Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Paper Jaiio
Paper Jaiio
on de im
agenes en escala de grises con
degradaci
on de sal y pimienta utilizando l
ogica
borrosa y optimizaci
on por enjambre de
partculas
Manzo Renato Jose y Vizarri Cristian
Universidad Nacional del Litoral, Santa Fe CP3000, AR,
manzorenato@gmail.com,cristiaan3003@gmail.com
Resum
en El filtrado de ruido es una tarea importante en el preprocesamiento de im
agenes digitales. Tal es as, que sin ello la tarea de extracci
on de caractersticas se torna difcil a casi imposible. En el presente
trabajo se desarroll
o un nuevo metodo de eliminaci
on de ruido impulsivo, del tipo sal y pimienta, sobre im
agenes en escala de grises utilizando
l
ogica borrosa y optimizaci
on por enjambre de partculas, obteniendo as
mejores funciones de membresa para el conjunto borroso. El rendimiento
del metodo fue probado con varias im
agenes da
nadas con distintas densidades de ruido y comparado con el filtro de mediana cl
asico. Los resultados experimentales muestran que el metodo propuesto presenta un
rendimiento superior al filtrado de mediana en un amplio rango de ruido
(1% - 50%), mientras que al mismo tiempo se logra preservar eficazmente
los detalles de la imagen sin introducir desenfoque.. . .
Keywords: Sal y pimienta, Procesamiento, Conjunto borroso, Optimizaci
on, PSO.
Introducci
on
degradaci
on a nivel visual, sino tambien afectando a otras tareas importantes
del esquema de procesamiento de una imagen digital como ser, por ejemplo, la
detecci
on de bordes.
Dentro de las tecnicas cl
asicas de procesamiento, existen distintos filtros para
la reducci
on de este tipo de ruido. De todos ellos, dado su simplicidad y buenos
resultados, debemos mencionar el filtro de mediana. Este se aplica en toda la
imagen de modo espacial [2]. Se toman ventanas de un determinado tama
no y
se reemplaza el valor del pxel por el valor de la mediana de la vecindad. Como
contraparte, este metodo introduce otra degradacion no deseada a la imagen
denominada desenfoque. [2.]
En este trabajo se plantea una nueva metodologa para la deteccion y restauraci
on de este tipo de ruido utilizando un sistema borroso. En primer termino se
detectan los pxeles candidatos, aquellos que dependiendo de su valor son considerados ruido de tipo sal o pimienta. Posteriormente, y teniendo en cuenta el
sistema borroso planteado, se calcula el nuevo valor del pxel afectado y se lo
reemplaza con este nuevo valor. Finalmente, y en pos de un mejor resultado, se
realiza una optimizaci
on de las conjuntos de entrada del sistema borroso mediante el metodo de optimizacion por enjambre de partculas(PSO).
Metodologa
En los recientes a
nos, se han incrementado en n
umero las aplicaciones que utilizan sistemas borrosos para resolver problemas. Desde aplicaciones del rango de
uso hogare
no como c
amaras, grabadoras, lavarropas, microondas y hasta incluso
el control de procesos industriales, entre otros. En este sentido y siguiendo los
lineamientos descriptos en otro trabajo [3], se propone utilizar un algoritmo con
un sistema borroso optimizando los parametros de las funciones de membresa
del sistema, para luego realizar la restauracion de las imagenes con degradacion
de ruido de tipo de sal y pimienta.
2.1
Sistema borroso
El sistema borroso propuesto en este trabajo es del tipo mandami, con dos
entradas y una salida. La composicion de reglas es por minimizacion (AND) y
el proceso de defuzzificaci
on se realiza por el metodo del centroide[4].
Las funciones de membresa que definen el conjunto de entrada Fig. 1 (izq.)
se definen por: Dark, Avg y Light; tanto para la entrada N1 (P1) como para la
entrada N2 (P2). En cambio, las funciones de membresa para el conjunto de
salida Fig. 1 (der.) se definen por: Dark, DmA, Avg, AmL y Light.
Como bien se puede observar en la Fig. 1, las funciones de membresa utilizadas son del tipo gaussianas ya que proveen una transicion mas suave y se
encuentran definidas en el intervalo [0,1].
Restauraci
on de im
agenes en escala de grises utilizando l
ogica borrosa y PSO
2.2
Esquema de aplicaci
on
Tabla 1. Definici
on de reglas por composici
on
P1 y P2 Dark Avg Light
Dark
Avg
Light
Fig. 3. Ruido de sal y pimienta: Vecindad del pxel ruidoso (a) / Ej. de pxel con ruido
de tipo sal (b)
Tercera etapa: Con esta ventana, se arman los conjuntos de pxeles P1 y P2.
Quedan definidos cuatro conjuntos a partir de los ocho pxeles vecinos al pxel
ruidoso: ss1=[N,S], ss2=[O,E], ss3=[NE,SO], ss4=[NO,SE]. Se procesan con el
sistema borroso y se obtienen los valores NS1 y NS2. Por otra parte, se calcula
la mediana de la ventana (DP1). Luego, los valores de NS1 y NS2 se procesan
nuevamente con el sistema borroso y se obtiene el valor DP2.
Finalmente, utilizando los valores de DP1 y DP2 se procesan por u
ltima vez
mediante el sistema borroso y se obtiene el valor de salida.
Restauraci
on de im
agenes en escala de grises utilizando l
ogica borrosa y PSO
Optimizaci
on del sistema borroso
Evaluaciones y Resultados
Fig. 4. Ruido de sal y pimienta: Vecindad del pxel ruidoso (a) / Ej. de pxel con ruido
de tipo sal (b)
Pic. / Med.
SSIM
25,258
25,758
25,454
25,247
35,939
26,751
20,829
24,790
38,803
39,483
39,183
35,328
13,544
13,725
13,730
10,080
0,935
0,887
0,488
0,790
0,984
0,982
0,993
0,983
Restauraci
on de im
agenes en escala de grises utilizando l
ogica borrosa y PSO
Fig. 5. Mandril - PSNR del filtro de mediana, propuesto y del valor de referencia con
distintas densidades de ruido
Fig. 6. Mandril - (a) imagen Original, (b) imagen ruidosa (10%), (c) imagen filtrada
con mediana y (d) Imagen filtrada usando metodo propuesto
Conclusiones
Restauraci
on de im
agenes en escala de grises utilizando l
ogica borrosa y PSO
Fig. 7. PSNR del filtro de mediana, metodo propuesto y del valor de referencia con
distintas densidades de ruido para una imagen conocida y una imagen no conocida
Futuras Implementaciones
Ap
endice A
Ecuaciones
M SE =
M 1 N 1
1 X X
2
k(I(i, j)) K(i, j)k
M N i=0 j=0
P SN R = 10. log10 (
SSIM (x, y) =
M AXI2
M AXI
) = 20. log10 (
)
M SE
M SE
(2x y )(2xy + c2 )
(2x + 2y + c1 )(x2 + y2 + c2 )
Referencias
1. Gonzalez, R.C., Woods, R.E., Digital Image Processing, 3er. Ed, Prentice-Hall.
p. 316.
2. Jayaraman, S. Digital Image Processing. Tata McGraw Hill Education. p. 272.
3. Kamia S., Sachdeva M. Fuzzy logic based image de-noising and enhancement for
grayscale images International Journal of Computer Applications (0975-8887). Volumen 74 No. 2, July 2013.
4. Fuzzy Logic Tool Box user guide Matlab (R2014b).
5. Schulte S., Nachtegael M. , De Witte V., Van der Weken D, Kerre E. E. A Fuzzy
impulse noise detection and reduction method Dept. Of Appl. Math Comput. Sci.,
Ghent Univ. , Ghent Belgium. IEEE Transactions en Image procressing (Volume:15,
Issue:5).
6. Kerre E. E., Nachtegael M. Fuzzy techniques in image processing 1ed., vol. 52,
Heildberg, Physica Verlag, 2000, p. 429.
7. Huynh-Thu, Q.; Ghanbari, M. (2008). Scope of validity of PSNR in image/video
quality assessment. IEEE Transactions en Image Processing (Volumen 13, Issue:
4).
8. Wang, Zhou; Bovik, A.C.; Sheikh, H.R.; Simoncelli, E.P (2004). Multiscale structural similarity for image quality assessment Signals, Systems and Computers,
2004. Conference Record of the Thirty-Seventh Asilomar Conference on (Volume:2).