Académique Documents
Professionnel Documents
Culture Documents
net/publication/308787583
CITATIONS READS
0 2,861
3 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Análisis y clasificación integral del proceso de envejecimiento normal y patológico. View project
Harminization of MRI protocols in clinicals trials for new drug. View project
All content following this page was uploaded by Eduardo Barbará Morales on 02 October 2016.
RESUMEN. El siguiente trabajo trata sobre un estudio de las técnicas de filtrado digital de imágenes que son
útiles cuando se quiere suavizar, realzar, detectar bordes o minimizar los efectos del ruido aditivo o impulsivo
presentes en las imágenes procesadas. Este estudio se basa en la utilización de Matlab 7.6.0 (R2008a) como
herramienta matemática útil en el procesamiento de imágenes.
Por último se desarrolla una aplicación gráfica interactiva basada en estos algoritmos. Esta es capaz de filtrar
imágenes seleccionadas por el usuario o contaminar estas antes de proceder al filtrado, con determinado tipo
de ruido, impulsivo o aditivo, para que el observador compruebe de forma interactiva la acción de los filtros
presentados en imágenes corrompidas por el ruido.
Palabras Claves. Detección de bordes, empleo del Matlab, filtrado digital de imágenes, suavizado.
ABSTRACT. The following work is about the study of images digital filtering techniques that are useful when
one wants to soften, to enhance, to detect borders or to minimize the effects of the noise present in the
processed images. This study is based on the use of Matlab 7.6.0 (R2008a) as the mathematical tool in the
processing of images.
Finally, an interactive graphic application based on these algorithms is developed. It is able to filter images
selected by the user or contaminate them before filtering with certain types of noise that can be impulsive or
additive, so that the observer checks in an interactive way the action of the filters in the images corrupted by
noise.
Key words: algorithms in Matlab , digital filtering, Boundary detection,
Las primeras tienen su efecto sobre la Figura 1 Mecanismo de filtrado especial lineal. Convolución
aglomeración de pixeles que componen la de una imagen con una máscara dando como resultado una
imagen y sus vecinos, mientras que las otras imagen de salida filtrada.
hacen modificaciones sobre la transformada de
Fourier de la imagen. El uso del término filtrado En el dominio de la frecuencia se puede realizar
espacial lineal diferencia este tipo de proceso el proceso de filtrado con un mayor grado de
del de filtrado en el dominio de la frecuencia. comprensión. Esto se debe a que en una imagen
[2] las fronteras, contornos y cambios bruscos están
asociados con las componentes de alta
Las operaciones lineales utilizan máscaras de frecuencia, las componentes de bajas
tamaño m x n, se asume que m=2a+1 y n=2b+1 frecuencias representan las zonas suaves. [5]
donde a y b son enteros no negativos. Esto
significa que se trabaja primordialmente con La utilización de la transformada de Fourier en
máscaras de tamaño impar pues el trabajo con el procesamiento de imágenes tiene su origen
estas es más intuitivo ya que tienen un único en la utilización de esta teoría en el
punto central. Estas máscaras forman una matriz procesamiento de señales. Para utilizar la
conocida como filtro, máscara, kernel o ventana. transformada de Fourier en imágenes digitales,
que son funciones discretas y bidimensionales,
El mecanismo de filtrado espacial lineal se es necesario discretizar y además extender a 2-D
ilustra en la figura 1 El proceso consiste la Transformada de Fourier. Esta expresión se
simplemente en mover el centro de la máscara obtiene como se muestra en la ecuación (1) [6]
del filtro por todos los puntos de una imagen
f(x, y). En cada punto (x, y) de la imagen, la
respuesta del filtro será la suma de los productos La función anterior se nombra comúnmente
de los coeficientes del kernel con los como Transformada Discreta de Fourier
correspondientes píxeles vecinos que abarca la Bidimensional.
máscara del filtro.
5. Calcular la DFT inversa del resultado Generalmente M=N y ambos deben ser números
obtenido en el paso 4 y obtener su parte impares. Este método es particularmente
real. efectivo se quiere preservar contornos, fronteras
B. Filtros implementados en el dominio del Figura 2 Se muestra una imagen original filtrada con
filtros de mediana de tamaños de vecindad de 3 x 3, 5
espacio
x 5 y 7 x 7.
(2)
Esta ecuación es la base de un gran número de que el umbral escogido sea muy grande y no se
aproximaciones para la diferenciación de detecten todos los puntos límites, o por el
imágenes. La misma está en la forma de contrario, si el umbral es muy pequeño, pueden
derivada bidimensional y siempre es positiva. detectarse puntos límites que no lo son
realmente como ruidos, etcétera. La meta es
La magnitud del gradiente también puede ser entonces escoger un umbral apropiado. [8]
calculada utilizando cualquiera de las
ecuaciones 5 y 6 que son aproximaciones de la A continuación se exponen dos filtros que
magnitud real. aplican este método para la detección de bordes.
Aunque estos ejemplos se basan en el algoritmo
del gradiente, es muy común encontrarlos
(5) simplemente como filtros para detectar bordes
en una dirección específica, aplicando el kernel
apropiado.
(6)
En este caso fueron implementadas dos
máscaras para la detección de bordes
horizontales y verticales, se halló la magnitud
Gracias a las dos propiedades anteriores es que del gradiente en cada punto, se comparó el
los operadores gradientes se utilizan en el resultado obtenido con un umbral y como
procesamiento de imágenes, pues calculan el resultado se obtuvo una imagen compuesta por
cambio de intensidad del nivel de gris y también aquellos valores mayores que el umbral.
la dirección en que este cambio ocurre. Se
puede deducir que el gradiente tomará valores
altos para regiones de fronteras y valores El gradiente más sencillo se obtiene con las
pequeños en regiones de poca variación entre máscaras de Prewitt, que involucra vecindades
los píxeles. Esta técnica es aplicada mediante la de 3 x 3 utilizando los kernels que muestra la
diferencia de los valores de los píxeles vecinos, figura 3 para la detección de bordes horizontales
por ejemplo, como muestran las ecuaciones 7 y y verticales. Estos kernels no son los únicos que
8. Donde y representan las columnas y x las utiliza el filtro de Prewitt, estos mismos se
filas. [3] pueden rotar 45º y obtener nuevos kernels que
detectan bordes en otras direcciones. [8]
(7)
(8)
(9)
plano cartesiano y al resultado se le aplica la
transformada de Fourier inversa en 2D.
(10)
La respuesta al impulso del filtro es la mostrada
en la ecuación (13)
(11)
(13)
Sustituyendo y combinado ambas ecuaciones se
obtine la ecuación (12) que se muestra a
continuación Con la utilización de la función fsamp2 de
Matlab, se aplicó esta técnica a la respuesta de
frecuencia de dos filtros ideales: uno pasa bajo
(12) con frecuencia de corte π/2 y otro pasa alto con
frecuencia de corte π/100. El resultado se
muestra en las figuras 11 y 12. Como puede
Esta función puede ser implementada de observarse esta técnica provoca ondulaciones
diversas formas para realizar un filtrado a una notables en las transiciones bruscas, como los
imagen. Uno de los métodos aproximados es bordes de la respuesta de frecuencia deseada
una máscara de convolución de 3 x 3 como la
que se muestra en la figura 9.
En la figura 10 puede observarse el efecto de la Figura 11 Filtro pasa bajo con frecuencia de
convolución Laplaciana para la detección de corte en π/2. a) Respuesta de frecuencia del
bordes y para el realzado. filtro 2D