Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento Electrónica
Prof. José Ramón Iglesias
EJERCICIOS
Trabajo en Grupo sobre Restauración de Imágenes
Objetivos:
Comprender nociones básicas de restauración de imágenes
Restaurar imágenes degradadas por movimiento horizontal uniforme
N=100-30+1=71
[]
f1
f2
f3
f4
[]
f5
f6
f7 g1
f8 g2
f9 g3
f 10 g4
[ ]
h 1 h 2 h 3 … . h 30 0 0 f 11 g5
g=f ∗h= 0 h1 h 3 … . h 9 … . h 30 0 f 12 = g 6
0 0 h 1 … . h 8 h 9 … . h30 f 13 g7
f 14 g8
f 15 .
f 16 .
f 17 g 71
f 18
f 19
f 20
.
.
f 100 00
[]
71*71
Asumir f6… f10000 son valores conocidos como x1…..x9929.
f1
f2
f3
f4
f5
f6
[ ]
f7
f8
g1
f9
g2
f 10
[ ]
g3
h 1 h2 h 3 … . h 3 0 0 0 f 11
g=f ∗h= 0 h1 h 3 … . h 9 … h 3 0 0 g4
f 12 =
g5
0 0 h1 …. h8 h9… h30 f 13
.
f 14
.
f 15
g 72−0.1 x 1−0.1 x 2 … .−0.1 x 9 9 29
f 16
f 17
f 18
f 19
f 20
.
.
f 100 00
Para resolver (1), es necesario imponer una restricción para f. Esta restricción puede
ser planteada como:
(2)
Donde Wf es una señal por ejemplo que deja pasar las frecuencias altas de f. De
esta manera la solución que andamos buscando es una función f que cumpla (1) y
que tenga un rizado mínimo. La solución será llamada .
La solución para f debe ser tal que se cumplan (1) y (2) simultáneamente. La ecuación
(1) puede replantearse de la siguiente forma:
(4)
Porque al minimizar la función objetivo V ( f ), se buscan valores de f que hagan que las
ecuaciones (1) y (2) se cumplan simultáneamente, lo que implica que los conjuntos de
datos Hf y Pf se ajusten lo mejor posible al conjunto de datos objetivo g.
∂ 2
‖Xf + z‖ =2 X T (Xf + z ) (5)
∂f
∂ 2 2 ∂ 2 ∂
(λ ∥ Hf −g ∥ +∥ Pf −g ∥ )= (∥ Hf −g ∥ )+ ¿
∂f ∂f ∂f
∂
( ∥ Pf −g ∥ 2 )=2 PT ( Pf −g )
∂f
T T
2 λ H ( Hf −g ) +2 P ( Pf −g )=0
donde X es una matriz y z un vector, encuentre:
∂ V (f )
=2 λ H T ( Hf −g ) +2 W T (Wf )
∂f
(8)
T T
2 λ H ( Hf −g )=−2W ( Wf )
T T
λ H ( Hf −g )=−W ( Wf )
^f =¿
Donde:
^f = Es la matriz de la imagen restaurada
G = Es la matriz de proyección (por ejemplo, de reducción de ruido).
H = Es la matriz de la imagen observada o degradada.
W = Es una matriz de penalización o regularización que se utiliza para controlar la
restauración.
λ = Es un parámetro que controla el equilibrio entre la fidelidad a la imagen observada y
la suavidad de la imagen restaurada.
import numpy as np
return restored_image
# Ejemplo de uso
G = # tu matriz G
H = # tu matriz H
W = # tu matriz W
Lambda = # el valor de Lambda que desees
a) ¿Por qué?,
Si porque la minimizar la norma de f ayuda a eliminar detalles no deseados que podrían haberse
introducido debido al ruido o daño en la imagen original. Esto conduce a una imagen restaurada
que se asemeja más a la imagen real y es visualmente más agradable.
W =I
c) ¿Cómo quedaría (4) en este caso?
2
V ( f )=λ ∥ Hf −g ∥2 +‖f ‖
4) En clase vimos que un criterio que puede ser utilizado para minimizar el
rizado de la solución f, es minimizando la diferencia entre g y un vector
conformado por los primeros N elementos de f, que llamamos fN. En este
caso la restricción
(2) puede ser escrita como
(10)
(11)
Fn=Pf
2 2
‖Fn−g‖ =‖ Pf −g‖
2
¿‖Pf − Hf ‖ =‖( P−H ) f ‖
2
2
‖Wf ‖ →min
W =P−H
2
V ( f )=λ ∥ Hf −g ∥ + λ ∥¿
2. Definición de la matriz B:
Sea B una matriz de tamaño M x M cuyas columnas sean las funciones base de Fourier.
Cada columna representa una función base de Fourier en el dominio discreto.
Una vez que tengamos definidas estas matrices, podemos encontrar W en la ecuación (2)
utilizando la relación W = QB.
Es importante tener en cuenta que la definición específica de Q depende de la
información dada sobre f y las frecuencias altas y bajas en el contexto del problema. Del
mismo modo, la matriz B dependerá de la elección de las funciones base de Fourier para
el análisis en cuestión.