Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
Dra. María del Pilar Gómez Gil Otoño 2017
Coordinación de computación INAOE
Procesamiento digital de señales Semana 14.
Procesamiento de Imágenes: introduccción
Versión 21 de Noviembre 2017
Parte del material de esta presentación fue tomado de: Smith, Steven The Scientist and Engineer's Guide to
Digital Signal Processing W. , Second Edition, 1999, California Technical Publishing
2 INAOE 2017
• Una imagen es una descripción de la forma en que un parámetro varía sobre una superficie (dominio del espacio ).
– Una imagen visual se genera con las variaciones de intensidad de luz en un plano en dos dimensiones
– Una imagen térmica es la variación de la temperatura sobre una superficie, que se convierte a una representación visual
• En la siguiente filmina se presenta una imagen de Venus, adquirida por un radar de micro-ondas. Esta imagen contiene 40,000 muestras (200x200) representada en niveles de gris entre 0 y 255 (28 niveles de quantización posibles a representarse en 1 byte = 8 bits)
• Pixel = “picture element”
Imágenes Digitales
3 INAOE 2017
Ejemplo: imagen del planeta Venus
4
(Smith, 1999)
INAOE 2017
Ejemplo (cont.)
5
En esta imagen el muestreo tuvo lugar cada 10 metros, esto es, cada pixel representa un área de 10x10 mts. (sampling grid)
(Smith, 1999)
INAOE 2017
• El color se añade a la imagen utilizando tres números por pixel
• Cada número representa la intensidad de un color primario: rojo, verde y azul
• Si cada número se almacena en un byte, entonces se pueden representar 256x256x256 = 16.8 millones de colores diferentes
Imágenes a color
6 INAOE 2017
7 INAOE 2017
• Brillantez se refiera a la luz u obscuridad total en la imagen
• Contraste es la diferencia entre la brillantez de varios objetos o regiones en la imagen
Ajustes de brillantez y contraste
8 INAOE 2017
Ejemplo
9
(Smith, 1999)
INAOE 2017
10
(Smith, 1999)
INAOE 2017
Imágenes por rayos gama
11 INAOE 2017
Imágenes de Rayos X
black and white X-ray image of the supernova remnant Cassiopeia
12 INAOE 2017
Tomografía Axial Computarizada
13 INAOE 2017
Imágenes en el infrarrojo
14 INAOE 2017
Imágenes por ultrasonido
15 INAOE 2017
El GTM!
• The Large Millimeter Telescope (GTM), is a 50-m diameter single-dish telescope optimized for astronomical observations at millimeter wavelengths (0.85 mm < λ < 4 mm).
16 INAOE 2017
Imágenes por Resonancia Magnética
17 INAOE 2017
Secuencia temporal de imágenes
http://upload.wikimedia.org/wikipedia/commons/b/b4/Beating_Heart_axial.gif
18 INAOE 2017
Función en dos dimensiones que asigna un valor correspondiente a un nivel de intensidad a cada par de coordenadas x,y :
i(x,y) : función de iluminación r(x,y) : función de reflectancia
Función de una imagen
19 INAOE 2017
f x y i x y r x y( , ) ( , ) ( , )
Cambios en la razón de muestreo:
128X128 64X64 32X32
1024X1024 512X512 256X256
20 INAOE 2017
Cambios en los niveles de cuantización
21 INAOE 2017
Transformaciones en escala de grises
• La apariencia de una imagen se puede arreglar a través de modificar sus valores en la escala de grises
22 (Smith, 1999)
23
Se incrementa el contraste en los valores de los pixeles de interés, a expensas de los valores de los pixeles que no interesan
(Smith, 1999)
Warping
• Un problema importante es la distorsión que se origina al obtener imágenes en superficies esféricas, como la tierra, o cuando se quiere representar una imagen que se tomó en un plano, dando la idea de una superficie curva
• Cuando esto sucede se debe determinar el lugar “correcto” de cada pixel. A esta transformación espacial se le llama “warping”
• Una manera de hacer esto, es lo que se conoce como “interpolación de sub-pixeles”
24 INAOE 2017
Ejemplo
25 INAOE 2017
(Smith, 1999)
• Se basa en las mismas dos técnicas de PDS: convolución y análisis de Fourier
• Convolución es el mas importante de los dos, pues las imágenes se codifican en el dominio espacial, mas que en el dominio de frecuencia, pero aún así las transformaciones de Fourier se usan bastante
• Los filtrados lineales de imágenes ayudan para muchas cosas, como hallar contornos, reducir ruido, corregir iluminación, etc.
Procesamiento lineal de imágenes
26 INAOE 2017
Convolución
g x y f x y h x y( , ) ( , )* ( , )
f(x ,y )
h(x ,y )
g(x ,y ) = f(x ,y ) * h(x ,y )
27 INAOE 2017
• El tipo de procesamiento estará definido entonces, por los valores de los coeficientes en la matriz correspondiente a la respuesta al impulso del sistema, la cual será referida en adelante como la mascarilla de convolución.
Mascarilla de convolución
28 INAOE 2017
Im agen de entrada
M as cari l la de conv olución
D.Mery 29 Procesamiento de Imágenes Präsentati
on
Imagen de salida
j
i
Imagen de entrada
j
i
y(i,j)
Pixel de salida
j
i
f
x(i,j)
máscara j
i
Operador
El proceso de convolución
29 INAOE 2017
Ejemplo: Operador de Laplaciano en dos dimensiones en forma de convolución
0 1 0
1 1
0 1 0
-4
30 INAOE 2017
(a)
Ejemplos de procesamiento usando mascarillas de convolución de 3x3 – Función original
31 INAOE 2017
(Smith, 1999)
Ejemplo – efecto pseudo 3D
32 INAOE 2017
(Smith, 1999)
Ejemplo – detección de bordes
33 INAOE 2017
(Smith, 1999)
Ejemplo – resaltado de bordes
34 INAOE 2017
(Smith, 1999)
• Se usa de la misma manera que en señales, solo que ahora la señal está representada en 2 dimensiones
• Se utiliza para facilitar la convolución de imágenes, pues como sabemos, la convolución en el dominio espacial equivale a la multiplicación en el dominio de la frecuencia. Multiplicar es mas fácil que calcular convoluciones
• Otra propiedad útil del dominio de la frecuencia en imágenes, es el teorema de Fourier por “rebanadas”, que obtiene la relación entre una imagen y sus proyecciones. Este teorema es la base para las tomografías.
Análisis de Fourier en imágenes
35 INAOE 2017
• Muchas veces las imágenes en niveles de gris se transforman a binarias, para procesarlas mejor, por ejemplo, identificar objetos dentro de ellas
• Una de las técnicas utilizadas para procesar imágenes binarias es la morfología, basada en teoría de conjuntos
• Los operadores básicos morfológicos son: erosión, dilatación, apertura y cerrado.
Procesamiento de imágenes basado en Morfología
36 INAOE 2017
Operadores morfológicos
37 INAOE 2017 (Smith, 1999)
Ejemplo: Clasificación de Leucocitos
38
Disponible en: http://ccc.inaoep.mx/~pgomez/publications/congress/PggMic08.pdf INAOE 2017
Clases a distinguir del ejemplo
39
(Gomez-Gil et al., 2008)
INAOE 2017
Extracción de características del ejemplo
40 INAOE 2017
(Gomez-Gil et al., 2008)
Generación del vector de características, basado en cálculo del pecstrum
41 INAOE 2017
(Gomez-Gil et al., 2008)
Medias y varianzas de características tomadas del conjunto de entrenamiento del ejemplo
42 INAOE 2017
(Gomez-Gil et al., 2008)
Resultados de clasificación del ejemplo
43 INAOE 2017
(Gomez-Gil et al., 2008)