1085258381 || Rodrigo Nelson Vallejo || 208054_19
Tratamiento de Imágenes
Tarea_2_Segmentación de Imágenes
(Octubre 2021)
Rodrigo Nelson vallejo Guerrero C.C. 1085258381 Grupo: 208054_19
Resumen -En presente trabajo se realizará una parte teórica en
la cual sentaremos las bases para posteriormente realizar parte
práctica. Mediante la respuesta de preguntas aumentaremos
nuestros conocimientos y tendremos una idea de los comandos y
comportamientos esperados de actividades a realizar en parte
práctica de presente guía de actividades.
I. INTRODUCCION
E n esta era digital, donde vemos que los dispositivos
digitales están en gran demanda, podemos hacer uso de algunas
de las mejores características que estos poseen, como es la
cámara fotográfica, la cual a diario hacemos uso, desde una
tarde recreativa hasta una importante junta directiva. Con la
cámara fotográfica podemos identificar objetos, texto y varias
funciones más, con solo tomar una fotografía. Es ahí donde la
segmentación de imágenes tiene un papel importante ya que
podemos identificar objetos específicos de una imagen. Este
proceso se realiza aplicando algunos filtros. La segmentación
de imágenes con el uso de filtros tiene una función en la
industria biomédica, ya que mediante una segmentación se
puede tomar radiografías, tomografías y varias especialidades
más.
II. OBJETIVOS
• Aumentar nuestros conocimientos mediante una
metodología de investigación.
• Definir el uso y significado de varios comandos
importante en el manejo de software especializado
Matlab.
• Realizar análisis de imágenes como resultado de
scripts de Matlab.
• Realizar script para la detección de bordes en una
imagen, métodos Canny y Sobel.
• Identificar los ruidos con los cuales se puede
presentar una imagen, adicional ver el
comportamiento de un filtro para eliminar el ruido,
1
ya sea Sal y Pimienta, así como el Gaussiano.
III. DESARROLLO DE ACTIVIDADES
1. Definición de Conceptos
1.1. Diferencia de Imágenes:
Podemos observar que tenemos una imagen en
formato binario por lo cual solo puede obtener
valores discretos 1 y 0. Imagen de la izquierda
podemos observar que es la imagen inversa de la
imagen de la derecha.
1.2. En Matlab una imagen en formato binario solo
puede tomar 2 valores discretos 1 y 0.
1.3. En la segmentación de imágenes se busca
descomponer la imagen en sus diferentes capas,
como por ejemplo en una imagen en formato RGB,
al segmentar la imagen se divide la imagen en las
tres capas de color rojo, verde y azul. En una imagen
en escala de grises se obtiene un arreglo
unidimensional con un total de 256 intensidades de
grises partiendo del 1 que equivale al negro y 255
corresponde al blanco.
1.4. La diferencia entre umbralización global y local
radica en el umbral que se establece en la imagen.
Es decir, en global se establece un umbral para toda
la imagen y no es posible una segmentación
detallada y solo es posible identificar grandes
cambios en la imagen. En local se establece un
umbral por cada píxel teniendo en cuenta la
vecindad de cada píxel. La umbralización local es
recomendable utilizar cuando la imagen no es
homogénea o posee sobras irregulares.
 1085258381 || Rodrigo Nelson Vallejo || 208054_19 2

1.5. Es una función estadística en la cual se realiza
múltiples análisis de la imagen y este escoge el
mejor umbral para una buena segmentación. Lo
importante y por lo cual su uso es más común que
otros es que este método es automático, no es
necesario supervisión alguna.
1.6. Se utilizan para darle un tratamiento previo a la
imagen, llenando pequeños espacios, eliminado un
cierto tipo de ruido. Esto con el fin de identificar
bordes y realizar una excelente segmentación de
imagen en la búsqueda de poder identificar objetos
específicos.
1.10.2. Cierre, también tiende a suavizar contornos,
pero a diferencia de la anterior, une cortes en
partes angostas y golfos largos y finos, elimina
pequeños huecos y llena baches en los
contornos.
1.10.3. La dilatación hace que los objetos sean más
visibles y rellena pequeños agujeros en el
objeto.
1.10.4. La erosión elimina las islas y los objetos
pequeños para que solo queden objetos
sustantivos.

1.7. Al realizar un análisis de las imágenes se logra

observar que en imagen derecha presenta ruido 2. Implementación de Códigos.
Gaussiano y en imagen de la izquierda presenta
ruido tipo Sal y Pimienta. La diferencia en las 2.1. Segmentación de Imagen.
imágenes son la intensidad de cada píxel, es decir en
ruido Gaussiano se producen valores aleatorios que 2.1.1. Código Matlab:
cambian con respecto al valor original del píxel.
Mientras que en el ruido Sal y Pimienta toman
valores muy altos o bajos, es decir Sal blanco y
Pimienta negro. Estos valores no tienen nada que ver
con el valor del píxel original.

1.8. Las técnicas de segmentación son:

1.8.1. Segmentación basada en regiones: La idea

fundamental de esta técnica es buscar regiones
con características similares. El problema
radica en clasificar las regiones para poder Imagen 1. Código script segmentación.
resaltar cada una de ellas.
1.8.2. Segmentación basada en fronteras: Busca
resaltar fronteras del objeto a identificar. El
problema radica en buscar las fronteras del
objeto.
1.8.3. Segmentación Mediante Umbralización:
Permite diferenciar diferentes objetos de
diferentes niveles de grises.

1.9. La reconstrucción Morfológica se caracteriza por

realzar la geometría y forma de los objetos, hasta
que el contorno de la imagen del marcador se ajusta
bajo una segunda imagen. En la reconstrucción
morfológica, los picos de la imagen del marcador
"se extienden" o se dilatan.
1.10. Se tiene funciones básicas que son:
1.10.1. Apertura, generalmente suaviza el contorno
de un elemento, rompe uniones angostas
(istmos) y elimina salientes finas.
Imagen 2. Código script segmentación.
2.1.2. Funciones Comandos
2.1.2.1. CLC: Borrar toda la información que se
encuentra en ventana de comandos.
2.1.2.2. CLEAR ALL: Borra todas las variables
que se encuentran en nuestro entorno de
trabajo, liberando estas de la memoria
del sistema.
2.1.2.3. CLOSE ALL: Cierra todas las figuras
que se encuentran visibles.
 1085258381 || Rodrigo Nelson Vallejo || 208054_19 3

2.1.2.4. IM2BW: Convierte una imagen en una

matriz de valor binarios. Según valor de 2.1.3.3. Figure 3: Histograma de Imagen Escala
una variable preestablecida se asigna un Grises
valor de 0 o 1 de acuerdo con valor de
luminancia establecida en variable como
entrada al llamado del comando. Este da
como resultado una imagen de igual
tamaño que imagen original.
2.1.2.5. BWAREAOPEN: Con este comando se
elimina todos los objetos que tengan
menos del número de pixeles definidos
en una variable que se establece al
momento de invocar este comando.

2.1.3. Análisis Imágenes:

2.1.3.1. Figure 1: Imagen Original.

Imagen 5. Histograma de imagen escala Grises.

2.1.3.4. Figure 4: Imagen Original Doble

Precisión.

Imagen 3. Imagen Original.

2.1.3.2. Figure 2. Imagen Original Escala Grises

Imagen 6. Imagen Original con Doble Precisión.

2.1.3.5. Figure 5: Imagen Binaria.

Imagen 4. Imagen Original a Escala Grises.

 1085258381 || Rodrigo Nelson Vallejo || 208054_19 4

Imagen 7. Figura Original en Tipo Datos Binario. Imagen 9. Imagen Binaria Segmentada, Umbral 0.6 y 10000 Pixeles.

2.1.3.6. Figure 6: Imagen Binaria Invertida. 2.1.3.8. Figure 7: Imagen Binaria Segmentada.

Imagen 8. Imagen Original Tipo Dato Binaria Invertida.

Imagen 10. Imagen Binaria Segmentada, Umbral 0.5 y 500 Pixeles

2.1.3.7. Figure 7: Imagen Binaria Segmentada.

2.1.3.9. Figure 7: Imagen Binaria Segmentada.
 1085258381 || Rodrigo Nelson Vallejo || 208054_19 5

2.2.2. Figure 1. Imagen Original.

Imagen 11. Imagen Binaria Segmentada, Umbral 0.2 y 25000 Pixeles

2.1.3.10. Análisis de Imágenes: Imagen 13. Imagen Original.

Al realizar una revisión y análisis de las imágenes resultado 2.2.3. Figure 2. Imagen Escala de Grises.
podemos observar que el tratamiento de imágenes es posible
mediante la creación de un algoritmo base y con el cual
podemos realizar el análisis de varios tipos de datos que en las
imágenes podemos ver.

En imagen 7 podemos ver la transformación de tipo de

imagen original a un tipo binario mediante el uso de comando
IM2BW.

En imágenes 9, 10 y 11 podemos observar el comportamiento

del script, en estas se puede ver el resultado del script
modificando el umbral de luminiscencia y la cantidad de
pixeles.

Al revisar los resultados de las imágenes puedo decir que la

mejor segmentación de imagen original se puede observar con
el umbral 0.5 y 500 de pixeles.

2.2. Filtro Sal y Pimienta – Gaussiano. Imagen 14. Imagen original en escala de grises.

2.2.1. Filtro Sal y Pimienta

2.2.4. Figure 3. Imagen Ruido Sal y Pimienta.

Imagen 12. Código filtro Sal y Pimienta.

 1085258381 || Rodrigo Nelson Vallejo || 208054_19 6

Imagen 17. Código filtro Gaussiano.

2.3.2. Figure 1. Imagen Original.

Imagen 15. Imagen Original con Ruido Sal y Pimienta.

2.2.5. Figure 4. Imagen Eliminado Ruido Sal y

Pimienta.

Imagen 18. Imagen Original.

2.3.3. Figure 2. Imagen Escala de Grises.

Imagen 16. Imagen con el filtro Sal y Pimienta.

2.2.6. Análisis de imágenes.

En imagen 15 se logra observar imagen

original con ruido sal y pimienta y en imagen
16 se logra observar el comportamiento de
filtro de la imagen en dos dimensiones,
obteniendo una imagen limpia de ruido sal y
pimienta.

2.3. Filtro Sal y Pimienta – Gaussiano.

2.3.1. Filtro Gaussiano Imagen 19. Imagen original en escala de grises.

 1085258381 || Rodrigo Nelson Vallejo || 208054_19 7

2.3.4. Figure 3. Imagen Ruido Gaussiano.

Imagen 22. Script detección bordes comando EDGE.

2.4.2. Funciones Canny – Sobel

2.4.2.1. Sobel: Encuentra bordes en aquellos

puntos donde el degradado de la imagen
es máximo, utilizando la aproximación
Imagen 20. Imagen Original con Ruido Gaussiano. de Sobel a la derivada de la imagen
seleccionada.
2.3.5. Figure 4. Imagen Eliminado Ruido Gaussiano.
2.4.2.2. Canny: La función calcula el degradado
utilizando la derivada de un filtro
gaussiano. Este método utiliza dos
umbrales para detectar bordes fuertes y
débiles, incluidos los bordes débiles en
la salida si están conectados a bordes
fuertes. Mediante el uso de dos
umbrales, el método Canny es menos
probable que los otros métodos se dejen
engañar por el ruido y, más es probable,
detectar bordes débiles verdaderos.

2.4.3. Análisis de Imágenes resultado

2.4.3.1. Figure 1. Imagen Original.

Imagen 21. Imagen con el filtro Sal y Pimienta.

2.3.6. Análisis de Imágenes.

En imagen 20 se logra observar imagen original con ruido

Gaussiano y en imagen 21 se logra observar el
comportamiento de filtro de la imagen en dos dimensiones,
obteniendo una imagen limpia de ruido Gaussiano.

2.4. Bordes Canny y Sobel

2.4.1. Código Script.

Imagen 23. Imagen Original.

 1085258381 || Rodrigo Nelson Vallejo || 208054_19
2.4.3.2. Figure 2. Imagen Original Escala de
Grises
Imagen 24. Imagen Original a Escala de Grises.
2.4.3.3. Figure 3. Bordes con Método Canny.
Imagen 25. Detección de Bordes Método Canny.
2.4.3.4. Figure 4. Bordes con Método Sobel
8
Imagen 26. Detección de Bordes Método Sobel
2.4.3.5. Análisis de Imágenes
En imagen 25 podemos observar el comportamiento de
comando EDGE con parámetro Canny como método para
detección de bordes. En imagen 26 observamos el resultado de
comando EDGE en el cual se usa método Sobel para la
correspondiente detección de bordes. Al realizar una
comparación de las imágenes podemos identificar más bordes
en método Canny que en método Sobel, esto debido a que
método Canny realiza la detección haciendo uso de dos
umbrales con los cuales es posible identificar bordes muy
débiles que se encuentran cerca a bordes de mayor intensidad.
Mientras que método Sobel solo realiza detección donde el
degradado de la imagen esta al máximo, utilizando un solo
umbral de intensidad.
2.5. Erosión.
2.5.1. Erosión Código
Imagen 27. Código Ventana de Comando.
2.5.2. Análisis de Imágenes.
2.5.2.1. Figure 1. Imagen Erosión 1.
 1085258381 || Rodrigo Nelson Vallejo || 208054_19 9

2.6. Dilatación.

2.6.1. Dilatación Código

Imagen 28. Resultado de Erosión 1.

2.5.2.2. Figure 2. Imagen Erosión 2.

Imagen 29. Código Ventana de Comando.

2.6.2. Análisis Imágenes.

2.6.2.1. Figure 1. Imagen Erosión 1.

Imagen 28. Resultado de Erosión 2.

2.5.3. Análisis de Resultados.

En imagen 27 se observa el comportamiento de comando

imerode en el cual se logra erosionar imagen BordesCanny,
Imagen 30. Resultado de Dilatación Bordes Canny.
mediante el uso de elemento de estructuración morfológico
lineal. En imagen 28 se observa el resultado de erosionar
imagen BordesCanny haciendo uso de elemento de 2.6.2.2. Figure 2. Imagen Erosión 2.
estructuración cuadrado con 2 pixeles.

Al realizar la comparación se logra observar que al hacer la

erosión se logra observar mejor la imagen cuando se hace uso
de elemento de estructuración morfológico lineal que el
cuadrado. Se evidencia la diferencia que cuando se utiliza
componente morfológico cuadrado se pierde la imagen y no
esposible observar imagen.
 1085258381 || Rodrigo Nelson Vallejo || 208054_19 10

REFERENCES
[1] Nixon, M. S., & Aguado, A. S. (2002). Feature Extraction
and Image Processing. Oxford: Newnes, pp. 1-14, 67-76.
Recuperado de
http://bibliotecavirtual.unad.edu.co/login?url=http://searc
h.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=
204193&lang=es&site=eds-live&scope=site

[2] Mateus, P. (2019, Enero 14), Tratamiento de Imágenes.

[OVI]. Recuperado de: http://hdl.handle.net/10596/23302

[3] Bovik, A. C. (2009). The Essential Guide to Image

Processing (Vol. 2nd ed). Amsterdam: Academic Press, pp.
1 - 123. Recuperado de
http://bibliotecavirtual.unad.edu.co/login?url=http://searc
h.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=
249002&lang=es&site=eds-live&scope=site
Imagen 31. Resultado de Dilatación Bordes Sobel.

2.6.3. Análisis de Imágenes

En imagen 30 se observa el comportamiento de comando

imdilate en el cual se logra dilatar imagen BordesCanny,
mediante el uso de elemento de estructuración morfológico
cuadrado con 2 pixeles. En imagen 31 se observa el resultado
de dilatar imagen BordesSobel haciendo uso de elemento de
estructuración cuadrado con 2 pixeles.

Al realizar la comparación se logra observar que al hacer la

dilatación es posible acentuar más los bordes que se
identificaron al realizar la detección de bordes, ya sea por
método Canny o Sobel. Mediante la dilatación podemos
identificar mejor la imagen.

IV. CONCLUSIONES

De presente trabajo logramos identificar los ruidos tipo Sal

y Pimienta y Gaussiano.

Logramos mediante una investigación teórica conocer la

sintaxis y uso de varios comandos muy importantes para la
manipulación de una imagen digital en software especializado
Matlab.

Se logró construir y ejecutar script para manipular imagen

digital en para la detección de bordes.

Se logró investigar y observar el comportamiento de varios

comandos para la segmentación de imágenes.

Se logró hacer un análisis sencillo de cada imagen como

resultado de ejecutar cada script en software Matlab.