TRANSFORMADA DE FOURIER EN EL PROCESAMIENTO DE IMAGENES

Presentación del tema: "TRANSFORMADA DE FOURIER EN EL PROCESAMIENTO DE IMAGENES"— Transcripción de la presentación:

1 TRANSFORMADA DE FOURIER EN EL PROCESAMIENTO DE IMAGENES
ING. HENRY MORENO MOSQUERA

2 Transformadas Continuas
Transformado de Fourier F(u) = ò f(x)e[-j2pux]dx Transformada inversa f(x) = ò F(u)e[j2pux]du

3 Transformadas de 2 variables
Para el caso de una imagen se requiere aplicar la transformación en 2-D Transformado de Fourier F(u) = ò ò f(x,y)e[-j2p(ux+vy)]dxdy Transformada inversa f(x) = ò ò F(u,v)e[j2p(ux+vy)]dudv

4 Transformadas discreta
Para el caso de una imagen digital se aplica la transformada discreta de Fourier (DFT) Transformado de Fourier F(u) = (1/MN)S S f(x,y)e[-j2p(ux/M+vy/N)] Transformada inversa f(x) = S S F(u,v)e[j2p(ux/M+vy/N)] Existe una forma eficiente de implementar la DFT llamada transformada rápida de Fourier (FFT)

5 Filtrado Se aplica la Transformada de Fourier Se aplica el filtro
Se aplica la transformada inversa

6 Tipos de Filtros Pasa bajos Pasa banda Pasa altos Filtros ideales
Filtros butterworth

7 Filtro ideal pasa bajos

8 Filtro Butterworth pasa-bajos

9 DFT A UN VECTOR Un vector x(N) representa el muestreo de una señal unidimensional (Puede ser voz) en un intervalo de tiempo t. Ts = Periodo de Muestreo = 1/Fs N = Tamaño vector = t/Ts Ejm: Fs =8000 Hz, Ts = 125 microseg T = 50 ms, N = 50 ms/125 microseg = 400

10 DFT A UN VECTOR (Cont.) Al aplicarle DFT al vector x(N) generamos otro vector X(N), el cual representa otro espacio diferente. Tradicionalmente dicha transformación pasa señales de tiempo a señales en frecuencia. (Uso en Telecomunicaciones y en Electrónica en General). Ejemplo 1. Abrir Archivo 1.vi (Labview)

11 FILTRADO MODIFICANDO EL VECTOR X(N)
Como el vector X(N) nos representa la señal en el dominio de Tiempo, y se quiere hacer un Filtro Rechaza Banda, simplemente se fija en 0 las posiciones en las cuales quedó ubicada la frecuencia o frecuencias que se quieren rechazar en el vector, y posteriormente se aplica la Transformada Inversa de Fourier, para generar la señal en el tiempo ya filtrada. Ejemplo 2. Archivo 2.vi (Labview)

12 Transformada de Fourier de Imagenes
Posibilidad de conocer e identificar propiedades de la imagen. Capacidad de procesar la imagen en el dominio espectral para el desarrollo de filtros. Mucha matematica computacional es uno de los inconvenientes, ya que para hallar FFT bidimensional a una imagen de 256 x 256 pixel, se requiere aplicar FFT unidimen- sionales a a las filas y luego a las columnas, para lo cual se requiere 512 FFT de 256 puntos complejos cada una. Se requiere obligatoriamente FFT implementada en Ensamblador.

13 Diseno de Filtros usando FFT
Se toma la imagen original y se aplica FFT Bidimensional. Dependiendo del tipo de Filtro que se seleccione se debe atenuar la zona correspondiente. Si el LPF, atenuamos las altas frecuencias. Si es HPF se atenuan la bajas frecuencias Se tiene la opcion de variar el umbral de atenuacion, es decir la frecuencia de corte del filtro. Se puede variar el nivel de atenuacion. Se devuelve el proceso a traves de IFFT hasta llegar a la imagen final procesada. Ejemplo 3: FFT.vi y FFT_2.vi

14 Compresion de Imagenes usando JPEG
Aplicacion de la DCT(Transformada Discreta Coseno) a una submatriz de 8 x 8. Se cuantifica la matriz usando el estandar de cuantificacion. Se ordenan los coeficientes en una nueva matriz en forma de zigzag de menor a mayor frecuencia. Se almacenan los datos eu una matriz final de salida. Dicha matriz obviamente no se puede visualizar, pero aplicamos el proceso inverso para decodificar hasta llegar a la matriz original. El tamano de la matriz comprimida se visualiza en el monitor. El nivel de compresion flcutua entre 15 y 20 veces, dependiendo de la imagen.

15

16 Algoritmo de Realce de Imagenes
Se implemento el Algoritmo retinex. El filtro Gaussiano es: Se aplica FFT y IFFT a dicha funcion para lograr eficiencia y evitar la convolucion Alfa y beta son factores de escala y desplazamiento para la funcion.

17 Aplicación en un Aeropuerto

18 Rendimiento del anterior ejemplo
En Matlab, dicho algoritmo tarda cerca de 2 minutos por imagen. En un DSP, con reloj de 166 MHz procesa tres imágenes por segundo Si llevamos a un reloj de 1000 Mhz multiplicamos por 6 la cantidad de frames por segundo.