Documente Academic
Documente Profesional
Documente Cultură
imgenes fusionadas
David Vivas1, Julio Ibarra2
1.
Universidad San Francisco de Quito, Colegio Politcnico. Calle Diego de Robles y Va Interocenica,
Campus Cumbay. Casilla Postal 17 1200 841, Quito, Ecuador.
2.
Universidad San Francisco de Quito, Colegio Politcnico. Calle Diego de Robles y Va Interocenica,
Campus Cumbay. Casilla Postal 17 1200 841, Quito, Ecuador.
Resumen: el enfoque de ste trabajo es definir las funciones de creencia para aplicaciones en
procesamiento de imgenes, especficamente para imgenes que provienen de varias fuentes. La idea
bsica est en la similitud entre las propiedades de los operadores morfolgicos y las propiedades de
la funciones de creencia. Se utiliza la morfologa matemtica y la teora de conjuntos difusos para
introducir imprecisin en las funciones de masa y funciones de creencia, utilizando especficamente
elementos estructurales difusos adecuados. El uso de la morfologa matemtica garantiza que las
funciones de creencia obtenidas tienen las propiedades requeridas.
Abstract: This paper defines the belief functions to be used in image processing. Belief functions
are useful for multiple source classification applications. The basic idea is to use the similarity
between the properties of mathematical morphology operators, fuzzy sets, and belief functions. The
proposed approach is applied in image fusion and synthetic images.
1. Introduccin
La fusin de la informacin en procesamiento de imgenes ha llevado a un inters cada vez mayor
durante los ltimos aos en las tcnicas de adquisicin de la informacin. En la tecnologa de la
informacin a menudo necesitamos procesar y razonar con cierto tipo de informacin que provienen
de diferentes fuentes tales como sensores, experiencia o modelos, ste tipo de informacin siempre
viene contaminado con varios tipos de imperfeccin como por ejemplo imprecisin, incertidumbre,
ambigedad, ruido, etc.
En el procesamiento de imgenes la fusin de la informacin aparece como una etapa necesaria para
aplicaciones como imgenes medicas, imgenes areas y satelitales, control de calidad, visin
robtica, etc. Este paso permite resolver problemas que no se pueden abordar al usar solamente un
tipo de adquisicin, debido a su imperfeccin e incompletitud. Un problema principal en este campo
es representar los diferentes tipos de imperfecciones como la imprecisin, incertidumbre,
ambigedad, la falta de fiabilidad, etc. Se han desarrollado varias tcnicas estadsticas y
probabilsticas especialmente con el fin de resolver estos problemas. En particular los mtodos
basados en el uso de las funciones de creencia se han desarrollado en los ltimos aos. En este
trabajo se desarrollar los mtodos para poder realizar una adecuada clasificacin de la informacin
proveniente de varias fuentes en las imgenes, un breve ejemplo que se desarrollar mas adelante
muestra cual es el objetivo de este trabajo.
Figura 1.- Dos ejemplos de imgenes provenientes de dos fuentes distintas, las cuales sern
fusionadas para obtener una mejor calidad de la informacin
En el primer ejemplo (a, b) las dos imgenes representan observaciones degradadas de una imagen
de dos clases (un cuadrado blanco en un fondo negro). Debido al ruido, tomar una decisin sobre la
pertenencia de un punto a una de las clases, basndose solo en las escalas de grises de ste punto en
las dos imgenes, podra terminar con una imagen muy ruidosa, en ese sentido es necesario utilizar
otras tcnicas de clasificacin de la informacin proveniente de las imgenes. El segundo ejemplo
muestra imgenes mdicas reales, debido a la limitada resolucin se puede observar una mezcla de
varias clases puras. Lograr realizar una adecuada clasificacin de la informacin nos permite
observar una patologa (rea brillante) que es visible en la segunda imagen pero no en la primera, se
puede modelar una clasificacin adecuada usando una disyuncin de las clases que son vistas con
niveles de gris similares en las imgenes.
2.- Imgenes fusionadas, funciones de creencia, morfologa matemtica, conjuntos difusos.
2.1.- Imgenes fusionadas
El proceso de fusionar imgenes consiste en combinar la informacin relevante de un conjunto de
imgenes en una sola imagen, donde la imagen resultante fusionada ser ms informativa y completa
que cualquiera de las imgenes originales, sin producir detalles que no existen en las imgenes dadas.
Estas tcnicas pueden mejorar la calidad e incrementar la aplicacin y el uso de estos datos. Estas
imgenes se pueden obtener mediante diferentes sensores, a diferentes tiempos y diferentes
caractersticas espaciales y espectrales [1-3]. Entre las tcnicas mas comunes para fusionar imgenes
se tienen tcnicas aritmticas como: mtodo de promedio, seleccionar el mximo, seleccionar el
mnimo, Discrete wavelet transform based fusion, anlisis de los principales componentes basados
en fusin, Fusin basada en transformacin multiescala, etc. El objetivo de producir este tipo de
imgenes es integrar los detalles geomtricos de alta resolucin (panchromatic image) y la
informacin de color de baja resolucin (multiespectral image) para producir una imagen de alta
resolucin. [4,5]. Utilizando Python y CV2 se obtuvo la fusin de las imgenes utilizando los
mtodos del mnimo y del mximo.
Figura 2.- Las imgenes superiores son las originales que provienen de diferentes fuentes, y las
dos imgenes inferiores muestran la fusin de las originales, utilizando un mtodo aritmtico, en el
primer caso se utiliz el criterio del mnimo y del mximo en el segundo.
2.2.- Funciones de creencia
La teora de las funciones de creencia se basa en dos ideas: la primera idea es obtener grados de
creencia para una interrogante dada a partir de las probabilidades de la pregunta en cuestin y la
segunda: la regla de Dempster que sirve para combinar tales grados de creencia cuando se basan en
eventos independientes de evidencia [6]. Esta teora conocida adems como la teora de evidencia o
como la teora de Dempster-Shafer (DS) es un marco de trabajo que permite manejar y modelar
diferentes tipos de incertidumbre. Este tipo de funciones tienen su base o fundamento en ciertos tipos
de datos llamados Evidential database EDB o Dempster Shafer database (DS database), los
cuales almacenan cierto tipo de informacin de certeza o incertidumbre y que sern modelados
usando la teora de funciones de creencia. La teora permite combinar la evidencia de diferentes
fuentes y llegar a un grado de creencia (representada matemticamente por las funciones de creencia),
las cuales toman en cuenta todas las evidencias disponibles. Los datos que se almacenan en este tipo
de bases pueden tener ciertas caractersticas como: datos de certeza, de incertidumbre,
probabilsticos, posibilisticos, datos perdidos, datos de evidencia, etc. El formalismo matemtico
comienza a partir de un conjunto de posibilidades bajo consideracin, por ejemplo: los valores
numricos de una variable o como pares de variables por ejemplo: fecha y lugar de origen de una
reliquia en particular con el objetivo de determinar si es una reliquia o una copia reciente, entonces
una hiptesis sobre este problema se representa por un subconjunto de este marco de discernimiento
(D) como por ejemplo (Dinasta Ming, China) o (Siglo 19, Alemania). La teora DS nos permite, por
creencia sobre tales proposiciones, estar representadas como intervalos acotados por dos valores, la
creencia (Bel) o soporte y la Plausibilidad (Pl).
Existen tres funciones bsicas que deben ser bien entendidas, estas son: la funcin de masa de
creencia la cual especifica la distribucin de masa de creencia (m-valores) sobre todos los posibles
subconjuntos de un cuadro de discernimiento (D), la funcin De creencia y la funcin Plausibilidad.
Similar a la regla de Bayes en teora de probabilidades, la regla de Dempster se utiliza en la teora
DS para combinar mltiples eventos independientes de evidencia pertenecientes a una variable.[7,8]
2.2.1.- La funcin de masa de creencia es similar a la funcin de distribucin de probabilidad con
una importante diferencia que se detalla a continuacin. Bajo teora de la probabilidad, la funcin de
distribucin asigna probabilidad de masa a cada elemento de un conjunto digamos {a1, a2, a3, ,an}.
Suponga que la probabilidad de masa asignado a un elemento ai se representa por P (ai), la cual
representa la probabilidad de que ai es cierta. Bajo la teora de probabilidad, P (ai) toma un valor
entre 0 y 1 de tal manera que la suma de todas las probabilidades de masa suman uno. La principal
diferencia entre las dos teoras es que bajo la teora DS, las funciones de masa de creencia bsicas
son asignadas no solo a elementos simples del conjunto {a1, a2, a3, ,an} sino a todos los
subconjuntos de dos, tres, cuatro, elementos, etc, hasta todos los elementos del conjunto. Entonces
una funcin Bel se denomina funcin de creencia si tiene la forma de la ecuacin (1), con m(A) > 0
y que suma 1, tambin con m () =0. Los subconjuntos A de para los cuales m(A) >0 se denominan
elementos focales de la funcin de creencia. [9].
2.2.2.- La funcin de creencia en un conjunto de elementos, digamos A de un cuadro de
discernimiento (D), representa la creencia total de que uno tiene basado en la evidencia obtenida. Es
la suma de todas las funciones de masas de creencia asignadas a los elementos que estn contenidos
en el conjunto A y la masa de creencia asignada al conjunto A. Matemticamente se puede expresar
la creencia total en el conjunto A como: Bel(A) = BA m(B) a diferencia de la teora de
probabilidad es, donde se tiene que Bel (A) = 0 representa falta de evidencia sobre A, mientras que
P(A) = 0 representa la imposibilidad de A. Sin embargo, Bel (A) = 1 representa certeza, esto es A es
certero de que en realidad ocurra, similar a P (A) = 1, lo cual adems representa la certeza de que A
es cierto.
(1)
Por lo tanto de stas definiciones se deduce que: creencia plausibilidad. La creencia (Bel) mide la
fuerza de la evidencia en favor de una proposicin p, el rango va desde 0 (que indica ausencia de
evidencia) hasta 1 (que indica certeza), en otro sentido Bel mide la cantidad de creencia que
directamente sustenta una hiptesis dada, es decir, de manera especfica establece una cota inferior.
En este sentido se puede establecer la siguiente relacin con el fin de definir la plausibilidad:
Pls (p) = 1 - Bel (~p)
(2)
Definir un conjunto de discernimiento (D) que representa las hiptesis de inters para tomar
una decisin (que ser la imagen que deseamos obtener)
Estimar las funciones de masa de las caractersticas de las clases en cada imagen
Combinar las funciones de masa de todas las imgenes
tomar una decisin basado en el clculo de la funcin de creencia
Una de las dificultades cuando se usa la teora de las funciones de creencia para imgenes fusionadas
consiste en estimar las funciones de masa en disyunciones para dar una apropiada representacin de
la imprecisin en la informacin que se obtiene de cada imagen. Esta imprecisin puede ser los
niveles de gris que caracterizan a las clases en cada imagen, imprecisin en el dominio espacial
debido al ruido, una delineacin muy pobre de los objetos, y un efecto parcializado del volumen, etc.
Varios ejemplos donde es muy til hacer una disyuncin y donde las funciones de creencia generan
respuestas apropiadas, se dan a continuacin [15]:
cuando las fuentes de informacin proveen solamente unas pocas de varias clases
cuando una fuente no diferencia entre dos clases, la ambigedad y la oscilacin
un efecto parcial de volumen o mezclado de pixeles debido a la naturaleza discreta de las
imgenes.
4
1
1
= 1 () 2 ()
(3)
(4)
(5)
inf
B (f)(x) = yBx
f(y)
(6)
En estas ecuaciones, x denota un punto sobre S, estas funciones son definidas en S y toman valores
numricos.
A partir de la dilatacin y de la erosin otros dos operadores se definen por composicin: la apertura
= y la cerradura = .
Las principales propiedades de estos operadores son:
(7)
2.3.1.- Relacin entre la morfologa matemtica y las propiedades de las funciones de creencia
Formalmente, las propiedades requeridas para definir o caracterizar las funciones de creencia (Bel)
y plausibilidad (Pl) definidas en un conjunto de discernimiento D son las siguientes: [17]
Bel () = Pls () = 0,
(8)
1 , . . . ( ),
(9)
Bel (A) = , ()
(10)
(11)
Bel(A) Pls(A)
(12)
Dada una funcin de masa normalizada es decir una funcin que va desde 2D hasta [0,1] de tal manera
que () = 1 y m () = 0, una funcin de creencia se puede obtener a partir de la ecuacin
(10). Tambin si dejamos de lado el hecho de que m () = 0 las frmulas pueden modificarse y tener
que: Bel (D) = 1 m () y Pls (A) = Bel (D) - Bel (). Cuando varias fuentes han sido combinadas
en una forma conjunta, la funcin de masa resultante m se obtiene a partir de las masas de cada
fuente mi usando la regla de Dempster expresada como: m(A) = (m1 m2 mn ) (A) =
1= 1 (1 )2 (2 ) ( ), lo cual puede conducir a una masa diferente de cero en el
conjunto vaco [12] La idea principal es explotar al mximo la similitud entre varias propiedades de
la morfologa matemtica y las funciones de creencia. De manera particular la dualidad que se tiene
en ambas teoras y los pares de operadores de cada una de ellas. Es decir: la anti extensividad de la
erosin y la extensividad de la dilatacin nos lleva a deducir que: . De igual manera existen
semejanzas cuando se utiliza la apertura ( = ) y cerradura ( = ). Ntese que siempre
se tiene que , cualquiera que sea el elemento estructural B [18].
Las nociones de conjuntos difusos son muy tiles para introducir imprecisin en las clases
de las imgenes, es decir en sus caractersticas a niveles de gris, esto se logra bsicamente al
utilizar un elemento estructural difuso adecuado que permita introducir la imprecisin.
Formalmente se puede utilizar funciones de pertenencia o funciones de probabilidad para
estimar las funciones de masa usando morfologa matemtica difusa ya que una de las
restricciones mas fuertes de esta teora es tratar con funciones que toman valores entre [0,1].
Se define la morfologa matemtica sobre conjuntos difusos con una base en las funciones
de pertenencia.
De manera general la base est en trasladar las ecuaciones de operaciones morfolgicas para
conjuntos binarios en sus equivalentes funcionales difusos. De este principio se desprenden las
siguientes definiciones para la dilatacin () y erosin () de un conjunto difuso por un
elemento estructural difuso definido en un espacio S, que en trminos generales es el espacio
Rn.
S,
() () = [(), ( )]
(13)
S,
()() = [(), ( )]
(14)
Figura 3.- Elemento estructural difuso en escala de grises mostrado en la forma de umbral
clsica y en la forma de teora difusa con aproximacin. Para mostrar este ejemplo se utiliz
Python 2.7 como lenguaje de programacin.
Cabe aclarar que los valores de un conjunto difuso deben ser interpretados como grados de
pertenencia y no como valores de los pixeles, en ese sentido los valores de los pixeles de las
imgenes deben tener una equivalencia que va de [0,255] a [0,1], como se muestra en el ejemplo
anterior.
3.- Funciones de creencia a partir de la morfologa matemtica para el caso de dos
elementos focales.
Habamos visto que los subconjuntos A de para los cuales m(A) > 0 se denominan elementos
focales de la funcin de creencia. En esta seccin se mostrar como se obtienen las funciones de
creencia a partir de los operadores de la morfologa matemtica. Con el objetivo de aplicar a las
imgenes fusionadas, se asume que todos los valores de las funciones (de masa, de creencia, de
plausibilidad) son por si mismas funciones definidas sobre el espacio S. Se puede interpretar
esta asuncin de dos maneras, S, el conjunto de valores m (A) (x), Bel(A)(x), Pls (A) (x)
para todos los subconjuntos A satisfacen las propiedades de funciones de masa, de creencia y
plausibilidad y de forma contraria , m (A) es considerada como una funcin que va
desde S hasta [0,1], lo cual puede interpretarse como una funcin de pertenencia o una funcin
de posibilidad. [24]
3.1.- Construccin de las funciones de creencia
La erosin y la dilatacin difusa, respectivamente la apertura y cerradura, son duales respecto al
complemento, lo cual sugiere que pueden ser interpretados como funciones de creencia y de
plausibilidad [15]. Asumiendo que se tiene una funcin de masa inicial 0 definida sobre el
marco de discernimiento D, y teniendo solamente A y como elementos focales, con AD y
=D\A de tal manera que 0 (A) + 0 () = 1, se puede tambin interpretar que 0 (A) y 0 ()
son funciones sobre S hasta [0,1]. En el caso de D = {1 , 2 } se tiene que A = {1 } y = {2 }.
Entonces se definen las funciones de creencia y plausibilidad usando los dos operadores duales
(tpicamente erosin y dilatacin o apertura y cerradura). Para erosin y dilatacin se define por
lo tanto de la siguiente manera: [25]
Bel (A) = (0 (A)), Pls (A)= (0 (A))
Bel () = (0 ()), Pls ()= (0 ())
De manera similar usando la apertura y la cerradura se tiene:
Bel (A) = (0 (A)), Pls (A)= (0 (A))
Bel () = (0 ()), Pls ()= (0 ())
3.2.- Propiedades
Las siguientes propiedades son dadas para la erosin y la dilatacin, sabiendo que se tiene lo
mismo para apertura y cerradura. Siempre se asume que el par de operadores son tomados
teniendo en cuenta las definiciones duales y con (0) = 1, lo que garantiza las propiedades de
las funciones de creencia y de plausibilidad.
Entonces usando la propiedad de dualidad entre la erosin y la dilatacin, tenemos: S
) (x) = v (m0 (A
)) (x) = v (1 m0 (A)) (x)
Bel (A
= 1 - v (m0 (A))(x) = 1- Pls (A) (x)
De manera similar:
) (x)
Bel (A) (x) = 1 - Pls (A
Ya que la erosin y la dilatacin difusas son internas en [0,1] y dado que podemos
)) [0,1]. Si establecemos que S, Bel ()(x) = Pls () (x)=0
concluir que (Bel (A) + Bel (A
y Bel (D) (x) = Pls (D) (x) =1, tenemos todas las propiedades que deberan satisfacerse por las
funciones de creencia.
Como habamos establecido que Bel (A) = BA,B m (B), de acuerdo a sta ecuacin se puede
obtener la nueva funcin de masa: S
m (A) (x) = Bel (A) (x)
) (x) = Bel (A
) (x) =1 Pls (A) (x),
m (A
) (x) = 1 - Bel (A) (x) - Bel (A
) (x)
m (A A
= v (m0 (A)) (x) - v (m0 (A)) (x)
)) (x) - v (m0 (A
)) (x)
= v (m0 (A
Esta nueva funcin de masa incluye la imprecisin representada por y permite definir un valor
) 1 y que adems esta funcin de
de masa en la disyuncin A , ntese que 0 m (A A
masa corresponde exactamente a la funcin gradiente morfolgico que no es mas que la
diferencia entre la dilatacin y la erosin.
Ejemplo. Un ejemplo de la construccin de stas funciones donde S es un espacio 1D, se
representa en la figura 2. La funcin de masa inicial esta definida en dos hiptesis disjuntas A1 y
A2 tales que D = A1 A2. Cada masa m0 (Ai) es una funcin que va de S hasta [0,1]. Para cada
punto x S se tiene m0 (A1) (x) + m0 (A2) (x) = 1. La erosin se realiza utilizando dos elementos
estructurales diferentes con el objetivo de mostrar la influencia en el resultado de las funciones
de creencia y las funciones de masa.
Figura 4.- Obtencin de las funciones de creencia y plausibilidad usando erosin difusa con
dos elementos estructurales diferentes.
Para un elemento estructural escogido como un elemento estructural difuso y que tiene la forma
de un paraboloide, se tiene:
Bel (A1) (x) = v (m0 (A1)) (x) = inf [(m0 (A1 )(y),1 (y x)],
yS
Bel (A2) (x) = v (m0 (A2)) (x) = inf [(m0 (A2 )(y),1 (y x)],
yS
Pls (A1) (x) = (m0 (A1 ))(x) = sup [(m0 (A1 )(y), (x y)]
yS
Pls (A2) (x) (m0 (A2 ))(x) = sup [(m0 (A2 )(y), (x y)]
yS
10
Por otra parte si las funciones de creencia estn definidas directamente en el espacio de la imagen,
es decir si S = Z2 o Z3, en este caso la imprecisin espacial en la delineacin de las clases u
objetos es introducida usando un elemento estructural difuso definido en el espacio de la imagen.
Este elemento estructural deber introducir la informacin a priori, es decir si la plausibilidad de
que un punto pertenezca a una clase es alta, entonces el efecto de la dilatacin ser aumentar la
plausibilidad de que los puntos vecinos pertenezcan a la misma clase.
4.- Aplicaciones en imgenes fusionadas
Existen varios posibles esquemas para aplicar en las imgenes fusionadas. Pero bsicamente se
basan en el procedimiento siguiente:
(1) Obtener la masa inicial normalizada m0
(2) obtencin de las funciones de creencia y plausibilidad de los elementos focales y de sus
complementos, utilizando operadores morfolgicos duales.
(3) La dualidad de los operadores nos asegura que Pls (A) = 1 Bel () y tambin por el hecho
de que nos aseguramos de que Bel (A) Pls (A)
(4) Se obtienen las nuevas funciones de masa, las cuales incorporan la imprecisin representada
por el elemento estructural usado en las operaciones morfolgicas
(5) ya que Bel (A) = , () y ya que m satisface las propiedades de funcin de masa,
entonces Bel (=1... ) {1}, (1)||+1 ( ), es decir que la funcin Bel
satisface la anterior ecuacin
Los varios esquemas que se presentan para el tratamiento de imgenes fusionadas son segn el
artculo:
a) De dos hiptesis
Si cada imagen provee informacin en una hiptesis y su contraria, entonces el mtodo
propuesto se aplica directamente.
b) Estimar cada clase o disyuncin de clases
En este esquema es posible obtener de cada imagen varias funciones de masa donde cada
una de ellas tiene solo dos elementos focales complementarios, este esquema se presenta y
es ampliamente utilizado en los mtodos de reconocimiento de patrones
c) Refinamientos sucesivos
Otro esquema posible consiste en realizar refinamientos sucesivos de las funciones de masa.
d) Mtodo directo
Se aplica en el caso en el que se tiene n elementos focales en la estimacin inicial, tomando
en cuenta que cada uno de estos elementos focales puede ser sencilla o la disyuncin de
varias hiptesis. Este esquema puede combinarse con refinamientos sucesivos con el
objetivo de tener mayor discriminacin entre clases
5.- Implementacin del mtodo (ejemplo propio)
El siguiente ejemplo es una reproduccin del ejemplo mostrado en el artculo y se lo realiz
utilizando el programa Python 2.7 como lenguaje de programacin, adems se utiliz la librera
Pymorph para procesamiento de imgenes en escala de grises disponibles en la red [26, 27]. En
primera instancia se realiz el procesamiento con un elemento estructural difuso de tamao 3x3
tanto para la erosin y la dilatacin difusas, tambin se mostrarn los mismos resultados
utilizando otro tipo de elemento estructural como se ver mas adelante. Mostraremos la teora
expuesta anteriormente considerando una imagen que tiene dos observaciones ruidosas, que se
consideran provenientes de dos fuentes de informacin diferentes. La imagen original contiene
dos clases, el cuadrado blanco y el fondo color negro, el cuadro de discernimiento simplemente
es D = {C1, C2}. Cabe sealar que se han utilizado las mismas imgenes originales que se
exponen en el artculo con la finalidad de comparar los resultados implementados en este trabajo.
11
Figura 6.- a) Imagen original con dos clases C1 y C2. b) y c) Imgenes ruidosas
Utilizando Python 2.7 las funciones de masa inicial 10 (1 ) , 02 (1 ) y las funciones de masa
para la segunda clase 10 (2 ) = 1 10 (1 ), 02 (2 ) = 1 02 (1 ) son obtenidas como se
muestran a continuacin, tomando en cuenta que los valores de los pixeles deben ser
normalizados, es decir deben corresponder al intervalo [0,1].
a)
b)
c)
d)
Figura 7.- a) imgenes originales proporcionan las funciones de masa inicial, b) se
normalizan los pixeles de la imagen al intervalo [0,1] c) obtencin de las funciones de
masa incial para la segunda clase d) seccin (3x3 pixeles) de las funciones de masa de la
clase 1 y 2 que muestran los valores normalizados en el intervalo [0,1].
Como se expuso anteriormente los resultados obtenidos se muestran en las figuras 8 y 9.
12
Figura 10.- Elemento estructural difuso (3x3 pixeles). a) muestra en forma de imagen b)
muestra en forma de array con los valores originales y con los valores normalizados.
Con este concepto se obtienen las funciones Bel (C1) utilizando la erosin de 10 (1 ), la funcin
Pls (C1) mediante la dilatacin de 10 (1 ), la funcin Bel (C2) a partir de la erosin de 10 (2 )
y la Pls (C2) mediante la dilatacin de 10 (2 ) respectivamente, como se muestran en la figura
12.
13
Figura 11.- Operaciones Morfolgicas difusas aplicadas a las funciones de masa de la fuente 1
y de la fuente 2 respectivamente utilizando Python como lenguaje de programacin y la librera
Pymorph (pm) como herramienta de procesamiento de imgenes
Figura 12.- Funciones Bel y Pls de la fuente 1: a) Bel (C1), b) Pls (C1), c) Bel (C2), d) Pls
(C2), obtenidas a partir de las operaciones aplicadas en la figura 11
A continuacin se obtiene las mismas funciones descritas en la figura 11 pero en este caso para
la imagen de la fuente 2 y se muestran en la figura 13.
14
Figura 13.- a) Bel (C1) utilizando la erosin de 02 (1 ), b) la funcin Pls (C1) mediante la
dilatacin de 02 (1 ), c) la funcin Bel (C2) a partir de la erosin de 02 (2 ) y d) la Pls (C2)
mediante la dilatacin de 02 (2 ) respectivamente y usando el cdigo descrito en la figura 11
A continuacin se obtiene las masas m1 (D) y m2 (D) que es la resultante de las masas de las
fuentes 1 y 2 respectivamente utilizando para esto una simple suma de las imgenes dilatadas
correspondientes. Los resultados se muestran en la figura 15.
Figura 14.- Clculo de las funciones de masa resultantes para las dos imgenes fuente
utilizando Python cuyo resultado se ve en la figura siguiente
Figura 15.- Funciones de masa a) m1 (D) y b) m2 (D) para las dos fuentes
15
Los valores obtenidos en las imgenes de la figura 15 son altos, de manera particular en el rea
intermedia entre las dos clases, lo cual es consistente con el hecho de que en la frontera de las
dos clases existe imprecisin introducida especficamente por el elemento estructural utilizado.
A continuacin se obtiene la fusin de m1 y m2 respectivamente cuyos resultados se dan
utilizando la regla de Dempster de las intersecciones y que se ve reflejado por la operacin lgica
AND en programacin como muestra la figura siguiente.
Figura 16.- Fusion de las masas correspondientes utilizando la regla de Dempster en Python
Figura 17.- Imgenes de las masas resultantes para C1, C2 y D respectivamente obtenidas con
el cdigo anterior
Por ltimo se obtiene la imagen final despus de la fusin, escogiendo en cada pixel la clase con
el valor mas alto de masa, es decir a un punto x se le asigna al cuadrado blanco si: m(C 1)(x) >
m(C2)(x) y se le asigna al fondo negro si sucede lo contrario. El resultado final se muestra en la
figura 18.
Note que en el resultado final es muy parecido a la imagen original excepto por algunas
irregularidades que aparecen en la frontera que separa a las dos clases.
Figura 18.- Cdigo Python que permite realizar el clculo descrito en el prrafo anterior, es
decir la imagen final deseada cuyo resultado se ver mas adelante
5.1.- Observacin: Es preciso aclarar que los valores obtenidos en la frontera de las dos clases
representan la imprecisin que existe en esta zona y que dependen del elemento estructural
16
utilizado, para un elemento estructural mas grande se puede observar una lnea ms marcada que
limita la frontera de las dos clases, este resultado se observa en la figura 19.
Figura 19.- a) Elemento estructural difuso de tamao (8x8 pixeles), b - c) funciones de masa
m1 (D) y m2 (D) respectivamente, d-f) masas resultantes para C1, C2 y D respectivamente
5.3.- Aplicacin del mtodo utilizando apertura y cerradura como operadores morfolgicos
Si utilizamos la apertura y la cerradura como operadores morfolgicos duales para remplazar a
la erosin y la dilatacin respectivamente y adems utilizando el elemento estructural de tamao
8x8 pixeles visto en la figura 19 podemos observar los resultados siguientes.
Figura 20.- Funciones Bel y Pls de la fuente 1: a) Bel (C1), b) Pls (C1), c) Bel (C2), d) Pls
(C2), obtenidas a partir de apertura y cerradura
Figura 21.- a) Bel (C1) , b) Pls (C1), c) Bel (C2) y d) Pls (C2) para la fuente dos usando de
igual manera la apertura y cerradura
17
Figura 22.- Funciones de masa a) m1 (D) y b) m2 (D) para las dos fuentes
Tamao
8x8
Tamao
3x3
Erosin y Dilatacin
la erosin dilatacin ya que esto depende mucho de la forma y tamao del elemento estructural
usado como se observa en los resultados.
6.- Aplicacin en imgenes mdicas
En esta seccin se realizar una aclaracin del mtodo utilizado al trabajar con imgenes mdicas
reales, cabe aclarar que ste ejemplo est mostrado en el artculo en cuestin. Las imgenes con
las cuales se va a trabajar en este ejemplo proceden de un proceso de resonancia magntica
utilizando dos tipos de parmetros para obtenerlas. Las dos imgenes originales constituyen las
dos fuentes que van a ser combinadas con el objetivo de mejorar la clasificacin. En la primera
imagen no es posible mirar la patologa del paciente pero se puede observar los ventrculos y el
fluido cerebro espinal (CSF) bien definidos y separados del resto del cerebro. La segunda imagen
muestra un rea brillante que corresponde a la patologa y los ventrculos y el CSF son difciles
de separar del resto del cerebro.
Figura. 25.- Imgenes mdicas que proceden de dos fuentes diferentes, estas imgenes sern
fusionadas con el objetivo de tener mejores resultados en la clasificacin y distincin de las
clases, con el fin de tener mayor claridad en la patologa cerebral del paciente
A partir de estas observaciones se puede modelar el problema como una clasificacin simple. En
este sentido se tienen tres clases diferentes {C1, C2, C3} que corresponden a las caractersticas
del cerebro, a los ventrculos junto al CSF y la patologa respectivamente. As mismo los
elementos focales son {C1, C3} y {C2} para la primera imagen y {C1, C2} junto a {C3} para la
segunda imagen. Las masas iniciales se definen a partir de los histogramas correspondientes en
el espacio de los niveles de gris y se muestran en la figura 7.
trabajar sobre las funciones de masa inicial. El tamao de la erosin y la dilatacin se obtienen
a partir del rango de ambigedad de los niveles de gris y entre las clases en los histogramas. La
dilatacin y la erosin son aplicadas en el dominio de los niveles de gris. El resultado de la
erosin sobre las funciones de masa inicial y sobre la funcin de masa en el espacio D se muestra
en la figura 8.
Figura 27.- Obtencin de las funciones de masa erosionadas y funciones de masa en D para las
dos imgenes
Ahora la combinacin con la regla de Dempster provee elementos focales que incluyen
disyunciones como se muestra en la taba de interseccin siguiente:
C2
{C1,C3}
D
{C1,C2}
C2
C1
{C1,C2}
C3
C3
C3
D
C2
{C1,C3}
D
Tabla 2.- Interseccin entre los elementos focales de las dos fuentes despus de la erosin.
La siguiente figura muestra tres tipos de imgenes resultantes:
Figura 28.- La primera imagen est basada en la regla de mxima probabilidad, la segunda imagen
se basa en un mximo de creencia sobre las clases unitarias, esta imagen incluye ms de la regin
intermedia en el rea patolgica, la tercera imagen se basa en un mximo de creencia sobre todas las
hiptesis (incluyendo las disyunciones excepto D), esta imagen es la mas importante ya que muestra
que el uso de los operadores morfolgicos matemticos permiten modelar explcitamente la
imprecisin en niveles de gris. La decisin en favor de {C1,C3} claramente muestra el rea intermedia
alrededor de la patologa lo cual es consistente con las interpretaciones mdicas. De manera similar
detallemos la regla de decisin alrededor de la patologa (C3). Las decisiones potenciales en sta
regin patolgica son C1, C3 y {C1, C3}. El mximo de creencia nos lleva a tomar decisiones en favor
de:
21
Otra regla clsica consiste en considerar la plausibilidad en vez de la creencia. En ste ejemplo esto
nos llevara a tomar decisiones en favor de:
C1 si m (C3) = 0
C3 si m (C1) = m ({C1 y C2}) = 0
{C1 y C3} si m (C3) 0 y (m (C1) 0 o m ({C1, C2}) 0)
Estas reglas son algo diferentes de aquellas que se basan en la mxima creencia, desde un punto de
vista prctico solo hay muy pocas situaciones donde las decisiones son realmente diferentes, adems
stas reglas involucran m ({C1, C2}), lo cual es poco interesante en este caso.
6.- Conclusiones
Con este trabajo se ha logrado mostrar que la teora de las funciones de creencia junto a la regla de
combinacin de hiptesis de Dempster Shafer son adecuadas cuando las fuentes de informacin
que forman las imgenes fusionadas tienen imprecisin y es difcil tomar una decisin con respecto
a la pertenencia o no pertenencia a las diferentes clases de cada uno de los pixeles de cada una de las
imgenes. Tambin se ha mostrado la estrecha relacin que existe entre la teora de las funciones de
creencia con la morfologa matemtica y los conjuntos difusos, de tal manera que se pudo definir
operaciones como la erosin y dilatacin difusas, es decir utilizando un elemento estructural difuso
que permiti ingresar imprecisin en las imgenes con la finalidad de lograr una correcta
clasificacin de los pixeles en cada una de las clases de las imgenes fusionadas.
En el ejemplo de implementacin del mtodo se ha podido demostrar la valencia del mismo al aplicar
las funciones de creencia junto con la teora de los conjuntos difusos de tal manera que es posible
establecer una zona que delimita las clases en las que est dividida la imagen introduciendo
imprecisin mediante el elemento estructural. Tambin se ha podido verificar la importancia de la
dualidad de las operaciones morfolgicas ya que se ha logrado validar de igual manera que el mtodo
sirve tambin si se utiliza las operaciones de apertura y cerradura en vez de la erosin y la dilatacin,
en este caso se puede observar que la imagen final tiene los bordes menos suavizados en la zonas
donde las dos clases se dividen inclusive las esquinas del cuadrado blanco han sido un poco
redondeadas con estos operadores, de todas maneras en los dos casos la divisin de las clases ha sido
efectiva, si comparamos la implementacin realizada en este trabajo y los resultados obtenidos en el
artculo podemos observar que en los dos casos se lleg a obtener el resultado deseado excepto
cuando se us la dilatacin erosin ya que existe aun ruido en la imagen blanca que depende
bsicamente de la forma del elemento estructural utilizado.
7.- Referencias
[1] Different Image fusin techniques a critical review, Deepak Kumar Sahu; M.P. Parsai;
Departament of Electronics & Communication Engineering, Jabalpur Enginnering College, Jabalpur
MP, India
[2] Data Fusion in 2D and 3D Image Processing: An Overview, Isabelle Bloch; Henri Maitre;
Ecole Nationale Suprieure des Telecommunications (GET Tlcon Paris), Signal and Image
Processing Department.
[3] Using synthetic images to register real images with Surface models; Berthold K.P.; Horn and
Brett L; Bachman, Massachusetts Institute of Technology, August (1977)
[4] Wavelet for Image Fusion; Shih-Gu Huang, Department of Electrical Engineering, National
Taiwan University.
[5] Understanding Image Fusion; Yun Zhang, Departament of Geodesy and Geomatics
Engineering, University of New Brunswick, Canada.
22
24