Procesamiento y Análisis Digital de Imágenes

1/85
Procesamiento y Anlisis Digital de Imgenes

Digital Image Processing (DIP, IP PDI)
Campo multi-disciplinario: Matemticas, Ingeniera elctrica (seales),
Ciencias de la Computacin (informtica) y Fsica
Adquisicin, representacin, procesamiento y anlisis de informacin
multidimensional (especialmente imgenes) mediante computadoras.
Visualizacin (representar cualquier tipo de informacin mediante
imgenes) y mejorar informacin pictrica para interpretacin humana.
Procesamiento de informacin (imgenes, escenas) para percepcin
autnoma robtica (machine perception).
Medicin, anlisis, caracterizacin y extraccin de informacin (formas,
rasgos, relaciones y distribucin de atributos) a partir de imgenes.
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
2/85
Tareas fundamentales de DIP

Formacin, Produccin y Adquisicin de Imgenes
Digitalizacin, Representacin, Almacenamiento y Transmisin
Realce y Restauracin
Segmentacin - deteccin
Seleccin y extraccin de rasgos o caractersticas (features).
Reconocimiento
Interpretacin
Visualizacin y despliegue de resultados (en cada etapa)
Notar que las etapas corresponden aproximadamente a las de un instrumento genrico:

sensor/adquisicin, conversin A/D, procesamiento o reduccin de datos (por ejemplo,
filtrado), anlisis y despliegue de resultados.
3/85
Tareas fundamentales de DIP (detalle)

Formacin, produccin y adquisicin de imgenes (captores y sensores de imagen)
Digitalizacin, cuantizacin y compresin (+ codificacin)
Conversin de imgenes a forma discreta (digital) Representacin/Modelado.
Aproximacin eficiente y codificacin para almacenamiento compacto (compresin) o dentro de la
capacidad del canal de informacin Almacenamiento/transmisin.
Realce y Restauracin
Mejora y correcciones (degradaciones: bajo contraste, ruido, desenfoque (blur)), especialmente para
llevar a intervalos caractersticos de visin humana (visualizar).
En base a modelos, recuperar (restaurar) imagen original. Correccin de distorsiones, registro.
Segmentacin deteccin etiquetado.

Separacin (o particin) en componentes de inters (criterio). ( conectividad, objetos).
Identificacin y etiquetado. Criterios: por bordes (contornos o fronteras) o por regiones.
Seleccin y extraccin de rasgos o caractersticas (features).

Objetivo: diferenciar clases u objetos y establecer qu se va a medir.
Reconocimiento (de patrones, de forma; anlisis de cmulos en espacios paramtricos)

Proceso para asignar una etiqueta (clasificacin) de acuerdo a descriptores ( toma de decisiones).
Interpretacin
Significado de acuerdo a problemas de estudio (sobre objetos reconocidos, mediciones y efecto de
una etapa del procesamiento, etc.).
Visualizacin y despliegue de resultados (en cada etapa).

4/85
Realce
Mejora y correcciones (degradaciones: bajo contraste, ruido, desenfoque
(blur), orientacin, ciertas distorsiones, etc.), especialmente para llevar a
intervalos caractersticos de visin humana (visualizar).
En principio no implica modelos del original o de la degradacin (mejora
emprica, sin que necesariamente coincida con imagen original o
condiciones originales, que pueden no ser adecuadas: baja iluminacin, 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, codificacin y
transmisin, sin anlisis (no necesariamente).
Criterios de calidad de imagen en funcin del grado de mejora o
reduccin de la degradacin. Carcter ms cualitativo que cuantitativo.
Nota: Tanto realce como restauracin podran usar idnticos mtodos de
procesamiento (filtros, transformaciones, etc.). Estas dos pginas explican
algunas diferencias y similitudes.
5/85
Restauracin
Puede implicar mejora y correcciones, pero adems, en base a modelos
(del objeto o escena original, o de la degradacin sufrida), implica
recuperar (restaurar) la imagen original (lo mejor posible), o alguna de
sus caractersticas. Correccin de distorsiones (geomtricas Y/O del
atributo): registro (alineacin correcta con transformaciones, inclusive
no-lineales), normalizacin, etc.
El objetivo usualmente es menos de visualizacin y ms de recuperacin
y/o anlisis cuantitativo y automtico (por eso a veces se le denomina
tambin pre-procesamiento, en el sentido de preparar la informacin,
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 funcin del grado de similitud con el
original o alguna referencia, o del modelo de degradacin o modelo de
cmo debe ser el original. Carcter ms cuantitativo que cualitativo.
An para un objetivo de mejora para visualizar, puede ser necesario realizar
procesos de realce y anlisis, en particular si la degradacin es importante.
6/85
Notas: Las definiciones anteriores no son absolutas. Ejemplos:

El proceso de magnificacin (zoom) se considera un proceso de realce y suele
utilizar interpolacin a un vecino (replicacin de pixeles), bi-lineal, bi-cbica, de
Fourier, morfolgica, etc. Esta interpolacin modela la informacin perdida
durante la adquisicin, para generar una imagen a mayor resolucin que la
adquirida, pero no se considera que se haya restaurado la imagen original. La
interpolacin introduce una informacin artificial que substituye aquella perdida,
aunque puede coincidir. En principio, la informacin no aumenta.
El proceso de super-resolucin es un proceso de restauracin, a partir de varias
adquisiciones (no se introduce informacin artificial). La manera de combinar o
fusionar dichas imgenes, permite recobrar parcialmente detalles de la imagen
original, al aumentar la resolucin, sin tratar de modelar el original (pero hay
excepciones) pero si pueden usarse modelos de la degradacin sufrida. La
informacin al final es mayor que la de cualquiera de las adquisiciones (mayor
resolucin.
En general la superresolucin combina aspectos de los mtodos de magnificacin
y tambin el zoom usa mtodos de restauracin (por ejemplo la deconvolucin)
para mejorar la apariencia. De este modo ambos procesos pueden quedar al final
ubicarse entre realce y restauracin.
7/85
Sensores (transductores, captores, etc.) para adquisicin de imgenes
Cmaras (tcnicas pticas): fotografa, video sobre escena, par estreo,

microscopios, etc.
Escaneres (pelcula negativos, placas astronmicas, documentos, objetos

tridimensionales; la informacin puede ser distancia o profundidad).
Escner (lser) de profundidad/distancia (range).
Transductores de ultrasonido (varias geometras, varios escneres)
Infrarrojos (sensar cambios en calor radiante), tambin para control.
Ondas de radio sensor activo (iluminacin) (Synthetic Aperture Radar ).
De rayos X (CCD - radiografa digital), o de radiacin en general.
De movimiento (tracking), de aceleracin y de posicin.
Magnticos (MRI, arreglos de sensores efecto Hall, etc.)
...
Montados en endoscopios, globos, drones, satlites, sondas, . . .
Pldoras video-gastroendoscpicas
8/85
Ejemplos de imgenes y problemas de estudio tpicos
9/85
Procesamiento y Anlisis de Imgenes Cientficas

Neuroimgenes, imgenes biomdicas, radiolgicas, PACS
Percepcin remota, Geociencias, Astrografa, sondas planetarias
Medicina Forense, informtica forense (se analizan equipos muertos,
software o bases de datos daadas).
Imagenologa Fsica, Qumica, Biolgica
Reconocimiento de Patrones, redes neuronales
Simulacin computacional en general
Procesamiento y Anlisis de Imgenes de Ingeniera e Industriales
Micrografas de materiales, radiografa industrial
Identificacin y manejo automtico de componentes; ensamblado
Suelos, imgenes ssmicas
Sistemas de informacin, Visin Computacional y Robtica
10/85
Imgenes Comerciales
Fotografa (realce, retoque y montaje (digital))
Edicin de imagen
Grficos, Sntesis de Imgenes, animacin, realidad virtual, FX
Videojuegos, entretenimiento, cinematografa
Gadgets, internet, GPS, pedagoga
Navegacin (barco, avin, auto)
Biometra (iris, huellas dactilares, identificacin facial)
Bsquedas en bases de datos (imgenes) - bsquedas por conos

Arte, deporte, entretenimiento

Diseo, Arquitectura, Escenarios
Semiologa de la Imagen psico-imgenes
Iconografa - representacin visual, simblica y alegrica
Visualizacin de coreografas, storyboards, jugadas deportivas,
estrategias de acciones, dinmica de grupos, desastres, evacuaciones
11/85
Algunos tipos de imgenes comunes

Imgenes de niveles de gris (ESCALAR)
Imgenes multi-nivel, L niveles de gris u[0, L-1], usualmente L=256.
Imgenes duotono (bilevel, dos valores de gris (o de color) arbitrarios u1, u 2 )
Imgenes binarias o booleanas (1/0: verdadero/falso, forma/fondo)
Imgenes multi-canal (VECTORIALES)

2 canales: Imgenes 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 (regin infrarroja, ultravioleta, micro-ondas : radar)
Imgenes temticas multi-canal (informacin multidimensional, etiquetas)
4 canales: RGB, en graficacin, para manejar la transparencia.
XYZt, ciertos procesamientos de secuencias animadas de objetos 3D.
Secuencias de imgenes (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 imgenes
Geometras no cartesianas
Mercator (coords. cilndricas), v.g. imgenes de profundidad de scanner lser.
Esfera de Riemman, v.g. imgenes en formato Omniview (objetos o entornos).
12/85
Imgenes:
Binaria (L=2) y Monocromtica, o B/N (L=256)
13/85
Imgenes en Color (LR+LG+ LB = 3256)
14/85
Digitalizacin y Representacin
Hay distintos tipos de formatos y maneras de representar informacin para visualizarla
(inicialmente no necesita ser una imagen, simplemente datos que sern estructurados para
formar una imagen).
La primitiva de representacin ms comn es el pixel. La representacin discreta (o imagen
digital) siempre es una aproximacin, dado que se tiene un nmero finito de muestras.
Un pixel tpicamente representa intensidad luminosa (niveles de gris o color), pero tambin
puede representar opacidad, densidad, profundidad, altura, temperatura, presin, velocidad
(como vector), y en general cualquier magnitud fsica, qumica, fisiolgica (activacin),
similitud, error, etc.
PIXEL
15/85
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 dinmico.
Alto contraste: grises en un intervalo amplio; suele haber blancos y negros. A mximo
contraste se utiliza toda la gama o intervalo dinmico (usualmente [0, 255]).
16/85
Distribuciones de niveles de gris (histogramas)
Gatito, izquierda: bajo contraste (grises), derecha: alto contraste (mayor intervalo dinmico).
uout
Funcin de transferencia para realce de

contraste de acuerdo al histograma (funcin
lineal por pedazos piecewise linear), notar
que no intervienen coordenadas (x,y):
u1
u2
Ventana de intensidades
uin
uin u1
0
uout T (uin ) 2.5(uin u1 ) u1 uin u2
u2 uin
255
Notar que T es en un mismo dominio (atributo).
17/85
Ejemplo de Realce de Bordes y de contraste
18/85
Realce y Restauracin:
Deconvolucin para corregir la miopa del telescopio Hubble
19/85
Ejemplo de Restauracin (interpolacin, filtrado y realce de contraste)
Cuatro posibilidades: (1) Se promedian lneas alternantes; (2) se excluyen lneas con poca
informacin y se sustituyen por interpolacin: (3) se usan filtros en dominio de frecuencia
espacial; (4) se combinan algunas de las tcnicas anteriores.
20/85
Modelo Lineal de Degradacin

(Efectos que alteran la medicin)
xin
xobs
Entrada (dato, seal, vector, imagen, volumen, video, etc).

Observacin (lo medido o muestreado, salida del sistema de adquisicin).
PSF del sensor (Funcin de Dispersin Puntual funcin de apertura).
xobs = xin * +
Ruido aditivo en espacio de xobs (sensor). Puede ser = in* +

*
Operacin de convolucin, en el dominio de xin (espacial y/o temporal).
= xobs xin Error diferencial (simplificacin: mismos espacios).
xin
xin * + in
(xin + in) *
21/85
22/85
Segmentacin de Imgenes y Etiquetado (Clasificacin)

Separacin (o extraccin) en partes mutuamente excluyentes para procesamiento o anlisis posterior.
Espcimen metalogrfico pulido, las tres fases

tienen un valor de gris promedio distinto. El atributo
podra ser otro: textura, forma, tamao,etc.
Despus de la segmentacin (o durante dicho

proceso, en muchos algoritmos), cada una de las
tres fases se identifica por una etiqueta en color.
Segmentacin binaria por umbralaje:
Segmentacin en n clases:
0 if I (x, y) < uumbral

I (x, y) =
255 if I (x, y) uumbral
usualmente 0 negro, 255 blanco
Hay muchos otros criterios de segmentacin
0
1
I (x, y) =
n 1
if I (x, y) [u0 , u1)

if I (x, y) [u1, u 2 )
if I (x, y) [u n 1, u n ]
23/85
Seleccin y extraccin de rasgos y parmetros

La caracterizacin de atributos, puede ser: numrica, geomtrica,
topolgica, morfolgica, relacional, estadstica o mediante anlisis
espectral (a travs de la Transformada de Fourier, de Haar, las Ondeletas
(Wavelets), las Transformadas de Distancia, momentos, longitud de
contorno, rea superficial, dimensin fractal, etc.).
La morfologa (estudio de formas) y la morfometra (medicin de formas)
pueden auxiliarse de la Morfologa Matemtica y del anlisis fractal.
Las propiedades globales (Gestalt, y enfoque holstico) se estudian
mediante modelos del Sistema Visual Humano (HVS). Por ejemplo, hay
modelos usando la Transformada de Hermite, de Gabor y el anlisis
multirresolucin (o piramidal) o bien, en espacios de escala
(scalespaces).
Reconocimiento de Patrones.
24/85
Reconocimiento de Patrones
Establecer N clases
Clasificar
Asignar a clase n, n 1,..., N
Seleccin de atributos vector de caractersticas (parmetros o atributos, rasgos (features))
en espacio de atributos o paramtrico (feature space)
25/85
*Niveles de Procesamiento, Anlisis y Entendimiento de Imgenes

Nivel 0: Representacin de imagen (formacin, adquisicin, digitalizacin,
cuantizacin, compresin, primitivas de representacin).
Nivel 1: Transformaciones imagen-a-imagen (realce, restauracin y filtrado,
segmentacin y clasificacin).
Nivel 2: Transformaciones imagen-a-parmetros (reduccin de datos - seleccin
y extraccin de parmetros, morfometra o medicin de formas).
Nivel 3: Transformaciones de parmetros-a-decisiones (reconocimiento e
interpretacin).
Nivel 2.5 (en promedio): Visualizacin cientfica: imgenes paramtricas, abstraccin.
Nivel 1.5 - 2.5 (en promedio): Reconstruccin 3D, video, seguimiento (tracking), stereo.
En foma aproximada tenemos estos dominios (diferencias muy difusas):
Procesamiento de Imgenes = Nivel 0 + Nivel 1

= Nivel 1 + Nivel 2
Anlisis de Imgenes
Visin por Computadora = Nivel 2 + Nivel 3
Reconocimiento de Patrones
= Nivel 3
26/85
*Transformaciones en sentido contrario o bidireccional

mediciones, parmetros
(valores de atributos vectoriales)
espacio paramtrico
(imagen, volumen, hipervolumen)
Decisiones, informacin a priori
Parmetros
Puntos y
objetos en N dimensiones
objetos en M dimensiones
N<M
fronteras y contornos
regiones, MATs
Ejemplos: campo de distancia de un conjunto de puntos, transformaciones

morfolgicas, tcnicas de linearizacin de problemas (v.g.,
coordenadas homogneas), mtodos de geometra estocstica, campos
markovianos, muestreo y estereologa cuantitativa.
27/85
SOFTWARE bsico de Procesamiento, Anlisis y Visualizacin de Imgenes

ImageJ (dominio pblico, imgenes biologa - plugins)
http://rsb.info.nih.gov/ij
Matlab Image Toolbox
http://www.mathworks.com
ImageMagik (dominio pblico, 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/edicin fotografa)
http://www.arcsoft.com
GIMP (GNU Image Manipulation Program)
http://www.gimp.org
Xfig (grficos 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 pblico, grficos)
http://www.gnuplot.info
28/85
(VRML) : vrmlview, VRweb, ...

(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 pblico - diseo CAD, mallados)
http://www.blender.org
Amira (Comercial, visualizacin y anlisis 3D)
http://www.visageimaging.com
Vizup (Comercial, optimizador de mallados)
http://www.vizup.com
Meshlab (Dominio pblico - mallados)
http://meshlab.sourceforge.net
SVI Huygens (Comercial, deconvolucin, Sci Vol Im)
http://www.svi.nl
Envi (Comercial - texturas - geoespacial) http://www.ittvis.com/ProductServices/ENVI.aspx
SPM (Statistical Parametric Mapping - dominio pblico - alineacin, 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 pblico, libreras C++, 2D/3D)
http://www.itk.org
OpenCV (dominio pblico, Open Computer Vision Library)
http://sourceforge.net/projects/opencvlibrary
VXL (dominio pblico, libreras C++, CV)
http://vxl.sourceforge.net
OpenGL (dominio pblico, Librera adquisicin y grficos en C).
http://www.opengl.org
29/85
*The Human Visual System (HSV)

Retinal photoreceptors are distributed in a hexagonal array of cones with the intermediate
space filled by the smaller rods.
Rods (about 75 150 million) are responsible for scotopic vision (dimlight vision). Not
sensitive to color. Give a general overall picture of the field of view.
Cones (about 6 7 million) are responsible for photopic vision (brightlight vision) and
are highly sensitive to color.
The sampling frequency in the retina is greater near the fovea and falls off towards the
periphery.
Photoreceptors around the fovea are responsible for spatial vision (still images).
Photoreceptors around the periphery are responsible for detecting motion.
The photoreceptors activity is electrochemical. After the photoreceptors, all subsequent

stages of processing are electrical in nature.
30/85
*The
Visual Pathway
31/85
Optical and Modulation Transfer Functions (OTF & MTF)

Let us consider shift invariant systems. When the inputs and outputs represent a
positive quantity, such as the intensity of light in imaging systems, then, the point
spread function PDF is the impulse response h(x,y) of the system. The frequency
response H(u,v) is the Fourier transform of h(x,y).
For a spatially invariant imaging system its optical transfer function (OTF) is defined
as its normalized frequency response:
H (u , v )
OTF (u , v )
H (0, 0)
The modulation transfer function (MTF) is defined as the magnitude of the OTF:
H (u , v )
MTF OTF
H (0, 0)
32/85
Modulation Transfer Function (MTF)
33/85
*Representacin
nn1
n
y en general: nn
Definimos:
N
1
n2
n1
Matemtica de Informacin Estructurada
1, 2,..., N [1, N ],
n1, n11,..., n21, n2 [n1, n2 ], donde n1 n2.
Otras definiciones (obvias) : X nn2 n , f (n)n2 n

n
Sea la lista de nodos ( puntos en 3D): L p n | p n ( xn , yn , zn )n1

N
N
n
i
,...,
i
,
i
1
M
k
1
M
k 1
p
Lnodos , Lindices n1 T (n1, n2, n3)
K
|
p
p
L
k k nodos k 1 R(n1,..., nN )
Ciertos mallados T j
NT
j 1
polilneas, o: polgonos y
contornos si pi1 piM
tringulos, T j
Retcula atribuida (v. g., atributo escalar):
p, u |
j 1
: mallados
retculas, G( Lnodos , Rindices ) : grafos
(cerrados y compactos) forman objetos.
2
Retcula ortogonal discreta unitaria:
NT
u
, p 2
.
34/85
Imagen escalar discreta (seal bidimensional discreta, definicin funcional):

2
sean D , C (dominio y co-dominio finitos),
I : D C
" u I (p)" indica
Usualmente D es un intervalo bidimensional (rectngulo):
D |0N 1 |0M 1 [0, N 1] [0, M 1]

Imagen escalar continua, isomorfa a funciones bidimensionales: u = f (x, y)
Notar el isomorfismo (correspondencia uno a uno) entre imgenes discretas (atributo
escalar) de N por M dimensiones y arreglos o matrices MMN :
u11 u12
M ,N u
u 22
21
I M M N : I ui j
1,1

u M 1 u M 2
u1N
u2 N
, u
i|1M j|1N i j
u MN
El atributo u puede tambin ser un vector u (v. g. color RGB), otras coordenadas, etc.
Cuando el atributo escalar u es intensidad luminosa en L niveles de gris, tambin llamado
valor o amplitud, I es lo que realmente llamamos una imagen (en blanco y negro, o
monocromtica), con valores de gris entre blanco como umin =0 y negro como umax =L1.
35/85
Muestreo o Digitalizacin de Imgenes

Cuando una imagen contnua f(x, y) es muestreada uniformemente, cada nodo de una
retcula ortogonal discreta corresponde a un pixel con un atributo tambin muestreado; en
las coordenadas (x, y)(i, j) a enteros hablamos de discretizacin espacial, si es en el
atributo, usualmente amplitud o intensidad, entonces hablamos de cuantizacin:
f (0, 0)
f (1, 0)
f ( x, y)
f ( M 1, 0)
f (0,1)
f (1,1)
f ( M 1,1)
f (1, N 1)
f ( M 1, N 1)
f (0, N 1)
En la prctica 1 se usa la matriz transpuesta, con x (coordenada horizontal) las columnas

y y (coordenadas verticales) los renglones. En cdigo 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 nmero representado en 64
bits (8 bytes) y la imagen es de 480640, la imagen ocupa 2,457,600 bytes.
36/85
Orden de coordenadas de una Imagen en la Pantalla (CRT) de una Computadora
37/85
Spatial Frequency
Period T = t
Time frequency (scalar):

f =1/t samples per time unit
t
time
Discrete samples separated by t
Hertz = cycles per second
Angular frequency:
= 2f radians
x
x
distance
Discrete samples spaced by x
Spatial frequency (1 dimension):

fx =1/x samples per distance unit
lpi lines per inch
dpi dots per inch
wave number
waves per centimeter
(x,y)
2D spatial frequency
(x ,y) = (2/x, 2/y) rads, rads
x
Discrete 2D samples spaced by (x,y)
38/85
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
39/85
Efectos de la Reduccin de Resolucin en la Retcula de Muestreo

(= aumento en el paso de discretizacin = pixelizado)
40/85
Efectos de la Reduccin de Resolucin en Intensidad (Cuantizacin)

Cuantizacin = Muestreo del Atributo (usualmente intensidad)
Escalas de niveles de gris
256
16
41/85
En resumen:
Muestreo o
Digitalizacin de Imgenes
Discretizacin
(coordenadas)
Cuantizacin
(Atributo(s))
Estrictamente, deberamos escribir I(x,y) para imgenes continuas (valores reales) y

conjuntos o arreglo de muestras Ii j (a veces como secuencias 2D: I[j][i]) para imgenes
digitales (o numricas, 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
I ( x, y )dxdy lim I ( x, y )xy

y1 x1
x 0
y 0 y y1 x x1
I ( x , y )
I ( x, y )
lim
x 0
x
x
y2
x2
I ( x, y ),
y y1 x x1
( I ( i 1) j I ij ),
con ( x , y ) (1,1)
42/85
Representacin y Modelado de Imgenes
Modelos Perceptuales
Percepcin visual de
Modelos Locales
Modelos Globales
Muestreo y reconstruccin Anlisis de escena / modelos
contraste, frecuencia
Discretizacin y
espacial, color, bordes, etc.
Cuantizacin de imagen.
Modelos de fidelidad de
imagen.
Modelos determinsticos.
Percepcin temporal.
Expansiones en serie/
Percepcin de la escena.
transformaciones unitarias.
de inteligencia artif.
Modelos secuenciales y de
aglomerado (clustering).
Modelos de entendimiento de
imgenes.
Modelos estadsticos.
Primitivas de Representacin:
punto, pixel, (pel), voxel, faceta (spel),

contorno, malla, frontera, texel, grafos,...
43/85
Color in Visual Human System: Three channel (spectral bands)
aaaa
Normalized responses of receptor cells type S (Blue), M (Green) y L (Red).

44/85
Red, Green and Blue channels as intensity images (colored filters at the sensor stage)
45/85
Realce de Contraste por Canal RGB (Contrast Equalization)
46/85
Realce de Contraste por Redistribucin Gaussiana por Canal RGB
47/85
Realce de Contraste en Espacio HSV
48/85
Color Histograms as a 3D (RGB) Plot

RGB color space
HSL color
Note: The size of spherical-samples (right)

represent histogram values (frequencies)
49/85
Formatos de Archivos de Imgenes Digitales ms Comunes

.bmp Bitmap File Format - Graphics Interchange Format - .gif (limitado a 8-bits por pixel, permite
compresinLempel-Ziv-Welch LZW). Color mediante LUTs, versiones a 24-bits (canales RGB).
.tif
.tiff
Tagged Image File Format - (ms sofisticado que .gif permite hasta 24-bits por pixel y soporta
cinco tipos de compresin, incluyendo codificacin run-length RLE, LZW, y JPEG).
.jpg JPEG File Format - (estndar comercial, permite compresin con estndar JPEG en muchas
.jpeg plataforma - compresin con prdida, baja calidad para procesamiento y anlisis cientfico).
.ras
(RAW) arreglo crudo, sin formato - Las dimensiones y canales se especifican aparte.
Sun Raster Format -
.ps
PostScript y Encapsulated PostScript File Format .eps
.png Portable Network Graphics - Reciente, mejor que JPEG
.tif
.dic
DICOM Modificaciones de TIF para archivos de imagenologa mdica con informacin de

paciente, tcncias, procesamiento efectuado, registro a nivel mundial (certificacin).
.gif
Bitmap File Format - Graphics Interchange Format - (limitado a 8-bits por pixel, permite
compresinLempel-Ziv-Welch LZW). Color mediante LUTs, versiones a 24-bits (canales RGB).
Descripcin detallada en:
http://www.imagemagick.org/Usage/formats/
Utiles de conversin (importacin): convert de ImageMagik, o readers* de librera de

ITK (Image Tool Kit). Con ImageMagik, ejecutar convert -list format.
50/85
Fourier Transform (magnitude) of some images
51/85
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.
52/85
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.
53/85
Las coordenadas de los pixeles de una imagen, sin considerar el atributo (intensidad por ejemplo)
forman el dominio de una imagen discreta de NM pixeles:
dom( I ) [0, M 1] [0, N 1] (m, n) 2 | 0 m M 1, 0 n N 1
Tambin hay dominio de una regin de inters (ROI) o de un conjunto de pixeles y ser entonces el
conjunto de coordenadas de dicha regin 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 NM:
M 1 N 1
f (m, n)
MN
m0 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:
fW
m2
n2
f ( m, n )
( m m )( n n )
|W |
1
m m1 n n1
f ( m, n )
( m , n )W
donde | W | = area(W), y si un pixel mide 1 unidad de rea, | W | card(W), es la cardinalidad o

nmero de pixeles, tambin denotada #W. En vez de W, podemos tener una ROI arbitraria.
54/85
The Nyquist Criterion for Spatial Resolution

To detect a feature (of interest), the spatial resolution of the sensor system (1/f )
should be less than the size (L) of the feature measured in its smallest dimension.
Equivalently, in frequency domain and in spatial domain we have:
f sampling 2 f details
f sampling
2
Ldetails
Lsampling
Ldetails
The sampling frequency has to be twice the highest frequency of interest in the
signal or, equivalently, the resolution length has to be half the length of details
(peak width) of interest in the signal.
55/85
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.
56/85
Efectos del muestreo:
100 muestras
57/85
58/85
59/85
Arriba: convolucin en dominio espacial; h(m,n) es una Gaussiana 2D (= bivariada).

Abajo: el equivalente en dominio de frecuencia espacial es una modulacin (producto).
60/85
61/85
Intensity Transfer Functions - LUTs (Look-Up Tables) - Gamma

+
62/85
Negative of an image: anti-unitary LUT (transfer function)
uin
uout = L1uin
63/85
A re-quantization LUT
64/85
Iso-Level LUTs
65/85
LUT of Cyclic Grayscale-Bins for Gradient Analysis
Saw-tooth transfer function:
66/85
How does a LUT works in a computer

Memory for input intensity u
Address
index i
offset
0
1
2
3
4
254
255
u=Iin(i)
0
1
2
3
4
254
255
LUT: memory for a color output intensity uR, uG, u

Adress
LUTRed(k)
index k
offset
0
255
1
253
2
2
3
17
4
255
254
127
255
121
LUTGreen(k)
LUTBlue(k)
0
1
2
4
100
2
0
0
1
2
7
2
254
254
Color output intensity (input u =Iin(i) is a scalar image, with i[0,255]):

For each index k[0, 255], Iout = (uR, uG, uB). Inserting a color Look-Up Table, the input
intensity Iin(i) becomes the color LUT index k, that is,
Iout(k) = ( LUTRed (Iin(i)), LUTGreen(Iin(i)), LUTBlue(Iin(i)) )

For a single channel, a LUT is a discrete transfer function: Iout(k) = LUT(Iin(i)).
67/85
Color LUTs
68/85
Designing RGB Color LUTs (False Color)
69/85
Iso-level (bands) + Color LUT
Whenever the color Mor-interference patterns appear, there is aliasing (thus, 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.
70/85
Fusion of MRI and PET Images Using Color Space HSL
71/85
72/85
Ruido Gaussiano
Funcin de Distribucin
Probabilstica:
(u )
( u u )2
2 2
donde
u = valor de nivel de gris
= valor medio
= desviacin estndar
(2 es la varianza)
73/85
Representacin de formas
Atributos regenerativos
Fronteras
Regiones
Esqueleto
Atributos cuantitativos (Morfometra)

Geometra
Topologa
Momentos
Permetro
Hoyos
Centro de masa
Area
Nmero de Euler Orientacin
Momentos
Factor de forma Nodos
Rectngulo
Descriptores
Radios max/min Cuellos
delimitador
estructurales y sintcticos y eccentricidad
Zonas crticas
Elipse mejor ajuste
Descriptores de Fourier Crculo equivalente
Eccentricidad
Esquinas
Mixtos
Redondez
Descriptores morfolgicos
Energa de pliegue
Decomposicin/aproximacin
Simetra
mediante primitivas
(Medial Axis Transform)
Grafo descriptor
Concavidades
Granulometra (Morfo-Mat)
74/85
Histograms with MATLAB or other computer languages.

MATLAB has an histogram function (histo); it is useful to knoew how to obtain oneself any
ROI histogram. This code computes the histogram for a full image (any rectangular ROI can be
easily specified at the main loops):
X = imread('bacteria.tif','TIF'); % matrix contains the image

image(X);
% display it
hold on;
% to compare with histogram
H=zeros(256,1);
% initialize histogram vector to 0
[m,n] = size(X);
% obtain dimensions to set loop limits
for i=1:m
% scan all columns
for j=1:n
% scan all rows
H(X(i,j)) = H(X(i,j))+1; % use data as addresses to count
end
% frequencies if occurrence
end
plot(H);
% now display it
75/85
* Filtros 2D FIR (Finite Impulse Response)

Los filtros lineales FIR en 2D representan sistemas lineales invariantes a
corrimientos (linear location invariant, or shift invariant) y tienen una regin
de soporte finito.
Sea I(x, y) una imagen 2D definida en 0 x < N, 0 y < M, es decir que tiene
dimensiones (volumen) NM (=total de pixeles).
Sea la regin de soporte (o ventana, con valores 0) un rectngulo:
W = {(x,y): Wx x Wx, Wy y Wy }.
Notar que el rectngulo tiene un total de pixeles de1

card(W) = (2Wx+1)(2Wy+1),
y puede tambin describirse (caso continuo o discreto) como el producto
cartesiano de dos intervalos cerrados:
W = [Wx ,Wx] [Wy ,Wy].
A veces se define el punto x,y en una esquina de W, y se usa el producto
cartesiano de intervalos semiabiertos: W = [0,Wx) [0,Wy), siendo en este
ltimo caso card(W) = Wx Wy. Para una ROI irregular, tomamos el mnimo
rectngulo Wabs que la contiene, usando coordenadas absolutas, en vez de
relativas, es decir: Wabs = [xmin, xmax] [ymin, ymax]. El centro es el punto
medio. Ejercicio: hallar la ventana relativa.
Definimos la convolucin continua como:
g ( x, y ) I ( x, y ) w( x, y )
I ( x x ', y y ') w( x ', y ')dx ' dy '
W
y definimos la convolucin discreta, con (x,y) Z2, como:

1
Nota: para indicar la cardinalidad o nmero de elementos de W, tambin se usa #W, o incluso |W |.
76/85
g ( x, y ) I ( x, y ) w( x, y )
Wx
Wy
I ( x , y ) w( , )
Wx Wy
Los valores de w(x, y) (o de w(, ), como variables locales) son los pesos de
ponderacin (en contnuo es funcin de ponderacin). El promedio mvil
(moving average) es el caso particular de w(x, y) = 1/N, en todo W, donde N=
card(W). En general se normaliza la ventana (kernel, ncleo o mascarilla) de
convolucin (conjunto de valores w), o sea que { w(x, y) } satisfacen:
Wx
Wy
Wx
w( , ) 1
Wy
Es comn que se diseen ventanas simtricas en las 2 variables, de modo que se

tiene w(x, y) = w(x, y), w(x, y) = w(x, y) y en consecuencia w(x, y) = w(x,
y). De all la conveniencia de centrar los ndices en 0,0 por cada punto de I(x,
y). Notar que el ancho y alto de la ventana rectangular, en pixeles, son (2Wx+1)
y (2Wy+1) respectivamente, o sea nmeros impares pues comprenden (por
ejemplo) valores de x, tales que x {Wx,...,1, 0, 1,Wx}.
La convolucin discreta, usando la notacin de subndices discretos (enteros), i,
j se escribe
g ij I ij wij
Wx
Wy
n Wx m W y
I i n , j m wnm
Nota: Algunos autores usan ** y *** para denotar convolucin en 2D y en 3D

respectivamente. Otros usan el smbolo (y respetivamente y ). Nosotros
usaremos *, salvo en programas en lenguaje C, donde significa producto y pointer.
Reservamos para los productos de Kronecker, y tensorial: usaremos para
multiplicacin escalar (smbolo explcito), producto vectorial y producto cartesiano.
77/85
/**********************************************************
Subroutine for calculating the 3D convolution between the input image sequence and the
linear FIR filter impulse response. (linear FIR filter output calculation) The filter is not
recursive. Odd filter window dimensions are assumed, to ensure symmetry.
Parameters
a: input image sequence
b: output image sequence
Ll, N1, M1: start coordinates (frame, row, column)
L2, N2, M2: end coordinates (frame, row, column)
hcoe: FIR filter impulse response 3D matrix
LW, NW, MW FIR filter window dimensions (frames, rows, columns) (NOTE: they
must be odd numbers)
**********************************************************/
int conv3( image3d a, image3d b, matrix3d hcoef, int L1, int N1, int L2, int N2, int M2, int
LW, int NW, int MW)
{
int i,j,k, x,y,z, xx,yy,zz;
Int Lmin,Lmax, Nmin,Nmax, Mmin,Mmax, LW2,NW2,MW2;
LW2=LW/2;
NW2=NW/2;
MW2=MW/2;
Lmin=U+LW2;
Lmax=L2-LW2;
Nmin=N1+NW2;
Nmax=N2-NW2;
Mmin=Ml+MW2;
Mmax=M2-MW2;
/* Calculation of the output image sequence */
for (z=Lmin; z<Lmax; z++) /* frames */
for (y=Nmin; y<Nmax; y++) /* rows */
for (x=Mmin; x<Mmax; x++) /* columns */
{
for (k=O, zz=z+LW2; k<LW; k++, zz--)
for (j=O, yy=y+NW2; j<NW; j++, yy--)
for (i=O, xx=x+MW2; i<MW; i++, xx--)
b[zl[y][x] += a[zzl[yy][xxl * hcoef[k][j][i];
}
} /*** endof conv3() ***/
78/85
Color Subtraction of Two Adjacent Slices

(Lungs from the Visible Human Project)
79/85
Gaussian Kernels
Isotropic Gaussian Kernel 1D
centered at x0
G ( x )

(or bivariate) centered at (0,0)
(or trivariate) centered at (0,0,0)
G ( x , y )
G ( x , y , z )
1
2
( x 2 y 2 ) / 2 2
e
2 2
- x x0 2 / 2 2
3/ 2
e -( x
y 2 z 2 ) / 2 2
Anisotropic Gaussian Kernel, diagonal covariance 2, center at x 0 ( x0 , y0 , z0 )
G ,x0 ( x )
3/ 2
x y z
( x x0 ) 2
exp
2
2

x
Note : ( x2 , y2 , z2 )
( y y0 )
2
2 y
( z z0 )
2
2 z
80/85
Generalized nD Anisotropic Gaussian Kernel, non-diagonal, covariance , center at x 0
G , x 0 ( x )
1
(2 )
n /2
1/ 2
T
1
exp x x 0 1 x x 0
2
Notation: vector x 0 ( x0 , y0 , z0 ) has been changed to column vector x y

z
2
2
2
( x , y , z )
Intensity surface plot in 2D:
81/85
Finite Apertures
PSF: Point Spread Function (or Impulse Response)
intensity
cos( )+sin( )
cos( )+sin( )
82/85
LSF: Line Spread Function (also Slit or Line Response)
intensity
83/85
ESP: Edge Spread Function (or Step Response)
LSF ( x)
ESP( x, y )
x
84/85
85/85

Procesamiento y Análisis Digital de Imágenes

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Procesamiento y Análisis Digital de Imágenes

Загружено:

Авторское право:

Доступные форматы

1/85

Procesamiento y Anlisis Digital de Imgenes

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Tareas fundamentales de DIP

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

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Tareas fundamentales de DIP (detalle)

Segmentacin deteccin etiquetado.

Seleccin y extraccin de rasgos o caractersticas (features).

Reconocimiento (de patrones, de forma; anlisis de cmulos en espacios paramtricos)

Visualizacin y despliegue de resultados (en cada etapa).

Notas: Las definiciones anteriores no son absolutas. Ejemplos:

Sensores (transductores, captores, etc.) para adquisicin de imgenes

Cmaras (tcnicas pticas): fotografa, video sobre escena, par estreo,

Escaneres (pelcula negativos, placas astronmicas, documentos, objetos

Escner (lser) de profundidad/distancia (range).

Transductores de ultrasonido (varias geometras, varios escneres)

Infrarrojos (sensar cambios en calor radiante), tambin para control.

Ondas de radio sensor activo (iluminacin) (Synthetic Aperture Radar ).

De rayos X (CCD - radiografa digital), o de radiacin en general.

De movimiento (tracking), de aceleracin y de posicin.

Magnticos (MRI, arreglos de sensores efecto Hall, etc.)

Montados en endoscopios, globos, drones, satlites, sondas, . . .

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Ejemplos de imgenes y problemas de estudio tpicos

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Procesamiento y Anlisis de Imgenes Cientficas

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Arte, deporte, entretenimiento

Algunos tipos de imgenes comunes

Imgenes multi-canal (VECTORIALES)

Secuencias de imgenes (escalar o vectorial)

Binaria (L=2) y Monocromtica, o B/N (L=256)

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Imgenes en Color (LR+LG+ LB = 3256)

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Ejemplo de Realce de Contraste (Contrast Stretching)

Distribuciones de niveles de gris (histogramas)

Funcin de transferencia para realce de

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Ejemplo de Realce de Bordes y de contraste

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Ejemplo de Restauracin (interpolacin, filtrado y realce de contraste)

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Modelo Lineal de Degradacin

Entrada (dato, seal, vector, imagen, volumen, video, etc).

PSF del sensor (Funcin de Dispersin Puntual funcin de apertura).

Ruido aditivo en espacio de xobs (sensor). Puede ser = in* +

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

Segmentacin de Imgenes y Etiquetado (Clasificacin)

Espcimen metalogrfico pulido, las tres fases

Despus de la segmentacin (o durante dicho

Segmentacin binaria por umbralaje:

0 if I (x, y) < uumbral

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

if I (x, y) [u0 , u1)

Seleccin y extraccin de rasgos y parmetros

Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011

*Niveles de Procesamiento, Anlisis y Entendimiento de Imgenes

Procesamiento de Imgenes = Nivel 0 + Nivel 1

*Transformaciones en sentido contrario o bidireccional