6.2: De las señales a la información

Última actualización
Guardar como PDF

Page ID: 84877

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Desafortunadamente, muchos fenómenos que a menudo tienen un significado muy diferente o incluso opuesto se ven muy similares al mirar la señal de bajo nivel. Por ejemplo, los cambios drásticos en los valores de color no necesariamente significan que el color de una superficie efectivamente haya cambiado. Patrones similares son generados por discontinuidades de profundidad, reflejos especulares, condiciones de iluminación cambiantes o cambios de orientación de la superficie. Estos ejemplos se ilustran en la Figura 6.2.1 y hacen de la visión por computador un problema difícil.

Figura\(\PageIndex{1}\): Dentro de la estación espacial internacional (izquierda), se resaltan áreas en las que los valores de píxel cambian drásticamente (derecha). Efectos subyacentes que producen respuestas similares: cambio en las propiedades de la superficie (1), discontinuidades de profundidad (2), reflejos especulares (3), condiciones de iluminación cambiantes como sombras (4), o cambios de orientación de la superficie (5).

Este ejemplo ilustra que las señales por sí solas no son suficientes para entender un fenómeno, sino que requieren contexto. Aquí, el contexto no solo se refiere a las señales circundantes, sino también al conocimiento conceptual de alto nivel como el hecho de que las fuentes de luz crean sombras y reflejos especulares, que los objetos en el frente aparecen más grandes, y así sucesivamente. Cuán importante es dicho conocimiento conceptual, se ilustra en la Figura 6.2.1.

Ambas imágenes muestran un paisaje idéntico que alguna vez parece estar moteado con cráteres, una vez con colinas en forma de burbujas. A primera vista, ambas escenas se iluminan desde la izquierda, lo que sugiere un cambio en el paisaje. Una vez que la información de que el sol está iluminando una imagen desde la izquierda y la otra desde la derecha, sin embargo, queda claro que los cráteres simplemente están iluminados de manera diferente y lo que percibimos como baches eventualmente se vuelve a convertir en cráteres.

Figura\(\PageIndex{2}\): Imagen del lugar de aterrizaje del Apolo 15 en diferentes momentos del día. El paisaje es idéntico, pero parece estar moteado con cráteres (ascensor) o colinas (derecha). Saber que el sol está iluminando la escena desde la izquierda y la derecha, respectivamente, sí explica este efecto. Crédito de imagen: NASA/GSFC/Arizona State University.

Más sorprendentemente, el conocimiento conceptual suele ser suficiente para suplir la falta de señales de bajo nivel en una imagen. Un ejemplo se muestra en la Figura 6.4. Aquí, un perro dálmata puede ser reconocido claramente a pesar de la ausencia de señales para su contorno, simplemente extrapolando su apariencia y pose a partir del conocimiento conceptual.

Estos ejemplos ilustran tanto las ventajas como los inconvenientes de un enfoque de procesamiento de señal. Si bien un algoritmo detectará señales interesantes incluso allí donde no las veamos, o no las esperemos (debido al sesgo conceptual), la comprensión de la imagen no solo requiere un procesamiento de bajo nivel, sino una combinación inteligente de la relación espacial de la señal de bajo nivel y el conocimiento conceptual sobre el mundo.