Formaciones de vecindad extracción de bordes

Los bordes son pixeles alrededor de los cuales la imagen presenta una brusca variación en
los niveles de gris, tiene como objetivo detectar las zonas de cambios bruscos de intensidad
y realzarlas, obteniendo una imagen resultante en la cual se han destacado los bordes. Son
muy efectivos para acentuar el contraste y detectar puntos aislados o pequeños detalles, si se
aumenta el tamaño de la máscara. De la misma forma es posible diseñar máscaras de
detección de bordes que detecten la presencia de líneas finas en una imagen. Al usar el
concepto de gradiente, la dirección espacial en la cual la variación de intensidad es mayor,
se establece una imagen de salida donde se realzan las curvas en las cuales el gradiente es
máximo.
Los bordes de una escena suelen ser invariantes a los cambios de luz. Es por ello que
muchos sistemas de análisis de imágenes utilizan detección de bordes para trabajar con
éstos, y no con la imagen original. Sin embargo, los filtros de detección de bordes son muy
sensibles al ruido, por lo cual es habitual combinarlos con filtros de suavizado previos a la
etapa de detección.
La mayoría de las técnicas para detectar bordes emplean operadores locales basados en
distintas aproximaciones discretas de la primera y segunda derivada de los niveles de grises
de la imagen.
Para detección de bordes existen los siguientes operadores:
 Operadores de primera derivada.
 Operadores de segunda derivada.
Detección de bordes utilizando derivadas
Es posible introducir conceptos análogos a la derivación de cálculo continuo de orden 1, 2,
etc. a fin de realizar procesamientos específicos sobre imágenes de interés.
La primera derivada es cero en todas las regiones de intensidad constante y tiene un valor
constante en toda la transición de intensidad.
La segunda derivada, en cambio es cero en todos los puntos, excepto en el comienzo y en el
final de una transición de intensidad. Por lo tanto, un cambio de intensidad se manifiesta
como un cambio brusco en la primera 1 derivada y presenta un cruce por cero, es decir
produce un cambio de signo en su valor, en la segunda derivada. Este cambio de signo se le
conoce como “zero-crossing”.
Gradiente de una imagen
La derivada de una señal continua proporciona las variaciones locales con respecto a la
variable, de forma que el valor de la derivada es mayor cuanto más rápidas son estas
variaciones. En el caso de funciones bidimensionales f (x, y), la derivada es un vector que
apunta en la dirección de la máxima variación de f (x, y) y cuyo módulo es proporcional a
dicha variación. Este vector se denomina gradiente y se define:
El gradiente es un vector, en donde sus componentes miden la rapidez con que los valores de
los píxeles cambian en la distancia, en las direcciones X y Y
Las técnicas clásicas de detección de bordes se basan en diferenciar a la imagen, esto es,
encontrar la derivada respecto a los ejes X y Y, o con el gradiente. El gradiente de una
función f (x; y) se define como la siguiente ecuación
∂ f ∂f
∆ f =( , )
∂x ∂ y
La magnitud del gradiente se calcula por medio de la ecuación

∂ y 2 ∂f 2
|∆ f |= (
√ ∂x
) +(
∂y
)

En el caso de imágenes discretas, se puede considerar dx y dy en términos del número de

píxeles entre dos puntos. Así, cuando dx=dy=1 y el punto donde vamos a medir el gradiente,
tiene coordenadas (i, j), tenemos que la siguiente ecuación
∂ ⃗ ∂ ⃗
Gradiente 1°derivada de f G ( x , y )= i+ j
∂x ∂ y
El gradiente para una imagen es un vector de 2 componentes,
como se muestra en la Figura
-Gradiente en X, fx
-Gradiente en Y, fy

Gráfica del gradiente para imágenes

La magnitud se calcula mediante la ecuación, como resultado
podemos ver la Fig., mostrada a continuación.

|∆ f ( x , y )|=m ( x , y ) =√ fx2 + fy2

La magnitud es igual a la fortaleza del borde.

La orientación se calcula mediante la siguiente ecuación, y como resultado
podemos ver la Fig., mostrada a continuación.
fy
|∆ f ( x , y )|=∅ ( x , y )=tan −1
fx
La orientación es igual a la dirección del borde.
Operador de Sobel
Los operadores de Sobel al igual que los operadores de gradiente tienen la tarea de suavizar
la imagen de tal manera que se elimina un poco de ruido de la imagen si es que lo tiene, por
lo consiguiente se puede desaparecer falsos bordes.
Características
Matemáticamente, el gradiente de una función de dos variables para cada punto es un vector
bidimensional. Para cada punto de la imagen, el vector gradiente apunta en dirección del
incremento máximo posible de la intensidad, y la magnitud del vector gradiente corresponde
a la cantidad de cambio de la intensidad en esa dirección.
El operador utiliza dos kernels de 3×3 elementos para aplicar convolución a la imagen
original
Para calcular aproximaciones a las derivadas, un kernel para los cambios horizontales y otro
para las verticales. Si definimos {A} como la imagen original, el resultado, que son las dos
imágenes G{x} y G{y} que representan para cada punto las aproximaciones horizontal y
vertical de las derivadas de intensidades, es calculado como
−1 0 +1 −1 −2 11

[
Gx= −2 0 +2 ∗A
−1 0 +1 ] y Gx= 0
[ 0 0 ∗A
+1 + 2 +1 ]
En cada punto de la imagen, los resultados de las aproximaciones de los gradientes
horizontal y vertical pueden ser combinados para obtener la magnitud del gradiente,
mediante:

G= √ Gx 2+Gy 2
Con esta información, podemos calcular también la dirección del gradiente:
Gy
θ=tan −1
Gx
Donde, por ejemplo,θ es 0 para bordes verticales con puntos más oscuros al lado izquierdo.

Ventajas
  Buena respuesta en bordes horizontales y verticales.
 Diversidad de tamaños en las máscaras.
 Poco sensible al ruido.
Desventajas
 Mala respuesta en bordes diagonales.
 Lentitud de cálculo.
 No da información acerca de la orientación del borde.
 Anchura del borde de varios píxeles.
Operador Prewitt
Prewitt es un filtro de uso común para detectar el borde de una imagen. Se divide en
operadores horizontales y verticales, que se utilizan para detectar los bordes verticales y
horizontales respectivamente (Nota: la forma horizontal del filtro detecta el borde vertical de
la imagen, la forma vertical del filtro Detecta el borde horizontal de la imagen)
Detecta cambios en los límites de la respuesta al ruido, así como los cambios abruptos en la
intensidad de la imagen.
Filtro de pre ajuste horizontal (detección de bordes verticales)

Filtro de pre ajuste vertical (detectar bordes horizontales)

Ventajas
 Buena respuesta en bordes horizontales y verticales
 Poco sensible al ruido.
 Proporciona la magnitud y dirección del borde
Desventajas
 Mala respuesta en bordes diagonales.
 Lentitud de cálculo.
 Anchura del borde de varios píxeles
Comparación del filtro Prewitt y el filtro Sobel
Al comparar el uso del operador Sobel y el operador Prewitt para la detección de bordes de
imagen, el filtro Sobel puede obtener bordes más claros y brillantes
El operador de Roberts
Operador de Roberts También conocido como algoritmo diferencial cruzado, es un
algoritmo de gradiente basado en diferencial cruzado, que detecta líneas de borde a través
del cálculo diferencial local. Se utiliza comúnmente para procesar imágenes empinadas y
con poco ruido. Cuando el borde de la imagen está cerca de más o menos 45 grados
Operador de Roberts modelo Dividido en dirección horizontal y dirección vertical, como se
muestra en la siguiente formula

dx= 0 1 dy=[ 1 0 ]
[
−1 0 ]0 −1

Para la forma horizontal y vertical

Ventajas
 Buena respuesta en bordes horizontales y verticales.
 Buena localización.
 Simpleza y rapidez de cálculo.
Desventajas
 Mala respuesta en bordes diagonales.
 Sensible al ruido.
 Empleo de máscaras pequeñas.
 No da información acerca de la orientación del borde.
 Anchura del borde de varios píxeles.
Operadores de segunda derivada
Cuando se utiliza un valor umbral para determinar si existe o no un borde, se puede llegar a
detectar muchos puntos, por lo que se producen bordes gruesos; una forma de eliminar esto es
encontrar únicamente los puntos que tienen un máximo local en los valores de gradiente y
considerar entonces éstos como puntos de borde.

Lo anterior significa que los bordes serán un pico en la primera derivada y mediante la
segunda
derivada de la intensidad de la imagen, los bordes pueden ser detectados al encontrar los
cruces por cero.
Una desventaja de la segunda derivada es que es muy sensible al ruido, por lo que el filtrado
es realizado previo a la detección del borde.
Existen dos operadores en dos dimensiones que corresponden a la segunda derivada:
Operador laplaciano
Operador diferencial de segundo orden denotado como Δ, Se utiliza a menudo en el campo
de la mejora de imágenes y la extracción de bordes. Calcula los píxeles de la vecindad por
diferencia de grises.
Flujo de algoritmo básico
1) Determine el valor de gris del píxel central de la imagen y el valor de gris de otros píxeles
a su alrededor. Si el valor del píxel central es mayor, entonces el valor del píxel central
aumentará; de lo contrario, el valor de gris del píxel central se reducirá para lograr la
operación de nitidez de la imagen
2) En el proceso de implementación del algoritmo, el operador laplaciano calcula los
gradientes en las cuatro u ocho direcciones del píxel central en el vecindario y luego agrega
los gradientes para determinar la relación entre el nivel de gris del píxel central y los niveles
de gris de otros píxeles en el vecindario;
3) Finalmente, la escala de grises de píxeles se ajusta mediante el resultado de la operación
de degradado.
El laplaciano de una función bidimensional f (x, y) es una derivada de segundo orden definida por la
ecuación

El operador laplaciano se divide en cuatro vecindarios y ocho vecindarios. Cuatro

vecindarios es obtener gradientes en cuatro direcciones del píxel central del vecindario, y
ocho vecindarios es obtener gradientes en ocho direcciones.
Entre ellos, el operador laplaciano Cuatro barrios la plantilla tiene este aspecto:

0 −1 0

[
H= −1 4 −1
0 −1 0 ]
Operador laplaciano Ocho barrios la plantilla tiene este aspecto:

−1 −1 −1

[
H= −1 8 −1
−1 −1 1 ]
Ventajas
 Buena localización siempre que las aristas estén bien separadas y la relación señal
ruido sea alta.
 Anchuras de bordes óptimas.
 Independiente de la orientación del borde: buena respuesta en bordes horizontales,
verticales y diagonales.
Desventajas
 Muy sensible al ruido.
 Fiabilidad baja, pudiendo aparecer como identificados falsos bordes.

Laplaciano de Gaussiano
El Laplaciano del Gaussiano combina el filtrado Gaussiano con el Laplaciano para la
detección de bordes. Este método consiste en tres pasos, los cuales son: filtrado, realce y
detección.
 El filtrado para suavizar la imagen es Gaussiano
 El paso de realce es la segunda derivada
 El criterio de detección es la presencia de un cruce por cero en la segunda derivada
con el correspondiente pico en la primera derivada.
El filtrado Gaussiano es una clase de filtrado lineal suave en el que los valores son escogidos
de acuerdo a la forma de una función Gaussiana, las características principales consisten en
que este filtro es efectivo como pasa-bajas desde el punto de vista espacial y dominio de las
frecuencias.
2 2
−x +y
x 2+ y 2
−1
[
log = 4 1−
πσ 2 σ2
e
] 2σ
2

Se puede verificar la diferencia que existe entre la detección de bordes con el operador
laplaciano y el operador laplaciano de gaussiano. Con el segundo operador se reduce
sustancialmente el ruido que está presente en la detección con el primer operador