Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
Figura 2. Mejoramiento de propiedades para aks5banda8. 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