Clase 03

Análisis de Imágenes Digitales
Transformaciones de intensidad
Dr. Wilfrido Gómez Flores

Introducción
• Mejoramiento Manipulación de una imagen tal que el resultado
sea más útil que la imagen original para una aplicación particular.
• Forma general de una transformación en el dominio espacial:
g(x, y) = T [f (x, y)] (1)
• Una transformación de intensidad depende solo del valor de f en

el punto (x, y):
s = T (r) (2)
donde r y s son los valores de intensidad de f (x, y) y g(x, y),

respectivamente.
1/51 Transformaciones de intensidad AID-03

Introducción
(a) (b)
Las transformaciones de intensidad modican el contraste relación entre valores

de intensidad y el brillo distribución de valores intensidad. (a) Regiones de
alto (cuadro superior) y bajo (cuadro inferior) contraste y (b) región oscura
(mitad izquierda) y brillosa (mitad derecha).

Introducción
Tipos de operadores básicos utilizados en transformaciones de intensidad: lineal,

logarítmico y ley de potencias.
Brillo y contraste
255
191
128
64
0
0 64 128 191 255
255
191
128
64
0
0 64 128 191 255
Contraste (línea superior) y brillo (línea inferior) se pueden modicar mediante

la transformación lineal s = α · r + β , donde α y β modican el contraste y el
brillo, respectivamente.
Negativo
255
191
128
64
0
0 64 128 191 255
El negativo de una imagen en el rango [0, L − 1] se obtiene mediante la función

de transformación s = L − 1 − r. Es particularmente útil para mejorar regiones
claras en imágenes donde los píxeles oscuros son predominantes, por ejemplo, en
una imagen de Rayos-X.

Transformación logarítmica
255
• Compresión logarítmica del ran-

go dinámico: 191
128
s = c log [1 + (eσ − 1)r] (3)

64
Logaritmica
• Expansión exponencial del ran- 0
0 64 128 191 255
go dinámico:
255
Exponencial
s = c [(1 + α)r − 1] (4) 191
• Factor de escala: 128
L−1 64
c= (5)
log(1 + rmáx ) 0
0 64 128 191 255

Transformación logarítmica
(a) (b)
(c) (d)
Transformación logarítmica incrementa el rango dinámico en regiones oscuras y

lo disminuye en regiones claras: (a) MRI y (b) mejorada con σ = 0.5. Trans-
formación exponencial mejora el detalle en regiones claras y disminuye el rango
dinámico en regiones oscuras: (c) imagen aérea y (d) mejorada con α = 0.007.
Corrección gamma
255
191
128
64
0
0 64 128 191 255
La corrección gamma se calcula como s = c·rγ , donde donde c y γ son constantes

positivas y r ∈ [0, 1]. Variando el valor de γ , es posible realizar diferentes tipos
de compresión y expansión del rango dinámico.

Corrección gamma
(a) (b)
(c) (d)
Compresión del rango dinámico cuando γ < 1: (a) MRI y (b) mejorada con
γ = 0.5. Expansión del rango dinámico cuando γ > 1: (c) imagen aérea y
(d) mejorada con γ = 5.
Mejoramiento por partes
255 255
(a) (b)
191 191
128 128
64 64
0 0
0 64 128 191 255 0 64 128 191 255
Destacar un rango especíco de valores de intensidad: (a) mantener los valores

de intensidad dentro del rango de interés y asignar un valor constante a los
píxeles restantes y (b) intensicar el rango de intensidades deseado y preservar
los valores de intensidad de los píxeles restantes.

Mejoramiento por partes
(a) (b) (c)
(a) Imagen de angiograma aórtico. (b) Resultado de mantener los valores de

intensidad dentro del rango de interés. (c) Resultado de intensicar el rango de
intensidades deseado.

Histograma de intensidades
• Histograma gráco de ocurrencia de cada valor de intensidad en
una imagen digital:
X
h(k) = 1k [f (x, y)], k = 0, 1, . . . , L − 1 (6)
x,y
donde 1k (·) es una función indicatriz.

• Histograma normalizado :
h(k)
p(k) = , k = 0, 1, . . . , L − 1 (7)
MN
donde M y N son el alto y ancho de la imagen, respectivamente.
• El componente p(k) es una estimación de probabilidad del k -ésimo
valor de intensidad, de modo que satisface L−1
k=0 p(k) = 1.
P

• Función de distribución acumulada:
k
X
c(k) = p(i) (8)
i=0
• El componente c(k) describe la probabilidad de que el k -ésimo

valor de intensidad tenga un valor menor o igual que k .
0.03 1
(a) (b) (c)
0.8
0.02
0.6
0.4
0.01
0.2
0 0
0 64 128 191 255 0 64 128 191 255
(a) Imagen. (b) Distribución de probabilidad. (c) Distribución acumulada.

Oscura Brillosa Bajo contraste Alto contraste
Cuatro tipos de imágenes y sus correspondientes histogramas. El eje horizontal

de los histogramas representa a k y el vertical son valores de p(k). El análisis del
histograma es la base de varias técnicas de transformación de intensidad.

Expansión de contraste
(a)
• Bajo contraste: valores de inten-
sidad muy próximos entre ellos.
• Estirar los niveles de intensidad
para cubrir el rango [0, L − 1]:

r − rmı́n (b)
s = (L − 1) (9)
rmáx − rmı́n
• Problema: sensible a valores de

intensidad atípicos.
• Solución: denir rmı́n y rmáx a
partir de los componentes c(k). (a) Imagen con bajo contraste y (b) ex-
pansión de contraste.

Expansión de contraste
1
(b)
(a) 0.125 (c)
0.8
0.1
0.6
0.075
0.4
0.05
0.025 0.2
0 0
0 102 124 255
(a) Imagen con bajo contraste y valores atípicos (manchas negra y blanca).
(b) Distribución de probabilidad y acumulada; rmı́n y rmáx se seleccionaron como
el 5◦ y 95◦ percentil (marcados con líneas discontinuas), respectivamente, de la
distribución acumulada. (c) Imagen mejorada.

Ecualización del histograma
• Ecualización del histograma redistribuir los valores de intensidad
en el rango [0, L − 1], preservando el número de píxeles.
• Se deben satisfacer las condiciones:
1. T (k) es monótonamente creciente en el intervalo [0, L − 1].
2. 0 ≤ T (k) ≤ L − 1 en el intervalo [0, L − 1].
• Función de mapeo:
k
X
T (k) = (L − 1) p(i), k = 0, 1, . . . , L − 1 (10)
i=0
lo cual equivale a la función de distribución acumulada escalada

por L − 1.

255
(a) (b) (c)
191
128
64
0
0 64 128 191 255
(a) Imagen con bajo contraste y su histograma. (b) Función de mapeo. (c) Ima-
gen ecualizada y su histograma.

Oscura
Brillosa
Bajo contraste
Alto contraste Original Ecualizada Histograma original Funcion de Mapeo Histograma ecualizado

Ecualización adaptativa
La ecualización es un proceso global, es decir, T (k) se calcula usando el histogra-

ma de la imagen completa. Problema: puede generar regiones con bajo contraste
debido a que no se considera información local. Solución: realizar la ecualización
de manera local en regiones contextuales.

(a) (b) (c)
(a) Imagen con bajo contraste. (b) Ecualización utilizando ventanas traslapadas
de tamaño n×n. Cada píxel de la imagen es transformado de acuerdo al histogra-
ma de su vecindario. Este enfoque es computacionalmente costoso. (c) Ecualiza-
ción utilizando ventanas no traslapadas. Aunque reduce notablemente el tiempo
de cómputo del enfoque en (b), genera artefactos de bloque.

• Reducir artefacto de bloque con
interpolación bilineal.
• El centro de cada región contex-
tual es un punto de referencia.
• El valor de un píxel r se ma-
pea usando las funciones de
transformación T de las regio-
nes contextuales adyacentes:
s = (1 − y) [(1 − x)TA (r) + xTB (r)] + y [(1 − x)TC (r) + xTD (r)] (11)
A, B , C y D son regiones contextuales.

Izquierda: ecualización adaptativa usando ventanas no traslapadas e interpolación

bilineal. Derecha: Esquema de interpolación para 3 × 3 regiones contextuales con
sus respectivos puntos de referencia generando las regiones RE (esquina), RB
(borde) y RI (interna). RE se mapea con su propia función T , RB se mapea con
dos funciones T , y RI se mapea con cuatro funciones T .

La interpolación bilineal se realiza sobre los píxeles de la imagen original: (1) Si

el píxel pertenece a RI, entonces interpolar usando las cuatro funciones de trans-
formación adyacentes (arriba izquierda, arriba derecha, abajo izquierda y abajo
derecha). (2) Si el píxel pertenece a RB, entonces interpolar usando las dos fun-
ciones de transformación adyacentes (izquierda y derecha ó arriba y abajo). (3) Si
el píxel pertenece a RE, entonces interpolar usando la función de transformación
que contiene al píxel.
Problema: la ecualización adaptativa tiende a saturar los niveles de intensidad

en regiones oscuras (sobre-contraste). Izquierda: MRI dividida en 2 × 3 regio-
nes contextuales, algunas son predominantemente oscuras. Centro: funciones
de transformación de cada región contextual. Derecha: imagen ecualizada con
intensidades saturadas. Solución: limitar la cantidad de píxeles con valores de
intensidad dominantes.
CLAHE
Ecualización adaptativa limitada por contraste (CLAHE) :
1. Para cada región contextual:

1) Calcular el histograma de la región.
2) `Recortar' el histograma en un umbral predeno (clip ).
3) Distribuir uniformemente los valores recortados sobre todo el
histograma para mantener el número total de píxeles.
4) Generar la función T (k) dada en (10) a partir del histograma
modicado.
2. Mapear los píxeles de cada región contextual usando las funcio-
nes T (k) generadas aplicando interpolación bilineal dada en (11).

CLAHE
10 4
10 255 5000 255
(a) (b) (c)
8 4000
191 191
6 3000
128 128
4 2000
64 64
2 1000
0 0 0 0
0 64 128 191 255 0 64 128 191 255
(a) Parte izquierda: región contextual predominantemente oscura. Parte derecha:

región mejorada con CLAHE. (b) Histograma y función de mapeo obtenidas a
partir de la región original. La línea discontinua señala el umbral de recorte.
Nótese que existe un pico de intensidad predominante que provoca la saturación
abrupta de los valores de intensidad bajos. (c) Histograma recortado y función
de transformación generada que incrementa de manera gradual.

CLAHE
Izquierda: MRI dividida en 2 × 3 regiones contextuales, algunas son predominan-

temente oscuras. Centro: funciones de transformación de cada región contextual
obtenidas a partir de histogramas recortados. Derecha: imagen ecualizada con
CLAHE. El clip se denió como el 5 % del pico máximo del histograma.

Mejoramiento local con estadísticos
• Los estadísticos de media y desviación estándar pueden utilizarse
para mejorar el contraste local de la imagen f (x, y).
• Media local:
µ(x, y) = (w ∗ f )(x, y) (12)
y desviación estándar local:

p
σ(x, y) = (w ∗ f (x, y)2 ) − µ(x, y)2 (13)
donde ∗ es el operador de convolución y w es un ltro promedio

de tamaño m × n.

(a) (b) (c)
(a) Imagen original, (b) media local (brillo) y (c) desviación estándar local (con-
traste) para un vecindario de tamaño 3 × 3.

Mejoramiento local basado en estadísticos:

αf (x, y) si (k0 µg ≤ µ(x, y) ≤ k1 µg ) ∧ (k2 σg ≤ σ(x, y) ≤ k3 σg )
g(x, y) = (14)
f (x, y) otro caso
donde k0 a k3 son constantes en el rango (0, 1), µg y σg son la

media y desviación estándar globales de la imagen f (x, y), y α > 0
incrementa (o disminuye) el valor de intensidad en el punto (x, y).

(a) (b)
(c) (d) (e)
(a) Imagen original. (b) Operación lógica en (14) con k0 = 0, k1 = 0.25, k2 = 0, y

k3 = 0.1. (c) Ecualización global. (d) CLAHE. (e) Mejoramiento estadístico con α = 3.
(a) (b)
(c) (d) (e)
(a) Imagen original. (b) Operación lógica en (14) con k0 = 0, k1 = 0.25, k2 = 0, y

k3 = 0.1. (c) Ecualización global. (d) CLAHE. (e) Mejoramiento estadístico con α = 25.
Procesamiento difuso
Lógica difusa: emula el razonamiento humano que involucra posi-
bilidades intermedias entre los valores binarios false y true.
• Un conjunto difuso se dene por la tupla:
A = {z, µA (z)|z ∈ Z} (15)
donde µA (z) es una función de membresía que asocia cada ele-

mento del conjunto Z con un número real en el rango [0, 1].
• De este modo:
- µA (z) = 1, si z es completamente miembro
- 0 < µA (z) < 1, si z es parcialmente miembro
- µA (z) = 0, si z no es miembro
Principales deniciones y operaciones difusas ∀z ∈ Z
Nombre Expresión Denición
Conjunto vacío A=∅ µA (z) = 0
Conjuntos iguales A=B µA (z) = µB (z)
Subconjunto A⊆B µA (z) ≤ µB (z)
Complemento Ā µĀ (z) = 1 − µA (z)
Unión A∪B µU (z) = máx[µA (z), µB (z)]
Intersección A∩B µI (z) = mı́n[µA (z), µB (z)]
1 1 1 1
0.8 0.8 0.8 0.8
0.6 0.6 0.6 0.6
0.4 0.4 0.4 0.4
0.2 0.2 0.2 0.2
0 0 0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1

 Triangular


 0 z<a

 z−a

a≤z<b
b−a
µ(z) =
z−b


 1− c−b b≤z<c


0 z≥c

Sigma

0

 z<a
µ(z) = z−a
b−a a≤z<b


1 z≥b


 Sigmoide


0 z<a
 z−a 2


2 b−a a≤z<p
S(z) = 2
z−b



1 − 2 b−a p≤z<b


1 z≥b

Campana

S(z) z<b
µ(z) =
S(2b − z) z ≥ b

El procesamiento difuso consta de los siguientes pasos:
1. Fuzicación: relacionar la variable de entrada con una función
de membresía
2. Operaciones de lógica difusa: relacionar reglas difusas
IF-THEN con operaciones de lógica difusa OR/AND
3. Implicación: denir la salida difusa para cada regla usando ope-
raciones AND
4. Agregación: combinar las salidas de los conjuntos difusos con
operaciones OR
5. Defuzicación: generar una salida dura del sistema difuso

La transformación de intensidad de una imagen mediante procesa-
miento difuso establece las siguientes reglas:
R1 : SI el píxel es oscuro, ENTONCES hacerlo más oscuro
R2 : SI el píxel es gris, ENTONCES hacerlo gris
R3 : SI el píxel es claro, ENTONCES hacerlo más claro
Oscuro Gris Claro

1. Fuzicación: cada nivel de intensidad z ∈ [0, 255] es relacionado con

una función de membresía. Por ejemplo, para z0 = 120, µoscuro (z0 ) = 0,
µgris (z0 ) = 0.38, y µclaro (z0 ) = 0.62.
2. Operaciones de lógica difusa: se formaliza el conocimiento en la forma
de reglas difusas: R1 OR R2 OR R3

1
0.5
0
1
0.5
0 64 128 191 255
3. Implicación: relaciona las entradas difusas (superior) con las reglas

SI-ENTONCES y las salidas difusas (inferior) usando operaciones AND.
1 1
0.5 0.5
0 0
0 128 255 0 128 255
1 1
0.5 0.5
0 255 0 255
255 255
128 128 128 128
0 0 0 0
Por ejemplo, la expresión `claro' (entrada) y `más claro' (salida) es la ope-

ración de intersección asociada a la regla R3 :
µ3 (z, v) = mı́n[µclaro (z), µ+claro (v)]

Salida difusa para la regla R3 dado 1
el valor de intensidad de entrada z0 :

0.5
Q3 (v) = mı́n[µclaro (z0 ), µ3 (z0 , v)]

0
0
255
128
128
255 0
Por lo tanto, el método de implicación genera las respuestas difusas:
R1 : Q1 (v) = mı́n{µoscuro (z0 ), mı́n[µoscuro (z0 ), µ+oscuro (v)]}

R2 : Q2 (v) = mı́n{µgris (z0 ), mı́n[µgris (z0 ), µ+gris (v)]}
R3 : Q3 (v) = mı́n{µclaro (z0 ), mı́n[µclaro (z0 ), µ+claro (v)]}

0 64 128 191 255
4. Agregación: Obtener la respuesta total uniendo las respuestas difusas:

Q(v) = Q1 (v) ∪ Q2 (v) ∪ Q3 (v) = máx{Q1 (v), máx(Q2 (v), Q3 (v))}.
5. Defuzicación: obtener un valor de intensidad duro v0 a partir
del conjunto difuso Q(v) para la entrada z0 :
PL−1
vQ(v)
v0 = Pv=0
L−1
(16)
v=0 Q(v)
Resultado del procesamiento difuso para mejoramiento de contraste.

Mejoramiento de imágenes a color
Los métodos de mejoramiento del contraste vistos anteriormente pueden aplicarse

a imágenes a color (RGB) modicando cada canal de color de manera indepen-
diente. La desventaja es que el proceso de mejoramiento puede distorsionar el
color real de los objetos debido a la modicación de componentes cromáticas.

Los métodos de mejoramiento del contraste vistos anteriormente pueden aplicarse

a imágenes a color (RGB) modicando la componente de luminancia. Común-
mente se realiza en el espacio de color HSI, el cual decorrelaciona el canal de
luminancia de los canales cromáticos. El mejoramiento de la imagen se aplica en
el canal I, sin procesar los canales H y S.

Conversión de RGB a HSI:
1. Normalización de canales RGB:
R G B
r= , g= , b=
R+G+B R+G+B R+G+B
2. Obtención de canales HSI:

  
θ si b ≤ g 
 1
[(r − g) + (r − b)]


H= , θ = cos−1 2
2π − θ si b > g h i1/2 
 (r − g)2 + (r − b)(g − b)
 
S = 1 − 3 · mı́n(r, g, b)
1
I= (R + G + B)
3 · 255

Conversión de HSI a RGB:
1. Identicación de sectores angulares del canal H:

H

 si H < 2π
3 (caso 1)
H= H− 2π
3 si 2π
3 ≤H< 4π
3 (caso 2)

si ≤ H < 2π (caso 3)
 4π 4π
H−

3 3
2. Obtención de canales intermedios:

S · cos(H)
x = I · (1 − S), y = I · 1 + , z = 3I − (x + y)
cos(π/3 − H)
3. Obtención de canales rgb:

• Caso 1: b = x, r = y , y g = z
• Caso 2: r = x, g = y , y b = z
• Caso 3: g = x, b = y , y r = z
4. Multiplicar por 255 para obtener los canales RGB sin normalizar.
Imagen original Ecualización en HSI

Imagen original Ecualización en RGB Ecualización en HSI
Comparativo de mejoramiento de contraste en diferentes espacios de color.

Clase 03

Cargado por

Información del documento

Título 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

Clase 03

Cargado por

Copyright:

Formatos disponibles

Análisis de Imágenes Digitales

Dr. Wilfrido Gómez Flores

g(x, y) = T [f (x, y)] (1)

• Una transformación de intensidad depende solo del valor de f en

donde r y s son los valores de intensidad de f (x, y) y g(x, y),

1/51 Transformaciones de intensidad AID-03

Las transformaciones de intensidad modican el contraste  relación entre valores

2/51 Transformaciones de intensidad AID-03

Tipos de operadores básicos utilizados en transformaciones de intensidad: lineal,

Contraste (línea superior) y brillo (línea inferior) se pueden modicar mediante

El negativo de una imagen en el rango [0, L − 1] se obtiene mediante la función

5/51 Transformaciones de intensidad AID-03

• Compresión logarítmica del ran-

s = c log [1 + (eσ − 1)r] (3)

• Factor de escala: 128

6/51 Transformaciones de intensidad AID-03

Transformación logarítmica incrementa el rango dinámico en regiones oscuras y

La corrección gamma se calcula como s = c·rγ , donde donde c y γ son constantes

8/51 Transformaciones de intensidad AID-03

Destacar un rango especíco de valores de intensidad: (a) mantener los valores

10/51 Transformaciones de intensidad AID-03

(a) (b) (c)

(a) Imagen de angiograma aórtico. (b) Resultado de mantener los valores de

11/51 Transformaciones de intensidad AID-03

donde 1k (·) es una función indicatriz.

12/51 Transformaciones de intensidad AID-03

• El componente c(k) describe la probabilidad de que el k -ésimo

(a) Imagen. (b) Distribución de probabilidad. (c) Distribución acumulada.

13/51 Transformaciones de intensidad AID-03

Oscura Brillosa Bajo contraste Alto contraste

Cuatro tipos de imágenes y sus correspondientes histogramas. El eje horizontal

14/51 Transformaciones de intensidad AID-03

• Problema: sensible a valores de

15/51 Transformaciones de intensidad AID-03

16/51 Transformaciones de intensidad AID-03

lo cual equivale a la función de distribución acumulada escalada

17/51 Transformaciones de intensidad AID-03

18/51 Transformaciones de intensidad AID-03

19/51 Transformaciones de intensidad AID-03

La ecualización es un proceso global, es decir, T (k) se calcula usando el histogra-

20/51 Transformaciones de intensidad AID-03

21/51 Transformaciones de intensidad AID-03

A, B , C y D son regiones contextuales.

22/51 Transformaciones de intensidad AID-03

Izquierda: ecualización adaptativa usando ventanas no traslapadas e interpolación

23/51 Transformaciones de intensidad AID-03

La interpolación bilineal se realiza sobre los píxeles de la imagen original: (1) Si

Problema: la ecualización adaptativa tiende a saturar los niveles de intensidad

1. Para cada región contextual:

26/51 Transformaciones de intensidad AID-03

(a) Parte izquierda: región contextual predominantemente oscura. Parte derecha:

27/51 Transformaciones de intensidad AID-03

Izquierda: MRI dividida en 2 × 3 regiones contextuales, algunas son predominan-

28/51 Transformaciones de intensidad AID-03

y desviación estándar local:

donde ∗ es el operador de convolución y w es un ltro promedio

29/51 Transformaciones de intensidad AID-03

(a) (b) (c)

30/51 Transformaciones de intensidad AID-03

Mejoramiento local basado en estadísticos:

donde k0 a k3 son constantes en el rango (0, 1), µg y σg son la

31/51 Transformaciones de intensidad AID-03

(c) (d) (e)

Las transformaciones de intensidad modican el contraste relación entre valores

Contraste (línea superior) y brillo (línea inferior) se pueden modicar mediante

Destacar un rango especíco de valores de intensidad: (a) mantener los valores

donde ∗ es el operador de convolución y w es un ltro promedio

• Un conjunto difuso se dene por la tupla:

1. Fuzicación: cada nivel de intensidad z ∈ [0, 255] es relacionado con