Curso de

Procesamiento Digital de Imgenes

Impartido por: Elena Martnez
Departamento de Ciencias de la Computacin
IIMAS, UNAM, cubculo 408
http://turing.iimas.unam.mx/~elena/Teaching/PDI-Mast.html

elena.martinez@iimas.unam.mx

Programa del Curso

1.
2.
3.
4.

Introduccin.
Fundamentos de la imagen digital.
Realce de la imagen en el dominio espacial.
Realce de la imagen en el dominio de la
frecuencia.
5. Restauracin de la imagen.
6. Representacin del color.
7. Compresin de imgenes.

3. Relace de la imagen en el
dominio espacial
a) Antecedentes.
b) Algunas transformaciones bsicas de niveles
de gris.
c) Procesamiento del histograma.
d) Realce de la imagen utilizando operaciones
artmticas/lgicas.
e) Filtros espaciales bsicos.
f) Filtros espaciales de suavizamiento (smooth).
g) Filtros espaciales de realce (sharp).

Uso de la estadstica del

histograma para realce
En lugar de utilizar al histograma directamente para el
realce, podemos hacer uso de algunos parmetros
estadsticos obtenidos directamente del histograma.
Sea r una variable aleratoria discreta que representa los
niveles de gris en el rango [0, L-1], y sea p(ri) el componente
i correspondiente al i-simo valor de r del histograma
normalizado. El n-simo momento de r alrededor de la media
est definido como:
L 1
donde m es el valor medio de r
n
n (r ) (ri m) p (ri )
(su valor promedio de gris).
i 0

Uso de la estadstica del

histograma para realce
La media m est definida como:
L 1

m ri p (ri )
i 0

De las dos expresiones anteriores se tiene que 0=1 y

1=0. El segundo momento se define como:
L 1

2 (ri m) 2 p (ri )
i 0

Esta expresin es la varianza de r, que se denota como 2(r).

La desviacin estndar es la raz cuadrada de la varianza.

Uso de la estadstica del

histograma para realce
En trminos de realce, estamos interesados principalmente en
la media, que es una medida del promedio del nivel de gris en una
imagen, y en la varianza (o desviacin estndar) que es una
medida promedio del contraste.
Consideraremos dos usos de la media y la varainza para el
realce: la media y varianza globales que se miden sobre la imagen
entera y se usan para un ajuste grueso de toda la intensidad y el
contraste. Un uso ms poderoso de estas dos herramientas es para
el realce local, donde se utilizan como la base para hacer cambios
que dependen de caractersticas de una region predeterminada de
cada pixel de la imagen.

Uso de la estadstica del

histograma para realce
Sea (x,y) las coordenadas de un pixel en una imagen, y sea
Sxy una vecindad (subimagen) de tamao especfico centrada
en (x,y). La media y la varianza de la region Sxy estn dadas
por:
mS xy rs ,t p(rs ,t )
( s ,t )S xy

S2
xy

2
[
r

m
]
s,t S xy p(rs,t )

( s ,t )S xy

donde rs,t es el nivel de gris en las coordenadas (s,t) de la

vecindad, y p(rs,t) es el componente del histograma
normalizado de la vecindad correspondiente al nivel de gris.

Uso de la estadstica del

histograma para realce
Imagen de microscopa electrnica (SEM) de un filamento
de tungsteno enrollado alrededor de un soporte. Observe en
el lado derecho de la imagen como existe otro pedazo de
filamento ms oscuro.

Uso de la estadstica del

histograma para realce
El mtodo de realce es como sigue: Sea f(x,y) el valor de
un pixel de una imagen en cualquier coordenada (x,y), y sea
g(x,y) el valor del pixel realzado correspondiente en esa
misma coordenada. Entonces:
E f ( x, y ) si mS xy k0 M G y k1 DG S xy k 2 DG
g ( x, y )
de otra manera
f ( x, y )

donde E, k0, k1, k2 son constantes positivas; k1 < k2 ; MG es la

media global de la imagen de entrada y DG es la desviacin
estndar global.

Uso de la estadstica del

histograma para realce
Hacer una seleccin adecuada de los parmetros E, k0, k1, k2
requiere de un poco de experimentacin para ganar familiaridad
con la imagen dada. En este caso los valores se seleccionaron:
E=4.0, k0=0.4, k1=0.02, k2=0.4 .
E se eligi bajo de manera que al ser multiplicado por los
niveles a ser realzados (oscuros) el resultado siguiera
relativamente oscuro y as preservar el balance visual general. k0
se eligi como a la mitad de la media global ya que es obvio al
observar la imagen que las reas que requieren realce
definitivamente estn por debajo de la media global. Un anlisis
similar fue hecho para k1 y k2. Finalmente la vecindad se eligi
pequea para preservar el detalle, de 3x3 pixeles.

Uso de la estadstica del

histograma para realce

(a) Imagen formada por las medias locales.

(b) Imagen formada por las desviaciones estandar locales.
(c) Imagen formada por todas las multiplicaciones de constantes
utilizadas en el realce (valores 1=oscuro y E=claro).

Uso de la estadstica del

histograma para realce
Imagen resultado
del realce. Se
pueden observar
algunos artefactos
entre el borde del
filamento y el
fondo producidos
por esta tcnica.

3. Relace de la imagen en el
dominio espacial
a) Antecedentes.
b) Algunas transformaciones bsicas de niveles
de gris.
c) Procesamiento del histograma.
d) Realce de la imagen utilizando operaciones
artmticas/lgicas.
e) Filtros espaciales bsicos.
f) Filtros espaciales de suavizamiento (smooth).
g) Filtros espaciales de realce (sharp).

Realce utilizando operaciones

aritmticas/lgicas
Las operaciones aritmticas/lgicas entre imgenes se
realizan pixel a pixel (a excepcin de la operacin lgica
NOT que se realiza en una sla imagen).
Slo tenemos que preocuparnos de implementar las
operaciones lgicas AND, OR y NOT porque stas son
operadores funcionalmente completos, es decir, que cualquier
otra operacin lgica puede implementarse utilizando
cualquiera de estas tres operaciones bsicas.

Realce utilizando operaciones

aritmticas/lgicas
Por ejemplo, realizar una operacin NOT en un pixel
negro de 8-bits (una cadena de 8 ceros) produce un pixel
blanco (una cadena de 8 unos). Los valores intermedios se
procesan de la misma manera cambiando 1s por 0s y
viceversa. Es equivalente a una transformacin negativa.
Las operacionas AND y OR se utilizan para hacer
mscaras y extraer as regiones de inters (RIO). Las
operaciones lgicas tambin se utilizan con frecuencia en
conjunto con las operaciones morfolgicas (morfologa
matemtica).

Realce utilizando operaciones

aritmticas/lgicas

Realce utilizando operaciones

aritmticas/lgicas
De las cuatro operaciones aritmticas, la substraccin y la
adicin (en ese orden) son las ms utilizadas para el realce
de la imagen.
Se considera la divisin de dos imgenes como la
multiplicacin de una imagen por el recproco de la otra. La
multiplicacin de una imagen por una constante se utiliza
para incrementar su nivel de gris promedio, pero adems, la
multiplicacin se puede utilizar para el realce de imgenes
como una operacin de mscara, similar que las anteriores
pero en imgenes de niveles de gris en lugar de binarias.

Substraccin de imgenes
La diferencia entre dos imgenes f(x,y) y h(x,y) se expresa
de la forma:

g ( x, y ) f ( x, y ) h ( x, y )
Se obtiene calculando la diferencia entre pares de pixeles
correspondientes de f y h . La clave de la substraccin es
resaltar la diferencia entre imgenes.

Substraccin de imgenes
A. Imagen original
del fractal.
B. Resultado de
poner los 4 bits
menos
significativos en 0.
C. La diferencia
entre A-B. Casi
ceros.
D. La imagen C
ecualizada.

Substraccin de imgenes
Otro ejemplo se tiene en el rea mdica con las llamadas
radiografas en modo mscara. Se obtiene una imagen de
rayos X de la regin de inters de un paciente la cual se
captura con una cmara de televisin (en lugar de una
pelcula fotogrfica), a esta imagen, h(x,y) , se le llama
mscara. Se le inyecta al sujeto un medio de contraste en el
torrente sanguneo, y se toman imgenes (f(x,y)) en la misma
region anatmica que h(x,y) y se substrae esta mscara de la
serie de imgenes tomadas despus de inyectar el contraste.
El efecto neto es el realce de detalles.

Substraccin de imgenes

Tomadas desde la parte de arriba de la cabeza del sujeto, el

punto brillante en la parte inferior de la imagen de la
izquierda corresponde a la parte alta de la cuerda espinal.

Substraccin de imgenes
Algunas notas de implementacin: la mayora de las imgenes
con las que trabajamos se despliegan utilizando 8 bits, por lo que
esperamos tener valores en el rango de 0 a 255. Los valores
obtenidos de la diferencia de imgenes pueden variar de 255 a
255, por lo cual tenemos que reescalar estos valores para que
puedan ser desplegados. Existen dos posibles formas: 1) a cada
pixel de la imagen resultado se le suma 255 y se divide entre 2,
esto no garantiza que se cubrir todo el rango dinmico posible.
2) Un mtodo ms preciso, se busca el valor mnimo de la
diferencia y su valor negativo se suma a todos los pixeles
resultado de la diferencia, luego todos los pixeles se rescalan al
intervalo [0,255] multiplicando cada pixel por 255/Max donde
Max= al valor mximo de la diferencia modificada.

Promedio de imgenes
Considere una imagen ruidosa g(x,y) formada por la suma
de ruido (x,y) a una imagen f(x,y), esto es:

g ( x, y ) f ( x, y ) ( x, y )
donde asumimos que para cada par de coordenadas (x,y) el
ruido est decorrelacionado y tiene un valor promedio igual a
cero. (Recuerde que la varianza de una variable aleatoria x con media m se define como
E[(x-m)2], donde E[] es la esperanza del argumento. La covarianza de dos variables aleatorias
xi y xj se define como E[(xi-m)(xj-m)]. Si las variables estn decorelacionadas, su covarianza es

El objetivo es reducir el contenido del ruido sumando un

conjunto de imgenes ruidosas {gi(x,y)}.
0).

Promedio de imgenes
El promedio de M imgenes ruidosas se define entonces
como:
M

1
g ( x, y )
M

g ( x, y )
i 1

Mientras M se incrementa la variabilidad (ruido) del valor de

un piexel en una posicin (x,y) decrementa. Esto significa
que g ( x, y ) se aproxima ms a f(x,y) si el nmero de
imgenes ruidosas incrementa. En la prctica las imgenes
gi(x,y) deben estar alineadas para evitar la introduccin de
emborronamiento u otros artefactos en la imagen de salida.

Promedio de imgenes
Una aplicacin muy importante del promedio de imgenes
es en el rea de astronoma, donde la toma de imgenes con
niveles de luz bajo es rutinario, causando que el ruido del
sensor despliegue imgenes que son virtualmente intiles
para su anlisis.
La siguiente figura muestra una imagen de la galaxia par
llamada NGC 3314, tomada por el Telescopio Espacial
Hubble de la NASA.

Promedio de imgenes
A. Imagen de la galaxia NGC 3314.
B. Imagen A corrupta con ruido
Gaussiano decorrelacionado con
media 0 y desviacin estndar de
64 niveles de gris. Se puede
apreciar que es inutilizable!
C-F. Imgenes promediadas con 8,
16, 64 y 128 imgenes, resp. Se
puede apreciar que cuando M=128
la imagen resultado es muy cercana
en apariencia a la imagen en A.

Promedio de imgenes
A. Primera columna muestra las
diferencias de la imagen A-C,
A-D, A-E y A-F, resp (fig. ante.)
B. La segunda columna muestra
el respectivo histograma de las
diferencias.
Nota. La media y la desviacin
estndar de los histogramas
decrece conforme M se
incrementa. Podemos ver tambin
el efecto del decremento de la
media de las imgenes ya que se
vuelven ms oscuras conforme M
se incrementa.

3. Relace de la imagen en el
dominio espacial
a) Antecedentes.
b) Algunas transformaciones bsicas de niveles
de gris.
c) Procesamiento del histograma.
d) Realce de la imagen utilizando operaciones
artmticas/lgicas.
e) Filtros espaciales bsicos.
f) Filtros espaciales de suavizamiento (smooth).
g) Filtros espaciales de realce (sharp).

Filtros espaciales bsicos

Como hemos mencionado anteriomente algunas
operaciones de vecindad operan con los valores de los
pixeles de la imagen de la vecindad y los correspondientes
valores de una subimagen, la cual tiene las mismas
dimensiones que la vecindad.
A las subimgenes se les llama filtro, mscara, kernel,
template o ventana, donde los tres primeros nombres son los
ms comunes. Los valores en una subimagen filtro se
refieren como coeficientes, en lugar de pixeles.

Filtros espaciales bsicos

El concepto de filtrado tiene sus raices en el uso de la
transformada de Fourier para el procesamiento de seales,
tambin llamado dominio de la frecuencia, que veremos en
el siguiente captulo. En esta seccin discutiremos
operaciones de filtrado que se realizan directamente en los
pixeles de la imagen. Se utiliza el trmino filtro espacial para
referirnos a este tipo de procesos.

Filtros espaciales bsicos

Los filtros pasa-bajos eliminan o atenan los componentes de
altas frecuencias en el dominio de la frecuencia (detalles
marcados o finos de la imagen), y resultan en imgenes borrosas.
Los filtros pasa-altos eliminan o atenan los componentes de
bajas frecuencias, resultando en el realce de los bordes y otros
detalles marcados o finos.
Los filtros pasa-banda remueven una fraccin de frecuencias
seleccionada entre frecuencias bajas y altas (se utiliza
normalmente para restauracin de imgenes, no para realce).

Filtros espaciales bsicos

El proceso de filtrado espacial consiste en mover el filtro
punto a punto sobre la imagen. En cada punto (x,y), la
respuesta del filtro en ese punto se calcula utilizando una
relacin predefinida.
Para filtrado espacial lineal, la respuesta est dada por la
suma de los productos de los coeficientes del filtro y los
correspondientes pixeles de la imagen en el rea que abarca
la vecindad.

Filtros espaciales bsicos

Para una mscara de tamao 3 x 3, el resultado (respuesta),
R, del filtro lineal con el filtro en el punto (x,y) de la imagen
es:
R = w(-1,-1) f(x-1,y-1) + w(-1,0) f(x-1,y) + ...
+ w(0,0) f(x,y) + ... + w(1,0) f(x+1,y) + w(1,1) f(x+1,y+1)
que es la suma de los productos de los coeficientes del filtro
con los pixeles correspondientes de la imagen que estn
directamente bajo la mscara (correspondientes posiciones
x,y).

Filtros espaciales bsicos

Note que el
coeficiente w(0,0)
coincide con el valor
f(x,y), indicando que la
mscara est centrada
en (x,y) cuando se
lleva a cabo la
sumatoria de los
productos.

Filtros espaciales bsicos

Para una mscara de tamao m x n , asumimos que m=2a+1 y
n=2b+1, donde a y b son enteros no negativos. Esto es para
asegurarnos que la mscara tendr tamao impar.
En general, el filtrado lineal de una imagen f de tamao M x N
con un filtro de tamao m x n est dado por:

g ( x, y )

w(s, t ) f ( x s, y t )

s at b

donde a=(m-1)/2 y b=(n-1)/2. Para generar una imagen filtrada

completa, la ecuacin debe aplicarse para x= 0, 1, 2, ..., M-1 y
y= 0, 1, 2, ..., N-1.

Filtros espaciales bsicos

El proceso de filtrado espacial definido anteriormente, cuya
definicion es similar en el dominio de la frecuencia, es un
concepto que se conoce como convolucin. Por esta razn el
filtrado espacial se refiere como convolucionar una imagen
con una mscara. De manera simlar algunas mscaras se
llaman mscara de convolucin o kernel de
convolucin.

Filtros espaciales bsicos

El filtrado espacial no lineal tambin opera en una
vecindad de manera similar a la descrita anteriormente, pero
no utiliza explcitamente coeficientes a manera de suma de
productos. Por ejemplo, la reduccin de ruido se puede
conseguir utilizando un filtro no lineal cuya funcin bsica
sea calcular la mediana de los niveles de gris en la vecindad
en donde el filtro est posicionado. El clculo de la mediana
es una operacin no lineal, as como el clculo de la varianza
como los ejemplos mostrados en secciones anteriores.

Filtros espaciales bsicos

Una cosideracin importante al implementar operaciones de
vencindades es el hecho de qu hace cuando el centro del filtro se
aproxima al borde de la imagen?
Existen varias soluciones al respecto:
* Limitar la ejecucin del filtro a que su centro est a una distancia de
(n-1)/2 del borde. El resultado ser una imagen ms pequea que la
original.
* Ejecutar el filtro con todos los pixeles slo con las secciones de la
mscara que caigan dentro de la imagen. El resultado ser una imagen
del mismo tamao pero el resultado tendr pixeles procesados con slo
una parte de la mscara.
* Aadir las columnas y renglones necesarios con ceros para cubrir el
tamao total de la imagen con el filtro (padding). El resultado tendr el
problema que el anterior de tener resultados de filtro utilizando ceros.

Instituto de Investigaciones en
Matemticas Aplicadas y en Sistemas
(IIMAS)
http://turing.iimas.unam.mx/~elena/Teaching/PDI-Mast.html