Clasificador de Imágenes de ruletas de casino.

PRÁCTICA DE TRATAMIENTO DIGITAL DE LA IMAGEN.
DETECTOR DE RULETAS DE CASINO
Por: Nahuel Ignacio Pardo Abbiati
GISA 66 - 100283544

ÍNDICE
1.SELECCIÓN DE LA CATEGORÍA

2. INTRODUCCIÓN
-El esquema a seguir será el siguiente:
Procesado

Detección

Clasificación

2.INTRODUCCIÓN
3.DESCRIPTORES
3.1.PROCESADO
3.2.DETECCIÓN
3.3.CONCLUSIÓN Y ANÁLISIS

4.CLASIFICADOR
5.EVALUACIÓN
1.SELECCIÓN DE LA CATEGORÍA
-A la hora de observar las distintas categorías
ofrecidas siempre hay que buscar la que nos
ofrezca menos resistencia en el análisis y
resolución del problema. Pero también hay que
sopesar „dificultad‟ y „reto‟. Algunas categorías
como „fuegos artificiales‟, „Golden State Bridge‟
o „Menorah‟ estaban en mi lista de preferencias.
Sin embargo escogí la ruleta decasino porque
por entonces no tenía una idea clara de qué
descriptores podría utilizar (no habíamos visto
aún a fondo la T.Hough) pero sí veía unos
patrones claros en la mayoría de imágenes de
ruletas. Principalmente me fijaba en las
combinaciones características de formas
geométricas y colores. Los focos más claros en
este aspecto es la circunferencia de la ruleta
formada por colores rojosy negros y tal vez el
tapete verde con las casillas para apostar.

Evaluación

Decisión

-Procesado: Consistirá en operaciones sencillas
que allanarán el camino para la obtención de
descriptores. Consistirán en redimensionar las
imágenes que leemos para reducir el coste
computacional, y operaciones que nos
permitirán obtener los colores rojo, verde y
negro de las imágenes.-Detección: Utilizaremos dos detectores.
Mediante la transformada de Hough buscaremos
circunferencias en las imágenes obtenidas de los
detectores de rojo y negro. Queremos
seleccionar en el caso ideal la circunferencia
que abarque las casillas de la ruleta (ya que
están son rojas y negras intercaladas). En el
apartado siguiente se explicará qué nos motiva a
hacer esto.
-Clasificación: Asignaremoslas salidas del
descriptor asemejándolo con distribuciones
gaussianas. Será necesario posteriormente una
etapa de entrenamiento para obtener los
parámetros necesarios para una decisión eficaz.
Se procurará utilizar un 65% de imágenes para
entrenar y el resto para test.
-Decisión: Se utilizará una decisión dura
empleando el criterio de mínima distancia, que
nos ofrecerá una solución simple yeficiente.
Evaluación: Utilizaremos la curva de ROC para
evaluar el rendimiento del clasificador.
Teniendo en cuenta las probabilidades de
detección o de falsa alarma

1

3. DESCRIPTORES
3.1 PROCESADO

-detectaverde.m:

(Las siguientes funciones se ilustran con unas
imágenes de ejemplo que servirán de guía para
entender el procedimiento)

-Como ya se ha dicho, primeronecesitamos
“allanar el camino” para la obtención de
descriptores. Utilizaremos las siguientes
funciones: „detectarojo.m‟, „detectanegro.m‟,
„detectaverde.m‟ y „redimensiona.m‟.
-redimensiona.m: En base a un área constante,
y manteniendo las relaciones de aspecto, las
imágenes de entrada serán redimensionadas para
ahorrar coste computacional. Esto se agradecerá
sobre todo al utilizar la T.H., yaque es una
transformada exigente en este aspecto.
-detectarojo.m: Esta función dará como
resultado una imagen binaria donde los 1 se
corresponden a los tonos rojos con cierto hue,
value y saturación. El resultado óptimo que se
espera es aislar las casillas de la ruleta.

Podemos contemplar una discreta cantidad de
1‟s en la casilla verde que todas las ruletas
poseen. Esta característicaserá utilizada para el
segundo descriptor.

3.2 DETECCIÓN
La estrategia a seguir ahora será utilizar la
Transformada de Hough para obtener una
circunferencia en las imágenes de rojos y negros,
en este apartado se utilizará la función
„detectacirculos.m‟. Hay que ser consecuente
con los parámetros pasados a circle_hough.m,
ya que esta operación tiene un notable coste
computacional. Le...