Ctedra: Procesamiento Digital de Imgenes

Correccin de los defectos de imgenes

La primera clase procesamientos de imagen que se considera aqu es para corregir

algunos de los defectos que se tienen por ejemplo al adquirir las imgenes. Los defectos
pueden ser debidos a imperfecciones en los detectores, inadecuada o no-uniforme
iluminacin o inadecuado punto de vista. Debe darse nfasis a que stas correcciones se
aplican despus que la imagen se ha digitalizado y guardado, y por consiguiente ser incapaz
de mejorar la calidad por medio de optimizar el proceso de adquisicin.
Por supuesto, la optimizacin de la adquisicin de una imagen a veces es imprctica.
Si la cmara puede recoger slo un pequeo nmero de fotones en un tiempo prctico o
antes de los cambios de la escena, entonces el ruido presente en la imagen no se puede
reducir adquiriendo y sumando ms cuadros (promediando), se necesitan tambin otros
medios de reduccin de ruido.
Si la fuente de iluminacin no puede ser controlada para hacer que la imagen sea
perfectamente centrada y normal a la superficie del visor o si las superficies son curvas en
lugar de planas, entonces la imagen, tiene una iluminacin no uniforme y debe ser corregida.
Si el punto de vista no es correctamente ajustado (por ejemplo, para la posicin el camino de
una sonda espacial o satlite) o si la superficie es irregular (como en el caso de una fractura
de metal), entonces algunas partes de la escena se escorzan y debe tenerse en cuenta al
comparar tamaos o distancias. Incluso tpicos arreglos del laboratorio, como el microscopio
ptico, pueden requerir mucho tiempo para alinear idealmente los instrumentos y aveces es
dificultoso lograr la estabilidad adecuada para las imgenes durante un tiempo largo. Por
consiguiente, es ms prctico tomar alguna de las imgenes con la calidad posible en un
tiempo corto y utilizar procesamiento de imagen para hacer las correcciones. Por ejemplo,
cuando los primeros cuadros de las sondas espaciales eran recibidos y la necesidad para
estos tipos de correcciones eran valiosas, cmputos largos en computadoras de moderado
tamao se requeran para el procesamiento. Ahora, es posible implementar correcciones de
imgenes en mquinas comerciales en tiempos medidos en segundos o minutos, haciendo
rutinarias las correcciones de imgenes digitales.
LAS IMGENES RUIDOSAS
Mejorar la calidad de la imagen (se puede decir tcnicamente, la relacin seal-ruido)
es posible promediando el nmero de imgenes de la misma escena/muestra. La fuente ms
comn de ruido est en el conteo estadstico en el detector causado por partculas
incidentes (fotones, electrones, etc.). Este es particularmente el caso de las imgenes
radiogrficas obtenidas por SEM (Microscopa electrnica de Barrido), donde la proporcin
de electrones incidentes a las Radiografas descubiertas pueda variar de 105 a 106. En
microscopa de luz fluorescente los fotones de luz fluorescente tienen un rango de longitud
de onda angosto y tambin pueden producir imgenes oscuras, en definitiva se necesita
adquirir una serie de imgenes de muy corta duracin para poder medir actividad como una
funcin de tiempo.
Las imgenes ruidosas tambin pueden ocurrir debido a inestabilidad en la luz fuente
o detector durante el tiempo que se examina o digitaliza una imagen. El modelo de este
ruido puede ser bastante diferente del ruido gaussiano (variaciones aleatorias de intensidad
debido al conteo estadstico), pero todava se muestran como una variacin en brillo
uniforme en regiones de la escena. Un ejemplo sera una no uniforme emisin del haz de RX
o una desigual absorcin en el vidrio de la calota en radiografas.

Pgina 1 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

Variaciones similares se obtienen en imgenes que se adquieren usando luz

fluorescente. Esto es el resultado de una interferencia, entre la cmara y el tubo
fluorescente fluctuando (qu es mucho mayor que de una bombilla incandescente cuya
inercia trmica suaviza las variaciones en emisin de luz causada por las variaciones en la
alimentacin). Cuando el ruido tiene una caracterstica que no es aleatoria en el tiempo y no
exhibe "normal" comportamiento estadstico, es ms difcil hacer descripciones numricas
sobre la cantidad de ruido.
Este captulo tratar las maneras de suprimir ruido para mejorar la habilidad para
visualizar, demarcar y medir las caractersticas que estn presentes. La suposicin
subyacente en todos los mtodos de supresin de ruido es que los pixeles en la imagen son
muchos ms pequeos que cualquiera de los detalles importantes y la mayora de los pixeles
vecinos representa la misma estructura. Esto permite la aplicacin de varios promediados y
comparaciones.
PROMEDIACIN DE UNA REGIN
La forma ms simple de promedio espacial es sumar el brillo del valor del pixel en
cada regin pequea de la imagen, dividida por el nmero de pixeles en la regin, y usar el
valor resultante para construir una nueva imagen. La Figura 1b muestra que este mtodo
produce una imagen esencialmente con un nmero ms pequeo de pixeles. El tamao del
bloque o regin en la Figura 1b es 4x4, por lo que se suman los 16 valores de los pixeles de la
regin. Cuando el ruido en esta imagen es aleatorio debido al conteo estadstico de un
pequeo nmero de fotones, la mejora en calidad de la imagen, o relacin seal-ruido, es
justo la raz cuadrada de 16, o un factor de 4. Sin embargo, la resolucin espacial de la
Imagen se reduce y las estructuras pequeas en la imagen ya no pueden discernirse
separadamente.

Figura1 Promediado de Entorno a) Imagen original de Microscopa de luz fluorescente de

hueso. b) Promediado de Bloques 4x4. c) Promediado de datos Bloques 3x3. d) Promediado
de datos Bloques 11x11.

Pgina 2 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

Una manera ms comn de lograr el promediado es reemplazar cada pixel con el

promedio de l y sus vecinos. Esto se describe a menudo como una operacin "Matriz
(Kernel)", la implementacin puede ser generalizada como la suma de los valores de los
pixeles en la regin multiplicada por un conjunto de peso de enteros.
m
Wij Px i, y j
* i, j m
P x, y
m
Wij
i , j m

(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

Pgina 3 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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.

= 0,391 pixeles (3x3)

1 4 1
4 12 4
1 4 1

= 0,625 pixeles (5x5)

1 2 3 2 1
2 7 11 7 2
3 11 17 11 3
2 7 11 7 2
1 2 3 2 1
= 1.6 pixeles (11x11)
1 1 1 2 2 2 2 2 1 1 1
1 2 2 3 4 4 4 3 2 2 1

Pgina 4 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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

= 1.0 pixeles (9x9)

0 0 1 1 1 1 1 0 0
0 1 2 3 3 3 2 1 0
1 2 3 6 7 6 3 2 1
1 3 6 9 11 9 6 3 1
1 3 7 11 12 11 7 3 1
1 3 6 9 11 9 6 3 1
1 2 3 6 7 6 3 2 1
0 1 2 3 3 3 2 1 0
0 0 1 1 1 1 10 0

= 2.56 pixeles (15 x 15)

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).

Pgina 5 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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.

Figura 3: Imagen de Microscopa de luz Figura 4: Imagen de Microscopa de luz

fluorescente de hueso. a) Promedio de cuatro fluorescente de hueso. a) Suavizado con dos
cuadros de video. b) zoom de a pasadas de matriz 5x5 =0,625 pixeles. b) zoom
c) Promedio de 256 cuadros de video. d) zoom de a) c) Suavizado con 9x9 =1,0 pixeles. d)
de c) zoom de c).

Pgina 6 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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).

CLASIFICACIN DEL ENTORNO DE PIXELES

El uso de matrices pesadas para promediar pixeles de un entorno es un procedimiento lineal
en el que no se pierde informacin original. Hay otros mtodos de procesamiento que
pueden ser realizados en el dominio espacial que tambin proporcionan suavizado del ruido,
sin embargo, ellos no son lineales y no utilizan o conservan todos los datos originales.
Los ms usados de estos mtodos adicionales estn basados en la clasificacin del entorno
que rodea a cada pixel de acuerdo a sus valores de brillo. Por ejemplo, el valor de la mediana
en la lista de datos del entorno se usa como el valor de brillo para el pixel central en la
imagen procesada. Slo los valores del pixel originales se usan en la clasificacin del entorno
alrededor de cada pixel.
El filtro de mediana es un excelente eliminador de ciertos tipos de ruido, como el ruido de
disparo que es aquel en el cual los pixeles individuales cambian accidentalmente a un valor
extremo. El filtro eliminar este valor extremo reemplazndolo por un valor razonable la
mediana del entorno considerado. La Figura 6 muestra un ejemplo de este tipo de ruido
donde el diez por ciento de los pixeles en la imagen original (seleccionado al azar) se
cargaron con el valor correspondiente a negro, y otro diez por ciento (tambin seleccionado
al azar) a blanco. Esto es una cantidad de ruido extremo. Sin embargo, un filtro de mediana
puede quitar el ruido y reemplaza los pixeles malos con valores razonables mientras la
distorsin de la imagen es mnima y no causa degradacin. Dos diferentes tamaos de
entorno se usan: un 3x3 cuadrado que contiene un total de 9 pixeles, y una regin octogonal
5x5 que contiene un total de 21 pixeles.
La Figura 7 muestra algunas de las regiones de entorno usados. Por supuesto, los
requerimientos computacionales aumentan rpidamente con el nmero de valores a ser
ordenados. Esto es verdad incluso empleando mtodos especializados que guardan juegos

Pgina 7 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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.

Figura 7: Diferentes regiones empleadas con

filtros de mediana. a) 4 vecinos cercanos en cruz.
Figura 6 a) Imagen b) 3x3 cuadrada con 9 pixeles. c) 5x5 octagonal
Figura 6 b) Agregado
Original con 21 pixeles. d) 5x5 cuadrada con 25 pixeles.
de 10 % puntos blancos
e) 7x7 octagonal con 37 pixeles.
y 10 % negros
aleatoriamente.

c) Filtrado de mediana d) Filtrado de mediana Figura 8: Imagen de Microscopa ptica de

con una regin con una regin hueso. a) Suavizado con filtro octagonal de
cuadrada de 3x3 octagonal de 5x5 mediana 5x5. b) zoom de a)
Figura 6: Remocin del ruido de disparo con un
filtro de mediana.

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

Pgina 8 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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 9: Diagrama esquemtico de un

histograma asimtrico de la distribucin de
valores de brillo. El histograma es la
representacin del nmero de pixeles (en
ordenadas) en funcin de los valores de brillo (en
abscisa). En la grfica se distingue la diferencia
Figura 10 a): Una aplicacin del Filtro de
entre la mediana (Median Value), el promedio
mediana truncada.
(Mean Value) y la Moda (Mode Value).

Pgina 9 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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.

El hecho de que el filtro hbrido de mediana involucra tres operaciones de la clasificacin,

primero dentro de cada uno de los dos grupos de pixeles y luego compara esas medianas
con el pixel central, no impone un requerimiento computacional serio. Cada uno de las
funciones de la clasificacin es para un nmero ms pequeo de valores que el que se us
en un cuadrado o regin octagonal del mismo tamao. Por ejemplo, para regiones de 5
pixeles de ancho se clasifican 25 (en la regin cuadrada) o 21 pixeles (en la regin octagonal)
que deben ordenarse con el mtodo tradicional. En el mtodo hbrido, cada uno de los dos
grupos contiene slo 9 pixeles, y la comparacin final involucra slo 3 valores. Incluso con
lgica adicional y manipulacin de valores, el mtodo hbrido es por lo menos tan rpido
como el convencional de mediana.

Pgina 10 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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

Figura 13: Imagen de Figura 13: c) Aplicaciones Figura 13: e) Aplicaciones

Microscopa de luz fluorescente repetidas de 5x5 filtro de repetidas de 5x5 filtro hbrido
de hueso. a) Imagen original. b) mediana. d) zoom de c). Se de mediana.
zoom de a). pierden bordes f) zoom de e) Los bordes no se
pierden o se pierden menos.

Pgina 11 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

OTROS MTODOS DE REDUCCIN DE RUIDO

Otro mtodo de clasificacin jerrquica que usa el mximo y mnimo brillo en lugar de la
mediana. La Figura 14 muestra los resultados de una operacin de dos pasos. Primero, el
valor del pixel ms Luego, en una segunda transformacin, el pixel ms oscuro en cada
regin se selecciona para reemplazar al pixel central. Este tipo de operacin combinada
requiere dos pasos completos a travs de la imagen, y durante cada paso slo el brillo de los
pixeles del entorno en la imagen previa se requiere para derivar cada pixel nuevo.
Por razones que se discutirn en ms detalle ms adelante, este tipo de funcionamiento se
describe a menudo como una erosin y dilatacin de la escala de gris, por analoga a la
erosin y la dilatacin que se realiza en imgenes binarias. Esta secuencia tambin se llama
apertura, de nuevo por analoga a las operaciones en imgenes binarias.
Como un mtodo para quitar ruido, esta tcnica parecera ser la anttesis de un filtro de
mediana que desecha valores extremos. Puede ser de ayuda visualizar la imagen como una
superficie en qu el brillo representa una elevacin. La Figura 15 muestras una
representacin unidimensional de esta situacin. En la primera pasada, se usan los valores
ms luminosos en cada regin para construir un nuevo perfil que sigue las cimas de los
rboles. En la segunda pasada se usan los valores ms oscuros en cada regin para obtener
el perfil inferior de esos puntos (que eran suficiente cantidad contigua de pixeles oscuros
para sobrevivir el primer paso) dando un nuevo perfil que ignora el ruido de pixeles oscuros
en el perfil original.

Figura 15: Diagrama esquematico de la

operacin de Erosin y dilatacin de la escala
de grises en una dimensin.
Maximun = Mximo,
Figura 14: Apertura de la escala de Grises o
Minimun = Mnimo,
erocin y dilatacin. Se realizan dos operaciones
Result = Resultado
sucecivas eligiendo el pixel ms brillente y el ms
oscuro del entorno en cada pasada. a) Matriz
(entorno) cuadrado de 3x3. b) zoom de a). c)
Matriz (entorno) octagonal de 5x5. b) zoom de
a).

Pgina 12 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

ILUMINACIN NO-UNIFORME

La estrategia ms directa para el anlisis de la imagen usa el brillo de las regiones en la

imagen como un medio de identificacin: Se supone que el mismo tipo de rasgo tendr el
mismo brillo (o color, en una imagen color) dondequiera que aparece en el campo de vista.
Si este brillo es diferente por causas diferentes a las caractersticas de la imagen, como por
ejemplo diferencias de iluminacin o iluminacin no uniforme, se puede hacer defectuosa la
imagen e incluso se hace difcil obtener medidas en la misma.
Cuando se visualizan superficies irregulares, la cantidad de dispersin de luz al visor de la
cmara de cada regin es una funcin de la orientacin de la superficie con respecto a la
fuente de luz y el ngulo del sistema de registro, aun cuando el material de la superficie y el
acabado es uniforme. De hecho, este principio puede usarse para estimar la orientacin de
la superficie, usando una tcnica conocida como forma-desde-la-sombra (shape-from-
shading). La visin humana parece aplicar estas reglas muy fcil y rpidamente,
considerando que en general no nos confundimos con las imgenes de objetos del mundo
real.
Sin embargo, no seguiremos esos mtodos aqu. La mayora de las imgenes que realmente
queremos procesar son esencialmente bi-dimensionales. Si ellas provienen de un
microscopio de luz o electrnico, una imagen radiogrfica o imgenes del satlite, la
variacin en elevacin de la superficie normalmente es pequea comparada con las
dimensiones laterales. Esto no siempre es el caso por supuesto (considere una superficie de
fractura de metal examinada en el SEM), pero se trataran tales problemas como excepciones
a la regla general y reconoce que se requieren procesamiento ms elaborados.
La mayora de estos defectos puede minimizarse preparando cuidadosamente las
condiciones de captura de una imagen. Aun cuando no pueden eliminarse los defectos,
puede suponerse que ellos son constantes sobre algn perodo de tiempo. Esto permite
correccin a travs del procesamiento de la imagen. En la mayora de los casos, es posible
adquirir una imagen del fondo en qu una superficie de referencia uniforme (sin espcimen
inserto en su lugar) se graba con la distribucin de la intensidad de luz. Esta imagen puede
usarse para nivelar entonces las posteriores imgenes capturadas en este mbito. El proceso
se llama a menudo substraccin del fondo. Si el dispositivo de adquisicin de la imagen es
logartmico con una gamma de 1.0, entonces el fondo de la imagen se substrae punto por
punto en cada imagen adquirida. Si el sensor de la cmara es lineal, entonces el
procedimiento correcto es dividir la imagen adquirida por el fondo. Para otra funcin de
respuesta del sensor, no hay ningn mtodo aritmtico correcto y simple. Ntese que en el
proceso de substraer (o dividir) una imagen por otra, algo del rango dinmico los datos
originales se pierde. Mientras mayor sea la variacin en brillo del fondo, menos variacin
restante de ese nivel puede preservarse en la imagen. Estos factores, junto con el aumento
inevitable en ruido estadstico que produce substraer una seal de otra, argumenta que
deben tomarse todos los pasos prcticos para hacer uniforme la iluminacin mientras se
est adquiriendo imgenes, antes de acudir a estos mtodos de procesamiento.
Sin embargo, en muchos casos no es prctico quitar el espcimen, o su presencia contribuye
a la variacin de brillo. Esto incluye situaciones en las que el espesor del espcimen vara,
afectando la absorcin global de luz. Otro caso ocurre cuando la superficie examinada no es
absolutamente plana causando que la fuente de luz aparezca como un fondo variante.
La Figura 16 muestra un ejemplo del ltimo efecto. La imagen de SEM muestra partculas en
un substrato que debido a la geometra de la superficie y de la cmara SEM causa que una

Pgina 13 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

porcin de la imagen aparezca ms oscura que el resto. Adems, moviendo el espcimen o

cambiando la amplificacin se altera el patrn de luz y oscuridad. En este caso, es necesario
realizar la correccin usando la propia imagen. Afortunadamente, en muchos de estas
situaciones la variacin de brillo del fondo es un suave y pueden ser aproximadas por
funciones simples, como polinomios.

Figura 16: Imagen de SEM de particulas sobre un substrato mostrando variaciones no

uniformes del brillo
NIVELACIN EMPLEANDO MTODOS DE CLASIFICACIN DE ENTORNO PARA CORREGIR EL FONDO

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)

Pgina 14 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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.

Pgina 15 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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.

Pgina 16 Tema: Correccin de Defectos Prof.: Ariel Braidot

 Ctedra: Procesamiento Digital de Imgenes

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).

Pgina 17 Tema: Correccin de Defectos Prof.: Ariel Braidot