Universidad Nacional Autónoma de México

Laboratorio de Procesamiento Digital de Imágenes Médicas

M. en I. Juan Carlos Muñoz Torres
Dr. Ernesto Moya Albor
1

Ingenieria en Electrica E lectronica

Marin Del
No. de Pilar:308211791
cuenta Monica E lvira
DFT Y FILTRADO FRECUENCIAL

Resumen— En el siguiente documento se muestra los ejercicios

y ejemplos de la practica seis , que se realizaron en laboratorio
con ayuda del software Matlab, se muestran los enunciados , los
códigos realizados en matlab así como las imágenes obtenidas.

Índice de Términos— DFT, Filtro, frecuencia espacial Ejemplo 1 Transformada Discreta de Fourier (DFT)
I. INTRODUCCIÓN
El filtrado digital de imágenes se basa en la operación a) Abre y despliega la imagen “mri_ruido.jpg”.
de convolución entre la imagen y la función filtro. El cambio clc; close all; clear all
de dominio espacial de descripción de la imagen al frecuencial A=imread('mri_ruido.jpg');
permite sustituir las convoluciones por productos, con claras figure image(A) colormap(mapa)
ventajas para el proceso de cálculo. Además, el filtrado en el [m n]=size(A); N=7;
dominio de la frecuencia permite mayor flexibilidad al ser mapa=gray(256);
posible seleccionar no sólo la dirección de filtrado, sino
también los intervalos de frecuencia que requieran ser
eliminados.
La frecuencia espacial en una imagen digital se puede
representar como la alternancia de los valores en los pixeles:
el número de cambios en los valores radiométricos por unidad
de distancia para cualquier parte de la imagen.
Frecuencia espacial nula, baja y alta.

II. METODOLOGÍA
Desarrollo de la práctica.
Para el desarrollo de esta práctica se realizaron algunos
codigos con la ayuda del sofware de Matlab , en los ejercicios
se puede ver claramente el punto de la practica ya que que
cada uno de los ejercicios ayuda a una mejor comprension del
tema.
Para poder realizar la practica se tuvo que hacer un codigo
binomial ya que los ejercicios de esta practica requeria el b) Calcula y visualiza el espectro de Fourier de la imagen, agregando
codigo. primero ceros hasta alcanzar el tamaño de la convolución teórica entre la
imagen y un filtro de 7x7 elementos.
Nota: Para visualizar adecuadamente la magnitud del espectro se realiza
una transformación logarítmica, la cual realiza una compresión de las
frecuencias altas y expansión de las frecuencias bajas.
c) Mueve el origen al centro de la imagen por medio del comando
III. RESULTADOS “fftshift” de MatLab
codigo
CODIGO BINOMIAL
[m n]=size(A); N=7;
function h=binomial(N) mapa=gray(256);
FA=fft2(A, m+N-1, n+N-1);
h=zeros(1,N); FAS=fftshift(FA);
figure imagesc( log(abs(FAS)+1) ) colormap(mapa)
for x=0:N-1
h(x+1)=nchoosek(N-1, x);
end

d) Visualiza la magnitud del espectro de la imagen usando el comando

1 * Datos del Alumno: Carrera, numero de cuenta, etc. “mesh”.
figure mesh( log(abs(FAS)+1) )
Universidad Nacional Autónoma de México
Laboratorio de Procesamiento Digital de Imágenes Médicas
M. en I. Juan Carlos Muñoz Torres
Dr. Ernesto Moya Albor
figure mesh( abs(FHS) )

e) Multiplica ambos espectros punto a punto, con esto se realizara el

equivalente a la convolución lineal pero en el dominio de la frecuencia.
f) Visualiza la magnitud del espectro de este producto.
g) Realiza la IDFT (Transformada Discreta de Fourier Inversa) del
producto (en el ejemplo “FB” y guarde el resultado por ejemplo en “B”),
la instrucción de MatLab es “ifft2”.
h) Visualiza el resultado de aplicarle la IDFT.

FBS=FAS.*FHS;
Ejemplo 2 Filtrado Frecuencial figure imagesc( log(abs(FBS)+1) ) colormap(mapa)
a) Define un filtro Binomial pasa-bajas de 7x7 elementos, guarda el %%%%%%%%
resultado en h y muestra el filtro usando “mesh”. FB=ifftshift(FBS);
b) Cambia el tamaño del filtro agregando ceros en h hasta que tenga las B=ifft2(FB);
dimensiones de la convolución teórica entre la imagen y el filtro h. figure imagesc(B) colormap(mapa)
c) Calcula la DFT del filtro h y mueve el origen al centro de la imagen por
medio del comando “fftshift” de MatLab.
d) Visualiza la magnitud del espectro del filtro sin usar la transformación
logarítmica usando “imagesc” y “mesh”.

%% Filtro Binomial h=binomial(N); h=h'*h; h=h/sum(h(:));

FH=fft2(h, m+N-1, n+N-1);
FHS=fftshift(FH);
figure imagesc( abs(FHS) ) colormap(mapa)
Universidad Nacional Autónoma de México
Laboratorio de Procesamiento Digital de Imágenes Médicas
M. en I. Juan Carlos Muñoz Torres
Dr. Ernesto Moya Albor

Ejercicio 2 Filtro Pasa Altas

a) Filtra en frecuencia la imagen “globulos.jpg” con el siguiente filtro
filtro pasaaltas:
h=[-1 -1 -1; -1 8 -1; -1 -1 -1];
Y visualiza la imagen filtrada (ya que este filtro en particular modifica el
contraste de la imagen filtrada use el comando imagesc para mostrar el
resultado.
clc
Ejercicios a realizar close all
Ejercicio 1 Filtro Suavizador tipo Bloque clear all
a) Filtra la imagen “globulos.jpg” usando un filtro suavizador tipo bloque A=imread('globulos.jpg');
de 11x11 elementos. Visualiza los espectros de Fourier del filtro y la
imagen filtrada mapa=gray(256);
figure
image(A)
colormap(mapa)
[m n]=size(A);
N=11;
mapa=gray(256);
FA=fft2(A, m+N-1, n+N-1);
FAS=fftshift(FA);

figure
imagesc(log(abs(FAS)+1))
colormap(mapa)
Universidad Nacional Autónoma de México
Laboratorio de Procesamiento Digital de Imágenes Médicas
M. en I. Juan Carlos Muñoz Torres
Dr. Ernesto Moya Albor
figure
mesh(log(abs(FAS)+1))

%FILTRO BINOMIAL
h=[-1 -1 -1;-1 8 -1;-1 -1 -1]
h=h*h';
h=h/sum(h(:));

FH=fft2(h, m+N-1,n+N-1);
FHS=fftshift(FH);

figure
imagesc(abs(FHS))
colormap(mapa)
figure
mesh(abs(FHS))

FBS=FAS.*FHS;
figure
imagesc(log(abs(FBS)+1))
colormap(mapa)

%%%%%%%%%%
FB=ifftshift(FBS);
B=ifft2(FB);
figure
imagesc(B)
colormap(mapa) IV. CONCLUSIONES
Por medio de esta práctica se puede ver la
importancia del análisis de Fourier para el procesamiento de
Imágenes Digitales. En este caso el informe se centro en el
filtrado de Imágenes pero el análisis de Fourier tiene una gran
cantidad de aplicaciones yser posible ver como los avances
dentro de la computación y la algoritmia nos permiten utilizar
herramientas matemáticas que utilizan una gran cantidad de
cálculos matemáticos para procesar imágenes, etc.
Tambien admito que los resultados no fueron al 100% precisos
con los ejercicios dados , ya que salieron algunas dudas
respecto a los resultados obtenidos.

V. REFERENCIAS

[1]http://www.mathworks.com/help/techdoc/index.html
[2]https://es.wikipedia.org/wiki/
Transformada_de_Fourier_discreta
[3]

VI. APÉNDICE
Apéndice de la práctica (sólo si es el caso).