Você está na página 1de 53

Universidad Aut onoma del Estado de Hidalgo

Instituto de Ciencias Basicas e Ingenera


Centro de Investigaci on en Tecnologas de Informaci on y Sistemas
Maestra en Ciencias Computacionales
Especialidad: Computaci on Inteligente
Tesis
Realce local del histograma en imagenes
medicas y astron omicas basado en medidas
difusas
Marco Antonio Garca Marquez
Asesores:
Dr. Ram on Soto de la Cruz
Dr. Cherif Ben-Youssef Brants
13 de septiembre de 2005

Indice general
1. Marco te orico 4
1.1. Medidas en una imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1. Brillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2. Contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Tecnicas de procesamiento de imagenes basadas en puntos . . . . . . . . . . . . . . . 5
1.2.1. Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2. Realce de imagenes por modicacion del contraste . . . . . . . . . . . . . . . 6
1.3. Procesamiento basado en una region de la imagen . . . . . . . . . . . . . . . . . . . . 7
1.3.1. Convolucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2. Filtrado no-lineal de la imagen . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2. Filtrado para el realce de imagenes digitales 14
2.1. Fundamentos basicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.1. Se nales periodicas y no periodicas . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.2. Series trigonometricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.3. Serie de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.4. Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.5. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.6. Funcion de de Transferencia Discreta . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.7. Filtros Digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3. Representaci on difusa de la informaci on en una imagen 22
3.1. Teora de conjuntos difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2. Procesamiento difuso de imagenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1. Razones para el procesamiento difuso de imagenes . . . . . . . . . . . . . . . 24
4. Tecnicas estandar para el realce de imagenes basadas en el histograma 28
4.1. Ecualizacion estandar del histograma de imagenes . . . . . . . . . . . . . . . . . . . 28
4.2. Expansion estandar del histograma de imagenes . . . . . . . . . . . . . . . . . . . . . 30
4.3. Especicacion estandar del histograma de imagenes . . . . . . . . . . . . . . . . . . . 31
5. Realce local del histograma de imagenes 34
5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2. Especicacion local del histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.3. Funcion de pertenencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.3.1. Estimacion del Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.4. Tecnica para la especicacion local del histograma con informacion difusa . . . . . . 37
5.4.1. Informacion de histogramas para la funcion de pertenencia . . . . . . . . . . 37
1
5.4.2. Algoritmo para la especicacion local del histograma . . . . . . . . . . . . . . 38
5.5. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.6. Tecnica de ecualizacion local del histograma mediante la especicacion . . . . . . . . 49
6. Conclusiones 51
References 52
2
Introducci on
Una de las anomalas mas comunes en las imagenes digitales, esta relacionada con deciencias
en el contraste ocasionadas por la reduccion del rango de intensidades, comparado con el rango
disponible de niveles de gris (por ejemplo de 0 a 255 niveles). El contraste de una imagen puede
mejorarse mediante el re-escalamiento de la intensidad de cada pxel. Seg un esta metodologa, el
nivel de gris correspondiente a un pxel en la imagen de entrada se modica de acuerdo a una trans-
formacion especca, dicha transformacion relaciona la intensidad de cada pxel con una intensidad
de salida que normalmente se representa por un dibujo o una tabla. Eligiendo adecuadamente la
transformacion especica, el contraste y el rango dinamico de intensidades de la imagen pueden
modicarse casi de manera arbitraria. En general los programas de procesamiento de imagenes
permiten al usuario denir de manera interactiva la funcion de transformacion.
3
Captulo 1
Marco te orico
1.1. Medidas en una imagen
1.1.1. Brillo
El nivel de brillo de una imagen es su oscuridad o luminosidad global percibida. Por ejemplo
para una imagen de 256 niveles de gris, el 0 es asignado al negro y el 255 al blanco, por lo que un
nivel de gris promedio de 200, implica que sea una imagen brillante, mientras que un nivel de gris
promedio de 40, resulta una imagen obscura.
El brillo de una imagen esta denido como el promedio de todos los pxeles contenidos en la
imagen [Wee98]. Para una imagen I(x, y) de M N pxeles, es:
brillo = B =
1
MN
M1

y=0
N1

x=0
i(x, y) (1.1)
donde i(x, y) es la intensidad del pxel contenido en la imagen en la posicion (x, y).
1.1.2. Contraste
El contraste de una imagen dene la variacion del rango de niveles de gris dentro de una imagen.
Generalmente el valor de cero o niveles de gris con valores bajos estan asignados a las intensidades
obscuras, mientras que los niveles de gris con valores altos estan asignados a los niveles de intensi-
dad luminosos.
El contraste que se percibe en una imagen es la cantidad de cambio en los niveles de gris por
toda la imagen. Una imagen que contenga un nivel de gris mnimo de 190 y un maximo de 200, es
una imagen brillante con un bajo contraste. Por otra parte una imagen con un nivel de gris mnimo
de 40 y un maximo de 220, tiene un brillo promedio y un alto contraste.
La variacion promedio en los niveles de gris contenidos en la imagen es una medida del contraste
percibido de la imagen. Para una imagen de MN pxeles, un metodo de denir el contraste es el
que muestra la ecuacion 1.2.
contraste = C =

_
1
MN
M1

y=0
N1

x=0
[i(x, y) B]
2
(1.2)
4
1.2. Tecnicas de procesamiento de imagenes basadas en puntos
Estas tecnicas consisten en algoritmos que modican el valor de un pxel basados unicamente
en el valor previo de tal pxel o en su localizacion. Ning un otro valor de pxel se involucra en la
transformacion. El procesamiento se realiza desarrollando un barrido pxel por pxel dentro de la
imagen a procesar. Si la transformacion a aplicar, depende solo del valor original del pxel, en su
implantacion, puede resultar de utilidad el uso de tablas de b usqueda (LUT/Look-Up Table). Si por
el contrario, se considera ademas del valor previo del pxel, la posicion del mismo, puede resultar
necesario utilizar formulas o una combinacion de las mismas con tablas de b usqueda. De manera
general estas tecnicas no modican las relaciones espaciales dentro de la imagen y en consecuencia
no pueden modicar el grado de detalle contenido en las mismas, son simples y pueden resultar
utiles solas o en conjunto con otras tecnicas mas complejas.
1.2.1. Histograma
El histograma de una imagen es una funcion discreta de la frecuencia de ocurrencia de los pxe-
les de la imagen en funcion de los niveles de intensidad o luminosidad [Jai89]. Cuando se obtiene
la frecuencia relativa, esta puede interpretarse como una funcion de distribucion de probabilidades
de la intensidad.
El histograma de una imagen es ampliamente utilizado como herramienta tanto cualitativa co-
mo cuantitativa. Este corresponde a un graco de la distribucion de valores de intensidad de los
pxeles de una imagen (niveles de gris) o de una porcion de la misma. Podemos denotar como
h(i), el n umero de pxeles que dentro de la region de interes tiene el valor de intensidad i, donde
i = 0, 1, 2, ...., L1 es el n umero o rango disponible de niveles de gris en la imagen. Los valores h(i),
corresponderan entonces a los valores del histograma. El graco del histograma es bidimensional y
en el se graca h(i) en funcion de i. El histograma de una imagen es una herramienta usada para
poder describir la distribucion de intensidades que contiene la imagen y brindar informacion acerca
del brillo y contraste de una imagen, as como de su rango dinamico. En la gura 1.1 se muestra el
dibujo de un histograma tpico.
0
20
40
60
80
100
120
0 50 100 150 200 250
-
6
F
r
e
c
u
e
n
c
i
a
o
n
u
m
e
r
o
d
e
o
c
u
r
r
e
n
c
i
a
s
d
e
l
n
i
v
e
l
d
e
g
r
i
s
Niveles de gris
i
h(i)
Figura 1.1: Histograma bidimensional, en el cual se graca h(i) en funcion de i
Si bien el histograma de la gura anterior no representa a una imagen real, resulta posible
a partir del mismo, deducir alguna informacion hipotetica acerca de lo que sera la imagen. Por
ejemplo, la imagen tiene 256 niveles de gris (L = 256, entonces, 0, . . . , 255), sin embargo, tal rango
no es utilizado de manera completa, pues no se tienen pxeles con valores superiores a 200.
5
1.2.2. Realce de imagenes por modicaci on del contraste
Uno de los desperfectos mas comunes en las imagenes digitales, es el pobre contraste resultante
de un rango de intensidad reducido comparado al rango disponible de niveles de gris (por ejemplo
de 0 a 255 niveles). El contraste de una imagen, puede mejorarse mediante el re-escalamiento de
la intensidad de cada pxel. Seg un este metodo, el nivel de gris correspondiente a un pxel en la
imagen de entrada y que denotaremos por i, se modica de acuerdo a una transformacion especca.
Tal transformacion g = T(i), relaciona la intensidad de entrada i, con la intensidad de salida g y
usualmente se representa mediante un dibujo o una tabla (LUT). En la gura 1.2.a se muestra una
imagen de 44 pxeles, donde cada pxel se ha representado con 3 bits, de modo que en total sera
posible representar 8 niveles de gris. La transformacion que relaciona la intensidad de entrada con
la intensidad de salida, se muestra en la gura 1.2.b.
De acuerdo a tal transformacion, para cada pxel de la imagen de entrada, se obtiene la cor-
respondiente intensidad en la imagen de salida. El resultado obtenido en este caso particular se
muestra en la gura 1.2.c, donde se observa que el contraste entre las zonas obscuras y claras
dentro de la imagen, se incrementa aceptablemente. Eligiendo apropiadamente una transformacion
especca, puede modicarse de manera casi arbitraria el contraste y rango dinamico de la imagen.
En general, los programas de procesamiento de imagenes permiten al usuario denir de manera
interactiva la funcion de transformacion, operando sobre un graco como el de la gura 1.2.b para
establecer dicha funcion.
3 3 4 4
2 3 4 5
2 3 4 5
2 3 4 5
a)
0
1
2
3
4
5
6
7
0 1 2 3 4 5 6 7
-
i
6
g = T(i)
r r r
r
r
r
r r
b)
i g
0 0
1 0
2 0
3 2
4 4
5 6
6 7
7 7
2 2 4 4
0 2 4 6
0 2 4 6
0 2 4 6
c)
Figura 1.2: Modicacion de los niveles de gris. a) Imagen de 44 pxeles, con cada pxel representado
por 3 bits, b) Funcion de transformacion de los niveles de gris y c) Resultado de modicar la imagen
a), usando una transformacion especica de niveles de gris en b).
6
Negativo de la Imagen
Control del brillo de una imagen
Binarizaci on de imagenes
Ampliaci on del contraste
1.3. Procesamiento basado en una regi on de la imagen
Las tecnicas de procesamiento basadas en una region de la imagen, tienen muchas aplicaciones
en la obtencion de ciertas caractersticas primitivas, por ejemplo, la extraccion de contornos, el
realce de los contornos, para suavizar una imagen, para introducir borrosidad dentro de la misma
y para atenuar el ruido aleatorio. Estas tecnicas usan un grupo de pxeles dentro de la imagen a
procesar, con el proposito de extraer informacion acerca de la misma. El grupo de pxeles que se
estudia en este caso, se denomina usualmente vecindad. Por lo general la vecindad es una matriz
bidimensional de valores de pxeles con un n umero impar de las y columnas. El pxel de interes
que normalmente es reemplazado por un nuevo valor, producto de la aplicacion de un algoritmo,
se ubica por lo general, en el centro de la vecindad.
a) b) c) d) e) f) g)
: Pxel de interes que ser a reemplazado por un nuevo valor : Pxel vecino directo o indirecto
Figura 1.3: Ejemplo de pxeles vecinos y vecindades. a) muestra la forma en que un pxel puede
ser vecino del pxel de interes, solo si son adyacentes por esquina o por frontera, b) una vecindad
de 22 con adyacencia por esquinas y fronteras, c) una vecindad de 33 con adyacencia solo por
esquinas, d) una vecindad de 33 con adyacencia solo por fronteras, e) una vecindad de 33 con
adyacencia por esquinas y fronteras, f) una vecindad de 55 con adyacencia solo por esquinas y g)
una vecindad de 55 con adyacencia por esquinas y fronteras.
Para describir como se conocen los pxeles vecinos al pxel de interes, se dice que dos pxeles
son adyacentes si y solo si tienen en com un una de sus fronteras, o al menos una de sus esquinas.
Ademas dos pxeles son vecinos si son adyacentes; ademas seran vecinos directos cuando compartan
una frontera o vecinos indirectos cuando compartan una esquina. En la Figura 1.3 se muestra un
ejemplo de pxeles vecinos y algunas de las vecindades mas utilizadas.
Al utilizar una vecindad en el procesamiento, se puede aprovechar la informacion acerca del
comportamiento regional de la imagen en cuestion, mejor conocida como frecuencia espacial, la
cual puede denirse como la tasa de cambio de la intensidad de los pxeles dividido por la distancia
sobre la cual ocurre el cambio. La frecuencia espacial tiene componentes en las direcciones hori-
zontal y vertical dentro de la imagen. Por ejemplo, la imagen de un patron tipo tablero de ajedrez
7
presentara un alto contenido de frecuencia espacial, el cual aumentara en la medida que el tama no
de los cuadros disminuya. Por su parte una imagen con un bajo contenido de frecuencia espacial
por lo general tiene amplias areas con valores casi constantes de los pxeles.
Muchas de las tecnicas de procesamiento basadas en una region de la imagen, al tener acceso a
la informacion referente a la frecuencia espacial, pueden actuar como ltros que aten uan o realzan
ciertas componentes de la frecuencia espacial contenidas dentro de la imagen.
En la implantacion de estas tecnicas de procesamiento regional, se utilizan metodos lineales
tales como la convolucion o no lineales como el ltrado de la mediana, en cualquiera de estos casos,
el procedimiento que se sigue es el siguiente:
a) Se realiza una sola pasada sobre la imagen de entrada realizando un barrido pxel por pxel,
seg un las las y columnas.
b) Cada pxel de la imagen de entrada es procesado, considerando una vecindad del mismo y
utilizando un algoritmo apropiado.
c) El nuevo valor del pxel, obtenido de acuerdo a lo especicado en b), es ubicado en la imagen
de salida, ocupando la misma posicion que ocupaba en la imagen de entrada.
El hecho de considerar los pxeles de una vecindad, hace que las tecnicas de procesamiento
basadas en una region, tengan un mayor costo de calculo numerico, a diferencia de las tecnicas
basadas en un solo punto. Este costo dependera del tama no de la vecindad a considerar, as como
del tipo de representacion numerica utilizada. Sin embargo, para la mayora de las aplicaciones y con
las computadoras disponibles actualmente, se pueden obtener muy buenos resultados en terminos
del tiempo de calculo al procesar imagenes de un tama no mediano (256256 o 512512).
1.3.1. Convoluci on
En el procesamiento de imagenes, la convolucion corresponde a la extension del caso unidimen-
sional, mediante la cual una se nal cualquiera puede ser procesada con alg un ltro arbitrario de
respuesta impulsiva conocida. Para En el captulo 2 se describe acerca del tratamiento de se nales
unidimensionales, la formalizacion matematica y algunas propiedades de interes como lo es la con-
volucion, ademas de como pasar al caso bidimensional y el uso en el tratamiento de imagenes.
Si consideramos una imagen como un arreglo bidimensional denotado por x(i, j) y el ltro
(n ucleo o mascara de convolucion) con respuesta impulsiva h(i, j), su convolucion produce una
imagen de salida y(i, j), de acuerdo a la siguiente ecuacion, en donde m,n denen la vecindad a
considerar de acuerdo al tama no del n ucleo de convolucion h(i, j)
y(i, j) =
k2

m=k1
L2

n=L1
h(m, n)x(i m, j n) (1.3)
La implantacion de esta ecuacion de convolucion se hace de manera directa cuando el tama no
del ltro o mascara de convolucion es peque no (usualmente menor a 9 x 9 pxeles), pues en tales
casos el costo computacional no es exhaustivo, sin embargo, cuando se tienen ltros de mayor
tama no, lo mas recomendable es implantar la ecuacion de convolucion mediante la utilizacion de
la transformada rapida de Fourier.
8
Para la implantacion directa de la ecuacion de convolucion, asumimos que la mascara de con-
volucion es una matriz de tama no (N1N2), que usualmente y en este caso sera de 33 pxeles,
la cual tambien dene el tama no de la vecindad dentro de la imagen, de manera que sea del mismo
tama no que la mascara. En la Figura 1.4 se ilustra el proceso de convolucion, seg un el cual, para
un pxel de la imagen de entrada dado x(i, j), cada pxel de la vecindad es multiplicado por el pxel
correspondiente en la mascara de convolucion, as mismo cada uno de estos productos es sumado,
de manera que el nuevo valor del pxel en la imagen de salida y(i, j) estara dado por la suma de
todos estos productos. El procesamiento de toda la imagen se realiza desplazando la mascara y
repitiendo para cada punto el mismo procedimiento.
La mascara de convolucion tiene por lo general un n umero impar de las y columnas y su tama no
frecuentemente es 33, su contenido depende del tipo de procesamiento que se desea implantar.
Ejemplos de diferentes tipos de mascaras de convolucion son presentados en (Lindley, 1991) y
(Pratt, 1978).
Imagen de entrada x(i, j)
P
1
P
2
P
3
P
4
P
5
P
6
P
7
P
8
P
9
Vecindad

Mascara h(i, j)
K
1
K
2
K
3
K
4
K
5
K
6
K
7
K
8
K
9
S
5
=
9

i=1
P
i
K
i
?
Imagen de salida y(i, j)
S
1
S
2
S
3
S
4
S
5
S
6
S
7
S
8
S
9
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
hh
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
hh
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
hh
h
h
h
h
h
h
h
h
h
hh

Figura 1.4: Proceso de convolucion con una mascara. Cada pxel en la imagen de salida es el
resultado de la suma de los productos entre los pxeles de la mascara y los pxeles incluidos en la
vecindad, correspondiente en la imagen de entrada.
Filtrado espacial pasa-bajo
Los ltros espaciales pasa bajo, dejan el contenido de baja frecuencia inalterado mientras que
aten uan los contenidos de alta frecuencia, este tipo de ltros resulta adecuado para atenuar ruido
aditivo aleatorio presente en la imagen. En la gura 1.5 se muestran tres mascaras de convolucion
frecuentemente utilizadas para realizar el ltro pasa-bajo, una de las propiedades de tales mascaras
es que la suma de todos sus valores debe ser igual a la unidad. Uno de los efectos que es necesario
tener presente cuando se aplica este tipo de ltros, es que los mismos pueden introducir apreciable
borrosidad en la imagen En la gura 1.6 se ilustra este tipo de procesamiento, as en la gura 1.6.a
se muestra la imagen original la cual ha sido contaminada con ruido aleatorio tal como se muestra
en la gura 1.6.b, por su parte en la gura 1.6.c se muestra el resultado luego de procesar con un
ltro pasa-bajo en donde se observa que si bien el contenido de ruido disminuye, sin embargo la
borrosidad de la imagen aumenta.
9
1
9

1 1 1
1 1 1
1 1 1
1
10

1 1 1
1 2 1
1 1 1
1
16

1 2 1
2 4 2
1 2 1
a) b) c)
Figura 1.5: Tres mascaras que permiten el ltro pasa-bajo de una imagen.
a) b) c)
Figura 1.6: Ejemplo de ltro promediador (a) imagen original, (b) imagen contaminada con ruido
y (c) Imagen procesada con un ltro promediador.
Filtrado pasa-alto
Los ltros pasa alto, tienen la propiedad de acentuar los detalles de alta frecuencia de una
imagen, normalmente los ltros pasa alto se utilizan cuando se quiere examinar objetos con alto
contenido de frecuencia espacial, como consecuencia de tal procesamiento, las porciones de una
imagen que presentan componentes de alta frecuencia, seran resaltadas mediante la utilizacion de
niveles de gris mas claros, mientras que aquellas con componentes de baja frecuencia seran mas
oscuras, en este sentido, este tipo de ltro puede ser utilizado para reforzar los bordes presentes
en la imagen. Uno de los efectos indeseados de estos ltros es que pueden acentuar el ruido de la
imagen. En la Figura 1.7 se muestran tres mascaras de convolucion para implantar el ltro pasa
alto, por su parte en la gura 1.8 se muestra el resultado de procesar una imagen con un ltro pasa
alto, as en la gura 1.8.a se muestra la gura original que al ser procesada utilizando la mascara de
convolucion mostrada en la gura 1.7.a, produce como resultado la imagen mostrada en la gura
1.8.b en donde se observa que efectivamente los bordes aparecen reforzados.
1 1 1
1 9 1
1 1 1
0 1 0
1 5 1
0 1 0
1 2 1
2 5 2
1 2 1
a) b) c)
Figura 1.7: Tres mascaras que permiten implantar el ltrado pasa-alto.
10
a) b)
Figura 1.8: Procesamiento de una imagen con un ltro pasa alto a) imagen original b) imagen
resultante luego de procesar con la mascara mostrada en la gura 1.7.b
1.3.2. Filtrado no-lineal de la imagen
Filtro del promedio
En la gura 1.9, se describe un algoritmo sencillo para realizar el suavizado o ltrado pasa bajo
de una imagen contaminada con ruido aleatorio. Seg un la ecuacion 1.4 de esta tecnica, se examina
secuencial mente cada pxel, y si la magnitud del mismo, es mayor que el nivel de gris promedio de
sus vecinos mas un cierto umbral , tal pxel se sustituye por el valor promedio, en caso contrario,
se deja tal valor inalterado. El tama no de la vecindad a considerar, debe elegirse cuidadosamente,
pues en caso de ser muy grande puede introducir una apreciable borrosidad. El valor del umbral
pudiera determinarse a partir de informacion del ruido que contamina a la imagen tal como la
varianza del mismo.
PS =
_

_
1
8
8

i=1
P
i
; si |P
1
8
8

i=1
P
i
| >
P ; en otro caso
(1.4)
P1 P2 P3
P4 P P5
P6 P7 P8
PS
-
Figura 1.9: Algoritmo de suavizado que utiliza el ltro del promedio
La ecuacion 1.4 sera utilizada en el captulo 5 para la descripcion de las tecnicas que se proponen
en este trabajo.
11
Filtro de la mediana
El ltro de la mediana, es un procedimiento no-lineal, util para reducir el ruido impulsivo y
del tipo sal y pimienta, muchas veces presente en las imagenes. El ltro de mediana utiliza los
valores de los pxeles contenidos en una vecindad de tama no impar, para determinar el nuevo valor
del pxel de interes. El procedimiento para ello, consiste en ordenar de forma creciente todos los
pxeles incluidos en la vecindad y sustituir el pixel ubicado en el centro de la ventana por el pxel
mediano luego de la ordenacion, es decir, si se tiene la secuencia discreta de tama no N impar,
entonces la mediana de esta secuencia es el miembro de la secuencia ordenada en la posicion
(N+1)
2
y si se tiene la secuencia discreta de tama no N par, entonces la mediana de esta secuencia es el
miembro de la secuencia ordenada en la posicion
N
2
+ 1.
En la gura 1.10 se muestra un ejemplo de la implementacion del ltro de la mediana. En esta
tecnica, el costo computacional mas importante corresponde a la ordenacion creciente del arreglo,
por lo cual es muy importante utilizar algoritmos optimizados para realizar dicha tarea.
Vecindad en
imagen de entrada
Vecindad en
imagen de salida
27 22 29
42 60 29
27 25 29
PS
22 25 27 27 29 29 29 42 60

arreglo ordenado
mediana
Figura 1.10: Procedimiento para implantar el ltro de la mediana
Una de las propiedades del ltro de mediana, es que el mismo tiende a preservar en lo posible
la informacion referente a los contornos de la imagen, atenuando por el contrario, variaciones
impulsivas aleatorias, por lo cual se utiliza frecuentemente. En la gura 1.11 se ilustra el uso del
ltro de la mediana, en la gura 1.11.a se muestra la imagen original, en la gura 1.11.b la imagen
contaminada con ruido impulsivo y en la gura 1.11.c el resultado luego de procesar con un ltro
de mediana de 5 5.
12
a) b) c)
Figura 1.11: Ejemplo de ltro de mediana. a) imagen original, b) imagen contaminada con ruido
impulsivo y c) imagen procesada con un ltro de mediana
13
Captulo 2
Filtrado para el realce de imagenes
digitales
2.1. Fundamentos basicos
La teora de ltros es una de las herramientas de la matematica aplicada mas empleada en
la ingeniera electrica y electronica. Esta teora es de gran utilidad para formalizar algunas de
las operaciones y transformaciones que se emplearan para el procesamiento previo de imagenes
digitales.
Un ltro puede considerarse como un mecanismo de cambio o transformacion de una cierta
se nal de entrada, que da lugar a una se nal de salida diferente de aquella. Por se nal se entiende una
funcion de varias variables independientes. Una familia de funciones muy amplia son las funciones
del tiempo: voltaje, intensidad, carga, etc., es decir cualquier magnitud generalmente fsica, que
depende del tiempo.
2.1.1. Se nales peri odicas y no peri odicas
Una funcion periodica puede ser representada por la suma de senos y cosenos de diferentes
frecuencias, multiplicados por coecientes diferentes, a esto se le conoce como Series de Fourier.
Una funcion es periodica cuando la funcion repite los mismos valores. Una se nal x(t) es
periodica s y solo s:
x(t +T
0
) = x(t) < t <
donde la constante T
0
es el periodo.
El valor mas peque no que satisface la ecuacion previa se denomina periodo fundamental o
simplemente periodo. Cualquier otra se nal que no satisface la condicion se llama aperi odica o
no peri odica.
Una funcion no periodica tambien puede ser representada como la integracion de senos y cosenos
multiplicada por una funcion ponderada y a esto se le conoce como la Transformada de Fourier.
La funcion sen(x) es periodica (periodo 360
o
) pues sen(x) = sen(x + 360).
14
Existen varios tipos de se nales periodicas: senoidal, triangular, cuadraticas, etc. La suma de
dos se nales senoidales puede o no ser periodica, dependiendo de la relacion entre los periodos o
frecuencias respectivos. Si la fraccion entre los periodos es un n umero racional o si las frecuencias
son conmensurables, la se nal resultado de la suma es tambien periodica.
Dos frecuencias f
1
y f
2
son conmensurables (o se nales armonicas), si existe un n umero f
0
que
verica:
f
1
= n
1
f
0
f
2
= n
2
f
0
n
1
, n
2
son enteros
La frecuencia f
0
mas grande se denomina frecuencia fundamental. Los periodos T
1
y T
2
corres-
pondientes estan relacionados por la relacion:
T
1
/T
2
= n
2
/n
1
2.1.2. Series trigonometricas
La suma de dos senos es periodica si sus frecuencias respectivas son conmensurables, esto es,
la suma de dos senos es periodica si sus frecuencias son m ultiples integrales de una frecuencia
fundamental. Por ejemplo sea la serie trigonometrica siguiente:
x(t) = sen(
0
t) +
1
3
sen(3
0
t) +
1
5
sen(5
0
t) +. . . (2.1)
donde T
0
=
2

0
es el periodo. Las sumas parciales estan dadas por:
s
1
= sen(
0
t)
s
2
= sen(
0
t) +
1
3
sen(3
0
t)
. . .
2.1.3. Serie de Fourier
Las series de Fourier describen se nales periodicas como una combinacion de se nales armonicas
(sinusoides). Con esta herramienta podemos analizar una se nal periodica en terminos de su con-
tenido frecuencial o espectro. Ademas, permite establecer la dualidad entre tiempo y frecuencia, de
forma que las operaciones realizadas en el dominio temporal tienen su dual en el dominio frecuencial.
Forma trigonometrica de las series de Fourier: se pretende describir una funcion periodica x(t)
de periodo T (frecuencia fundamental f
0
=
1
T
, w
0
= 2f
0
).
Sea x(t) una funcion periodica con periodo T
0
=
2

0
. La forma general de la representacion
mediante series trigonometricas de esta funcion periodica se puede escribir:
x(t) =
a
0
2
+a
1
cos(
0
t) +. . . +a
n
cos(n
0
t) +. . . < t <
+b
1
sen(
0
t) +. . . +b
n
sen(n
0
t) +. . .
(2.2)
La ecuacion 2.2 se puede reescribir en forma mas compacta siguiente:
x(t) = a
0
+

n=1
a
n
cos(n
0
t) +

n=1
b
n
sen(n
0
t) < t < (2.3)
15
Conociendo el periodo T
0
=
2
w
0
, y a
0
, a
1
, . . . a
i
. . . y b
1
, b
2
, . . . b
i
. . ., son los denominados coe-
cientes de Fourier. Entonces el problema consiste en determinar estos coecientes para una se nal
dada x(t).
Calculo de los coecientes a
0
, a
n
, y b
n
Para obtener el coeciente a
0
, hay que integrar la ecuacion general de la serie, esto se hace
termino por termino, sobre un intervalo de tiempo igual a un periodo T
0
de la se nal x(t) y se tiene:
_
T
0
x(t)dt = a
0
_
T
0
dt +a
1
_
T
0
cos(
0
t)dt +a
2
_
T
0
cos(
0
t)dt
+b
1
_
T
0
sen(
0
t)dt +b
2
_
T
0
sen(
0
t)dt
(2.4)
Si denimos la integral de la ecuacion 2.5 para obtener el coeciente a
0
.
T
0
2
_

T
0
2
f(t)dt =
T
0
2
_

T
0
2
1
2
a
0
dt
=
1
2
a
0
T
0
2
_

T
0
2
dt
=
1
2
a
0
t

T
0
2

T
0
2
=
1
2
a
0
t(
T
0
2
+
T
0
2
)
=
T
2
a
0
a
0
=
2
T
0
T
0
2
_

T
0
2
f(t)dt
(2.5)
Relaciones para poder obtener a
n
y b
n
1.
T/2
_
T/2
cos(m
0
t)dt = 0; para m = 0
2.
T/2
_
T/2
sen(m
0
t)dt = 0; para toda m
3.
T/2
_
T/2
cos(m
0
t)cos(n
0
t)dt =
_
0 ; m = n
T/2 ; m = n = 0
4.
T/2
_
T/2
sen(m
0
t)sen(n
0
t)dt =
_
0 ; m = n
T/2 ; m = n = 0
16
5.
T/2
_
T/2
sen(m
0
t)cos(n
0
t)dt = 0; para toda m, n
Existe un modo de representar la serie de Fourier en forma exponencial, empleando la ecuacion
de Euler (vease Ecuacion 2.6).
e
j
= cos()j sen() (2.6)
y el calculo de los coecientes esta dado por:
X
s
[n] =
1
T
_
T
0
x(t)e
jn
0
t
dt (2.7)
Espectro de se nales periodicas : Los coecientes X
s
[n] son los coecientes espectrales de la se nal
x(t). La graca de esos coecientes en funcion del ndice armonico n o de las frecuencias n
0
, se
denomina espectro. Hay dos tipos de gracos, uno de magnitud con los coecientes |X
s
[n]| y otro
de la fase de X
s
[n].
Un parametro importante en la reconstruccion de se nales es la velocidad de convergencia, o lo
que es lo mismo la velocidad a la cual los coecientes de Fourier tienden a 0.
2.1.4. Transformada de Fourier
Para poder ampliar el concepto de series de Fourier a se nales no periodicas, podemos visualizar
una se nal no periodica como una se nal continua de periodo innito. El espaciado entre frecuencias
se aproxima a 0 y es por tanto una funcion continua. La se nal pasa a ser de potencia a se nal de
energa. Ademas los coecientes X
s
[n] son 0. Ya no es un indicador del contenido espectral de la
se nal.
Sea f(x) una funcion continua de variable real x, entonces la transformada de Fourier de f(x)
esta dada por la ecuacion 2.8:
{f(t)} = F() =

f(t)e
jn
0
t
dt (2.8)
donde j =

1 (un n umero complejo arbitrario). La trasformada inversa de Fourier esta dada por
la ecuacion 2.9

1
{F()} = f(t) =

F()e
jn
0
t
d (2.9)
Podemos utilizar la Transformada de Fourier para analizar la respuesta a sistemas lineales
invariantes en el tiempo, valiendonos del hecho de que convolucion en el tiempo equivale al producto
en el dominio frecuencial.
Si la respuesta y(t) a un sistema con una respuesta a impulso h(t) y entrada x(t) con condiciones
iniciales cero es:
y(t) = x(t) h(t) (2.10)
y aplicando la Transformada de Fourier a ambos miembros:
17
Y () = X() H() (2.11)
H() =
Y ()
X()
es la funci on de Transferencia del sistema. Esta funcion nos permite analizar
la respuesta frecuencial del sistema. La respuesta se puede analizar a partir de H().
Limitaciones de la Transformada de Fourier
El sistema debe tener condiciones iniciales cero.
Entradas que no son se nales de energa requieren el uso de impulsos.
2.1.5. Transformada de Laplace
Aunque la transformada de Fourier se aplica a una gran variedad de funciones y se usa mucho
como instrumento matematico en la ingeniera, debido a la condicion de convergencia absoluta,
muchas veces otras funciones, tambien interesantes, no pueden tratarse por el metodo de la trans-
formada de Fourier.
Para tratar funciones de este tipo, se extiende el concepto de la Transformada de Fourier a la
Transformada de Laplace, realizando algunas modicaciones. Para cumplir con esto, se multiplica
la se nal x(t) por un factor de convergencia exponencial y se transforma el producto
por Fourier.
Demostraci on:
Para se nales que valen cero para t < 0, un factor apropiado es e
t
, donde es un n umero real
positivo, lo sucientemente grande para asegurar la convergencia absoluta.
F[x(t)e
t
]dt =

(x(t)e
t
)e
jt
dt
=
0
_

(0)e
jt
dt +

_
0
x(t)e
t
e
jt
dt
=

_
0
x(t)e
(+j)t
dt X(, )
X(, ) =

_
0
x(t)e
(+j)t
dt
(2.12)
X( +j) =

_
0
x(t)e
(+j)t
dt
Tomando la notacion de la variable compleja, s = +j, la ecuacion previa queda:
X(s) =

_
0
x(t)e
st
dt (2.13)
18
En la ecuacion 2.14 se dene la Transformada de Laplace de la se nal x(t)
L{x(t)} = X(s) =

_
0
x(t)e
st
dt (2.14)
La cantidad compleja s = +j. De esta forma se generaliza el concepto de frecuencia en la
Transformada de Fourier.
Se hace notar que el lmite inferior de la integral es 0, lo cual proporciona una misma Trans-
formada para se nales causales ya que x(t) y x(t)u(t) son iguales.
La Transformada de Laplace existe si la integral que la dene es nita. Para ello se necesita que
los valores de sean concretos, lo que dena una region de convergencia de la Transformada
de Laplace.
Con la Transformada de Laplace se generaliza el concepto de funci on de Transferencia de
un sistema a aquellos cuyas condiciones iniciales son no nulas.
Propiedades de la transformada de Laplace
Superposicion L{x(t) +y(t)} = X() +Y ()
x e L{e
t
x(t)} = X(s +)
x cos L{cos(t)x(t)} =
1
2
[X(s +j) +X(s j)]
x sen L{sen(t)x(t)} = j
1
2
[X(s +j) X(s j)]
Escalado L{x(t)} =
1

X(
s

) > 0
Desplazamiento L{x(t )u(t )} = e
s
X(s) > 0
x t L{tx(t)} =
dX(s)
ds
L{t
n
x(t)} = (1)
n
d
n
X(s)
ds
n
Derivada L{x

(t)} = sX(s) x(0)


L{x
n
(t)} = s
n
X(s) s
n1
x(0) . . . x
n1
(0)
Integral L{
t
_

x(t)dt} =
X(s)
s
+
A[x(t)](,0)
s
Convolucion L{x(t) y(t)} = X(s)Y (s)
Multiplicacion L{x(t)y(t)} =
1
2j
X(s) Y (s)
Teorema del valor inicial x(0+) = lm
s
[sX(s)]
Teorema del valor nal x(t)|
t
= lm
s0
[sX(s)]
La Transformada Inversa de Laplace esta dada por la ecuacion 2.15
x(t) =
1
2j
=
+j
_
j
X(s)e
st
ds (2.15)
De igual manera que en la transformada de Fourier, se puede obtener la respuesta de un sistema
a una se nal de entrada x(t) a partir sus Transformadas de Laplace.
y(t) = x(t) h(t) = L
1
{X(s) H(s)} (2.16)
19
H(s) es la funci on de transferencia del sistema. Se puede determinar la funcion de transfe-
rencia a partir de la ecuacion diferencial que describe el sistema en la ecuacion 2.17.
d
N
y
dt
N
+a
1
d
N1
y
dt
N1
+. . . +a
N1
dy
dt
+a
N
y = b
0
+
d
M
x
dt
M
+b
1
d
M1
x
dt
M1
+. . . +b
M1
dx
dt
+b
M
x (2.17)
Haciendo la transformada de Laplace en ambos miembros y aplicando la propiedad de la deriva-
da para condiciones iniciales cero.
_
s
N
+a
1
s
N1
+. . . +a
N1
s +a
N
_
Y (s) =
_
b
0
s
M
+b
1
s
M1
+. . . +b
M1
s +b
M
_
X(s) (2.18)
H(s) =
Y (s)
X(s)
=
_
b
0
s
M
+b
1
s
M1
+. . . +b
M1
s +b
M
_
_
s
N
+a
1
s
N1
+. . . +a
N1
s +a
N
_ (2.19)
2.1.6. Funci on de de Transferencia Discreta
La funcion de transferencia se dene solo para sistemas LTI con condiciones iniciales nulas. Si
la respuesta al impulso es h[n], la respuesta y[n] a una entrada arbitraria x[n] es la convolucion
y[n] = x[n] h[n]. Como la convolucion se transforma en un producto, se tiene:
Y (z) = X(z)H(z)H(z) =
Y (z)
X(z)
(2.20)
Un sistema LTI tambien puede expresarse mediante una ecuacion diferencial:
y[n]+A
1
y[n1]+A
2
y[n2]+. . .+A
N
y[nN] = B
0
x[n]+B
1
x[n1]+B
2
x[n2]+. . .+B
M
x[nM]
(2.21)
Aplicando la Transformada de Z a ambos miembros, tenemos la funcion de Transferencia discreta
del sistema H(z),
H(z) =
1 +A
1
z
1
+A
2
z
2
+. . . +A
N
z
N
B
0
+B
1
z
1
+B
2
z
2
+. . . +B
M
z
M
(2.22)
2.1.7. Filtros Digitales
El termino ltro digital se entiende como cualquier procesamiento realizado en una se nal de
entrada digital. Un ltro digital es la implementacion en hardware o software de una ecuacion
diferencia.
Ventajas de los ltros digitales
Alta inmunidad al ruido
Alta precision (limitada por los errores de redondeo en la aritmetica empleada
Facil modicacion de las caractersticas del ltro
Muy bajo coste (y bajando)
Por estas razones, los ltros digitales estan reemplazando rapidamente a los ltros analogicos.
20
Clasicaci on de los Filtros Digitales
Ecuacion Diferencia Tipo de Filtro
y[n] =

m
B
m
x[n m] FIR(Finite Impulse Response), No Recursivo,
Moving Average (MA) orden M, Todo ceros

k
A
k
y[n k] = x[n] IIR (Innite Impulse Response), Recursivo, Au-
toregresivo(AR) orden N, Todo polos

k
A
k
y[n k] =

m
B
m
x[n m] IIR Recursivo, ARMA(N,M), Polos y Ceros
Dise no de un ltros digitales
El proceso de dise no de un ltro digital requiere tres pasos:
1. Establecer las especicaciones del ltro para unas determinadas prestaciones. Estas especi-
caciones son las mismas que las requeridas por un ltro analogico: frecuencias de parabanda
y pasabanda, atenuaciones, ganancia dc, etc.
2. Determinar la funcion de transferencia que cumpla las especicaciones.
3. Realizar la funcion de transferencia en hardware o software.
21
Captulo 3
Representaci on difusa de la
informaci on en una imagen
3.1. Teora de conjuntos difusos
La teora de conjuntos difusos es una extension de la teora de conjuntos clasica (estricta).
Maneja el concepto de verdad parcial, esto es, valores de verdad entre 1 (totalmente verdadero) y
0 (totalmente falso). Esta teora fue introducida por el profesor Lot A. Zadeh en 1965 como un
medio para modelar la imprecision y ambig uedad en sistemas complejos.
La idea de los sistemas difusos es simple y natural. Por ejemplo, deseamos denir un conjunto de
niveles de gris que distribuya la caracterstica de oscuridad. En teora de conjuntos clasica, tenemos
que determinar un umbral, por ejemplo un nivel de gris con valor de 100. Todos los niveles de gris
entre 0 y 100 son elementos del conjunto, los otros no pertenecen al conjunto (imagen izquierda en
Figura 3.1). Pero la oscuridad es una cuestion de grado. As pues, un conjunto difuso puede modelar
esta propiedad mucho mejor. Para denir este conjunto, tambien se necesitan dos umbrales, por
ejemplo los niveles gris 50 y 150 del rango disponible. Todos los niveles gris que tiene un valor menor
de 50 pertenecen completamente al conjunto, todos los niveles grises que tengan un valor mayor
de 150 no pertenece al conjunto. Sin embargo, los niveles de gris entre 50 y 150 que tienen una
pertenencia parcial al conjunto son parcialmente obscuros (imagen derecha en Figura 3.1) [Tiz97].
Figura 3.1: Representacion de niveles de gris obscuros con un conjunto claro y difuso.
22
As es como la teora de conjuntos difusos emplea el termino de grado de pertenencia para
distinguir los elementos de cada conjunto.
... un objeto ilustrado es un conjunto difuso que se especica por una cierta funci on de perte-
nencia denida en todos los puntos de la ilustraci on. Desde este punto de vista, cada punto de la
imagen toma muchas pertenencias. Algo de esta incertidumbre es debido a la degradaci on, pero algo
de el es inherente... en la terminologa del conjunto difuso, haciendo distinciones de gura/causa
es equivalente a transformar las funciones de pertenencia a funciones de caractersticas. [Pre70].
3.2. Procesamiento difuso de imagenes
El procesamiento difuso de imagenes no es una teora unica. Es una coleccion de diversos acer-
camientos difusos para procesamiento de imagenes. Sin embargo, la siguiente denicion se puede
clasicar como tentativa:
El procesamiento difuso de imagenes es la coleccion de todas las aproximaciones que entiendan,
representen y procesen las imagenes, sus segmentos y caractersticas como conjuntos difusos. La
representacion y el procesamiento dependen de la tecnica difusa seleccionada y del problema que
se solucionara. [Tiz97]
El procesamiento difuso de imagenes tiene tres etapas principales: fuzicacion de la imagen,
modicacion de los valores de pertenencia y en caso de necesidad, defuzicacion de la imagen
(vease Figura 3.2).
Figura 3.2: Estructura general del procesamiento difuso de imagenes
Los pasos para la fuzicacion y la defuzicacion se debe al hecho de que no se tiene hardware
difuso. Por lo tanto, la codicacion de los datos de la imagen (fuzicacion) y el descifrar los resul-
tados (defuzicacion) son los pasos que hacen posible procesar imagenes con tecnicas difusas. La
parte principal del procesamiento difuso de imagenes esta en el paso medio (la modicacion de los
valores de pertenencia, vea la Figura 3.3). Despues de que los datos de la imagen sean transformados
del espacio de niveles de gris al espacio de pertenencias (fuzicacion), las tecnicas difusas apropia-
das modican los valores de pertenencia. Esto puede ser un agrupamiento difuso, un acercamiento
basado en reglas difusas, una aproximacion de integracion difusa, etcetera.
23
Figura 3.3: Estructura general del procesamiento difuso de imagenes
3.2.1. Razones para el procesamiento difuso de imagenes
Muchos investigadores se preguntan porque se deben utilizar tecnicas difusas en el procesamiento
de imagenes. Existen muchas razones por que hacer esto. Las mas importantes de ellas son como
sigue:
Las tecnicas difusas son herramientas de gran alcance para la representacion y procesamiento
del conocimiento
Las tecnicas difusas pueden manejar la imprecision y la ambig uedad ecientemente
En muchas aplicaciones del procesamiento de imagenes se tiene que utilizar el conocimiento de
un experto para solucionar las deciencias (p.e. reconocimiento del objeto, analisis de la escena). La
teora de conjuntos difusos y la logica difusa, ofrecen herramientas de gran alcance para representar
y procesar el conocimiento humano en forma de reglas if-then. Por otro lado, en el procesamiento
de imagenes se presentan muchas dicultades porque los datos, la ejecucion o los resultados son
inciertos. Sin embargo, esta incertidumbre no siempre se debe a la aleatoriedad sino a la ambig uedad
y a la imprecision. Haciendo un lado la aleatoriedad, que se puede manipular por la teora de la
probabilidad, se distinguen tres tipos de imperfecciones en el procesamiento de imagenes (vease
Figura 3.4):
Ambig uedad en la distribucion de los niveles de gris
Geometras difusas o no claras
Conocimiento vago (complejo o mal denido)
24
Estos problemas son difusos por naturaleza. La pregunta de si un pxel debe ser mas oscuro o
mas brillante de su intensidad actual, donde esta el lmite entre dos segmentos de la imagen? y en
un problema de analisis de escenas, donde esta la forma que se parezca a un arbol? Todas estas y
otras preguntas similares son ejemplo de situaciones en las que un conjunto difuso puede ser una
manera mas conveniente de manejar la imperfeccion.
Figura 3.4: Incertidumbre e imperfeccion en el procesamiento de imagenes
Como ejemplo, podemos mirar el color variable como sistema difuso. Puede ser descrito con los
subconjuntos negro, menos negro, gris, menos gris y blanco:
nivel de gris = {negro, menos negro, gris, menos gris, blanco}
Los lmites no claros entre los niveles de gris se pueden representar mucho mejor. Puede llegar
a ser posible un computo ligero (vease Figura 3.5).
Ademas, si el sistema difuso tuviera tantos subconjuntos como niveles de gris tenga una imagen
de entrada, por ejemplo 256, entonces los subconjuntos seran de la forma siguiente:
nivel de gris = {l
0
, l
1
, l
2
, . . . , l
255
}
Por otra parte, se podra tener un solo subconjunto difusos donde unicamente interese conocer
los miembros mas cercanos a dicho subconjunto, esto tal vez sera con la nalidad de organizar los
elementos del sistema que posteriormente sean agrupados con un objetivo o problema especico
que se haya planteado.
Cada uno de los subconjuntos difusos tendra entonces un criterio de valoracion para conocer
cual es el grado de pertenencia que elementos pueden obtener a cada uno de dichos conjuntos.
Para conocer la pertenencia de los elementos del sistema a los subconjuntos difusos, existe una
gran variedad funciones que se pueden emplear para determinado problema. En la Figura 3.6 se
muestran gracamente algunas de las funciones mas conocidas en la logica difusa.
Ademas de las funciones que se muestran en la gura 3.6, se pueden emplear a la vez varias de
estas funciones para poder representar uno o varios conjuntos difusos que permitan tratar un cierto
25
Figura 3.5: Representacion de niveles de gris como subconjuntos difusos
problema. En la Figura 3.7 se presentan algunos ejemplos usando una o varias funciones difusas de
la Figura 3.6.
El optar por una o varias de las funciones difusas, no es algo sencillo, ademas, que depende del
problema que se este tratando. En este trabajo se trataran imagenes con problemas de contraste,
dicho problema, esta dado por la distribucion de los niveles de gris que se tienen en el rango
disponible de la imagen. En el capitulo 5 se explicara como es que se trata este problema con la
ayuda de esta teora para la representacion difusa de la informacion en una imagen.
26
0
1
0 L

0
1
0 L
A
A
A
A
A
A
0
1
0 L

B
B
B
B
B
B
a) b) c)
0
1
0 L

B
B
B
B
B
B
0
1
0 L
0
1
0 L
d) e) f)
0
1
0 L
0
1
0 L
0
1
0 L
g) h) i)
Figura 3.6: Funciones mas conocidas para la representacion de conjuntos difusos
a) b) c)
d) e) f)
Figura 3.7: Utilizacion de una o varias funciones difusas, para representar uno o varios conjuntos
difusos de un cierto problema a tratar
27
Captulo 4
Tecnicas estandar para el realce de
imagenes basadas en el histograma
El procesamiento digital de imagenes, incluye un conjunto de tecnicas que operan sobre la
representacion digital de una imagen, con el proposito de destacar algunos de los elementos que
conforman la escena, de modo que se facilite su posterior analisis, ya sea por parte de un usuario
(humano) o un sistema de vision articial.
En este captulo se describen la tecnica estandar para el realce del contraste de imagenes como
lo son: la ecualizacion, la expansion y la especicacion del histograma, as como sus capacidades
y limitaciones de estas tecnicas. Estas tecnicas sin duda, han sido muy efectivas en su proposito,
ya que son muy facil de implementar ademas del reducido tiempo de procesamiento que necesitan.
No obstante, estas tecnicas se basan en la modicacion del histograma y unicamente pueden mo-
dicar la informacion global. En las siguientes secciones, se describe cada una de las tecnicas, su
funcionamiento y algunas imagenes como resultado de aplicar estas tecnicas.
4.1. Ecualizaci on estandar del histograma de imagenes
En ocasiones muchas imagenes tienen problemas con la distribucion de intensidades. Cuando
una imagen no tiene un distribucion apropiada de los niveles grises, entonces la imagen tiene un
desequilibrio en los niveles del contraste y por consiguiente los efectos visuales que presenta, no
permiten distinguir claramente los rasgos de interes o los detalles mas importantes, cuando se trata
de hacer un analisis de la misma o un procesamiento posterior. Para lograr que una imagen ten-
ga una buena distribucion de intensidades, com unmente se emplea la tecnica de ecualizacion del
histograma y as realzar el contraste que permita detallar los rasgos de la imagen o simplemente
mejorarla.
Como se menciono en el captulo 1, el contraste la variacion o el cambio abrupto de los niveles
de gris, entonces para que no existan dichos cambios o variaciones, la tecnica de ecualizar una
imagen consiste en distribuir las intensidades por todo el rango disponible con la misma frecuencia.
El ecualizado del histograma de una imagen se usa para obtener el aplanado del mismo, o un
histograma lo mas aplanado posible, es decir, para que todos los niveles de gris tengan la misma
frecuencia en la imagen [Wee98]. En la gura 4.1 se muestra gracamente el objetivo de esta tecnica.
En la Figura 4.1.b se observa que en el histograma no se logra aplanar completamente, esto
28
a) b) c)
Figura 4.1: a) Histograma original en el cual se desea ecualizar el rango disponible de niveles de
gris, b) el histograma con la tecnica estandar de ecualizacion del histograma y c) el histograma
buscado con todos los niveles de gris a la misma frecuencia
es porque la tecnica de ecualizado estandar solo emplea la informacion global, esto es, cuando se
intenta cambiar la intensidad x
k
del grupo de pxeles que la tienen, a otra intensidad, por ejemplo
x
L
, cambia todo el conjunto de pxeles y no solo algunos de estos. Ademas, cuando se cambia un
grupo de pxeles a otra intensidad, esta no debe sobrepasar el nivel de frecuencia media f
i
, evitando
que no se realice una distribucion uniforme. Si una frecuencia sobrepasa el valor de f
i
, esta se queda
con la misma frecuencia y cambia a la intensidad que le corresponda. Cuando dos frecuencias se
pueden fusionar sin pasar el valor de f
i
, estas se combinan y tambien cambiaran a la intensidad
que les corresponda. Esto se realiza hasta completar el histograma completo de la imagen y obtener
una distribucion lo mas uniforme posible. (Vease la Figura 4.2).
0 255 0 255
a) b)
0 255 0 255
c) d)
Figura 4.2: Ecualizacion del histograma de las imagenes a) y c); b) y d) son los resultados respectivos
al aplicar esta tecnica
En la Figura 4.2 se muestran las imagenes (a) y (c) con su histograma de bajo contraste y
variado contraste respectivamente, a los cuales se les aplica la ecualizacion del histograma. Las
imagenes (b) y (d) son el resultado de la ecualizacion del histograma de las imagenes (a) y (b)
respectivamente; se puede notar que las frecuencias del histograma en cada imagen resultante, dis-
minuye el rango que abarcan los valles, sin embargo, entre algunas de las frecuencias quedan huecos
debido a que las frecuencias que forman los valles se combinan o cambian su intensidad completa,
sin permitir alterar cada pxel individualmente.
29
La gura 4.1.c es el histograma plano que busca como objetivo esta tecnica. Sin embargo para
poder lograr esto, se tendra que decidir que pxeles de cada conjunto pueden modicar su intensi-
dad y cual sera la intensidad mas adecuada que le correspondera.
4.2. Expansi on estandar del histograma de imagenes
Cuando una imagen no tiene una buena distribucion de las intensidades ocasionado por no usar
todo el rango disponible de niveles de gris, suele emplearse la tecnica de expansion del histograma.
La tecnica se aplica a las imagen con este tipo de problema para aumentar el contraste y llenar
dinamicamente el rango completo de la imagen. La nalidad de esta herramienta es lograr una
distribucion de intensidades en cada uno de los niveles de gris, cubriendo el rango completo como
si se estirara el histograma.

Esta es una tecnica que emplea la informacion global de la imagen y
se usa com unmente para realzar imagenes que tienen un contraste bajo [Wee98].
Una de las desventajas de esta tecnica es que al estirar el histograma o tratar de distribuir las
intensidades por todo el rango disponible, en muchas ocasiones no se logra la distribucion por todos
y cada uno de los niveles de gris. Esto es ocasionado, como se menciono anteriormente, por el uso
exclusivo de la informacion global, y el cambio de intensidades se realiza como en la ecualizacion,
esto es, todos los pxeles de la intensidad x
K
cambiaran a la intensidad x
L
y no algunos de ellos.
En la gura 4.3 se explica de manera graca el objetivo de la tecnica de expansion del histograma.
a) b) c)
Figura 4.3: a) Histograma original el cual no se ocupa todo el rango disponible de niveles de gris,
b) el histograma con la tecnica de expansion del histograma y c) el histograma buscado, usando
todo el rango de niveles de gris
Como se observa en la gura 4.3, el histograma (b) deja espacios o huecos entre algunos de los
niveles de gris y el histograma deseado o el histograma objetivo de esta tecnica se vera como el
histograma (c).
Generalmente al aplicar esta tecnica quedan huecos o niveles de gris vacos por no poder cam-
biar algunos pxeles a la intensidad correspondiente. Sin embargo, esta tecnica trabaja mejor con
imagenes que tienen una distribucion de forma Gaussiana o cercana a la Gaussiana o que tienen
todos los pxeles concentrados en alguna parte del histograma [Jai89, CYP96](Vease la Figura 4.4).
La Figura 4.4 muestra las imagenes (a) y (b) de bajo contraste con su histograma correspon-
diente, a estas imagenes se les aplico la expansion estandar del histograma. Las imagenes (c) y (d)
30
255 0 0 255
a) b)
0 255 0 255
c) d)
Figura 4.4: a) Imagen original de bajo contraste (obscura), b) Imagen original de bajo contraste
(iluminada), c) es la imagen resultante de la expansion estandar a la imagen (a), y c) la imagen
resultante de la expansion estandar a la imagen (b)
son el resultado de aplicar esta tecnica. Se observa que las frecuencias de los histogramas resultantes
ahora abarcan todo el rango de intensidades como si se estirara el histograma, sin embargo, entre
algunas de las frecuencias quedan huecos debido a que se realiza un cambio de intensidades global
y no de cada pxel.
Para evitar que la expansion del histograma de imagenes no deje huecos o niveles de gris vacos,
se debe decidir a que pxeles cambiar su intensidad para que pueden ocupar estos espacios, y al igual
que en la ecualizacion estandar, se tiene que emplear otra metodologa para lograr este objetivo.
4.3. Especicaci on estandar del histograma de imagenes
La especicacion del histograma es una tecnica que transforma el histograma de una imagen,
en base al histograma de otra imagen u otro histograma deseado. Esto es, se escoge un histogra-
ma deseado para que el histograma de una imagen tome su distribucion de intensidades. Esta
transformacion se puede llevar a cabo facilmente dando lugar al uso de un histograma que uno
especique [Wee98]. Con esta tecnica se pretende mejorar el contraste de imagenes que tengan
problemas con la distribucion de intensidades y ajustarlo a un histograma patron.
a) b) c) d)
Figura 4.5: a) Histograma especicado o patron, b) el histograma original, c) el histograma con la
tecnica de especicacion estandar del histograma y d) el histograma esperado lo mas parecido al
patron
31
En la gura 4.6 se muestra un ejemplo de lo que intenta hacer esta tecnica. Sin embargo la
especicacion estandar muchas veces no logra obtener el histograma especicado sobre el histograma
original, esto sucede porque emplea solo la informacion global de la imagen y no la informacion
local referente a cada pxel. Al aplicar esta tecnica, el histograma de la imagen procesada no toma
el aspecto del histograma especicado e incluso puede forzarse a tomar su aspecto, a cambio de la
perdida de contraste y calidad de la imagen.
i) ii) iii)
Figura 4.6: Histograma i) especicado, ii) original y iii) resultante
Se tiene la idea que al aplicar la tecnica de especicacion, la imagen resultante se parezca a la
imagen del histograma que se especico. Si duda esto no es cierto. La imagen resultante solo intenta
tomar la misma distribucion de niveles de gris de la imagen original, esto es, no se intercambian
los pxeles de una imagen por los de la otra; los pxeles conservan su posicion dentro de la imagen
a procesar y unicamente modican la intensidad correspondiente a una distribucion dada.
a) b) c)
Figura 4.7: a) Histograma especicado, b) el histograma original y c) el histograma resultante
Al aplicar la tecnica de especicacion del histograma con las imagenes de la Figura 4.7 y es-
tableciendo el histograma de la imagen 4.7.a como distribucion de intensidades deseada para la
imagen 4.7.b, el resultado se muestra en la imagen 4.7.c. Si se observa detenidamente, la imagen
32
resultante 4.7.c no se parece en nada a la imagen 4.7.a, su escena es la misma que la imagen ori-
ginal de la Figura 4.7.b, si embargo la imagen resultante toma un contraste muy parecido al de la
imagen que se especico. Se ve claramente que los grandes espacios obscuros y blancos de la imagen
4.7.b toman diferentes tonos de grises. La imagen resultante en este caso rescata ciertos rasgos o
partes importantes en la imagen, como por ejemplo, se realzan detalles del cabello, se disminuyen
ciertas partes excesivamente obscuras o blancas. Sin duda la tecnica de especicacion del histogra-
ma, mejora considerablemente los rasgos de la imagen procesada, no obstante el histograma de la
imagen resultante no toma completamente la distribucion deseada.
No en todas las imagenes es posible emplear esta tecnica para mejorar los detalles o rasgos
importantes, todo depende de la distribucion de intensidades que tiene la imagen original y la
distribucion del histograma que se especicara. En la Figura 4.8 se muestra uno de estos casos.
a) b) c)
Figura 4.8: a) Histograma especicado, b) el histograma original y c) el histograma resultante
Es claro que la imagen resultante 4.8.c no logra mejorar su contraste ademas de perder infor-
macion importante de la escena. En el siguiente captulo se presentara el dise no de una tecnica
de especicacion del histograma que considera imagenes como las de la Figura 4.7 y casos difciles
como el de la Figura 4.8.
33
Captulo 5
Realce local del histograma de
imagenes
5.1. Introducci on
El procesamiento previo de imagenes digitales se aplica cuando resulta necesario realzar o mo-
dicar una imagen para mejorar su apariencia o para destacar ciertos aspectos de informacion
contenida en la misma o cuando se requiere medir, contrastar o clasicar alg un elemento contenido
en esta.
Como se describe en el captulo 4, las tecnicas estandar mas empleadas en esta tarea, son:
la ecualizacion, la expansion, y la especicacion del histograma. El principal proposito de estas
tecnicas, es mejorar su contraste, modicando la distribucion de intensidades de la imagen, con la
nalidad de mejorar y destacar los detalles contenidos en esta.
En este captulo se presenta el dise no de la tecnica propuesta para la especicacion local del
histograma. Con esta tecnica se emplean medidas difusas que logren la modicacion de intensidades
de los pxeles. Para la modicacion de las intensidades mediante medidas difusas, se hace uso de
la informacion local para conocer cual sera la intensidad que le corresponde a cada pxel y obtener
as, una distribucion de intensidades que se ajuste a un histograma deseado.
5.2. Especicaci on local del histograma
Para poder aplicar la tecnica estandar de especicacion del histograma, se necesita conocer
el histograma de otra imagen o el histograma deseado a especicar y aplicar la distribucion de
intensidades que esta tecnica usa. Para la tecnica de especicacion local del histograma se requiere
lo siguiente:
El histograma de otra imagen o el histograma deseado a especicar
Obtencion de la informacion local de los pxeles
Obtener el valor de pertenencia mediante una funcion difusa.
Aplicar la distribucion de intensidades de acuerdo al histograma deseado
Antes de iniciar la descripcion de la tecnica de especicacion local del histograma que se propone,
se analizara la tecnica estandar. En la Figura 5.1 se presenta un histograma original y un histograma
34
a especicar, sabiendo que el histograma original debe tomar la distribucion de intensidades que
tiene el histograma especicado. Como se menciono en el capitulo 4, el histograma resultante (Figura
5.1.c) de la tecnica estandar no logra tener una distribucion igual a la del histograma especicado
por el uso de informacion global. Por otra parte el histograma que busca la tecnica de especicacion
del histograma se vera como la Figura 5.1.d.
a) b) c) d)
Figura 5.1: a) Histograma especicado o patron, b) el histograma original, c) el histograma con la
tecnica de especicacion estandar del histograma, y d) el histograma esperado lo mas parecido al
patron
La Figura 5.1.d es el histograma deseado o resultado esperado de la especicacion del histogra-
ma. Para lograr que el histograma tome la distribucion especicada, se tendran que saber para
cada pxel la intensidad optima que le correspondera y entonces poder dividir o separar algunos
pxeles del conjunto global para ir formando el histograma con la distribucion objetivo.
El problema principal consiste en conocer dicha correspondencia de intensidad a cada pxel.
Esta transformacion en la tecnica de especicacion local del histograma, se pretende lograr una
distribucion de las intensidades de un histograma, igual a la distribucion de un histograma especi-
cado. Dicha transformacion se llevara a cabo por medio de una funcion de pertenencia difusa de los
pxeles de la imagen a uno o varios conjuntos difusos. Se ha dicho que la especicacion sera local,
esto es porque se usara informacion de un vecindario local de cada pxel, y conocer entonces la
intensidad que le correspondera al pxel procesado (Vease la Figura 5.2).
Figura 5.2: El problema consiste en la modicacion del las intensidades y como hacer la distribucion
En las siguientes secciones se describiran los detalles para el realce del contraste de imagenes
basado en la especicacion de un histograma. Las nuevas intensidades que seran asignadas a los
pxeles contenidas en la imagen, se daran de acuerdo al valor de pertenencia producido por la
funcion difusa. Se hara el planteamiento de la funcion difusa y la descripcion de los parametros que
emplea.
35
5.3. Funci on de pertenencia
El objetivo de la especicacion del histograma es que una imagen tenga una distribucion especi-
ca de frecuencia de intensidades, esto es, que el histograma de una imagen tenga la forma deseada
para mejorar su contraste.
El problema principal es saber cual sera la nueva intensidad que cada pxel debera tener al
aplicar un histograma deseado. Se sabe que cada pxel cuenta con su intensidad y coordenadas den-
tro de la imagen. Con las coordenadas de cada pxel podemos obtener informacion de su vecindario,
para esto, se necesita denir un n umero de pxeles vecinos. Cada pxel vecino cuenta tambien con
su propio valor de intensidad; con la informacion del vecindario se obtendra la media, el maximo,
el mnimo o la mediana como medida local, para que se mantenga la homogeneidad de la imagen.
Figura 5.3: La modicacion de los pxeles se decidira por medio del grado o valor de pertenencia al
nivel de gris maximo
La informacion local se evaluara en una funcion difusa para conocer la pertenencia que tiene un
pxel en los niveles de gris del rango completo de la imagen. La funcion difusa que se opto para usar
en esta tecnica permite obtener la pertenencia a una intensidad (l
i
) de acuerdo a la informacion
local del pxel. En la ecuacion 5.1 se dene la funcion difusa. Esta funcion difusa toma el aspecto
que se muestra en la gura 5.4.
En una publicacion reciente [WC99], Wang y Chiw proponen una funcion para obtener la
pertenencia del vecindario de un pxel a diferentes conjuntos difusos. La funcion de pertenencia de
la intensidad de un pxel es la siguiente:
m
i
=
1
1 + (
x
i
c
a
)
2b
(5.1)
donde:
x
i
= medida de la vecindad de un pxel
a, b y c Son parametros a obtener con la estimacion de un histograma
5.3.1. Estimaci on del Histograma
Para obtener el histograma estimado o esperado, se recorre la imagen para ver si un pxel
provoca ruido con su vecindad, esto se hace de la siguiente manera:
Establecer W como la ventana de vecindad de 3 3, donde el pxel central es el pxel a
procesar
36
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
@
@I

6
?
@
@R
-
a

b
-

?
c
-
6

a
Figura 5.4: Comportamiento de la funcion difusa
Recorren la ventana W para cada pxel de la imagen original
Si el pxel tiene la maxima intensidad, la mnima, o sale de un cierto umbral, el pxel es-
tara provocando ruido con la vecindad y lo agregan al histograma de ruido Hipm
Despues de obtener el histograma de ruido con todos los pxeles de la imagen, se calculan el
histograma estimado He con la ecuacion 5.2.
He(l) =
H(l) Himp(l)
255

l=0
(H(l) Himp(l))
(5.2)
Para calcular los parametros a, b y c necesarios para la funcion difusa, se calcula la funcion de
densidad potencial pdf, la masa o conglomerado del histograma estimado Mass y los centroides C
como se presenta en [WC99].
5.4. Tecnica para la especicaci on local del histograma con infor-
maci on difusa
Con la funcion propuesta en la ecuacion 5.1 se desarrollo la tecnica de especicacion local del
histograma. Ahora los parametros para la funcion de pertenencia se plantean de otra manera a
continuacion.
5.4.1. Informaci on de histogramas para la funci on de pertenencia
Para la tecnica que se propone, se empleara el histograma de ruido Himp como la diferencia que
existe entre un histograma especicado que se desea aplicar y el histograma de la imagen original.
Esto es, Himp sera el histograma de la diferencia absoluta de frecuencias entre el histograma
deseado HD y el original HO. La ecuacion 5.3 describe obtener Himp (Vease la Figura 5.6)
Himp(l) = |HD(l) HO(l)| (5.3)
La funcion de pertenencia necesita de tres parametros a, b y c. El valor de a se obtendra con
la desviacion estandar de Himp, que representa el contraste que tiene el histograma de diferencias
entre HD y HO. El valor de b se aplicara con valor 1 para cerrar la forma de campana de la funcion
37
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=30
b=1
c=128
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=30
b=15
c=128
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=50
b=3
c=128
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=50
b=3
c=255
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=30
b=1
c=255
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=30
b=15
c=255
Figura 5.5: Variacion de los parametros en la funcion difusa
que se propone y as cambiar el aspecto a una forma gaussiana, esto es con el proposito de obte-
ner los valores de pertenencia de manera mas clara a cierta intensidad l
i
. Por ultimo al valor de c
se le dara el valor maximo de las intensidades l
max
que se establecera como el unico conjunto difuso.
Se avista que existiran tantos conjuntos difusos como niveles de gris tenga el rango de la imagen.
Entonces cada pxel tendra un valor de pertenencia a cada uno de los niveles de gris de la imagen.
Sin embargo se puede hacer una aproximacion solo a un nivel de gris para optimizar el tiempo de
computo. En este caso se emplea el maximo nivel de gris del rango completo de la imagen como
parametro c = l
max
.
La pertenencia de un pxel al conjunto difuso l
max
, se obtendra a partir de la informacion
de su vecindad. En este trabajo se propone como informacion local la media de las intensidades
de los pxeles vecinos, esto para obtener la pertenencia del pxel central a l
max
de acuerdo a las
intensidades de su vecindario. Vea la gura 5.7
5.4.2. Algoritmo para la especicaci on local del histograma
La pertenencia de los pxeles se obtendra unicamente para la maxima intensidad l
max
como se
ve en la gura 5.7.iv, de acuerdo a la funcion de la ecuacion 5.1. Con el valor de pertenencia que
38
Figura 5.6: Histograma de impulso o error, obtenido por la diferencia absoluta entre HD y HO
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=70
b=15
c=255
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=70
b=1
c=128
(i) (ii)
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=70
b=15
c=255
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250
a=70
b=1
c=255
(iii) (iv)
Figura 5.7: Funcion de pertenecia i) con a=70, b=15 y c=128, ii) con a=70, b=1 y c=128, iii) con
a=70, b=15 y c=l
max
, iv) con a=70, b=1 y c=l
max
tiene cada pxel, se ordenaran ascendentemente y as llenar el nuevo histograma.
Por ejemplo, se tiene una imagen original de 215215 (MoNo) pxeles con 256 niveles de gris
l (0, . . . , 255) y un histograma especicado que se aplicara de otra imagen de 250 250 (Md Nd)
y entonces, se obtendran las frecuencias del histograma deseado fhd, entre el histograma deseado
y las dimensiones de las dos imagenes como se muestra en la ecuacion 5.4.
fhd(l) =
HD(l) (Mo No)
Md Nd
(5.4)
Con los pxeles ordenados por pertenencia al nivel de gris (l
max
), se va tomando la frecuencia
fhd(l) calculada, hasta completar el histograma deseado. Vease la gura 5.8.
Si el histograma deseado no pertenece a una imagen, entonces las frecuencias del histograma
39
Figura 5.8: El nuevo histograma sera creado por el corte que especique fhd(i)
deseado fhd, se obtendran con la ecuacion 5.5 de acuerdo al rango especicado de niveles de gris
L en HD.
fhd(l) =
HD(l) (Mo No)
L

i=0
HD(i)
(5.5)
En la gura 5.9 se muestra el diagrama de ujo del algoritmo para llevar a cabo su imple-
mentacion.
40

inicio
HO = Histograma(img)
M = Alto(img)
N = Ancho(img)
Himp(l) = |HD(l) HO(l)|
Hesp(l) =
[HD(l)(MN)]
l
max
i=0
HD(i)
-
B =
l
max
l=0
Himp(l)l
(MN)
C =

1
(MN)
l
max
l=0
Himp(l)1

i=0
(l B)
2
a = C, b = 1, c = l
max
?

P
i
= pixel(x
i
, y
i
, media(vecindad
i
))
?

@
@
@
@

?
sort(P((i)))
(i) =
1
1+(
media(i)c
a
)
2b
-
fhd(k) = 0
?
k = 0 i = 0

Q
Q
Q
Q
Q
Q
Q
Q

-
fhd(k) + +
k l
max
I(P
i
) = k
?

Q
Q
Q
Q
Q
Q
Q
Q

fhd(k) Hesp(k)
?

i + +
No

S
k + +

No
6 S

n
Figura 5.9: Diagrama de ujo de la tecnica de especicacion local del histograma
41
5.5. Resultados
En esta seccion, se muestran algunas imagenes a las que se les aplico la tecnica de especicacion
del histograma. Cada una de las pruebas, presenta la imagen del histograma a especicar, la imagen
original e histograma a modicar, la imagen e histograma con la especicacion estandar y con la
tecnica propuesta. Ademas, a cada imagen se le aplico una segmentacion para identicar si existe
alguna mejora, entre la tecnica de especicacion estandar y la tecnica local.
42
a)
b)
c)
d)
Figura 5.10: a) Imagen del histograma a especicar, b) imagen original e histograma a modicar,
c) imagen e histograma con la especicacion estandar y d) la imagen resultante con la tecnica de
especicacion local
En la Figura 5.10 se muestra una de las fotografas mas utilizadas en el procesamiento de imagenes.
Esta imagen fue tomada por fotografos profesionales de una empresa muy conocida a una modelo
de nombre Lena por los a nos 60s para poder utilizarla en el area de procesamiento de imagenes.
La imagen de Lena (Figura 5.10.a) es interesante por su excelente equilibrio de contraste y brillo.
Ahora con esta imagen, se especicara su histograma a otra imagen para que esta ultima tome la
distribucion de niveles de gris de la imagen de Lena.
En la Figura 5.10.b se presenta una imagen del rostro de una mujer a la cual se le especicara el
histograma de la imagen 5.10.a para que tome su distribucion de niveles de gris. En la Figura 5.10.c
muestra el resultado con la tecnica de especicacion estandar y en la Figura 5.10.d se presenta el
resultado con la tecnica de especicacion local. Comparando los resultados de las imagenes 5.10.c
y 5.10.d, se nota un leve cambio entre las dos imagenes, el cambio unicamente se nota en los
histogramas, la imagen 5.10.c no logra aplicar la distribucion a la especicada, mientras que la
imagen 5.10.d tiene la misma distribucion del histograma dado. Al segmentar estas imagenes no se
ve un cambio substancial. En las siguientes imagenes se presentan resultados diferentes.
43
a)
b)
c)
d)
Figura 5.11: a) Imagen y el histograma a especicar, b) imagen original (rayos-X mano) su histogra-
ma, c) Imagen resultante con el la especicacion estandar y d) Imagen resultado de la especicacion
local del histograma
En la Figura 5.11 se presenta una imagen de una mano obtenida con rayos-X. La distribucion
de niveles de gris del histograma de la imagen 5.11.a se le especico al histograma de la imagen
5.11.b y los resultados se presentan en las imagenes 5.11.c y 5.11.d al aplicar la especicacion
estandar y local respectivamente. A diferencia de la prueba con rostros, aqu se observa un cambio
bastante interesante, se nota que en la imagen 5.11.c, como resultado de especicacion estandar, no
se logro aplicar la distribucion deseada, perdiendo totalmente los rasgos importantes de la imagen,
por otra parte el histograma de la imagen 5.11.d tiene la misma distribucion especicada y el
aspecto de la imagen se aproxima considerablemente a la imagen 5.11.a.
44
No siempre se lograran mejoras visibles para ojo humano. Al aplicar una distribucion deseada de
niveles de gris, se requiere que la imagen a especicar sea del mismo dominio o area de la que se
modicara. Cuando se adquieren imagenes medicas como los rayos-X, las tomografas o ultrasonidos,
estas generalmente tienen partes completamente negras y en este caso si se desea aplicar la tecnica
de especicacion, se necesitara una imagen con una buena distribucion de niveles de gris en area
de interes y en las partes obscuras, para que se mantengan y se mejoren los rasgos de la imagen a
modicar.
a)
b)
c)
d)
Figura 5.12: a) Imagen y el histograma a especicar, b) imagen original (rayos-X mano) su histogra-
ma, c) Imagen resultante con el la especicacion estandar y d) Imagen resultado de la especicacion
local del histograma
Las imagenes de la Figura 5.12 presentan resultados muy parecidos a los de la Figura 5.11.
45
a)
b)
c)
d)
Figura 5.13: a) Histograma a especicar, b) imagen original (intestinos) su histograma, c) Imagen
resultante con el la especicacion estandar y d) Imagen resultado de la especicacion local del
histograma
En la Figura 5.13 se presenta un histograma con una distribucion de niveles de gris que se desea
especicar al histograma de la imagen 5.13.b. Las imagenes 5.13.c y 5.13.d presentan los resultados
al aplicar la especicacion estandar y local respectivamente. En las pruebas anteriores se aplico la
distribucion del histograma de una imagen, ahora solo se tiene la distribucion en un histograma
deseado. Si se observan los resultados, en la imagen 5.13.c despues de aplicar la especicacion
estandar, se pierden algunas partes importantes de la imagen y la distribucion deseada no se logra.
El histograma de la imagen 5.13.d tiene la misma distribucion que el histograma especicado y el
aspecto de la imagen se mejora considerablemente.
46
a)
b)
c)
d)
Figura 5.14: a) Histograma a especicar, b) imagen original (intestinos) su histograma, c) Imagen
resultante con el la especicacion estandar y d) Imagen resultado de la especicacion local del
histograma
Las imagenes de la Figura 5.14 presentan resultados muy parecidos a los de la Figura 5.13.
47
a) b)
Figura 5.15: a) Imagen y el histograma a especicar, b) imagen original (intestinos) su histograma,
c) Imagen resultante con el la especicacion estandar y d) Imagen resultado de la especicacion
local del histograma
Con la tecnica de especicacion local del histograma se puede aplicar cualquier distribucion que
se desee, ya sea por medio de la distribucion de intensidades de una imagen o alguna otra que se
proponga. No obstante, todo depende de la relacion entre distribucion de niveles de gris que se
desea y la imagen a procesar.
48
5.6. Tecnica de ecualizaci on local del histograma mediante la es-
pecicaci on
En la seccion anterior se menciono que con la tecnica de especicacion del histograma se puede
aplicar cualquier distribucion especica deseada. Entonces recordando que la tecnica de ecualizacion
del histograma requiere un histograma igualmente distribuido, o como se dijo en el captulo 4 un
histograma aplanado, se pretende especicar una distribucion de acuerdo a la ecuacion 5.6 y
lograr entonces un histograma completamente plano.
fhe =
(Mo No)
L
(5.6)
donde fhe es la frecuencia del histograma ecualizado para todos los nivel de gris, Mo y No son el
alto y ancho de las dimensiones de la imagen original a procesar respectivamente y L es el valor
maximo del rango disponible de los niveles de gris de la imagen.
Ahora como en el algoritmo de la especicacion del histograma, con los pxeles ordenados por
pertenencia al nivel de gris (l
max
), se va tomando el corte de frecuencia fhe calculada, hasta com-
pletar el histograma deseado. El resultado de la ecualizacion con esta tecnica es que el histograma
de la imagen procesada tendra realmente una distribucion uniforme y su apariencia es realmente
plano. En la Figura 5.16 se muestran algunas pruebas con esta idea.
a)
b)
c)
Figura 5.16: a) Imagen original (intestinos) e histograma, b) Imagen resultante con el la ecualizacion
del histograma estandar y c) Imagen resultado de la ecualizacion local del histograma
En los resultados de la Figura 5.16 se aplico un clasicador basico de regiones, en lugar de usar
una segmentacion, esto con el motivo de presentar cual sera la nalidad de la ecualizacion local del
49
histograma. Con esta parte de ecualizado de imagenes mediante la tecnica de especicacion local
del histograma, se logra as un considerable uso de estas tecnicas.
50
Captulo 6
Conclusiones
En los captulos de este trabajo se llevo a cabo un analisis de la metodologa y las tecnicas
que se emplean en el pre-procesamiento y procesamiento de imagenes digitales, la informacion que
contienen, y como usar y optimizar dicha informacion. Se presentaron ciertos fundamento basicos
necesarios para dar una idea general del area de procesamiento digital de imagenes y dar las bases
para el planteamiento de una nueva tecnica. Se presento la teora difusa que maneja la ambig uedad
en la informacion, y como se emplea en las imagenes digitales. Por ultimo se planteo el dise no de
la tecnica de especicacion local del histograma y algunos resultados comparados con las tecnicas
actuales.
De los resultados obtenidos con la tecnica desarrollada comparada con las tecnicas actuales
podemos mencionar lo siguiente:
Maneja la informacion ambig ua en las imagenes
Mejoramiento de imagenes no posibles en las tecnicas estandar
Posibilidad de mejorar la imagen al deseo del observador
...
...
... ... ...
... ... ...
Trabajos futuros
Otros trabajos
51
Bibliografa
[CYP96] Chi, Yan, and Pham. Fuzzy Algorithms: Whit Applications to Image Processing and
Pattern Recognition. World Scientic, 1996.
[Jai89] Anil K. Jain. Fundamentals of digital image processing. Information and system science
series. Prentice Hall, 1989.
[Pre70] J.M.B. Prewitt. Prewitt. Prewitt, 1970.
[Tiz97] Tizhoosh. Fuzzy Image Processing. Springer, 1997.
[WC99] Jung Hua WANG and Hsien Chu CHIU. HAF: An adaptative fuzzy lter for restoring
highly corrupted images by histogram estimation. R.O.C., 1999.
[Wee98] Jr. Arthur R. Weeks. Fundamentals of electronic image processing. Series on imaging
science and enginering. SPIE/IEEE, 1998.
52