Contenido del Curso

Fundamentos de Visión por Computadora

1. Introducción a la Visión por Computadora

¿Qué es la Visión por Computadora?Fundamentos del Procesamiento de Imágenes Álgebra Lineal para la Manipulación de Imágenes

2. Procesamiento de Imágenes con OpenCV

Transformaciones Básicas Transformada de Fourier Filtros de Paso Bajo y Paso Alto Reducción de Ruido y Suavizado Ecualización de Histograma Técnicas de Superresolución Detección de Bordes Detección de Esquinas y Blobs

3. Redes Neuronales Convolucionales

Introducción a las Redes Neuronales Convolucionales Capas de Convolución Capas de Agrupamiento Aplanamiento Funciones de Activación Visión General de los Modelos CNN Populares Desafío: Construcción de una CNN

4. Detección de Objetos

Localización de Objetos Detección de Objetos Predicciones de Cajas Delimitadoras Intersección Sobre Unión (IoU) y Métricas de Evaluación Supresión No Máxima (NMS)Cajas Ancla Descripción General del Modelo YOLO Desafío: Detección de Objetos con Modelo Personalizado y YOLO

5. Visión General de Temas Avanzados

Aprendizaje por Transferencia en Visión por Computadora Visión General del Reconocimiento Facial Visión General de la Generación de Imágenes

Fundamentos del Procesamiento de Imágenes

Modelos de color

Las computadoras almacenan y muestran imágenes utilizando píxeles, que son pequeños cuadrados que conforman una imagen. Cada píxel contiene información de color, y al juntar millones de ellos, se obtiene una imagen nítida. La forma en que se representan los colores depende de diferentes modelos de color:

• Escala de grises: en lugar de color, este modelo utiliza diferentes tonos de gris (de 0 a 255), desde blanco hasta negro. Se utiliza frecuentemente en fotografía en blanco y negro o en imágenes médicas;

• RGB (rojo, verde, azul): el modelo más común, utilizado en pantallas y cámaras. Combina diferentes niveles de 0 a 255 de luz roja, verde y azul para crear todos los colores posibles, permitiendo un total de más de 16 millones (256 × 256 × 256) de colores distintos;

• HSV (matiz, saturación, valor): un modelo que representa el color de una manera más cercana a cómo lo perciben los humanos. Descompone los colores en su tipo (matiz, de 0˚ a 360˚), intensidad (saturación, de 0% a 100%) y brillo (valor, de 0% a 100%).

Imágenes vectoriales vs. imágenes rasterizadas

Al trabajar con imágenes, es importante comprender los dos tipos principales: imágenes rasterizadas e imágenes vectoriales. Cada una tiene su propia forma de almacenar datos visuales y se utiliza para diferentes propósitos.

Imágenes rasterizadas (basadas en píxeles)

Las imágenes rasterizadas están compuestas por pequeños cuadrados llamados píxeles, dispuestos en una cuadrícula. Cada píxel tiene un valor de color y, en conjunto, forman la imagen completa. Las imágenes rasterizadas se utilizan comúnmente en fotografía y pantallas digitales porque capturan con precisión los detalles y colores.

• Formatos comunes: JPEG, PNG, BMP, TIFF;

• Ventajas: gran nivel de detalle y profundidad de color;

• Desventajas: pierden calidad al cambiar su tamaño (pixelación).

Imágenes vectoriales (formas matemáticas)

Las imágenes vectoriales, por otro lado, no están compuestas por píxeles sino por ecuaciones matemáticas que definen líneas, curvas y formas. Por esta razón, pueden redimensionarse infinitamente sin perder calidad. Estas imágenes son ideales para logotipos, iconos e ilustraciones.

• Formatos comunes: SVG, EPS, PDF;

• Ventajas: escalables sin pérdida de claridad;

• Desventajas: no son adecuadas para fotografías detalladas.

Cada formato cumple una función diferente, ya sea ahorrar espacio, preservar la calidad o soportar efectos especiales como la transparencia. Comprender cómo se almacenan y representan las imágenes ayuda a elegir el formato adecuado para cada tarea.