Procesamiento de Imágenes

Clase 1 (22-08-2019)
 Se conoce el funcionamiento parcial de la Visión Humana, dado que biológicamente se
tienen claras las conexiones y la percepción a color (RGB), pero de todas formas existe un
vacío respecto a como el cerebro es capaz de interpretar las imágenes.
 Existen problemas clásicos respecto a la visión (ej. Ilusión ópticas, Ambigüedades ópticas,
Inconsistencias geométricas).
 Explicación respecto a la fotografía en general
 Ojo humano es más sensible al VERDE > ROJO > AZUL
 Muestreo y Cuantización
o Muestro: Discretiza el domino de la función imagen (ej. Resolución MxN).
Intersección de una fila (M) y una columna (N) se llama pixel.
o Cuantización: Discretiza el rango de la función. Consiste en determinar el número
de niveles de intensidad de la luz.
 Espectro Electromagnético: Conjunto de longitudes de onda de todas las radiaciones
electromagnéticas (luz visible para el humano [700nm – 400nm]
 Las imágenes pueden representarse como una función f(x,y) con origen en la esquina
superior izquierda (x = columnas, y = filas).
 Herramienta básica para el procesamiento de imágenes  Histograma de una imagen
o El histograma de una imagen representa la frecuencia de ocurrencia de las
intensidades de grises en una imagen. En general, el histograma de una imagen con
L niveles de grises es representado con un vector de tamaño L.
o Matemáticamente se puede presentar como un vector…
 ℎ(𝛿) → # de pixeles con intensidad 𝛿
 𝐻(𝛿) → # de pixeles con intensidad ≤ 𝛿 (función de acumulación)
o Bajo contraste: El histograma se concentra en una región en particular.
o Alto contraste: El histograma se distribuye de forma “más pareja”
 Tipos de operaciones sobre imágenes:
o Punto: La entrada y la salida se trabaja bajo un único pixel (ej. fotos en negativo).
o Local: A partir de un pixel de entrada, se aplica una operación al mismo pixel y a sus
vecinos (ej. detección de bordes).
o Global: Se toma toda la imagen y su resultado es aplicado a un único pixel (ej.
mejora de contraste).
o Filtros (ej. Detección de bordes, Mejoramiento del contraste, Morfología
matemática, Segmentación)
Clase 2 (27-08-2019)
 Ejemplo de operaciones punto -> Binarización (transformar una imagen con una paleta de
2 colores)

Técnicas de Globales (necesita emplear todos los puntos para operar)

 Binarización (podría considerarse parte del área de la Segmentación)

o Objetivo: Separar el objeto de interés del fondo de la imagen
o Entrada: Imagen en escala de grises
o Salida: Imagen binaria (sólo dos tonos de gris presentes, usualmente Blanco y
Negro)
o Requiere del uso de un umbral 𝜃 (threshold)
o El tamaño de la imagen no se cambia con el proceso.
o Problema común -> Elegir el valor para el umbral idóneo
 Algoritmo de Otsu
o Trabaja bajo el supuesto de que el histograma de una imagen es bimodal (2 clases
claramente diferenciadas)
o El umbral será aquel valor que permita minimizar la dispersión intra-clase y
maximizar la dispersión entre clases.
o Objetivo: Maximizar la varianza entre clases
o Consideraciones: (1) Diferentes de cero, (2) Diferencia absoluta entre clases
o 𝑃𝑣 = Probabilidad de que un pixel de la imagen posea un tono de gris v
o Puede obtener el valor del umbral en términos de la Entropía
o Incertidumbre: Estimación de los pixeles de la imagen
 Isodata
o Técnica iterativa
o Trabaja bajo el supuesto de que el histograma de una imagen es bimodal (2 clases
claramente diferenciadas)
o Proceso:
 1) Definir un umbral inicial
 2) Calcular el siguiente valor del umbral, mediante el valor promedio entre
las probabilidades de los grupos que se definieron a partir del umbral inicial.
 3) El proceso se detiene cuando los valores 𝜃𝑖 = 𝜃𝑖+1

Técnicas Locales (requiere de una vecindad de puntos)

 Binarización Local/Adaptativa
o Cambia el umbral según la vecindad de cada pixel
o ¿Umbral para cada vecindad? -> ej. Valor promedio de tonos de gris
 Niblack’s Thresholding
 Sauvola’s Thresholding
o Uso frecuente en procesamiento de documentos
Clase 3 (29-08-2019)
 Filtrado espacial: Su objetivo es acentuar o disminuir características. La entrada y la salida
es una imagen con leves cambios, para la cual se utiliza el proceso de convolución.
 La gran mayoría de los filtros trabajan bajo operaciones locales.

 Filtros lineales: Su nombre deriva por el tipo de operaciones matemática (producto punto).
Se aplica mediante un kernel/máscara/filtro centrado en el pixel que se desea transformar.
o 𝒓𝒙 : Distancia desde el centro del kernel al borde horizontal
o 𝒓𝒚 : Distancia desde el centro del kernel al borde vertical
 La suma de los valores que constituyen al filtro, deben dar como resultado 1, para así
asegurar que el resultado de la operación se encontrará dentro del intervalo [0-255]
 Los filtros pueden trabajar bajo una correlación (operación conmutativa -> no importa el
orden) o convolución.
 Convolución
o Similar a correlación, pero la máscara es reflejada
 Se refleja las filas o columnas que permitan extender la imagen hasta las
dimensiones necesarias para utilizar el kernel. No hay importancia sobre
que elemento se coloca en la esquina.
 Aparte del reflejo, puede extenderse la imagen con un wrap (emplear el
borde situado en el extremo inverso)
 Filtros de Suavizamiento: Permiten eliminar el detalle en una imagen o reducir el ruido de
una imagen (noise reduction)
o Ej. Ruido sal-pimienta – Ruido impulso – Ruido Gaussiano
o Filtro Mean (BOX FILTER): A partir de una vecindad, el filtro posee valores que
1
corresponden a
𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒𝑙 𝑓𝑖𝑙𝑡𝑟𝑜
 Filtro de 3x3 -> Suavizado leve
 Filtro de 9x9 -> Suavizado más fuerte (se ve mucho más borroso, como
miopía)
o Filtro Gaussiano: El filtro se define mediante una distribución gaussiana (normal).
El mayor peso se lo lleva el pixel central y a medida que se avanza hacia los bordes,
se reduce la importancia.
 Al complementar este filtro con una Binarización Adaptativa, se puede
lograr una imagen resultante con mayor detalle.
o Filtro Promedio/Rango: Sólo se promedian los pixels en la máscara que están en
cierto rango. El rango depende del tono de gris del pixel central.
 Uno de los problemas que presentan los filtros lineales, es la pérdida de bordes.
 Filtros de Realce: Se emplean para intensificar detalles finos en la imagen (ej. bordes).
o Filtro de paso alto: Se eliminan las componentes de bajas frecuencias, manteniendo
las altas (frecuencia alta -> cambios drásticos de tonalidad).
o La máscara debe tener un coeficiente positivo cerca del centro y coeficientes
negativos en la periferia.
 Filtros no lineales
o Filtro Mediana: A partir de una grilla de 𝑁𝑥𝑁 dimensiones, el pixel resultante
corresponde a la mediana de los tonos que abarca la grilla en la imagen original.
 Difusión anisotrópica:
o Descripción espacio-escala (scale-space): Consiste en la descripción de una imagen
mediante un análisis de múltiples escalas. Se genera una familia de imágenes
derivadas obtenidas por convolución de la imagen original.