, una
correspondiente al objeto oscuro y otra debida al fondo claro. Una vez determinadas estas
dos agrupaciones, el nivel de gris equidistante entre ambas, resultara un nivel de umbral
adecuado.

3. Procedimiento

El ejercicio del taller es planteado en el libro Learning OpenCV, de manera que

para dar solucion al mismo, se planteo el siguiente procedimiento:

Inicialmente se tomaron las fotos en las tres condiciones de iluminacion mencio-

nadas en el libro, de manera que se obtuvo:
 Figura 2. Foto de la mano en exterior y da soleado (Mano 1).

Figura 3. Foto de la mano en exterior y da con sombra (Mano 2).

 Figura 4. Foto en interior con da soleado (Mano 3).

Luego se tomaron otras fotos para corroborar los resultados obtenidos con las
primeras tres, de manera que se obtuvo:

Figura 5. Foto de la mano en exterior y da soleado.

 Figura 6. Foto de la mano en interior y da con sombra.

Figura 7. Foto en interior al atardecer.

Posteriormente se procedio a implementar el codigo en C++ usando las libreras

de Opencv, de forma que se crearan los histogramas de cada una de las imagenes
tomadas. Estos histogramas se implementaron con distintos bins (numero de par-
ticiones en la abscisa) y ademas se hicieron con la lectura en escala de grises de
las imagenes, mediante el uso del tipo de dato Iplimage.
Al obtener los histogramas de las tres imagenes utilizando 2 bins, se procedio a
analizar los resultados obtenidos, relacionandolos con las condiciones en las que
fueron tomadas las fotografas.
Luego de ello, se variaron los numeros de bins en valores de 16 y 256, observando
los histogramas producidos.
Finalmente se visualizaron los histogramas bajo las tres condiciones de ilumina-
cion con 8 bins y 32 bins, comparando los resultados obtenidos entre s.

4. Resultados y discusion
Luego de realizar el procedimiento descrito en la seccion anterior, se obtuvieron
los siguientes resultados:
Se genero el codigo principal para lectura de imagenes y generacion de histogra-
mas, que se muestra en la Figura 8:

Figura 8. Codigo implementado para generar histogramas.

El codigo anterior dio como resultado los histogramas de 2 bins de las imagenes
mostradas en las Figuras 2, 3 y 4 que se muestran a continuacion:

Figura 9. Histograma de la imagen de la Figura 2.

 Figura 10. Histograma de la imagen de la Figura 3.

Figura 11. Histograma de la imagen de la Figura 4.

Con dos bins, las tres imagenes poseen histogramas muy similares, observando
por ejemplo que el histograma de la imagen de da soleado posee un mayor componente
de iluminacion.

Para el caso de 16 bins se obtuvo:

 Figura 12. Histograma de la imagen de la Figura 2 a 16 bins.

Figura 13. Histograma de la imagen de la Figura 3 a 16 bins.

Figura 14. Histograma de la imagen de la Figura 4 a 16 bins.

Ya con mayores particiones es notable la diferencia en los histogramas de cada

imagen, debido a que se puede distinguir entre mayores niveles de gris. Para el caso de
la primera imagen (Mano1) se observa que las el histograma se corre de manera mas
pronunciada hacia la izquierda. Mientras que en el caso de la segunda imagen (Mano 2)
el histograma se acentua mucho mas en la parte derecha, indicando la oscuridad de la
imagen.
Finalmente utilizando 256 bins, se obtienen los resultados que se muestran a con-
tinuacion:

Figura 15. Histograma de la imagen de la Figura 2 a 256 bins.

Figura 16. Histograma de la imagen de la Figura 3 a 256 bins.

Figura 17. Histograma de la imagen de la Figura 4 a 256 bins.

 Figura 18. Histograma de la imagen oscura (Figura 7)

Se observa que cuando la foto esta expuesta a alta iluminacion el histograma tiende
a desplazarse hacia el lado derecho, mientras que cuando la imagen tiene poca exposicion
de luz, el histograma se desplaza hacia la izquierda, esto es hacia tonalidades mas oscuras.
Por lo cual se puede definir que el histograma ofrece una informacion valiosa para
juzgar las caractersticas de luminosidad de una imagen.

4.1. Comparacion de Histogramas segundas imagenes

Se llevo a cabo una comparacion que segun el ejercicio propuesto es necesario
llevar la imagen a escala HSV(Matiz, Saturacion, Valor) para poder observar las carac-
tersticas entre ellas, con las segundas imagenes tomadas en donde los resultados fueron
los siguientes.

4.1.1. Comparacion de Imagen soleada contra oscura

Resultados
Comparacion Correlacion h: 0.0930168
Comparacion Correlacion s: 0.00056961
Comparacion Correlacion v: -0.236523
Comparacion CHISQR h: 1.57471e+06
Comparacion CHISQR s: 3.35288e+08
Comparacion CHISQR v: 12959.8
Figura 19. Histograma de la imagen Soleada

Figura 20. Histograma de la imagen Normal

 Comparacion INTERSECT h: 646.24
Comparacion INTERSECT s: 1090.95
Comparacion INTERSECT v: 0
Comparacion BHATTACHARYYA h: 0.781007
Comparacion BHATTACHARYYA s: 0.670521
Comparacion BHATTACHARYYA v: 1

4.1.2. Comparacion de Imagen soleada contra normal

Comparacion Correlacion h: 0.380211

Comparacion Correlacion s: 0.49346
Comparacion Correlacion v: -0.369351
Comparacion CHISQR h: 1.71595e+06
Comparacion CHISQR s: 7.58991e+06
Comparacion CHISQR v: 2.81779e+07
Comparacion INTERSECT h: 1893.86
Comparacion INTERSECT s: 2431.75
Comparacion INTERSECT v: 313.081
Comparacion BHATTACHARYYA h: 0.578432
Comparacion BHATTACHARYYA s: 0.487547
Comparacion BHATTACHARYYA v: 0.956941

4.1.3. Comparacion de Imagen oscura contra normal

Comparacion Correlacion h: 0.767446

Comparacion Correlacion s: 0.516563
Comparacion Correlacion v: -0.0255855
Comparacion CHISQR h: 3.8943e+06
Comparacion CHISQR s: 8.05811e+07
Comparacion CHISQR v: 1.68154e+07
Comparacion INTERSECT h: 2485.57
Comparacion INTERSECT s: 3186.85
Comparacion INTERSECT v: 2277.8
Comparacion BHATTACHARYYA h: 0.367031
Comparacion BHATTACHARYYA s: 0.432557
Comparacion BHATTACHARYYA v: 0.812086

5. Conclusiones
1. Se puede observar un desplazamiento hacia la izquierda de la matiz a medida que
se aumenta la iluminacion, totalmente a los extremos cuando hay mucha o muy
poca iluminacion y, en el centro en ambientes normales.
2. En las comparaciones tal y como se espera no hay correlacion entre las imagenes
que tienen gran diferencia de iluminacion.
3. Por otro lado las imagenes soleada y normal tienen mayor correlacion, as como
las imagenes normal y oscura.
Referencias
Tutorials (2014). Opencv tutorials. http://docs.opencv.org/2.4/opencv tutorials.pdf. Visi-
tado: 2016-08-28.
Wikipedia (2005). Cono de colores del espacio hsv.
https://es.wikipedia.org/wiki/modelo de color hsv#/media/file:hsv cone.jpg. Vi-
sitado: 2016-08-28.