Unidad2 Material Pdi 8 Final Ejercicios

Facultad de Ingeniería
Carrera de Ingeniería Electrónica

Carrera de Telecomunicaciones y Redes
Carrera de Ingeniería Mecatrónica
CURSO
Procesamiento Avanzado de Señales e Imágenes
TEMA
UNIDAD 2: Procesamiento Digital de Imágenes
Mejora y Filtrado Espacial de la Imagen
PROFESOR(ES)
Ing. MSc. Christian del Carpio Damián / Dr. Guillermo Kemper Vásquez
TRANSFORMACIONES BÁSICAS DE INTENSIDAD
Y FILTRADO ESPACIAL
▪ La magnitud física que mide cuanta luz hay presente,

referente a la energía es la intensidad. La intensidad
es lo que se cuantifica de 0 a 255 en ocho bits por
tono.
▪ El brillo por otro lado es una sensación humana la
relación entre brillo e intensidad no es directa debido
a la adaptabilidad que tiene el ojo.
▪ El contraste se refiere a la variación de intensidades.
2
Y FILTRADO ESPACIAL
El procesamiento en el dominio espacial se denota

como:
g ( x, y ) = T [ f ( x, y )]
Procedimiento
que opera
directamente con
pixeles
3
Y FILTRADO ESPACIAL
La forma más simple de la transformación T (función de

correspondencia) es cuando la vecindad es de tamaño
1x1.
s = T (r )
El valor de los pixeles, antes y después del

procesamiento se denotan por “r” y “s”, respectivamente.
4
Y FILTRADO ESPACIAL
5
TRANSFORMACIONES
BÁSICAS
DE
INTENSIDAD
6
Negativo de una imagen

Una imagen con niveles de intensidad en el rango
[0, L-1].
s = L −1− r
7
8
Es conveniente cuando se desea realzar detalles

blancos o grises sobre un fondo oscuro
9
Transformación Logarítmica
En general una transformación logarítmica es
s = c log(1 + r )
Donde
“c” es una constante
10
11
Comprime el rango dinámico en imágenes con una

variación muy grande de niveles de gris.
12
Transformación de potencias
En general una transformación de potencia es
s = cr 
Donde:
“c” y gamma son constantes positivas
13
Transformación de potencia
14
A diferencia de la función logarítmica, en la función de

potencia se tiene una variedad de curvas de
transformación simplemente variando el valor de
gamma.
Una gran variedad de dispositivos de adquisición,

impresión y desplegado de imágenes responde de
acuerdo a las leyes de potencia.
15
16
17
18
Transformación Lineal a tramos
• Aumento del contraste

• Fraccionamiento de niveles de gris
• Fraccionamiento de los planos de bits
19

Aumento del contraste
• Incrementar el rango dinámico de los niveles de gris
de la imagen.
20
Aumento del
contraste
21
Fraccionamiento de niveles de gris

• Sirve para resaltar un rango específico de niveles de
gris de una imagen.
• Las aplicaciones se pueden dar en resaltar
características como masas de agua en imágenes
satelitales, resaltar defectos en imágenes médicas,
etc.
22
Fraccionamiento
de niveles de
gris
23

Fraccionamiento de niveles de gris
24

Fraccionamiento de los planos de bits
Destacar la contribución que realizan a la imagen

determinados bits específicos.
25

• Destacar la contribución que realizan a la imagen
determinados bits específicos.
• Separar las imágenes en sus bits es útil para analizar
la importancia relativa que tiene cada uno de los
planos – bit de la imagen.
26
27

28
PROCESAMIENTO
DE
HISTOGRAMAS
29
PROCESAMIENTO DE HISTOGRAMAS
Procesamiento de Histogramas
El histograma de una imagen digital con niveles de

intensidad en el rango [0, L - 1] es una función discreta:
h(rk ) = nk
Donde:
rk es el kth valor de intensidad
nk es el número de píxeles en la imagen con intensidad rk
30
31
Ecualización del histograma
Sea r una variable que represente los niveles de gris de
la imagen a mejorar. Inicialmente se considera que los
píxeles son cantidades continuas que han sido
normalizadas que pertenecen al intervalo [0, 1].
r
s = T(r) = 
0
p r (w)dw 0  r 1
32
La forma discreta de la ecuación anterior
n
nj
s k = T(rk ) =
j =0
k
sk =  p (r )
j =0
r j 0  r k  1 y k = 0,...., L − 1
33
34
35
36
Ecualización del
histograma
37
ECUALIZACIÓN DE HISTOGRAMA
 255 r 
T(r ) = round
 M.N  his (i)  , r : tonalidad original,

T(r) : tonalidad resultante (función de correspondencia)
 i =0 
IMAGEN ORIGINAL HISTOGRAMA ORIGINAL - his(r) FUNCIÓN DE CORRESPONDENCIA - T(r)
IMAGEN ECUALIZADA
HISTOGRAMA RESULTANTE
FILTRADO
ESPACIAL
39
CONVOLUCIÓN BIDIMENSIONAL
Convolución 1-D
Bloque de señal Filtro Bloque de señal resultante

0 L-1 0 P-1 0 P+L-2
x(n) h(n) = y(n)
L muestras
* P valores L+P-1 muestras
L−1 P−1
y n = ෍x i h n−i =෍h i x n−i

i=0 i=0
n=0,1,…,P+L-2
40
CONVOLUCIÓN BIDIMENSIONAL
Convolución 2-D
Imagen Resultante
Imagen Original Filtro (Máscara) N+Q−1

N x
Q
x x
Z(x, y) M+P−1
I(x, y) M * h(x, y) P =
y
y
y
M−1 N−1 P−1 Q−1
Z x, y = ෍ ෍ I i, j h x − i, y − j = ෍ ෍ h i, j I x − i, y − j
i=0 j=0 i=0 j=0
x=0,1,…,M+P-2
y=0,1,…,N+Q-2
FILTRADO ESPACIAL
Costo computacional de la convolución
Imagen Original
N Filtro (Máscara)
M P
• Tamaño de la imagen: S=MxN píxeles

• Tamaño de la máscara: K=PxQ píxeles
• Por cada píxel: K productos y (K-1) sumas
• Total de operaciones: SxK productos y Sx(K - 1) sumas
42
FILTRADO ESPACIAL
Costo Computacional de la convolución
Una matriz h(x,y) es separable si h(x,y)=hh(x)hv(y)
• Una matriz NO separable: MxNxPxQ productos

• Una matriz separable: MxNx(P+Q) productos
• Una matriz NO separable: MxNxPxQ - MxN sumas
• Una matriz separable: MxNx(P+Q) – 2xMxN sumas
43
FILTRADO ESPACIAL
Convolución Gráfica 2-D
Imagen Resultante
Filtro (Máscara) Imagen Original
h(x, y) I(x, y) Z(x, y)
x x x
1 0 50 10 50 10 20 0
20
0 2 P=2 * 100 150 50 M=3
= 100 250 70 40
M+P−1 =4
y
50 10 250 320 100
Q =2 10 20
0 20 100 40
y
N=3 y
2 2
N+Q−1= 4
Z x, y = ෍ ෍ I i, j h x − i, y − j
i=0 j=0 x=0, y=0 x=0, y=3
x=0,1,…,3 , y=0,1,…,3 h(0 − i, 0 − j) h(0 − i, 3 − j)
x=0, y=0 2 0 2 0
I(i, j) 1
h(0 − i, 0 − j) 0 50 10 0 1
i 20
i 50 10 20
2 0 100 150 50
0 1 * 100 150 50 x=3, y=0 0
2 10 2
50 20 0 x=3, y=3
h(3 − i, 0 − j) h(3 − i, 3 − j)
j 10 50 20 0 1 0 1
44
j
FILTRADO ESPACIAL
Convolución Gráfica 2-D (continuación)
Imagen Resultante
Z(x, y)
Filtro (Máscara Activa)
h(x, y) x
50 10 20 0
x
1 0 100 250 70 40
P=2 M+P−1 =4
0 2
10 250 320 100
y
Q =2 0 20 100 40
y
N+Q−1= 4
Valor fuera de rango debido a que la máscara era activa. Es decir la suma de sus valores absolutos era mayor a 1.
Para que esto no ocurra, la suma de los valores absolutos de la máscara debe ser igual a 1. Esto con el objetivo de
conservar en la salida el mismo rango de valores de la imagen entrada.
Filtro (Máscara activa convertida a pasiva)
1 1 0 1/3 0
× =
3 0 2 0 2/3
FILTROS ESPACIALES DE SUAVIZADO
Filtros de Suavizado Lineales
▪ Es el promedio de píxeles contenidos en la vecindad
de la máscara del filtro.
▪ Son llamados filtros promediadores.
▪ Son filtros pasa bajas.
▪ Pérdida de nitidez
46
47
48
49
PASA-BAJAS : MÁSCARA PROMEDIADORA
MASCARA PROMEDIADORA
(FILTRO SUAVIZANTE - PASA-BAJAS)
1 1 1 .. 1  P −1 Q −1

1

1 1 .. 1  I F ( x , y) =  M (i, j)I(x − i, y − j)
p
1  i = 0 j= 0
Mp = 1 1 1 .. 1  P filas
P.Q   x = 0,...,M + P − 2, y = 0,...,N + Q − 2 , I(x, y) : Imagen Original
: : : .. : 
1 1 1 .. 1 

IMAGEN ORIGINAL IMAGEN FILTRADA
Q columnas
Ejemplo : I(x,y) - original (MxN)
FILTRAJE CON UNA MASCARA

PROMEDIADORA DE 7X7 :
•Reducción de contraste.
•Reducción de ruido.
•Introducción de efecto de borde
400x260 406x266
Filtros de rango
Los filtros de rango son filtros espaciales no lineales
cuya respuesta está basada en el ordenamiento de los
píxeles que están contenidos en la imagen por la
máscara del filtro, y luego se reemplaza el valor del píxel
central de la máscara con el valor determinado por el
resultado del ordenamiento.
El filtro más conocido de este tipo es el filtro de mediana.
51
Filtro de mediana
▪ Se utilizan para eliminar ruido impulsivo.
▪ Menor efecto de difuminado que los filtros
promediadores lineales.
▪ Son filtros pasa bajas.
52
FILTROS DE RANGO: FILTRAJE DE MEDIANA (filtraje no lineal) :
Supongase que se va a determinar el valor resultante de un pixel a partir de un filtraje por

mediana con vecindad 3x3.
IMAGEN ORIGINAL IMAGEN RESULTANTE
10 20 20
15 100 25 Vecindad 20
3x3
20 20 20
valor de pixel resultante Valor escogido
pixel analizado : p(m,n) en la posición : (m,n)
Agrupacion de valores : 10,20,20,15,100,25,20,20,20,20. Ordenamiento de menor a mayor : 10,15,20,20, 20 , 20,20,25,100

El filtrado por mediana es una de las técnicas mas utilizadas en al eliminación de

ruido de alta visibilidad en imágenes.
Esta técnica es basada en detectar e impedir que en una vecindad pequeña de pixeles
exista cambios radicales de tonalidad o intensidad.
Sea un pixel p(m,n) en la imagen original (m, n: son la coordenadas de posición del
pixel). El valor del mismo pixel en la imagen resultante se determina almacenando en
un vector temporal, el valor de p(m,n) y los valores de los pixeles vecinos. La
vecindad de un pixel puede ser de 3x3, 5x5, 7x7, etc.
Los valores almacenados se ordenan de menor a mayor y aquel valor localizado en la

posición “mitad mas uno” del ordenamiento es el valor resultante.
IMAGEN ORIGINAL IMAGEN CON RUIDO
RUIDO SAL Y PIMIENTA
IMAGEN FILTRADA IMAGEN FILTRADA
Filtro Promediador 9x9 Filtro de Mediana 9x9

Filtro de mediana
56
Filtro Gaussiano
▪ Tiene efecto de suavizado sobre la imagen
▪ El grado de suavizado puede ser controlado por la
desviación estándar .
▪ Se comporta como un filtro pasa bajas si su
desviación estándar es alta.
▪ Su transformada de Fourier es una función
gaussiana.
57
Filtro Gaussiano
 x2 + y2 
− 
1  2 2 
f ( x, y ) = e 
2 2
En discreto
 x2 + y2 
− 
 2 2 
G ( x, y ) = c  e 
58
Filtro Gaussiano
Máscaras del filtro Gaussiano 3x3 σ=1, 11x11 σ=2 y

21x21 σ=4
59
Filtro Gaussiano
(a) Imagen original, (b) imagen con ruido sal y pimienta, (c) imagen con ruido
gaussiano
60
Filtro Gaussiano
Filtro Gaussiano con una máscara de 5X5 y desviación=2 aplicado a las imágenes
(a) original, (b) ruido sal y pimienta, (c) imagen con ruido gaussiano
61
FILTROS ESPACIALES DETECTORES DE BORDE
El filtrado de imágenes se utiliza también para

▪ Extracción de características
▪ Mejora de características
Esto se realiza a través de la detección de bordes dentro
de una imagen. Un borde puede ser considerado como
una discontinuidad o gradiente dentro de una imagen.
Se consideran los filtros derivativos para la detección de
bordes en una imagen.
62
Para la detección de bordes se hace uso de operadores

diferenciales para detectar el cambio en la gradiente de
los niveles de gris o color en una imagen.
La detección de bordes se divide en dos categorías
principalmente:
▪ Filtros detectores de borde de primer orden
▪ Filtros detectores de borde de segundo orden
63
Operadores derivativos
64
65
Detección de bordes de primer orden
• Se tienen 3 operadores clásicos: Roberts, Prewitt y
Sobel como los detectores de bordes.
• Se consideran los filtros derivativos para la detección
de bordes en una imagen.
• Es una combinación de dos máscaras, derivada en
“x” y derivada en “y”.
66
Kernel de Roberts
▪ Es el primer método usado para detectar bordes
▪ Sensible al ruido
▪ Maximiza los bordes en ±45°
▪ La magnitud |G| y orientación θ de la gradiente de la
imagen es:
  
−1  G y
| G |= G x2 + G y2  = tan +
 Gx  4
 
67
Kernel de Roberts
0 -1 -1 0
1 0 0 1
68
Kernel de Prewitt
▪ Reducción de ruido utilizando filtro promediador
▪ Aproximación central para gradiente
▪ Factor de normalización de 1/6
1 0 -1 1 1 1
1 0 -1 0 0 0
1 0 -1 -1 -1 -1
69
Respuestas de
magnitud de borde
de Roberts,
Prewitt y Sobel
70
Kernel de Sobel (Filtro de Gradiente)
▪ Reducción de ruido utilizando filtro gaussiano
▪ Aproximación central para gradiente
▪ Factor de normalización de 1/8
1 0 -1 1 2 1
2 0 -2 0 0 0
1 0 -1 -1 -2 -1
71
FILTRAJE DE GRADIENTE : MÁSCARAS DE SOBEL
MÁSCARAS DE SOBEL
(FILTROS DE GRADIENTE- RESALTADOR DE BORDES DIRECCIONAL)
− 1 − 2 − 1  − 1 0 1 IMAGEN ORIGINAL
M v =  0 0 0  M h = − 2 0 2
 1 2 1   − 1 0 1 
IMAGEN FILTRADA CON Mv
IMAGEN RESULTANTE
IMAGEN FILTRADA CON Mh
Detección de bordes de segundo orden
Kernel Laplaciano
2 f 2 f
 f ( x, y ) = 2 + 2
2
x y
En discreto
 2 f = f ( x + 1, y ) + f ( x − 1, y ) − 4 f ( x, y ) + f ( x, y + 1) + f ( x, y − 1)
73
Kernel Laplaciano
▪ Produce bordes más finos
74
Kernel Laplaciano
PASA-ALTAS : MÁSCARA REALZANTE
MASCARA REALZANTE - PASA-ALTAS
Ejemplo : Mascara de 5x5 IMAGEN ORIGINAL
 −1 -1 −1 −1 −1 
 
 −1 -1 − 1 − 1 − 1 
1
Mh = − 1 - 1 24 − 1 − 1  5 filas
25  
− 1 -1 − 1 − 1 -1 
− 1 - 1 − 1 − 1 − 1 

5 columnas
P −1 Q −1
I F ( x , y) =  M (i, j)I(x − i, y − j)
i = 0 j= 0
h
x = 0,...,M + P − 2, y = 0,...,N + Q − 2, I(x, y) : Imagen Original IMAGEN FILTRADA
Ejemplo : I(x,y) - original (MxN)

PASA ALTAS DE 5X5 :
Resaltado de bordes.
•Eliminación de áreas uniformes
•Se aplicó umbralización.
Kernel Laplaciano
Si se usa el laplaciano para mejorar la imagen entonces

se aplica la siguiente regla:
𝑓 𝑥, 𝑦 − 𝛻 2 𝑓(𝑥, 𝑦) , 𝑠𝑖 𝑒𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑒𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜

𝑔 𝑥, 𝑦 = ൞
𝑓 𝑥, 𝑦 + 𝛻 2 𝑓(𝑥, 𝑦) , 𝑠𝑖 𝑒𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑒𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜
76
77
78
FILTROS DE MEJORA DE BORDES
Filtrado Unsharp masking
Un proceso para poder afilar los bordes de una
imagen consiste en restar una versión suavizada de
una imagen de la propia imagen. Esto proceso, se
denomina enmascaramiento de enfoque
f s ( x, y ) = f ( x, y ) − f ( x, y )
79
Filtrado High-Boost
Una generalización del unsharp masking es el
high-boost
f hb ( x, y ) = Af ( x, y ) − f ( x, y )
f hb ( x, y ) = ( A − 1) f ( x, y ) + f ( x, y ) − f ( x, y )
f hb ( x, y ) = ( A − 1) f ( x, y ) + f s ( x, y )
Donde es 𝐴 ≥ 1
80
Filtrado High-Boost
Si se elige usar el Laplaciano para obtener la imagen
𝑓𝑠 (𝑥, 𝑦). Entonces
𝐴𝑓 𝑥, 𝑦 − 𝛻 2 𝑓(𝑥, 𝑦) , 𝑠𝑖 𝑒𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑒𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜

𝑓ℎ𝑏 𝑥, 𝑦 = ൞
𝐴𝑓 𝑥, 𝑦 + 𝛻 2 𝑓(𝑥, 𝑦) , 𝑠𝑖 𝑒𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑒𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜
81
FILTADO HIGH BOOST
UNA MÁSCARA HIGH-BOOST

(FILTRO REALZANTE DE BORDES + PASA-BAJAS ) IMAGEN ORIGINAL
Ejemplo : Mascara de 3x3
− 1 −1 − 1
= − 1 (9 A − 1) − 1
1
M hb 3 filas
9
− 1 −1 − 1
3 columnas
P −1 Q −1
I F ( x , y) =  M
i = 0 j= 0
hb (i, j) I( x − i, y − j)
x = 0,...,M + P − 2, y = 0,...,N + Q − 2, I(x, y) : Imagen Original

IMAGEN FILTRADA
Ejemplo :

HIGH BOOST DE 3X3, A=1.9 :
•Resaltado de bordes.
•Se mantienen las áreas uniformes
según el valor de A.
•Es necesario aumentar el brillo
después del filtraje.
Otras máscaras High Boost (sin normalización)
83
Filtrado de High Boost
84
Filtrado Laplaciano de Gaussiano (LoG)
Para contrarrestar la alta sensibilidad al ruido del filtro
Laplaciano, se puede combinar este, con el filtrado
con el núcleo Gaussiano, para producir un método de
filtrado más robusto.
Estos dos núcleos podrían aplicarse secuencialmente a

la imagen como dos operaciones de convolución
separadas, primero suavizando con el núcleo Gaussiano
y luego con el Laplaciano.
85
Detector de cruce por cero
La propiedad de cruce por cero del Laplaciano (y el
LoG) también permite otro método de detección de
borde: el método de cruce por cero.
Se utiliza un detector de cruce por cero para localizar

los píxeles en que el valor del laplaciano pasa por
cero (es decir, los puntos en los que el laplaciano
cambia de signo).
86
Es mejor utilizar este método de cruce por cero como
un tipo de detector de características en lugar de
como un detector de borde específico.
La salida del detector de cruce por cero es

generalmente una imagen binaria con líneas de
espesor de un solo píxel mostrando las posiciones de
los puntos de cruce por cero.
87
88
Laplaciano del Gaussiano
89
Filtrado de Canny
90
Filtrado de Canny
91
Filtrado de Canny
92
Filtrado de Canny
93
EJERCICIOS
EJERCICIO 1
94
EJERCICIOS
SOLUCIÓN EJERCICIO 1
95
EJERCICIOS
EJERCICIO 2
96
EJERCICIOS
SOLUCIÓN EJERCICIO 2
97
EJERCICIOS
EJERCICIO 3
98
EJERCICIOS
SOLUCIONARIO EJERCICIO 3
99
EJERCICIOS
EJERCICIO 4
100
EJERCICIOS
SOLUCIONARIO EJERCICIO 4
101
FUENTE:
GONZALEZ, R.- WOODS, R. “Digital Image Processing”

Pearson International Edition, 3e ed., 2008
SOLOMON, C. – BRECKON, T. “Fundamentals of Digital Image

Processing” Wiley – Blackwell, 2011
102

Unidad2 Material Pdi 8 Final Ejercicios

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad2 Material Pdi 8 Final Ejercicios

Cargado por

Copyright:

Formatos disponibles

Facultad de Ingeniería

Carrera de Ingeniería Electrónica

▪ La magnitud física que mide cuanta luz hay presente,

El procesamiento en el dominio espacial se denota

La forma más simple de la transformación T (función de

El valor de los pixeles, antes y después del

Negativo de una imagen

Negativo de una imagen

Negativo de una imagen

Es conveniente cuando se desea realzar detalles

Comprime el rango dinámico en imágenes con una

A diferencia de la función logarítmica, en la función de

Una gran variedad de dispositivos de adquisición,

Transformación Lineal a tramos

• Aumento del contraste

Transformación Lineal a tramos

Transformación Lineal a tramos

Fraccionamiento de niveles de gris

Transformación Lineal a tramos

Transformación Lineal a tramos

Transformación Lineal a tramos

Destacar la contribución que realizan a la imagen

Transformación Lineal a tramos

Transformación Lineal a tramos

El histograma de una imagen digital con niveles de

IMAGEN ORIGINAL HISTOGRAMA ORIGINAL - his(r) FUNCIÓN DE CORRESPONDENCIA - T(r)

Bloque de señal Filtro Bloque de señal resultante

y n = ෍x i h n−i =෍h i x n−i

Imagen Original Filtro (Máscara) N+Q−1

M−1 N−1 P−1 Q−1

• Tamaño de la imagen: S=MxN píxeles

Costo Computacional de la convolución

Una matriz h(x,y) es separable si h(x,y)=hh(x)hv(y)

• Una matriz NO separable: MxNxPxQ productos

Filtro (Máscara activa convertida a pasiva)

Filtros de Suavizado Lineales

Ejemplo : I(x,y) - original (MxN)

FILTRAJE CON UNA MASCARA

FILTROS DE RANGO: FILTRAJE DE MEDIANA (filtraje no lineal) :

Supongase que se va a determinar el valor resultante de un pixel a partir de un filtraje por

IMAGEN ORIGINAL IMAGEN RESULTANTE

Agrupacion de valores : 10,20,20,15,100,25,20,20,20,20. Ordenamiento de menor a mayor : 10,15,20,20, 20 , 20,20,25,100

FILTROS DE RANGO: FILTRAJE DE MEDIANA (filtraje no lineal) :

El filtrado por mediana es una de las técnicas mas utilizadas en al eliminación de

Los valores almacenados se ordenan de menor a mayor y aquel valor localizado en la

IMAGEN ORIGINAL IMAGEN CON RUIDO

RUIDO SAL Y PIMIENTA

IMAGEN FILTRADA IMAGEN FILTRADA

Filtro Promediador 9x9 Filtro de Mediana 9x9

Máscaras del filtro Gaussiano 3x3 σ=1, 11x11 σ=2 y

El filtrado de imágenes se utiliza también para

Para la detección de bordes se hace uso de operadores

x = 0,...,M + P − 2, y = 0,...,N + Q − 2, I(x, y) : Imagen Original IMAGEN FILTRADA

Ejemplo : I(x,y) - original (MxN)

Si se usa el laplaciano para mejorar la imagen entonces

𝑓 𝑥, 𝑦 − 𝛻 2 𝑓(𝑥, 𝑦) , 𝑠𝑖 𝑒𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑒𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜

𝐴𝑓 𝑥, 𝑦 − 𝛻 2 𝑓(𝑥, 𝑦) , 𝑠𝑖 𝑒𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑒𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜

UNA MÁSCARA HIGH-BOOST

x = 0,...,M + P − 2, y = 0,...,N + Q − 2, I(x, y) : Imagen Original

FILTRAJE CON UNA MASCARA

Otras máscaras High Boost (sin normalización)

Estos dos núcleos podrían aplicarse secuencialmente a

Se utiliza un detector de cruce por cero para localizar