examen_PIV_B UJA

¿Cuál fue el impulso histórico decisivo para el procesamiento digital de imágenes en la década de 1960?. La invención del televisor en color. Las primeras imágenes de la Luna transmitidas por la sonda Ranger 7 (1964). El desarrollo del formato JPEG. La aparición de las primeras cámaras réflex digitales.

El modelo heterárquico de un sistema PDI se caracteriza por: Un flujo de información estrictamente ascendente (de bajo a alto nivel). Un flujo bidireccional donde los niveles superiores retroalimentan a los inferiores. La ausencia de etapa de preprocesamiento. Procesar exclusivamente imágenes en color.

Las bandas de Mach son un fenómeno perceptivo en el que: El sistema visual reduce el contraste cerca de los bordes. El sistema visual exagera el contraste percibido cerca de los bordes entre zonas de distinta intensidad. Los colores complementarios se fusionan en un gris neutro. Las frecuencias altas se perciben como colores saturados.

¿Qué es el demosaicing en el contexto de sensores de imagen?. Un proceso de compresión con pérdida similar al JPEG. La reconstrucción de una imagen a color completa a partir de los datos parciales de una Matriz de Filtros de Color (CFA/Bayer). Un filtro de suavizado para reducir el ruido del sensor. La calibración de los parámetros intrínsecos de la cámara.

El espacio de color HSI separa la información cromática de la de luminancia. La componente I (Intensidad) se calcula como: I = max(R, G, B). I = (R + G + B) / 3. I = 0.299R + 0.587G + 0.114B. I = min(R, G, B).

¿Qué efecto tiene la transformación de negativo (s = L − 1 − r) sobre una imagen en escala de grises?. Aumenta el contraste en las zonas oscuras únicamente. Invierte la escala de grises: lo claro se vuelve oscuro y viceversa. Elimina el ruido de alta frecuencia. Convierte la imagen a binaria (blanco y negro puro).

La especificación del histograma permite: Ajustar el histograma de la imagen a una forma arbitraria definida por el usuario. Únicamente igualar el histograma a forma uniforme. Calcular la varianza de la imagen. Detectar bordes mediante el análisis de niveles de gris.

¿Cuál es la principal diferencia entre los operadores de Roberts y de Sobel para el cálculo del gradiente?. Roberts usa máscaras 3×3 y Sobel usa máscaras 2×2. Roberts usa diferencias cruzadas en máscaras 2×2 (sensible al ruido); Sobel usa máscaras 3×3 con suavizado incorporado. Sobel solo detecta bordes horizontales; Roberts detecta en todas las direcciones. No existe diferencia significativa entre ambos operadores.

El detector de bordes de Marr-Hildreth (LoG) busca bordes como: Máximos en la respuesta del gradiente de primer orden. Cruces por cero en la respuesta de la Laplaciana de la Gaussiana (segunda derivada). Mínimos locales del histograma de la imagen. Picos en el espectro de Fourier de la imagen.

Si una máscara de filtrado espacial tiene todos los coeficientes positivos que suman 1, se trata de un filtro: Paso alto (realce de bordes). Paso bajo (suavizado / alisamiento). Paso banda (deja pasar un rango de frecuencias). Derivativo (detección de puntos aislados).

¿Cuál de las siguientes NO es una condición formal de una segmentación válida?. La unión de todas las regiones reconstruye la imagen completa. Las regiones pueden solaparse parcialmente si comparten el mismo predicado. Cada región es un conjunto conexo. Regiones adyacentes que cumplan el mismo predicado deben fusionarse.

La Transformada de Hough para deteccion de rectas usa la representación polar (ρ, θ) en lugar de (a, b) porque: La representación polar ocupa menos memoria. Las rectas verticales tienen pendiente infinita en coordenadas cartesianas, pero no en polares. La representación polar permite detectar círculos pero la cartesiana no. La representación cartesiana no es compatible con imágenes digitales.

¿Cuándo es recomendable usar umbralización adaptativa en lugar de un umbral global (Otsu)?. Cuando la imagen tiene un histograma perfectamente bimodal. Cuando la iluminación no es uniforme o hay sombras variables en la imagen. Cuando la imagen es binaria (ya segmentada). Cuando la imagen contiene únicamente ruido gaussiano.

Las conexiones residuales (skip connections) de ResNet resuelven el problema de: El sobreajuste (overfitting) por exceso de datos de entrenamiento. El desvanecimiento del gradiente en redes muy profundas. La falta de invarianza a la rotación en las CNNs. La necesidad de preprocesar las imágenes a escala de grises.

En el detector de Viola-Jones, los clasificadores débiles se organizan en cascada para: Aumentar la resolución de la imagen de entrada. Descartar rápidamente ventanas que no contienen caras, reduciendo drásticamente el tiempo de cómputo. Entrenar la red con backpropagation en cada etapa. Convertir las características de Haar en descriptores SIFT.

La Restricción de Constancia de Brillo asume que: La intensidad de un píxel cambia linealmente con el tiempo. Un punto del objeto mantiene aproximadamente la misma intensidad entre cuadros consecutivos. Todos los objetos de la escena se mueven a la misma velocidad. La cámara permanece estática durante toda la secuencia.

¿Por qué se necesita procesamiento jerárquico (pirámide Gaussiana) para calcular el flujo óptico?. Porque reduce el ruido de la imagen original. Porque la linealización de Taylor solo es válida para desplazamientos pequeños; la pirámide reduce los desplazamientos efectivos. Porque las pirámides permiten trabajar en el dominio frecuencial. Porque sin pirámide el flujo óptico solo detecta movimiento horizontal.

En visión estéreo, la disparidad entre dos imágenes es: La diferencia de enfoque entre las dos cámaras. El desplazamiento horizontal de un punto entre las dos vistas, inversamente proporcional a la profundidad. La diferencia de iluminación entre las dos imágenes. El ángulo de convergencia de los ejes ópticos de las cámaras.

Las tres fases del algoritmo CONDENSATION (Filtrado de Partículas) son: Detección, descripción y correspondencia. Selección (muestreo según pesos), predicción (modelo dinámico + ruido) y medida (actualización de pesos). Convolución, umbralización y segmentación. Predicción de Kalman, corrección de Kalman y suavizado.

El algoritmo Mean Shift para seguimiento visual caracteriza al objeto mediante: Un contorno activo (snake) que se deforma en cada cuadro. Un histograma de color que es robusto a rotaciones y deformaciones del objeto. Un descriptor SIFT recalculado en cada fotograma. La magnitud del gradiente en la región del objeto.