Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Restauracion Imagenes Trans. Fourier
Restauracion Imagenes Trans. Fourier
Transformadas de Fourier
Barranquilla 2011
Restauración de Imágenes a Partir de Transformadas de Fourier 1
Tabla de Contenido
1. INTRODUCCIÓN. ......................................................................................................................3
3. OBJETIVOS………………………………………………………………… .......................................................... 5
4. JUSTIFICACIÓN ......................................................................................................................... 6
7. DELIMITACION……………………………………………………………………………………………………………………..41
8. DISEÑO METODOLÓGICO……………………………………………………………………………………………………..42
8.1.Objetos de Investigación…………………………………………………………………………………………………42
9. ANÁLISIS DE RESULTADOS…………………………………………………………………………………………………….45
1. INTRODUCCIÓN
Su importancia radica en la utilidad de estas técnicas en diferentes áreas del saber, tales
como: Biología, Medicina, Astronomía, Historia, Geología, Criminalística, Fotografía, etc.
Por otro lado está el gran valor científico, técnico y social que puede tener el resultado
del uso de estas prácticas.
3. OBJETIVOS.
4. JUSTIFICACIÓN.
A partir del año 2001 cuando el Carnaval de Barranquilla fue declarado Patrimonio
Cultural de la Nación otorgada por el Congreso de Colombia y posteriormente en el
2003, cuando la UNESCO lo proclamó “Obra Oral e intangible de la Humanidad”, se ha
notado un creciente interés por grupos de investigadores de diferentes ámbitos
humanísticos por recuperar diversos aspectos relacionados con el carnaval, pero pocos
se han preocupado por rescatar su pasado fotográfico, siendo este un importante
asunto para su salvaguarda, actualmente no se cuenta con un adecuado registro
histórico de estas imágenes, y los esfuerzos por hacer un trabajo de restauración
fotográfica son pocos o aislados.
Esta es la razón de ser de esta propuesta, en la que se pretende hacer una revisión del
estado del arte, en lo que respecta al Tratamiento digital de imágenes usando
transformadas de Fourier, técnicas de Filtrado en el dominio de la frecuencia y en el
dominio del espacio, para identificar cuál de todas estas técnicas se ajustan
dependiendo del nivel de deterioro de las fotografías, para rescatar 3 de ellas
relacionadas con el carnaval como pilar del proceso de recuperación del pasado
histórico.
Restauración de Imágenes a Partir de Transformadas de Fourier 7
Entre muchos de los estudios relacionados con tratamiento de imágenes a nivel médico,
podemos destacar al artículo escrito por Manuel Martínez Robles en el año 2006,
titulado “Detección de Astrocitoma Cerebral infantil aplicando segmentación de
imágenes y morfología matemática” [1]. En este trabajo se propone una alternativa al
proceso de segmentación tradicional empleando separación de canales y las
operaciones básicas de morfología matemática, además de proponer una modificación
al sistema de color YIQ denominado R1G1B1, empleando operaciones como mezcla y
multiplicación de imágenes, además de una ordenación vectorial por pixel, que permite
la eliminación de ruido y la detección exacta de zonas de interés, basadas en umbrales
obtenidos mediante una fase de experimentación en imágenes cromáticas.
Otro aporte en el contexto internacional es el planteado por los autores Hernán Benítez,
Clemente Ibarra-Castanedo, Abdelhakin Bendada, Xavier Maldague, Humberto Loaiza y
Eduardo Caicedo, titulado “Procesamiento de imágenes infrarrojas para la detección de
defectos en materiales” del año 2007 [2], en donde se plantea el Ensayo Termográfico
No Destructivo (ETND) es una técnica de la evaluación no destructiva de materiales en la
cual la superficie de una muestra de material es estimulada térmicamente para producir
una diferencia de temperatura entre las áreas no defectuosas y las áreas eventualmente
defectuosas. Estos cambios de temperatura son adquiridos mediante una cámara
infrarroja y posteriormente se aplican etapas de procesamiento, dada la distorsión
generada por el ruido, para detectar y/o caracterizar los defectos en el material. En este
artículo se analizan y comparan experimentalmente varios de estos métodos de
Restauración de Imágenes a Partir de Transformadas de Fourier 8
Para el año 2008 Elías García Santillán publicó su tesis titulada “Detección y clasificación
de objetos dentro de un salón de clases empleando técnicas de procesamiento digital de
imágenes” [3], quien describe las técnicas empleadas para realizar un sistema de
reconocimiento automático de objetos. Inicialmente, este sistema se planteó para
ayudar a personas invidentes en el reconocimiento de objetos en su entorno; pero
debido a la problemática existente en el diseño de algoritmos generales para el
reconocimiento, se propuso la implementación del proyecto dentro de un salón de
clases, limitándose a reconocer 10 objetos pequeños.
Otro artículo revisado fue el propuesto por los autores P. Arándiga, P. Cohen, P. Mulet,
D.F. Yáñez. Titulado “Nuevas técnicas de multiresolución utilizando procesos
estadísticos de aprendizaje” del año 2009 [4], en donde los autores comentan que la
compresión de imágenes ha permitido el desarrollo de técnicas matemáticas en análisis
funcional aplicándolo a la multiresolución usando dos tipos de interpolación: de
aproximación y predicción a partir de técnicas de aprendizaje estadístico, dando así un
nuevo enfoque al problema. Se mostraron los avances en este tratamiento y su uso en
la compresión de imágenes digitales.
El aporte de este trabajo radica en mostrar otro aspecto matemático en torno a una de
las técnicas de análisis del procesamiento de imágenes, la compresión.
6. MARCO TEÓRICO
6.1. Introducción.
En esta sección se mencionan algunos de los aspectos trascendentes a considerar del
tratamiento digital de imágenes a partir de transformadas de Fourier, sus elementos
matemáticos, conceptualización de tratamiento de imágenes, algunas técnicas con sus
programas respectivos.
∑[ ( ) ( )]
∫ ( )
∫ ( ) ( )
∫ ( ) ( )
Restauración de Imágenes a Partir de Transformadas de Fourier 11
Teorema: Convergencia de las series de Fourier. Sea ( )una función periódica con
periodo 2 y continua por partes en el intervalo [-π,π]. Adicional, se asume que ( )
tiene derivadas por la izquierda y la derecha en cada punto de este intervalo. Entonces
la serie de Fourier de ( ) converge. Su suma es ( ), excepto en los puntos donde
( ) es discontinua. Allí la suma de la serie es el promedio de los límites izquierdo y
derecho de ( ) en .
( ) ( )
∫ ( ) ( ) | ∫ ( ) ( )
( ) ( )
| ∫ ( ) ( )
| ( )|
| | |∫ ( ) ( ) | ∫
| | ( )
Restauración de Imágenes a Partir de Transformadas de Fourier 12
( ) ( ) ∫ ( )
∑ [( ∫ ( ) ) (∫ ( ) ) ]
( ) ( ) (∫ ( ) )
∑ [( ∫ ( ) ) (∫ ( ) ) ]
( ) ( ) ∫ [( ∫ ( ) ) (∫ ( ) ) ]
( ) ( ) ∫[ ( ) ( ) ]
Dónde:
( ) ( ) ∫ ( )
( ) ( ) ∫ ( )
( ) ( )
( ) ∫ (∫ ( ) )
o más formalmente:
( ) ∫ ( )
Dónde:
( ) ∫ ( )
A esta expresión se llama integral Coseno de Fourier. De forma similar, cuando es una
función impar en ( ) , los productos ( ) y ( ) son funciones
impares y pares, respectivamente por lo tanto ( ) y
( ) ∫ (∫ ( ) )
o más formalmente:
( ) ∫ ( )
Dónde:
Restauración de Imágenes a Partir de Transformadas de Fourier 15
( ) ∫ ( )
( ) ∫ ∫ ( )[ ]
∫ ∫ () ( )
∫ ∫ () ( )
∫ ∫ ( )[ ( ) ( )]
∫ ∫ () ( )
Por lo tanto:
Restauración de Imágenes a Partir de Transformadas de Fourier 16
( )
∫ ∫ ()
∫(∫ () )
Ahora como el integrando es una función impar de estre resultado puede expresarse
como:
( ) ∫ ( )
( ) ∫ ( )
̂( ) ∫ ( )
Partiendo del hecho de que es una función definida en el campo de los Reales y que
tiene un periodo L entonces la serie de Fourier es:
∑[ ( ) ( )]
∑[ ( ) ( )]
Por otro lado la forma de exponencial compleja de las funciones seno y coseno es:
( ) ( )
( ) ( )
Entonces:
∑[ ( ) ( )]
Restauración de Imágenes a Partir de Transformadas de Fourier 18
Reorganizando la expresión:
∑[ ( ) ( ) ]
Tomemos ahora:
( )
̅̅̅ ( )
∑[ ] ∑[̅̅̅ ]
Así:
∫ ()
( )
Restauración de Imágenes a Partir de Transformadas de Fourier 19
∫ ( ) ( ) ∫ ( ) ( )
∫ ( )[ ( ) ( )]
∫ ( )
̅̅̅ ∫ ( )̅̅̅̅̅̅̅̅̅̅ ∫ ( )
̅̅̅
( ) ∑ ∑ ̅̅̅
( ) ∑ ∑
( ) ∑
Sea una función con periodo fundamental L. Sea . Entonces la serie de Fourier
compleja de es:
Dónde:
∫ ( )
que son los que representan el muestreo de la función . Para que esto se verifique
supongamos que tiene un periodo L. Entonces la serie compleja de Fourier es:
∑
Restauración de Imágenes a Partir de Transformadas de Fourier 21
∫ ( )
∫ ( )
Entonces el valor de puede ser cualquier real, por conveniencia tomemos como valor
0 y se obtiene:
∫ ( )
∑ ( )
( )
Debido a que es un punto en cada subintervalo [ ] se escoge el límite inferior
de este intervalo y se obtiene:
Restauración de Imágenes a Partir de Transformadas de Fourier 22
∑ ( )
∑ ( )
Para
La Transformada Rápida de Fourier (FFT): FFT es la abreviatura usual (del inglés Fast
Fourier Transform) de un eficiente algoritmo que permite calcular la transformada de
Fourier discreta (DFT) y su inversa. La FFT es de gran importancia en una amplia
variedad de aplicaciones, desde el tratamiento digital de señales y filtrado digital en
general a la resolución de ecuaciones diferenciales parciales o los algoritmos de
multiplicación rápida de grandes enteros. El algoritmo pone algunas limitaciones en la
señal y en el espectro resultante.
( ⁄ )
( ) ∑∑ ( )
( ⁄ )
( ) ∑∑ ( )
Para e
Por ejemplo, en este caso se tiene una matriz cuadrada de orden 5 que representa una
variación que al ser mostrada como imagen:
[ ]
Figura 2. Los valores de 1 representan el color blanco y los ceros representan el color negro. [1]
Ruido de una Imagen: Es la distorsión que puede sufrir una imagen al momento de ser
digitalizada, es decir cuando el valor de un píxel no corresponde al correcto.
Imagen a escala de grises: En este caso, el valor que tiene cada pixel corresponde a
algunos de las variaciones de los 256 valores de gris, pasando desde el valor del color
negro (cero), hasta el blanco (255). Habitualmente la imagen va mostrando pequeños
cambios de tonalidad con la variación de valores de gris. La calidad de una
representación gráfica en estos tonos, es decir la nitidez, es lo que marca la pauta para
la magnitud de los píxeles y por ende el número total de ellos de una imagen, aparte de
ello cuanta más alta sea la resolución, las variaciones de tonalidades de gris serán más
sutiles y por lo tanto mayor calidad de la misma, una mejor representación, mejor
resolución, pero computacionalmente implica mayor recuso de máquina.
Empleando MATLAB, una imagen en escala de grises con un foco central puede ser
construida como sigue:
El resultado es el siguiente:
Histograma de una Imagen: Se refiere al número de píxeles con igual valor de la escala
de gris. Este aspecto calcula la probabilidad de distribución P(b) de diferentes niveles de
gris de una representación gráfica. Matemáticamente se define como:
( ) { ( ) }
( )
( )
Entre las características que se pueden evidenciar con el histograma están el tipo de
fondo de la imagen y el contraste.
clc
I=imread('antonia.tif');
imshow(I)
figure, imhist(I)
Modificación del Histograma: Esta es una técnica que va enfocada hacia la mejora
de la calidad de la imagen de forma global. En el eje de las x se representa el número de
píxeles de la imagen y en el de las y los valores del rango de estos píxeles.
[ ]
{
( ]
I=imread('Antonia.tif');imshow(I);
I1=im2double(I);I2=I1;
for n=1:256,
for m=1:256,
I2(m,n)=I1(m,n)*255/160;
if I2(m,n)>1,
I2(m,n)=1;
end
end
end
figure, imshow(I2)
Figura 7. Imagen de “Toña Primera” Transformada con Estiramiento Lineal y su histograma respectivo
Filtrado en el dominio del espacio: Consiste en aplicar a una imagen ráster (o matriz
rasterizada, es decir es una matriz regular de celdas de un área determinada) una
operación que permite suprimir detalles no deseados con la intención de mejorar su
representación visual. Por ejemplo, están los que hacen reparación de los bordes, o
reducción de los patrones de ruido de la misma. La operación modifica el valor de cada
píxel con base en los valores de los píxeles circundantes; se transforman tonos de gris de
la imagen, de forma que sean similares o un poco diferentes a los que lo rodean.
1. Filtros Paso Bajo: Este Filtro resalta las frecuencias bajas, suaviza las imágenes y
reduce el ruido de la imagen. El objetivo es hacer que cada pixel tenga un tono de gris
similar al de los píxeles vecinos, esto hace que se reduzca la variabilidad del espacio
entre cada pixel de la imagen y además reduce la intensidad de los bordes, perdiendo
nitidez pero se gana homogeneidad.
Figura 9. Imagen de Olga Heilbrun con Filtro Sobel para detectar bordes.
Figura 10. Imagen de Olga Heilbrun con Filtro Prewitt para detectar bordes.
Restauración de Imágenes a Partir de Transformadas de Fourier 31
Figura 11. Imagen de Olga Heilbrun con Filtro Canny para detectar bordes.
I=imread('olga.tif');
imshow(I)
B1=edge(I,'sobel');
B2=edge(I,'prewitt');
B3=edge(I,'canny');
imshow(B1)
figure,imshow(B2)
figure, imshow(B3)
2. Filtros Paso Alto: Estos filtros hacen énfasis en las altas frecuencias, mejoran las
características de tipo lineal (calles, carreteras, edificios, etc). Es el proceso opuesto a
los filtros paso bajo, debido a que reducen al máximo las bajas frecuencias.
3. Filtros Detectores de Bordes: En este caso las operaciones con los datos de los píxeles,
hacen mayor énfasis en los bordes que rodean a la imagen, facilitando su proceso de
análisis. Normalmente estos filtros lo que hacen es crear una imagen en fondo negro y
líneas blancas y grises, rodeando los bordes de la figura y otros elementos de la imagen.
Entre los filtros detectores de bordes están Roberts, Sobel, Prewitt, Laplaciano,
direccional, Canny entre otros.
Restauración de Imágenes a Partir de Transformadas de Fourier 32
a. Filtro Roberts. Usa la derivada para calcular el grado de separación de los diferentes
niveles de grises vecinos. Específicamente usan derivada parcial en dos dimensiones.
( ) | ( ) ( )| | ( ) ( )|
( ) √
( ) ( )
( ) ( )
( ( ) )
Que representan a una matriz de convolución y viene dada por los siguientes gradientes:
Restauración de Imágenes a Partir de Transformadas de Fourier 33
Este se verifica para cuando K=2 y lo que proporciona es una inmunidad al ruido
involucrando a los vecinos adyacentes de filas y columnas, Este filtro es mucho más
sensible a los bordes diagonales que el de Prewitt (K=1), pero visualmente no es muy
notoria la diferencia entre ellos.
c. Filtro Laplaciano. Este filtro aplica la segunda derivada a partir de la expresión del
Laplaciano:
( ) ( )
( ) ( ) ( )
( )
d. Filtros Direccionales. Son usados para determinar estructuras que siguen una
dirección en el espacio destacando los píxeles que están en los lados de la estructura de
la imagen.
Restauración de Imágenes a Partir de Transformadas de Fourier 34
( ) ( ) ( )
Existen tres tipos de filtrados en el dominio de la frecuencia: filtro paso – bajo, filtro –
paso alto, filtro paso –banda.
1. Filtro Paso – bajo. Se caracteriza por atenuar las frecuencias más altas sin modificar
las bajas. En el dominio de la frecuencia también es reconocido como filtro de suavizado,
en el que las frecuencias altas filtradas son equivalentes a cambios altos de intensidad.
clc
[u,v]=freqspace(25,'meshgrid');
H=sqrt(u.^2+v.^2)<0.5;
meshz(u,v,H)
clc
A=double(imread('fiesta.tif','tif'));
DFT_A=fft2(A);
% Centro el espectro
DFT_A=fftshift(DFT_A);
% Se coonstruye un filtro ideal pasabajos
D0=f/1/3;
PasabajosIdeal=zeros(f,c);
for i=1:f
Restauración de Imágenes a Partir de Transformadas de Fourier 36
for j=1:c
D=sqrt((i-f/2)^2+(j-c/2)^2);% Se determina la
distancia al centro del
% punto (i,j)
if D<D0
PasabajosIdeal(i,j)=1;
end
end
end
% Se multiplica la transfomada de la imagen por el filtro
ideal
DFT_A_filtrada=DFT_A.*PasabajosIdeal; % Se
Multiplica elemento a elemento
% SE aplica la DFT inversa
A_filtrada=ifft2(DFT_A_filtrada);
% Se toma el modulo para descartar cualquier residuo de
tipo complejo
A_filtrada=abs(A_filtrada);
figure, imshow(uint8(A))
title('Imagen original')
figure, mesh(abs(log(DFT_A+1)))
title('Espectro de la imagen original')
figure, mesh(abs(log(DFT_A_filtrada+1)))
title('Espectro de la imagen filtrada')
figure, imshow(uint8(A_filtrada))
title('Imagen filtrada')
figure, imshow(PasabajosIdeal)
title('Filtro pasabajos ideal')
Figura 14. Imagen original de “La gran fiesta” de 1926 organizada bajo el mandato de la
Reina Olga Heilbrun de 1926 y la misma imagen con Filtro Paso bajo ideal.
Figura 15. Espectros de la imagen sin filtrar y con el filtro Paso bajo ideal
clc
I0=imread('fiesta.tif');
I=imnoise(I0,'salt & pepper',0.02);
imshow(I)
I=im2double(I);[M,N]=size(I);
F=fft2(I);
Hb=lpfilter('btw',M,N,25);
G=Hb.*F;
I1=real(ifft2(G));
figure,imshow(I1)
.
Restauración de Imágenes a Partir de Transformadas de Fourier 38
Figura 16. Espectros de la imagen sin filtrar y con el filtro Paso bajo ideal
2. Filtro Paso – Alto. Se caracteriza por atenuar las bajas frecuencias sin cambiar las altas.
Esto se debe a que las frecuencias altas son los cambios bruscos a nivel de densidad. Las
ventajas de este tipo de filtros radican en las mejoras que ofrecen en la detección de
bordes en el dominio del espacio, debido a la gran cantidad de estas frecuencias,
fortaleciendo el contraste de la imagen.
3. Filtro paso-banda. Este filtro se caracteriza por tomar un solo tipo de frecuencia, si
toma un valor de frecuencia muy alta, se observará un valor mayor parte de la
información de la imagen; de igual manera si toma una frecuencia muy baja se verá solo
la información que las frecuencias permitan pasar manteniendo una banda de rango
medio
Existen otros tipos de filtros tales como filtrados morfológicos, de textura, geométricos
que serán temas para investigaciones futuras.
Restauración de Imágenes a Partir de Transformadas de Fourier 41
7. DELIMITACIÓN
8. DISEÑO METODOLÓGICO
Imagen de “Toña Primera” Reina del Carnaval de Barranquilla de 1924, esta imagen no
fue tomada de papel fotográfico, sino de un recorte de periódico de la época. En él se
observa un nivel de deterioro en diferentes zonas, sobre todo en los bordes superior
derecho, debajo del rostro y del borde inferior izquierdo.
Imagen de Olga Heilbrun, Reina del Carnaval de Barranquilla de 1926, esta imagen
muestra un nivel de deterioro en el borde izquierdo y en algunas zonas, debajo de la
Restauración de Imágenes a Partir de Transformadas de Fourier 43
firma que aparece en la fotografía, por otro lado tiene también un nivel de deterioro en
el fondo, debido al mal proceso de conservación de la imagen.
Imagen de “la gran fiesta” organizada en 1926 por el mandato de la Reina del Carnaval
de esa época Olga Heilbrun.
Fase 1. Entrevista con el actual director del Museo Romántico de Barranquilla ALFREDO
DE LA ESPRIELLA para la consecución de 3 fotografías deterioradas y explicarle la
importancia del proyecto.
Fase 2. Revisión del Estado del arte en torno al tema de digitalización, tratamiento y
restauración de imágenes y sus aplicaciones en otras áreas del saber.
9. ANÁLISIS DE RESULTADOS
Por otro lado, la imagen de Olga Heilbrun que se le aplicó Filtrado en la frecuencia del
espacio, con el fin de resaltar los bordes presentó, inconvenientes a pesar de haber
usado 3 técnicas a esta fotografía. Con el perfilado Sobel y Prewitt se observan algunos
de los bordes respectivos de la imagen, se notan en escala de grises tenues sin rasgos
bien definidos, tampoco son muchas las diferencias observadas entre estas dos técnicas
(Ver Figura 9 y 10). Con el filtro Cany los bordes se resaltan con mayor detalle, sin
embargo la imagen luce confusa y se pierde (Ver Figura 11.)
Para la imagen de “la gran fiesta” se usó filtro paso-bajo ideal, en este caso se nota un
cambio de atenuación de los niveles de gris, pero se perdió un poco el brillo de la
imagen y para el filtro de paso bajo “sal y pimienta” se recuperó el brillo de la imagen,
pero el resultado no fue el esperado, debido a que se aumentó el ruido de la imagen, se
observan pequeños puntos en el contenido de la fotografía deteriorandola aún más
(Ver Figura 14).
Restauración de Imágenes a Partir de Transformadas de Fourier 46
Con base a los comentarios mencionados en las conclusiones se hacen las siguientes
recomendaciones:
[2] Benitez Hernán et al. “Procesamiento de imágenes infrarrojas para la detección de defectos
en materiales” de 2007. Artículo revisado el 15 de agosto de 2011 desde:
http://objetos.univalle.edu.co/files/Procesamiento_de_imagenes_infrarrojas_para_la_deteccio
n_de_defectos_en_materiales.pdf
[7] Zill Dennis G. et al. “Matemáticas Avanzadas para Ingeniería Vol 2. Cálculo Vectorial,
Análisis de Fourier y Análisis Complejo. Tercera Edición. Editorial Mc Graw Hill. México.
2008.
[10] González Rafael C. et al. “Digital Image Processing using Matlab”. Second Edition.
Editorial Pearson-Prentice Hall. USA. 2004.
[14] Bradsky Gary et al. “Learning Open CV. Computer Vision with the Open CV library”.
O’reilly Editors. USA. 2008.
Restauración de Imágenes a Partir de Transformadas de Fourier 49
archivos/apuntes/Filtrado%20en%20el%20Dominio%20de%20la%20Frecuencia.pdf.
[19] Alba Jose Luis et al. Realzado de Imágenes. Técnicas de Preprocesado. Material de
Clase. Universidad de Vigo. Publicado en el año 2006. Tomado desde:
http://www.gts.tsc.uvigo.es/pi/Realzado_de_imagenes.pdf.