La visión es el más avanzado de nuestros sentidos, gracias a ella, somos capaces de orientarnos en entornos complejos, reconocer la diferencia entre un perro y un león o identificar el rostro de una persona conocida. Sin embargo, aunque todos estos ejemplos involucran al sentido de la vista, la visión no actúa de manera aislada: también intervienen otras capacidades humanas, como la inteligencia, la memoria y el razonamiento. El interés por emular estas funciones humanas ha impulsado el desarrollo de campos como el procesamiento de imágenes y la vision por computadora.
English version of this article. click here.
Durante muchos años, ingenieros y científicos han investigado los procesos de la visión con el objetivo de lograr que una computadora “vea”, lo cual no es una tarea sencilla. Mientras los seres humanos percibimos el mundo en tres dimensiones, los sistemas de visión artificial capturan la realidad a través de sensores como cámaras, obteniendo como resultado una representación bidimensional del entorno: una imagen.
“Una imagen puede definirse como una función bidimensional f(x,y), donde x y y son coordenadas espaciales (del plano), y la amplitud de f en cualquier par de coordenadas (x,y) se denomina intensidad o nivel de gris de la imagen en ese punto.”
— Gonzalez & Woods, Digital Image Processing
La imagen digital está compuesta por un número finito de elementos dispuestos en una matriz de tamaño n × n. Cada uno de estos elementos, conocidos como píxeles, posee una posición específica y un valor que representa la intensidad en ese punto.
Sin embargo, la mera captura de una imagen no garantiza comprensión por sí misma. Para que pueda ser útil en tareas concretas es necesario transformar esa matriz de intensidades en información significativa. Es aquí donde entran en juego el procesamiento de imágenes y la visión por computadora, como etapas fundamentales dentro de un sistema que busca interpretar y actuar sobre el mundo visual.
Aunque no existe una frontera clara entre el procesamiento de imágenes y la visión por computadora —pues ambos comparten principios, métodos y herramientas—, una revisión de sus etapas puede ayudarnos a entender mejor cómo se relacionan y qué papel cumplen dentro de los sistemas de percepción artificial.
El punto de partida suele ser la adquisición y el procesamiento de los datos crudos capturados por sensores, típicamente cámaras. En esta fase inicial, conocida como procesamiento de imágenes, se trabaja directamente con la información capturada para mejorar su calidad visual o corregir defectos. El objetivo es transformarla en una versión más útil para análisis posteriores. Técnicas como el realce de contraste, la reducción de ruido, la corrección de distorsiones ópticas o la restauración de imágenes degradadas forman parte de esta etapa, en la que la salida es otra imagen, generalmente más clara o informativa que la original.
Una vez procesada la imagen, se da paso a una segunda etapa: el análisis estructural, que busca extraer información significativa. Aquí se realizan operaciones como la segmentación de la imagen —es decir, dividirla en regiones u objetos de interés— y la extracción de características relevantes como contornos, formas, colores o texturas. Estas características se representan y describen de manera que puedan ser entendidas por un sistema automatizado. Este análisis proporciona una base estructurada sobre la cual se pueden realizar tareas más complejas.
Finalmente, entramos en el dominio de la visión por computadora, cuyo propósito es emular la capacidad humana de comprender e interpretar el entorno visual. A diferencia del procesamiento, que solo transforma la imagen, y del análisis, que organiza sus componentes, en esta etapa se busca comprender el contenido visual mediante el uso de algoritmos de inteligencia artificial y aprendizaje automático. La visión por computadora permite realizar tareas como la clasificación de objetos, el reconocimiento facial, la detección de movimiento y la toma de decisiones basada en lo que “ve” el sistema. En esencia, se trata de construir sistemas que no solo perciban, sino que también razonen e interactúen con su entorno de forma inteligente.
Aplicación Práctica del Reconocimiento de Imágenes
Imagina que se te asigna la tarea de registrar la fecha de una gran cantidad de cheques. Hacerlo manualmente sería tedioso e implicaría una inversión enorme de tiempo. pero como eres seguidor de este blog has aprendido técnicas de procesamiento de imágenes y visión por computadora, por lo que decides automatizar la tarea mediante un sistema de reconocimiento de dígitos capaz de interpretar la fecha directamente a partir de la imagen de cada cheque.
El primer paso consiste en adquirir la imagen del cheque mediante una cámara o escáner. Dado que el interés está centrado únicamente en la fecha —específicamente en los dígitos que la componen—, extraemos la región donde esta se encuentra. Este recorte permite enfocarse en el área de interés, lo que reduce la complejidad del proceso de segmentación y facilita que cada dígito pueda ser tratado como una imagen independiente.
Antes de poder pasar estas imágenes a un modelo de clasificación, es necesario asegurarse de que cumplan con ciertos requisitos técnicos . Por ejemplo, los dígitos deben tener un tamaño uniforme (comúnmente 28x28 píxeles), un buen contraste entre el fondo y el número, ademas estar libres de ruido visual que pueda interferir con el análisis para la clasificacion, para lograrlo es necesario aplicar preprocesamiento como la binarización, la inversión de colores y operaciones morfológicas, que eliminan imperfecciones y realzan la estructura de los dígitos.
Con las imágenes ya limpias y normalizadas, se procede a la etapa más importante del sistema: el reconocimiento automático. La extracción de características se realiza mediante técnicas clásicas, utilizando algoritmos diseñados manualmente, como descriptores de contorno o transformadas matemáticas. No obstante, en este caso se emplea una solución moderna y considerablemente más potente: una red neuronal convolucional (CNN, por sus siglas en inglés).
Las CNN tienen la capacidad de aprender directamente de los datos, sin requerir la especificación explícita de qué buscar en la imagen. Lo hacen mediante una arquitectura en la que se aplican filtros convolucionales que recorren la imagen para detectar patrones locales, como bordes o líneas. Estas operaciones permiten que la red capture progresivamente, a través de distintas capas, características cada vez más complejas: desde trazos básicos hasta formas específicas asociadas a los números. A diferencia de los enfoques clásicos, este modelo aprende de manera automática qué rasgos son relevantes para distinguir un dígito del 0 al 9.
Una vez completado el entrenamiento del modelo, utilizando un conjunto de datos representativo (como el conocido dataset MNIST, que contiene miles de ejemplos de dígitos manuscritos), el sistema está listo para realizar predicciones. En este punto del proceso, se proporciona al modelo una imagen correspondiente a un dígito previamente segmentado del cheque. La red neuronal analiza sus características visuales y devuelve la clase que considera más probable, es decir, el número que dicho dígito representa
Al combinar las predicciones de todos los dígitos, el sistema reconstruye la fecha completa, formateándola en una representación estándar como "AAAA-MM-DD". De esta manera, hemos construido un flujo automatizado que, a partir de una imagen, es capaz de identificar con precisión la fecha de emisión de un cheque, replicando una tarea visual humana mediante una cadena integrada de procesamiento de imágenes, análisis estructural y visión por computadora.
Principales areas de aplicación
Inspección industrial.
En la industria manufacturera, el procesamiento de imágenes permite automatizar la inspección visual de productos, detectando defectos con una precisión mucho mayor que la inspección humana. Estos sistemas son ampliamente usados en sectores como el automotriz, farmacéutico y de semiconductores, donde se comparan piezas reales con modelos de referencia para identificar imperfecciones, componentes faltantes o errores de ensamblaje.
Análisis de documentos y reconocimiento óptico.
Las tecnologías de reconocimiento óptico de caracteres (OCR) han transformado el manejo de documentos. Permiten desde la lectura automática de direcciones postales hasta el escaneo y verificación de billetes y documentos legales. También hacen posible la lectura de matrículas en sistemas de peaje o seguridad vial, así como la decodificación de códigos QR en entornos comerciales.
Transporte inteligente.
La visión por computadora ha revolucionado el sector del transporte. Cámaras instaladas en calles y vehículos analizan el flujo vehicular, detectan infracciones, miden la ocupación de carriles y ayudan a regular los semáforos. En los automóviles modernos, permiten funciones como la detección de peatones, el seguimiento de carriles y el aparcamiento autónomo, siendo una piedra angular de los sistemas de conducción asistida.
Seguridad y vigilancia.
En el ámbito de la seguridad, estas tecnologías permiten la identificación de personas mediante reconocimiento facial, la detección de objetos peligrosos en aeropuertos, y el monitoreo continuo de espacios públicos o privados. Los sistemas de video vigilancia inteligentes pueden incluso analizar patrones de movimiento o identificar comportamientos anómalos en tiempo real.
Teledetección.
La observación remota del planeta a través de satélites y drones genera una enorme cantidad de datos visuales. El procesamiento de imágenes se utiliza aquí para monitorear la deforestación, estimar la humedad del suelo, localizar depósitos minerales o seguir el cambio climático. Gracias a estas imágenes multiespectrales, es posible estudiar el impacto humano sobre el entorno con gran detalle.
Imágenes científicas y médicas.
En medicina y ciencia, las imágenes son una herramienta clave para explorar lo invisible. Desde resonancias magnéticas y tomografías en hospitales hasta imágenes microscópicas en biología, estas técnicas permiten diagnosticar enfermedades, guiar cirugías o estudiar organismos a nivel celular. En muchos casos, los análisis se apoyan en algoritmos de segmentación, registro y clasificación automática de estructuras.
Robótica y sistemas autónomos.
Los robots industriales y móviles utilizan visión por computadora para interactuar con su entorno. Pueden identificar piezas, ensamblar componentes, navegar por un espacio o seguir a una persona. En entornos más complejos, como los vehículos autónomos, estas tecnologías son esenciales para mapear el entorno, evitar obstáculos y tomar decisiones en tiempo real.
Más allá del análisis estructural y numérico, el procesamiento de imágenes también converge con aspectos estéticos y expresivos. Aunque muchas de sus técnicas fueron concebidas con fines científicos o industriales, hoy también son herramientas clave en aplicaciones creativas. Por ejemplo, el mejoramiento de imágenes no solo busca resaltar bordes o eliminar ruido, sino que puede utilizarse para realzar la belleza de un retrato mediante la detección y optimización de rasgos faciales. Asimismo, técnicas como la transferencia de estilo permiten fusionar el contenido de una imagen con la apariencia visual de una obra artística, logrando resultados visuales que combinan arte e inteligencia artificial.
Además, estas capacidades visuales son fundamentales en entornos inmersivos como la realidad virtual, donde es necesario reconstruir y mejorar escenas visuales en tiempo real para generar experiencias visuales más envolventes y realistas. Este cruce entre visión computacional y creatividad demuestra que, lejos de ser un campo rígido, el procesamiento de imágenes también abre caminos hacia lo subjetivo, lo artístico y lo sensorial.
Procesar y comprender imágenes va mucho más allá de una simple tarea técnica; es una forma de acercarnos a cómo vemos y entendemos el mundo. Desde mejorar una imagen capturada por una cámara hasta permitir que una máquina reconozca patrones visuales o incluso genere arte, este campo une precisión matemática con creatividad. Sus aplicaciones abarcan desde la medicina hasta la realidad virtual, pasando por expresiones artísticas donde la estética y la inteligencia artificial se combinan. A medida que la tecnología avanza, también lo hacen nuestras posibilidades de crear sistemas que no solo procesen imágenes, sino que también las interpreten, las embellezcan y, en cierto sentido, las comprendan.
Gonzalez, R. C., & Woods, R. E. (2008). Digital image processing (4th ed.). Pearson.
Birchfield, S. (2016). Image processing and analysis. Cengage Learning.
Puedes encontrar el código fuente en el siguiente repositorio.
