Visión Artificial

Máster en Inteligencia Artificial

Bloque 2: Procesamiento Digital de Señal

Tema 6: Procesamiento de Imagen: Operaciones Elementales

Dr. ABDELMALIK MOUJAHID

A. Moujahid 1
Detección y cancelación de anomalías

Problema planteado

¿Cómo abordar el desafío de mejorar la visibilidad de detalles en

imágenes?

A. Moujahid
Pre-procesamiento de imagen

Motivación

 En la imagen médica, obtener imágenes claras y detalladas es

crucial para un diagnóstico preciso y la planificación del tratamiento.

 Las imágenes médicas a menudo sufren variaciones en las

condiciones de iluminación, ruido y bajo contraste, lo que puede
dificultar las tareas de identificación y diagnóstico.

A. Moujahid 3 3
Pre-procesamiento de imagen

Motivación

Imágenes de Rayos X: Ejemplos de imágenes con bajo contraste y presencia

de artefactos (cables, sondas etc.).
Problema: Las imágenes de rayos X pueden
tener bajo contraste con presencia de
artefactos, lo que dificulta distinguir entre
diferentes tejidos e identificar anomalías.

Solución: Se pueden aplicar técnicas de mejora

del contraste, como la ecualización del
Referencia
histograma o métodos adaptativos.

A. Moujahid 4 4
Pre-procesamiento de imagen

Motivación

Tomografía Computarizada (CT) y Tomografía por Emisión

de Positrones (PET):

Problema: Las variaciones en el contraste del tejido,

afectando la claridad de los detalles anatómicos.

Solución: La corrección gamma y otros métodos de

transformación de intensidad pueden emplearse para
mejorar el contraste, permitiendo una mejor visualización
de las estructuras y anomalías.

Referencia

A. Moujahid 5 5
Pre-procesamiento de imagen

Objetivos

• Conocer las diferentes

funciones de transformación
1 de la intensidad

• Aprender a procesar el
histograma de una imagen
2
• Saber aplicar operadores
aritméticos para suavizado y
3 realce de una imagen

A. Moujahid 6 6
Pre-procesamiento de imagen

Contenido

 Introducción

 Conceptos Básicos

 Transformaciones de la Intensidad

 Operaciones Aritméticas

A. Moujahid 7 7
Pre-procesamiento de imagen

Conceptos Básicos

A. Moujahid 8 8
Pre-procesamiento de imagen

Representación de una imagen digital

Una imagen puede ser definida como una función bi-dimensional 𝑓(𝑥, 𝑦),
donde
 𝑥 e 𝑦 son las coordenadas espaciales,
 𝑓(𝑥, 𝑦) es la intensidad de la imagen en el punto (𝑥, 𝑦)

Scikit Image, OpenCV Image Processing Toolbox

Python Matlab

A. Moujahid 9 9
Pre-procesamiento de imagen

Tipos y clases de imágenes digitales

 uint8 (entero sin signo de 8 bits):

o Rango: 0 a 255.
o Cada píxel se representa con precisión en un valor no negativo en el rango de 0 a 255.
 int8 (entero con signo de 8 bits):
o Rango: -128 a 127.
o Se utiliza para representar imágenes donde los valores de píxeles pueden ser tanto positivos
como negativos.
 single (punto flotante de 32 bits):
o Rango: Aproximadamente ±3.4e38 (precisión limitada).
o común en aplicaciones que requieren cálculos numéricos más precisos.
 double (punto flotante de 64 bits):
o Rango: Aproximadamente ±1.7e308 (mayor precisión que single).
o Se utiliza en aplicaciones donde la precisión es crítica, como en algunos campos de
investigación científica y procesamiento de imágenes de alta calidad.

A. Moujahid 10 10
Pre-procesamiento de imagen

Tipos y clases de imágenes digitales

Ejercicio: ¿Cuál será el rango de valores de una imagen en

formato int8 con niveles de gris en el rango [-128,127] después de

restarle el valor 127?

A. Moujahid 11 11
Pre-procesamiento de imagen

Tipo de imágenes

La principal fuente de imágenes tiene su origen en el espectro electromagnético

Espectro electromagnético según la energía asociada a un fotón.

A. Moujahid 12 12
Pre-procesamiento de imagen

Tipo de imágenes y dominio de aplicación

A. Moujahid 13 13
Pre-procesamiento de imagen

Introducción – Tipo de imágenes y dominio de aplicación

 Imágenes de rayos Gamma: medicina

nuclear tanto para prevención como
diagnóstico

 Estas imágenes se aplican en el estudio

de una gran variedad de sistemas, como
 digestivo,
 cardiovascular,
 respiratorio,
 endocrino,
 cerebral.

A. Moujahid 14 14
Pre-procesamiento de imagen

Introducción – Tipo de imágenes y dominio de aplicación

 Imágenes de rayos X:
 diagnóstico médico,
 aplicaciones industriales,
 astronomía.

A. Moujahid 15 15
Pre-procesamiento de imagen

Introducción – Áreas de aplicación del procesamiento digital de imagen

 Imágenes por microondas: es una

modalidad de imagen no ionizante y
potencialmente de bajo costo con el objetivo
de distinguir entre tejidos sanos y malignos
(detección de cáncer de mama).

A. Moujahid 16 16
Pre-procesamiento de imagen

Introducción – Tipo de imágenes y dominio de aplicación

 Imágenes de la banda ultravioleta:

microscopía, láseres, imágenes biológicas y
astronomía.

 Imágenes en el espectro visible e infrarrojo:

incluyen todas las imágenes de nuestras
cámaras, así como las imágenes
hiperespectrales (remote sensing).

A. Moujahid 17 17
Pre-procesamiento de imagen

Introducción – Imágenes hiperespectrales

Mientras el ojo humano percibe la luz visible en tres

bandas principales de color (rojo, verde y azul), la imagen
espectral divide el espectro en numerosas bandas.

A. Moujahid 18 18
Pre-procesamiento de imagen

Introducción – Áreas de aplicación del procesamiento digital de imagen

A. Moujahid 19 19
Pre-procesamiento de imagen

Transformaciones de la intensidad

A. Moujahid 20 20
Pre-procesamiento de imagen

Transformaciones de la intensidad

 Realce de imagen: Consiste en la aplicación de una

técnica o conjunto de ellas a fin de resaltar alguna
característica de la imagen que resulte de interés

 Ejemplo de operaciones para el realce de imagen:

 Supresión de ruido de fondo. Resalte del

contenido frente a la textura (ruido) de fondo de la
imagen
 Ajuste de intensidad
 Realce de bordes

A. Moujahid 21 21
Pre-procesamiento de imagen

Transformaciones de la intensidad – Dominio espacial

Los métodos de procesamiento de imagen en el

dominio espacial se basan en una manipulación
directa de los píxeles de la imagen

𝑔 𝑥, 𝑦 = 𝑇 𝑓 𝑥, 𝑦

donde 𝒇(𝒙, 𝒚) es la imagen de entrada, y 𝒈(𝒙, 𝒚)

es la imagen de salida y 𝑇 un operador Vecindario de tamaño 3x3

que actúa sobre 𝑓(𝑥, 𝑦)

A. Moujahid 22 22
Pre-procesamiento de imagen

Transformaciones de la intensidad – Dominio espacial

 La operación de transformación de la
intensidad se conoce como filtrado espacial

 Cuando el centro de la máscara se encuentra

en el borde la imagen, parte de la máscara
queda fuera de la imagen.
 En este caso, podemos adoptar lo que se
conoce como “padding”, o simplemente
ignorar los elementos que quedan fuera de la
imagen.

A. Moujahid 23 23
Pre-procesamiento de imagen

Operaciones punto a punto– Dominio espacial

 Las operaciones punto a punto corresponden a

una máscara de tamaño 1x1.

 En este caso, el valor de 𝑔 sólo depende del

valor de 𝑓 en el punto 𝑥, 𝑦 , y el operador T es
una función de transformación de la intensidad:

𝑠=𝑇 𝑟

𝑠 y 𝑟 se refieren a las intensidades de 𝑔 y 𝑓

en el punto (𝑥, 𝑦) respectivamente.

A. Moujahid 24 24
Pre-procesamiento de imagen

Umbralización (Thresholding)
Funciones de transformaciones de la intensidad:

A. Moujahid 25 25
Pre-procesamiento de imagen

Negativo de una imagen

𝑠 = 𝑇 𝑟 = 𝐿 − 1 − 𝑟 (L es el nivel máximo de intensidad)

Realce de estructuras de elevada intensidad (detalles

claros o grises) encerradas en áreas oscuras

Matlab:

g = max(f(:)) – f;

g = imcomplement(f);

g = imadjust(f,[0 1],[1 0])

A. Moujahid 26 26
Pre-procesamiento de imagen

Transformación logarítmica

Las transformaciones de logaritmo y estiramiento de contraste

son las herramientas básicas para la manipulación del rango
dinámico.

Transformación logaritmo:

𝑠 = 𝑇 𝑟 = 𝑐 log 1 + 𝑟

𝑓 𝐹 𝑔
Matlab:

F = fft2(f);
F = fftshift(F);
g = log(1+abs(F))

A. Moujahid 27 27
Pre-procesamiento de imagen

Estiramiento de contraste

1
Estiramiento de contraste: 𝑠=𝑇 𝑟 = 𝐸
𝑘
1+
𝑟

Alto contraste

Transformación
logarítmica

A. Moujahid 28 28
Pre-procesamiento de imagen

Ley de potencia para ajuste de intensidad

 Ley de potencia: 𝑔 𝑥, 𝑦 = 𝑐𝑓 𝑥, 𝑦 𝛾

 Aumentar diferencias entre píxeles más oscuros: 𝛾 < 1

 Aumentar diferencias entre píxeles más claros: 𝛾 > 1

https://scikit-image.org/docs/stable/auto_examples/color_exposure/plot_log_gamma.html

A. Moujahid 29 29
Pre-procesamiento de imagen

Ley de potencia

Matlab:

g = imadjust(f, [low_in, high_in], [low_out, high_out], gamma)

A. Moujahid 30 30
Pre-procesamiento de imagen

Ecualización del histograma

 La ecualización del histograma es una

transformación que pretende obtener para una
imagen cuyo histograma tiende a tener una
distribución uniforme.

𝑟
𝑠 = 𝑇 𝑟 = න 𝑝𝑟 𝑤 𝑑𝑤
0

 La ecualización discreta del histograma viene dada por:

𝑘
𝑛𝑗
𝑠𝑘 = 𝑇 𝑟𝑘 = ෍
𝑛
𝑗=0

𝑛𝑘 es el número de píxeles con el nivel de grises 𝑘, y 𝑛 el número total de píxeles.

A. Moujahid 31 31
Pre-procesamiento de imagen

Ecualización del histograma

Matlab:

f = imread(‘image.jpg’)
g = histeq(f)
Hnorm = imhist(f)./numel(f);
CDF = cumsum(hnorm);

Ecualización del histograma en Python

A. Moujahid 32 32
Pre-procesamiento de imagen

Funciones definidas a trozos

Las funciones a trozos permiten

procesar imágenes de manera
segmentada, adaptando operaciones a
regiones específicas según sus
características locales, lo que mejora la
precisión en tareas como realce, análisis
local y filtrado adaptativo.

A. Moujahid 33 33
Pre-procesamiento de imagen

Operaciones aritméticas

A. Moujahid 34 34
Pre-procesamiento de imagen

 Las operaciones aritméticas entre imágenes son

operaciones entre los correspondientes pares de
pixeles. Dadas 2 imágenes 𝑓(𝑥, 𝑦) y 𝑔(𝑥, 𝑦) de
tamaño 𝑀 × 𝑁, las 4 operaciones son:

 𝑠 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 + 𝑔(𝑥, 𝑦)
 d 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 − 𝑔(𝑥, 𝑦)
 p 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 ∗ 𝑔(𝑥, 𝑦)
 q 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 / 𝑔(𝑥, 𝑦)

 Estas operaciones devuelven imágenes del mismo

tamaño 𝑀 × 𝑁

A. Moujahid 35 35
Pre-procesamiento de imagen

Aplicaciones: Reducción de ruido mediante promediado

 Sea 𝑔(𝑥, 𝑦) una imagen corrompida por el ruido obtenida como

la suma de una imagen sin ruido 𝑓(𝑥, 𝑦) y un ruido Gaussiano
de media 0:
𝑔 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 + 𝜇 𝑥, 𝑦

 El objetivo es reducir el ruido promediando un conjunto de

imágenes ruidosas {𝑔𝑖 𝑥, 𝑦 }

A. Moujahid 36 36
Pre-procesamiento de imagen

Aplicaciones: Reducción de ruido mediante promediado

 Se puede demostrar que la imagen

1
𝑔ҧ 𝑥, 𝑦 = σ𝐾
𝑖=1 𝑔𝑖 (𝑥, 𝑦)
𝐾

 Tiene un valor esperado

𝐸 𝑔ҧ 𝑥, 𝑦 = 𝑓 𝑥, 𝑦
En el campo de astronomía, generalmente, las imágenes
y su varianza es son capturadas con niveles de luz muy bajos causando
mayor ruido en los sensores. La técnica de promediado es
1 2 muy extendida es este campo
𝜎𝑔ത2 𝑥,𝑦 = 𝜎
𝐾 𝜇 𝑥,𝑦

El promediado sobre un mayor número de imágenes permite

una reducción mayor del ruido de captación

A. Moujahid 37 37
Pre-procesamiento de imagen

Aplicaciones: Resta de imágenes para mejorar diferencias

 Se realzan las diferencias entre dos imágenes

 Detectar cambios en escenas (por ejemplo, en

videos)

𝑓(𝑥, 𝑦) g(𝑥, 𝑦)

𝑓 𝑥, 𝑦 − 𝑔(𝑥, 𝑦)

A. Moujahid 38 38
Pre-procesamiento de imagen

Recursos para procesamiento de imagen

A. Moujahid 39 39
www.unir.net