Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. Marco teórico
1. Transformada de Fourier discreta: Desempeña un papel fundamental en el análisis y diseño de sistemas digi-
tales de procesamiento de señales. Cuando se implementa la DFT mediante diversos algoritmos conocidos como
Transformada Rápida de Fourier (FFT) , la DFT proporciona una excelente técnica de análisis en el dominio de la
frecuencia aplicada a la investigación de sistemas digitales LTI.
Cuando la señal es periodica:
Si una señal x[n] de tiempo discreto es periódica con periodo N se puede representar de forma analı́tica mediante
la serie de Fourier
Representar mediante la composición de una suma de funciones armónicamente relacionadas
Cuando no es periodica:
En este caso tenemos a x[n] una secuencia no periódica de duración finita, es decir x[n] = 0 para —n— ¿ N1
Propiedades: en la figura 1 se puede encontrar las propiedades que corresponden al sistema de Fourier según
el dominio del tiempo y la frecuencia
Figura 2: Propiedades de Fourier
2D-DFT: La transformada integral de Fourier en dos dimensiones está definida por el siguiente par de
ecuaciones:
2. Espectro de una imagen: A X()/X( ) se le conoce también como la representación en la frecuencia o el espectro
de x(t)/x[n].
En tiempo continuo:
La transformada de Fourier de la secuencia x(t) es de carácter complejo. Forma polar
donde —X()— — espectro de magnitud; () — espectro de fase. Si x(t) entonces el espectro de magnitud es par
y el espectro de fase impar.
En tiempo discreto:
La transformada de Fourier de la secuencia x[n] es de carácter complejo. Forma polar:
1 I = imread('iamgen'); imshow(I)
Añadir el ruido de sal y pimienta, con una densidad de ruido de 0,02, a la imagen. Muestre el resultado.
1 J = imnoise(I,'tipoderuido',0.02); imshow(J)
Ejemplo :
1 I = imread('imagen.jpg'); imshow(I)
2 J = imnoise(I,'gaussian',0.02); imshow(J)
5. función de dispersión de puntos (point-spread function) de una imagen: Describe la respuesta de un sistema
de imagen a una fuente de punto o punto objeto. Un término más general para la PSF es la respuesta del sistema
al impulso, la PSF siendo la respuesta al impulso de un sistema óptico enfocado (central). La PSF en muchos
contextos se puede considerar como la gota (“blob”) extendida de una imagen que representa un objeto sin resolver.
En términos funcionales, es la versión de dominio espacial de la función de transferencia de la modulación. Es
un concepto útil en la óptica de Fourier, imágenes astronómicas, en el microscopio electrónico y otras técnicas
de imagen como la microscopia en 3D (microscopia de escáner de láser confocal) y la microscopia de fluorescencia.
6. Filtro de Wiener y sus clases:. El filtro de Wiener es uno de los filtros lineales óptimos más importantes. En
su forma más general, consiste en una señal de entrada, x(n), una respuesta deseada, d(n), y un filtro lineal de
respuesta impulsional h(n). Este filtro es alimentado por x(n) y produce a su salida y(n). La diferencia entre la
señal de salida del filtro, y(n), y la señal deseada, d(n), es el error de la estimación, e(n).
El objetivo del filtrado de Wiener es determinar la respuesta impulsional h(n) de forma que el error e(n) sea, en
un sentido estadı́stico, ”lo más pequeño posible”. El criterio elegido es la minimización del valor cuadrático medio
del error
Esta función de coste posee una dependencia de segundo orden con los coeficientes del filtro, y tiene un mı́nimo
que determina los coeficientes óptimos, es decir, el mejor diseño del filtro.
Existen diversas estructuras para el filtro de Wiener. Comenzaremos con el caso en el que el filtro puede ser no
causal y de duración infinita, el filtro IIR no causal. Posteriormente, añadiremos la restricción de causalidad, para
obtener el filtro IIR causal. Por último, la restricción de longitud finita nos conducirá al filtro FIR.
Este filtro tiene dos clases
Filtro de Wiener IIR:Nuestro propósito es diseñar un filtro h(n) que produzca una salida y(n) = x(n) * h(n),
tan cercana como sea posible, en sentido cuadrático-medio, a la respuesta deseada, d(n). El enunciado del
problema es idéntico para filtros FIR y para IIR, pero existe una gran diferencia que cambia la solución.
Para el filtro FIR, existe un número finito de posibles coeficientes del filtro, mientras que con el filtro IIR,
el número de incógnitas, es decir, de valores de h(n) para todo n, es infinito. se considerar dos situaciones:
• Primero el caso en que no aplicamos restricciones a la solución. Obtendremos que el filtro óptimo es,
en general, no causal, y por tanto, irrealizable: Filtro Wiener IIR no causal.
• Posteriormente, aplicaremos la condición de causalidad, y para ello forzaremos h(n) a cero para valores
de ı́ndice n negativos: Filtro Wiener IIR causal.
Filtro FIR:Cuando se tiene una restricci on de longitudfinita se llega a un filtro FIR.
2. Resultados
En el siguiente código se encuentran dos funciones para realizar la transformada discreta de Fourier, las dos funciones
tienen el mismo resultado, la diferencia entre estos es que la segunda función utiliza operaciones vectorizadas, el fin de
esto es optimizar el tiempo en el que el programa es ejecuta. Esta optimización se puede observar en la cantidad de bucles
for usados en las funciones.
1 figure
2 plot(Y/n,'r+')
3 hold on
4 plot(eY/n,'bx')
Figura 12
La frecuencia de muestreo debe ser 1, dado que es una función discreta. En el siguiente código se encuentra el procedimiento
realizado y en la Figura 14 la respuesta a este código.
En el siguiente código se hace uso de tres técnicas de realce de contraste. La imagen original utilizada se encuentra a
color. En la Figura 15 se encuentran las tres técnicas utilizadas y la imagen original en escala de grises.
Con el siguiente código se realiza una comparación frecuencial de las mismas 4 ventanas, en la Figura 17 se encuentra esta
comparación gráficamente.
De lo anterior se puede observar un aspecto que todos los filtros es que su máxima magnitud se da cuando la frecuencia
es 0 Hz; En el filtro rectangular es el que presenta una decadencia de magnitud menor en comparación a los demás
filtros; el filtro Hanning presenta un decadencia en su magnitud que se podrı́a describir como uniforme; el filtro Hamming
mantiene una magnitud parcialmente estable desde el punto después del primer lóbulo; El filtro Blackman presente el primer
lóbulo con mayor duración en términos de la frecuencia de los filtros, después de este su comportamiento va decrementando.
En el código siguiente se realiza el enfoque de una imagen haciendo uso del filtro Wiener.
Al aplicar el filtro Wiener se aplica a una imagen desenfocada y con ruido, se obtiene una imagen enfocada donde se puede
observar el ruido que la imagen posee de forma clara.
3. Conclusiones
En este proyecto aprendimos como distorsionar una manera desde matlab de una forma no compleja,igualmente amplia-
mos nuestro conocimiento sobre los diseños digitales La. parte que más nos pareció interesante fue como hacer un realce
en una imagen ya que esa configuración es la que usamos diariamente en nuestras imágenes
Referencias
[1] C. J. C. González, “Fundamentos del análisis de fourier,” Universidade de Vigo, 2003.
[2] Y. Tao, V. Muthukkumarasamy, B. Verma, and M. Blumenstein, “A texture extraction technique using 2d-dft and hamming distance,” in Proceedings
Fifth International Conference on Computational Intelligence and Multimedia Applications. ICCIMA 2003. IEEE, 2003, pp. 120–125.
[3] M. d. l. N. L. González, “Influencia del ruido gaussiano correlacionado en la sincronización de sistemas caóticos,” Ph.D. dissertation, Universidade
de Santiago de Compostela, 2000.
[4] B. Zhang, J. Zerubia, and J.-C. Olivo-Marin, “Gaussian approximations of fluorescence microscope point-spread function models,” Applied optics,
vol. 46, no. 10, pp. 1819–1829, 2007.
[5] L. Gross, “Abstract wiener spaces,” CORNELL UNIVERSITY ITHACA United States, Tech. Rep., 1967.