Академический Документы
Профессиональный Документы
Культура Документы
2/85
3/85
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.
Interpretacin
Significado de acuerdo a problemas de estudio (sobre objetos reconocidos, mediciones y efecto de
una etapa del procesamiento, etc.).
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.
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
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.
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
6/85
7/85
...
Pldoras video-gastroendoscpicas
8/85
9/85
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
11/85
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).
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
12/85
Imgenes:
13/85
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
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]).
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
16/85
Gatito, izquierda: bajo contraste (grises), derecha: alto contraste (mayor intervalo dinmico).
uout
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
18/85
Realce y Restauracin:
Deconvolucin para corregir la miopa del telescopio Hubble
19/85
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
xobs = xin * +
xin
xin * + in
(xin + in) *
21/85
22/85
Segmentacin en n clases:
0
1
I (x, y) =
n 1
if I (x, y) [u n 1, u n ]
23/85
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
26/85
espacio paramtrico
(imagen, volumen, hipervolumen)
Parmetros
Puntos y
objetos en N dimensiones
objetos en M dimensiones
N<M
fronteras y contornos
regiones, MATs
27/85
28/85
29/85
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).
30/85
*The
Visual Pathway
31/85
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)
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
32/85
33/85
*Representacin
nn1
n
y en general: nn
Definimos:
N
1
n2
n1
1, 2,..., N [1, 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
p, u |
j 1
: mallados
2
Retcula ortogonal discreta unitaria:
NT
u
, p 2
.
34/85
I : D C
" u I (p)" indica
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.
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
35/85
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)
36/85
37/85
Spatial Frequency
Period T = t
t
time
Discrete samples separated by t
Angular frequency:
= 2f radians
x
x
distance
Discrete samples spaced by x
(x,y)
2D spatial frequency
(x ,y) = (2/x, 2/y) rads, rads
x
Discrete 2D samples spaced by (x,y)
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
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
40/85
256
16
41/85
En resumen:
Muestreo o
Digitalizacin de Imgenes
Discretizacin
(coordenadas)
Cuantizacin
(Atributo(s))
y2
x2
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)
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
42/85
Modelos Perceptuales
Percepcin visual de
Modelos Locales
Modelos Globales
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:
43/85
aaaa
44/85
Red, Green and Blue channels as intensity images (colored filters at the sensor stage)
45/85
46/85
47/85
48/85
HSL color
49/85
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
.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).
http://www.imagemagick.org/Usage/formats/
50/85
51/85
52/85
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:
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
54/85
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.
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
55/85
56/85
100 muestras
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
57/85
58/85
59/85
60/85
61/85
62/85
uin
uout = L1uin
63/85
A re-quantization LUT
64/85
Iso-Level LUTs
65/85
66/85
254
255
u=Iin(i)
0
1
2
3
4
254
255
254
127
255
121
LUTGreen(k)
LUTBlue(k)
0
1
2
4
100
2
0
0
1
2
7
2
254
254
67/85
Color LUTs
68/85
69/85
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
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
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)
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
74/85
75/85
g ( x, y ) I ( x, y ) w( x, y )
I ( x x ', y y ') w( x ', y ')dx ' dy '
W
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
g ij I ij wij
Wx
Wy
n Wx m W y
I i n , j m wnm
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() ***/
Curso Procesamiento y Anlisis de Imgenes Jorge Mrquez Flores - CCADET-UNAM 2011
78/85
79/85
Gaussian Kernels
Isotropic Gaussian Kernel 1D
centered at x0
G ( x )
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
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
G , x 0 ( x )
1
(2 )
n /2
1/ 2
T
1
exp x x 0 1 x x 0
2
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
intensity
83/85
LSF ( x)
ESP( x, y )
x
84/85
85/85