Documentos de Académico
Documentos de Profesional
Documentos de Cultura
crea una variable con la rutina VideoWriter que permite con respecto al fragmento del vı́deo contaminado total-
guardar el vı́deo después de haber realizado las iteraciones mente.
necesarias inicializando con el comando open(v), después
el código se compone de dos ciclos For, el primero ciclo es
creado con la necesidad de que recorrer todos los frames
que componen la señal y el segundo ciclo es creado para
que se contamine cada frame con ruido aditivo Gaussiano
de forma aleatoria posteriormente irlo guardando en una
variable y ası́ poder ir promediando según las iteraciones
del caso,para finalizar la rutina se cierra con el comando
close(v), y para poder observar el resultado final se crea Figura 4. Fragmento del vı́deo contaminado con M=10
una variable para poder cargar el vı́deo con el promedio
ya realizado, utilizando la rutina VideoReader, para este En la Figura 4 se presenta un fragmento del vı́deo conta-
caso se utilizó el formato avi. minado pero para este caso promediado con 10 iteraciones
logrando un mejoramiento en la calidad del fragmento
Para mostrar el promediado de cada caso primero con respecto con el fragmento del vı́deo contaminado
se iniciará mostrando una fragmento del vı́deo original: totalmente.
Figura 1. Fragmento del vı́deo original Figura 5. Fragmento del vı́deo contaminado con M=20
En la Figura 1 se muestra un fragmento del vı́deo En la Figura 5 se presenta un fragmento del vı́deo
original sin realizar ninguna manipulación del mismo, contaminado pero para este caso promediado con 20
después se mostrara la secuencia para ver la transición iteraciones logrando un mejoramiento considerable en la
entre cada promedio, mostrado a continuación: calidad del fragmento con respecto con el fragmento del
vı́deo contaminado totalmente.
En la Figura 2 se muestra un fragmento del vı́deo origi- Figura 6. Fragmento del vı́deo contaminado con M=50
nal contaminado sin realizar ningún promedio, únicamente
se contamina con Ruido aditivo Gaussiano establecidos
En la Figura 6 se presenta un fragmento del vı́deo
por los parámetros antes mencionados.
contaminado pero para este caso promediado con 50
iteraciones logrando un mayor mejoramiento en la calidad
del fragmento con respecto con el fragmento del vı́deo
contaminado totalmente.
En la Figura 7 se presenta un fragmento del vı́deo realizar la operación de forma correcta, para iniciar este
contaminado pero para este caso promediado con 100 proceso se inicia desde la siguiente expresión:
iteraciones logrando un alto mejoramiento en la calidad ∞
X
del fragmento con respecto con el fragmento del vı́deo rxy (l) = x(n)y(n − l), l = 0, 1, 2, 3... (3)
contaminado totalmente. n=−∞
Lo mostrado desde la Figura 2 a la Figura 7 nos da cuenta
En la Ecuación 3 se muestra la correlación definida de
de como mediante el promediado de la señal se logra el
forma estricta, en donde l es el retardo en el tiempo, por
mejoramiento de la misma al realizar este proceso, como
otra parte los subı́ndices xy indican la correlación cruzada,
muestra de esto se puede evidenciar en el paper Técnicas
en el caso que sea xx hace referencia a la auto correlación
de procesamiento digital de señales para reducción de
.
ruido de señales de múltiples sensores ası́ncrono, en
Para obtener la correlación cruzada y auto correlación
donde se incorporan fuentes de ruido blanco y también
en forma normalizada es necesario aplicar las siguientes
ruido térmico generado por los sensores, y de esta forma
expresiones para que dichos valores de correlación estén
se realizan análisis de diferentes casos como ejemplo la
dentro de 0 y 1, dados por las siguientes expresiones:
señal de referencia se muestrea a una tasa baja y por
otra parte se realiza el sobremuestreo (oversampling) rxx
ρxx (l) = , rxx (0) : Instante cero (4)
en todos estos casos se realiza la interpolación de los rxx (0)
puntos, finalmente se realiza promedios en los dominios En la Ecuación 4 se presenta la expresión para la auto
del tiempo y frecuencia con el fin de establecer diferencia correlación normalizada, dada para la correlación de dos
entre los datos obtenidos y los datos esperados. señales iguales y que dicha correlación este entre los rangos
de 0 y 1.
Para el caso del Peak Signal-to-Noise Ratio (PSNR), rxy
este estimador de ruido es la relación entre señal a ruido ρxy (l) = p2
, rxx (0), ryy (0) : Instante cero
rxx (0)ryy (0)
pico el cual afectar directamente la relación entra la
(5)
máxima energı́a posible de una señal y el ruido que la
En la Ecuación 5 se presenta la expresión para la auto
afecta, dicho estimador tiene como unidad el decibel
correlación normalizada cruzada, dada para la correlación
(dB), la expresión que describe a este estimadores la
de dos señales diferentes y que dicha correlación este entre
siguiente:
los rangos de 0 y 1. Después de haber realizado el análisis
2552 de las Ecuaciones 3,4 y 5 se procedió a realizar el código
P SN R = 10 log10 ( ) (1) en Matlab capaz de calcular la correlación cruzada o auto
M SE
correlación, dado de la siguiente manera:
En la Ecuación 1 se presenta la expresión para PSNR,
en donde se define con 65025 el factor por el que se f u n c t i o n [ rnorm ]= c o r r e l a c i o n _ P a b l o ( )
debe realizar la razón debido a que los pixeles son close all ;
representados usando 8 bits y 255 es el máximo valor que clear all ;
se puede obtener en base decimal, por otra parte, mean % Datos s u m i n i s t r a d o s por e l u s u a r i o % % %
squared error(MSE), es el error cuadrático medio siendo %−−−−−−−prueba v e c t o r e s
este una forma de medir el error que se introduce a la a =[0 , 0 , 2 , −1, 3 , 7 , 8 , 1 , 2 , −3, 0 , 0 ] ;
señal original,la expresión que describe a este estimador % b =[0 , 0 , 2 , −1, 3 , 7 , 8 , 1 , 2 , −3, 0 ,
es la siguiente: 0];
b =[0 , 0 , 1 , −1, 2 , −2 ,4 , 1 , −2, 5 , 0 , 0 ] ;
M N a0 =8; % P o s i c i o n de l a marca d e l Vector a
1 XX
M SE = (I(i, j) − I 0 (i, j))2 (2) b0 =8; % P o s i c i o n de l a marca d e l Vector b
M N i=i j=1
rang =12; %Rango de l a c o r r e l a c i o n [− rang ,
En la Ecuación 2 se presenta como está dado por una rang ]
imagen monocromática de tamaño M x N sin ruido I y con % Longitud de cada v e c t o r
una imagen de igual tamaño pero contaminada con ruido tam_a=l e n g t h ( a ) ;
I’ y de esta manera se puede calcular el error cuadrático tam_b=l e n g t h ( b ) ;
medio. % C a l c u l o para a g r e g a r c e r o s
a_zero=tam_a−a0 ;
left_num=a_zero −(a0 −1) ; %c e r o s a l a
II-B. Correlación de señales izquierda
II-B1. : Para este caso, se elaboró una programa capaz rigth_num=a0 −(tam_a−a0 ) −1; %c e r o s a l a
de realizar la correlación entre dos secuencias discretas, derecha
con la caracterı́stica principal de que es capaz de identificar a=[ z e r o s ( 1 , left_num ) a z e r o s ( 1 , rigth_num )
si se debe efectuar la auto correlación o en su defecto la ] ; % Completa d i m e n s i o n e s
correlación cruzada de las señales, por otra parte se debe r e a l _ a=l e n g t h ( a ) ;
ingresar el punto cero de cada una de las señales para b_zeros=tam_b−b0 ;
4
h a s t a l a r e s t a de f a c t o r e s 6
4
3
l a g s 1 ( rang+f_b0 +1:tam_R) = [ ] ; 2
0
1
l a g s 1 ( 1 : f_b0−rang −1) = [ ] ; -2
-4
-8 -6 -4 -2 0 2 4 6 8
-1
-2
-8 -6 -4 -2 0 2 4 6 8
end 0.3
auto=i s e q u a l ( a , b ) ; -0.1
-0.2
8 8 1 1
6 6
0.8 0.8
4 4
0.6 0.6
2 2
0.4 0.4
0 0
0.2 0.2
-2 -2
-4 -4 0 0
-8 -6 -4 -2 0 2 4 6 8 -8 -6 -4 -2 0 2 4 6 8 -150 -100 -50 0 50 100 150 -150 -100 -50 0 50 100 150
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
-0.2 0
-15 -10 -5 0 5 10 15 -100 -80 -60 -40 -20 0 20 40 60 80 100
Figura 9. Auto correlación Normalizada (Amplitud vs Retrasos(l) ) Figura 10. Auto correlación Normalizada (Amplitud vs Retrasos(l))
que se va a trabajar, de esta forma se obtiene que en el correlación y de esta manera se logró obtener la gráfica de
valor cero del retraso la señal toma el mayor valor de la la parte inferior, para hacer un mejor análisis se realizara
auto correlación, es decir que en valor cero es donde la un aumento en el tamaño de la imagen para realizar un
señal tiene la mayor correlación observado en la figura mejor análisis. En la Figura 11 se puede observar que desde
Correlación rAA toma un valor de correlación 1, para
comprobar el resultado se utiliza la función xcorr de 1
Secuencia de correlación normalizada (r=0.01)
0.8
0.7
0.3
a=M( : , 6 ) ’ ; % 0.9
a=(a−median ( a ) ) / s t d ( a ) ; %N o r m a l i z a c i o n 0.8
estadistica
0.7
0.6
a=i m n o i s e ( a , ’ g a u s s i a n ’ , 0 , 0 . 0 1 ) ; 0.5
b=a ; 0.4
0.3
a0 =100; 0.2
b0 =100; 0.1
rang =100; 0
-100 -80 -60 -40 -20 0 20 40 60 80 100
claridad del comportamiento de la señal. En la Figura En la Figura 15 la auto correlación normalizada con
una varianza de 1, la cual permite un mejor análisis
Secuencia de correlación normalizada (r=0.1) del comportamiento de esta señal, como primera medida
1
se puede observar que la los puntos de distribuyen de
0.9
una forma más uniforme con relación la Figura 13, con
0.8
0.7
un periodo de 11 meses pero con una diferencia en la
0.6
distribución de los puntos.
0.5
0.4
III. Conclusión
0.3
0.2
Se comprendió la importancia del uso de la
0.1 eliminación de ruido mediante el promediado de
0 2 4 6 8 10 12 14 16 18 20
13 se presenta de forma más clara la auto correlación Con un mayor número de iteraciones en el
normalizada con una varianza de 0.1, de donde se puede promediado se logró obtener una mayor resolución
evidenciar que la auto correlación entre cada punto para este caso en cada vı́deo.
se redujo con relación la figura 12, de esta forma se
obtiene que el periodo de esta señal es de 11 meses con Se comprendió el uso de la relación entre la máxima
la diferencia que se presentada anteriormente y con el potencia de la señal y la potencia del ruido dada por
pasar de los meses tiende a disminuirse el nivel de auto PSNR, al ser multiplicada por su factor.
correlación. En la Figura 14 se presenta la auto correlación
Se logró implementar una rutina capaz de identificar
1
Secuencia de correlación normalizada (r=1)
si debe realizar la correlación o en su defecto la
0.9
correlación cruzada para dos señales discretas.
0.8
0.7
0.6
Es necesario la normalización de los datos para poder
0.5 observar de forma clara los resultados propuestos
0.4
mediante la gráfica, de esta manera se podrá realizar
un mejor análisis de los resultados obtenidos en la
0.3
0.2
1.4
1.2
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25