Digital Object Identifier

PROCESAMIENTO DIGITAL DE
IMÁGENES (DIP): TRANSFORMADA DE
FOURIER Y TEOREMA DE
CONVOLUCIÓN EN IMÁGENES Y
FILTROS
Carolina Marcela Durango Torreglosa, Camilo Andrés Ortega Pérez

I. TRANSFORMADA DE FOURIER DIRECTA E INVERSA imagen representa la distribución espacial de las intensidades
DE UNA IMAGEN o niveles de gris.
Una imagen es la representación de un objeto o una des-
cripción gráfica de algo. Una imagen digital, por otra parte, La transformada de Fourier es una herramienta que se
es la representación numérica de un objeto. Una imagen utiliza en el procesamiento digital de imágenes, ésta se usa
también puede ser considerada la representación de la suma para descomponer una imagen en sus componentes seno y
de dos componentes con diferentes escalas espaciales. coseno. La transformada de Fourier de una imagen permite
aplicar diferentes tipos de filtros a la imagen para contribuir
Si se tiene una señal unidimensional, se puede descompo- a una correcta visualización e interpretación de esta. Esta
ner en un conjunto infinito de señales de tipo seno con dife- transformada puede ser continua o discreta. La transformada
rentes frecuencias, amplitudes y fases. El primer componente continua viene dada por la expresión (Ver Fig. 1)
representa la amplitud media de la señal y tiene frecuencia
cero. El siguiente componente, o fundamental, presenta la
misma frecuencia que la señal original. Los demás compo-
nentes van adquiriendo frecuencias sucesivamente superiores
y se denominan armónicos. A medida que se van añadiendo
los sucesivos componentes, la suma se va aproximando cada
vez más a la señal original. A la suma total de componentes
se le denomina serie de Fourier de la función original.
Figura 1. Transformada de Fourier: continua

Una imagen digital puede ser vista como una señal discreta
bidimensional, así que su serie de Fourier es una suma finita Donde u es la variable en el espacio de la frecuencia, y
de senos y cosenos. Para obtener la imagen original se suman
todos los términos de la serie. La suma de los primeros
componentes con frecuencias más bajas, produce una versión j = (−1)1/2
de las bajas frecuencias de la imagen, lo que se aprecia como
si se le aplicara un filtro pasa baja a la imagen original.
De igual forma, la suma de los últimos componentes con
frecuencias más altas, produce una versión de la imagen Dada F(u) Se puede obtener la función f(x), calculando la
de altas frecuencias, como si se le aplicara un filtro pasa transformada inversa de Fourier. (Ver Fig. 2)
alta a la imagen original. La frecuencia espacial de una

VOLUME 4, 2016 1

Figura 2. Transformada de Fourier inversa: continua
Estas transformadas existen siempre que f(x) sea continua
e integrable y que F(u) sea integrable, condiciones que casi
siempre se satisfacen en la práctica. El término exponencial
complejo puede escribirse, siguiendo el teorema de Euler.
(Ver Fig 3).
Figura 3. Término exponencial complejo
la ecuación de la transformada inversa de Fourier es una
suma de términos discretos. La función inicial f(x) está com-
puesta por un número infinito de funciones seno y coseno, y
el valor de u representa la frecuencia de los respectivos pares
seno y coseno. La transformada de Fourier también se puede
expresar en términos bidimensionales, como es el caso de las
imágenes, de forma directa e inversa. (Ver Fig 4).
Figura 4. Transformada de Fourier directa e inversa: bidimensional
Donde u y v son las variables de frecuencia.
Para la transformada discreta, se suponen funciones bidi-
mensionales discretas, como las imágenes digitales, la trans-
formada discreta de Fourier o DFT se obtiene empleando
sumatorios en lugar de integrales. (ver Fig. 5).
Figura 5. Transformada de Fourier discreta
2 VOLUME 4, 2016
donde M representa el número de columnas (píxeles en la
dirección X) y N el número de filas (píxeles en la dirección
Y). La transformación inversa viene dada por la expresión.
(ver Fig 6).
Figura 6. Transformada de Fourier discreta inversa
La transformada discreta cuenta con ciertas propiedades
como la separabilidad (suponiendo imágenes NxN), trasla-
ción (desplazamiento de la función f(x,y)), periodicidad (La
DFT tiene un período de longitud N. La magnitud de la
transformada está centrada en el origen), rotación ( f(x,y)
en un ángulo B genera una rotación de F(u,v) en el mismo
ángulo, y viceversa), Valor medio (El primer componente
de la transformada, F(0,0), representa el valor medio de la
función discreta original), La transformada y su inversa son
distributivas en la suma, pero no en la multiplicación, como
se ve en la Fig 7.
Figura 7. Transformada de Fourier y su inversa
Para el cálculo práctico de la DFT de una imagen de
dimensión NxN es preciso realizar un número proporcional a
N2 operaciones de multiplicación. Por ello, en la práctica
se emplea un algoritmo basado en la transformada rápida
de Fourier ó FFT, el cual se basa en la descomposición de
la ecuación genérica de la DFT, de manera que el número
de operaciones necesarias para implementar la transformada
queda reducido a N x log2(N). Este método supone un gran
ahorro de necesidades de cálculo y tiempo de procesado.
El Teorema de la convolución es de gran importancia en la
práctica de este teorema radica en que cualquier convolución
de una imagen puede obtenerse como el producto de dos
imágenes en el dominio de la frecuencia.
Las transformadas de Fourier directa e inversa, además del
teorema de convolución que se muestra en los siguientes
apartados, sirve para el diseño de filtros en el espacio de
las frecuencias. La convolución se aplica transformando
tanto el filtro como la imagen al dominio de la frecuencia,
multiplicando ambas transformadas entre sí y calculando la
transformada inversa del resultado. (ver Fig 8)
Figura 8. Diseño y aplicación de filtros en el dominio de la frecuencia
La función de transferencia se refiere a la respuesta en
frecuencias de un filtro. Dado que el tamaño del filtro es
menor que el de la imagen, deberá completarse con ceros
hasta alcanzar el mismo tamaño que la imagen antes de
calcular su transformada. Los valores de los píxeles en la
imagen de la transformada de Fourier, F(u.v), representan
los componentes de frecuencia espacial, verticales y ho-
rizontales, de la imagen original. En la Fig 9 se pueden
ver tres distribuciones espaciales distintas y el efecto que
tienen sobre la representación en forma de imagen de sus
transformadas, incluyendo el claro componente direccional
de las frecuencias.
Figura 9. Ejemplo distribuciones
II. IMPLEMENTACIÓN DFT Y FFT (TRANSFORMADA
DISCRETA Y RÁPIDA DE FOURIER)
II-A. TRANSFORMADA DE FOURIER EN NUMPY
A continuación se podrá observar como encontrar la trans-
formada de fourier usando la librería de numpy, en el paquete
de numpy para hallar la FFT la cual es,np. fft. fft2() nos
proporciona la transformación de frecuencia, la cual será
una matriz compleja. Su primer argumento es la imagen de
entrada, que deberá estar en escala de grises. El segundo
argumento es opcional y decide el tamaño de la matriz de
VOLUME 4, 2016
salida. Si es mayor que el tamaño de la imagen de entrada,
la imagen de entrada se rellena con ceros antes del cálculo
de FFT. Si es inferior a la imagen de entrada, se recortará
la imagen de entrada. Si no se pasa ningún argumento, el
tamaño de la matriz de salida será igual al de la entrada.
Una vez obtenido el resultado, la componente de fre-
cuencia cero (componente DC) estará en la esquina superior
izquierda. Si quieres ponerlo en el centro, necesitas desplazar
el resultado en N/2 en ambas direcciones. Esto se hace
simplemente con la función np. fft. fftshift() (Es más fácil
de analizar). Una vez que se encuentre la transformación de
frecuencia, se puede encontrar el espectro de magnitudes a
continuación un ejemplo:
Figura 10. Ejemplo de la FFT-Numpy
En la imagen de la derecha se puede apreciar una región
más blanca en el centro mostrando que el contenido de baja
frecuencia es mayor.
Ya que se obtuvo la transformación de frecuencia ahora
se puede reconstruir la imagen original, esto quiere decir en-
contrar la DFT inverso.Para eso se encuentra la FFT inversa
utilizando la función np.ifft2().El resultado, de nuevo, sera un
numero complejo, del cual puedes tomar su valor absoluto a
continuación un ejemplo:
Figura 11. Ejemplo de la IFFT-Numpy
III. TIPOS DE FILTROS EN FRECUENCIA Y
APLICACIÓN EN DIP
Para poder reducir el ruido presente en las imágenes
digitales, se puede hacer uso de filtros, estos filtros pueden
estar basados en el dominio espacial o de la frecuencia. Los
filtros de dominio en frecuencia se basan en la utilización
de la transformada de Fourier de una imagen, modificando
3
esta para lograr un objetivo específico y después calcular
la transformada inversa para obtener la imagen procesada.
La transformada de fourier hace la transformación de un
dominio espacial, a un dominio en frecuencia. (Ver fig 12)
Figura 12. filtrado en dominio de frecuencia
La salida de la transformación representa a la imagen en
el dominio de Fourier o dominio de la frecuencia, mientras
que la imagen de entrada esta en el dominio espacial. Cada
punto de la imagen en el dominio de Fourier representa una
frecuencia particular contenida en la imagen en el dominio
del espacio.
La función de transferencia se denota por H(x,y) y se
define (ver fig 13).
Figura 13. función de transferencia
Las frecuencias altas son las responsables de los bordes
o el ruido de la imagen, mientras que las frecuencias bajas
representan zonas homogéneas. Con esto se pueden clasificar
los tipos de filtros como los pasa bajas y pasa altas. El filtro
pasa baja permite atenuar las altas frecuencias y dejar inva-
riantes las bajas, el filtro pasa alta atenúan bajas frecuencias
y mantienen las altas. Estos filtros se caracterizan por tener
frecuencias de corte (Do) que permitirá hacer un mayor o
menor suavizado. Los función de trasferencia de los filtros se
encargará de cortar las frecuencias que superen o que queden
por debajo de esta frecuencia de corte.
Los filtros en el dominio de la frecuencia se usan para
eliminar altas o bajas frecuencias de la imagen, o bien realzar
o detectar bordes. Se modifica la Transformada de Fourier de
la imagen multiplicando por una cierta función H que hará
atenuar las bajas o altas frecuencias según se requiera. Dada
la imagen original, f(x, y), con Transformada de Fourier, F,
vamos a aplicar la transformación. (Ver fig 14).
4 VOLUME 4, 2016
Figura 14. Transformada de fourier de la imagen
Para poder filtrar la imagen se deben seguir ciertos pasos,
tales como:
1. Multiplicar cada entrada f(x,y) por
(−1)x+y
2. Se transforma la imagen en su dominio de frecuencia
mediante la transformada Discreta de Fourier, F(u,v).
3. Se multiplica por un filtro de frecuencia H(u,v), para
cada (u,v): G(u,v) = H(u,v)*F(u,v).
4. Se calcula la inversa de la Transformada Discreta de
Fourier, volviendo así al dominio del espacio.
5. Se vuelve a multiplicar por
(−1)x+y
De acuerdo con esto, se puede encontrar principalmente 3
tipos de filtros en frecuencia: pasa bajas, pasa altas y pasa
bandas. Tam bién están los filtros Butterworth y Gaussiano,
que se pueden comportar como pasa baja o pasa alta.
El filtro Pasa baja atenúa las componentes de medias-
altas frecuencias y deja intactas las bajas en función de la
frecuencia de corte que se requiera. De esta forma, elimina
todo lo que no sean variaciones suaves de nivel de gris. Este
filtro suprime las altas frecuencias mayores que un cierto
valor Do (frecuencia de corte).
el filtro Pasa alta Deja inalterables las altas frecuencias
y atenúa o elimina las bajas frecuencias, deja intactas las
de medias-altas en función de la frecuencia de corte que
se requiera. Este filtro suprime las frecuencias menores o
iguales que un cierto valor Do.
El filtro Pasa banda atenúa las altas y bajas frecuencias,
pero mantiene intactas las frecuencias que se encuentran en
una banda determinada. Solo deja pasar las frecuencias que
están entre dos frecuencias de corte. Se puede obtener un
filtro de banda multiplicando uno de paso bajo por uno de
paso alto, en el que la frecuencia de corte del de paso bajo
sea superior a la de paso alto. El opuesto al filtro de paso
de banda seria de “rechazo de banda” en el que se atenúan
las frecuencias de la banda pero se mantienen las frecuencias
fuera de ella.
El filtro Butterworth se puede comportar como pasa baja
o pasa alta, de acuerdo a la función de transferencia y la
frecuencia de corte Do que se escoja. Este es de orden s.
(ver fig 15 y fig 16).

Figura 15. Función de transferencia de filtro Butterworth: pasa baja
Figura 16. Función de transferencia de filtro Butterworth: pasa alta
Del mismo modo, el filtro Gaussiano se puede comportar
como un filtro pasa baja o pasa alta, dependiendo de la
función de transferencia y la frecuencia de corte Do, para
el pasa alta la frecuencia de corte localizada a una distancia
Do desde el origen. (ver fig 17 y 18)
Figura 17. Función de transferencia de filtro Gaussiano: pasa alta
Figura 18. Función de transferencia de filtro Gaussiano: pasa alta
IV. INTERPRETACIÓN DEL RESULTADO OBTENIDO
CON UN FILTRO PASA BAJAS
Después de obtener la imagen en frecuencia y al realizar
un filtrado pasa bajas el cual tiene como objetivo en general
atenuar las altas frecuencias y dejar invariantes las bajas,
así se puede observar una imagen mucho mas suavizada u
homogénea o en otras palabras una imagen mas nítida.
V. INTERPRETACIÓN DEL RESULTADO OBTENIDO
CON UN FILTRO PASA ALTAS
El filtro pasa alta se caracteriza por atenuar las frecuencias
bajas y dejar pasar las medio-altas. Al obtener la imagen en
VOLUME 4, 2016
frecuencia ya filtrada, se obtiene esta información a partir de
las frecuencias altas con el fin de hacer un realzado en los
cambios bruscos de niveles de grises, reducir el ruido de la
imagen y realzar los bordes de la imagen.
VI. CONVOLUCIÓN EN FRECUENCIA Y APLICACIÓN
EN FILTROS DIP
VI-A. TEOREMA DE LA CONVOLUCIÓN EN
FRECUENCIA
La operación de convolución de una imagen digital en el
dominio espacial (x,y) consiste, tal y como ya se ha estudiado
anteriormente, en la aplicación de un filtro o máscara de
un tamaño dado (3x3, 5x5,...), pixel a pixel, operando con
los valores de la imagen en el vecindario de cada pixel y
con los pesos o coeficientes de ponderación que conforman
el filtro, los cuales se eligen en función del objetivo del
mismo, lo anterior fue traído debido a que se puede definir
la convolución como se observa a continuación:
Figura 19. Teorema de la convolución-1
Donde la doble flecha indica que la expresión de la derecha
se obtiene con la transformada de fourier de la expresión
de la izquierda, mientras que la expresión de la izquierda se
obtiene con la transformada inversa de fourier de la expresión
de la derecha.
Figura 20. Teorema de la convolución-2
De manera muy similar la convolución suscitada en la
frecuencia es análoga a la multiplicación en el espacio como
se observa en el teorema de la convolución-2.
VI-B. APLICACIÓN EN FILTROS EN DIP(DE LA
CONVOLUCIÓN)
La importancia práctica del teorema anteriormente expues-
to radica en que cualquier convolución de una imagen puede
obtenerse como el producto de dos imágenes en el dominio
de la frecuencia, lo que aporta como ventajas:
El diseño de un filtro en el dominio de fourier(Frecuencia)
es directo, en función de la respuesta en frecuencias que
se espere conseguir. Además, a partir de la respuesta en
frecuencias se puede calcular la máscara de convolución
equivalente en el dominio espacial mediante la transformada
inversa de la matriz de filtrado.
Debido a que la convolución en el dominio espacial solo
es viable para mascaras pequeñas, debido a el incremento
5
en el tiempo de procesado, la convolución en el dominio
de la frecuencia es independiente de este parámetro, siendo
así perfecta cuando se deseen aplicar convoluciones de gran
tamaño.
En los filtros anteriormente mencionados(Filtros pasa
baja-alta etc) en el dominio de la frecuencia se hace el uso de
la convolución para lograr obtener información mas detallada
de las imágenes y así dependiendo del tipo de filtro poder ya
sea suavizar, enfocar, desenfocar etc.

Referencias
[1] Filtros de convolución [online]. Available: https://bit.ly/2Xw8AZE

[2] Técnicas de filtrado [online]. Available: https://bit.ly/2VkJXSk

[3] González, R.C., Wintz, P. (1996), Procesamiento digital de imágenes.

Addison Wesley, Capítulo 3: Filtrado de imágenes. Available:
https://bit.ly/2SayNds

[4] Ruiz Fernández, Luis Ángel. La transformada de Fourier: Aplicación al

filtrado de imágenes. Universitat politecnica de Valencia. ETSI. Geodésica,
Cartográfica y Topográfica. Available: https://bit.ly/2IJq4NP

[5] Cristina Pérez Benito. DISEÑO DE FILTROS PARA EL PROCESADO

DE IMÁGENES BASADOS EN TEORÍA DE GRAFOS. Departamento de
Matemática aplicada, Universitat politecnica de Valencia. (2015, julio 20).
Available: https://bit.ly/2Go0MCi

[6] Virginia Friedrich. Transformada de Fourier de una Imagen y filtrado de

una imagen en el dominio de la frecuencia. Funciones de Variable Compleja.
Universidad Nacional del Sur, Marzo 2013. Available: https://bit.ly/2GqSppy

6 VOLUME 4, 2016