Captura de imagen del colon

CURSO:

Mejoramiento de imágenes en exámenes de colonoscopia a

través de filtros

PROFESOR:

Dr.ing.Mg.Jose Eduardo Torres Vega

INTEGRANTES:

Alexis Morales Ronceros U1820092

Pastor Becerra, Seht Martin
Ugaz Sandoval, jordi Josue

Mayo del 2023

Índice:

Resumen:...........................................................................................................................................2
Introducción:.....................................................................................................................................3
Problemática:.....................................................................................................................................3
Objetivos:..........................................................................................................................................4
Objetivos generales:......................................................................................................................4
Objetivos específicos:....................................................................................................................4
Alcance:............................................................................................................................................5
Limitaciones:.....................................................................................................................................5
Solución de la problemática:.............................................................................................................5
Código de la función en MATLAB:..................................................................................................6
Recomendación:............................................................................................................................8
Conclusión:...................................................................................................................................9
Bibliografía:......................................................................................................................................9
 Resumen:
En la siguiente información vamos a explicar el funcionamiento de la captura de
imagen del colon explicando sus diferentes funciones que presenta esta
herramienta. Además, que mostraremos una imagen capturada del colon con el
fin de modificar y eliminar el sonido que puede encontrarse.
Abstract
In the following information we Will explain the operation of the colon image
capture explaining its different functions presented by this tool. In addition, we Will
show a captured image of the colon in order to modify and remove the sound that
can be found.

Introducción:
Es importante mencionar que desde que se inventó la primera cámara, también
aparecieron las primeras imágenes en blanco y negro, cuya innovación nos
ayudado a obtener más información de lo que podríamos describir, es decir, que
con una simple imagen podríamos entender como estaría las calles, los parques,
las zonas militares, entro otros ámbitos que se requiera. Conforme se estuvieron
creando nuevos softwares y nuevos sistemas de cómputo han llegado diferentes
maneras para poder mejorar la captura de una imagen.
Gracias al avance de la tecnología pudimos encontrar varias formas y
metodologías para mejora y eliminación datos no deseados de la imagen, así
como filtrar y mejorar su calidad para la vista humana, en palabras del señor
Domínguez Torrez Alejandro, nos comparte esta observación:
“Pocos son los aspectos de nuestra vida actual que no han sido "afectados" por
las computadoras. Cada transacción monetaria que se lleva a cabo diariamente
en diferentes establecimientos tiene que ver con una computadora. En muchos
casos, lo mismo sucede con las imágenes por computadora. Por ejemplo, éstas
aparecen en televisión, en los periódicos, en los reportes del tiempo, o en un
consultorio médico. Las imágenes por computadora están siempre alrededor de
nosotros.”
Para nuestra investigación vamos a explicar el cómo funciona dicha metodología
de captura de imagen enfocándonos en lo que es el procesamiento digital de
imagen del colon del ser humano.
Problemática:
Como todos sabemos la imagen es capturada por la cámara y listo no hay
mucho que resalta, pero debemos mencionar que todas las imágenes
presentan algo de estática en su alrededor.
Esta manifestación estática se le conoce como ruido y se le puede diferenciar
de la siguiente manera:

 Gaussiano:

Ocurre por las diferentes ganancias de la cámara, ruido en los

digitalizadores, perturbaciones en la transmisión, entre otros.

 Impulsional (sal y pimienta):

Ocurre por la saturación del sensor debido a las altas y bajos valores del
ruido.

 Multiplicativo:

Es mas quenada por la multiplicación de dos señales

Objetivos:
Objetivos generales:
Vamos a utilizar una imagen del colon captado por cámara con la finalidad de
poder mejorarle la calidad visual para la vista humana.

Objetivos específicos:
Usaremos la herramienta Matlab y sus diferentes funciones de programación
que esta presenta para la eliminación del ruido que presenta la imagen captada
del colon, así como también usaremos diferentes tipos de filtros para el
procedimiento.

Alcance:
Vamos a hablar de lo que conforma la colonoscopia, por qué se puede ver una
imagen del colon, enseñar las diferentes herramientas que se usa para realizar
la captura de imagen y procederemos a eliminar el ruido que este en la imagen
capturada.

Limitaciones:
La precisión de la combinación de los filtros a usar, ya que contamos con
simuladores demás de no poder abarcar los otros tipos de ruido como ruido
gaussiano o de baja frecuencia.
 Solución de la problemática:
Para solucionar la problemática debemos enfocarnos que método debemos usar
y esto abarca el uso de filtros en el procesamiento y mejora de imágenes donde
explicaremos cada uno de los filtros que consideramos apropiados para resolver
la problemática y cuales son los que escogeremos y porque los escogeremos
para resolver la problemática. Ante lo dicho el problema más común de las
colonoscopias son los ruidos de alta frecuencia e impulsivos.
La elección de los mejores filtros para eliminar el ruido depende del tipo de ruido
presente en la imagen y de las características específicas de la aplicación.
Existen varios tipos de filtros que se utilizan comúnmente para reducir el ruido en
imágenes. A continuación, se presentan algunos de los filtros más utilizados
junto con sus características:

Filtro Gaussiano:
El filtro Gaussiano aplica un suavizado ponderado a los píxeles vecinos, donde
los píxeles más cercanos tienen mayor peso. Este filtro es útil para eliminar el
ruido de alta frecuencia y suavizar la imagen, pero también puede causar cierto
desenfoque.
El filtro Gaussiano es un filtro lineal, lo que significa que cada píxel de salida se
calcula como una combinación lineal de los píxeles vecinos en la imagen de
entrada. En este caso, se utiliza una máscara o kernel que representa la forma
de la función Gaussiana. El tamaño de la máscara determina el alcance del
filtro y cómo se suavizará la imagen. El proceso de filtrado con un filtro
Gaussiano implica convolucionar la imagen de entrada con la máscara
Gaussiana. Cada píxel de salida se calcula tomando una ventana de píxeles
vecinos en la imagen de entrada, multiplicándolos por los valores
correspondientes en la máscara Gaussiana y luego sumando los resultados. El
filtro Gaussiano es particularmente efectivo para reducir el ruido de alta
frecuencia y suavizar una imagen. Al aplicar el filtro, los detalles finos de la
imagen se suavizan y se reducen las variaciones abruptas de intensidad. Esto
puede ayudar a eliminar el ruido aleatorio y mejorar la apariencia general de la
imagen.
 La principal característica del filtro Gaussiano es su capacidad para preservar
los bordes y las transiciones suaves en la imagen, a diferencia de otros filtros
que pueden causar un efecto borroso en estas áreas. Esto se debe a que la
máscara Gaussiana tiene en cuenta la distancia entre los píxeles vecinos y
asigna pesos más altos a los píxeles más cercanos, lo que ayuda a mantener
la nitidez de los bordes.

Filtro de mediana:
El filtro de mediana reemplaza el valor de un píxel por la mediana de los valores
de los píxeles en una región determinada. Es especialmente efectivo para
eliminar el ruido impulsivo (sal y pimienta) mientras mantiene los bordes y
detalles importantes de la imagen. El proceso de filtrado con el filtro de mediana
implica tomar una ventana deslizante en la imagen de entrada y reemplazar el
valor del píxel central por el valor mediano de los píxeles dentro de esa ventana.
La ventana puede tener diferentes tamaños, y el tamaño afecta el nivel de
suavizado y la capacidad para eliminar el ruido. Cuando se encuentra un píxel
ruidoso, el filtro de mediana calcula el valor mediano de los píxeles en la ventana
y lo asigna al píxel central. El valor mediano es simplemente el valor que se
encuentra en la mitad de una lista ordenada de valores. Esta operación se repite
para cada píxel en la imagen, lo que resulta en una imagen filtrada donde el
ruido impulsivo se reduce considerablemente.
El filtro de mediana es particularmente eficaz para eliminar el ruido de sal y
pimienta porque no se ve afectado por los valores extremos. A diferencia de los
filtros lineales, como el filtro de media o el filtro Gaussiano, el filtro de mediana
no promedia los valores y, por lo tanto, no se ve afectado por valores atípicos.
Una de las ventajas del filtro de mediana es su capacidad para preservar los
bordes y los detalles importantes de la imagen, ya que no realiza un suavizado
uniforme en toda la imagen. Esto se debe a que el valor mediano se calcula solo
a partir de los valores en la ventana y no se ve influenciado por valores lejanos o
ruidosos.

En resumen, el filtro de mediana es un filtro no lineal utilizado para eliminar el

ruido impulsivo, como el ruido de sal y pimienta, en imágenes. Reemplaza el
valor del píxel central con el valor mediano de los píxeles en una ventana
deslizante. Es especialmente eficaz para eliminar el ruido impulsivo sin afectar
los bordes y detalles importantes de la imagen

Filtro bilateral:
El filtro bilateral preserva los bordes de la imagen al aplicar un suavizado
ponderado que tiene en cuenta tanto la distancia espacial como las diferencias
de intensidad. Es adecuado para reducir el ruido sin perder detalles importantes
y es particularmente útil en imágenes con bordes y texturas distintivas. Es un
filtro no lineal que se basa en el concepto de suavizado ponderado, donde se
considera tanto la distancia espacial entre los píxeles como las diferencias de
intensidad.
A diferencia de otros filtros, como el filtro de media o el filtro Gaussiano, que
aplican un suavizado uniforme a todos los píxeles en una vecindad, el filtro
bilateral ajusta los pesos de acuerdo con dos criterios: la similitud de intensidad y
la proximidad espacial.
El filtro bilateral calcula un peso para cada píxel en función de su distancia
espacial y su diferencia de intensidad con respecto al píxel central. Los píxeles
más cercanos y con intensidades similares tienen un peso mayor, mientras que
los píxeles más lejanos o con diferencias de intensidad más grandes tienen un
peso menor. Luego, se aplica un promedio ponderado de los valores de los
píxeles vecinos utilizando los pesos calculados.
Este enfoque permite que el filtro bilateral preserve los bordes y detalles
importantes de la imagen, ya que los píxeles cercanos y similares en intensidad
tienen un mayor peso y contribuyen más al resultado final. Los píxeles en los
bordes experimentan menos suavizado en comparación con las áreas
homogéneas de la imagen.
El filtro bilateral es especialmente útil en imágenes con bordes y texturas
distintivas, ya que puede reducir el ruido sin sacrificar la calidad de los detalles
importantes. Sin embargo, su implementación puede ser computacionalmente
más costosa en comparación con otros filtros lineales debido al cálculo de los
pesos para cada píxel.
Filtro de Wiener:
El filtro Wiener es un tipo de filtro adaptativo utilizado en el procesamiento de
señales, incluyendo el procesamiento de imágenes, para reducir el ruido aditivo y
mejorar la calidad de la señal. Es un filtro lineal que se basa en la estimación
estadística de la relación señal-ruido (SNR, por sus siglas en inglés).
El filtro Wiener utiliza la información de la señal original y la característica del
ruido para calcular una función de filtro óptima que minimiza el error cuadrático
medio entre la señal original y la señal filtrada. Este filtro asume que tanto la
señal como el ruido son estocásticos y están relacionados de manera
estadística.
El filtro Wiener considera dos componentes principales: la función de
autocorrelación de la señal original y la función de autocorrelación del ruido.
Estas funciones se utilizan para calcular los coeficientes del filtro adaptativo, que
ajustan la respuesta del filtro en cada punto de la señal.
En términos generales, el filtro Wiener utiliza una función de transferencia
adaptativa que ajusta su respuesta en función de la SNR estimada localmente.
Cuanto mayor sea la SNR, más se enfoca en preservar los detalles de la señal
original. Por otro lado, cuando la SNR es baja, el filtro se vuelve más agresivo en
la reducción del ruido.
El filtro Wiener es especialmente útil cuando se conoce la estadística del ruido y
la señal y cuando se dispone de una estimación precisa de la relación SNR. Sin
embargo, en la práctica, es común utilizar estimaciones aproximadas o modelos
simplificados de la relación SNR. Es importante destacar que el filtro Wiener es
un filtro de respuesta óptima en el sentido de minimizar el error cuadrático
medio. Sin embargo, puede producir resultados subóptimos si la relación SNR
está mal estimada o si la suposición de estacionariedad estadística no se cumple
en la práctica.
Elección de Filtros:
Combinar los filtros mediana y Wiener puede proporcionar beneficios
adicionales en el procesamiento de imágenes, especialmente cuando se
enfrenta a imágenes con diferentes tipos de ruido.
El filtro mediana es eficaz para eliminar el ruido impulsivo, como el ruido de sal
y pimienta, preservando los bordes y detalles importantes de la imagen. Sin
embargo, puede introducir cierto grado de suavizado en áreas homogéneas, lo
que puede hacer que la imagen pierda ciertos detalles sutiles.
Por otro lado, el filtro Wiener es un filtro adaptativo que puede reducir el ruido
aditivo de manera óptima, suponiendo que se conozcan las estadísticas del
ruido y la señal. El filtro Wiener puede preservar mejor los detalles finos de la
imagen en áreas homogéneas y proporcionar un suavizado más controlado y
adaptativo. Al combinar los filtros mediana y Wiener, se pueden aprovechar las
fortalezas de ambos filtros. El filtro mediana puede utilizarse inicialmente para
eliminar el ruido impulsivo y preservar los detalles y bordes importantes en la
imagen. A continuación, se puede aplicar el filtro Wiener para reducir aún más
el ruido aditivo y mejorar la calidad general de la imagen. Este enfoque
combinado puede proporcionar una mejor reducción de ruido en comparación
con el uso individual de los filtros. El filtro mediano se encarga de los picos de
ruido impulsivo, mientras que el filtro Wiener ajusta adaptativamente su
respuesta para preservar los detalles y minimizar el suavizado no deseado.
Sin embargo, es importante tener en cuenta que la combinación de los filtros
mediana y Wiener puede aumentar la complejidad computacional y el tiempo
de procesamiento. Por lo tanto, se debe considerar el equilibrio entre el
rendimiento y los recursos disponibles para la aplicación específica. En
resumen, combinar los filtros mediana y Wiener puede proporcionar beneficios
en el procesamiento de imágenes, ya que se aprovechan las ventajas de cada
filtro para reducir diferentes tipos de ruido. Esto puede resultar en una mejor
reducción de ruido y preservación de detalles en la imagen final
Código de la función en MATLAB:

% Cargar la imagen de colonoscopia

imagen = imread('colonoscopia8.png');

% Convertir la imagen a escala de grises

imagen_gris = rgb2gray(imagen);

% Aplicar filtro de mediana para reducir el ruido impulsivo

imagen_filtrada_mediana = medfilt2(imagen_gris, [3, 3]);

% Aplicar filtro de Wiener para reducir el ruido gaussiano

imagen_filtrada_wiener = wiener2(imagen_filtrada_mediana, [5, 5]);
% Coordenadas X e Y de la imagen
x = 1:size(noisy_image, 2);
y = 1:size(noisy_image, 1);

% Crear una malla de coordenadas

[X, Y] = meshgrid(x, y);

% Convertir las coordenadas X, Y en matrices de la misma dimensión que la

imagen
Z_noisy = double(noisy_image);
Z_filtered = double(filtered_image);

%Visualizar imagen original

figure;
imshow('colonoscopia8.PNG');

% Visualizar la imagen ruidosa en 3D

figure;
surf(X, Y, Z_noisy, 'FaceColor', 'texturemap', 'EdgeColor', 'none');
colormap gray;
title('Imagen Ruidosa');
xlabel('X');
ylabel('Y');
zlabel('Intensidad');

% Visualizar la imagen filtrada en 3D

figure;
surf(X, Y, Z_filtered, 'FaceColor', 'texturemap', 'EdgeColor', 'none');
colormap gray;
title('Imagen Filtrada');
xlabel('X');
ylabel('Y');
zlabel('Intensidad')
 Pruebas y Resultados:

Imagen captada
por el
colonoscopio

Imagen pasada a
escala de grises-
preprocesamiento

Imagen donde se
aplica la
combinación de
filtros
 Comparación
entre imágenes
visualizados en
3D

Recomendación:

Realizar un análisis crítico de los resultados y discute las limitaciones y

posibles mejoras del enfoque utilizado. Considera aspectos como la precisión y
eficacia de los algoritmos utilizados, así como la robustez del sistema frente a
variaciones en las imágenes o en las condiciones de captura. Además,
menciona posibles pasos futuros para mejorar el rendimiento del sistema.

Presenta los resultados obtenidos mediante el análisis de las imágenes del

colon. Muestra ejemplos de imágenes procesadas y resalta las características
relevantes identificadas. Si es posible, compara los resultados con un conjunto
de imágenes de referencia o con la interpretación de expertos médicos

Conclusión:
En conclusión, la captura de imágenes del colon utilizando MATLAB representa
una herramienta poderosa en el campo del diagnóstico temprano de
enfermedades gastrointestinales. A través de técnicas de procesamiento de
imágenes y análisis de datos, es posible obtener información relevante que
puede ayudar a los médicos en la detección precoz de patologías como el
cáncer de colon.
Si bien es importante destacar los logros alcanzados, también es crucial
reconocer las limitaciones de este enfoque. La variabilidad en las imágenes
adquiridas, las diferencias anatómicas entre pacientes y la presencia de
artefactos pueden afectar la precisión de los algoritmos utilizados. Por lo tanto,
es fundamental seguir investigando y refinando los métodos de procesamiento
de imágenes y análisis de datos para mejorar la fiabilidad y robustez del
sistema.

Bibliografía:
 Domínguez Torres Alejandro. Procesamiento digital de imágenes.
Perfiles Educativos [en línea]. 1996, (72), {fecha de consulta 17 de junio
de 2023]. ISSN:0185-2698. Disponible en:
https://www.redalyc.org/pdf/132/13207206.pdf
 M. C. José Jaime Esqueda Elizondo (2002). Fundamentos de Procesamiento de
Imágenes. (Tesis de maestría) INSTITUTO TECNOLÓGICO DE CIUDAD MADERO,
México. Información obtenida del: https://d1wqtxts1xzle7.cloudfront.net/35915704/FundamentosDeProcesamientoDeImagenes-libre.pdf?
1418331696=&response-content-disposition=inline%3B+filename
%3DFundamentos_de_Procesamiento_de_Imagenes.pdf&Expires=1687656744&Signature=GMPXlHWYSc1kY5cgOfJGzJNUMQSKq7cE62GoDt70upiIGf1x6bogtli9lYXAbIKEyEW~45BCK
Ywc8Rp1TwyU64fAm7WDLWi0nnTr-morPfF9wMyrXqBNRc8HLt3G-
Sg9LKaruejDnpdMm4VbqI6VkqZee0E1VXNsIz9HwgyTgiHodeU7FBTqNeLcr44qAWIRao0WfVwnheGkD8NoClu6BM71ue6GpDOr9N4113~JyKwoCTwD1svG7Xfo57gjylC9iyQKrM0w3
NdFhf-Qmhcezq1VZxANh1s3uuqdUbQqWdaCIUr0TBIfSj7saDDA5WW13HnfKokVVl0~6s5oolGunQ__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA