Aclaramiento de imgenes por medio de filtros pasa-altas.

Roberto Carlos Medrano Morales

1. RESUMEN. En este trabajo se analizaron tres filtros pasa-altas los cuales son el filtro laplaciano, el filtro de enmascaramiento suavizado y gradiente, adems se analizara su desempeo de los filtros por medio de dos algoritmos diferentes, PSNR (Peak Signal to Noise Ratio ) y SSIM(Structure Similarity), comparando la imagen procesada por los filtros contra la imagen original. Se trabajara con una imagen en escalas grises la cual tiene el nombre de tigre.jpg con una matriz asignada de tamao (250x334). 2. INTRODUCCIN. A continuacin se presenta el funcionamiento de cada uno de los 3 filtros pasa-altas. Filtro Laplaciano. Se basa en crear una mscara que destaque los pxeles (a travs del aumento de su nivel de gris) cuya variacin, con respecto a su vecindad, es significativa. A este tipo de filtro se le denomina sharpening, que puede traducirse como enfoque de la imagen, ya que destaca los detalles finos, bordes y otras discontinuidades de la misma. Se obtiene mediante la ecuacin 1.
2 g ( x, y ) = f ( x, y ) c f ( x, y )

Figura1. (a) Ventana A, (b) Ventana B, (c) Ventana C, (d) Ventana D. Filtro de Enmascaramiento suavizado. Para este filtro se realizan tres sencillos pasos los cuales son:
1. Suavizar la imagen f ( x, y ) . 2. Sustraer la imagen suavizada de la imagen

original (mscara) como lo muestra la ecuacin 2.

g msk ( x, y ) = f ( x, y ) f ( x, y )

(2)

3. Agregar la mscara a la imagen original

f ( x, y ) como se muestra en la ecuacin

(3).
g ( x, y ) = f ( x, y ) + kg msk ( x, y )

(3).

(1).

Donde: g ( x, y ) Imagen aclarada, f ( x, y ) 2 Imagen borrosa, c Factor de peso y f ( x, y ) Laplaciano. Las ventanas que operan en el filtro laplaciano se observan en la figura 1.

Donde k Factor de peso. Los valores del factor que puede tomar k, se observan en la tabla 1. Valor Nombre k=1 Enmascaramiento suavizado. k>1 high-boost. K<1 Disminuye el efecto de enmascaramiento suavizado. Tabla 1. Valores del factor de peso.

Gradiente. Para una funcin f ( x, y ) , el gradiente de f

en la coordenada ecuacin (4).
( x, y ) se define en la

f g =f( r) ax = dx f= g f g y y
Donde

Figura 2. (a) Operador horizontal, (b) Operador vertical. 3. Finalmente obtener la imagen afilada por medio de la ecuacin (7).
f ( x, y ) = f ( x, y ) +kM ( x, y )

(7).

Donde f ( x, y ) es la imagen borrosa, y (4).

k es el factor de peso.

Es importante aclarar que le gradiente sirve ms para radiografas ya que lo que hace es resaltar mas los bordes de la imagen. 3. DESARROLLO. Lo primero que se hizo fue hacer pasar una imagen (figura 3(a)) por medio de un filtro paso- bajas de kernel [5x5] para poder obtener una imagen borrosa (figura 3(b)) en el caso del filtro laplaciano y el de enmascaramiento suavizado, y para el gradiente basta con utilizar la imagen original ya que solo nos dar un afilamiento de la imagen. La aplicacin de los operadores y las ventanas a cada uno de los tres filtros se realizaron a travs de la funcin filter2 de matlab.

g La
x

derivada parcial de la funcin

respecto de

x,y

g La derivada parcial de la
y

funcin respecto de y . El gradiente muestra un vector que apunta a una direccin que tenga mayor cambio, los pasos para obtener la imagen con gradiente son los siguientes. 1. Obtener la magnitud del gradiente como se muestra en la ecuacin (5).
M ( x, y ) =

2 x

+g

2 y

(5). Figura 3. (a) Imagen original en escalas grises de tamao (250x334), (b) Imagen borrosa con kernel de 5x5 de tamao (250x334).
4. ANLISIS DE RESULTADOS.

Pero para fines prcticos se puede utilizar la aproximacin de la ecuacin (6).

M ( x, y ) =

+g

(6).

2. Aplicar el operador horizontal y el vertical a

como se muestra en la

figura 2.

Se empieza analizando el filtro laplaciano, donde se puede observar en la figura 4 en el inciso (a) el laplaciano, en el inciso (b) se muestra la imagen aclarada aplicando la resta de la imagen borrosa con el laplaciano, esto es para un factor de peso de 1.

Figura 4. (a)Laplaciano, (b) Imagen aclarada. En la tabla 2 se muestra los valores obtenidos de PSNR y SSIM para diferentes valores del factor de peso. Factor de peso PSNR SSIM 1 23.6461 0.6011 2 23.0977 0.5855 4 21.3132 0.5321 Tabla 2 valores de PSNR y SSIM para diferentes factores de peso. Para el caso del filtro de enmascaramiento suavizado se realizan las operaciones con un factor de peso de 1 que como lo indica en la tabla 1 tiene el nombre de enmascaramiento, esto se puede observar en la figura 5. Figura 6. (a) Imagen original, (b) Gradiente, (c) imagen afilada, con factor de peso de k=1. En la tabla 4 se muestra los valores de PSNR y SSIM para diferentes factores de peso. Factor de peso PSNR SSIM 1 12.6177 0.4750 2 9.3506 0.3024 3 7.9019 0.2224 Tabla 4 valores de PSNR y SSIM para diferentes factores de peso. 5. CONCLUSIONES. En este articulo se pueden destacar que de los dos filtros que aclaran la imagen que es el caso del laplaciano y del enmascaramiento suavizado el que obtiene un mejor valor de SSIM as como PSNR es el filtro de enmascaramiento suavizado para un factor de 1 en los dos casos, esto quiere decir que el filtro de enmascaramiento suavizado muestra una mejor imagen respecto a la original, esto no quiere decir que sea una buena imagen o tenga una calidad muy alta, porque por ejemplo en el caso del PSNR para que una imagen pueda tener una buena calidad debe tener al menos un valor de 30db, y en el caso del SSIM para que una imagen cumpla con un buena calidad por as decirlo es que el valor que arroja debe ser lo ms cercano a la unidad, cosa que no se logro con estos filtros. Adems se nota que entre mayor sea el factor de peso menor son los valores de PSNR y SSIM. Otra detalle que se observo es que cuando se trabaje con el filtro laplaciano se maneje la ventana de la figura 1(a) ya que con las dems ventanas la imagen procesada empeora as como sus valores de PSNR y SSIM disminuyen.

Figura 5 Imagen con mscara. En la tabla 3 se observa el comportamiento del PSNR y SSIM para 3 factores de peso diferentes, K=1, k<1, y k>1. Factor de peso PSNR SSIM 1 24.0353 0.6132 -1 23.7075 0.6015 2 23.9201 0.6157 Tabla 3 valores de PSNR y SSIM para diferentes factores de peso. Por ltimo para el caso del gradiente como se dijo en la introduccin sirve para resaltar ms los bordes de una radiografa, y como se observa en la figura 6(a) la radiografa original, en el inciso 6(b) se observa el gradiente y en el inciso 6(c) se observa la imagen afilada.

Respecto al gradiente lo que se puede afirmar es que los valores del PSNR y SSIM no son mucho de fiar ya que arrojan valores muy pequeos, esto debido a que la imagen procesada es muy diferente a la original porque realmente lo que est haciendo es realzar los bordes de la imagen original para as poder tener un mejor detalle de los contornos.
6. BIBLIOGRAFA. 1. http://omarsanchez.net/filtroespa.aspx 2. http://omarsanchez.net/filtdisc.aspx 3. http://www.slideshare.net/omarspp/imagenfiltrado-espacial