Taller 4

Sarahy V. Chilanguay V. Felipe Ocampo O. Karen E. Otero M.

sarahy.chilanguayv@autonoma.edu.co felipe.ocampoo@autonoma.edu.co karen.oterom@autonoma.edu.co

Resumen—En el siguiente informe se encuentran el código e plt.show

imágenes obtenidas en el programa Spyder para la actividad
propuesta como taller 4 de la asignatura procesamiento digital Al5 %
de imágenes (DIP). p5, p95 = np.percentile(img, (5, 95))
imgr escale5 = exposure.rescalei ntensity(img, inr ange =
1. Librerias utilizadas. (p5, p95))
plt. f igure(1)
plt.subplot(2, 3, 3)
import matplotlib
plt.title(0 Stretching5 %0 )
import matplotlib.pyplot as plt
io.imshow(imga su byte(imgr escale5))
import numpy as np
plt.subplot(2, 3, 6)
plt.title(0 Histograma0 )
from skimage import data, imga s f loat, io, imga su byte
plt.hist(imgr escale5.ravel(), bins = 256)
f romskimageimportexposure
plt.grid(True)
plt.show

2. Código Al10 %
p10, p90 = np.percentile(img, (10, 90))
matplotlib.rcParams[’font.size’] = 8 imgr escale10 = exposure.rescalei ntensity(img, inr ange =
Para aks5banda8.png equalización adaptativa (p10, p90))
Para aks6banda9.png equalización adaptativa plt. f igure(2)
plt.subplot(2, 3, 1)
Load an example image plt.title(0 Stretching10 %0 )
img = io.imread(’aks6banda9.png’) io.imshow(imga su byte(imgr escale10))
plt.figure(1) plt.subplot(2, 3, 4)
plt.subplot(2,3,1) plt.title(0 Histograma0 )
plt.title(’Imagen Original’) plt.hist(imgr escale10.ravel(), bins = 256)
io.imshow(imga su byte(img)) plt.grid(True)
plt.subplot(2, 3, 4) plt.show
plt.title(0 Histograma0 )
plt.hist(img.ravel(), bins = 256) Equalization
plt.grid(True) imge q = exposure.equalizeh ist(img)
plt.show plt. f igure(2)
plt.subplot(2, 3, 2)
Contraststretching plt.title(0 Equalización0 )
Al2 % io.imshow(imga su byte(imge q))
p2, p98 = np.percentile(img, (2, 98)) plt.subplot(2, 3, 5)
imgr escale2 = exposure.rescalei ntensity(img, inr ange = plt.title(0 Histograma0 )
(p2, p98)) plt.hist(255 ∗ imge q.ravel(), bins = 256)
plt. f igure(1) plt.grid(True)
plt.subplot(2, 3, 2) plt.show
plt.title(0 Stretching2 %0 )
io.imshow(imga su byte(imgr escale2)) AdaptiveEqualization
plt.subplot(2, 3, 5) imga dapteq = exposure.equalizea dapthist(img, clipl imit =
plt.title(0 Histograma0 ) 0,01)
plt.hist(imgr escale2.ravel(), bins = 256) plt. f igure(2)
plt.grid(True) plt.subplot(2, 3, 3)
plt.title(0 EqualizaciónAdaptativa0 ) 4. Para la imagen aks6banda9.
io.imshow(imga su byte(imga dapteq))
plt.subplot(2, 3, 6)
plt.title(0 Histograma0 )
plt.hist(255 ∗ imga dapteq.ravel(), bins = 256)
plt.grid(True)
plt.show

3. Para la imagen aks5banda8.

Figura 3. Mejoramiento de propiedades para aks6banda9.

Figura 1. Mejoramiento de propiedades para aks5banda8.

Figura 4. Mejoramiento de propiedades para aks6banda9.

Figura 2. Mejoramiento de propiedades para aks5banda8.
5. Análisis de resultados
La ecualización del histograma aumenta el contraste de las
imagenes, sobre todo cuando los datos de la imagén estan
representado por valores de contraste cercanos. A través de
este ajuste, las intensidades pueden ser mejor distribuidas
en el histograma. Esto permite que las zonas de menor
contraste local para obtener un mayor contraste. Ecualización
del histograma logra esto mediante la difusión de manera
efectiva los valores de intensidad más frecuentes. El método
es útil en las imágenes con fondos y primeros planos que
sean brillantes o ambos oscuro.
La ecualización del histograma adaptativo es una técnica
utilizada para mejorar el contraste en las imágenes. Se dife-
rencia del método básico de ecualización del histograma en el
respeto que el método adaptativo calcula varios histogramas,
cada uno correspondiente a una sección distinta de la imagen,
y las utiliza para redistribuir los valores de luminosidad de
la imagen. Por tanto, es adecuado para mejorar el contraste
local y la mejora de las definiciones de bordes en cada región
de una imagen.
Contrast stretching es una técnica simple de mejora de
imagen que intenta mejorar el contraste de una imagen al
’estirar’ el rango de valores de intensidad que contiene para
abarcar un rango deseado de valores, p. el rango completo
de valores de pı́xeles que permite el tipo de imagen en
cuestión. Se diferencia de la ecualización de histograma más
sofisticada en que solo puede aplicar una función de escala
lineal a los valores de pı́xeles de la imagen.

6. Conclusión
Para las imágenes que se van a implementar se decidió usar
la equalización adaptativa debido a que proveé una mejor
visualización de los bordes del área de interés para segmentar
con mayor facilidad, puesto que nos da una mayor diferencia
entre las tonalidades de grises, en conclusión está técnica
de mejoramiento da una mayor nitidez a las imágenes a
implementar.

Referencias
[1] Anaconda, Spyder, Python