Aprender OpenCV Procesamiento de imágenes

El procesamiento de imágenes transforma los píxeles de la imagen original para extraer información útil, eliminar ruido o preparar los datos para etapas de análisis posteriores.

Los filtros de suavizado reducen el ruido y los detalles superfluos. cv2.GaussianBlur() aplica una convolución con un kernel gaussiano (apropiado para la mayoría de casos), mientras que cv2.medianBlur() es ideal para el ruido sal y pimienta porque preserva los bordes mejor que el Gaussiano. cv2.bilateralFilter() es el más costoso computacionalmente pero también el que mejor preserva los bordes al mismo tiempo que suaviza las regiones homogéneas.

La detección de bordes localiza los cambios bruscos de intensidad. cv2.Canny() combina suavizado Gaussiano, gradiente Sobel y supresión de no-máximos para producir bordes precisos de un píxel de anchura. cv2.Sobel() y cv2.Laplacian() dan el gradiente de la imagen, útil para analizar la estructura de frecuencias.

bordes = cv2.Canny(gris, threshold1=50, threshold2=150)

La umbralización convierte la imagen en blanco y negro basándose en la intensidad. El método de Otsu calcula automáticamente el umbral óptimo sin intervención manual. cv2.adaptiveThreshold() calcula un umbral local para cada región, imprescindible cuando la iluminación no es uniforme.

Las operaciones morfológicas (erosión, dilatación, apertura, cierre) manipulan la forma de los objetos en imágenes binarias. La apertura elimina pequeños puntos de ruido; el cierre rellena huecos; la combinación de ambas es la base de muchos filtros de segmentación.

La convolución personalizada con cv2.filter2D() permite diseñar cualquier kernel: nitidez (sharpening), relieve (emboss) o detección de patrones específicos.