Documentos de Académico
Documentos de Profesional
Documentos de Cultura
IMÁGENES DIGITALES
Técnicas de Imágenes
en Medicina
MÁSTER UNIVERSITARIO EN
INGENIERÍA BIOMÉDICA
ÍNDICE
Dominios
DOMINIO ESPACIAL DOMINIO FRECUENCIAL
Se procesan directamente los puntos o Se modifican las componentes
píxeles de la imagen espectrales de la imagen
Conceptos básicos
Contraste Brillo
● Relacionado con la distribución del rango de los niveles de ● Valor global medio de los niveles de gris de la imagen.
gris (rango dinámico).
● Diferencia entre el valor del pixel mas brillante y el mas
oscuro.
Conceptos básicos
Ruido
SNR
Signal-to-noise ratio
Esquema
DOMINIO
ESPACIAL
Operaciones Operaciones
punto a punto locales o espaciales
Definición Técnicas
El valor de la imagen realzada en un píxel es función del valor Transformaciones básicas de intensidad
de su píxel correspondiente en la imagen original.
Procesado del histograma
Objetivos
Resaltar elementos
Imagen negativa
T(r) = L – 1 – r
Transformación log
T(r) = c log(1 + r)
T(r) = c er-1
Transformación de potencias-raíz
n = 0.6 n = 0.4
T(r) = c rn
n=3 n=5
● Contrast stretching: permite destacar un rango específico del nivel de gris de una imagen (aumentar su margen dinámico).
● Gray-level slicing (1): adjudica un valor alto a todos aquellos niveles de gris del rango de interés y un valor bajo al resto.
● Gray-level slicing (2): intensifica el rango de niveles de gris deseado, preservando el fondo y los tonos de gris de la imagen.
Control de brillo
T(r) = r + c
Binarización o Umbralización
● Permite convertir imágenes con niveles de gris en una imagen binaria (blanco y negro) en función de un umbral
preestablecido.
¡ATENCIÓN!
● Es importante truncar los valores para que el rango de salida sea también el rango de niveles de
gris de 0 a L-1.
HISTOGRAMA
● El histograma de la imagen consiste en una gráfica donde se muestra el número de píxeles, nk, de cada nivel de gris, rk,
que aparecen en la imagen.
unimodal bimodal
Expansión del
histograma
● El histograma normalizado de la imagen consiste en una gráfica donde se muestra la probabilidad de que ocurra cada
nivel de gris rk (valores entre 0 y 1 que suman 1).
𝑛𝑘
𝑝 𝑟𝑘 =
𝑁
nk = número de píxeles con el nivel de gris rk
N = número total de píxeles de la imagen
● Objetivo: Mejorar el contraste de la imagen distribuyendo los valores del histograma de la forma más uniforme posible.
● Método: Obtener una distribución de probabilidades “uniforme” de los niveles de gris en la imagen.
● Dada una imagen M × N, con nk píxeles para cada nivel rk, la ecualización del histograma consiste en realizar la siguiente
transformación sobre los niveles de intensidad de la imagen:
Resultado: dispersión del histograma en un rango mayor dentro del intervalo [0,L-1].
Operaciones locales
Objetivos Técnicas
El valor de un píxel en la imagen realzada es función del valor Filtros en el dominio espacial
de su píxel correspondiente en la imagen original y, también,
de los píxeles vecinos a este en la imagen original. Filtros de suavizado
Filtros de realce
Objetivos
Eliminar ruido
Suavizar la imagen
Detectar bordes o detalles
Filtrado espacial
● Un filtro espacial utiliza una ventana (máscara, kernel…) que se desplaza píxel por píxel generando una imagen filtrada.
● Siendo la imagen a filtrar f(x, y), la ventana w y la imagen filtrada g(x, y), la ecuación que define el filtrado espacial es:
𝑎 𝑏
𝑔 𝑥, 𝑦 = 𝑤 ∗ 𝑓 𝑥, 𝑦 = 𝑤 𝑠, 𝑡 𝑓(𝑥 − 𝑠, 𝑦 − 𝑡)
𝑠=−𝑎 𝑡=−𝑏
CONVOLUCIÓN
𝑎 𝑏
Convolución
Tamaño
(2N + 1) × (2N + 1)
N = 1, 2, …
𝑎 𝑏
Convolución
2D
1D
𝑎 𝑏
Convolución
Filtro de la media
● Se obtiene un píxel de salida haciendo la media aritmética de los píxeles de la ventana elegida.
Máscara 3 x 3:
Factor de normalización = 9
Factor de normalización: se divide
cada elemento 1 de la matriz por la
suma del número de elementos
Filtro de la media
Filtro de la media
● Ventajas:
o Es el más simple, intuitivo y fácil de implementar.
● Desventajas:
o Sensible a cambios locales
o Puede crear nuevas intensidades de grises que no
aparecían en la imagen.
o Emborrona bastante la imagen
Filtro sigma σ
Filtro gaussiano
● Similar al filtro media, pero aplicando una máscara diferente, donde los píxeles más cercanos al píxel actual tienen más
peso que los exteriores.
● Los pesos de los píxeles se calculan con una campana de Gauss dependiente de la distancia al píxel actual, y su varianza
indica el nivel de suavizado.
● Siendo σ2 la varianza, el kernel gaussiano se define como:
1 𝑠 2 +𝑡 2
−
𝑤 𝑠, 𝑡 = 𝑒 2𝜎2
2𝜋𝜎 2
2
𝑠 +𝑡 2
1
Filtros paso bajo 𝑤 𝑠, 𝑡 =
2𝜋𝜎 2
−
𝑒 2𝜎2
Filtro gaussiano
Filtro gaussiano
Filtro gaussiano
● Ventajas:
o Filtro separable: en lugar de usar una máscara
bidimensional, es posible usar dos máscaras 1D; una
vertical y otra horizontal (más eficiente).
o Mejoran la capacidad de suavizado (suavizado más
uniforme), introduciendo un parámetro (la varianza)
que es independiente del tamaño de la máscara.
● Desventajas:
o Similar al filtro de la media: disminución de la nitidez,
aumento de borrosidad, pérdida de detalles.
● Banco de filtros Gaussianos con σ creciente aplicados sucesivamente a la imagen con un detector de bordes para evitar un
emborronamiento de los bordes.
● Difumina regiones más homogéneas (los niveles de intensidad tienden a ser uniformes, elimina ruido) pero detiene la
difusión en los bordes de los objetos para evitar emborronarlos.
● Operación no lineal: Ordenar los valores en la vecindad de cada píxel de menor a mayor y obtener algún valor a partir de
la lista generada ordenada.
o Máximo: Elimina el ruido tipo pimienta (píxeles negros), aunque tiende a aclarar la imagen.
o Mínimo: Elimina el ruido tipo sal (píxeles blancos), aunque tiende a oscurecer la imagen
o Mediana: Elimina el ruido sal y pimienta (evita la influencia de los píxeles outliers)
Media Mediana
Gaussiano Mediana
● Ventajas:
o Atenúa el ruido impulsional (sal y pimienta).
o Elimina efectos engañosos.
o Preserva bordes de la imagen.
● Desventajas:
o No es lineal: mediana(f+g) ≠ mediana(f) + mediana(g).
o Pierde detalles (puntos, líneas finas).
o Redondea las esquinas de los objetos.
o La etapa de ordenamiento tarda un tiempo
considerable.
La derivada digital
● La derivada de una función digital se mide en términos de variaciones entre píxeles adyacentes. Existen varias formas de
definir estas diferencias pero todas deben cumplir:
Sobel
Filtros paso alto
𝐺𝑥
2 2
𝐺= 𝐺𝑥 + 𝐺𝑦
Operadores gradiente
𝐺𝑥 𝐺𝑦
𝐺𝑦 𝐺
𝐺𝑦 𝐺𝑥 𝐺𝑦 𝐺𝑥
Operadores gradiente
Operadores gradiente
Operadores Laplacianos
● Como en el caso del gradiente, la ecuación del Laplaciano puede implementarse en forma digital de varias maneras:
Operadores Laplacianos
● Existe el operador LoG (Laplaciano del Gaussiano) que no es más que la convolución previa de una máscara de suavizado
con los operadores del Laplaciano.
Original LoG
Original LoG
Operadores Laplacianos
● El Laplaciano no suele usarse directamente en la práctica por ser muy sensible al ruido.
● Se suele usar sumado o restado (según la máscara usada) con la imagen original para realzar contornos.
Filtrado frecuencial
Introducción
● Transformación global: El total de datos de la imagen de entrada contribuye al resultado del valor del pixel a la salida.
● El filtrado de imágenes en el dominio de la frecuencia se basa en el teorema de convolución:
Filtrado frecuencial
Filtrado frecuencial
Filtrado frecuencial
● Filtros Paso Bajo: Atenúan las altas frecuencias (suavizan).
● Filtros Paso Alto: Atenúan las bajas frecuencias (detectan bordes).
● Filtros Paso Banda: Atenúan bajas y altas frecuencias (realce de características).
● Filtros Elimina Banda: Atenúan banda especifica de frecuencias (atenuación local).
Filtro ideal
Filtro Butterworth
n=1 n = 10
Filtro Gaussiano
D0 = 10 D0 = 40
● De manera general, la construcción de un filtro paso alto se puede realizar a partir de un filtro paso bajo:
Filtros Notch
Filtros Notch
Filtros Notch
Técnicas de Imágenes
en Medicina
MÁSTER UNIVERSITARIO EN
INGENIERÍA BIOMÉDICA