Upload
rafaela-villasenor
View
249
Download
0
Embed Size (px)
Citation preview
Digital Image Processing Digital Image Processing Chapter 3Chapter 3
Dr. Mario ChacónDr. Mario Chacón
DSP & Vision LabDSP & Vision Lab
Space Domain Image Processin Methods
)]y,x(i[T)y,x(iN
T [ ]
Figura 3.1 Proceso de punto.
Image Processin Methods
))],(([),( 8 yxiNTyxiN
T()
Figura 3.2. Proceso de área o ventana.
Image Processin Methods
)]y,x(i),y,x(i[T)y,x(i )1n(ccnN
T()
Figura 3. 3.Proceso de cuadros.
Image Processin Methods
)]y,x(i[T)t,s(iN
Figura 3. 4. Proceso geométrico.
Image Enhancement
a) b) c)
Figura 3. 5. Proceso para mejorar una imagen, a) Original, b) Mejorada, c) Adecuada para la aplicación.
Image Enhancement
Two main methods
Spatial processing
Frequency processing
Spatial Image Enhancement
91
7676 8080 9191
6565 101044
101044
8888 111122
111155
Figura 3. 6 Procesamiento en el espacio.
)]y,x(I[T)y,x(I N
Frequency Image Enhancement
Figura 3.7 Procesamiento de imágenes en la frecuencia.
212121N
1M
0m
1N
0nN ,I,H,Iny,mxhn,mIy,xIy,xhy,xI
21211 ,,, IHyxI N
Generic Spatial Processing
)]y,x(I[Ty,xI N
lTlN
th th
Figura 3.8 a) Incremento de contraste b) Binarización.
Contrast and Brightness
a) b) c)
Figura 3. 9a) Bajo contraste, b) Buen contraste, c) Alto contraste.
Contrast and Brightness
a) b) c)
Figura 3. 10 a) Bajo brillo, b) Normal, c) Alto.
Contrast and Brightness
by,xaiy,xiN
Si a = 1 y b = 0 el operador es el operador identidad, Figura 3.11a
Si a < 1ó a>1 tenemos una reducción o incremento de contraste Figura 3.11b Si a = 1 y b 0 tenemos un incremento o decremento de brillo Figura 3.11c Si a = -1, b= L-1 obtendremos el negativo de la imagen. Figura 3.11d.
Contrast and Brightness
255
255
0255
255
0255
255
0255
255
0
Figura 3. 11 a) Identidad, b) Contraste, c) Brillo, d) Negativo.
a) b)
Figura 3. 12 a) Original, b) Negativo.
Contrast and Brightness
5.127b5.127k)y,x(i)y,x(iN modifica brillo antes de contraste
k5.127b5.127)y,x(i)y,x(iN modifica brillo después de contraste
Los valores de k y b se definen de acuerdo al efecto deseado del brillo y contraste.
Contrast and Brightness
Un operador que solo actúa sobre el contraste es
minmax
maxmin),(),(
LL
LLyxiyxiN
El operado anterior es un operador lineal pero existen otros operadores no lineales de la forma ( , ) ( , ) ( , ) ( , )Ni x y i x y Ci x y L i x y
iN
Dynamic Range
a) b)
Figura 3. 14 a) Sin corrección c) con corrección.
Dynamic Range
Una forma efectiva de comprimir el rango dinámico de los valores de pixeles es: (3.15) donde C es una constante de escalamiento, la suma de 1 es para evitar problema con los valores de gris iguales a cero.
lClN 1log
Dynamic Range
Por ejemplo si el espectro de Fourier tiene un rango de [0,R] = [0, 1.05 X 106 ]. El rango de es [0, 6.022]. Si el sistema de
visualización usara el rango [0 , L -1] = [0 , 255], entonces , 42.35 log (1+|1.05 X 106 |) = 42.35(6.022) = 255 si el sistema usara el rango [0 , L -1] = [0 , 1], entonces , 0.166 log (1+|1.05 X 106 |) = 0.166(6.022) = 1. Otras formas de resolver este problema es consultar el funcionamiento de la función de visualización que se utiliza y ver si acepta un parámetro que indique que realice un autoajuste.
i1logCln
35.42022.6
255c
166.0022.6
1c
Gray Level Range enhancement
En ocasiones lo que se desea es realzar únicamente ciertos pixeles dentro de un rango de niveles de gris presentes en la imagen.
a) Resaltar los píxeles de interés y desaparecer los píxeles de no interés, esto es, cambiar a valores altos los valores de pixeles con nivel de gris de interés y a valores bajos todos los demás valores de gris. (3.16) b) Resaltar los píxeles de interés y no modificar los demás píxeles. En este caso se aumenta el brillo del rango deseado y se conservan lo demás valores. (3.17)
formaotrade0
lilLi
21N
formaotradei
lilLi
21N
Gray Level Range enhancement
i
iN iN
i
Figura 3. 15 a) Pixeles de interés a valor alto los demás a cero, b) Pixeles de interés a alto los demás igual.
Histogram Processing
El histograma de niveles de gris de una imagen digital es una función discreta, debido a la naturaleza propia de la imagen digital, que indica, para cada nivel de gris, el número de pixeles presentes en la imagen. (3.18)
donde es el k’esimo nivel de gris y | | indica cardinalidad del conjunto.
1-L0,...,k ,:),( )( kk lyxiyxili
kl
Si consideramos como el número total de pixeles en la imagen y calculamos
(3.19)donde representa el número de pixeles con tono de gris entonces es una estimación de la probabilidad de ocurrencia del nivel de gris . Este enfoque es referente a considerar a una imagen como una señal aleatoria dado el comportamiento aleatorio del valor de los píxeles.
N
N
Nli k
k )(
kN
kl)( kli
kl
Histogram Processing
( )ki l
I1
I2
I3
Figura 3. 16 Mapeo de histogramas a imágenes.
Histogram Processing
( )ki l ( )ki l
kl kl
d)
( )ki l ( )ki l
kl kl
Figura 3. 17 Histograma de Imagen, a) Obscura, b) Brillante, c) Poco contraste, d) Alto contraste.
Histogram Equalization
Un histograma con buen contraste tenderá a tener una distribución semejante a la de una distribución uniforme, es decir (3.20)
por lo que el método de ecualización de histograma consiste en encontrar la transformación tal que la imagen generada tenga un histograma que tienda a la distribución uniforme.
formaotrade
LlLli k0
01
)(
]l[T
Histogram Equalization
Si y son conocidos y satisface la condición
)( kli ]l[T ]l[T N1
i) es función valuada–simple, monotónica incremental, en el rango (3.21)
]l[T
1l0
Nk
lTlNNk dl
dlli
dl
dllili
N
)()()(][1
entonces:
(3.23)
Histogram Equalization
Considere que utilizamos como transformación, , la función de distribución acumulada, CDF, del inglés Cumulative Distribution Function, de la imagen original con pixeles con tonos de gris ,
(3.24)
]l[T
l
l
N 1l0 dwwilTl0
)(][
También de teoría de probabilidad se sabe que la derivada de la CDF con respecto a la variable aleatoria es la función de densidad. Así tenemos que (3.25)dl
ldT
dl
dlN ][
Histogram Equalization
por lo que
(3.26) sustituyendo (3.26) en (3.23) tenemos
(3.27)
(3.28)
)()(][
0
k
lN lidwwi
dl
d
dl
ldT
dl
dl
][1
)()(NlTlN
kNK dl
dllili
1011)(
1)()( ][
][
1
1
NlTl
lTlkkNk l
lilili
N
N
Siendo una densidad uniforme, independientemente de la forma de .
)( Nkli
][lT
Histogram Equalization
a) b)
Figura 3. 18 Ecualización de histograma, a) Original b) Ecualizada.
Histogram Equalization
Asumiendo que una imagen tiene la siguiente función de densidad
la función de transformación será
formaotrade
llli k 0
103
llww
dwwdwwilTll
ll l
N 32
1
23)(][ 2
0
00 0
2
Histogram Equalization
La prueba de que el histograma es uniforme es como y las raíces son y y entonces seleccionamos ahora aplicando (3.27) obtenemos para
)( Nklh
032
2
Nlll NNN lllTl 2932/14931
1l0 N Nll 2931 Nll 2932
1l0 Nll 2932
NN llTl 2931
2292
132933)()( 2
1
2
1
][1NN
NlTlNkNk lll
dl
dl
dl
dllili
N
NN
lTlNNNk
ll
lllllh
N
29
13293
29
13293)(
][
2
1
1
129
29)(
N
NNk
l
llh
Histogram Equalization
Funciones discretas
1,,1,0 Lkn
nli k
kl
l
N dwwilTl0
)(][
k
jkkkNk llilTl
0
1-L0,1,...,ky 10 )(][
Histogram Equalization
Nkl CDF redondeado
0 0 0/64 0 0 0
1 0 0/64 0 0 0
2 0 0/64 0 0 0
3 4 4/64 0.0625 0.1875 0
4 5 5/64 0.140625 0.5625 1
5 20 20/64 0.453125 2.265625 2
6 15 15/64 0.6875 4.125 4
7 3 3/64 0.734375 5.140625 5
8 0 0/64 0.734375 5.875 6
9 7 7/64 0.84375 7.59375 8
10 5 5/64 0.921875 9.21875 9
11 3 3/64 0.96875 10.65625 11
12 2 2/64 1 12 12
13 0 0/64 1 13 13
14 0 0/64 1 14 14
15 0 0/64 1 15 15
N 64
Nkl)( kl likll
k
jjlNk lil
0
)(
Histogram Equalization
redondeado
0 0 0 4
1 0 0 5
2 0 0 20
3 4 0 0
4 5 1 15
5 20 2 3
6 15 4 0
7 3 5 0
8 0 6 7
9 7 8 5
10 5 9 0
11 3 11 3
12 2 12 2
13 0 13 0
14 0 14 0
15 0 15 0
N 64
l kl Nkl)( NkNk li
Histogram Specification
Si partimos de la suposición de que la nueva imagen deseada, , fuera conocida, entonces podríamos realizar el proceso de ecualización de histograma a dicha imagen. Si la imagen deseada, , estuviera disponible, sus niveles de gris podrían ecualizarse por medio de la transformación
ZI
ZI
(3.33) donde es la función de densidad de , histograma normalizado, y es la función de transformación para generar una nueva imagen con valores de pixeles .
Z
z dwwizQu0
)(wiz
ZI
zQ
u
Histogram Specification
iz(l)
Iz Q[z] izE(l)
Figura 3. 19 Ilustración de ecualización de la imagen .
Histogram Specification
Sin embargo el proceso anterior no es posible ya que es una imagen deseada y por lo tanto no existente. Si fuera posible podríamos usar el proceso inverso para generar los niveles z de la imagen deseada. De esto surge la posibilidad de generar , ya que si somos capaces de obtener los valores de u entonces podríamos generar la imagen deseada.
ZI
uQz 1
ZI
El histograma de la imagen original, , ecualizada , y el histograma de la imagen que provendría de la ecualización de , , son densidades de probabilidad uniformes ya que son resultado de un proceso de ecualización. Como se mencionó antes, la ecualización produce un histograma uniforme independiente de la distribución del histograma original. Así que si en lugar de usar los valores de en el proceso inverso se utilizan los niveles uniformes de obtenidos de la imagen original después del proceso de ecualización, los niveles resultantes tendrán la función de densidad de probabilidad deseada.
I )( kNNk li
ZI )( kZe li
uNl
NlQz 1
Histogram Specification
Asumiendo que es valuada simple el proceso se resume en: Ecualice los niveles de la imagen original (3.34) Especifique la función de densidad deseada y obtenga la función de transformación usando:
(3.35) Aplique la función de transformación inversa .
NlQ 1
r
N dwwilTl0
zQ
Z
z dwwizQu0
NlQz 1
Histogram Specification
Imagen Original
Ii(l)
lN
T[l]
l
IE
i(lN)
IZ
iZ(l)
u
Q(z)
lNK
Figura 3. 20 Proceso de especificación de histograma.
Histogram Specification
En la practica la transformación inversa de a z a menudo no es valuada simple. La situación surge cuando existen niveles de gris en cero en el histograma especificado, lo cual hace que la CDF sea constante sobre un intervalo o en el proceso de redondeo de al tono de gris más cercano
Nl
NlQ 1
Figura 3. 21 Ejemplo de generación de una función no valuada simple.
Histogram Specification
a) b) c)
Figura 3. 22 Imagen mejorada con especificación de histograma. a)Original y su histograma, b) Histograma deseado, c) Histograma obtenido y su imagen.
Arithmetic OperationsArithmetic Operations
Image AdditionImage Addition
La suma de dos imágenes e se define como:
(3.36)
)y,x(I1 )y,x(I2
)y,x(I)y,x(II 21N
Image Addition and Noise additionImage Addition and Noise addition
+ =
Image SubtractionImage Subtraction
La diferencia entre dos imágenes e es:
(3.37)
)y,x(I1 )y,x(I2
)y,x(I)y,x(II 21N
Background removalBackground removal
Motion detection by subtractionMotion detection by subtraction
Edge detectionEdge detection
y
y,xIx
y,xI
y,xI
22
y
I
x
Iy,xI
1y,xIy,xI,y,1xIy,xImaxy,xI
Edge detectionEdge detection
200 210 50 50 10 160 0
210 215 45 48 5 170 3
211 210 44 46 1 166 2
209 210 45 46 1 165 1
a) b)
Noise reduction by averagingNoise reduction by averaging
(3.41)
yxNyxSyxD ii ,,,
Asumiendo un conjunto de M realizaciones de una imagen de interés:
donde S(x,y) : es la imagen de interés.Ni(x,y) : realización de imagen de ruido
asumimos que cada realización de imagen de ruido proviene de un ruido aleatorio no correlacionado con medio cero.
Noise reduction by averagingNoise reduction by averaging
Esto significa que el valor esperado (3.42) es
(3.43) El valor esperado de dos realizaciones de imágenes de ruido será: (3.44)
dxxxfXE x )(
0, yxNE i
yxNEyxNEyxNyxNE jiji ,,,, ji
Noise reduction by averagingNoise reduction by averaging
entre las realizaciones de ruido es
(3.46) yxNEyxNEyxNyxNE jiji ,,,, ji
y la correlación
(3.45)
dxdyfxyfYXE yx,
es el promedio del ruido en el pixel con coordenadas x,y de todas las imágenes con ruido en las i’esimas realizaciónes.
yxNE i ,
Noise reduction by averagingNoise reduction by averaging
(3.47) yxNE
yxSyxSNRP
,
,,
2
2
Si promediamos M imágenes para formar: (3.48)
M
1ii y,xNy,xS
M
1y,xD
entonces la razón de potencia señal-ruido está dada por (3.49)
2
12
2
2
1
2
,1
,
,1
,,
M
ii
M
ii yxNE
M
yxS
yxNM
E
yxSyxSNRP
Noise reduction by averagingNoise reduction by averaging
ó (3.50)
ya que el ruido es no correlacionado, tenemos
(3.51)
y
(3.52)
M
i
M
jji yxNyxNE
yxSMyxSNRP
1 1
22
,,
,,
M
i
M
jji
M
ii yxNyxNEyxNE
yxSMyxSNRP
1 11
2
22
,,,
),(, ji
M
i
M
i
M
jjii yxNEyxNEyxNE
yxSMyxSNRP
1 1 1
2
22
,,,
,, ji
Noise reduction by averagingNoise reduction by averaging
M
i
M
i
M
jjii yxNEyxNEyxNE
yxSMyxSNRP
1 1 1
2
22
,,,
,, ji
Usando la ecuación (3.43), el segundo término en el denominador es cero, ya que el problema asume que el ruido aleatorio tiene media cero. Además las M muestras de ruido provienen del mismo conjunto, todos los términos en la primera sumatoria son idénticos por lo que
(3.53) Así que el promedio de M imágenes incrementa el factor señal-ruido por un factor de M. La amplitud del factor señal-ruido es:
(3.54)
MyxSNRP
yxNME
yxSMyxSNRP ,
,
,,
2
22
yxSNRPMyxSNRPRNS ,,
Noise reduction by averagingNoise reduction by averaging
Spatial filteringSpatial filtering
Imagen
Filter
Figura 3. 30 Aplicación de un filtro espacial.
Spatial filteringSpatial filtering
i(x-1,y-1) i(x-1,y) i(x-1,y+1)
i(x,y-1) i(x,y) i(x,y+1)
i(x+1,y-1) i(x+1,y) i(x+1,y+1)
wi(x-1,y-1) w(x-1,y) w(x-1,y+1)
w(x,y-1) w(x,y) w(x,y+1)
w(x+1,y-1) w(x+1,y) w(x+1,y+1)
)1.1()1,1(),1(),1()1,1()1,1(
)1,()1,(),(),()1,()1,(
)1,1()1,1(),1(),1()1,1()1,1(),(
yxwyxiyxwyxiyxwyxi
yxwyxiyxwyxiyxwyxi
yxwyxiyxwyxiyxwyxiyxiN
Spatial filteringSpatial filtering
La forma genérica de la aplicación de un filtro espacial de tamaño esta dada por (3.56) donde y para y enteros no negativos.
mxn
a
as
b
btN )t,s(w)ty,sx(I)y,x(I
1a2m 1b2n a b
Smoothing filtersSmoothing filters
x251
x91
x161
1 1 1
1 1 1
1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 2 1
2 4 2
1 2 1
Figura 3. 32 Mascaras de filtros de suavizado.
Gaussian filterGaussian filter
0.0005 0.0050 0.0109 0.0050 0.0005
0.0050 0.0522 0.1141 0.0522 0.0050
0.0109 0.1141 0.2491 0.1141 0.0109
0.0050 0.0522 0.1141 0.0522 0.0050
0.0005 0.0050 0.0109 0.0050 0.0005
Smoothing filtersSmoothing filters
Figura 3. 33 a) Original, b) con ruido, c) promediado 3x3,d) promediado 5x5, e) Gausiano.
Average filter vs. median filterAverage filter vs. median filter
Laplacian filtersLaplacian filters
0 1 0
1 -4 1
0 1 0
1 1 1
1 -8 1
1 1 1
1 1 1
1 -8 1
1 1 1
-1 -1 -1
-1 8 -1
-1 -1 -1
SharpeningSharpening
Gradient magnitudeGradient magnitude
-1 0
0 1
0 -1
1 0
-1 -2 -1
0 0 0
1 2 1
-1 0 1
-2 0 2
-1 0 1
Gradient magnitudeGradient magnitude
Discrete Time SignalsDiscrete Time Signals ...0,4,3,2,1,0...,)( nx
40
41
00
)(
n
nn
n
nx
Discrete Time SignalsDiscrete Time Signals
cnxnx
knxnx
knxnx
)()(
)()(
)()(
Time shifting
Amplitude scaling
Impulse Impulse
)(n
)3( n
Impulse Impulse
)(n
)4( n
Step Step
)()( nunx
)3()( nunx
Step Step
)()( nunx
)4()( nunx
Ramp Ramp
)()( nnunx
)]11()4()[5()( nununnx
ExponentialExponential
)()( nuanx n
)()( )2( nuanx n
FoldingFolding
)()]([ nxnxTF
Time ScalingTime Scaling