Unidad 1, Paso 2 Segmentación de imágenes
Wilde Jenner Socorro Arias, Leonardo Fabio Chavarro, Daniel Felipe Cruz, William Fernando
Rodriguez., Tratamiento de imágenes Grupo 208054_5., Tutora Paola Andrea Mateus.,
 mediante una simple operación que compare los valores de la
I. INTRODUCTION
E n el informe el lector encuentra los objetivos del trabajo.
Seguidamente el contenido está compuesto
por dos grandes temas, la definición de conceptos y la
implementación de códigos. Finalizando con
las conclusiones y la respectiva bibliografía. Además, el
informe se realizó para aplicar las técnicas de detección de
bordes, binarización, filtrado y para
la segmentación de objetos de interés. Así mismo, este
informe es útil para filtrar objetos requeridos, en imágenes con
variaciones de color, textura e intensidad.
Hay que mencionar, que la investigación de artículos y tesis con
la guía de la página de comandos de Matlab fue fundamental
para el desarrollo del informe.
II. OBJETIVOS
 Identificar el umbral, y saber eliminar los objetos
pequeños en segmentación de imágenes
 Aplicar y filtrar el ruido sal y pimienta y el ruido
gaussiano.
 Elegir dado el caso la detección de bordes canny o sobel
 Erosionar o dilatar las imágenes, dependiendo los
requisitos requeridos.
III. CUERPO
WILDE JENNER SOCORRO ARIAS
1. DEFINICIÓN DE CONCEPTOS
a. ¿Qué es umbralización o binarización?
La umbralización es uno de los más importantes métodos de
segmentación. El objetivo es convertir una imagen en escala
de grises a una nueva con sólo dos niveles imagen binaria, de
manera que los objetos queden separados del fondo.[1]
b. ¿Cuál es la diferencia entre umbralización global y local?
Se diferencia que la umbralización global se usa cuando en la
imagen el objeto puede ser extraído del resto de la imagen
This paragraph of the first footnote will contain the date on which you
submitted your paper for review. It will also contain support information,
including sponsor and financial support acknowledgment. For example, “This
work was supported in part by the U.S. Department of Commerce under Grant
BS123456.”
The next few paragraphs should contain the authors’ current affiliations,
including current address and e-mail. For example, F. A. Author is with the
imagen con el valor umbral T.
Funciona bien con imágenes que contienen objetos con una
intensidad uniforme, y diferenciados del fondo. Sin embargo,
falla si existe un bajo contraste entre el objeto y el fondo, si la
imagen es ruidosa, o si la intensidad del fondo varía
significativamente a lo largo de la imagen.
Para este caso se utiliza la Umbralización local donde
determinan dividiendo una imagen en subimágenes
y calculando los umbrales de dichas subimágenes,
o examinando las intensidades de la imagen en los alrededores
de cada píxel.
La umbralización local es computacionalmente más costosa
que la global. Es muy útil a la hora de segmentar objetos en
fondos no homogéneos, y para extraer regiones muy pequeñas
y dispersas.[2]
¿Cuál es su implementación en Matlab?
La umbralización global Matlab
I = imread('coins.png'); % Lea la imagen de escala de
grises en el espacio de trabajo.
BW = imbinarize(I); % Convertir la imagen en una
imagen binaria.
figure imshowpair(I,BW,'montage') % Muestra la imagen
original junto a la versión binaria.
La umbralización local Matlab
I = imread('rice.png'); % Lea la imagen de escala de grises en
Workspace.
BW = imbinarize(I, 'adaptive'); % Convertir imagen de
escala de grises a imagen binaria.
figure imshowpair(I,BW,'montage') % Mostrar imagen
original a lo largo de la versión binaria lateral. [3]
c. ¿Qué es umbral de Otsu?
Otsu es un método de umbralización que utiliza la distribución
de probabilidad, la media y la varianza de las intensidades
para definir el umbral óptimo.[4]
National Institute of Standards and Technology, Boulder, CO 80305 USA (e-
mail: author@ boulder.nist.gov).
S. B. Author, Jr., was with Rice University, Houston, TX 77005 USA. He is
now with the Department of Physics, Colorado State University, Fort Collins,
CO 80523 USA (e-mail: author@lamar.colostate.edu).
T. C. Author is with the Electrical Engineering Department, University of
Colorado, Boulder, CO 80309 USA, on leave from the National Research
Institute for Metals, Tsukuba, Japan (e-mail: author@nrim.go.jp).
d. ¿Qué es reducción de ruido en una imagen binaria?
Son algoritmos que tienen por objeto reducir el ruido y/o
efectos espurios que pueden presentarse en una imagen a
consecuencia del proceso de captura, digitalización y
transmisión. Su utilización es normalmente necesaria antes de
la aplicación de un detector de bordes.[5]
e. ¿Qué es filtro mediano y cómo se implementa en
Matlab?
Se reemplaza el valor de cada píxel por la media de los valores
de los píxeles vecinos. Se puede operar mediante convolución
con una máscara determinada.
Ventaja, es el más simple, intuitivo y fácil de implementar,
desventajas, sensible a cambios locales, Puede crear nuevas
intensidades de grises que no aparecían en la imagen.
B = medfilt2(A) realiza un filtrado medio de la imagen A en
dos dimensiones. Cada píxel de salida contiene el valor medio
en un vecindario de 3 por 3 alrededor del píxel
correspondiente de la imagen de
entrada. medfilt2 almohadillas de la imagen con 0s en los
bordes, por lo que los valores de mediana para los puntos
dentro de la mitad de la anchura del vecindario ([m n]/2) de
los bordes pueden aparecer distorsionados.[6]
f. ¿Para qué sirven los filtros de suavizado en una imagen?
 Emborronar la imagen:
 Eliminar pequeños detalles antes de la segmentación de
un objeto de interés.
 Rellenar pequeños espacios.
 Eliminar ruido [7]
g. ¿Cuál es la diferencia entre ruido gaussiano y ruido de
sal y pimienta?
El ruido conocido como sal y pimienta tiene los pixeles de la
imagen muy diferentes en color e intensidad a los pixeles
circundantes. El ruido de tipo gaussiano, todos los pixeles que
componen la imagen cambian su valor de acuerdo con la
distribución gaussiana [8]
h. Explique diferentes técnicas de segmentación de
imágenes
Método de Umbral, Utiliza los picos de histograma de la
imagen para encontrar valores particulares, sin necesidad de
información previa.
Método de bordes: Basado en la detección de discontinuidad,
bueno para imágenes que tienen mejor contraste entre objetos
Método en región: Utiliza la división de la imagen en regiones
homogéneas, es más inmune al ruido, útil cuando es fácil
definir criterios de similitud
Método agrupación: Útil en la división en clústeres
homogéneos, difuso (borroso) utiliza la pertenencia parcial por
lo tanto es más útil para los problemas reales.
Método de cuenca: Basado en la interpretación topológica, los
resultados son más estables, los limites detectados son más
continuos
Método en PDE: Funciona con ecuaciones diferenciales, es
más rápido, mejor para aplicaciones críticas en el tiempo.
Método ANN: Útil en la simulación del proceso de
aprendizaje para la toma de decisiones, no hay necesidad de
escribir programas complejos con él.[9]
i. ¿Qué es reconstrucción morfológica?
Simplificar los datos de una imagen para preservar las
características esenciales y eliminar aspectos irrelevantes.
j. ¿Qué tipos de funciones morfológicas existen y cómo
funcionan?
La erosión funciona con una compuerta and, expande el fondo,
suaviza la frontera del objeto, remueve los objetos más
pequeños que la ventana.[10]
La dilatación funciona con una compuerta or, expande el
tamaño del objeto, suaviza la frontera del objeto, remueve los
huecos más pequeños que la ventana.
2. IMPLEMENTACIÓN DE CODIGOS
PUNTO 1
clc %Limpia la ventana de comandos
clear all %Vacía el contenido del workspace
close all %Cierra todas las figuras
%%
% Wilde Socorro
Vitiligio=imread('Enferma1.jpg'); % Carga la información de
la imagen Enferma 1 en la variable “Vitiligio”
Vitiligio=im2double(Vitiligio); %Convierte la imagen a
precisión doble y la almacena en "Vitiligio"
figure; %crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(Vitiligio) %Carga en la ventana figure la imagen
almacenada en Vitiligio
%%
umbral=0.73;% carga la variable umbral con el valor 0.73
binVitiligio=im2bw(Vitiligio,umbral); %Convertir la imagen a
imagen binaria, basada en el rango de umbral
figure;%crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(binVitiligio) %Carga en la ventana figure la imagen
almacenada en "binVitiligio"
%%
numpixels=10; %Almacena el valor 10 en la variable
numpixels.
Filtro1=bwareaopen(binVitiligio,numpixels); %Quitar los
objetos pequeños de la imagen binaria que tengan menos de
10 px
figure;%crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(Filtro1)%Carga en la ventana figure la imagen 4 El valor del
almacenada en "Filtro1" 0.75 umbral es
200 adecuado pero
TABLE I el filtro esta
CODIGO 1
alto, elimina
Imagen Resultado Descripción
Umbral todos los
Numpixels objetos
1 Como el pequeños
0.6 umbral está
1000 bajo no está
capturando
bien el objeto
más grande y 5 El umbral esta
el filtro está 0.85 alto corta los
demasiado 500 objetos
alto, elimina grandes. El
todos los filtro esta
objetos grande y
pequeños de la elimina los
imagen. objetos
pequeños. Es
la, pero
combinación
umbral, filtro.
6 El umbral
0.73 capta la mayor
10 cantidad de
2 Hay una buena objetos
0.7 relación entre posibles sin
50 umbral y filtro defórmalos y
mostrando el filtro
objetos elimina muy
grandes bien los
medianos y objetos
pequeños demasiado
pequeños esta
imagen para
mi concepto es
un poco mejor
que la imagen
3 El umbral esta 2
0.8 alto y está
70 mostrando
imperfeccione
s en los PUNTO 2
objetos
grandes, el clc %Limpia la ventana de comandos
filtro está clear all %Vacía el contenido del workspace
eliminando las close all %Cierra todas las figuras
imágenes muy % Wilde Jenner Socorro Arias
pequeñas de %%
manera H = imread('Enferma1.jpg'); figure, imshow(H) % Carga la
adecuada. información de la imagen Enferma 1 en la variable “H”
I= rgb2gray(H); figure, imshow(I) %Convierte la imagen “H”
a escala de grises y la almacena en “I”
J = imnoise(I,'salt & pepper',0.02); figure, imshow(J)%agrega
el ruido de la sal y de la pimienta, donde 0.02 es la densidad
del ruido. Esto afecta aproximadamente 0.02*(I) píxeles.
%%
K = medfilt2(J);%Realiza un filtrado medio de la imagen A en
dos dimensiones. Cada píxel de salida contiene el valor medio
en un vecindario de 3 por 3 alrededor del píxel
correspondiente de la imagen de entrada
%%
subplot(1,3,1); imshow(I); title('Original'); subplot(1,3,2);
imshow(J); title('Sal y pimienta'), subplot(1,3,3); imshow(K);
title('Con filtro medio') % muestra la imagenes "I" "J" y "K"
en una misma grafica
clc %Limpia la ventana de comandos
clear all %Vacía el contenido del workspace
close all %Cierra todas las figuras
% Wilde Jenner Socorro Arias
%%
H = imread('Enferma1.jpg'); figure, imshow(H) % Carga la
información de la imagen Enferma 1 en la variable “H”
I = rgb2gray(H); figure, imshow(I) %Convierte la imagen “H”
a escala de grises y la almacena en “I”
I = im2double(I); figure, imshow (I) % Convierte la variable
“I" a doble precisión y la almacenan en "I".
J = imnoise(I,'gaussian',0.01); figure, imshow(J)%agrega el
ruido gaussiano, con variación 0.01.
%%
K = imgaussfilt(J,1); figure, imshow (K) % Filtra la imagen J
con un kernel alisador 2-D de Gauss con desviación 1
subplot(1,3,1); imshow(I); title('Original'); subplot(1,3,2);
imshow(J); title('Ruido Gaussiano'), subplot(1,3,3);
imshow(K); title('Con filtrado de Gauss') % muestra la
imagenes "I" "J" y "K" en una misma grafica
PUNTO 3
clc
clear all
close all
%Wilde Jenner Socorro Arias
Vitiligio=imread('Enferma1.jpg'); % Carga la información de
la imagen Enferma 1 en la variable “Vitiligio”
figure; %crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(Vitiligio) %Carga en la ventana figure la imagen
almacenada en "Vitiligio"
GrayVitiligio=rgb2gray(Vitiligio); % Convierte la imagen
“Vitiligio” a escala de grises y la almacena en “GrayVitiligio”
figure; %crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(GrayVitiligio) %Carga en la ventana figure la imagen
almacenada en "GrayVitiligio"
BordesCanny=edge(GrayVitiligio,'Canny');% Aplica el
metodo Canny a la imagen "GrayVitiligio" y lo almacena en
"BordesCanny"
figure; %crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(BordesCanny) %Carga en la ventana figure la imagen
almacenada en "BordesCanny"
BordesSobel=edge(GrayVitiligio,'Sobel');% Aplica el metodo
Sobel a la imagen "GrayVitiligio" y lo almacena en
"BordesSobel"
figure; %crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(BordesSobel)%Carga en la ventana figure la imagen
almacenada en "BordesSobel"
¿Qué hacen las funciones canny y sobel?
Función canny encuentra aristas buscando los máximos
locales del gradiente de la imagen utilizando la derivada de un
filtro de Gauss. Este método utiliza dos umbrales para detectar
bordes fuertes y débiles, incluidos los bordes débiles de la
salida si están conectados a bordes fuertes. Al usar dos
umbrales, el método Canny es menos probable que los otros
métodos que se engañen por el ruido y es más probable que
detecte bordes débiles verdaderos.[11]
Función Sobel, calcula el gradiente de la intensidad de una
imagen en cada punto (pixel). Así, para cada punto, entrega la
magnitud del mayor cambio posible
Matemáticamente, el gradiente de una función de dos
variables para cada punto es un vector bidimensional. Para
cada punto de la imagen, el vector gradiente apunta en
dirección del incremento máximo posible de la intensidad, y la
magnitud del vector gradiente corresponde a la cantidad de
cambio de la intensidad en esa dirección.[12]
 Función Resultado Descripción
Canny La función canny está
mostrando umbrales
tanto fuertes como
débiles por eso la imagen
no se ve bien

b)
Sobel Está encontrando
solamente aristas en
%% Wilde Jenner Socorro Arias
aquellos puntos donde la
se2=strel('square',2); %crea un elemento de estructuración
gradiente es máxima
cuadrada cuyo ancho es 2 píxeles.
como lo son los objetos
erosion2=imerode(BordesCanny,se2); % erosiona la Imagen
grandes medianos y
"BordesCanny" basandose en el objeto se2
pequeños del vitiligio
figure;%crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(erosion2)%Carga en la ventana figure la imagen
almacenada en "erosion1"

PUNTO 4

a)
%% Wilde Jenner Socorro Arias
se1=strel('line',3,4); %crea un elemento de estructuración
lineal que es simétrico con respecto al centro de la vecindad. 3
es distancia a los centros y 4 el angulo de la linea
erosion1=imerode(BordesCanny,se1); % % erosiona la
Imagen "BordesCanny" basandose en el objeto se1
figure;%crea una nueva ventana figura, pero sin mostrar la
imagen aún
imshow(erosion1)%Carga en la ventana figure la imagen
almacenada en "erosion1"

¿Qué diferencias encuentra entre el ejercicio a y b?

La imagen a) está menos erosionada que la b), debido a que el
objeto de muestra de la erosión 1, es 1 fila x 3 columnas es
más pequeño que el de erosión 2 2 filas x 2 columnas
 LEONARDO FABIO CHAVARRO
1. DEFINICIÓN DE CONCEPTOS
a. ¿Qué es umbralización o binarización?
La umbralización o binarización consiste en un barrido
matricial de la imagen en donde las escalas de grises toman
valores de 0-1, es decir Negro (0) Blanco (255) los valores de
sensibilidad adoptan los que sean mayores al umbral toman un
valor de 255
b. ¿Cuál es la diferencia entre umbralización global y local?
¿Cuál es su implementación en Matlab?
Umbralización global: es aquella que toma valores estáticos
Umbralización local: adaptan el valor del umbral de manera
manual o automática dependiendo de las características de la
imagen segmentada el reto surge cuando se tienen que
establecer los valores máximos y mínimos y el
establecimiento de su umbral de los contenidos de blanco y
negro de la imagen original
Como se puede configurar la umbralizacion en Matlab
Umbralización
:>> im2bw(f,T)
Donde T es el umbral tal que todos los niveles de intensidad
por debajo de T los hace 0 y todos los que son mayores que T
los hace 1. Dicho umbral se puede obtener con la siguiente
función la cual aplica el método de Otsu:
>> T=graythresh(f)
c. ¿Qué es umbral de Otsu?
Procedimiento de muestreo de umbrales de grises que tiene en
cuenta la suma ponderada de las varianzas de clase mediante
una búsqueda exhaustiva
Se resume en la siguiente formula
fi
Pi =
N pixeles , a continuación se enumeran algunas técnicas para la
Se podría resumir en la probabilidad (Pi) de ocurrencia del
nivel de gris es igual a Frecuencia (fi) de repetición del mismo
nivel sobre la cantidad de muestras (N)
d. ¿Qué es reducción de ruido en una imagen binaria?
Se implementan a nivel de reducción de ruido (noise reduction
), sin embargo últimamente se están realizando muchos
esfuerzos para conseguir sensores que capten el menor ruido
posible en los fotodiodos, se pueden aplicar a nivel de grises o
de cada uno de los componentes binarios
e. ¿Qué es filtro mediano y cómo se implementa en
Matlab?
La idea de un filtro mediano conlleva el uso de una técnica de
filtro no lineal, con el propósito de remover el ruido, preserva
los bordes mientras remueve el ruido
En Matlab puede implementarse mediante la siguiente línea de
comando
>> g = medfilt2(f, [m n] );
% [m n] = tamaño dela máscara (por defecto 3x3)
f. ¿Para qué sirven los filtros de suavizado en una imagen?
Un filtrado se trata de un método de resaltar o eliminar
algunas características de la imagen con un propósito definido
Un filtro de suavizado sirve para dos propósitos en esencia
volver una imagen difusa ,eliminar ruido
g. ¿Cuál es la diferencia entre ruido gaussiano y ruido de
sal y pimienta?
El ruido Gaussiano que señala una distribución de ruido de
una gran cantidad de variables independientes , que pueden ser
tratadas de acuerdo a su concentración , son muestra de ello
las vibraciones térmicas y que las integran el movimiento de
una gran cantidad de electrones, se pueden presentar
principalmente en la adquisición de la imagen puede causarlo
la iluminación deficiente , altas temperaturas , mientras que el
ruido de ‘sal y pimienta’ se refiere a una concentración de
ruido solo en algunos pixeles no una en una distribución de
toda la matriz de pixeles de la imagen como el ruido gaussiano
el efecto es semejante a esparcir sobre un tapiz blanco algunas
manchas negras o viceversa – pixeles oscuros en regiones
brillantes o pixeles claros en regiones oscuras podrían deberse
a errores en la conversión análoga digital
h. Explique diferentes técnicas de segmentación de
imágenes
La segmentación de imágenes hace referencia a la
zonificación de con respecto a características propias u
homogenas , podrían clasificarse de acuerdo a sus contorno a
su nivel de grises entre otras – características comunes de los
segmentación que probablemente se apliquen
Algoritmos de compresión monocromática
Discontinuidad, en los tonos de gris que permite detectar
puntos aislados
Similaridad Permite construir regiones por división y fusión,
por crecimiento y umbralizacion
Conectividad si existe una región tal que trace un camino que
conecte
Métodos de segmentación
Locales: basadas en pixeles
Globales: Basados en la recopilación de información como los
histogramas
Métodos basados en bordes
Métodos basados en regiones
Homogeneidad y proximidad geométrica como por ejemplo
técnicas de crecimiento, fusión o división
im2bw(vitiligo,umbral);%Se representa la imagen en forma
binaria ,especificando el nivel de luminicencia indexado
bwareopen(binvitiligo,numpixels);%Quita todos los objetos
binarios que tienen menos pixeles que los indexados bajo la
variable ‘numpixels’

i. ¿Qué es reconstrucción morfológica? TABLE II

CODIGO 1
Es un proceso de tratamiento de imágenes en el cual se define
la vecindad y el tamaño del pixel analizado usando su Imagen Resultado Descripción
estructura, composición o su enmascaramiento matricial Umbral
Numpixels
1 En el primer
j. ¿Qué tipos de funciones morfológicas existen y cómo
0.6 ejercicio se
funcionan? 1000 establece el
Existen en particular cuatro funciones morfológicas que son: umbral de
Erosión: Usa un filtro mínimo y la imagen se oscurece luminiscencia
Dilatación: Usa un filtro máximo y generalmente la imagen se en 0.6 y se
aclara conservando su semejanza con la imagen original retiraran las
Apertura: Se usa para borrar detalles claros que sean pequeños cantidades de
en comparación con la imagen estructural total pixeles que
Cierre: Elimina detalles oscuros están sobre
ese umbral lo
1. IMPLEMENTACIÓN DE CODIGOS cual nos
muestra para
PUNTO 1
el efecto una
imagen
clc% inicia el panel de control en 0s
clear all% limpia todos los debug creados anteriomente tratada que se
close all% cierra las imagenes o codigo desplegado aproximas a
anteriormente los resultados
%Leonardo Fabio chavarro 2019-02-09 del ejercicio
vitiligo=imread('Enferma4.jpg');%lee la imagen que denomine 1000 pixeles
imagen 4 y la transforma en una variable llamada 'vitiligo' 2 En el primer
vitiligo=im2double(vitiligo);%vierte el string como una 0.7 ejercicio se
variable para poder aplicar instrucciones 50 establece el
figure;%la trata como un grafico umbral de
imshow(vitiligo)%muestra la imagen luminiscencia
umbral=0.85;%Se establece el nivel de luminicencia de la en 0.7 y se
imagen retiraran las
binvitiligo=im2bw(vitiligo,umbral);%Se representa la imagen cantidades de
en forma binaria ,especificando el nivel de luminicencia
pixeles que
indexado
están sobre
figure;%la trata como un grafico
ese umbral lo
imshow(binvitiligo)%Muestra la imagen creada con el umbral
aplicado cual 50
numpixels=500;%especifica el tamaño de los pixeles pixeles, los
filtro1=bwareopen(binvitiligo,numpixels);%Quita todos los resultados
objetos binarios que tienen menos pixeles que los indexados esperados son
bajo la variable ‘numpixels’ buenos sin
figure; embargo en
imshow(filtro1)%Devuelve la imagen con el filtro aplicado comparación
con la primera
¿Qué hacen las funciones clc, clear all, clos all, im2bw y imagen no se
bwreaopen? obtiene
clc% inicia el panel de control en 0s muchos
clear all% limpia todos los debug creados anteriomente detalle
close all% cierra las imagenes o codigo desplegado
anteriormente
 3 En el primer por debajo del
0.8 ejercicio se nivel, sin
70 establece el embargo se
umbral de pierde la
luminiscencia perspectiva de
en 0.8 y se estudio en
retiraran la este punto
cantidad de
pixeles que El caso en particular que más se acerca a la identificación de los
están sobre objetos de nuestro interés para el estudio adelantado es
ese umbral lo luminiscencia con un umbral a 0.6 y la cantidad de pixeles
cual 70 retirados por debajo de ese nivel 1000
pixeles, El
detalle más PUNTO 2
significativo
clc% inicia el panel de control en 0s
para el efecto
clear all% limpia todos los debug creados anteriomente
del ejercicio se
close all% cierra las imagenes o codigo desplegado
pierde
anteriormente
4 En el primer %Leonardo Fabio chavarro 2019-03-13
0.75 ejercicio se vitiligo=imread('Enferma4.jpg');%lee la imagen que denomine
200 establece el imagen 4 y la transforma en una variable llamada 'vitiligo'
umbral de figure;
luminiscencia imshow(vitiligo)
en 0.5 y se GaussianNoise=imnoise(vitiligo,'gaussian',0.10);
retiraran la figure;
cantidad de imshow(GaussianNoise)
pixeles que
están sobre Ruido Gaussiano
ese umbral lo
cual 200
pixeles,
Comienza en
este punto a
identificar en
esta
binarización el
área de la piel
o de la imagen
clc% inicia el panel de control en 0s
a interés
clear all% limpia todos los debug creados anteriomente
5 En el primer close all% cierra las imagenes o codigo desplegado
0.85 ejercicio se anteriormente
500 establece el %Leonardo Fabio chavarro 2019-03-13
umbral de vitiligo=imread('Enferma4.jpg');%lee la imagen que denomine
luminiscencia imagen 4 y la transforma en una variable llamada 'vitiligo'
en 0.85 y se figure;
retiraran la imshow(vitiligo)
cantidad de Saltpepper=imnoise(vitiligo,'salt & pepper',0.10);
pixeles que figure;
están sobre imshow(Saltpepper)
ese umbral lo
cual 500
pixeles,
Removemos
todos los
pixeles que se
encuentran
Ruido Sal y Pimienta Función Resultado Descripción
Canny Usando el método canny
el análisis vectorial en la
matriz de la gráfica es
más restrictivo para la
clasificación de los
objetos lo cual a su vez
permite clasificar y aislar
el área de estudio
PUNTO 3

clc% inicia el panel de control en 0s

clear all% limpia todos los debug creados anteriomente
close all% cierra las imagenes o codigo desplegado
anteriormente
%Leonardo Fabio chavarro 2019-03-04
vitiligo=imread('Enferma4.jpg');%lee la imagen que denomine
imagen 4 y la transforma en una variable llamada 'vitiligo'
figure;%la trata como un grafico
imshow(vitiligo)%muestra la imagen
grisvitiligo=rgb2gray(vitiligo);%Transforma la imagen de
escala RGB a grises
figure;%la trata como un grafico Sobel Usando el método sobel
imshow(grisvitiligo)%muestra la imagen en gris el análisis vectorial en la
bordescanny=edge(grisvitiligo,'Canny');%Devuelve el método matriz de la gráfica es
de detaccion de aristas usando el método Canny menos restrictivo para la
imshow(bordescanny)%Muestra la imagen tratada clasificación de los
bordesobel=edge(grisvitiligo,'Sobel');% );%Devuelve el objetos con cierto grado
método de detaccion de aristas usando el método Sobel de iluminación no es
factible realizar una
figure;%la trata como un grafico correcta identificación de
imshow(bordesobel) %Muestra la imagen tratada los objetos de interés

¿Qué hacen las funciones canny y sobel?

Ambos métodos de detección de borde se comportan de una
manera similar sin embargo El método canny usa el método
Gaussiano para calcular el gradiente esto es el método Canny
es menos susceptible al ruido, el método sobel usa la
convolución para el cálculo de su gradiente
PUNTO 4
clc% inicia el panel de control en 0s
clear all% limpia todos los debug creados anteriomente
close all% cierra las imagenes o codigo desplegado
anteriormente
%Leonardo Fabio chavarro 2019-02-09
vitiligo=imread('Enferma4.jpg');%lee la imagen que denomine
imagen 4 y la transforma en una variable llamada 'vitiligo'
grisvitiligo=rgb2gray(vitiligo);%Transforma la imagen de
escala RGB a grises
bordescanny=edge(grisvitiligo,'Canny');%Trata el sistema de
borde
figure;%la trata como un grafico
imshow(bordescanny)%Muestra la imagen tratada con el
método de borde Canny
se1=strel('line',3,4);Se crea un elemento de estructuración
lineal que es simétrico el ‘3’ indica la distancia entre los
centros , el ‘4’ indica los grados hacia los cuales se va tomar la
matriz
erosion1=imerode(bordescanny,se1);%Erosiona la imagen de
acuerdo con el elemento de estructuración de la matriz
definido en el punto anterior en este caso se1
figure;
imshow(erosion1)Muestra la imagen anteriormente erosionada
se2=strel('square',2);Elemento de estructuración cuadrada
cuyo ancho en este caso son ‘2’ pixeles
erosion2=imerode(bordescanny,se2); Erosiona la imagen de
acuerdo con el elemento de estructuración de la matriz
definido en el punto anterior en este caso se1

figure;
imshow(erosion2) Muestra la imagen anteriormente
erosionada

¿Qué diferencias encuentra entre el ejercicio a y b?

En este caso el elemento de estructuración lineal en el caso a
es mejor para detectar los elementos de interés

´ PUNTO 5

clc% inicia el panel de control en 0s

clear all% limpia todos los debug creados anteriomente
close all% cierra las imagenes o codigo desplegado
anteriormente
%Leonardo Fabio chavarro 2019-03-13
vitiligo=imread('Enferma4.jpg');%lee la imagen que denomine
imagen 4 y la transforma en una variable llamada 'vitiligo'
figure;
imshow(vitiligo)
se2=strel('square',2);
Dilatacion=imdilate(vitiligo,se2);%aplico 'imdilate para dilatar
la imagen de acuerdo al tratamiento de bordes anterior
figure;
imshow(Dilatacion)
%bordesobel=edge(grisvitiligo,'Sobel');%Trata el sistema de
borde
%figure;%la trata como un grafico
%imshow(bordesobel)%muestra la imagen en gris