Anlisis de Filtros Laplaciano, Gradiente Sobel, Gradiente Roberts y Suavizacin de Imgenes para Imgenes en escala de Grises. Ing.

Oswaldo Ulises Jurez Sandoval1, Student Member, IEEE. Seccin de Estudios de Postgrado e Investigacin. E.S.I.M.E. Unidad Culhuacn (I.P.N.), Av. Santa Ana No. 1000 Edif. 2 tercer piso Col. San Francisco Culhuacn C.P. 04430 joreandbins@hotmail.com I.- Introduccin Donde y son la segunda derivada parcial del o imagen con respecto a X y Y

as imgenes digitales hoy en da son ms comunes que hace 10 aos; hoy en da podemos capturar imgenes desde diferentes dispositivos mviles-digitales, sin embargo la calidad de esta imagen sufre diferentes variaciones dependiendo de la tecnologa usada, condiciones ambientales, resolucin, compresin etc. Una de las formas ms comunes para poder obtener una mejor calidad de imagen es la edicin, mediante diferentes softwares y/o aplicaciones dentro del dispositivo usado para la captura; pero esto no garantiza una correcta eliminacin de ruido, ajuste de contraste, bordes y visualizacin de los detalles de la misma. La implementacin de algoritmos matemticos implantados a las imgenes dentro de una aplicacin para dispositivos de captura digital de imgenes nos permitir obtener grandes caractersticas, un mejor detalle y calidad de la imagen; o simplemente resaltar caractersticas de importancia para el usuario. II.-Filtros Un filtro se basa en la eliminacin de impurezas, ruido etc. de un sistema y obtener la mejor calidad del mismo. Algunos de los filtros usados son Laplaciano, Gradiente Sobel, Gradiente Roberts y Suavizacin de Imgenes todos como filtro pasa alta para la obtencin de un aclaramiento de imagen. III.-Filtro Laplaciano. Dicho esto un Filtro Laplaciano crea una mscara que realza los pixeles con respecto a su vecindad atreves del aumento de su nivel de grises. Se encuentra definido primera mente por un Operador Laplaciano: (1)

la funcin definidas por:

...(2) ...(3) De acuerdo a lo anterior y sustituyendo (2), (3) en (1)

...(4)

Por lo que se tiene una funcin con base en Laplaciano de la imagen definida como:
(5)

De acuerdo con lo anterior tenemos una mscara:

Fig.1. Mascara del Filtro Laplaciano. La incorporacin de la variacin de los pixeles diagonales con respecto al central se tendra que incorporar dos nuevo trminos dentro de la ecuacin (5) que origina una variable a sustraer de ; que genera una mscara alternativa de la forma:

Fig.2. Mascara del Filtro Laplaciano incorporando la variacin de los pixeles diagonales.

De una forma ms general se tiene:

El gradiente muestra un vector que apunta a una direccin que tenga mayor cambio; dicho esto tenemos que la magnitud del vector es:
(7)

Fig.3. Mascara del Filtro en forma general. Junto con sus inversos de cada mascara. De lo mencionado anteriormente obtenemos como resultado: De una forma ms general se tiene:
( , +1)

(8) (*) (**)

(9) y (***)

Con operadores:

En el caso del Gradiente Sobel se tiene:

(10) De forma general:

Fig.4. Ulises.jpg de 561x960. A la imagen Ulises.jpg se le aplico el Filtro Laplaciano obteniendo la Fig.5. Con mayor nitidez y mejor realce de los detalles y un aclaramiento parcial de toda la imagen.

...(11)

Se tiene como resultado de la implementacin de lo anterior para Gradiente Robert la Fig.6. y para el Gradiente Sobel la Fig.7. Cuya imagen original es la Fig.4.

Fig.5. Filtrado Laplaciano de la imagen Ulises.jpg. IV.- Gradiente Sobel y Robert. Para el Gradiente Robert la funcin gradiente de en la coordenada como:
; el

se define

(6)

Fig.6. Imagen Ulises.jpg filtrada con Gradiente Robert

Fig.7. Imagen Ulises.jpg filtrada con Gradiente Sobel V.- Enmascaramiento y Suavizado. Para el proceso de enmascaramiento y suavizado de imgenes de imgenes borrosas simplemente es necesario seguir los siguientes puntos. 1.-Obtener una imagen borrosa (se puede utilizar el Filtro Geomtrico para la obtencin de la imagen). Imagen original Imagen Suavizada (*#) (#)

Fig.8. Imagen Ulises.jpg con Filtro Promedio tomando como imagen original la imagen de la Fig.4.

2.-Se sustrae de la imagen original la imagen suavizada. (#*) 3.- Se adiciona a la imagen original el resultado de la sustraccin multiplicada por una constante K. (#*)

Fig.9.Mascara

Fig.10. Imagen Mascarada con K=10 Conclusiones. Cada uno de los filtros presentados tiene importantes aplicaciones desde el Laplaciano para poder detallar ms la imagen hasta el Suavizado de imgenes el cual se observa que el enmascaramiento tambin es un filtro basado en una lgica simple de sema y restas; En el Filtrado Laplaciano cuando la imagen es plana (todos sus colores son iguales) el resultado es cero como en el caso del suter que presenta el modelo de la imagen; para el caso de los

filtros Gradiente Sobel y Robert es ms complejo ya que detalla la imagen en sus bordes y los dems lo descarta as mismo e importante sealar que el operador Robert es una Diferencia Cruzada y cada uno de estos Filtros son de forma espacial. Para una posible aplicacin dentro de un dispositivo de captura de imgenes se puede recomendar el uso del Filtro Laplaciano y el enmascaramiento y Suavizado; ya que son los que mejor resaltan los detalles de la imagen aun cuando eta sea una imagen totalmente borrosa como el caso del enmascaramiento. Bibliografa. [1] Dra. Mariko Nakano Miyatake. [2] Zhou Wang,Alan Conrad Bovik, Hamid Rahim Sheikh, Eero P. Simooncelli,"Image Quality Assessment:From Error Visibility to Structural Similarity", IEEE Transactions on Image Processing, Vol.3, No.4, April 2004. [3] Mask building for perceptually hiding frecuency embedded watermarks; F. Bertoni, M. Barni, V. Cappellini. A. Piva. 1 Ing. Oswaldo Ulises Jurez Sandoval. Egresado como Ingeniero en Comunicaciones y Electrnica 2009 de la Escuela Superior de Ingeniera Mecnica y Elctrica "Unidad Culhuacan", Actualmente realizando estudios de maestra en la Seccin de Estudios de Posgrado e Investigacin -ESIME "Culhuacan" Student Member, IEEE.