PONTIFICIA UNIVERSIDAD CATÓLICA DEL

ECUADOR SEDE ESMERALDAS

Transformaciones Geométricas en Imágenes
Reyna Merino Ayrton
Espinoza Bryan
León Sánchez Jean Pierre

inicial, rellenando esa información desconocida con datos
Resumen.- El informe muestra el proceso para Procesamiento «inventados» a partir de un algoritmo específico [2].
Digital de imágenes, en el cual se puede observar métodos
especiales para realizarla transformación geométrica de las
imágenes. Se aplicar tres de las diferentes clases de interpolación
que existen a una imagen específica, junto con sus características Existen diferentes tipos de interpolaciones:
como la textura. Algunos de este tipo de operaciones son el
desplazamiento, la rotación y el escalamiento o distorsión.  Interpolación por vecino más próximo: En este tipo
de interpolación se toma el valor del pixel a
interpolar como el mismo valor del pixel más
cercano entre los cuatro que le rodean.
Palabras claves.- interpolación, imágenes, valores, píxeles.
 Interpolación Bilineal: Este tipo de interpolación
obtiene mejores resultados que la interpolación
I. INTRODUCCIÓN anterior, pero con un mayor coste computacional. En
esta interpolación se asigna al píxel un valor medio
El procesamiento de imágenes tiene la finalidad de mejorar la ponderado de las intensidades de los cuatro píxeles
presentación de estas y hacer más notorias en ellas ciertos adyacentes.
puntos que se desean resaltar, las imágenes pueden ser
producidas de varias formas, fotográficamente o  Interpolación Bicúbica: En la interpolación bicúbica
electrónicamente, por medio de monitores de televisión. intervienen hasta 16 píxeles adyacentes para calcular
el valor del píxel. Obtiene mejores resultados incluso
En el procesamiento de señales e imágenes se utilizan que la interpolación bilenal.
algunas técnicas sustentadas en el conocimiento de los
operadores lineales y no lineales. El avance de las tecnologías
de comunicación e información permiten hoy en día la
aplicación de imágenes (matrices) y transformaciones del
álgebra lineal a diversas áreas de las ciencias puras y
aplicadas, así como de la ingeniería [1].

II. CONTENIDO

 Interpolación de Imágenes

La interpolación se trata del proceso de calcular valores

numéricos desconocidos a partir de otros ya conocidos
Interpolación por vecino más próximo
mediante la aplicación de algoritmos concretos.

La fotografía sigue este mismo patrón para interpolar una

imagen. Partimos de una determinada fotografía (o dibujo)
para obtener una nueva imagen de tamaño superior a la


 Interpolación Bilineal

Práctica

I=imread('puce.jpg');

II=rgb2gray(I);

a=1; b=0; c=0; d=-.6; e=1; f=0;

tform = maketform('affine',[a d 0; b e 0; c f 1]);

% Tres transformaciones con diferenteinterpolación

IIIn = imtransform(II,tform,'nearest');

IIIb = imtransform(II,tform,'bilinear');

IIIbc = imtransform(II,tform,'bicubic');

figure,subplot(2,2,1),subimage(II),title('(1a)');

subplot(2,2,2),subimage(IIIn),title('(1b)');

subplot(2,2,3),subimage(IIIb),title('(1c)');

subplot(2,2,4),subimage(IIIbc),title('(1d)');
figure,subplot(2,2,1),subimage(IIIn),title('(2a)');

subplot(2,2,2),subimage(IIIb),title('(2b)');

subplot(2,1,2),subimage(IIIbc),title('(2c)');

 Registro de Imagenes
 Código  Una transformación espacial que define la
reubicación de los píxeles en el plano imagen.
t=45;
input_points=0;  Interpolación de los niveles de grises, los cuales
base_points=0; tienen que ver con la asignación de los valores de
intensidad de los píxeles en la imagen transformada.
I=imread('puce.jpg');
En términos Matemáticos las transformaciones afines son las
II=rgb2gray(I); más usadas en imágenes digitales 2D por su representación y
manejo matricial. Una Transformación afín es aquella
a= cos(t); (transformación) en la que las coordenadas (x’ , y’) del punto
b=-sin(t); imagen son expresadas linealmente en términos de las del
c=0; punto original (x , y) [1].
d=sin(t);
e=cos(t);
f=0;  Transformaciones Espaciales

t1=[a d 0; b e 0; c f 1]; La mayoría de los métodos para transformar imágenes se

clasifican:
tform = maketform('affine',t1);
- Métodos que usan los mapeos directos o hacia
II45 = imtransform(II,tform); adelante.
- Métodos que usan el mapeo inverso.
cpselect(II45, II);
Los mapeos hacia adelante son más complejos y costosos de
tform = cp2tform(input_points,base_points,'projective'); implementar computacionalmente. El método del mapeo
inverso es más fácil de implementar que el mapeo directo.
[alineada xdata ydata] =imtransform(II45, El procedimiento de mapeo inverso valora cada pixel de
tform,'FillValues',255); salida y calcula las correspondientes posiciones en la imagen
de entrada usando e interpolando entre los píxeles de la
figure; imshow(alineada,'XData', xdata,'YData', ydata) imagen de entrada más cercanos para determinar el valor del
píxel de salida En el caso de la distorsión geométrica si
hold on suponemos que esta se puede modelar mediante el par de
ecuaciones bilineales.
imshow(II);
Código

I = imread('puce.jpg');
Demostración
a=1; b=.2; c=0; d=0; e=1; f=0;

tform = maketform('affine',[a d 0; b e 0; c f 1]);

II = imtransform(I,tform);

a=1; b=-.2; c=0; d=0; e=1; f=0;

tform = maketform('affine',[a d 0; b e 0; c f 1]);

III = imtransform(I,tform);

a=1; b=0; c=0; d=-.2; e=1; f=0;

tform = maketform('affine',[a d 0; b e 0; c f 1]);

 Transformaciones Geométricas IV = imtransform(I,tform);

Las transformaciones Geométricas modifican la relación a=1; b=0; c=0; d=.2; e=1; f=0;
espacial entre píxeles. En términos del procesamiento de
imágenes digitales una transformación geométrica consiste de tform = maketform('affine',[a d 0; b e 0; c f 1]);
dos operaciones básicas:
 V = imtransform(I,tform);

a=1; b=0; c=30; d=0; e=1; f=30;

xform=[a d 0; b e 0; c f 1];

tform = maketform('affine',xform);

VI = imtransform(I,tform,'XData', [1 (size(I,2)+
xform(3,1))],'YData', [1 (size(I,1)+ xform(3,2))]);

a=5; b=0; c=0; d=0; e=5; f=0;

tform = maketform('affine',[a d 0; b e 0; c f 1]);

VII = imtransform(I,tform);

t=180/(2*pi);

a=cos(t); b=-sin(t); c=0; d=sin(t);e=cos(t); f=0;

tform = maketform('affine',[a d 0; b e 0; c f 1]);

VIII = imtransform(I,tform);  Transformación Geométrica Compuesta

figure,subplot(2,2,1),subimage(I),title('(a)');
subplot(2,2,2),subimage(II),title('(b)');
subplot(2,2,3),subimage(III),title('(c)');
subplot(2,2,4),subimage(IV),title('(d)');
figure,subplot(2,2,1),subimage(V),title('(e)');
subplot(2,2,2),subimage(VI),title('(f)');
subplot(2,2,3),subimage(VII),title('(g)');
subplot(2,2,4),subimage(VIII),title('(h)');
Es la transformación que se le aplica a una imagen, por
medio una secuencia de transformaciones afines y cuyo fin es
obtener una transformación geométrica total o compuesta [3].
 Transformación Geométrica
Código
I=imread('puce.jpg');
t=45/(2*pi);
a=cos(t); b=-sin(t); c=0; d=sin(t);e=cos(t); f=0;
t1=[a d 0; b e 0; c f 1];

tform = maketform('affine',t1);

II = imtransform(I,tform);

a=1; b=0; c=0; d=-.2; e=1; f=0;

Demostración
t2=[a d 0; b e 0; c f 1];

tform = maketform('affine',t2);

III = imtransform(II,tform);

a=5; b=0; c=0; d=0; e=5; f=0;

t3=[a d 0; b e 0; c f 1];

tform = maketform('affine',t3);

IV = imtransform(III,tform);
 tr=t3*t2*t1;
tform = maketform('affine',tr);
V = imtransform(II,tform);
figure,subplot(2,3,1),subimage(I),title('(a)');
subplot(2,3,2),subimage(II),title('(b)');
subplot(2,3,3),subimage(III),title('(c)');
subplot(2,3,4),subimage(IV),title('(d)');
Demostración
 Análisis de Cluster K-means
K-means es un algoritmo basado en clustering. Lo que quiere
decir que su principal objetivo es optimizar la partición de la
imagen en áreas conforme a unas características dadas. Este
tipo de algoritmos ha sido usado comúnmente para una
segmentación básica de imágenes ya que existen ciertas
restricciones como la necesidad de que la imagen sea
generalmente homogénea, sin texturas.
La restricción de texturas a la hora de usar K-means viene
dado por dos problemas.
El primero de ellos tiene que ver con la condición de
comienzo, es decir, la inicialización de los clusters iniciales.
El segundo de ellos tiene que ver con el hecho de que no se
aplica una cohesión espacial a lo largo del proceso de
segmentación. Antes de comenzar a aplicar el algoritmo es
necesario realizar una transformación en el espacio de color
que se vaya a utilizar. Es necesario crear uno independiente
del dispositivo en el que se realice, con el fin de evitar
diferencias de color. Uno de los más usuales suele ser el
espacio de color RGB.
El algoritmo K-means es el algoritmo aplicado a imágenes en
escala de grises. Para el algoritmo aplicado a imágenes en
color se extrapolan esas ecuaciones a los planos que contiene
el espacio de color correspondiente. Así pues, si utilizamos el
espacio de color RGB, los vectores contendrían tres valores en
lugar de uno como en el caso de imágenes en escala de grises.
ALGORITMOS DE CLASIFICACIÓN
Técnicas jerárquicas (pasos sucesivos):
- Procedimientos ascendentes o aglomerativos
- Descendentes o divisivos
Técnicas no jerárquicas o de partición (determinar el
número de grupos):
- Procedimiento K- Means
- Combinación de medidas de distancia y/o semejanza
con algoritmos de clasificación: los más utilizados
son el “del vecino más próximo” o “promedio entre
grupos” con la “distancia euclidea al cuadrado.
Código
I = imread('puce.jpg');
a=1; b=.2; c=0; d=0; e=1; f=0;
tform = maketform('affine',[a d 0; b e 0; c f 1]);
II = imtransform(I,tform);
a=1; b=-.2; c=0; d=0; e=1; f=0;
tform = maketform('affine',[a d 0; b e 0; c f 1]);
III = imtransform(I,tform);
a=1; b=0; c=0; d=-.2; e=1; f=0;
tform = maketform('affine',[a d 0; b e 0; c f 1]);
IV = imtransform(I,tform);
a=1; b=0; c=0; d=.2; e=1; f=0;
tform = maketform('affine',[a d 0; b e 0; c f 1]);

V = imtransform(I,tform);

a=1; b=0; c=30; d=0; e=1; f=30;

xform=[a d 0; b e 0; c f 1];

tform = maketform('affine',xform);

VI = imtransform(I,tform,'XData', [1 (size(I,2)+
xform(3,1))],'YData', [1 (size(I,1)+ xform(3,2))]);

a=5; b=0; c=0; d=0; e=5; f=0;

tform = maketform('affine',[a d 0; b e 0; c f 1]);

VII = imtransform(I,tform);

t=180/(2*pi);

a=cos(t); b=-sin(t); c=0; d=sin(t);e=cos(t); f=0;

tform = maketform('affine',[a d 0; b e 0; c f 1]);

VIII = imtransform(I,tform);

figure,subplot(2,2,1),subimage(I),title('(a)');

subplot(2,2,2),subimage(II),title('(b)');

subplot(2,2,3),subimage(III),title('(c)');

subplot(2,2,4),subimage(IV),title('(d)');

figure,subplot(2,2,1),subimage(V),title('(e)');

subplot(2,2,2),subimage(VI),title('(f)');

subplot(2,2,3),subimage(VII),title('(g)');

subplot(2,2,4),subimage(VIII),title('(h)');

DEMOSTRACIÓN

III. CONCLUSIONES

 Aunque la eficiencia de los métodos de interpolación

depende de la imagen que se pretenda interpolar y de
la máquina utilizada, los métodos de interpolación
bilineal y bicúbica son muy usados debido a su buena
aproximación en cuanto a la calidad de la imagen sin
llegar a conseguir la calidad de la imagen original.

 Las transformaciones geométricas aplicadas a las

imágenes exigen la solución de problemas de
aproximación que varían según el tipo de aplicación.
  Los métodos de interpolación se utilizan en aquellas
situaciones donde se quiera recuperar información
perdida o información desconocida. `

IV. REFERENCIAS

[1] S. Barreto, “TRANSFORMACIONES

GEOMÉTRICAS SOBRE IMÁGENES
DIGITALES.”
[2] V.Caselles, “Interpolación de Imágenes,” .
[3] C. D. Pimentel, “Artículo - Transformaciones
Geométricas en Imagenes.” [Online]. Available:
https://es.scribd.com/doc/89986040/Articulo-
Transformaciones-Geometricas-en-Imagenes.
[Accessed: 15-Nov-2018].