Imagen Digital

Parte 1
MSc. Paulina Morillo
Cámara digital SENSORES y PROCESADORES
DE IMAGEN

ÓPTICA
Cámara digital

¿Cómo se convierten las fotos de

las fuentes de luz que llegan al
sensor en los valores RGB digitales
que observamos en la imagen
digital?

• Exposición
• Mapeos no lineales
• Muestreo
• Aliasing
• Ruido
Actividad

Investigue:

• ¿A qué se refiere el
efecto Aliasing y
cuáles son sus
causas?
Cámara digital

• La luz que incide sobre un sensor de

imagen suele ser captada por un área
de detección activa integrada durante la
duración de la exposición.
• Normalmente se expresa como
la velocidad del obturador.
• Dos tipos principales de sensores:
• Dispositivos acoplados con carga o
CCD
• Efecto Blooming
• Óxido metálico
complementario sobre silicio o
CMOS.
Sensores de la cámara digital
Sensores de la cámara digital
CMOS CCD
Ventajas: Ventajas:
• Acceso rápido y eficiente • Calidad de la imagen más alta
• Mejor relación señal a ruido
• Consumo menor
• Procesadores de señal externo
•No sufren del efecto blooming
• Menos pixeles defectuosos
Desventajas:
•Ganancia uniforme
• Peor sensibilidad Desventajas:
• Más ruido • Efecto blooming
Otros tipos de sensores

Matriciales (Cámaras Fotográficas)

o Lineales (Escáneres)
• Blanco y negro
• De color
• Pueden haber 1 único elemento
sensor hasta 3 sensores
Cámara digital
• Los principales factores que afectan el rendimiento de los sensores de
imagen digital son:
✓ velocidad de obturación
✓ tamaño del chip
✓ ganancia analógica
✓ ruido del sensor
✓ calidad del convertidor de analógico a digital.
Cámara digital de Pinhole

ÓPTICA APERTURA OBTURADOR SENSOR

Interpolación Eliminar Balance Corrección

Ganancia Compresión
cromática ruido blanco Gamma
Actividad:
• Investiga a qué se refieren los siguientes términos:
• Velocidad de obturación
• Tiempo de Exposición
• Aliasing
• Muestreo
• Tipos de ruidos comunes en imágenes
• Demosaico
Imagen Digital
• Hay dos tipos principales de imágenes de ordenador: imágenes
vectoriales e imágenes de mapa de bits.
Imagen Digital

• Pixel (PICture ELement o elemento de imagen): Cuadrado (0,0)

digital organizado con otros en cuadrículas que se combinan
para formar una imagen.
• Mapa de bits: Imagen formada por cuadrícula de pixel o
puntos.

• Las imágenes de mapa de bits, consisten en una rejilla, o

mapa de cuadraditos que se conocen como píxeles. Son
mejores para trabajar con imágenes de tono continuo, como
fotografías o imágenes creadas en programas de pintura.
• Matemáticamente una imagen es una matriz en ℝ2. Que
contiene información de la intensidad de color de cada pixel
 Imagen Digital 0 Ausencia de color
(Negro)
255 Blanco

0 Ausencia de color
(Negro)
1 Blanco

Valores normalizados

• Respecto a la amplitud de la señal: niveles de grises

• Los valores que van a tener cada uno de esos elementos no van a estar dentro de un
rango continuo, sino que también van a ser discretos.
¿Cómo se construye la imagen de color?
Colores PRIMARIOS
• Cuando la luz entrante
golpea un sensor de
imágenes, la luz de
diferentes partes del
espectro se integra en
los valores de color
rojo, verde y azul
discretos que vemos en
la imagen digital.
Color Filter Arrays CFA
• Para filtrar las
longitudes de onda las
cámaras digitales usan
Arreglos de filtros de
color (Color Filter
Arrays CFA)
Interpolación cromática
Es el proceso de reconstrucción de una imagen de
full color con diferentes muestras de los CFA.
Se realiza un proceso de interpolación para producir
una imagen de color.
Cada pixel consta de tres valores de
intensidad RGB
Actividad
• Investigue, ¿Cuál es el significado de las siglas de las lámina anterior?

• Revise el siguiente enlace: [Link]

Combinación de colores

Fuentes de luz Pigmentos de colores

Sistemas de representación
• Blanco y negro. (1 bit)
• Escala de grises. (8 bits)
• Duotono. (8 bits) Las gamas de color. La gama de un sistema de
• De paleta. (8 bits) color es el intervalo de
• RGB. (24 bits) Rojo, Verde y Azul. colores que puede reproducir un dispositivo.
Son los colores que se pueden
• Color Lab. (24 bits) - Componente de visualizar o imprimir
luminosidad (L) y en dos componentes
cromáticos: el componente a, que va de
verde a rojo, y el componente b, que va de
azul a amarillo
• CMYK. Cian, Magenta, Amarillo y Negro.
(32 bits).
Profundidad de color (Color depth / bit depth)
Número de bits usados para indicar el color de un pixel (bpp)
Ejercicio 1:
• Sea la siguiente matriz de imagen de 1 bit, donde el color “0” es el
negro y “1” es el verde. Represente la imagen en una hoja de
cálculo.
P =[[1,0,0,1],[0,1,1,0],[0,1,1,0],[0,0,0,0],[0,1,1,0]]
Ejercicio 2:
Profundidad de Posibles valores # colores
color En binario En decimal
1 bit
2 bits
4 bits

8 bits
Ejercicio 3:
• Ejemplo: Sea la siguiente matriz de imagen de 2 bits, donde el color
“0” es el negro, “1” es el café, “2” es verde y “3” es celeste.
Represente la imagen en una hoja de cálculo.
P=[[3,3,2,3,3],[3,2,2,2,3],[3,2,1,2,3],[3,3,1,3,3],[3,3,1,3,3],[0,0,0,0,0]]
Resolución
• Puede referirse tanto a una fotografía digital, como a una cámara, un
escáner o una impresora.

RESOLUCIÓN DE CÁMARA (Mp)

• Está determinado por el sensor de la cámara, por la cantidad de
celdas fotosensibles que posee.
• Ej: Cámara de 6Mp – tiene aproximadamente 6 millones de celdas
fotosensibles
• Las fotografías tendrán igual cantidad de píxeles 3000x2000
Resolución
RESOLUCIÓN DE IMPRESORA (ppp)
• Se refiere a la calidad de publicación de una
imagen de forma impresa, en una página
web o en un programa multimedia.
• Las impresoras y los monitores de
computadora son dispositivos “de salida” de
las imágenes digitales. Cada uno de estos
dispositivos tiene una exigencia propia de
resolución
• Ej: En los monitores de PC la resolución
mínima es de 72 pixeles por pulgada
Resolución
• Resolución de imagen. se refiere a la cantidad de información
almacenada para una imagen, medida en píxel por pulgada (ppi)
• El nº de bits por pixel indica el número de colores o de grises por
punto (bpp). (Profundidad de color)
• La resolución de imagen y sus dimensiones determinan el tamaño de
archivo del documento, que se expresa en kilobytes (Kb) o
megabytes(Mb)
• Respecto a las dimensiones: muestreo espacial
• Nivel de detalle con el que vamos a discretizar la superficie bidimensional
¿Qué resolución escoger?

• Resolución del objeto de interés

más pequeño que queremos
distinguir en la imagen
• Memoria del sistema
Resolución de acuerdo al tipo de publicación
Tipo de publicación Formato Resolución
Multimedia y Web (Resolución de Fotos JPG /
72 ppp
monitor) Gráficos GIF

Impresoras hogareñas (Chorro de tinta) TIF, PSD, JPG 150 a 200 ppp

Impresión en papel fotográfico TIF, PSD, JPG 200 a 300 ppp

De 1,5 a 2 veces la cantidad de píxeles

por pulgada que la trama de impresión.
Tramas usuales:
Impresión sobre trama (Impresoras Periódico: 70/85 lpi = Resol. 150 ppp
TIF, EPS, PSD
láser, offset o impresión industrial) Revista color: 133/150 lpi = Resol. 300
ppp
Libro de arte: 175 lpi = Resol. 350 ppp
Tamaño o definición
• Tamaño. describe las dimensiones físicas de una imagen (Ancho por
alto)
• Como el número de píxeles de una imagen es fijo, al aumentar el
tamaño de la imagen se reduce la resolución, y al reducirlo, se
aumenta la resolución
 Tamaño del archivo de la imagen sin
compresión
N. 𝑃𝑖𝑥𝑒𝑙𝑒𝑠 × 𝑁. 𝑏𝑖𝑡𝑠 𝑝𝑜𝑟 𝑝𝑖𝑥𝑒𝑙

𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑖𝑚𝑎𝑔𝑒𝑛 × 𝑃𝑟𝑜𝑓𝑢𝑛𝑑𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑜𝑙𝑜𝑟

Definición de la Blanco y negro 256 colores 65000 colores Color verdadero

imagen (1 bit) (8 bits) (16 bits) (24 bits)
320 x 200 7,8 KB 62,5 KB 125 KB 187,5 KB
640 x 480 37,5 KB 300 KB 600 KB 900 KB
800 x 600 58,6 KB 468,7 KB 937,5 KB 1,4 MB
1024 x 768 96 KB 768 KB 1,5 MB 2,3 MB
Ejercicio 4:
• Si una imagen tiene una resolución de 72 ppi ¿Cuántos pixeles tiene la
imagen en una pulgada cuadrada?

• Si la imagen anterior tiene un tamaño de 3”x3” ¿Cuántos pixeles tiene

la imagen?
Ejercicio 5:
• Calcule el peso de la imagen en KB (kilo bytes) que tiene las siguientes
características:

• ¿Cuánto pesaría si la profundidad de bit se reduce a 24?

Ejercicio 6:
• Complete la siguiente tabla:

Características de la imagen Se desea conocer:

Tamaño: 14” x 8” Tamaño de la imagen en pixeles Peso de
Resolución: 100ppi 32bpp la imagen en KB

Tamaño: 500 x 200 pixeles Peso: Profundidad de bit

292.97KB
Definición: 700 x 400 pixeles Resolución en ppi
Tamaño: 14 “x 8”
Ejercicio 7:
• Descargue la siguiente imagen del AVAC
a) Revise su propiedades y calcule cuál sería su peso sin la aplicación de
compresión

b) Abra la figura en paint y guarde la imagen en formato mapa de bits (1 bit)

c) Vuelva a guardar la imagen en formato mapa de bits (16 bits)

d) Vuelva a guardar la imagen en formato mapa de bits (24 bits)

e) Vuelva a guardar la imagen en formato mapa de bits (256 bits)

Responda las siguientes preguntas:

¿Qué pasa con su peso? ¿Qué pasa con sus colores?¿Cuál es la profundidad de
color?
Práctica 3a.

1. Crea una imagen B/N en Python de 5x4

que indique la incial de tu nombre.
2. Suba la imagen del Ejercicio 7b a Python.
A traves del comando shape, indique
el tamaño de la imagen. ¿Cuántos
canales tiene la imagen?
Práctica 3b.

1. Construya una imagen de 20x20 dividida en

cuatro partes a través de sus diagonales con
4 valores distinto de 0 a 3.
2. Construya una imagen de 20x11. Donde los
valores de intensidad de cada
columna varíen de 0 a 1 en incrementos de
0.1. Ej: La columna 0 debe tener intensidad
0, la columna 1 debe tener intensidad 0.1,
etc.
3. Construya una imagen de 20x30 con valores
aleatorios entre 0 y 1.
Práctica 3c.

• Considere la siguiente imagen de 30x30 y

profundidad de color de 1 bit. En Python,
construya la matriz (numpy array) de 30x30
correspondiente a esta imagen, con
“0”=negro y “1”=blanco. Luego visualice la
imagen usando la función “imshow” de
pyplot
El color en una imagen digital
Ventaja:
• Es la característica más importante que
define los objetos
Desventaja
• Coste computacional y memoria
necesaria
Definición de color en una imagen
• Brillo - luminosidad u oscuridad relativa del color y normalmente se
expresa como un porcentaje comprendido entre 0% (negro) y 100%
(blanco).
• Tono - color reflejado o transmitido a través de un objeto. Se mide como
un ángulo en grados, entre 0º y 360º. Normalmente, el tono se identifica
por el nombre del color, como rojo, naranja o verde.
• Saturación - a veces llamada cromatismo, se refiere a la pureza relativa de
la cantidad de luz blanca mezclada con el tono, es decir, es la fuerza o
pureza del color. La saturación representa la cantidad de blanco que existe
en proporción al tono y se mide como porcentaje entre 0%(gris) y
100%(saturación completa).
Las coordenadas de tono y saturación definen la cromaticidad, entonces un
color puede ser caracterizado por su brillo y cromaticidad
Percepción del color – Ojo humano

Luminancia, que es la cantidad de luz que tiene un color,

Tinte, que nos permite movernos por la gama de un determinado color
Saturación
• Para transmitir estos parámetros cromáticos es preciso
transformarlos antes en parámetros eléctricos y en la recepción en
nuestro computador deshacer esta conversión.
• La descomposición en los distintos parámetros eléctricos nos da lugar
a los llamados espacios de color.
 Espacios de color
• Un espacio de color es un método por el que
se pueda especificar, crear o visualizar
cualquier color.
• La especificación numérica de un color se
efectúa mediante tres cantidades, las llamadas
luminancias, que definen dicho color de forma
cualitativa y cuantitativamente.
• Son independientes de los dispositivos que se
estén utilizando
• La CIE (Comisión Internacional de
la Iluminación – 1930’s) periféricos
 Ventajas:
Intuitivo
Espacios de color Usado en como pantallas, cámaras y escáneres.

RGB – Red Green Blue Inconveniente:

Mezcla de información

𝑥 =𝑟+𝑔+𝑏
RGB (r, g, b)
#rrggbb
RGB (r/255,
g/255,
b/255)
Espacios de color
RGB – Red Green Blue
• BGR

Forma de almacenar en memoria

BGR se representa de forma entera entre 0 y 16777215
• RGBA
A es el valor de transparencia
 Espacios de color
Ventajas:
Separación de informaciones
HSI Intenta plasmar el modo de ver de los
H - Hue (Tinte: longitud de onda del color)
S – Denominación de color seres humanos.
I – Intensidad Inconveniente:
Espacios no lineales

La componente de saturación permite

distinguir la blancura de un Color

Rojo presenta máxima saturación

Rosa la mínima
Espacios de color
HSI
H - Hue (Tinte: longitud de onda del color)
S – Denominación de color
I – Intensidad
Espacios de color
CIE XYZ
Percepción del ojo humano
Representación de color
X – rojo amarillo (conos L y M)
Y – Luminosidad
Z – Estimulo al azul (conos S)
 Espacios de color
Lab
Luminosidad
A referencia respecto a la relación entre
rojo y verde,
(+a indica rojo, -a indica verde)
B referencia respecto a la relación
amarillo y azul.
(+b indica amarillo, -b indica azul)
 Ventajas:
Espacios de color • El número de valores numéricos posibles por cada pixel
es menor
• Es posible referenciar una cantidad superior de colores
Para determinar la diferencia total • Está pensado para medir la diferencia existente entre
dos colores de forma proporcional a la distancia
de color entre las tres geométrica en el espacio de color.
coordenadas, se debe usar la • Siendo factible la medición de cambios de matiz y de
densidad.
siguiente fórmula:
ΔE* = [ΔL*2 + Δa*2 + Δb*2]1/2
 Espacios de color
CYMK
C yan
Y ellow
M magenta
N egro
 YCbCr
Espacios de color Y Luminancia
Cb crominancia, diferencia de azul
Escala de color entre azul y amarillo
Cr crominancia, diferencia de rojo
Escala de color entre rojo y verde
 • Permite codificar información RGB.
Espacios de color • El color que se muestra depende de la
combinación de colores primarios RGB
usados para mostrar la señal.
YCbCr • Empleado en sistemas de video y
fotografía digital
• Televisión Europea
• Compresión de Imágenes
Espacios de color • Luminancia 220 niveles
• Crominancias 224 niveles.
• A partir de este espacio de color surge el
YCbCr formato de colores básicos YUV, que es el
Y Luminancia utilizado para los sistemas de televisión
Cb crominancia, diferencia de azul
NTSC y PAL, donde la luminancia Y
Escala de color entre azul y amarillo
Cr crominancia, diferencia de rojo representa la componente de blanco y
Escala de color entre rojo y verde negro, y las crominancias U y V las
componentes de color.
Práctica 3d.

1. Abra la imagen original del ejercicio 7 en Python

y explore la imagen

• ¿De qué tamaño es la imagen?

• ¿Cuántos canales tiene?

• ¿Cuál es el valor de intensidad del canal rojo del pixel de la posición (2,3)?

• ¿Cuál es el valor de intensidad del canal verde

del pixel de la posición (20,30)?

• ¿Cuál es el valor de intensidad del canal azul

del pixel de la posición (12,13)?

2. Construya la siguiente imagen con 3 canales
Conversión RGB a Escala de Grises

Conversión RGB a grayscale:

Promedio:
𝑅 𝑖, 𝑗 + 𝐺 𝑖, 𝑗 + 𝐵 𝑖, 𝑗
3
Promedio ponderado:
𝛼 ∗ 𝑅 𝑖, 𝑗 + 𝛽 ∗ 𝐺 𝑖, 𝑗 + 𝛾 ∗ 𝐵 𝑖, 𝑗
Escala de grises
Ejercicio 13 Considere la información de los tres canales de
una imagen RGB
Grafique en Python y luego transforme a una
imagen a escala de grises.

Trabaje con los valores normalizados

Práctica 3e.

1. Realice una función “escala_gris” que

reciba como entrada una imagen en RGB
de 3 canales y devuelva un array de la
imagen en escala de grises.
2. Normalice la imagen del ejercicio 7.
3. Luego, transforme a escala de grises la
imagen del ejercicio 7 en Python,
utilizando su propia función.
4. Transforme a escala de grises la
imagen que construyó 3d, utilizando su
propia función .
5. Realice una función
“escala_gris_ponderada” que reciba como
entrada una imagen en RGB de 3 canales y
los valores de alfa, beta y gamma. La salida
sea un array de la imagen en escala
de grises.
Librería OpenCV
• Biblioteca libre de visión artificial originalmente
desarrollada por Intel.
• OpenCV significa Open Computer Vision (Visión
Artificial Abierta)
• Está escrito en código C y C++ optimizados,
• Aprovecha las capacidades que proveen los
procesadores multinúcleo.
Histograma
Un histograma es una gráfica de
barras utilizada en estadística que
nos muestra la frecuencia con la que
se repiten determinados valores.
Histograma

h(i) = the number of pixels in I(image) with the intensity value i

h(i) = h_red(i) + h_green(i) + h_blue(i)
Histograma
BAJO CONTRASTE SUBEXPUESTO SOBRE-EXPUESTO
Tratamiento estadístico de imágenes
• El valor de un píxel puede considerarse como una variable aleatoria
con valores comprendidos entre 0 y 255.
• Se puede normalizar los valores entre 0 y 1, dividiendo la intensidad
de cada pixel para el máximo nivel (255)
• Su valor de probabilidad se calcula como la frecuencia de
aparecimiento del nivel en la imagen, dividido para el número total de
píxeles en la imagen
𝑓𝑥𝑖
𝑝 𝑋𝑖 =
𝑇𝑜𝑡𝑎𝑙 𝑝𝑖𝑥𝑒𝑙𝑒𝑠
Tratamiento estadístico de imágenes
BRILLO MEDIO
• Suma de todos los niveles dividido para el total de pixeles
1
𝜇= σ255 𝑢𝑛
𝑀×𝑁 𝑢=0 𝑖 𝑖 𝑀 × 𝑁 = 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑖𝑚𝑎𝑔𝑒𝑛
𝑢𝑖 valor del brillo de la imagen
𝑛𝑖 frecuencia de aparecimiento del valor
VARIANZA
• Variación entre las intensidades de la imagen y el valor medio
1
𝜎2 = σ𝑀
𝑖=1 σ 𝑁
𝑗=1[𝑥 𝑖, 𝑗 − 𝜇]2
𝑀×𝑁

DESVIACIÓN 𝛔 = 𝜎 2
Ejercicio 1:

Calcule la media, la
varianza y la desviación
estándar de la siguiente
imagen
Ejercicio 2:

Dado el siguiente histograma de una imagen de 3 bit de profundidad de

64x64
𝒓𝒌 𝒏𝒌
Determine: 𝒓𝟎 = 𝟎 790
• La media 𝒓𝟏 = 𝟏 1023
𝒓𝟐 = 𝟐 850
• La varianza
𝒓𝟑 = 𝟑 656
• La desviación estándar 𝒓𝟒 = 𝟒 329
• La probabilidad de aparición de cada nivel 𝒓𝟓 = 𝟓 245
𝒓𝟔 = 𝟔 122
• Grafique su histograma 𝒓 =𝟕 81
𝟕
Histograma acumulado 𝐻(𝑖)
• Similar al histograma, pero usa la
frecuencia acumulada de cada nivel Ejercicio 3:
Calcule el histograma
acumulado de la figura
del Ejercicio 2
Práctica 3f.

• Realice una función

“histograma” que reciba como
entrada una imagen y el valor
de canal y devuelva como
resultado el histograma de
la imagen (valores de
frecuencias) y gráfica.
• Calcular el histograma de la
imagen del ejercicio 7 en
Python
• Construya el histograma de la
imagen que se construyó en la
práctica 3d
Cuantificación del color
• Cuantificación o reducción de colores se basa fundamentalmente en
una discretización del espacio de color RGB.
• Para ello se crean paletas de color, que representan la combinación
de uno o más tuplas RGB.
• Para reducirlo se usan técnicas de clustering o técnicas basadas en la
frecuencia de aparecimiento de este nivel.
• Se reducen los colores ya que algunos dispositivos no pueden
representarlos.
Operaciones Aritméticas con imágenes
• Suma
Cómo matemáticamente una
imagen es una matriz
Podemos sumar valores de
intensidad a cada pixel.

Ima+100
overflow
Operaciones Aritméticas con imágenes
• Diferencia
Cómo matemáticamente una
imagen es una matriz
Podemos sumar valores de
intensidad a cada pixel.

Ima+100
Operaciones Aritméticas con imágenes
• Operaciones con/sin saturación
• Datos con/sin signo
• Bit por pixel (8,16, 32)
• Imagen por pantalla:
• 8 bits por pixel (0-255 niveles)
• Valores positivos
Operaciones Lógica con imágenes
• AND
¿Qué es verdadero o qué es falso?
• OR
• NOT Falso es todo pixel con nivel igual a 0
Verdadero es todo pixel cuyo nivel es ≠ 0
• XOR
Operaciones Lógica con imágenes
• AND -> Aplicación de máscaras
cv2.bitwise_and(imageg,imageg,mask = mask)
Relaciones entre pixeles:
Vecindad
• Un píxel p de coordenadas (x,y) presenta un total de cuatro vecinos
en el plano vertical y horizontal, siendo sus coordenadas:

• Este conjunto de pixeles se denomina vecindad de tipo 4 del píxel p,

y se representa por N4(p).
Relaciones entre pixeles:
Vecindad
• Además se puede considerar la existencia de otros cuatro vecinos
asociados a las diagonales, cuyas coordenadas son:

• los cuales se representan por ND(p). La suma de los anteriores define

los ocho vecinos del píxel p, N8(p).
Relaciones entre pixeles:
Conectividad
• conectividad desea expresar que dos pixeles pertenecen al mismo objeto, por lo que
está relacionado con el de vecindad.
• Dos pixeles están conectados si son adyacentes (vecinos) y si sus niveles de gris
satisfacen algún criterio de especificación (por ejemplo ser iguales).
• Existen tres tipos:
• Conectividad-4. Dos pixeles p y q presentan una conectividad-4 si q pertenece al N4(p).
• Conectividad-8. Dos pixeles p y q presentan una conectividad-8 si q pertenece al N8(p).
• Conectividad-m (conectividad mixta). Dos pixeles p y q presentan una conectividad-m si:
1. q pertenece a N4(p), o
2. q pertenece a ND(p) y el conjunto N4(p)∩ N4(q) es el conjunto vacío.
• La conectividad mixta es una modificación de la conectividad-8 cuya utilidad es eliminar
las conexiones múltiples que en ocasiones aparecen cuando la conectividad-8 es
utilizada.
Relaciones entre pixeles:
Conectividad
Relaciones entre pixeles:
Conectividad
• si se utiliza la conectividad de tipo 4, en la
figura existen cuatro objetos, cuando de
manera intuitiva se observa que es uno solo.
• Si entonces se toma la de tipo 8 el anterior
problema desaparece; pero ahora tanto el
fondo exterior como el interior están
conectados.
• Por ello cuando se quiere determinar si dos
pixeles pertenecen al mismo objeto se toma
conectividad de tipo 8 y para el fondo
conectividad de tipo 4 o viceversa.
Relaciones entre pixeles:
Distancia
• Con la distancia se quiere obtener el mínimo número de pasos
elementales que se necesitan para ir de un punto a otro.
• Dados tres pixeles p, q y z, con coordenadas (x,y), (s,t) y (u,v)
respectivamente, se puede definir una función de distancia D si
cumple:
𝐷 𝑝, 𝑞 ≥ 0, 𝐷 𝑝, 𝑞 = 0, 𝑠𝑖 𝑝 = 𝑞
𝐷 𝑝, 𝑞 = 𝐷 𝑞, 𝑝
𝐷 𝑝, 𝑧 ≤ 𝐷 𝑝, 𝑞 + 𝐷(𝑞, 𝑧)
Relaciones entre pixeles:
Distancia
• Distancia Euclidiana 𝐷𝐸 𝑝, 𝑞 = (𝑥 − 𝑠)2 +(𝑦 − 𝑡)2

La distancia euclídea es la más exacta pero presenta el inconveniente de su gran

número de cálculos. Por otro lado no tiene en cuenta el concepto de vecindad
Relaciones entre pixeles:
Distancia
• Distancia Manhatan 𝐷𝑀 𝑝, 𝑞 = 𝑥 − 𝑠 + |𝑦 − 𝑡|

Con esta definición los vecinos de tipo 4 están a la

distancia unidad. Si lo que se quiere es que los vecinos
de tipo 8 estén a la misma distancia se toma:
𝐷(𝑝, 𝑞) = max(𝑥 − 𝑠, 𝑦 − 𝑡 ). Obteniéndose la
distancia tablero de ajedrez. Y por tanto se tiene:
Referencias
• Soto-Medina, C. A., J. Guerrerosantos, and [Link] la Torre-Guerrerosantos. "Fotografía
digital: una guía sencilla de actualización." Cirugía Plástica Ibero-Latinoamericana 40.1
(2014): 29-37
• [Link]
• [Link]
• [Link]
• [Link]
• [Link]
• [Link]
educacion/secundaria/Informatica/proyectoadarveinformaticanac4/Galeria%20documen
tos/adarve_info_interior.pdf
• [Link]
s_de_comunicacion.pdf
• [Link]
Referencias
• [Link]
• [Link]
• [Link]
• [Link]
• [Link]
• [Link]
[Link]
• [Link]
[Link]/koelma/horus/dox/horus1.1/refcpp/html/HxColConvert_8h.html
• Lectura recomendada:
[Link]
[Link]