Procesamiento Digital de Imágenes

Capítulo 1

parte 1

Ingeniería Civil Biomédica Pamela Guevara

1
 Contenidos
– Clasificación de Imágenes
– Digitalización
• muestreo
• Cuantificación
– Imágenes a color
• Modelos RGB, CMY, YIQ, HSV
– Histograma
• Binarización

2
Tipos de Imágenes - Digitalización
Imagen natural capturada con Imagen discreta,
una cámara, un telescopio, un manipulable en un
microscopio o cualquier otro tipo computador
de instrumento óptico
DIGITALIZACIÓN
IMAGEN ANALÓGICA IMAGEN DIGITAL
variación de sombras y tonos continua

fuente imágenes: http://www.mailxmail.com/curso-fotografia-digital/imagen-analogica-imagen-digital-2 3

Clasificación de imágenes digitales:

Por dimensión: Imágenes 2D y 3D

Por « cantidad » de colores (o intensidades): en escala de grises
(pueden ser binarias) y a color (3 valores)

Ej. Procesamientos de imáginas médicas 3D

http://www.3d-doctor.com/images.html

Imagen en escala de grises Imagen binaria en escala Imagen a color

(una intensidad) de grises binaria (tiene 3 intensidades)
(sólo toma dos valores) 4
 Clasificación de imágenes digitales:
Mapa de colores

Las imágenes médicas son en general en escala de grises: representan una
magnitud física

Se puede aplicar a la imagen un mapa de colores, donde cada valor o
intensidad tendrá asociado un color específico.

Imagen de RM cerebral Imagen de RM cerebral

mapa de colores “niveles de gris” escala niveles “jet”
5
 Clasificación de imágenes digitales:
Máscaras

Las imágenes binarias suelen resultar de
análisis sobre las imágenes originales y
utilizarse como « máscaras »

Las máscaras son usadas por ejemplo para
extraer partes de la imagen original.

Imagen en escala de grises

resultado de la aplicación de la
máscara de corteza cerebral

Imagen en escala de grises Imagen binaria (0:negro, 255:blanco)

Imagen de RM cerebral Máscara de corteza cerebral,
hemisferio derecho 6
 Imágenes digitales 3D
volumen 3D
corte 2D (slice)

• forma, tamaño
• intensidad I(x,y,z)
• forma, tamaño
• intensidad I(x,y)

Ejemplo IRM (256x256x124), tamaño del vóxel: 0.9375x0.9375x1.2

Axial Sagital Coronal 7

 Imágenes digitales 3D
Ejemplo CT (Escáner, Tomografía Axial Computarizada)

8
Digitalización

9
 Digitalización: muestreo y
cuantificación

Un muestreo consiste en una subdivisión de la imagen analógica en
porciones.

Hay particiones delimitadas por polígonos regulares: triángulos,
cuadrados y hexágonos.

Estos polígonos representan sensores sensibles a la intensidad de luz.

10
 Digitalización: muestreo y
cuantificación

En el modelo matemático de una imagen, un píxel se identifica con su
centro, pudiendo representar los píxeles como puntos (x,y) del plano,
donde (x,y) son las típicas coordenadas cartesianas.

Dependiendo de los distintos tipos de mallado, la distribución de los
píxeles es distinta:

Los bordes de las regiones están pintados en negro. Los píxeles están
representados por puntos en color rosa. Dos píxeles están conectados si las
regiones correspondientes comparten un lado común.
11
 Digitalización: muestreo y
cuantificación

Imágenes digitales cuadradas o

rectangulares, cuyos píxeles (x,y)
representan regiones cuadradas

(x,y) son las típicas coordenadas

cartesianas:

- La coordenada x especifica la fila (row) donde está localizado el píxel

- La coordenada y representa la columna (colum).
- Por convención, el píxel (0,0) está localizado en la esquina superior
izquierda de la imagen

NOTA: recordar que en MATLAB los índices comienzan en 1.

12
 Cuantificación: discretización del color
• Cuantificación: La salida de los sensores es un valor
(amplitud) dentro de una escala (ej. color).
– Un polígono de color constante se llamará píxel.
– Escala de grises: un único valor por píxel
– Imagen color RGB: un vector con 3 valores por
píxel, que se corresponden con la intensidad de
color rojo (R), verde (G) y azul (B).
• La escala de colores también tiene un rango
discreto (p. ej.: de 8-bits = 256 valores).
– Imagen Binaria: escala de grises con sólo 2
colores: blanco y negro (0 y 1, respectivamente, ó 0
y 255...)
13
Cuantificación: discretización del color
16 niveles 8 niveles

4 niveles 2 niveles
14
 Imágenes RGB
Se pueden considerar como 3 imágenes

plano rojo (R) plano verde (G)

plano azul (B) imagen RGB

fuente imágenes: http://www.mathworks.de/access/helpdesk_r13/help/toolbox/images/intro9.html, wikipedia 15

 Digitalización: muestreo y
cuantificación
• Una imagen digital de MxN píxeles en escala de grises
(con L niveles de gris) es una función:
f: [0,M-1] x [0,N-1] -> [0, L-1],
tal que a cada punto (píxel) (x,y), le asigna un valor (nivel de gris).
• Si representamos esta función en el espacio, obtenemos una nube de
puntos. Uniendo los puntos formando un mallado, obtenemos una superficie.
El estudio analítico de dicha superficie nos puede dar información acerca de
la imagen.

16
 Ejemplo de Digitalización

Muestreo: mallado cuadrangular de 9 por 9 cuadrados

Cuantificación: consiste en una paleta de 256 niveles de gris (donde
0 indica el color negro y 255 el color blanco)

Imagen analógica Imagen muestreada Cuantificación de

los píxeles

17
 Ejemplo de Digitalización

Partiendo de una misma imagen y dependiendo del mallado que
escojamos, la imagen digital obtenida es diferente (el muestreo
determina la resolución espacial):

18
 Ejemplo de Digitalización

Efecto de la paleta de colores (la cuantificación determina la cantidad de
niveles posibles).

19
Digitalización: muestreo y cuantificación

¿Qué muestreo y cuántos niveles de gris son necesarios para una
buena aproximación?

La resolución (el grado de detalle discernible) de una imagen depende
estrechamente de estos dos parámetros. Cuanto más se incrementan,
más se aproxima la imagen digitalizada a la original.

La cantidad de niveles de gris (resolución de intensidad) y la finura del
mallado (resolución espacial) dependen de:
– resolución y sensibilidad del sensor
– capacidad de almacenamiento
– tiempo de adquisición

20
Digitalización: muestreo y cuantificación

Si el muestreo consiste en un mallado de M x N píxeles y el número de
niveles de gris permitido es L=2^k, entonces el número de bits
necesarios para almacenar una imagen digitalizada es:
MxNxk

Por ejemplo:

niveles de
resolución k (bits) tamaño (bits) tamaño (KB)
gris

128 x 128 64 6 98.304 12

256 x 256 128 7 458.752 56

1024 x 1024 256 8 8.388.608 1024 (1 MB)

1 Byte = 8 bits
1 KB = 1024 Bytes = 1024 x 8 bits 8 bits = 1byte = 256 colores

21
 Imágenes a Color: Modelo RGB

Las imágenes digitales a color están gobernadas por los mismos
conceptos de muestreo, cuantificación y resolución que las imágenes
en escala de grises.

En lugar de un único valor de intensidad (nivel de gris), los píxeles de
las imágenes a color están cuantificados usando tres componentes
independientes, uno por cada color primario
ej: RGB = rojo, verde y azul

Combinando distintas
intensidades de estos tres
colores, podemos obtener todos
los colores visibles.

fuente imágenes: wikipedia 22

 Imágenes a Color: Modelo RGB
Representación de color en 24 bits (True color): 3 bytes por píxel

fuente imágenes: wikipedia 23

 Imágenes a Color: Modelo RGB

R G B

fuente imágenes: wikipedia 24

 Imágenes a Color: Modelo CMY

Existen modelos diferentes del RGB para algoritmos y aplicaciones
específicas.

Cualquier otro modelo sólo requiere una conversión matemática
simple para obtener el modelo RGB.

Para imprimir una imagen digital, es necesario convertir la imagen
RGB al modelo CMY (cian-magenta-amarillo).

La conversión es:

           R      L      C
           G  =   L      M     
           B      L      Y

siendo L-1 es la cantidad de niveles de color de la imagen (L = 256

para True Color).

fuente imágenes: wikipedia 25

 Imágenes a Color: Modelo CMY

Componentes de la imágen para el modelo CMY

Componentes de la imágen para el modelo CMYK, acrónimo de Cyan,

Magenta, Yellow y Key (Cian, Magenta, Amarillo y Negro)
26
fuente imágenes: wikipedia
 Imágenes a Color: Modelo YIQ

El modelo YIQ se usaba en las normas de televisión (NTSC ( National
Television System(s) Committee), América del Norte y Central y parte de Sur, Japón).

YIQ es una recodificación de RGB para mantener la compatibilidad con las
televisiones en blanco y negro. La componente Y (luminancia) provee toda
la información requerida para una televisión en blanco y negro. La
conversión de RGB a YIQ es:

Y     0.299   0.587   0.114    R    Y: luminancia
I: fase
*
I  =  0.596  -0.275  -0.321    G
Q: cuadratura
Q     0.212  -0.523   0.311    B

La componente Y es una imagen en escala de grises,

ésta se obtiene aplicando al valor RGB de cada píxel,
la fórmula:
Y = 0.299*R + 0.587*G + 0.114*B

R, G, B, Y ∈ [ 0, 1 ]
I ∈[-0.5957, 0.5957], Q ∈[-0.5226, 0.5226]
fuente imágenes: wikipedia 27
 Imágenes a Color: Modelo YIQ

Y I Q

fuente imágenes: wikipedia 28

 Imágenes a Color: Modelo HSV

Otro modelo muy utilizado es el HSV que representa el color de una
manera intuitiva. V : valor, intensidad (value)
H : color (hue)
S : saturación (saturation)

Este modelo es muy utilizado en algoritmos de procesamiento de
imágenes basados en propiedades del sistema de visión humano.

Intuitivamente se pueden asimilar a:
– V = brillo
– H = color
– S = intensidad de color

29
 Imágenes a Color: Modelo HSV


Una rueda de color HSV color permite
seleccionar fácilmente un variedad de El triángulo de la izquierda
colores. corresponde a una cara de la

La representación cónica del modelo sección trasversal del cono de la
HSV permite visualizar el espacio de derecha.
color HSV entero como un sólo objeto.
30
 Imágenes a Color: Modelo HSV
Compare el lado oscuro de la sombra en la cabaña y las
zonas blancas con nieve en las montañas; una es mucho
más luminosa (brillante) que la otra, estos dos colores casi
neutros tienen una saturación baja (poca intensidad del
color).

Note que el pasto verde está altamente saturado y tiene un

brillo moderado, mientras que el azul de las montañas tiene
un hue (color) constante pero con variaciones importantes
de saturation y brillo. El cielo tiene valores contantes de
hue (color), y brillo (value), pero una saturación que varía.

H S V

fuente imágenes: http://en.wikipedia.org/wiki/HSI_color_space 31

 Imágenes a Color: Modelo HSV

Las fórmulas de conversión de RGB a HSV son más complicadas:
– Transformación no-lineal

{ }
G−B
60× si MAX RGB =R
MAX RGB − MIN RGB
H= 60× B− R
+ 120 si MAX RGB =G
MAX RGB − MIN RGB
R−G
60× + 240 si MAX RGB =B
MAX RGB − MIN RGB
MAX RGB −MIN RGB
S=
MAX RGB
V=MAX RGB

Algunas fórmulas de conversión:

http://www.easyrgb.com/index.php?X=MATH#text2
32
 Imágenes a Color: Paleta de Colores
Paleta de colores: es una tabla de tamaño n, donde cada
elemento es un color (normalmente en RGB).
R= 51
G= 153
B= 255

• El valor de un píxel de la imagen hace referencia a la paleta.

• Número de bits/píxel  Tamaño de la paleta.

2 bits = 4 colores; 3 bits = 8 colores; 4 bits = 16 colores; 8 bits
= 1byte = 256 colores.
33
Imágenes a Color: Paleta de Colores
• Normalmente, las paletas no suelen ser de más de 256
colores (1 byte por píxel).
• Si la imagen originalmente tiene más colores, es
necesario reducir los colores  Seleccionar los más
usados.
• Resultado: hay una pérdida de información de color.

Sin paleta Con paleta (256 colores)

34
 Herramientas Matemáticas

Operaciones píxel a píxel / Operaciones de entornos

Operaciones lineales / Operaciones no lineales

Operaciones aritméticas (píxel a píxel)
– Suma
– Diferencia
– Producto
– Cociente

Se debe prestar atención al rango de valores de salida.

Operaciones de conjuntos (morfología)

Transformadas de la imagen

f(x,y) Dominio transformado g(x,y)

transformada (operaciones) transformada inversa

35
 Histograma

Ej. para una imagen en niveles de grises, con un rango de 256 colores
(de 0 a 255).

El histograma de la imagen consiste en una gráfica donde se muestra
la cantidad de píxeles de cada nivel de gris que aparecen en la
imagen.

36
Histograma

37
 Histograma

El análisis estadístico derivado del histograma puede servir para
comparar contrastes e intensidades entre imágenes.

El histograma podría ser alterado para producir cambios en la
imagen.
– por ej. para binarizar una imagen digital, es decir, convertirla en
una imagen en blanco y negro, de tal manera que se preserven
las propiedades "esenciales" de la imagen o segmentar objetos.
– La forma usual de binarizar una imagen es eligiendo un valor
adecuado u (valor umbral) dentro de los niveles de grises, tal que
el histograma forme un "valle" en ese nivel (Thresholding).
• los niveles de grises menores 0 (negro)
• los mayores que u 255 (blanco)
NOTA IMPORTANTE : usamos a modo de
ejemplo imágenes de 256 niveles de gris (8 bits).
test interactivo: http://homepages.inf.ed.ac.uk/rbf/HIPR2/threshdemo.htm
38
Histograma: binarización

0 64 128 192 255

0 64 128 192 255

39
 Histograma en imágenes RGB


El histograma de una
imagen a color RGB
consiste en tres gráficas
siendo cada una el
histograma de cada color
primario:

40