Académique Documents
Professionnel Documents
Culture Documents
UNAD
TABLA DE CONTENIDO
UNIDAD 1
CAPITULO 1. Sistemas LTI
Introduccin.
Propiedades de los sistemas discretos
Respuesta al impulso
Transformada de Fourier
CAPITULO 2. Transformada Discreta de Fourier
Secuencia y sistemas Introduccin
discretos
Propiedades
Ejercicio de aplicacin
CAPITULO 3. Correlacin se Seales en tiempo discreto
Introduccin
Correlacin
Autocorrelacin
UNIDAD 2
CAPITULO 4. Filtros Digitales IIR
Introduccin.
Terminologa y clasificacin
Filtros IIR
Diseo de Filtros Analgicos (Butterworth, Chevyshev I y II, elpticos).
Diseo de
Digitales
UNIDAD 3
CAPITULO 6. Aplicaciones
Diferenciadores
Transformacin de Hilbert
Filtros Pasatodo, Peine y Notch
Ejercicios de implementacin con MatLab
Aplicaciones de los Deteccin de Bordes
filtros digitales
CAPITULO 7. Procesamiento digital de imagenes
Introduccin
Etapasfundamentales en el procesamiento de imagen
Teora de colores oponentes de Hering
Reconocmiento de forma
Procesado de imgenes en MatLab
Procesado digital de audio
UNIDAD 1
Reconocimiento de Voz.
V .3 4 M ode m Da ta Tr a ns m is s ion
Re (u )
Im (u )
S co p e
A WG N
Ca l l
m odem
A n swe r
m odem
E n a b l e si g n a l 1
A WG N
ch a n n e l
E n a b l e si g n a l 2
E rro r
m e te r
Re l o a d
d a ta
Di sp l a y
p a ra m e te rs
Sca to vec
Demux
converter
Convl en
Rd wksp
MPSK
Mux
Vec to sca
converter
AWGN
MPSK
Error
meter
-3
z
Sca to vec
converter
Demux 2
Mux
Convl de
Vec to sca
Generating
converter
tran_func
Im ag A x is
0.5
-0.5
-1
-3
-2
-1
Real A x is
10
15
20
25
30
35
40
45
50
30
35
40
45
50
INP UT #1
1
0.5
0
-0.5
-1
0
10
15
20
25
O riginal
1
0
-1
0.5
1.5
0
0.25
M odulated
0.5
0.75
1
1.25
1.5
Dem odulated
1.75
1
0.05
0.1
0.15
0.2
0.25
0
-1
0.5
1
Tim e (S ec onds )
1.5
Introduccin.
La abreviatura LTI proviene del trmino en ingls (Linear Time-Invariant). Los
sistemas LTI hacen referencia a los sistemas que son lineales y al mismo tiempo
invariantes en el tiempo. Los sistemas LTI tienen la caracterstica de cumplir las
siguientes propiedades.
Entrada
Salida
X(t)
LTI
Y(t)
X(t-to)
LTI
Y(t-to)
X2 (t)
Salida
LTI
Y1(t)
LTI
Y2(t)
Entrada
X1(t-t1)+ X2(t-t2)
Salida
Y1(t-t1)+ Y2(t-t2)
LTI
x(n) , para obtener una seal de salida y (n) ; a esta transformacin se le conoce
con el nombre de funcin de transferencia (T). En la siguiente figura se muestra el
diagrama de bloques de un sistema discreto.
Entrada
x(n)
Salida
T
y(n) = T [x(n)]
y ( n ) = x ( n n0 )
Entrada
Salida
x(n)
y(n) = T [x(n)]
Si T = n + n0 , entonces es un adelantador
Si T = n n0 , entonces es un retardor
En diagramas de bloques, otra forma de representar a T es por Z, as:
Entrada
x(n)
Salida
Z-1
y(n) = x(n-1)
Entrada
x(n)
Salida
Z
y(n) = x(n+1)
Multiplicador
Entrada
x(n)
y ( n ) = a . x ( n)
Salida
y(n) = a. x(n)
a
Figura 12. Diagrama de un multiplicador
Modulador
Entrada
x(n)
y (n) = x(n).cos( w0 n)
Salida
y (n) = x(n).cos( w0 n)
cos(w0 n)
Figura 13. Diagrama de un mudulador
Acumulador
Descrito por el siguiente comportamiento matemtico: y (n) =
x(k )
k =
Media Mvil
M
1
x( n k )
2M + 1 k = M
y ( n) = y (n 1) +
1
1
x (n) + x( n 1)
2
3
Solucin
Salida
1/3
Entrada
-1
x(n)
z-1
y(n)
1/2
h( n) = cons tan te . ( n)
Los siguientes sistemas son sistemas sin memoria, ya que no se necesita de
ninguna muestra pasada o futura para calcular la seal.
y ( n) = 5 x ( n)
y ( n) = 5 x 2 ( n) + 2 x ( n )
A diferencia de los siguientes sistemas que son sistemas dinmicos o con
memoria ya que requieren de una muestra para calcular la salida actual.
y ( n ) = 5 x ( n 2)
y ( n) = 3 x ( n 1) + 2 x ( n)
Causalidad
Se dice que un sistema es causal si la salida del sistema en cualquier instanten
depende slo de las entradas presentes y pasadas de la seal de entrada (por
ejemplo, x(n), X(n-1), x(n-2)...); pero no de las muestras futuras de la seal (por
ejemplo, x(n+1), X(n+2), x(n+3)...).
Si un sistema no satisface esta condicin se dice que el sistema es no causal. Los
siguientes sistemas son sistemas causales, ya que la salida depende slo de las
entradas presentes y pasadas de la seal.
y ( n) = 2 x( n) x( n 1)
y ( n) =
x (k )
k =
y ( n) = x (n 2 ) + 1
y ( n) = 3 x ( n 1) + 2 x (n + 5)
Para un sistema causal se ha de cumplir que:
Estabilidad
Un sistema arbitrario en reposo se dice de entrada acotada-salida acotada (BIBO,
bounded input_ bounded output), si y slo si toda entrada acotada produce una
salida acotada. El acotamiento de las secuencias de entrada x(n) , para obtener
una seal de salida y (n) ; produce la existencia de un par de nmeros finitos Mx y
My, tales que:
x(n) M x <
y (n) M y <
para todo n. Si la secuencia de entrada x (n) produce una salida no acotada( es
decir, infinita), el sistema se clasifica como inestable.
Respuesta al impulso
Si se tiene una seal de entrada x (n) , esta se puede expresar como la suma de
impulsos unitarios. Es decir,
x ( n) =
x ( k ) (n k )
k =
x( n) = {2,3,0,1}
Exprese esta seal como la suma ponderada de impulsos unitarios
Solucin: Para desarrollar este ejercicio lo primero que se realiza es graficar la
secuencia , ubicando el cero en el valor que indica la flecha asi:
Funcion original, x(n)
3
2.5
Amplitud
1.5
0.5
0
-1
-0.5
0.5
1.5
Se puede observar que n = -1, 0,1,2. Para n = 1, la secuencia x (n) tiene valor de
cero. Por tanto, slo se requiere tres impulsos en los puntos k =-1, 0,1. Por tanto,
x (n) se expresa como:
x( n) = 2 ( n + 1) + 3 ( n) + 1 ( n 2)
Supngase un sistema discreto lineal, que es excitado con la funcin impulso
, la salida
0.9
1.5
0.8
0.7
0.5
0
Amplitud
Amplitud
0.6
0.5
0.4
0.3
-0.5
-1
-1.5
0.2
-2
0.1
-2.5
0
-2
-1.5
-1
-0.5
0.5
1.5
-3
-2
-1.5
D)XQFLQLPSXOVR
-1
-0.5
0.5
1.5
unitario
Amplitud
0.6
0.5
0.4
0.3
0.2
0.1
0
-1
-0.5
0.5
1.5
2.5
(n 1)
Amplitud
0
-0.5
-1
-1.5
-2
-2.5
-3
-1
-0.5
0.5
1.5
2.5
(n 1) ,
Transformada de Fourier
La Transformada de Fourier se encarga de transformar una seal del dominio del
tiempo, al dominio de la frecuencia, de donde se puede realizar su
antitransformada y volver al dominio temporal. Un ejemplo de representacin en
frecuencia, puede ser cuando se observa un ecualizador de un equipo de sonido.
Las barras que suben y bajan, indican las diferentes componentes frecuenciales
de la seal sonora que se escuchan. Esto, se realiza a travs de un proceso de
integracin que realiza precisamente la transformada de Fourier de la forma ms
rpida posible (FFT, o Fast Fourier Transform). El trabajo con la seal en
frecuencia, no solo sirve como informacin, sino que se puede modificar, de forma
que es ampliamente utilizada en filtros, procesado de la imagen y el sonido,
comunicaciones (modulaciones, lneas de transmisin, etc.) y otro tipo de
aplicaciones ms curiosas: estadstica, deteccin de fluctuaciones en los precios,
anlisis sismogrfico, etc.
Serie de Fourier para seales peridicas
La Serie de fourier busca poner cualquier funcin x(t) como un sumatorio de senos
y cosenos, esto es, como un sumatorio de
e jkw0t
x (t ) =
a e
jkw0t
k =
T=
2
w0
Para determinar cuales son los coeficientes del desarrollo en serie de Fourier se
realiza:
T0
x(t ).e
j n w0 t
T0
dt =
a .e
k
0 k =
j ( n k ) w0 t
T0
k =
dt = ak . e j ( nk ) w0 t dt
= T0 an
ak =
1
T0
x(t ).e
j k w0 t
dt
<T0 >
x[n ] =
a e
jkt
n =
donde
2
=
N
Se cumplir ahora que
x[n ] = x[n + N ] ,
fundamental.
Para obtener los coeficientes del desarrollo en serie de Fourier se debe obtener
ak de la siguente forma:
ak =
1
N
x[n].e
j k n
x(n) = 1, ,1,0,0
j 2kn / 4
1 3
ck = x ( n ) e
4 n =0
k= 0,1,2,3
j k / 2
1
ck = (1 + e
)
4
c0 =
1
2
c1 =
1
(1 j )
4
c3 =
1
(1 + j )
4
c0 =
1
2
c1 =
2
4
c2 = 0
c3 =
2
4
c0 = 0
c1 =
c2 = indefinido
c3 =
c0 = tan 1 (b / a )
Introduccin
La transformada discreta de Fourier es una herramienta matemtica muy
importante y se ha utilizadoo en diferentes campos como aplicaciones en ptica,
acstica,
fsica
cuntica,
teora
de
sistemas,
tratamiento
de
seales,
x(t ) dt <
x( ) = x(t ).e j t dt
1
x(t ) =
2
x( ).e j t d
(t t 0 ) e j t0
Y ademas, que la transformada de Fourier tiene la propiedad de dualidad:
F
x(t )
X ( )
F
X (t )
2 .x( )
Se obtiene que:
F
e j t
2 ( 0 )
1
T
x(t ) dt <
Ya que
x(t ) =
a e
jkw0 t
jkw0 t
k =
F e
F ak e jkw0t
k =
k =
}= a 2 (w kw )
k
k =
Propiedades de la DFT
La DFT presenta las siguientes propiedades
Linealidad
X3(n)
= ax1(n)+bx2(n) ,
X3(k) = aX1(k)+bX2(k)
Si long [x1(n)]=N1 y long [x2(n)]=N2
entonces
long[x3(n)]=max{N1,N2}
Periodicidad
x(n) y X(k) son peridicas con perodo N.
Simetra
Si x(n) <--->X(k) entonces x*(n) <--->X*(-k)=X*(N-k)
Para seales REALES:
x(n)=x*(n) y X(k)=X*(N-k)
Re[X(k)] es una funcin par
Im[X(k)] es una funcin impar
|X(k)| es una funcin par
Fase[X(k)] es una funcin impar
Introduccin
La correlacion es una operacin matemtica que permite cuantificar el grado de
similitud entre dos seales aunque no haya evidencia de parentesco entre ellas.
En la descripcin y anlisis de seales la correlacion se utiliza en multiples
aplicaciones como: la geologa, la economa, la estimacin de retardos en sonar y
radar, la sincronizacin en comunicaciones digitales, reconocimiento de patrones
de voz e imgenes, el anlisis de entornos acsticos, el anlisis de imgenes
satelitales,etc.
Correlacin
La correlacin de dos funciones reales es una operacin de similares
caractersticas a la convolucin con la salvedad de que no se girarg alrededor del
origen los valores de una de las funciones. La expresin matemtica para esta
operacin es:
f ( x ) $ g ( x ) = h( x ) =
f ( x) g ( x + z )dz
M 1
f ( x ) $ g ( x ) = f (m) g ( x + m)
m =0
para
x = 0,1,..., M 1 .
De manera similar se pueden transcribir las expresiones de la correlacin en el
caso bidimensional.
De forma paralela a como existe un teorema de convolucin ahora podemos
enunciar un Teorema de Correlacin, que nos dice como se calcula la
correlacin entre dos funciones a partir de las TF de dichas funciones. El teorema
establece que la TF de la correlacin entre dos funciones es igual al producto de la
transformada fourier conjugada de una de ellas por la otra. Es decir,
F {f ( x) $ g ( x)}= F (u ) G (u )
donde
F (u ) = T (u ) i I (u )
Al igual que la convolucin, la correlacin es una operacin basica del
procesamiento de imgenes digitales. La correlacin es la operacin bsica en los
procesos de bsqueda de patrones por emparejamiento. Por tanto, disponer de
algoritmos que calculen de una forma eficiente estas operaciones es del mayor
inters.
Cuando la operacin de correlacin se realiza entre dos secuencias X y Y, la
corelacin recibir el nombre de correlacion cruzada. Cuando la correlacin se
realiza entre la misma secuencia, es decir, cuando x(n)=y(n), la correlacin se
xxy (l )
de la secuencias
x( n) = ...,0,0,2,1,3,7,1, ,2,3,0,0,...
y ( n) = ...,0,0,1,1,2,2, 4,1,2,5,0,0,...
Amplitud
3
2
1
0
-1
-2
-3
-4
-3
-2
-1
F uncion y(n)
5
Amplitud
-1
-2
-4
-3
-2
-1
rxy (0) =
x ( n) y ( n )
n =
vo = {...,0,0,2,1,6,14,4,2,6,0,0,...}
rxy (0) = 7
F uncion r(0)
7
Amplitud
0
-4
-3
-2
-1
rxy (0) = 7
rxy (1) = 13
r xy ( 0 ) = 18
rxy (3) = 16
rxy (4) = 7
rxy (5) = 5
rxy (6) = 3
rxy (l ) = 0
rxy (l ) = 7
Para l<0, desplazamos y(n) hacia la izquierda con relacin a x(n) l muestras,
calculamos la secuencia producto vl(n)= x(n)y(n-l), y sumamos todos los valores
de dicha secuencia producto. As los v se obtendrn los valores de correlacin
cruzada.
rxy (1) = 0
rxy (2) = 33
rxy ( 3) = 14
rxy ( 4) = 36
rxy ( 5) = 19
rxy (6) = 9
rxy (7) = 10
rxy (l ) = 0, l 8
Por tanto la correlacin cruzada entre x(n) e y(n) es
xxx (l )
de la secuencia
Funcion x(n)
2
1.5
1
0.5
Amplitud
0
-0.5
-1
-1.5
-2
-2.5
-3
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
1.4
1.6
1.8
n
Funcion x1(n)
2
1.5
1
0.5
Amplitud
0
-0.5
-1
-1.5
-2
-2.5
-3
0.2
0.4
0.6
0.8
1.2
rxy (1) = 13
rxx (1) = 4
rxx (2) = 3
rxx (1) = 4
rxx (2) = 3
Los resultados de la autocorrelacin son mostrados a continuacin
F uncion autocorrelacion x(n)
14
12
10
Amplitud
8
6
4
2
0
-2
-4
-2
-1.5
-1
-0.5
0.5
1.5
UNIDAD 2
DISEO DE FILTROS DIGITALES
Introduccin
El filtro digital se emplea en el procesado de seales para la eliminacin de las
partes no deseadas de la misma. Las cuales pueden ser la disminucin de ruido o
la eliminicacin de alguna frecuencia determinada. Los filtros pueden ser
analgicos o digitales.
Terminologa y clasificacin
Tipos de filtros
Hay varios tipos de filtros as como distintas clasificaciones para estos filtros:
De acuerdo con la parte del espectro que dejan pasar y que atenan hay:
Banda eliminada.
Multibanda.
Pasa todo.
Resonador.
Oscilador.
Primer orden
Laticce
Varios en cascada
Varios en paralelo
IIR es una sigla en ingls que representa Infinite Impulse Response o Respuesta
infinita al impulso. Se trata de un tipo de filtros digitales en el que, como su nombre
indica, si la entrada es una seal impulso, la salida tendr un nmero infinito de
trminos no nulos, es decir, nunca vuelve al reposo.
La salida de los filtros IIR depende de las entradas actuales y pasadas, y adems
de las salidas en instantes anteriores. Esto se consigue mediante el uso de
realimentacin de la salida.
Donde a y b son los coeficientes del filtro. El orden es el mximo entre los valores
de M y N.
Aplicando la transformada Z a la expresin anterior:
b z
H ( z) =
k =0
N
1 ak z k
k =1
Hay numerosas formas de implementar los filtros IIR. La estructura afecta a las
caractersticas finales que presentar el filtro como la estabilidad. Otros
parmetros a tener en cuenta a la hora de elegir una estructura es el gasto
computacional que presenta. En la igura 18 se representa el modelo de una
estructura de un filtro IIR.
en donde Wn es un escalar.
Por ejemplo: Disear un filtro butter de segundo orden con frecuencia de corte de
300Hz.
Para este ejercicio implementamos en MatLab con las especificaciones
anteriormenete mostradas:
[b,a]=butter(2,300/500,'high')
Para conocer los valores de los coeficientes a y b, simplemente se colocan las
variables en la barra de trabajo y seoprime enter. El software inmediatamente le
mostrar los valorescorrespondientes alas variables.
b=
0.2066 -0.4131
0.2066
a=
1.0000
0.3695
0.1958
freqz(b,a,128,1000)
M agnitude (dB )
0
-20
-40
-60
-80
-100
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
200
150
100
50
0
50
100
150
200
250
300
F requenc y (Hz )
0.0225 -0.0599
0.1049 -0.1259
0.1049
Columns 8 through 11
-0.0599
0.0225 -0.0050
0.0005
a=
Columns 1 through 7
1.0000
1.9924
3.0195
2.8185
2.0387
1.0545
0.4144
Columns 8 through 11
M agnitude (dB )
100
0
-100
-200
-300
-400
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
200
0
-200
-400
-600
-800
50
100
150
200
250
300
F requenc y (Hz )
Al compararlo con el ejercicio anterior se puede evidenciar que el polo del sistema
se precisa a los 300 Hz a medida que el orden del filtro aumenta.
Para analizar los filtros pasabanda y rechaza banda se analizara en primera
instancia el filtro pasabanda. Se debe recordar que los filtros pasabanda tienen la
caracterstica de dejar pasar las frecuencias en la banda estipulada y rechazar las
frecuencias que no se encuentren dentro de las especificadas. De igual forma, los
filtros rechaza banda rechazan las frecuencias en la banda estipulada y permitirn
pasar las otras frecuencias. A manera de ejemplo se pide disear por medio de
software MatLab un filtro pasabanda con frecuencias entre los 100 y 200Hz, de
orden cuatro.
La nomenclatura del software le permite disear el butter de la siguiente forma:
[B,A] = butter(N,[W1 W2])
Es decir, Wn es en este caso un vector que especifica las frecuencias de la banda
pasante. Tambien la respuesta del filtro variar deacuerdo a la aplicacin en
donde se requiera y el orden del filtro estipulado.
n=4;
Wn=[100 200]/500;
[b,a]=butter(n,Wn,'bandpass');
freqz(b,a,128,1000)
M agnitude (dB )
50
0
-50
-100
-150
-200
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
0
-200
-400
-600
-800
50
100
150
200
250
300
F requenc y (Hz )
M agnitude (dB )
0
-50
-100
-150
-200
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
0
-200
-400
-600
-800
50
100
150
200
250
300
F requenc y (Hz )
La respuesta plana del sistema nos indica la frecuencia que el filtro deja pasar.
Filtro Chebyshev
M agnitude (dB )
0
-100
-200
-300
-400
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
0
-200
-400
-600
-800
-1000
50
100
150
200
250
300
F requenc y (Hz )
b=
Columns 1 through 7
0.2957
1.6448
4.7316
8.9479
Columns 8 through 10
4.7316
1.6448
0.2957
a=
Columns 1 through 7
1.0000
3.7380
Columns 8 through 10
2.3861
0.6459
0.087x4
9.7817
5.7220
M agnitude (dB )
0
-20
-40
-60
-80
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
100
0
-100
-200
-300
-400
50
100
150
200
250
300
F requenc y (Hz )
M agnitude (dB )
0
-100
-200
-300
-400
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
400
200
0
-200
-400
50
100
150
200
250
300
F requenc y (Hz )
Se sigue observando el rizado del filtro en las bandas de rechazo y se muestra los
picos mximos y mnimos arrojados por el filtro en la grafica de la fase, los cuales
estn comprendidos en la banda pasante de 100 a 200 Hz.
Para dibujar la respuesta al impulso del filtro se realiza a travs del siguiente
comando.
[y,t] = impz(b,a,101);
stem(t,y);
0.2
0.15
0.1
0.05
-0.05
-0.1
-0.15
-0.2
10
20
30
40
50
60
70
80
90
100
Filtos Elpticos
Los filtros elpticos tienen la propiedad de ofrecer caractersticas rolloff ms
abruptas que los filtros Butterworth y Chebyshev, pero son equirrizados tanto en la
banda pasante como en la banda de rechazo. Los filtros elpticos cumplen
especificaciones de funcionamiento con un orden ms bajo que cualquier otro
filtro.
Para datos muestreados a 1000 Hz, disear un filtro eliptico pasa bajos de sexto
orden con una frecuencia de corte de 300 Hz, 3 dB de rizado en la banda pasante
y 50 dB de rizado en la banda de rechazo.
% Programa que permite analizar el comportamiento del filtro elptico
[b,a]= ellip(6,3,50,300/500);
freqz(b,a,512,1000);
n=12;
Rp=0.5;
Rs=20;
Wn=[100 200]/500
[b,a]= ellip(n,Rp,Rs,Wn);
[y,t]= impz(b,a,101);
stem(t,y);
M agnitude (dB )
0
-20
-40
-60
-80
-100
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
200
0
-200
-400
-600
50
100
150
200
250
300
F requenc y (Hz )
0.2
0.15
0.1
0.05
-0.05
-0.1
-0.15
-0.2
10
20
30
40
50
60
70
80
90
100
Realicemos el mismo ejercicio para un filtro elptico pasa altos de orden 12 con
frecuencia de corte de 200 Hz.
Wn=[200]/500
[b,a]= ellip(n,Rp,Rs,Wn,'high');
freqz(b,a,512,1000);
figure
[y,t]= impz(b,a,101);
stem(t,y);
M agnitude (dB )
20
0
-20
-40
-60
-80
50
100
150
200
250
300
350
400
450
500
350
400
450
500
F requenc y (Hz )
P has e (degrees )
400
300
200
100
0
-100
50
100
150
200
250
300
F requenc y (Hz )
0.6
0.5
0.4
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
10
20
30
40
50
60
70
80
90
100
Estructura
La estructura bsica de un FIR es:
Los filtros FIR tienen la gran ventaja de que pueden disearse para ser de fase
lineal, lo cual hace que presenten ciertas propiedades en la simetra de los
coeficientes. Este tipo de filtros tiene especial inters en aplicaciones de audio.
Adems son siempre estables.
Ventana rectangular
Ventana de Barlett
Ventana de Hanning
Ventana de Hamming
Ventana de Blackman
Ventana de Kaiser
Muestreo en frecuencia.
Mnimos Cuadrados
Los filtros FIR tienen la desventaja de necesitar un orden mayor respecto a los
filtros IIR para cumplir las mismas caractersticas. Esto se traduce en un mayor
gasto computacional.
La tcnica de ventaneo se basa en a la respuesta de un filtro aplicarle la ventana
deseada por medio de una multiplicacin de sus ecuaciones, la ventana hace que
en el filtro real diseado se tengan menos variaciones de transicin o supresin y
con esto se logre y filtrado ms efectivo.
La Funcin FIR2
>> B = fir2(N,F,M,window);
Disea un filtro FIR utilizando el mtodo del muestreo frecuencial. Los parmetros
de entrada es el orden del filtro N, la (longitud N+1) y dos vectores F y M que
especifican la frecuencia y la magnitud, de forma que plot(F,M) es una grfica de
la respuesta deseada del filtro.
M agnitude (dB )
-10
-20
-30
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
P has e (degrees )
0
-100
-200
-300
-400
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Como se puede apreciar este tipo de filtro presenta una cada muy sueve y no
presenta rizado en su decaimiento. Tambien se debe analizar que es necesario
normalizar la frecuencia angular para cumplir que 0<Wn<1.
Ahora, se observar el mismo filtro pero realizando un aumento en el orden del
filtro.
N=6;
Wn=100/1000;
B = fir1(N,Wn,'stop');
freqz(B);title('filtro FIR1, de orden 6. Pasa Bajo');
M agnitude (dB )
0
-20
-40
-60
-80
-100
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
P has e (degrees )
0
-100
-200
-300
-400
-500
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
N=10;
Wn=100/1000;
B = fir1(N,Wn,'stop');
freqz(B);title('filtro FIR1, de orden 10. Pasa Bajo');
M agnitude (dB )
0
-20
-40
-60
-80
-100
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
P has e (degrees )
0
-100
-200
-300
-400
-500
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
N=4;
Wn=100/1000;
B = fir1(N,Wn,'high');
freqz(B);title('filtro FIR1, de orden 4. Pasa alto');
M agnitude (dB )
0
-0.5
-1
-1.5
-2
-2.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
P has e (degrees )
0
-100
-200
-300
-400
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
N=6;
Wn=100/1000;
B = fir1(N,Wn,'high');
freqz(B);title('filtro FIR1, de orden 4. Pasa alto');
M agnitude (dB )
0
-1
-2
-3
-4
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
P has e (degrees )
-200
-400
-600
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
N=10;
Wn=100/1000;
B = fir1(N,Wn,'high');
freqz(B);title('filtro FIR1, de orden 10. Pasa alto');
% Filtro Rechaza banda
M agnitude (dB )
2
0
-2
-4
-6
-8
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
P has e (degrees )
0
-200
-400
-600
-800
-1000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
N=6;
Wn=[60 80]/1000;
B = fir1(N,Wn,'stop');title('filtro FIR1, de orden 6. Pasabanda. con Ventana
Hamming');
freqz(B)
M agnitude (dB )
0.8
0.6
0.4
0.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
P has e (degrees )
-200
-400
-600
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
h=fir1(30,.2,hamming(31));
title('filtro FIR1, de orden 30. Pasabanda. con Ventana Hamming');
freqz(h)
M agnitude (dB )
0.8
0.6
0.4
0.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
P has e (degrees )
-200
-400
-600
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
h=fir1(30,.2,boxcar(31));
freqz(h);
title('filtro FIR1, de orden 30. Pasabanda. con Ventana Boxcar');
M agnitude (dB )
50
0
-50
-100
-150
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
P has e (degrees )
0
-200
-400
-600
-800
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
figure
h=fir1(30,.2,bartlett(31));
freqz(h);title('filtro FIR1, de orden 30. Pasabanda. con Ventana Bartlett');
M agnitude (dB )
0
-10
-20
-30
-40
-50
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
P has e (degrees )
-1000
-2000
-3000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
h=fir1(30,.2,chebwin(31,02));
freqz(h);
title('filtro FIR1, de orden 30. Pasabanda. xxxx con Ventana Chebwin');
%Hfir1=abs(freqz(h));
M agnitude (dB )
50
-50
-100
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
P has e (degrees )
0
-200
-400
-600
-800
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
N=46;
Fs=11020;
Fy=Fs/2;
Rfir1= fir1(N,[30 3500]/Fy);
Rfir2= fir2(N,[0 10 30 3500 3600 Fy]/Fy,[0 0 1 1 0 0]);
Rfirls= firls(N,[0 10 30 3500 3600 Fy]/Fy,[0 0 1 1 0 0]);
Rremez= remez(N,[0 10 30 3500 3600 Fy]/Fy,[0 0 1 1 0 0]);
F=0:10:5000;
Hfir1=abs(freqz(Rfir1,1,F,Fs));
Hfir2=abs(freqz(Rfir2,1,F,Fs));
0.9
Hfirls=abs(freqz(Rfirls,1,F,Fs));
Hremez=abs(freqz(Rremez,1,F,Fs));
semilogy(F,Hfir1,'r',F,Hfir2,'b',F,Hfirls,'g',F,Hremez,'m'),
Se tiene la siguiente no menclatura generada por MatLab
r: rojo
b: azul
g: verde
m: magenta
10
10
10
10
10
10
-2
-4
-6
-8
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
Esta ltimo ejemplo, se puede evidenciar las respuestas de los filtros por ejemplo
el filtro firls tiene respuesta muy plana en su banda de paso, a diferencia del filtro
remez que presenta un rizado muy notorio en la banda de paso.
% Ventana RECTANGULAR
M =15;
N = [-M:M];
hn = -wc/pi*sinc(N*wc/pi);
hn(M+1) = 1-wc/pi;
% Ventana HANN
M =32;
N = [-M:M];
hn = -wc/pi*sinc(N*wc/pi);
hn(M+1) = 1-wc/pi;
hn = hn.*hanning(2*M+1)0; % ventaneo
% Ventana HAMMING
M =32;
N = [-M:M];
hn = -wc/pi*sinc(N*wc/pi);
hn(M+1) = 1-wc/pi;
hn = hn.*hamming(2*M+1)0; % ventaneo
% Ventana BLACKMANN
M =48;
N = [-M:M];
hn = -wc/pi*sinc(N*wc/pi);
hn(M+1) = 1-wc/pi;
hn = hn.*blackman(2*M+1)0; % ventaneo
% Ventana KAISER
[M,wn,Beta] = kaiserord([ws/pi,wp/pi],[0,1],[0.01 0.01])
N = [-M:M];
hn = -wc/pi*sinc(N*wc/pi);
hn(M+1) = 1-wc/pi;
hn = hn.*kaiser(2*M+1,Beta))0;
http://www.ingelec.uns.edu.ar/pds2803/Materiales/Cap12/12-Cap12.pdf
Diferenciadores
Transformacin Hilbert
Filtros Peine
Filtros Noctch
donde K es el tamao del retraso (medido en muestras), y . HV XQ IDFWRU GH
escalamiento aplicado a la seal retrasada. Si tomamos la transformada Z en
ambos lados de la ecuacin, obtenemos:
Respuesta en frecuencia
Ntese que el trmino (1 + .2) es constante, con lo que el trmino 2.FRV&K) vara
peridicamente. Por lo tanto la respuesta en magnitud de un filtro FIR es peridica.
Los grficos a la derecha muestran la respuesta en magnitud para varios valores
GH
.GHPRVWUDQGRHVWDSHULRGLFLGDG$OJXQDVSURSLHGDGHVLPSRUWDQWHV
como cero.
El mximo de los valores positivos de . FRLQFLGH FRQ HO Pnimo de los valores
QHJDWLYRVGH
.\YLFHYHUVD
transistores o circuitos integrados, este tipo de filtro atena las bajas frecuencias
segn la formula emprica de la derecha:
Este circuito se utiliza para detectar flancos de subida y bajada en una seal,
provocando una mayor diferenciacin en los flancos de entrada y salida de la
seal que, es donde la variacin con el tiempo (t) se hace ms notoria. Estas
zonas de la seal son adems las que corresponden a las altas frecuencias,
mientras que las zonas planas estn compuestas por frecuencias ms bajas.
Aplicacin del filtro en MatLab.
% Disear un diferenciador con un frecuencia de corte normalizada
% para Fc= 0.4
Fc=0.4;
N1=30;
N2=20;
N3=10;
R1=firls(N1,[0 0.3 0.4 0.5]*2,[0 0.4 0 0]*2*pi,'differentiator');
R2=firls(N2,[0 0.3 0.4 0.5]*2,[0 0.4 0 0]*2*pi,'differentiator');
2.5
1.5
0.5
figure
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Fc=0.4;
N1=30;
N2=20;
N3=10;
R1=remez(N1,[0 0.3 0.4 0.5]*2,[0 0.4 0 0]*2*pi,'differentiator');
R2= remez(N2,[0 0.3 0.4 0.5]*2,[0 0.4 0 0]*2*pi,'differentiator');
R3= remez (N3,[0 0.3 0.4 0.5]*2,[0 0.4 0 0]*2*pi,'differentiator');
[H1,W1]= freqz(R1,1,500);
[H2,W2]= freqz(R2,1,500);
[H3,W3]= freqz(R3,1,500);
plot(W1/(2*pi), abs(H1),'r',W2/(2*pi), abs(H2),'g',W3/(2*pi), abs(H3),'b');
2.5
1.5
0.5
0.05
0.1
0.15
0.2
figure
Fc=0.04;
N1=30;
N2=20;
N3=10;
N4=5;
R1=firls(N1,[0.04 0.4]*2,[1 1],'hilbert');
R2=firls(N2,[0.04 0.4]*2,[1 1],'hilbert');
R3=firls(N3,[0.04 0.4]*2,[1 1],'hilbert');
R4=firls(N4,[0.04 0.4]*2,[1 1],'hilbert');
0.25
0.3
0.35
0.4
0.45
0.5
[H1,W1]= freqz(R1,1,500);
[H2,W2]= freqz(R2,1,500);
[H3,W3]= freqz(R3,1,500);
[H4,W4]= freqz(R4,1,500);
plot(W1/(2*pi), abs(H1),'r',W2/(2*pi), abs(H2),'g',W3/(2*pi), abs(H3),'b',W4/(2*pi),
abs(H4),'y');hold;
1.4
1.2
0.8
0.6
0.4
0.2
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Una
(x, y)
.
Disponible en: http://www.library.cornell.edu/preservation/tutorial-spanish/toc.html.
Los pxeles se pueden ver de una forma individual aumentando la imagen por
medio de zoom o ampliando su resolucin. La resolucin es la capacidad de
distinguir los detalles. La profundidad de bits es determinada por la cantidad de
bits utilizados para definir cada pxel. Cuanto mayor sea la profundidad de bits,
mayor ser la cantidad de tonos que pueden ser representados. Una imagen a
escala de grises est compuesta por pxeles representados por mltiples bits de
informacin, que tpicamente varan entre dos a ocho bits pero pueden ser ms.
En el procesamiento de la imagen es importante reducir el tamao del archivo de
imagen para su almacenamiento, tratamiento y transmisin. Todas las tcnicas de
compresin abrevian la cadena de cdigo binario en una imagen sin comprimir, a
una forma de abreviatura matemtica, basada en complejos algoritmos.
Los mtodos para mejorar una imagen se pueden dividir en dos campos
diferentes: mtodos en el dominio de la frecuencia y mtodos en el dominio
espacial. Los primeros se basan en modificar la transformada de Fourier de la
imagen y los segundos se basan en manipulaciones directas sobre los pxeles de
la imagen.
La aplicacin consecutiva de un
2 f 2 f
+
f (x + 1, y) + f (x 1, y) + f (x, y + 1) + f (x, y 1) 4 f (x, y)
x2 dy2
Filtros detectores de bordes: Realizan otro tipo de operaciones con los datos, pero
siempre con el resultado de enfatizar los bordes que rodean a un objeto en una
imagen, para hacerlo ms fcil de analizar. Estos filtros tpicamente crean una
imagen con lneas blancas y negras rodeando los bordes de los objetos y
caractersticas de la imagen.
b)
c)
Iluminacin: Las fuentes de luces no son iguales, dentro de estas se tienen: luz
ambiente, fuentes de luz direccionales, fuentes de luz puntuales, fuentes de luz
puntuales tipo spot que son aquellas en las cuales el haz de luz es puntual. Por
lo tanto, cuando se hable del color o intensidad de una fuente o de un objeto, se
Los tres primeros indicarn el porcentaje de rojo (R), verde (G) y azul (B),
definiendo el color, y el cuarto un factor de transparencia, denominado
normalmente canal alpha (A): Color = (R, G, B, A)
R : Red = Rojo; G : Green = Verde; B : Blue = Azul; A : Alpha = Transparencia
Una buena iluminacin es importante en la toma de imgenes que luego sern
procesadas. Eligiendo la tcnica adecuada de iluminacin se puede lograr un
aumento en la confiabilidad del sistema y en su tiempo de respuesta.
El ser humano usa un amplio rango de seales, obtenidas a partir del color, la
perspectiva, el sombreado, y las experiencias individuales. La percepcin visual
depende de la capacidad humana de realizar juicios. Sin embargo, un sistema de
visin artificial no tiene una experiencia de base para comparar, todo debe estar
especficamente definido. Problemas simples como encontrar una forma o definir
un borde, se vuelven tareas complicadas de definicin en la visin artificial. Para
reducir el nmero de variables, el sistema de visin debe trabajar con la mejor
imagen que sea posible.
contraste donde las reas de inters se destacan del fondo facilitando la tarea del
sistema virtual.
El
psicofisiolgico
que
todava
no
se
ha
llegado
entender
Bsicamente los colores que los seres humanos percibimos en un objeto estn
determinados por la naturaleza de la luz reflejada por el objeto. La luz visible est
formada por una banda de frecuencias relativamente estrecha del espectro
electromagntico. Un cuerpo que refleje una luz relativamente equilibrada en todas
las longitudes de onda aparece como blanco para el observador. Sin embargo,
un cuerpo que tiene una mayor reflectancia en una determinada banda del
espectro visible aparece como coloreado (Vase la Figura 22).
En el Siglo IXX el fisilogo Ewald Hering deriv por medio del anlisis de la visin
subjetiva humana del color la idea de colores oponentes. Esta idea expona el
.
Figura 23. Ilustracin del comportamiento de las celdas detectoras ante la
presencia de colores oponentes.
Actualmente se ha estandarizado la concepcin de color propuesta por YoungHelmholtz segn la cual todos los colores se ven como combinaciones variables
de los denominados tres colores primarios, rojo (R) , verde (G) y azul (B), aunque
tambin otros modelos de color han sido propuestos con la intencin de facilitar la
especificacin
de
los
colores
de
una
forma
normalizada
aceptada
genricamente, aparte del conocido modelo RGB, los ms utilizados son YIQ
(luminancia, fase y cuadratura) y HSI ( tono, saturacin e intensidad).
Partiendo del modelo estandarizado RGB es posible mediante una sencilla matriz
de transformacin llegar al modelo de Hering.
Despreciando entonces la
Conversin de los niveles de gris. Para obtener una imagen que pueda ser
tratada por el computador es preciso someter la imagen a un proceso de
discretizacin tanto en las coordenadas como en la intensidad, a este proceso se
le denomina digitalizacin. La digitalizacin consiste en la descomposicin de la
imagen en una matriz de m*n puntos, donde cada punto tiene un valor
proporcional a su color. Cada elemento en que se divide la imagen recibe el
nombre de "pxel" (picture element).
La resolucin espacial de la imagen viene dada por el nmero de pxeles que tiene
la imagen. Cuanto mayor sea este nmero mayor va a ser la resolucin. La
resolucin cromtica depende del nmero de bits que se utilice para almacenar el
valor de un pxel. Si se utiliza un bit se puede tener nicamente dos valores (0, 1)
(blanco y negro), si se utiliza 4 bits el nmero posible de niveles de gris ser de 16
y si se utiliza 8 bits el nmero de niveles de gris posibles es de 256. Una
transformacin adecuada de los niveles de gris puede mejorar sensiblemente la
calidad de una imagen cuando sta es observada por una persona.
Transformaciones geomtricas.
Las transformaciones geomtricas son una serie de cambios en la imagen que
tienen dos objetivos bsicos: Correccin de la perspectiva y reconstruccin
tridimensional de los objetos de una escena.
Transformacin del histograma.
El histograma es una representacin grafica que permite obtener, informacin del
contenido de una imagen. En el histograma el eje de las abscisas representa los
niveles de gris y el de ordenadas, el nmero de pixeles de cada nivel. En ciertas
escenas, como las que suelen aparecer en entornos industriales, el histograma
puede ser suficiente para separar objetos dentro de una imagen, con lo que se
facilita considerablemente la etapa de interpretacin. Sin embargo, no siempre es
factible sacar tanta informacin al histograma. En muchas aplicaciones, su
manipulacin slo permite aumentar/disminuir el contraste de la imagen y el
margen dinmico de los niveles de gris. Sus efectos son evidentes para un
observador humano.
Filtrado espacial y frecuencial.
No es fcil decidir si estas operaciones, son absolutamente vitales en un sistema
de visin por computador, pertenecen o no a la etapa de simple preprocesamiento,
dada la gran modificacin que puede suponer respecto a la imagen original. Para
evitar esta ambigedad, se considera que el filtrado es procesamiento previo
cuando la transformacin operada sobre la imagen sea pequea. El filtrado
espacial acta sobre los niveles de gris de los pxeles de la imagen. El filtrado
frecuencial se basa en trabajar con la transformada discreta de Fourier de la
imagen (una operacin costosa en tiempo y en memoria de computador) a la que
se aplica un filtro bidimensional.
En general, las operaciones de segmentacin de una escena, as como el nmero
de clases de regiones y objetos a distinguir, dependern ntimamente de la propia
escena y de la informacin que se busque dentro de la imagen. Las tcnicas de
segmentacin, ya estn orientadas a objetos o agrupaciones de objetos, se
pueden dividir en tres grupos: El primer grupo es la aplicacin de umbrales de
nivel de gris, el segundo es la agrupacin por rasgos comunes, y el ltimo es la
extraccin de bordes.
La aplicacin de umbrales se basa en el empleo del histograma. Bsicamente,
consiste en distinguir objetos individuales dentro de una escena a partir de sus
diferentes niveles de gris, para esto se pueden aplicar alguna de las siguientes
formulas:
g (x,y) =
g (x,y) =
g (x,y) =
si
T I[\
si
si
T I[\
Ta
Si se conoce que los objetos tienen cierto intervalo. La seleccin del valor del
umbral, se realiza generalmente a partir del histograma de la imagen. As si una
imagen est compuesta de un objeto que aparece en la escena sobre un fondo,
entonces es de esperar que el histograma sea bimodal, es decir, si por ejemplo el
objeto es ms claro que el fondo, pues en el histograma aparecern dos picos, el
ubicado en los valores de gris ms elevados correspondiente al objeto y otro pico
para niveles de gris ms bajos, correspondientes al fondo.
En la siguiente figura se muestra un histograma bimodal, en el cual el umbral se
ubica entre los dos picos del histograma.
Descripcin del Mtodo de Otsu para un umbral ptimo. Una imagen es una
funcin bidimensional de la intensidad del nivel de gris, y contiene N pxeles cuyos
niveles de gris se encuentran entre 1 y L. El nmero de pxeles con nivel de gris i
se denota como fi, y la probabilidad de ocurrencia del nivel de gris i en la imagen
est dada por:
Donde:
Para ver cmo se podran utilizar estos conceptos para dividir un contorno en
lados significativos, considrese la figura xxx (a), que muestra un objeto (conjunto
S) y su deficiencia convexa (regiones sombreadas). El contorno de la regin se
puede dividir siguiendo el contorno de S y marcando los puntos en los que se hace
una transicin hacia dentro o fuera de un componente de la deficiencia convexa.
Figura 25 (a) Una regin (S) y su deficiencia convexa (sombreada); (b) contorno
dividido.
(a)
(b)
0.5
His togram
0.5
His togram
Para iniciar una practica en este modulo es necesario aprender y practicar algunas
funciones bsicas del toolboxes de procesamiento de imgenes en MatLab. Para
ello deber remitirse a la parte final del modulo donde encontraran una serie de
links para el proceso de aprendizaje del software[1].
Lo primero que se realizara es leer una imagen cualquiera, es necesario tener en
cuenta la extensin de la imagen[2] que se leera .
Ejercicio: Realizar el proceso de captura y visualizacin de una imagen.
Para ello deber abriri el editor de MatLab y desarrollar el siguiente cdigo
clc;
clear all;
close all;
f=imread('flowers.tif'); % permite la lectura de una imagen
figure
imagesc (f); % permite la visualizacin de la imagen
impixel
50
100
150
200
250
300
350
50
100
150
200
250
300
350
400
450
500
Pixval % Este comando genera la barra negra mostrada en la figura anterior, ella
visualize el valor del pixel y su posicin en el espacio. Este tiene el concepto
implcito de lo que se define como una imagen digital.
Aqu se ha marcado tres puntos al azar y el programa genera los valores de los
componenetes en R, G B respectivaente.
ans =
173
80 139
Ejercicio: Genere los componentes de una serie de pixeles a lo largo de una lnea
dentro de la image.
clc;
clear all;
close all;
f=imread('flowers.tif');
figure
imagesc (f);
impixel % se genera una base de datos que contemplan los valores de los pixels
% en RGB a lo largo de la trayectoria marcada.
title('imagen original');
%end
im agen original
300
250
200
150
100
50
50
100
150
200
250
300
350
im agen original
100
100
200
200
300
300
100
200
300
400
500
100
100
200
200
300
300
200
300
400
500
300
400
500
im agen plano az ul
100
100
200
100
200
300
400
500
YIQ = rgb2ntsc(f);
Y=double(squeeze(YIQ(:,:,1)));
I=double(squeeze(YIQ(:,:,2)));
Q=double(squeeze(YIQ(:,:,3)));
subplot (2,2,1);imagesc(f);colormap;title('imagen ORIGINAL');
subplot (2,2,2);imagesc(Y);colormap;title('imagen plano LUMINANCIA');
subplot (2,2,3);imagesc(I);colormap;title('imagen plano CUADRATURA');
subplot (2,2,4);imagesc(Q);colormap;title('imagen plano FASE');
100
100
200
200
300
300
100
200
300
400
500
100
100
200
200
300
300
200
300
400
500
300
400
500
im agen plano F A S E
100
100
200
100
200
300
400
500
figure
x= linspace(0,1,200)'* ones(1,200);
HSV= cat (3,x,x',x');
p= hsv2rgb(HSV);
imagesc(p);
H= double(squeeze(p(:,:,1)));
S= double(squeeze(p(:,:,2)));
V= double(squeeze(p(:,:,3)));
figure,
subplot (2,2,1);imagesc(H);colormap;
subplot (2,2,2);imagesc(S);colormap;
subplot (2,2,3);imagesc(V);colormap;
[1]. http://www.monografias.com/trabajos5/matlab/matlab.shtml#intro
[2].http://www.electron.frba.utn.edu.ar/materias/950454/archivos/matlab_trabajo_con_imagenes.pdf
[3]. http://www.isa.umh.es/asignaturas/iarp/practicas/P_6/PRACTICA6.pdf