Procesamiento de Imagenes 2012

Procesamiento de la imagen
Javier Gonzlez Jimnez

Dpto. de Ingeniera
de Sistemas y Automtica
Universidad de Mlaga
ndice
Introduccin
Conceptos bsicos
Histograma
Tablas de Consulta
Medidas de distancia
Convolucin
Suavizado
Realce
Introduccin
INTRODUCCIN
Objetivo : Eliminar ruido, realzar tonos, ajuste de colores,
En VC su utilizacin suele ser necesaria antes de la
aplicacin de un detector de bordes y/o segmentacin
IMAGEN
Preprocesamiento
IMAGEN
ORIGINAL
funcin h(f ( x, y))
MEJORADA
f (x,y)
g (x, y)
Aplicacin en el dominio espacial y frecuencial
Introduccin
Procesamiento en el dominio espacial

Operan de forma directa con los pixels de la imagen
g(x, y) = h(f(x,y
h(f(x,y))
))
f(x,y
f(x,y)) : imagen original
g(x,y
g(x,y)) : imagen mejorada
h( )
: funcin definida sobre un entorno de vecindad de (x, y)
1x1 : Tablas de consulta

1x1 : Promediado de imgenes
NxM : Convolucin
Introduccin
Procesamiento en el dominio frecuencial
IMAGEN
F {f(x,y)}
ORIGINAL
IMAGEN
FRECUENCIAL
F (u,v)
f (x,y)
F(u,v) x H(u,v)
IMAGEN
MEJORADA
g (x,y)
-1
IMAGEN
{G(u,v)}
FRECUENCIAL
G (u,v)
Conceptos bsicos
CONCEPTOS BSICOS EN PROCESAMIENTO DE IMGEN
Histograma de una imagen

es una representacin grfica de la frecuencia con la que los
niveles de grises aparecen en dicha imagen.
se construye rastreando toda la imagen y contabilizando el
nmero de pxeles que poseen cada nivel de gris.
proporciona informacin estadstica sobre cmo estn
distribuidos los distintos niveles de grises de la imagen
im=imread('rice.tif');
imshow(im)
imhist (im);
Conceptos bsicos
Histograma de una imagen

til para tareas tales como:
conocer si la digitalizacin se ha efectuado correctamente
decidir el valor de umbralizacin de una imagen
tener una estimacin del brillo medio y contraste, etc.
L-1
Mucho brillo y
poco contraste
L-1
Imagen binaria
L-1
objeto sobre fondo
L-1
Saturacin del blanco
Conceptos bsicos
CONCEPTOS BSICOS EN PROCESAMIENTO DE IMGEN
Tablas de consulta (Look-up-tables)

define una transformacin pxel a pxel entre los niveles de
grises de la imagen a procesar y de la imagen resultante
consiste en asignar como nuevo nivel de grs el correspondiente
al elemento indexado con el nivel de entrada.
0
niveles
salida
L-1
b0
b1
.
.
.
.
.
.
L-2
L-1
L-1 niveles
entrada
Representacin contnua
niveles
entrada
bL- 2
bL- 1
b0
b1
.
.
.
bL - 2
bL - 1
niveles
salida
Representacin discreta
Conceptos bsicos
Tablas de consulta
aunque muy simple, tiene una gran
utilidad en el procesamiento de
imgenes
su implementacin es fcil
se puede aplicar en tiempo real (a la
frecuencia de digitalizacin).
% creamos una LUT para el 'umbral'

especificado y los valores min y max
lut= ones(256,1);
lut(1:umbral)= lut(1:umbral).*min;
lut(umbral+1:end)= lut(umbral+1:end).*max;
% aplicamos la LUT a la imagen
im_out = lut(double(imagen)+1);
% cambiamos el formato al de imagen
im_out= uint8(im_out);
niveles
salida
niveles
salida
niveles
salida
L-1
L-1
L-1
B
A
T
L-1 niveles
entrada
Operacin de umbralizacin
L-1 niveles
entrada
No se modifica la imagen
L-1 niveles
entrada
Inversin de la paleta de grises
Conceptos bsicos
Medidas de distancia:
1.
D es una funcin distancia si: 2.

3.
D(p1,p2) 0 [D(p1,p2)=0 si p1=p2]

D(p1,p2) = D(p2,p1)
D(p1,p3) D(p1,p2)+D(p2,p3)
distancia eucldea entre p1 y p2 :
distancia 4 (Manhattan) entre p1 y p2 :
distancia 8 (Tchebichev) entre p1 y p2 :

2
2
2
2
2
2
2 1 2
2 1 0 1 2
2 1 2
2
D4
2
1
1
1
2
2
1
0
1
2
2
1
1
1
2
D8
2
2
2
2
2
10
Conceptos bsicos
Medidas de distancia:
j
Distancia Euclidea
= (i-n) 2 + (j-m) 2
Distancia Manhattan
= |i-n| + |j-m|
Distancia Tchebichev
= max[ |i-n|, |j-m| ]
11
Conceptos bsicos
Convolucin
h(m,n)
180
183
122
120
119
123
123
122
177
189
188
122
133
128
120
123
h
(+
1,+
1
)
h
(+
1
,0
)
h
(+
1
,-1
)
177
200
203
199
196
150
130
150
h
(0
,+1
)
h
(0
,0
)
h
(0
,-1)
170
158
155
147
126
125
140
156
h
(-1,+
1)
h
(-1,0
)
h
(-1,-1
)
166
153
138
136
143
143
145
160
176
166
169
155
133
155
175
170
172
177
163
156
166
156
200
166
170
144
146
140
155
156
167
165
Im a ge n o rig in al f(i,j)
g ( i, j ) = f h =
f( i m , j n ) h (m , n )
m n
Im ag en re sulta nte g (i ,j )
El kernel (mscara) se voltea respecto al origen ( la imagen, es

conmutativo)
En MATLAB: conv2 (filter2 o imfilter no voltean
Convolucin 1D
correlacion)
Convolucin 2D
12
Propiedades de la Convolucin
Conceptos bsicos
Conmutativa:
Asociativa:
Distributiva:
Asociativa respecto al
producto escalar:
Derivada:
Teorema de convolucin:
13
Suavizado de imgenes
SUAVIZADO DE IMGENES
Objetivo:: Reducir ruido y/o efectos espurios como consecuencia
Objetivo
del proceso de captura, digitalizacin y transmisin.
Promediado del entorno
Filtrado gaussiano
Filtro de la mediana
Promediado de imgenes
Filtrado en el dominio frecuencial (filtro paso bajo)
DEMO MATLAB: Noise reduction filtering
14
SUAVIZADO DE IMGENES
Original
Impulse noise
Ruido Sal y Pimienta

Pimienta (Salt and pepper):
contiene ocurrencias aleatorias de pixeles
blancos
blanco
s y negros
Ruido Impulso:
Impulso: contiene ocurrencias
aleatorias de pixeles blancos
Ruido Gaussiano:
Gaussiano: variaciones en la
intensidad que siguen una distribucion
Normal (Gaussiana
(Gaussiana))
Salt and pepper noise
Gaussian noise
Fuente: S. Seitz
15

Reemplazar el nivel de gris de cada pixel por el valor medio de los
niveles de grises de sus vecinos:
S : conjunto de p pixels situados en un entorno de (x,y)

(nxm) : entorno de vecindad
16

Si se emplea un entorno de 3x3 el proceso es equivalente a
convolucionar con una mscara de la forma:
1/9 1/9 1/9
1/9 1/9 1/9
1/9 1/9 1/9
El tamao del entorno de vecindad seleccionado determina el grado

de suavizado alcanzado
17

Perfil de la lnea 256 de las
imgenes (b), (c) y (d)
256
1
0.5
0
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
(a) Imagen original
(b) Imagen con ruido
0.5
0
1
0.5
0
(c) Media 3x3
(c) Media 9x9

18

Ventaja : Fcil de entender y aplicar
Inconveniente: Enturbiamiento de los contornos
Alternativa
PROBLEMAS
No elimina puntos espurios
Qu valor de T se escoge?
19
Filtrado gaussiano
Reemplazar el nivel de gris de cada pixel una media ponderada de los
niveles de grises vecinos
Se implementa mediante una convolucin con la funcin gaussiana:
Propiedad de separabilidad
0.003
0.013
0.022
0.013
0.003
0.013
0.059
0.097
0.059
0.013
0.022
0.097
0.159
0.097
0.022
0.013
0.059
0.097
0.059
0.013
0.003
0.013
0.022
0.013
0.003
5 x 5, = 1
20
Filtrado gaussiano
Propiedad de separabilidad
% Separabilidad del operador Gaussiano

% h = fspecial('gaussian',hsize,sigma)
g_x = fspecial('gaussian',[1,5],1)
g_y = fspecial('gaussian',[5,1],1)
g=g_y*g_x %Propiedad de separabilidad
h = fspecial('gaussian',[5,5],1) %da lo mismo que si se construye
directamente en 2D
21
Filtrado gaussiano
Es un filtro ptimo
compromiso entre actuacin en espacio y frecuencia
Dominio espacial
Dominio frecuencial
22
Filtrado gaussiano
Es un filtro ptimo
compromiso entre actuacin en espacio y frecuencia
Cortesa de Zhigang Zhu
23
Filtrado gaussiano
En el caso discreto
equivalente a una convolucin con:

0
18
25
18
18
50
71
60
18
25
71
100
71
25
18
50
71
60
18
18
25
18
El tamao de la mscara
depende de :
w
24
Filtrado gaussiano
Mayor Sigma:
ms suavizado
ms enturbuiamiento
25
Filtrado gaussiano
Ventajas :
- Se aplica mediante convolucin.
convolucin.
- Provoca un menor enturbiamiento de bordes que media simple.
Inconveniente:
- Mscaras grandes incluso para valores de pequeos, lo que
implicara un elevado coste computacional.
Afortunadamente
es separable
Aplicar filtro 1D por filas y columnas

g(
g(x,y
x,y)=g(x)g(y)
)=g(x)g(y)
26
Reemplazar el nivel de gris de cada pixel por la mediana de los
niveles de grises vecinos
Se aplica tomando el elemento central de los niveles de grises de
los pixels vecinos ordenados de menor a mayor:
10
11
12
10
50
10
10
12
11
ENTORNO 3x3
ORDENACIN DEL ENTORNO

10 10 10 10 11
11
12 12 50
mediana
27
Preprodesamiento de Imgenes
(a) Imagen con ruido de

nieve (salt & pepper)
(b) Mediana
(c) Media 3x3
28
Ventajas :
- Conserva los bordes de la imagen
- Elimina puntos espurios
Inconveniente:
- Elevado coste computacional (ordenacin)
Alternativa
Algoritmo de la pseudomediana
- Elimina lneas delgadas y redondea las esquinas

Alternativa
Variar entorno de vecindad
29
Promediar los niveles de grises de pixels de distintas imgenes de una
misma escena cuya nica diferencia, en teora, es el ruido
Si es un ruido blanco, entonces:
30
Ruido
Gaussiano
1 imagen
10 imgenes
50 imgenes
Ruido tipo
sal y pimienta
31
Ventajas :
- Conserva los bordes de la imagen
- Reduce el ruido inherente de las imgenes reales
Inconveniente:
Solo se puede aplicar con imgenes en las que no exista
movimiento en el momento de la captura de una secuencia de
imgenes
32
Filtrado en el dominio frecuencial

Transiciones bruscas en los niveles de grises de una imagen
contribuyen fuertemente en las componentes de altas frecuencias
Atenuando el rango especfico de las componentes de altas frecuencias
en la transformada se puede eliminar el ruido en el dominio espacial.
Paso baja
Paso alta
Paso banda
Dominio
frecuencial
Dominio
espacial
33

%Visualizar espectro de Fourier
Aplicacin:
f(x,y)
F {f(x,y)}
F(u,v)
G(u,v) = H(u,v) x F(u,v)

g(x,y)
-1
im=imread('saturn.tif');
imf = fft2 (im);
imfs = fftshift (imf);
colormap(gray);
image(imfs);
image
(imfs);
G(u,v)
{G(u,v)}
La multiplicacin en el dominio frecuencial equivale a la

convolucin en el dominio espacial
34

- Filtro ideal paso bajo (ILPF):
1
D0
ILPF 1D
ILPF 2D
Imagen ILPF
- Filtro de Butterworth (BLPF)

1
0.5
0
BLPF 1D
D0
BLPF 2D
Imagen BLPF
35

- Filtro ideal paso bajo (ILPF):
1 si D (u,v) D0
H(u,v) =
0 si D(u,v) > D0
Distancia al eje de frecuencias
- Filtro de Butterworth (BLPF)
Frecuencia de corte
Orden del filtro
36
ILPF (D0 = 70)
FFT
IFFT
Espectro de Fourier
H(u,v)
(Imagen original)
Espectro de Fourier
(Imagen filtrada)
37
Suavizado d imgenes
BLPF (D0 = 50, n=1)
FFT
IFFT
Espectro de Fourier
H(u,v)
(Imagen original)
Espectro de Fourier
(Imagen filtrada)
38
Realce de Imgenes
REALCE DE IMGENES
Objetivos::
Objetivos
- Aumentar el contraste mediante la redistribucin de los
niveles de grises de la imagen.
- Adaptarse de forma automtica a los cambios de
iluminacin.
Transformacin de la paleta
Igualacin de histograma
Especificacin de histograma
Realce local
39
Realce de Imgenes
Idea: Estirar y desplazar el histograma para aprovechar mejor el rango
de niveles de grises
40
Realce de Imgenes
Escalado NoNo-Lineal
f(x,y) = g(x,y)
< 1 para aumentar el contraste de las zonas oscuras

> 1 para aumentar el contraste de las zonas claras
1
<1
=1
0.5
>1
0
0.5
41
Realce de Imgenes
f(x,y) = g(x,y)
= 0.5 (raiz cuadrada)
0.5
0
0
0.5
Cortesa de Zhigang Zhu
42
Realce de Imgenes
f(x,y) = g(x,y)
=3
0.5
4000
4000
3500
3000
0.5
3500
3000
2500
2500
2000
2000
1500
1500
1000
1000
500
500
0
0
50
100
150
200
250
0
50
100
150
200
250
Realce de Imgenes
Igualacin de histogramas
Idea: Modificar la imagen para lograr un aprovechamiento
ptimo del rango de niveles de grises mediante una
distribucin uniforme de los mismos.
Imagen con mal aprovechamiento

de los niveles de grises
Imagen con buen aprovechamiento

de los niveles de grises
HISTOGRAMA
HISTOGRAMA
1
0.9
0.8
0.8
F rec uenc ia
Frec uenc ia
0.7
0.6
0.5
0.4
0.6
0.4
0.3
0.2
0.2
0.1
0
0
50
100
150
Niveles de Grises
200
250
50
100
150
Niveles de Grises
200
250
44
Realce de Imgenes
Imagen Original
Imagen Realzada
Funcin de transformacin
FDP ACUMULADA
250
Niveles de Salida
200
150
100
50
0
0
50
100
150
200
250
Niveles de Entrada
HISTOGRAMA
1
0.9
0.8
0.7
Frec uenc ia
Preprodesamiento de Imgenes
Igualacin de histogramas
0.6
0.5
0.4
0.3
0.2
0.1
0
0
50
100
150
Niveles de Grises
200
250
Histograma de la imagen original

HISTOGRAMA
1
0.9
0.8
0.7
Frecuencia
0.6
0.5
0.4
0.3
0.2
0.1
DEMO MATLAB: Image histogram and intensity adjustment

0
0
50
100
150
Niveles de Grises
200
250
50
Histograma de la imagen realzada
Realce de Imgenes
Especificacin de histogramas
Idea: Modificar una imagen de tal forma que la imagen
resultante tenga un histograma determinado
Imagen
T(r)
Imagen
original
Igualada
r (x,y)
s(x,y)
?
IMAGEN
Con histograma
especificado
z (x,y)
G-1(s)
G(z)
G-1(i)
Imagen
Igualada
i(x,y)
51
Realce de Imgenes
Especificacin de histogramas
Imagen Original
Imagen Realzada
HISTOGRAMA
1
0.9
0.8
Frecuencias
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
50
100
150
Niveles de grises
200
250
Histograma especificado
HISTOGRAMA
1
HISTOGRAMA
1
0.9
0.9
0.8
0.8
0.7
Frecuencias
Frecuencias
0.7
0.6
0.5
0.4
0.6
0.5
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
0
50
100
150
200
250
Niveles de grises
0
0
50
100
150
200
250
Niveles de grises
Histograma de la imagen original
Histograma de la imagen realzada
52
Realce de Imgenes
Realce local
Idea: Plantear el realce a partir de la distribucin de
intensidades sobre en entorno de cada pixel de la
imagen.
Aplicacin: Definir una ventana NxM que es posicionada
pixel a pixel por la imagen, operando solamente en
dicho entorno en base a los atributos de las
intensidades de sus pixels.
EJEMPLO : Aplicar igualacin o especificacin

empleando slo un conjunto de pixels vecinos
53
Realce de Imgenes
Realce local
Media del entorno
de vencidad
Media de la imagen
completa
Desviacin tpica del

entorno de vencidad
Constante entre 0 y 1
GANANCIA DEL FILTRO
54

Procesamiento de Imagenes 2012

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

Procesamiento de Imagenes 2012

Cargado por

Copyright:

Formatos disponibles

Procesamiento de la imagen

Javier Gonzlez Jimnez

funcin h(f ( x, y))

Aplicacin en el dominio espacial y frecuencial

Procesamiento en el dominio espacial

: funcin definida sobre un entorno de vecindad de (x, y)

1x1 : Tablas de consulta

Histograma de una imagen

Histograma de una imagen

Tablas de consulta (Look-up-tables)

% creamos una LUT para el 'umbral'

Inversin de la paleta de grises

D es una funcin distancia si: 2.

D(p1,p2) 0 [D(p1,p2)=0 si p1=p2]

distancia eucldea entre p1 y p2 :

distancia 4 (Manhattan) entre p1 y p2 :

distancia 8 (Tchebichev) entre p1 y p2 :

= max[ |i-n|, |j-m| ]

El kernel (mscara) se voltea respecto al origen ( la imagen, es

DEMO MATLAB: Noise reduction filtering

Ruido Sal y Pimienta

Salt and pepper noise

Promediado del entorno

S : conjunto de p pixels situados en un entorno de (x,y)

Promediado del entorno

El tamao del entorno de vecindad seleccionado determina el grado

Promediado del entorno

(a) Imagen original

(b) Imagen con ruido

(c) Media 3x3

(c) Media 9x9

Promediado del entorno

% Separabilidad del operador Gaussiano

compromiso entre actuacin en espacio y frecuencia

compromiso entre actuacin en espacio y frecuencia

equivalente a una convolucin con:

Aplicar filtro 1D por filas y columnas

ORDENACIN DEL ENTORNO

(a) Imagen con ruido de

(c) Media 3x3

- Elimina lneas delgadas y redondea las esquinas

Variar entorno de vecindad

Si es un ruido blanco, entonces:

Filtrado en el dominio frecuencial

Filtrado en el dominio frecuencial

G(u,v) = H(u,v) x F(u,v)

La multiplicacin en el dominio frecuencial equivale a la

Filtrado en el dominio frecuencial

- Filtro de Butterworth (BLPF)

Filtrado en el dominio frecuencial

- Filtro de Butterworth (BLPF)

Orden del filtro

Filtrado en el dominio frecuencial

ILPF (D0 = 70)

Filtrado en el dominio frecuencial

BLPF (D0 = 50, n=1)

< 1 para aumentar el contraste de las zonas oscuras

= 0.5 (raiz cuadrada)

Imagen con mal aprovechamiento

Imagen con buen aprovechamiento

Histograma de la imagen original

DEMO MATLAB: Image histogram and intensity adjustment

Histograma de la imagen original

Histograma de la imagen realzada