1

INFORME DE TALLER 2: TRATAMIENTO Y

PRE-PROCESAMIENTO CON FILTROS
ESPACIALES DE IMÁGENES DIGITALES
Diego Alexander Rodríguez Vargas, diarodriguezva@unal.edu.co, código: 285607
Julián Alexander Vargas Jiménez, juavargasji@unal.edu.co, código: 285615

Resumen—El documento en cuestión corresponde al Informe

del Taller #2 de la materia Técnicas de Inteligencia Artificial,
para la carrera de Ingeniería Mecatrónica de la Universidad
Nacional de Colombia. El informe describe de manera concisa
las prácticas realizadas sobre tratamiento y pre-procesamiento
de imágenes digitales con filtros espaciales, además de incluir
el correspondiente análisis de los resultados obtenidos. Todas
las tareas aplicadas sobre las distintas imágenes utilizadas en el
taller, fueron realizadas con funciones de la librería OpenCV.
Figura 1. Máscaras 3x3 del filtro Prewitt Direccional
Palabras Claves—Imagen digital, pre-procesamiento de imáge-
nes, tratamiento de imágenes, filtro espacial, realce, suavizado,
detección de bordes, contornos, filtro Prewitt, filtro Canny, filtro en código C++, utilizando las distintas funciones de OpenCV.
Sobel.
La función se implementó como una función perteneciente al
API de OpenCV, de manera que puede ser llamada de forma
I. I NTRODUCCIÓN genérica. El código de la función se ilustra en la figura 2.
L documento en cuestión corresponde al Informe del
E Taller #2 de Técnicas de Inteligencia Artificial. Las
actividades del taller a desarrollar fueron:
1. Una función típica de la API de la librería de OpenCV
que permita aplicar un filtro Prewitt direccional (o de
ocho direcciones) a una imagen 2D, con el fin de detectar
los bordes de la misma en todas las direcciones (como
parte del aprendizaje de técnicas de pre-procesamiento de
imágenes con filtros espaciales).
2. Aplicación de distintas funciones de tratamiento y pre
- procesamiento de imágenes digitales, como el re-
dimensionado de una imagen (tratamiento), ó la detección
de bordes (ó contornos) de una imagen con un filtro
espacial derivativo (pre-procesamiento).
Se pretende realizar un análisis de los resultados obteni- Figura 2. Código fuente en C++ del filtro Prewitt direccional
dos, con el fin de efectuar una evaluación a cada una de
La estructura general de llamado a la función es la siguiente:
las funciones aplicadas y desarrolladas durante la práctica.
cvDirPrewitt(const CvArr *src, CvArr *dst, int_imgs[]);
II. D ESARROLLO DEL TALLER
II-A. Implementación del Filtro Prewitt Direccional Siendo en este caso:
El filtro Prewitt consiste en ocho máscaras que tienen src: argumento de tipo const CvArr; representa a la
como propósito el realce en ocho direcciones principales, imagen fuente, a la cual se le aplica el filtro Prewitt.
que son incrementales a 45° y recorren la imagen (mediante dst: argumento de tipo CvArr; corresponde a la imagen
convolución) las ocho direcciones cardinales principales (N, destino, es decir la imagen filtrada.
NO, O, SO, S, SE, E); esta es la principal ventaja del filtro, int_imgs[]: es un vector de ocho imágenes, en el cual
ya que permite determinar contornos en múltiples direcciones, se almacenan las ocho imágenes resultantes de aplicar
lo que en general proporciona un contorno bien definido de un filtro con cada una las ocho máscaras, de manera
la imagen. Las ocho máscaras del filtro Prewitt Direccional independiente.
se ilustran en la figura 1. La implementación de la función El procedimiento que efectúa la función del filtro Prewitt
que aplica el filtro Prewitt a una imagen digital se realizó es la siguiente:

1. Creación de las ocho máscaras direccionales del filtro
mediante la función cvMat de OpenCV. Las máscaras se
crean como matrices 3x3.
2. Aplicación separada de cada máscara a la imagen fuente
mediante la función cvFilter2D de OpenCV. Esto no es
más que aplicar un filtrado espacial o convolución de la
imagen con cada máscara.
3. Finalmente se realiza una suma de las ocho imágenes
filtradas (con las ocho máscaras direccionales) para con-
formar una sola imagen que tendrá como particularidad
un realce bien definido de los contornos de la imagen.
Para este caso se utilizó como imagen fuente la figura 3;
esta imagen corresponde a un logotipo de la marca Puma, el
cual será usado en el desarrollo del proyecto final del curso. En
el código de C++ se realizó primero una reducción de espacio
de color RGB a escala de grises de la imagen, y luego se
procedió a llamar la función implementada cvDirPrewitt. El
resultado obtenido se tiene en la figura 4.
Figura 3. Imagen original para probar el filtro Prewitt implementado
Figura 4. Imagen filtrada con Prewitt implementado
Observe que en la imagen filtrada efectivamente se definieron
correctamente los contornos. Esto es un buen indicador de que
el filtro Prewitt puede jugar un papel importante en la etapa
de pre-procesamiento de una sistema de visión de máquina,
ya que puede facilitar el trabajo de segmentación.
II-B. Métodos de Umbralización
Son procesos que permiten redistribuir los componentes en
escala de grises de una imagen de a acuerdo a un determinado
nivel denominado umbral. Con esto se logran eliminar pixeles
o regiones de pixeles no deseados en una imagen. Cabe
resaltar que la umbralización tiene una fuerte conexión con
el histograma de una imagen, por lo que es preciso conocer
previamente el histograma para determinar la forma más
apropiada de aplicar el umbral.
A continuación se describe la utilización de cada uno de
los métodos de umbralización, aplicados sobre la figura 10.
La función que realizan la umbralización es:
cvThreshold
2
II-B1. Umbralización Binaria: Esta método se define co-
mo:
threshold_type=CV_THRESH_BINARY
dst(x,y) = max_value, si src(x,y)>threshold, 0 en caso
contrario.
Donde:
dst es la imagen de destino.
src es la imagen fuente.
treshold es el valor de Umbralización.
max_value es el valor a asignar para los elementos que
se hallen después del umbral.
La llamada a la función para aplicar la umbralización binaria
se realizó como se muestra a continuación:
cvThreshold(src2_img,thres_img,100,255,CV_THRESH_BINARY);
El resultado se muestra en la figura 5.
Figura 5. Ejemplo de umbralización binaria
II-B2. Umbralización Binaria Invertida: El método en
cuestión se define como:
threshold_type=CV_THRESH_BINARY_INV
dst(x,y) = 0, si src(x,y)>threshold max_value en caso
contrario.
El resultado obtenido con este método se muestra en la figura
6. Observe que efectivamente esta umbralización es invierte
los niveles de gris para caso de la umbralización normal
(comparar figura 5 con figura 6). Los valores de umbral y
máximo valor son los mismos que para la umbralización
binaria.
Figura 6. Ejemplo de umbralización binaria invertida
II-B3. Umbralización Truncada: Este método se define
como:
threshold_type=CV_THRESH_TRUNC
dst(x,y) = threshold, si src(x,y)>threshold o =src(x,y) en caso
contrario.

El resultado obtenido con este método se muestra en la figura
7. Los valores de umbral y máximo valor son los mismos que
para la umbralización binaria.
Figura 7. Ejemplo de umbralización truncada
II-B4. Umbralización con Retorno a cero: El método se
define como:
threshold_type=CV_THRESH_TOZERO
dst(x,y) = src(x,y), si (x,y)>threshold 0 en caso contrario
El resultado obtenido con este método se muestra en la
figura 8. Los valores de umbral y máximo valor son los
mismos que para la umbralización binaria.
Figura 8. Ejemplo de umbralización a cero
II-B5. Umbralización con Retorno a cero invertida: El
resultado obtenido con este método se muestra en la figura 9.
Los valores de umbral y máximo valor son los mismos que
para la umbralización binaria.
Figura 9. Ejemplo de umbralización a cero invertida
II-C. Conversión de Espacios de Color
En esta sección se analizan los cambios a espacio de color
de una imagen en RGB, y se observará la posible utilidad
de las transformaciones. Para convertir a espacio de color se
emplea la función de openCV:
cvCvtColor(imagenFuente,imDestino,TipodeConversión);
El parámetro TipodeConversión permite escoger a que espa-
cio de color se transformará la imagen fuente. Estos distintos
3
espacios de color se ilustran a continuación al aplicar las
transformaciones sobre la figura 10.
Figura 10. Imagen original para realizar las transformaciones de color
II-C1. Conversión RGB a escala de gris: En este caso el
parámetro TipodeConversión es igual a CV_RGB2GRAY, con
lo cual se logra una conversión a escala de grises de la imagen
de la figura 10. El código es el siguiente:
src2_img=cvLoadImage("mano_or.jpg",1);
trans_img=cvCreateImage(cvGetSize(src2_img),
src2_img->depth, 1);
cvCvtColor(src2_img,trans_img,CV_RGB2GRAY);
La imagen obtenida no es más que una imagen en gris,
según se ve en la figura 11. Observe que la imagen destino
es creada con un sólo canal, mientras que la imagen original
posee tres canales (espacio RGB).
Figura 11. Imagen transformada a escala de grises
II-C2. Conversión RGB a espacio HSV: El modelo de
color HSV define el color de una imagen basada en tres
parámetros:
Matiz (Hue).
Saturación (Saturation).
Valor (Value).
El HSV es una transformación no lineal del espacio RGB,
y permite elegir en algunas aplicaciones fácilmente el color
mediante el parámetro Value. OpenCV permite realizar esta
transformación al escoger el parámetro TipodeConversión de
la función cvCvtColor como CV_RGB2HSV. Al aplicar esto
a figura 10, el resultado fue la figura 12.

Figura 12. Imagen transformada al espacio HSV
Observe que una imagen en el espacio HSV permite diferen-
ciar objetos y/o detalles que no son fácilmente visibles en el
espacio RGB, de manera que puede ser utilizado como etapa
de pre-procesamiento para permitir una mejor segmentación
de características diminutas.
II-C3. Conversión RGB a espacio HLS: El espacio HLS
es también una transformación no lineal del espacio RGB, con
el cual se logra una representación en coordenadas cilíndricas
del mismo, al igual que el HSV. Se diferencia del HSV al
reemplazar el parámetro Value por Lightness o luminosidad del
color. La función cvCvtColor permite realizar la conversión al
espacio HLS al escoger el parámetro TipodeConversión como
CV_RGB2HLS. El resultado se ilustra en la figura 13.
Figura 13. Imagen transformada al espacio HLS
II-C4. Conversión RGB a espacio LUV: La transforma-
ción al espacio de color LUV (realmente CIELUV) se logra
en OpenCV al escoger el parámetro TipodeConversión de
la función cvCvtColor como CV_RGB2Luv. El resultado se
ilustra en la figura 14.
Figura 14. Imagen transformada al espacio LUV
II-C5. Conversión RGB a espacio YCrCb: La transforma-
ción al espacio de color YCrCb se logra en OpenCV al escoger
el parámetro TipodeConversión de la función cvCvtColor
como CV_RGB2YCrCb. El resultado se ilustra en la figura
15.
Figura 15. Imagen transformada al espacio YCrCb
4
II-D. Filtros Espaciales 2D para detección de contornos
II-D1. Filtro Laplaciano: La función que permite aplicar
el filtro Laplaciano a una imagen es cvLaplace, la cual se
muestra a continuación:
cvLaplace(const CvArr *img, CvArr *dst, int apertureSize=3)
El filtro de laplace es básicamente un filtro derivativo de
segundo orden que aplica el operador Laplaciano al nivel de
gris de cada pixel de una imagen. Con esto se logra diferenciar
los bordes de una imagen, ya que precisamente al derivar los
niveles de gris, en aquellos pixeles en que se encuentre un
variación brusca del nivel de gris (entre pixeles vecinos), es
en donde se encuentran casi siempre los contornos de un objeto
en una imagen.
Al aplicar el filtro Laplaciano a la figura 3, se obtuvo el
resultado de la figura 16.
Figura 16. Imagen filtrada con un filtro Laplaciano
Observe que el comportamiento es similar al filtro Prewitt,
pero los contornos son más delgados. Esto desmuestra que el
filtro Laplace es una buena alternativa para el proyecto del
curso, ya que puede diferenciar correctamente los contornos
de un logotipo, y por ende puede facilitar la tarea de segmen-
tación.
II-D2. Filtro Canny: El filtro Canny es un filtro derivativo
similar al filtro Laplaciano, pero se diferencia en que las
derivadas direccionales en x e y son luego combinadas en
cuatro derivadas direccionales (se traduce en cuatro máscaras
direccionales). La detección de bordes, que en este caso es más
eficiente, se logra porque el filtro realiza una umbralización
por histéresis pixel a pixel, teniendo en cuenta el gradiente
del nivel de gris de cada pixel en las cuatro direcciones
mencionadas. Así se tienen dos umbrales, una alto y una bajo.
Si el gradiente del pixel esta por debajo del umbral bajo,
este se descarta como parte del contorno; si esta por encima
del umbral alto, este se considera como parte del contorno.
Si el gradiente esta en el medio, solamente sera clasificado
como parte del contorno si dicho pixel es vecino de un pixel
clasificado como parte del contorno.
La función que permite aplicar el filtro Canny a una imagen
es cvCanny, la cual se muestra a continuación:
cvCanny(const CvArr *img, CvArr *dst, double lowTresh,
double highTresh, int apertureSize=3)
donde los parámetros img y dst corresponde a las imagenes
fuente y destino respectivamente; los parámetros lowTresh y
highTresh corresponden a los unmbrales bajo y alto respectiva-
mente. El parámetro aperturesize indica el tamaño del kernel
o máscara en cada dirección, y por defecto es igual a 3.
 5

Al aplicar este filtro a la imagen de la figura 3, se obtiene

la imagen de la figura 17. Para este caso se utilizó un umbral
bajo igual a 1 y un umbral alto igual 50, lo cual permite
diferenciar bien los contornos. Observe que al comparar con el
filtro Prewitt(ver figura 4), el filtro Canny entrega un borde mas
delgado y con menos artefactos, de manera que posiblemente
sea una mejor alternativa para la detección de bordes, y brinde
por ende mejores resultados al realizar una segmentación.

Figura 17. Imagen filtrada con un filtro Canny 50:1

III. C ONCLUSIONES
La práctica permitió tener una idea general de las funciones
de tratamiento y pre-procesamiento de una imagen, las cuales
pueden facilitar enormemente las tareas de segmentación y
aprendizaje (entre otras) de un sistema de visión de máquina.
Se comprendió totalmente que es esencial el uso de filtros
de detección de bordes para poder realizar luego un correcto
proceso de segmentación.

R EFERENCIAS
[1] G. Bradski, Learning OpenCV, O’Reilly, (2008)