Procesamiento y Análisis Digital de Imágenes

1/304
Procesamiento y Análisis Digital de Imágenes
Tutorial por Jorge Márquez Flores. CCADET-UNAM

Posgrados de Ciencias de la Computación, Ingeniería Eléctrica y Física
2013
Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

2/304
Procesamiento y Análisis Digital de Imágenes

Digital Image Processing (DIP, IP ó PDI)
Campo multi-disciplinario: Matemáticas, Ingeniería eléctrica (señales),

Ciencias de la Computación (informática) y Física
 Adquisición, representación, procesamiento y análisis de información

multidimensional (especialmente imágenes) mediante computadoras.
 Visualización (representar cualquier tipo de información mediante

imágenes) y mejorar información pictórica para interpretación humana.
 Procesamiento de información (imágenes, escenas) para percepción

autónoma robótica (machine perception). Retroalimentación visual.
 Medición, análisis, caracterización y extracción de información (formas,

rasgos, relaciones y distribución de atributos) a partir de imágenes.

5/304
Tareas fundamentales de DIP
Formación, Producción y Adquisición de Imágenes

Digitalización, Representación, Almacenamiento y Transmisión
Realce y Restauración
Segmentación - detección
Selección y extracción de rasgos o características (features).
Análisis y Medición (e.g. morfometría, fotometría, estadística, modelado)
Reconocimiento
Interpretación
*** Visualización y despliegue de resultados (en cada etapa) ***
Notar que las etapas corresponden aproximadamente a las de un instrumento genérico:

sensor/adquisición, conversión A/D, procesamiento o reducción de datos (por ejemplo,
filtrado), análisis y despliegue de resultados.

6/304
Tareas (etapas) fundamentales de DIP (detalle)

Formación (Física), producción (Ingeniería, Tecnología) y adquisición de imágenes; captores
y sensores de imagen). Principios de fotografía, video e iluminación; condiciones reproducibles.
Digitalización: discretización, cuantización y compresión (+ codificación)
 Conversión de imágenes a forma numérica (digital)  Representación/Modelado.
 Aproximación eficiente y codificación para almacenamiento compacto (compresión) o dentro de la
capacidad del canal de información  Almacenamiento/transmisión.
Realce y Restauración: filtrado, transformaciones, reducción de datos.
 Mejora y correcciones (degradaciones: bajo contraste, ruido, desenfoque (blur)), especialmente para
llevar a intervalos característicos de visión humana (“visualizar”).
 En base a modelos, recuperar (restaurar) imagen original. Corrección de distorsiones, registro.
Segmentación – detección – etiquetado.
 Separación (o partición) en componentes de interés (criterio). ( conectividad, objetos).
Identificación y etiquetado. Criterios: por bordes (contornos o fronteras) o por regiones.
Selección y extracción de rasgos o características (features).
 Objetivo: diferenciar clases u objetos y establecer qué se va a medir.
Reconocimiento (de patrones, forma o configuración; análisis de cúmulos en espacios paramétricos).
 Proceso para asignar una etiqueta (clasificación) de acuerdo a descriptores ( toma de decisiones).
Interpretación
 Significado de acuerdo a problemas de estudio (sobre objetos reconocidos, mediciones y efecto de
una etapa del procesamiento, etc.). Decisiones alto nivel, diagnóstico, visualización científica.
Visualización y despliegue de resultados (en cada etapa).
13/304
Representación y Modelado de Imágenes
Modelos Perceptuales Modelos Locales Modelos Globales
• Percepción visual de • Muestreo y reconstrucción • Análisis de escena / modelos

contraste, frecuencia de inteligencia artificial.
espacial, color, bordes, etc. • Discretización y
cuantización de imagen. • Modelos secuenciales y de
• Modelos de fidelidad de aglomerado (clustering).
imagen. • Modelos determinísticos.
• Modelos de entendimiento
• Percepción temporal. • Expansiones en serie, de imágenes.
transformaciones unitarias.
• Percepción de la escena.
• Modelos estadísticos.
punto, pixel, (pel), voxel, faceta (spel),

Primitivas de Representación:
contorno, malla, frontera, texel, grafos,...
Imagen Generalizada: Primitiva de Representación + Atributo +

Localización y organización espacial (dominio).

17/304
Realce
• Mejora y correcciones (degradaciones: bajo contraste, ruido, desenfoque
(blur), orientación, ciertas distorsiones, etc.), especialmente para llevar a
intervalos característicos de visión humana (“visualizar”).
• En principio no implica modelos del original o de la degradación (mejora
empírica, sin que necesariamente coincida con imagen original o
condiciones originales, que pueden no ser adecuadas: baja iluminación, o
demasiada (por ejemplo una imagen del Sol, datos de ultrasonido, o en
rayos infrarrojos, invisibles al ojo humano).
• Un posible objetivo final, es el almacenamiento, codificación y
transmisión, sin análisis (no necesariamente).
• Criterios de calidad de imagen en función del grado de mejora o
reducción de la degradación. Carácter más cualitativo que cuantitativo.
Criterios de apreciación de rasgos e inclusive de estética.
• Gran dependencia de la imagen original, poca de la la adquisición.
Nota: Tanto realce como restauración podrían usar idénticos métodos de procesamiento
(filtros, transformaciones, etc.).

18/304
Restauración
• Puede implicar mejora y correcciones, pero además, en base a modelos
(del objeto o escena original, o de la degradación sufrida), implica
recuperar (restaurar) la imagen original (lo mejor posible), o alguna de
sus características. Corrección de distorsiones (geométricas Y/O del
atributo): registro (alineación correcta con transformaciones, inclusive
no-lineales), normalización, etc.
• El objetivo usualmente es menos de visualización y más de
recuperación y/o análisis cuantitativo y automático (por eso a veces se
le denomina también “pre-procesamiento”, en el sentido de preparar la
información, uniformizarla, etc., para su estudio. Pero se puede desear
solo una imagen puramente restaurada (como en las obras de arte).
• Criterios de fidelidad de imagen en función del grado de similitud con el
original o alguna referencia, o del modelo de degradación o modelo de
cómo debe ser el original. Carácter más cuantitativo que cualitativo.
• Mayor dependencia de proceso de adquisición y degradación, menor
dependencia de la imagen particular.

19/304
Aún para un objetivo de “mejora para visualizar”, puede ser necesario realizar
procesos de realce y análisis, en particular si la degradación es importante.
Las definiciones anteriores no son “absolutas”. Ejemplos:

El proceso de magnificación (zoom) se considera un realce y suele utilizar
interpolación sea por replicación de pixeles, bilineal, bicúbica, etc. Esta interpolación
modela la información perdida durante la adquisición, para generar una imagen a
mayor resolución que la adquirida, pero no se considera que se haya “restaurado” la
imagen original. La interpolación introduce una información artificial que substituye
aquella perdida, aunque puede coincidir. En principio, la información no aumenta.
El proceso de super-resolución es uno de restauración, a partir de varias adquisiciones

(no se introduce información artificial). La manera de combinar o fusionar dichas
imágenes, permite recobrar parcialmente detalles de la imagen original, al aumentar la
resolución, sin tratar de modelar el original (pero hay excepciones) pero si pueden
usarse modelos de la degradación sufrida. La información al final es mayor que la de
cualquiera de las adquisiciones (mayor resolución).
La super-resolución combina aspectos de los métodos de magnificación y también el

zoom usa métodos de restauración (por ejemplo la deconvolución) para mejorar la
apariencia. De este modo ambos procesos pueden ubicarse entre realce y restauración.

21/304

22/304

26/304
Sensores (transductores, captores, etc.) para adquisición de imágenes
 Cámaras (técnicas ópticas): fotografía, video sobre escena, par estéreo,

microscopios, etc. Captores de estado sólido.
 Escáneres (película negativos, placas astronómicas, documentos, objetos
tridimensionales; la información puede ser distancia o profundidad).
 Escáner (láser) de profundidad/distancia (“range”).
 Transductores de ultrasonido (varias geometrías, varios escáneres)
 Infrarrojos (sensar cambios en calor radiante), también para control.
 Ondas de radio sensor activo (“iluminación”) (Synthetic Aperture Radar ).
 De rayos X (CCD - radiografía digital), o de radiación en general.
 De movimiento (“tracking”), de aceleración y de posición.
 Magnéticos (MRI, arreglos de sensores efecto Hall, etc.)
 ...
 Montados en endoscopios, globos, drones, satélites, sondas, . . .
 Píldoras video-gastroendoscópicas, ciertas puntas laparoscópicas.

35/304
Procesamiento y Análisis de Imágenes Científicas

 Neuroimágenes, imágenes biomédicas, radiológicas, PACS
 Percepción remota, Geociencias, Astrografía, sondas planetarias
 Medicina Forense, informática forense (se analizan equipos muertos,
software o bases de datos dañadas).
 Imagenología Física, Química, Biológica
 Reconocimiento de Patrones, redes neuronales
 Simulación computacional en general
Procesamiento y Análisis de Imágenes de Ingeniería e Industriales

 Micrografías de materiales, radiografía industrial
 Identificación y manejo automático de componentes; ensamblado
 Suelos, imágenes sísmicas
 Sistemas de información, Visión Computacional y Robótica
 Síntesis de imágenes, Realidad Virtual, Mixat y Aumentada.

37/304
Imágenes Comerciales
 Fotografía (realce, retoque y montaje (digital))
 Edición de imagen
 Gráficos, Síntesis de Imágenes, animación, realidad virtual, FX
 Videojuegos, entretenimiento, cinematografía
 Gadgets, internet, GPS, pedagogía
 Navegación (barco, avión, auto)
 Biometría (iris, huellas dactilares, identificación facial)
 Búsquedas en bases de datos (imágenes) - búsquedas por íconos
 …
Arte, deporte, entretenimiento

Diseño, Arquitectura, Escenarios
Semiología de la Imagen – psico-imágenes, ilusiones ópticas
Iconografía - representación visual, simbólica y alegórica
Visualización de coreografías, storyboards, jugadas deportivas,
estrategias de acciones, dinámica de grupos, desastres, evacuaciones.

44/304
Algunos tipos de imágenes comunes

Imágenes de niveles de gris (ESCALAR)
Imágenes multi-nivel, L niveles de gris u[0, L1], usualmente L=256.
Imágenes duotono (bilevel, dos valores de gris (o de color) arbitrarios u1, u 2 )
Imágenes binarias o booleanas (1/0: verdadero/falso, forma/fondo)
Imágenes multi-canal (VECTORIALES)
2 canales: Imágenes complejas (ej: transformada de Fourier, filtros de Gabor, etc.)
3 canales: Color en espacios de color: RGB (canales rojo, verde y azul), HSL, etc.
Multi-espectral (región infrarroja, ultravioleta, micro-ondas : radar)
Imágenes temáticas multi-canal (información multidimensional, etiquetas)
4 canales: RGB, en graficación, para manejar la transparencia.
XYZt, ciertos procesamientos de secuencias animadas de objetos 3D.
N canales: Multi-espectral o hiper-espectral si N es grande y cubre un amplio espectro.
Secuencias de imágenes (escalar o vectorial)
Video (secuencia temporal)
Cortes seriados (secuencia espacial de objeto 3D; ejemplo: MRI)
Varias vistas, o diferentes sujetos, para extraer modelos representativos
Arreglos de imágenes
Geometrías no cartesianas
Mercator (coords. cilíndricas), v.g. imágenes de profundidad de scanner láser.
Esfera de Riemman, v.g. imágenes en formato Omniview (objetos o entornos).
*Imágenes no visualizables e imágenes parcialmente visualizables

45/304
Imágenes: Binaria (L=2) y Monocromática, o “B/N” (L=256)

46/304
Imágenes en Color (LR + LG + LB = 3256)
Varias interpretaciones y usos del color:

Color Real + realces varios
Pseudocolor (1 canal, escala de color
Look Up Tables).
Falso Color (2 o más canales, distinta
asignación de RGB o HSL).
Imágenes Paramétricas (atributos,
etiquetas. clases).
Planos gráficos superpuestos.
Realidad Mixta o Aumentada.
49/304
Una Imagen como un "Señal Bi-Dimensional"
Perfiles de intensidad (derecha). Ejercicio: identifique rasgos de la imagen como rasgos en los perfiles.
Identifique en imagen y señal las zonas (intervalos) de bajas, medias y altas frecuencias (predominantes).

51/304
Digitalización y Representación
Hay distintos tipos de formatos y maneras de representar información para visualizarla (inicialmente no
necesita ser una imagen, simplemente datos que serán estructurados para formar una imagen).
La primitiva de representación más común es el pixel. La representación discreta (o imagen digital)

siempre es una aproximación, dado que se tiene un número finito de muestras.
Un pixel típicamente representa intensidad luminosa (niveles de gris o color), pero también puede
representar opacidad, densidad, profundidad, altura, temperatura, presión, velocidad (como vector), y en
general cualquier magnitud física, química, fisiológica (activación), similitud, error, etc.
PIXEL
Imagen antes y después de digitalización (espacio) y cuantización (intensidad)

58/304
¿Dónde está el Pixel?
Es como el “color blanco”: síntesis de haces de color R,G,B = 1/3(255)

No existen físicamente “cuadritos” de color y mucho menos "grises"
64/304
Ejemplo de Realce de Contraste (Contrast Stretching)
“Bajo contraste”: grises en un intervalo estrecho; puede no haber blancos o negros (o ambos);
no se utiliza todo el intervalo dinámico.
“Alto contraste”: grises en un intervalo amplio; suele haber blancos y negros. A máximo
contraste se utiliza toda la gama o intervalo dinámico (usualmente [0, 255]). El caso
extremo produce binarización (sólo blancos y negros); es realce-de-contraste binario.

65/304
Distribuciones de niveles de gris (histogramas)
“Gatito”, izquierda: bajo contraste (grises), derecha: alto contraste (mayor intervalo dinámico).
uout Función de transferencia para realce de
contraste de acuerdo al histograma (función
lineal por pedazos (piece-wise linear)), notar
que no intervienen las coordenadas (x,y):
0 uin  u1
uout  T (uin )  2.5(uin  u1 ) u1  uin  u2
u1 u2 uin 255 u2  uin

Ventana de intensidades
Nota: T mapea en un mismo dominio (atributo u).

66/304
Realce de contraste binario o binarización por umbral-de-rasgos-de-histograma. (Arriba).

Gatito, antes y después de binarización por histograma. (Abajo-izquierda) Histograma en niveles de
gris; el "ò" indica el umbral elegido en un mínimo local (nivel de gris 145) separando modas
importantes. El segundo histograma (Abajo-derecha) corresponde a la imagen binaria. En un realce
de contraste binario y en una umbralización (un mismo resultado: la binarización), se aprovechan
los rasgos de la distribución de niveles de gris (v. g., mínimos locales, media, mediana, o el
promedio entre modas, etc.). Criterios y atributos totalmente distintos se pueden usar en una
binarización (v.g.: separar por textura diferentes, formas o relaciones geométricas entre partes).

67/304
Ejemplo de Realce de Bordes y de contraste

68/304
Realce y Restauración:
Deconvolución especial para corregir la “miopía” del telescopio Hubble

70/304
Ejemplo de Restauración (interpolación, filtrado y realce de contraste)
Cuatro posibilidades: (1) Se promedian líneas alternantes; (2) se excluyen líneas con poca
información y se sustituyen por interpolación: (3) se usan filtros en dominio de frecuencia
espacial; (4) se combinan algunas de las técnicas anteriores.

72/304
Restauración y Filtrado:
Filtro Mediana en Imágenes con Ruido Impulsivo o tipo “Sal y Pimienta”
Figura. (Izquierda) Imágenes a dos resoluciones (ver tamaño del pixel en extrema izquierda)
con ruido impulsivo o casi impulsivo (motas, puntas y “pelos”). (Derecha) el resultado de
aplicar el filtro mediana en una vecindad (ventana) de 3×3 alrededor del pixel central (nueve
muestras, en total). Notar en el 1er. ejemplo que pixeles muy cercanos al promedio local no
cambian, pues su valor coincide con (o redondea a) la mediana local.
78/304
Filtro Pasa-Bajas: Convolución con una Función de Dispersión Puntual
PSF (o un kernel pasa-bajas) en Dominio de Frecuencia Espacial (abajo)
(resolución: 512512)
79/304
Filtro Pasa-Altas (bordes y discontinuidades)
(resolución: 512512)
80/304
Filtro Digital de Convolución Espacial
para extraer bordes y discontinuidades
-1 -1 -1 -1 -1
-1 -1 -1 -1 -1
-1 -1 24 -1 -1 =
-1 -1 -1 -1 -1
-1 -1 -1 -1 -1
Kernel W(m,n) de 55 con “inhibición lateral”

M 1 N 1
( f *W )(m, n)    f (k , l )W (m  k , n  l )
k 0 l 0
Filtro de bordes por cada canal o sólo

en la imagen de intensidad (B/N);
más filtro mediana aplicado 3 veces
con radio de 2 pixeles:

83/304
Modelo Lineal de Degradación

(Efectos que alteran una medición)
Xin Entrada (dato, señal, vector, imagen, volumen, video, etc.).

Xobs Observación (lo medido o muestreado, salida del sistema de adquisición).
Xobs = Xin *  + 
 PSF del sensor (Función de Dispersión Puntual – función de apertura).
 Ruido aditivo en espacio de Xobs (sensor). Puede ser  = in* + ’
* Operación de convolución, en el dominio de xin (espacial y/o temporal).
 = “Xobs – Xin” Error diferencial (simplificación: mismos espacios).
Xin Xin * + out (Xin + in) *

84/304

86/304
Typical Imperfections in Digital Images

 Low resolution in: spatial and spectral domains (wavelengths represented within a limited band;
usually only 3 channels RGB), attribute (intensity) co-domain (too few quantization levels) and
time domain (sample rate too wide to capture fast-moving features, causing blurring even with a
small PSF). Origin: the finite window effect. Two components make up low spatial resolution:
o Low discrete resolution (undersampling): the size of the features of interest remain under twice the
size of a pixel, causing discretization artifacts: staircases, aliasing, sub-sampled textures.
o PSF degradation (blurring, independent of the pixel resolution) plus all optical aberrations.
 Presence of noise of various kinds: additive, structured, image-correlated, morphological and
interference with other signals, images or channels. Un-coded or unwanted info. becomes noise.
 Non-uniform background. Drift, color intensity deformations, inhomogeneities and gradients.
 Low contrast. Low dynamic range of the attribute, even with proper quantization (per color or
spectral channel). In general, the intensity window-of-interest has low contrast. Worst case: a
wide range of gray levels in a ROI appear as one single gray value.
 Attribute (intensity) saturation. The opposite of low contrast: information is lost if the dynamic
range of the image is larger (darker or lighter) than the dynamic range of the imaging system: the
highest gray levels appear as white and the lowest gray levels appear as black.
 Attribute (intensity) distortion. Linear and non-linear; colors do not correspond to reality.
 Geometric deformations or distortions. From linear to non-linear; it may include shape or
morphological fluctuations. Phase shifts and drifting (misalignments) are other examples.
 Presence of artifacts. Objects or features which are not those of interest, Moiré patterns, etc.

87/304
Segmentación de Imágenes y Etiquetado (Clasificación)

Separación (o extracción) en partes mutuamente excluyentes para procesamiento o análisis posterior.
Espécimen metalográfico pulido, las tres fases tienen Después de la segmentación (o durante dicho
un valor de gris promedio distinto. El atributo podría proceso, en muchos algoritmos), cada una de las
ser otro: textura, forma, tamaño,etc. tres fases se identifica por una etiqueta en color.
Segmentación binaria por umbralaje: Segmentación en n clases:
0 if I (x, y) < uumbral 1 if I (x, y)  [u0 , u1)
I (x, y) =  2
255 if I (x, y)  uumbral I (x, y) = 
if I (x, y)  [u1, u2 )
usualmente 0  negro, 255  blanco    

Hay muchos otros criterios de segmentación n if I (x, y)  [un1, un ]
La etiqueta 1,..., n ya no corresponde a
intensidad del original, sino a cada clase
88/304
Segmentación 3D en Componentes Conexas (color = etiqueta) – Galerías de Gusanos – Par Estéreo

89/304
Selección y extracción de rasgos y parámetros

 La caracterización de atributos, puede ser: numérica, geométrica,
topológica, morfológica, relacional, estadística o mediante análisis
espectral (a través de la Transformada de Fourier, de Haar, las Ondeletas
(Wavelets), las Transformadas de Distancia, momentos, longitud de
contorno, área superficial, dimensión fractal, etc.).
 La morfología (estudio de formas) y la morfometría (medición de formas)
pueden auxiliarse de la Morfología Matemática y del análisis fractal. A
veces morfología incluye patrones y textureas, la geometría tradicional, la
geometría fractal y la topología, aparte del estudio de formas libres.
 Las propiedades globales (Gestalt y enfoque holístico) se estudian
mediante modelos del Sistema Visual Humano (HVS). Por ejemplo, hay
modelos usando la Transformada de Hermite, de Gabor y el análisis
multirresolución (o piramidal) o bien, en espacios de escala
(scalespaces).
 Reconocimiento de Patrones.

94/304
Reconocimiento de Patrones
 Establecer N clases

Clasificar 
 Asignar a clase n, n1,..., N
Selección de atributos  vector de características (parámetros o atributos, rasgos (features))
en espacio de atributos o paramétrico (feature space) .
Nubes de puntos en un espacio

paramétrico 3D ya clasificadas
siguiendo tres distribuciones
gaussianas anisotrópicas 3D
(cada elipsoide es una iso-
superficie al nivel-vector
FWHM por cada gaussiana).

95/304
*Niveles de Procesamiento, Análisis y Entendimiento de Imágenes
Nivel 0: Representación de imagen (formación, adquisición, digitalización,

cuantización, compresión, primitivas de representación).
Nivel 1: Transformaciones imagen-a-imagen (realce, restauración y filtrado,
segmentación y clasificación).
Nivel 2: Transformaciones imagen-a-parámetros (reducción de datos - selección
y extracción de parámetros, morfometría o medición de formas).
Nivel 3: Transformaciones de parámetros-a-decisiones (reconocimiento e
interpretación).
“Nivel 2.5” (en promedio): Visualización científica: imágenes paramétricas, abstracción.
“Nivel 1.5 - 2.5” (en promedio): Reconstrucción 3D, video, seguimiento (tracking), stereo.
En foma aproximada tenemos estos dominios (diferencias muy difusas):
Procesamiento de Imágenes = Nivel 0 + Nivel 1
Análisis de Imágenes = Nivel 1 + Nivel 2
Visión por Computadora = Nivel 2 + Nivel 3
Reconocimiento de Patrones = Nivel 3

99/304
SOFTWARE básico de Procesamiento, Análisis y Visualización de Imágenes
ImageJ (dominio público, imágenes biología - plugins) http://rsb.info.nih.gov/ij

Matlab Image Toolbox http://www.mathworks.com
ImageMagik (dominio público, visualizador, procesamiento, realce, conversiones)
http://www.imagemagik.com
ImagePro (Media Cybernetics, biomed, metalurgia, microscopia) http://www.mediacy.com
Eikona (comercial/prueba, procesamiento – general)
http://www.alphatecltd.com/eikona/imageprocessing2d.html
MriCro (freeware medical image viewer, 2d/3D)
http://www.sph.sc.edu/comd/rorden/mricro.html
Photoshop (Adobe)
Photosudio 5.0 (procesamiento realce/edición fotografía) http://www.arcsoft.com
GIMP (GNU Image Manipulation Program) http://www.gimp.org
Xfig (gráficos X-Window, UNIX, Linux) http://www.xfig.org
3D Slicer (free open visualizador 3D) http://www.slicer.org
DIP Gonzalez (tutorials, Matlab, image databases, links)
http://www.imageprocessingplace.com/DIPUM-1E/dipum1e_main_page.htm
GNUPLOT (dominio público, gráficos) http://www.gnuplot.info
(VRML) : vrmlview, VRweb, ...
100/304
(X3D): Flux http://mediamachines.wordpress.com/flux-player-and-flux-studio
http://xml.coverpages.org/vrml-X3D.html
http://www.web3d.org/x3d/content/examples/X3dResources.html
Blender (dominio público - diseño CAD, mallados) http://www.blender.org
Amira (Comercial, visualización y análisis 3D) http://www.visageimaging.com
Vizup (Comercial, optimizador de mallados) http://www.vizup.com
Meshlab (Dominio público - mallados) http://meshlab.sourceforge.net
SVI Huygens (Comercial, deconvolución, Sci Vol Im) http://www.svi.nl
Envi (Comercial - texturas - geoespacial) http://www.ittvis.com/ProductServices/ENVI.aspx
SPM (Statistical Parametric Mapping - dominio público - alineación, GLM)
http://www.fil.ion.ucl.ac.uk
FreeSurfer (Brain mapping. Mac & Linux) https://surfer.nmr.mgh.harvard.edu/fswiki
ITK / VTK (Insight Toolkit, NLM; Visualization Toolkit
- dominio público, librerías C++, 2D/3D) http://www.itk.org
OpenCV (dominio público, Open Computer Vision Library)
http://sourceforge.net/projects/opencvlibrary
VXL (dominio público, librerías C++, CV) http://vxl.sourceforge.net
OpenGL (dominio público, Librería adquisición y gráficos en C). http://www.opengl.org
Blast, Numerical Recipies, … (librerías avanzadas para C y C++ de dominio público)

112/304
Imagen escalar discreta (“señal bidimensional discreta”, definición funcional):

sean D   , C   (dominio y co-dominio finitos),
2
I : D  C
" u  I (p)" indica  , con p  ( x, y)
 p  u
Usualmente D es un intervalo bidimensional (rectángulo) y C un intervalo escalar:
D   |0N1   |0M 1  [0, N 1]  [0, M 1], C   |0L1  [0, L 1]
Imagen escalar continua, isomorfa a funciones bidimensionales: u = I (x, y), donde
0  x  N–1, 0  y  M–1, 0  u  L–1.
Notar el isomorfismo (correspondencia uno a uno) entre imágenes discretas (atributo
escalar) de N por M dimensiones y arreglos o matrices MMN :
 u11 u12  u1N 

M ,N  u u 22  u2 N 
I  M M  N : I  ui j    21
 , M N ui j 
1,1
      i|1 j|1
u M 1 u M 2  u MN 
El atributo u puede también ser un vector u (v. g. color (r,g,b)), otras coordenadas, etc.
Cuando el atributo escalar u es intensidad luminosa en L niveles de gris, también llamado
valor o amplitud, I es lo que realmente llamamos una imagen (en “blanco y negro”, o
monocromática), con valores de gris entre negro (umin = 0) y blanco (umax =L1).
113/304
Muestreo o Digitalización de Imágenes

Cuando una imagen continua f(x, y) es muestreada uniformemente, cada nodo de una
retícula ortogonal discreta corresponde a un pixel con un atributo también muestreado; en
las coordenadas (x, y)(i, j) a enteros hablamos de discretización espacial, si es en el
atributo, usualmente amplitud o intensidad, entonces hablamos de cuantización:
 f (0, 0) f (0,1)  f (0, N 1) 

 f (1, 0) f (1,1)  f (1, N 1) 
f ( x, y)   
   
 
 f ( M 1, 0) f ( M 1,1)  f ( M 1, N 1) 

En la práctica 1 se usa la matriz transpuesta, con x (coordenada horizontal) las columnas y

y (coordenadas verticales) los renglones. En código de un programa en lenguaje C el
arreglo bidimensional I[y][x] permite representar y procesar una imagen (el valor u=
I[y][x] almacenado en el arreglo es el atributo). Si u es un número representado en 64 bits
(8 bytes) y la imagen es de 480640, la imagen ocupa 2, 457, 600 bytes.
Dada una imagen muestreada, un cambio en resolución o una transformación geométrica

(que debe considerar la discretización) se denominan re-muestreo (re-sampling).

114/304
Orden de coordenadas de una Imagen en la Pantalla (CRT) de una Computadora

115/304
Spatial Frequency
Period T = t Time frequency (scalar):
t f =1/t samples per time unit
time Hertz = cycles per second
Discrete samples separated by t Angular frequency:
 = 2πf radians/sec.
x
x Spatial frequency (1 dimension):
distance fx =1/x samples per distance unit
Discrete samples spaced by x lpi lines per inch
dpi dots per inch
y “wave number”
(x,y) waves per centimeter
2D spatial frequency (vector):

(x ,y) = (2π/x, 2π/y) rads/cm, rads/cm
x
Discrete 2D samples spaced by (x,y)

116/304
distance
x
fref =1/x Reference spatial frequency
(medium)
xH
fHigh =1/xH High spatial frequency
xL
fLow =1/xL Low spatial frequency
Linear frequency:
7 lines per millimeter
LPI: Lines Per Inch

DPI: Dots Per Inch
1 mm

117/304
Efectos de la Reducción de Resolución en la Retícula de Muestreo

(= aumento en el paso de discretización = “pixelizado”)

118/304
Efectos de la Reducción de Resolución en Intensidad (Cuantización)

Cuantización = Muestreo del Atributo (usualmente intensidad)
Escalas de niveles de gris
256 16 4

119/304
En resumen:
 Discretización
Muestreo o  (coordenadas, dominio espacial)
Digitalización de Imágenes 
 Cuantización
 (Atributo(s), codominio)
Estrictamente, deberíamos escribir I(x,y) para imágenes “continuas” (valores reales) y
conjuntos o arreglo de muestras Ii j (a veces como secuencias 2D en C: I[j][i]) para imágenes
digitales (o numéricas, siendo valores enteros). Las integrales se convierten en sumatorias, con
pasos discretos uniformes (x, y)=(1,1), y las derivadas en diferencias finitas, por ejemplo:
y2 x2 y2 x2 y2 x2
  I ( x, y)dxdy  lim   I ( x, y)xy

x  0
   I ( x, y),
y1 x1 y  0 y  y1 x  x1 y  y1 x  x1
I ( x , y ) I ( x, y )
 lim  ( I ( i 1) j  I ij ),
x x  0 x
con (  x , y )  (1,1)

123/304
Base 66 de Imágenes NM de Ondas Sinusoidales

n x) cos( m y), (n, m)  [0,5]  [0,5]
I nm ( x, y)  cos( aN bM

124/304
Base 1616 de Imágenes NM de Ondas sin(x)cos(y)

125/304
Síntesis de Fourier en 2D
Funciones-imágenes base del espectro de Lena:
...
2.5 + 4.5 + 1.2 + 0.1 + 0.3 + 0.2 + 1.0 + . . .
coeficientes (peso de cada imagen-base)
= 44 componentes Ansin()cos() 88 128128

129/304

130/304

131/304
Color in Visual Human System: Three channel (spectral bands)
Normalized responses of receptor cells type S (Blue), M (Green) y L (Red).

Red, Green and Blue channels as intensity images (colored filters at the sensor stage)

132/304

133/304
Realce de Contraste por Canal RGB (Contrast Equalization)

134/304
Realce de Contraste por Redistribución Gaussiana por Canal RGB

135/304
Realce de Contraste en Espacio HSV

141/304
Formatos de Archivos de Imágenes Digitales más Comunes
.bmp Bitmap File Format - Graphics Interchange Format - .gif (limitado a 8-bits por pixel, permite
compresiónLempel-Ziv-Welch – LZW). Color mediante LUTs, versiones a 24-bits (canales RGB).
.tif Tagged Image File Format - (más sofisticado que .gif permite hasta 24-bits por pixel y soporta
.tiff cinco tipos de compresión, incluyendo codificación run-length RLE, LZW, y JPEG).
.jpg JPEG File Format - (estándar comercial, permite compresión con estándar JPEG en muchas
.jpeg plataforma - compresión con pérdida, baja calidad para procesamiento y análisis científico).
 (RAW) arreglo “crudo, sin formato” - Las dimensiones y canales se especifican aparte.
.ras Sun Raster Format -
.ps PostScript y Encapsulated PostScript File Format -
.eps
.png Portable Network Graphics - Reciente, mejor que JPEG, maneja OK canales alpha
.tif DICOM Modificaciones de TIF para archivos de imagenología médica con información de
.dic paciente, técnicas, procesamiento efectuado, registro a nivel mundial (certificación).
.dcm
.gif Bitmap File Format - Graphics Interchange Format - (limitado a 8-bits por pixel, permite
compresiónLempel-Ziv-Welch – LZW). Color mediante LUTs, versiones a 24-bits (canales RGB).
Descripción detallada en: http://www.imagemagick.org/Usage/formats/
Utiles de conversión (importación): convert de ImageMagik, o “readers* ” de librería de
ITK (Image Tool Kit). Con ImageMagik, ejecutar convert -list format.

145/304
Fourier Transform (magnitude) of some images

146/304
Fast-Fourier Transform (FFT) Filtering
1. Before processing the original image is marred by "noise".
2. An FFT of the image is displayed. Due to its regularity, the noise

pattern stands out as four spikes. One of the spikes has been marked
inside an AOI (Area of Interest) preparatory to its deletion.

147/304
3. The four noise spikes, which corresponded to the regular

noise patterns, have been deleted from the FFT.
4. Inverse FFT (from #3): the image is clean.

152/304
Las coordenadas de los pixeles de una imagen, sin considerar el atributo (intensidad por ejemplo)
forman el dominio de una imagen discreta de NM pixeles:
dom( I )  [0, M 1]  [0, N 1]  (m, n)   2 | 0  m  M 1, 0  n  N 1

También hay dominio de una región de interés (ROI) o de un conjunto de pixeles y será entonces el
conjunto de coordenadas de dicha región o conjunto. El soporte se define como todos los pixeles del
dominio con atributo u= I(x, y) distinto de 0.
Ejemplo: Valor promedio de una imagen de NM:
M 1 N 1
1
f
MN
  f (m, n)
m0 n 0
el promedio en una ventana rectangular W = [m1, m2][n1, n2]  dom(I), definida por su esquina
inferior izquierda y su esquina superior derecha, o de una ROI arbitraria, es:
m2 n2
  
1 1
fW  f (m, n)  f (m, n)
( m  m )( n  n )
2 1 2 1
|W |
m  m1 n  n1 ( m , n )W
donde | W | = area(W), y si un pixel mide 1 unidad de área, | W |  card(W), es la cardinalidad o

número de pixeles, también denotada “#W”. En vez de W, podemos tener una ROI arbitraria.

159/304
The Nyquist-Shannon Theorem

A two-dimensional band-limited image I, with cutoff spatial frequencies
fx and fy (cycles/cm), can be uniquely represented from its samples Id (m,
n), if and only if the sampling periods x and y satisfy:
1 1
x  and y 
2 fx 2 fy
The Nyquist-Shannon Criterion for Spatial Resolution

To detect a feature (of interest), the spatial resolution of the sensor system
(1/fsampling =Lsampling) should be less than ½ the size Ldetails of the feature measured
in its smallest dimension. Equivalently, in frequency domain and in spatial
domain we have:
2 Ldetails
f sampling  2 f details f sampling  Lsampling 
Ldetails 2
The sampling frequency has to be twice the highest frequency of interest
in the signal (image) or, equivalently, the resolution length has to be half
the length of details “(peak width”) of interest in the signal (image).
160/304
For digital images, a general practical standard is as follows:

• For a unique feature to be detected it should be made up of at least 3-5 pure
pixels (assuming minimal impulsive noise).
• For a unique feature to be reliably identified requires a threefold increase in
resolution, or 10-15 pure pixels (20-50 if boundary pixels are included).
• For a unique feature to be analyzed (e.g., morphology) may require a tenfold or
greater improvement in resolution (100-200 pixels).
(Wilkie & Finn 1996 ). From a technical point of view, there is always a trade-off between
resolution (spatial & spectral) and the cost of image acquisition and processing. Increasing
resolution causes a parallel and multiplicative increase in the quantity of data that has to be
obtained, stored and analyzed.
In light of this trade-off between cost and resolution, it is of prior importance that the choice of
image resolutions be problem driven.

161/304
Efectos del muestreo:
100 muestras
162/304

165/304
M 1 N 1
Normalización implícita:   g (k , l )  1
k 0 l 0

166/304
Arriba: convolución en dominio espacial; h(m,n) es una Gaussiana 2D (= bivariada).

Abajo: el equivalente en dominio de frecuencia espacial es una modulación (producto).

167/304

169/304
Intensity Transfer Functions - LUTs (Look-Up Tables) - “Gamma”
+

+ 

170/304
Negative of an image: anti-unitary LUT (transfer function)
uin uout = L1uin  Note the requirement of an offset L– 1

173/304
A re-quantization LUT
k=Iin(x,y) LUT(k) Iout(x,y)=LUT(Iin(x,y))

175/304
Iso-Level LUTs

176/304
LUT of Cyclic Grayscale-Bins for Gradient Analysis
Saw-tooth transfer function:

178/304
How does a LUT works in a computer

Memory for input intensity u LUT: memory for a color output intensity uR, uG, uB
Address u= i Adress uR = uR = uB =
index i Identity transfer function index k
Offset: May be: u=f(i) LUTRed(k) LUTGreen(k) LUTBlue(k)
Offset:
0 0 0 252 0 10
1 1 1 251 1 1
2 2 2 2 2 2
3 3 3 17 4 7
4 4 4 255 100 2
∂ ∂ ∂ ∂ ∂ ∂
254 254 254 127 2 254
255 255 255 121 0 254
Color output intensity (input u =Iin(x,y) is a scalar image, with u[0,255]):

Iout=(uR, uG, uB) is a vector image. Inserting a color Look-Up Table, with a vector value (uR, uG, uB)
for each index k[0, 255], the input intensity u=(Iin(x,y)) becomes the color LUT index k, that is,
Iout(x,y) = ( LUTRed (Iin(x,y)), LUTGreen(Iin(x,y)), LUTBlue(Iin(x,y)) )

For a single channel, a LUT is a discrete scalar transfer function: Iout(x,y) = LUT(Iin(x,y)).

179/304
Color LUTs
k=Iin(x,y)
(LUTR(k), LUTG(k), LUTB(k)) …plus re-quantization to 6 levels

180/304
Designing RGB Color LUTs (False Color)

181/304
Iso-level (bands) + Color LUT
Whenever the color Moïré-interference patterns appear, there is interference and

aliasing (thus, relative sub-sampling): in those regions, the gradient of gray-level
intensity is stepper than the black-band gaps of the LUT. The color attribute allows to
better identify regions around a given gray-level intensity.

183/304
Fusion of MRI and PET Images Using Color Space HSL

184/304
The "true-color" image shows the area in The same area as a "false-color"
actual colors, e.g., the vegetation appears in image using the near infrared, red and
green. It covers the full visible spectrum green spectral bands mapped to RGB
using the red, green and blue/green spectral – this image shows vegetation in a red
bands of the satellite mapped to the RGB tone, as vegetation reflects much light
color space of the image. in the near infrared.

191/304
Imagen Representada como “Señal Bidimensional”

192/304
Imagen Representada como Relieve (Mapa de Elevación)

193/304
Rasgos de una imagen caracterizados como rasgos
de su representación de elevación (relieve z = I(x,y)

197/304
Ruido Gaussiano
Función de Distribución
Probabilística:
( u u )2
1
 (u ) 
2
e 2
2
2
donde
u = valor de nivel de gris

ū = valor medio
 = desviación estándar
(2 es la varianza)

201/304
Representación de formas
Atributos regenerativos Atributos cuantitativos (Morfometría)
• Fronteras
• Regiones Geometría Topología Momentos
• Esqueleto • Perímetro • Hoyos • Centro de masa
(Medial Axis Transform)
• Area • Número de Euler • Orientación
• Momentos • Factor de forma • Nodos • Rectángulo
• Descriptores • Radios max/min • Cuellos delimitador
estructurales y sintácticos y eccentricidad
• Zonas críticas • Elipse mejor ajuste
• Descriptores de Fourier • Círculo equivalente
• Eccentricidad
• Esquinas Mixtos
• Redondez • Descriptores morfológicos
• Energía de pliegue • Decomposición/aproximación
• Simetría mediante primitivas
• Grafo descriptor
• Concavidades
• Granulometría (Morfo-Mat)

251/304
Color Subtraction of Two Adjacent Slices
(Lungs from the Visible Human Project)
Texture and noise: small variations, low or uncorrelated between slices

Innovations: features from 3D-structural variation between slices (medium to highly correlated)
Gradients: regional, slow background variation (highly correlated)
Inhomogeneities: irregular, regional, discontinuous variations (low or non correlated between slices)

Procesamiento y Análisis Digital de Imágenes

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Procesamiento y Análisis Digital de Imágenes

Încărcat de

Drepturi de autor:

Formate disponibile

1/304

Procesamiento y Análisis Digital de Imágenes

Tutorial por Jorge Márquez Flores. CCADET-UNAM

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Procesamiento y Análisis Digital de Imágenes

Campo multi-disciplinario: Matemáticas, Ingeniería eléctrica (señales),

 Adquisición, representación, procesamiento y análisis de información

 Visualización (representar cualquier tipo de información mediante

 Procesamiento de información (imágenes, escenas) para percepción

 Medición, análisis, caracterización y extracción de información (formas,

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Tareas fundamentales de DIP

Formación, Producción y Adquisición de Imágenes

Notar que las etapas corresponden aproximadamente a las de un instrumento genérico:

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Tareas (etapas) fundamentales de DIP (detalle)

Representación y Modelado de Imágenes

Modelos Perceptuales Modelos Locales Modelos Globales

• Percepción visual de • Muestreo y reconstrucción • Análisis de escena / modelos

punto, pixel, (pel), voxel, faceta (spel),

Imagen Generalizada: Primitiva de Representación + Atributo +

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Las definiciones anteriores no son “absolutas”. Ejemplos:

El proceso de super-resolución es uno de restauración, a partir de varias adquisiciones

La super-resolución combina aspectos de los métodos de magnificación y también el

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Sensores (transductores, captores, etc.) para adquisición de imágenes

 Cámaras (técnicas ópticas): fotografía, video sobre escena, par estéreo,

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Procesamiento y Análisis de Imágenes Científicas

Procesamiento y Análisis de Imágenes de Ingeniería e Industriales

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Arte, deporte, entretenimiento

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Algunos tipos de imágenes comunes

*Imágenes no visualizables e imágenes parcialmente visualizables

Imágenes: Binaria (L=2) y Monocromática, o “B/N” (L=256)

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Imágenes en Color (LR + LG + LB = 3256)

Varias interpretaciones y usos del color:

Una Imagen como un "Señal Bi-Dimensional"

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

La primitiva de representación más común es el pixel. La representación discreta (o imagen digital)

Imagen antes y después de digitalización (espacio) y cuantización (intensidad)

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

¿Dónde está el Pixel?

Es como el “color blanco”: síntesis de haces de color R,G,B = 1/3(255)

Ejemplo de Realce de Contraste (Contrast Stretching)

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Distribuciones de niveles de gris (histogramas)

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Realce de contraste binario o binarización por umbral-de-rasgos-de-histograma. (Arriba).

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Ejemplo de Realce de Bordes y de contraste

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Ejemplo de Restauración (interpolación, filtrado y realce de contraste)

Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013

Kernel W(m,n) de 55 con “inhibición lateral”

Filtro de bordes por cada canal o sólo

Xin Xin  + out (Xin + in) 