UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE CIENCIAS

ESCUELA PROFESIONAL DE INGENIERÍA

ELECTRÓNICA Y TELECOMUNICACIONES

CURSO: PDS II

DOCENTE: ING. YONATAN AGUIRRE

TEMA: MODELO DEL PROCESO DEGRADACIÓN/ RESTAURACIÓN

DE UNA IMAGEN

ALUMNOS: CRUZ PAIVA GRACE

MENDOZA PAOLA
LOZANO PAOLA
MEDINA JAIME
Introducción

Cualquier persona que haya tomado una fotografía entenderá que capturar una
imagen exactamente como aparece en el mundo real es muy difícil.
Está el ruido contenido, que en el caso de una fotografía puede ser causado por
un movimiento de la cámara o el objeto, problemas de enfoque y una calidad
imperfecta empeoran hasta el mejor sistema de lentes. El resultado de todas
estas degradaciones hace que la imagen (fotografía) sea tan sólo una
aproximación de la escena.
Muy frecuentemente la imagen es suficientemente buena para el propósito para el
cual fue realizada. Por otra parte, hay algunos casos donde la corrección de la
imagen por ordenador es la única manera de obtener imágenes útiles.
La restauración de la imagen es el arte y ciencia de mejorar la calidad de una
imagen, en base a una medición absoluta. Implica generalmente algunos métodos
de deshacer una distorsión que ha sido impuesta, por ejemplo un movimiento
borroso o el grado de aspereza. Esto no se puede realizar de una manera
perfecta, pero las mejoras son posibles en algunas circunstancias.
1. Modelo del proceso degradación/ restauración de una imagen

Filtro
Restauración

Imagen original degradada Imagen resultante restaurada

Los métodos de restauración de imagen son usados para mejorar la apariencia de

una imagen, para lo cual se aplica un proceso de restauración que usa un modelo
matemático para eliminar la degradación de la imagen.
Ejemplos típicos de degradación incluyen: emborronamiento causado por
movimiento, disturbios atmosféricos, ruidos de fuentes eléctricas, ruido en un
proceso de transmisión, etc.
Este proceso asume que el modelo de degradación que afecta a la imagen es
conocido o puede ser determinado.
La idea es modelar el proceso de degradación y luego aplicar el proceso inverso
para restaurar la imagen original.
Los modelos de degradación incluyen consideraciones en el dominio espacial y en
el dominio frecuencial.
El Modelo de Degradación/Restauración incluye una etapa de Filtrado que permite
eliminar el Ruido contenido en la Imagen ó corregir a cierto nivel los efectos de la
degradación en la imagen digital.
En el caso del modelo mostrado,
f(x,y) = imagen original
g(x,y) = imagen distorsionada
n (x,y) = ruido aditivo
g’(x,y) = imagen restaurada

En base al modelo podemos observar que la imagen distorsionada se forma

cuando f(x, y) es afectada por una función de degradación y posiblemente por
ruido aditivo. La imagen restaurada resulta luego de que g(x, y) pasa a través de
una etapa de filtrado.
Es necesario recalcar el hecho de que no es posible restaurar al 100% una
imagen distorsionada. Esto se debe a varias limitaciones que pueden ir desde la
falta de información acerca de la función de degradación, hasta el caso en que
cierta parte de la información original no se encuentre presente ya en la imagen
degradada. Aún así, algunos de los métodos que han sido desarrollados hasta el
día de hoy para completar los procesos que permiten la restauración de imágenes,
logran una aproximación bastante fiel de la imagen original utilizando programas
de computación diseñados específicamente para este fin, algunos de estos
programas necesitan de computadoras con una gran capacidad de procesamiento
como por ejemplo las computadoras que se encargan de procesar y analizar las
fotografías tomadas por telescopios espaciales
Un diagrama de bloque general para el proceso de restauración de imagen es el
que se muestra a continuación:
Generalmente, la imagen degradada (imagen de entrada) y el conocimiento del
proceso de generación de la imagen son facilitados como datos de entrada al
proceso de restauración.
Ambos datos permiten obtener el modelo de degradación de la imagen y
posteriormente aplicar el proceso inverso de degradación sobre la imagen de
entrada.

1.1 El modelo proceso de degradación

El modelo general del proceso de degradación consiste de dos partes: función de
degradación y función de ruido.
En el dominio espacial el modelo general del sistema se define como:

d ( r , c )=h ( r , c )∗I ( r , c ) +n (r , c)

Donde:
*=denota el proceso de convolución
d(r, c)= imagen degradada
h(r, c)= función de degradación
I(r, c)= imagen original
n(r, c)= función ruido aditivo

En el dominio frecuencial, la convolución es equivalente a aplicar la operación de

multiplicar:
D ( u , v )=H ( u , v ) I ( u , v ) + N (u , v)
Donde:

D(u, v)= transformada de Fourier de la imagen degradada

H (u, v)= transformada de Fourier de la función de degradación
I (u, v)= transformada de Fourier de la imagen original
N (u, v)= transformada de Fourier de la función ruido aditivo

De estas ecuaciones se puede ver que hace falta encontrar la función de

degradación h(r,c) o H(u,v) (dominio espacial o frecuencial respectivamente) y el
modelo o función ruido n(r,c) o N(u,v).
Sin embargo, cuando el ruido n(r,c) o N(u,v) es la única perturbación la
degradación se puede expresar como:
 d ( r , c )=I ( r , c ) +n(r ,c )

d ( u , v )=I ( u , v ) + N (u , v )

2. Ruido
El ruido es una información no deseada que contamina a una imagen digital.
Representa cualquier información indeseable contenida en la imagen.
Típicamente, el ruido se genera durante el proceso de adquisición o durante el
proceso de transmisión.
Tipos principales de ruido:
2.1 Ruido aleatorio

Ruido aleatorio.
El ruido aleatorio se distribuye de forma aleatoria a lo largo del rango de brillo de la
imagen
En imágenes convencionales el ruido aleatorio puede ser modelado básicamente
con tres tipos de ruido comunes:

 distribución Gaussiana (normal, ruido electrónico)

 distribución Uniforme
 distribución Sal y Pimienta (impulso)
Tipos de ruido aleatorio

2.1.1 Distribución Gaussiana (normal, ruido electrónico)

Con la distribución del ruido Gaussiano, los valores de nivel de gris del ruido están
distribuidos a lo largo de una campa gaussiana.
2.1.2 Distribución Uniforme
Con la distribución del ruido uniforme, los valores de nivel gris del ruido están
distribuidos uniformemente a lo largo de un rango específico (menor o igual al
rango [0,255], 8 bits).
2.1.3 Distribución Sal y Pimienta (impulso)
Con la distribución del ruido sal y pimienta, sólo existen 2 posibles valores para los
niveles de gris del ruido, a y b, y la probabilidad de cada uno de ellos es menor
que 0.1.
Visualmente, el ruido gaussiano y uniforme, parecen similares, mientras que el
ruido sal y pimienta es muy diferente.
Además de estos 3 tipos de ruido aleatorio: gaussiano, uniforme y sal y pimienta,
existen otros tipos de distribución de ruido aleatorio en las imágenes digitales.
Otros tipo de de ruido aleatorio
 ruido Rayleigh
Normalmente, estos ruidos están presentes en “imágenes de velocidad”, y pueden
ser modelados por una distribución Rayleigh (relieve)

 Otro tipo de ruido que ocurre sobre imágenes es el que afecta a las imágenes
basadas en láser, este es llamado ruido exponencial negativo.
 Por otro lado, si la imagen anterior es filtrada con un paso-bajo, el ruido puede
ser modelado como un ruido Gamma.

2.2 Ruido periódico

El ruido periódico se distribuye periódicamente a lo largo del rango de brillo de la

imagen. Típicamente se origina por interferencias electromagnéticas. Se identifica
y elimina por técnicas basadas en el dominio de la frecuencia

2.3 Modelos matemáticos de los tipos de ruido

2.3.1 Distribución del ruido Gaussiano

La distribución del ruido Gaussiano como una función de los niveles de gris puede
ser modelada como un histograma de la siguiente forma:

2
−(g−m )
1 2σ
2

histograma gaussiano= e
√ 2 π σ2

donde:
g= nivel de gris
m=media
σ = distribución estándar (σ 2= varianza)
2.3.2 Distribución ruido uniforme
La distribución del ruido uniforme está definida como:

{
1
para a≤ g ≤ b
histogramauniforme = b−a
0 por otro lado

a+b
media=
2
2
(b−a)
varianza=
12
2.3.3 Distribución ruido sal y pimienta:
La distribución del ruido sal y pimienta está definida como:

{
histograma sal y pimienta = A para g=a (pimienta)
B para g=b ( sal)

2.3.4 Distribución ruido rayleigh:

La distribución del ruido Rayleigh está definida como:

{
2
− ( g−a )
2 ( g−a ) g≥ a
histogramarayleigh = e α
α
0 g<a

media=μ=
πα
√
4
( 4−π)
varianza=σ 2=α
4

El valor pico de esta distribución está en : 0.607

√ α
2
2.3.5 Distribución ruido exponencial negativo:
La distribución del ruido exponencial negativo está definida como:

.
−g
α
e
histogramaexponencial negativo =
α
2
varianza=σ

2.3.6 Distribución ruido gamma:

La distribución del ruido gamma está definida como:
.
α−1 −g
g α
histograma gamma= e
( α −1 ) ! a2
2
varianza=a α
  El modelo gaussiano es a veces usado para modelar procesos de ruido
natural, tal como el ruido electrónico producido durante el proceso de
adquisición.
 El modelo sal y pimienta, para ruidos causados por mal funcionamiento de
los elementos de píxel en los sensores de la cámara, normalmente:
locaciones de memoria o errores de tiempo en el proceso de digitalización.
 El ruido uniforme es a veces usado para degradar imágenes, lo cual es útil
para la evaluación de algoritmos de restauración de imágenes.

3. Eliminación del ruido usando filtros espaciales

Los filtros espaciales pueden ser usados para eliminar varios tipos de ruido en
imágenes digitales.
Estos filtros pueden ser implementados como máscaras de convolución, y
típicamente operan sobre pequeños vecindarios desde 3x3 a 11x11.
3.1 Filtros de orden
Los filtros de orden están basados sobre un tipo específico de estadísticas de
imagen llamada estadística de orden.
La estadística de orden es una técnica que arregla todos los píxeles en orden
secuencial, para lo cual, se basa sobre valores de nivel de gris.
Estos filtros son implementados ordenando los píxeles vecinos (máscaras) desde
el valor más pequeño al valor más alto, y usan este orden para seleccionar el valor
correcto.
Los filtros de orden son no lineales, y sus resultados son a veces impredecibles.
Trabajan mejor con ruido tipo: sal y pimienta, exponencial negativo o ruido
Rayleigh.
 El filtro más útil de los filtros de orden es el filtro mediano.
Este filtro mediano, selecciona el valor del píxel medio del conjunto de datos
previamente ordenados.
Este filtro es aplicado desplazando la ventana (máscara) de forma similar al
proceso de convolución.
Algunos de los inconvenientes que presentan estos filtros son:
Con máscaras de 3x3 se pierde una fila y una columna a lo largo del contorno de
la imagen.
Con máscaras de 5x5 se pierden 2 filas y 2 columnas.
Las pérdidas, antes mencionadas, no son significativas para imágenes de
256x256, ó 512x512.
Otros tipos de filtros de orden son:

- Filtros máximos
- Filtros mínimos

3.1.1 filtro mínimo

El filtro mínimo selecciona el valor más pequeño del conjunto de datos.
Este filtro trabaja bien cuando el ruido es tipo sal (valores altos).
 Dos ejemplos que ilustran como funcionan ambos filtros, filtro máximo y mínimo,
se muestra a continuación

1 Ejemplo de aplicar el filtro máximo sobre una imagen degradada:

2 Ejemplo de aplicar el filtro mínimo sobre una imagen degradada :

Los dos Últimos filtros de Orden son:
Filtro de punto medio
Filtro medio Alpha-trimmed (alfa-recortado)
3.1.2 Filtro de punto medio
El filtro de punto medio resulta del promedio entre el valor máximo y mínimo del
conjunto de datos ordenados (mascara) y se define como:
I1 + I N
si están en ordenados [ I 1 , I 2 , … I N ]
2

punto medio= ❑
2

El filtro de punto medio es útil cuando la imagen degradada contiene ruido

indeseable tipo gaussiano o uniforme
Dos ejemplos que muestran como funcionan este operador sobre ruido gaussiano
y ruido uniforme se da a continuación en la siguiente figura
3.1.3 Filtro de alpha-thimmed
El filtro de alpha-thimmed es el promedio de los valores de los pixeles dentro de la
máscara, pero con algunos valores de los extremos de rango excluidos. Esto es
definido como:

2
N −T
1
media alpha−trimmed= 2
N −T
∑ d i (r , c )
i=T−1

donde T es el numero de valores de pixeles excluidos al final del conjunto de datos

ordenados, y este puede variar desde :0 - ( N 2−T )
El filtro alpha -trimmed es útil para imágenes degradadas que contienen múltiples
tipos de ruido tales como: gaussiano y sal y pimienta
Un ejemplo del resultado obtenido después de aplicar este operador sobre una
imagen con ruido combinado (gaussiano y sal y pimienta) se muestra abajo

3.2 Filtros Promedio

Estos filtros determinan en uno u otro sentido el valor promedio dentro de una
ventana N X N.
Sus principales desventajas es que borronean los bordes o detalles de la imagen
El filtro mas importante de los filtros medio es el filtro medio aritmético
3.2.1 Filtro medio aritmético
El filtro medio aritmético es el más básico de estos filtros, el cual es determinado
hallando el promedio aritmético de los valores de los pixeles en la ventana
(mascara)esto es

1
2 ∑
media aritmetica= d (r , c )
N (r , c ) ∈w

Donde N 2 es el numero de pixles en w(ventanade N∗n)

 Este filtro es esencialmente un filtro paso-bajo

 Este filtro tiende a borronear(difuminar) la imagen mientras suaviza los
efectos del ruido
 Un ejemplo que usa como dato de entrada una imagen degradada con
ruido gaussiano se muestra a continuación

4. Eliminación del Ruido usando Filtros Frecuenciales

Los filtros en el dominio frecuencial trabajan usando la representación de la
transformada de Fourier de imágenes. Esta representación contiene información
acerca de los valores frecuenciales de la imagen. El modelo general para el
filtrado en el dominio frecuencia es presentado en la siguiente gráfica:
La expresión matemática general para obtener la imagen restaurada se define
como sigue:
I(r,c)= F-1[Î(u,v)]= F-1[Rtipo(u,v)D(u,v)]
donde:
Î(u,v) imagen restaurada, una aproximación a I(r,c).
F-1[ ] transformada inversa de Fourier.
Rtipo(u,v) filtro de restauración, (dominio frecuencial).
4.1 Tipos de filtros frecuenciales:
Entre los filtros del dominio frecuencial se destacan 7 tipos de filtros:
El filtro inverso: usa el modelo definido anteriormente, pero asumiendo ningún tipo
de ruido
( N(u,v) = 0 ). Si este es el caso, la transformada de Fourier de la imagen
degradada es:
D(u,v)= H(u,v) I(u,v)+0
De este modo, la transformada de Fourier de la imagen original puede ser
determinada como:
 D(u , v) 1
I(u,v)= I(u,v)=[ ]
H (u , v ) H (u , v )

4.1.1 Filtro Inverso:

Para hallar la imagen restaurada resultante inicialmente se multiplica la
transformada de Fourier de la imagen degradada D(u,v) y 1/H(u,v), y
posteriormente se aplica la transformada inversa de Fourier al resultado obtenido :
D(u , v ) 1
I(u,v)= F-1[Î(u,v)]= F-1[ ]= F-1[ D(u , v ) ]
H (u , v ) H (u , v )

Donde
F-1[ ] representa la transformada inversa de Fourier.
1/H(u,v) es el filtro de restauración, tipo filtro inverso.
El filtro inverso puede considerarse como una forma de filtro paso alto. Esto
produce que desafortunadamente este filtro responda muy mal a cualquier ruido
que este presente en la imagen, debido a que el ruido tiende a ser de frecuencia
alta.Un problema de la ecuación anterior es cuando cualquiera de los puntos de
H(u,v) son ceros (división por cero).
Un método para resolver este problema consiste en limitar la restauración a un
radio específico cercano al origen del espectro, esto es llamado frecuencia de
corte de restauración. Para componentes espectrales mas allá de este radio,
podemos fijar la ganancia del filtro a 0  Î(u,v) = 0. En la práctica el valor de la
frecuencia de corte debe ser determinada experimentalmente, el cual es altamente
específico de la aplicación que se esté desarrollando.
Un ejemplo de usar el filtro tipo inverso es mostrado a continuación:

Otro ejemplo:
4.1.2 Filtro Wiener:
Este filtro se caracteriza porque mejora algunas de las dificultades inherentes en el
filtro inverso (eliminar ruido). La ecuación para el filtro tipo wiener viene definido
como:

H∗(u , v )
Rw(u,v)= Sn ( u , v )
[ H ( u , v ) ] 2+[ ]
Si (u , v )

De la ecuación anterior observamos que el filtro de Wiener tiene dos partes : una
parte que hace las veces de filtro inverso y otra parte de suavizado de ruido.
De esta forma, este filtro aplica filtro inverso (filtro paso alto) y además elimina el
ruido con una operación de compresión (filtro paso bajo).
La ecuación Rw(u,v) – filtro wiener – asume que la imagen es de tamaño cuadrado
NxN. La conjugada compleja, H*(u,v), puede ser hallada negando la parte
imaginaria de un número complejo.
Por tanto, la imagen restaurada es obtenida como:
I(u,v)= F-1[Î(u,v)]= F-1[R(u,v)D(u,v)]
Debido a que muchas veces la imagen original no está disponible (SI(u,v) es
desconocido), por tanto, el radio espectro de potencia es reemplazado por K, el
cual debe ser experimentalmente determinado.

H∗(u , v)
Rw(u,v)=
[ H ( u , v ) ] 2+ K

Se aconseja incrementar los valores de K cuando la frecuencia se incremente.

La siguiente gráfica muestra los resultados obtenidos con el filtro tipo wiener para
una imagen degradada dada:
Filtro Mínimo: Este filtro permite eliminar algún ruido causado por otros filtros del
dominio frecuencial. La ecuación de este tipo de filtro viene dada por:
H∗(u , v)
Rcls(u,v)= 2 2
[ H ( u , v ) ] +[ P ( u , v ) ]
Donde:
 factor de ajuste.
P(u,v) transformada de Fourier de la función del criterio de suavizado.
 debe ser experimentalmente determinada, depende de la aplicación específica.

Donde:
p(r,c) transformada de Fourier inversa de P(u,v)
Nota: Antes de calcular P(u,v), p(r,c) debe ser extendida (completada) con ceros al
tamaño de la imagen.
De este modo, la imagen restaurada es determinada usando la siguiente
expresión:
I(u,v)= F-1[Î(u,v)]= F-1[Rcls(u,v)D(u,v)]
Ejemplo de los resultados obtenidos con el filtro de mínimos cuadrados restringido:

Filtro de Media Geométrica:

Este tipo de filtro está definido como:
 α
H∗(u , v ) H∗(u , v )
[ ]
Rgm(u,v)= [ H ( u , v ) ]
2
2 Sn (u , v )
[ H ( u , v ) ] +[ ]
Si ( u , v )
Cada uno de estos términos fueron anteriormente definidos.
Donde  y  son constantes reales positivas.
Por tanto, la imagen restaurada es determinada a través de la siguiente expresión:
I(u,v)= F-1[Î(u,v)]= F-1[Rgm(u,v)D(u,v)]
Si  = 0  Este filtro es llamado filtro wiener paramétrico.
Si  = 1  Este filtro llega a ser un filtro wiener estándar.
Si  = 0  Este filtro llega a ser un filtro inverso.

Resumen:
Los filtros del dominio de frecuencia trabajan bien para cantidades pequeñas de
degradación (emborronamiento), y cantidades moderadas de ruido aditivo.
El filtro inverso es inadecuado para imágenes con demasiado ruido.
El filtro wiener tiene tendencia a causar efectos indeseables en la imagen
resultante.
El filtro mínimo cuadrado restringido ayuda a minimizar los efectos indeseables
causados con el filtro wiener.
Los filtros wiener paramétrico y media geométrica, facilitan parámetros adicionales
a la ecuación de filtrado, los cuales pueden ser ajustados según aplicaciones
específicas.

El filtro notch:
Es una forma de filtro bandreject (rechazo de banda).
Este filtro en lugar de eliminar un anillo entero de frecuencias en el espectro,
únicamente selecciona una parte (muesca) de la frecuencia.
Estos filtros trabajan bien con ruido senoidal (ruido periódico), lo cual ocurre
normalmente en imágenes de televisión, o por sistemas mecánicos vibrantes o un
satélite.
Las siguientes gráficas muestran la imagen a restaurar usando el filtro notch:
Los resultados obtenidos después de aplicar el filtro notch son los siguientes:

REFRENCIAS BIBLIOGRAFICAS
https://slideplayer.es/slide/5482206/
http://biblioteca.usac.edu.gt/tesis/08/08_0203_EO.pdf
https://www.youtube.com/watch?v=Cn6cZ0XY2uM