Realzado de Imagenes

Realzado de imgenes
Tcnicas de preprocesado
Autores: Jos Luis Alba y Fernando Martn - Universidad de Vigo Jess Cid - Universidad Carlos III de Madrid Inmaculada Mora - Universidad Rey Juan Carlos Ultima revisin: marzo de 2006
Indice

Introduccin Operaciones puntuales

http://wgpi.tsc.uvigo.es/libro2/realzado/transint.htm http://www.tsc.uc3m.es/~jcid/cursotdi/fourier/transfer/index.html
(botn derecho del ratn sobre cualquier imagen)
Operaciones espaciales
http://www.tsc.uc3m.es/~jcid/cursotdi/fourier/mascara/index.html

Filtros lineales Filtros no lineales
Jos Luis Alba y Fernando Martn - Universidad de Vigo; Jess Cid - Universidad Carlos III; Inmaculada Mora - Universidad Rey Juan Carlos
Introduccin
Notacin:
La literatura sobre procesado de imgenes no es uniforme en la notacin utilizada para representar una imagen discreta. Nosotros utilizaremos, habitualmente (aunque no siempre)

f(x,y), g(x,y), I(x,y), O(x,y), u(x,y), v(x,y) f (m,n), f (n1,n2),

3
Tambin son habituales notaciones del tipo

Operaciones con Imgenes

Operaciones puntuales:
(independientes de la posicin)
(x0,y0)
f(.)
(x 0 , y 0 )
v = f(u)
Operaciones de vecindad (o entorno local)

Si la vecindad se extiende a toda la imagen diremos que la operacin es de entorno global

EN(x0,y0) (x0,y0)
v = fN(U)
4
fN(.)
Contraste, recorte y umbralizacin
v
Modificacin del contraste:

vb f(u)
u [0, L], v [0, L] tan( )u , v = tan( )(u a ) + va , tan( )(u b) + v , b 0u<a au<b bu< L
va
tan( ) > 1 funcin montona creciente b a > , Lu
Matlab: Matlab:J=imadjust(I,[a J=imadjust(I,[ab],[va b],[vavb],g); vb],g); 00< a,b,v ,v < 1; a ,v b < a,b,v a b < 1; ( (g>1 g>1 f f>0; >0; g<1 g<1 f f<0 <0) )
Ejemplo:
Casos particulares:
Recorte:
f(u)
==0
a v b Lu
Matlab: Matlab:[a,b]=stretchlim(I,[Tol_inf [a,b]=stretchlim(I,[Tol_infTol_sup]); Tol_sup]); Tol: porcentaje inferior y superior de prdida Tol: porcentaje inferior y superior de prdida
Umbralizacin:

= = 0, = /2 a = b
a=b Lu
7
Matlab: umbral Matlab:a=graythresh(I); a=graythresh(I); umbralptimo ptimo(Otsu) (Otsu) J=im2bw(I,a); imagen J=im2bw(I,a); imagenbinarizada binarizada
Doble umbral
Segmentacin de un intervalo de grises:

Eliminando el resto de la imagen

L, a u b v= resto 0, v Sin eliminar el resto de la imagen L, a u b v= resto u ,
f(u)
Lu
b=1
f(u)
Lu
a=0
8
Compresin del margen dinmico
Para visualizar bajos niveles de intensidad con mayor margen dinmico.

(Ser til, por ejemplo, para visualizar la magnitud de la transformada de Fourier de una imagen utilizando una transformacin logartmica antes de la cuantificacin). v = f(u) = c log10(1+u) 1/n v = f(u) = u
f(u)
Lu
Ejemplo (log)
Expansin del margen dinmico
Realiza la transformacin opuesta.

Puede mejorar la discriminacin visual en zonas de alta luminosidad v = f(u) = c exp(u-1)
10
Negativo
Es una transformacin lineal que genera una imagen similar al negativo de una fotografa
v = f(u) = umax-u
11
Modelado del histograma
Histograma:

Representacin de la frecuencia relativa de cada color en una imagen. Mide la frecuencia relativa de apariciones de los niveles de gris de una imagen
h(nk) = n de pxeles con nivel nk
Histograma relativo o normalizado

Sus valores (entre 0 y 1, con suma 1) pueden interpretarse como probabilidades de ocurrencia de cada nivel nk, h (nk )
Pr (nk ) =
h(n )
i i
Todas las operaciones puntuales vistas anteriormente implican una transformacin del histograma. Imgenes de color:
Puede obtenerse un histograma para cada componente de color
12
Igualacin del histograma:

Permite mejorar el contraste de una imagen Objetivo: conseguir histograma uniforme en la imagen de salida (todos los niveles con la misma frecuencia de aparicin) Estudio continuo para imagen en gris: u , v [0,1] pu (u ) fdp continua del valor de gris del pixel
Fu (u) funcin de distribucin P[u u ] v Fu (u)
p ( x)dx unif. distribuida en (0,1) p (v) = 1

0 u v
1 du Dem : pv (v) = p Fu(u) ( Fu (u)) = pu (u ) = pu (u ) =1 dv u = f 1 ( v ) pu (u )
13
Ejemplo de funcin de densidad de probabilidad del pxel y su funcin de distribucin correspondiente.
14
Particularizacin para imgenes digitales:

Niveles de gris normalizados: Sean n(u ): n de pxeles con nivel u i i n: n total de pxeles Histograma:
pu (ui ) = n(ui ) n
u, v [0,1]; u {ui | i = 0,1,, L 1}
Distribucin acumulada: Recuantificacin:
vi = pu (u j ) =
j =0
n(u j ) n j =0
v v i Ent i min + 0.5 v 1 vmin
15
Implementacin:
La igualacin del histograma, como cualquier transformacin de intensidades, puede implementarse mediante una LUT (Look-Up Table)
LUT: tabla que reasigna el nivel de gris de cada pxel
Matlab: Matlab:[J,T]=histeq(I); [J,T]=histeq(I);
T: T:LUT LUTde dela latransformacin transformacinmontona montonacreciente crecienteque queda dalugar lugaraala laimagen imagenresultante resultanteJ J
16
Ejemplo 1: Mejora del contraste

Histograma Distribucin acumulada
Imagen original Imagen ecualizada

La pendiente es menos abrupta, lo que indica que los niveles de gris estn ms distribuidos 17
Histograma
Distribucin acumulada
Ejemplo 2:
18
Ejemplo 3:
En imgenes de alto contraste, la igualacin puede tener efectos indeseados.
19
Especificacin del histograma: obtener un histograma concreto en la imagen de salida.

Continuo:
p ( x)dx unif. distribuida en (0,1) p (w) = 1 w F (v) p ( x)dx unif. distribuida en (0,1) p ( w) = 1
w Fu (u)
v 0 v u w 0 v w
Discreto:
v = Fv 1 ( w) = Fv 1 ( Fu (u))
wi =
p (u );
u j j =0
k = w
p (v ) = p (T (u ))
v l v l l =0 l =0
ui
Fu(ui)
wi
n wi 0} min n {w
wn
Fv-1(.)
vn
Matlab: Matlab:[J,T]=histeq(I,[hgram]); [J,T]=histeq(I,[hgram]); hgram: hgram:vector vectorde dehistograma histogramadeseado deseadopara parala laimagen imagenresultado resultado
20
ui
Fu(ui)
wi
n wi 0} min n {w
wn
Fv-1(.)
vn
21
Ejemplo 3, revisado:
22
Histograma local (operacin puntual con vecindad)

Las operaciones basadas en el histograma pueden efectuarse a partir de histogramas locales: de este modo, el perfil del histograma se adapta a las propiedades locales de la imagen:
23
Histograma en imgenes color
Pueden definirse transformaciones independientes del histograma de cada componente de color.

Ejemplo: igualacin de histogramas Observe que el procesado independiente de cada componente puede alterar los colores. Para evitarlo, la igualacin puede limitarse a la componente de intensidad (a partir de un modelo HSI, por ejemplo)
24
Imgenes En Falso Color
Pseudocolor:

Es una tcnica que aprovecha la mayor sensibilidad del ojo a variaciones cromticas que de intensidad. El uso de sensores capaces de detectar radiaciones fuera del espectro visible es habitual en aplicaciones como medicina o teledeteccin: las nubes o la piel impiden la observacin del motivo.
Se puede generar una imagen con las tres componentes ms significativas (en Landsat, bandas del IR). Otra opcin es una combinacin lineal de las componentes.
P.e., los satlites de la serie Landsat tienen 7 componentes (3 visibles). Barredor multiespectral: registros de hasta 100 bandas. Barredor hiperespectral: ms de 100 bandas
q1 =
a C i =1 i ,1 i
No siempre es fcil conocer la combinacin lineal ptima. Un criterio frecuente es la mxima varianza resultante.
25
Imgenes En Falso Color
La representacin en pseudocolor de una imagen monocromtica puede reinterpretarse como combinacin de tres transformaciones puntuales intensidad color
Rojo
Verde
Azul 0 255
26
Percepcin de la intensidad:
200 planos equidistantes
Rango dinmico limitado del ojo: 100 niveles de gris (pero miles de colores) Fuera del rango se percibe blanco o negro El pseudocolor permite aumentar el rango dinmico til de la representacin
Imagen original monocroma
10 planos equidistantes
27
Ejemplos en teledeteccin
Temperaturas en la superficie del mar
Concentracin de fitoplancton
El Nio
Profundidad de la costa
28
Operaciones puntuales
Operaciones entre imgenes

Son extensiones directas de las operaciones punto a punto:

Suma: Resta: Producto: Divisin: Mximo: Mnimo: C(x,y) C(x,y) C(x,y) C(x,y) C(x,y) C(x,y) = = = = = = A(x,y) + B(x,y) A(x,y) B(x,y) A(x,y) B(x,y) A(x,y) / B(x,y) mx(A(x,y), B(x,y)) mn(A(x,y), B(x,y))
Para imgenes en color, las operaciones se definen de modo anlogo, operando componente a componente.
A(x,y)
Operador
C(x,y)
B(x,y)
29
Algunas aplicaciones de operaciones algebraicas:

Suma

Promediado para reducir ruido aleatorio aditivo Superposicin de imgenes
Imagen original
Ruido sal y pimienta
Imagen con ruido aditivo

30
Resta
Eliminacin de interferencia aditiva (reduccin del fondo) Deteccin de movimiento entre imgenes de la misma escena
31
Multiplicacin
Eliminacin de partes de una imagen si el producto se realiza con una mscara. Se conservan slo los objetos bajo la mscara
Imagen original
Imagen mscara
Imagen producto
32
Mximo / mnimo
Operadores no lineales que permiten combinar imgenes
Max
33
Operaciones espaciales
Introduccin
Las operaciones espaciales o de vecindad se definen en un entorno EN (vecindad) del punto a transformar (m0,n0) fN(.)
(m0,n0)
EN(m0,n0)
v = fN(u)
La herramienta habitual son las operaciones basadas en mscaras espaciales (plantillas, ventanas, kernels o filtros FIR): array pequeo en relacin a la imagen (3x3, 5x5, 7x7,...) los valores de los coeficientes determinan el proceso de transformacin. Filtros FIR: linealidad convolucin Transformada de Fourier relaciones frecuenciales (variacin espacial)
34
Operaciones espaciales:
Filtrado lineal e invariante (LSI). Propiedades.

Extendiendo las imgenes hasta el infinito (aadiendo ceros) y fijando un origen de coordenadas (p. ej. En la esquina inferior izquierda), podemos generalizar de modo inmediato la teora de filtrado lineal e invariante al dominio espacial: Definiremos estas propiedades como sigue: Linealidad
H (c1 I 1 ( x, y ) + c2 I 2 ( x, y )) = c1 H (I 1 ( x, y )) + c2 H (I 2 ( x, y ))
Invarianza en el espacio: la respuesta en un punto slo depende de los valores de los pxeles y de su posicin relativa
H (I ( x x0 , y y 0 )) = O ( x x0 , y y 0 )
35
Filtrado lineal e invariante
Todos los filtros LSI estn caracterizados por una funcin (imagen) h (x,y), de modo que
O ( x, y ) =
k = l =
h( k , l ) I ( x k , y l ) = h( x, y ) I ( x, y )
La imagen h (x,y) es la respuesta al impulso: es decir, la salida del filtro cuando la imagen de entrada es
y
[x, y ] = [x ]. [ y ]
x
Filtro espacial h(x,y)
h(x,y)
La mayora de las propiedades de la convolucin de seales unidimensionales se extienden de modo inmediato al caso 2D. Matlab: Matlab:J=conv2(I,h); J=conv2(I,h); h: h:kernel kernelde deconvolucin convolucino ofiltro filtroFIR FIR(ej: (ej:h=1/9*ones(3,3)) h=1/9*ones(3,3))
36
Filtrado lineal

Respuesta impulsional: h(x,y) Transformada de Fourier: H(u ,v) Propiedad de convolucin: I(x,y)*h(x,y) I(u,v)H(u,v)
Promediado espacial
1 1 1 1 1 1 1 9 1 1 1
37

Filtrado lineal en el dominio frecuencial

Diseo del filtro H(u,v) en el dominio de la frecuencia TF -1 (I(u,v)H(u,v)) efectos visibles en el dominio espacial
38
Filtrado basado en mscaras
Mscara: matriz de coeficientes de la combinacin lineal

Matemticamente, la operacin de la mscara se puede escribir como O( x, y ) = h(k , l ) I ( x k , y l )

( k , l )E N
I(x-1,y+1)I(x,y+1)I(x+1,y+1)
El entorno del punto (x,y) que se considera en la imagen I para obtener O (x,y) est determinado por el tamao y forma de la mscara El tipo de filtrado est determinado por el contenido de la mscara
I(x,y)
h(1,-1) h(0,1) h(-1,-1)
Filtro espacial h(x,y)
O(x,y)
I(x-1,y) I(x,y) I(x+1,y)

I(x-1,y-1) I(x,y-1) I(x+1,y-1)
h(1,0) h(0,0) h(-1,0) h(1,1) h(0,1) h(-1,1)
O(x,y)
39
Filtrado basado en mscaras
Tratamiento de lmites de la imagen

Puede aplicarse la mscara extendiendo la imagen con un marco de ceros de la anchura adecuada. Esto puede tener efectos no deseados (p.ej., de difuminacin en los lmites de la imagen) pero, en general, poco significativos si la mscara es pequea en relacin con el tamao de la imagen.
0 0 0
I(x-1,y) I(x,y)
I(x-1,y-1) I(x,y-1)
h(1,-1) h(0,1) h(-1,-1) h(1,0) h(0,0) h(-1,0) h(1,1) h(0,1) h(-1,1)
40
Filtrado lineal
Filtrado paso-bajo: desenfocar, suavizar, eliminar ruido.

Todos los coeficientes positivos y de suma 1. ej:

1 1 1 1 1 1 1 9 1 1 1 0 1/ 8 0 1 / 8 1 / 2 1 / 8 0 1 / 8 0
Se utilizan para reducir ruido, aunque tambin producen un difuminado, tanto mayor cuanto mayor sea el tamao de la mscara
Original Filtrada 3x3 Original con ruido impulsivo

Filtrada 11x11
41
Filtrado lineal
Ejemplo de reduccin de ruido gaussiano de media cero:

( x , y ) = I ( x , y ) + ( x , y ) , ( x, y ) N (0, 2 ) I 1 ( x k , y l ) = I ' ( x, y ) = I N ( k ,l )E N = 1 N
( k ,l )E N
I ( x k , y l ) + ( x, y ) ,
( x, y ) = N (0, 2 / N )
42
Filtrado lineal
Suavizado direccional (preservacin de bordes):

La eliminacin de ruido mediante suavizado distorsiona la informacin de bordes Mediante un kernel direccional se puede reducir este efecto
I ' ( x, y ) =
1 N
( k ,l )E
I ( x k , y l )
0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0
se busca la direccin * / | I ' ( x, y : * ) I ( x, y ) || I ' ( x, y : ) I ( x, y ) |
43
Filtrado lineal
Filtrado paso-alto: resaltar bordes,

enfocar, deteccin de piezas, objetivos... Los coeficientes deben sumar 0.
Los ms sencillos son las mscaras de derivacin direccional: 1 0 0

En general, se reduce mucho el contraste Aparecen valores negativos escalar o recortar Roberts (gradiente cruzado): 0
1 , 1 1 0
Prewitt: Sobel:
1 1 1 1 0 1 0 0 0 , 1 0 1 1 1 1 0 1 1 1 2 1 1 0 1 0 0 0 , 2 0 2 1 2 1 1 0 1
44
Filtrado lineal
construirse como combinacin de filtros en direcciones ortogonales (uno de ellos paso alto y el otro paso bajo) Ej: Sobel:
1 2 1 1 0 0 0 = 0 [1 2 1] 1 2 1 1
Los operadores de Prewitt y Sobel son separables: pueden
Aplicando un cuantificador, pueden utilizarse para deteccin de bordes direccionales

45
Filtrado lineal

Tambin pueden disearse filtros no direccionales

Coef. Positivos en centro y neg. en periferia: suman 0
1 1 1 1 1 8 1 9 1 1 1
.5 .5 .5 .5 4 .5 .5 .5 .5
Se pueden implementar a partir de un FPB:
I(x,y)
h(x,y)
J(x,y)
46
Filtrado lineal

Filtrado paso-banda: realzar bordes, etc. 0 Los coeficientes deben sumar 0. Ej: 1

Se reduce mucho el contraste 0 Aparecen valores negativos escalar o recortar
1 0 4 1 1 0
Se puede implementar a partir de dos FPB de diferente frec. corte:

I(x,y)
h1(x,y) h2(x,y)
J(x,y)
47
Filtrado no lineal

Filtros derivativos:
Se obtienen a partir de las mscaras de derivacin
f 2 f 2 mag (f ) = + y x
1 / 2
f x f = f ; y z1 z 4 z7 z2 z5 z8
z3 2 2 z 6 f z 5 = ( z 5 z 6 ) + ( z 5 z 8 ) z9
1 / 2
( z 5 z 6 ) + ( z 5 z8 )
1 0 0 1 0 1 + 1 0 ( z1 z 4 ) + ( z 2 z3 )
48
Filtrado no lineal
Filtros de estadsticos ordenados.

Son filtros en los que la operacin a realizar es no lineal Funcionan ordenando los valores en la vecindad de cada punto de menor a mayor, y obteniendo algn valor a partir de la lista ordenada. Ejemplos:

Mnimo: selecciona el valor ms pequeo Mximo: selecciona el valor ms alto Mediana: selecciona el valor en la posicin intermedia
49
Filtrado no lineal
El filtro de mediana suele utilizarse para eliminar ruido impulsivo preservando los bordes de la imagen
Original
Original con ruido impulsivo
Filtro LSI Filtrada 3x3 Filtro de medianas

50
Filtrada 11x11

Realzado de Imagenes

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Realzado de Imagenes

Diunggah oleh

Hak Cipta:

Format Tersedia

Realzado de imgenes

Introduccin Operaciones puntuales

Filtros lineales Filtros no lineales

f(x,y), g(x,y), I(x,y), O(x,y), u(x,y), v(x,y) f (m,n), f (n1,n2),

Tambin son habituales notaciones del tipo

Operaciones con Imgenes

Operaciones de vecindad (o entorno local)

Si la vecindad se extiende a toda la imagen diremos que la operacin es de entorno global

Modificacin del contraste:

tan( ) > 1 funcin montona creciente b a > , Lu

Segmentacin de un intervalo de grises:

Eliminando el resto de la imagen

Para visualizar bajos niveles de intensidad con mayor margen dinmico.

Realiza la transformacin opuesta.

Puede mejorar la discriminacin visual en zonas de alta luminosidad v = f(u) = c exp(u-1)

Histograma relativo o normalizado

Puede obtenerse un histograma para cada componente de color

Igualacin del histograma:

p ( x)dx unif. distribuida en (0,1) p (v) = 1

1 du Dem : pv (v) = p Fu(u) ( Fu (u)) = pu (u ) = pu (u ) =1 dv u = f 1 ( v ) pu (u )

Ejemplo de funcin de densidad de probabilidad del pxel y su funcin de distribucin correspondiente.

Particularizacin para imgenes digitales:

u, v [0,1]; u {ui | i = 0,1,, L 1}

Distribucin acumulada: Recuantificacin:

v v i Ent i min + 0.5 v 1 vmin

LUT: tabla que reasigna el nivel de gris de cada pxel

Matlab: Matlab:[J,T]=histeq(I); [J,T]=histeq(I);

Ejemplo 1: Mejora del contraste

Imagen original Imagen ecualizada

En imgenes de alto contraste, la igualacin puede tener efectos indeseados.

Especificacin del histograma: obtener un histograma concreto en la imagen de salida.

Histograma local (operacin puntual con vecindad)

Pueden definirse transformaciones independientes del histograma de cada componente de color.

200 planos equidistantes

Imagen original monocroma

Son extensiones directas de las operaciones punto a punto:

Algunas aplicaciones de operaciones algebraicas:

Promediado para reducir ruido aleatorio aditivo Superposicin de imgenes

Ruido sal y pimienta

Imagen con ruido aditivo

Operadores no lineales que permiten combinar imgenes

Filtrado lineal e invariante (LSI). Propiedades.

Filtro espacial h(x,y)

Filtrado lineal en el dominio frecuencial

Mscara: matriz de coeficientes de la combinacin lineal

Matemticamente, la operacin de la mscara se puede escribir como O( x, y ) = h(k , l ) I ( x k , y l )

Filtro espacial h(x,y)

I(x-1,y) I(x,y) I(x+1,y)

h(1,0) h(0,0) h(-1,0) h(1,1) h(0,1) h(-1,1)

Tratamiento de lmites de la imagen

h(1,-1) h(0,1) h(-1,-1) h(1,0) h(0,0) h(-1,0) h(1,1) h(0,1) h(-1,1)

Filtrado paso-bajo: desenfocar, suavizar, eliminar ruido.

Todos los coeficientes positivos y de suma 1. ej:

Original Filtrada 3x3 Original con ruido impulsivo

Ejemplo de reduccin de ruido gaussiano de media cero:

Suavizado direccional (preservacin de bordes):

se busca la direccin * / | I ' ( x, y : * ) I ( x, y ) || I ' ( x, y : ) I ( x, y ) |

Filtrado paso-alto: resaltar bordes,

enfocar, deteccin de piezas, objetivos... Los coeficientes deben sumar 0.

Los ms sencillos son las mscaras de derivacin direccional: 1 0 0

Los operadores de Prewitt y Sobel son separables: pueden

Aplicando un cuantificador, pueden utilizarse para deteccin de bordes direccionales

Tambin pueden disearse filtros no direccionales

Se pueden implementar a partir de un FPB: