Está en la página 1de 224

PROCESAMIENTO DE

IMAGEN DIGITAL
F. Xabier Albizuri - 2010
fx.albizuri@ehu.es
Contenido:
1. Fundamentos de imagen digital
2. Dominio espacial
3. Dominio de frecuencia
4. Procesamiento del color
5. Procesamiento morfol ogico
6. Segmentacion de imagen
7. Representacion y descripci on
Referencias al material graco de:
Digital Image Processing, 3rd edition
Rafael C. Gonzalez and Richard E. Woods
Pearson Education, 2008
http://www.sc.ehu.es/ccwalirx/dip/
Archivo PDF del curso:
http://www.sc.ehu.es/ccwalirx/dip/imageprocessing.pdf
Introduccion
Fundamentos de imagen digital
Una imagen: funci on f (x, y), intensidad o nivel de gris en el
punto (x, y), siendo x e y las coordenadas espaciales.
Imagen digital: x, y, f valores discretos (y nitos).
Procesamiento de imagen digital: procesamiento mediante
computador digital.
Pxel: cada elemento f (x, y) (intensidad en un punto) que
compone la imagen.
Fuente fsica (o sintetica) de una imagen:

Radiacion electromagnetica (EM).

Ac ustica o ultrasonica.

Electr onica (haz de electrones).

Imagenes sinteticas (generadas por computador).


Introduccion
Fundamentos de imagen digital
Concepcion dual de la radiacion EM:

Ondas oscilatorias, caracterizadas por una longitud de


onda (inversamente proporcional a la frecuencia).

Chorro de fotones, partculas sin masa pero con una


cantidad de energa.
Propagaci on (desplazamiento) a la velocidad de la luz
(constante fsica fundamental).
Menor longitud de onda Mayor energa del fot on Mayor
frecuencia de la radiacion.
Introduccion
Fundamentos de imagen digital
De mayor a menor frecuencia de la radiaci on:

Rayos gamma: medicina nuclear, observaciones


astron omicas.

Rayos X: diagnostico medico, industria (deteccion de


fallos), astronoma.

Banda ultravioleta: inspeccion industrial, microscopa,


biologa, astronoma.

Banda visible e infrarroja.

Microondas: radar

Ondas de radio: medicina (MRI), astronoma.


Introduccion
Fundamentos de imagen digital
Una fuente de radiacion EM: el p ulsar.
Imagenes para varias bandas del espectro:
[Figura 1.18]
Introduccion
Fundamentos de imagen digital
Otras fuentes de imagenes.

Imagenes ac usticas:

Exploracion geologica (sonido de baja frecuencia),


prospeccion martima.

Fabricacion industrial.

Medicina, especialmente obstetricia (ultrasonido).

Imagenes mediante haz de electrones:

Microscopa electronica: magnicacion optica 10 o


superior (escala atomica).

Imagenes sinteticas:

Fractales, texturas.

Modelado y visualizacion 3-D.


Introduccion
Fundamentos de imagen digital
Fuente ac ustica (ssmica) de imagenes 3-D:
[Figura 1.19]
Componentes de un sistema de procesamiento de imagen:
[Figura 1.24]
Percepcion visual
Fundamentos de imagen digital
[Figura 2.3]
Contraposicion

Procesamiento de imagen digital: formulaci on


matematica.

Percepci on visual humana: juicios subjetivos.


Percepcion visual
Fundamentos de imagen digital
Comparaci on entre visi on humana y dispositivos electronicos.
Factores a considerar: resoluci on, iluminacion.
Dos modos de la percepcion visual humana:

Fot opica (con gran luminosidad). Alta sensibilidad al color


y alta resoluci on de detalles.

Escot opica (con debil luminosidad). Visi on sin color y con


baja resolucion.
Percepci on visual: adaptable a un enorme rango de niveles de
intensidad (1 10
10
).
Brillo subjetivo: funcion del logaritmo de la intensidad
luminosa.
Fen omeno de adaptaci on al brillo.
Percepcion visual
Fundamentos de imagen digital
Brillo subjetivo:
[Figura 2.4]
Discriminaci on de cambios de luminosidad, I sobre I :
[Figura 2.6]
(Visi on fot opica y escot opica)
Espectro electromagnetico
Fundamentos de imagen digital
Toda radiacion EM es una superposici on de componentes
cromaticas (dentro y fuera de la banda visible): el prisma
descompone la luz solar (blanca) en diferentes colores.
Radiacion cromatica, caracterizada por su frecuencia (
hercios) y longitud de onda ( metros):
=
c

siendo c = 3 10
8
m/s la velocidad de la luz.
Espectro electromagnetico
Fundamentos de imagen digital
Dualidad de la radiacion EM: progagacion de una onda EM o
chorro de fotones. Energa de un foton (partcula sin masa):
E = h
siendo h la constante de Planck.
[Figura 2.10]
Espectro electromagnetico
Fundamentos de imagen digital
Luz blanca (superposici on compensada de las componentes del
espectro visible): luz acromatica o monocromatica. Ejemplo:
luz solar.
Percepci on del color de un objeto iluminado por luz
acromatica: componente cromatica reejada; energa del resto
de componentes cromaticas absorvida (en mayor proporci on)
por el objeto.
Para una luz acromatica: son terminos equivalentes la
intensidad y el nivel de gris. Escala de grises para luz
acromatica: entre el negro y el blanco. (Un gris es un blanco
de menor intensidad.)
Espectro electromagnetico
Fundamentos de imagen digital
Magnitudes para una fuente de luz cromatica (de logitud de
onda ).

Radiancia: energa emitida por la fuente, medida en vatios


(energa por unidad de tiempo).

Luminancia: radiancia corregida por un factor funci on de


la longitud de onda. Esta funcion (estandar) se dene por
un criterio subjetivo de la percepcion visual humana: la
luminosidad. Se mide en lumens.

Brillo: descriptor subjetivo, es una funci on no lineal de la


radiancia o la luminosidad.
Adquisicion de imagen
Fundamentos de imagen digital
Un sensor de imagen: capacidad para detectar radiacion de
una banda del espectro EM (u otro tipo de fuente) a partir de
cierto umbral de energa. Usualmente genera una tensi on
electrica (voltaje) proporcional a la energa captada.
[Figura 2.12] [Figura 2.15]
Adquisicion de imagen
Fundamentos de imagen digital
Adquisicion de una imagen 2-D: intensidad f (x, y), energa
recogida en el punto (x, y) de la imagen generada.
0 < f (x, y) <
Factores de la intensidad:
f (x, y) = i (x, y)r (x, y)
Iluminacion: cantidad de energa de la fuente de iluminacion
que incide en el objeto y se dirigira al punto (x, y) de la
imagen generada.
0 < i (x, y) <
Reectancia: fracci on de la iluminaci on reejada (no
absorvida) por el objeto.
0 < r (x, y) < 1
Muestreo y cuantizaci on
Fundamentos de imagen digital
Imagen f (x, y): coordenadas espaciales x, y e intensidad f
magnitudes fsicas continuas.
Generaci on de la imagen digital:

Muestreo. Se discretiza (digitaliza) la imagen respecto de


las coordenadas espaciales: array (matriz) de sensores.

Cuantizaci on. Se discretiza (digitaliza) el valor de la


intensidad en cada punto o elemento del array (matriz).
Calidad de la imagen: n umero de muestras (tama no de la
matriz) y n umero de niveles de intensidad (cuantizacion).
[Figura 2.16]
Muestreo y cuantizaci on
Fundamentos de imagen digital
Representaci on matricial de una imagen digital de M N
pxeles o elementos:
A =
_

_
a
0,0
a
0,1
a
0,N1
a
1,0
a
1,1
a
1,N1
.
.
.
.
.
.
.
.
.
.
.
.
a
M1,0
a
M1,1
a
M1,N1
_

_
Discretizaci on de las coordenadas espaciales.
Notaci on (ambigua):
a
i ,j
= f (i , j ) = f (x, y) = f (x
i
, y
j
)
Coordenadas espaciales (x, y) continuas (fsicas) o discretas
(ndices del array 2-D).
Muestreo y cuantizaci on
Fundamentos de imagen digital
Cuantizaci on de la imagen:
L niveles de intensidad (0, 1, 2, . . . , L 1).
Usualmente (procesamiento por computador):
L = 2
k
Rango dinamico de un sistema de procesamiento de imagen:
raz on entre la intensidad maxima medible (nivel L 1 en la
cuantizaci on) y la intensidad mnima detectable. Al superarse
el lmite superior se produce la saturaci on y debajo del lmite
inferior solo hay ruido (nivel 0 en la cuantizaci on).
[Figura 2.19]
Muestreo y cuantizaci on
Fundamentos de imagen digital
N umero de bits para guardar una imagen digital k-bit de
tama no M = N:
b = N
2
k
Ejemplo: imagen 8-bit de 1024 1024 pxeles,
b = 8,39Mb = 1,05MB
Resoluci on espacial en una imagen digital: referencia a la
distancia espacial (fsica) que representa la imagen.
Puntos (pxeles) por unidad de distancia: dots per inch (dpi)
Ejemplo: imagen con 1250 dpi, 300 dpi, 150 dpi, 72 dpi.
Reducci on de la resoluci on espacial: dada la distancia espacial
de la imagen, al disminuir el n umero de pxeles.
[Figura 2.20]
Muestreo y cuantizaci on
Fundamentos de imagen digital
Resoluci on en intensidad: se reere al n umero de bits usados
para medir la intensidad una vez cuantizada la imagen.
Normalmente 8 bits, a veces 16 bits, rara vez 32 bits.
Ejemplo: resolucion en intensidad de 8 bits signica 256
niveles de intensidad.
[Figura 2.21]
Muestreo y cuantizaci on
Fundamentos de imagen digital
Imagenes con distinta cantidad de detalle:
[Figura 2.22]
Calidad subjetiva de distintos tipos de imagenes, curvas de
isopreferencia:
[Figura 2.23]
Muestreo y cuantizaci on
Fundamentos de imagen digital
Interpolacion de la imagen: partiendo de un muestreo, estimar
valores de la intensidad en otros puntos distintos a los puntos
del muestreo inicial. Metodos de resampling.
Zooming, reduccion de la imagen, rotaciones y otras
transformaciones geometricas.
Ejemplo: ampliar una imagen de 500 500 pxeles a una
imagen de 750 750 pxeles (ampliacion del 50 %).
Metodos para estimar intensidades:

Interpolacion del vecino mas cercano

Interpolacion bilineal

Interpolacion bic ubica


Muestreo y cuantizaci on
Fundamentos de imagen digital
Nearest neighbor interpolation. Se superpone el array 2-D
nuevo al array 2-D inicial y la intensidad de cada pxel es la
intensidad del pxel mas cercano (promedio para vecinos a
igual distancia). Efectos indeseables.
Interpolacion bilineal. Se estima la intensidad en un punto
(x, y) mediante una funcion bilineal:
v(x, y) = ax + by + cxy + d
donde a, b, c, d se calculan resolviendo el sistema que resulta a
partir de los cuatro vecinos mas cercanos. Mucho mejor
calidad.
Muestreo y cuantizaci on
Fundamentos de imagen digital
Interpolacion bic ubica.
v(x, y) =
3

i =0
3

j =0
a
ij
x
i
y
j
Los coecientes a
ij
se calculan resolviendo el sistema que
resulta a partir de los dieciseis vecinos mas cercanos. Mejor
calidad, mayor carga computacional. Estandar comercial.
Relaciones basicas entre pxeles
Fundamentos de imagen digital
Imagen digital f (x, y): array 2-D (matriz) de pxeles,
coordenadas espaciales x, y discretas. Denotamos el pxel en
un punto (x, y) como p = p(x, y).
Vecinos de un pxel p:

N
4
(p) = q(x +1, y), q(x 1, y), q(x, y +1), q(x, y 1)

N
D
(p) = q(x + 1, y + 1), q(x + 1, y 1),
q(x 1, y + 1), q(x 1, y 1)

N
8
(p) = N
4
(p) N
D
(p)
Relaciones basicas entre pxeles
Fundamentos de imagen digital
Adyacencia entre pxeles: relaci on entre pxeles de intensidad
dentro de un conjunto de valores V.

En una imagen binaria V = 1.

En general V 0, 1, . . . , 2
k
1.
Deniciones de adyacencia: sean p, q pxeles con valores de
intensidad en V,

p y q son 4-adyacentes si q N
4
(p),

p y q son 8-adyacentes si q N
8
(p),

p y q son m(mixed)-adyacentes si
1. q N
4
(p), o bien,
2. q N
D
(p) y en N
4
(p) N
4
(q) no hay ning un pxel con
valor de intensidad en V.
m-adyacencia: menor ambig uedad
Relaciones basicas entre pxeles
Fundamentos de imagen digital
Un camino (o curva) desde un pxel p a un pxel q es una
secuencia de n + 1 pxeles adyacentes, siendo n la longitud del
camino. El camino es cerrado si el pxel nal es el inicial.
Tenemos 4-,8-,m-caminos seg un el tipo de adyacencia.
Una regi on de una imagen es un subconjunto R de pxeles
conectados: entre dos pxeles cualquiera de R siempre hay un
camino formado exclusivamente por pxeles de R. Dos regiones
R
1
y R
2
son adyacentes si R
1
R
2
es una regi on, y disjuntas
en caso contrario. Una region es maximal si no tiene regiones
adyacentes.
Las regiones de una imagen digital son relativas al subconjunto
V de intensidades y al tipo de adyacencia.
Relaciones basicas entre pxeles
Fundamentos de imagen digital
R
1
, . . . , R
K
regiones (maximales) disjuntas de una imagen:


K
i =1
R
k
foreground,

K
i =1
R
k
_
C
background o fondo.
Contorno o borde interior de una regi on R: puntos de R
adyacentes a alg un punto de R
C
. Adyacencia entre los puntos
de una regi on R y los puntos de su fondo R
C
:

V incluye todas las intensidades.

Se usa la 8-adyacencia.
(R no incluye pxeles de los bordes del array 2-D.)
Borde exterior de una regi on R: es el contorno de R
C
respecto
de su fondo R. El borde exterior proporciona un camino
cerrado para regiones cuyo borde interior no es un camino
cerrado.
Relaciones basicas entre pxeles
Fundamentos de imagen digital
Axiomas para una metrica o funcion de distancia D:
1. D(p, q) 0, con D(p, q) = 0 p = q,
2. D(p, q) = D(q, p),
3. D(p, r ) D(p, q) + D(q, r ).
Pxeles p = p(x, y) y q = q(s, t), coordenadas discretas.
Distancia eucldea:
D
e
(p, q) =
_
(x s)
2
+ (y t)
2

1/2
Distancia D
4
:
D
4
(p, q) = [x s[ +[y t[
Distancia D
8
:
D
8
(p, q) = max([x s[, [y t[)
Relaciones basicas entre pxeles
Fundamentos de imagen digital
Dado un pxel p, conjunto de pxeles q con D(p, q) r :

D
e
: crculo

D
4
: rombo

D
8
: cuadrado
La denici on de D
e
, D
4
, D
8
no depende del concepto de
adyacencia entre pxeles, solo de las coordenadas espaciales.
D
m
(p, q): longitud del m-camino mas corto entre p y q.
La distancia entre p y q depende de la m-adyacencia (relativa
a un conjunto de intensidades V) entre sus pxeles pr oximos.
Herramientas matematicas
Fundamentos de imagen digital
Diferenciar:

Operaciones matriciales (algebra matricial).

Operaciones de array, que se realizan pxel a pxel.


En general consideramos operaciones de array: producto de
array de dos imagenes (arrays 2-D o matrices), suma de array
de dos imagenes, potencia de una imagen, etc.
Operadores sobre imagenes:
H [f (x, y)] = g(x, y)
Herramientas matematicas
Fundamentos de imagen digital
H es un operador lineal si:
H
_

i
a
i
f
i
(x, y)
_
=

i
a
i
H [f
i
(x, y)]
(operaciones de array)
Ejemplo de operador no lineal:
H [f (x, y)] = p 1
donde 1 es un array 2-D de 1s y p la intensidad maxima de los
pxeles de f (x, y).
Importancia de los operadores lineales.
Operaciones aritmeticas
Fundamentos de imagen digital
Ejemplo: reduccion de ruido mediante adicion de imagenes.
Imagen original f (x, y) e imagen aleatoria:
g(x, y) = f (x, y) + (x, y)
Intensidad de los pxeles de (x, y): valores aleatorios no
correlacionados y esperanza nula.
Imagen promedio mediante adici on de imagenes con ruido:
g(x, y) =
1
K
K

i =1
g
i
(x, y)
g(x, y) f (x, y) con K .
[Figura 2.26]
Operaciones aritmeticas
Fundamentos de imagen digital
Ejemplo: substraccion de una mascara (radiografa medica).
g(x, y) = f (x, y) h(x, y)
Diferencia entre:

f (x, y) la imagen obtenida tras inyectar una substancia


de contraste,

h(x, y) la mascara.
Se realza la imagen diferencial g(x, y).
[Figura 2.28]
Operaciones aritmeticas
Fundamentos de imagen digital
Ejemplo: correcci on del sombreado por multiplicaci on/division.
Sistema de imagen que produce:
g(x, y) = f (x, y)h(x, y)
siendo f (x, y) la imagen correcta y h(x, y) una deformaci on
del sombreado. Estimaci on de h(x, y):
h(x, y) = 1 h(x, y)
Reconstrucci on de la imagen:
f (x, y) = g(x, y)/h(x, y)
[Figura 2.29]
Operaciones aritmeticas
Fundamentos de imagen digital
Implementaci on de operaciones aritmeticas.
Imagenes 8-bit: valores de intensidad de 0 a 255.

Adici on de dos imagenes: valores de 0 a 510.

Diferencia de dos imagenes: valores de -255 a 255.


Adecuaci on de una imagen f al intervalo de intensidades 0 a
255: valor mnimo 0,
f
m
= f mn(f )
y escalado para K = 255,
f
s
= K f
m
/ max(f
m
)
(redondear a entero)
Operaciones espaciales
Fundamentos de imagen digital
Operaciones espaciales realizadas sobre los valores de
intensidad de los pxeles de la imagen:

operaciones de un pxel,

operaciones de vecindad,

transformaciones geometricas.
Operaciones de un pxel: modicaci on de la intensidad de los
pxeles individualmente, f (x, y) intensidad de un pxel en la
imagen original,
g(x, y) = T(f (x, y))
intensidad del pxel en la imagen transformada.
Ejemplo: negativo de una imagen digital.
Operaciones espaciales
Fundamentos de imagen digital
Operaciones de vecindad: S(x, y) conjunto de puntos (u, v)
vecinos del punto (x, y), en la imagen transformada la
intensidad g(x, y) es funci on de las intensidades f (u, v) de los
puntos de la vecindad S(x, y).
Ejemplo: intensidad promedio en un vecindario (rectangulo
M
s
N
s
) para suprimir detalles y realzar regiones mayores,
g(x, y) =
1
M
s
N
s

(u,v)S(x,y)
f (u, v)
Operaciones espaciales
Fundamentos de imagen digital
Transformaciones geometricas sobre una imagen f (u, v).

Transformacion T en el plano geometrico de coordenadas


espaciales: a un punto (u, v) le corresponde un punto
(x, y) = T(u, v).

Asignar nuevos valores de intensidad a los pxeles:


intensidad de pxel g(x, y) = f (u, v) en la nueva imagen.
Coordenadas discretas: interpolaci on para determinar las
intensidades de los pxeles.
Operaciones espaciales
Fundamentos de imagen digital
Transformaciones anes: escalados, translaciones, rotaciones,
transvecciones, reexiones, proyecciones.
[x y 1] = [u v 1] T
T =
_
_
t
11
t
12
0
t
21
t
22
0
t
31
t
32
1
_
_
Equivale a una transformacion lineal mas una translaci on en el
plano vectorial:
[x y] = [u v] A +b
donde A =
_
t
11
t
12
t
21
t
22
_
y b = [t
31
t
32
].
Operaciones espaciales
Fundamentos de imagen digital
Esta representacion matricial 3 3 permite concatenar
transformaciones anes T
1
, T
2
, . . . dando lugar a una nueva
transformaci on afn T:
T = T
1
T
2

La transformacion afn de matriz T es invertible cuando la
transformaci on lineal de matriz A es invertible. Si T es
invertible: correspondencia uno a uno (biyecci on) en el plano
geometrico,
(x, y) = T(u, v) (u, v) = T
1
(x, y)
Operaciones espaciales
Fundamentos de imagen digital
Algunas transformaciones anes:

Translaci on: T =
_
_
1 0 0
0 1 0
t
1
t
2
1
_
_

Escalado: A =
_
c
1
0
0 c
2
_

Rotaci on: A =
_
cos sin
sin cos
_

Transveccion (horizontal): A =
_
1 s
h
0 1
_
Operaciones espaciales
Fundamentos de imagen digital
Imagen digital: coordenadas espaciales discretas.

Transformacion directa (x, y) = T(u, v), con u, v


enteros, redondear x, y a enteros y asignar intensidad.
Puntos distintos con igual transformada y puntos (x, y)
que no se obtienen en la transformacion.

Transformacion inversa (inverse mapping). Para cada


punto (x, y) de la imagen transformada, obtener
(u, v) = T
1
(x, y) y calcular por interpolacion en la
imagen original la intensidad del pxel para la imagen
transformada (metodo mas eciente).
Operaciones espaciales
Fundamentos de imagen digital
Alineamiento de imagenes (image registration): determinar la
funci on de transformaci on T dada una imagen y su imagen
transformada (dos imagenes de una misma escena).
Modelado de la transformaci on:

Transformacion afn.

Transformacion bilineal:
x = c
1
v + c
2
w + c
3
vw + c
4
y = c
5
v + c
6
w + c
7
vw + c
8

Transformacion por funciones polin omicas.


Estimacion de parametros c
i
: correspondencia entre puntos de
control (tie points). Tecnicas de regresion.
Aplicaciones: imagenes medicas, otras.
Transformacion de imagenes digitales
Fundamentos de imagen digital
Operaciones espaciales: la imagen original y la imagen
procesada se han representado en el dominio espacial
(intensidad funci on de coordenadas en el plano geometrico).
Representaci on de una imagen digital:

Dominio espacial: f (x, y) array 2-D de MN pxeles, x, y


variables espaciales (discretas).

Dominio transformado: F(u, v) array 2-D de MN valores,


u, v variables transformadas.
Transformacion lineal de una imagen digital:
F(u, v) =

y
f (x, y)r (x, y, u, v)
donde r (x, y, u, v) es la funcion de kernel de la transformaci on.
Transformacion de imagenes digitales
Fundamentos de imagen digital
Transformada directa de f (x, y) en F(u, v).
Transformada inversa de F(u, v) en f (x, y):
f (x, y) =

v
F(u, v)s(x, y, u, v)
donde s(x, y, u, v) es el kernel de la transformaci on inversa.
f (x, y)
transformacion
F(u, v)
trans. inversa
f (x, y)
Procesamiento de una imagen en el dominio transformado:
f (x, y)
transformacion
F(u, v)
OPERACION
G(u, v)
G(u, v)
trans. inversa
g(x, y)
Transformacion de imagenes digitales
Fundamentos de imagen digital
Transformada de Fourier de una imagen (dominio espacial),
dominio de las variables de frecuencia:
[Figura 2.40]
Transformacion de imagenes digitales
Fundamentos de imagen digital
Funci on de kernel separable:
r (x, y, u, v) = r
1
(x, u)r
2
(y, v)
Kernel simetrico: r
1
y r
2
funciones identicas.
Ejemplo fundamental: transformada discreta de Fourier (2-D).
Funciones de kernel:
r (x, y, u, v) = e
j 2(ux/M +vy/N)
s(x, y, u, v) =
1
MN
e
j 2(ux/M +vy/N)
Transformacion de imagenes digitales
Fundamentos de imagen digital
Transformada discreta de Fourier: transformadas directa e
inversa.
F(u, v) =
M1

x=0
N1

y=0
f (x, y) e
j 2(ux/M +vy/N)
f (x, y) =
1
MN
M1

u=0
N1

v=0
F(u, v) e
j 2(ux/M +vy/N)
Metodos probabilsticos
Fundamentos de imagen digital
Un modelo probabilstico simple de una imagen digital: f (x, y)
variable aleatoria (discreta). L niveles de intensidad ( z
k
,
k = 0, 1, . . . , L 1). Probabilidad muestral de la intensidad z
k
:
p
k
=
1
MN

x,y : f (x,y)=z
k
1
Estimacion de la intensidad media: m =

k
z
k
p
k
. Varianza
muestral de la intensidad (mide el contraste de la imagen):

2
=

k
(z
k
m)
2
p
k
Modelos probabilsticos: tecnicas principales para algoritmos de
procesamiento de imagen.
Introduccion
Transformaciones de intensidad y ltrado espacial
Procesamiento en el dominio espacial: g(x, y) = T [f (x, y)]
Imagen original f (x, y), imagen procesada g(x, y).
Pxel g(x, y): el operador T se dene sobre un vecindario del
punto (x, y), normalmente un rectangulo.
Procesamiento de la imagen: usualmente se recorren los
pxeles de izquierda a derecha y de arriba a abajo. Se rellenan
los bordes.
Filtro espacial (mascara, kernel, ventana): denido por el
vecindario y las operaciones.
Caso especial: vecindario 1 1, transformaci on de intensidad
(nivel de gris), s = T(r ).
Estudiaremos el realce de imagenes. Tecnicas orientadas a la
aplicacion.
Funciones de transformacion de intensidad
Transformaciones de intensidad y ltrado espacial
Transformacion de la intensidad r de un pxel en una
intensidad s:
s = T(r )
Imagenes digitales: niveles de intensidad 0, 1, . . . , L 1,
funci on T denida por una tabla L L.
Valores de intensidad 8-bit, L = 256.
Imagenes negativas:
s = L 1 r
Realce de detalles sobre fondo oscuro.
Funciones de transformacion de intensidad
Transformaciones de intensidad y ltrado espacial
Log transformaciones:
s = c log(r + 1)
donde c = (L 1)/ log L, con L niveles de intensidad, mas
redondeo para calcular s.
Transforma el intervalo de intensidades bajas (oscuras) a un
intervalo mas amplio de intensidades (reduciendo el intervalo
de las intensidades mas altas).
Comprime el rango dinamico de imagenes con gran variacion
en los valores de intensidad: representaci on de espectros de
Fourier (rango de 1 a 10
6
por ejemplo).
Son preferibles funciones mas suaves (potencias) para realzar
imagenes reales (fsicas).
Funciones de transformacion de intensidad
Transformaciones de intensidad y ltrado espacial
Transformaciones gamma (ley de potencia):
s = c r

siendo gamma () el exponente de la potencia de r .


El valor de suele darse para el intervalo de intensidades
escalado a [0, 1], as la funci on es independiente de L y c = 1.
Familia de transformaciones para distintos valores de : rango
mas amplio para intensidades oscuras con < 1, rango mas
amplio para intensidades altas con > 1.
Funciones de transformacion de intensidad
Transformaciones de intensidad y ltrado espacial
Ejemplo de correcci on gamma de una imagen: tubo de rayos
cat odicos (CRT). La respuesta (en pantalla) intensidad/voltaje
es una potencia con 2,5, se requiere una correcci on
gamma de la imagen s = r
1/2,5
previa a su visualizacion.
Imagenes en la Web: visi on en innidad de monitores.

Monitores de distinto tipo.

Algunos computadores con gamma correcci on empotrada.

Estandares de imagen sin informaci on sobre gamma


correcci on.
Publicar en la Web imagenes preprocesadas para los sistemas
de vision mas usuales.
Funciones de transformacion de intensidad
Transformaciones de intensidad y ltrado espacial
Aplicaci on de prop osito general de la transformaci on gamma:
manipulacion del contraste para realzar la imagen.

Imagenes predominantemente oscuras: se aumenta el


contraste amplicando con T el intervalo de las
intensidades bajas.

Imagenes predominantemente claras: se aumenta el


contraste amplicando con T el intervalo de las
intensidades altas.
Correcci on gamma de imagenes de color: inuye en las
relaciones rojo/verde/azul.
[Figura 3.9]
Funciones lineales a trozos
Transformaciones de intensidad y ltrado espacial
Funciones lineales a trozos en lugar de funciones analticas
para denir la transformaci on de la intensidad.
Estiramiento del contraste en un intervalo de intensidades de
interes [r
1
, r
2
] que se transforma linealmente en [s
1
, s
2
]
(r
2
r
1
< s
2
s
1
) y reducci on del contraste fuera de [r
1
, r
2
].
En el lmite: funci on de umbral. La imagen transformada es
binaria respecto de una intensidad umbral r
1
= r
2
.
[Figura 3.10]
Funciones lineales a trozos
Transformaciones de intensidad y ltrado espacial
Las funciones de transformaci on de intensidad estudiadas son
funciones monotonas: T(r
1
) < T(r
2
) para r
1
< r
2
. Las
siguiente funciones de transformaci on no son monotonas.
Corte (slice) de nivel de intensidad: T(r ) = s
h
en el intervalo
de intensidades de interes [r
1
, r
2
], siendo s
h
un valor de
intensidad alto (blanco) y constante. Fuera del intervalo de
interes [r
1
, r
2
], dos variantes:

T(r ) = s
l
constante, s
l
intensidad baja (negro). La
imagen procesada es binaria.

T(r ) = r , la intensidad no se modica fuera del intervalo


de interes.
Funciones lineales a trozos
Transformaciones de intensidad y ltrado espacial
Otra variante, T(r ) = r en el intervalo de interes y T(r ) = s
l
(o bien T(r ) = s
h
) fuera del intervalo:
[Figura 3.12]
Cortes de plano de bit, para evaluar la cuantizacion o
compresi on de una imagen digital:
[Figura 3.14] [Figure 3.15]
Histogramas
Transformaciones de intensidad y ltrado espacial
Histograma de una imagen digital: representacion graca de la
funci on discreta n
k
, n umero de pxeles con valor de intensidad
r
k
, k = 0, 1, . . . , L 1.
Histograma normalizado: p
k
= n
k
/MN, para una imagen
M N. (Probabilidades muestrales de los niveles de intensidad
en la imagen.)
Base de numerosas tecnicas de procesamiento en el dominio
espacial.
Procesamiento de histogramas
Transformaciones de intensidad y ltrado espacial
Histogramas de imagenes:

Rango dinamico de la intensidad: amplio o reducido.

Contraste (nivel de detalle): varianza de la intensidad.


[Figura 3.16]
Ecualizacion de histogramas
Transformaciones de intensidad y ltrado espacial
Ecualizacion de una imagen: transformaci on de intensidad
s = T(r ) que produce una imagen cuyo histograma es
uniforme (aproximadamente):

Rango dinamico maximo.

Contraste alto pero preservando grises.


La funcion T que transforme el intervalo de intensidades
[0, L 1] ha de ser:

Mon otona creciente.

Invertible, r = T
1
(s).
Modelo probabilstico de la imagen: p
k
= n
k
/MN, probabilidad
del valor de intensidad r
k
, k = 0, 1, . . . , L 1.
Ecualizacion de histogramas
Transformaciones de intensidad y ltrado espacial
Elementos de la teora de probabilidades.
Consideramos una funcion de densidad de probabilidad p(r ) de
variable r continua. Dada una densidad de probabilidad q(s)
particular (funci on uniforme u otra), buscamos una funcion
(creciente e invertible) s = T(r ) de forma que haya una
correspondencia entre las densidades de probabilidad:
p(r ) dr = q(s) ds
Por tanto:
p(r )
q(s)
=
dT(r )
dr
Ecualizacion de histogramas
Transformaciones de intensidad y ltrado espacial
Densidad de probabilidad uniforme en el intervalo [0, L 1]:
q(s) =
1
L 1
Para una densidad de probabilidad p(r ) sobre [0, L 1]:
T(r ) = (L 1)
_
r
0
p(u) du
La funcion T es monotona creciente e invertible (siempre que
la densidad p(r ) sea positiva).
Ecualizacion de histogramas
Transformaciones de intensidad y ltrado espacial
Histograma de una imagen digital: probabilidades para una
variable aleatoria discreta.
Consideramos intensidades de pxel con valores normalizados al
intervalo [0, L 1]: r
k
= k, para k = 0, 1, . . . , L 1.
Funci on de transformaci on de la intensidad para la
ecualizaci on del histograma:
T(r ) = T(k) = (L 1)

r
j
r
k
p
j
=
L 1
MN
k

j =0
n
j
para r = 0, 1, . . . , L 1 (y redondear a 0, 1, . . . , L 1)
Ecualizacion de histogramas
Transformaciones de intensidad y ltrado espacial
EJEMPLO: ecualizar este histograma de una imagen 64 64.
k 0 1 2 3 4 5 6 7
n
k
790 1023 850 656 329 245 122 81
Proceso de ecualizaci on del histograma:

Es un metodo automatico (sin parametros que ajustar).

Distribuci on uniforme de intensidades: aproximadamente.


Ecualizacion de histogramas
Transformaciones de intensidad y ltrado espacial
Funci on de la transformacion inversa:
T
1
(s) = k
L 1
MN
k

j =0
n
j
s <
L 1
MN
k+1

j =0
n
j
Observaci on: en la transformacion de un histograma en otro la
funci on T(r ) no es una biyeccion sobre 0, 1, . . . , L 1, sin
embargo la funci on T
1
(s) esta bien denida para s continua
o discreta (no es biyectiva).
[Figura 3.20]
Especicacion de histogramas
Transformaciones de intensidad y ltrado espacial
La ecualizaci on de un histograma busca su transformacion en
un histograma uniforme.
Especicacion de histogramas: se busca realzar la imagen
digital transformandolo a un histograma especco (no
uniforme), dependiente de la aplicaci on.
En general es un metodo de prueba y ensayo: no hay reglas
para especicar el histograma adecuado a cada aplicaci on.
Especicacion de histogramas
Transformaciones de intensidad y ltrado espacial
Planteamiento del problema:

Histograma de una imagen digital: p


k
= n
k
/MN

Histograma especicado: q
k
, k = 0, 1, . . . , L 1
Algoritmo para obtener la funci on T(r ) que transforma
(aproximadamente) el histograma inicial en el histograma
especicado:

Calcular la funci on T
1
que ecualiza el histograma inicial.

Calcular la funci on T
2
que ecualiza el histograma
especicado.
Funci on de transformaci on de intensidad:
T(r ) = T
1
2
(T
1
(r ))
El valor s = T
1
(r ) no se redondea; T
1
2
(s) es entero.
Procesamiento local de histogramas
Transformaciones de intensidad y ltrado espacial
Metodos de procesamiento de imagen globales: la funci on de
transformaci on se dene a partir de la distribuci on de los
valores de intensidad en toda la imagen.
Metodos locales: realzar detalles en areas peque nas de la
imagen. La funci on de transformaci on se dene a partir de la
distribuci on de la intensidad en un vecindario de cada pxel de
la imagen.
Procesamiento local de histogramas
Transformaciones de intensidad y ltrado espacial
Algoritmo:

Adaptaci on de los metodos globales.

Para cada pxel, tomando su vecindario, se dene la


funci on de transformaci on para un histograma ecualizado
o especicado.

Se recorren todos los pxeles de la imagen. Los calculos


para un pxel se aprovechan para el pxel adyacente.
Este metodo es preferible a dividir la imagen y transformar la
intensidad por bloques.
[Figura 3.26]
Estadsticos locales
Transformaciones de intensidad y ltrado espacial
Estadsticos globales de una imagen digital:

media muestral
m =

k
r
k
p
k
=
1
MN

x,y
f (x, y)

varianza muestral

2
=

k
(r
k
m)
2
p
k
=
1
MN

x,y
(f (x, y) m)
2
Denidos sobre el histograma y sobre el array 2D de pxeles.
Estadsticos locales
Transformaciones de intensidad y ltrado espacial
S
x,y
vecindario del pxel de coordenadas x, y: por ejemplo un
rectangulo M
s
N
s
. Estadsticos locales:
m(S
x,y
) =

k
r
k
p
k
(S
x,y
) =
1
M
s
N
s

(u,v)S(x,y)
f (u, v)

2
(S
x,y
) =

k
(r
k
m(S
x,y
))
2
p
k
(S
x,y
) =
=
1
M
s
N
s

(u,v)S(x,y)
(f (x, y) m(S
x,y
))
2
Desviaci on estandar (S
x,y
): contraste de intensidad en el
vecindario. Util en tecnicas locales de realce.
Fundamentos de ltrado espacial
Transformaciones de intensidad y ltrado espacial
Aplicaci on para realzar imagenes digitales.
Filtro espacial (mascara, kernel, ventana): denido por un
vecindario y unas operaciones. La denominacion proviene del
procesamiento en el dominio de frecuencia: equivalencia con
los ltros espaciales lineales (pero no con los no lineales).
Filtro espacial lineal con mascara m n:
g(x, y) =
a

s=a
b

t=b
w(s, t) f (x + s, y + t)
siendo m = 2a + 1 y n = 2b + 1. Se procesa toda la imagen.
Los coecientes del ltro forman una matriz [w(s, t)] m n.
Fundamentos de ltrado espacial
Transformaciones de intensidad y ltrado espacial
Para una imagen f (x, y) de tama no M N y un ltro w(s, t)
de tama no m n, dos expresiones del ltro espacial lineal:

Correlaci on
(w f )(x, y) =
a

s=a
b

t=b
w(s, t) f (x + s, y + t)

Convoluci on: mascara rotada


(w f )(x, y) =
a

s=a
b

t=b
w(s, t) f (x s, y t)
siendo m = 2a + 1 y n = 2b + 1. Las imagenes (w f )(x, y) y
(w f )(x, y) son M N.
Fundamentos de ltrado espacial
Transformaciones de intensidad y ltrado espacial
EJEMPLO: dada una mascara w cualquiera, calcular w y
w , donde es la funci on de impulso unidad, para arrays
1-D y 2-D.
Convoluci on, correlacion: terminologa imprecisa en la
literatura.
Filtrado espacial lineal: usaremos la expresi on de correlaci on
(la convolucion es una correlaci on con la mascara rotada).
Filtros espaciales de suavizado
Transformaciones de intensidad y ltrado espacial
Suavizado: imagen mas borrosa, reducci on de ruido.
Mascaras de suavizado: promedio de las intensidades en el
vecindario de cada pxel y promedio ponderado.
W =
1
9
_
_
1 1 1
1 1 1
1 1 1
_
_
W =
1
16
_
_
1 2 1
2 4 2
1 2 1
_
_
Filtros espaciales de suavizado
Transformaciones de intensidad y ltrado espacial
Suavizado de la imagen para detecci on de objetos:

Los objetos peque nos (para la mascara) se confunden con


el fondo de la imagen.

Para destacar los objetos grandes se puede transformar la


intensidad con una funcion de umbral.
[Figura 3.34]
Filtros espaciales de suavizado
Transformaciones de intensidad y ltrado espacial
Filtro no lineal: estadstico de orden. Se ordenan los pxeles del
vecindario seg un su intensidad y se selecciona cierto valor de la
ordenaci on, por ejemplo la mediana.
Reducen el ruido de la imagen sin producir una imagen tan
borrosa como los ltros lineales.
EJEMPLO: calcular la mediana de un vecindario 3 3.
Otros estadsticos de orden: max, min.
[Figura 3.35]
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
Aguzamiento: resaltar transiciones de intensidad (aristas,
contornos).
Filtro de diferenciaci on. Requisitos para las deniciones.

Derivada de una funcion discreta: (a) nula en intervalos


de intensidad constante, (b) no nula al inicio y a lo largo
de una pendiente de intensidad.

Derivada de segundo orden de una funcion discreta: (a)


nula en intervalos de intensidad constante, (b) no nula al
inicio y nal de una pendiente de intensidad, (c) nula a lo
largo de una pendiente constante.
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
Derivada de una funcion discreta 1-D:
f
x
= f (x + 1) f (x)
Derivada de segundo orden:

2
f
x
2
= f (x + 1) + f (x 1) 2f (x)
Las deniciones se conservan para una imagen digital 2-D:
f (x, y)
x
,
f (x, y)
y
,

2
f (x, y)
x
2
,

2
f (x, y)
y
2
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
EJEMPLO: calcular las derivadas de primer y segundo orden
de la funci on discreta
f = (6, 6, 6, 6, 5, 4, 3, 2, 1, 1, 1, 1, 1, 1, 6, 6, 6, 6, 6)
La derivada de segundo orden es mas adecuada para
aguzamiento de imagenes digitales.
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
Filtro isotr opico: invariante a la rotacion, al rotar la imagen el
resultado del ltro es el mismo pero rotado,
T[R[f (x, y)]] = R[T[f (x, y)]]
donde T es el ltro y R una rotacion de la imagen.
Para una funcion de variables continuas f (x, y), el operador
laplaciano,

2
f =

2
f
x
2
+

2
f
y
2
es un operador isotr opico (y tambien es lineal).
Operador laplaciano para variables discretas:

2
f (x, y) = f (x + 1, y) + f (x 1, y) +
+f (x, y + 1) + f (x, y 1) 4f (x, y)
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
Mascara del ltro laplaciano:
_
_
0 1 0
1 4 1
0 1 0
_
_
Isotr opico para rotaciones de 90

.
Modicacion de la mascara:
_
_
1 1 1
1 8 1
1 1 1
_
_
Isotr opico () para rotaciones de 45

.
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
Aguzamiento de una imagen digital:
g(x, y) = f (x, y)
2
f (x, y)
EJEMPLO: considerar el ejemplo anterior.
[Figura 3.38]
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
Aguzamiento mediante derivadas de primer orden: gradiente.
Para una funcion f (x, y) de variables continuas:
f = (g
x
, g
y
) =
_
f
x
,
f
y
_
Magnitud del gradiente (norma del vector f ):
M(x, y) = |f | =
_
g
2
x
+ g
2
y
M(x, y) es la imagen gradiente.
La magnitud del gradiente es un operador isotr opico
(invariante a rotaciones). No es lineal.
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
En algunas implementaciones:
M(x, y) [g
x
[ +[g
y
[
No es isotr opico. Pero las mascaras usadas para imagenes
digitales son isotr opicas s olo para m ultiplos de 90

, siendo
equivalentes M(x, y) y su aproximaci on.
Mascaras para computar g
x
(x, y) y g
y
(x, y):
_
_
0 0 0
0 1 0
0 1 0
_
_
_
_
0 0 0
0 1 1
0 0 0
_
_
Filtros espaciales de aguzamiento
Transformaciones de intensidad y ltrado espacial
Operadores de Sobel:
_
_
1 2 1
0 0 0
1 2 1
_
_
_
_
1 0 1
2 0 2
1 0 1
_
_
Imagen gradiente mas suave: gradiente de Sobel.
Las mascaras denen ltros lineales. El calculo completo de
M(x, y) (o su aproximaci on) es un ltro no lineal.
[Figura 3.42]
Combinacion de metodos
Transformaciones de intensidad y ltrado espacial
[Figura 3-43]
Tecnicas fuzzy
Transformaciones de intensidad y ltrado espacial
Teora de conjuntos difusos (fuzzy).
En un universo de elementos |, un conjunto difuso A es una
funci on de pertenencia:

A
: | [0, 1]

A
(x) es el grado de pertenecia del elemento x al conjunto A.
(En la teoria ordinaria de conjuntos
A
(x) vale 0 o 1.)
Conjunto vaco:

(x) = 0 para todo x.


Complemento:
A
(x) = 1
A
(x).
Subconjunto: A B si
A
(x)
B
(x).
Uni on:
AB
(x) = max
A
(x),
B
(x).
Intersecci on:
AB
(x) = mn
A
(x),
B
(x).
Tecnicas fuzzy
Transformaciones de intensidad y ltrado espacial
Denimos una partici on de | como una familia de conjuntos

i
tal que para todo elemento x:
0 <

i
(x) 1
Funciones usuales de pertenencia: triangular, trapezoidal,
sigma, S-shape, campana, gaussiana truncada.
Teora de conjuntos difusos: no interpretable dentro de la
teora de probabilidades.
Interpretaci on de operaciones de conjuntos en la l ogica
proposicional: NOT, OR, AND, IF THEN (reglas).
Tecnicas fuzzy
Transformaciones de intensidad y ltrado espacial
Transformacion de intensidad para realzar el contraste.
Partici on del conjunto de valores de intensidad posibles:
D
oscuro,
G
gris,
B
brillante.
T(r ) =

D
(r )r
D
+
G
(r )r
G
+
B
(r )r
B

D
(r ) +
G
(r ) +
B
(r )
Singletones r
D
, r
G
, r
B
:

Si
D
(r ) = 1 entonces T(r ) = r
D
.

Si
G
(r ) = 1 entonces T(r ) = r
G
.

Si
B
(r ) = 1 entonces T(r ) = r
B
.
Tecnicas fuzzy
Transformaciones de intensidad y ltrado espacial
Realce del contraste por ecualizaci on y con tecnica fuzzy.
La tecnica fuzzy es mas compleja que la ecualizaci on
(automatico). Una alternativa: uso de histogramas
especicados mediante tecnicas fuzzy.
Metodos heursticos: ejemplo de ltro espacial.
[Figura 3.54] [Figura 3.55] [Figura 3.59]
Transformada de Fourier
Filtrado en el dominio de frecuencia
Serie y transformada de Fourier: teora matematica
fundamental para la ciencia y tecnologa moderna.
Procesamiento de imagen digital:

transformaci on de la imagen,

procesamiento en el dominio de frecuencia,

transformaci on inversa.
Transformada de Fourier
Filtrado en el dominio de frecuencia
Serie de Fourier de una fuci on f (t) de variable continua,
funci on de periodo T:
f (t) =

n=
c
n
e
j
2n
T
t
donde, para n = 0, 1, 2, . . .,
c
n
=
1
T
_
T/2
T/2
f (t)e
j
2n
T
t
F ormula de Euler:
e
j
= cos + j sin
Expresi on en senos y cosenos de la serie de Fourier.
Transformada de Fourier
Filtrado en el dominio de frecuencia
Funci on de impulso unidad (para variable continua):
(t) =
_
si t = 0
0 si t ,= 0
_

(t) dt = 1
Propiedad del impulso:
_

f (t) (t t
0
) dt = f (t
0
)
(t) no es una funci on usual sino una distribuci on (para
integraci on Lebesgue-Stieltjes).
Transformada de Fourier
Filtrado en el dominio de frecuencia
Funci on impulso discreta (para variable entera):
(x) =
_
1 si x = 0
0 si x ,= 0
Es una funci on ordinaria. Claramente:

x=
(x) = 1 y

x=
f (x) (x x
0
) = f (x
0
)
Tren de impulsos de periodo :
s

(t) =

n=
(t n)
Transformada de Fourier
Filtrado en el dominio de frecuencia
Transformada de Fourier de una funci on f (t) de variable
continua:
F() = T[f (t)] =
_

f (t) e
j 2t
dt
Transformada inversa:
f (t) = T
1
[F()] =
_

F() e
j 2t
d
Expresi on en senos y cosenos.
Dominio de frecuencia: la variable es una frecuencia
temporal (Hz) o espacial (ciclos/metro).
Transformada de Fourier
Filtrado en el dominio de frecuencia
Interpretaci on: f (t) es una superposici on de ondas e
j 2t
. El
coeciente (n umero complejo) F() da la amplitud [F()[ y la
fase F() de la onda, para cada frecuencia . Espectro de
frecuencias [F()[.
EJEMPLO: transformada de una funcion escalon simetrica.
[Figura 4.4]
EJEMPLO: transformada de la funcion impulso y del tren de
impulsos.
Transformada de Fourier
Filtrado en el dominio de frecuencia
Convoluci on de dos funciones de variable continua:
(f g)(t) =
_

f () g(t ) d
Analoga con las funciones de variable discreta: ltro espacial
lineal de una imagen 1-D con la mascara rotada.
Teorema de convoluci on:
1. T[f g]() = T[f ]() T[g]()
2. T[f (t) g(t)]() = (T[f ] T[g]) ()
Expresiones para f g y f g calculando T
1
.
Muestreo
Filtrado en el dominio de frecuencia
Imagen digital: muestreo y cuantizaci on de una imagen fsica
(valores continuos). Estudiamos el muestreo de funciones
(pero sin cuantizar la funci on muestreada).
Tren de impulsos como funci on de muestreo:

f (t) = f (t) s

(t) =

n=
f (t) (t n)
Escribimos la funci on muestreada

f (t) como:

f (t) =

n=
f
n
(t n)
donde f
n
= f (n).
Muestreo
Filtrado en el dominio de frecuencia
Transformada de Fourier de una funci on muestreada:

F() = T
_

f (t)
_
() =
1

n=
F
_

n

_
donde F() = T[f (t)].
DEMOSTRAR
Teorema del muestreado
Filtrado en el dominio de frecuencia
Funci on f (t) de banda limitada: la transformada de Fourier
F() es nula salvo en una banda o intervalo [
max
,
max
].
Teorema: una funci on (continua) de banda limitada por
max
puede ser recuperada completamente a partir de un muestreo
de intervalo si se cumple:
1

> 2
max
la frecuencia de muestreo 1/ es mayor que la frecuencia de
Nyquist, 2
max
, el ancho de banda de la transformada de
Fourier de la funci on.
DEMOSTRAR
[Figura 4.6]
Teorema del muestreado
Filtrado en el dominio de frecuencia
Filtro de reconstrucci on pasa bajo:
H() =
_

max

max
0 en caso contrario
Para un muestreado

f (t) = f (t) s

(t) de frecuencia
1/ > 2
max
tenemos:
F() = H()

F()
Recuperacion de f (t):
f (t) = T
1
[F()]
Aliasing
Filtrado en el dominio de frecuencia
Si 1/ < 2
max
en

F() las componentes de F() para
frecuencias mayores que 1/ se superponen a componentes de
frecuencia menor: frequency aliasing. Con un ltro pasa bajo
no se puede reconstruir la funci on original f (t).
En general siempre se produce aliasing: en la practica al
muestrear f (t) se toma un intervalo nito para t y la
transformada F() tiene componentes para .
DEMOSTRAR
Proceso de anti-aliasing: reduccion del efecto atenuando las
altas frecuencias antes del muestreo (por ejemplo
desenfocando una imagen).
Reconstruccion a partir del muestreado
Filtrado en el dominio de frecuencia
Recuperacion de una funci on de banda limitada a partir de un
muestreado con frecuencia 1/ > 2
max
:
f (t) = T
1
[F()] = T
1
[H()

F()]
Del teorema de convoluci on:
f (t) = h(t)

f (t) =

n=
f (n) sinc
_
t n

_
puesto que
h(t) = T
1
[H()] = sinc(t/) = sin(t/)/(t/)
DEMOSTRAR
Reconstruccion a partir del muestreado
Filtrado en el dominio de frecuencia
Observamos que:

Para t = k se recupera para f (t) la muestra f (k)


pues sinc((kn)/) = 0 para n ,= k y sinc(0) = 1
para n = k.

Para t ,= k se recupera para f (t) un valor por


interpolacion de las muestras f (n) ponderadas por
sinc((t n)/).
En la practica la interpolacion ha de calcularse mediante una
suma nita y el valor calculado para f (t) es aproximado.
(Adicionalmente esta el efecto de aliasing.)
La transformada discreta de Fourier
Filtrado en el dominio de frecuencia
Transformada de Fourier de

f (t), funcion muestreada de
periodo :

F() =
_

f (t) e
j 2t
dt =
=
_

n=
f (t) (t n) e
j 2t
dt =

n=
f
n
e
j 2n
Suponemos que f
n
= 0 para n < 0 y n M, y consideramos
frecuencias que son m ultiplos de 1/(M):
F
m
=

F
_
m
M
_
=
M1

n=0
f
n
e
j 2mn/M
para m = 0, 1, . . . , M 1.
La transformada discreta de Fourier
Filtrado en el dominio de frecuencia
Recprocamente se cumple:
f
n
=
1
M
M1

m=0
F
m
e
j 2mn/M
para n = 0, 1, . . . , M 1.
DEMOSTRAR
Transformadas directa e inversa: transformada discreta de
Fourier (DFT).
La relacion se verica para cualquier secuencia f
0
, f
1
, . . . , f
M1
.
La transformada discreta de Fourier
Filtrado en el dominio de frecuencia
OBSERVAR que f
n
= f (n) y F
m
=

F(m/M) son funciones
de periodo M seg un las transformadas directa e inversa
(sumas nitas de funciones peri odicas), aunque en la DFT
estas funciones s olo se han denido en el intervalo de enteros
[0, M 1].
Periodos de f
n
y F
m
respecto de las variables continuas t
(espacio/tiempo) y (frecuencia): M y 1/
respectivamente.
Los valores F
m
corresponden al intervalo de frecuencias
[0, 1/) y no a (1/(2), 1/(2)).
La transformada discreta de Fourier
Filtrado en el dominio de frecuencia
La condicion f (t) = 0 fuera del intervalo real (0, M) para
derivar la DFT implica que f (t) no es de banda limitada:
efecto de aliasing al recuperar f (t) a partir de las muestras f
n
.
Recuperacion de f (t) mediante interpolaci on a partir de las
muestras f
n
:

tomando f
n
= 0 para n < 0 y n M,

considerando f (t) una funci on de periodo M.


EJEMPLO: calculo de la DFT (directa e inversa).
La transformada discreta de Fourier
Filtrado en el dominio de frecuencia
Para funciones f
n
y g
n
de variable discreta y con periodo M,
convoluci on circular :
(f g)(n) =
M1

m=0
f (m) g(n m)
para n = 0, 1, . . . , M 1; f g funci on de periodo M.
Teorema de convoluci on para la DFT:
1. f
n
g
n
F
m
G
m
2. f
n
g
n
F
m
G
m
Transformada de Fourier en 2-D
Filtrado en el dominio de frecuencia
Transformada (directa e inversa) de Fourier en 2-D para una
funci on continua:
F(, ) = T[f (x, y)] =
_

f (x, y) e
j 2(x+y)
dx dy
f (x, y) = T
1
[F(, )] =
_

F(, ) e
j 2(x+y)
dd
En una imagen 2-D: variables espaciales x e y.
Dominio de frecuencias continuo 2-D dado por y .
EJEMPLO: transformada de una funcion escalon 2-D
simetrica.
[Figura 4.13]
Transformada de Fourier en 2-D
Filtrado en el dominio de frecuencia
Muestrear una funci on f (x, y) con intervalo
x
para la
variable x e intervalo
y
para la variable y.
Teorema del muestreado: una funci on 2-D (continua) de
banda limitada puede ser recuperada completamente a partir
de un muestreado si las frecuencias de muestreo cumplen:
1

x
> 2
max
y
1

y
> 2
max
siendo 2
max
el ancho de banda en x y 2
max
el ancho de
banda en y de la funci on transformada F(, ).
Transformada de Fourier en 2-D
Filtrado en el dominio de frecuencia
Recuperar f (x, y): interpolacion de las muestras con sumas
innitas de funciones sinc. Aproximaci on con sumas nitas y
con otros metodos de interpolacion (vecino mas cercano,
bilineal, bic ubica).
Aliasing : en general, la transformada de una imagen nita
(acotada en el espacio) no es de banda limitada, la
recuperacion de la imagen (fsica) a partir del muestreado
(imagen digital) esta afectada por componentes de frecuencia
corrompidas.
Para reducir el efecto de aliasing: desenfocar ligeramente la
imagen (con la camara) antes de muestrear (digitalizar).
Transformada de Fourier en 2-D
Filtrado en el dominio de frecuencia
Un fenomeno equivalente: re-muestreado.
[Figura 4.17] [Figura 4.21]
Transformada de Fourier en 2-D
Filtrado en el dominio de frecuencia
Transformada discreta de Fourier (DFT) en 2-D:
F
uv
=
M1

m=0
N1

n=0
f
mn
e
j 2(um/M+vn/N)
para u = 0, 1, . . . , M 1 y v = 0, 1, . . . , N 1,
f
mn
=
1
MN
M1

u=0
N1

v=0
F
uv
e
j 2(um/M+vn/N)
para m = 0, 1, . . . , M 1 y n = 0, 1, . . . , N 1.
Propiedades de la DFT en 2-D
Filtrado en el dominio de frecuencia
Muestreado de una funcion f (x, y) (una imagen) acotada en
el espacio con intervalo
x
para la variable x e intervalo
y
para la variable y: f
mn
(imagen digital) M N muestras.
Dominio de frecuencias discreto, u y v m ultiplos de:
1
M
x
y
1
N
y
F
uv
: componentes para M N frecuencias en los intervalos
[0, 1/
x
) y [0, 1/
y
).
Propiedades de la DFT en 2-D
Filtrado en el dominio de frecuencia
Periodicidad de la transformada directa e inversa:
F
u+kM,v+kN
= F
u,v
y f
m+kM,n+lN
= f
m,n
Traslaci on de F
uv
al centro del rectangulo de frecuencias
[0, M 1] [0, N 1] para mejor visualizaci on:
f
mn
(1)
m+n
F
uM/2,vN/2
DEMOSTRAR
Propiedades de la DFT en 2-D
Filtrado en el dominio de frecuencia
Espectro de frecuencia [F
uv
[ y angulo de fase
uv
de la
transformada:
F
uv
= [F
uv
[ e
j
uv
Para f
mn
real (una imagen) la DFT es una funci on hermtica:
F

u,v
= F
u,v
, es decir,
[F
u,v
[ = [F
u,v
[ y
u,v
=
u,v
[Figura 4.24]
Teorema de convolucion en 2-D
Filtrado en el dominio de frecuencia
Sean f
mn
y g
mn
funciones de periodo M y N para las variables
discretas m y n respectivamente, convolucion circular 2-D:
(f g)
m,n
=
M1

k=0
N1

l =0
f
k,l
g
mk,nl
con m = 0, 1, . . . , M 1 y n = 0, 1, . . . , N 1;
(f g)
mn
funci on de periodo M y N para m y n.
Teorema de convoluci on:
1. f
mn
g
mn
F
uv
G
uv
2. f
mn
g
mn
F
uv
G
uv
Fundamentos
Filtrado en el dominio de frecuencia
Fundamento del ltrado en el dominio de frecuencia:
modicacion de la transformada de Fourier de una imagen y
calculo de la transformada inversa para obtener la imagen
procesada. Dada una imagen digital f
mn
con F
uv
= T[f
mn
], se
obtiene la imagen:
g
mn
= T
1
[H
uv
F
uv
]
donde H
uv
es la funci on de ltro.
Puede ser util usar funciones centradas en el rectangulo
[0, M 1] [0, N 1] (no es as en Matlab).
Para una F
uv
centrada: f
mn
(1)
m+n
.
Fundamentos
Filtrado en el dominio de frecuencia
Componente dc de una imagen en el dominio de frecuencias:
F
00
, representa la intensidad media de la imagen.
Filtro pasa-bajo: aten ua las altas frecuencias.
Filtro pasa-alto: aten ua las bajas frecuencias.
[Figura 4.29] [Figura 4.31]
Fundamentos
Filtrado en el dominio de frecuencia
La DFT directa e inversa manejan funciones peri odicas en el
dominio espacial y de frecuencias. Esto se reeja en la imagen
procesada g
mn
y en la reconstrucci on de la imagen fsica (por
interpolacion).
Si la imagen original no es periodica conviene reliazar un
relleno o padding, y trabajar con periodo doble.
[Figura 4.32] [Figura 4.33]
Fundamentos
Filtrado en el dominio de frecuencia
Componentes de frecuencia complejos: F
uv
= [F
uv
[ e
j
uv
Filtros con desplazamiento de fase nulo, zero-phase-shift:
H
uv
F
uv
= [H
uv
[[F
uv
[ e
j
uv
Filtros usuales.
Fundamentos
Filtrado en el dominio de frecuencia
Pasos del ltrado en el dominio de frecuencia:
1. Rellenar la imagen digital original (usualmente duplicando
los dos periodos espaciales).
2. Calcular la transformada DFT (centrada) de f
mn
(1)
m+n
.
3. Generar un ltro H
uv
: real, centrado, simetrico.
4. Calcular la DFT inversa de G
uv
= H
uv
F
uv
y obtener la
imagen procesada, eliminando componentes imaginarias
parasitarias debidas a imprecisiones de calculo:
g
mn
= Re
_
T
1
[G
uv
]
_
(1)
m+n
5. Suprimir en la imagen procesada el relleno.
[Figura 4.36]
Fundamentos
Filtrado en el dominio de frecuencia
Correspondencia entre ltrado espacial y ltrado en el dominio
de frecuencia (DFT directa e inversa):
h
mn
f
mn
H
uv
F
uv
Para , funcion de impulso unidad (discreta y 2-D): T[] = 1,
por tanto:
h
mn
H
uv
Transformacion entre ltro espacial y ltro en dominio de
frecuencia mediante DFT.
Fundamentos
Filtrado en el dominio de frecuencia
Usualmente los ltros denidos en el dominio espacial son
peque nos (por ejemplo ltro de Sobel 3 3). La convoluci on
circular h
mn
f
mn
se mantiene ampliando el ltro con ceros.
Aproximaci on usual al ltrado: se dene el ltro en el dominio
de frecuencia y para la implementaci on real se dise na una
mascara espacial mas peque na.
Suavizado de imagen
Filtrado en el dominio de frecuencia
Filtros de suavizado en el dominio de frecuencia:

ltro pasa-bajo ideal: ltrado brusco,

ltro pasa-bajo gaussiano: ltrado suave,

ltro pasa-bajo de Butterworth: intermedio.


Se trabajara con imagenes rellenadas y ltros H
uv
del mismo
tama no.
Suavizado de imagen
Filtrado en el dominio de frecuencia
Filtro pasa-bajo ideal (ILPF):
H
uv
=
_
1 si r
uv
D
0
0 si r
uv
> D
0
H
uv
es un ltro centrado, r
u,v
es la distancia euclidea del
punto (u, v) al centro del plano de frecuencias y D
0
es la
frecuencia umbral del ltro pasa-bajo.
Efecto caracterstico del ILPF: formacion de anillos en la
imagen procesada. (Analoga con la transformada de un
escal on.)
Suavizado de imagen
Filtrado en el dominio de frecuencia
Para comparar el ltrado de distintas imagenes se dene la
fracci on de energa de la imagen transformada F
uv
que
comprende el ltro:
=

u,v
H
uv
F
uv

u,v
F
uv
Se expresa como porcentaje.
Energa eliminada de la imagen: 1 .
[Figura 4.42]
Suavizado de imagen
Filtrado en el dominio de frecuencia
Filtro pasa-bajo de Butterworth (BLPF) de orden n:
H
uv
=
1
1 + (r
uv
/D
0
)
2n
En la frecuencia umbral, r
uv
= D
0
, tenemos H
uv
= 0,5.
Transici on abrupta para n grande (formaci on de anillos), ltro
efectivo para n = 2 (y sin formaci on de anillos).
[Figura 4.45]
Suavizado de imagen
Filtrado en el dominio de frecuencia
Filtro pasa-bajo gaussiano (GLPF):
H
uv
= e
r
2
uv
/2D
2
0
H
uv
= 1 para r = 0 y H
uv
0,61 para r = D
0
.
(No es una funcion de densidad.)
La DFT inversa del ltro es gaussiana: el GLPF no forma
anillos en la imagen procesada.
El BLPF puede ser preferible para una mayor separaci on entre
frecuencias altas y bajas; alternativamente usamos el GLPF.
[Figura 4.49]
Aguzamiento de imagen
Filtrado en el dominio de frecuencia
Filtro pasa-alto: aguzamiento de imagen para resaltar
transiciones de intensidad (aristas, contornos).
Dado un ltro pasa-bajo (normalizado entre 0 y 1), ltro
pasa-alto:
H
HP
(u, v) = 1 H
LP
(u, v)
Filtros pasa-alto ideal (IHPF), Butterworth (BHPF) y
gaussiano (GHPF). Ejemplo (Butterworth):
H
uv
=
1
1 + (D
0
/r
uv
)
2n
Aguzamiento de imagen
Filtrado en el dominio de frecuencia
Filtrado con GHPF.
[Figura 4.56]
Imagen 1026 962 de una huella dactilar con manchas. BHPF
con n = 4 y D
0
= 50.
[Figura 4.57]
Aguzamiento de imagen
Filtrado en el dominio de frecuencia
Operador laplaciano. Filtro en el dominio de frecuencia
(demostrar):
H
uv
= 4r
2
uv

2
f
mn
= T
1
[H
uv
F
uv
]
Imagen realzada:
g
mn
= f
mn

2
f
mn
Normalizar intensidades: imagen inicial en [0, 1], dividir el
laplaciano por su valor maximo (valores en [1, 1]), normalizar
imagen procesada.
Aguzamiento de imagen
Filtrado en el dominio de frecuencia
Expresi on general de un ltrado para enfasis de altas
frecuencias:
g
mn
= k
1
f
mn
+ k
2
T
1
[H
uv
F
uv
]
dado un ltro pasa alto H
uv
.
Parametros de control del ltrado k
1
y k
2
.
[Figura 4.59]
Filtrado selectivo
Filtrado en el dominio de frecuencia
Filtros pasa-banda y rechaza-banda: ideal, Butterworth,
gaussiano.
H
BP
(u, v) = 1 H
BR
(u, v)
Filtro rechaza-banda ideal:
H(u, v) =
_
0 si D
0
W/2 r (u, v) D
0
+ W/2
1 en caso contrario
Suprime las componentes de frecuencia D
0
en un ancho de
banda W (en el plano de frecuencias).
Filtrado selectivo
Filtrado en el dominio de frecuencia
Filtro de mella (notch lter): aten ua componentes de
frecuencia en la proximidad de varios puntos del plano de
frecuencias.
H
NR
=

k
H
+
k
H

k
Filtro real, centrado y simetrico respecto del origen de
frecuencias en el plano (zero-phase-shift lter):
puntos (u
0
+ u
k
, v
0
+ v
k
) y (u
0
u
k
, v
0
v
k
).
Filtro Butterworth:
H
NR
(u, v) =

k
1
1 + (D
k
/r
+
k
(u, v))
2n
1
1 + (D
k
/r

k
(u, v))
2n
Distancias euclideas a los pares de puntos: r
+
k
y r

k
Filtrado selectivo
Filtrado en el dominio de frecuencia
[Figura 4.64] [Figura 4.65]
Computacion
Filtrado en el dominio de frecuencia
Calculo de la DFT:

separabilidad de la transformada 2-D,

la transformada de Fourier rapida (FFT),

etc.
Operadores
Procesamiento morfologico de imagen
Morfologa matematica: representaci on de objetos en
imagenes. Se basa en la teora de conjuntos.
Imagen digital binaria: subconjunto de Z
2
.
Imagen digital en escala de grises: subconjunto de Z
2
Z.
Operaciones con subconjuntos de Z
2
o Z
3
: union, intersecci on,
complemento, diferencia. Relaci on de inclusi on.
Reexi on de B Z
2
:

B = (x, y) [ (x, y) B
Traslaci on de B al punto z = (u, v):
(B)
z
= (x + u, y + v) [ (x, y) B
Operadores
Procesamiento morfologico de imagen
Elementos estructurantes: subconjuntos de Z
2
utilizados para
estudiar las propiedades de interes de una imagen.
Los elementos tienen su centro originalmente en (0, 0) y
recorren la imagen trasladandose a cada punto z = (u, v).
Erosi on de una imagen (de los objetos de una imagen) A por
el elemento estructurante B:
A B = z [ (B)
z
A
[Figura 9.3]
Operadores
Procesamiento morfologico de imagen
Dilatacion de una imagen (de los objetos de una imagen) A
por el elemento estructurante B:
A B = z [ (

B)
z
A ,=
Para un elemento simetrico

B = B.
Dualidad de la erosion y la dilataci on para complementos de
imagenes (con reexion de B).
[Figura 9.6] [Figura 9.7]
Operadores
Procesamiento morfologico de imagen
Apertura de una imagen A por un elemento estructurante B:
A B = (A B) B
Cierre:
A B = (A B) B
[Figura 9.8] [Figura 9.9] [Figura 9.10] [Figura 9.11]
Transformacion Hit-or-Miss
Procesamiento morfologico de imagen
Tecnica para detectar un objeto o forma en una imagen.
Imagen binaria A: localizar una forma D, con fondo local W.
La forma D y su contorno W D tienen el mismo centro.
Elemento estructurante compuesto B = (D, W D).
Localizacion del origen o centro de la forma en la imagen:
A B = (A D) (A
c
(W D))
Erosi on de la imagen por D y del complemento de la imagen
por el contorno de D.
[Figura 9.12]
Algoritmos
Procesamiento morfologico de imagen
Extracci on de componentes en imagenes binarias para
representar y describir formas.
Extracci on de contornos:
B(A) = A (A B)
Erosi on de una imagen A por un elemento estructurante B.
[Figura 9.13] [Figura 9.14]
Algoritmos
Procesamiento morfologico de imagen
Relleno de agujeros en una imagen.
Algoritmo parcial: se conoce un punto de cada agujero de una
imagen binaria A. (Se automatizara mas adelante.)
Iteraci on: imagen inicial X
0
con un 1 para el punto conocido
de cada agujero y 0 en el resto de puntos,
X
k
= (X
k1
B) A
c
k = 1, 2, 3, . . .
donde B es un elemento estructurante (para agujeros
4-conectados en la gura).
La iteracion termina cuando X
k
= X
k1
.
Algoritmo de dilatacion condicionada: interseccion con A
c
.
[Figura 9.15] [Figura 9.16]
Algoritmos
Procesamiento morfologico de imagen
Extracci on de componentes conectadas.
Iteraci on: imagen inicial X
0
con un 1 para el punto conocido
de cada componente conectada y 0 en el resto de puntos,
X
k
= (X
k1
B) A k = 1, 2, 3, . . .
B es el elemento estructurante para componentes
8-conectadas o bien 4-conectadas.
[Figura 9.17] [Figura 9.18]
Algoritmos
Procesamiento morfologico de imagen
Envoltura convexa de un objeto en un plano: region convexa
minimal del plano que contiene al objeto. (Regi on convexa:
incluye el segmento que une dos cualquiera de sus puntos.)
Envoltura convexa en una imagen binaria A con una
componente conectada (o envolturas para varias
componententes). Iteracion:
X
i
k
= (X
k1
B
i
) A k = 1, 2, 3, . . .
siendo X
i
0
= A. Convergencia: X
i
k
= X
i
k1
= X
i
. Elementos
estructurantes B
1
, B
2
, . . . Envoltura convexa de A:
((A) =
_
i
X
i
Algoritmos
Procesamiento morfologico de imagen
Elementos estructurantes B
i
de la gura: la mascara D tiene
tres pxeles alineados vertical u horizontalmente, y su contorno
W D es el centro de la mascara.
El algoritmo proporciona una envoltura convexa pero, en
general, no minimal. Modicacion del algoritmo para obtener
envolturas convexas menores ((
1
(
2
).
[Figura 9.19] [Figura 9.20]
Algoritmos
Procesamiento morfologico de imagen
Thinning o adelgazamiento:
A B = A (A B)
Un paso: sin iteracion.
Secuencia de elementos estructurantes:
. . . (((A B
1
) B
2
) B
3
) . . .
Se repite la operacion hasta que no ocurran cambios sobre la
imagen binaria A.
Algoritmos
Procesamiento morfologico de imagen
Elementos estructurantes B de la transformaci on hit-or-miss
en A B = A (A B): en la gura la mascara D son los
pxeles grises y el contorno W D los pxeles blancos.
Transformacion nal a una componente conexa con
m-caminos unicos entre pxeles.
[Figura 9.21]
Algoritmos
Procesamiento morfologico de imagen
Espesamiento:
A B = A (A B)
Secuencia de elementos estructurantes:
. . . (((A B
1
) B
2
) B
3
) . . .
Dual del adelgazamiento: usualmente para espesar A se
adelgaza A
c
y se obtiene el complemento del resultado.
Procesado nal para eliminar puntos desconectados.
[Figura 9.22]
Algoritmos
Procesamiento morfologico de imagen
Esqueleto de un objeto o forma.
Denici on del esqueleto S(A) de un objeto en una imagen
binaria A: conjunto de puntos z para los que el mayor disco
(crculo) D centrado en z y contenido en A, (D)
z
A, es un
disco maximo, es decir, no existe ning un disco (D

)
z
A tal
que (D)
z
(D

)
z
.
(Los discos maximos tocan el contorno de A en al menos dos
puntos.)
[Figura 9.23]
Algoritmos
Procesamiento morfologico de imagen
Calculo del esqueleto en una imagen digital:
S(A) =
K
_
k=0
S
k
(A)
El esqueleto S(A) es la union de los subconjuntos:
S
k
(A) = (A
k
B) (A
k
B) B
para k = 0, 1, . . . ,
K = maxk [ (A
k
B) ,=
B es un elemento estructurante.
A
3
B = ((A B) B) B etc.
Algoritmos
Procesamiento morfologico de imagen
La imagen A puede ser reconstruida a partir de los
subconjuntos del esqueleto:
A =
K
_
k=0
S
k
(A)
k
B
Heursticos para obtener en una imagen digital esqueletos
conectados, con erosi on minimal, adelgazamiento maximal.
[Figura 9.24]
Algoritmos
Procesamiento morfologico de imagen
Poda: posprocesado para algoritmos de adelgazamiento y
obtenci on del esqueleto, elimina componentes parasitarias.
Eliminacion de extremos:
X
1
= A B
k

B
1
, B
2
, . . . secuencia de elementos estructurantes. Se repite
la operaci on un n umero determinado de veces.
Para recuperar la forma original, sin componentes parasitarias,
primero se identican los extremos de la forma en X
1
:
X
2
=
_
k
X
1
B
k
Algoritmos
Procesamiento morfologico de imagen
Seguidamente se dilata la forma, delimitandola con la imagen
original A:
X
3
= (X
2
H) A
Se repite la operacion un n umero determinado de veces.
H es un elemento estructurante (mascara de unos).
Imagen procesada nal:
X
4
= X
1
X
3
Operaciones adicionales si se recuperan partes parasitarias.
[Figura 9.25]
Reconstruccion morfologica
Procesamiento morfologico de imagen
Elementos de una reconstrucci on morfol ogica:

imagen marcadora F, puntos iniciales para la


transformaci on,

imagen mascara G, restriccion para la transformaci on,

elemento estructurante B para denir la conectividad.


Denici on recursiva de la dilataci on geodesica:
D
G
(F) = (F B) G
D
(n)
G
(F) = D
G
_
D
(n1)
G
(F)
_
[Figura 9.26]
Reconstruccion morfologica
Procesamiento morfologico de imagen
Erosi on geodesica:
E
G
(F) = (F B) G
E
(n)
G
(F) = E
G
_
E
(n1)
G
(F)
_
La dilataci on y la erosion geodesica convergen:

RD
G
(F) reconstruccion morfol ogica por dilataci on,

RE
G
(F) reconstruccion morfol ogica por erosi on.
Dualidad.
[Figura 9.27] [Figura 9.28]
Reconstruccion morfologica
Procesamiento morfologico de imagen
Apertura por reconstruci on: con la erosi on se suprimen los
objetos peque nos y despues la dilatacion restaura la forma de
los objetos que han permanecido.
Apertura por reconstrucci on de orden n de una imagen F:
OR
(n)
(F) = RD
F
(F
n
B

)
Elemento estructurante B

para la erosi on.


Mascara de dilatacion F.
[Figura 9.29]
Reconstruccion morfologica
Procesamiento morfologico de imagen
Relleno de agujeros: procedimiento automatico.
Para una imagen A, imagen marcadora F:
F(x, y) =
_
1 A(x, y) si (x, y) esta en el borde de A
0 en otro caso
Relleno de agujeros en A:
H(A) = (RD
A
c (F))
c
[Figura 9.30] [Figura 9.31]
Reconstruccion morfologica
Procesamiento morfologico de imagen
Aclarado del borde, eliminaci on de objetos conectados al borde
de una imagen: deteccion de objetos parciales en la imagen,
preproceso de una imagen para que solo tenga objetos
completos (p.e. para reconocimiento de objetos).
Imagen marcadora:
F(x, y) =
_
A(x, y) si (x, y) esta en el borde de A
0 en otro caso
Imagen A con el borde aclarado:
B(A) = A RD
A
(F)
[Figura 9.32]
Morfologa en escala de grises
Procesamiento morfologico de imagen
Imagenes digitales f (x, y) en escala de grises: coordenadas
espaciales enteras y funcion de intensidad f con valores reales
o enteros.
Elementos estructurantes b(x, y) planos (habitualmente) y no
planos. Reexi on:

b(x, y) = b(x, y).
[Figura 9.34]
Morfologa en escala de grises
Procesamiento morfologico de imagen
Erosi on:
(f b)(x, y) = mn f (x + s, y + t) [ b(s, t) > 0
Dilatacion:
(f b)(x, y) = max f (x + s, y + t) [

b(s, t) > 0 =
= max f (x s, y t) [ b(s, t) > 0
[Figura 9.35]
Morfologa en escala de grises
Procesamiento morfologico de imagen
Apertura de una imagen f por un elemento estructurante b:
f b = (f b) b
Cierre:
f b = (f b) b
Dualidad para complementos (con reexion de b).
[Figura 9.36] [Figura 9.37]
Algoritmos en escala de grises
Procesamiento morfologico de imagen
Filtro morfol ogico para suavizar una imagen y suprimir el
ruido: combinacion de apertura (supresi on de detalles
brillantes) y cierre (supresi on de detalles oscuros).
Opcion del ltro secuencial alternado.
Gradiente morfol ogico:
f b f b
Suprime las regiones homogeneas y resalta los bordes entre
regiones.
[Figura 9.38] [Figura 9.39]
Algoritmos en escala de grises
Procesamiento morfologico de imagen
Transformaciones top-hat y bottom-hat:
TH(f ) = f f b BH(f ) = f b f
Supresi on de objetos en una imagen: apertura o cierre con
elemento estructurante que no encaja en los objetos.
Operacion de diferencia: imagen formada por los objetos
suprimidos.
Imagen con iluminaci on no uniforme: correci on por
transformaci on top-hat. Aplicacion en segmentaci on:
extracci on de objetos en analisis de imagen.
[Figura 9.40]
Algoritmos en escala de grises
Procesamiento morfologico de imagen
Granulometra: determinar la distribuci on (frecuencia) del
tama no de las partculas en una imagen.
Para partculas mas claras que el fondo de la imagen, con
elementos estructurantes de tama no creciente:
1. Obtener la apertura de la imagen (disminuye el brillo de
las partculas que encajan en el elemento estructurante).
2. Calcular la suma de las intensidades de los pxeles en la
imagen apertura.
3. Calcular la diferencia con el valor suma correspondiente al
tama no anterior y visualizar.
[Figura 9.41] [Figura 9.42]
Algoritmos en escala de grises
Procesamiento morfologico de imagen
Segmentaci on de textura: delimitacion de regiones de distinta
textura.
Ejemplo: texturas de elementos oscuros nos o gruesos.
1. Cierre de la imagen con elemento estructurante donde
encajan los objetos oscuros de la region de textura mas
na.
2. Apertura para suprimir el fondo claro de la regi on con
textura gruesa.
3. Gradiente morfol ogico para determinar el borde entre las
dos regiones.
[Figura 9.43]
Reconstruccion en escala de grises
Procesamiento morfologico de imagen
Reconstrucci on morfologica: imagen marcadora f e imagen
mascara g. Elemento estructurante b para conectividad.
Dilatacion geodesica:
D
g
(f ) = (f b) g
D
(n)
g
(f ) = D
g
_
D
(n1)
g
(f )
_
donde es el operador de intensidad mnima pxel a pxel.
Erosi on geodesica:
E
g
(f ) = (f b) g
E
(n)
g
(f ) = E
g
_
E
(n1)
g
(f )
_
donde es el operador de maximo. Dualidad.
Reconstruccion en escala de grises
Procesamiento morfologico de imagen
Convergencia:

RD
g
(f ) reconstruccion morfol ogica por dilataci on,

RE
g
(f ) reconstruccion morfol ogica por erosi on.
Apertura por reconstrucci on de orden n de una imagen f :
OR
(n)
(f ) = RD
f
(f
n
b

)
Top-hat por reconstruccion: sustraer de una imagen su
apertura por reconstrucci on.
[Figura 9.44]
Fundamentos
Segmentacion de imagen
Imagen R subconjunto de Z
2
Z: array 2-D nito y valores de
intensidad en V nito. Conjunto de pxeles.
Las regiones R
1
, R
2
. . . R
n
proporcionan una segmentaci on de
la imagen si se verica que:
1. Forman una partici on de la imagen:

i
R
i
= R, y las
regiones son disjuntas entre s, R
i
R
j
.
2. Toda region R
i
es conectada.
3. Q(R
i
) = true para todas las regiones y Q(R
i
R
j
) = false
para regiones adyacentes cualquiera.
Regiones conectadas, adyacentes: relaciones basicas entre
pxeles de una imagen digital (m-adyacencia por ejemplo).
Fundamentos
Segmentacion de imagen
Q: un predicado l ogico sobre regiones de imagen. Propiedad
que verica cada region de la segmentacion pero que no
verican las uniones de regiones adyacentes.
Algoritmos de segmentaci on:

basados en contornos (edge-based), se detectan los


contornos de las regiones a partir de discontinuidades de
intensidad,

basados en regiones, se determinan regiones mediante


propiedades de area.
[Figura 10.1]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Detecci on local de cambios agudos de intensidad:

Pxel de contorno: pxel en el que la intensidad cambia


abruptamente.

Contorno (segmento de contorno): conjunto de pxeles de


contorno conectados.

Detector de contorno: metodo de procesamiento local de


imagen para detectar pxeles de contorno.
Lnea: segmento de contorno con pxeles de intensidad mayor
(menor) que la intensidad del fondo a sus dos lados.
Punto: lnea de un pxel.
Filtros de diferenciaci on en imagenes digitales.
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Derivada de una funcion discreta: (a) nula en intervalos de
intensidad constante, (b) no nula al inicio y a lo largo de una
pendiente de intensidad. Derivada de segundo orden de una
funci on discreta: (a) nula en intervalos de intensidad
constante, (b) no nula al inicio y nal de una pendiente de
intensidad, (c) nula a lo largo de una pendiente constante.
f
x
= f (x + 1) f (x)

2
f
x
2
= f (x + 1) + f (x 1) 2f (x)
[Figura 10.2]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Observaciones:

La derivada de primer orden produce contornos mas


anchos en general.

La derivada de segundo orden responde mas a los


detalles: puntos aislados, ruido, lneas nas.

La derivada de segundo orden produce una respuesta de


doble-contorno en los cambios de intensidad.

El signo de la segunda derivada es invariante a la


inversi on de la orientacion del eje de coordenadas: para
determinar el sentido del cambio de intensidad.
Fitrado de una imagen f (x, y) por correlacion con una
mascara w(s, t):

a
s=a

b
s=b
w(s, t) f (x + s, y + t).
Mascaras 3 3 (a = b = 1).
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Detecci on de puntos aislados.
Laplaciano:
2
f =
2
f /x
2
+
2
f /y
2
(operador isotr opico).
Mascara:
_
_
1 1 1
1 8 1
1 1 1
_
_
(isotr opico rotaciones 45

).
Imagen resultante para un valor umbral:
g(x, y) =
_
1 si [(w f )(x, y)[ T
0 en otro caso
[Figura 10.4]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Detecci on de lneas.
Operador laplaciano: procesar el efecto de doble lnea.
(Escalado para visualizar la imagen transformada.)
[Figura 10.5]
Mascaras para detectar lneas rectas en direcciones especicas.
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Modelos de contorno:

Ideal: imagenes sinteticas.

Rampa: imagenes reales con cierto desenfoque, nivel de


ruido.

Cu na (roof edge): objetos nos (carretera en imagen de


satelite etc).
[Figura 10.8]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
En una imagen real: uso de la magnitud de la derivada de
primer orden para detectar puntos de contorno y uso del signo
de la derivada segunda para determinar el sentido de la
transici on claro/oscuro.
Efecto del ruido sobre las derivadas. Procedimiento:

suavizar la imagen para reducir el ruido,

detectar los posibles puntos de contorno de forma local.

determinar el contorno.
[Figura 10.11]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Magnitud del vector gradiente de una imagen f (x, y), imagen
gradiente: M(x, y) = |f | =
_
g
2
x
+ g
2
y
f =
_
g
x
g
y
_
=
_
f /x
f /y
_
Operador isotropico. Vector f ortogonal al contorno de una
transici on oscuro/claro.
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Mascaras para g
x
y g
y
en imagen digital:
_
_
0 0 0
0 1 0
0 1 0
_
_
_
_
0 0 0
0 1 1
0 0 0
_
_
Mascaras de Sobel (suavizado o supresion de ruido):
_
_
1 2 1
0 0 0
1 2 1
_
_
_
_
1 0 1
2 0 2
1 0 1
_
_
Otras mascaras: Roberts, Prewitt
(Modicacion de mascaras para detectar rectas diagonales.)
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Una implementacion:
M(x, y) [g
x
[ +[g
y
[
Calculo mas eciente. Gradiente aproximado y no isotropico;
pero las mascaras tambien son isotr opicas para 90

y
proporcionan un gradiente aproximado.
Suavizado previo de la imagen para reducir el ruido o el nivel
de detalle.
[Figura 10.16] [Figura 10.18]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Gradiente con umbral: alternativamente, aplicar un valor
umbral a la imagen gradiente.
Otra opci on: suavizar la imagen inicial y aplicar un valor
umbral al gradiente. Detectar contornos principales y preservar
la conectividad.
[Figura 10.20]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Tecnicas mas avanzadas para deteccion de contornos:
Marr-Hildreth y Canny.
Detector de contornos de Marr-Hildreth. Ideas de partida:

El detector ha de incorporar una escala espacial para el


cambio de intensidad en el contorno.

Calculo aproximado de la derivada segunda (o de la


derivada de primer orden).
Filtro a partir del laplaciano del Gaussiano (LoG):
2
G, siendo

2
=
2
/x
2
+
2
/y
2
el operador laplaciano, y G la funcion
gaussiana,
G(x, y) = exp
_

x
2
+ y
2
2
2
_
con escala espacial.
Deteccion de puntos, lneas y contornos
Segmentacion de imagen

2
G(x, y) =
_
x
2
+ y
2
2
2

4
_
exp
_

x
2
+ y
2
2
2
_
Funci on sombrero mexicano: cambio de signo (zero crossing)
sobre un radio r =

2
Una aproximaci on discreta de la funci on LoG: mascara n n
(por ejemplo 5 5), escalando coecientes para sumar 0 con
intensidad uniforme.
[Figura 10.21]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Propiedad:

2
G(x, y) f (x, y) =
2
(G(x, y) f (x, y))
(para la convoluci on (/x f ) g = /x(f g))
Equivalencia: suavizar la imagen y calcular segundas derivadas.
Algoritmo de Marr-Hildreth para detecci on de contornos:

Procesar la imagen con un ltro gaussiano, una mascara


n n obtenida muestreando G(x, y).

Calcular el laplaciano de la imagen resultante con una


mascara (por ejemplo 3 3 con suma de coecientes 0).

Buscar los puntos de cambio de signo (zero crossings).


Deteccion de puntos, lneas y contornos
Segmentacion de imagen
La mascara gaussiana tiene que cubrir 3: n 6.
Detectar zero crossing en un pxel p: en su vecindario 3 3
dos pxeles opuestos (en horizontal, vertical o diagonal)
cambian de signo (umbral para la diferencia).
Selecci on de : escala de los cambios de intensidad.
[Figura 10.22]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Detector de contornos de Canny: superior a los detectores
presentados. Objetivos del algoritmo:

Tasa de erro baja. Detectar todos los contornos, y sin


detecciones espurias.

Puntos de contorno bien localizados. Minimizar la


distancia entre el punto de contorno detectado y el punto
central del contorno real.

Punto de contorno unico. Detectar un punto por cada


punto de contorno real (minimizar los puntos de
respuesta).
Formulaci on matematica y calculo del optimo.
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Una aproximaci on del detector optimo.
Suavizaci on por convoluci on con el gaussiano (mascara n n):
f
s
(x, y) = G(x, y) f (x, y)
Magnitud y direcci on (angulo) del gradiente:
M(x, y) =
_
g
2
x
+ g
2
y
(x, y) = tan
1
(g
y
/g
x
)
donde g
x
= f
s
/x y g
y
= f
s
/y.
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Supresi on de no-maximos. Sean d
1
, d
2
, d
3
, d
4
las direcciones
basicas en una regi on 3 3. En cada punto:
1. Determinar la direcci on d
k
mas pr oxima a (x, y).
2. Si M(x, y) es mayor que la magnitud en los dos puntos
vecinos a lo largo de d
k
(en uno y otro sentido) entonces
asignar g
N
(x, y) = M(x, y); en caso contrario asignar
g
N
(x, y) = 0.
Imagen con supresi on de no-maximos: g
N
(x, y)
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Reducci on de falsos puntos de contorno: doble umbral
(hysteresis thresholding). Calculos adicionales con umbral alto
T
H
y bajo T
L
:
1. Inicializar g
NH
(x, y) = 0 y g
NL
(x, y) = 0
2. Asignar g
NH
(x, y) = g
N
(x, y) si g
N
(x, y) T
H
3. Asignar g
NL
(x, y) = g
N
(x, y) si g
N
(x, y) T
L
4. Diferenciar g
NL
(x, y) = g
NL
(x, y) g
NH
(x, y)
Puntos de contorno (pxeles de intensidad positiva) fuertes en
g
NH
(x, y) y debiles en g
NL
(x, y). Conjunto inicial: puntos de
contorno fuertes. Para conectar trozos de contorno: incluir
puntos de contorno debiles conectados a puntos de contorno
fuertes (para 8-conectividad por ejemplo).
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Resumen del algoritmo de Canny para detectar contornos:

suavizar la imagen con ltro gaussiano,

calcular magnitud y angulo del gradiente en cada pxel,

supresi on de no-maximos,

doble umbral y analisis de conectividad.


Usualmente completar con adelgazamiento de un paso.
Mascara gaussiana n n: determinar n como en el algoritmo
de Marr-Hildreth.
[Figura 10.25]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Enlazar contornos (edges) y detectar fronteras (boundaries): la
detecci on de contornos se sigue con algoritmos que enlazan
contornos para determinar contornos signicativos o fronteras
de regiones. (Enlazar contornos rotos por ruido, iluminaci on
discontinua, etc.)
Tecnicas:

Procesamiento local

Procesamiento regional

Procesamiento global con la transformada de Hough


Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Procesamiento local, un algoritmo:
1. Calcular la magnitud y angulo del gradiente.
2. Formar la imagen binaria g:
g(x, y) =
_
1 si M(x, y) > T
M
y [(x, y) A[ < T
A
0 en caso contrario
donde T
M
es un umbral de magnitud y A T
A
un
intervalo para el angulo.
3. En cada la de g(x, y) rellenar con 1s los intervalos de
longitud menor que K (intervalos de 0s entre dos 1s) para
obtener g
h
. Igualmente, en cada columna de g(x, y)
rellenar intervalos para obtener g
v
.
4. Formar la imagen g
h
+ g
v
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
[Figura 10.27]
Procesamiento regional: especicar contornos o fronteras con
polgonos (denidos por parametros en lugar de conjuntos de
pxeles).
[Figura 10.28]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Para determinar el polgono (abierto o cerrado) el algoritmo
requiere: (1) Dos puntos de partida A y B: los extremos del
polgono si es abierto o dos vertices distantes si el polgono es
cerrado. (2) Una secuencia ordenada de puntos (algoritmo
especco para ordenar conjunto de pxeles). Algoritmo:
1. Iniciar las pilas / = A y B = B para un polgono
abierto; / = B, A y B = B para uno cerrado.
2. De los puntos que en la secuencia ordenada estan entre
las cimas de / y B, seleccionar el punto V que esta a
mayor distancia d(V) del segmento denido por las cimas.
3. Si d(V) > D (umbral) apilar V en / y volver a (2). En
caso contrario (o si no existe V) desapilar la cima de / y
apilarlo en B, y si / no esta vaca volver a (2).
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
La pila B proporciona:

Un polgono abierto con extremos A, en la cima de la


pila, y B en el fondo.

Un polgono cerrado, con el vertice B en la cima y en el


fondo de la pila.
[Figura 10.29]
[Figura 10.30]
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Procesamiento global con la transformada de Hough.
Detecci on de un contorno o frontera denida por una funcion
parametrizada: estimacion de los parametros.
Entornos no estructurados: se desconoce la presencia y
localizacion de un objeto en una imagen. Denicion de
propiedades globales para detectar curvas que forman un
contorno o frontera.
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
Transformada de Hough:

Computacionalmente eciente.

Obtiene curvas denidas por funciones no lineales en los


parametros (no serviran las tenicas de regresion lineal).

Permite discriminar entre pxeles que pertenecen a una


determinada curva y los que no pertenecen (no es as en
las tenicas de regresi on).
Detecci on de una recta: espacio de parametros en lugar
de x y. Algoritmo.
Deteccion de puntos, lneas y contornos
Segmentacion de imagen

Procesar la imagen obteniendo una imagen binaria, donde


se quiere detectar la recta.

Cuadricular el plano .

Para cada pxel de la imagen binaria calcular como


funci on de .

Actualizar los acumuladores A


ij
en la cuadrcula de celdas
.

Detectar celdas acumuladoras con alta concentraci on de


pxeles.

Examinar la relaci on (principalmente de continuidad)


entre los pxeles de la celda seleccionada (rellenar puentes
para una distancia umbral).
Deteccion de puntos, lneas y contornos
Segmentacion de imagen
[Figura 10.32] [Figura 10.34]
Transformada de Hough para curvas denidas por funciones
con forma general (no lineales en los parametros en general):
g(v, c) = 0
Vector de coordenadas v y vector de parametros c.
Ejempo: circunferencia con centro (dos coordenadas) y radio
como parametros. Cuadrcula tridimensional. Para cada pxel
calcular el radio como funcion del centro (dos parametros).
Informaci on de ayuda para deteccion global de curvas: mapas,
GPS. Seleccion de posibles soluciones en la deteccion de
curvas.
Thresholding
Segmentacion de imagen
Fundamento: en lugar de detectar segmentos de contorno y
concatenarlos para identicar fronteras de regiones, se
particionara directamente la imagen en regiones con tecnicas
basadas en los valores de intensidad.
Histograma de intensidad: dos modos, pxeles del objeto y
pxeles del fondo, separados por un umbral T. Imagen
segmentada:
g(x, y) =
_
1 si f (x, y) > T
0 si f (x, y) T
Histogramas con tres o mas modos: varios umbrales T
i
Thresholding
Segmentacion de imagen
Variantes de thresholding (terminologa no universal):

Global: umbral T unico para toda la imagen.

Local o regional: umbral T(x, y) funcion de los pxeles del


vecindario de (x, y) (por ejemplo funci on de la intensidad
media de los pxeles vecinos).

Dinamica o adaptativa: umbral T(x, y) funcion de las


coordenadas espaciales (x, y).
Importancia del ruido, y de la iluminacion y la reectancia:
procesamiento adicional.
[Figura 10.36] [Figura 10.37]
Thresholding
Segmentacion de imagen
Global thresholding, algoritmo para determinar el umbral T:
1. Seleccionar una estimacion inicial de T (por ejemplo la
intensidad promedio de la imagen).
2. Usando el umbral T particionar la imagen en G
1
y G
2
.
3. Calcular el promedio de la intensidad de los pxeles en G
1
y G
2
, respectivamente m
1
y m
2
.
4. Establecer el umbral T = (m
1
+ m
2
)/2
5. Volver al paso (2) de la iteraci on si T es mayor que
cierto valor predenido.
La computacion es mas eciente sobre el histograma.
[Figura 10.38]
Thresholding
Segmentacion de imagen
Metodo de Otsu: thresholding global optimo.
El umbral T = (m
1
+ m
2
)/2 no es necesariamente optimo.
El metodo de Otsu maximiza la varianza inter-clases:

2
B
= P
1
(m
1
m
G
)
2
+ P
2
(m
2
m
G
)
2
Medida estadstica del analisis discriminante: caracterizaci on o
separaci on de varias clases (tecnicas de clasicacion
estadstica).
Calculo de estimaciones sobre el histograma de la imagen para
distintos umbrales T = k
Thresholding
Segmentacion de imagen

Probabilidades a priori de las clases C


1
y C
2
:
P
1
(k) =
k

i =0
p
i
, P
2
(k) =
L1

i =k+1
p
i

Medias intra-clases:
m
1
(k) =
1
P
1
(k)
k

i =0
i p
i
, m
2
(k) =
1
P
2
(k)
L1

i =k+1
i p
i

Media global:
m
G
(k) =
L1

i =0
i p
i
Thresholding
Segmentacion de imagen
Metodo de Otsu: obtener el valor k
0
que maximiza la varianza
inter-clases estimada,

2
B
(k) = P
1
(k) (m
1
(k) m
G
(k))
2
+ P
2
(k) (m
2
(k) m
G
(k))
2
recorriendo k = 1, 2 . . . L 1.
Medida de separaci on inter-clases para el umbral T = k
0
:
(k
0
) =

2
B
(k
0
)

2
G
(k
0
)
1
[Figura 10.39]
Thresholding
Segmentacion de imagen
Suavizaci on de una imagen (con ruido) para mejorar el
thresholding global.
[Figura 10.40]
Fallo del metodo de Otsu con regiones peque nas para un
fondo.
[Figura 10.41]
Thresholding
Segmentacion de imagen
Mejora del thresholding global usando contornos: pxeles
alrededor del contorno, dentro y fuera de la region (no inuye
el tama no de la regi on).

Calcular la frontera de la regi on usando la magnitud del


gradiente, o el valor absoluto del laplaciano. Obtener una
imagen binaria mediante un umbral: percentil alto,
normalmente mayor que el 90 %, determinara la
segmentaci on resultante.

Con esta imagen binaria como mascara sobre la imagen


inicial, seleccionar pxeles para calcular el histograma.

Computar el umbral global, con el metodo de Otsu, y


segmentar la imagen original.
[Figura 10.42] [Figura 10.43] [Figura 10.44]
Thresholding
Segmentacion de imagen
Segmentaci on en mas de dos regiones.

Uso de descriptores vectoriales: color RGB, vector 3-D.

Varios umbrales de intensidad para una imagen en escala


de grises.
Varianza inter-clases.
[Figura 10.45]
Thresholding
Segmentacion de imagen
Thresholding variable: iluminacion no uniforme, ruido.

Particionar la imagen y computar el umbral en cada parte.

Calcular el valor umbral para cada pxel usando los pxeles


de su vecindario.

Tecnica particular: calculo moviendose sobre lneas.


[Figura 10.46] [Figura 10.47]
[Figura 10.48] [Figura 10.49]
Basada en regiones
Segmentacion de imagen
Expansion de una regi on: partiendo de unos puntos semilla se
expande la regi on de acuerdo con un determinado criterio.
1. De la imagen original f (x, y) obtener una imagen binaria
s(x, y) formada por las semillas. (Por ejemplo
erosionando componentes conectadas para una
adyacencia y seleccionando semillas.)
2. Construir la imagen binaria g(x, y) formada por los pxeles
p que verican Q(p) para cierto predicado que se reere a
los pxeles semilla. (Por ejemplo intensidad similar.)
3. Denir la imagen binaria h(x, y) formada por los pxeles
de g(x, y) que estan 8-conectados a las semillas.
4. Identicar las componentes conectadas en h(x, y).
[Figura 10.51]
Basada en regiones
Segmentacion de imagen
Partici on y fusi on de regiones. Estableciendo un predicado Q
que caracteriza regiones (propias) de la segmentaci on:
1. Tomar como region inicial la imagen original, dividirlo en
cuadrantes, e iterar la division hasta obtener regiones que
verican Q(R). Se especica un tama no mnimo para el
cual no se divide la regi on.
2. Fusionar regiones adyacentes que verican Q(R
1
R
2
), e
iterar las fusiones hasta que no haya mas.
La segmentacion viene dada por la imagen binaria denida
(sobre el fondo) por la uni on de las regiones que verican Q.
El predicado Q puede referirse, por ejemplo, a medidas
estadsticas (textura) de una regi on.
[Figura 10.52] [Figura 10.53]
Cuencas morfologicas
Segmentacion de imagen
Segmentaci on en cuencas morfologicas: morphological
watersheds, lneas divisorias de aguas que delimitan cuencas.
(Intensidad en imagen equivale a altitud geograca). Engloba
conceptos de diversas tecnicas. Resultados de segmentaci on
estables, contornos conectados. Complejidad algortmica.
[Figura 10.54]
Sobre el gradiente de la imagen:
[Figura 10.56]
Uso de marcadores:
[Figura 10.57] [Figura 10.58]
Uso del movimiento
Segmentacion de imagen
Identicaci on de objetos en movimiento.
Tecnicas espaciales.
Metodo basico: detectar cambios en una secuencia de
fotogramas (frames).
d(x, y) =
_
1 si [f (x, y, t
1
) f (x, y, t
2
)[ > T
0 en caso contrario
Umbral T para diferencias de intensidad apreciables.
Procesamiento adicional de la imagen binaria d(x, y) para
eliminar puntos resultantes del ruido (cambios en la
iluminacion por ejemplo).
Uso del movimiento
Segmentacion de imagen
Acumulaci on de diferencias: ADI (accumulative dierence
image). Secuencia de fotogramas f (x, y, t
i
), i = 1, 2, . . . n
donde r (x, y) = f (x, y, t
1
) es la imagen de referencia.
Calculo de la ADI absoluta:
a
k
(x, y) =
_
a
k1
(x, y) + 1 si [r (x, y) f (x, y, t
k
)[ > T
a
k1
(x, y) en caso contrario
Partiendo de a
1
(x, y) = 0, hasta a
n
(x, y).
Igualmente ADI positiva incrementando p
k
(x, y) si
r (x, y) f (x, y, t
k
) > T y ADI negativa incrementando
n
k
(x, y) si f (x, y, t
k
) r (x, y) > T
(ambas ADI para objetos mas claros que el fondo)
[Figura 10.59]
Uso del movimiento
Segmentacion de imagen
Dada una secuencia de fotogramas, determinaci on de la
imagen de referencia, que contiene s olo objetos estacionarios,
para identicar objetos m oviles de la secuencia.
Se computan las ADI, se detecta el desplazamiento del objeto
m ovil de la posici on inicial y se reconstruye el fondo para la
imagen de referencia (sin el objeto movil).
[Figura 10.60]
Uso del movimiento
Segmentacion de imagen
Tecnicas en el dominio de frecuencia.
Transformadas discretas de Fourier sobre la secuencia de
fotogramas. Calculo de la velocidad del movimiento en el
dominio transformado (simetra).
[Figura 10.63] [Figura 10.64]