4. Restauración de imágenes 4.

2 Distribuciones de ruido
4.1 Restauración en presencia de ruido
Diferentes distribuciones con este tipo de ruido no auto-
correlacionado según su densidad de probabilidad (PDF):
Degradación Restauración
i) Gaussiano:

ruido
ii) Rayleigh:
es un ruido, que muchas veces se considera como
gaussiano, debido a que la transformada de Fourier de su
auto-correlación (densidad espectral) es constante (al igual
que la transformada de Fourier de la luz blanca.) iii) Erlang (gamma)
Auto-correlación:

La densidad espectral es la transformación de Fourier de la auto-

correlación iv) Exponencial:

Si la señal no está auto-correlacionada (como el ruido blanco

gaussiano), su auto-correlación es un delta de Dirac , y su
transformada de Fourier es una constante.
v) Uniforme:
Volviendo al sistema con ruido aditivo:

vi) Impulso
Sal y pimienta:
(transientes
rápidos)
4.3 Estimación de la degradación por experimentación 4.5 Filtro de mínimo error cuadrático (Wiener)
Si no se considera el ruido (o su valor es nulo), se mide la respuesta al Si se consideran el ruido y la imagen como ruido como procesos
impulso, donde la transformada de Fourier del impulso es A:
aleatorios

4.4 Filtro inverso:

Supongamos que tenemos el filtro de degradación h(·). se puede calcular El f que minimiza el e2:
al dividir la imagen obtenida por la degradación

Al reemplazar en la ecuación (*)

Aunque se supiera la función H, la transformada de Fourier del ruido es

desconocida, por lo que se necesitan supuestos adicionales para poder espectro del ruido
restaurar la imagen original.
espectro de la
Por ejemplo si la función de degradación fuera una función gaussiana, imagen degradada
tenemos que la transformada de Fourier del kernel de convolución gaussiano
Cuando no se sabe la imagen original
La señal-a -ruido
es constante

Como la función inversa es Finalmente

Amplifica las altas frecuencias, por lo que el

filtro inverso es inestable (amplifica las altas
frecuencias del ruido)
Filtro inverso compuesto
con pasabajos
4.6 Filtro de Mínimos Cuadrados Restringido 4.7 Filtros de orden estadísticos
Formulación vectorial
4.7.1 Filtro de Mediana

Mínimos cuadrados restringido

4.7.2 Filtros max y min

4.7.3 Filtro de punto medio

Este filtro tiene un buen desempeño para imágenes con ruido

Solución: hay que encontrar el óptimo distribuido en forma aleatoria, como en el caso de ruido
gaussiano y ruido uniforme

4.7.4 Filtros de reducción local del ruido

residuo , depende de γ
es monótona creciente en γ Media móvil
queremos ajustar γ de manera que

, con a la precisión
4.8 Filtros Homomórficos Ejemplo de filtro homomórfico

Como el modelo de iluminación es

Ln

Bajas Altas
Iluminación frecuencias frecuencias

x 2.0 1.5 x conv(media movil)

típicamente

exp

donde
4.9 Ejemplo de wavelets con B-spline Ejemplo Wavelet con B-spline de orden mayor
La descomposición por wavelets se basa en filtros pasa-bajos y filtros pasa- 16
altos que se aplican en forma progresiva y que se basan en funciones de
Decomposición en 12
soporte local 8
diferentes canales de 4
Ejemplo Haar Wavelet y[k ] frecuencia 0
media móvil(ancho m=2) y[ k ] 1 2 3 4 5 6 7
Filtro Filtro
pasa-bajos pasa-altos
Filtro Filtro
L H pasa-altos pasa-bajos
↓2 ↓2
y1[ k ] w1 [ k ] y1[ k ]

Filtro
w1[ k ] 3 16
Filtro B-spline 2
pasa-bajos pasa-altos wavelets 12
1
8
L H 0

↓2 -1 1 2 3 4 5 6 7 4
y2[k ] ↓2 -2
0
Filtro pasa- -3
1 2 3 4 5 6 7
w2 [k ]
bajos Filtro Filtro
pasa-bajos pasa-altos
Ejemplo 2D Haar Wavelet:
L H
↓2 ↓2
y3[k ] w3[k ]

y[k ] Filtro pasa-altos

y 3[ k ] w 3 [ k ] w 2[k ] w 1[ k ]

1
0.8 Y3(f) W3(f) W2(f) W1(f)
0.6
0.4
0.2
0 f
0.1 0.2 0.3 0.4 0.5
Ejemplo 1D
16 16 8
12 12 4
8 8 0
1 2 3 4 5 6 7
4 4 -4
0 0 -8
1 2 3 4 5 6 7 1 2 3 4 5 6 7
Diferencia
Promedio