Procesamiento de Imágenes digitales Transformada de Haar 15/04/2017 Analizador de la transformada de Haar desde un punto de vista topológico Procesamiento de Imágenes digitales Curso 2002/2003 J. Roberto Moreno Guerra Fco. Javier Rojas Guerrero José Luis Salas Espina Ricardo Toro Llano

Índice 1. Introducción. 2. Nuestro trabajo. 3. La transformada de Haar. 4. Propiedades de la transformada de Haar. 5. Conclusiones e investigación. 6. Bibliografía y documentación.

Usaremos para nuestro estudio imágenes: 1. Introducción. Usaremos para nuestro estudio imágenes: Binarias. De dimensión 8x8. El analizador no admite imágenes en escala de grises. • Nuestra investigación se centra en el análisis de transformadas de líneas rectas.

1. Introducción. Gracias a las propiedades de las transformadas, y en particular de las transformadas bidimensionales se pueden conseguir mejoras, restauraciones, compresiones, codificaciones y descripción de imágenes. Usos de la transformada de Haar: Compresión de datos de señales no estacionarias. Extracción de aristas. Compresión de imágenes.

Usar dicho analizador en: 2. Nuestro trabajo. Diseño de un analizador de imágenes usando la transformada de Haar en Matlab. Usar dicho analizador en: Compresión de imágenes. Comportamiento topológico de las imágenes frente al ruído.

3. La transformada de Haar. Propiedades: Lineal. Real. Muy rápida (de orden O(N) ). Se basa en una clase de matrices que cumplen: Son ortogonales (traspuesta = inversa). Sus valores son 0 ó potencias de dos.

3.- La transformada de Haar. Distribución de píxeles: Píxeles más significativos (los de mayor valor) Píxeles menos significativos (los de valor más pequeño) T =

3. La transformada de Haar. Linealidad:  Se basa en sumas, restas y divisiones.  Supongamos dos números a y b vecinos.  Transformada que sustituye a y b por su media (m) y su diferencia (d):  Idea: Si a y b están cercanos almacenar su diferencia es más eficiente.

3. La transformada de Haar. Linealidad:  Con este método no perdemos información, podemos recuperar a y b así:  Podemos realizar este procedimiento invirtiendo una matriz 2x2 (en este caso).  Esta es la idea que utiliza la transformada de Haar.

3. La transformada de Haar. 15/04/2017 3. La transformada de Haar. Algoritmo.  Paso 1:  Calcular las medias para cada pareja:

3. La transformada de Haar. Algoritmo.  Paso 1: Vector original: Vector que llevamos calculado:  Calcular las diferencias:

3. La transformada de Haar. Algoritmo.  Paso 2: Media + Diferencias Permanece igual!!

3. La transformada de Haar. Algoritmo.  Paso 3: Media + Diferencia Permanece igual!!

3. La transformada de Haar.  Todas estas transformaciones sucesivas aplicadas a un vector se pueden ver de forma matricial:

3. La transformada de Haar.  Todas estas transformaciones sucesivas aplicadas a un vector se pueden ver de forma matricial:

3. La transformada de Haar.  Todas estas transformaciones sucesivas aplicadas a un vector se pueden ver de forma matricial:

3. La transformada de Haar. Matriz de Haar

3. La transformada de Haar. Luego, las transformaciones se pueden realizar aplicando las fórmulas: Esta es la llamada transformada rápida de Haar. Es de orden O(N log N).

3. La transformada de Haar. Ejemplo:

3. La transformada de Haar.  Ejemplo:  Aplicar el algoritmo anterior por filas a la matriz M: M H1

3. La transformada de Haar.  Ejemplo:  Aplicar el algoritmo anterior por columnas a la matriz H1: H1 N

3. La transformada de Haar. Ejemplo:  De esta forma obtenemos la nueva matriz N que representa a la imagen:

4. Propiedades de la transformada de Haar. 15/04/2017 4. Propiedades de la transformada de Haar. Aplicaciones: Compresión de imágenes. Extracción de aristas. Con un algoritmo rápido esta transformada puede ser más eficiente en cuanto a la compresión de datos. Sobre todo a la compresión de señales estacionarias o “spiky” • Esta transformada no ha recibido últimamente demasiada atención, debido a las mejoras que se consiguen con otras transformadas, aunque éstas sean más complejas.

5. Conclusiones e investigación. Número de iteraciones del algoritmo. Compresión de imágenes.  Comportamiento topológico frente al ruído.

5. Conclusiones e investigación. Número de iteraciones:  Para una imagen de 8x8 el número máximo de iteraciones es 3. n=1 n=2 n=3 n=4

5. Conclusiones e investigación. Número de iteraciones:  Ejemplo para n=4 iteraciones. Imagen original Imagen codificada Imagen obtenida No se recupera la imagen original!!

5. Conclusiones e investigación. Compresión:  Obtenemos la nueva imagen N mediante el algoritmo de medias y diferencias visto a partir de la matriz original M.  Eliminamos información innecesaria de la matriz N.  Se reconstruye la imagen original M.

5. Conclusiones e investigación. Compresión: Elegir una d tal que los valores de la matriz N que sean menores que dicha d toman automáticamente el valor 0. Ejemplo:

5. Conclusiones e investigación.  Compresión - ejemplo: Elegimos d = 0

5. Conclusiones e investigación.  Compresión - ejemplo:  Se obtiene la imagen original a partir de la matriz N’ Comprimida al 6% ¡¡Se mantiene la topología!!

5. Conclusiones e investigación. Compresión - ejemplo:  Si aumentamos el número de iteraciones: n=2 Imagen original 11 % n=4 13 % No conserva la topología!!!

5. Conclusiones e investigación.  Comportamiento topológico frente al ruído.  Si no hay pérdida de información, la imagen se recupera en su totatidad junto con el ruido que ya tuviese.  Ejemplo con pérdida de información: Ruido

5. Conclusiones e investigación.  Comportamiento topológico frente al ruído. 22 % Con 1 iteración Imagen original Imagen transformada Imagen obtenida

5. Conclusiones e investigación.  Comportamiento topológico frente al ruído. 33 % Con 3 iteraciones Imagen original Imagen obtenida Imagen transformada A más iteraciones, menos se conserva la topología

5. Conclusiones e investigación. (Resumen) Para imágenes 8x8 sólo es posible aplicar 3 iteraciones. Comprimiendo una imagen, la topología se mantiene hasta la iteración 2. Para imágenes con ruido y sin pérdida de información, la topología se mantiene hasta la iteración 3. Para imágenes con ruido y con pérdida de información, la topología se conserva sólo con 1 iteración.

6. Bibliografía y documentación. Gonzalez, R.C. y Woods, R.E. Procesamiento de Imágenes Digitales. Addison-Wesley, 1992. http://www.iro.umontreal.ca/~pigeon/science/ondelettes/Haar/Haar.html http://amath.colorado.edu/courses/4720/2000Spr/Labs/Haar/haar.html http://ikpe1101.ikp.kfa-juelich.de/briefbook_data_analysis/node113.html http://www.owlnet.rice.edu/~elec539/Projects99/NSJS/project1/ http://perso.wanadoo.fr/polyvalens/clemens/transforms/