Una mejora del reconocimiento de formas en la visión artificial
En las tareas de visión artificial (computer vision) se suelen seguir dos planteamientos, uno ascendente y otro descendente. No obstante, ambos planteamientos tienen «zonas grises», puesto que en la práctica ascendente es frecuente pasar por alto algunos detalles y en las metodologías descendentes es necesaria gran cantidad de computación. Ante estas circunstancias, el proyecto DSSCV se propuso solucionar simultáneamente las tareas de la visión artificial a todos los niveles apoyándose en la estructura escala-espacio profunda de las imágenes. De ese modo, el uso de una estructura de singularidad multiescalar de imágenes podría solucionar tareas de la visión artificial del modo más elegante, sólido y eficaz. Concretamente, el proyecto dio lugar al desarrollo tanto teórico como práctico de la teoría de la singularidad, la teoría de escala-espacio (scale-space theory) y la algorítmica para derivar algoritmos eficaces con los que afrontar las tareas de la visión artificial. Las principales áreas de aplicación de estos algoritmos son las bases de datos de imágenes, el procesamiento de imágenes médicas y la codificación de imágenes. Se evaluó la capacidad de reconocimiento de formas de uno de los algoritmos desarrollados y aplicados a partir de un diagrama de presimetría. Esta evaluación se realizó usando una base de datos de noventa y nueve formas, divididas en once categorías. Se observó que el algoritmo de reconocimiento, en su forma presente, sólo fallaba cuando había aspectos de oclusión muy marcados. A pesar de ello, se demostró que los conjuntos de simetría pueden resultar útiles en la caracterización de formas y muy eficaces para la recuperación de formas. Así pues, esta tecnología puede emplearse para hacer búsquedas en bases de datos de imágenes basadas en contenido. Para más información, visite: http://www1.itu.dk/sw1953.asp(se abrirá en una nueva ventana)
