Ing.

Whany Quispe Chambi

Departamento de Ingeniería Agroindustrial
Universidad Nacional del Altiplano
 Clase de hoy

• Conocerán algunos principios básicos del

procesamiento y análisis de imágenes.
Procesamiento de imágenes

Es una operación en que la entrada es una imagen

y la salida es una imagen.

Procesamiento de
Imagen Imagen
Imagen

Russ, 2004
Análisis de imágenes

Es una operación en que la entrada es una imagen y

la salida es una medición, interpretación o análisis

Análisis de Imagen Medición

Imagen Interpretación
Análisis

Circularidad = 0.69
Area = 21*103 m2
 ¿Cuáles son los principios?
j

50

Picture element → Pixel

100

j
58
150
60

62
200
64

250 66 202 201 201 143 118

x(60,220) x(60, 221) x(60, 222) x(60,223) x(60,224)
68
i 201 202 190 129 115
50 100 150 200 250 300 350
70 x(61,220) x(61, 221) x(61, 222) x(61, 223) x(61, 224)
202 202 148 120 111
72 x(62,220) x(62, 221) x(62, 222) x(62, 223) x(62, 224)
202 163 127 111 107
74
x(63, 220) x(63, 221) x(63, 222) x(63, 223) x(63, 224)
76 152 124 113 108 104
x(64, 220) x(64, 221) x(64, 222) x(64, 223) x(64, 224)
i
220 225 230 235
Tonos de gris

D. Mery
 j

50

Picture element → Pixel

100

j
58
150
60

62
200
64

250 66 202 201 201 143 118

x(60,220) x(60, 221) x(60, 222) x(60,223) x(60,224)
68
i 201 202 190 129 115
50 100 150 200 250 300 350
70 x(61,220) x(61, 221) x(61, 222) x(61, 223) x(61, 224)
202 202 148 120 111
72 x(62,220) x(62, 221) x(62, 222) x(62, 223) x(62, 224)
202 163 127 111 107
74
x(63, 220) x(63, 221) x(63, 222) x(63, 223) x(63, 224)
76 152 124 113 108 104
x(64, 220) x(64, 221) x(64, 222) x(64, 223) x(64, 224)
i
220 225 230 235
Tonos de gris

→ Memorias electrónicas: sólo pueden almacenar si hay o no hay carga,

originando una respuesta binaria (0 ó 1)
1 bit = 0 ó 1 (2 posibilidades)
2 bits = 0 0 ó 0 1 ó 1 0 ó 11 (22 posibilidades)
n bits = 2n posibilidades

→ Ha sido muy fácil confeccionar memorias de 8 bits (= 1 Byte). Para

almacenar 1 pixel es necesario 1 Byte.
Tonos de gris digitalizados

0 255

1 256
0 255
Algunos formatos existentes

• Formatos sin compresión:

BMP: Utiliza 1 Byte por pixel en imagen B/N
Utiliza 3 Bytes por pixel en imagen a color
Otros: PCX, TIFF

→ Es posible disminuir el tamaño con Zip o Rar, que

son compresiones sin pérdida.

• Formatos con compresión:

JPG: compresión de imágenes con pérdida.
Objetivo: comprimir tal que la imagen se siga viendo
+/- igual
¿Cómo procesar y analizar las imágenes?

1. Programas que se pueden bajar gratis, muy

amigables
(Image tool 3.0)

2. Programas comerciales, muy amigables y sofisticados

(Image Pro Plus 4.5)

3. Programas en que hay que programar algunas de las

rutinas requeridas
(Matlab 6.5 requiere Image Processing toolbox)
Procesamiento de imágenes
Ejemplo: uso de Matlab
Ajuste de brillo y contraste

La función en Matlab incorporada es: min (x(:)) → nivel de gris mínimo

imadjust (x, [x1 x2], [y1 y2], gamma); max (x(:)) → nivel de gris máximo
Aumento de brillo
Aumento de contraste
Eliminación de ruido

Existen 2 formas de eliminar el ruido

1) Promediando imágenes

2) Aplicando filtros (máscaras)

ELIMINACIÓN DE RUIDO (SUMA DE IMAGENES)

n=1 n=2 n=4

n=6 n=8 n=10

→ El promedio se puede lograr en el laboratorio (con el microscopio),

tomando n veces la misma imagen y luego promediándolas
→ ¿Cuántos promedios? Relación señal ruido varía según n
Generalmente n = 10
D. Mery
ELIMINACIÓN DE RUIDO (APLICACIÓN DE MASCARAS)

4 5 6 7
6 5 4 9 5 6
3 5 7 6

1 1 1
1/9 * 1 1 1 1/9*(4+5+6+6+5+4+3+5+7)

1 1 1

Máscara

La función en Matlab incorporada es: Y = filter2(M,x)

En que: x=imagen de entrada
M=ones(3,3)/9;
Filtro gaussiano

En vez de tomar el promedio se aplica una distribución Gaussiana a la

imagen que uno quiere procesar

4 5 6 7
6 5 4 9
3 5 7 6

Máscara

La función en Matlab incorporada es: Y = filter2(M,x)

En que: x=imagen de entrada
M=fspecial(‘gaussian’, N, s);

→Se genera máscara de NxN pixeles de una campana de Gauss de sigma.

En general s= N/8.5
 Filtro de mediana
1) Ordena de menor a mayor los elementos de una máscara de N x N
2) Toma el elemento del medio

4 5 6 7
6 5 4 9 5
3 5 7 6

Máscara de 3x3
3,4,4,5,5,5,6,6,7

La función en Matlab incorporada es: Y = medfilter2(x, [N N]);

En que: x=imagen de entrada
N=tamaño de la máscara
Ejemplo de eliminación de ruido

j = medfilt2(x,[3 3]);
Segmentación
Detección de bordes
Borde: cuando hay un cambio brusco, i.e. cuando la primera derivada es
grande o la segunda derivada  0

Una de las funciones en Matlab incorporada es: Y = edge(x, ’log’, thr, s);

Log → Laplacian of gaussian

Se basa en el hecho que 2da derivada  0

1) Filtra la imagen con filtro gaussiano de s
2) Saca segunda derivada
3) Busca los cruces por cero (¿qué es cero?, todo lo que
es menos que thr)
4) Donde hay un cruce por cero asigna número 1→borde
Umbralización

Trabaja bien cuando el histograma es bimodal

M=fspecial('gaussian',3,0.6);
y=filter2(M,x);

Si xa → 0 Si x>a → 1
s = graythresh(y); programa en Matlab que rastrea a óptimo

z = im2bw(t,s); crea matriz z binaria a partir de imagen t con umbral s

Caracterización macroscópica de
alimentos
Mendoza & Aguilera, 2004
Mendoza & Aguilera, 2004
Mendoza & Aguilera, 2004
Mendoza & Aguilera, 2004
 Lista de referencias

- Mendoza F., Aguilera J.M. (2004) Application of image analysis for

classification of ripening bananas. Journal of Food Science, 69, 9,
E471-E477.
- Russ, J.C. (2004) Image Analysis of Food Microstucture. CRC
Press, Boca Raton, FL, EE.UU.
- Wang, H.H. & Sun, D.-W. (2002) Correlation between cheese
meltability determined with a computer vision method and with Arnott
and Schreiber. Journal of Food Science., vol. 67(2), pp. 745–749.