Documente Academic
Documente Profesional
Documente Cultură
2013
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.).
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.
Aún para un objetivo de “mejora para visualizar”, puede ser necesario realizar
procesos de realce y análisis, en particular si la degradación es importante.
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
…
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).
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).
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).
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
“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.
“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).
Realce y Restauración:
Deconvolución especial para corregir la “miopía” del telescopio Hubble
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.
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.
Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013
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: 512512)
Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013
79/304
Filtro Pasa-Altas (bordes y discontinuidades)
(resolución: 512512)
Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013
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
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) [un1, un ]
La etiqueta 1,..., n ya no corresponde a
intensidad del original, sino a cada clase
Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013
88/304
Segmentación 3D en Componentes Conexas (color = etiqueta) – Galerías de Gusanos – Par Estéreo
Reconocimiento de Patrones.
Reconocimiento de Patrones
Establecer N clases
Clasificar
Asignar a clase n, n1,..., N
Selección de atributos vector de características (parámetros o atributos, rasgos (features))
en espacio de atributos o paramétrico (feature space) .
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 |0N1 |0M 1 [0, N 1] [0, M 1], C |0L1 [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 MMN :
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
x
Discrete 2D samples spaced by (x,y)
xL
fLow =1/xL Low spatial frequency
Linear frequency:
7 lines per millimeter
256 16 4
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 ) I ( x, y )
lim ( I ( i 1) j I ij ),
x x 0 x
con ( x , y ) (1,1)
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)
.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.
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
(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.
100 muestras
Curso Procesamiento y Análisis de Imágenes – Jorge Márquez Flores - CCADET-UNAM 2013
162/304
M 1 N 1
Normalización implícita: g (k , l ) 1
k 0 l 0
+
+
A re-quantization LUT
Iso-Level LUTs
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.
Ruido Gaussiano
Función de Distribución
Probabilística:
( u u )2
1
(u )
2
e 2
2
2
donde
Representación de formas
• 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)