Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Procesamiento Morfologico de Imagenes en Color Aplicacion A La Reconstruccion Geodesica 0 PDF
Procesamiento Morfologico de Imagenes en Color Aplicacion A La Reconstruccion Geodesica 0 PDF
Tesis de Doctorado
Facultad:
Director:
2002
Procesamiento Morfolgico de
Imgenes en Color.
Aplicacin a la Reconstruccin
Geodsica.
Tesis Doctoral
Autor
Procesamiento Morfolgico de
Imgenes en Color.
Aplicacin a la Reconstruccin
Geodsica.
Tesis Doctoral
Autor
No quiero dejar pasar la oportunidad que se me ofrece en estas hojas para agradecer a
todos los que han confiado en m para la realizacin de este trabajo, en especial al director de
esta Tesis, Fernando Torres Medina y al director del Departamento de Fsica, Ingeniera de
Sistemas y Teora de la Seal de la Universidad de Alicante, Augusto Belndez Vzquez.
Nunca dejar de expresar mi gratitud a los miembros del Centre de Morphologie
Mathmatique (CMM) de Fontainebleau, en Francia, por toda la ayuda prestada en la parte final
de esta Tesis. Especialmente quiero destacar la contribucin de Jess Angulo, en numerosas
aclaraciones sobre conceptos morfolgicos, y de Jean Serra que, en su visita a Alicante me
ofreci la posibilidad de acudir a la Escuela de Minas de Pars para profundizar en mis
investigaciones sobre Morfologa Matemtica y que me facilit, en Fontainebleau, todo el
material tcnico y bibliogrfico que necesit.
Por otro lado, no puedo olvidarme de los amigos que all hice y que, al igual que yo,
proceden de diferentes pases. Allan Hanbury o Thomas Walter. Especialmente numerosa es la
colonia espaola, encabezada por Jess, Cristina, Beatriz, Francisca... A todos los thsards doy
desde aqu mucho nimo y espero volver a verles en un futuro.
Agradezco tambin a Jos Mara Sebastin de la Universidad Politcnica de Madrid sus
enriquecedores comentarios sobre procesamiento de imgenes en color y Morfologa
Matemtica. Asimismo, quiero dar las gracias a Nicols Cuenca del Departamento de
Fisiologa, Gentica y Microbiologa de la Universidad de Alicante, y a su grupo de
investigacin, por facilitarme bastante material cientfico, parte del cual he empleado en esta
Tesis Doctoral. No quiero olvidarme tampoco de todos los miembros del Grupo de Automtica,
Robtica y Visin Artificial al que pertenezco por proporcionarme apoyo tcnico y humano en
todo momento, Santiago, Jorge, Pablo, Amador, Miguel ngel y en especial Paco, creador de la
primera versin del software con el que he desarrollado las nuevas operaciones morfolgicas.
Asimismo, quiero citar aqu el apoyo de las personas e instituciones que han financiado
tanto mi estancia en la Escuela de Minas de Pars, como el resto de la actividad investigadora
origen de este trabajo: el Grupo de Automtica, Robtica y Visin Artificial, el departamento en
el que trabajo, la Universidad de Alicante y el Ministerio de Asuntos Exteriores de Francia.
Por ltimo, destaco el apoyo recibido del resto de miembros del departamento, Lina,
Josep, de mi familia y amigos, y en especial de Alfredo, Vicen, y tantos otros, no slo en este
trabajo, sino tambin, en el resto de mi formacin.
Muchas gracias.
A mi familia
Resumen
La presente Tesis Doctoral se orienta en el estudio e investigacin de la extensin de las
operaciones morfolgicas a imgenes en color. El campo de aplicacin concreto se centra en las
transformaciones geodsicas vectoriales.
Para la extensin del procesamiento morfolgico a imgenes en color se realiza un
estudio de las diferentes estrategias de ordenacin vectorial y su interaccin con la familia de
espacios HSI. Se presentan diferentes mtodos de orden y se muestra como la ordenacin
lexicogrfica se adapta perfectamente al mapa de valores HSI. Se desarrolla un nuevo mtodo
de ordenacin vectorial, basado en el concepto lexicogrfico, que permite flexibilizar la rigidez
del mtodo de orden anterior y lograr as una transicin entre diferentes orientaciones del
retculo (intensidad o matiz).
En la adecuacin de la familia de espacios cromticos HSI para procesamiento de
imgenes se trata la indefinicin del matiz. En particular, se desarrolla un algoritmo que, en base
a un umbral de saturaciones, decide el cambio de prioridades en la ordenacin lexicogrfica
cuando el matiz no sea significativo.
En relacin a las transformaciones geodsicas, se analizan minuciosamente los aspectos
tericos de las operaciones geodsicas implementadas en mapas cromticos vectoriales.
Asimismo, se comprueba el cumplimento de sus propiedades gracias al mantenimiento de un
mismo criterio de orden vectorial en todas las operaciones, tanto morfolgicas, como de
minimizacin o maximizacin de funciones. La eficiencia de estas operaciones se ha
comprobado en aplicaciones de segmentacin, eliminacin de brillos o atenuacin de ruido.
Abstract
This Doctoral Thesis focuses on the research and study of the extention of morphological
operations to colour images. The field of its precise application is vectorial geodesic
transformations.
For the extension of morphological processing to colour images, a study of the vectorial
ordering of strategies and their interaction with the HSI family spaces is carried out. Different
methods of ordering are presented and the way the lexicogrpahical ordering is adapted perfectly
to the map of HSI values is shown. A new method of vectorial ordering is developed, based on
the lexicographical concept, which affords a flexibility of this rigid method of ordering, thus
acheiving a transition between different orientations of the lattice (intensity or hue).
In the adaptation of the family of HSI chromatic spaces for the processing of images,
the undefined hue is studied. In particular, we develop un algorithm which, based on a
saturation threshold, decides on the change in priority in the lexicographical ordering when the
hue is not significant.
Regarding the geodesic transformations, the theoretical aspects of the geodesic
operations implemented in vectorial chromatic maps are analized in detail. Likewise, the
goodness of their properties is proven, thanks to the maintaining of a single vectorial order
criterion in all of the operations, not only morphological, but the minimization or maximization
of functions as well. The efficiency of these operations has been proven in segmentation
applications, the elimination of brigthness or the reduction of noise.
Contenido
ndice general
Captulo 1. Introduccin .........................................................................................................1
1.1 Motivacin ................................................................................................................2
1.2 Estructura ..................................................................................................................3
1.3 Aportaciones de la Tesis ............................................................................................4
Captulo 2. Fundamentos del Color........................................................................................7
2.1 Introduccin ..............................................................................................................8
2.2 La luz ........................................................................................................................8
2.2.1 Teoras sobre la naturaleza de la luz .....................................................................8
2.2.2 Fuentes de luz ....................................................................................................11
2.3 Interaccin de la luz con la materia ..........................................................................12
2.4 Sistema visual humano ............................................................................................13
2.4.1 Teoras sobre el proceso de la visin ..................................................................15
2.5 Especificacin del color ...........................................................................................17
2.5.1 Especificacin del color percibido ......................................................................17
2.5.2 Especificacin del color psicofsico....................................................................18
2.5.3 Ecuacin tricromtica del color ..........................................................................20
2.6 Espacios de color .....................................................................................................23
2.6.1 Introduccin.......................................................................................................23
2.6.2 Modelo RGB......................................................................................................23
2.6.3 Modelo CMY.....................................................................................................26
2.6.4 Modelo XYZ......................................................................................................26
2.6.5 CIELAB, CIELUV.............................................................................................29
2.6.6 YIQ,YUV ..........................................................................................................32
2.6.7 Modelos de color HSI ........................................................................................35
2.6.8 Conclusiones finales sobre los modelos cromticos ............................................39
Captulo 3. Fundamentos de Morfologa Matemtica .........................................................41
3.1 Introduccin ............................................................................................................42
3.2 Nociones sobre teora de conjuntos ..........................................................................42
3.2.1 Propiedades de base de las transformaciones morfolgicas .................................44
II
Contenido
III
5.5.1 Introduccin.....................................................................................................130
5.5.2 Eliminacin de estructuras que tocan el borde ..................................................131
5.5.3 Relleno de agujeros y eliminacin de brillos.....................................................132
5.5.4 Esqueleto geodsico por zonas de influencia ....................................................133
5.5.5 Watershed........................................................................................................134
5.6 Operaciones geodsicas para imgenes en color .....................................................136
5.6.1 Dilatacin vectorial geodsica ..........................................................................136
5.6.2 Erosin vectorial geodsica ..............................................................................139
5.6.3 Reconstruccin geodsica vectorial ..................................................................140
5.6.4 Watershed en color...........................................................................................156
Captulo 6. Aplicaciones .....................................................................................................159
6.1 Introduccin ..........................................................................................................160
6.2 Morfologa matemtica en color para el anlisis de imgenes neuronales................160
6.2.1 Introduccin.....................................................................................................160
6.2.2 Algoritmo ........................................................................................................161
6.2.3 Conclusiones....................................................................................................169
6.3 Geodesia en color para la segmentacin de imgenes areas...................................169
6.3.1 Introduccin.....................................................................................................169
6.3.2 Procedimiento ..................................................................................................172
6.3.3 Conclusiones....................................................................................................175
6.4 Eliminacin de brillos en imgenes cromticas.......................................................175
6.4.1 Introduccin.....................................................................................................175
6.4.2 Procedimiento ..................................................................................................176
6.4.3 Conclusiones....................................................................................................181
6.5 Eliminacin de brillos evitando sobresimplificacin...............................................181
6.5.1 Introduccin.....................................................................................................181
6.5.2 Algoritmo para evitar la sobresimplificacin ....................................................182
6.5.3 Conclusiones....................................................................................................186
6.6 Eliminacin de ruido gausiano ...............................................................................186
6.6.1 Introduccin.....................................................................................................186
6.6.2 Procedimiento de filtrado .................................................................................187
IV
Contenido
6.6.3 Conclusiones....................................................................................................192
Captulo 7. Conclusiones.....................................................................................................193
7.1 Introduccin ..........................................................................................................194
7.2 Resultados y conclusiones......................................................................................194
7.3 Trabajos futuros.....................................................................................................196
Apndice A. Contenido del CD ...........................................................................................197
A.1 Introduccin..........................................................................................................198
A.2 Software Visual..................................................................................................198
A.3. Imgenes cromticas ............................................................................................198
A.3.1 Figuras del captulo 4. Morfologa Matemtica en color ..................................198
A.3.2 Figuras del captulo 5. Transformaciones geodsicas .......................................199
A.3.3 Figuras del captulo 6. Aplicaciones ................................................................199
Apndice B. Recursos en la red ..........................................................................................201
B.1 Introduccin..........................................................................................................202
B.2 ndice de recursos en la red ...................................................................................202
Bibliografa..........................................................................................................................205
ndice de figuras
2.1. En la percepcin del color intervienen tres elementos: las fuentes de luz, los objetos y el
sistema visual humano. ....................................................................................................8
2.2. Radiacin electromagntica................................................................................................9
2.3. Dispersin cromtica de la luz..........................................................................................10
2.4. Espectro electromagntico................................................................................................10
2.5. Dispersin cromtica........................................................................................................10
2.6. Temperaturas de color segn el calentamiento del cuerpo negro. ....................................11
2.7. Absortancia, reflectancia y transmitancia de un objeto opaco rojo.....................................13
2.8. Anatoma del ojo humano.................................................................................................14
2.9. Anatoma de Conos y Bastones de la retina [Rodieck, 1973].............................................14
2.10. Respuesta espectral de los conos S (a), M (b) y L (c) en funcin de la longitud de onda
(400-700nm)..................................................................................................................14
2.11. Refraccin desigual de la luz roja, verde y azul en la retina.............................................15
2.12. Representacin de la teora de los colores opuestos para clasificar un color.....................16
2.13. Respuesta de los conos y procesamiento de seales segn la teora de Hering. ................17
2.14. Atributos perceptuales para especificar el color percibido. ..............................................18
2.15. Sntesis aditiva (a) y sustractiva del color (b). .................................................................19
2.16. Flujo radiante de un estmulo compuesto. .......................................................................21
2.17. Flujo radiante del estmulo de igual energa. ...................................................................21
2.19. Curva de los colores espectrales en el sistema de coordenadas (r-g). ...............................23
2.20. Representacin espacial del modelo de color RGB..........................................................24
2.21. Imagen en color de Lenna. ...........................................................................................24
2.22. Representacin de Lenna en canales R (a), G (b) y B (c)...............................................25
2.23. Histogramas de los mapas rojo (a), verde (b) y azul (c) de la imagen cromtica Lenna. 25
2.24. Representacin grfica de las funciones colorimtricas CIE 1.931. .................................27
2.25. Diagrama cromtico (x,y) segn el estndar de la CIE. ...................................................28
2.26. Representacin espacial del modelo CIELAB. ................................................................29
2.27. Representacin de Lenna en canales L* (a), a* (b) y b* (c)..........................................30
2.28. Histogramas de seales L* (a) a* normalizada (b) y b* normalizada (c) de la imagen en
color de Lenna. ...........................................................................................................31
VI
Contenido
VII
3.14. Dilatacin de una seal bidimensional (imagen) definida por la funcin f. Elemento
estructurante de tamao 3x3. El resultado en cada punto de la imagen es el mximo de
todos los valores presentes bajo la definicin del elemento estructurante. .......................52
3.15. Dilatacin y erosin de una seal unidimensional definida por la funcin f. Elemento
estructurante de tamao 3. .............................................................................................53
3.16. Gradiente de una seal unidimensional definida por la funcin f (a). Elemento
estructurante de tamao 3. Gradiente por erosin (b). Gradiente por dilatacin (c).
Gradiente simtrico (d). .................................................................................................55
3.17. Gradientes morfolgicos de una imagen. Elemento estructurante de tamao 3x3. Imagen
original (a). Gradiente por erosin (b). Gradiente por dilatacin (c). Gradiente simtrico
(d). ................................................................................................................................56
3.18. Apertura morfolgica del conjunto X por el elemento estructurante Y. Eliminacin de
objetos menores en tamao al elemento estructurante. La apertura redondea las
convexidades importantes. .............................................................................................57
3.19. Apertura morfolgica de una seal unidimensional. (a) Seal original f. (b) Erosin de la
seal f por elemento estructurante Y. (c) Dilatacin de la erosin (f) por elemento
estructurante Y...............................................................................................................57
3.20. Filtrado de imagen. Eliminacin de objetos claros mediante apertura morfolgica. (a)
Imagen original. (b) Apertura morfolgica.....................................................................58
3.21. Apertura morfolgica del conjunto X por el elemento estructurante Y. El cierre redondea
las concavidades importantes. ........................................................................................59
3.22. Cierre morfolgico de una seal unidimensional. (a) Seal original f. (b) Dilatacin de la
seal f por elemento estructurante Y. (c) Erosin de la dilatacin (f) por elemento
estructurante Y: cierre morfolgico. ...............................................................................59
3.23. Filtrado de imagen. Eliminacin de objetos oscuros mediante cierre morfolgico. (a)
Imagen original. (b) Cierre morfolgico.........................................................................59
3.24. Top-hat por apertura para una seal unidimensional. (a) Seal original. (b) Top-hat por
apertura. ........................................................................................................................61
3.25. Top-hat por cierre para una seal unidimensional. (a) Seal original. (b) Top-hat por
cierre. ............................................................................................................................62
3.26. Resultado de Top hat en una imagen de escala de grises. (a) Top-hat por apertura. (b) Tophat por cierre. ................................................................................................................62
3.27. Eliminacin de ruido impulsivo con filtrado alterno secuencial de tamao 2. (a) Imagen
con ruido impulsivo (15%). (b) Filtrado FAS de tamao 2 y patrn ...........................66
3.28. Efecto de pirmide de transformacin morfolgica apertura. (a) Imagen original. (b)
Apertura con elemento estructurante de tamao 3x3. (c) Apertura con elemento
estructurante de tamao 5x5. (d) Apertura con elemento estructurante de tamao 7x7. ...67
VIII
Contenido
4.1. Imagen en color de Lenna representada en modelo RGB. Cada pixel posee un valor de
componente roja, verde y azul........................................................................................70
4.2. Imagen en color de Lenna representada en mapas bidimensionales monocromticos I1=R,
I2=G e I3=B. ..................................................................................................................71
4.3. Crculo de matiz. ..............................................................................................................72
4.4. Establecimiento de nfimo en crculo matiz. (a) Matiz de referencia en 0. (b) Matiz de
referencia en 135. .........................................................................................................73
4.5. Imagen cromtica de Colour beans y diferentes mapas de matiz. (a) Canal original de
matiz. (b) Mapa de distancias de matiz, nfimo en 0. (c) Mapa de distancias de matiz,
nfimo en 135. ..............................................................................................................74
4.6. Histograma del canal original de matiz (a) y del mapa de distancias de matiz con respecto al
nfimo establecido en 0 (b) ...........................................................................................74
4.7. Imagen en color de Parrots y diferentes mapas de matiz. (a) Canal original de matiz. (b)
Mapa de distancias de matiz, nfimo en 0. (c) Mapa de distancias de matiz, nfimo en
135...............................................................................................................................75
4.8. Evolucin de la saturacin para valores reducidos de componente acromtica...................76
4.9. Mapas de saturaciones originales (a,c) y normalizados (b,d) de las imgenes de Colour
beans y Parrots...........................................................................................................77
4.10. Esquema de procesamiento marginal para tres canales de informacin independientes. ...77
4.11. Erosin de una imagen en color mediante procesamiento marginal de canales RGB.
Elemento estructurante de tamao 3x3. (a) Imagen original. (b) Imagen erosionada. ......78
4.12. Detalle de la erosin de una imagen en color mediante procesamiento marginal. (a) Zoom
de la imagen original. (b) Zoom de la operacin de erosin, aparicin de nuevas
cromaticidades...............................................................................................................79
4.13. Detalle numrico del efecto de falsos colores en procesamiento marginal de datos. (a)
Seccin numrica de la imagen en color. (b) Seccin numrica de la imagen erosionada.
......................................................................................................................................79
4.14. Detalle de la dilatacin marginal. Efecto de los falsos colores presente, al aparecer
cromaticidades magentas inexistentes en la imagen original...........................................80
4.15. Ejemplo de procesamiento marginal para evitar la aparicin de los falsos colores. ..........80
4.16. Esquema de procesamiento vectorial para tres canales de informacin independientes. ...81
4.17. Relaciones de orden inyectiva, suprayectiva y biyectiva..................................................82
4.18. Esquema de procesamiento vectorial para morfologa matemtica en color. ....................83
4.19. Recorrido dentro del elemento estructurante de tamao 3x3............................................84
IX
Contenido
4.38. Erosin vectorial mediante orden cannico de seal I (preorden por una componte) y
orden cannico de seales HSI.......................................................................................96
4.39. Evolucin de porcentajes (%) de nuevos nfimos seleccionados en erosin vectorial
cannica I, IS y HSI.......................................................................................................96
4.40. Diferencias en la ordenacin lexicogrfica al variar la prioridad de las componentes que
forman el vector. (a) Prioridad en primera componente. (b) Prioridad en segunda
componente. ..................................................................................................................97
4.41. Esquema de reduccin de orden lexicogrfico para tres elementos. .................................98
4.42. Imagen sinttica (a) y mapas de distancia de matiz (b), saturacin (c) y luminancia (d). ..99
4.43. Procesamiento morfolgico vectorial por preorden de distancia de matiz y orden
lexicogrfico. (a) Erosin y (c) dilatacin por EE 9x9 con preorden de distancia de matiz.
(b) Erosin y (d) Dilatacin por EE 9x9 con orden lexicogrfico HLS. .................100
4.44. Erosin vectorial por EE 3x3, con orden lexicogrfico IHS (a), LHS (b) y
VHS (c). ..............................................................................................................101
4.45. Evolucin del uso de seales (%) en ordenacin lexicogrfica IHS para elementos
estructurantes planos y cuadrados de tamao 3x3, 5x5, 7x7 y 9x9. Intensidad en escala
[0,100], matiz y saturacin en escala [0,6] ...................................................................101
4.46. Dilatacin vectorial por EE 3x3, con orden lexicogrfico IHS (a), LHS (b) y
VHS (c). ..............................................................................................................102
4.47. Establecimiento de orden por primera o segunda componente en ordenacin lexicogrfica
-lex con prioridad IHS para HSI.........................................................................103
4.48. Erosin vectorial en base HSI mediante -lex. Elemento estructurante plano y cuadrado de
tamao 3x3. Prioridad IHS con =10 (a), =140 (b) y =255 (c). ........................104
4.49. Erosin vectorial en base HSI mediante -lex. Elemento estructurante plano y cuadrado de
tamao 3x3. Prioridad HIS con =10 (a), =140 (b) y =255 (c) .........................104
4.50. Evolucin en la participacin de seales I, S, H en el orden lexicogrfico mediante la
variacin del factor de peso en prioridad IHS (a) erosin, (c) dilatacin, y prioridad
HIS (b) erosin, (d) dilatacin ..............................................................................105
4.51. Espacio de color HSI/HSL. El umbral de saturaciones SUm determina los pixels con matiz
poco significativo. Los pixels con S>SUm poseen matiz significativo. ...........................106
4.52. Procesamiento morfolgico vectorial en base HSI con tratamiento de matiz indefinido. (a)
Imagen original. (b) Erosin vectorial. (c) Dilatacin vectorial.....................................107
4.53. Procesamiento morfolgico vectorial en base HSI con tratamiento de matiz indefinido. (a)
Imagen original. (b) Erosin vectorial. (c) Dilatacin vectorial.....................................108
XI
4.54. Erosiones vectoriales en base HSI con ordenacin lexicogrfica inicial HIS. Cambios
de orden por valor de SUm. Mapa de distancias de matiz con SUm=0 (d), SUm=20 (e) y
SUm=50 (f). Erosin vectorial para SUm=0 (g), SUm=20 (h) y SUm=50 (i). ........................109
4.55. Evolucin de cambios de orden lexicogrfico HIS a IS en erosin vectorial
(EE 3x3) por valor de distancia radial SUm, para la imagen cromtica Globos. Saturacin
en escala [0,255]..........................................................................................................110
4.56. Entrelazado de bits para espacio de color RGB. ............................................................111
4.57. Procesamiento morfolgico vectorial en base RGB con ordenacin por entrelazado de bits.
(a) Erosin vectorial. (b) Dilatacin vectorial...............................................................112
4.58. Ejemplo de gradiente vectorial por erosin de una imagen sinttica. Erosin por elemento
estructurante 3x3 y (a) preorden de distancia de matiz, (b) orden lexicogrfico HIS.
Residuo entre imagen original de la figura 4.42.a y erosin por preorden (c) u orden
lexicogrfico (d). .........................................................................................................114
4.59. Imagen en color adquirida con cmara CCD. (a) Imagen original. (b) Canal de distancia de
matiz. (c) Mapa de saturacin normalizado. (d) Canal de intensidad.............................115
4.60. Gradientes morfolgicos vectoriales. Gradiente por erosin vectorial realizado con
ordenacin procedente de distancia de matiz (a), intensidad (b), H IS y =0 (c),
IHS y =0 (d) ......................................................................................................116
4.61. Imagen cromtica Rotuladores. ..................................................................................118
4.62. Filtrado morfolgico vectorial de apertura (a) y cierre (b). Ordenacin lexicogrfica
clsica IHS...........................................................................................................118
4.63. Versiones vectoriales del top-hat por apertura (a) y top-hat por cierre (b). ....................119
4.64. Eliminacin de ruido impulsivo con filtrado alterno secuencial vectorial de tamao 2. (a)
Imagen cromtica con ruido impulsivo (10%). (b) Filtrado FASv de tamao 2 y patrn
vv. ............................................................................................................................119
5.1. Diferencia entre 4-conectividad (a) y 8-conectividad (b). ................................................122
5.2. Zonas planas en una funcin numrica............................................................................122
5.3. Ejemplo de conectividad por saltos.................................................................................123
5.4. Ejemplo de reduccin de zonas planas por operador conectado. ......................................124
5.5. Distancia geodsica en el conjunto X. .............................................................................124
5.6. Disco geodsico de radio en la mscara X....................................................................125
5.7. Dilatacin geodsica de una seal marcador g con respecto a una seal mscara f.
Comparacin con la dilatacin clsica. (a) Seales originales. (b) Dilatacin clsica de g.
(c) Dilatacin geodsica de g respecto a f.....................................................................126
XII
Contenido
5.8. Erosin geodsica de una seal marcador g con respecto a una seal mscara f. (a) Seales
originales. (b) Erosin clsica de g. (c) Erosin geodsica de g respecto a f..................127
5.9. Reconstruccin geodsica por dilatacin de la seal f desde la seal g. La reconstruccin se
obtiene por la dilatacin geodsica de tamao 7 del marcador g. ..................................128
5.10. Imagen en escala de grises. rea deportiva de la Universidad de Alicante.....................128
5.11. Reconstruccin morfolgica por dilatacin. (a) Imagen marcador. (b) Resultado de la
reconstruccin. ............................................................................................................129
5.12. Reconstruccin morfolgica por erosin. (a) Imagen marcador. (b) Resultado de la
reconstruccin. ............................................................................................................129
5.13. Apertura por reconstruccin de una imagen binaria. (a) Imagen original. (b)
Reconstruccin de la imagen erosionada. En lnea discontinua se sealan los objetos
eliminados ...................................................................................................................130
5.14. Eliminacin de objetos que tocan el borde. ...................................................................131
5.15. Relleno de agujeros. (a) Seales mscara f y marcador g originales. (b) Reconstruccin
geodsica por erosin de la seal f desde la seal g. .....................................................132
5.16. Imagen original de Manzanas.....................................................................................133
5.17. Proceso de reconstruccin geodsica. (a) Imagen marcador. (b) Reconstruccin de la
imagen de la figura 5.16 desde el marcador. La imagen permanece libre de brillos ssfsf
....................................................................................................................................133
5.18. SKIZ del conjunto X constituido a partir de las zonas de influencia geodsica IZ. .........134
5.19. Paradigma de la segmentacin morfolgica. Watershed controlado por marcadores. .....135
5.20. Pabelln deportivo de la Universidad de Alicante. ........................................................135
5.21. Segmentacin morfolgica. (a) Watershed original, sobresegmentacin. (b) Watershed
controlado por marcadores...........................................................................................135
5.22. Ventana de pixels 3x3. (a) Imagen mscara cromtica. (b) Mapa de intensidad. (c) Mapa
de distancias de matiz respecto a nfimo en 0. Espacio de color HSI. ..........................137
5.23. Dilatacin geodsica vectorial de ventana 3x3. EE 3x3 (a) Imagen marcador cromtico.
(b) Relacin de orden de intensidad entre mscara y marcador (sombreado). (c) Relacin
de orden de distancia de matiz entre mscara y marcador (sombreado). Href=0. (d,f)
Dilatacin geodsica vect. con ord. lex. IHS. (e,g) Dilatacin geodsica vect. con
ord. lex. HIS. .......................................................................................................138
5.24. Erosin geodsica vectorial de ventana 3x3. (a) Imagen marcador cromtico. (b) Relacin
de orden de intensidad entre mscara y marcador (sombreado). (c) Relacin de orden de
distancia de matiz entre mscara y marcador (sombreado). Href=0. (d,f) Erosin geodsica
vect. con ord. lex. IHS. (e,g) Erosin geodsica vect. con ord. lex. HIS.........140
5.25. Reduccin del marcador en la reconstruccin por erosin. ............................................142
XIII
5.26. Reconstruccin geodsica vectorial por dilatacin. Ordenacin lexicogrfica sobre HSI
controlada por intensidad. (a) seal original. (b) Imposicin de marcador. (c) Resultado de
reconstruccin. ............................................................................................................143
5.27. Reconstruccin geodsica vectorial por dilatacin. Ordenacin lexicogrfica sobre HSI
controlada por distancia de matiz. (a) seal original. (b) Imposicin de marcador. (c)
Resultado de reconstruccin. .......................................................................................144
5.28. Reconstruccin geodsica vectorial por erosin. Ordenacin lexicogrfica sobre HSI
controlada por intensidad. (a) seal original. (b) Imposicin de marcador. (c) Resultado de
reconstruccin. ............................................................................................................145
5.29. Reconstruccin geodsica vectorial por erosin. Ordenacin lexicogrfica sobre HSI
controlada por distancia de matiz. (a) seal original. (b) Imposicin de marcador. (c)
Resultado de reconstruccin. .......................................................................................146
5.30. Imagen sinttica en color, espacio HSI. (a) imagen cromtica. (b) Mapa de distancia de
matiz. (c) Mapa de saturacin. (d) Mapa de intensidad. ................................................147
5.31. Reconstruccin cromtica por dilatacin. (a) Imagen marcador. (b) Propagacin del
marcador en la mscara segn el orden de intensidad. (c) Propagacin del marcador en la
mscara segn el orden IHS. ................................................................................147
5.32. Imagen cromtica original. ..........................................................................................148
5.33. Marcador cromtico para reconstruccin por dilatacin. ...............................................148
5.34. Reconstruccin vectorial por dilatacin de Fig. 5.29 desde el marcador cromtico de la
figura 5.30. (a) Reconstruccin guiada por intensidad. (b) Reconstruccin guiada por
matiz. ..........................................................................................................................149
5.35. Marcador cromtico para reconstruccin por erosin. ...................................................149
5.36. Reconstruccin vectorial por erosin de Fig. 5.29 desde el marcador cromtico de la figura
5.30. (a) Reconstruccin guiada por intensidad. (b) Reconstruccin guiada por matiz...150
5.37. Imagen cromtica de Mandrill....................................................................................151
5.38. Pirmide de reconstruccin morfolgica. Apertura por reconstruccin vectorial controlada
por a-lex IHS, con =5. Elemento estructurante de tamao 3x3 (a), 5x5 (b), 7x7 (c),
9x9 (d).........................................................................................................................151
5.39. Pirmide de reconstruccin morfolgica (continuacin). Apertura por reconstruccin
vectorial controlada por a-lex IHS, con =5. Elemento estructurante de tamao
11x11 (a) y 13x13 (b). .................................................................................................152
5.40. Evolucin del rea de las zonas planas con 8-conectividad en pirmide de
reconstrucciones. .........................................................................................................152
5.41. Imagen cromtica Peppers .........................................................................................153
XIV
Contenido
5.42. Atenuacin de objetos que tocan el borde. Reconstruccin geodsica vectorial por
dilatacin controlada por -lex IHS (a), y HIS (b). Residuo diferencia entre la
imagen original y el retculo orientado a intensidad (c), y matiz (d)..............................154
5.43. Evolucin de uso de seales I, S, y H en iteraciones de la reconstruccin geodsica
vectorial por dilatacin. Intensidad y distancia de matiz en rango [0,100], saturacin en
rango [0,5]. (a) Ordenacin vectorial -lex, =5. (b) Ordenacin vectorial -lex, =10.
(c) Ordenacin vectorial -lex, =20...........................................................................155
5.44. Evolucin de uso de seales I, S, y H en iteraciones de la reconstruccin geodsica
vectorial por dilatacin (continuacin). Intensidad y distancia de matiz en rango [0,100].
(a) Ordenacin vectorial -lex, =50. Saturacin en rango [0,5]. (b) Ordenacin vectorial
-lex, =100. Saturacin en rango [8,12] ....................................................................156
5.45. Watershed aplicado a partir de combinacin de gradientes cromticos. Watershed
procedente de gradiente calculado con (a) preorden H, preorden I (b), orden HIS (c)
y orden IHS (d). ...................................................................................................157
6.1. Imagen original de retina de mono..................................................................................161
6.2. Detalle de retina de mono. (a) Clulas dopaminrgicas. (b) Clula inmunoreactiva a la
calretinina....................................................................................................................161
6.3. Espacio de color HSV. ...................................................................................................162
6.4. Separacin de una regin de la imagen de retina en mapas HSV. (a) Regin cromtica. (b)
Matiz. (c) Saturacin. (d) Valor. ..................................................................................162
6.5. Detalle de aperturas por reconstruccin de la imagen de retina. (a) Regin de la imagen
original. (b) Erosin vectorial con nfimo de matiz en 0. (c) Erosin vectorial con nfimo
de matiz en 90. (d) Reconstruccin por dilatacin, matiz de referencia en 0. (e)
Reconstruccin por dilatacin con nfimo de matiz en 90............................................163
6.6. Reconstruccin de clulas en la imagen de retina. (a) Clulas dopaminrgicas. (b) Clulas
inmunoreactivas a la calretinina. ..................................................................................164
6.7. Filtrado geodsico de apertura por rea. (a) Imagen binaria de clulas rojas. (b) Resultado
del filtro de apertura por rea con umbral de 30. ..........................................................165
6.8. Eliminacin de agujeros en clulas inmunoreactivas a la claretinina (verdes). .................165
6.9. Ejemplo visual del proceso de separacin de clulas. ......................................................166
6.10. Imagen binaria de clulas clasificadas como dopaminrgicas. .......................................166
6.11. Imagen de distancias con respecto a contorno de las clulas..........................................167
6.12. Transformacin de watershed. Separacin de clulas. ...................................................167
6.13. Detalle del gradiente calculado en los mapas celulares. (a) Superposicin de gradiente para
clulas rojas. (b) Superposicin de gradiente para clulas verdes..................................168
XV
Contenido
XVII
ndice de tablas
2.1. Resumen de caractersticas y aplicaciones de los espacios de color. ..................................40
4.1. Relacin entre valores RGB y saturacin en modelos HSI, HLS y HSV............................76
4.2. Porcentajes (%) de seleccin de mejores cotas inferiores (a) en erosin vectorial y mejores
cotas superiores (b) en dilatacin vectorial, para retculos definidos por EE crecientes. ..88
4.3. Porcentajes (%) de seleccin de la mejor cota inferior en la erosiones vectoriales mediante
ordenacin cannica de seales R, RG y RGB. ..............................................................95
4.4. Porcentajes (%) de seleccin de la mejor cota inferior en la erosiones vectoriales mediante
ordenacin cannica de seales I, IS y HIS. ...................................................................96
4.5. Evolucin del uso de mapas de color (%) en erosin vectorial con ordenacin lexicogrfica
para diferentes tamaos de elementos estructurantes. (a) Ordenacin lexicogrfica
IHS. (b) Ordenacin lexicogrfica LHS. (c) Ordenacin lexicogrfica
VHS. ...................................................................................................................101
4.6. Evolucin del uso de mapas de color (%) en dilatacin vectorial con ordenacin
lexicogrfica para diferentes tamaos de elementos estructurantes. (a) Ordenacin
lexicogrfica IHS. (b) Ordenacin lexicogrfica LHS. (c) Ordenacin
lexicogrfica VHS................................................................................................102
4.7. Porcentajes (%) de cambios de orden lexicogrfico HIS a IS, por matiz indefinido en
el procesamiento de imagen clara de fondo claro (a) e imagen de fondo oscuro (b) ......108
4.8. Resumen de ordenes vectoriales. Mtodos idneos para espacio HSI (sombreado). .........112
6.1. Reduccin de ruido gausiano en imagen de Parrots. .....................................................192
XVIII
Captulo 1
Introduccin
1.1 Motivacin
El procesamiento de imgenes en color est motivado por dos importantes factores. En primer
lugar, por una similitud con la visin humana, totalmente cromtica y, en un segundo caso, por
el aumento de informacin que la cromaticidad aporta al anlisis de las imgenes.
Las tcnicas de visin artificial se han desarrollado, desde su origen, para mapas
binarios o de grises que, en este ltimo caso, codifican la informacin en 256 niveles de
luminancias o intensidades luminosas. La limitacin ha venido impuesta durante mucho tiempo
por el hardware, pues el tiempo de computacin de los algoritmos de visin artificial eran muy
elevados, lo que requera, desde un inicio, reducir la informacin visual a un nico mapa
bidimensional. En principio, las imgenes en escala de grises contienen suficiente informacin
de las escenas capturadas, hasta tal punto, que los bordes y detalles de las imgenes reales
quedan totalmente identificados por un descenso significativo de luminosidad respecto al resto
del objeto. Esta reduccin del valor lumnico se refleja en un menor valor de gris que permite,
mediante tcnicas de gradiente, extraer y perfilar el contorno de las formas presentes en las
imgenes. Sin embargo, la seal de intensidad luminosa de una superficie puede conllevar
errores de interpretacin. Tal es el caso de los efectos de iluminacin, manifestados a travs de
sombras o reflejos en las imgenes y que alternan la composicin luminosa de la escena
capturada. Este tipo de efectos provocan la falsa deteccin de fronteras en las regiones
homogneas y la confusin de objetos que no lo son. La iluminacin no es slo el nico factor
que puede inducir falsas interpretaciones de una escena. La reduccin a 256 niveles de
luminancias de un entorno visual, formado en la visin humana por atributos de intensidad,
tonalidad del color y viveza del color es, en ocasiones, escasa para poder discriminar todos los
objetos de una imagen, pues la cromaticidad de las formas no es reflejada y la luminancia de
multitud de cromaticidades es idntica.
Con este panorama, y con el progreso actual del hardware, con procesadores dedicados
a algoritmos de visin, cabe pensar en la adquisicin de la informacin cromtica de una escena
por un sistema de adquisicin de color, y su posterior tratamiento e interpretacin en mapas
tridimensionales. La informacin cromtica permite la identificacin correcta de todos los
objetos presentes en una escena y puede ser incluso inmune a sombras y reflexiones, lo que hace
que su uso, desde hace unos aos, sea bastante atractivo en el procesamiento de imgenes. En el
captulo segundo de esta Tesis Doctoral se comentan una serie de aplicaciones en las que la
informacin cromtica interviene para facilitar la segmentacin e interpretacin de estructuras.
La Morfologa Matemtica ha demostrado ser una poderosa herramienta para numerosas
aplicaciones de visin por computador. Multitud de algoritmos hacen, hoy en da, uso de tiles
morfolgicos para aplicaciones tan variadas como la segmentacin, reconstruccin, deteccin de
bordes, aumento de contraste, anlisis de texturas, etc. Sin embargo, la Morfologa Matemtica,
requiere el establecimiento de un orden entre todos los pixels de las imgenes sobre las que
opera. Este requerimiento ha limitado, junto al alto coste computacional de algunas operaciones,
la extensin de la morfologa a imgenes cromticas. A lo largo de esta Tesis Doctoral se
presenta un estudio que supera la primera limitacin, pues se conseguir extender las
Captulo 1. Introduccin
1.2 Estructura
Tras esta introduccin, en el captulo segundo de esta Tesis Doctoral se exponen los
fundamentos tericos del color. Se realiza un estudio del color de los objetos y su explicacin
fsica. Asimismo, se exponen las diferentes teoras relacionadas con la visin humana. Se
discuten las leyes de formacin del color y la teora tricromtica. En cuanto a la especificacin
del color, se presentan las recomendaciones internacionales. En la parte final del captulo se
trata el concepto de espacio de color y se discuten las diferencias entre los modelos cromticos
ms empleados en la actualidad, as como su aplicacin en visin por computador.
En el captulo tercero se realiza una visin terica de la Morfologa Matemtica. Se
presentan las operaciones bsicas de la morfologa desde la teora de conjuntos hasta la
definicin de filtros morfolgicos. En este captulo, todas las operaciones quedan definidas
formalmente, as como sus propiedades. Ser til, pues se aludir a ellas en captulos
posteriores. Todas las operaciones se acompaan de ejemplos visuales sobre una base de
conjuntos, funciones unidimensionales e imgenes de grises.
El captulo cuarto, parte central de la Tesis, presenta un amplio y detallado estudio de
las relaciones de orden vectoriales que permiten extender la Morfologa Matemtica de grises a
imgenes cromticas. Ms concretamente, en este captulo, se estudia la interaccin del espacio
HSI con las diferentes relaciones de orden vectorial. Se comprueba el buen comportamiento del
espacio HSI con el mtodo de ordenacin lexicogrfico. Asimismo, se presenta un nuevo orden
lexicogrfico y se trata la situacin del matiz indefinido que, en los espacios que representan
atributos preceptales de la visin humana, debe ser tenido en cuenta.
El captulo quinto introduce al lector en las transformaciones geodsicas. En este
captulo, se detallan los conceptos de conectividad y distancia geodsica tanto en conjuntos
como en funciones de grises, fundamental en todo desarrollo posterior. Se realiza un repaso de
los tiles geodsicos de la morfologa de grises y de sus propiedades, para luego presentarlos en
morfologa cromtica. Se comprueba que la eleccin correcta de la imagen marcador no
introduce nuevas cromaticidades en la imagen original.
El captulo sexto es, junto a los dos anteriores, uno de los ms importantes de esta Tesis
Doctoral. En l, se presentan una serie de algoritmos que se han desarrollado, mediante
transformaciones geodsicas, para aplicaciones tan variadas como la eliminacin de ruido
gausiano, la segmentacin de imgenes o la atenuacin de brillos. En todos estos casos, la
geodesia cromtica ha demostrado una alta eficacia.
De los desarrollos efectuados se extraen una serie de conclusiones que se detallan en el
captulo sptimo. Seguidamente, el apndice A informa del contenido del CD que se facilita
junto al documento escrito. El CD contiene todas las imgenes cromticas a las que se hace
referencia en los textos y que han sido objeto de procesamiento. Asimismo, el CD alberga el
software creado especialmente para las operaciones morfolgicas cromticas. En el apndice B
se resumen interesantes recursos en internet sobre Morfologa Matemtica.
Finalmente, en el apartado de bibliografa, se presentan todas la referencias empleadas y
comentadas a lo largo de la Tesis.
Captulo 1. Introduccin
Publicaciones impactadas:
o
Otras publicaciones:
o
Ortiz, F., Torres, F., Angulo, J., Puente, S. (2001). Comparative study of
vectorial morphological operations in different colour spaces. Proceedings of
SPIE, Intelligent Robots and Computer Vision XX, 4572, pp. 259-268.
Ortiz, F., Torres, F., Gil, P., Pomares, J., Puente, S., Candelas, F. (2001).
Vectorial Ordering by Distance for HSI Mathematical Morphology.
Proceedings of the IX Spanish Symposium on Pattern Recognition and Image
Analysis, Vol. 2, pp. 379-384.
Ortiz, F., Torres, F., Puente, S., Candelas, F., Gil, P. (2000). Use of the
Hue/Saturation/Intensity Colour Spaces to the Morphological Processing of
Colour Images. Proceedings of First International Conference in Graphics and
Image Processing, Saint-Etienne, France, pp. 219-224.
Captulo 2
2.1 Introduccin
El color no es una propiedad intrnseca de los objetos. La materia es totalmente incorprea y lo
que hace que un objeto sea percibido con un determinado color responde, por una parte, a las
propiedades de la luz incidente en el objeto, es decir, a las caractersticas de la radiacin visible
necesaria para iniciar todo proceso de visin humana (ya sea cromtica o no). En segundo lugar,
a las propiedades qumicas de la materia de la que estn formados los cuerpos, algo que afectar
sensiblemente a la interaccin de la luz con estos ltimos y, por ltimo, al sistema visual
humano que ser el que determine la sensacin cromtica final percibida por nuestro cerebro,
segn las ondas de luz transmitidas o reflejadas por el objeto que han penetrado en el ojo
humano (figura 2.1) [Gilabert, 1992]. Por este ltimo factor, una determinada muestra de color
no es percibida exactamente igual por dos observadores, consecuentemente, la obtencin de un
valor objetivo de la especificacin del color, valido para una posible normalizacin de colores,
debe basarse sobre un gran nmero de observadores cuidadosamente seleccionados.
Figura 2.1. En la percepcin del color intervienen tres elementos: las fuentes de luz, los objetos y el
sistema visual humano.
2.2 La luz
En lenguaje corriente se denomina luz a todo lo que impresiona nuestra vista. Cientficamente
se define como la radiacin que emiten algunos cuerpos, por incandescencia o luminiscencia
que, iluminando a los objetos, los hace visibles. Puede definirse tambin como el conjunto de
radiaciones capaces de estimular el rgano visual.
siglo pasado, segn el cual, los corpsculos anteriores representan a cantidades discretas de
energa denominadas fotones. Una fuente luminosa o fuente de luz ser, para la teora
corpuscular, un emisor de radiacin o energa visible. Por otra parte, desde el siglo XVII varios
cientficos como Christian Huygens, Francesco Grimaldi o Thomas Young, evidenciaron
mediante diversos experimentos, que la luz era una especie de movimiento ondulatorio de
frecuencia, longitud de onda y velocidad de propagacin determinada: teora ondulatoria de la
luz [Casas, 1994], [Hecht, 1988]. Sera ya en 1.873 cuando James C. Maxwell demostrara, que
la luz era una forma de ondas electromagnticas de alta frecuencia y predijo que estas ondas
deberan tener una velocidad aproximada de 300.000 km/s. Heinrich Hertz confirm
experimentalmente la teora de Maxwell en 1.887, al generar y detectar por primera vez las
ondas electromagnticas. Posteriormente, l y otros investigadores, comprobaron que estas
ondas se podan reflejar, refractar, etc. En otras palabras, las ondas electromagnticas mostraban
todos los fenmenos caractersticos de las ondas de luz.
Fue el propio Isaac Newton quien evidenci como la luz blanca (la luz procedente del
Sol) se poda descomponer en una serie de haces luminosos de colores diferentes cuando
atravesaba un prisma ptico (figura 2.3). Newton, con este experimento, hall el espectro de la
luz diurna mediante el fenmeno conocido como dispersin de la luz o dispersin cromtica
cuya explicacin fsica escapaba a su teora corpuscular. Mediante la teora ondulatoria se sabe
que cada color es en realidad una onda electromagntica de frecuencia o longitud de onda
determinada y que, al penetrar en el prisma ptico, se desva en una direccin diferente debido a
que el ndice de refraccin de este material vara con la frecuencia de la onda penetrante, con lo
que el haz diurno (luz blanca) se expande de tal forma que las radiaciones monocromticas que
ste incluye pueden ser distinguidas y observadas por el ojo humano.
El espectro visible contiene numerosos colores que son distinguidos por la longitud de
onda (figura 2.5). El ser humano puede llegar a distinguir hasta aproximadamente 10.000
colores. La combinacin de todas las radiaciones de luz produce luz blanca, como la procedente
del sol.
Cada onda luminosa monocromtica lleva asociada una energa, el fotn, cuyo valor es
igual al producto:
10
Q = hf
(2.1)
donde h es la constante de Planck, igual a 6.26x10-24 J/s, y f la frecuencia de la onda. As, la luz
de menor frecuencia tiene menor contenido energtico, mientras que la luz de menor longitud de
onda posee mayor energa.
En la actualidad se observa a la luz como un fenmeno que posee naturaleza dual, por
una parte, la teora ondulatoria explica convenientemente la propagacin de la luz y los efectos
de interferencia y difraccin, mientras que el efecto fotoelctrico (transferencia de energa de la
luz a ciertos cuerpos o elementos) y la interaccin de la luz con la materia se explican ms
satisfactoriamente mediante el modelo corpuscular [Gilabert, 1992].
Para cualquier color, la cantidad de luz emitida por cada longitud de onda se representa
con el denominado poder de distribucin espectral, cuyas iniciales en ingls son SPD. Cuando
se aaden diferentes SPD se crea un nuevo color, que es lo que se conoce como mezcla aditiva
del color. Otro fenmeno diferente es el conocido como mezcla sustractiva, que consiste en
componer colores eliminando o sustrayendo luz (sistemas de impresin).
1000K
5000K
10000K
11
Iluminante C: Luz del da en el hemisferio norte sin Sol directo (sin radiacin
ultravioleta). La temperatura para este iluminante es de 6.774 K.
Iluminante D (D65): Mezcla de luz solar y cielo nublado (con presencia ultravioleta).
Temperatura de color de 6.500 K. Es el adoptado actualmente como blanco de
referencia para la televisin en color.
( ) = R( ) + T ( ) + A( )
(2.2)
1=
R( ) T ( ) A( )
+
+
( ) ( ) ( )
(2.3)
se obtiene:
1= R +T + A
(2.4)
objetos opacos la transmitancia es insignificante, siendo las frecuencias que refleja el cuerpo las
que determinan con que color se va a percibir. En los transparentes, por el contrario, son la
reflectancia y la absortancia las que valen prcticamente cero; por ejemplo, un vidrio ptico
incoloro transparente refleja el 8% de la luz incidente, absorbe el 1% y transmite el resto. La
reflectancia y la transmitancia son inversamente proporcionales: un objeto con elevada
reflectancia para una longitud de onda determinada tendr escasa transmitancia para esa misma
frecuencia, y viceversa. Esta caracterstica se evidencia en la figura 2.7, en donde se observa la
variacin de la absortancia, reflectancia y transmitancia para un material opaco de color rojo. En
consecuencia, una especificacin puramente objetiva del color de una superficie puede
expresarse en trminos de reflectancia espectral. En el caso de disoluciones o materiales
transparentes dicha especificacin vendr dada por la transmitancia espectral.
1.00
Cantidad normalizada
Reflectancia
0.75
Absortancia
Transmitancia
5.00
0.25
400
500
600
700
13
(a)
(b)
(c)
Figura 2.10. Respuesta espectral de los conos S (a), M (b) y L (c) en funcin de la longitud de onda
(400-700nm).
14
menos sensibles, mientras que los que ms respuesta proporcionan son los verdes. Los rojos
presentan igualmente una buena sensibilidad [De Boeck, 1990].
Cuando el ojo se excita con un espectro luminoso de energa constante (Qe()=cte),
denominado espectro equienergtico, se percibe el blanco. Las percepciones individuales de los
colores, ofrecidas por la sensibilizacin de los conos se dan en las frmulas siguientes:
(2.5)
(2.6)
(2.7)
L = ( )Qe ( )d
M = ( )Qe( )d
S = ( )Qe( )d
Retina
15
Verde
Rojo
Azul
Figura 2.12. Representacin de la teora de los colores opuestos para clasificar un color.
Se puede representar la seal roja-verde que interpreta el cerebro humano como una
combinacin (rL rM ), donde rL y rM son las respuestas de los conos L y M, respectivamente,
mientras que es un escalar. Cuando rL > rM la seal roja/verde es positiva y se interpreta
como un color rojizo. Por el contrario, cuando rL < rM la seal es negativa que se identifica con
las tonalidades verdes. Un caso especial ocurre si rL = rM , en esta situacin el color no es ni
rojo ni verde [Sangwine, 1998].
16
Rojo/Verde
Blanco/Negro
Azul/Amarillo
Figura 2.13. Respuesta de los conos y procesamiento de seales segn la teora de Hering.
Teora de zonas
Segn esta teora, el modelo triestmulo y el modelo de los colores opuestos son teoras validas,
aunque cada una en un nivel de abstraccin diferente. Si la teora tricomtica describe el proceso
visual en la retina, la teora de los colores opuestos est presente en la percepcin del color en
nuestro cerebro, de hecho, la teora de los colores opuestos parte como combinacin lineal de la
respuesta de los conos.
17
Saturacin: atributo visual que permite estimar la proporcin de color cromtico puro
contenido en la sensacin visual. Una saturacin nula corresponde a una ausencia de
color, a un color acromtico. La escala de grises (blanco y el negro incluidos) posee una
saturacin nula.
18
(a)
(b)
Leyes de Grassman
En 1.853 el fsico alemn Grassman sistematiz la teora de la mezcla aditiva del color en una
serie de conclusiones que hoy se conocen como las leyes de Grassman [Wyszecki, 1982],
[Nicols, 1988], [De Boeck, 1990].
(2.8)
19
C3 =C1+C2 si
(2.9)
kC1= kC2
(2.10)
(2.11)
dC e
dt
(watios)
(2.12)
(2.13)
necesidad de mezclar el color C con una de las luces primarias, igualando la mezcla resultante
con las otras dos luces:
Q + RC(R) = GC(G) + BC(B)
(2.14)
Los lmenes de R aadidos a C pueden considerarse como una cantidad negativa, lo que
permite establecer otra vez la verdadera ecuacin de igualacin del color:
Q = - RC(R) + GC(G) + BC(B)
(2.15)
(2.16)
=a
con =[a,b], siendo a y b los umbrales de las longitudes de onda (a , b) de las radiaciones
monocromticas que incluye el color C, tal y como se muestra en la figura 2.16.
Flujo radiante
Longitud de onda
Flujo radiante
a=380
b=780
Espectro visible
21
La ecuacin para la igualacin del color queda, para cada estmulo monocromtico:
E = r ( )R + g ( )G + b ( ) B
(2.17)
E,
con
=475nm.
Sustituyendo
se
obtiene
que
r (475) = 0.045 ,
(2.18)
donde la cantidad negativa del estmulo primario rojo significa que en el proceso de igualacin
del color, 0.0045R es aadido a E475 para reducir su saturacin en magnitud suficiente para que
pueda ser igualado a la mezcla 0.0032G+0.186B.
0,4
b( )
Valores triestmulo
0,3
g ( )
r ( )
0,2
0,1
0
380
455
530
605
680
755
-0,1
-0,2
Longitud de onda (nm)
22
r ( )
r ( ) + g ( ) + b ( )
(2.19)
g ( ) = g =
g ( )
r ( ) + g ( ) + b ( )
(2.20)
b ( ) = b =
b( )
r ( ) + g ( ) + b ( )
(2.21)
23
24
(a)
(b)
(c)
(a)
(b)
(c)
Figura 2.23. Histogramas de los mapas rojo (a), verde (b) y azul (c) de la imagen cromtica Lenna.
25
ecualizar la intensidad luminosa, el cambio del histograma de los mapas individuales provocar
el cambio espectral de la imagen. Un modelo cromtico que represente la intensidad en una
componente ser el ms idneo en este caso. Entre las desventajas del modelo RGB destacan:
(2.22)
26
Valores triestmulo
z ( )
1,5
y ( )
x( )
0,5
0
380
430
480
530
580
630
680
730
(2.23)
(2.24)
X
X +Y + Z
(2.25)
y=
Y
X +Y + Z
(2.26)
27
z=
Z
X +Y + Z
(2.27)
donde se deduce que z=1-(x+y). De este modo, slo dos coordenadas son necesarias para
describir el proceso de igualacin del color. La representacin del espectro se consigue en un
plano 2D conocido como diagrama de cromaticidad x,y. En la figura 2.25 se presenta la forma
que adquiere el diagrama cromtico. El diagrama de cromaticidad constituye un buen mtodo de
especificacin de colores. Todos los colores espectrales saturados al 100% se sitan en el borde
del diagrama. Las posiciones de los diferentes colores espectrales (desde el violeta de 380nm al
rojo de 780nm) se indican alrededor de la lnea curva. Cualquier punto situado no exactamente
en el borde pero si dentro del diagrama representa una mezcla de colores del espectro. La
coordenada E representa al blanco equienergtico, es el punto de igual energa para los tres
colores primarios. A medida que un punto abandona el borde y se aproxima a E se aade ms
luz blanca y se hace menos saturado. La saturacin en E es 0.
El diagrama de cromaticidad es til porque una lnea recta que una dos puntos
cualesquiera del diagrama define todas las variaciones de los diferentes colores que pueden
obtenerse combinando los dos primarios de forma aditiva. Para determinar el rango de colores
que pueden obtenerse a partir de tres primarios cualesquiera del diagrama, se unen los tres
puntos mediante lneas. Los colores del interior del tringulo formado, son los reproducibles por
los tres primarios elegidos. Una observacin del diagrama permite afirmar que no todos los
colores se pueden obtener por tres primarios simples, pues no es posible crear un triangulo que
albergue todos los puntos del diagrama en su interior.
1.0
0.8
510
0.6
500
520
530
540
550
570
590
490
0.4
560
650
0.2
470
380
0
0
0.2
0.4
0.6
0.8
1.0
x
Figura 2.25. Diagrama cromtico (x,y) segn el estndar de la CIE.
28
903.3 Y
n
16 si
Y
> 0.008856
Yn
Y
si
0.008856
Yn
X
a* = 500
X n
1/ 3
Y
Yn
(2.28)
1/ 3
(2.29)
29
Y
b* = 200
Yn
1/ 3
Z
Zn
1/ 3
(2.30)
donde [Xn,Yn,Zn] se corresponde con el blanco de referencia, definido a partir de (2.23) con
RGB=[1,1,1]. L* se representa en un rango de valores [0,100], mientras que a* y b* oscilan en
[-60, 60]. La conversin inversa se presenta a continuacin:
3
L * +16
Y =
Yn
116
(2.31)
1/ 3
a * Y
X =
+
500 Yn
b * Y
+
Z =
200 Yn
X n
1/ 3
(2.32)
Z n
(2.33)
La distancia perceptual o diferencia de color entre dos coordenadas del espacio L*a*b*,
(L*1,a*1,b*1) y (L*1,a*2,b*2) se define como E y se calcula por norma eucldea:
E Lab =
(2.34)
(a)
(b)
(c)
30
En la figura 2.28 se muestran los histogramas de las componentes de color L*, a* y b*.
En particular, los valores del histograma del canal a* reflejan una composicin ms roja que
verde, mientras que del histograma del canal b* se distingue una seal ms amarilla que azul.
(a)
(b)
(c)
Figura 2.28. Histogramas de seales L* (a) a* normalizada (b) y b* normalizada (c) de la imagen en color
de Lenna.
(a *)2 + (b *)2
b*
*
= arctan
H ab
a *
(2.35)
(2.36)
31
*
C ab
L*
(2.37)
2.6.6 YIQ,YUV
Los modelos de color YIQ, YUV son los empleados actualmente en la radiodifusin de la seal
de televisin. Tienen su origen en una recodificacin del sistema RGB para responder a una
caracterstica de la visin humana, ms sensible a los cambios de luminancia que a las
modificaciones en matices o saturaciones. La reformulacin del modelo RGB logra una
32
(2.38)
0.587
0.114 R
Y 0.299
U = 0.147 0.289
0.436 G
V 0.615 0.515 0.100 B
(2.39)
Para obtener los valores de RGB a partir de YIQ o YUV slo hay que calcular las
inversas de las matrices de transformacin anteriores. En representacin discreta, la seal Y se
distribuye en [0,255], mientras que la cromaticidad puede oscilar en [-160, 160].
Los sistemas YIQ y YUV tambin admiten representacin cilndrica. El nuevo sistema
se identifica como YSH, donde S se corresponde con la saturacin y H con el matiz. Valores
numricos de matiz y saturacin pueden calcularse por:
Q
H YIQ = tan 1
I
(2.40)
SYIQ = ( I 2 + Q 2 )
(2.41)
(a)
(b)
(c)
(a)
(b)
(c)
Figura 2.31. Histogramas de los mapas Y (a), I (b) y Q (c) de la imagen cromtica Lenna.
34
35
1
H = cos
(R G )2 + (R B )(G B )
1
[(R G ) + (R B )]
2
(2.42)
donde si B>G, entonces H=360-H. El valor del matiz es un nmero entero en rango [0,360].
Existen otras transformaciones de RGB a H en la literatura. En [Kender, 1976] se
propone una transformacin rpida evitando operaciones de races cuadradas. En [Bajon, 1986]
las frmulas carecen de funciones trigonomtricas.
El clculo de la variable de saturacin S es ms sencillo que el realizado para el matiz:
S = 1 3
min(R, G, B)
R+G+B
(2.43)
R+G+ B
3
(2.44)
max(R, G, B) min(R, G, B)
max(R, G, B)
(2.45)
sino S = 0
V = max(R, G, B)
(2.46)
El modelo HLS, [Foley,1982] adquiere estructura de doble cono, en el que los colores
pierden valor de saturacin no slo cuando se oscurecen, sino tambin cuando se aclaran. En el
mximo y mnimo valor de luminancia la saturacin es nula. Se deduce que el valor de la
saturacin depende de la luminancia presente en la tripleta RGB:
36
(2.47)
(a)
max( R, G, B) + min( R, G, B)
2
(2.48)
(b)
Figura 2.33. Variaciones del modelo general HSI. (a) Espacio HLS. (b) Espacio HSV.
Por las ventajas anteriores, la familia de espacios HSI han demostrado su eficacia en
multitud de aplicaciones de procesamiento de imgenes. En [Demarty, 2000] y [Gordillo, 1985]
se emplea la informacin de saturacin para realizar en la imagen una separacin de objetos
puramente cromticos de los que no lo son. Concretamente, esta utilidad es utilizada en
[Bajon, 1986] para la identificacin de componentes elctricas por cdigo cromtico. El empleo
del matiz y la saturacin en el control de calidad de vegetales se discute detalladamente en
[Gagliardi, 1985]. En [Kay, 1992] se presenta una variacin del proceso anterior para la
clasificacin de frutas por su componente de matiz. El efecto indeseable de los brillos y reflejos
en las imgenes tambin puede evitarse con el uso de la familia de espacios HSI.
37
(a)
(b)
(c)
Figura 2.34. Canales de matiz (a), saturacin (b) e intensidad (c) de HSI para la imagen de Lenna.
38
1993] se intentan integrar todas las caractersticas de la familia de espacios HSI en un nuevo
modelo de color generalizado, conocido como GHLS.
(a)
(b)
(c)
Figura 2.35. Histograma de seales H (a), S (b) y L (c) para la imagen cromtica de Lenna.
39
Espacios de color
Modelos
Caractersticas
Aplicaciones
XYZ
Triestmulos positivos. Clculos colorimtricos.
No uniforme.
Almacenamiento, procesamiento y codificacin.
RGB
Teora tricromtica.
Anlisis de imgenes.
YIQ, YUV No uniformes.
Transmisin en televisin, comprensin.
Sistemas industriales de medida del color.
CIELAB
Uniformes.
Evaluacin en la diferencia de color.
CIELUV
Anlisis de imgenes.
Percepcin humana del color.
HSI
Orientado a usuario.
Multimedia y anlisis de imgenes.
Tabla 2.1. Resumen de caractersticas y aplicaciones de los espacios de color.
40
Captulo 3
Fundamentos de Morfologa
Matemtica
3.1 Introduccin
La descripcin bsica de la Morfologa Matemtica descansa en la teora de conjuntos cuyos
primeros trabajos se deben a Minkowski [Minkowsky, 1897], [Minkowsky, 1901] y Hadwiger
[Hadwiger, 1957], [Hadwiger, 1959]. La continuacin de estos trabajos de investigacin, bajo la
impulsin y reformulacin de Matheron y Serra, se daran posteriormente a conocer bajo la
denominacin de Morfologa Matemtica, como una tcnica no lineal de tratamiento de seales.
La mayor parte de esta teora ha sido desarrollada en el Centre de Morphologie Mathmatique
(CMM) de lEcole des Mines de Paris.
Actualmente, el mbito y alcance de los procesamientos morfolgicos es tan amplio
como el propio procesamiento de imgenes. Se pueden encontrar aplicaciones tales como la
segmentacin, restauracin, deteccin de bordes, aumento de contraste, anlisis de texturas,
compresin, etc. En este captulo se describen nociones bsicas de la Morfologa Matemtica
que sern tiles de repasar, ya que se har referencia a ellas en el procesamiento cromtico. Las
obras [Matheron, 1967], [Matheron, 1975], [Serra, 1981] y [Serra, 1988], contienen en detalle la
definicin de los conceptos bsicos en morfologa a tratar a continuacin.
X = Y ( p X p Y y p Y p X )
(3.1)
X Y ( p X p Y )
(3.2)
X Y = ( p | p X y p Y )
(3.3)
X Y = ( p | p X o p Y )
42
(3.4)
(3.5)
y p Y )
(3.6)
Definicin 3.7. Sean X e Y dos conjuntos pertenecientes al conjunto Z. Para todo elemento xX
e yY, es posible hacer corresponder una suma algebraica x+y. De esta manera se forma un
nuevo conjunto denominado adiccin de Minkowski y denotado por X Y :
X Y = {x + y | x X , y Y }
(3.7)
Definicin 3.8. Dado un conjunto no vaco X, una relacin binaria en X es un orden parcial
si cumple las siguientes propiedades:
x x (reflexiva).
Para cualquier x, y, z X. Un conjunto con una relacin de este tipo ser un conjunto que
presenta un orden parcial y se denotar como (X, ). El conjunto ser totalmente ordenado si
todos los elementos que lo componen son comparables, es decir: x y y x, para cualquier
par (x,y) X [Avellanas, 1990].
Definicin 3.9. Sea (X, ) un conjunto ordenado y SX, un conjunto no vaco de X:
43
Definicin 3.10. Un conjunto ordenado (X, ) es un retculo completo si todos los subconjuntos
de X poseen un nfimo y un supremo.
Definicin 3.11. Sean X e Y dos retculos completos. La relacin f es una anamorfosis si y slo
si f es una biyeccin que conserva el nfimo y supremo:
f ({xi | i I }) = { f ( xi ) | i I }
(3.8)
f ({xi | i I }) = { f ( xi ) | i I }
(3.9)
(3.10)
Invariabilidad a translacin
( X p ) = ( ( X )) p
(3.11)
(X ) = ( x)
44
(3.12)
Conocimiento local
La transformacin morfolgica posee el principio de conocimiento local si para cualquier
conjunto de puntos M, subconjunto del dominio N, la transformacin del conjunto X restringido
al dominio de M, y despus restringido al dominio N, es equivalente a aplicar la transformacin
(X) y restringir el resultado en M:
(X N ) M = (X ) M
(3.13)
Continuidad
En forma resumida, este principio afirma que la transformacin morfolgica no exhibe
ningn cambio abrupto. La nocin de continuidad depende de la nocin de vecindad, es decir,
de la topologa.
Dependiendo del tipo de operacin morfolgica se cumplirn otra serie de propiedades,
como la idempotencia, entensividad, antiextensividad, etc.
3.3.1 Erosin
En teora de retculos, una erosin es una operacin que conmuta con el nfimo. Dado un
retculo completo X, una erosin es una funcin : X X en la que:
( xi ) = ( xi )
i I
i I
(3.14)
45
Y ( X ) = {x | Yx X }
(3.15)
Y (X ) = X s
(3.16)
sY
(b)
(a)
Figura 3.2. Erosin de X por el elemento estructurante Y. Los elementos conectados del conjunto X ms
pequeos que Y son eliminados.
Y ( f ) = ( f s )
sY
(3.17)
Figura 3.3. Elemento estructurante plano de tamao 3x3. El origen del elemento se sita en su centro.
46
Y ( f )( x ) = min f ( x + s )
(3.18)
sY
(a)
(b)
Figura 3.4. Erosin de una imagen binaria mediante un elemento estructurante cuadrado de tamao 3x3.
Y ( f )( x, y ) = min f ( x + s, y + t )
(3.19)
( s, t )Y
(a)
(b)
Figura 3.5. Erosin de una seal unidimensional definida por la funcin f. Elemento estructurante de
tamao 3. El resultado es el mnimo de todos los valores presentes bajo la definicin del elemento
estructurante.
47
Se presenta un caso tpico de minimizacin espacial para una zona de una imagen cuya
representacin en niveles de gris se encuentra esquematizada en la tabla de pixels de la figura
3.6. Para las operaciones morfolgicas el elemento estructurante recorre la ventana seleccionada
de la imagen. En el caso de los bordes y esquinas se ha elegido la aproximacin que asegura que
el origen del elemento estructurante recorre todos los pixels de la ventana elegida. Si el
elemento estructurante es mayor a un pxel y el origen se sita en el centro, en los bordes y
esquinas de la ventana el elemento estructurante acta en menor definicin, al compararse el
valor de un menor nmero de pixels.
34
78
1
87
45
34
67
56
56
64
23
98
197
178
54
98
34
200
11
201
167
165
55
99
33
201
124
223
158
45
54
149
34
1
1
1
34
34
34
54
33
11
11
11
45
45
54
54
33
11
11
9
9
9
10
23
33
33
17
1
1
1
3
23
120
67
17
1
1
1
2
23
56
56
17
1
1
1
2
23
56
56
34
1
1
1
2
23
Figura 3.7. Erosin de una imagen de escala de grises por un elemento estructurante plano bidimensional
de tamao 3x3.
Y ( f )( x ) = min{ f ( x + s ) Y ( s )}
sY
(3.20)
48
(a)
(b)
Figura 3.8. Erosin de una seal bidimensional (imagen) definida por la funcin f. Elemento estructurante
de tamao 3x3. El resultado en cada punto de la imagen es el mnimo de todos los valores presentes bajo
la definicin del elemento estructurante.
n+2
n+1
n
Figura 3.9. Elemento estructurante de volumen de tamao 1x3. El origen del elemento se sita en su
centro en donde el elemento posee un valor de n+1, frente al valor n presente en los dems puntos.
3.3.2 Dilatacin
La dilatacin es la operacin dual de la erosin. En teora de retculos, un operador
: X X se denomina dilatacin en el caso que conmute con el supremo de una coleccin de
valores:
49
( xi ) = ( xi )
i I
(3.21)
i I
Y ( X ) = {x | Yx X 0}
(3.22)
Esta ltima ecuacin puede rescribirse como una unin de conjuntos trasladados. Las
traslaciones vienen definidas por el dominio del elemento estructurante:
Y (X ) = U X s
(3.23)
sY
(a)
(b)
Y ( f ) = fs
sY
(3.24)
Y ( f )( x, y ) = max f ( x s, y t )
( s, t )Y
(3.25)
50
resultado es la seleccin del mnimo valor de todos los presentes bajo la definicin del elemento
estructurante.
(a)
(b)
Figura 3.11. Dilatacin de una imagen binaria mediante un elemento estructurante de tamao 3x3.
(a)
(b)
Figura 3.12. Dilatacin de una seal unidimensional definida por la funcin f. Elemento estructurante de
tamao 3. El resultado es el mximo de todos los valores presentes bajo la definicin del elemento
estructurante.
200
200
201
201
201
197
178
99
201
201
223
223
223
197
178
149
201
201
223
223
223
167
165
149
201
201
223
223
223
158
244
244
230
230
230
123
34
89
244
244
232
232
232
198
198
89
244
244
232
232
232
198
198
89
203
203
Figura 3.13. Dilatacin de una imagen de escala de grises por un elemento estructurante plano
bidimensional de tamao 3x3.
51
(a)
(b)
Figura 3.14. Dilatacin de una seal bidimensional (imagen) definida por la funcin f. Elemento
estructurante de tamao 3x3. El resultado en cada punto de la imagen es el mximo de todos los valores
presentes bajo la definicin del elemento estructurante.
Al igual que ocurre con la erosin, los elementos estructurantes de volumen raramente
se emplean para las dilataciones. El efecto es una intensificacin de la claridad de la imagen de
acuerdo con el valor que posean los puntos del elemento estructurante:
Y ( f )( x, y ) = max { f ( x s, y t ) + Y ( s, t )}
( s, t )Y
(3.26)
Dualidad
La erosin y la dilatacin son operaciones duales con respecto a la complementacin. Esto
significa que una erosin es equivalente a la complementacin de la dilatacin de la imagen
complementada con el mismo elemento estructurante y viceversa, es decir:
Y = C Y C
(3.27)
Crecientes
Las operaciones de erosin y dilatacin son crecientes, respetan el orden presente en la
estructura de retculo. Para dos imgenes f y g:
Si f g ( f ) ( g )
(3.28)
Si f g ( f ) ( g )
(3.29)
Gracias a esta propiedad, las operaciones morfolgicas pueden extenderse del caso
binario a la escala de los grises, puesto que estas ltimas seales pueden expresarse como una
52
suma de imgenes binarias (una superposicin de conjuntos apilados). Cada una de las imgenes
binarias corresponde al conjunto de pixels cuyo nivel de gris es superior a un umbral
determinado. La seal de grises se define como:
f =
t max
CS t ( f )
(3.30)
t =1
donde CSt(f) es la imagen binaria que contiene los pixels con valor en f mayor o igual a t.
El que la erosin y la dilatacin sean crecientes implica que las relaciones de orden
entre los diferentes conjuntos apilados de una imagen sean respetadas por estos operadores. La
erosin y la dilatacin son, pues, invariantes a la descomposicin por umbrales:
Y =
Y =
t max
Y (CS t ( f ))
(3.31)
t =1
t max
Y (CS t ( f ))
(3.32)
t =1
Extensividad y antiextensividad
La operacin de dilatacin es una operacin extensiva. Para la imagen f, f ( f ) . La erosin,
por el contrario, es una operacin antiextensiva: ( f ) f . En general, para elementos
estructurantes que contienen su origen se cumple que:
( f ) f (g )
(3.33)
(a)
(b)
Figura 3.15. Dilatacin y erosin de una seal unidimensional definida por la funcin f. Elemento
estructurante de tamao 3.
53
3.3.4 Residuo
morfolgico
de
transformaciones
elementales:
gradiente
( X ) = ( X ) \ (X )
(3.34)
( X ) = ( X ) ( X )
(3.35)
En el caso de funciones:
Y ( X ) = X \ Y ( X )
(3.36)
Y ( f ) = f Y ( f )
(3.37)
En la figura 3.16.b se muestra el efecto del residuo de gradiente por erosin para una
seal unidimensional f y un elemento estructurante plano Y. El efecto de este residuo en una
seal bidimensional (imagen) se ofrece en la figura 3.17.
El gradiente por dilatacin se define como la diferencia entre una dilatacin por
elemento estructurante Y y la identidad (imagen original):
Y+ ( X ) = Y ( X ) \ X
(3.38)
Y+ ( f ) = Y ( f ) f
(3.39)
En la figura 3.16.c se muestra el efecto del residuo de gradiente por dilatacin para una
seal unidimensional f y un elemento estructurante plano Y. El efecto de este mismo residuo
para el caso de imgenes se visualiza en la figura 3.17.c.
54
Y ( X ) = Y ( X ) \ Y ( X )
(3.40)
Y ( f ) = Y ( f ) Y ( f )
(3.41)
(a)
(b)
(c)
(d)
Figura 3.16. Gradiente de una seal unidimensional definida por la funcin f (a). Elemento estructurante
de tamao 3. Gradiente por erosin (b). Gradiente por dilatacin (c). Gradiente simtrico (d).
55
(a)
(b)
(c)
(d)
Figura 3.17. Gradientes morfolgicos de una imagen. Elemento estructurante de tamao 3x3. Imagen
original (a). Gradiente por erosin (b). Gradiente por dilatacin (c). Gradiente simtrico (d).
56
Y ( f ) = Y ( Y ( f ))
(3.42)
Y ( X ) = U{Y | Y X }
(3.43)
(a)
(b)
Figura 3.18. Apertura morfolgica del conjunto X por el elemento estructurante Y. Eliminacin de objetos
menores en tamao al elemento estructurante. La apertura redondea las convexidades importantes.
57
(a)
(b)
(c)
Figura 3.19. Apertura morfolgica de una seal unidimensional. (a) Seal original f. (b) Erosin de la
seal f por elemento estructurante Y. (c) Dilatacin de la erosin (f) por elemento estructurante Y.
(b)
(a)
Figura 3.20. Filtrado de imagen. Eliminacin de objetos claros mediante apertura morfolgica. (a) Imagen
original. (b) Apertura morfolgica.
Y ( f ) = Y ( Y ( f ))
(3.44)
Y ( X ) = I Y c | X Y c
58
(3.45)
Al igual que la apertura, el cierre de una imagen es independiente del origen del
elemento estructurante. El cierre de un conjunto X por un elemento estructurante con forma de
disco se ilustra en la figura 3.21. El cierre es el espacio descrito por el elemento estructurante
cuando es forzado a estar fuera de los conjuntos.
En el cierre de la seal unidimensional presente en la figura 3.22.a se observa como la
dilatacin une estructuras que la erosin no puede separar. En una imagen de niveles de grises el
cierre morfolgico ayuda a eliminar estructuras oscuras menores en tamao al elemento
estructurante. La dilatacin maximiza los valores de forma que se atenan los objetos oscuros
(figura 3.22.b). La erosin minimiza la seal y slo los elementos no eliminados quedan
presentes en la imagen final (figura 3.22.c). En la figura 3.23 se presenta el efecto del cierre
morfolgico sobre una imagen de grises. Los objetos oscuros quedan sensiblemente atenuados.
(b)
(a)
Figura 3.21. Apertura morfolgica del conjunto X por el elemento estructurante Y. El cierre redondea las
concavidades importantes.
(a)
(b)
(c)
Figura 3.22. Cierre morfolgico de una seal unidimensional. (a) Seal original f. (b) Dilatacin de la
seal f por elemento estructurante Y. (c) Erosin de la dilatacin (f) por elemento estructurante Y: cierre
morfolgico.
59
(a)
(b)
Figura 3.23. Filtrado de imagen. Eliminacin de objetos oscuros mediante cierre morfolgico. (a) Imagen
original. (b) Cierre morfolgico.
Y = C Y C
(3.46)
(3.47)
El empleo de una apertura o un cierre para eliminar objetos no deseados en una imagen
depender del tipo de imagen y del tipo de objetos a eliminar. En presencia de objetos
indeseados con igual tonalidad al resto de estructuras de la imagen, por ejemplo, ruido simtrico
(claro y oscuro) habr que considerar una composicin de aperturas y cierres.
Relaciones de orden
La operacin composicin cierre es una operacin extensiva, mientras que la apertura
morfolgica es antiextensiva. Esto significa que se puede presentar la siguiente relacin de
orden entre la imagen original I y transformaciones:
(3.48)
Crecientes e idempotentes
Las operaciones de apertura y cierre son transformaciones crecientes. Para dos imgenes f y g:
60
Si f g ( f ) ( g )
(3.49)
Si f g ( f ) ( g )
(3.50)
Es posible comprobar que la erosin de una apertura es igual a la erosin del conjunto o
imagen original. La misma propiedad se tiene para la operacin y el cierre:
( ) =
(3.51)
( ) =
(3.52)
( ) =
(3.53)
( ) =
(3.54)
que significa que las transformaciones de apertura y cierre son idempotentes, =,=. La
propiedad de idempotencia es importante en el filtrado de imgenes, al asegurar que la imagen
no sufrir modificaciones por iteraciones de la transformacin.
3.4.4 Top-hat
La transformacin de top-hat [Meyer, 1978], consiste en descubrir aquellas estructuras de la
imagen que han sido eliminadas en el filtrado de apertura o cierre. Con la eleccin de un
elemento estructurante de forma, tamao y orientacin adecuado, es posible filtrar la imagen y
eliminar determinados elementos en la imagen original. Una operacin de diferencia entre el
mapa original y el filtrado aumenta considerablemente el contraste de las zonas eliminadas.
La transformacin de top-hat es el residuo entre la identidad y la apertura morfolgica.
Para el caso de conjuntos y funciones este residuo se define como sigue:
(X ) = X \ (X )
(3.55)
( f ) = f ( f )
(3.56)
Al igual que la apertura, este residuo es una operacin antiextensiva e idempotente, pero
no creciente. Este top-hat se conoce tambin como top-hat por apertura o top-hat blanco, por
destacar los objetos claros que han sido eliminados en la apertura. Que el top-hat por apertura
no sea una operacin creciente es obvio por su definicin. La idempotencia se demuestra
fcilmente, pues:
( ( f )) = f ( f ) ( f ( f ) = f ( f )
(3.57)
61
En la figura 3.24 se ilustra un ejemplo de top-hat por apertura para una seal
unidimensional. Se puede observar como se descubre aquella parte de la seal no eliminada en
la apertura.
(a)
(b)
Figura 3.24. Top-hat por apertura para una seal unidimensional. (a) Seal original. (b) Top-hat por
apertura.
Una operacin dual al top-hat puede definirse como el resido entre un cierre
morfolgico y la imagen original. En este caso, la operacin suele denominarse top-hat por
cierre o top-hat negro, ya que visualiza los objetos oscuros de la imagen original eliminados en
el cierre. Para conjuntos y funciones, este nuevo residuo de top-hat puede definirse como:
(X ) = (X ) \ X
(3.58)
( f ) = ( f ) f
(3.59)
(a)
(b)
Figura 3.25. Top-hat por cierre para una seal unidimensional. (a) Seal original. (b) Top-hat por cierre.
62
(a)
(b)
Figura 3.26. Resultado de Top hat en una imagen de escala de grises. (a) Top-hat por apertura.
(b) Top-hat por cierre.
En [Soille, 1999] se recopilan diferentes ejemplos en donde puede observarse como las
transformaciones de top-hat son muy tiles en el realce de imgenes, en la perfecta deteccin de
objetos cuando la iluminacin en la imagen no es homognea, o en la mejora del contraste.
63
1.
(3.60)
2. = =
(3.61)
(3.62)
(3.63)
Extensin de top-hat
Es posible realizar una extensin de la transformacin bsica de top-hat construyendo un
residuo entre la imagen original y un filtro alterno de apertura y cierre. Por ejemplo, para la
eliminacin de ruido denso y simtrico, una simple apertura no servir para reducir los pixels
oscuros, lo mismo ocurrir con un cierre y los pixels de ruido claros. La composicin del filtro
podr eliminar el ruido de cualquier tonalidad, con lo que el top-hat resultante ser el
residuo:
( f ) = f ( f )
(3.64)
es un -filtro si = ( f )
es un -filtro si = ( f )
64
(3.65)
(3.66)
es un filtro fuerte si = ( f ) = ( f )
(3.67)
es filtro ( f ( f )) g f ( g ) = ( f )
(3.68)
es filtro fuerte f ( f ) g f ( f ) ( g ) = ( f )
(3.69)
(3.70)
(3.71)
M i = i i ... 2 2 1 1
(3.72)
son filtros alternos secuenciales y se forman con una composicin encadenada de aperturas y
cierres, realizadas con un tamao creciente de elemento estructurante. Es necesario tener en
cuenta la forma del elemento estructurante, pues si se trata de elementos cuadrados y el factor o
ndice del filtro es i, los elementos tendrn una altura y anchura de 2i +1. Por ejemplo, N4 sera
una composicin de cierre seguido de apertura con elemento estructurante de tamao 3x3. Al
65
resultado de estos dos filtros se aplicara un cierre y una apertura realizada con elemento
estructurante de tamao 5x5, as sucesivamente, hasta aplicar la ltima apertura con elemento
estructurante de tamao 9x9.
Es fcilmente demostrable que los filtros alternos secuenciales constituyen filtros
morfolgicos. Asimismo, satisfacen las siguiente ley de absorcin:
i j ASF j ASFi = ASF j y ASFi ASF j ASF j
(3.73)
(a)
(b)
Figura 3.27. Eliminacin de ruido impulsivo con filtrado alterno secuencial de tamao 2. (a) Imagen con
ruido impulsivo (15%). (b) Filtrado FAS de tamao 2 y patrn .
Pirmides
La familia de operadores del punto anterior {i} o {i} son considerados como filtros
morfolgicos que emplean, para la transformacin, un elemento estructurante de tamao en
funcin del ndice i, (factor de homotecia). En general, la familia {i} est constituida por una
pirmide de operadores donde cada transformacin i(f) puede ser obtenida desde cualquier
transformacin (f), para 0< i.
Para la pirmide de operadores:
i > 0 v > 0 | i =
66
(3.74)
(a)
(b)
67
(c)
(d)
Figura 3.28. Efecto de pirmide de transformacin morfolgica apertura. (a) Imagen original. (b)
Apertura con elemento estructurante de tamao 3x3. (c) Apertura con elemento estructurante de tamao
5x5. (d) Apertura con elemento estructurante de tamao 7x7.
68
Captulo 4
Morfologa Matemtica en
Color
4.1 Introduccin
Una imagen digital en color es una funcin bidimensional con valor tridimensional:
f :Z2 Z3
(4.1)
en donde cada pxel X=(x,y) est representado por un vector de tres componentes: P=(I1,I2,I3).
El valor de cada una de las componentes depende del espacio de color (RGB, HSI, CIELAB,
YIQ,...) con el que se est visualizando y/o tratando la imagen. La figura 4.1 muestra una
representacin de la imagen cromtica de Lenna en la que cada pxel posee un valor de R, G y
B, dentro del espacio de color RGB.
Figura 4.1. Imagen en color de Lenna representada en modelo RGB. Cada pixel posee un valor de
componente roja, verde y azul.
70
f1 : Z 2 Z : X = ( x , y ) I 1
(R)
(4.2)
f 2 : Z 2 Z : X = ( x, y ) I 2 (G)
(4.3)
f 3 : Z 2 Z : X = ( x, y ) I 3 (B)
(4.4)
(a)
(b)
(c)
Figura 4.2. Imagen en color de Lenna representada en mapas bidimensionales monocromticos I1=R,
I2=G e I3=B.
71
los
modelos
intuitivos
en
Los espacios de color basados en atributos perceptuales de la visin humana son muy atractivos
en procesamiento de imgenes de alto nivel. Sin embargo, estos espacios (HSI, HLS, HSV...)
poseen una serie de particularidades que dificultan el procesamiento. En los siguientes apartados
se tratan detenidamente los inconvenientes principales:
La inestabilidad de la saturacin.
Para la ordenacin del matiz [Hanbury, 2001a] y [Peters II, 1997] emplean una funcin
de distancia entre los valores de matiz y un punto de referencia. En las investigaciones aqu
presentadas se ha adoptado la esta funcin, definiendo el nfimo del conjunto en el valor de
referencia de matiz elegido:
H i H ref si H i H ref
d ( H i , H ref ) =
72
(4.5)
Por la definicin de la distancia, sta podr valer desde 0 a 180 (360/2). El supremo del
conjunto ser el matiz con mxima distancia respecto al valor nfimo. De esta manera, se reduce
el mapa de matices a un mapa de distancias de valor mximo igual a 180 (), lo que permite
representar la indefinicin de tinta en el extremo superior de un dominio de valores comn
[0,255], siendo sta una de las primeras aportaciones de la presente Tesis Doctoral.
Con el concepto de distancia de matiz se logra un orden, con nfimo y supremo, que
permite, a su vez, la identificacin en el propio mapa de matices de las saturaciones nulas. La
figura 4.4 presenta, sobre el crculo de matiz, el cambio de nfimo y supremo en la nueva seal
de distancia de matiz. En la figura 4.4.a se define el matiz de referencia o nfimo en 0, por lo
que el supremo se situar en 180. Un matiz verde de 90 y un matiz violeta de 270 tendrn el
mismo valor de distancia y se considerarn iguales. En la figura 4.4.b se aprecia el cambio de
situacin del matiz de referencia. Ahora, se sita en 135, y el mximo valor de distancia
corresponde al color magenta de 315.
La figura 4.5.a ofrece la imagen cromtica de Colour beans. El mapa original de matiz
(figura 4.5.b) muestra como seales visualmente similares estn fuertemente alejadas en su
representacin numrica. El canal de matiz representa los rojos-anaranjados en 10 o 20,
mientras que los rojos-magenta sobre 350, cuando son colores muy cercanos entre s. La
representacin de distancias de matiz respecto a un nfimo de referencia evita el inconveniente
anterior. Los colores visualmente similares poseen valores de distancia anlogos. En las figuras
4.5.c y 4.5.d se representan los mapas de distancias de matiz para nfimos definidos en 0 y
135, respectivamente. Con valor igual a 255 se manifiestan los pixels de matiz indefinido.
El histograma del mapa de matiz original de la figura 4.6.a refleja la segmentacin en
dos regiones producida de forma artificial por el valor angular del matiz. El nuevo mapa de
distancias con respecto a 0 (figura 4.6.b) soluciona el problema.
La imagen cromtica de Parrots (figura 4.7.a) posee un mapa de matices de buena
calidad aunque presenta discontinuidad en valores de matices visualmente contiguos en la
representacin circular, como son el rojo y el magenta (figura 4.7.b). Las seales de distancia de
matiz respecto a 0 y a 135 se visualizan en las figuras 4.7.c y 4.7.d, respectivamente.
(a)
(b)
Figura 4.4. Establecimiento de nfimo en crculo matiz. (a) Matiz de referencia en 0. (b) Matiz de
referencia en 135.
73
(a)
(b)
(c)
(d)
Figura 4.5. Imagen cromtica de Colour beans y diferentes mapas de matiz. (a) Canal original de matiz.
(b) Mapa de distancias de matiz, nfimo en 0. (c) Mapa de distancias de matiz, nfimo en 135.
(a)
(b)
Figura 4.6. Histograma del canal original de matiz (a) y del mapa de distancias de matiz con respecto al
nfimo establecido en 0 (b).
74
(a)
(b)
(c)
(d)
Figura 4.7. Imagen en color de Parrots y diferentes mapas de matiz. (a) Canal original de matiz. (b)
Mapa de distancias de matiz, nfimo en 0. (c) Mapa de distancias de matiz, nfimo en 135.
75
que posee el espacio cromtico. Para valores RGB de escasa luminancia la saturacin posee
valores elevados. Por ejemplo, la saturacin es 170 para RGB=(1,1,5), cuando la luminancia de
esta coordenada es tan slo 3. Se aprecia en la saturacin una evolucin logartmica que no se
corresponde con la figura bicnica de su representacin. En HSV no se obtiene una mejora de
resultados. El comportamiento de la saturacin no responde tampoco a la interpretacin
geomtrica del modelo pues, por ejemplo, se producen dos saltos de saturacin (0255127)
para slo un cambio de valor en componente acromtica (12). La figura 4.8 ilustra la
oscilacin de los valores de saturacin en espacio polar de HSI, HLS o HSV.
R
I (HSI)
0
0
0
1
1
1
1
0
0
1
1
1
1
1
0
1
2
2
3
4
5
0
0
1
1
1
2
2
0
1
2
2
3
4
5
0
255
255
63
102
127
145
0
0
0
85
127
153
170
0
255
255
127
170
191
204
Tabla 4.1. Relacin entre valores RGB y saturacin en modelos HSI, HLS y HSV.
76
la figura 4.5.a. Se observa como el mapa inicial es inestable, principalmente en el borde de los
objetos (luminancia baja) y en los brillos o reflejos presentes sobre ellos (luminancia alta). El
canal normalizado suaviza la representacin de los objetos, reduciendo las discontinuidades e
identificando claramente las zonas acromticas. El canal de saturaciones (figura 4.9.c) de la
imagen Parrots (figura 4.7.a) tambin mejora cuando es normalizado (figura 4.9.d),
suavizando la representacin de la imagen original.
(a)
(b)
(c)
(d)
Figura 4.9. Mapas de saturaciones originales (a,c) y normalizados (b,d) de las imgenes de Colour beans
y Parrots, respectivamente.
Y ( f i )( x, y ) = min f i ( x + s, y + t )
( s, t )Y
(4.6)
77
donde el nico detalle aparece en la eleccin de la funcin f en la que operar, i[1,2,3]. Veamos
el efecto de la erosin en color, efectuada mediante tratamiento marginal para la imagen de la
figura 4.11.a. Todos los canales son erosionados con un elemento estructurante plano de tamao
3x3.
Figura 4.10. Esquema de procesamiento marginal para tres canales de informacin independientes.
(a)
(b)
Figura 4.11.Erosin de una imagen en color mediante procesamiento marginal de canales RGB. Elemento
estructurante de tamao 3x3. (a) Imagen original. (b) Imagen erosionada.
A primera vista, los resultados observados son bastante coherentes con el significado de
la operacin morfolgica efectuada. Se aprecia una perdida de valor de la seal cromtica en su
conjunto. La imagen parece ms oscura. Sin embargo, si se efecta una operacin de zoom en
una zona determinada de las imgenes original y procesada, se observa como han aparecido
nuevas cromaticidades inexistentes en la imagen original (figura 4.12).
El efecto de nuevas cromaticidades, fenmeno conocido como falsos colores, se debe al
procesamiento individual de cada canal de informacin, lo que provoca, en algunos casos, la
descomposicin de los pxels en la imagen. Se puede observar numricamente este efecto. En la
figura 4.13.a se muestra una seccin de la imagen original en representacin de pixels RGB. El
pxel central de la seccin posee un matiz azulado, definido en componentes
RGB=(51,102,153). La erosin (figura 4.13.b) produce una nueva composicin de valores en el
pxel central (51,102,51) que no est presente en el entorno de vecindad. Visualmente, el pxel
adquiere un matiz verdoso.
78
(a)
(b)
Figura 4.12. Detalle de la erosin de una imagen en color mediante procesamiento marginal. (a) Zoom de
la imagen original. (b) Zoom de la operacin de erosin, aparicin de nuevas cromaticidades.
x1
R
x2
x3
y3 204
153
51
204
153
51
204
153
153
y2 255
204
51
51
102
153
204
153
153
y1 153
153
153
51
102
153
153
160
153
(a)
x1
x2
x3
y3
204
153
51
204
153
51
204
153
153
y2
255
204
51
51
102
51
204
153
153
y1
153
153
153
51
102
153
153
160
153
(b)
Figura 4.13. Detalle numrico del efecto de falsos colores en procesamiento marginal de datos. (a)
Seccin numrica de la imagen en color. (b) Seccin numrica de la imagen erosionada.
Y ( f i )( x) = max f i ( x s, y t )
( s, t )Y
(4.7)
79
Figura 4.14. Detalle de la dilatacin marginal. Efecto de los falsos colores presente, al aparecer
cromaticidades magentas inexistentes en la imagen original.
Figura 4.15. Ejemplo de procesamiento marginal para evitar la aparicin de los falsos colores.
80
Figura 4.16. Esquema de procesamiento vectorial para tres canales de informacin independientes.
(4.8)
(4.9)
Reflexiva: p p, p Xn.
(4.10)
(4.11)
(4.12)
Una relacin binaria en el conjunto X que slo sea reflexiva y transitiva no podr
conocerse como relacin de orden, sino de preorden. Esta consideracin ser importante en
81
(a)
(b)
(c)
(4.13)
(4.14)
(4.15)
(4.16)
82
v Y ( f )( x, y ) = min o f ( x + s, y + t )
(4.17)
( s , t )Y
v Y ( f )( x, y ) = max o f ( x s, y t )
(4.18)
( s, t )Y
83
escalar. Se deduce que este tipo de relacin no es antisimtrica, por lo que se definir
formalmente como un preorden o tal que:
(p = ( x, y , z ), q = ( x' , y ' , z ' )) 3 p q x x '
(4.19)
donde x e x se corresponden con la componente del vector elegida como escalar que define el
ndice de orden para el vector.
En teora, los preordenes no garantizan la unicidad de nfimo o supremo. Por la no
biyectividad de la funcin de preorden o, la inversa de un ndice de orden no es nica. Por
ejemplo, en el caso de procesamiento vectorial sobre una base cromtica RGB y orden por
componente R, los pixels (234,12,18) y (234,128,45) poseen el mismo ndice de orden 234,
cuando no son iguales. En la prctica, un criterio geomtrico resuelve el problema de la
unicidad de nfimo y supremo. [Comer, 1998] elige como supremo, en una dilatacin vectorial,
aquel pxel ms cercano al origen del elemento estructurante. El mismo criterio se sigue para
encontrar el nfimo de la erosin vectorial. En las investigaciones que aqu se presentan se
emplea este mismo mtodo, pues la alternativa, que es tomar el primer o el ltimo mximo
como supremo (en el caso de la dilatacin) o el primer o ltimo mnimo como nfimo (en el caso
de la erosin) provoca mayores movimientos de pixels en la imagen, totalmente innecesarios.
Slo en el caso en el que existan varios candidatos a ser mnimo local (erosin) o mximo local
(dilatacin), por estar a la misma distancia geomtrica respecto al centro del elemento
estructurante, se elige el primero que se seleccion. El recorrido que se sigue en el estudio de la
ventana de vecindad definida por el elemento estructurante se ilustra en la figura 4.19.
84
4.20 muestra la diferencia numrica entre ambos mtodos. Para una seccin de una imagen en
color, representada en valores ISH de intensidad, saturacin y distancia de matiz (figura 4.20.a)
en la erosin, con elemento estructurante plano de tamao 3x3, el mtodo marginal slo
desplaza la intensidad del vector (x3,y3) al origen del elemento estructurante, pues slo esta
seal se est procesando (figura 4.20.b). Sin embargo, en la figura 4.20.c se observa como en la
erosin vectorial el pxel (x3,y3) sustituye por completo al presente en la coordenada (x2,y2),
(mtodo vectorial).
x1
I
y3 120 153
x2
d(H)
51
x3
d(H)
d(H)
121 153
y2
23
167 57
23
168
17
134 153
y1
24
198 153
19
199 153 15
165 153
(a)
x1
I
y3 120 153
x2
d(H)
51
x3
d(H)
x1
d(H)
121 153 51
y3 120 153
x2
d(H)
51
121 153
x3
d(H)
51
d(H)
y2
23
167 57
15
168 61
17
134 153
y2
23
167 57
15
165 153 17
y1
24
198 153
19
199 153 15
165 153
y1
24
198 153
19
(b)
134 153
(c)
85
otro es recomendable efectuar la operacin morfolgica sobre otra base cromtica, por ejemplo
YIQ, L*a*b* HSI, donde la luminancia o intensidad es el canal elegido como fuente de orden.
(a)
(b)
(c)
Figura 4.21. Erosin vectorial mediante preorden por una componente. (a) Erosin dirigida por canal R.
(b) Erosin dirigida por canal G. (c) Erosin dirigida por canal B.
(a)
(b)
(c)
(d)
Figura 4.22. Histograma de intensidades luminosas para: imagen original (a) e imgenes erosionadas por
componente roja (b), verde (c) y azul (d).
86
(a)
Figura 4.23. Procesamiento morfolgico por preorden de intensidad. Imagen erosionada.
Figura 4.24. Histograma de intensidad luminosa para la imagen erosionada con preorden de intensidad.
x2
x3
x1
y3 234
45
51
211
93
81
122
153
153
y2 233
45
57
224
68
61
117
134
153
y1 235
43
51
233
49
63
198
78
78
(a)
x2
x3
y3 234
45
51
211
93
81
122
153
153
y2 233
45
57
224
68
61
117
134
153
y1 235
43
51
233
49
63
198
78
78
(b)
Figura 4.25. Detalle de minimizacin vectorial (a) y maximizacin vectorial (b) para preorden oR .
EE
3X3
5X5
7X7
9X9
27,8
21,9
19,6
18,2
26,9
21,5
19,4
18,2
27,3
20,8
18,6
17,3
27,5
21,9
19,7
18,4
3X3
5X5
7X7
9X9
30,9
25,0
22,4
20,9
30,7
24,9
22,4
21,0
29,6
23,4
20,8
19,2
30,8
24,9
22,3
19,5
(a)
(b)
Tabla 4.2. Porcentajes (%) de seleccin de mejores cotas inferiores (a) en erosin vectorial y mejores
cotas superiores (b) en dilatacin vectorial, para retculos definidos por EE crecientes.
31
31
29
29
B
27
27
25
(%)
(%)
25
23
23
21
21
19
19
17
17
15
15
3x3
5x5
7x7
(a)
9x9
3x3
5x5
7x7
9x9
(b)
Figura 4.26. Evolucin de los porcentajes de nuevos nfimos (a) y supremos (b) seleccionados, por
tamao creciente de elemento estructurante empleado en el preorden de R, G, B e I.
88
(a)
(b)
(c)
Figura 4.28. Crculos matiz con diferente nfimo. (a) Matiz de referencia en 30. (b) Matiz de referencia
en 135. (c) Matiz de referencia en 225.
(a)
(b)
(c)
Figura 4.29. Mapa de distancias de matiz con respecto a matiz de referencia situado en 30 (a), 135 (b) y
225 (c).
89
(a)
(b)
(c)
Figura 4.30. Erosin vectorial por preorden de distancia de matiz. (a) Erosin con matiz de referencia
situado en 30. (b) Erosin con matiz de referencia en 135. (c) Erosin con matiz de referencia en 225.
90
(a)
(b)
(c)
Figura 4.31. Dilatacin vectorial por preorden de distancia de matiz. (a) Dilatacin con matiz de
referencia situado en 30. (b) Dilatacin con matiz de referencia en 135. (c) Dilatacin con matiz de
referencia en 225.
p ( R ) 2 + p(G ) 2 + p( B ) 2 q( R) 2 + q (G ) 2 + q( B ) 2
(4.20)
91
(a)
(b)
Figura 4.32. Medida de distancia para espacios de color RGB (a) y L*a*b* (b).
x1
R
x2
x3
B
(a)
x1
x2
x3
y3 63
61
72
y3 67 65 75
y2 64
71
71
y2 68 74 74
60
70
y1 65 65 72
y1 62
(b)
x1
x2
x3
(c)
Figura 4.33. Valores de distancia para un detalle de la imagen Lenna. (a) Ventana 3x3. (b) Distancia
eucldea sobre RGB. (c) Distancia E sobre L*a*b*.
92
(a)
(b)
(c)
Figura 4.34. Erosin vectorial por medida de distancia sobre modelo RGB (a) y sobre la base L*a*b* (b).
(c) Imagen diferencia entre erosiones vectoriales.
Orden cannico
En la estructura cannica, dos vectores p y q Zn son ordenados empleando la siguiente
comparacin:
(4.21)
en imgenes n=3. Notar que el orden inducido por la comparacin es parcial, por ejemplo, los
vectores (1,2,3) y (3,2,1) no son comparables en la estructura cannica.
En [Serra, 1993] y [Gu, 1995] se ofrece la definicin y una aplicacin concreta de la
estructura de orden cannico para el filtrado morfolgico de imgenes multiespectrales. Es
evidente que el mtodo cannico es muy rgido, pues exige que todas las componentes de un
vector sean menores que o mayores que otro vector. En la figura 4.35 se ilustra el concepto de
orden cannico para un espacio vectorial bidimensional. Un vector de referencia posee valor x
en su primer elemento y valor y en el segundo. Slo los vectores con componentes primera y
segunda mayores al valor de x e y respectivamente, sern mayores que el vector de
referencia (puntos en negro). Asimismo, los vectores cuyas componentes posean un valor menor
o igual a x e y sern vectores menores o iguales al vector de referencia (puntos grises). Se
93
observa como existe una parte del espacio en donde el orden es indeterminado. Esa zona se
corresponder con los vectores no comparables con el vector de referencia (orden parcial).
Figura 4.35. Estructura de orden cannica para vectores bidimensionales. Ambigedad para determinadas
coordenadas espaciales
94
(b)
(a)
Figura 4.36. Erosin vectorial realizada con informacin de preorden de seal R (a) y orden cannico de
seales RGB (b).
EE
RGB
RG
3X3
5X5
7X7
9X9
22,9
17,5
15,9
15,0
25,0
19,3
17,5
16,4
31,1
24,9
22,8
21,6
Tabla 4.3. Porcentajes (%) de seleccin de la mejor cota inferior en la erosiones vectoriales mediante
ordenacin cannica de seales R, RG y RGB.
31
RGB
29
RG
27
(%)
25
23
21
19
17
15
3x3
5x5
7x7
9x9
Figura 4.37. Evolucin de porcentajes (%) de nuevos nfimos seleccionados en erosin vectorial cannica
R, RG y RGB.
De las investigaciones realizadas se deduce que cuando se emplea el modelo HSI como
base de procesamiento se potencian las diferencias visuales entre la ordenacin por una
componente y la norma cannica. La erosin de la imagen de Colour beans por elemento
estructurante 3x3 y ordenacin por intensidad oI ofrece unos resultados visuales bastante
aceptables (figura 4.38.a). La seal se ha erosionado conforme a la intuicin (oscurecimiento de
la imagen). La erosin por ordenacin cannica oHSI ofrece una imagen resultado diferente, que
alberga claras discontinuidades (figura 4.38.b). Esto es debido a que, si bien la ordenacin
95
cannica reduce el nmero de nfimos seleccionados, (14,4% para EE=3x3), los que s son
elegidos son ms dispares que el vector de referencia (origen del elemento estructurante). En la
tabla 4.4 se resumen los datos del experimento. La diferencia en porcentajes del nmero de
nfimos calculados en este modelo es bastante significativa. La evolucin de datos se presenta
en la grafica de la figura 4.39. Segn aumenta el tamao del elemento estructurante disminuye
la deteccin de mejores cotas inferiores.
(a)
(b)
Figura 4.38. Erosin vectorial mediante orden cannico de seal I (preorden por una componte) y orden
cannico de seales HSI.
EE
HSI
IS
3X3
5X5
7X7
9X9
14,4
13,6
13,3
13,0
16,8
15,4
14,9
14,5
30,6
24,1
21,9
20,4
Tabla 4.4. Porcentajes (%) de seleccin de la mejor cota inferior en la erosiones vectoriales mediante
ordenacin cannica de seales I, IS y HIS.
32
HSI
30
IS
28
26
(%)
24
22
20
18
16
14
12
3x3
5x5
7x7
9x9
Figura 4.39. Evolucin de porcentajes (%) de nuevos nfimos seleccionados en erosin vectorial cannica
I, IS y HSI.
96
(a)
(b)
Figura 4.40. Diferencias en la ordenacin lexicogrfica al variar la prioridad de las componentes que
forman el vector. (a) Prioridad en primera componente. (b) Prioridad en segunda componente.
(4.22)
97
donde p(1) se corresponde con la componente del vector p de mayor prioridad, p(2) la
componente de segunda prioridad y p(3) el elemento de menor prioridad.
Es posible efectuar la reduccin a un escalar del orden lexicogrfico [Ortiz, 2000b].
Para valores de componentes en intervalo [0,255] y codificacin de 8 bits, se construye un
nmero de orden de 24 bits, reflejndose la prioridad de las componentes en la posicin que
ocupan en el escalar:
o(p) =
2 h p (3) h +
h=0
15
2 s p ( 2) s 8 +
s =8
23
2i p(1)i 16
(4.23)
i =16
p(1)
..........
p(2)
.......... 0
p(3)
...........
Orden o
p(1)-bits
23 . . . . . . . . . . 16
p(2)-bits
15 . . . . . . . . . . . 8
p(3)-bits
7............. 0
Escalar o(p)
Por la definicin de orden lexicogrfico, los elementos del vector no van a ser tratados
todos por igual y, a priori, se puede deducir que este mtodo de ordenacin va a estar orientado
a espacios de color cuyas componentes cromticas poseen una diferente importancia visual para
la percepcin humana: HSI, HLS, HSV, LCH, L*a*b*, YIQ, etc, [Iwanowski, 1999],
[Ortiz, 2000a]. En estos modelos de color, la luminancia o intensidad es el atributo que mejor
define los objetos y escenas en una imagen. Cabe pensar en este atributo como el elemento de
mayor prioridad para el orden lexicogrfico. Sin embargo, habr ocasiones que el matiz o
saturacin sea un valor determinante en la identificacin de objetos. En general y en imgenes
reales, los operadores morfolgicos basados en orden lexicogrfico con intensidad, luminancia o
valor en primera posicin o prioridad, sern los adecuados para preservar los contornos de los
objetos en la imagen. En situaciones en que los objetos de inters sean altamente coloreados y
de elevada saturacin, los operadores con matiz en primer lugar sern los idneos para
discriminar unos objetos de otros [Hanbury, 2001b]. Es importante recordar que ser el valor de
distancia de matiz, definido en el apartado 4.2, y no el matiz, el que establezca el orden en esos
casos. En cualquier caso, el orden inducido en el mtodo vectorial estar fuertemente
influenciado por la componente prioritaria, pues sta concentrar la decisin de orden en la
98
(a)
(b)
(c)
(d)
Figura 4.42. Imagen sinttica (a) y mapas de distancia de matiz (b), saturacin (c) y luminancia (d).
99
(a)
(b)
(c)
(d)
Figura 4.43. Procesamiento morfolgico vectorial por preorden de distancia de matiz y orden
lexicogrfico. (a) Erosin y (c) dilatacin por EE 9x9 con preorden de distancia de matiz. (b) Erosin y
(d) dilatacin por EE 9x9 con orden lexicogrfico HLS.
(b)
(a)
(c)
Figura 4.44. Erosin vectorial por EE 3x3, con orden lexicogrfico IHS (a), LHS (b) y
VHS (c).
EE
EE
EE
3x3
5x5
7x7
9x9
93,3
94,7
95,6
95,8
5,0
4,0
3,4
3,3
1,6
1,2
0,9
0,7
3X3
5X5
7X7
9X9
93,3
94,5
95,1
95,7
5,0
4,3
3,9
3,5
1,5
1,1
0,9
0,6
3X3
5X5
7X7
9X9
96,3
97,4
97,8
98,2
3,4
2,6
2,2
1,8
0,0
0,0
0,0
0,0
(a)
(b)
(c)
Tabla 4.5. Evolucin del uso de mapas de color (%) en erosin vectorial con ordenacin lexicogrfica
para diferentes tamaos de elementos estructurantes. (a) Ordenacin lexicogrfica IHS. (b)
Ordenacin lexicogrfica LHS. (c) Ordenacin lexicogrfica VHS.
100
I
H
95
90
(%)
(%)
2
85
1
80
3x3
5x5
7x7
9x9
Figura 4.45. Evolucin del uso de seales (%) en ordenacin lexicogrfica IHS para elementos
estructurantes planos y cuadrados de tamao 3x3, 5x5, 7x7 y 9x9. Intensidad en escala [0,100], matiz y
saturacin en escala [0,6]
101
original. Las imgenes procesadas con la informacin HSI, HLS y HSV, son, visualmente, muy
anlogas. En la tabla 4.6 se ofrece la evolucin en la utilizacin de seales para las diferentes
ordenaciones y tamaos de elementos estructurantes.
(a)
(b)
(c)
Figura 4.46. Dilatacin vectorial por EE 3x3, con orden lexicogrfico IHS (a), LHS (b) y
VHS (c).
EE
EE
EE
3x3
5x5
7x7
9x9
92,7
94,0
94,7
95,1
5,4
4,5
3,9
3,7
1,7
1,5
1,3
1,4
3X3
5X5
7X7
9X9
93,4
94,4
95,9
95,3
5,0
4,3
3,9
3,6
1,5
1,1
1,0
0,9
3X3
5X5
7X7
9X9
95,9
96,4
96,7
96,7
3,9
3,5
3,2
3,2
0,0
0,0
0,0
0,0
(a)
(b)
(c)
Tabla 4.6. Evolucin del uso de mapas de color (%) en dilatacin vectorial con ordenacin lexicogrfica
para diferentes tamaos de elementos estructurantes. (a) Ordenacin lexicogrfica IHS. (b)
Ordenacin lexicogrfica LHS. (c) Ordenacin lexicogrfica VHS.
102
Si ( p ( I ) + ) < q ( I )
(4.24)
de este modo, la segunda componente interviene en el orden en cuanto el factor de peso
produzca un aumento de la seal p(I) por encima del valor de q(I). En cualquier caso, siempre se
exigir que la seal original p(I) sea menor o igual de q(I). La segunda componente participar
en la definicin de orden en funcin del valor . Con =0 se tiene un orden lexicogrfico
clsico. Cuando el valor de aumenta, el intervalo de uso de la segunda componente se
incrementa, reducindose, como es lgico, la participacin de la primera seal. La figura 4.47
muestra el empleo del factor en el orden de dos seales p(I) y q(I). Se observa como existen
dos intervalos en los que p(I)(p(I)+)q(I). Slo en esos casos, el orden de los vectores p y q
vendr determinado por el elemento seleccionado con segunda prioridad.
Figura 4.47. Establecimiento de orden por primera o segunda componente en ordenacin lexicogrfica lex con prioridad IHS para HSI.
103
(a)
(b)
(c)
Figura 4.48. Erosin vectorial en base HSI mediante -lex. Elemento estructurante plano y cuadrado de
tamao 3x3. Prioridad IHS con =10 (a), =140 (b) y =255 (c).
(a)
(b)
(c)
Figura 4.49. Erosin vectorial en base HSI mediante -lex. Elemento estructurante plano y cuadrado de
tamao 3x3. Prioridad HIS con =10 (a), =140 (b) y =255 (c).
En la figura 4.50 se presenta la evolucin que siguen las seales empleadas en el orden
lexicogrfico, para la erosin y dilatacin vectorial, cuando vara el factor de peso desde 0 a
255. El primer grfico (figura 4.50.a), muestra el progreso de las seales con prioridad IHS
y HRef=0. Cuando el factor de peso es nulo, la intensidad determina el orden de los pixels en
un 93,4% de los casos, el matiz en un 4,9% y la saturacin en un 1,7%. En las primeras 10
unidades de se produce una fuerte atenuacin del uso de la intensidad, pasando del 93,4% al
67,3%. Esto se debe a que, salvo en la discontinuidad de los bordes, el valor de este atributo
acromtico es muy similar para el conjunto de pixels presentes en el retculo completo. Cuando
el factor llega a 20 unidades la utilizacin de la intensidad desciende en menor magnitud hasta
que alcanza el valor de 120, en donde vuelve a acelerar su cada. Los resultados de la nueva
ordenacin lexicogrfica y prioridad HIS (HRef=0) se presentan en la figura 4.50.b. Los
valores evolucionan de forma ms discreta que el caso anterior, pues el mapa de matices posee
menor definicin que el de intensidades. En los primeros valores de se produce la mayor
modificacin de uso de seal. Inicialmente, el orden se determina con el matiz en el 75,4% de
comparaciones, con la intensidad en un 22,9% y con la saturacin en un 1,57%. Con =20 los
104
porcentajes varan de tal manera que prcticamente igualan el uso del matiz (50,7%) con la
intensidad (45,01%). La dilatacin vectorial no modifica considerablemente la utilizacin de las
seales en -lex IHS (figura 4.50.c) y -lex HIS (4.50.d), respecto a la erosin. La
evolucin sigue mostrando como la primera componente desciende su peso segn aumenta el
valor de .
100
100
90
80
80
70
70
60
60
(%)
(%)
90
50
50
40
40
30
30
20
20
10
10
0
0
0
40
80
12 0
160
20 0
2 40
40
80
(a)
160
200
240
160
20 0
2 40
(b)
100
100
90
90
80
80
70
70
60
60
(%)
(%)
120
50
50
40
40
30
30
20
20
10
10
0
0
40
80
12 0
(c)
160
20 0
2 40
40
80
12 0
(d)
Se puede afirmar que el empleo del orden -lex permite definir una ordenacin
lexicogrfica pseudoautomtica, pues el uso del factor mantiene la decisin de orden en la
primera componente si los pixels vectoriales estn claramente diferenciados por el valor de la
primera seal (a una distancia mayor que definida por el usuario). En caso contrario, la
segunda componente interviene para decidir la ordenacin de los elementos del retculo.
105
Figura 4.51. Espacio de color HSI/HSL. El umbral de saturaciones SUm determina los pixels con matiz
poco significativo. Los pixels con S>SUm poseen matiz significativo.
106
L f , si p L | p ( S ) SUm o
o lex ( L ) = I S
si o
lex ( L) = H I S
(4.25)
(a)
(b)
(c)
Figura 4.52. Procesamiento morfolgico vectorial en base HSI con tratamiento de matiz indefinido. (a)
Imagen original. (b) Erosin vectorial. (c) Dilatacin vectorial.
La tabla 4.7 (a) ilustra el porcentaje de cambio de prioridad (%) por anulacin de seal
de matiz, del orden HIS a el orden IS, para la imagen sinttica anterior. En la erosin
implementada con elemento estructurante 3x3 se realizan ms de un 70% de cambios de
ordenacin, pues el fondo blanco predomina en la escena. Este porcentaje se reduce al 55,8% en
107
la erosin efectuada con elemento estructurante 9x9. En este caso los objetos cromticos
aumentan de forma considerable su definicin en la imagen. Los cambios de orden se
incrementan en la dilatacin segn aumenta el tamao del elemento estructurante, pues los
objetos cromticos van atenundose progresivamente.
El cambio del fondo claro en la imagen anterior a uno oscuro y totalmente acromtico
produce los resultados inversos para las mismas operaciones morfolgicas (figura 4.53). Ahora,
el fondo es nfimo en escala de intensidades, lo que provoca, en la erosin, el aumento de su
definicin. En la dilatacin ocurre lo contrario y los objetos cromticos, al ser ms intensos,
ganan pixels al objeto negro. Los porcentajes de cambio de orden (tabla 4.7.b) en la erosin de
la ltima imagen coinciden con los de la dilatacin de la primera y viceversa.
(a)
(b)
(c)
Figura 4.53. Procesamiento morfolgico vectorial en base HSI con tratamiento de matiz indefinido. (a)
Imagen original. (b) Erosin vectorial. (c) Dilatacin vectorial.
EE
EE
3X3
5X5
7X7
9X9
70,9
66,1
61,1
55,8
70,9
75,3
79,6
83,5
3X3
5X5
7X7
9X9
70,9
75,3
79,6
83,5
70,9
66,1
61,1
55,8
(a)
(b)
Tabla 4.7. Porcentajes (%) de cambios de orden lexicogrfico HIS a IS, por matiz indefinido en el
procesamiento de imagen clara de fondo claro (a) e imagen de fondo oscuro (b).
108
SUm=20 (figura 4.53.e) y SUm=50 (figura 4.54.f). Las erosiones (EE 3x3) efectuadas con
ordenacin vectorial lexicogrfica inicial HIS, considerando los umbrales anteriores, se
ofrecen en las figuras 4.54.g, 4.54.h y 4.54.i. Los pixels marcados en blanco en el mapa de
distancias de matiz provocan el cambio a orden lexicogrfico IS en todos los retculos de los
que formen parte. El cambio de orden lexicogrfico -lex a IS, por valor de SUm, aumenta de
forma logartmica, tal y como puede observarse en la grfica de la figura 4.55. Concretamente,
con SUm=20 el cambio de HIS a IS asciende a un 48% por ciento respecto al 16,5%
inicial. Cuando SUm define un radio de 50 el porcentaje anterior se eleva al 67,8%. Ntese que
esta variacin en el orden -lex es independiente de la operacin morfolgica efectuada, pues
slo depende de la indefinicin de matices bajo la definicin del elemento estructurante.
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i)
Figura 4.54. Erosiones vectoriales en base HSI con ordenacin lexicogrfica inicial HIS. Cambios de
orden por valor de SUm. Mapa de distancias de matiz con SUm=0 (d), SUm=20 (e) y SUm=50 (f). Erosin
vectorial para SUm=0 (g), SUm=20 (h) y SUm=50 (i).
109
100
90
80
70
(%)
60
50
40
30
20
10
0
0
20
40
60
Figura 4.55. Evolucin de cambios de orden lexicogrfico HIS a IS en erosin vectorial (EE 3x3)
por valor de distancia radial SUm, para la imagen cromtica Globos. Escala de saturacin [0,255].
El empleo del orden lexicogrfico permite tratar adecuadamente el problema del matiz
indefinido. En orden cannico (orden parcial), una comprobacin previa de saturaciones nulas
en el retculo anula la seal de matiz como fuente de orden, por lo que en este caso tampoco
surgen inconvenientes. El problema puede presentarse en el preorden por una componente, en el
caso que fuese elegido el matiz como componente de orden.
Otro mtodo de ordenacin vectorial lexicogrfica es el presentado en [Sartor, 200l]. Se
compone un orden hbrido entre distancia y lexicogrfico sobre base RGB. La primera
componente del orden es una distancia eucldea respecto a un pxel de referencia. El resto de
componentes son transformaciones lineales de los elementos R y G. En [Iwanowski, 1999] se
define un orden lexicogrfico lgr-ordering con componente lumnica lum procedente de
diferentes transformaciones lineales de elementos R, G y B en primer lugar, seguida de los
valores de R y G en segundo y tercer puesto, respectivamente.
110
111
(a)
(b)
Figura 4.57. Procesamiento morfolgico vectorial en base RGB con ordenacin por entrelazado de bits.
(a) Erosin vectorial. (b) Dilatacin vectorial.
Orden vectorial
Una componente.
Distancia.
Cannico.
Lexicogrfico
clsico.
Nuevo
lexicogrfico
-lex.
Entrelazado
de bits.
Caractersticas
- Preorden.
- til cuando una nica componente proporciona suficiente
informacin de la escena.
- Preorden.
- Basado generalmente en una medida de distancia eucldea.
- Orden parcial.
- Orden muy rgido. Slo til en componentes simtricas.
- Orden total.
- Adecuado cuando la importancia de las seales en la
informacin de la imagen es diferente.
- Permite el tratar la indefinicin del matiz.
- Orden total.
- Reduce la excesiva participacin de la primera componente
del vector en el orden lexicogrfico clsico.
- Permite tratar la indefinicin del matiz.
- Orden total.
- til cuando se evidencia una simetra entre las componentes
del vector.
Espacios
ptimos
RGB, HSI, YIQ,
CIELAB,
CIELUV.
RGB, CIELAB,
CIELUV.
RGB.
HSI, LCH.
HSI, LCH.
RGB.
Tabla 4.8. Resumen de ordenes vectoriales. Mtodos idneos para espacio HSI (sombreado).
112
Si f o g v ( f ) o v ( g )
(4.26)
Si f o g v ( f ) o v ( g )
(4.27)
siempre y cuando el mismo mtodo de orden o sea el empleado en las operaciones de erosin
y dilatacin vectorial, y en la comparacin de funciones en color: o(f) o(g).
La operacin de dilatacin vectorial es extensiva, por maximizacin espacial mediante
el orden o se logra, en el peor de los casos que o( v ( f )) = o( f ) y, en general,
o( v ( f )) o( f ) . La erosin vectorial es, por minimizacin, una operacin antiextensiva:
o( v ( f )) o( f ) . Se cumple, por tanto:
v ( f ) o f o v ( f )
4.4.4 Residuo
vectorial
de
transformaciones
(4.28)
bsicas:
gradiente
v ( f ) = f v ( f )
(4.29)
de forma similar, el gradiente por dilatacin y el gradiente simtrico tambin son adaptables al
caso cromtico:
v+ ( f ) = v ( f ) f
(4.30)
v ( f ) = v ( f ) v ( f )
(4.31)
113
(a)
(b)
(c)
(d)
Figura 4.58. Ejemplo de gradiente vectorial por erosin de una imagen sinttica. Erosin por elemento
estructurante 3x3 y (a) preorden de distancia de matiz, (b) orden lexicogrfico HIS. Residuo entre
imagen original de la figura 4.42.a y erosin por preorden (c) u orden lexicogrfico (d).
A continuacin se presenta
cmara CCD a color. La imagen
cromticos superpuestos a un fondo
canal de distancia de matiz, con
114
(a)
(b)
(c)
(d)
Figura 4.59. Imagen en color adquirida con cmara CCD. (a) Imagen original. (b) Canal de distancia de
matiz. (c) Mapa de saturacin normalizado. (d) Canal de intensidad.
El gradiente por erosin vectorial, resultado del residuo entre la imagen original y la
erosin vectorial, implementada sta ltima con preorden de distancia de matiz y elemento
estructurante 3x3, identifica el contorno de la mayor parte de los objetos, si bien, el objeto azul
es confundido con el fondo en la mayor parte de su definicin (figura 4.60.a). El empleo del
preorden de intensidad produce unos resultados ligeramente diferentes. La identificacin de
contornos es ms suave que en el caso anterior, pues el mapa lumnico posee mayor definicin.
Sin embargo, parte del objeto cyan es confundido con el objeto amarillo (figura 4.60.b). Los
resultados del gradiente, al introducir la ordenacin lexicogrfica HIS se presentan en la
figura 4.60.c y constituyen otra aportacin de la presente Tesis Doctoral pues su clculo se
realiza con el nuevo mtodo de orden presentado en esta memoria. En este caso, la distancia de
matiz controla la erosin en un 69% de ocasiones, frente al 25,1% de la intensidad y 5,9% de la
saturacin. La mayor deteccin de cambios formas en la imagen es evidente. El mejor
resultado, en cuanto a mayor deteccin de formas se obtiene, sin embargo, cuando se emplea el
orden lexicogrfico clsico IHS, en el que la intensidad decide el nfimo en ms del 83% de
ocasiones (figura 4.60.d). En este caso, los objetos se detectan con alta definicin, muy superior
a la lograda cuando el matiz controlaba la ordenacin. La distancia de matiz interviene en
115
aquellos casos en los que la intensidad permanece constante. De esta manera, se logra identificar
parte del contorno del objeto cyan respecto al objeto amarillo. La saturacin, por su parte,
permite distinguir el objeto azul del fondo.
Una consideracin a tener en cuenta es que, en ocasiones, no es ser til la deteccin
total de cualquier cambio luminoso o espectral en la imagen. En particular, la escena empleada
en el experimento presenta alteraciones de luminosidad en el interior de las formas cromticas.
La seal de matiz no va a detectar los cambios de intensidad en la imagen, por lo que en
aquellas aplicaciones que nicamente deseen detectar estructuras homogneas en color, la
informacin de distancia de matiz ser la nica tenida en cuenta en el procesamiento, mientras
que cuando cualquier cambio en la escena se considere imprescindible, el orden lexicogrfico
IHS se presentar como el ms idneo en esos casos.
(a)
(b)
(c)
(d)
Figura 4.60. Gradientes morfolgicos vectoriales. Gradiente por erosin vectorial realizado con
ordenacin procedente de distancia de matiz (a), intensidad (b), H IS y =0 (c), IHS y =0 (d).
116
combina sumas y restas de operaciones elementales para unir luego los resultados en un escalar
nico que define la magnitud del gradiente:
G( f ) =
1
scale
scale
i2 ( i ( f )) 2 i ( f ) + i ( i2 ( f ))
(4.32)
donde scale es el nmero de canales que forman es espacio cromtico e i especifica el canal en
el que se realiza la operacin.
v ( f ) = v ( v ( f ))
(4.33)
v ( f ) = v ( v ( f ))
(4.34)
El cierre vectorial, del mismo modo que la apertura, es independiente del origen del
elemento estructurante empleado. Asimismo, es creciente, idempotente y mantiene con la
apertura vectorial la siguiente relacin de orden:
o( v ( f )) o( f ) o( v ( f ))
(4.35)
(4.36)
(4.37)
En ambas operaciones hay que considerar que, como en cualquier otro residuo
cromtico por diferencia, la imagen resultado contendr cromaticidades inexistentes tanto en la
imagen original como en la imagen procesada morfolgicamente. En la figura 4.61 se presenta
la imagen cromtica sobre la que se van a calcular los filtros bsicos de apertura y cierre y los
residuos de top-hat. La imagen se corresponde con una captura por cmara CCD de un conjunto
de objetos cromticos (rotuladores) dispuestos sobre un fondo homogneo azul.
117
(a)
(b)
Figura 4.62. Filtrado morfolgico vectorial de apertura (a) y cierre (b). Ordenacin lexicogrfica clsica
IHS.
(a)
(b)
Figura 4.63. Versiones vectoriales del top-hat por apertura (a) y top-hat por cierre (b).
(a)
(b)
Figura 4.64. Eliminacin de ruido impulsivo con filtrado alterno secuencial vectorial de tamao 2. (a)
Imagen cromtica con ruido impulsivo (10%). (b) Filtrado FASv de tamao 2 y patrn v v.
4.5 Conclusiones
En este captulo se ha presentado la extensin de la Morfologa Matemtica a imgenes en color
empleando informacin cromtica de la familia de modelos HSI. Se han comentado las
particularidades de estos espacios cromticos en procesamiento de imgenes, tratndose
adecuadamente el problema del orden e indefinicin del matiz. En cuanto a las estrategias de
ordenacin vectorial se ha realizado un amplio estudio sobre cada una de ellas, situndose el
mtodo lexicogrfico como el que mejor interacciona con el espacio HSI. Sobre esta estrategia
se han presentado los conceptos de retculo orientado a matiz y de retculo orientado a
119
intensidad, como las permutaciones ms idneas de todas las combinaciones posibles de las
seales de modelo cromtico. Para reducir la alta dependencia del mtodo lexicogrfico con la
seal definida como prioritaria se ha desarrollado un nueva versin de ordenacin, conocida
como -lex, en donde el factor de peso permite reducir la alta dependencia del orden con la
componente prioritaria y consigue la transformacin de un retculo lexicogrfico orientado a
matiz a un retculo lexicogrfico orientado a intensidad y viceversa.
Por ltimo, y una vez expuesta la metodologa a emplear en las operaciones
morfolgicas en color, se han comprobado las propiedades de las operaciones. Asimismo, se
han definido los filtros morfolgicos vectoriales bsicos y se han presentado los primeros
residuos cromticos.
120
Captulo 5
Transformaciones
Geodsicas
5.1 Introduccin
El concepto fundamental en el desarrollo geodsico es la conectividad, fuente de multitud de
aplicaciones en procesamiento de imgenes. La conectividad de un conjunto puede ser definida
como sigue: un conjunto es conectado si cada par de elementos pueden ser unidos por un
camino definido por elementos pertenecientes al conjunto. En el caso discreto 2D se puede
definir la conectividad como una vecindad local de pixels adyacentes, en este sentido se tiene,
por ejemplo, la 4-conectividad o la 8-conectividad como vecindades vlidas entre puntos (figura
5.1). El etiquetado de una imagen es una transformacin directamente asociada con la nocin de
conectividad [Rosenfeld, 1966].
(b)
(a)
Z x = {( x, y ) Z , x y f ( x ) = f ( y )}
(5.1)
No existe una restriccin en el tamao de las zonas planas y stas pueden estar formadas
por un nico punto. De esta manera, los valores numricos de las funciones constituyen
particiones en el espacio. En la figura 5.2 se muestran las particiones definidas en los valores de
la funcin f. En este caso, las componentes conectadas son los segmentos con el mismo valor
numrico o cualquier otro punto de la seal.
122
La reduccin de las particiones o las zonas planas de la imagen se realiza por inclusin
de unas en otras [Crespo, 1995]. La figura 5.4 ofrece un ejemplo del resultado de un operador
conexo en una seccin concreta de una imagen numrica de escala de grises. Todos los pixels de
la imagen se incluyen en una zona plana determinada. Inicialmente, se distinguen cuatro zonas
planas en la regin. El operador conexo reduce a dos el nmero de particiones. Notese que
existen dos zonas planas con el mismo valor de intensidad ya que estn ubicadas en regiones
123
diferentes y no estn conectadas. En este ejemplo el operador conexo acta con 4-conectividad.
La transformacin reduce las zonas planas por inclusin.
124
d X ( p , q ) = d X (q , p )
(5.2)
d X ( p, q ) = 0 p = q
(5.3)
d X ( p, s) d X ( p, q) + d X (q, s)
(5.4)
DX
( p ) = {y , d X ( p, z ) }
(5.5)
en donde , es el radio. Cuando este valor aumenta, los discos progresan como frente de ondas
emitidos por la fuente z dentro de X (figura 5.6). La fuente puede ser cualquier conjunto A X.
La teora de la mtrica geodsica para el anlisis de imgenes fue propuesta por Ch.
Lantujoul y S. Beucher en [Lantujoul, 1981]. Enriquecimientos tericos en geodesia se
desarrollan en [Schmitt, 1989].
()
X
( A) = D X
( p), p A
(5.6)
(f1) ( g ) = (1) ( g ) f
(5.7)
125
(f1) ( g ) f
(5.8)
Adems, la dilatacin geodsica es, al igual que la dilatacin clsica, una operacin creciente y
extensiva. Un ejemplo de dilatacin geodsica de seal 1D se proporciona en la figura 5.7. Se
observa como la seal marcador es inferior a la seal mscara (figura 5.7.a). El resultado de
dilatar el marcador con un elemento estructurante de tamao 3 se presenta en la figura 5.7.b. La
dilatacin geodsica del marcador anterior respecto a la mscara suprime los puntos de g
mayores a f. (figura 5.7.c). La mscara frena la dilatacin clsica del marcador.
La dilatacin geodsica de tamao n de una imagen marcador g con respecto a la
imagen mscara f se obtiene mediante iteracin:
(a)
(5.9)
(b)
(c)
Figura 5.7. Dilatacin geodsica de una seal marcador g con respecto a una seal mscara f.
Comparacin con la dilatacin clsica. (a) Seales originales. (b) Dilatacin clsica de g. (c) Dilatacin
geodsica de g respecto a f.
(5.10)
(5.11)
(f0) ( g ) =
g.
(a)
(c)
(b)
Figura 5.8. Erosin geodsica de una seal marcador g con respecto a una seal mscara f. (a) Seales
originales. (b) Erosin clsica de g. (c) Erosin geodsica de g respecto a f.
Ntese que las transformaciones geodsicas en escala de grises son posibles porque
stas son crecientes. Tal y como se coment en el captulo 3 de esta Tesis Doctoral, una imagen
en escala de grises puede descomponerse en una serie de conjuntos definidos por umbrales de f,
cuyos valores oscilan entre 0 y 255. Estos conjuntos satisfacen relaciones de inclusin que son
preservadas al aplicar cualquier operacin creciente en cada uno de los conjuntos.
Un grupo bastante importante de operaciones geodsicas en escala de grises se
presentan con detalle en [Beucher, 1990] y en [Grimaud, 1991].
R f ( g ) = (f n) ( g )
( n)
( n +1)
(5.12)
127
operacin antiextensiva, pues Rf(g)f. La nocin de reconstruccin por erosin para imgenes de
escala de grises se describe detalladamente en [Goetcherian, 1980]. Un ejemplo numrico de
reconstruccin por dilatacin de una seal unidimensional se presenta en la figura 5.9. Cada una
de las dilataciones geodsicas que componen la reconstruccin se realiza a partir de la dilatacin
geodsica de la iteracin anterior. De este modo, el marcador puede ir reduciendo
progresivamente su intensidad en la propagacin bajo la mscara.
El efecto de una reconstruccin por dilatacin de una imagen mscara (figura 5.10)
desde un marcador (figura 5.11.a) se ofrece en la figura 5.11.b. La zona ms luminosa del
marcador g es situada generalmente sobre aquella estructura de la imagen que se desea
reconstruir. A partir del posicionamiento original del marcador, ste va propagndose a lo
largo de la definicin de la mscara f. Siempre se exigir que g sea menor o igual f, por lo que
las sucesivas dilataciones geodsicas de la reconstruccin igualarn o reducirn la luminosidad
de la dilatacin geodsica anterior. En los resultados se observa como la imagen reconstruida
posee menor nmero de zonas planas que la imagen original. El rea de las zonas planas que se
conservan ha aumentado. La simplificacin de la imagen es evidente. La zona de la mscara
sobre la que se sita el marcador es la que conserva la mayor luminosidad, el resto la pierde,
pues la magnitud de la dilatacin geodsica es decreciente.
(a)
(b)
Figura 5.9. Reconstruccin geodsica por dilatacin de la seal f desde la seal g. La reconstruccin se
obtiene por la dilatacin geodsica de tamao 7 del marcador g.
128
(b)
(a)
Figura 5.11. Reconstruccin morfolgica por dilatacin. (a) Imagen marcador. (b) Resultado de la
reconstruccin.
R f (g) = f (g)
(5.13)
siendo la mscara menor o igual que el marcador (f g). Asimismo, la reconstruccin por
erosin de f desde el marcador g es equivalente al complemento de la reconstruccin del
complemento de f, desde el complemento de g:
R f ( g ) = C R Cf (Cg )
(5.14)
129
(a)
(b)
Figura 5.12. Reconstruccin morfolgica por erosin. (a) Imagen marcador. (b) Resultado de la
reconstruccin.
R(n) ( f ) = R f (n) ( f )
(5.15)
(a)
(b)
Figura 5.13. Apertura por reconstruccin de una imagen binaria. (a) Imagen original. (b) Reconstruccin
de la imagen erosionada. En linea discontnua se sealan los objetos eliminados.
R( n) ( f ) = R f ( n) ( f )
(5.16)
Es posible observar la siguiente relacin de orden entre los filtros de apertura y cierre
geodsicos anteriores y los filtros clsicos:
130
R I R
(5.17)
(a)
(b)
(5.18)
con un procedimiento similar es posible detectar e identificar los mnimos regionales. En este
caso, se emplea la reconstruccin por erosin a partir de un marcador que eleva la seal en un
nivel:
MIN ( f ) = R f ( f + 1) f
(5.19)
(a)
(b)
Figura 5.15. Relleno de agujeros. (a) Seales mscara f y marcador g originales. (b) Reconstruccin
geodsica por erosin de la seal f desde la seal g.
Para la eliminacin de brillos lo que interesa es atenuar los mximos locales de una
imagen. El procesamiento idneo en este caso es una reconstruccin por dilatacin que
garantiza la eliminacin de los ascensos lumnicos de las formas y objetos de la imagen. El
marcador puede ser definido como un conjunto de puntos en las posiciones de la mscara que
presentan una intensidad luminosa homognea, libre de brillos. En la figura 5.16 se muestra la
imagen de grises Manzanas que presenta claramente brillos en la superficie de las formas que
132
(a)
(b)
Figura 5.17. Proceso de reconstruccin geodsica. (a) Imagen marcador. (b) Reconstruccin de la imagen
de la figura 5.16 desde el marcador. La imagen permanece libre de brillos.
(5.20)
133
IZ X ( B ) = IZ X ( B)
i =1
(5.21)
(5.22)
que presenta todos los puntos equidistantes (en distancia geodsica) a dos componentes del
conjunto X. En la figura 5.18 se muestra un ejemplo de SKIZ.
Figura 5.18. SKIZ del conjunto X constituido a partir de las zonas de influencia geodsica IZ.
5.5.6 Watershed
En trminos geodsicos el watershed puede definirse como el SKIZ de los mnimos locales de
una imagen:
WS ( f ) = SKIZ f [RMIN ( f )]
(5.23)
134
135
(a)
(b)
Figura 5.21. Segmentacin morfolgica. (a) Watershed original, sobresegmentacin. (b) Watershed
controlado por marcadores.
En [Meyer, 1991] se propone una extensin del algoritmo bsico de watershed que
emplea una imposicin de mnimos procedente de marcadores. Asimismo, en [Beucher, 1993]
se presenta un etiquetado que emplea marcadores para controlar el proceso de inundacin del
watershed. Un ejemplo de segmentacin de texturas usando watershed controlado por
marcadores puede encontrarse en [Jeulin, 1992]. En [Ortuo, 2001] se emplea la capacidad de la
reconstruccin geodsica en la simplificacin de las imgenes para reducir el nmero de
mnimos regionales y evitar as la sobresegmentacin. La aplicacin se centra en imgenes
biomdicas.
En [Soille, 1999] se recopilan una serie de ejemplos que muestran la utilidad de las
transformaciones geodsicas en otras aplicaciones del procesamiento y anlisis de imgenes,
como el relleno de agujeros o la interpolacin geodsica. Asimismo, se detallan nuevos
operadores basados en geodesia, como el top-hat por reconstruccin.
136
v (f1) ( g ) = v (1) ( g ) v f
(5.24)
donde es muy importante que la operacin de mnimo se realice con el mismo mtodo de orden
utilizado en la dilatacin vectorial. De esta manera el resultado no se ve afectado por el
fenmeno de los falsos colores. Una puntualizacin es importante en este sentido, pues la
imagen marcador puede estar formada por tonalidades no existentes en la mscara y viceversa.
La nica exigencia es que g sea menor o igual a f, ( g f g v f = g ). El resultado es una
imagen con colores procedentes del marcador o de la mscara. En escala de grises se da la
misma situacin.
En la dilatacin geodsica, la operacin de mnimo vectorial asegura que:
(1)
o( v f ( g )) o( f )
(5.25)
(5.26)
o( f ( g ) v f ) o( g v f )
(1)
o( v f ( g )) o( g )
(5.27)
(5.28)
(1)
o( v f ( g )) o( v f ' ( g ' ))
(5.29)
(5.30)
137
(n )
o( v f ( g )) o( v
(n)
(g ) v f )
(5.31)
(a)
(b)
(c)
Figura 5.22. Ventana de pixels 3x3. (a) Imagen mscara cromtica. (b) Mapa de intensidad. (c) Mapa de
distancias de matiz respecto a nfimo en 0. Espacio de color HSI.
(a)
138
(b)
(c)
(d)
(e)
(f)
(g)
Figura 5.23. Dilatacin geodsica vectorial de ventana 3x3. EE 3x3 (a) Imagen marcador cromtico.
(b) Relacin de orden de intensidad entre mscara y marcador (sombreado). (c) Relacin de orden de
distancia de matiz entre mscara y marcador (sombreado). Href=0. (d,f) Dilatacin geodsica vect. con
ord. lex. IHS. (e,g) Dilatacin geodsica vect. con ord. lex. HIS.
v (f1) ( g ) = v(1) ( g ) v f
(5.32)
(5.33)
o( v f ( g )) o( f )
(5.34)
139
(5.35)
(5.36)
o( f ( g ) v f ) o( g v f )
(5.37)
(1)
o( v f ( g )) o( g )
(5.38)
(1)
o( v f ( g )) o( v f ' ( g ' ))
(5.39)
(a)
140
(b)
(c)
(d)
(e)
(f)
(g)
Figura 5.24. Erosin geodsica vectorial de ventana 3x3. (a) Imagen marcador cromtico. (b) Relacin de
orden de intensidad entre mscara y marcador (sombreado). (c) Relacin de orden de distancia de matiz
entre mscara y marcador (sombreado). Href=0. (d,f) Erosin geodsica vect. con ord. lex. IHS. (e,g)
Erosin geodsica vect. con ord. lex. HIS.
(5.40)
141
La reconstruccin vectorial por erosin de una mscara en color f desde una imagen
marcador en color g, ambas con el mismo dominio de definicin y o( g ) o( f ) , es igual a la
erosin geodsica vectorial de g con respecto a f hasta la estabilidad:
Rv f ( g ) = v f ( g )
(n)
(5.41)
Rv f ( g ) = C Rv Cf (Cg )
(5.42)
(a)
(b)
142
(a)
143
(b)
(c)
Figura 5.26. Reconstruccin geodsica vectorial por dilatacin. Ordenacin lexicogrfica sobre HSI
controlada por intensidad. (a) Seal original. (b) Imposicin de marcador. (c) Resultado de
reconstruccin.
144
(a)
(b)
(c)
Figura 5.27. Reconstruccin geodsica vectorial por dilatacin. Ordenacin lexicogrfica sobre HSI
controlada por distancia de matiz. (a) Seal original. (b) Imposicin de marcador. (c) Resultado de
reconstruccin.
145
(a)
(b)
(c)
Figura 5.28. Reconstruccin geodsica vectorial por erosin. Ordenacin lexicogrfica sobre HSI
controlada por intensidad. (a) Seal original. (b) Imposicin de marcador. (c) Resultado de
reconstruccin.
146
(a)
(b)
(c)
Figura 5.29. Reconstruccin geodsica vectorial por erosin. Ordenacin lexicogrfica sobre HSI
controlada por distancia de matiz. (a) Seal original. (b) Imposicin de marcador. (c) Resultado de
reconstruccin.
147
(a)
(b)
(c)
(d)
Figura 5.30. Imagen sinttica en color, espacio HSI. (a) imagen cromtica. (b) Mapa de distancia de
matiz. (c) Mapa de saturacin. (d) Mapa de intensidad.
(a)
(b)
(c)
Figura 5.31. Reconstruccin cromtica por dilatacin. (a) Imagen marcador. (b) Propagacin del
marcador en la mscara segn el orden de intensidad. (c) Propagacin del marcador en la mscara segn
el orden IHS.
148
conectividad de las zonas planas de la mscara es desigual al variar el orden vectorial empleado.
Los objetos que poseen un valor de seal mayor que el que se est propagando quedan
invadidos por la tonalidad que progresa en la dilatacin vectorial. La distancia de matiz del
fondo azul en la imagen es mayor que la que presenta el objeto verde, de este modo, el marcador
situado inicialmente en este objeto progresa sin limitacin en el resto de la imagen. El nico
freno se produce en el objeto amarillo, pues su distancia de matiz es menor que la del marcador.
Este resultado sirve para recordar que en la reconstruccin cromtica es fundamental la eleccin
correcta de los ndices de orden y su prioridad, para obtener unos u otros resultados.
(a)
(b)
Figura 5.34. Reconstruccin vectorial por dilatacin de Fig. 5.32 desde el marcador cromtico de la figura
5.33. (a) Reconstruccin guiada por intensidad. (b) Reconstruccin guiada por matiz.
150
(a)
(b)
Figura 5.36. Reconstruccin vectorial por erosin de Fig. 5.32 desde el marcador cromtico de la figura
5.33. (a) Reconstruccin guiada por intensidad. (b) Reconstruccin guiada por matiz.
v (Rn) ( f ) = Rv f v ( n) ( f )
(5.43)
(a)
(c)
(b)
(d)
Figura 5.38. Pirmide de reconstruccin morfolgica. Apertura por reconstruccin vectorial controlada
por -lex IHS, con =5. Elemento estructurante de tamao 3x3 (a), 5x5 (b), 7x7 (c) y 9x9 (d).
152
(a)
(b)
v (Rn) ( f ) = Rv f v ( n) ( f )
(5.44)
46000
44000
42000
40000
38000
36000
34000
32000
30000
0
3x3
5x5
7x7
9x9
11x11
13x13
Figura 5.40. Evolucin del rea de las zonas planas con 8-conectividad en pirmide de reconstrucciones.
153
154
(a)
(b)
(c)
(d)
Figura 5.42. Atenuacin de objetos que tocan el borde. Reconstruccin geodsica vectorial por dilatacin
controlada por -lex IHS (a), y HIS (b). Residuo diferencia entre la imagen original y el retculo
orientado a intensidad (c), y matiz (d).
155
Intensidad
Matiz
Saturacin
100
99
4
98
(%)
(%)
97
96
95
94
93
92
0
1
10
11 12 13
x10 iter.
14
15
16
17
18
19
20
21
22
23
(a)
100
90
80
70
3
(%)
(%)
60
50
40
30
20
10
0
0
1
10
11 12 13
x10 iter.
14
15
16
17
18
19
20
21
22
23
(b)
100
90
80
70
3
(%)
(%)
60
50
40
30
20
10
0
0
1
10
11
12
13
14
15 16
17
18
19
20
21 22
23
x10 it er.
(c)
Figura 5.43. Evolucin de uso de seales I, S, y H en iteraciones de la reconstruccin geodsica vectorial
por dilatacin. Intensidad y distancia de matiz en rango [0,100], saturacin en rango [0,5]. (a) Ordenacin
vectorial -lex, =5. (b) Ordenacin vectorial -lex, =10. (c) Ordenacin vectorial -lex, =20.
156
Matiz
Intensidad
Saturacin
100
90
80
70
3
(%)
(%)
60
50
40
30
20
10
0
0
1
10
11 12 13
x10 it er.
14
15
16
17
18
19
20
21 22 23
(a)
100
12
90
80
70
50
10
(%)
(%)
60
40
30
20
10
0
8
1
10
11
12
13
14
15
16
17
18
19
20
21
22 23
x10 iter.
(b)
Figura 5.44. Evolucin de uso de seales I, S, y H en iteraciones de la reconstruccin geodsica vectorial
por dilatacin (continuacin). Intensidad y distancia de matiz en rango [0,100]. (a) Ordenacin vectorial
-lex, =50. Saturacin en rango [0,5]. (b) Ordenacin vectorial -lex, =100. Saturacin en rango
[8,12].
157
(a)
(b)
(c)
(d)
158
159
Captulo 6
Aplicaciones
6.1 Introduccin
En este captulo se presentan diferentes aplicaciones de la reconstruccin geodsica en color
para el anlisis y procesamiento de imgenes. En particular, las operaciones geodsicas se han
implementado con las dos orientaciones de retculo sobre HSI planteadas en esta Tesis Doctoral:
Captulo 6. Aplicaciones
tipo de clula, de forma que la clula dopaminergica es etiquetada en verde, mientras que la
inmunoreactiva a la calretinina es coloreada en rojo. Se observa la gran cantidad de stas
ltimas, con forma circular e incluso solapadas entre ellas, frente a las primeras, menos
numerosas, presentando agujeros y ramificaciones. La figura 6.2 muestra en detalle los dos tipos
de clulas.
(a)
(b)
Figura 6.2. Detalle de retina de mono. (a) Clulas dopaminrgicas. (b) Clula inmunoreactiva a la
calretinina.
6.2.2 Algoritmo
El algoritmo que se propone para el propsito anterior se divide en cuatro mdulos generales
cuya definicin se corresponde con:
1. Reconstruccin.
2. Filtrado.
3. Separacin de clulas.
4. Gradiente y estadsticas.
161
Reconstruccin
El propsito del primer modulo es la clasificacin de los objetos de la imagen original en dos
tipos de clulas diferentes: rojas y verdes. Por las caractersticas de la imagen, en la que los
objetos de inters son muy luminosos y saturados, se elige para la representacin del color el
modelo HSV (figura 6.3). En el procesamiento se descarta el empleo nico de informacin
acromtica, pues en la imagen los diferentes objetos se identifican ms bien por su matiz. En la
figura 6.4 se aprecia una regin determinada de la imagen original dividida en mapa de matiz
original, en mapa de saturacin y en mapa de valor. Se aprecia como los dos ltimos canales no
distinguen claramente unas clulas de otras. Frente a una umbralizacin manual del mapa de
matiz que slo conseguira los objetos medianamente segmentados, se propone el empleo de
operaciones geodsicas de reconstruccin.
(a)
(b)
(c)
(d)
Figura 6.4. Separacin de una regin de la imagen de retina en mapas HSV. (a) Regin cromtica. (b)
Matiz. (c) Saturacin. (d) Valor.
162
Captulo 6. Aplicaciones
(a)
(b)
(c)
(d)
(e)
Figura 6.5. Detalle de aperturas por reconstruccin de la imagen de retina. (a) Regin de la imagen
original. (b) Erosin vectorial con nfimo de matiz en 0. (c) Erosin vectorial con nfimo de matiz en 90.
(d) Reconstruccin por dilatacin, matiz de referencia en 0. (e) Reconstruccin por dilatacin con nfimo
de matiz en 90.
163
(a)
(b)
Figura 6.6. Reconstruccin de clulas en la imagen de retina. (a) Clulas dopaminrgicas. (b) Clulas
inmunoreactivas a la calretinina.
Filtrado
El mdulo nmero dos constituye la etapa de filtrado del algoritmo. Ahora, cada imagen
resultado del primer modulo es procesada separadamente ya en escala de grises o de forma
binaria. Para eliminar aquellas partculas que por su tamao no pueden ser clulas se emplea un
164
Captulo 6. Aplicaciones
filtro geodsico de apertura por rea. Esta operacin geodsica elimina los objetos que poseen
un rea menor a un determinado umbral, no alterando la forma de las partculas que superan el
rea seleccionada. Para la imagen utilizada el umbral de rea se establece en 30. Los resultados
del filtro de apertura por rea se observan en la figura 6.7. Una operacin de cierre elimina los
posibles huecos o agujeros de las clulas. Esta ltima operacin es muy til para el caso de las
clulas verdes (figura 6.8).
(a)
(b)
Figura 6.7. Filtrado geodsico de apertura por rea. (a) Imagen binaria de clulas rojas. (b) Resultado del
filtro de apertura por rea con umbral de 30.
Separacin de clulas
El tercer mdulo del algoritmo tiene el propsito de separar las clulas que permanecen
conectadas o que se solapan con otras. La segmentacin morfolgica controlada por marcadores
proporciona una poderosa herramienta para resolver este problema. El procedimiento a aplicar
se detalla ampliamente en [Lantujoul, 1982]. El algoritmo implementa la transformacin de
watershed del complemento de la imagen de distancias. Las distancias son calculadas en cada
clula desde su contorno con procedimiento morfolgico (en cada pixel el valor de esta mtrica
se corresponde con el nmero de erosiones que hacen desaparecer el pxel). El mximo local de
la imagen de distancias se emplea como marcador para evitar la sobresegmentacin del
wartershed y separar la zona de influencia de cada clula. En la figura 6.9 se ofrece en detalle
del procedimiento anterior para la separacin de clulas. La distancia respecto al borde de las
165
dos clulas permite la extraccin de mximos locales, cada uno de ellos identifica la presencia
de una clula.
166
Captulo 6. Aplicaciones
Gradiente y estadsticas
Finalmente, en el cuarto y ltimo mdulo del algoritmo se calcula el gradiente morfolgico por
erosin para determinar los contornos de los objetos identificados como clulas. La
superposicin entre el gradiente y una seccin de la imagen original se muestra en la figura
6.13. En las figuras 6.14 y 6.15 se ofrece la segmentacin de las clulas dopaminrgicas y las
inmunoreactivas a la calretinina, respectivamente, de la imagen original.
Diferentes estadsticas pueden calcularse a partir de la identificacin y segmentacin de
las clulas. Un etiquetado de las imgenes segmentadas por gradiente se emplea para contar el
nmero de partculas. El etiquetado proporciona la cantidad de 179 como nmero de clulas
rojas y 2 como nmero de clulas verdes.
167
(a)
(b)
Figura 6.13. Detalle del gradiente calculado en los mapas celulares. (a) Superposicin de gradiente para
clulas rojas. (b) Superposicin de gradiente para clulas verdes.
En la figura 6.16 se resumen las diferentes etapas del algoritmo morfolgico empleado
en esta aplicacin. El algoritmo se divide en los cuatro mdulos que se han comentado
anteriormente.
168
Captulo 6. Aplicaciones
6.2.3 Conclusiones
En esta aplicacin se ha presentado un novedoso algoritmo para el anlisis de imgenes de
biologa celular, en particular, el estudio se ha centrado en imgenes de retinas de monos. Se ha
demostrado la eficacia de la reconstruccin en color para la segmentacin y clasificacin de
objetos, evitando la prdida de definicin de objetos producida por la umbralizacin manual.
Las investigaciones inditas sobre geodesia cromtica aplicadas a la biomedicina han sido
realizadas conjuntamente con el Departamento de Biotecnologa y el Departamento de
Fisiologa, Gentica y Microbiologa de la Universidad de Alicante. Ms detalles sobre el
estudio aqu presentado pueden consultarse en la publicacin [Ortiz, 2002a].
169
ambiental, etc. En todas estas disciplinas, la toma de decisiones parte de imgenes del territorio,
es decir, imgenes areas.
La fotografa area ha experimentado desde aos un importante desarrollo, sin embargo,
las imgenes obtenidas necesitan ser tratadas adecuadamente para poder destacar en ellas los
elementos de inters en cada caso [Yagi, 1992]. En la aplicacin que aqu se presenta se
pretende identificar, en una fotografa area, determinadas zonas de terreno que, tanto en un
entorno urbano, como fuera de l puedan ser clasificadas como pertenecientes a un tipo
especfico de superficie.
El estudio se va a centrar en la imagen area presente en la figura 6.17. En esta
fotografa area se distingue una zona metropolitana estructurada en calles y avenidas, ubicadas
junto a un terreno montaoso. Las zonas de inters en esta investigacin son las que presentan
un matiz rojizo y anaranjado, pues corresponden a terreno rstico de determinado tamao.
Se puede pensar en el tratamiento sobre el canal R, del modelo cromtico RGB, como
solucin vlida en la segmentacin de los objetos de inters. Sin embargo, tal aproximacin no
es til, pues la gran cantidad de objetos claros en la imagen presentan un valor similar en la
componente roja que los terrenos a segmentar. Vase la imagen de la figura 6.18.
Se procede a la descomposicin de la imagen en los canales del espacio cromtico HSI.
En la figuras 6.19.a y 6.19.b se ofrecen los canales de matiz y distancia de matiz (nfimo en 0),
respectivamente. Tal y como se puede observar, el canal original de matiz segmenta
artificialmente los matices rojizos en dos valores numricos claramente diferenciados: rojos
anaranjados, con valores reducidos y rojos violceos, con valores elevados. Se procede, pues,
a normalizar este canal en mapa de distancias. Ahora, las zonas de inters de la imagen se
representan con valores reducidos de matiz. El resto de objetos se distingue por una distancia
cercana al supremo. En esta ltima imagen tambin aparecen puntos de elevado valor,
concretamente son puntos con matiz indefinido, es decir, la seal de matiz no existe en esos
170
Captulo 6. Aplicaciones
pixels. Los canales de saturacin normalizada (figura 6.20.a) e intensidad (figura 6.20.b) no
ilustran una clara diferencia de los objetos a segmentar del resto de formas de la imagen.
(a)
(b)
Figura 6.19. Canal de matiz (a) y distancia de matiz (b) de la imagen area original. Espacio HSI.
ejemplo queda descartada esta opcin de procesamiento por no ser muy eficaz. Un tratamiento
morfolgico puede conseguir segmentar los objetos de inters preservando fielmente sus
contornos.
(a)
(b)
Figura 6.20. Canal de saturacin (a) e intensidad (b) de la imagen area original. Espacio HSI.
(a)
(b)
(c)
Figura 6.21. Umbralizacin del mapa de distancias de matiz. (a) Umbral =30. (b) 20. (c) 10.
6.3.2 Procedimiento
El proceso de identificacin de terrenos en imgenes areas se compone de dos mdulos
principales:
1. Reconstruccin geodsica en color, para simplificar la imagen y destacar unos objetos
cromticos frente a otros.
2. Segmentacin, para extraer los objetos destacados de la reconstruccin.
Como los objetos de inters tienen un matiz rojizo y anaranjado se emplea un mapa de
distancias de matiz con nfimo declarado en 45. El mtodo elegido es una operacin de
172
Captulo 6. Aplicaciones
(a)
(b)
(c)
(d)
173
Figura 6.22. Apertura por reconstruccin geodsica. Erosin vectorial realizada con diferentes tamaos de
elementos estructurantes: 3x3, 7x7, 11x11 y 15x15.
(a)
(b)
174
Captulo 6. Aplicaciones
6.3.3 Conclusiones
En esta aplicacin se ha mostrado la utilidad de la reconstruccin geodsica en la segmentacin
de imgenes areas y constituye otra aportacin novedosa de esta Tesis Doctoral. Los objetos
deseados se han identificado y segmentado de la imagen original con un mtodo robusto
dirigido por la seal de matiz. El empleo del espacio HSI frente a RGB y, ms concretamente,
del mapa de distancias de matiz permite la segmentacin de cualquier objeto cromtico, sea cual
sea su valor de intensidad o saturacin. La simplificacin de la imagen lograda por la pirmide
de operadores morfolgicos destaca fielmente los objetos a segmentar. Estos ensayos han dado
lugar a la elaboracin de una publicacin que est en proceso de revisin [Ortiz, 2002b].
estn capturando, pues su opacidad o reflectancia determinar la magnitud del brillo o reflejo en
su superficie.
La atenuacin o eliminacin de los brillos en una imagen es deseable porque, en un
proceso de segmentacin, el resplandor provoca la falsa de detecciones de regiones, inexistentes
en la imagen original. La figura 6.26 muestra la imagen cromtica de Colour beans afectada
por brillos en gran parte de los objetos presentes en su interior. En esta imagen las formas
brillantes se identifican en su totalidad por su elevada luminancia y en parte de su definicin por
tener saturacin nula o matiz indefinido.
6.4.2 Procedimiento
La indefinicin del matiz no es una caracterstica vlida para identificar los brillos de las
imgenes, pues al contrario de lo que pudiera parecer, gran parte de la regin brillante posee
cromaticidad. El efecto de brillo no reduce al blanco puro la zona cromtica de un objeto.
Adems, la indefinicin del matiz se presenta no slo en el blanco sino en toda la escala de
grises y el negro, por lo que el matiz no debe gobernar ninguna ordenacin vectorial que
pretenda procesar la imagen.
El efecto brillo puede eliminarse al simplificar la imagen en proceso piramidal con
tamao creciente de elemento estructurante y retculo orientado a intensidad IHS (el matiz
de referencia se fija en 0). Una erosin vectorial guiada por la ordenacin lexicogrfica anterior
reduce la definicin de los objetos claros de una imagen. La dilatacin de la erosin anterior
intentar recuperar la forma de los objetos. Sin embargo y como bien es sabido, la recuperacin
no ser exacta, por eso se propone el uso de la dilatacin geodsica que utilice como marcador
la imagen erosionada (libre de brillos) y como mscara la imagen original. La reconstruccin
geodsica garantiza la recuperacin de los objetos erosionados.
En el siguiente ejemplo se ofrece la pirmide de operadores morfolgicos implementada
para la eliminacin total de los brillos de la imagen Colour beans. El resultado de la
reconstruccin geodsica de la imgenes erosionadas, con elementos estructurantes de tamao
creciente, se muestra en la figura 6.27.
176
Captulo 6. Aplicaciones
(a)
(b)
(c)
(d)
(e)
(f)
Figura 6.27. Pirmide de operadores morfolgicos. Erosiones vectoriales realizadas con elementos
estructurantes de tamao 3x3 (a), 7x7 (c) y 9x9 (e). Aperturas geodsicas cromticas implementadas con
elementos estructurantes de tamao 3x3 (b), 7x7 (d) y 9x9 (f).
177
(a)
(b)
Figura 6.28. Proceso de watershed. (a) Watershed en imagen original. (b) Watershed en imagen
simplificada mediante apertura por reconstruccin, EE 9x9.
178
Captulo 6. Aplicaciones
(a)
(b)
Figura 6.31. Reconstruccin geodsica vectorial. (a) Apertura geodsica cromtica realizada con
elemento estructurante de tamao 3x3. (b) Gradiente por erosin de la reconstruccion.
179
(a)
(c)
(b)
(d)
(e)
(f)
(g)
(h)
180
Captulo 6. Aplicaciones
Exista una similitud entre los objetos de la imagen y el elemento brillante. Esta
similitud vendr determinada con el valor del orden definido en el retculo.
6.4.3 Conclusiones
En esta aplicacin se ha demostrado la eficacia de la reconstruccin geodsica en la eliminacin
de los brillos o reflejos de las imgenes cromticas, constituyendo una de las principales
aportaciones de la geodesia en color presentadas en esta Tesis Doctoral. En particular, el uso de
una pirmide de operaciones de reconstruccin sobre el retculo orientado a intensidad logra
atenuar las estructuras brillantes de las imgenes. Por otra parte, se ha comprobado que el
tamao del elemento estructurante es un factor importante en el resultado: los elementos
pequeos no eliminan la totalidad de los brillos y los elementos grandes pueden modificar el
resto de estructuras de la imagen.
6.5 Eliminacin
sobresimplificacin
de
brillos
evitando
6.5.1 Introduccin
En la eliminacin de brillos de la aplicacin anterior se ha comentado que, en presencia de
brillos o reflejos de gran tamao, se exige el uso de elementos estructurante de dimensin,
considerable para su reduccin. El problema surge en la atenuacin y/o eliminacin, por
sobresimplificacin, de otros elementos de la imagen. En esta aplicacin se presenta un
algoritmo para evitar la elevada reduccin de zonas planas de la reconstruccin geodsica en
toda la definicin de la imagen.
En la figura 6.33 se presenta la imagen a emplear en esta aplicacin. La imagen
contiene un transformador elctrico que es afectado en parte de su estructura por un reflejo
brillante de tamao considerable. En particular, el brillo est presente en la estructura rojiza del
181
182
Captulo 6. Aplicaciones
(a)
(b)
(c)
(d)
Figura 6.34. Seleccin de la zona a procesar. (a) Mapa de distancias de matiz. (b) Binarizacin del mapa
de distancias. (c) Resultado del filtro de cierre y apertura empleando elemento estructurante de tamao
7x7. Imagen mscara (d) Operacin AND entre la imagen original y la mscara anterior.
183
en la apertura con erosin vectorial realizada con elemento estructurante cuadrado y de tamao
17x17.
184
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
Captulo 6. Aplicaciones
Figura 6.35. Pirmide de reconstrucciones geodsicas vectoriales. Apertura por reconstruccin geodsica
con elemento estructurante de tamao 3x3 (a), 5x5 (b), 7x7 (c), 9x9 (d), 11x11 (e), 13x13 (f), 15x15 (g) y
17x17 (h).
(a)
(b)
En la figura 6.37 se presenta el esquema que resume todos los pasos y las operaciones
que componen el algoritmo discutido anteriormente.
185
6.5.3 Conclusiones
En esta aplicacin se ha mostrado un algoritmo para la reduccin de brillos o reflejos y que
preserva a su vez los detalles claros de las imgenes que pueden ser confundidos por brillos.
Con el empleo de informacin de color, presente en la seal de matiz, ha sido posible definir
una simplificacin controlada de la imagen, delimitando en stas el rea o seccin sobre la que
aplicar los filtros morfolgicos de reconstruccin. Estos ensayos han dado lugar a la elaboracin
de una publicacin que est en proceso de revisin [Torres, 2002].
186
Captulo 6. Aplicaciones
La imagen que se emplea en este experimento es la imagen en color de Parrots, que ha sido
contaminada con ruido gausiano de varianza igual a 20. La imagen original y ruidosa se
presentan en la figura 6.38.
(a)
(b)
Figura 6.38. Imagen Parrots original (a) y ruidosa (b). Ruido gausiano con =20.
El ruido gausiano cromtico se caracteriza, respecto al ruido impulsivo, por alterar toda la
definicin de la imagen en menor o mayor magnitud. Su efecto se observa en mayor grado en
las regiones homogneas, que pasan ahora a ser totalmente discontinuas
187
(a)
(b)
(c)
(d)
Figura 6.39. Filtrado por reconstruccin geodsica. Apertura por reconstruccin para EE 3x3 (a) y EE 5x5
(c). Cierre por reconstruccin para EE 3x3 (b) y EE 5x5 (d).
(a)
188
(b)
Captulo 6. Aplicaciones
(c)
(d)
(e)
(f)
Figura 6.40. Filtrado por reconstruccin geodsica (continuacin). Apertura por reconstruccin para EE
7x7 (a), EE 9x9 (c) y EE 11x11 (e). Cierre por reconstruccin para EE 7x7 (b), EE 9x9 (d) y EE 11x11.
189
(a)
(b)
(c)
Figura 6.41. Detalle de reduccin de zonas planas en los filtros de apertura por reconstruccin.
(a) Seccin original ruidosa. (b) Filtrado con elemento estructurante 5x5. (c) Filtrado con elemento
estructurante 11x11.
190
Captulo 6. Aplicaciones
(a)
(b)
(c)
(d)
(e)
Figura 6.42. Valor medio de la apertura y el cierre por reconstruccin. Elemento estructurante de tamao
3x3 (a), 5x5 (b), 7x7 (c), 9x9 (d) y 11x11 (e).
191
Se emplea el test del error cuadrtico medio normalizado (NMSE) como medida
cuantitativa para medir la calidad del filtro [Pratt, 1991]. El test de NMSE, para imgenes en
color, se calcula a partir de valores triestmulos RGB [Deng-Wong, 1996]:
NMSE =
(i R ( x, y ) f R ( x, y ) ) + (iG ( x, y ) f G ( x, y ) ) + (i B ( x, y ) f B ( x, y ) )
i R ( x, y ) + i G ( x, y ) + i B ( x, y )
] (6.1)
donde i(x,y) y f(x,y) denotan el valor de las imgenes original y filtrada, respectivamente, en el
punto (x,y).
El test NMSE normalmente se acompaa de otros criterios de evaluacin subjetiva. Tres
factores subjetivos pueden evaluar la calidad de un filtro para la reduccin de ruido:
Atenuacin visual del ruido. En ocasiones, el test NSME no refleja exactamente una
medida de atenuacin del ruido, pues los cambios en contornos pueden elevar su
magnitud aunque en el resto de la imagen se aprecie un descenso en el nivel de ruido.
192
EE
NMSE
3X3
0,0789
Atenuacin
Preservacin
visual de ruido de contornos
Preservacin
de detalles
Captulo 6. Aplicaciones
5X5
7X7
9X9
11x11
0,0775
0,0778
0,0787
0,0809
3
3
4
4
4
3
3
3
3
3
3
3
En relacin a los valores del test NMSE se puede destacar que todos ellos se sitan por
debajo del valor que presenta la imagen ruidosa. El filtro ms ptimo, segn el test NMSE, es el
que emplea, en las operaciones morfolgicas vectoriales, un elemento estructurante de tamao
5x5. En cuanto a la evaluacin subjetiva de la calidad del filtro, la atenuacin visual del ruido
mantiene una relacin inversamente proporcional a la preservacin de contornos o detalles.
Concretamente, la mejor atenuacin visual del ruido es aquella resultado de filtrar la imagen con
un tamao de elemento estructurante elevado, mientras que la preservacin de estructuras se
consigue con elementos estructurantes reducidos.
6.6.3 Conclusiones
En esta aplicacin se ha presentado un algoritmo para la eliminacin de ruido gausiano en
imgenes cromticas que incluye como aportacin novedosa, las operaciones geodsicas de
reconstruccin en color. El mtodo geodsico de reduccin de ruido ha demostrado su eficacia
para nivel de ruido gausiano de varianza 20. En los experimentos realizados se lograron mejores
resultados para varianzas ms reducidas, concretamente 10 y 15. En concentraciones de ruido
superiores en varianza a 40 la calidad en la reconstruccin de la seal decae sensiblemente, pues
la simplificacin proporcionada por la reconstruccin extiende zonas planas de diferencia
cromtica elevada lo que provoca que la salida del algoritmo no sea tan ptima como para
concentraciones de ruido inferiores.
193
Captulo 7
Conclusiones
7.1 Introduccin
En este ltimo captulo se describen los resultados y conclusiones de las investigaciones
realizadas y que han sido presentadas a lo largo de este documento, desde el captulo segundo,
hasta el captulo sexto. Asimismo, se ofrecen diferentes perspectivas sobre los trabajos futuros a
desarrollar en los prximos aos sobre el mismo tema objeto de estudio en la presente Tesis
Doctoral.
194
Captulo 7. Conclusiones
195
196
Apndice A
Contenido del CD
A.1 Introduccin
En este apndice se detalla el contenido del disco compacto que acompaa al documento escrito
de la presente Tesis Doctoral. El CD alberga el software de investigacin experimental Visual
[Candelas, 2001], con las operaciones de procesamiento morfolgico cromtico desarrollas por
el autor de esta memoria. Asimismo, en el disco compacto se han recopilado todas las imgenes
en color, originales y procesadas, comentadas y presentes en los captulos cuarto, quinto y sexto
de este documento.
visual.exe.
o
Esquemas.
o
Imgenes.
o
Mdulos.
o
198
figura4-5a.bmp ........... 74
figura4-11b.bmp ......... 78
figura4-7a.bmp........... 75
figura4-12a.bmp......... 79
figura4-12b.bmp ......... 79
figura4-21b.bmp ......... 86
figura4-27.bmp ........... 89
figura4-30c.bmp ......... 90
figura4-31c.bmp ......... 91
figura4-34c.bmp ......... 93
figura4-38a.bmp ......... 96
figura4-43a.bmp ......... 100
figura4-43d.bmp ......... 100
figura4-44c.bmp ......... 101
figura4-46c.bmp ......... 102
figura4-48c.bmp ......... 103
figura4-49c.bmp ......... 104
figura4-52c.bmp ......... 107
figura4-53c.bmp ......... 108
figura4-54f.bmp.......... 109
figura4-54i.bmp.......... 109
figura4-58a.bmp ......... 114
figura4-58d.bmp ......... 114
figura4-59c.bmp ......... 115
figura4-60b.bmp ......... 116
figura4-61.bmp ........... 118
figura4-63a.bmp ......... 119
figura4-64b.bmp ......... 119
figura4-14.bmp ........... 80
figura4-21c.bmp ......... 86
figura4-30a.bmp ......... 90
figura4-31a.bmp ......... 91
figura4-34a.bmp ......... 93
figura4-36a.bmp ......... 95
figura4-38b.bmp ......... 96
figura4-43b.bmp ......... 100
figura4-44a.bmp ......... 101
figura4-46a.bmp ......... 102
figura4-48a.bmp ......... 103
figura4-49a.bmp ......... 104
figura4-52a.bmp ......... 107
figura4-53a.bmp ......... 108
figura4-54d.bmp ......... 109
figura4-54g.bmp ......... 109
figura4-57a.bmp ......... 112
figura4-58b.bmp ......... 114
figura4-59a.bmp ......... 115
figura4-59d.bmp ......... 115
figura4-60c.bmp ......... 116
figura4-62a.bmp ......... 118
figura4-63b.bmp ......... 119
figura4-21a.bmp......... 86
figura4-23.bmp........... 87
figura4-30b.bmp......... 90
figura4-31b.bmp......... 91
figura4-34b.bmp......... 93
figura4-36b.bmp......... 95
figura4-42a.bmp......... 99
figura4-43c.bmp......... 100
figura4-44b.bmp......... 101
figura4-46b.bmp......... 102
figura4-48b.bmp......... 103
figura4-49b.bmp......... 104
figura4-52b.bmp......... 107
figura4-53b.bmp......... 108
figura4-54e.bmp......... 109
figura4-54h.bmp......... 109
figura4-57b.bmp......... 112
figura4-58c.bmp......... 114
figura4-59b.bmp......... 115
figura4-60a.bmp......... 116
figura4-60d.bmp......... 116
figura4-62b.bmp......... 118
figura4-64a.bmp......... 119
figura5-30c.bmp......... 147
figura5-31b.bmp......... 147
figura5-33.bmp........... 148
figura5-35.bmp........... 149
figura5-37.bmp........... 151
figura5-38c.bmp......... 151
figura5-39b.bmp......... 152
figura5-42b.bmp......... 154
figura6-2b.bmp........... 161
figura6-4c.bmp........... 162
figura6-5b.bmp........... 163
figura6-5e.bmp........... 163
figura6-13.bmp........... 168
figura6-15.bmp........... 168
199
200
figura6-22a.bmp......... 173
figura6-22d.bmp......... 173
figura6-27b.bmp......... 177
figura6-27e.bmp......... 177
figura6-28b.bmp......... 178
figura6-32a.bmp......... 180
figura6-32g.bmp......... 180
figura6-35a.bmp......... 184
figura6-35d.bmp......... 184
figura6-35g.bmp......... 184
figura6-36b.bmp......... 184
figura6-39a.bmp......... 187
figura6-39d.bmp......... 187
figura6-40c.bmp......... 188
figura6-40f.bmp ......... 188
figura6-41c.bmp......... 189
figura6-42c.bmp......... 190
figura6-42f.bmp ......... 190
Apndice B
Recursos en la red
B.1 Introduccin
En este apndice se presentan algunos recursos en la red sobre Morfologa Matemtica.
Generalmente son pginas web mantenidas por universidades o personal investigador sobre
procesamiento morfolgico. Aqu slo se han destacado los recursos ms relevantes para este
autor. En el interior de los sitios que se listan es posible encontrar otros enlaces de inters
sobre Morfologa Matemtica.
http://cmm.ensmp.fr
o
http://cmm.ensmp.fr/~beucher/wtshed.html
http://www.cwi.nl/projects/morphology
o
http://www.cwi.nl/projects/morphology/
o
202
Apndice B
http://www.dca.fee.unicamp.br/projects/khoros/mmach/tutor/mmach.html
o
http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip.html
o
http://dynamo.ecn.purdue.edu/~ace
o
http://gps-tsc.upc.es/imatge/_Philippe/Philippe.html
o
http://dns.inf.ufsm.br/~ornellas
o
http://web.ukonline.co.uk/soille/
o
http://www.dai.ed.ac.uk/CVonline/transf.htm
o
http://www.umr.edu/~bunyak/vision/morph.htm
o
203
Bibliografa
[Astola, 1990] Astola, J., Haavisto, P., Nuevo, Y. (1990). Vector median filters. Proceedings of
the IEEE, 78 (4), pp. 678-689.
[Avellanas, 1990] Avellanas, M., Lodares, D. (1990). Matemtica Discreta. Ed. Ra-ma. Madrid.
[Bajon, 1986] Bajon, J. (1986). Identification of multicoloured objects using a vision module.
Proceedings of the 6th RoViSeC, pp. 21-30.
[Barnett, 1976] Barnett, V. (1976). The ordering of multivariate data. Journal of the Statistical
Society of America A, 139 (3), pp. 318354.
[Belndez, 1996] Belndez, A. (1996). Fundamentos de ptica para Ingeniera Informtica,
Servicio de Publicaciones de la Universidad de Alicante.
[Belhomme, 1997] Belhomme, P., Elmoataz, A., Herlin, P., Bloyet, D. (1997). Generalized
region growing operator with optimal scanning: application to segmentation of breast
cancer images. Journal of Microscopy, Vol. 186, pp. 41-50.
[Beucher, 1977] Beucher S., Meyer, F. (1977). Mthodes danalyse des contrastes lanalyseur
de textures. Tech. Report CMM N-625. cole des Mines de Paris.
[Beucher, 1979] Beucher, S., Lantuoul, C. (1979). Use of watershed in contour detection. Proc.
International Workshop on Imae Processing, Real-Time Edge and Motion
Detection/Estimation. Rennes.
[Beucher, 1990] Beucher, S. (1990). Segmentation dimages et morphologie mathmatique.
Thse, cole des Mines de Paris.
[Beucher, 1993] Beucher, S., Meyer, F. (1993). The morphological approach to segmentation:
the watershed transformation. E. Dougherty, ed. Mathematical morphology in image
processing. Cap. 12, pp. 433-481.
[Candelas, 2001] Candelas, F. (2001). Extensin de tcnicas de planificacin espacio-temporal
a sistemas de visin por computador. Tesis Doctoral. Escuela Politcnica Superior de
Alicante. Universidad de Alicante.
[Casas, 1994] Casas, J. (1994). ptica. Librera General, Zaragoza.
[Celenk, 1990] Celenk, M. (1990). A color clustering technique for image segmentation.
Computer Vision, Graphics and Image Processing, 52, pp. 145-170.
[Comer, 1999] Comer, M., Delp, E. (1999). Morphological Operations for Colour Image
Processing, Journal of Electronic Imaging, 8, pp. 279-289.
[Crespo, 1995] Crespo, J., Serra, J., Schafer, R., (1995). Theorical aspects of morphological
filters by reconstruction, Signal Processing, 47, pp. 201-225.
[Chanussot, 1998a] Chanussot, J. (1998). Approches Vectorielles ou Marginales pour le
Traitement dImages Multicomposantes. Thse. E.I.S.A. Universidad de Savoie.
206
Bibliografa
[Chanussot, 1998b] Chanussot, J, Lambert, P. (1998). Total ordering based on space filling
curves for multivalued morphology. In: Proceedings of the 4th International
Symposium on Mathematical Morphology and its Applications, Amsterdam, Nederland,
pp. 51-58.
[dOrnellas, 2000] dOrnellas, M., Boomgaard, R. (2000). A Morphological Multi-scale
Gradient for Color Image Segmentation. International Symposium on Mathematical
Morphology ISMM2000. Palo Alto (CA),USA.
[dOrnellas, 2001] dOrnellas, M. (2001). Algorithmic Patterns for Morphological Image
Processing. PhD. Thesis. Universiteit van Amsterdam.
[Dai, 1996] Dai, Y., Nakano, Y. (1996). Face-texture model based on SGLD and its application
in face detection in color scene. Pattern Recognition, 29 (6), pp. 1007-1017.
[De Boeck, 1990] De Boeck, W. (1990) Aplicacin de la Colorimetra a la Televisin en Color.
Publicaciones del Instituto Oficial de Radio y Televisin, (R.T.V.E.), Madrid.
[Demarty, 200] Demarty, Claire-Hlne. (2000). Segmentation dun document vido pour la
caractrisation et lindexation, son contenu smantique: Application aux journaux
televises. Thse. cole des Mines de Paris.
[Deng-Wong, 1996] Deng-Wong, P., Cheng, F., Venetsanopoulos, A. (1996). Adaptive
Morphological Filters for Color Image Enhancement. Journal of Imtelligent and
Robotic System, 15, pp. 181-207.
[Elmoataz, 1996] Elmoataz, A., Belhomme, P., Herlin P., Schupp, S., Revenu, M. (1996).
Automated segmentation of cytological and histological images for the nuclear
quantification: And adaptative approach based on Mathematical Morphology.
Micrososc. Mircoanal. Microstruct. Vol. 7, pp. 331-337.
[Fairchild, 1998] Fairchild, M. (1998). Color Appearance Models, Addison Wesley.
[Fernndez, 1994] Fernndez, J. (1994). Desarrollo de tcnicas y operadores morfolgicos:
aplicacin al procesamiento y anlisis de imgenes en Cardiologa. Tesis Doctoral.
Facultad de Ciencias. Universidad Nacional de Educacin a Distancia.
[Ferri, 1992] Ferri, F., Vidal, E. (1992). Colour image segmentation and labelling through
multiedit-condensing. Pattern Recognition Letters, 13 (8), pp. 561-568,
[Foley, 1982] Foley, J., van Dam, A. (1982). Fundamentals of Interactive Computer Graphics,
The Systems programming series. Addison Wesley.
[Gagliardi, 1985] Machine vision applications in the food industry, Proceedings Vision85
Conference, Detroit, MI, pp. 524-538.
[Gilabert, 1992] Gilabert, E. (1992). Medida del Color, Servicio de Publicaciones de la
Universidad Politcnica de Valencia.
207
[Goetcherian, 1980] Goetcherian, V. (1980). From binary to grey tone image processing using
fuzzy logic concepts. Pattern Recognition, 12, pp. 7-15.
[Gonzlez, 1993] Gonzlez, R., Woods, R. (1993). Digital Image Processing. Addison-Wesley.
[Gordillo, 1985] Gordillo, J. (1985). Colour representations for a vision machine. Proc. 2nd
International Conf. on Machine Intelligence, London, pp. 375-385.
[Grimaud, 1991] Grimaud, M. (1991). Godsie numrique en morphologie mathmatique.
Application la dtection automatique de microcalcifications en mammographies
numriques. Thse. cole des Mines de Paris.
[Gu, 1995] Gu, C. (1995). Multivalued morphology and segmentation based coding. PhD.
Thesis. cole Polytechnique Fdrale de Lausanne.
[Hadwiger, 1957] Hadwiger, H. (1957). Vorlesungen ber Inhalt, Oberflche und Isoporimetrie.
Springer.
[Hadwiger, 1959] Hadwiger, H. (1959). Normale kper im euklidischen raum und ihre
topologishen und metrischen eigenschaften. Math. Zeitschr, 71, pp. 124-149.
[Hall, 1981] Hall, R. (1981). Illumination and Color in Computer Generated Imagery. Springer
Verlag, New York.
[Hanbury, 2001a] Hanbury, A., Serra, J. (2001). Morphological operators on the unit circle.
IEEE Transactions on Image Processing, 10 (12), pp. 1842-1850.
[Hanbury, 2001b] Hanbury, A. (2001). Lexicographical Order in the HLS Colour Space.
Technical Report N-04/01/MM. Centre de Morphologie Mathmatique. cole des
Mines de Paris.
[Hanbury, 2001c] Handbury, A. (2001) Vectorial orders. Technical Doc. Centre de Morphologie
Mathmatique. cole des Mines de Paris.
[Hanbury, 2001d] Hanbury, A., Serra, J. (2001). Mathematical Morphology in the L*a*b*
Colour Space. Technical report N-36/01/MM. Centre de Morphologie Mathmatique.
cole des Mines de Paris.
[Hecht, 1988] Hecht, E., Zajac, A. (1988). ptica. Addison Wesley. Mxico.
[Hsu, 1994] Hsu, C., Kuo, C. (1994). Image compression using multiresolution morphological
decomposition. Proc. SPIE. Image Algebra and Morphological Image Processing, Vol.
2300, pp. 90-101.
[Iwanowski, 1999] Iwanowski, M., Serra, J., (1999). Morphological Interpolation and Color
Images. Proc. of: 10th International Conference on Image Analysis and Processing
ICIAP'99, Venice, Italy, pp. 50-55.
208
Bibliografa
[Jeulin, 1992] Jeulin, D., Kurdy, M. (1992). Directional mathematical morphology for oriented
image restauration and segmentation. Proc. Acta Stereologica, Vol. 11, pp. 545-550.
[Jochems, 1994] Jochems, T. (1994). Morphologie mathmatique applique au contrle
industriel de pices coules. Thse. coles des Mines de Paris.
[Kay, 1992] Kay, G., De Jager, G. (1992). A versatile colour system capable of fruit sorting and
accurate object classification. Proceedings of COMSIG92, Cape Town, pp. 145-148.
[Kender, 1976] Kender, J. (1976). Saturation, hue, and normalized color; calculation,
digitisation effects, and use, Technical report, Carnegie-Mellon University, Pittsburgh.
[Koschan, 1997] Koschan, A. (1997). Segmentation of Color Images for the Minimization of
Interreflections. Proc. 4th International Workshop on System, Signals and Image
Processing. Poznan, Poland, pp. 191-194.
[Kurdy, 1989] Kurdy, M. Jeulin, D. (1989). Directional mathematical morphology operations,
Proc. Acta Stereologica, Vol. 8/2, pp. 473-480.
[Lambert, 1999] Lambert, P. (1999). Pretraitements des images couleur. Proc. cole dt
Images couleur. Univ. Saint Etienne.
[Lammens, 1994] Lammens, J. (1994). A Computational Model for Color Perception and Color
Naming. PhD. Dissertation. State University of New York at Buffalo, NY.
[Lantujoul, 1978] Lantujoul, C. (1978). La squelettisation et son apllication aux measures
topologiques des mosaques polycristallines. Thse. cole des Mines de Paris.
[Lantujoul, 1981] Lantuoul, C., Beucher, S. (1981). On the use of geodesic metric in image
analysis. Journal of Microscopy, 121, pp. 39-49.
[Lantujoul, 1982] Lantuoul, C. (1982). Geodesic segmentation. Multicomputers and Image
Processing: Algorithms and Programs, Academic Press.
[Ledley, 1990] Ledley, S., Buas, M., Golab, T. (1990). Fundamentals of true-color image
processing. Proceedings of 10th International Conference on Pattern Recognition,
Atlantic City, pp. 791-795.
[Lee, 1989] Lee, C., Haralick, R., Phillips, T. (1989). Image segmentation using the
morphological pyramid. Proc. SPIE. Applications of Artificial Intelligence VII. Vol.
1095.
[Levkowitz, 1993] Levkowitz, H., Herman, G. (1993). Glhs: A generalized lightness, hue and
saturation color model. CVGIP: Graphical Models and Image Processing, 55 (4), pp.
271-285.
[Lezoray, 2000] Lezoray, O. (2000). Segmentation dimages couleur par morphologie
mathmatique et classification de donnes par rseaux de neuronres : applications la
classification de cellules en cytologie des sreuses. Thse. Universit de Caen.
209
[Lim, 1990] Lim, Y., Lee, S. (1990). On the color image segmentation algorithm based on the
thresholding and the fuzzy c-means techniques. Pattern Recognition, 23 (9), pp. 935952.
[Liu, 1994] Liu, J., Yang, Y. (1994). Multiresolution color image segmentation. IEEE
Transactions on Pattern Analysis and Machine Intelligence,16 (7), pp. 689-700.
[Matheron, 1967] Matheron, G. (1967). Elments pour une Thorie des Milieux Poreux.
Masson, Paris.
[Matheron, 1975] Matheron, G. (1975). Random Sets and Integral Geometry. John Wiley and
Sons. New York.
[Matsopoulos, 1994] Matsopoulos, G., Marshall, S., Brunt, J. (1994). Multiresolution
morphological fusion of MR and CT images of the human brain. IEEE Proceedings:
Vision, Image and Signal Processing, 141 (3), pp.137-142.
[Matsopoulos, 1995] Matsopoulos, G., Marshall, S. (1995). Application of morphological
pyramids: fusion of MR and CT phantoms. Journal of Visual Communication and
Image Representation, 6 (2), pp.196-207.
[Meyer, 1994] Meyer, F. (1994). Topographic distance and watershed lines. Signal Processing,
38, pp. 113-125.
[Meyer, 1978] Meyer, F. (1978), Contrast feature extraction. Quantitative analysis of
microstructures in material sciences, biology and medicine. Special Issue of Practical
Metallography. Riederer Verlag.
[Meyer, 1990] Meyer, F, Beucher, S. (1990). Morphological segmentation. Journal of Visual
Communication and Image Representation, 1 (1), pp. 21-46.
[Meyer, 1991] Meyer, F. (1991). Un algorithme optimal de ligne de partage des
eaux. Proceedings 8th Congress AFCET. Lyon-Villeurbane, Vol. 2, pp. 847-859.
[Meyer, 1992] Meyer, F. (1992). Colour Image Segmentation. Proceeding of the ICIP92, pp.
303-306.
[Meyer, 1998] Meyer, F. (1998). The levelings. Mathematical morphology and its applications
to image and signal processing. H. Heijmans and J. Roerdink eds. Kluwer.
[Minkowsky, 1897] Minkowsky, H. (1897). Allgemeine lehrs atze uber konvexe polyeder.
Nachr. Ges. Wiss. Gottingen, pp. 198-219.
[Minkowsky, 1901] Minkowsky, H. (1901). Uber die begriffe l ange, oberf ache und volumen.
Jahresbericht der Deutschen Mathematiker Vereinigung, 9, pp. 115-121.
[Nicols, 1988] Nicols, F. (1988). Colorimetra. Publicaciones del Instituto Oficial de Radio y
Televisin, (R.T.V.E.), Madrid.
210
Bibliografa
211
[Peters II, 1997] Peters II, A. (1997). Mathematical morphology for angle-valued images.
Proceedings of SPIE, Non-Linear Image Processing VIII, 3026, pp. 84-94.
[Pitas, 1991] Pitas, I., Panagiotis, T. (1991). Multivariate ordering in color image filtering. IEEE
Transactions on Circuits and Systems for Video Technology, 1 (3), pp. 247-259.
[Plataniotis, 2000] Plataniotis, K., Venetsanopoulos, A. (2000). Color Image Processing and
Applications. Springer-Verlag.
[Poynton, 1996] Poynton, C. (1996). A Technical Introduction to Digital Video. Prentice Hall,
Toronto.
[Poynton, 1999] Poynton, C. (1999). Frequently asked questions about color. Disponible en
http://www.inforamp.net/~poyton.
[Pratt, 1991] Pratt, W. (1991). Digital Image Processing, 2nd ed. Wiley. New York.
[Pritchard, 1995] Pritchard, A. (1995). Achieving brightness-insensitive measurements of colour
saturation in colour object recognition. Proceedings 5th International Conference on
Image Processing and its Applications, Institution of Electrical Engineers, Heriot-Watt
University, Edimburg, UK, pp. 791-795.
[Reinoso, 2001] Reinoso, O., Sebastin, J., Aracil, R., Torres, F. (2001). Morphological
operations with subpixel resolution on digital images. Machine Graphics and Vision, 10
(1), pp. 89-102.
[Robertson, 1977] Robertson, A. (1977). The CIE color-difference formulae. Color research
and application, 2 (1), pp. 7-11.
[Rodieck, 1973] Rodieck, R. (1973). The Vertebrate Retina. W. H. Freeman, San Francisco.
[Ronse, 1990] Ronse, C. (1990). Why mathematical morphology needs complete lattices, Signal
Processing, 21, pp. 129-154.
[Rosenfeld, 1966] Rosenfeld, A., Pfaltz, J. (1966). Sequential operations in digital picture
processing. J. Assoc. Comp. Mach, 13 (4), pp. 471-494.
[Saarinen, 1994] Saarinen, K. (1994). Color image segmetation by watershed algorithm and
region adjency graph processing. Proceedings of ICIP94, vol. 3, pp. 1021-1025.
[Salembier, 1995] Salembier, P., Serra, J. (1995). Flat Zones Filtering, Connected Operators,
and Filters by Reconstruction, IEEE Transactions on Image Processing, 4 (8), pp. 11531160.
[Salembier, 1996] Salembier, P., Brigger, P., Casas, J., Pardas, M. (1996). Morphological
Operators for Image and Video Compresin. IEEE Transactions on Image Processing,
5 (6), pp. 881-887.
212
Bibliografa
[Sangwine, 1998] Sangwine, S., Horne, R. (1998). The Colour Image Processing Handbook,
Chapman and Hall, Cambridge.
[Sartor, 2001] Sartor, L., Weeks, A. (2001). Morphological operations on colour images,
Journal of Electronic Imaging, 10, pp. 548-559
[Schmitt, 1989] Schmitt, M. (1989). Geodesic arcs in non-Euclidean metrics, application to the
propagation function. Revue dintelligence artificielle, 3 (2), pp. 43-76.
[Serra, 1981] Serra, J. (1981). Image Analysis and Mathematical Morphology. Academic Press.
[Serra, 1988] Serra, J. (1988). Image Analysis and Mathematical Morphology. Theorical
Advances. Academic Press.
[Serra, 1993] Serra, J. (1993). Anamorphoses and Function Lattices (Multivalued Morphology).
Mathematical Morphology in Image Processing. E. Dougherty Ed, pp. 483-521.
[Serra, 1993] Serra, J., Salembier, P. (1993) Connected operators and pyramids, Proc. of SPIE
Image algebra and mathematical morphology. San Diego, California, USA. Vol. 2030,
pp. 65-76.
[Serra, 2001] Serra, J. (2001). Lecture Notes on Morphological Operations. First French-Nordic
Summer Course in Mathematics C-06/01/MM. Universidad de Uppsala.
[Sharma, 1997] Sharma, G., Trussell, H. (1997) Digital Color Imaging, IEEE Transactions on
Image Processing. (6) 7, pp. 901-932.
[Shih, 1992] Shih, F., Wu, H. (1992). Optimization on euclidean distance transformation using
grayscale morphology. Journal of Visual Communication and Image Representation, 3
(2), pp. 104-114.
[Shih, 1995] Shih, T. (1995). The reversibility of six geometric color spaces. Photogrammetric
Engineering and Remote Sensing, 61 (10), pp. 373-405.
[Smith, 1978] Smith, A. (1978). Color gamut transform pairs. Computer Graphics
SIGGRAPH78 Proceedings, 12 (2), pp. 12-19.
[Soille, 1990a] Soille, P., Vicent, L., (1990). Determining watershed in digital pictures via
flooding simulations. Proc. SPIE of Visual Communications and Image Processing90.
vol. 1360, Lausanne, pp. 240-250.
[Soille, 1990b] Soille, P., Ansoult, M. (1990). Automated basin delineation from digital
elevation models using mathematical morphology. Signal Processing, 20, pp. 171-182.
[Soille, 1992] Soille, P. (1992). Morphologie Mathmatique : du relief a la dimensionalit.
Algorithmes et methodes. Thse. Universit Catholique de Louvain.
[Soille, 1999] Soille, P. (1999). Morphological Image Analysis. Principles and Applications.
Springer-Verlag.
213
[Sternberg, 1982] Sternberg, S. (1982). Cellular computers and biomedical image processing.
Biomedical Images and Computers. Lecture Notes in Medical Informatics, Vol. 17.
Springer-Verlag, Berlin, pp. 294-319.
[Sternberg, 1986] Sternberg, S. (1982). Grayscale morphology, Computer Graphics and Image
Processing, 35, pp. 333-355.
[Talbot, 1998] Talbot, H., Evans, C., Jones, R. (1998). Complete ordering and multivariate
morphology. Mathematical morphology and its applications to image and signal
processing. H. Heijmans and J. Roerdink eds. Kluwer.
[Torres, 1999] Torres, F., Ortiz, F. (1999). Tratamiento y Modelado de la Informacin
Cromtica en Morfologa Matemtica, Proceedings de XX Jornadas de Automtica,
Universidad de Salamanca, pp. 95-100.
[Torres, 2002] Torres, F., Ortiz, F. (2002). Colour Morphological Filtres by Reconstruction for
a Controlled Simplification of Images. Enviado y en proceso de revisin en Image and
Vision Computing Journal.
[Trahanias, 1992] Trahanias, P., Venetsanopoulos, A. (1992). Colour edge detectors based on
multivariate ordering. Proceedings of SPIE, Visual Communications and Image
Processing, 1818, pp. 1396-1407.
[Trahanias, 1993] Trahanias, P., Venetsanopoulos, A. (1993). Vector directional filters: A new
class of multichannel image processing filters. IEEE Transactions on Image Processing.
2 (4), pp. 528-534.
[Tremeau, 1998] Tremeau, A. (1998). Analyse dImages Couleurs: du pixel la scne.
Habilitation Diriger des Recherches. Universit Jean Monnet de Saint-tienne.
[van Vliet, 1989] van Vliet, L., Young, I. (1989). A nonlinar Laplace operator as edge detector
in noisy images. Computer Vision, Graphics, and Image Processing, 45 (2), pp. 167195.
[Vanhammel, 2000] Vanhammel, I., Sahli, H., Pratikakis, I. (2000). Hierarchical Multiscale
Watershed Segementation of Color Images. Proceedings of First International
Conference in Graphics and Image Processing, Saint-Etienne, France, pp. 219-224.
[Vertan, 1996] Vertant, C., Popescu, V., Buzuloiu, V. (1996). Morphological like operators for
color images. Proc. 8th EUSIPCO, Trieste, Italy, pp. 165-168.
[Vicent, 1991] Vicent, L., Soille, P. (1991). Watershed in digital spaces: an efficient algorithm
based on immersion simulations. IEEE Transactions on Patt. Mach. Intell. 13 (6), pp.
583-598.
[Vicent, 1992] Vicent, L. (1992). Morphological area opening and closing for gray scale
images. Proc. of NATO shape in picture workshop. Briebergen, Netherlands.
214
Bibliografa
215