Captulo 2.

Representacin de imgenes digitales

La intensidad luminosa f(x,y) se puede caracterizar por dos componentes:
a) La cantidad de luz incidente en la escena visualizada (iluminacin),
que representaremos por i(x,y)[0, ). Esta componente viene determinada
por la fuente luminosa. Por ejemplo, el nivel de iluminacin en una oficina
comercial es de unas 100 candelas-pies.
b) La cantidad de luz reflejada por los objetos de la escena (capacidad
reflectora), que representaremos por r(x,y)[0,1], donde el valor 0 representa
absorcin total y el valor 1 reflexin total. Esta componente viene determinada
por las caractersticas de los objetos de la escena. Por ejemplo, el acero tiene
0.65 y la nieve 0.93.
Las escenas dinmicas donde aparecen objetos en movimiento complican
ms todava la visin por ordenador.
f(x, y) = i(x, y) r(x, y)
Captulo 2. Representacin de imgenes digitales
Matriz vinculada a una imagen
Una matriz vinculada es:
a) Una matriz cuyos elementos a
ij
R{*}
b) Un indicador (p,q) que especifica la posicin del primer elemento de la
matriz en la rejilla utilizada en la digitalizacin de la imagen.
q p
rs rj r
is ij i
s j
a a a
a a a
a a a
,
1
1
1 1 11
... ...
... ... ... ... ...
... ...
... ... ... ... ...
... ...
|
|
|
|
|
|

\
|
|
|
|

\
|
* * * * *
*
*
* *
,
7 2 0 1
1 3 3 3
2 5 3
2 0
Captulo 2. Representacin de imgenes digitales
El entorno vertical y horizontal de tamao 5 del pxel p, de coordenadas
(i,j)
{(i+1,j), (i-1,j), (i,j), (i,j+1), (i,j-1)} N
5
(p)
El entorno diagonal de tamao 5 del pxel p, de coordenadas (i,j),
{(i+1,j+1), (i-1,j-1), (i,j), (i-l,j+1), (i+1,j-1)} N
D
(p)
El conjunto de pixeles N
5
(p)N
D
(p) es un entorno de tamao 9 del pxel p
N
9
(p).
Para estudiar la relacin entre pxeles vamos a tener en cuenta su
proximidad espacial y su similitud en los niveles de gris.
Captulo 2. Representacin de imgenes digitales
Sea V el conjunto de valores de los tonos de gris utilizado
para definir la conectividad
Conectividad de tipo 5: los pxeles p y q con valores en V
estn conectados si qN
5
(p)
Conectividad de tipo 9: los pxeles p y q con valores en V
estn conectados si qN
9
(p)
Conectividad de tipo mixto: los pxeles p y q con valores
en V estn conectados si:
qN
5
(p)
qN
D
(p) y el conjunto N
5
(p)N
5
(q) no tiene pixeles con
niveles de gris que pertenezcan a V.
Captulo 2. Conectividad mixta
0 1 1
0 1 0
0 0 1
Captulo 2. Conectividad mixta
Se dice que el pxel p es adyacente al pxel q, si los dos estn conectados.
Dos subconjuntos de pxeles (imgenes) S1 y S2 se dice que son adyacentes si
algn pxel de S1 es adyacente con algn pxel de S2.
Un camino desde el pxel p, con coordenadas (x
o
,y
o
), al pxel q, con
coordenadas (x
n
, y
n
), es una sucesin de diferentes pxeles con coordenadas
(x
o
,y
o
), (x
1
,y
1
) ,..., (x
n-1
, y
n-1
), (x
n
, y
n
),
donde (x
i
,y
i
) es adyacente a (x
i-1
,y
i-1
).
Diremos que la longitud de este camino es n.
Si p y q son pixeles de un subconjunto S, entonces diremos que p est conectado
con q en S, si existe un camino de p a q formado slo por pixeles de S. Para cualquier
pxel p de S, el conjunto de pixeles de S que estn conectados con p se dice que es
una componente conexa de S.
Captulo 2. Operaciones aritmticas, geomtricas, lgicas
y vectoriales
Operaciones aritmticas:
[ ]

+
=
* es ) , ( ) , ( *
) , ( ), , ( ) , ( ) , (
) , ( ) , (
j i g j i f si
R j i g j i f si j i g j i f
j i g f SUM
[ ]

=
* es ) , ( ) , ( *
) , ( ), , ( ) , ( ) , (
) , ( ) , (
j i g j i f si
R j i g j i f si j i g j i f
j i g f MULT
[ ]

=

=
* ) , ( *
* ) , ( ) , (
) , ( ) ; (
j i f si
j i f si j i f t
j i f t ESCALAR
[ ] ) , ( ) , ( , ), ( j v i u f j i v u f TRAS =
[NOVENTA(f)](i,j) = f(-j, i) [NOVENTA(f)](i,j) = f(j, -i)
[FLIP(f )](i, j)=f (-j, -i)
Captulo 2. Operaciones base de datos
Ventana W = { (i,j): h i h+r , k j k+s}
[ ]

=
caso otro en *
) , ( para ) , (
) , ( ) , , , ; (
W j i j i f
j i k h n m f SELECT
[ ]

=
caso otro en ) , (
* ) , ( ) , (
) , ( ) , (
j i g
j i f si j i f
j i g f EXTESION
[ ]

=
=
caso otro en *
) , ( ) , ( si
) , ( ) , (
k k k
j i j i y
j i R D CREAR
[ ]

=
<

=
* ) , ( si *
) , ( si 0
) , ( si 1
) , ( ) ; (
j i f
t j i f
t j i f
j i t f UMBRAL
[ ]

=
<

=
* ) , ( si *
) , ( si 0
) , ( si ) , (
) , ( ) ; (
j i f
t j i f
t j i f j i f
j i t f TRUNCAR
Captulo 2. Operaciones base de datos
[ ]

=

=
=
* ) , ( si *
* ) , ( y ) , ( si 0
) , ( si 1
) , ( ) ; (
j i f
j i f t j i f
t j i f
j i t f IGUAL
[ ]

>
=
* ) , ( si *
) , ( si 0
) , ( si 1
) , ( ) ; (
j i f
t j i f
t j i f
j i t f MAYOR

=
f
D j i
j i f f PIXSUM
) , (
) , ( ) (
) (
) (
) (
F CARD
f PIXSUM
f MEDIA =

dominio distinto el tienen g y f si *

dominio mismo el tienen g y f si ) , ( ) , (
) , (
) , ( D j i
j i g j i f
g f PRESC
Captulo 2. Operaciones vectoriales
{ } ) , ( ,..., ) , ( , ) , ( max ) , (
2 1
j i f j i f j i f j i f
n
=

) , ( ... ) , ( ) , ( ) , (
2 1
1
j i f j i f j i f j i f
n
+ + + =
[ ]
2 / 1
2 2
2
2
1
2
) , ( ... ) , ( ) , ( ) , ( j i f j i f j i f j i f
n
+ + + =
Captulo 2. Filtros
Entorno del pxel (i,j), de tamao (2m+1) (2n+1):
N(2m+1)(2n+1)(i, j) = { (r, s)ZZ : i-m r i + m; j - n s j + n }
Mscara (o plantilla) g de tamao (2m+1)(2n+1)
|
|
|
|
|
|

\
|

) , ( ... ) , 0 ( ... ) , (
... ... ... ... ...
) 0 , ( ... ) 0 , 0 ( ... ) 0 , (
... ... ... ... ...
) , ( ... ) , 0 ( ... ) , (
n m g n g n m g
m g g m g
n m g n g n m g

+ + =
N s r
s j r i f s r g j i f
) , (
) , ( ) , ( ) , ( *
Filtro de promedio:

=
Z Z k h
k h f j k i h g j i f
) , (
) , ( ) , ( ) , ( *
Captulo 2. Filtros

05 . 0 1 . 0 05 . 0
1 . 0 4 . 0 1 . 0
05 . 0 1 . 0 05 . 0
Filtro de promedio:

72 62 52 42 32 22
86 86 75 30 30 30
86 75 30 30 30 45
86 30 30 30 45 45
30 30 30 45 45 45
30x0.05+30x0.1+30x0.5+30x0.1+30x0.4+75x0.1+30x0.05+75x0.1+86x0.05 = 41
41
Captulo 2. Filtros

05 . 0 1 . 0 05 . 0
1 . 0 4 . 0 1 . 0
05 . 0 1 . 0 05 . 0
Filtro de promedio de paso baja:
Elementos de la mscara a
ij
0
Suman la unidad
1
,
=

j i
ij
a
Captulo 2. Filtros

04 . 0 04 . 0 04 . 0 04 . 0 04 . 0
04 . 0 04 . 0 04 . 0 04 . 0 04 . 0
04 . 0 04 . 0 04 . 0 04 . 0 04 . 0
04 . 0 04 . 0 04 . 0 04 . 0 04 . 0
04 . 0 04 . 0 04 . 0 04 . 0 04 . 0 Filtro de promedio de paso baja:
Captulo 2. Filtros

0 0 0 0 2 . 0
0 0 0 2 . 0 0
0 0 2 . 0 0 0
0 2 . 0 0 0 0
2 . 0 0 0 0 0 Filtro de promedio de paso baja:
Captulo 2. Filtros

0 25 . 0 0
25 . 0 1 25 . 0
0 25 . 0 0
Filtro de promedio de paso alta:
Elementos de la mscara positivos y
negativos
Suelen sumar cero

1 1 1
0 0 0
1 1 1
Captulo 2. Filtros

0 25 . 0 0
25 . 0 1 25 . 0
0 25 . 0 0
Filtro de promedio de paso alta:
I 5abs(E)
Captulo 2. Filtros
Filtro de promedio de paso alta:

1 1 1
0 0 0
1 1 1
Captulo 2. Filtros
Los filtros de promedio mvil pueden ser:
Invariantes en el espacio, en cuyo caso, la imagen filtrada se obtiene de
la aplicacin de la misma mscara a cada uno de los pxeles la imagen,
Variables en el espacio, cuando el filtro se realiza mediante la
aplicacin de una coleccin de mscaras, de manera que a
subconjuntos diferentes de pxeles se le aplican mscaras diferentes.
Captulo 2. Filtros
[MIN(f, N)](i, j) = Min { f(r, s): (r,s)N(i ,j) }.
[MAX(f, N)](i, j) = Max { f(r, s): (r,s)N(i ,j) }.
Filtros no lineales:

72 62 52 42 32 22
86 86 75 30 30 30
86 75 30 30 30 45
86 30 30 30 45 45
30 30 30 45 45 45
30
86
Captulo 2. Filtros
Aplicacin: Correccin de una iluminacin no uniforme:
MIN
32x32
Captulo 2. Filtros
[MEDIANA(f, N)](i, j) = Mediana { f(r, s): (r,s)N(i ,j) }.
Filtros no lineales:

72 62 52 42 32 22
86 86 75 30 30 30
86 75 30 30 30 45
86 30 30 30 45 45
30 30 30 45 45 45
75
30 52 63 72 75 75 86 86 86
Captulo 2. Filtros
Filtro MEDIANA
Captulo 2. Filtros
Filtro MEDIANA
Atena el ruido
Preserva aristas verticales
Atena el ruido
Preserva aristas
horizontales
Captulo 2. Filtros Gradiente
Filtros Diferencia:
[ ] ) , 1 ( ) , ( ) , ( ) ( j i f j i f j i f DX =
[ ] ) 1 , ( ) , ( ) , ( ) ( = j i f j i f j i f DY
DX ABS UMBRAL
t
BORDES BORDES
Imagen Imagen
1 -1
-1
1
Operador Gradiente:
[GRAD(f)](i,j) = ([DX(f)](i,j) , [DY(f)](i,j) )
Captulo 2. Filtros Diferencia Simtrica
Filtros diferencia simtrica:
[SIMDX(f)](i ,j) = ( [DX(f)](i, j) + [DX(f)](i+1, j) )/2
= [f(i+l, j) - f(i-l, j)] / 2
[SIMDY(f)](i ,j) = ( [DY(f)](i, j) + [DY(f)](i, j+1) )/2
= [f(i, j+1) - f(i, j-1)] / 2
Operador diferencia simtrica:
SIMGRAD(f) = (SIMDX(f), SIMDY(f)),
0 -
-
0

Captulo 2. Filtros
Filtro de Filtro de Prewitt Prewitt:
[PREWDX(f)](i,j) = ( [DX(f)](i+l,j+1) + [DX(f)](i,j+1) + [DX(f)](i+l,j) +
[DX(f)](i,j) + [DX(f)](i+l,j-1) + [DX(f)](i,j-l) )/6
= [ f(i+l,j+l) + f(i+l,j) + f(i+l,j-l) - f(i-l,j+l) - f(i-1,j) - f(i-l,j-l)) ]/6.
PREWGRAD(f) = (PREWDX(f) , PREWDY(f))
1 0 -1
1 0 -1
1 0 -1
-1 -1 -1
0 0 0
1 1 1
Captulo 2. Filtros
Filtro de Filtro de Sobel Sobel:
SOBGRAD(f) = (SOBDX(f), SOBDY(f)).
1 0 -1
2 0 -2
1 0 -1
-1 -2 -1
0 0 0
1 2 1
Captulo 2. Filtros
Filtro de Roberts:
[ ] [ ] [ ]
|
|

\
|
+ + = ) , 1 ( ) 1 , (
2
2
, ) 1 , 1 ( ) , (
2
2
) , ( ) ( j i f j i f j i f j i f j i f ROBGRAD
1 0
0 -1
0 -1
1 0
Captulo 2. Filtros
Filtro de promedio de paso alta:
|
|
|

\
|


1 1 1
1 2 1
1 1 1
|
|
|

\
|

1 1 1
1 2 1
1 1 1
|
|
|

\
|


1 1 1
1 2 1
1 1 1
|
|
|

\
|

1 1 1
1 2 1
1 1 1
|
|
|

\
|

SE S SO
O E
NE N NO
|
|
|

\
|

1 1 1
1 2 1
1 1 1
|
|
|

\
|


1 1 1
1 2 1
1 1 1
|
|
|

\
|

1 1 1
1 2 1
1 1 1
|
|
|

\
|


1 1 1
1 2 1
1 1 1
Captulo 2. Matrices de relacin espacial
Se pretenden analizar las relaciones espaciales entre los pxeles con
tonos de gris parecidos
Se establece una relacin espacial
R(r, s) : (i, j) (i + r, j + s)
Dada una relacin R, representaremos por h
R
(p, q) el nmero de pares de
pxeles (i,j) y (i,j) tales que:
(i, j) R (i, j) , es decir, (i, j) est relacionado con (i, j)
f(i, j) = p y f(i, j) = q
r
s
|
|
|
|
|
|

\
|

= .
) 1 , 1 ( ... ) 0 , 1 ( ... ) 0 , 1 (
... ... ... ... ...
) 1 , ( ... ) , ( ... ) 0 , (
... ... ... ... ...
) 1 , 0 ( ... ) , 0 ( ... ) 0 , 0 (
) ; (
L L h L h L h
L r h s r h r h
L h s h h
R f h
R R R
R R R
R R R
Matriz de relacin
espacial
Captulo 2. Matrices de relacin espacial
Bsqueda de texturas
Relacin espacial: R
2,0
Imagen binaria (textura):
Matriz de relacin espacial:
|
|
|
|
|

\
|
0 1 0 1 0
1 0 1 0 1
0 1 0 1 0
1 0 1 0 1
|
|

\
|
6 0
0 6
Captulo 2. Matrices de relacin espacial
Texturas ms finas?
Relacin espacial: R
1,0
Imagen binaria (textura):
Matriz de relacin espacial:
|
|
|
|
|

\
|
0 1 0 1 0
1 0 1 0 1
0 1 0 1 0
1 0 1 0 1
|
|

\
|
0 8
8 0
Captulo 2. Matrices de relacin espacial
Texturas?
Relacin espacial: R
1,1
Imagen binaria (textura):
Matriz de relacin espacial:
|
|
|
|
|

\
|
0 1 0 1 0
1 0 1 0 1
0 1 0 1 0
1 0 1 0 1
|
|

\
|
6 0
0 6
Captulo 2. Matrices de relacin espacial
Texturas? Bordes?
Relacin espacial: R
1,1
Imagen binaria (textura):
Matriz de relacin espacial:
|
|
|
|
|

\
|
=
3 0 3 0 4 0
0 3 1 4 1 4
3 1 4 0 3 0
1 4 0 4 0 4
f
|
|
|
|
|
|

\
|
3 1 0 0 0
1 2 0 0 0
0 0 0 0 0
0 0 0 2 1
0 0 0 2 3
Captulo 2. Matrices de relacin espacial
Examen Febrero 04:
Cmo detectaras la textura de una imagen constituida por dos elementos
de textura de tamao 3232 que se repiten segn se muestra en la figura 3.
Respuesta:
Mediante la matriz de relacin espacial tomando como relacin espacial la
siguiente:
R
0,64
: (i, j) (i , j + 64)
o bien,
R
64,0
: (i, j) (i + 64, j)
Dicha matriz va a tener todos sus elementos nulos fuera de la diagonal principal
Captulo 2. La transformada de Fourier
Jean Baptiste Joseph Fourier Fourier present en 1807 sus resultados sobre la
propagacin y difusin del calor en el Instituto de Francia en los cuales
propona que una seal peridica se poda representar mediante series
sinusoidales.
Representacin de ondas cuadradas:
) 9 (
9
1
) 7 (
7
1
) 5 (
5
1
) 3 (
3
1
) ( ) ( x sen x sen x sen x sen x sen x f + + + + =
Captulo 2. La transformada de Fourier
Transformada de Fourier:
Qu es? Es una descomposicin de la imagen en estructuras peridicas.
La variables u y v se llaman frecuencias absolutas. Tambin se pueden utilizar
las variables
1
= 2u y
2
= 2y, que se llaman frecuencias angulares.
Su magnitud se llama espectro de Fourier:
ngulo de fase:

+
= dxdy e y x f v u F
yv xu i ) ( 2
) , ( ) , (

) sen( ) cos( x i x e
jx
+ =

) , ( ) , ( ) , (
2 2
v u I v u R v u F + =

=
) , (
) , (
) , (
v u R
v u I
arctang v u
F(u,v)

u
v
Captulo 2. La transformada de Fourier
Transformada inversa de Fourier:
Interpretacin de la Transformada de Fourier: Nos da los coeficientes de
ponderacin en las diferentes frecuencias de las funciones exponenciales
complejas (patrones sinusoidales) que nos conducen al valor de la funcin
f(x,y) como lmite de estas sumas ponderadas.
Propiedades de la Transformada de Fourier:
Operador lineal
Convolucin

+
= dudv e v u F y x f
yv xu i ) ( 2
) , ( ) , (

. , )), , ( ( )) , ( ( )) , ( ) , ( ( R b R a y x g bT y x f aT y x bg y x af T + = +
[ ]

= dsdt t y s x g t s f y x g f ) , ( ) , ( ) , (
[ ] ) , ( ) , ( ) , ( ( )) , ( ( )) , ( ( v u G v u F y x g T y x f T y x g f T = =
Captulo 2. La transformada de Fourier
Ejemplo:

>

=
a x
a x M
x f
si 0
si
) (
-a a

= dx e x f u F
iux 2
) ( ) (

=
a
a
iux
dx Me
2
a
a
iux
iu
e
M

2
2
u i
e e
M
iua iua

1
2
2 2

u
ua sen
M

) 2 (
=
ua
ua sen
aM

2
) 2 (
2 =
) 2 ( 2 ua aMsenc =
M
Captulo 2. La transformada de Fourier
Fuente puntual: Funcin delta de Dirac
Cualquier imagen se puede considerar como una suma de fuentes
puntuales.
La funcin que transforma una fuente puntual se llama funcin de
esparcimiento.

=
caso otro en 0
) 2 /( 1 ), 2 /( 1 si
) , (
2
n y n x n
y x
n

= = ,... 2 , 1 , 1 ) , ( n dxdy y x
n
1/2n
n
2
n v
n v sen
n u
n u sen
y x T
n
/
) / (
/
) / (
)) , ( (

= 1
Captulo 2. La transformada de Fourier discreta
u = 0,1,2,,M-1, v = 0,1,2,,N-1
Inversa:
m = 0,1,2,,M-1, n = 0,1,2,,N-1

=
|

\
|
+
=
1
0
1
0
2
) , (
1
) , (
M
m
N
n
N
vn
M
um
i
e n m f
MN
v u F

=
=
1
0
1
0
) , (
1
) 0 , 0 (
M
m
N
n
n m f
MN
F

=
|

\
|
+
=
1
0
1
0
2
) , ( ) , (
M
u
N
v
N
vn
M
um
i
e v u F n m f

Captulo 2. La transformada de Fourier discreta
Captulo 2. La transformada de Fourier discreta
Ejemplo:

0 6 / 1 0
6 / 1 3 / 1 6 / 1
0 6 / 1 0
f

+ + + + =
|

\
|
+ |

\
|
+ |

\
|
+ |

\
|
+

\
|
+
3
) 1 (
3
0
2
3
0
3
1
2
3
0
3
0
2
3
0
3
) 1 (
2
3
1
3
0
2
6
1
6
1
6
1
6
1
6
1
9
1
) , (
v u
i
v u
i
v u
i
v u
i
v u
i
e e e e e v u F

[ ]
3 / 2 3 / 2 3 / 2 3 / 2
1
54
1
iu iu iv iv
e e e e

+ + + + =
[ ] ) 3 / 2 cos( ) 3 / 2 cos( 1
54
1
v u + + =
m = -1 0 1
n=
1
0
-1