Métodos de Umbralización de Imágenes

MTODOS DE UMBRALIZACIN DE IMGENES DIGITALES
BASADOS EN ENTROPIA DE SHANNON Y OTROS

Carlos A. Cattaneo
a
, Ledda I. Larcher
a
, Ana I. Ruggeri
b
, Andrea C. Herrera
a
, Enrique
M. Biasoni
a
a
Facultad de Agronoma y Agroindustrias, Universidad Nacional de Santiago del Estero, Av.
Belgrano Sur 1912; G4200ABT Santiago del Estero, Argentina, cacatta@unse.edu.ar
http://faa.unse.edu.ar

b
Facultad de Ciencias Exactas y Tecnologas, Universidad Nacional de Santiago del Estero, Av.
Belgrano Sur 1912; G4200ABT Santiago del Estero, Argentina
http://fce.unse.edu.ar

Palabras clave: umbralizado adaptivo, entropa de Shannon, mtodo de Pun, Kapur, Yen,
entropa de la correlacin, mtodo de Kittler e Illingworth, espacio de color RGB,
binarizado.
Resumen
La umbralizacin de imgenes es el proceso por el cual se busca un umbral ptimo que permita
distinguir en una imagen los objetos del fondo de los objetos del primer plano. Este umbral es el
punto (o valor) en el cual el histograma de una imagen se divide en dos picos. En la mayora de las
imgenes este valor resulta un poco difcil de encontrar grficamente debido a la complejidad de
estos histogramas. Es por eso que se usan mtodos paramtricos y no paramtricos que modelizan el
problema y encuentran diferentes maneras de obtener este umbral. Pun y Kapur utilizaron la
entropa de Shannon, haciendo sus modificaciones de acuerdo a su anlisis y plantearon sus
propuestas en la bsqueda de un umbral. Yen defini un mtodo basado en entropa de la
correlacin de acuerdo a los lineamientos de Shannon. Kittler e Illingworth, propusieron un mtodo
basado en clusterizacin de grupos mediante el mnimo error del promedio de clasificacin de
pixeles.
Continuando un trabajo anterior se agregan estos mtodos en el clculo del umbral en imgenes en
gris, realizando luego la binarizacin por capas, y comparando cada una de estas binarizaciones con
una realizada en escala de grises.
Experimentalmente se encuentra que las imgenes por umbralizacin siguiendo el mtodo de Pun (a
partir de aquellas en escala de grises) da como resultado imgenes poco definidas, siendo aquellas
obtenidas por los mtodos de Kapur y Yen ms definidas en detalles. A la vez, el mtodo propuesto
por Kittler brinda resultados muy similares a Yen, umbralizaciones muy parejas. Tanto Yen como
Kittler tienen un comportamiento sobresaliente respecto de los otros mtodos.

Mecnica Computacional Vol XXX, pgs. 2785-2805 (artculo completo)
Oscar Mller, Javier W. Signorelli, Mario A. Storti (Eds.)
Rosario, Argentina, 1-4 Noviembre 2011
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
1 INTRODUCCIN
La umbralizacin de imgenes es una de los mtodos que abarca la segmentacin de
imgenes digitales. Las tcnicas de umbralizacion buscan obtener un valor de umbral que
permita binarizar a la imagen separando adecuadamente el fondo (background) y el objeto a
separar (foreground).
Muchas de las tcnicas de umbralizacin estn basadas en la informacin estadstica que
brinda el histograma, sobre todo en aquellas imgenes donde los objetos tienen una
superficie o textura homognea y el fondo es ms o menos uniforme. El problema de la
umbralizacin es encontrar el valor T (umbral) adecuado entre los valores de grises en
imgenes que permita una ptima separacin entre el objeto y el fondo.
Si el histograma de una imagen posee dos picos o lbulos (Figura 1) podemos separar
dos zonas o regiones y el umbral ser aquel valor que se encuentra en el valle entre ambas.
Este es un caso ideal, el histograma de intensidad de una imagen (niveles de gris) tendra
bien marcado los dos picos para objeto y fondo, y diramos que el umbral ptimo es aquel
valor T que separa ambas regiones.

Figura 1. Histograma ideal
Sin embargo, las imgenes siempre presentan ruido y, como consecuencia de esto, sus
histogramas son difciles de analizar (Figura 2), es decir presentan histogramas sin una
marcada separacin de regiones. El ruido se debe a que la imagen depende de otros factores
como la luz, iluminacin etc.

Figura 2. Ejemplo de un histograma que no es claramente bimodal
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2786
Existen numerosas tcnicas de umbralizacin, desarrolladas, ampliadas y modificadas por
diversos autores pero, no hay un mtodo general que se aplique a todas las imgenes y que
nos brinde una umbralizacin perfecta. Generalmente, esto vara dependiendo de la imagen
y de otros factores.
Clasificaremos a las tcnicas de umbralizacin de acuerdo a la informacin que emplean
y el modo en que la procesan. Esta categorizacin fue propuesta por Sezgin y Sankur
(2004):
Mtodos basados en la forma del histograma: Esta clasificacin abarca las
diferentes propiedades de un histograma, como por ejemplo los picos, valles y
curvaturas. Bsicamente los dos picos ms altos y su valle son buscados para
usar la envolvente convexa de un histograma, o su curvatura. Otros autores tratan
de aproximar el histograma a dos funciones. Entre los autores que usaron este
anlisis podemos citar a A. Rosenfeld y P. de la Torre, J . Weszka y A. Rosenfeld
y Sezan.
Mtodos basados en la clusterizacin: Son aquellos que modelan el histograma
como una superposicin de funciones gaussianas. En esta clase de algoritmos los
datos se reducen al anlisis de dos regiones (background y foreground). Las dos
regiones corresponden a los dos lbulos del histograma, algunos autores buscan
el punto medio entre los picos (como por ejemplo T. W. Ridler y S. Calavard);
mientras que otros usan la agrupacin media cuadrtica tal caso corresponde a
Otsu, el cual propone minimizar la suma ponderada de las variaciones dentro de
una clases del objeto y fondo para establecer un umbral ptimo. Kittler e
Illingworth, propusieron un mtodo basado en clusterizacin de grupos mediante
el mnimo error del promedio de clasificacin de pxeles.
Mtodos basados en la entropa: Usan la entropa de los niveles de gris en una
imagen. La mxima entropa es interpretada como la mxima informacin
transferida y es el umbral ptimo a elegir.
Mtodos basados en los atributos de la imagen: Consisten en tcnicas que
seleccionan un valor de umbral t basado en atributos que buscan una medida de
similitud entre la imagen original y la imagen binarizada. Estos atributos pueden
ser: bordes, formas, momentos de niveles de gris, conectividad, textura o
estabilidad de los objetos segmentados Los autores que estudiaron estos mtodos
son Tsai, Hertz and Schafer, Murthy y Pal.
Mtodos basados en informacin espacial: A diferencia de los mtodos
anteriores que utilizan el valor de gris de cada pxel, estos los algoritmos
dependen de la informacin espacial de los pxeles, por ejemplo las
probabilidades de su contexto, funciones correlacin, probabilidades de co-
ocurrencia, modelos locales dependientes de pxeles, entropa en bidimensional,
etc. Entre los autores que los aplicaron podemos nombrar a Rosenfeld, Pal,
Chang.
Mtodos basados en caractersticas locales: adaptan el umbral en cada pxel en
funcin de las caractersticas locales de la imagen tales como rango, varianza,
parmetros de superficie. El umbral T(i,j) es en funcin de sus coordenadas, los
pixeles del objeto y fondo son indicados por la variable B(i,j). Nakagawa y
Rosenfeld, Deravi and Pal fueron los primeros en usar estos mtodos.
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2787
2 ESTADO DEL ARTE
El umbralizado de imgenes basado en la entropa ha recibido una consideracin
importante en los ltimos aos, dos tipos de entropa son generalmente usados como
criterio de optimizacin: la entropa de Shannon y la entropa relativa, tambin conocida
como la distancia de informacin Kullback-Leibler.
El principio de entropa es medir la incertidumbre que describe la informacin contenida
en una fuente. La seleccin del umbral basada en la entropa de Shannon, consiste en
encontrar un umbral ptimo maximizando la funcin entropa. Este mtodo fue
primeramente propuesto por Pun (1980, 1981) en sus dos trabajos, quien consider a la
imagen como una fuente de smbolos. Ms tarde Kapur (1985), separa en dos distribuciones
de probabilidad una para el primer plano y otra para el fondo. Luego maximizaba el total la
entropa de la imagen particionada para obtener un umbral ptimo. Siguiendo con la
misma idea, Yen (1995) redefine el trmino de entropa como un valor de correlacin
entrpica y define el umbral ptimo a partir del valor que maximiza esa correlacin
entrpica.
Kittler e Illingworth (1986) proponen un trabajo buscando optimizar una funcin criterio
relacionada con el mnimo error promedio referido a la clasificacin de pixeles.
En los ltimos aos la modificacin de los mtodos propuestos ha ido variando y
multiplicndose en diferentes alternativas. Cada alternativa de acuerdo a la necesidad
buscada. Kapur y Kittler son considerados como los mtodos con mejor comportamiento en
imgenes (N. Nacereddine et al., 2005), pero Otsu parece ser el mtodo ms eficiente en
cualquier imagen en comparacin con los otros. (Hye-J in Jeong, Tac Yoon Kim, Hae-Gil
Hwang, Hyun-J u Choi, Hyung-Seon Park, Heung-Kook Choi)
De acuerdo a Azhar y Widjanarko (2002), Otsu se comporta mejor en imgenes con
histogramas no bimodales mientras que el mtodo sugerido por Kittler e Illingworth parece
tener un mejor rendimiento en imgenes con histogramas bimodales.
En 2010 Cattaneo et al. aplicaron los mtodos de Otsu y la entropa de Shannon
propuesta en el primer trabajo de Pun, y se concluy que el uso de entropas en el
umbralizado de imgenes brindaba mejores resultados que el uso de varianzas de Otsu. En
este trabajo los resultados experimentales mostraron, una vez ms, que el uso de entropas,
en este caso la de correlacin de Yen, se comporta mejor que el uso de varianzas de Kittler
e Illingworth.
2.1 Mtodos basados en la entropa:
Esta clase de algoritmos explota la entropa de la distribucin de los niveles de gris en
una imagen. La maximizacin de entropas es interpretada coma la mxima informacin
trasmitida, Pun (1981) introdujo en el clculo del umbral la funcin entropa de Shannon,
considero la imagen como el resultado seales de una misma fuente. Su criterio se basa en
encontrar el umbral ptimo que maximice la entropa entre las dos clases (el objeto y
fondo)
2.1.1 Mtodo de Pun
Se consideran los pxeles de una imagen convertida a 256 niveles de gris (ecuacin 1) y
se separan en dos niveles principales de gris, el primer plano o foreground (ecuacin 2) y
un fondo de base o background (ecuacin 3). La variable g denotar esos valores de niveles
de gris. Para imgenes de 8 bits g =0...255. Para ello procede con la separacin de pxeles
Sea el conjunto de pxeles de la imagen

{ } 255 0 / s s e = g I g I
(1)
Pxeles correspondiente al objeto (foreground) y el fondo (background)

{ } t g I g F > e = /
(2)

{ } t g I g B s e = /
(3)
En el contexto de procesamiento de imgenes, el foreground es el conjunto de pixeles
con luminancia menor a un cierto valor T, mientras que el background es el conjunto de
pixeles con luminancias por encima de este T. La funcin imhist() de Matlab calcula el
nivel de gris para cada pixel, las frecuencias absolutas para cada pxel g. Calculamos las
probabilidades estimadas de cada pixel g haciendo el cociente entre n
g
y N, (ecuacin 4),
siendo n
g
el nmero de veces que se repite el pixel g en la imagen y N la cantidad total de
pixeles.
La funcin probabilidad para cada nivel de gris

N
n
g p
g
= ) (
g=0, 1, , 255 (4)
Con

1 ) (
255
0
=
= g
g p
(5)

=
g
n N
(6)
Las probabilidades del objeto y fondo de acuerdo a un umbral T, estn expresadas como
(ecuaciones 7 y 8)

) (g p
f
,
t g s s 0
(7)

) (g p
b
,
255 1 s s + g t

(8)
Definimos la funcin de probabilidad acumulada como se muestra en la ecuacin 9

=
=
t
g
g p t P
0
) ( ) (
(9)
Esta funcin de probabilidad puede ser considerada como una suma o unin de dos
funciones de probabilidad, una para zonas claras (foreground, ecuacin 10) y otra para
zonas oscuras (background, en ecuacin 11).

=
= =
t
g
f f
g p P t P
0
) ( ) (
(10)

+ =
= =
255
1
) ( ) (
t g
b b
g p P t P
(11)
El primer trabajo de Pun, define las entropas del fondo y del objeto usando la entropa
de Shannon, paramtricamente dependiente del valor umbral T. (Ecuaciones 12 y 13)

) ( log . ) ( ) (
0
g p g p t H
f
t
g
f f
=
=
(12)

) ( log . ) ( ) (
255
1
g p g p t H
b
t g
b b
+ =
=
(13)
La suma de estas dos expresiones puede se denotada como H, indicada en las ecuaciones
14, 15 y 16

) ( ) ( t H t H H
b f
+ =
(14)

|
|
.
|
\
|
+
|
|
.
|
\
|
=

+ = =
) ( log . ) ( ) ( log . ) ( ) (
255
1 0
g p g p g p g p t H
b
t g
b f
t
g
f
(15)
O, tambin

=
=
255
0
)) ( log( ). (
g
g p g p H
(16)
El umbral ptimo ser, entonces, aquel que maximice esta entropa global (ecuacin 17).

{ } ) (
*
t H Max T =
(17)
En su segundo trabajo Pun interpreta la maximizacin de las entropas con la
maximizacin de una funcin F. (ecuacin 18)

{ } ( ) { } ( )
255 2 1 1 0
,..., , max log
log
1
,..., , max log
log
) (
p p p
P
H
H
p p p
P
H
H
t F
t t
b
f
t
f f
+ +
|
|
.
|
\
|
+ =
(18)
2.1.2 Mtodo de Kapur
Siguiendo las ideas de Pun, Kapur realiza modificaciones cambiando las probabilidades
de los elementos (ecuacin 19)

t
g
P
p
g p = ) (
g=0, 1, , 255 (19)
Por lo tanto las entropas del foreground y background quedan definidas como indican
las ecuaciones 20 y 21:

t
t
g t
f
P
g p
P
g p
t H
) (
log .
) (
) (
0
=
=
(20)

t t g t
b
P
g p
P
g p
t H
) (
log .
) (
) (
255
1
+ =
=
(21)
El mximo de la funcin H ser el valor de umbral que optimiza la separacin entre
background y foreground (ecuacin 23)

) ( ) ( t H t H H
b f
+ =
(22)

{ } ) (
*
t H Max T =
(23)
2.1.3 Mtodo de Yen
Yen propone un nuevo anlisis de entropas basadas en entropas de correlacin, el
umbral ptimo ser el mximo de la entropa correlacionada
Las entropas foreground (ecuacin 24) y background (ecuacin 25)

|
|
.
|
\
|
|
|
.
|
\
|
=

=
t
g t
f
P
g p
t C
0
2
) (
ln ) (
(24)

|
|
.
|
\
|
|
|
.
|
\
|
=

+ =
255
1
2
) (
ln ) (
t g t
b
P
g p
t C
(25)
La cantidad total de correlacin

) ( ) ( t C t C TC
b f
+ =
(26)

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=

+ = =
255
1
2
0
2
) (
ln
) (
ln ) (
t g t
t
g t
P
g p
P
g p
t TC
(27)
Para obtener la mxima correlacin contribuida por el foreground y background, TC
debe ser maximizado como se indica en la ecuacin 28

{ } ) (
*
t TC Max T =
(28)
2.2 Mtodos de Clusterizacion
2.2.1 Mtodo de Kittler e Illingworth: Error mnimo
Al igual que Pun y Kapur se considera al histograma como una estimacin de una
funcin de densidad de probabilidad p(g), que es una mezcla de dos distribuciones
correspondientes al foreground y background. Se supone, adems, que estas distribuciones
(foreground y background) tienen una distribucin normal con media y desviacin estndar.
Las funciones de densidad de probabilidad

2
2
2
) (
2
1
) (
f
f
t
f
f
e t p

= (29)

2
2
2
) (
2
1
) (
b
b
t
b
b
e t p

=
(30)
La funcin densidad de probabilidad del histograma (ecuacin 31)

) ( ). ( ) ( ). ( ) ( t p t P t p t P t p
b b f f
+ =
(31)
El error mnimo se alcanza cuando seleccionamos como umbral al valor para el cual

) ( ). ( ) ( ). ( t p t P t p t P
b b f f
=
(32)
Aplicando logaritmo en ambos miembros, resolviendo las ecuaciones y sustituyendo los
valores de
b
2
f
2
b
, , ,
f

con valores

estimados (ecuaciones 33, 34, 35 y 36)

) (
) (
) (
1
T P
g p
g t
f
t
g
f
=
=
(33)

) (
) (
) (
255
1
b
T P
g p
g t
b t g
+ =
=
(34)

=
=
t
g
f
f g p g t
1
2 2
) ( . ) ( ) (
(35)

+ =
=
255
1
2 2
) ( . ) (
t g
b
b g p g
(36)
Se define una funcin criterio (ecuacin 37), la cual se busca un valor mnimo (ecuacin
38)

( ) ( ) ). ( log . ) ( log ) ( 2 ). ( log . ) ( log ) ( 2 1 ) ( t P P t P t P t P t t P t J
b b f f b b f f
+ + + =
(37)

{ } ) (
*
t J Min T =
(38)
3 TIPOS DE APLICACIN
Global en gris: Los mtodos se emplearn en imgenes convertidas en escalas de grises
a travs el comando rgb2gray de MatLab.
Global en Capas de Colores: Los algoritmos de cada mtodo se emplearn en las capas
de color (Rojo, Verde y Azul)
4 RESULTADOS
Para ambos mtodos se trabaj primeramente en la bsqueda de un umbral global, o sea,
considerando todos los pxeles de la imagen. La imagen utilizada estaba en escala de grises,
y la transformacin de RGB a escala de grises se realiz simplemente aplicando la funcin
rgb2gray de MatLab. Obtenemos el histograma para las 256 intensidades usando la funcin
imhist de MatLab.
A continuacin, se muestran las imgenes resultantes luego de aplicar el mtodo de
umbral global segn los diferentes autores.
Figura 3. Imagen en RGB Figura 4. Imagen en Gris
Figura 5. Umbral global por el mtodo de Yen a
partir de imagen en escala de grises
Figura 6. Umbral global por el mtodo de Pun a partir
de imagen en escala de grises

Figura 7. Curva de Entropas de Yen

Figura 8. Curva de Pun

Figura 9. Umbral global por el mtodo de Kapur a
Figura 10. Umbral global por el mtodo de Kittler a

Figura 11. Curva de Entropas de Kapur

Figura 12. Funcin de Kittler

Mtodo Umbral global (grises)
Yen 21
Pun 74
Kapur 132
Kittler 20
Tabla 1.

Figura 13. Imagen en RGB
Figura 14. Imagen en gris
Figura 16. Umbral global por el mtodo de Pun a

Figura 17. Curva de Entropas correlacionada de Yen

Figura 18. Funcin de Pun


Figura 21. Curva de Entropas de Kapur


Mtodo
Umbral global
(grises)
Yen 40
Pun 62
Kapur 108
Kittler 2
Tabla 2

Figura 23. Leopardo
Figura 24. Imagen en escala de grises
Figura 26. Umbral global por el mtodo de Pun a

Figura 27. Curva de Entropas correlacionadas de Yen

Figura 28. Funcin entropa de Pun
Figura 31. Entropas

Mtodo Umbral global (grises)
Yen 111
Pun 26
Kapur 117
Kittler 117
Tabla 3

Como segunda medida, se trabaj con umbrales globales, pero esta vez, aplicados a cada
capa de color, con lo cual se observ una marcada diferencia entre los umbralizados de las
distintas capas, optimizndose una de las capas dependiendo de la composicin de colores
de cada imagen en particular

Figura 33. Umbralizado global Mtodo de Yen
Rojo
Figura 34. Umbralizado global Mtodo de Pun Rojo

Verde
Figura 36. Umbralizado global Mtodo de Pun
Verde

Azul
Figura 38. Umbralizado global Mtodo de Pun Azul

Figura 39. Curvas de Entropas por capas Yen

Figura 40. Curvas de Entropas por capas Pun
Figura 41. Umbralizado global Mtodo de Kapur Rojo
Figura 42. Umbralizado global Mtodo de Kittler Rojo


Figura 43. Umbralizado global Mtodo de Kapur Verde

Figura 44. Umbralizado global Mtodo de Kittler Verde

Figura 45. Umbralizado global Mtodo de Kapur Azul
Figura 46. Umbralizado global Mtodo de Kittler Azul

Figura 47. Curvas de Entropas por capas Kapur

Figura 48. Curva de funciones Kittler por capas


Umbrales globales
Mtodo Rojo Verde Azul
Yen 114 109 100
Pun 45 48 40
Kapur 120 116 115
Kittler 118 110 94
Tabla 4
5 CONCLUSIONES
En imgenes con pocos detalles como la figura 3 todos los mtodos se comportan de
manera similar en el umbralizado global en escala de grises, quizs con alguna preferencia
en los mtodos de Yen y Kittler (figura 5 y figura 10) ya que en ellos hay una mejor
separacin de los objetos del fondo y los valores de umbral son cercanos entre ellos.
En imgenes con un nivel medio de detalles como la figura 13 los mtodos basados de
Yen, Kapur y Pun definen umbralizaciones similares, a diferencia de Kittler que umbraliza
en forma correcta pero muestra zonas difusas o borrosas.
En la tercera imagen figura 23 que corresponde a una imagen con mucho detalle,
observamos que Kittler, Yen y Kapur se comportan de manera equivalente definiendo
umbrales cercanos y umbralizando la imagen de forma optima remarcando detalles finos.
Pun calcula un umbral bastante chico en comparacin con los otros mtodos y muestra una
umbralizacin que tiene al blanco donde se desdibuja la figura del leopardo (figura 26).
Para las tres imgenes analizadas, los resultados de la aplicacin de mtodos en cada
capa de color rojo, verde y azul se presentan en forma similar. Sin embargo, las
umbralizaciones realizadas en escala de grises tienen una mejor definicin que por capas.
Dados los diferentes anlisis en distintas imgenes a escala de grises y por capas de
colores podemos concluir que tanto los mtodos de Yen y Kittler parecen sobresalir o se
adaptan a cualquier tipo de umbralizado de imagenes, siendo mucho ms seguro el
algoritmo de Yen, ya que brinda umbralizaciones parejas en todos los casos analizados.
REFERENCIAS
H. Azhar, T. Widjanarko. Comparison of Two Binary Image Thresholding Methods Final
Project Paper EECE 6235 Random Signal Analysis Fall 2002 EECE Department,
University of Memphis, Memphis, TN 38152
C. Cattaneo, L. Larcher, A. Ruggeri, A C. Herrera, E. Biasoni, M. Escauelas.
Segmentacin de imgenes digitales mediante umbralizado adaptativo en imgenes de
color. Mecnica Computacional XXIX, 6177-6193, 2010
J . N. Kapur, P. K. Sahoo, and A. K. Wong, A new method for greylevel picture
thresholding using the entropy of the histogram, Comput.Vis. Graph. Image Process.,
vol. 29, pp. 273285, 1985.
J . Kittler, J . Illingwortj. Minimum error thresholding. Pattern recognition 19(1). 41-47,
1986.
N. Nacereddine, L. Hamami, M. Tridi, and N. Oucief. Non-Parametric Histogram Based
Thresholding Methods for Weld Defect Detection in Radiography. World Academy of
Science, Engineering and Technology 9, 2005
T. Pun, A new method for gray-level picture threshold using theentropy of the
histogram, Signal Process. 2(3), 223237 ,1980.
T. Pun, Entropic thresholding: A new approach, Comput. Graph.Image Process. 16,
210239 ,1981.
M. Sezgin, B. Sankur. Survey over image thresholding techniques and quantitative
performance evaluation. Journal of Electronic Imaging 13(1), 146165, 2004.
J . Yen, F. Chang, and S. Chang. A New Criterion for Automatic Multilevel Thresholding.
IEEE Transactions on Image Processing,. 4(3), 1995


Métodos de Umbralización de Imágenes

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Métodos de Umbralización de Imágenes

Cargado por

Copyright:

Formatos disponibles

MTODOS DE UMBRALIZACIN DE IMGENES DIGITALES

BASADOS EN ENTROPIA DE SHANNON Y OTROS

También podría gustarte