Curso de

Procesamiento Digital de Imgenes

http://turing.iimas.unam.mx/~elena/Teaching/PDI-Mast.html
Impartido por: Elena Martnez
Departamento de Ciencias de la Computacin
IIMAS, UNAM, cubculo 408

elena@leibniz.iimas.unam.mx
Programa del Curso
1. Introduccin.
2. Fundamentos de la imagen digital.
3. Realce de la imagen en el dominio espacial.
4. Realce de la imagen en el dominio de la
frecuencia.
5. Restauracin de la imagen.
6. Representacin del color.
7. Compresin de imgenes.
5. Restauracin de la imagen
a) Modelo del proceso
degradacin/restauracin de una imagen.
b) Modelos de ruido.
c) Restauracin en presencia de ruido (filtros
espaciales).
d) Filtros inversos.
e) Filtro Wiener.
Filtros adaptativos
Una vez seleccionado el filtro, como los vistos en la clase
anterior, se aplica a la imagen sin importar cmo varian las
caractersticas de la imagen de un punto a otro.
En esta seccin veremos dos filtros adaptativos cuyo
comportamiento cambia segn las caractersticas de la imagen
dentro de la regin del filtro definida por una ventana rectangular
S
xy
de tamao m x n.
Los filtros adaptativos son capaces de obtener un resultado
superior que los filtros vistos con anterioridad, el costo que se
paga es un incremento en la complejidad del filtro. Tenga en
mente que an nos estamos refiriendo a imgenes degradadas
debido a ruido, y no otro tipo de degradacin.
Filtros adaptativos de reduccin
local de ruido
Recuerde que las medidas estadsticas ms simples de una
variable aleatoria son su media y su desviacin estndar. El
filtro adaptativo opera en una regin local S
xy
, la respuesta del
filtro en cualquier punto (x,y), en el cual la regin est
centrada, se basa en 4 cantidades:

1. g(x,y), el valor de la imagen ruidosa en el punto (x,y),
2. o
2
q
, la varianza del ruido que corrompe a f(x,y) para formar
g(x,y),
3. m
L
, la media local de los pixeles en S
xy
, y
4. o
2
L
, la varianza local de los pixeles en S
xy
Filtros adaptativos de reduccin
local de ruido
En base a lo anterior, queremos un filtro con el siguiente
comportamiento:
1. Si o
2
q
es cero, el filtro debe regresa simplemente el valor de g(x,y).
Este es el caso trivial de ruido-cero donde g(x,y) es igual a f(x,y).
2. Si la varianza local es mayor con respecto a o
2
q
, el filtro debe
regresar un valor cercano a g(x,y). Una varianza local alta est
tpicamente asociada con los valores de los bordes, y stos deben
preservarse.
3. Si las dos varianzas son iguales, queremos que le filtro regrese el
valor de la media aritmtica de los pixeles de S
xy
. Esta condicin
ocurre cuando el rea local tiene las mismas propiedades que la
imagen en general, y el ruido local se reduce simplemente
promediando.
Filtros adaptativos de reduccin
local de ruido
Una expresin adaptativa para obtener basada en los
supuestos anteriores, puede escribirse como:
) , (

y x f
| |
L
L
m y x g y x g y x f = ) , ( ) , ( ) , (

2
2
o
o
q
La nica cantidad que se necesita conocer o estimar es la varianza
del ruido general, o
2
q
. Los otros parmetros se calculan de los pixeles
en S
xy
en cada posicin (x,y) en donde el filtro est centrado. Una
suposicin tcita es que o
2
q
s

o
2
L
. Recuerde que el ruido, en nuestro
modelo, es aditivo e independiente de la posicin, sta es una
suposicin razonable ya que S
xy
es un subconjunto de g(x,y).
Filtros adaptativos de reduccin
local de ruido

(a) Imagen de circuito
integrado con ruido
Gausiano aditivo, con
media cero y varianza
de 1000.
(b) Filtro promedio
aritmtico de 7 x 7.
(c) Filtro promedio
geomtrico de 7 x 7.
(d) Filtro adaptativo, con
o
2
q
= 1000.
Los resultados de (b) y (c) son
similares, teniendo en (c) menos
emborronamiento. La imagen
(d) en trminos de reduccin de
ruido es similar que las
anteriores, pero se nota ms
definida en sus detalles.
Filtro mediana adaptativo
Hemos discutido con anterioridad que el filtro mediana
trabaja bien siempre y cuando la densidad del ruido impulso
no sea muy grande. En esta seccin se mostrar un filtro
mediana adaptativo que puede manejar ruido impulso con
probabilidades muy grandes. Una ventaja adicional de este
filtro es que busca preservar el detalle mientras suaviza ruido
diferente al impulso, algo que tradicionalmente los filtros
medianos no hacen.
Filtro mediana adaptativo
El filtro mediana adaptativo tambin trabaja en una vecindad
S
xy
. Sin embargo, a diferencia de los dems filtros, el filtro
mediana adaptativo cambia (incrementa) el tamao de S
xy
durante
su operacin, dependiendo en ciertas condiciones que veremos
ms adelante. Recuerde que la salida del filtro es un slo valor que
se utiliza para reemplazar el valor del pixel en la posicin (x,y),
del punto central particular de la vecindad S
xy
. Considere la
siguiente notacin:
- z
min
= valor mnimo de nivel de gris de S
xy
- z
max
= valor mximo de nivel de gris de S
xy
- z
med
= valor mediana de los niveles de gris de S
xy
- z
xy
= nivel de gris en las coordenadas (x,y)
- S
max
= valor de tamao mximo permitido para S
xy


Filtro mediana adaptativo
El algoritmo del filtro mediana adaptativo trabaja en dos
niveles, denotados nivel A y nivel B como sigue:

Nivel A: A1 = z
med
-

z
min

A2 = z
med
-

z
max

Si A1 > 0 AND A2 < 0, ve al nivel B
si no incrementa el tamao de la ventana
Si el tamao de la ventana s S
max
repita el nivel A
si no salida = z
xy


Nivel B: B1 = z
xy
-

z
min

B2 = z
xy
-

z
max

Si B1 > 0 AND B2 < 0, salida = z
xy

si no salida = z
med
Filtro mediana adaptativo
La clave para entender cmo funciona este filtro es no
olvidar que tiene 3 propsitos:

a) Eliminar ruido sal y pimenta (impulso),
b) Suavizar otro tipo de ruido que puede no ser impulso y
c) Reducir la distorsin, como un adelgazamiento o
engrozamiento excesivo en los bordes de los objetos.
Filtro mediana adaptativo
Los valores de z
min
y

z
max
se consideran estadsticamente por el
algoritmo como componentes de ruido impulso aunque stos no
sean los valores mnimo y mximo en la imagen.

Supngase que en el nivel A se encuentra un ruido impulso (falla
el caso de encontrar la mediana e irse al nivel B). El algoritmo
entnces incrementa la ventana y repite el nivel A. Este ciclo
continua hasta que el algoritmo ya sea que encuentra el valor
mediano que no es impulso (y salta al nivel B), o bien alcanza el
lmite mximo del tamao de la ventana y regresa el valor z
xy
.

Filtro mediana adaptativo
(a) Imagen corrupta con ruido sal y pimenta de muy alta probablidad.
(b) Resultado del filtro mediana de tamao 7 x 7.
(c) Resultado del filtro mediana adaptativo con S
max
= 7.
El resultado en (b) muestra una buena eliminacin del ruido, sin
embargo, se observa una alta degradacin en los bordes de los objetos, lo
que no ocurre en el resultado (c).
5. Restauracin de la imagen
a) Modelo del proceso
degradacin/restauracin de una imagen.
b) Modelos de ruido.
c) Restauracin en presencia de ruido (filtros
espaciales).
d) Filtros inversos.
e) Filtro Wiener.
Filtros inversos
El material en esta seccin es el primer paso para el estudio de
la restauracin de imgenes degradadas por una funcin de
degradacin H. El mtodo ms simple para restauracin es el
filtro inverso directo, en donde se calcula un estimado, , de
de la transformada de Fourier de la imagen original simplemente
dividiendo la transformada de la imagen degradada entre la
funcin de degradacin.

) , (
) , (
) , (

v u H
v u G
v u F =
) , (

v u F
Filtros inversos
Las divisiones son entre elementos individuales de las
funciones. Recordando la expresin del modelo de degradacin:

) , ( ) , ( ) , ( ) , ( v u N v u F v u H v u G + =
) , (
) , (
) , ( ) , (

v u H
v u N
v u F v u F + =
Y sustituyendo en el cociente anterior:
Esta interesante expresin nos dice que aunque conozcamos la
funcin de degradacin no podemos recobrar la imagen original
exactamente ya el N(u,v) es una funcin aleatoria cuya
transformada de Fourier desconocemos.
) , (

v u F
Filtros inversos
Y ms malas noticias! Si la degradacin tiene valores cero o
muy pequeos, entnces la relacin N(u,v)/H(u,v) puede
fcilmente dominar el estimado . De hecho este es el caso
ms frecuente.

Un mtodo para eliminar este problema es limitar las
frecuencias a valores cercanos al origen. Sabemos que H(0,0) es
igual al valor promedio de h(x,y) y ste es generalmente el valor
ms alto de H(u,v) en el dominio de la frecuencia. Entnces,
limitando el anlisis a frecuencias cercanas al origen reducimos la
probabilidad de encontrar valores cero.

Filtros inversos
Un modelo de
degradacin basado en
las caractersticas fsicas
de turbulencia
atmosfrica definido por
Hufnagel y Stanley
(1964) como:
6 / 5 2 2
) (
) , (
v u k
e v u H
+
=
(a) Casi sin turbulencia.
(b) Turbulencia severa
k=0.0025.
(c) Turbulencia
moderada k=0.001
(d) Baja turbulencia
k=0.00025.
Filtros inversos
) , (
) , (
) , (

v u H
v u G
v u F =
(a) Restauracin con el
filtro completo.



(b) Restauracin cortando
H por fuera de un
radio de 40.
(c) Cortando H fuera de
un radio de 70.
(d) Cortando H fuera de
un radio de 85.
Radios por debajo de 40
y por arriba de 85
degradan la imagen.
Para el radio 70 an se
ve que el ruido domina
el resultado.
Este ejemplo muestra en general como el filtro inverso
directo tiene una respuesta pobre. Veremos un a
continuacin un mtodo que mejora este desempeo.
5. Restauracin de la imagen
a) Modelo del proceso
degradacin/restauracin de una imagen.
b) Modelos de ruido.
c) Restauracin en presencia de ruido (filtros
espaciales).
d) Filtros inversos.
e) Filtro Wiener.
Filtro Wiener
El filtrado inverso directo visto no puede de manera explcita
manejar el ruido. En esta seccin veremos un mtodo que
incorpora ambos, la funcin de degradacin y las caractersticas
estadsticas del ruido, en el proceso de restauracin.

El mtodo consiste en considerar imagen y ruido como un
proceso aleatorio, y el objetivo es encontrar un estimador de la
imagen no-corrupta f de tal manera que el error promedio al
cuadrado entre ellas sea mnimo. Este error est dado por:

{ }
2 2
)

( f f E e =
donde E{} es el valor esperado (esperanza) del argumento.
f

Filtro Wiener
Se asume que el ruido y la imagen no estn correlacionados, que una
o la otra tienen media igual a cero, y que los niveles de gris en la
estimacin son una funcin lineal de los niveles de la imagen
degradada. Basados en estas condiciones, la funcin de error mnima
est dada en el dominio de la frecuencia por:

) , (
) , ( / ) , ( ) , (
) , (
) , (
1
) , (
) , ( / ) , ( ) , (
) , ( *
) , (
) , ( ) , ( ) , (
) , ( ) , ( *
) , (

2
2
2
2
v u G
v u S v u S v u H
v u H
v u H
v u G
v u S v u S v u H
v u H
v u G
v u S v u H v u S
v u S v u H
v u F
f
f
f
f
(
(

+
=
(
(

+
=
(
(

+
=
q
q
q
Filtro Wiener
En la ecuacin anterior usamos el hecho de que el producto
de una cantidad compleja con su conjugado es igual a la
magnitud de la cantidad compleja al cuadrado. Este resultado
se le conoce como filtro Wiener, propuesto por Wiener
(1942). El filtro que consiste en los trminos dentro de los
corchetes, tambin se conoce como filtro de error promedio
mnimo al cuadrado, o filtro de error de mnimos cuadrados.

Filtro Wiener
Los trminos de la ecuacin anterior son como sigue:

- H(u,v) = funcin de degradacin.
- H*(u,v) = conjugado complejo de H(u,v).
- |H(u,v)|
2
= H*(u,v)H(u,v).
- S
q
(u,v) = |N(u,v)|
2
= espectro de potencia del ruido.
- S
f
(u,v) = |F(u,v)|
2
= espectro de potencia de la imagen no
degradada.

Como antes, H(u,v) es la transformada de la funcin de
degradacin y G(u,v) la transformada de la imagen degradada.
Note que si el ruido es cero, el espectro de potencia se elimina y el
filtro Wiener se convierte en un filtro inverso.
Filtro Wiener
Cuando nos encontramos con ruido espectral blanco, el espectro
|N(u,v)|
2
es una constante, lo cual simplifica las cosas
considerablemente. Sin embargo, el espectro de potencia de la
imagen no degradada casi nunca es conocido. Una tcnica
utilizada regularmente cuando estas cantidades no se conocen o no
pueden ser estimadas es aproximarlas utilizando la expresin:
) , (
) , (
) , (
) , (
1
) , (

2
2
v u G
K v u H
v u H
v u H
v u F
(
(

+
=
donde K es una constante especificada.
Filtro Wiener
(a) Restauracin con el filtro inverso completo.
(b) Restauracin con filtro inverso limitado en un radio de 70.
(c) Restauracin con el filtro Wiener.
El valor de K se eligi iterativamente hasta conseguir el resultado
deseado. Se puede ver la mejora del filtro Wiener sobre el filtro inverso,
en (c) casi se obtiene la imagen original.
Filtro Wiener
| |
) (
) ( sin
) (
) , (
vb ua j
e vb ua
vb ua
T
v u H
+
+
+
=
t
t
t
Para a=b=0.1 y T=1.
Filtro Wiener
(a) Imagen degradada anterior y
corrompida con ruido aditivo
Gausiano, m=0, o=650.
(b) Resultado del filtro inverso directo.
(c) Resultado del filtro Wiener.
(d) Misma que (a) pero ruido reducido
en un orden de magnitud.
(e) Filtro inverso directo de (d).
(f) Filtro Wiener de (d).
(g) Mismo que (a) pero ruido reducido
en cinco ordenes de magnitud.
(h) Filtro inverso directo de (g).
(i) Filtro Wiener de (g).
Esta es una muestra de las
posibilidades del filtro Wiener,
siempre y cuando se conozca una
aproximacin razonable de la
funcin de degradacin H.
Instituto de Investigaciones en
Matemticas Aplicadas y en Sistemas
(IIMAS)
http://turing.iimas.unam.mx/~elena/Teaching/PDI-Mast.html