Capítulo 2. Representación de imágenes digitales

Slides:



Advertisements
Presentaciones similares
Francisco Carlos Calderón
Advertisements

Curso de Titulación Modelado y Análisis de Sistemas Eléctricos bajo Condiciones de Operación no Senoidales Facultad de Ingeniería Eléctrica Universidad.
Contenido 1. Funciones Periódicas 2. Serie trigonométrica de Fourier 3. Componente de directa, fundamental y armónicos 4. Ortogonalidad de las funciones.
UNIVERSIDAD NACIONAL DE INGENIERÍA UNI- NORTE
Tema 3: Filtros SEGUNDA PARTE.
PROCESAMIENTO DE IMAGENES
Procesamiento Digital de Señales (DSP)
DESCRIPCION DE SISTEMAS
Filtros y Detectores de Borde
La transformada de Fourier.
M.I. Ricardo Garibay Jiménez
ILUMINACIÓN Un modelo de iluminación sirve para asignar un valor de iluminación a los puntos de la imagen. Se define una ecuación de iluminación. Lighting.
7. Extracción de Contornos
Pregrado en Ingeniería Física: Análisis de Señales y Sistemas Escuela de Física Universidad Nacional de Colombia Sede Medellín Semestre  I. Señales.
MÁSCARAS DE CONVOLUCIÓN PARA LA DETECCIÓN DE BORDES.
RECONOCIMIENTO DE OBJETOS
ELEMENTOS MATEMÁTICOS. La Función Delta de Dirac: continuación …. Procesamiento óptico: Elementos básicos.
Procesamiento digital de Imágenes
Repaso de Sistemas Lineales
Procesamiento digital de Imágenes
El valor del pixel (tono de gris) varia de una manera continua
Procesamiento digital de Imágenes
Capitulo 2 Filtrado Filtrado Espacial Visión de Máquina
Procesamiento Digital de Imágenes y Visión
La segmentación de imágenes se ocupa de descomponer una imagen en sus partes constituyentes, es decir, los objetos de interés y el fondo, basándose en.
GEOMETRÍA ANALÍTICA EN EL PLANO.
Introducción al procesamiento de imágenes
Digital Image Processing Chapter 4
PROCESAMIENTO EN EL DOMINIO DEL ESPACIO. Se entiende por procesamiento en el dominio del espacio, la realización de operaciones directamente sobre el valor.
Tema 4. Realzado de imágenes  Qué vamos a estudiar  ¿Qué vamos a estudiar? Un conjunto de técnicas que tratan de conseguir una imagen mejorada y más.
Realzado en el dominio de la frecuencia
Detectores de Borde. Extracción de Características Detección de Líneas. Detección de Puntos de Borde. Detección de Contornos.
 Procesamiento Digital de Imágenes y recostrucción tridimensional de imágenes de ME.  Modelaje Molecular de estructuras usando datos de cris- talografía.
Guías Modulares de Estudio Matemáticas IV – Parte B
Algebra Lineal.
EXTRACCIÓN DE CARACTERISTICAS
Capitulo 3 Segmentación.
Statistic Filters El filtro de mediana. Este tipo de filtro pertenece al grupo de filtros de orden estadístico, los cuales son filtros que no cumplen con.
Procesamiento Digital de Imágenes
Informática Médica: Procesamiento de imágenes
Procesamiento Digital de Imágenes
TRANSFORMADA DISCRETA DE FOURIER - DFT
VECTORES EN EL PLANO.
Problema de inclusión en una Curva Digital Por Orellana Muñoz, Alfonso Paz Vicente, Rafael Pérez Medina, Gerardo Rodríguez Naranjo.
Tema 3: Filtros.
MoMento S Grupo 33: Ignacio Ayllón Benito Félix A. Velázquez Salas.
Filtro Canny Detección de Esquinas
Funciones Ortgonales Hemos estudiado ya, en el cálculo infinitesimal, los vectores en el espacio de dos y tres dimensiones, y sabe que dos vectores no.
SUBSTRACCIÓN DE IMÁGENES
Procesamiento Digital de Imágenes
Filtros.
1 Image Segmentation Chapter 9 Dr. Mario Chacón DSP & Vision Lab.
MOVIMIENTOS EN EL PLANO
Procesamiento Digital de Imágenes
TEMA 2 CARACTERIZACIÓN FRECUENCIAL DE SEÑALES Y SISTEMAS
Tema 6: Morfología Segunda parte.
Filtrado lineal Digital image processing, Gonzalez & Woods, chpt 4
Procesamiento Digital de Imágenes
Procesamiento Digital de Imágenes
El uso de las máscaras espaciales
Geometría primitiva y Transformaciones
ANALISIS ,GRAFICOS Y MEDIDAS ESTADISTICAS
FUNDAMENTOS SOBRE P ROCESAMIENTO D IGILTAL DE I MÁGENES (DIP) Copyright 2004 para Diego Luis Aristizábal Ramírez OrquideaJAI Universidad Nacional de Colombia.
LA LUZ Y LA ,ÓPTICA GEOMÉTRICA
El procesamiento óptico y las computadoras ópticas. J. Zacarías Malacara H. Taller de Ciencia para Jóvenes.
Instituto Politécnico Nacional esime Zacatenco Ing
Análisis de Fourier.
PROCESADORES DIGITALES DE SEÑALES
DETECCION DE SEÑALES BINARIAS EN RUIDO GAUSSIANO El criterio de toma de decisión fue descrito por la ecuación Un criterio muy usado para escoger el nivel.
UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TACHIRA UNIDAD DE ADMISION CURSO PROPEDEUTICO ASIGNATURA FISICA Prof. Juan Retamal G.
Transcripción de la presentación:

Capítulo 2. Representación de imágenes digitales  La intensidad luminosa f(x,y) se puede caracterizar por dos componentes: a) La cantidad de luz incidente en la escena visualizada (iluminación), que representaremos por i(x,y)[0, ). Esta componente viene determinada por la fuente luminosa. Por ejemplo, el nivel de iluminación en una oficina comercial es de unas 100 candelas-pies. b) La cantidad de luz reflejada por los objetos de la escena (capacidad reflectora), que representaremos por r(x,y)[0,1], donde el valor 0 representa absorción total y el valor 1 reflexión total. Esta componente viene determinada por las características de los objetos de la escena. Por ejemplo, el acero tiene 0.65 y la nieve 0.93.  Las escenas dinámicas donde aparecen objetos en movimiento complican más todavía la visión por ordenador. f(x, y) = i(x, y) r(x, y)

Capítulo 2. Representación de imágenes digitales  Matriz vinculada a una imagen Una matriz vinculada es: a) Una matriz cuyos elementos aij R{*} b) Un indicador (p,q) que especifica la posición del primer elemento de la matriz en la rejilla utilizada en la digitalización de la imagen.

Capítulo 2. Representación de imágenes digitales  El entorno vertical y horizontal de tamaño 5 del píxel p, de coordenadas (i,j) {(i+1,j), (i-1,j), (i,j), (i,j+1), (i,j-1)} N5(p)  El entorno diagonal de tamaño 5 del píxel p, de coordenadas (i,j), {(i+1,j+1), (i-1,j-1), (i,j), (i-l,j+1), (i+1,j-1)} ND (p)  El conjunto de pixeles N5(p)ND (p) es un entorno de tamaño 9 del píxel p N9 (p).  Para estudiar la relación entre píxeles vamos a tener en cuenta su proximidad espacial y su similitud en los niveles de gris.

Capítulo 2. Representación de imágenes digitales Sea V el conjunto de valores de los tonos de gris utilizado para definir la conectividad Conectividad de tipo 5: los píxeles p y q con valores en V están conectados si qN5(p) Conectividad de tipo 9: los píxeles p y q con valores en V están conectados si qN9(p) Conectividad de tipo mixto: los píxeles p y q con valores en V están conectados si: qN5 (p) ó qND (p) y el conjunto N5 (p)N5 (q) no tiene pixeles con niveles de gris que pertenezcan a V.

Capítulo 2. Conectividad mixta 0 1 1 0 1 0 0 0 1

Capítulo 2. Conectividad mixta Se dice que el píxel p es adyacente al píxel q, si los dos están conectados. Dos subconjuntos de píxeles (imágenes) S1 y S2 se dice que son adyacentes si algún píxel de S1 es adyacente con algún píxel de S2. Un camino desde el píxel p, con coordenadas (xo ,yo ), al píxel q, con coordenadas (xn, yn), es una sucesión de diferentes píxeles con coordenadas (xo ,yo ), (x1 ,y1 ) ,..., (xn-1 , yn-1 ), (xn , yn), donde (xi ,yi) es adyacente a (xi-1 ,yi-1 ). Diremos que la longitud de este camino es n. Si p y q son pixeles de un subconjunto S, entonces diremos que p está conectado con q en S, si existe un camino de p a q formado sólo por pixeles de S. Para cualquier píxel p de S, el conjunto de pixeles de S que están conectados con p se dice que es una componente conexa de S.

Operaciones aritméticas: Capítulo 2. Operaciones aritméticas, geométricas, lógicas y vectoriales Operaciones aritméticas: [NOVENTA(f)](i,j) = f(-j, i) [NOVENTA(f)](i,j) = f(j, -i) [FLIP(f )](i, j)=f (-j, -i)

Capítulo 2. Operaciones base de datos Ventana W = { (i,j): h i  h+r , k  j  k+s}

Capítulo 2. Operaciones base de datos

Capítulo 2. Operaciones vectoriales

Capítulo 2. Filtros Filtro de promedio: Entorno del píxel (i,j), de tamaño (2m+1)  (2n+1): N(2m+1)(2n+1)(i, j) = { (r, s)ZZ : i-m  r  i + m; j - n  s  j + n } Máscara (o plantilla) g de tamaño (2m+1)(2n+1) Filtro de promedio:

41 Capítulo 2. Filtros Filtro de promedio: 30x0.05+30x0.1+30x0.5+30x0.1+30x0.4+75x0.1+30x0.05+75x0.1+86x0.05 = 41

Capítulo 2. Filtros Filtro de promedio de paso baja: Elementos de la máscara aij  0 Suman la unidad

Capítulo 2. Filtros Filtro de promedio de paso baja:

Capítulo 2. Filtros Filtro de promedio de paso baja:

Capítulo 2. Filtros Filtro de promedio de paso alta: Elementos de la máscara positivos y negativos Suelen sumar cero

Capítulo 2. Filtros Filtro de promedio de paso alta: I  5·abs(E)

Capítulo 2. Filtros Filtro de promedio de paso alta:

Capítulo 2. Filtros Los filtros de promedio móvil pueden ser: Invariantes en el espacio, en cuyo caso, la imagen filtrada se obtiene de la aplicación de la misma máscara a cada uno de los píxeles la imagen, Variables en el espacio, cuando el filtro se realiza mediante la aplicación de una colección de máscaras, de manera que a subconjuntos diferentes de píxeles se le aplican máscaras diferentes.

Capítulo 2. Filtros 30 86 Filtros no lineales: [MIN(f, N)](i, j) = Min { f(r, s): (r,s)N(i ,j) }. [MAX(f, N)](i, j) = Max { f(r, s): (r,s)N(i ,j) }. Filtros no lineales: 30 86

Capítulo 2. Filtros Aplicación: Corrección de una iluminación no uniforme: MIN32x32

[MEDIANA(f, N)](i, j) = Mediana { f(r, s): (r,s)N(i ,j) }. Capítulo 2. Filtros [MEDIANA(f, N)](i, j) = Mediana { f(r, s): (r,s)N(i ,j) }. Filtros no lineales: 75 30 52 63 72 75 75 86 86 86

Capítulo 2. Filtros Filtro MEDIANA

Capítulo 2. Filtros Filtro MEDIANA Atenúa el ruido Preserva aristas horizontales Atenúa el ruido Preserva aristas verticales

Capítulo 2. Filtros Gradiente Filtros Diferencia: -1 1 1 -1 Imagen DX ABS UMBRAL BORDES t Operador Gradiente: [GRAD(f)](i,j) = ([DX(f)](i,j) , [DY(f)](i,j) )

Capítulo 2. Filtros Diferencia Simétrica [SIMDX(f)](i ,j) = ( [DX(f)](i, j) + [DX(f)](i+1, j) )/2 = [f(i+l, j) - f(i-l, j)] / 2 [SIMDY(f)](i ,j) = ( [DY(f)](i, j) + [DY(f)](i, j+1) )/2 = [f(i, j+1) - f(i, j-1)] / 2 Operador diferencia simétrica: SIMGRAD(f) = (SIMDX(f), SIMDY(f)), -½ ½ ½ -½

Capítulo 2. Filtros -1 1 1 -1 Filtro de Prewitt: [PREWDX(f)](i,j) = ( [DX(f)](i+l,j+1) + [DX(f)](i,j+1) + [DX(f)](i+l,j) + [DX(f)](i,j) + [DX(f)](i+l,j-1) + [DX(f)](i,j-l) )/6 = [ f(i+l,j+l) + f(i+l,j) + f(i+l,j-l) - f(i-l,j+l) - f(i-1,j) - f(i-l,j-l)) ]/6. PREWGRAD(f) = (PREWDX(f) , PREWDY(f)) -1 1 1 -1

Capítulo 2. Filtros -1 1 -2 2 1 2 -1 -2 Filtro de Sobel: SOBGRAD(f) = (SOBDX(f), SOBDY(f)). -1 1 -2 2 1 2 -1 -2

Capítulo 2. Filtros Filtro de Roberts: -1 1 1 -1

Capítulo 2. Filtros Filtro de promedio de paso alta:

Capítulo 2. Matrices de relación espacial Se pretenden analizar las relaciones espaciales entre los píxeles con tonos de gris parecidos Se establece una relación espacial R(r, s) : (i, j)  (i + r, j + s) Dada una relación R, representaremos por hR(p, q) el número de pares de píxeles (i, j) y (i´,j´) tales que: (i, j) R (i´, j´) , es decir, (i, j) está relacionado con (i´, j´) f(i, j) = p y f(i´, j´) = q s r Matriz de relación espacial

Capítulo 2. Matrices de relación espacial Búsqueda de texturas Relación espacial: R2,0 Imagen binaria (textura): Matriz de relación espacial:

Capítulo 2. Matrices de relación espacial ¿Texturas más finas? Relación espacial: R1,0 Imagen binaria (textura): Matriz de relación espacial:

Capítulo 2. Matrices de relación espacial ¿Texturas? Relación espacial: R1,1 Imagen binaria (textura): Matriz de relación espacial:

Capítulo 2. Matrices de relación espacial ¿Texturas? ¿Bordes? Relación espacial: R1,1 Imagen binaria (textura): Matriz de relación espacial:

Capítulo 2. Matrices de relación espacial Examen Febrero 04: ¿Cómo detectarías la textura de una imagen constituida por dos elementos de textura de tamaño 3232 que se repiten según se muestra en la figura 3? Respuesta: Mediante la matriz de relación espacial tomando como relación espacial la siguiente: R0,64 : (i, j)  (i , j + 64) o bien, R64,0 : (i, j)  (i + 64, j) Dicha matriz va a tener todos sus elementos nulos fuera de la diagonal principal

Capítulo 2. La transformada de Fourier Jean Baptiste Joseph Fourier presentó en 1807 sus resultados sobre la propagación y difusión del calor en el Instituto de Francia en los cuales proponía que una señal periódica se podía representar mediante series sinusoidales. Representación de ondas cuadradas:

Capítulo 2. La transformada de Fourier ¿Qué es? Es una descomposición de la imagen en estructuras periódicas. La variables u y v se llaman frecuencias absolutas. También se pueden utilizar las variables 1 = 2u y 2 = 2y, que se llaman frecuencias angulares. Su magnitud se llama espectro de Fourier: Ángulo de fase: F(u,v) θ u v

Capítulo 2. La transformada de Fourier Transformada inversa de Fourier: Interpretación de la Transformada de Fourier: Nos da los coeficientes de ponderación en las diferentes frecuencias de las funciones exponenciales complejas (patrones sinusoidales) que nos conducen al valor de la función f(x,y) como límite de estas sumas ponderadas. Propiedades de la Transformada de Fourier: Operador lineal Convolución

Capítulo 2. La transformada de Fourier Ejemplo: M -a a

Capítulo 2. La transformada de Fourier Fuente puntual: Función delta de Dirac Cualquier imagen se puede considerar como una suma de fuentes puntuales. La función que transforma una fuente puntual se llama función de esparcimiento. n2 1/2n  1

Capítulo 2. La transformada de Fourier discreta u = 0,1,2,…,M-1, v = 0,1,2,…,N-1 Inversa: m = 0,1,2,…,M-1, n = 0,1,2,…,N-1

Capítulo 2. La transformada de Fourier discreta Log (Magnitud) Fase Reconstrucción a partir de la magnitud (con fase=0) Reconstrucción a partir de la fase (con módulo constante)

Capítulo 2. La transformada de Fourier discreta Ejemplo: n= 1 -1 m = -1 0 1