Machine Vision 140.

429 Digital Image Processing

Filtro de Mediana Adaptativo

Por: PENG Lei (ID: 03090345)

Resumen
En este trabajo se ha investigado la aplicación del filtro de la mediana. Como
un método avanzado comparado con el filtro de mediana estándar, el filtro de
mediana adaptativo realiza procesamiento espacial para la preservación de
detalles y suavizar ruido no impulsivo. Un primer beneficio sobre este
enfoque adaptativo al filtro de la mediana es que el repetir la aplicación del
filtro de mediana adaptativo no degrada los bordes o algún otra estructura
pequeña en la imagen.

Palabras Clave
Procesamiento Digital de Imágenes, Pixel, vecindario, Filtro de Mediana,
Filtro de Media (Filtro del Promedio), Filtro Linear & no linear, Suavizado de la
Imagen, Mejoramiento de la Imagen, Ruido Impulsivo (Ruido Sal y Pimienta).

Las operaciones básicas en el procesamiento digital de imágenes.

Para entender de qué se trata un filtro de mediana adaptativo, lo primero
necesitamos entender que es un filtro de mediana y que es lo que hace. En
muchos diferentes tipos de procesamiento digital de imágenes, las
operaciones básicas son las siguientes: para cada pixel en una imagen digital
colocamos un vecindario alrededor de ese punto, analizamos los valores de
todos los pixeles en el vecindario de acuerdo a algún tipo de algoritmo, y
después reemplazamos el valor del pixel original con uno basado en el
análisis desarrollado sobre los pixeles del vecindario. El vecindario se mueve
sucesivamente sobre cada pixel en la imagen, repitiendo el proceso anterior.
.

1
Machine Vision 140.429 Digital Image Processing

¿Qué es un filtro de mediana y que es lo que hace?

El filtrado de mediana sigue la siguiente prescripción básica. El filtro de

mediana es normalmente utilizado para reducir el ruido en una imagen, algo
parecido al filtro de la media. Sin embargo, este con frecuencia hace un mejor
trabajo que el filtro de la media al preservar detalles útiles en la imagen. Esta
clase de filtros pertenecen al la clase de filtros que preservan bordes y
claridad en la imagen por lo que pertenecen a la clase de filtros no lineales.
Esto significa que para dos imágenes A(x) y B(x):

Esos filtros suavizan los datos mientras conservan los detalles pequeños y
finos. La mediana es solo el valor medio de todos los valores de los pixeles
en el vecindario. Note que esto no es lo mismo que el promedio (o media); en
cambio, la mediana tiene la mitad de los valores en el vecindario mas
grandes y la mitad de los mas pequeños. La mediana es un “indicador
central” mas fuerte que el promedio. En particular, la mediana no es afectada
por un pequeño número de valores discrepantes entre los píxeles del
vecindario. Consecuentemente, el filtrado de mediana es muy efectivo al
remover varios tipos de ruido. La figura 1 ilustra un ejemplo del filtrado de
mediana.

2
Machine Vision 140.429 Digital Image Processing

Figura 1

Al igual que el filtro de la media, el filtro de mediana considera cada pixel en

turno en la imagen y busca sus vecinos mas cercanos para decidir donde es
o no representativo de sus alrededores. En lugar de simplemente reemplazar
el valor del pixel con la media de los valores de los pixeles vecinos, este es
reemplazado con el valor de la mediana de esos valores. La mediana es
calculada primero ordenando todos los valores de los pixeles del vecindario
en orden numérico y después reemplazando el valor del pixel en
consideración con el valor del pixel de en medio. (Si la zona o vecindario bajo
consideración contiene un número igual de pixeles, el valor promedio de los
dos pixeles de en medio será el que se utilice). La figura 2 ilustra un ejemplo
del cálculo.

Figura 2 Calculando el valor de la mediana para el pixel de en medio del

vecindario. Como puede verse, el valor del pixel central de 150 es bastante
sobresaliente de los valores de los pixeles circundantes por lo cual pasa a ser
reemplazado por el valor de la mediana: 124. Un marco de 3x3 ha sido
utilizado para este ejemplo. (Vecindarios mas grandes producirán un
suavizado mas severo).

¿Qué es el ruido?
Ruido es cualquier señal indeseable. El ruido se encuentra en todos lados y
así hemos aprendido a vivir con él. El ruido se introduce en los datos
mediante cualquier sistema electrónico utilizado para el almacenamiento,
transmisión, y/o procesamiento. Además, la naturaleza siempre nos jugará
uno o dos trucos “ruidosos” con los datos bajo observación. Cuando
encontramos una imagen corrupta con ruido querrás mejorar su apariencia
para una aplicación especifica. Las técnicas aplicadas son “orientadas a la
aplicación”. También, los diferentes procedimientos son relacionados a los
tipos de ruidos introducidos en la imagen. Algunos ejemplos de ruido son:

3
Machine Vision 140.429 Digital Image Processing

Gaussiano o blanco, Rayleigh, impulsivo, periódico, sinodal o coherente, no

correlacionado y granular.

Modelos de ruido
El ruido puede ser caracterizado por sus:
Función de probabilidad de densidad: Gaussiano, uniforme, Poisson, etc.
Propiedades espaciales: Correlación.
Propiedades frecuenciales: Ruido blanco vs Ruido rosa.

Figura 3 Imagen original

4
Machine Vision 140.429 Digital Image Processing

Figura 4 Imágenes e histogramas resultantes de agregar ruido Gaussiano,

Rayleigh y Gama a la imagen original.

Figura 4 (continuación) Imágenes e histogramas resultado de agregar ruido

Exponencial, uniforme y sal & pimienta a la imagen original.

5
Machine Vision 140.429 Digital Image Processing

Comparación entre el filtro de la mediana y el filtro de la Media.

En algunas ocasiones confundimos el filtro de la mediana y el filtro de la

media, así que haremos algunas comparaciones entre ellos. El filtro de la
mediana es una herramienta no linear, mientras el filtro de la media es uno
linear. En cuanto al suavizado, en lo que a áreas uniformes de la imagen se
refiere, ambos filtros diferirán por muy poco. El filtro de la mediana remueve
el ruido, mientras que el filtro de la media sólo se propaga de manera
uniforme en toda la imagen. El desempeño del filtro de la mediana es
particularmente mejor para remover ruido impulsivo que el filtro de la media.

La figura 5 muestra la imagen original y la misma imagen después de haber

sido corrompida con ruido impulsivo en un 10%. Esto significa que 10% de
los pixeles fueron reemplazados con pixeles completamente en blanco.
También se muestran los resultados del filtrado de mediana usando ventanas
de 3x3 y de 5x5; se aplicaron tres iteraciones del filtro de mediana usando
una ventana de 3x3 a la imagen ruidosa; y finalmente para la comparación,
se muestra el resultado de aplicar el filtro de la media a la imagen ruidosa con
una ventana de 5x5.

a) Imagen original b)Ruido impulsivo agregado al 10%

6
Machine Vision 140.429 Digital Image Processing

a)3x3 Filtrado de mediana b)5x5 Filtrado de mediana

Comparación entre el filtro de mediana (no linear) y el filtro de la media

(linear)

a)3x3 filtro de mediana aplicado 3 veces b)5x5 Filtro de la media

Figura 5

La desventaja del filtro de la mediana

A pesar de que el filtro de la mediana es una útil técnica no lineal para el

mejoramiento y suavizado de una imagen. Este filtro también cuenta con
algunas desventajas. El filtro de la mediana remueve tanto el ruido como los
detalles finos de una imagen, esto debido a que el filtro no puede diferenciar
entre uno y otro. Cualquier tamaño relativamente pequeño comparado con el
tamaño del vecindario tendrá un efecto mínimo en el valor de la mediana, y
será desechado. En otras palabras el filtro de la mediana no puede distinguir

7
Machine Vision 140.429 Digital Image Processing

los detalles finos del ruido.

Filtro de mediana adaptativo

Por otro lado el filtro de mediana adaptativo ha sido ampliamente aplicado

como un método avanzado comparado con el filtro de mediana estándar. El
filtro de mediana adaptativo se desempeña mediante el procesamiento
espacial para determinar cuales pixeles en una imagen han sido afectados
por el ruido impulsivo. El filtro de mediana adaptativo clasifica los pixeles
como ruido mediante la comparación de cada pixel en la imagen contra los
demás pixeles que conforman los alrededores del área donde se encuentre
dicho pixel. El tamaño del vecindario o área es ajustable, tan bien como el
umbral para la comparación. Un pixel que es diferente a la mayoría de sus
vecinos, además de no ser
estructuralmente alineado con esos pixeles a los cuales es similar, es
etiquetado como ruido impulsivo. Esos pixeles con ruido son reemplazados
con el valor de la mediana de los pixeles en el vecindario que han pasado la
prueba de etiquetado de ruido.

Propósito
1). Remover ruido impulsivo
2). Suavizar otros ruidos
3).Reducir la distorsión, como el excesivo adelgazamiento o
engrosamiento de bordes de los objetos.

¿Como trabaja?
● El filtro de mediana adaptativa cambia el tamaño de S xy (el tamaño del
vecindario) durante la operación.

● Notación
Zmin = minimum gray level value in Sxy
Zmax = maximum gray level value in Sxy
Zmed = median of gray levels in Sxy
Zxy = gray level at coordinates (x, y)
Smax = maximum allowed size of Sxy

● Algoritmo
Level A: A1 = Zmed - Zmin
A2 = Zmed - Zmax
if A1 > 0 AND A2 < 0, go to level B
else increase the window size
if window size < Smax, repeat level A
else output Zxy

8
Machine Vision 140.429 Digital Image Processing

Level B: B1 = Zxy - Zmin

B2 = Zxy - Zmax
if B1 > 0 AND B2 < 0, output Zxy
else output Zmed

● Explicación
Level A: IF Zmin < Zmed < Zmax, then
• Zmed is not an impulse
(1) go to level B to test if Zxy is an impulse ...
ELSE
• Zmed is an impulse
(1) the size of the window is increased and
(2) level A is repeated until ...
(a) Zmed is not an impulse and go to level B or
(b) Smax reached: output is Zxy
Level B: IF Zmin < Zxy < Zmax, then
• Zxy is not an impulse
(1) output is Zxy (distortion reduced)
ELSE
• either Zxy = Zmin or Zxy = Zmax
(2) output is Zmed (standard median filter)
• Zmed is not an impulse (from level A)

9
Machine Vision 140.429 Digital Image Processing

Ventajas
El filtro de mediana estándar no trabaja bien cuando el ruido impulsivo es:
a. Mas grande que 0.2, mientras el filtro de mediana adaptativo puede
manejar mejor esos ruidos.
b. El filtro de mediana adaptativo preserva detalles y suaviza el ruido no
impulsivo, mientras que el filtro de mediana estándar no.

Ve las formas de ejemplo desde el inciso a) hasta el d)

en la figura 6.

a) Imagen corrupta por ruido b) Resultado del filtro de media aritmética

impulsivo con una probabilidad de 0.1

10
Machine Vision 140.429 Digital Image Processing

c) Resultado del filtro de mediana adaptativo d) Resultado del filtro de

mediana estándar
Figura 6

Conclusión

El filtro de mediana se desempeña bien mientras el tamaño de la densidad

espacial del ruido impulsivo no sea muy grande. Sin embargo el filtrado de
mediana adaptativa puede manejar ruido impulsivo con probabilidades
incluso mas grandes al 0.2. Un beneficio adicional del filtro de mediana
adaptativo es que al parecer preserva detalles mientras suaviza ruido no
impulsivo. Considerando el alto nivel de ruido, el algoritmo adaptativo se
desempeña bastante bien. La elección del tamaño máximo de la ventana
permitido depende de la aplicación, pero un valor de comienzo razonable
puede ser estimado mediante la experimentación de varios tamaños del filtro
de mediana estándar primero. Esto establecerá una línea base visual con
respecto a las expectativas sobre el desempeño del algoritmo adaptativo.

11
Machine Vision 140.429 Digital Image Processing

Referencias

[1] Rafael C. Gonzalez and Richard E. Woods Digital Image Processing,

2001, pp.220 – 243.

[2] R. Boyle and R. Thomas Computer Vision: A First Course, Blackwell

Scientific Publications, 1988, pp. 32 - 34.

[3] E. Davies Machine Vision: Theory, Algorithms and Practicalities,

Academic Press, 1990, Chap. 3.

[4] A. Marion An Introduction to Image Processing, Chapman and Hall, 1991,

pp. 274.

[5] D. Vernon Machine Vision, Prentice-Hall, 1991, Chap. 4.

[6] J. Chen, A. K. Jain, "A Structural Approach to Identify Defects on Textural

Images", Proceedings of the IEEE International Conference on Systems, Man,
and Cybernetics, pp. 29-32, Beijing, 1988.

[7] H.Moro, T.Watanabe, A.Taguchi and N. Hamada, "On the adaptive

12
Machine Vision 140.429 Digital Image Processing

algorithm and its convergence rate improvement of 2-Dlattice filter", 1988

IEEE International Symposium on Circuits and Systems, Proceeding vol. 1 of
3, pp. 430-434.

[8] R.Meylani, S.Sezen, A. Ertüzün, Y. Istefanopulos, "LMS and Gradient

Based Adaptation Algorithms for the Eight-Parameter Two-Dimensional
Lattice Filter", Proceedings of the European Conference on Circuit Theory
and Design, pp.741-744, 1995.

13