Summary  
Explains how to apply convolution-based gradient operators and multi-stage thresholding techniques to detect sudden intensity changes (edges) in grayscale images.

General domain of usage  
Computer vision

## Detección de bordes

Los bordes representan cambios bruscos en la intensidad de los píxeles, que generalmente corresponden a los límites de los objetos. La detección de bordes ayuda en el reconocimiento de formas y la segmentación.

### Detección de bordes con Sobel

El operador Sobel calcula los gradientes (cambios de intensidad) en las direcciones **X y Y**, lo que ayuda a detectar bordes horizontales y verticales.


### Detección de bordes con Canny

El detector de bordes de Canny es un algoritmo de múltiples etapas que **proporciona bordes más precisos** mediante:
1.	Aplicación de desenfoque gaussiano para eliminar el ruido.
2.	Cálculo de gradientes de intensidad utilizando filtros Sobel.
3.	Supresión de bordes débiles.
4.	Uso de doble umbral y seguimiento de bordes.

## Comparación de métodos de detección de bordes:

import unittest
import numpy as np
import importlib
import cv2

def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)

class TestEdgeDetection(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        global user_code
        user_code = importlib.import_module("user_code")

    def test_output_types(self):
        gray = getattr(user_code, "gray_image", None)
        sobel = getattr(user_code, "sobel_img", None)
        canny = getattr(user_code, "canny_img", None)
        _dynamic_test(
            self,
            all(isinstance(x, np.ndarray) for x in [gray, sobel, canny]),
            "All edge detection outputs are NumPy arrays.",
            "Grayscale, Sobel, and Canny images should all be NumPy arrays."
        )

    def test_sobel_kernel_parameters(self):
        gray = user_code.gray_image
        sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
        sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
        combined = cv2.magnitude(sobel_x, sobel_y)
        student = user_code.sobel_img

        similarity = np.allclose(student, combined, atol=1e-5)
        _dynamic_test(
            self,
            similarity,
            "Sobel image matches expected output with kernel size of 3 and depth as cv2.CV_64F.",
            "Sobel image does not match expected output using correct parameters (kernel size of 3, depth as cv2.CV_64F)."
        )

    def test_canny_thresholds(self):
        gray = user_code.gray_image
        expected = cv2.Canny(gray, 200, 300)
        student = user_code.canny_img

        similarity = np.array_equal(student, expected)
        _dynamic_test(
            self,
            similarity,
            "Canny edge output matches thresholds 200-300.",
            "Canny edge image should be computed with thresholds 200 and 300."
        )

if __name__ == "__main__":
    unittest.main()


test_code.py

Introducción integral a la visión por computadora, enfocada en la percepción e interpretación automática de datos visuales. Cubre preprocesamiento de imágenes, extracción de características, detección de objetos y técnicas de aprendizaje profundo utilizadas en sistemas de visión modernos.

La visión por computadora permite a las máquinas interpretar y analizar datos visuales, imitando la percepción humana. Esta sección abarca los conceptos básicos de la representación de imágenes, modelos de color y fundamentos matemáticos esenciales para comprender cómo los ordenadores procesan imágenes. Se explorarán aplicaciones en el mundo real, desde vehículos autónomos hasta imágenes médicas, y se analizará cómo la visión por computadora se integra con la IA y el aprendizaje automático.

OpenCV es una biblioteca potente para la manipulación de imágenes y tareas de visión por computadora. Esta sección abarca técnicas esenciales como el filtrado de imágenes, transformaciones, detección de bordes y segmentación. Aprenderá a realizar desenfoque, umbralización, detección de contornos y extracción de características para mejorar y analizar imágenes de manera eficiente.

Las CNN procesan datos visuales utilizando capas de convolución, agrupamiento y activación para extraer características en tareas como clasificación de imágenes y detección de objetos. Los componentes clave incluyen el padding, la convolución para la extracción de características, el agrupamiento para la reducción de complejidad y la activación para la no linealidad. Arquitecturas populares como AlexNet, VGG y ResNet impulsan la IA en salud, autonomía y seguridad.

La detección de objetos es una tarea fundamental en la visión por computadora que consiste en identificar y localizar objetos dentro de una imagen. A diferencia de la clasificación de imágenes, que asigna una sola etiqueta a toda la imagen, la detección de objetos no solo clasifica los objetos, sino que también determina sus posiciones utilizando cajas delimitadoras. Esta sección abarca técnicas y algoritmos clave utilizados en la detección de objetos, desde métodos tradicionales hasta enfoques basados en aprendizaje profundo como YOLO y U-Net.

La visión por computadora ha avanzado significativamente a lo largo de los años, pasando de métodos básicos de procesamiento de imágenes a técnicas complejas de aprendizaje profundo. Esta sección aborda las innovaciones más recientes en visión por computadora, con énfasis en el aprendizaje por transferencia, el reconocimiento facial y la generación de imágenes. Se explorarán los beneficios de los modelos preentrenados en el rendimiento, los principios de la tecnología de reconocimiento facial y la manera en que la IA crea imágenes mediante aprendizaje profundo.

Detección de Bordes

Detección de bordes

Detección de bordes con Sobel

Detección de bordes con Canny

Comparación de métodos de detección de bordes: