Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CorreccionDefectosImagenes2015 PDF
CorreccionDefectosImagenes2015 PDF
(1)
En esta ecuacin el clculo se realiza sobre las muestras de un cuadrado de
dimensin 2m + 1 que es impar. El tamao de las matrices es de 3 x 3 a 5 x 5, 7 x 7, etc.
Tambin es posible, aunque raro, usar regiones no-cuadradas. La serie de pesos W para cada
vecino cuando se realiza un promediado simple slo contiene 1s, y para una regin 3 x 3
podra escribirse como:
1 1 1
1 1 1
1 1 1
(2)
Donde nosotros entendemos la convencin que estos coeficientes son para ser multiplicados
por pixeles que rodean al pixel central y realizar la suma normalizada dividiendo por la suma
de los pesos, entonces el valor se escribe en el pixel central para formar la nueva imagen
promediada.
A veces se reescriben los valores calculados sobre la misma matriz de pixeles de la
imagen original para aprovechar el mismo espacio de memoria original. Cuando se hace
esto, es importante usar los valores de pixeles originales para la suma, no los valores nuevos
que ya se han calculado para algunos vecinos. Esto requiere guardar una copia de algunas
lneas de la imagen durante el proceso.
Operaciones que se basan en los datos de entorno emplean la multiplicacin de la
matriz de pesos y normalmente se aplican simtricamente alrededor de cada pixel. Esto crea
un problema para los pixeles que se encuentran ms cercanos a los bordes de la imagen que
la mitad del ancho de la matriz. Se usan varias alternativas para resolver esto, incluyendo el
diseo de matrices asimtricas especiales o el uso de reglas a lo largo de los bordes o
esquinas. Otra alternativa es suponer que los bordes de la imagen son espejados, para que
cada lnea de pixeles dentro de la imagen sea duplicada ms all de l. Una alternativa ms
supone que la imagen se envuelve alrededor, de forma que el borde izquierdo y el derecho
se cierran, y el borde superior y el inferior tambin se cierran.
En los ejemplos mostrados a continuacin, una aproximacin aun ms simple se usa:
el proceso se restringe a esa porcin de la imagen donde no hay ningn conflicto de borde.
Esto deja lneas sin procesar de un ancho igual a la mitad de la matriz de barrido de pixeles a
lo largo de los bordes de las imgenes.
La Figura 1 muestra el efecto del suavizado que usa un promedio de 3 x 3 de tamao
y tambin una matriz de tamao 11 x 11. La reduccin de ruido es mayor con la regin ms
grande, pero es acompaada de una mayor prdida (borroneo) de las caractersticas de
borde.
Usando valores de peso distintos de 1, la cantidad de perdida de definicin puede reducirse
y se puede hacer un mejor control del proceso de promediando. Por ejemplo, una matriz de
3x3 con los valores
1 2 1
2 4 2
1 2 1
(3)
tiene varias caractersticas atractivas. Primero, el 4 que multiplica al pixel central es el factor
ms grande y causa que el pixel central domine el promedio y reduzca el borroneo. Los
valores de 2 para los 4 vecinos ortogonales y 1 para los 4 vecinos diagonales reconocen el
hecho que los pixeles diagonales estn mas lejos del centro de la matriz (efectivamente por
el factor 2). Finalmente, estos pesos tienen un valor total de 16, que es una potencia de 2 y
consecuentemente muy fcil para dividir rpidamente en una implementacin
computacional.
Juegos similares de los valores de pesos pueden inventarse en varios tamaos de matrices.
Se usan enteros para acelerar la aplicacin y tener mnimos requerimientos de
almacenamiento. Nosotros veremos en un Capitulo posterior, que en el contexto de
procesamiento de imgenes en el espacio de frecuencias que estas matrices de promediado
se pueden analizar bastante eficazmente en ese dominio para entender sus propiedades de
suavizado. Una forma muy til para definir la matriz es asignarle pesos que representen una
funcin Gaussiana. Es decir, elegir valores enteros que aproximan a una funcin de Gauss a
lo largo de cualquier rengln, columna, o diagonal a travs del centro. Se caracterizan por
una desviacin estndar expresada en trminos de dimensiones de pixeles. Mayores
cantidades de Pixeles requeriran adicin de ceros (0) por estar mas lejanos a l pixel central.
Escoger los valores enteros es un arte, por lo menos para las matrices ms grandes. El
objetivo es aproximar los valores a una curva analtica Gaussiana, manteniendo los pesos lo
ms pequeo posible para facilitar el clculo aritmtico computacional. Varias matrices de
Gaussianas se muestran debajo, con sus respectivas desviaciones estndar que en general
aumentan en proporciones geomtricas. La desviacin estndar para estas matrices es el
radio (en pixeles) que conteniente el 68% de la magnitud integrada de los coeficientes, o el
volumen bajo la superficie si la matriz se considera como una arreglo tridimensional. sta es
una generalizacin bidimensional de la definicin usual de desviacin estndar para una
distribucin unidimensional.
1 2 4 5 6 7 6 5 4 2 1
2 3 5 7 8 9 8 7 5 3 2
2 4 6 8 10 11 10 8 6 4 2
2 4 7 9 11 12 11 9 7 4 2
2 4 6 8 10 11 10 8 6 4 2
2 3 5 7 8 9 8 7 5 3 2
1 2 4 5 6 7 6 5 4 2 1
1 2 2 3 4 4 4 3 2 2 1
1 1 1 2 2 2 2 2 1 1 1
2 2 3 4 5 5 6 6 6 5 5 4 3 2 2
2 3 4 5 7 7 8 8 8 7 7 5 4 3 2
3 4 6 7 9 10 10 11 10 10 9 7 6 4 3
4 5 7 9 10 12 13 13 13 12 10 9 7 5 4
5 7 9 11 13 14 15 16 15 14 13 11 9 7 5
5 7 10 12 14 16 17 18 17 16 14 12 10 7 5
6 8 10 13 15 17 19 19 19 17 15 13 10 8 6
6 8 11 13 16 18 19 20 19 18 16 13 11 8 6
6 8 10 13 15 17 19 19 19 17 15 13 10 8 6
5 7 10 12 14 16 17 18 17 16 14 12 10 7 5
5 7 9 11 13 14 15 16 15 14 13 11 9 7 5
4 5 7 9 10 12 13 13 13 12 10 9 7 5 4
3 4 6 7 9 10 10 11 10 10 9 7 6 4 2
2 3 4 5 7 7 8 8 8 7 7 5 4 3 2
2 2 3 4 5 5 6 6 6 5 5 4 3 2 2
Por supuesto, los aumentos de tamao de matriz incrementan la desviacin estndar
tambin. En los ejemplos ms grandes debajo, slo el cuadrante superior izquierdo de la
serie se muestra. La aplicacin repetida de una matriz pequea o la aplicacin secuencial de
dos o ms matrices es equivalente a la sola aplicacin de una ms grande, qu puede
construirse como la convolucin de las dos matrices (recorriendo los factores del peso de
una matriz a aqullos en la otra como si ellos fueran valores de pixeles, entonces se suman
para generar una nueva serie de pesos ms grande).
La Figura 2 muestra dos ejemplos las matrices gaussianas de 5x5 y 43x43, trazadas como una
vista isomtrica. Ntese incluso que con la matriz grande que usan pesos enteros se
producen un poco de distorsin. Para el presente captulo, el inters se restringe a la
eliminacin del ruido en imgenes.
Figura 2: Grfica 3-D de los valores de peso para matrices de suavizado Gaussianas a) =
0,625 pixeles (5x5) b) = 10,486 pixeles (43x43).
La Figura 3 muestra la misma imagen ruidosa como la Figura 1, junto con una imagen de la
misma regin que usa la promediacin de la imagen para reducir ruido estadstico, como se
mostr en el captulo 1. La figura tambin muestra un agrandamiento de una porcin de la
imagen en que pueden discernirse pixeles individuales, como una ayuda para juzgar las
variaciones pixel a pixel del ruido en las regiones uniformes y la definicin de lmites entre
las estructuras diferentes. Un suavizado aplicando una matriz de 5 x 5 que corresponde a
una forma Gaussiana con una desviacin estndar de 0.625 pixeles produce la mejora en
calidad mostrada en la Figura 4 (para dos aplicaciones). Usando una matriz ms grande (9 x 9
con una desviacin estndar de 1.0 pixeles, aplicada una vez, produce el resultado mostrado.
Aunque las matrices de promediado pueden reducir ruido visible en la imagen, tambin
pierden definicin de bordes y cambia los lmites y reduce el contraste. Inclusive puede
introducir un artefacto, que a menudo es llamado " la pseudo resolucin" y que consiste en
que cuando se promedian juntas dos estructuras cercanas eso crea una aparente estructura
extra entre ellas. La Figura 5 muestra un ejemplo en el que las lneas del modelo de prueba
se borronean por la matriz de promediado de 11 x 11, causando la aparicin de falsas lneas.
Figura 5: a) Lneas de patrones de prueba. b) Borroneo de las lneas del patrn de prueba
producidas por una matriz de 11x11 sin pesos (o pesos unitarios).
parciales de los pixeles ordenados separadamente, para que slo algunas comparaciones de
pixeles los adicionales sean necesarias cuando el entorno se mueve por la imagen.
El filtro de mediana tambin puede reducir el ruido tipo aleatorio. La Figura 8 muestra la
misma imagen como en las Figuras 1 y 3, pero con la aplicacin de un filtro de mediana de
una regin de 5x5 octagonal. Hay dos ventajas principales del filtro de la mediana
comparado a la multiplicacin a travs de pesos. Primero, el mtodo no reduce la diferencia
de brillo en cada pasada, porque los valores disponibles son slo aqullos que se presentan
en la regin del entorno, no un promedio entre esos valores. Segundo, a diferencia del
promediado, el filtrado de mediana no cambia los contornos o bordes. La habilidad de
superar estos problemas hace preferible el filtro de mediana, para ambos el examen visual y
la medicin sobre las imgenes (Huang, 1979; Yang & Huang, 1981).
Pueden mejorarse an mas los bordes con un filtro de moda (Davies, 1988). La moda de una
distribucin de valores de brillo en cada entorno es, por definicin, el valor ms repetido.
Para una regin o entorno pequeo, sin embargo, la moda se define pobremente. Una
aproximacin a este valor puede obtenerse con un filtro de mediana truncado. Para
cualquier distribucin asimtrica, como sera en general en la moda es el punto ms alto y la
mediana se acerca ms a la moda que el valor promedio. Esto se ilustra en la Figura 9. La
tcnica de la mediana truncada consiste en desechar los valores del entorno ms alejados de
la mediana para que el valor de la mediana tienda a la moda. En el ejemplo mostrado en la
Figura 10, esto se demuestra para una matriz de 3 x 3 eliminando los dos valores de brillo
ms alejados a la mediana y asignando la mediana de los siete valores restantes al pixel
central. Esto tiene el efecto de enfatizar bordes y produce posterizacin cuando es aplicado
repetidamente.
Otra modificacin al filtro de mediana se usa para superar su tendencia a borrar
lneas que son mas angostas que la mitad del ancho de la matriz. El llamado filtro hbrido o
filtro de mediana conservador de borde, realmente es una operacin de tres pasos
(Nieminen et al., 1987). En un entorno de 5 x 5 del pixel, se alinean pixeles en dos grupos
diferentes, como se muestra en la Figura 11. Los valores de la mediana de los grupos "X" y
"+" (los dos incluyen al pixel central) se comparan con el pixel central. El valor de la mediana
de ese juego se asigna entonces como el nuevo valor para el pixel. Como se observa en la
Figura 12, esto conserva las lneas y las esquinas que se borran o redondean cuando se
emplea el filtro de mediana convencional, justo como un entorno de menor tamao que
hace un trabajo ms pobre de eliminar ruido. Si el filtro hbrido de mediana se aplica
repetidamente tambin produce posterizacin. Porque los detalles de lneas y esquinas son
mejor conservados por el hbrido de mediana que por un filtro de mediana convencional, las
formas de las regiones no se suavizan tanto y los valores de brillo todava son marcados. Esto
se ilustra en la Figura 13.
Figura 10 b): Diferencia entre a) y un filtrado Figura 10 c): Doce aplicaciones del Filtro de
convencional de mediana de 3x3. Se remarcan mediana truncada.
diferencias en los valores de bordes.
Figura 11: Diagrama mostrando los pixeles que se emplean en un ffiltro hbrido de Mediana.
Se obtiene la mediana de dos grupos los pixeles que forman una X (mas oscuros) y los pixeles
que forman + (gris mas claros), y con el central se obtiene un nueva mediana que se asigna al
central de la nueva imagen filtrada.
Figura 12: Filtro hbrido de mediana a) Original. b) Aplicacin del filtro hbrido de Mediana
5x5. c) Convencional 3x3 Filtro Mediana. Remueve poco Ruido. Efecto Bordes. d)
Convencional 5x5 Filtro Mediana. Remueve poco Ruido. Mayor distorsin de Bordes
ILUMINACIN NO-UNIFORME
Ahora se presenta otra aproximacin que puede emplearse cuando la variacin del fondo es
ms irregular y no puede ser ajustado por medio de las funciones simples. Es
particularmente til cuando la superficie es irregular, como cuando se examinan detalles en
una superficie de la fractura en el SEM. La suposicin posterior para este mtodo es que las
caractersticas de inters estn limitadas en tamao y son ms pequeas que la escala de
variaciones del fondo y que el fondo es en toda la imagen ms oscuro o mas claro que las
caractersticas de inters. En muchas situaciones prcticas se espera encontrar ambas
caractersticas a la vez.
Se discuten en detalle en otra parte el funcionamiento del promediado y comparacin con
datos del entorno. La idea bsica en las operaciones de entorno es comparar cada pixel a sus
vecinos o combinar los valores del pixel en alguna regin pequea, mnimamente los 8
pixeles tocando en el caso de una matriz de 3x3. Esta operacin se hace para cada pixel en la
imagen, produciendo una nueva imagen. En muchas aplicaciones prcticas, la nueva imagen
reemplaza la imagen original con slo un requisito temporal para el almacenamiento
adicional; estas consideraciones se discuten en su aplicacin el prximo captulo.
Para el propsito actual (Eliminar las variaciones del fondo), los trabajos de comparacin de
los valores de los pixeles del entorno es como sigue: se realiza de la siguiente forma: se
examinan los pixeles en una regin de 3x3 u otras pequeas regiones similares. Si se conoce
que el fondo es ms oscuro que los rasgos, encuentre el pixel ms oscuro en cada entorno y
reemplace el valor del pixel original con ese valor de brillo ms oscuro. Para el caso de un
fondo mas claro que los rasgos, se elige en cambio el pixel ms luminoso (brillante o blanco)
en el entorno. El resultado de aplicar esta operacin a la imagen entera es reducir los rasgos
o caractersticas de inters en un radio igual al tamao del entorno (Matriz) y para extender
los valores de brillo del fondo borrando el rea que previamente estaba cubierta por las
caractersticas de inters.
La Figura 17 ilustra el mtodo usando una imagen de granos de arroz oscura y con el fondo
desigual. Se usa un entorno que tiene 21 pixeles formando un octgono de 5x5 centrado en
cada uno de los pixeles en la imagen. Los pixeles ms oscuros en esa regin se asignan a la
posicin del pixel central original. Esta operacin se repite para cada pixel en la imagen,
siempre usando los valores de los pixeles de la imagen original y no los nuevos luego de
aplicar el procedimiento. Despus de que este procedimiento est completo, los granos de
arroz estn reducidos en tamao, como es mostrado en la Figura 17b. Repitiendo la
operacin continan encogindose los granos y extiende el fondo basado en el brillo del
fondo local.
Despus de cuatro repeticiones (Figura 17d), los granos de arroz han sido removidos. Esto es
posible porque el ancho del mximo de cualquiera de los granos no es ms grande que
cuatro veces el ancho de los 5 pixel de ancho del entorno que se us para la clasificacin.
Saber cuntas veces se debe aplicar esta operacin requiere conocer el ancho de los rasgos
ms grandes presentes o simplemente mirando el progreso del funcionamiento y repitiendo
hasta que los rasgos son removidos. En algunos casos, esto puede juzgarse por la
desaparicin del pico en el histograma de la imagen. El fondo producido por este mtodo
tiene presente las variaciones de gran escala en la imagen original; sustrayndola produce
una imagen nivelada (Figura 17e) que claramente define los rasgos y les permite separar los
rasgos del fondo por simple umbralizado.
Figura 17: Emparejado del Fondo empleando Clasificacin de Entorno y suavizado. a) Granos
de Arroz c/iluminacin no-informe, b) Eleccin del ms oscuro en un octgono de
5x5(erosin), c) 1 repeticin, d) 4 repeticin, e) a) menos d), f) expansin de contraste.
Este mtodo es particularmente conveniente para variaciones de brillo del fondo irregulares
que ocurren en detalles en superficies de la fractura. La Figura 18 muestra un ejemplo.
Aplicando una operacin de clasificacin jerrquica para seleccionar el pixel ms brillante en
un entorno de 5 pixeles de ancho octogonal produce el resultado mostrado en Figura 18.
Aqu adems se usa una matriz de promediado pesado (Gaussiano) con una desviacin
estndar de 1.6 pixeles (stos se discuti en operaciones de suavizado ms arriba en este
captulo) y entonces se substrajo de la imagen original para producir el resultado en la
Figura 18d. La nivelacin mejora la visibilidad de las estriaciones de fatiga sobre la fractura.
Figura 18: Imagen de una Fractura no uniforme de TEM. a) Original. b) Eleccin del ms
brillante en un octgono de 5x5(dilatacin). c) Kernel de suavizado con =1.6. d) a) menos c)
En la Figura 19 se presentan dos ejemplos similares donde se usa una matriz de promediado
pesado (Gaussiano) con una desviacin estndar de 1.0 pixeles.
Figura 19: Imgenes de SEM. a) Original. c) dos aplicaciones de eleccin del mas oscuro en
un octgono de 5x5(erosin) y Kernel de suavizado con =1.0. e) a) menos c). b) Original. d)
dos aplicaciones de eleccin del mas oscuro en un octgono de 5x5(erosin) y Kernel de
suavizado con =1.0. f) ab menos d).