Modelos de iluminación Representación de imágenes

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.