La visión por computador constituye una de las áreas más relevantes de la inteligencia artificial, debido a su capacidad para analizar, interpretar y procesar información visual mediante algoritmos computacionales. Dentro de este campo, las operaciones de convolución y agrupación permiten extraer características importantes de las imágenes digitales, facilitando tareas como la detección de bordes, reconocimiento de patrones y clasificación de objetos.

Los filtros convolucionales se han consolidado como una técnica fundamental en el procesamiento de imágenes, ya que permiten resaltar información específica mediante operaciones matemáticas aplicadas sobre matrices de píxeles. Según Holzer (2019), los filtros permiten modificar características visuales de una imagen mediante kernels diseñados para detectar bordes, suavizar ruido o resaltar detalles.

De igual manera, las redes neuronales convolucionales (CNN) utilizan este principio para aprender automáticamente características relevantes de una imagen. Dadhich (2018) explica que las CNN aplican múltiples filtros durante el entrenamiento para identificar patrones espaciales y relaciones visuales dentro de los datos.

En el presente taller se desarrolló un collage académico utilizando imágenes procesadas mediante filtros de paso alto, paso bajo, direccionales y de detección de bordes. Para ello se implementaron diferentes técnicas de procesamiento digital de imágenes utilizando Python, OpenCV y Google Colab.

Fundamentos de convolución y agrupación en imágenes

La convolución es una operación matemática utilizada para transformar imágenes digitales mediante la aplicación de matrices conocidas como kernels o filtros. Esta operación permite modificar los valores de los píxeles de acuerdo con la información contenida en sus vecinos cercanos.

Los filtros de paso bajo permiten suavizar imágenes y reducir ruido, mientras que los filtros de paso alto resaltan detalles y contornos. Por otra parte, los filtros direccionales permiten detectar cambios de intensidad en determinadas orientaciones, y los filtros de detección de bordes facilitan la identificación de formas y contornos.

Hornberg (2017) menciona que los algoritmos de visión artificial utilizan operaciones convolucionales para extraer características relevantes que posteriormente pueden ser utilizadas en tareas de clasificación y reconocimiento.

En las redes neuronales convolucionales, estas operaciones se realizan de forma automática durante el entrenamiento del modelo, permitiendo que la red aprenda cuáles características son más relevantes para resolver un problema específico.

Implementación de filtros en imágenes digitales

Para el desarrollo del taller se seleccionaron ocho filtros distribuidos en cuatro categorías:

Filtros de paso bajo

Filtro Gaussian Blur
Filtro Average Blur

Estos filtros permiten suavizar la imagen y disminuir el ruido presente en ella.

Filtros de paso alto

Sharpen
High Pass Filter

Estos filtros resaltan detalles y aumentan la nitidez de la imagen.

Filtros direccionales

Sobel X
Sobel Y

Permiten detectar variaciones de intensidad según la dirección horizontal o vertical.

Filtros de detección de bordes

Canny
Laplacian

Estos filtros facilitan la identificación de bordes y contornos presentes en la imagen.

La implementación se realizó utilizando la librería OpenCV en Python, aplicando los filtros sobre cuatro imágenes diferentes tomadas y seleccionadas para el ejercicio práctico.

Desarrollo práctico en Google Colab

El desarrollo práctico fue implementado en Google Colab utilizando Python y OpenCV para el procesamiento digital de imágenes.

Enlace del notebook:
https://colab.research.google.com/drive/10kzCsHcrjoY-AvR40uf5SyGdEyCgZGmD?usp=sharing

Resultado
Figura del informe

Imágenes utilizadas

Para el desarrollo del collage se utilizaron cuatro imágenes digitales que contienen diferentes objetos y escenarios visuales. Las imágenes fueron seleccionadas considerando aspectos como iluminación, contraste y presencia de múltiples elementos visuales.

Las fotografías incluyen:

Escenarios urbanos
Espacios abiertos
Objetos con diferentes texturas
Elementos arquitectónicos
1. Filtros aplicados

Cada imagen fue procesada utilizando los siguientes filtros:

Tipo de filtro	Filtro aplicado
Paso bajo	Gaussian Blur
Paso bajo	Average Blur
Paso alto	Sharpen
Paso alto	High Pass
Direccional	Sobel X
Direccional	Sobel Y
Bordes	Canny
Bordes	Laplacian

La aplicación de estos filtros permitió obtener diferentes representaciones visuales de cada imagen, resaltando características específicas dependiendo del tipo de kernel implementado.

Resultados obtenidos

Los resultados obtenidos evidencian diferencias importantes entre cada técnica de filtrado.

Los filtros de paso bajo generaron imágenes más suaves y con menor ruido visual. Por otra parte, los filtros de paso alto aumentaron la nitidez y resaltaron detalles específicos.

En el caso de los filtros Sobel, fue posible identificar cambios de intensidad en diferentes orientaciones, mientras que los filtros de detección de bordes permitieron identificar claramente contornos y formas presentes en las imágenes.

Finalmente, el collage fue construido con más de 32 imágenes resultantes, organizadas de manera horizontal y armónica para facilitar la comparación visual entre los diferentes filtros aplicados.

Análisis de resultados

Los resultados obtenidos permiten evidenciar la importancia de las operaciones convolucionales en el procesamiento digital de imágenes.

Los filtros de suavizado demostraron ser útiles para reducir ruido y mejorar la calidad visual de las imágenes, especialmente en escenarios con alta variabilidad de iluminación.

Por otro lado, los filtros de detección de bordes permitieron identificar contornos y formas relevantes para procesos posteriores de reconocimiento de patrones.

Asimismo, se evidenció cómo las redes neuronales convolucionales utilizan principios similares para aprender automáticamente características visuales mediante múltiples capas de convolución y agrupación.

Este ejercicio permitió comprender de manera práctica cómo las técnicas de procesamiento de imágenes constituyen la base de múltiples aplicaciones actuales de inteligencia artificial y visión por computador.

Conclusiones

El desarrollo del presente taller permitió comprender el funcionamiento de las operaciones de convolución y agrupación aplicadas al procesamiento digital de imágenes.

Se evidenció que:

Los filtros convolucionales permiten extraer características específicas de las imágenes digitales.
Los filtros de paso bajo son útiles para suavizar imágenes y reducir ruido.
Los filtros de paso alto permiten resaltar detalles y aumentar la nitidez.
Los filtros direccionales y de detección de bordes facilitan la identificación de contornos y formas.
Las redes neuronales convolucionales utilizan estos principios para extraer características automáticamente.
Herramientas como OpenCV y Google Colab facilitan la implementación práctica de técnicas de visión por computador.

En conclusión, las operaciones de convolución representan una técnica fundamental dentro del procesamiento digital de imágenes y constituyen uno de los pilares principales de la inteligencia artificial aplicada a visión por computador.

Referencias

Dadhich, A. (2018). Practical computer vision: Extract insightful information from images using TensorFlow, Keras, and OpenCV (Chapter 5, pp. 88–102). Packt Publishing.
Holzer, R. (2019). OpenCV tutorial documentation release 2019 (Chapters 4–6, pp. 33–63).
Hornberg, A. (Ed.). (2017). Handbook of machine and computer vision: The guide for developers and users (Chapter 9, pp. 517–560). John Wiley & Sons.
Suárez, L., et al. (2017). Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando redes neuronales convolucionales: Diseño y aplicación de redes convolucionales. Orinoquia, 21(1), 64–75.
OpenCV. (s.f.). Open Source Computer Vision Library. https://opencv.org/
Google Colaboratory. (s.f.). Google Colab. https://colab.research.google.com/