Universidad Abierta Interamericana
Inicio Institucional Facultades Cursos y Eventos Bienestar Comunicación Servicios Online Transferencia Investigación ?

Un archivo color real utilizaría:

TO= (AN * AL * 24) / 8 + TC +( BSE * LI) (1)
ó
TO= (AN * AL * 3)+ TC + (BSE * LI) (2)

Donde: TO=Tamaño Total en bytes, AN=Ancho en píxeles, AL=Alto en píxeles, TC=Tamaño de la cabecera, BSE=Cantidad de bytes utilizados para separar Líneas. El cálculo es igual al resto de dividir por 4 a AN. LI=Líneas del BMP.
Ejemplo de un archivo de 800 * 600 píxeles a color real.
TO= (800 * 600 * 3) + 54 + (0*600)
TO= 1440054 Bytes
Toda esta información debe ser mapeada, con ello se obtiene la composición básica del color, su posición relativa y absoluta para su posterior tratamiento y análisis. La posición de los píxeles es lo que nos permitirá obtener patrones de reconocimientos. Debido a ello conoceremos la distribución, que nos indicará tanto las formas que adoptan las secuencias de píxeles del mismo color como también aquellos que se encuentran dentro de una tolerancia determinada, así como la densidad de los mismos en un área dada.
Cabe destacar que además de estos procesos la información almacenada se encuentra invertida respecto de su posición original, algo similar a lo que realiza el ojo humano, por ello para una interpretación acorde con la realidad observada se deberá contemplar esta particularidad.
La información procesada pasa a tener real valor si logramos identificar los colores que participan en la constitución de la imagen capturada. Para ello los algoritmos se encargan de analizar cada bloque elemental, los cuales se consideran constitutivos del color de un píxel. Cada color representante aparecerá varias veces lo que permitirá agrupar los coincidentes para poder determinar la cantidad de ocurrencias que el mismo posee y a partir de ello su densidad y distribución. En este punto nos encontramos que la digitalización y captura del color para un área determinada esta conformada por píxeles cuyo color no necesariamente es homogéneo. El área se conforma con píxeles que si bien son muy parecidos para el sistema visual humano, su composición matemática es sensiblemente distinta. Debido a ello se desarrolló un mecanismo denominado “Ajuste Simétrico Redundante”. En él se puede definir un valor de tolerancia, a partir del cual ubicado un color y tomado como centro radial, este valor absorbe a

todos aquellos que se le aproximen por la izquierda o derecha del mismo. Para lograr esto se realiza una transformada desde la composición tricromática RGB a un valor real entre 0 y 255 para cada color. La compatibilidad del color afectado por la tolerancia descripta estará dado por la proximidad numérica en la escala lineal analizando cada color por separado para evitar el efecto de escalonamientos en la proximidad de los colores obtenidos. De esta manera disminuye sensiblemente la cantidad de valores de color a pesar de no ser percibido por el sistema visual humano.
La información obtenida por estos métodos es utilizada para determinar distorsiones entre imágenes digitalizadas en períodos sucesivos e imágenes digitalizadas con resultados observados por medio del SVH.


Metodos
Los algoritmos desarrollados en este proyecto de investigación utilizan las siguientes variables independientes: profundidad del color, resolución, Modelo de color. Las variables dependientes utilizadas son: distorsión (diferencia entre el SVH y la imagen digitalmente procesada. Es una métrica indirecta. Se mide en porcentaje de diferencia. La proporción se logra por conteo de los píxeles diferentes entre imágenes digitales sucesivas y determinado el porcentaje de variación (aspecto objetivo), para luego contrastarlo
ontra la apreciación a través del SVH (aspecto relativo).

Tiempo de procesamiento (se mide en minutos y segundos. Depende del nivel de calidad del proceso realizado y la pérdida).
Resultados
Se pueden virtualizar procesos que poseen baja complejidad computacional y permiten mejorar la percepción del SVH (Sistema Visual Humano).
Análisis de los Resultados
La construcción de matrices de colores permite realizar la interpretación de patrones de concordancia, con el objetivo de determinar la aparición de secuencias de píxeles ya sea por su caracterización referente a la distribución espacial o bien por su presencia independientemente que coincida con un patrón. Este tipo de procesamiento posee una ganancia importante respecto del SVH dependiendo esta del tipo de imagen digitalizada y en contraste de colores puesto en juego. Cuando el contraste no es suficiente es prudente procesar a la imagen previamente a fin de lograr una sustitución de colores, esto se logra tomado como base un color de la imagen y generando un corrimiento equivalente sobre el resto de los colores.

Conclusiones
La capacidad de aplicación del análisis digital de imágenes presenta un amplio espectro de aplicación en diversos campos de la ciencia. En la medida que los medios de captura puedan mejorar la percepción de la realidad los algoritmos de tratamiento podrán sacar mejor provecho de la información. Esto redundará en estimaciones más precisas y conformación de bases de información estadística sobre los valores tomados en momentos pasados para ser confrontados con los actuales.
En aplicaciones médicas, estas técnicas permiten, utilizando un ASR pequeño, determinar la presencia de tejidos con características distintivas antes que el SVH las perciba. Si además de ello se sistematiza la forma de tomar las muestras, la secuencia de tomas se sucederá en un ambiente controlado de manera que las variables exógenas no aporten distorsiones sobre el original que se intenta capturar.

Darío G. Cardacci
Licenciado en Sistemas de Información de las Organizaciones. Director del Sector Software. Director del CAETI (UAI). Coordinador del Área Lenguajes de Programación y Titular de las materias Trabajo de Campo I y Trabajo de Diploma de la Facultad de Tecnología Informática de la UAI. Adjunto de la materia Tecnología de la Información (UBA).


Bibliografía:
Textos utilizados como fuente de consulta para la realización del trabajo a pesar de no citarse en el trabajo textos literales.
Sanchez R. y otros; “Anatomía del Ojo Humano”, 1ª Edición, RA-MA, España, 2000.
González R. y otros; “Tratamiento digital de imágenes”, 1ª Edición, Adison Wesley / Diaz de Santos, Estados Unidos, 1992.
Belchin R.; “Guía de Reproducción Digital del Color”, 1ª Edición, Roberto Garcia Belchin, Epaña, 1999.
Escalera A., “Visión por Computador”, 1ª Edición, Prentice Hall, España, 2001.
Russell S.; “Inteligencia Artificial”, 1ª Edición, Prentice may, España,1996.
Teoría de Gabor. (Gabor - 1946).
Logaritmo de la intensidad de la Luz (Umbaugh y Scout - 1998).
Transformada del coseno discreta.
Codificación de Huffman. (Huffman - 1951)
Estándares de codificación y estructura de archivos gráficos. (CCITT e ISO).
Modelos de color: RGB, CMYN, HLS, CIE LAB.

E. Moyano, L. Orozco-Barbosa, F.J. Quiles and A. Garrido, “A New Fast 3D Wavelet Transform Algorithm for Video Compression”.
Ma. G. Varillas, J. Ibarra, D. Sánchez, E. Tepichín. “”Implementación de funciones de control y procesamiento de datos del Analizador óptico multicanal oma-2"
Rocío Díaz de León, Luis Enrique Sucar. “Human Silhouette Recognition with Fourier Descriptors”.

http://www.advent.co.uk/ccitt.html

http://ants.dif.um.es/asignaturas/typc/trabalum
/199697/compress/COMPRESS.HTM


http://www.ace.ual.es/~vruiz/investigacion/


 
Universidad Abierta Interamericana - Tel: (+54) 11 4342-7788 (rotativas) - contacto@uai.edu.ar
Facebook Twitter YouTube RSS UAI Noticias Radio Conexión Abierta

Política de Privacidad - Términos y Condiciones - © Copyright 2017 -- Data Fiscal data fiscal

Para consultas técnicas escriba a Soporteweb@uai.edu.ar