ES2247873B1 - Sistema de reconocimiento de patrones en imagenes afectadas por degradaciones opticas. - Google Patents
Sistema de reconocimiento de patrones en imagenes afectadas por degradaciones opticas. Download PDFInfo
- Publication number
- ES2247873B1 ES2247873B1 ES200300562A ES200300562A ES2247873B1 ES 2247873 B1 ES2247873 B1 ES 2247873B1 ES 200300562 A ES200300562 A ES 200300562A ES 200300562 A ES200300562 A ES 200300562A ES 2247873 B1 ES2247873 B1 ES 2247873B1
- Authority
- ES
- Spain
- Prior art keywords
- images
- optical
- degradation
- image
- pattern recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Sistema de reconocimiento de patrones en
imágenes afectadas por degradaciones ópticas.
Sistema indicado para reconocer y detectar
imágenes de un conjunto de patrones prefijado, en imágenes
observadas degradadas por el proceso óptico de captación. Esta
degradación óptica es desconocida, y puede existir también
degradación debida a ruido no deseado. Para reconocer los patrones
se hace uso de una descomposición basada en canales sintonizados a
distintas frecuencias y orientaciones, tanto de los patrones
originales como de la imagen observada. Utilizando esta
descomposición es posible realizar simplificaciones en el modelo de
degradación, de manera que a partir de la imagen observada se pueda
calcular la probabilidad de que cada una de las imágenes originales
generara esa observación. El método de decisión es Bayesiano,
eligiendo como imagen original aquella con mayor probabilidad.
Description
Sistema de reconocimiento de patrones en
imágenes afectadas por degradaciones ópticas.
La invención se dirige a todas las áreas en las
que sea necesario el reconocimiento automático de patrones en
imágenes, en general en aplicaciones de inspección automática
usando medios ópticos, y en particular en aplicaciones de
vigilancia, monitorización de procesos, control de calidad,
simulación del proceso visual con fines clínicos, etc. Su
aplicación está especialmente indicada cuando las condiciones de
observación no permitan garantizar una buena calidad de imagen. Se
trata de un sistema que incorpora un módulo de adquisición y
tratamiento digital de imagen, que se caracteriza por hacer uso de
un procedimiento numérico que combina modelos ópticos y de
reconocimiento de patrones basados en la percepción visual.
El reconocimiento de patrones en imágenes es un
área de gran interés dentro del análisis automático de imágenes, y
con múltiples aplicaciones. Entre ellas, cabe destacar el
reconocimiento óptico de caracteres, el reconocimiento de blancos en
aplicaciones militares, clasificación de especies biológicas
observadas por medios ópticos, vigilancia activa con reconocimiento
automático de objetos de interés, etc.
Debido al gran interés de esta técnica, se han
desarrollado muchas mejoras respecto de los métodos de
reconocimiento óptico de patrones originales, basados en filtros
óptimos de correlación. Gran parte de estas mejoras han consistido
en preprocesar la imagen observada para corregir determinados
factores que hacen que se aleje de los patrones originales, tales
como distorsión geométrica, cambios de escala, etc. Otro conjunto
de mejoras importantes se ha dirigido a tratar de reconocer
patrones en imágenes afectadas por una gran cantidad de ruido, para
lo que es muy útil considerar modelos probabilísticos y
estadísticos. Sin embargo son muy pocos los métodos propuestos para
reconocer patrones en imágenes afectadas de degradaciones ópticas
importantes y desconocidas a priori, y prácticamente
inexistentes los métodos propuestos para tratar imágenes degradadas
ópticamente y con ruido añadido. La mayoría de los métodos de
reconocimiento óptico suponen que la información sobre la
degradación óptica es conocida, y que por tanto puede compensarse en
un proceso previo al reconocimiento, a pesar de que son frecuentes
los casos en los que no se cuenta con esa información. Por tanto,
es necesario desarrollar métodos específicos de reconocimiento que
sean robustos a degradaciones ópticas desconocidas además de al
ruido. Por ejemplo, aparte de las degradaciones ópticas
introducidas por el sistema de captación de la imagen, la atmósfera
puede introducir degradaciones ópticas que en principio son
variables, aleatorias y desconocidas.
En este sentido, un trabajo anterior demostró
que, usando métodos de representación de imágenes inspirados en la
visión humana, era posible realizar reconocimiento de patrones en
presencia de ciertas degradaciones ópticas, principalmente
desenfoques [A. Vargas, J. Campos, R. Navarro (2000). "Invariant
pattern recognition against defocus based on subband decomposition
of the filter", Optics Communications 185:
33-40]. El presente procedimiento está igualmente
basado en métodos de representación de imágenes basados en la visión
humana, pero al combinar éstos con un modelo Bayesiano más general,
permite tratar casos en los que las degradaciones no se limitan a
desenfoques, y además se incluye de una manera natural el ruido en
el modelo. Por tanto, el presente procedimiento es más amplio y
genérico, dando lugar a la presente invención.
La presente invención consiste en un sistema que
incorpora un módulo de adquisición y tratamiento digital de
imágenes, que se caracteriza por hacer uso de un procedimiento
numérico que combina modelos ópticos y de reconocimiento de
patrones basados en la percepción visual. El sistema permite el
reconocimiento e identificación de patrones en imágenes sometidas a
degradaciones ópticas y ruido, de entre un conjunto finito y
prefijado. Este conjunto de patro-
nes es almacenado en formato digital, y en una escala de grises (intensidades entre negro y blanco) o de colores.
nes es almacenado en formato digital, y en una escala de grises (intensidades entre negro y blanco) o de colores.
Dependiendo de la aplicación concreta, la imagen
observada puede ser adquirida mediante un sistema óptico de
captación de imágenes (por ejemplo, en aplicaciones de vigilancia),
o bien puede ser una simulación de un sistema óptico de captación
(por ejemplo, una simulación de la imagen retiniana de un objeto a
partir de los datos ópticos de un modelo del ojo). En cualquier
caso, el procedimiento está indicado para imágenes observadas que
han sufrido una degradación óptica desconocida a priori,
introducida bien por el sistema de captación (cámara, ojo, etc.) o
por factores externos al mismo (turbulencia atmosférica, etc.).
La Figura 1 muestra un diagrama de bloques que
esquematiza los distintos elementos del proceso numérico utilizado
por el sistema de la presente invención que permite el
reconocimiento e identificación de los patrones y la estimación del
tipo de degradación, como se describen con más detalle a
continuación.
Se parte de una imagen digital degradada
ópticamente, que puede provenir bien de una escena observada por un
sistema óptico de captación de imagen y convertida mediante un
procedimiento apropiado a una imagen digital, o bien ser el
resultado de una simulación numérica de dichos procesos de
captación. Esta imagen digital se compara con las imágenes
digitales del conjunto de patrones prefijado, usando ordenadores
digitales.
La imagen degradada es transformada aplicando un
banco de filtros multiescala/multiorientación para obtener una
representación visual de la misma. Este mismo procedimiento se
aplica a las imágenes conteniendo el conjunto de patrones
prefijado, pudiéndose ejecutar este proceso en un tiempo anterior y
recuperando directamente la representación visual almacenada en un
dispositivo adecuado. El método es flexible en cuanto al tipo de
filtro a usar (Gabor, derivadas de Gaussiana, Laplacianas, etc.),
número de filtros y disposición de las escalas y orientaciones, lo
que permite adaptarlo a las necesidades concretas de cada
aplicación.
A continuación se procede a calcular, para cada
patrón del conjunto prefijado, su probabilidad de haber generado la
imagen observada. Para ello se aplica un método Bayesiano que hace
uso de la representación visual de las imágenes, y en el que
implícitamente se estima una aproximación de la degradación
desconocida que está afectando a la imagen observada. Usando esta
representación visual introducimos la simplificación adicional de
que la respuesta en frecuencia de la degradación óptica desconocida
es constante dentro del rango de frecuencias que deja pasar cada
canal. Esta simplificación hace que pasemos de un sistema no
determinado a un sistema determinado, y que sea posible calcular las
probabilidades de haber generado la imagen observada. Con la
suposición anterior es posible formular el siguiente modelo de
observación simplificado para las versiones de la imagen observada
filtradas con cada uno de los filtros de Gabor del esquema de
representación:
(1)o_{i}(x) =
(h(x)*c(x))*g_{i}(x) + \eta _{i} (x) \approx
h_{i}c_{i} (x - u_{i}) + \eta _{i} (x), \ i = 1,...,
N_{c}
donde o_{i}(x) es la
imagen degradada observada filtrada con el i-ésimo filtro de Gabor,
g_{i}(x) , y contaminada con el ruido aditivo
\eta_{i}(x); h(x) es la respuesta al impulso de
la degradación óptica desconocida; y c(x) es la imagen que
contiene el patrón original sin degradar. Haciendo uso de la
simplificación anterior, se llega a la parte de la derecha de la
ecuación anterior, en la que c_{i}(x) es la imagen con el
patrón de entrada sin degradar y filtrada con el filtro de Gabor
i-ésimo; (h_{i}, u_{i}) son el factor multiplicativo constante
y el desplazamiento global con los que se ha aproximado la
respuesta en frecuencia de la degradación óptica en el rango de
frecuencias que deja pasar el canal i-ésimo; y, finalmente, N_{c}
es el número de canales de Gabor de la
representación.
Con el modelo de observación anterior podemos
formular la probabilidad a posteriori del carácter original
c, conjunta con los parámetros que modelan la degradación óptica
{h_{i}, u_{i}}, dado el conjunto de observaciones {o_{i}}.
Aplicando la regla de Bayes obtenemos la siguiente expresión, en la
que se hace explícita la posibilidad de incluir información a
priori, como la probabilidad aparición de un patrón concreto, o
como la probabilidad a priori de los parámetros que modelan
la degradación óptica:
(2)p(c,\{h_{i},u_{i}\} \
\arrowvert \ \{o_{i}\}) = K \ p(\{o_{i}\} \ \arrowvert \
c,\{h_{i},u_{i}\})p(c)p(\{h_{i},u_{i}\})
donde por conveniencia de notación
hemos expresado las imágenes como vectores; K es una constante de
normalización. La probabilidad a posteriori es igual a la
verosimilitud, o probabilidad condicional de las observaciones dados
los parámetros del modelo, multiplicada por la probabilidad a
priori de los parámetros del modelo. Hemos supuesto que la
imagen original de entrada y los parámetros que modelan la
degradación óptica son independientes. Si no se tiene información
a priori, es posible suponer que los parámetros que modelan
la degradación óptica son equiprobables,
resultando:
(3)p(c,\{h_{i},u_{i}\} \
\arrowvert \ \{o_{i}\}) = K' \ p(\{o_{i}\} \ \arrowvert \
c,\{h_{i},u_{i}\})p(c)
donde K' es otra constante de
normalización. El estimador máximo a posteriori, MAP, para
el patrón de entrada, \hat{c}, y para los parámetros de la
degradación óptica, {\hat{h}_{i},û_{i}} es aquel que maximiza
la probabilidad a posteriori de la ecuación
(3):
donde la función de verosimilitud
p({o_{i}} | c,{h_{i}, u_{i}}) viene dada por la función
densidad de probabilidad del ruido, de acuerdo con el modelo de
observación de la ecuación (1). Suponiendo independencia condicional
entre canales, así como entre pixeles, la función de verosimilitud
resulta:
(5)p(\{o_{i}\}
\ \arrowvert \ c,\{h_{i},u_{i}\}) = \prod\limits_{i=1}^{N _{c}}
\prod\limits_{x} p_{\eta _{i}} (o_{i} (x) - h_{i}c_{i} (x -
u_{i}))
A continuación, incorporamos la probabilidad
a priori del patrón original sin degradar, c, que está
determinada por el hecho de que la imagen de entrada debe
corresponderse con alguno de los patrones del conjunto de patrones
pre-establecido. De esta manera, esta probabilidad
a priori puede expresarse como una suma de funciones delta
cada una asociada a un patrón, con un peso dado por la probabilidad
a priori de que ese patrón aparezca en la imagen.
Considerando todos los patrones equiprobables, la probabilidad a
posteriori resulta:
(6)p(c,
\{h_{i},u_{i}\} \ \arrowvert \ \{o_{i}\}) \propto
\prod\limits_{i=1}^{N _{c}} \prod\limits_{x} p_{\eta _{i}} (o_{i}
(x) - h_{i}c_{i} (x - u_{i})) \left[\sum\limits_{j=1}^{N} \delta
(c-c^{j})
\right]
donde {c^{j}}^{N}_{j=1} son
las imagines correspondientes a los N patrones. La
introducción de la probabilidad a priori hace que se reduzca
enormemente el espacio de todas las posibles configuraciones de las
intensidades en la imagen de entrada, resultando que la
probabilidad es distinta de cero únicamente para
c\in{c^{j}}^{N}_{j=1} puntos en los que la probabilidad
a posteriori
es:
(7)p(c
= c^{j}, \{h_{i},u_{i}\} \ \arrowvert \ \{o_{i}\}) \propto
\prod\limits_{i=1}^{N _{c}} \prod\limits_{x} p_{\eta _{i}} (o_{i}
(x) - h_{i}c_{i}{}^{j} (x -
u_{i}))
Así, el reconocimiento Bayesiano consiste en
primer lugar en elegir los parámetros de la degradación que
maximizan la probabilidad en (7) para cada patrón del conjunto, y
seguidamente escoger como patrón reconocido aquel con mayor
probabilidad, que es precisamente el correspondiente al máximo
global de la probabilidad a posteriori. La obtención de los
parámetros {\hat{h}_{i}, û_{i} que maximizan la expresión (7)
puede hacerse individualmente para cada canal, y después
multiplicar los valores máximos para cada canal para obtener la
probabilidad. Para un canal concreto, i, y suponiendo ruido blanco
gaussiano, maximizar la probabilidad es equivalente a minimizar la
siguiente función de error:
(8)E_{i}{}^{j}
= \sum\limits_{x} (o_{i} (x) - h_{i}c_{i}{}^{j} (x -
u_{i}))^{2}
Es posible demostrar que la función (8) se
minimiza para el valor û_{i}^{j} que maximiza la función de
correlación
Corr_{i}^{j} (u_{i}) = \sum\limits_{x} o_{i}(x)c_{i}^{j} (x - u_{i}), y que entonces \hat{h}_{i}^{j} = Corr_{i}^{j} (û_{i}^{j}) / K_{i}^{j}, con K_{i}^{j} = \sum\limits_{x} (c_{i}^{j}(x))^{2}. Así, el valor de la probabilidad a posteriori para el patrón j resulta finalmente:
Corr_{i}^{j} (u_{i}) = \sum\limits_{x} o_{i}(x)c_{i}^{j} (x - u_{i}), y que entonces \hat{h}_{i}^{j} = Corr_{i}^{j} (û_{i}^{j}) / K_{i}^{j}, con K_{i}^{j} = \sum\limits_{x} (c_{i}^{j}(x))^{2}. Así, el valor de la probabilidad a posteriori para el patrón j resulta finalmente:
(9)P_{j} = max
\{p(c = c^{j}, \{h_{i}, u_{i} \} \ | \ \{o_{i} \}) \}
\propto exp \left(\frac{1}{2\sigma^{2}} \sum\limits_{i=1}^{N_{c}}
\hat{h}_{i}{}^{j} Corr_{i}{}^{j} (\hat{u}_{i}{}^{j})
\right)
El resultado del método Bayesiano es una
probabilidad como la anterior, asociada a cada uno de los patrones
j del conjunto. Esta información puede ser utilizada de
muchas maneras, dependiendo de la aplicación. Una de las
posibilidades más interesantes es seleccionar el patrón con la
máxima probabilidad como el patrón reconocido a partir de la
imagen observada. También es posible rechazar la hipótesis de que
alguno de los patrones esté presente en la imagen, si no se superan
unos umbrales de confianza en las probabilidades calculadas. Otra
información adicional proporcionada por este método es una
estimación de los parámetros de la degradación más probables, que
pueden servir para recuperar una aproximación de la degradación
óptica desconocida que afectó a la imagen observada.
En resumen, el resultado de la aplicación de
este procedimiento proporciona:
- 1.-
- Un conjunto de probabilidades de que el patrón que aparece en la imagen degradada corresponda a cada patrón almacenado, siendo posible establecer una lista ordenada de patrones de mayor a menor probabilidad.
- 2.-
- El patrón de entre el conjunto de patrones que con mayor probabilidad ha generado la observación. Esta es la respuesta proporcionada por el modelo Bayesiano de máximo a posteriori.
- 3.-
- Una estimación de la degradación óptica más probable que afecta a la imagen observada.
La presente invención podía ser aplicada en
variadas situaciones prácticas entre las que se incluyen:
- 1.-
- Observación de objetos en el cielo desde plataformas terrestres fijas, usando medios ópticos, de tal forma que a las posibles degradaciones introducidas por los instrumentos ópticos (desenfoques, etc.) se suman las introducidas por la turbulencia atmosférica. Ejemplos concretos de aplicación son el reconocimiento de aves (mostrado en el ejemplo), aeronaves (por ejemplo, aviones y helicópteros), satélites, astros, objetos estelares, etc.
- 2.-
- Observación de objetos, tanto en el cielo como en la tierra, usando medios ópticos desde plataformas móviles, terrestres o aéreas, es decir, imágenes de objetos móviles captadas desde plataformas también móviles, de manera que se producen degradaciones debidas al movimiento (además de las propias de la óptica y de la atmósfera). Ejemplos de aplicación son el reconocimiento de los números y letras en matriculas de vehículos mediante imágenes tomadas desde helicópteros de vigilancia, reconocimiento de objetivos militares en imágenes tomadas desde vehículos o aeronaves de reconocimiento, etc.
- 3.-
- Imágenes de especímenes biológicos, captadas mediante microscopía u otras técnicas de imagen biomédica, y afectadas por degradaciones introducidas por la turbidez del medio biológico, preparaciones, etc., así como por los sistemas de formación y captación de la imagen, en las que es necesario reconocer el espécimen para proceder a su clasificación.
Figura 1.- Diagrama de bloques que esquematiza
los distintos elementos del proceso numérico utilizado por el
sistema para el reconocimiento de los patrones y la estimación del
tipo de degradación.
Figura 2.- Resultado de la aplicación del
sistema de reconocimiento de patrones de la presente invención a un
caso simulado. En él se ha partido de cinco patrones originales,
que se muestran en la primera columna, y se les ha aplicado
digitalmente una degradación que incluye desenfoque y otras
aberraciones de orden superior, obteniendo las imágenes degradadas
mostradas en la segunda columna. El logaritmo del modulo de la OTF
(Optical Transfer Function, o función de transferencia óptica) y la
PSF (Point Spread Function, o función de dispersión de un punto) se
muestran en parte inferior de la figura. El resultado de aplicar el
sistema de reconocimiento de patrones a cada una de las imágenes
degradadas se muestra en la tercera columna. En este ejemplo, la
primera imagen no ha sido reconocida correctamente, mientras que el
resto de las imágenes sí lo ha sido.
Un ejemplo de realización se muestra en la
figura 2. En este ejemplo se ha usado como patrones un conjunto de
imágenes de aves en formato digital, sobre las que se han simulado
digitalmente los efectos de la degradación óptica introducida por
turbulencia atmosférica y por un cierto desenfoque debido al
desajuste de la óptica de captación. Esta simulación ha sido
llevada a cabo de forma realista, de manera que es un ejemplo fiel
de situaciones reales en las que la presente invención podría ser
aplicada en un día en el que el estado de la atmósfera seria
normal, las aves (águilas) de gran envergadura, superior a un metro,
son observadas a una distancia de 100 metros aproximadamente.
En la simulación se han considerado las 5 aves
de la columna izquierda, que se han guardado en memoria para el
posterior reconocimiento. Cada una de las imágenes fuertemente
degradadas de la columna central ha sido la información de entrada
para el procedimiento de reconocimiento. La salida del procedimiento
es una asignación, mediante el método Bayesiano de máxima
probabilidad a posteriori, en la cual se ha inferido que la
imagen degradada corresponde a una de las posibles aves (esta
asignación se muestra en la columna de la derecha). Finalmente, a
la derecha se muestra cuando la asignación fue correcta (acierto) o
errónea (fallo).
Las etapas concretas seguidas en el
procedimiento de reconocimiento aplicado en este ejemplo concreto
se detallan a continuación:
- -
- Se aplica una descomposición piramidal multiescala/multiorientación, que en este caso se ha realizado mediante un banco de filtros de Gabor [O. Nestares, R. Navarro, J. Portilla, A. Tabernero (1998), "Efficient spatial-domain implementation of a multiscale image representation based on Gabor functions", J. Electronic Imaging, 7; 166-173], a las imágenes que contienen los patrones sin degradaciones ópticas, así como a la imagen degradada que se quiere reconocer. En esta realización se han usado 16 filtros distribuidos en 4 niveles de frecuencia por 4 orientaciones. El número, tipo y disposición de los filtros puede ser adaptado dependiendo de la aplicación concreta.
- -
- Para cada subbanda (correspondiente a una escala y orientación) se realiza la correlación entre la imagen observada y cada uno de los patrones (5 en este ejemplo).
- -
- Los valores de la correlación de cada subbanda se transforman a probabilidades, se extrae el máximo, y se combinan los máximos de forma multiplicativa, de un modo similar al descrito en la referencia [A. Vargas, J. Campos, R. Navarro (2000). "Invariant pattern recognition against defocus based on subband decomposition of the filter", Optics Communications 185: 33-40].
- -
- Los 5 valores obtenidos son las probabilidades de que cada uno de los patrones haya generado la imagen degradada observada, y que se pueden interpretar como una medida del parecido entre ambos, de manera que el valor máximo determina el patrón elegido como respuesta.
En este ejemplo de realización se han tomado los
cinco patrones originales, que se muestran en la primera columna, y
se les ha aplicado digitalmente una degradación que incluye
desenfoque y otras aberraciones de orden superior, obteniendo las
imágenes degradadas mostradas en la segunda columna. El logaritmo
del modulo de la OTF (Optical Transfer Function, o función de
transferencia óptica) y la PSF (Point Spread Function, o
función de dispersión de un punto) se muestran en parte inferior de
la figura. Cada una de las imágenes degradadas ha sido sometida al
procedimiento de reconocimiento, mostrándose el patrón reconocido
en la tercera columna. En este ejemplo, la primera imagen no ha
sido reconocida correctamente, mientras que el resto de las imágenes
sí lo ha sido, a pesar de lo fuertemente degradadas que aparecen
las imágenes (columna central de la Figura 2).
Claims (5)
1. Sistema de reconocimiento de patrones en
imágenes afectadas por degradaciones ópticas y ruido, que se
caracteriza por hacer uso de un procedimiento numérico que
combina modelos ópticos y de reconocimiento de patrones basados en
la percepción visual, y porque comprende:
- a)
- un módulo de adquisición y tratamiento digital de imágenes,
- b)
- un banco configurable de patrones digitalizados previamente de entre los que se pretende efectuar el reconocimiento e identificación en la imagen degradada,
- c)
- un banco de filtros pasa-banda, adaptables en número, tipología y parametrización a cada aplicación concreta, que permite una representación visual multiescala y multiorientación tanto de las imágenes degradadas como de los patrones,
- d)
- un reconocimiento Bayesiano que, utilizando el método de representación descrito en el punto c), permite calcular tanto la probabilidad de que cada uno de los patrones del conjunto esté presente en la imagen degradada, como los parámetros que modelan la degradación óptica, caracterizado porque:
- i)
- se basa en el valor de la correlación entre la imagen observada y el patrón;
- ii)
- aplica la correlación en las diferentes subbandas de escalas y orientaciones, y
- iii)
- transforma los valores de correlación a probabilidades y los combina de acuerdo con el método Bayesiano.
2. Sistema de la reivindicación 1 para su uso en
el reconocimiento de patrones en imágenes sometidas a degradaciones
ópticas causadas por el desenfoque de los instrumentos ópticos de
captación.
3. Sistema de la reivindicación 1 para su uso en
el reconocimiento de patrones en imágenes captadas a través de la
atmósfera y afectadas por tanto de las aberraciones aleatorias
típicas introducidas por la turbulencia del medio, además de las
propias del instrumento óptico de captación.
4. Sistema de la reivindicación 1 para su uso en
el reconocimiento de patrones en imágenes sometidas a degradaciones
ópticas simuladas, con el objeto de evaluar objetivamente la
respuesta de sistemas ópticos de captación en función del nivel de
degradación.
5. Sistema de la reivindicación 1 para su uso en
el reconocimiento de patrones en imágenes de especímenes
biológicos, captadas mediante microscopía u otras técnicas de
imagen biomédica, y afectadas por degradaciones introducidas por la
turbidez del medio biológico, preparaciones, etc., así como por los
sistemas de formación y captación de la imagen.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200300562A ES2247873B1 (es) | 2003-03-07 | 2003-03-07 | Sistema de reconocimiento de patrones en imagenes afectadas por degradaciones opticas. |
PCT/ES2004/070012 WO2004079637A1 (es) | 2003-03-07 | 2004-03-08 | Procedimiento para el reconocimiento de patrones en imagenes afectadas por degradaciones ôpticas y su aplicaciôn a la predicciôn de la agudeza visual a partir de datos de aberrometria ocular del paciente |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200300562A ES2247873B1 (es) | 2003-03-07 | 2003-03-07 | Sistema de reconocimiento de patrones en imagenes afectadas por degradaciones opticas. |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2247873A1 ES2247873A1 (es) | 2006-03-01 |
ES2247873B1 true ES2247873B1 (es) | 2007-05-16 |
Family
ID=35986404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES200300562A Expired - Fee Related ES2247873B1 (es) | 2003-03-07 | 2003-03-07 | Sistema de reconocimiento de patrones en imagenes afectadas por degradaciones opticas. |
Country Status (1)
Country | Link |
---|---|
ES (1) | ES2247873B1 (es) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10171924A (ja) * | 1996-12-10 | 1998-06-26 | Brother Ind Ltd | 文字認識装置 |
JPH11306285A (ja) * | 1998-04-22 | 1999-11-05 | Mitsubishi Heavy Ind Ltd | パターン認識装置 |
US6633683B1 (en) * | 2000-06-26 | 2003-10-14 | Miranda Technologies Inc. | Apparatus and method for adaptively reducing noise in a noisy input image signal |
-
2003
- 2003-03-07 ES ES200300562A patent/ES2247873B1/es not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
ES2247873A1 (es) | 2006-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062880B (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
Anderson et al. | Image restoration based on a subjective criterion | |
Li et al. | Fusing images with different focuses using support vector machines | |
KR102521544B1 (ko) | 디노이징 네트워크의 학습 방법, 및 이미지 처리 방법 및 그 장치 방법 | |
CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN114746895A (zh) | 用于图像去噪的噪声重构 | |
Vitale et al. | A new ratio image based CNN algorithm for SAR despeckling | |
CN112513928A (zh) | 训练模型以对有雾图像执行语义分割的方法和系统 | |
Feng et al. | Turbugan: An adversarial learning approach to spatially-varying multiframe blind deconvolution with applications to imaging through turbulence | |
Gibson et al. | Example based depth from fog | |
ES2247873B1 (es) | Sistema de reconocimiento de patrones en imagenes afectadas por degradaciones opticas. | |
CN117152733B (zh) | 一种地质材料材质识别方法、系统及可读存储介质 | |
CN112767267A (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 | |
Contaldi et al. | A Bayesian estimate of the skewness of the cosmic microwave background | |
CN116109829A (zh) | 一种基于融合网络的珊瑚礁水域图像分割方法 | |
JPH0749942A (ja) | 追跡装置 | |
Mastriani | Denoising based on wavelets and deblurring via self-organizing map for Synthetic Aperture Radar images | |
CN111986109A (zh) | 一种基于全卷积网络的遥感影像去雾方法 | |
Paul et al. | A study on image enhancement techniques for fingerprint identification | |
KR102448498B1 (ko) | 적외선 영상의 잡음을 제거하는 방법 및 장치 | |
Jain et al. | Review on Denoising techniques for AWGN signal introduced in a stationary image | |
Isono et al. | Robust spatiotemporal fusion of satellite images: A constrained convex optimization approach | |
CN111968067B (zh) | 基于硅传感器相机的短波红外图像处理方法、装置及设备 | |
Yan et al. | Image restoration using chaotic simulated annealing | |
CN115049550A (zh) | 毫米波安检图像降噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
EC2A | Search report published |
Date of ref document: 20060301 Kind code of ref document: A1 |
|
FG2A | Definitive protection |
Ref document number: 2247873B1 Country of ref document: ES |
|
FD2A | Announcement of lapse in spain |
Effective date: 20180808 |