Álgebra lineal y procesamiento de imágenes

Mohamed Allali *
Matemáticas y Ciencias de la Computación, Universidad de Chapman,
545W. Palma, Orange, CA, EE.UU.
(Recibido el 8 de octubre de 2009)

Usamos la tecnología de computación de procesamiento de imagen digital (DIP) para

mejorar la enseñanza de álgebra lineal a fin de hacer el curso más visual e interesante.
Ciertamente, este enfoque visual mediante el uso de la tecnología para vincular álgebra
lineal a DIP es interesante e inesperado para los estudiantes, así como muchos
profesores.
Palabras clave: álgebra lineal; tratamiento de la imagen digital; matrices; imágenes.

1. Introducción

Álgebra lineal es considerado uno de los temas más importantes y populares en la

matemática de pregrado currículo [1,2]. Recientemente, los textos de álgebra lineal
introductorios han llegado a incluir un predecible conjunto estándar de los problemas de
ilustraciones, un canon. Procesamiento de imágenes digitales (DIP), una herramienta
pedagógica interesante, se introduce para aumentar y enriquecer el lineal existente curso
de álgebra. DIP anima a los estudiantes a profundizar su comprensión de los conceptos
del álgebra lineal utilizando ejercicios que son completamente diferentes a cualquier cosa
que verían en un libro de texto de álgebra lineal estándar. Este enfoque es atractivo para
muchos estudiantes que luchan con una definición a prueba / formato tradicional. El DIP
incluye un uso apropiado de la tecnología en el álgebra lineal y proporciona un
componente visual para el curso de álgebra lineal de segundo año / nivel junior. Ayuda a
Desarrollar la comprensión visual e intuitiva de los estudiantes de los conceptos con los
que en general, la lucha en el curso de un semestre. Además, aumenta la participación en
la investigación a nivel licenciatura en matemáticas, proporcionando una fuente de
proyectos de investigación interesantes y accesibles y alienta el estudio de postgrado en
matemáticas, estimulando el interés por las matemáticas aplicadas. Un problema
importante en la educación superior es que los estudiantes de ciencias a menudo pierden
interés en matemáticas durante su primer año de universidad. Sin embargo, cuando nos
exponemos matemáticas, los estudiantes de ciencias o ingeniería a DIP, aprecian
enormemente la belleza de álgebra lineal. De manipulación de imágenes es atractivo y
divertido, y conduce a la exploración creativa y significativa del contenido de la imagen, y
la apreciación de las matemáticas integradas en el proceso en muchos niveles [3]. DIP es
una interesante herramienta para ser incorporado en un curso de álgebra lineal, porque
las imágenes digitales son muy efectivas en la comunicación humana y, cuando se
procesa bajo el control de estudiantes y profesores, que ponen ideas matemáticas en una
nueva luz de excitación. Este enfoque va a estimular el interés en la enseñanza del
álgebra lineal a través de la imagen ejercicios de procesamiento [4,5]. También es un
esfuerzo para proporcionar a los estudiantes las habilidades directamente pertinentes a
las necesidades cambiantes de la industria y el mercado. Enfatiza usos prácticos de
matemáticas y empodera a los estudiantes interesantes, de la vida real aplicaciones de
los conceptos de álgebra lineal.
2. ¿Cuál es la conexión entre el DIP y el álgebra lineal?
Mientras álgebra lineal es el estudio de los espacios vectoriales y matrices que actúan
sobre ellos como operadores lineales, DIP es el estudio de cómo procesar las imágenes o
películas digitales. ¿Qué son las principales conexiones entre las dos disciplinas?
Una imagen puede ser definida como una función de dos dimensiones, f(x,y), donde x e y
son (plano) las coordenadas espaciales, y la amplitud de f en cualquier par de
coordenadas (x,y) se llama la intensidad o nivel de gris de la imagen en ese punto.
Cuando X, Y y los valores de amplitud de f son todos, cantidades discretas finitas,
llamamos a la imagen de una cámara digital imagen [6].

Cuando se almacena digitalmente, un mxn imagen puede ser considerado como una
matriz:

donde cada elemento de la matriz la matriz se llama un elemento de imagen o píxel.

Una imagen en blanco y negro, cuando se almacena digitalmente, puede ser considerada
como una matriz con las entradas (o valores de píxeles) que representa la intensidad;
imágenes en color añaden complejidad, ya que la intensidad de cada uno de los tres
colores se debe almacenar. Procesamiento de una imagen o una película (secuencia de
imágenes) es equivalente a operar matemáticamente en las matrices. Cada píxel está
representado por un número binario para imágenes en blanco y negro, un número que va
de 0 a 255 para imágenes de nivel de gris o tres números (rojo-verde-azul) para imágenes
en color.
Cada píxel se permite un número, L, de niveles de gris discretas. Sin embargo, debido a
consideraciones de procesamiento, almacenamiento y hardware de muestreo, el número
de niveles de gris típicamente es una potencia entera de 2:

El número, b, de bits necesarios para almacenar una imagen digitalizada es

Cuando una imagen puede tener 2k niveles de gris, es una práctica común referirse a la
imagen como una 'imagen k bits'. Por ejemplo, una imagen con 256 posibles valores de
nivel de gris es llama una imagen de 8 bits.
La caja pequeña se muestra en la Figura 1 es equivalente a la siguiente matriz:
Todas las formas estándar para manipular imágenes (aumento del contraste,
aligeramiento, oscureciendo, análisis de histograma, decoloración, deformación, etc.) se
puede realizar mediante la aplicación de operaciones matemáticas a la matriz asociada
con la imagen.
Dado que los resultados de este tipo de operaciones son inherentemente visuales, los
estudiantes son guiados por visualizaciones de cada vez más sofisticados, desarrollando
así la importante resolución de problemas habilidades para la comprensión de los
conceptos matemáticos y la teoría. Lo natural conexión entre el álgebra lineal y DIP, con
el apoyo de herramientas de la moderna Tecnología DIP, necesita ser explotado de
manera más eficiente en un lineal elemental curso de álgebra. Los estudiantes están
intrigados por el estiramiento, rotación o voltear imágenes y proceder de forma natural
para el estudio de la mejora de contraste, la detección de imágenes en los datos
corrompida por ruido, extracción de características, de detección de bordes y detecnicas
de compresión, y todos estos temas se estudian con provecho utilizando conceptos de
lineal álgebra.

3. Ejemplos básicos

Ejemplo 1: Uno de los primeros conceptos que los estudiantes se exponen a un álgebra
lineal por supuesto es la multiplicación escalar.

Figura 1. Una imagen digital en escala de grises es una matriz.

Definición: Si 𝐴 = [𝑎𝑖𝑗 ] es un mxn de la matriz y c es un escalar, entonces el múltiplo

escalar de A por c es la mxn matriz dada por 𝑐𝐴 = [𝑐𝑎𝑖𝑗 ].

Mediante el uso de la matriz multiplicación escalar podemos cambiar la intensidad del

original imagen. Elegimos 𝑐 = 1⁄2 y 𝑐 = 3⁄2 para obtener una versión más oscura y más
brillante, respectivamente. Las imágenes originales y los nuevos se muestran en la Figura
2.
Ejemplo 2: Para familiarizarse con la notación sigma utiliza mucho en álgebra lineal Por
supuesto, se introduce la "densidad óptica promedio 'de una imagen. El medio óptico
densidad (AOD) de una imagen A se define como

que es la intensidad media de los píxeles de la m? n la imagen A. La AOD es la medida

básica de brillo promedio general de una imagen o de niveles de gris. Se trata de un útil y
metro simple para estimar el centro de distribución de nivel de gris de una imagen.

Ejemplo 3: Inversión de las intensidades de una imagen dada, también conocido como
teniendo su negativo, es equivalente a restar las entradas de la matriz asociada de la más
alto nivel de intensidad, que es 256 para una imagen de 8 bits.

donde A es la imagen original, la B invertida uno y un nxn matriz de unos.

Utilizamos Matlab para generar las imágenes en la figura 3 y que le explicaremos con
Apéndice A.1 cómo utilizar el programa para generarlos.

Ejemplo 4: En un curso de álgebra lineal, operaciones elementales por filas de las

matrices son introducidos de la siguiente manera [7]:

(1) Intercambio de dos filas.

Figura 2. Multiplicación escalar aplicado a la imagen original.

(2) Multiplicar una fila por una constante diferente de cero.

(3) Añadir un múltiplo de una fila a otra fila.

Definición: nxn matriz se llama una matriz elemental si se puede conseguir desde la
matriz identidad In por una única operación elemental de renglón.

Teorema: Sea E la matriz elemental obtenido mediante la realización de una fila primaria
operación en Im. Si no se realiza esa misma operación elemental de renglón en una mxn
matriz A, a continuación, la matriz resultante viene dada por en producto EA=0.

Se presenta un ejemplo elemental para mostrar visualmente el efecto de multiplicar

matrices de la izquierda por matrices elementales.

Dejar

Usando el comando Matlab imagesc(A) seguido de mapa de colourmap(grey), nuestra

matriz se transforma a la imagen en la Figura 4.

Sea E la matriz elemental obtenido de la matriz de identidad I3 por un solo operación

elemental de renglón, intercambiando la primera y la tercera fila,

Figura 3. Imágenes originales e invertidas.

Multiplicar la matriz A por la izquierda por E, la imagen gira horizontalmente A que es se
muestra en la Figura 5.

Nota: Multiplicar la matriz A a la derecha por E voltea la imagen A verticalmente.

Ejemplo 5: La figura 6 es una imagen 256x256 en escala de grises con 8 bits por píxel.
Había sido corrompida por ruido de sal y pimienta, que también se conoce como ruido de
impulso o ruido binario. Su aparición está distribuida al azar entre los píxeles blancos o
negros (o ambos) sobre la imagen.

Definir la imagen filtrada mediana como

Figura 4. La imagen original.

Figura 5. Imagen volteada.

Donde

B es un 3x3 elemento de estructuración se muestra en la Figura 7.

Para cada píxel de la imagen (entrada de la matriz), excepto píxeles en el límite, el filtro
de mediana toma el valor de los nueve píxeles alrededor e incluyendo el píxel sí mismo y
encuentra el valor de la mediana. Luego, se sustituye el valor del píxel central con la
mediana del elemento estructurante.

La aplicación de este método a la imagen dañada, se obtiene la versión limpia en Figura 8

. En el Apéndice A.2, presentamos un sencillo código de Matlab para el filtrado de la
imagen.

Nota: El filtro de mediana da una mala calidad en términos de bordes afilados. Una forma
de afilado de los bordes es a través de la detección de los primero (Ejemplo 7) y luego la
adición a la imagen para crear una imagen más nítida.

Ejemplo 6: Los estudiantes se pueden introducir en la descomposición de valor singular

(SVD) método para comprimir datos de modo que la imagen original puede ser
reconstruida con muchos menos datos.

Teorema: Cualquier mxn matriz real A puede tenerse en cuenta de forma exclusiva en un
producto de la forma USVT, llamado el SVD de A, donde U y V son matrices ortogonales
y S es una mxn matriz diagonal cuyos elementos diagonales llamado los valores
singulares de A son todos reales y satisfacer la siguiente:

Figura 6. Imagen dañada por el ruido de sal y pimienta.

Podemos aproximar A por matrices de rango inferior al truncar la expansión (3.6). La
mayor parte de la información contenida en A se reproduce utilizando relativamente pocos
términos de la expansión (3,6). Esperamos que una matriz de la forma

Figura 7. Un Elemento 3x3 estructuración o plantilla

Figura 8. Imagen limpia mediante un filtro de mediana.

para representar adecuadamente la imagen original dada por A, incluso si r es mucho
menor que K porque estamos usando primero los mayores valores singulares. Si 𝜎𝑟 > 0,
entonces Ar es un rango r aproximación a A. Los estudiantes pueden reconstruir las
imágenes mediante el uso de SVD usando diferentes rangos. Usando el comando
subplot, pueden trazar todas estas aproximaciones junto con la imagen original en la
misma ventana para una comparación fácil.
Por otra parte, se pueden calcular el error entre la imagen original y sus aproximaciones.
Una forma de hacerlo es a través de la norma de Frobenius de una matriz que se define
como

Deje que Ac representa una versión comprimida de la imagen A. Se define la relación de

error como

Los estudiantes pueden calcular el error relativo en la norma de Frobenius de la imagen A

en diferentes rangos y comprobar si los resultados de la norma más o menos de acuerdo
con el error basado en la percepción visual. Pueden investigar, por ejemplo, lo grande que
el rango tenga que ser de manera que el error relativo (en la norma de Frobenius) es
menor que 5%.
Un ejemplo de compresión de imagen utilizando SVD se muestra en la Figura 9. El error
relativo en la norma de Frobenius de la imagen original se da en diferentes filas.

Nota: El uso de Matlab, [U, S, V]=SVD(A) realiza la descomposición de valor singular.

La Figura 9. Imágenes comprimidas y errores relativos utilizando SVD en diferentes filas.

Ejemplo 7: Detección de bordes es una importante herramienta utilizada en muchas
aplicaciones de procesamiento de imágenes. Un borde de una imagen es una región
donde tenemos marcado contraste, es decir, un rápido cambio en la intensidad del color.
Este borde puede ser, por ejemplo, representar el límite de un órgano o una fractura en un
hueso. La idea principal que subyace a muchos de detección de bordes técnicas es el
cálculo de la pendiente de una imagen [8]. El gradiente de una función f se define como

y su magnitud es

Un cambio rápido de los valores de una función da una gran magnitud del gradiente y por
lo tanto el gradiente de una imagen (función discreta) tendrá una gran magnitud en los
bordes. Por otra parte, en las regiones en las que el color es más o menos constante, la
gradiente es pequeño. El hecho de que el gradiente de una imagen contiene información
acerca los bordes se pueden utilizar para extraer un borde de una imagen. El gradiente de
una discreta imagen f se define como

donde hx y hy denotan los filtros derivados horizontales y verticales, respectivamente La

convolución en un espacio discreto de dos dimensiones de las dos funciones f y g de las
variables discretas se define como

El operador Prewitt mide dos componentes. El componente de borde vertical es calculada

con el kernel de hx y el componente borde horizontal se calcula con el kernel de hy .La
magnitud del gradiente se define como
da una indicación de la intensidad de la gradiente en cada píxel y si este valor es superior
a un umbral dado, entonces el píxel está clasificado como parte de un borde. Aplicando el
operador Prewitt a la imagen original en la figura 10, podemos ver que la máscara x
detecta bien los bordes horizontales, mientras tanto la ordenada máscara detecta las
verticales.Tomando la magnitud del gradiente, una combinación de ambas máscaras,
podemos detectar la mayoría de los bordes.

Ejemplo 8: Los estudiantes pueden estar expuestos a un mapeo caótico particular

llamado mapa gato del Arnold, en honor al matemático Vladimir I. Arnold quien describió
por primera vez el uso de un diagrama de un gato [9].

El uso de la aritmética modular y si (i, j) representa el elemento de la i-ésima fila y la j-

ésima columna de una nxn matriz A, entonces el gato de mapa en el Arnold A es la
transformación definida por la fórmula

o en notación matricial como

Por ejemplo, la entrada (52,100) de una matriz A de tamaño de 124x124 se mapea por la
transformación de la siguiente manera:

La figura 11 muestra repetidas iteraciones del mapa gato de Arnold en una imagen. La
transformación aparentemente aleatoriamente la organización original de los píxeles de la
imagen. Sin embargo, la imagen vuelve a su forma original en la 15 ª iteración. Como
proyecto, los estudiantes pueden estudiar y explorar las razones por las que la imagen
vuelve a su forma original después de un número finito de iteraciones y por qué en algún
intermedio

Figura 10. La detección de bordes utilizando la máscara de x, y, máscara, y la magnitud

del gradiente.
iteraciones, la imagen se descompone en vetas que parecen tener una dirección
específica. Una vez más, es el hecho de que una imagen digital puede ser representado
por una matriz de números que hace que todas estas aplicaciones interesantes posible.
Conceptos tales como la compresión (reducción de la memoria del equipo necesario para
almacenar una imagen) y la mejora de la imagen (la mejora de la calidad visual de una
imagen) se pueden introducir en las matemáticas, los estudiantes de ciencias e ingeniería
y se describe de manera elemental como la descomposición de la matriz y pueden ser
tratados con el uso de herramientas de álgebra lineal [10].

4. Experiencia en el aula

Mi experiencia con el DIP fue que los estudiantes durante las 2 primeras semanas de
clase fueron expuestos al software y cómo importar imágenes en Matlab (esto puede ser
reemplazado por Mathematica, si es necesario) y manipularlos a través de ejercicios
guiados. Los estudiantes se les proporcionó una introducción a Matlab, un tutorial en DIP
básica en Matlab y una base de datos de imágenes digitales desde diferentes campos.
Las presentaciones en el ordenador en su clase, siempre que sea posible y apropiado, se
introdujeron al principio o al final de las sesiones de clase para ayudar en el desarrollo y la
comprensión de los conceptos del álgebra lineal. En promedio, los que eran de 3 a 5
minutos de largo y los estudiantes fueron muy receptivos. Si no se introduce en la clase,
pueden ser incorporados como parte de la tarea y se utilizan para pedir a los estudiantes
preguntas relacionadas con el concepto presentado. Los laboratorios y los pequeños
proyectos se completarán fuera de clase, en los laboratorios de la universidad o en casa
de los estudiantes si el editor de Matlab está disponible. El proyecto final, que se asigna 8
semanas antes del final del semestre, podría ser elegido de una lista de proyectos

Figura 11. Utilizando el mapeo caótico, la imagen vuelve a su forma inicial después de 15
iteraciones.
propuesto por el profesor o elegido por los estudiantes con la aprobación del instructor.
Estos proyectos se pueden completar de forma individual o colectiva con hasta tres
estudiantes por proyecto. Hay otra opción que se puede utilizar si una institución
considera oportuno incluir una 1 h por cada sesión de laboratorio semanas con el curso
de álgebra lineal como se hace con el cálculo en muchas instituciones. Si esto fuera
posible, sería una gran oportunidad para que el instructor o el asistente de enseñanza
capacitado para interactuar con los estudiantes y ayudarles a beneficiarse de las
herramientas de DIP para una mejor comprensión de muchos conceptos de álgebra lineal.

5. Preguntas de la encuesta y los resultados

Uno puede sentirse como en un principio, ya que los estudiantes tenían, que las
actividades de DIP son un "añadido" que aumenta su carga de trabajo. Esta es una
reacción esperada cuando uno primero incorpora una nueva tecnología en un curso;
cálculo es un ejemplo famoso.
Una evaluación de los estudiantes dirigidos se llevó a cabo durante cada semestre de
primavera 2007 a 2009, además de la evaluación universitaria estándar para determinar
cómo las nuevas herramientas DIP ayudaron a los estudiantes a entender los conceptos
de álgebra lineal y cómo el curso de álgebra lineal aumentada afectaron su preparación y
su actitud hacia las matemáticas, trabajos de investigación y estudios de posgrado.
El cuestionario se enumeran a continuación, junto con los resultados.

5.1. Cuestionario

Por favor, seleccione de 1 a 5 donde:

(1) Totalmente en desacuerdo
(2) En desacuerdo
(3) Neutral
(4) De acuerdo
(5) Muy de acuerdo

(1) Las actividades de DIP creado un ambiente que es propicio para el

aprendizaje.
(2) Las actividades de DIP me animaron a pensar de manera crítica y preguntar
más profundamente conceptos de álgebra lineal sobre.
(3) La visualización de conceptos de álgebra lineal utilizando herramientas DIP
mejoró mis habilidades matemáticas.
(4) proyectos de base DIP cambian positivamente mi actitud hacia las
matemáticas.
(5) proyectos de base DIP cambian positivamente mi actitud hacia el trabajo de
investigación y estudios de postgrado.
(6) La carga de trabajo es demasiado pesado.
(7) Me molestaba tener que aprender a usar Matlab.
(8) Preferiría haber tomado un curso de álgebra lineal más tradicional.
5.1.1. Respuesta al cuestionario

Como se observa en la Tabla 1, los estudiantes en la primavera de 2009 parecían más

contentos con la incorporación de DIP y Matlab en el curso de álgebra lineal. Nos
conectamos esto con el hecho de que se les permitiera trabajar colectivamente hasta tres
estudiantes por
Tabla 2. Mapa entre el álgebra lineal y DIP.

DIP actividades Conceptos de Algebra Lineal

Contraste y brillo Operaciones de Matrices
Desvanecimiento una imagen Operaciones de Matrices
en otra
Transformación de la imagen Operaciones de Matrices
Eliminación de ruido de Operaciones de Matrices (promediando)
imagen
Detección de bordes Sistemas Lineales descomposición LU
Compresión de imágenes Espacios vectoriales, producto interno,
bases orto normales
Deformaciones y morfos Independencia lineal, bases de R2
Resonancia magnética Los sistemas lineales, proyección ortogonal
Caos (mapa gato de Arnold) Operaciones lineales de R2, valores propios
y vectores propios
Fractales Las transformaciones afines, el espacio euclidiano,
determinantes,
valores y vectores propios
SVD de compresión de Descomposición de valor singular, matrices ortogonales,
imágenes valores y vectores propios

proyecto que no estaba permitido en los años anteriores. Otra razón podría ser la
introducción de Matlab y las imágenes digitales durante las primeras 2 semanas de clases
en lugar de esperar durante aproximadamente 2 meses, cuando se asignan los proyectos.
La mayoría de los estudiantes estuvieron de acuerdo en que las actividades de DIP
creado un ambiente que es propicio para el aprendizaje y les animó a pensar de manera
crítica y preguntar más a fondo acerca de los conceptos de álgebra lineal. Sin embargo,
como era de esperar, varios estudiantes encontraron este nuevo formato más exigente y
algunos de ellos se quejaron de Matlab porque eran los comandantes de matemáticas
que nunca tomaron un curso de programación anterior. Una observación interesante a
mencionar es el cambio de actitud hacia el trabajo de investigación y estudios de
posgrado. La mayoría de los estudiantes en cada semestre, incluyendo algunos de los
que se quejaban de Matlab y la carga de trabajo, indicó el aprendizaje de álgebra lineal a
través de aplicaciones de la vida real proporcionadas por DIP cambiado sus actitudes
hacia las matemáticas y la investigación positiva.
Como se mencionó anteriormente, la adición de un 1 h por sesión semanas laboratorio
para el curso de álgebra lineal, si es posible, sería una gran oportunidad para que los
estudiantes tengan más tiempo y flexibilidad para beneficiarse de las herramientas DIP
para una mejor asimilación y el aprecio de muchos conceptos en álgebra lineal.

6. Mapa entre el álgebra lineal y DIP

Un curso de álgebra lineal de un semestre cubre los sistemas de ecuaciones lineales,

matrices, determinantes, espacios vectoriales, espacios producto interno,
transformaciones lineales, valores y vectores propios [7]. SVD puede ser incluido cerca
del final de un curso típico álgebra lineal elemental. Una asociación de retratar el mapeo
de algunos conceptos de álgebra lineal con DIP se muestra en la Tabla 2.
7. conclusión

El enfoque que se presenta en este artículo busca revertir las percepciones negativas de
los estudiantes sobre las matemáticas y para mejorar su rendimiento supuesto,
desarrollando su comprensión visual e intuitiva del álgebra lineal utilizando herramientas
DIP accesibles y atractivos.
Sin embargo, es importante señalar que DIP no está destinado a sustituir los temas
tradicionales, sino que proporciona un suplemento de golf con un sabor muy diferente
para mejorar la enseñanza de álgebra lineal. Por lo tanto, hay temas tradicionales
necesitan ser removidos o reemplazados.

Reconocimiento

El trabajo descrito en este artículo fue apoyado por la División de Educación de Pregrado
de la National Science Foundation con la subvención DUE 0443136.

Referencias

[1] D. Carlson, Teaching linear algebra: Must the fog always roll in? College Math. J. 24
(1993), pp. 29–40.
[2] J.M. Day and D. Kalman, Teaching linear algebra: Issues and resources, College Math.
J. 32 (2001), pp. 62–168.
[3] R. Greenberg, The IPT project: Image processing for teaching, THE J. (Journal Online)
24 (1996), pp. 61–65.
[4] S.L. Tanimoto, Image processing and education: Image enhancement as an application
of arithmetic, Proceedings of IMAGE’COM, Bordeaux, France, March 1993.
[5] S.T. Tanimoto, Image processing in middle school mathematics, Proceedings of the
First IEEE International Conference on Image Processing, Austin, TX, November 1994,
pp. 501–505.
[6] R.E. Gonzales and R.C. Woods, Digital Image Processing, 3rd ed., Prentice Hall, NJ,
2008.
[7] R. Larson, B.H. Edwards, and D.C. Falvo, Elementary Linear Algebra, 5th ed.,
Houghton Mifflin, Boston, MA, 2004.
[8] A. Bovik, Handbook of Image and Video Processing, 1st ed., Academic Press, San
Diego, CA, 2000.
[9] A. Howard and C. Rorres, Elementary Linear Algebra: Applications Version, 8th ed.,
John Wiley & Sons, Hoboken, NJ, 2000.
[10] A. McAndrew, Introduction to Digital Image Processing with MATLAB, 1st ed.,
Thomson Course Technology, Boston, MA, 2004.
Apéndice A. Códigos en Matlab

A.1. Programa Matlab para implementar la inversión

A.2. Programa Matlab para filtrar la imagen