TRATAMIENTO DE IMAGENES

FASE II

Presentado por:
MINEIRA PAPAMIJA

Grupo:
208054_15

Tutor
PAOLA ANDREA MATEUS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA

SEPTIEMBRE 2017
1. Investigación de las siguientes preguntas

a. ¿Qué es moralización o binarización?

Un grupo de algoritmos cuya finalidad es segmentar gráficos con el fin de separar

los objetos de una imagen que nos interesen del resto, es posible identificar qué
píxeles conforman los objetos que buscamos y qué píxeles son sólo el entorno de
estos objetos.

Normalmente los métodos del valor umbral "binarizan" la imagen de partida, es

decir se construyen dos segmentos: el fondo de la imagen y los objetos buscados. La
asignación de un pixel a uno de los dos segmentos (0 y 1) se consigue comparando
su nivel de gris g con un cierto valor umbral preestablecido t (en inglés threshold).
La imagen final es muy sencilla de calcular ya que para cada pixel sólo hay que
realizar una comparación numérica.
La regla de cálculo correspondiente es:
T g= 0 si g <t
{ }
1 si g ≥t

b. ¿Cuál es la diferencia entre umbralización global y local y su implementación

en Matlab?

Método global del valor umbral se elige un valor umbral para toda la imagen. Este
método es el más fácil de calcular, pero también muy sensible a las pequeñas
variaciones que puedan existir en la luminosidad de la imagen.

Método local del valor umbral se divide la imagen original en regiones y se

establece un valor umbral para cada una de ellas. Es decir en cada región de la
imagen Ri se establece un valor umbral ti, sin que esto afecte a la calidad de la
segmentación de las otras regiones.

En comparación con el método global, el método local es menos sensible a las

variaciones de luminosidad, pero en las fronteras entre las regiones elegidas pueden
aparecer desniveles visibles.

level = graythresh(I)
[level,EM] = graythresh(I)

Umbral global de la imagen con el método de Otsu

Calcula el nivel umbral global que puede usarse para convertir una imagen de
intensidad en una imagen binaria con el comando imbinarize. La función
graythresh utiliza el método de Otsu, que elige el umbral para minimizar la varianza
intraclase de los píxeles en blanco y negro
 [level,EM] = graythresh(I) Devuelve la métrica de efectividad, EM, como el
segundo argumento de salida. La métrica de efectividad es un valor en el rango [0,
1] que indica la efectividad del umbral de la imagen de entrada. El límite inferior es
alcanzable sólo por imágenes que tienen un único nivel de gris, y el límite superior
es alcanzable sólo por imágenes de dos valores.

Implementación en Matlab
¿ ℑ2 bw( f , T )
Donde T es el umbral tal que todos los niveles de intensidad por debajo de T los
hace 0 y todos los que son mayores que T los hace 1. Dicho umbral se puede
obtener con la siguiente función la cual aplica el método de Otsu:
¿ T =graythresh( f )
Ejemplo 1:

c. ¿Qué es umbral de Otsu?

El método de Otsu calcula el valor umbral de forma que la dispersión dentro de

cada segmento sea lo más pequeña posible, pero al mismo tiempo la dispersión sea
lo más alta posible entre segmentos diferentes. Para ello se calcula el cociente entre
ambas variancias y se busca un valor umbral para el que este cociente sea máximo.

d. ¿Qué es reducción de ruido en una imagen binaria?

Son las técnicas utilizadas para eliminar total o parcialmente la variación aleatoria
(que no se corresponde con la realidad) del brillo o el color en las imágenes
digitales producido por el dispositivo de entrada (la cámara digital en este caso).

e. ¿Qué es filtro mediana y cómo se implementa en Matlab?

 El procedimiento consiste en generar una nueva imagen cuya intensidad para cada
píxel se obtiene promediando los valores de intensidad de los píxeles incluidos en
un entorno de vecindad predefinido.

En Matlab la función que permite realizar un filtro de la media será: imfilter.

Esta función tiene la siguiente estructura:

B = imfilter(A,H,option1,option2,...)

Esta función filtra el array A con el filtro multidimensional H, el resultado se

almacena en B. Los parámetros option1, option2,…, son opciones de frontera, de
tamaño del array de salida y opciones de correlación o convolución.

Implementación en Matlab
Syntax
B=medfilt 2( A )
B=medfilt 2( A ,[mn ])
B=medfilt 2(¿¿ , padopt )
gpuarrayB=medfilt 2 ¿

Ejemplo:
Leer la imagen en el espacio de trabajo y mostrarlo
I =imread (' eight .tif ') ;
figure, imshow(I )

f. ¿Para qué sirven los filtros de suavizado en una imagen?

Tienen por objeto reducir el ruido y/o efectos espurios que pueden presentarse en
una imagen a consecuencia del proceso de captura, digitalización y transmisión. Su
utilización es normalmente necesaria antes de la aplicación de un detector de
bordes.
g. ¿Cuál es la diferencia entre ruido gaussiano y ruido de sal y pimienta?

El ruido sal y pimienta los píxeles de la imagen son muy diferentes en color o
intensidad a los píxeles circundantes. Generalmente, este tipo de ruido, afectará a
una pequeña cantidad de píxeles de la imagen. Al ver la imagen, encontraremos
puntos blancos sobre puntos negros o puntos negros sobre puntos blancos

El ruido de tipo gaussiano, todos y cada uno de los píxeles que componen la
imagen cambian su valor, de acuerdo con una distribución normal o gaussiana.

h. Explique diferentes técnicas de segmentación de imágenes

La segmentación de imágenes se ocupa de descomponer una imagen en sus partes

constituyentes, es decir, los objetos de interés y el fondo, basándose en ciertas
características locales que nos permiten distinguir un objeto del fondo y objetos
entre sí.

Los métodos de segmentación se pueden agrupar en cuatro clases diferentes:

a) Métodos basados en píxeles, que a su vez pueden ser: - locales (basadas en las
propiedades de los píxeles y su entorno) - globales (basadas en la información
global obtenida, por ejemplo, con el histograma de la imagen).

b) Métodos basados en bordes.

c) Métodos basados en regiones, que utilizan las nociones de homogeneidad y
proximidad geométrica, como las técnicas de crecimiento, fusión o división.
d) Métodos basados en modelos.

i. ¿Qué es reconstrucción morfológica?

El objetivo de las transformaciones morfológicos es la extracción de estructuras

geométricas en los conjuntos sobre los que se opera, mediante la utilización de otro
conjunto de forma conocida, al que se le denomina elemento estructurante.
Su fundamento matemático se basa en la teoría de conjunto. Aunque en un principio
se aplicará sobre las imágenes binarizadas, luego se extenderá a las imágenes en
niveles de grises. Este uso a niveles de grises permitirá vislumbrar que el
procesamiento morfológico también se puede utilizar como técnica de procesado de
la señal.

j. ¿Qué tipos de funciones morfológicas existen y cómo funcionan?

Morfología binaria
Son aquellas que tienen dos niveles, generalmente blanco y negro. Por lo tanto,
pueden ser representadas mediante conjuntos. Por ejemplo, el conjunto de todos los
pixels blancos de una imagen blanco y negro constituyen una descripción completa
de la imagen.

Morfología en escala de grises

Las operaciones morfológicas pueden extenderse del caso binario a la escala de

grises por medio de esta propiedad, puesto que estas últimas señales pueden
expresarse como una suma ponderada de imágenes binarias.
Operaciones morfológicas: dilatación, erosión, apertura, cierre.
•Aplicaciones:
•Gradiente morfológico, transformada Top-Hat, texturas y
granulometrías.

Apertura y cierre
La apertura binaria elimina todos los objetos que no están completamente
contenidos en el elemento estructurante, pero además no disminuye el tamaño a los
objetos que superen la erosión. Sin embargo, la imagen resultante no recupera la
misma forma de los objetos filtrados de la imagen de entrada. Esta operación puede
ser ideal para la eliminación de ruido, aunque no preserva la geometría de los
objetos. Los bordes serán suavizados.
El cierre binario morfológico produce que la dilatación rellene las estructuras que la
erosión no puede separar. Los contornos de los objetos también serán suavizados,
pero habiendo rellanado las fisuras.

Top-hat

Las transformaciones Top-hat consisten en descubrir aquellas estructuras de la

imagen que han sido eliminadas en el filtrado de apertura o cierre. Una operación
entre la imagen original y el filtrado aumenta considerablemente el contraste de las
zonas eliminadas. Esta operación se define como un residuo entre la identidad y la
apertura o bien entre el cierre y la identidad:

Estas transformaciones suelen emplearse para eliminar los pequeños detalles

ruidosos antes de pasar a una etapa de realzado.
 REFERENCIAS

Extraído de http://asignatura.us.es/imagendigital/Matlab_PID_1314.pdf
Extraído de https://www.mathworks.com/help/images/ref/medfilt2.html
Extraído de http://isa.umh.es/asignaturas/rvc/cap6VAProcMorf.pdf

Rafael C. Gonzalez, Richard E. Woods: Digital Image Processing. Addison-Wesley,

Reading Mass 1992. ISBN 0-201-50803-6 (en inglés)

Global image threshold using Otsu's method - MATLAB graythresh - MathWorks United
Kingdom. (2017). Mathworks.com.
https://www.mathworks.com/help/images/ref/graythresh.html