digital image processing chapter 3 dr. mario chacón dsp & vision lab
TRANSCRIPT
![Page 1: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/1.jpg)
Digital Image Processing Digital Image Processing Chapter 3Chapter 3
Dr. Mario ChacónDr. Mario Chacón
DSP & Vision LabDSP & Vision Lab
![Page 2: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/2.jpg)
Space Domain Image Processin Methods
)]y,x(i[T)y,x(iN
T [ ]
Figura 3.1 Proceso de punto.
![Page 3: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/3.jpg)
Image Processin Methods
))],(([),( 8 yxiNTyxiN
T()
Figura 3.2. Proceso de área o ventana.
![Page 4: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/4.jpg)
Image Processin Methods
)]y,x(i),y,x(i[T)y,x(i )1n(ccnN
T()
Figura 3. 3.Proceso de cuadros.
![Page 5: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/5.jpg)
Image Processin Methods
)]y,x(i[T)t,s(iN
Figura 3. 4. Proceso geométrico.
![Page 6: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/6.jpg)
Image Enhancement
a) b) c)
Figura 3. 5. Proceso para mejorar una imagen, a) Original, b) Mejorada, c) Adecuada para la aplicación.
![Page 7: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/7.jpg)
Image Enhancement
Two main methods
Spatial processing
Frequency processing
![Page 8: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/8.jpg)
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
![Page 9: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/9.jpg)
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
![Page 10: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/10.jpg)
Generic Spatial Processing
)]y,x(I[Ty,xI N
lTlN
th th
Figura 3.8 a) Incremento de contraste b) Binarización.
![Page 11: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/11.jpg)
Contrast and Brightness
a) b) c)
Figura 3. 9a) Bajo contraste, b) Buen contraste, c) Alto contraste.
![Page 12: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/12.jpg)
Contrast and Brightness
a) b) c)
Figura 3. 10 a) Bajo brillo, b) Normal, c) Alto.
![Page 13: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/13.jpg)
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.
![Page 14: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/14.jpg)
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.
![Page 15: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/15.jpg)
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.
![Page 16: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/16.jpg)
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
![Page 17: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/17.jpg)
Dynamic Range
a) b)
Figura 3. 14 a) Sin corrección c) con corrección.
![Page 18: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/18.jpg)
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
![Page 19: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/19.jpg)
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
![Page 20: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/20.jpg)
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
![Page 21: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/21.jpg)
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.
![Page 22: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/22.jpg)
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
![Page 23: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/23.jpg)
Histogram Processing
( )ki l
I1
I2
I3
Figura 3. 16 Mapeo de histogramas a imágenes.
![Page 24: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/24.jpg)
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.
![Page 25: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/25.jpg)
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
![Page 26: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/26.jpg)
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)
![Page 27: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/27.jpg)
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 ][
![Page 28: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/28.jpg)
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
![Page 29: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/29.jpg)
Histogram Equalization
a) b)
Figura 3. 18 Ecualización de histograma, a) Original b) Ecualizada.
![Page 30: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/30.jpg)
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
![Page 31: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/31.jpg)
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
![Page 32: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/32.jpg)
Histogram Equalization
Funciones discretas
1,,1,0 Lkn
nli k
kl
l
N dwwilTl0
)(][
k
jkkkNk llilTl
0
1-L0,1,...,ky 10 )(][
![Page 33: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/33.jpg)
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
)(
![Page 34: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/34.jpg)
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
![Page 35: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/35.jpg)
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
![Page 36: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/36.jpg)
Histogram Specification
iz(l)
Iz Q[z] izE(l)
Figura 3. 19 Ilustración de ecualización de la imagen .
![Page 37: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/37.jpg)
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
![Page 38: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/38.jpg)
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
![Page 39: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/39.jpg)
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.
![Page 40: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/40.jpg)
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.
![Page 41: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/41.jpg)
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.
![Page 42: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/42.jpg)
Arithmetic OperationsArithmetic Operations
![Page 43: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/43.jpg)
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
![Page 44: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/44.jpg)
Image Addition and Noise additionImage Addition and Noise addition
+ =
![Page 45: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/45.jpg)
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
![Page 46: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/46.jpg)
Background removalBackground removal
![Page 47: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/47.jpg)
Motion detection by subtractionMotion detection by subtraction
![Page 48: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/48.jpg)
Edge detectionEdge detection
y
y,xIx
y,xI
y,xI
22
y
I
x
Iy,xI
1y,xIy,xI,y,1xIy,xImaxy,xI
![Page 49: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/49.jpg)
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)
![Page 50: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/50.jpg)
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.
![Page 51: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/51.jpg)
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
![Page 52: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/52.jpg)
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 ,
![Page 53: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/53.jpg)
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
![Page 54: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/54.jpg)
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
![Page 55: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/55.jpg)
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 ,,
![Page 56: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/56.jpg)
Noise reduction by averagingNoise reduction by averaging
![Page 57: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/57.jpg)
Spatial filteringSpatial filtering
Imagen
Filter
Figura 3. 30 Aplicación de un filtro espacial.
![Page 58: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/58.jpg)
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
![Page 59: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/59.jpg)
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
![Page 60: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/60.jpg)
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.
![Page 61: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/61.jpg)
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
![Page 62: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/62.jpg)
Smoothing filtersSmoothing filters
Figura 3. 33 a) Original, b) con ruido, c) promediado 3x3,d) promediado 5x5, e) Gausiano.
![Page 63: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/63.jpg)
Average filter vs. median filterAverage filter vs. median filter
![Page 64: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/64.jpg)
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
![Page 65: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/65.jpg)
SharpeningSharpening
![Page 66: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/66.jpg)
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
![Page 67: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/67.jpg)
Gradient magnitudeGradient magnitude
![Page 68: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/68.jpg)
Discrete Time SignalsDiscrete Time Signals ...0,4,3,2,1,0...,)( nx
40
41
00
)(
n
nn
n
nx
![Page 69: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/69.jpg)
Discrete Time SignalsDiscrete Time Signals
cnxnx
knxnx
knxnx
)()(
)()(
)()(
Time shifting
Amplitude scaling
![Page 70: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/70.jpg)
Impulse Impulse
)(n
)3( n
![Page 71: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/71.jpg)
Impulse Impulse
)(n
)4( n
![Page 72: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/72.jpg)
Step Step
)()( nunx
)3()( nunx
![Page 73: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/73.jpg)
Step Step
)()( nunx
)4()( nunx
![Page 74: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/74.jpg)
Ramp Ramp
)()( nnunx
)]11()4()[5()( nununnx
![Page 75: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/75.jpg)
ExponentialExponential
)()( nuanx n
)()( )2( nuanx n
![Page 76: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/76.jpg)
FoldingFolding
)()]([ nxnxTF
![Page 77: Digital Image Processing Chapter 3 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocument.in/reader035/viewer/2022062305/5665b43f1a28abb57c905ee1/html5/thumbnails/77.jpg)
Time ScalingTime Scaling