OPEN CV + PYTHON
M.C. JONATHAN ZAVALA-DÍAZ
¿QUÉ ES OPENCV?
OpenCV (Open Source Computer Vision Library) es una biblioteca open source
enfocada en:
• Procesamiento de imágenes
• Visión artificial en tiempo real
• Aplicaciones de IA
• Reconocimiento de patrones
¿DÓNDE SE USA?
• Robótica
• Medicina
• Seguridad
• Industria automotriz
• Sistemas biométricos
CONCEPTOS FUNDAMENTALES
• ¿Qué es una imagen para OpenCV?
Una imagen = matriz
[Link]
ESPACIOS DE COLOR(RGB, ESCALA DE GRISES, HSV)
• BGR, en Open CV por default
*En OpenCV muchas tareas de detección de color se hacen en HSV y no en RGB.
**Es porque RGB es bastante torpe para separar colores cuando cambia la
iluminación. Los humanos lo notamos menos, pero el algoritmo sufre.
[Link]
EN HSV EL COLOR ESTÁ SEPARADO DE LA
ILUMINACIÓN
HSV divide la información en tres partes:
• Hue (H) → el color puro (rojo, verde, azul, etc.)
• Saturation (S) → qué tan intenso es el color
• Value (V) → brillo o iluminación
*Eso significa que el color está concentrado en
un solo canal: Hue.
*En RGB el color está mezclado en tres canales
al mismo tiempo.
EN HSV ES MÁS FÁCIL DEFINIR RANGOS DE COLOR
• En detección de color normalmente se usan rangos:
• [H, S, V]
• Hue entre 35 y 85 → verde
RANGOS MÁXIMOS Y MÍNIMOS EN OPENCV
Canal Mínimo Máximo
Hue 0 179
Saturation 0 255
Value 0 255
Hue llega a 179 porque OpenCV guarda el ángulo del color (0-360°) comprimido a la mitad para caber
en 8 bits.
Canal Interpretación
H: 35–85 tonos de verde
S: 50–255 colores suficientemente intensos
V: 50–255 evitar zonas muy oscuras
TABLA DE COLORES BÁSICOS (HSV EN OPENCV)
Color Lower (HSV) Upper (HSV)
Rojo (rango 1) [0,120,70] [10,255,255]
Naranja [10,100,100] [20,255,255]
Amarillo [20,100,100] [30,255,255]
Verde [35,50,50] [85,255,255]
Azul [100,150,50] [130,255,255]
Morado / Violeta [130,50,50] [160,255,255]
MOSTRAR IMAGEN
DIBUJAR FORMAS
[Link]
DETECCIÓN DE BORDES
[Link]
EJERCICIO 1:
SEGMENTACIÓN DE COLOR USANDO HSV
• A) Usando una imagen Ejercicio1_imagen.py
• B) Tiempo real Ejercicio1_realtime.py
AHORA USTEDES:
DETECTAR DOS COLORES AL MISMO TIEMPO EN UNA
IMAGEN
Detección de madurez en frutas 🍌🍅
• Problema real:
En agricultura se usa visión artificial para clasificar frutas maduras y verdes.
Ejercicio:
• detectar amarillo (plátano maduro)
• detectar verde (plátano inmaduro)
EJERCICIO 2:
DETECCIÓN DE CONTORNOS Y FIGURAS GEOMÉTRICAS
• Detectar triángulos y rectángulos usando contornos.
[Link]
AHORA USTEDES:
DETECTAR CÍRCULOS EN UNA IMAGEN
Conteo automático de frutas 🍊🍎
• Problema real:
En agricultura se usa visión artificial para contar frutas en los árboles y estimar la producción
antes de la cosecha. Esto ayuda a los agricultores a planificar mejor la recolección y la logística.
• Muchas frutas como naranjas, manzanas o limones tienen forma aproximadamente circular, por
lo que detectar círculos en una imagen permite identificarlas automáticamente.
Ejercicio:
• detectar círculos (frutas en el árbol)
• dibujar un círculo alrededor de cada fruta detectada
• mostrar el número total de frutas detectadas en la imagen