Nuevo Ley

Matemática Computacional
Introducción al
Procesamiento de Imágenes
MATEMÁTICA COMPUTACIONAL - MA475 1

Logro
El alumno, al término de la unidad, será capaz de manejar los conceptos
básicos necesarios para el entendimiento del procesamiento de
imágenes y será capaz de utilizar el procesamiento de imágenes por
histograma.

¿Qué es el Procesamiento digital de Imágenes?
Son los diferentes cambios que se hacen a una imagen digital por
medio de una computadora para lograr un objetivo específico.
Una imagen digital está compuesta por un número finito de
elementos, cada uno con una localización y un valor específico.
Estos elementos son llamados elementos pictóricos, elementos de
imagen o, más comúnmente, son conocidos como píxeles.

Aplicaciones
• En Medicina: Rayos X, rayos gamma, tomografías, etc.
• En Microbiología: observación de hongos, observación de
microorganismos, etc.
• En Meteorología: tratamiento de imágenes satelitales.

Imágenes y Matrices:
Imágenes Digitales
Una imagen digital es una celda compuesta por unos elementos llamados pixeles, que son los componentes más
pequeños de una imagen digital.
Cada píxel es un espacio en la memoria de la computadora donde se almacena un número y este número representa la
definición del color y el brillo de una parte de la imagen. Cada píxel puede definir un color solamente y el número de
pixeles define la cantidad de información que contiene una imagen.
RGB
Cualquier color puede ser representado mediante la combinación de los colores rojo, verde y azul, cada uno en
diferente proporción.
La combinación RGB estándar indica 256 niveles por cada canal, es decir por cada color rojo, verde o azul.
Para representar el valor de 256, requerimos de 8 bits para cada canal de color. Lo que nos permite una combinación del
orden 2563 lo que nos permite una combinación de casi 17 millones de colores. (16777216).
Existen otras representaciones como el CYMK.

Ejemplo
Esta imagen mide 3 pixeles de ancho por 3 de alto. (Ha sido
ampliada para fines demostrativos).
La matriz correspondiente a esta imagen sería una matriz de
orden 3 tal:
(151, 198, 255), (167, 202, 250), (178, 207, 249)

(176, 220, 255), (190, 223, 254), (197, 220, 253)
(209, 224, 245), (216, 229, 247), (217, 228, 246)

Representación de una Imagen Digital mediante una matriz:
Ya sabido como podemos representar una imagen (RGB) formaremos una matriz
de dimensiones m x n, con elementos vectores en donde cada vector estará
compuesto o constituido por 3 componentes (canales RGB), con valores
contenidos en los enteros de 0 a 255 en un intervalo cerrado.
Filtros aplicados mediante operaciones con matrices que representan una

imagen:
Dentro del procesamiento de imágenes existen algunos filtros básicos de frecuente
empleo que funcionan mediante operaciones con matrices, estos filtros se emplean
principalmente en la fotografía digital, los que hemos programado en este proyecto
son los siguientes:
Ajuste de Canales:
Consiste en manipular la intensidad de únicamente un canal a la vez, ya sea el
rojo, verde, o azul independientemente.

Como ejemplo definamos el
ajuste del canal verde:
M + A= C

*Nota: Para ajustar el canal rojo cada elemento de la matriz de ajuste será: (p,0,0)
y para el canal azul será de elementos: (0,0,p).

Ajuste de Brillo:
El ajuste de brillo es uno de los ajustes más elementales dentro del ajuste de
imágenes y uno de los más empleados.
El Brillo es el porcentaje de luminiscencia u oscuridad de un color. Puede ir desde el
0% que significa negro, hasta el 100% que significa blanco.
La operación correspondiente al ajuste de brillo es la siguiente:

M + B =C

Escala de Grises:
Las conversiones entre las imágenes de color y las imágenes en escala de grises
no son del todo directas. El ajuste de escala de grises consiste en la multiplicación
de cada componente por 3 constantes definidas: Alfa, Beta y Gamma.
Posteriormente se promedian las intensidades obtenidas en cada canal.
Este proceso sustrae toda la información de color que contiene cada pixel y nos
deja una separación de 255 niveles entre el blanco y el negro.
Estas 3 constantes se obtienen como la separación entre los canales RGB y el
negro:
Alfa: Separación entre el rojo y el negro. (0,299)

Beta: Separación entre el verde y el negro. (0,599)
Gamma: Separación entre el azul y el negro. (0,111)

La operación correspondiente es la siguiente:

Representación digital de una imagen
Una imagen puede ser representada como una función real que depende de
dos variables, 𝑓(𝑥, 𝑦) , donde 𝑥 e 𝑦 son coordenadas espaciales (indican
posición) y la amplitud (valor de 𝑓 en cualquier par de coordenadas) es
llamado la intensidad de la imagen en ese punto. El término nivel de gris
se refiere, frecuentemente, a la intensidad en una imagen monocromática.

¿Qué es una imagen digital?
Representación en formato grilla (matriz)
M filas x N columnas
M filas
Cada elemento de la grilla es un PIXEL
¿Qué información se guarda en cada pixel?
N columnas

En un Píxel se almacena la intensidad o tono de gris según el número de bits que se usan
para su representación.
2^n= nro de niveles

Imagen original
5 bits- 32 niveles de gris 4 bits – 16 niveles de gris 2 bits – 4 niveles de gris 1 bit- 2 niveles de gris

En un Píxel también se almacena su tamaño y de eso depende la resolución de la imagen
Imagen original 8 bits Imagen digital

0 = NEGRO
255 = BLANCO

Procesamiento por Histograma

¿Qué es el Histograma de una imagen?
El histograma de la imagen consiste en una gráfica donde se muestra
el número de píxeles (𝑛𝑘 ) , para cada nivel de gris (𝑟𝑘 ), que
aparecen en la imagen.
14
Histograma
La imagen 120
mostrada tiene
109
100
14 × 18 = 252 𝑝𝑖𝑥𝑒𝑙𝑒𝑠
18 80
Con solo 4 colores, 60 54
al lado se muestra 40
45 44
su histograma. 20
0
BL RO MA NA

¿Qué es el Histograma de una imagen?
Supongamos que tenemos una imagen en niveles de grises, siendo
el rango de 256 tonos de gris (de 0 a 255).

El análisis estadístico derivado del histograma puede servir para
comparar contrastes e intensidades entre imágenes. El histograma
podría ser alterado (proceso de ecualización del histograma) para
producir cambios en la imagen.
Por ejemplo, el histograma es utilizado 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. La forma usual de binarizar una imagen es eligiendo un
valor adecuado o umbral, 𝑢, dentro de los niveles de grises, tal que
el histograma forme un “valle” en ese nivel (todos los niveles de
grises menores que 𝑢 se convierten en 0 (negro), y los mayores
que 𝑢 se convierten en 255 (blanco).

63
En este ejemplo, se usó como umbral al valor 63. Es decir, todos los
valores que eran mayores que 63 se convirtieron en blanco (255) y
los restantes se convirtieron en negro (0). Con esto se mejoró la
imagen (eliminando la sombra).
Cuando el rango de niveles de gris que toma la imagen se
encuentra concentrado en una zona del intervalo, la imagen posee
poco contraste, mientras que si las frecuencias se muestran
uniformemente distribuidas entonces posee alto contraste. Para
aumentar el contraste, podemos expandir el histograma o bien
realizar una ecualización del mismo.

Proceso de Expansión de un Histograma
Este proceso consiste en aumentar el rango de niveles de gris de la
imagen. Se puede conseguir aplicando una transformación de las
intensidades mediante una función definida por tramos y que sea
monótona creciente.
𝑻(𝒓)

Ejemplo:
Supongamos que queremos transformar los niveles de gris que
están en el intervalo [100; 200] para que se encuentren en el
intervalo de intensidades [50; 250]. Calcularemos T(r).
Calcularemos una parte de la transformación y lo haremos de la
manera más simple: T(r) será una recta.
250
𝑠 =𝑇 𝑟 =𝑚𝑟+𝑏
𝒔 𝑻(𝒓) Para r=100 debe darnos s=50: 50= 100𝑚 + 𝑏
Para r=200 debe darnos s=250: 250= 200𝑚 + 𝑏
50
Resolviendo el sistema, obtenemos: 𝑇 𝑟 = 2 𝑟 − 150
100 𝒓 200
Con estos nuevos niveles, se calcula el nuevo histograma y se nota,
claramente, que dicho histograma va a ser alterado.
Proceso de Expansión de un Histograma
La forma más sencilla de llevar a cabo la expansión del histograma
consiste en transformar el rango de valores que toma la imagen
[𝑟1 , 𝑟2] en todo el intervalo [0, L-1]
𝑠 = 𝑇 𝑟 = 𝑟 − 𝑟1 ∗ (𝐿 − 1)/(𝑟2 − 𝑟1 )

Ecualización de un Histograma
Mejora el contraste de la imagen. Reparte de forma más o menos

uniforme los valores del histograma. La idea es obtener una
distribución de probabilidades “uniforme” de los niveles de gris en
la imagen.

Ecualización de un Histograma
Dada una imagen de tamaño MxN, con 𝑛𝑘 píxeles para cada nivel 𝑟𝑘 ,
la ecualización del histograma consiste en realizar la siguiente
transformación sobre los niveles de intensidad de la imagen:
𝑘 𝑘
𝐿−1
𝑠𝑘 = 𝑇 𝑟𝑘 = (𝐿 − 1) ෍ 𝑝𝑖 𝑟𝑖 = ෍ 𝑛𝑖
𝑀𝑁
𝑖=0 𝑖=0
Esto origina una dispersión del histograma en un rango mayor

dentro del intervalo [0, 𝐿 − 1], donde L es el número de niveles de
gris que se toma en la imagen.

Ejemplo
1200
Histograma
1023
1000
850
790
800
656
600
400 329
245
200
122
81
0
0 1 2 3 4 5 6 7
Distribución de la intensidad y los valores

del histograma para una imagen digital de
3 bits de tamaño 64x64

Calculamos las frecuencias absolutas (𝑛𝑘 ) y las frecuencias relativas
(𝑝𝑟 (𝑟𝑘 )) para cada nivel de gris (𝑟𝑘 )
1200
Histograma
1023
1000
850
790
800
656
600
400 329
245
200
122
81
0
0 1 2 3 4 5 6 7
𝑀 = 64 𝑁 = 64

Nuestro histograma, usando frecuencias relativas, sería el mostrado
en la figura
Histograma Original
0.3
0.25
0.25
0.21
0.2 0.19
0.16
0.15
0.1 0.08
0.06
0.05 0.03
0.02
0
0 1 2 3 4 5 6 7

Ahora calculamos los nuevos niveles de gris y sus frecuencias relativas
usando la fórmula:
𝑘 𝑘
𝐿−1
𝑠𝑘 = 𝑇 𝑟𝑘 = (𝐿 − 1) ෍ 𝑝𝑟 𝑟𝑖 = ෍ 𝑛𝑖
𝑀𝑁
𝑖=0 𝑖=0
rk pr(rk) sk sk ps(sk)
r0=0 0,19 (8-1)(0,19)=1,33 1 0,19
r1=1 0,25 (8-1)(0,19+0,25)=3,08 3 0,25
r2=2 0,21 (8-1)(0,19+0,25+0,21)=4,55 5 0,21
r3=3 0,16 5,67 6 0,16+
r4=4 0,08 6,23 6 0,08
r5=5 0,06 6,65 7 0,06+
r6=6 0,03 6,86 7 0,03+
r7=7 0,02 7 7 0,02 Para cada sk se
suman los
El sk se redondea al pr(rk) que le
entero más cercano corresponden

Finalmente, el histograma ecualizado es el mostrado en la figura
Histograma Ecualizado
0.3
sk ps(sk) 0.25
0.25
0.24
1 0,19 0.21
3 0,25 0.2 0.19
5 0,21 0.15
6 0,24 0.11
7 0,11
0.1
0.05
0 0 0
0
0 1 2 3 4 5 6 7

Histograma Original Histograma Ecualizado
0.3 0.3
0.25 0.25
0.25 0.25 0.24
0.21 0.21
0.2 0.19 0.2 0.19
0.16
0.15 0.15
0.11
0.1 0.1
0.08
0.06
0.05 0.05
0.03
0.02
0 0 0
0 0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7

Ejemplo de Ecualización de un Histograma

Ejemplo de Ecualización de un Histograma

Filtrado Espacial de imágenes
Logro
El alumno, al término de la sesión, será capaz de procesar imágenes
mediante la técnica de filtrado de imágenes.

Relaciones entre pixeles
Un pixel p con coordenadas (x,y) tiene cuatro vecinos entre horizontales y verticales, cuyas
coordenadas son (x+1,y), (x-1,y), (x,y-1), (x,y+1). Nótese que para cada uno de estos pixeles
hay una distancia de 1 del pixel p. En los bordes de la imagen algunos de estos pixeles
quedan fuera.
También existen 4 vecinos diagonales de p con coordenadas (x+1,y+1), (x+1,y-1), (x-1,y-1),

(x-1,y+1)

¿Qué es Procesamiento Espacial de una imagen?
Todo aquel procesamiento de imagen que manipula directamente
los píxeles de una imagen (en todo su dominio espacial) se dice que
es un procesamiento espacial.
Las dos principales categorías del procesamiento espacial son las

transformaciones de intensidad y el filtrado espacial.
Las transformaciones de intensidad operan individualmente en los
píxeles para lograr cambiar su contraste (por ejemplo la
ecualización por histograma).
El filtrado espacial opera los píxeles pero usando la vecindad de
dicho pixel y su principal labor es el realce de las imágenes
(reducción de ruido, mejora de la nitidez).

Filtrado Espacial
Un filtro espacial consiste en:
1. Seleccionar una vecindad de un pixel (normalmente un pequeño
cuadrado de orden impar).
2. Una operación predefinida realizada sobre los píxeles de la
imagen incluidos en la vecindad y cuyo valor final crea un nuevo
pixel cuyas coordenadas son las del pixel central de la vecindad.

Una imagen procesada (filtrada) es generada a medida que el centro
del filtro recorre cada pixel en la imagen de entrada. Si la operación 𝑓
sobre los píxeles es lineal, entonces el filtro es llamado filtro espacial
lineal; caso contrario es llamado filtro no lineal.

X (maneja la columna de la matriz)
Coeficientes del filtro (valores

Y (maneja la fila de la matriz) de la máscara de 3x3)
Aquí 𝑓 𝑥, 𝑦 representa la intensidad de cada pixel en la

coordenada (𝑥, 𝑦). El pixel central es aquel que aparece en el
centro de la matriz y al aplicar el filtro se tiene que el valor de
la intensidad del pixel en la posición (𝑥, 𝑦) de la nueva imagen
estará dado por:
Intensidad de los píxeles
de la sección de la 𝑔 𝑥, 𝑦 = 𝑤 −1, −1 𝑓 𝑥 − 1, 𝑦 − 1 + 𝑤 0, −1 𝑓 𝑥, 𝑦 − 1 + … + 𝑤 1,1 𝑓(𝑥 + 1, 𝑦 + 1)
imagen bajo la máscara

Ejemplo del proceso de filtrado espacial
Supongamos que se tiene una imagen de 5x5 donde se han usado
3 bits por pixel y su representación matricial se muestra en la
figura, al igual que la máscara del filtro.
Máscara
Imagen original
Para filtrar la imagen, se tomará la máscara y se coloca sobre la

matriz de la imagen. Se comenzarán a calcular los valores cuando
la posición central de la máscara coincida con la posición de un
pixel de la imagen y dicho valor se cambiará en la nueva imagen.

Paso 0: Se crea la estructura vacía que almacenará la nueva imagen.
Imagen nueva
Paso 1: Se coloca la máscara sobre la posición del pixel de la imagen que se va a modificar; de tal manera que
dicho pixel se encuentre en el centro de la máscara.

Paso 3: Se calcula el producto, casillero a casillero, y se suman los resultados colocando el resultado final en el
casillero del pixel a modificar.
En este caso, tendríamos: 𝑔 0,0 = −2 0 + 1 1 + 1 1 + 0 1 =2
Imagen nueva
Paso 4: Se mueve la máscara sobre la imagen hasta que todos los píxeles hayan aparecido una vez en el centro de
la máscara
Por ejemplo, 𝑔 1,2 = (0) 1 + (1) 1 + (0) 3 + (1) 1 + (−2) 1 + (1) 2 + (0) 2 + (1) 3 + (0)(2) = 5
En este caso, al terminar de hacer los cálculos tendremos:
Imagen nueva

¿Qué hace esta máscara? ¿Qué hace esta máscara?

¿Cómo elegir los coeficientes de una máscara?
Para generar un filtro espacial lineal mxn, debemos especificar los
coeficientes de la máscara. Estos coeficientes, a su vez, son
seleccionados en base a lo que el filtro debe hacer.
Por ejemplo, supongamos que queremos cambiar los píxeles de una
imagen por la intensidad media de una vecindad 3x3 centrada en
esos píxeles.
En este caso, podríamos usar la siguiente máscara:
Ya que el promedio de 9 números es igual a la suma de todos ellos

entre 9; y es lo mismo que sumar 1/9 de cada número.

Observaciones importantes:
1. Si el resultado de aplicar la máscara sobre un pixel da un
número decimal, entonces se debe redondear al entero más
cercano.
2. Si el resultado de aplicar la máscara sobre un pixel da un
número que está fuera del intervalo [0,L-1], entonces se puede
calcular su complemento módulo L y se toma el menor valor
positivo resultante como el nuevo valor del pixel.
Ejemplo 1: si L=8, y el resultado de aplicar la máscara da 14,
entonces el valor final de la intensidad del nuevo pixel será 6, ya
que 14 mod 8 es 6.
Ejemplo 2: si L=8, y el resultado de aplicar la máscara da -3,
entonces el valor final de la intensidad del nuevo pixel será 5, ya
que -3 mod 8 es 5.
Tipos de Filtrado Espacial
En el curso trabajaremos dos tipos de filtrado espacial, según su

objetivo:
1. Filtrado de Suavizado: para la reducción de ruido

Tipos de Filtrado Espacial
2. Filtrado de Agudizamiento: para el aumento de la nitidez de
una imagen realzando los bordes.

Filtros de Suavizado
Dos de los filtros de suavizado más usados son el filtro de la media

y el filtro de la mediana.
1. Filtro de la Media
La idea detrás del filtro de la media es la reducción de
irregularidades y de cambios bruscos de niveles de intensidad
(discontinuidades en la imagen). Como el ruido normalmente
resulta de cambios bruscos de los niveles de intensidad, entonces
logra reducirlo.
Pero, esto también tiene un efecto negativo y es la pérdida de
nitidez en la imagen ya que los bordes también son
“discontinuidades de la imagen” y, generalmente, los elimina.

Algunos filtros de media usan las siguientes máscaras:
Por ejemplo, a la imagen

original se le agregó ruido y
se aplicó un filtro de media
de 5x5 a dicha imagen
logrando la reducción total
del ruido.

En el siguiente cuadro se examina secuencialmente cada pixel, y
si la magnitud del mismo es mayor que el nivel de gris promedio
de sus vecinos mas un cierto umbral 𝜺, tal pixel se sustituye por el
valor promediado, caso contrario se deja inalterado el valor.

A continuación se muestra una imagen de 500 x
500 píxeles y se muestran algunos resultados de
aplicar filtros de la media con máscaras de
tamaño 3, 5, 9, 15 y 35
¿Es importante el tamaño de la mascara?
Desventajas:
•El filtro de la media es bastante sensible a
cambios locales.
•El filtro de la media puede crear nuevas
intensidades de grises que no aparecían en la
imagen.

Ejemplo de aplicación del filtro de media
figura, al igual que la máscara del filtro de media. Apliquemos el
filtro de media.
Máscara
Imagen original
Solución:
Analizando las intensidades de los píxeles, se puede notar que hay
“discontinuidades” en algunos cambios adyacentes. Estas
discontinuidades se dan por el cambio brusco de intensidades (un
cambio brusco se da de 5 a 0 y un cambio continuo es de 2 a 3).
Debido al análisis de la imagen, veremos que al aplicar el filtro de la
media, deben desaparecer estas discontinuidades.
Al aplicar la máscara dada sobre la matriz de la imagen, veremos

que la matriz resultante es:
Como se puede notar, no existen cambios entre píxeles adyacentes.

Los cambios son suaves y por esto se dice que se ha suavizado la
imagen. Incluso los cambios ahora, en su mayoría son de valor 1.

2. Filtro de la Mediana
El filtro de la mediana cambia el valor del pixel central por la
mediana de los valores de intensidad en la vecindad de ese pixel.
Los filtros de la mediana son bastante populares porque, para

ciertos tipos de ruido aleatorio, proporcionan excelentes resultados
en la reducción del ruido, con un suavizado considerablemente
menor que el filtro de la media.
Los filtros de la mediana son particularmente eficaces para eliminar
ruidos del tipo “sal y pimienta” (se llama así porque presenta
puntos blancos y negros superpuestos en una imagen).

Debemos tener en cuenta que la mediana M de un conjunto de valores es tal que
la mitad de los valores del conjunto es menor o igual que M y la otra mitad es
mayor o igual que M.
Para realizar el filtrado de la mediana en un punto de la imagen, primero
ordenamos los valores de los píxeles de la vecindad, calculamos su mediana y
atribuimos ese valor al pixel correspondiente en la imagen filtrada.
De esta manera, la principal misión del filtro de la mediana es forzar a los puntos
con niveles de intensidad distintos a ser más semejantes a sus vecinos.

Ejemplo de aplicación del filtro de mediana
figura. Apliquemos el filtro de mediana.
Imagen original
Solución:
Analizando las intensidades de los píxeles, se puede notar que hay
puntos blancos y negros (ruido “sal y pimienta”).

Veamos cómo se va calculando cada intensidad de los píxeles en la
nueva imagen.
Calculemos g(2,1).
En la imagen, se indican los píxeles alrededor de la

posición (2,1): 0, 1, 1, 0, 7, 1, 7, 0, 1
Imagen original Los datos se ordenan de menor a
mayor: 0, 0, 0, 1, 1, 1, 1, 7, 7
La mediana es 1. Entonces la imagen nueva en
esta posición será:
Imagen Nueva

Calculemos g(0,2).
En la imagen, se indican los píxeles alrededor de la

posición (0,2): 2, 0, 1, 7, 7, 0
Imagen original
Los datos se ordenan de menor a
mayor: 0, 0, 1, 2, 7, 7
La mediana es (1+2)/2= 1.5 que, redondeado,

es 2. Entonces la imagen nueva en esta posición
será:
Imagen Nueva

Siguiendo con el mismo cálculo, obtendremos la imagen nueva:
Imagen original Imagen Nueva
Como hemos notado, ha desaparecido el ruido y la imagen nueva

ha llenado el ruido por los valores que estaban a su alrededor. De
esta manera ha eliminado el ruido y ha hecho la imagen mucho
más suave. Ese es el efecto del filtro de la mediana.

Comparación entre filtro de la media y el filtro de
mediana en el caso de ruido “sal y pimienta”
Veamos el efecto sobre la matriz del ejemplo anterior, de ambos
filtros.
Imagen original Imagen Nueva usando Imagen Nueva usando filtro de la

filtro de la mediana 3x3 media 3x3 con coeficientes 1/9
Podemos notar que el filtro de la mediana ha logrado llenar el ruido “sal

y pimienta” usando los datos a su alrededor, logrando una imagen más
continua, mientras que el filtro de la media lo llena con valores nuevos.

Debido a que el filtro de la mediana llena el ruido con valores que
existen a su alrededor y por esto lo reduce con mayor efectividad que el
de la media (que coloca nuevos valores) como se ve en la foto.

Imagen resultante tras realizar Imagen resultante tras realizar un
Imagen original
un filtro de media de tamaño 3x3 filtro de mediana de tamaño 3x3

filtro de media filtro de mediana

Nuevo Ley

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Nuevo Ley

Caricato da

Copyright:

Formati disponibili

Matemática Computacional

MATEMÁTICA COMPUTACIONAL - MA475 1

MATEMÁTICA COMPUTACIONAL - MA475 2

MATEMÁTICA COMPUTACIONAL - MA475 3

MATEMÁTICA COMPUTACIONAL - MA475 4

Existen otras representaciones como el CYMK.

MATEMÁTICA COMPUTACIONAL - MA475 5

(151, 198, 255), (167, 202, 250), (178, 207, 249)

MATEMÁTICA COMPUTACIONAL - MA475 6

Filtros aplicados mediante operaciones con matrices que representan una

MATEMÁTICA COMPUTACIONAL - MA475 7

MATEMÁTICA COMPUTACIONAL - MA475 8

MATEMÁTICA COMPUTACIONAL - MA475 9

La operación correspondiente al ajuste de brillo es la siguiente:

MATEMÁTICA COMPUTACIONAL - MA475 10

Alfa: Separación entre el rojo y el negro. (0,299)

MATEMÁTICA COMPUTACIONAL - MA475 12

MATEMÁTICA COMPUTACIONAL - MA475 14

MATEMÁTICA COMPUTACIONAL - MA475 15

Representación en formato grilla (matriz)

Cada elemento de la grilla es un PIXEL

¿Qué información se guarda en cada pixel?

MATEMÁTICA COMPUTACIONAL - MA475 16

2^n= nro de niveles

MATEMÁTICA COMPUTACIONAL - MA475 17

MATEMÁTICA COMPUTACIONAL - MA475 19

Imagen original 8 bits Imagen digital

MATEMÁTICA COMPUTACIONAL - MA475 20

MATEMÁTICA COMPUTACIONAL - MA475 21

Con solo 4 colores, 60 54

MATEMÁTICA COMPUTACIONAL - MA475 22

MATEMÁTICA COMPUTACIONAL - MA475 23

Por ejemplo, el histograma es utilizado para binarizar una imagen

MATEMÁTICA COMPUTACIONAL - MA475 24

MATEMÁTICA COMPUTACIONAL - MA475 26

MATEMÁTICA COMPUTACIONAL - MA475 27

MATEMÁTICA COMPUTACIONAL - MA475 29

Mejora el contraste de la imagen. Reparte de forma más o menos

MATEMÁTICA COMPUTACIONAL - MA475 30

Esto origina una dispersión del histograma en un rango mayor

MATEMÁTICA COMPUTACIONAL - MA475 31

Distribución de la intensidad y los valores

MATEMÁTICA COMPUTACIONAL - MA475 32

MATEMÁTICA COMPUTACIONAL - MA475 33

MATEMÁTICA COMPUTACIONAL - MA475 34

MATEMÁTICA COMPUTACIONAL - MA475 35

3 0,25 0.2 0.19

MATEMÁTICA COMPUTACIONAL - MA475 36

MATEMÁTICA COMPUTACIONAL - MA475 37

MATEMÁTICA COMPUTACIONAL - MA475 38

MATEMÁTICA COMPUTACIONAL - MA475 39

MATEMÁTICA COMPUTACIONAL - MA475 40

También existen 4 vecinos diagonales de p con coordenadas (x+1,y+1), (x+1,y-1), (x-1,y-1),

MATEMÁTICA COMPUTACIONAL - MA475 41

Las dos principales categorías del procesamiento espacial son las

MATEMÁTICA COMPUTACIONAL - MA475 42

MATEMÁTICA COMPUTACIONAL - MA475 43

MATEMÁTICA COMPUTACIONAL - MA475 44

Coeficientes del filtro (valores

Aquí 𝑓 𝑥, 𝑦 representa la intensidad de cada pixel en la

MATEMÁTICA COMPUTACIONAL - MA475 45

Para filtrar la imagen, se tomará la máscara y se coloca sobre la

MATEMÁTICA COMPUTACIONAL - MA475 46