Filtrado de Señales en el Dominio del Tiempo y

Transformación Espacial de Imágenes Médicas

Manuel Centeno Frankling Espinoza Enriqueta Ramos Ronald Turcios
Facultad de Ingenierı́a Facultad de Ingenierı́a Facultad de Ingenierı́a Facultad de Ingenierı́a
Universidad Don Bosco Universidad Don Bosco Universidad Don Bosco Universidad Don Bosco
San Salvador, El Salvador San Salvador, El Salvador San Salvador, El Salvador San Salvador, El Salvador
manuel.eno97@gmail.com franklingespinoza07@gmail.com mariaenriquetaramos7@gmail.com rturciosvalladares@gmail.com

Abstract—
Index Terms—

I. I NTRODUCCI ÓN
II. F ILTRADO DE S E ÑALES M EDIANTE F ILTRO DE
V ENTANA M ÓVIL
A. Señal Sinusoidal
B. Señal de ECG
III. T RANSFORMACI ÓN E SPACIAL DE I M ÁGENES M ÉDICAS
A. Binarización de la Imagen
La binarización es una herramienta de procesamiento dig-
ital, donde convertimos una imagen con diversos niveles de
gris, a una imagen binaria, es decir, transformamos sus niveles
de intensidad en 0 y 255. Con esta técnica logramos separar
Fig. 1. Despliegue de Imagen RGB en MATLAB.
el fondo de la estructura de interés.
Existen 2 técnicas de binarización, métodos globales y
locales. En los métodos globales encontramos un umbral y
lo aplicamos a toda la imagen, entre estos se encuentran el
método global y el método Otsu. Por otra parte, con los
métodos locales obtenemos un umbral para cada pı́xel usando
los valores de sus vecinos, en esta categorı́a se encuentran el
método Niblack y Saovola [1].
En esta práctica utilizamos el método global, que lo pode-
mos definir matemáticamente con la expresión:
(
255 si f (x, y) < T
f (x, y) (1)
0 si f (x, y) > T
Aplicaremos esta técnica a la imagen de una célula, primer-
amente exportamos la imagen de interés al entorno de MAT-
LAB y con los comandos imread(), figure() y imshow() de-
splegamos la imagen almacenada en la variable que llamamos Fig. 2. Despliegue de Imagen en Escala de Grises en MATLAB.
celula. Como podemos observar en Fig. 1 la imagen está en
formato RGB, por lo que la convertimos a escala de grises
con el comando rgb2gray(), observando el resultado en Fig. 2 para recorrer individualmente cada pı́xel de la imagen, donde
y su histograma en Fig. 3. a cada uno le aplicamos (1) en forma de condicional del tipo
Ahora que tenemos la imagen de interés en escala de gris, if else, definiendo como nuestro umbral un nivel de gris igual
creamos una nueva variable vectorial vacı́a, con el nombre a 70. El resultado de la binarización es almacenado pı́xel por
celula2[], luego almacenamos las filas y columnas que com- pı́xel en la variable celula2 dentro del ciclo for.
ponen la imagen en las variables [M N] con el comando Por último, convertimos la variable celula2 al formato uint8
size(celula). Posteriormente, implementamos dos ciclos ”for” para desplegarla como imagen en una nueva figura, obteniendo
 • O, es el pı́xel resultante (Output).
• I, es el pı́xel a ser modificado (Input).
• c, factor de escala.
• γ, valor de corrección gamma.

El resultado que obtendremos por este método depende del

Fig. 3. Histograma de Célula en Escala de Grises.
como resultado Fig. 4, donde podemos observar que el método
de binarización implementando nos ha permitido separar el
núcleo del fondo de la imagen.
valor del valor de corrección, teniendo 2 posibles casos:
1) γ menor a 1: Con valores de corrección menores a
1 conseguimos mejorar el contraste en las áreas oscuras, y
comprime los pı́xeles en las zonas de mayor brillo [2]. Para
demostrar este efecto, hemos procesado una radiografı́a de
tórax, tomando una constante de escala c igual a 1.3, y un valor
de corrección gamma (γ) de 0.5. El resultado es mostrado
en Fig. 5, donde podemos observar una mejora de brillo y
contraste, que nos permite visualizar con mayor claridad los
bordes y estructuras blandas. El efecto de esta transformación
puede observarse también a través de su histograma (ver Fig.
6).

Fig. 5. Gamma menor a 1

Fig. 4. Resultado del Método Global de Binarización

IV. I NVESTIGACI ÓN Y D ESAF ÍOS C OMPLEMENTARIOS

A. Filtrado de ECG
B. Binarización de Tumor
C. Transformación Gamma de Imágenes
La transformación gamma de imágenes o también llamada
transformación por ley de exponentes, ya que es una técnica
que usa esta ley, es un método empleado para el procesamiento
digital de imágenes, que nos permite ajustar el nivel de gris de
cada pı́xel. Es una herramienta versátil, que nos puede permitir
hacer énfasis en rangos de intensidades que sean de nuestro
interés, y mejorar especı́ficos detalles de la imagen [2].
Este método está definido por la siguiente expresión
matemática:
Fig. 6. Histograma de Caso 1 de Transformación Gamma
γ
O =c∗I (2)
2) γ mayor a 1: En este caso, conseguimos ampliar el
Donde, contraste en las áreas de mayor brillo, y comprimir los
niveles de gris en los pı́xeles más oscuros [2]. Retomamos
la radiografı́a de tórax y en este caso tomamos una constante
de escala c igual a 1.5 y un valor de corrección gamma (γ)
de 1.6. El resultado obtenido es mostrado en Fig. 7, donde
podemos observar que las zonas con mayor nivel de gris han
aumentado su brillo, lo que permite nos ver de mejorar manera
las estructuras óseas, pero oscurece casi por completo las
estructuras blandas. El resultado de la transformación también
lo podemos ver en su histograma (ver Fig. 8).
[5] R. Nicole, “Title of paper with only first word capitalized,” J. Name
Stand. Abbrev., in press.
[6] Y. Yorozu, M. Hirano, K. Oka, and Y. Tagawa, “Electron spectroscopy
studies on magneto-optical media and plastic substrate interface,” IEEE
Transl. J. Magn. Japan, vol. 2, pp. 740–741, August 1987 [Digests 9th
Annual Conf. Magnetics Japan, p. 301, 1982].
[7] M. Young, The Technical Writer’s Handbook. Mill Valley, CA: Univer-
sity Science, 1989.
IEEE conference templates contain guidance text for compos-
ing and formatting conference papers. Please ensure that all
template text is removed from your conference paper prior to
submission to the conference. Failure to remove the template
text from your paper may result in your paper not being
published.

Fig. 7. Gamma mayor a 1

Fig. 8. Histograma de Caso 2 de Transformación Gamma

R EFERENCIAS
[1] B. Nieto, Técnicas de Procesamiento Digital de Imágenes y Re-
conocimiento de Patrones, Capı́tulo 2, Universidad de las Américas
Puebla, Mexico, pp. 11-13.
[2] Educative Inc, ”What is Gray Level Transformation?”, 2023,
[Online], Disponible en: https://www.educative.io/answers/
what-is-gray-level-transformation.
[3] I. S. Jacobs and C. P. Bean, “Fine particles, thin films and exchange
anisotropy,” in Magnetism, vol. III, G. T. Rado and H. Suhl, Eds. New
York: Academic, 1963, pp. 271–350.
[4] K. Elissa, “Title of paper if known,” unpublished.