(ISBN 970‐32‐2673‐6)
 

 
PROCESAMIENTO DE IMÁGENES POR MÁSCARAS ESTADÍSTICAS 
 
Norma Ramírez Hernández1, José Luis Ramos Quirarte2 
1
Departamento de Ciencias Computacionales, 2Departamento de Electrónica, 
CUCEI‐Universidad de Guadalajara, Jalisco, México 
 
Resumen 
 
Este trabajo presenta algunos resultados obtenidos en el área del procesamiento espacial 
de  imágenes.  Se  aborda  el  procesamiento  estadístico  de  imágenes,  para  la 
implementación  de  máscaras  del  tamaño  deseado  y  utilizando  transformaciones  que 
involucran:  a  la  media,  la  mediana,  la  desviación  estándar  y  la  distribución  Gaussiana. 
Métodos  todos  ellos  aplicados  para  el  suavizado,  la  remarcación  de  contraste  o  la 
eliminación  de  ruido  de  una  imagen.  Los  algoritmos  desarrollados  se  implementaron  en 
MatLab. 
 
Palabras Clave 
Procesamiento de imágenes, máscaras estadísticas para procesamiento, promediado en el 
entorno, eliminación de ruido de una imagen, suavizado con distribución Gaussiana. 
 
I. Introducción 
El procesamiento de imágenes con el uso de máscaras, es la modificación directa de los 
pixeles  de  la  imagen  utilizando  un  entorno  alrededor  del  punto    así,  la  función  de 
procesamiento de una imagen   en el dominio espacial puede definirse como [1] [2] 
[3]: 
          (1) 
Donde   representa un operador aplicado a   en el entorno definido (máscara) para 
producir la imagen procesada  . La máscara o entorno alrededor del punto   es 
una subimagen normalmente cuadrada o rectangular centrada en   como se muestra 
en la Fig. 1. 
 
 
 
 

 
a)  b) 
Fig. 1. Definición de máscara: a) Entorno de   alrededor del punto   de una imagen, 
b) Coeficientes de ponderación de la máscara. 
 

(ISBN 970‐32‐2673‐6)
 

 
Para  obtener  la  imagen  procesada    de  (1),  la  máscara  se  mueve  pixel  a  pixel 
aplicando el operador   en cada posición  .  Cuando el entorno es  ,    depende 
sólo del valor de   en el punto  , y   se convierte  en una función de transformación 
del  nivel  de  gris.  Las  técnicas  basadas  en  esta  transformación,  se  conocen  como 
procesamiento de punto. Para entornos mayores, y considerando a los niveles de gris de 
los  pixeles  de    bajo  la  máscara  como:  ,  ,  …  ,  la  respuesta  de  una  máscara  lineal 
puede ser escrita como 
        (2) 
 
II. Descripción de Algoritmos 
Para efectuar el procesamiento de una imagen a través de máscaras, éstas además de ser 
desplazadas sobre la imagen pixel a pixel, deben ser implementadas con flexibilidad para 
escoger  fácilmente  el  tamaño  deseado,  si  serán  cuadradas,  rectangulares,  de  línea  o  de 
columna,  etc.  Para  el  procesamiento  de  imágenes,  se  decidió  utilizar  el  MatLab  porque 
tiene  un  paquete  de  procesamiento  de  imágenes  con  una  serie  de  rutinas  ya 
implementadas  y  que  son  muy  útiles.  Se  implementaron  dos  algoritmos  el  primero,  que 
traslada de la imagen todos los valores a la máscara en cada desplazamiento y el segundo, 
que conserva los valores de las   columnas en cada iteración, copiando solamente los 
valores de la columna nueva. En la Fig. 2, se muestra el diagrama de flujo simplificado para 
el primer algoritmo. 
INICIO 

Imagen procesada
Inicialización de variables.  
Tamaño de la máscara   

Determinación del centro de la máscara    
y  de  los  límites  del  recorrido  de  la  máscara 
sobre la imagen   

Se incrementa una  Completo  el  SI

 
fila recorrido X? 
Se avanza una 
columna

Completo  el 
recorrido Y? 

SI

Máscara  Aplicación del operador de 
completa X?  procesamiento a la imagen

SI

Se incrementa una  Máscara  SI Copiar pixel de la imagen en  Crece la máscara una 

fila la máscara  completa Y?  la máscara columna  
 
Fig. 2. Diagrama de flujo simplificado del algoritmo para cálculo completo de máscara. 

(ISBN 970‐32‐2673‐6)
 

 
III. Procesamiento Estadístico 
El  procesamiento  por  máscaras  también  conocido  como  filtrado  espacial,  emplea  filtros 
lineales  o  no  lineales.  Los  filtros  paso  bajo  o  suavizantes,  atenúan  o  eliminan  las 
componentes de alta frecuencia en el dominio de Fourier y permiten el paso de las bajas 
frecuencias  por  lo  que  suelen  hacer  más  borrosas  a  las  imágenes.  El  procesamiento 
estadístico  [4]  [5]  está  basado  justamente  en el  uso  de  parámetros  estadísticos  como  el 
promedio, la media, la desviación estándar, etc. En la Fig. 3, se muestra un menú a través 
del cual se elige el procesamiento deseado. 

 
Fig. 3. Menú para elegir el procesamiento deseado sobre la imagen. 
 
A. Promediado en el Entorno 
Para que el filtro sea suavizante, todos sus coeficientes deben de ser positivos por lo que 
una construcción simple de la máscara sería aquella en la que todos sus coeficientes  , 
sean  iguales  a  uno.  El  valor  de  la  respuesta  [6][7]    de  (2),  sería  igual  a  la  suma  de  los 
niveles de gris  , correspondientes por lo que para mantener a   dentro de un intervalo 
válido de niveles de gris, se divide el resultado entre el número de pixeles de la máscara. 
Esto nos lleva a la definición del promedio o  media aritmética  de un conjunto finito de 
números,  que  es  igual  a  la  suma  de  todos  sus  valores  dividida  entre  el  número  de 
sumandos, 
                 (3) 
La aplicación de (3) a los pixeles en el área de la máscara, sustituyendo el valor original del 
pixel  central  en  la  imagen  para  cada  iteración,  nos  producirá  como  resultado  lo  que  se 
conoce  como  promediado  en  el  entorno.  La  Fig.  4  muestra  el  resultado  de  aplicar  este 
método con una máscara de  . 

   
a)  b) 

(ISBN 970‐32‐2673‐6)
 

Fig. 4. Promediado en el entorno: a) imagen original, b) resultado con una máscara de  . 
B. Filtros supresores de Ruido Basados en la Mediana 
 
En el caso en que el objetivo del procesamiento de la imagen sea el de reducir el ruido sin 
difuminar bordes o detalles que realzan a la imagen, una buena alternativa es utilizar la 
mediana [6][7][8][9]. Con este método el nivel de gris de cada pixel de la imagen original 
será reemplazado por la mediana de los niveles de gris correspondientes a la posición de 
la máscara. Este proceso claramente representa un filtro no lineal. La mediana estadística 
 de un conjunto de valores es aquél que se encuentra en posición central después de 
que el conjunto ha sido ordenado en forma creciente o decreciente. 
 
Para  máscaras  con  número  impar,  donde  los  pixeles  correspondientes  de  la  imagen  en 
forma ordenada son:  , entonces 
                (4) 
Para máscaras con número par de pixeles, será el promedio obtenido de los dos valores 
centrales, 
                (5) 
La Fig. 5, muestra el resultado de aplicar (4) a la imagen, para entornos de   y  . 

   
a)  b) 
Fig. 5. Mediana en el entorno: a) entorno de  , b) entorno de  . 
 
C. Filtrado por Promedio y Desviación Estándar 
Los resultados presentados en la sección A y en la sección B, utilizan la media y la mediana 
para  conseguir  suavizado  en  la  imagen  y  supresión  de  ruido,  respectivamente.  Sin 
embargo,  en  ocasiones,  es  más  conveniente  el  uso  de  operadores  más  sofisticados  que 
suavicen una imagen pero que a la vez, le den mayor ganancia a aquellas áreas con menor 
contraste.  Esta  operación  incluso  podría  aplicarse  de  manera  variable  a  lo  largo  de  la 
imagen,  dependiendo  de  sus  características  propias.  Una  transformación  muy  apropiada 
para estos fines, es la que se presenta enseguida. 
                (6) 
 
Donde 

(ISBN 970‐32‐2673‐6)
 

          (7) 
En (6) y (7),   y   representan la media (promedio de intensidad) y desviación 
estándar (medida del contraste) del entorno, respectivamente.   es la media de la imagen 
original    y    es  un  coeficiente  del  factor  de  amplificación  tomado  como   
dependiendo de las características de la imagen. 
 
El algoritmo de procesamiento fue implementado usando (6,7) eligiendo diversos tamaños 
de máscaras y diversos valores para  . La Fig. 6, muestra una mamografía a la cual se le 
aplicó este método para suavizar y resaltar detalles. 

   
a)  b) 
Fig. 6. Promedio y desviación estándar en el entorno: a) mamografía original, b) entorno 
de   con   
 
D. Filtrado por Función Gaussiana 
Otra  aproximación  para  obtener  un  buen  filtro  suavizante  es  utilizar  una  máscara  cuya 
función de respuesta  , siga una distribución Gaussiana cuya expresión general viene dada 
por: 
                  (8) 
donde   y   son coeficientes reales y  . Para el caso en que 
            (9) 
 se convierte en la función de densidad de   con distribución normal con media   
y varianza  . Para la distribución normal estándar fija,   (centrada) y   por lo 
que (6) se reduce a: 
               (10) 
El algoritmo de procesamiento fue implementado usando (10) para definir los coeficientes 
de la máscara en forma bidimensional y de acuerdo con la elección de su tamaño. La Fig. 
7, muestra el resultado obtenido para este procesamiento, usando una máscara de  . 
 
 
 
 

(ISBN 970‐32‐2673‐6)
 

   
a)  b) 
Fig. 7. Promediado con distribución Gaussiana: a) imagen original, b) resultado con una 
máscara de  . 
 
IV. Resultados y Conclusiones 
En este trabajo se presentan los resultados obtenidos para el procesamiento de imágenes 
utilizando  filtros  estadísticos  que  se  basan  en  el  desarrollo  e  implementación  de 
algoritmos  para  definir  entornos  o  máscaras  sobre  la  imagen  original  y  modificar  los 
valores  originales  de  estos  entornos  seleccionando  los  coeficientes  de  la  máscara  por 
métodos  estadísticos  tales  como:  la  media,  la  mediana,  la  desviación  estándar, 
distribución Gaussiana, etc., Los algoritmos fueron implementados en MatLab por ser una 
herramienta  muy  difundida,  de  fácil  programación  y  que  posee  una  gran  cantidad  de 
funciones implementadas y que nos son de utilidad. Por otra parte, MatLab posee filtros o 
herramientas de diseño para procesamiento con este objetivo disponibles en el dominio 
de  a  frecuencia  por  lo  que  nuestros  desarrollos  son  otra  alternativa  viable  para 
procesamiento de mejora de la imagen. 
 
Aunque  mucho  se  ha  publicado  sobre  el  procesamiento  espacial  de  imágenes  [1], 
herramientas  directas  para  su  aplicación  no  son  muy  fáciles  de  obtener  por  lo  que 
consideramos que estos resultados serán muy útiles para aquellos interesados en trabajar 
sobre  esta  interesante  área.  Ya  que  la  mejora  de  una  imagen  es  en  buena  medida  una 
percepción subjetiva, y las aplicaciones del procesamiento de imágenes es cada vez más 
amplia, existen aún múltiples variantes en el procesamiento estadístico que deberían ser 
investigadas  más  a  fondo  por  lo  que  seguimos  en  el  estudio  de  otras  características, 
extender este estudio a imágenes en color, y al uso de combinación de métodos. 
 
 
REFERENCIAS 
[1] R.C González, R.E.Woods “Tratamiento digital de imágenes” Ed. Addison‐Wesley, 1996. 
[2] Norma Ramírez Hernández, “Procesamiento de Imágenes Médicas”, Tesis de Maestría 
en Ciencias en Ingeniería Electrónica, CUCEI, U. de G. Diciembre de 2006. 
[3]  J. D. Martinez, J. M. Benlloch, J. Cerdá, Ch. W. Lerche, N. Pavón, and A. Sebastiá “High‐
Speed  Data  Acquisition  and  Digital  Signal  Processing  System  for  PET  Imaging            

(ISBN 970‐32‐2673‐6)
 

Techniques  Applied  to  Mammography”,  IEEE  transactions  on  nuclear  science,  vol. 
51, no. 3, June 2004, pp. 407‐412. 
[4] Papoulis. ”Probability, Random variables, and stochastic processes”, McGraw‐Hill, New 
York 1965. 
[5] Octavio Sánchez. ”Probabilidad y Estadísticas” McGraw‐Hill, México 1998.   
[6] Liyang  Wei,  Yongyi  Yang,  Robert  M.  Nishikawa,  Miles  N.  Wernick,  and  Alexandra 
Edwardsm,  ”Relevance  Vector  Machine  for  Automatic  Detection  of  Clustered 
Microcalcifications”, IEEE transactions on medical imaging, vol. 24, no. 10, October 
2005. 
[7]  Robert  A.  Brown*,  Hongmei  Zhu,  and  J.  Ross  Mitchell  ,  “Correspondence  Distributed 
Vector Processing of a New Local MultiScale Fourier Transform for Medical Imaging 
Applications” IEEE Transactions on medical imaging, vol. 24, no. 5, may 2005. 
[8]  Segyeong Joo, Yoon Seok Yang, Woo Kyung Moon, and Hee Chan Kim*, Member, IEEE, 
“Computer‐Aided  Diagnosis  of  Solid  Breast  Nodules:    Use  of  an  Artificial  Neural 
Network  Based  on  Multiple  Sonographic  Features”,  IEEE  transactions  on  medical 
imaging, vol. 23, no. 10, october 2004, pp. 1292‐1300. 
[9] Fu, K.S, González, R.C. y Lee C.S.G. ”Robotics control, sensing, vision and intelligence”, 
McGraw‐Hill, New York 1987. 
 

(ISBN 970‐32‐2673‐6)