Mejoramiento de la Imagen
A continuación tienes el Modulo Interactivo de Apoyo al Aprendizaje en donde podrás obtener los conocimientos necesarios para comprender como una computadora mejora una imagen para distintos fines.
¡Disfrútalo!
¿Qué significa que una máquina "vea" correctamente?
Esta sesión aborda un problema fundamental en la Industria 4.0: la señal visual como dato de ingeniería. Antes de que cualquier algoritmo de detección, clasificación o guiado robótico pueda ejecutarse, la imagen debe cumplir estándares cuantitativos de calidad. Hoy construirás las herramientas matemáticas para diagnosticar y corregir esa calidad directamente sobre la matriz de píxeles — sin tocar el hardware.
Tres etapas, un pipeline completo
Navega las tres pestañas en orden para construir el conocimiento de manera progresiva.
Preámbulo
Contexto, preguntas detonadoras y guía de navegación.
// Estás aquíMódulo I · Previo
Diagnóstico de conocimientos sobre sensores, bits, píxeles y señal digital.
// Pestaña 01Módulo II · Mejora
Transformaciones de dominio espacial sobre la matriz con simulador interactivo.
// Pestaña 02Preguntas que esta sesión responderá
Sin buscar respuestas aún — solo reflexiona.
"Si 8 bits producen 256 niveles de gris, ¿cuántos niveles produciría un sensor de 12 bits? ¿Qué ventaja operacional ofrece en una celda robótica?"
// Respuesta en la sección teórica →"Si la cámara de tu brazo robótico entrega imágenes siempre subexpuestas, ¿cambiarías el hardware o aplicarías matemática al dominio espacial? ¿Por qué?"
// Simulador interactivo en Módulo II →"¿Qué diferencia matemática existe entre 'aumentar el brillo' sumando una constante y 'ecualizar el histograma'? ¿Ambas mejoran el contraste?"
// Simulador con comparación visual →Cómo navegar este recurso
Lee el preámbulo
Contextualiza el problema y activa tu conocimiento previo con las preguntas detonadoras.
Módulo I — Diagnóstico
Resuelve el quiz de 10 preguntas. Ingresa tu nombre antes de calificar para generar tu evidencia.
Módulo II — Simulador
Manipula la matriz de píxeles con brillo, ecualización y negativo. Responde el ticket de salida.
¿Listo para construir tu máquina de visión?
Empieza por reforzar los fundamentos antes de aplicar las transformaciones.
Diagnóstico: ¿Qué recuerdas de la señal visual?
Se seleccionan 10 preguntas aleatorias de un banco de 15 cada vez que reinicias. El orden de las opciones también se baraja para evitar memorización de patrones. Ingresa tu nombre antes de calificar.
Resultado de la Evaluación Diagnóstica
El Histograma y el Rango Dinámico de 8 bits
De la señal analógica de luz al arreglo discreto de enteros: la ruta matemática que recorre cada fotón desde el sensor hasta la matriz de píxeles.
Del voltaje analógico al entero digital
El conversor Analógico-Digital (ADC) del sensor muestrea el voltaje de cada fotodiodo y lo mapea a un entero sin signo. Con n = 8 bits obtenemos:
Representación binaria de un píxel típico (8 bits):
Ejemplo: intensidad 128 = 10000000₂
¿Qué es el Histograma H(r)?
El histograma es una función de distribución de frecuencias absolutas: para cada nivel de gris posible r ∈ {0,…,255} cuenta cuántos píxeles de la imagen f(x,y) tienen exactamente esa intensidad.
⚠️ El histograma NO guarda información de posición espacial. Dos imágenes completamente distintas pueden compartir el mismo histograma.
Histograma apilado en oscuros (izquierda)
La cámara recibió poca luz. La mayoría de los píxeles tienen valores bajos.
// H(r) — energía concentrada en r ≈ 0–60
Histograma apilado en claros (derecha)
El sensor está saturado. Los píxeles alcanzan valores cercanos a 255.
// H(r) — energía concentrada en r ≈ 195–255
Histograma distribuido en todo el rango
La imagen aprovecha todo el rango dinámico de 8 bits.
// H(r) — distribución amplia en 0–255
Identifica el Histograma Correcto
Lee cada escenario de visión industrial y selecciona el tipo de histograma que corresponde.
Autoevaluación de Aprendizaje
Marca solo los conceptos que puedes explicar con tus propias palabras — sin leer las notas.
Mejora de Imagen: Del Espacio a la Frecuencia
"Si nuestro brazo robótico solo ve una mancha oscura, ¿cómo le enseñamos matemáticamente a 'encender la luz' y 'enfocarse' sin tocar la cámara física?"
En Industria 4.0, un robot de inspección visual depende de señales visuales limpias. Si la imagen llega subexpuesta o con bajo contraste, los algoritmos de detección fallan antes de ejecutar una sola instrucción. La solución está en la matemática aplicada al dominio espacial.
El Dominio Espacial: operar directamente sobre los píxeles
Antes de escribir una sola línea de código, el ingeniero mecatrónico debe entender qué le está pasando matemáticamente a la matriz cuando aplicamos una transformación de grises.
La Imagen es una Matriz
Cada cuadro capturado por la cámara de tu celda robótica es una función discreta f(x,y): una matriz donde cada elemento (píxel) almacena su nivel de intensidad luminosa.
Histograma: el "ECG" de la iluminación
El histograma H(r) cuenta cuántos píxeles tienen cada nivel de intensidad r. Es el diagnóstico de la imagen.
Ecualización: Estirar el Rango Dinámico
La ecualización redistribuye las intensidades para que el histograma quede aproximadamente uniforme usando toda la escala 0–255.
Transformación Lineal: Ajuste de Brillo
Suma (o resta) una constante c a cada píxel. Desplaza el histograma horizontalmente sin cambiar su forma.
Simulador Interactivo de Matriz de Píxeles
Manipula en tiempo real una imagen 5×5 de una pieza industrial subexpuesta.
// Distribución de intensidades
// Operación activa
La imagen fue capturada en condiciones de baja iluminación industrial. La cámara registró intensidades entre 10 y 30 sobre un rango posible de 0–255.
Selecciona una operación o ajusta el slider de brillo.
Ticket de Salida
Antes de cerrar la sesión, demuestra que el concepto quedó claro. Tu respuesta es tu "boleto de salida".
Pregunta de Reflexión
Responde con tus propias palabras. No hay respuestas incorrectas, solo razonamiento ingenieril.
Si tienes una imagen industrial con ruido aleatorio (variaciones súbitas de intensidad en píxeles vecinos), ¿qué operación espacial aplicarías a los píxeles vecinos para suavizarla? ¿Por qué funciona matemáticamente?
💡 Pista: piensa en cómo calcularías un valor "representativo" de una vecindad de píxeles.
Usa Ctrl+Enter para enviar rápidamente.