procesamiento de imagenes alumnos
TRANSCRIPT
PROCESAMIENTO DE IMAGENES PROCESAMIENTO DE IMAGENES
ALUMNOS:García Ledesma Cuauhtémoc
ALUMNOS:García Ledesma CuauhtémocGarcía Ledesma CuauhtémocGarcía Martínez SinuhéGarcía Ledesma CuauhtémocGarcía Martínez Sinuhé
MATEMATICAS AVANZADAS
Profesor:Dr. Erick Luna Rojero
Mejoramiento de la imagen
• Previo a obtener características:– resaltar aspectos deseados,– eliminar ruido, mejorar contraste, etc.eliminar ruido, mejorar contraste, etc.
• Técnicas de pre-procesamiento:– operaciones puntuales,– ecualización por histograma,– filtrado.
FiltradoFiltrado
• Filtrar una imagen consiste en aplicar una transformación de forma que se acentúen o qdisminuyan ciertos aspectos
g(x y) = T[f(x y)]g(x,y) = T[f(x,y)]
Tipos de Filtros
• Dominio espacial - convolución
g(x,y) = h(x,y) * f(x,y)g( ,y) ( ,y) f( ,y)
• Dominio de la frecuencia multiplicación +• Dominio de la frecuencia - multiplicación + transformadas de Fourier
G(u,v) = H(u,v) F(u,v)
Filtrado en el dominio de laFiltrado en el dominio de la frecuencia
Filtros en frecuencia
• Se realiza una transformación de la imagenSe realiza una transformación de la imagen al dominio de la frecuencia mediante la transformada de Fouriertransformada de Fourier
• Esto permite que el filtrado sea más sencillo (multiplicación) y pueda ser más preciso en frecuencia
Transformadas
• Transformado de FourierF(u) = ∫ f(x)e[-j2πux]dx
• Transformada inversaf(x) = ∫ F(u)e[j2πux]du
Ejemplosf(t) F(w)Ejemplos F(w)
Transformadas de 2 variables
• Para el caso de una imagen se requiere aplicar la transformación en 2-D
• Transformado de FourierTransformado de FourierF(u) = ∫ ∫ f(x,y)e[-j2π(ux+vy)]dxdy
• Transformada inversa• Transformada inversaf(x) = ∫ ∫ F(u,v)e[j2π(ux+vy)]dudv
Transformadas discreta
• Para el caso de una imagen digital se aplica la f d di d F i (DFT)transformada discreta de Fourier (DFT)
• Transformado de Fourier
F(u) = (1/MN)Σ Σ f(x,y)e[-j2π(ux/M+vy/N)]
T f d i• Transformada inversa
f(x) = Σ Σ F(u,v)e[j2π(ux/M+vy/N)]( ) ( , )• Existe una forma eficiente de implementar la DFT
llamada transformada rápida de Fourier (FFT)llamada transformada rápida de Fourier (FFT)
Propiedades
• Separabilidad• Traslación• Rotación• Rotación• Periodicidad y simetría• Convolución
Filtrado
• Se aplica la Transformada de Fourier• Se aplica el filtro• Se aplica la transformada inversa• Se aplica la transformada inversa
Ti d FiltTipos de Filtros
• Pasa bajos
• Pasa banda
• Pasa altos• Pasa altos
• Filtros ideales• Filtros butterworth
Filtro ideal pasa bajos
Filtro Butterworth pasa-bajos
Filtrado Adaptable
• Los filtros de suavizamiento tienden a li i i d d i t t ( jeliminar propiedades importantes (p. ej.
orillas) de la imagen• Filtros adaptables:
– Remover ruido y al mismo tiempo preservar las y p porillas
– Suavizar sólo en ciertas regiones de la imageng g– Donde suavizar depende del gradiente local de
la imageng
Filtrado AdaptableSuavizar(bajo gradiente)(bajo gradiente)
Mantener orillas( l di )(alto gradiente)
Filtros adaptables
• Filtro de mediana• Difusión anisotrópica• Campos aleatorios de Markov• Campos aleatorios de Markov• Filtrado gaussiano no-lineal• Filtrado gaussiano adaptable
Filtrado gaussiano adaptable
• Aplicar varios filtros gaussianos de forma l d i ió tá d d d d lque la desviación estándar dependa del
gradiente local• Para estimar el gradiente se utiliza el
concepto de espacio de escalasp p• Se obtiene la escala de cada región
(máscara) de la imagen y en base a esta se(máscara) de la imagen y en base a esta se define la σ del filtro para esa región
Escala
• Se refiere al nivel de detalle de la imagen– Escala “grande” – mucho detalle– Escala “pequeña” – poco detalle
• Si se filtra una imagen con gaussianas de diferente σ, al ir aumentando la σ se va d e e te σ, a au e ta do a σ se vadisminuyendo la escala
• Existe una escala “óptima” para cada región• Existe una escala óptima para cada región de la imagen
Escala
Alta escala(alto gradiente)(alto gradiente)
Baja escala(b j di )(bajo gradiente)
E l ó tiEscala óptima• Una forma de obtener la mejor escala es aplicar
varios filtros gaussianos a diferente σ, y quedarse l j d d l i i i d MDLcon el mejor de acuerdo al principio de MDL
• MDL – minimizar el # de bits de la imagen fil d l l i i lfiltrada y el error respecto a la original
I(x,y) = Iσ(x,y) + ε(x,y)• Se puede demostar [Gómez 00] que la longitud de
descripción se puede estimar comodI(x,y) = ( λ / σ2 ) + ε2
• Entonces se calcula dI para cada región y se selecciona la σ que de el menor valor
Algoritmo
1. Seleccionar la escala local2. Filtrar cada punto (región) con un filtro
gaussiano con la σ óptimagaussiano con la σ óptima, correspondiente a la escala local
b l i fil d3. Obtener la imagen filtrada
Ejemplo – imagen original (con ruido gaussiano)
M dMapa deescalasescalas
Filtradacon
difusióndifusiónanisotrópica
50iteracionesiteraciones
Filtradacon
difusióndifusiónanisotrópica
80iteracionesiteraciones
Filtradacon
filfiltro gaussianogaussianono-lineal
Filtradacon
filfiltrogaussianogaussianoadaptable
Referencias
• [González] Capítulo 3 (3.4, 3.5), 4• [Sucar] Capítulo 2• G Gómez J L Marroquín L E Sucar• G. Gómez, J.L. Marroquín, L.E. Sucar,
“Probabilistic estimation of local scale”, IEEE-ICPR, 2000.