Restauraci

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

En ciertas ocasiones y debido a diversos factores, las imagenes digitales poseen

informaci
on no deseada que degrada la imagen original. Esta informacion, denominada ruido, es incorporada a la imagen por dos grandes factores: por error
en la adquisici
on de la imagen producto de defectos en los sensores o bien por
error en la transmisi
on de la imagen a traves de los canales de comunicacion.
La restauraci
on de im
agenes con degradacion de ruido es una disciplina que
lleva ya muchos a
nos y resulta de vital importancia en el esquema de procesamiento de una imagen digital. No obstante, para poder eliminar el ruido,
primero se debe conocer el tipo de ruido que afecta la imagen. Reconocer el
tipo de degradaci
on no es una tarea compleja, existen distintas tecnicas que permiten realizar esta tarea pero que estan fuera del alcance de la propuesta de este
trabajo. Particularmente, el tipo de ruido a tratar es el ruido conocido como
sal y pimienta. Este provoca que pxeles [1] de la imagen en escala de gris sean
muy diferentes en intensidad a sus vecinos circundantes, provocando no solo una

Manzo R.J., Vizarri C.

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

Fig. 1. Conjuntos de entrada (izq.) y salida (der.) del conjunto borroso

los conjuntos de entradas y la salida se expresan en la Tabla 1:

Ejemplo:
Si P1 = Dark y P2 = Avg entonces decision es DmA.
Si P1 = Light y P2 = Avg entonces decision es AmL.
Utilizando como referencia la Tabla 1 y la composicion por minimizacion,
podemos construir las restantes 7 reglas.

2.2

Esquema de aplicaci
on

La Fig. 2 representa el esquema de aplicacion del algoritmo con el sistema

borroso propuesto y PSO para la optimizacion del sistema. Este consiste en
cuatro etapas que se detallan a continuacion.
Aclaraci
on: En aras de una correcta comparacion con el filtro de mediana,
no se tienen en cuenta los bordes de la imagen en el procesamiento.

Tabla 1. Definici
on de reglas por composici
on
P1 y P2 Dark Avg Light
Dark
Avg
Light

Dark DmA Avg

DmA Avg AmL
Avg AmL Light

Manzo R.J., Vizarri C.

Fig. 2. Esquema de aplicaci

on del sistema borroso con optimizaci
on por PSO

Primera etapa: Se detectan los pxeles ruidosos candidatos. Solo aquellos

considerados como sal o pimienta son alterados, el resto no se ven modificados.
Segunda etapa: Por cada pxel candidato (i,j) se toma una ventana de 3 3. A
fines pr
acticos Fig. 3 (a), cada pxel vecino con respecto a (i, j) se corresponde
a una direcci
on NO = Noroeste, N = Norte, NE = Noreste, O = Oeste, E =Este,
SO = Suroeste, S = Sur, SE = Sureste.

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

Teniendo en cuenta el ejemplo propuesto en la Fig. 3 (b), obtenemos los

siguientes resultados:
1.Calculo de mediana:
DP1= Mediana[165,175,179,179,184,200,201,255]
2.Evaluaci
on en el sistema difuso:
NS1=[evaluarSistema(ss1),evaluarSistema(ss2)]
NS2=[evaluarSistema(ss3),evaluarSistema(ss4)]
3.DP2=evaluarSistema(NS1,NS2)
4.salida=evaluarSistema(DP1,DP2)
Cuarta etapa: Finalmente, se reemplaza el valor del pxel candidato por el
valor de salida. Este proceso se repite hasta que se modifican todos los pxeles
ruidosos de la imagen.
2.3

Optimizaci
on del sistema borroso

Para comparar la bondad del esquema propuesto respecto al filtro de mediana

se utiliz
o una medida expresada en decibelios (db): Peak signal-to-noise ratio
(PSNR) [7]. En algunas im
agenes los valores obtenidos eran superiores al filtro
de mediana pero en otros casos no. Incluso, variando apenas las parametros que
definen las funciones de membresa se obtena un valor mejor o peor de PSNR.
Por esta raz
on, se decidi
o llevar a cabo una optimizacion del sistema borroso.
Como metodo de optimizacion se utilizo PSO, logrando mejorar los parametros
que definen tanto las funciones de membresa para los conjuntos de entrada como
de salida del sistema borroso. Como funcion de fitness en la etapa de entrenamiento se utiliz
o el valor de PSNR; a mayor valor mejor es el resultado de
salida.
En el entrenamiento se probaron distintas alternativas, modificando solo los
conjuntos de entrada, solo los de salida y/o ambos conjuntos en simultaneo.
Adem
as , se utiliz
o un peso inercial como parametro para controlar el impacto
de las velocidades anteriores sobre la velocidad actual. En este caso, el peso
establecido es lineal, es decir, disminuye linealmente desde un valor grande a
un valor peque
no a lo largo de las iteraciones. Finalmente, y luego de varias
pruebas y resultados, se definio realizar solo la optimizacion de las funciones de
membresa del conjunto de entrada del sistema.
Como se puede observar en la Fig. 4, los conjuntos de entrada cambian significativamente respecto a los originalmente propuestos para el sistema borroso.
Esto implica un mejor ajuste de los valores esperados para el pxel candidato.

Evaluaciones y Resultados

El metodo propuesto se aplico a diferentes imagenes con el objeto de poner a

prueba el rendimiento en comparacion con el filtro de mediana. Como medidas
objetivas se utilizaron PSNR y structural similarity (SSIM) [8]. A mayor PSNR

Manzo R.J., Vizarri C.

Fig. 4. Ruido de sal y pimienta: Vecindad del pxel ruidoso (a) / Ej. de pxel con ruido
de tipo sal (b)

mejor es el resultado y cuanto mas se acerca el valor de SSIM a 1 mas se parece

a la imagen original.
El metodo de optimizacion por PSO es no determinstico. Con el fin de
independizarnos del sesgo producto de esto, el calculo del filtro propuesto se
realiz
o un total de 10 veces por cada imagen.

Tabla 2. Resultados comparativos de PSNR y SSIM del metodo propuesto en distintas

im
agenes con 1% de ruido (Promedio sobre 10 filtros borrosos)
PSNR

Pic. / Med.

SSIM

Referencia Mediana Fuzzy Ganancia Mediana Fuzzy

Lena
Cameraman
Mandril
Blonde

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

Para un 1% de ruido y teniendo en cuenta el valor de referencia - original vs.

ruidosa - expresado en la Tabla 2, podemos observar que los filtros propuesto
(Fuzzy) para todas las im
agenes son superiores al filtro de mediana. La ganancia
promedio est
a en el orden de los 13 dbs y el valor de SSIM es mas alto en todos
los casos.
Este resultado es alentador, no obstante, con un 1% de ruido no podemos
decir que el metodo propuesto es mejor al filtro de mediana. Para esto, se tomo

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

una imagen y se realiz

o un analisis del filtro propuesto con distintas densidades
de ruido de sal y pimienta.
Al observar la Fig. 5, vemos en todo momento que el filtro propuesto es
superior al filtro de mediana y la ganancia respecto a la referencia se preserva.
A su vez, si observamos la Fig. 6 (d), vemos como el filtro propuesto logra no
solo reducir el ruido eficazmente sino que se preservan los detalles de la imagen
sin introducir desenfoque.

Tabla 3. Resultados de la aplicaci

on del filtro obtenido mediante el metodo propuesto
para una imagen particular sobre otra imagen (promedio sobre 10 filtros borrosos)
Pic. / PSNR(db) FL-Lena(db) FL-Cameman(db) FL-Mandril(db) Fl-Blonde(db)
Referencia
38,803
39,483
39,183
35,328
Lena
37,932
33,671
37,401
Cameraman
38,623
33,883
26,751
Mandril
38,708
38,348
36,657
Blonde
33,199
33,744
29,203
-

Para determinar el grado de generalizacion del metodo propuesto, se hizo

un an
alisis comparativo entre los distintos filtros obtenidos para cada imagen
particular pero aplicados en las otras imagenes de prueba. Los resultados que
se expresan en la Tabla 3 dejan en evidencia como los filtros tienen una alta
dependencia de la imagen. Los valores de PSNR (Referencia) son superiores en
todo momento y se debe estrictamente a que en la etapa de entrenamiento los

Manzo R.J., Vizarri C.

Fig. 6. Mandril - (a) imagen Original, (b) imagen ruidosa (10%), (c) imagen filtrada
con mediana y (d) Imagen filtrada usando metodo propuesto

filtros son adaptados y optimizados para la imagen analizada perdiendo as la

capacidad de generalizaci
on.
Para lograr que el metodo no pierda la capacidad de generalizacion, se planteo
un cambio de enfoque en la etapa de entrenamiento del metodo PSO. Se definio
el uso de dos set de im
agenes, uno para la etapa de entrenamiento y otro para las
pruebas. Ambos sets de im
agenes tienen distintas distribuciones de histogramas y
porcentajes de ruido buscando as un mejor ajuste del banco de filtros y logrando
la capacidad de generalizacion buscada.
Como se puede observar en la Fig. 7 los resultados obtenidos con este enfoque son satisfactorios. Tomando una imagen del set de entrenamiento - imagen
conocida, se observa que para distintos porcentajes de ruido el valor de PSNR del
metodo propuesto es superior. De la misma, vemos en la Fig. 7 que si tomamos
una imagen no conocida del set de prueba el mismo comportamiento. Este detalle no es menor, ya que el resultado obtenido permite inferir que el metodo
propuesto efectivamente tiene capacidad de generalizacion y es, en consecuencia,
factiblemente su uso para la reduccion de este tipo de ruido.

Conclusiones

En este trabajo se propuso un metodo de filtrado basado en logica borrosa y

la optimizaci
on del sistema borroso mediante PSO. En este sentido, el objetivo
del metodo desarrollado fue la b
usqueda de los parametros optimos que mejor
definan las funciones de membresa del conjunto de entrada del sistema borroso,
de manera tal de ajustar lo mejor posible al pxel con ruido al valor original
medido en intensidad. Comparando los resultados obtenidos tanto a nivel objetivo (PSNR) como visual (SSIM) se puede afirmar que, el metodo propuesto es

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

capaz de reducir el ruido con mayor precision que el filtro de mediana y, a su

vez, logra preservar los detalles de la imagen sin introducir el indeseado efecto
de desenfoque.

Futuras Implementaciones

En la segunda etapa del esquema de aplicacion del metodo propuesto, no se

tiene en cuenta la direcci
on del gradiente en el calculo. Se debera dar mayor
preponderancia al valor en esta direccion y no as al promedio general de la
vecindad. Tambien se debera considerar el uso de ventanas descentradas de
manera tal de poder procesar los bordes de la imagen. Finalmente, se podra
adaptar el metodo propuesto de modo tal de procesar imagenes a color.

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 )

c1 = (k1 L)2 , c2 = (k2 L)2 coef. de estabilizaci

on,
L rangodin
amicodelpxel. Tpicamente 2bits por pxel1,k1 =0.01 y k2 =0.03 por def ecto

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).