7.1: Detección de funciones como problema de reducción de información

Última actualización
Guardar como PDF

Page ID: 84982

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

La información generada por los sensores puede ser bastante formidable. Por ejemplo, una cámara web simple genera 640x480 píxeles de color (rojo, verde y azul) o 921600 Bytes alrededor de 30 veces por segundo. Un escáner láser de un solo rayo todavía proporciona alrededor de 600 mediciones de distancia 10 veces por segundo. Esto contrasta con la información que un robot realmente requiere. Consideremos por ejemplo la competencia de resolución de maze-solving “Ratslife” (Sección 1.3) en la que la cámara del robot se puede utilizar para reconocer uno de los 48 patrones de color diferentes (Figura 1.3) que se distribuyen en el entorno, o la presencia o ausencia de un cargador, reduciendo esencialmente cientos de bytes de datos de cámara a alrededor de contenido de ^{6 bits (2 6} = 64 valores diferentes). El objetivo de la mayoría de los algoritmos de procesamiento de imágenes es, por lo tanto, reducir primero el contenido de la información de manera significativa y luego extraer información relevante. En el capítulo 6, hemos visto filtros basados en convolución como desenfoque, detección de bordes u operaciones binarias como umbralización. Ahora estamos interesados en métodos para extraer características de nivel superior como líneas y técnicas para extraerlas.