Traducido del inglés al español - www.onlinedoctranslator.

com

Revista internacional de ingeniería multimedia y ubicua

Vol.12, No.11 (2017), págs.1-12
http://dx.doi.org/10.14257/ijmue.2017.12.11.01

Un análisis completo de las técnicas de detección de bordes de la imagen

1

Mohd. Aquib Ansari1, Diksha Kurchaniya2 y Manish Dixit3

1, 2, 3Departamento de CSE y TI
1, 2, 3Madhav Institute Technology & Science, Gwalior, MP, India
1aaquib.mits@gmail.com ,2diksha5mits@gmail.com ,3dixitmitsgmail.com

Abstracto

Uno de los objetivos importantes del procesamiento de imágenes es interpretar el contenido de

la imagen de manera eficiente y encontrar la información significativa y significativa a partir de ella.
Se ha recibido mucha conciencia de varios investigadores en el campo de la interpretación de
imágenes. Uno de los pasos más severos en la interpretación de imágenes es extraer la
información de los bordes de la imagen de manera adecuada. Los bordes son las características
fundamentales de la imagen y se pueden formar a partir de los contornos del objeto. La detección
de bordes se utiliza generalmente en el análisis y procesamiento de imágenes. Existen varios tipos
de algoritmos para detectar los bordes. En este artículo, se realiza un análisis exhaustivo de las
diversas técnicas de detección de bordes, como Prewitt, Sobel, Canny, Roberts y Laplacian of
Gaussian. Se ha observado experimentalmente que el detector de bordes Canny está funcionando
bien que otros.

Palabras clave: Segmentación de imágenes, Detección de bordes, Prewitt, Sobel, Laplaciano de

Gauss, Canny, Roberts, PSNR, SNR

1. Introducción
El procesamiento de imágenes es un método para analizar y manipular las imágenes digitales con la computadora utilizando operadores

matemáticos. En el procesamiento de imágenes, la entrada es una imagen y el resultado puede ser un conjunto de características o un conjunto de

parámetros de imagen o una imagen. Una imagen comprende información diversa como el contorno del objeto, su orientación, tamaño y color. Entonces,

para encontrar la información de la forma del objeto, los bordes involucrados en ese objeto deben ser identificados. La detección de bordes es un método

para detectar la aparición de bordes y su ubicación, que se crea mediante variaciones nítidas y abruptas en la intensidad (brillo o color) de una imagen.

Las discontinuidades de una imagen pueden ser variaciones en la iluminación de la escena, discontinuidad en la escena, orientación de la superficie, su

profundidad y variación en las propiedades del material. Los objetivos de la detección de bordes son detectar la información de forma del objeto y la

reflectancia en la imagen. La detección de bordes es el paso importante en el análisis y procesamiento de imágenes, la visión por computadora, la visión

humana, la detección de objetos y el reconocimiento de patrones. Existen varias técnicas de detección de bordes para detectar los bordes. Los diferentes

detectores de bordes funcionan de manera diferente. Significa que algunos detectores de bordes toman más tiempo y detectan más bordes con respecto

a otros. La detección de bordes en una imagen se basa en la intensidad, la iluminación, los objetos, el ruido, el desenfoque [1] [2] [3]. Los diferentes

detectores de bordes funcionan de manera diferente. Significa que algunos detectores de bordes toman más tiempo y detectan más bordes con respecto

a otros. La detección de bordes en una imagen se basa en la intensidad, la iluminación, los objetos, el ruido, el desenfoque [1] [2] [3]. Los diferentes

detectores de bordes funcionan de manera diferente. Significa que algunos detectores de bordes toman más tiempo y detectan más bordes con respecto

a otros. La detección de bordes en una imagen se basa en la intensidad, la iluminación, los objetos, el ruido, el desenfoque [1] [2] [3].

En este trabajo se estudian diversas técnicas de detección de bordes para identificar los bordes
en una imagen y también se realiza el análisis comparativo entre estas técnicas.

2. Técnicas de detección de bordes

La demostración del borde de la imagen reduce la cantidad de información a

procesar, que contiene información vital sobre la forma del objeto en una imagen.

Recibido (25 de junio de 2017), Resultado de la revisión (30 de octubre de 2017), Aceptado (20 de noviembre de 2017)

ISSN: 1975-0080 IJMUE

Copyright ⓒ 2017 SERSC
Revista Internacional de Ingeniería Multimedia y Ubicua Vol.12,
No.11 (2017)

Los bordes son variaciones locales en la intensidad de la imagen. El borde se forma entre los
límites de dos regiones. La información principal se puede extraer desde el borde.
La detección de bordes [2] [4] es un proceso para localizar los bordes que tienen una buena
orientación y es una herramienta esencial de segmentación de imágenes. El método de detección de
bordes transforma la imagen original en una imagen de borde con la ayuda de los operadores. Es un
proceso bien conocido para identificar las discontinuidades en los valores de intensidad. En el proceso de
detección de bordes, la imagen se ingresa primero y convierte esa imagen en una imagen de escala de
grises. Y luego aplique el detector de bordes para detectar y extraer los bordes presentes dentro de una
imagen como salida.
Las diversas técnicas están disponibles para detectar la información de los bordes,
como Roberts, Prewitt, Sobel, Laplacian of Gaussian y Canny. Estas técnicas se describen
a continuación.

2.1. Detección de bordes de Roberts

Lawrence Roberts propuso la técnica de detección de bordes de Roberts [1] [11] para
detectar los bordes dentro de una imagen en 1965. Es un enfoque simple y
computacionalmente eficiente. Mide el gradiente espacial de una imagen. El valor de píxel en
ese punto de la imagen resultante caracteriza el valor de magnitud absoluta estimada del
gradiente espacial de la imagen ingresada en ese punto. Toma la imagen de entrada como
una imagen de escala de grises y produce bordes relacionados con esa imagen. Las
principales desventajas de esta técnica son que no puede detectar ese tipo de aristas que son
multiplicaciones de 45 grados y no es simétrica. El operador de Robert contiene el par de
máscaras de convolución de 2x2 que se ilustran en la Figura 1. Una máscara se gira 90 grados
con respecto a la otra.

Figura 1. Máscaras utilizadas para la técnica de detección de bordes de Roberts

La derivada parcial del operador de Robert se da de la siguiente manera:

(1)

(2)

Este operador produce la posición de los bordes con mayor precisión, pero tiene el soporte
corto de filtros lo que provoca vulnerabilidad al ruido.

3.2. Detección de bordes prewitt

Prewitt propuso la técnica de detección de bordes de Prewitt [1] [6] [9] en 1970. Es un
algoritmo adecuado para medir la magnitud y la orientación de los bordes. Esta técnica
evalúa las direcciones de los bordes directamente con la máxima respuesta de la
máscara. Tiene 8 direcciones. Pero, a veces, la mayoría de las aproximaciones directas de
direcciones no son muy perfectas. Este operador de Prewitt es como un Sobel

2 Copyright ⓒ 2017 SERSC

 Revista internacional de ingeniería multimedia y ubicua
Vol.12, No.11 (2017)

operador y fácil de implementar que el operador de Sobel, pero produce resultados algunas veces
más ruidosos. El par de máscaras de convolución de 3x3 para 8 direcciones se ilustra en la Figura 2.
Una máscara se gira 90 grados con respecto a la otra.

Figura 2. Máscaras utilizadas para la técnica de detección de bordes Prewitt

La organización de los píxeles sobre el píxel central es la siguiente:

Las derivadas parciales del operador Prewitt se miden como:

(3)

(4)

El detector de bordes Prewitt es menos vulnerable al ruido porque se diferencia en una

dirección y hace un promedio en otra dirección.

2.3. Detección de bordes Sobel

Irwin Sobel propuso la técnica de detección de bordes de Sobel [1] [11] [10] en 1970. El kernel de Sobel
depende de la diferencia central, pero mientras promedia le da más peso al píxel central. Una de las
ventajas del kernel de Sobel sobre el kernel de Prewit es que tiene mejores características de supresión
de ruido. El método de detección de bordes de Sobel contiene el par de máscaras de convolución de 3x3
ilustradas en la Figura 3. Una máscara se gira 90 grados con respecto a la otra. Esta máscara puede lidiar
con los bordes que corren 45 grados con respecto a la cuadrícula de píxeles. Esta máscara se puede
colocar claramente en la imagen de entrada para dar componentes de degradado en
cada orientación.

Figura 3. Máscaras utilizadas para la técnica de detección de bordes de Sobel

Copyright ⓒ 2017 SERSC 3

Revista Internacional de Ingeniería Multimedia y Ubicua Vol.12,
No.11 (2017)

Las derivadas parciales para el operador de Sobel son las siguientes:

(5)

(6)

La magnitud del gradiente es la siguiente:

(7)

El ángulo de orientación se mide de la siguiente manera:

(8)

2.4. Detección de bordes laplacianos de gaussianos (LOG)

Marr ha introducido la técnica Laplaciano de Gauss (LOG) [11] [12] en (1982).

LOG se basa en la derivada de segundo orden. Que se declara como:

(9)
LOG suaviza la imagen primero y luego calcula laplacian. Este proceso produce la imagen
de doble borde. Localiza los bordes y luego busca el cruce por cero entre los bordes dobles. El
método de detección de bordes LOG contiene el par de máscara de convolución 3x3 que se
ilustra en la Figura 4.

Figura 4. Máscaras utilizadas para la técnica de detección de bordes LOG

2.5. Detección de bordes astutos

John Canny introdujo la astuta técnica de detección de bordes [1] [5] [11] en el MIT en 1983. Es el
método de detección de bordes estándar, potente y generalmente utilizado. Separa el ruido de la imagen
antes de extraer los bordes. Canny es un método mejor para extraer los bordes que otros métodos
existentes y produce un buen resultado. El operador de Canny puede controlar una serie de detalles de la
imagen del borde y puede suprimir el ruido de manera eficiente.
Este método sigue los siguientes pasos:
1) Para suavizar la imagen, se utiliza el filtro gaussiano con el valor identificado de
sigma que reduce el ruido.
2) En cada punto, se calculan la dirección del borde y el gradiente local. De acuerdo a
punto de borde, es el punto con la fuerza máxima localmente en la dirección del gradiente.
3) El punto de borde aumenta las crestas en la magnitud de la imagen de degradado. En esto
algoritmo, la parte superior de estas crestas se considera y da valor cero a todos los píxeles que no son

4 Copyright ⓒ 2017 SERSC

 Revista internacional de ingeniería multimedia y ubicua
Vol.12, No.11 (2017)

en la parte superior de las crestas. Luego, como salida, se produce una línea delgada. Este proceso se denomina
supresión no máxima. Entonces, el umbral de histéresis se usa aquí para establecer el umbral del píxel de las
crestas. Tiene dos valores de umbral como T1 y T2. Caso 1: si T1> T2, el valor del píxel de las crestas es mayor
que el umbral T2, muestra píxeles de los bordes fuertes. Caso 2 si T2> T1, si T1 <T2, el valor del píxel de las
crestas es menor que el umbral T2, muestra un píxel de borde débil.
4) Por fin, el proceso de vinculación de bordes se ejecuta integrando los píxeles débiles que
tener conectividad de 8 píxeles a píxeles fuertes.
El astuto método de detección de bordes contiene el par de máscaras de convolución de 3x3 que se muestran en la
Figura 5.

Figura 5. Máscaras utilizadas para la técnica de detección de bordes Canny

2.6. Parámetro utilizado para la comparación

En este artículo, PSNR y MSE se utilizan para medir el rendimiento de cada técnica de
detección de bordes.

2.6.1. Relación señal pico a ruido (PSNR)

PSNR [7] [11] [12] [13] [14] [15] se mide como la relación entre la potencia máxima posible y el
ruido que se produce que puede perturbar la representación de la imagen. PSNR se mide en escala
decimal. Para calcular la calidad de la reconstrucción de una imagen, los diversos investigadores
utilizan habitualmente PSNR. Es un caso en el que los datos originales se tratan como una señal y el
error que se produce se trata como ruido. El valor máximo de PSNR muestra una imagen alta
calidad. El PSNR se puede expresar de la siguiente manera:

(10)

Donde MAX = El valor máximo de píxeles de la imagen y la imagen está representado por 8 bits /
muestra.

2.6.2. Error cuadrático medio (MSE)

MSE [8] [11] [12] [13] mide el valor de píxel real de la información habitual con la imagen
degradada, se utiliza para el propósito realista. Generalmente, el MSE se calcula como el
promedio del cuadrado del error entre la imagen genuina y la imagen ruidosa. El error puede
estimarse como la diferencia entre imagen genuina e imagen degradada. Aquí, menor
El valor de MSE muestra una imagen de alta y mejor calidad.

(11)

Copyright ⓒ 2017 SERSC 5

Revista Internacional de Ingeniería Multimedia y Ubicua Vol.12,
No.11 (2017)

3. Resultados experimentales

El experimento se realiza en Matlab R2015a y se prueba con la imagen Sunflower and Face. Nuestro
objetivo es extraer el mapa de bordes limpios utilizando la característica de borde principal de la imagen.
Aquí se han realizado varios experimentos, para detectar y extraer los bordes, con el entorno de ruido y
sin ruido. En la Figura 6 y la Figura 10, se muestran los resultados aplicando varias técnicas de detección
de bordes en la imagen original. En la Figura 7 y la Figura 11, se muestran los resultados aplicando varias
técnicas de detección de bordes en la imagen afectada por el ruido de la sal y la pimienta. En la Figura 8 y
la Figura 12, se muestran los resultados aplicando varias técnicas de detección de bordes en la imagen
afectada por ruido gaussiano. En la Figura 9 y la Figura 13, se muestran los resultados de la imagen
afectada por el ruido de moteado aplicando varias técnicas de detección de bordes.

Figura 6. Imagen original de girasol con el resultado de un borde diferente

Técnicas de detección

Figura 7. Imagen de girasol con efecto de ruido de sal y pimienta con el resultado
de diferentes técnicas de detección de bordes

6 Copyright ⓒ 2017 SERSC

 Revista internacional de ingeniería multimedia y ubicua
Vol.12, No.11 (2017)

Figura 8. Imagen de girasol con efecto de ruido gaussiano con el resultado de

Diferentes técnicas de detección de bordes

Figura 9. Imagen de girasol con efecto de ruido moteado con el resultado de

Diferentes técnicas de detección de bordes

Figura 10. Imagen facial original con el resultado de un borde diferente

Técnicas de detección

Copyright ⓒ 2017 SERSC 7

Revista Internacional de Ingeniería Multimedia y Ubicua Vol.12,
No.11 (2017)

Figura 11. Imagen facial afectada por el ruido de sal y pimienta con el resultado de
Diferentes técnicas de detección de bordes

Figura 12. Imagen de girasol con efecto de ruido gaussiano con el resultado de
Diferentes técnicas de detección de bordes

Figura 13. Imagen de girasol con efecto de ruido moteado con el resultado de
Diferentes técnicas de detección de bordes

8 Copyright ⓒ 2017 SERSC

 Revista internacional de ingeniería multimedia y ubicua
Vol.12, No.11 (2017)

Aquí, la Tabla 1 ilustra el valor de PSNR y MSE para los resultados de varias técnicas de
detección de bordes en la imagen de girasol en presencia de ruido y sin ruido. La Tabla 2
ilustra el valor de PSNR y MSE para los resultados de varias técnicas de detección de bordes
en la imagen facial en presencia de ruido y sin ruido. La Tabla 3 describe las ventajas y
desventajas de las técnicas de detección de bordes.

Tabla 1. Valor de PSNR y MSE para diversas técnicas de detección de bordes en

Imagen de girasol

Borde Original Sal pimienta Ruido gaussiano Ruido moteado

detección Imagen de girasol Ruido afectado Afectado Afectado
Técnicas Sunflower imagen Sunflower imagen Sunflower imagen
PSNR MSE PSNR MSE PSNR MSE PSNR MSE
Roberts 9.0044 8.177e + 03 8.6962 8.779e + 03 8.7929 8.586e + 03 8.9127 8.352e + 03
Sobel 9.0042 8.177e + 03 8.6965 8.778e + 03 8.7937 8.584e + 03 8.9137 8.350e + 03
Prewitt 9.0042 8.178e + 03 8.6965 8.778e + 03 8.7937 8.584e + 03 8.9135 8.350e + 03
INICIAR SESIÓN 9.0072 8.178e + 03 8.7024 8.766e + 03 8.8001 8.571e + 03 8.9184 8.341e + 03
Astuto 9.0098 8.167e + 03 8.7087 8.754e + 03 8.8077 8.556e + 03 8.9236 8.331e + 03

Tabla 2. Valor de PSNR y MSE para diversas técnicas de detección de bordes en

Imagen de la cara

Borde Rostro original Sal pimienta Ruido gaussiano Ruido moteado

detección Imagen Ruido afectado Cara afectada Cara afectada
Técnicas Imagen de la cara Imagen Imagen
PSNR MSE PSNR MSE PSNR MSE PSNR MSE
Roberts 5.6363 1.776e + 04 5.6017 1.791e + 04 5.5976 1.801e + 04 5.5908 1.794e + 04
Sobel 5.6364 1.776e + 04 5.6024 1.791e + 04 5.5982 1.801e + 04 5.5918 1.794e + 04
Prewitt 5.6365 1.776e + 04 5.6023 1.791e + 04 5.5982 1.801e + 04 5.5918 1.794e + 04
INICIAR SESIÓN 5.6383 1.775e + 04 5.6057 1.770e + 04 5.6015 1.800e + 04 5.5958 1.792e + 04
Astuto 5.6395 1.774e + 04 5.6080 1.779e + 04 5.6038 1.799e + 04 5.5992 1.791e + 04

Tabla 3. Ventajas y desventajas de diferentes detecciones de bordes

Técnicas
Detección de bordes Ventaja Desventaja
Técnicas
Roberts (basado en First Produce más precisa No es confiable para extraer el
Derivados de órdenes) posición de los bordes borde en presencia de ruido
Sobel (basado en derivados Buena supresión de ruido Produce un resultado moderado
de primer orden) caracteristicas
Prewitt (basado en First Las máscaras tienen un soporte más largo, Producir a veces
Derivados de órdenes) Prewitt es menos vulnerable al resultado más ruidoso

ruido
REGISTRO (basado en el segundo Tener características fijas en Sensible al ruido,
Derivados de órdenes) todas las direcciones, detecta buenos generar contorno
bordes y sus orientaciones Mejor cerrado y no realista
Canny (basado en detección especialmente en Complejo, tiempo
Segundo orden condiciones de ruido consumidor, falso cero
Derivados) cruce

Copyright ⓒ 2017 SERSC 9

Revista Internacional de Ingeniería Multimedia y Ubicua Vol.12,
No.11 (2017)

5. Conclusión
En este artículo se estudian y comparan diversas técnicas de detección de bordes. Después del
análisis experimental, se encuentra que las derivadas de segundo orden (Canny y Log) funcionan
bien en comparación con las derivadas de primer orden (Sobel, Prewitt y Roberts). El método de
detección de bordes Log and Canny produce buenos resultados para la calidad de imagen y la
percepción visual. Dado que, la técnica de detección de borde de registro es vulnerable al ruido.
Por lo tanto, no proporciona los mejores resultados que la técnica de detección de bordes astuta en
presencia de ruido. Por lo tanto, se ha demostrado experimentalmente que el detector de bordes
astuto es una mejor técnica de detección de bordes para formar los bordes de las líneas internas y
externas del objeto. Tiene una mejor resistencia al ruido que la técnica de detección de bordes de
Roberts, Prewitt, Sobel y Log. Aquí, La técnica de detección de bordes de Sobel demuestra ser
mejor para descubrir mejores líneas exteriores (límite continuo) solo de un objeto. Como trabajo
futuro, podemos diseñar el nuevo filtro sobre la limitación para obtener una mejor calidad de
imagen para que la imagen se pueda mejorar reduciendo el ruido.

Referencias
[1] S. Das, “Comparación de varias técnicas de detección de bordes”, Revista internacional de procesamiento de señales,
procesamiento de imágenes y reconocimiento de patrones, vol.9, no.2, (2016), págs. 143-158.
[2] E. Nadernejad, S. Sharifzadeh y H. Hassanpour, “Evaluaciones y comparaciones de técnicas de detección de
bordes”, Ciencias Matemáticas Aplicadas, vol. 2, no. 31,(2008), págs. 1507-1520.
[3] R. Maini y H. Agrawal, "Estudio y comparación de varias técnicas de detección de bordes de imágenes", Revista
internacional de procesamiento de imágenes (IJIP), vol. 3, número 1, págs. 1-12
[4] PP Acharjya, R. Das y D. Ghoshal, "Estudio y comparación de diferentes detectores de bordes para la segmentación de
imágenes", Global Journal of Computer Science and Technology Graphics & Vision, (2012), vol.
12, número 13, versión 1.0.
[5] M. Juneja y P. Singh Sandhu, "Evaluación del rendimiento de las técnicas de detección de bordes para imágenes en el
dominio espacial", Revista Internacional de Teoría e Ingeniería de Computadoras, vol. 1, no 5,(2009), págs. 614-621.

[6] R. Muthukrishnan y M. Radha, "Técnicas de detección de bordes para la segmentación de imágenes", Revista Internacional de
Ciencias de la Computación y Tecnología de la Información (IJCSIT), vol 3, no 6, (2011), págs. 259-267.
[7] L. Bin y MS Yeganeh, “Comparación de algoritmos de detección de bordes de imagen”, IOSR Journal of
Computer Engineering (IOSRJCE), ISSN: 2278-0661, vol. 2, número 6,(2012), págs. 01-04.
[8] HS Bhadauria, A. Singh y A. Kumar, “Comparación entre varios métodos de detección de bordes en imágenes
de satélite”, Revista internacional de tecnología emergente e ingeniería avanzada, vol. 3, problema
6, (2013), págs. 324-328.
[9] S. Kaur e I. Singh, “Comparación entre técnicas de detección de bordes”, Revista internacional de aplicaciones
informáticas, vol. 145, n ° 15,(2016), págs. 15-18.
[10] V. Saini y R. Garg, "Un análisis comparativo de las técnicas de detección de bordes utilizadas en el procesamiento de
imágenes", IOSR Journal of Electronics and Communication Engineering (IOSRJECE), ISSN: 2278-
2834, vol. 1, número 2,(2012), págs. 56-59.
[11] RC González, RE Woods y SL Eddins, “Procesamiento de imágenes digitales con MATLAB”, Pearson
Education Ptd. Ltd, Singapur,(2004).
[12] S. Jayaraman, S. Esakkirajan y T. Veerakumar, “Procesamiento de imágenes digitales”, Tata McGraw hill
education private limited, ISBN (13): 978-0-07-014479-8.
[13] P. Gupta, JS Kumare, UP Singh y RK Singh, "Mejora de la imagen basada en histogramas: una encuesta",
Revista Internacional de Ciencias e Ingeniería Informática, vol. 5, número 6,(2017), págs. 177-182.
[14] Chauhan, A. Singh, S. Silakari y M. Dixit, "Image Segmentation Methods: A Survey Approach",
Cuarta Conferencia Internacional sobre Sistemas de Comunicación y Tecnologías de Red de
2014, (2014), págs. 929-933.
[15] M. Dixit y S. Silakari, "Enfoque híbrido de optimización de rasgos faciales utilizando la curva de Bezier", Conferencia
internacional de 2015 sobre inteligencia computacional y redes de comunicación (CICN), (2015),
págs. 218 - 221.

10 Copyright ⓒ 2017 SERSC

 Revista internacional de ingeniería multimedia y ubicua
Vol.12, No.11 (2017)

Autores

Mohd. Aquib Ansari, recibió la Licenciatura en Ingeniería

Licenciado en Tecnología de la Información de SATI, Vidisha, MP en 2014.
Actualmente está cursando su Maestría en Tecnología de MITS, Gwalior, MP.
Es vicepresidente de IEEE, MITS Student Chapter y miembro estudiante de
IEEE. Sus intereses de investigación incluyen la recuperación de imágenes y
la segmentación de imágenes. Puede ser contactado en
aaquib.mits@gmail.com.

Diksha Kurchaniya, recibió la Licenciatura en Ingeniería

Licenciada en Ciencias de la Computación e Ingeniería de ITM, Gwalior,
MP en 2014. Actualmente está cursando su Maestría en Tecnología de
MITS, Gwalior, MP Sus intereses de investigación incluyen la
recuperación de imágenes y la segmentación de imágenes. Puede ser
contactada en diksha5mits@gmail.com.

Manish Dixit, recibió el título de BE en informática

tecnología de la Universidad de Barkatullah, Bhopal y licenciatura ME en
Control de Comunicación y Redes de MITS, Gwalior en 1993 y 2006
respectivamente. Ha completado su Phd. de la Universidad Técnica Ragiv
Ghandhi, Bhopal en 2017. Actualmente trabaja como profesor asociado
en el Departamento de Ciencias de la Computación y Tecnología de la
Información, MITS, Gwalior, India. Ha presentado diversos trabajos de
investigación en Congresos y Revistas Nacionales e Internacionales. Es
miembro de CSI, IETE, IAENG. Es miembro de IEEE y Subsección MP del
IEEE Secretario. El puede ser
contactado en dixitmits@gmail.com.

Copyright ⓒ 2017 SERSC 11

Revista Internacional de Ingeniería Multimedia y Ubicua Vol.12,
No.11 (2017)

12 Copyright ⓒ 2017 SERSC