Im agenes en Matlab

Cristian S. Rocha, Andrea Manna, . . . Taller 1

1.

Prefacio

Antes de empezar a trabajar con el Octavehay que asegurarse que la versi on en la que se trabaja no tiene ning un bug perdido. Sabemos que en la versi on 3.2.4 del octave no se puede mostrar im agenes. La raz on se puede leer en el wiki: http://wiki.octave.org/wiki.pl?OctaveForWindows y se resuelve ejecutando el siguiente comando de la linea de comandos: pkg rebuild -noauto oct2mat que deshabilita el m odulo oct2mat cada vez que se inicia el Octave. Aparentemente este m odulo es el que provoca el problema. Una vez deshabilitado se reinicia el Octavey el comando imshow vuelve a funcionar.

2.
2.1.

Primera Parte
Introducci on

Para trabajar computacionalmente con una imagen hay que interpretarla como una funci on matem atica. Algunas caracter sticas de una imagen guardada de una computadora es que tiene una cantidad nitas de puntos, es una interpretaci on de una imagen original que deber a formarse por una cantidad innita (o mucha mas grande) de puntos. Cada punto de la imagen est a indexado a trav es de valores naturales x, y que referencian a las coordenadas x e y del plano. A su vez cada punto puede contener m as de un canal asociado a una frecuencia o energ a que son capaces de reejar. Im agenes Denition 1 (Im agen). Una Imagen normalizada es una funci on I : N2+1 [0, 1] Cada tupla de naturales x, y : N2 se la conoce como pixel. Y cada valor I (x, y, c) es la intensidad asociada al pixel (x, y ) del canal c. 1

Existen varias formas de representar la luz reejada por los puntos, pero la m as com un es descomponiendola en colores primarios rojo, verde y azul. La descomposici on se asocia a canales (c) cuyos valores se encuentran en general entre 0 y 1, indicando el 0 la falta total de ese canal y 1 la intensidad m axima de ese canal. Por ejemplo en la representaci on RGB tener todos los canales en 1 representan el color blanco, y tener todos los canales en 0 representan el negro. Esto puede variar seg un la descomposici on elegida. Los canales m as conocidos son Rojo, Verde y Azul (RGB), aunque existen otras combinaciones (ACM), (CMYK), (HSV), (YUV), . . . Una imagen con un u nico canal se lo conoce como imagen de escala de grises. La idea de Imagenes normalizadas surge porque existen muchas formas de almacenar esas im agenes en la computadora. Es com un encontrar que los valores sean entre 0 y 255 ya que se almacenan en la computadora con 8 bits o un byte. Y en general 256 valores son sucientes. Otro es el caso que la imagen provenga de sat elites, o se quiera representar im agenes con mayor cantidad de colores. Pero ese es un tema del cual no vamos a hablar. Canales

Imagen RGB sin descomponer

Canal Rojo

Canal Verde

Canal Azul

2.2.

Procesamiento b asico de im agenes

La forma m as tradicional para trabajar con Im agenes es interpretando que son matrices de 2 + 1 dimensiones. En Octavelas operaciones de lectura y escritura de im agenes son imread y imwrite. Para imread el nombre del archivo es suciente para devolver una matriz de la cantidad de pixels y canales que almacena el archivo. Para almacenar una matriz como una imagen hay que indicar en que formato se debe almacenar. Para ver la imagen se usa el comando imshow cuyo par ametro de entrada es la matriz a mostrar como una imagen. Utilicen estos comandos y averig uen 2

la resoluci on (Cantidad de pixels en los ejes X e Y) que tiene la imagen usando el comando size Empezando a trabajar con im agenes en Octave y Matlab > A = imread(lena std.tif); > imwrite(A, lena std.tif, tif); > imshow(A); Proponer que generen las im agenes en escala de grises a partir de los canales Rojos, Verdes y Azul de la imagen. Se pueden obtener pidiendo la submatriz A(:, :, 1), A(:, :, 2), A(:, :, 3) respectivamente. Aqu puede verse como la imagen tiene una resoluci on de 512x512 pixels y tres canales correspondientes a los canales del RGB. Mostramos el canal rojo en escalas de grises con el comando imshow. El comando imshow siempre toman al canal rojo, verde y azul como esas submatrices. Tambi en puede usarse la funci on imnfo para conocer la informaci on de la imagen. Empezando a trabajar con im agenes en Octave y Matlab > A = imread(lena std.tif); > size(A) ans = 512 512 3

> imshow(A(:,:,1)) > imfinfo(lena std.tif) ... Para conrmar que la imagen no est a normalizada obtener el m aximo y m nimo valor de la matriz usando las funciones max y min. Notar que hay que repetir las funciones porque se aplican sucesivamente en cada dimensi on de la matriz. En este caso las im agenes no est an normalizadas. Empezando a trabajar con im agenes en Octave y Matlab > A = imread(lena std.tif); > max(max(max(A))) ans = 255 3

> min(min(min(A))) ans = 3 Para normalizar la imagen se puede realizar la siguiente operaci on. La funci on double convierte la matriz de n umeros enteros a n umeros reales y 255 normaliza los valores. Empezando a trabajar con im agenes en Octave y Matlab > A = imread(lena std.tif); > N = double(A) / 255; > imshow(N)

2.3.

Ejercicios

A partir de aqu se proponen los siguientes ejercicios. Ejercicio Represente la imagen de Lena apagando los diferentes canales. Esto pude hacerse asignando 0 a cada canal. Deje encendido solo el canal Rojo. Deje encendido solo el canal Verde. Deje encendido solo el canal Azul. Deje encendido solo los canales Rojo y Verde. Deje encendido solo los canales Verde y Azul. Deje encendido solo los canales Rojo y Azul. Para ello recomiendo copiar la imagen a una matriz temporal e ir apagando los canales de a poco. A continuaci on solo apagamos el canal Rojo. Soluci on > A = imread(lena std.tif); > T = A > T(:,:,2) = 0

> T(:,:,3) = 0 > imshow(T) El siguiente ejercicio ayuda a reconstruir una imagen a partir de canales calculados en forma independiente. Se introduce la funci on ndgrid que permite generar matrices a partir del ndice. Ejercicio Se pide reconstruir una imagen a partir de canales generados a partir de las siguientes funciones. r(x, y ) = sin(x) + sin(y ) g (x, y ) = sin(x + ,25 ) + sin(y + ,25 ) b(x, y ) = sin(x + ,5 ) + sin(y + ,5 ) Soluci on > X = ndgrid(0:0.1:2*pi,0:0.1:2*pi); > Y = X; > R = 0.5+sin(X)+sin(Y); > G = 0.5+sin(X+0.25*pi)+sin(Y+0.25*pi); > B = 0.5+sin(X+0.5*pi)+sin(Y+0.5*pi); > I = zeros(size(R,1), size(R,2), 3); > I(:,:,1)=R; > I(:,:,2)=G; > I(:,:,2)=B; > imshow(I) El siguiente ejercicio introduce el uso de la funci on hist para conocer la distribuci on de la intensidad de los diferentes canales. Esto nos permite realizar otras operaciones a futuro.

Ejercicio Represente el histograma por cada canal. Rojo. Verde. Azul. Supongo que saben realizar estas operaciones. Las vieron en una clase anterior. Ahora la idea es jugar con partes de im agenes. Ejercicio Se pide intercambiar el cuarto superior izquierdo de la imagen con el cuarto inferior derecho.

Resultado > L = imread(lena std.tif); > Qsi = L(1:256,1:256,:); > Qid = L(257:512,257:512,:); > L(257:512,257:512,:)=Qsi; > L(1:256,1:256,:)=Qid; > imshow(L)

3.
3.1.

Segunda Parte
Operaciones de matrices y resultados en im agenes

Antes de cualquier cosa debemos poder crear im agenes vac as para poder almacenar resultados en ellas. Ahora hay que hablar de c omo crear matrices que sean compatibles con las im agenes, porque sino no se va a poder almacenarlas ni verlas. Creaci on de im agenes vacias Las im agenes se crean como cualquier matriz, pero hay que indicar que el tipo de dato a usar es de tipo byte. > zeros( [10,10,3], uint8) Algunas operaciones sobre matrices tienen efectos interesantes en las im agenes. Ahora enumeraremos algunas de estas operaciones. Operaciones Siendo M la matriz de la imagen, I la matriz identidad y E es la matriz identidad espejada. Espejado diagonal D = M t . Espejado horizontal H = M E Espejado vertical V = E M El problema principal de trabajar con estas operaciones es conseguir la matriz identidad del tama no adecuada y asegurarse que la imagen es cuadrada. Recuerden que la multiplicaci on de matrices require equivalencia entre el tama no de las matrices. Se pueden multiplicar una imagen M de n m por una matriz I de m p, y el resultado ser a una matriz de n p. Es por eso que recomiendo usar matrices cuadradas. Para eso es necesario generar una matriz m as grande donde almacenar la imagen si es que esta no es cuadrada. A continuaci on muestro c omo encuadrar la imagen. Cargo primero una imagen que no es cuadrada y la copio a una imagen pre-creada cuadrada del tama no adecuado. Encuadrar una Imagen > S = imread(san diego.tif); > c = size(S,3); > n = max(size(S)(1:2)); > D = zeros([n,n,3],uint8); 7

> D(1:size(S,1),1:size(S,2),:) = S; En el caso que no se quiera utilizar operaciones con matrices porque tardan mucho tiempo en resolverse o porque una matriz no puede resolver el problema, se puede calcular con una doble iteraci on sobre el las las y las columnas respectivamente. Aqu por ejemplo mostramos como calcular cual es el valor promedio que hay en los pixels de la imagen en el canal 1. Modicar una imagen > I = imread(san diego.tif); > s =0; > for i in 1:size(I,1) > for j in 1:size(I,2) > s = s + double(I(i,j,1)); > end > end > s/(size(I,1)*size(I,2))

3.2.

Ejercicios

Ahora vamos a resolver algunos ejercicios de traslaci on y rotaci on. Primero vamos a encuadrar la imagen y centrar. Ejercicio Encuadrar y centrar la imagen san diego.tif en una nueva matriz. Soluci on > I = imread(san diego.tif); > n = max(size(I)(1:2)); > D = zeros([n, n, size(I,3)], uint8); > top = (n - size(I,1)) / 2 + 1;

> left = (n - size(I,2)) / 2 + 1; > D(top:top+size(I,1)-1, left:left+size(I,2)-1, :) = I; > imshow(D); Ahora vamos a rotar las im agenes. Una funci on importante para rotar es iplr que realiza un espejo vertical. Aunque esta funci on puede resolver todo el problema, lo interesante es usarla para conseguir la matriz identidad espejada y luego aplicarla para rotar en horizontal y vertical. Otro tema al que hay que prestar atenci on es que no se pueden multiplicar matrices de tipo uint8. Lo que si se puede hacer es convertirlas en matrices de tipo double, multiplicar y luego volver a uint8. Ejercicio Se pide realizar un espejado vertical y horizontal de lena. Soluci on > I = imread(lena std.tif); > E = eye(size(I)(1:2)); > E = fliplr(E); > D = uint8(double(I(:,:,1))*double(E)); > showim(D); > D = uint8(double(E)*double(I(:,:,1))); > showim(D); Ahora vamos a rotar la imagen 90 grados. Ejercicio Rotar 90 grados la imagen de lena. Para la soluci on podemos realizar un espejado diagonal para luego realizar una espejado horizontal. O al rev es. . . Soluci on > I = imread(lena std.tif); > E = eye(size(I)(1:2));

> E = fliplr(E); > D = uint8(double(I(:,:,1))*double(E)); > D = uint8(double(D)); > showim(D); Este es un ejercicio dif cil de resolver, pero es un ejercicio bien completo. Ejercicio Se busca una funci on que permita re-escalar una imagen. Ayuda: Usar las funciones meshgrid y linspace para rehubicar los pixels La funci on meshgrid genera las coordenadas de una grilla de N dimensiones asociada a una matriz. Aqu se presenta un ejemplo de lo que meshgrid devuelve Meshgrid > [XX,YY] = meshgrid(0:0.2:1,0:0.2:1) XX = 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 YY = 0.00000 0.20000 0.40000 0.60000 0.80000 0.00000 0.20000 0.40000 0.60000 0.80000 0.00000 0.20000 0.40000 0.60000 0.80000 0.00000 0.20000 0.40000 0.60000 0.80000 10 0.00000 0.20000 0.40000 0.60000 0.80000 0.00000 0.20000 0.40000 0.60000 0.80000 0.20000 0.20000 0.20000 0.20000 0.20000 0.20000 0.40000 0.40000 0.40000 0.40000 0.40000 0.40000 0.60000 0.60000 0.60000 0.60000 0.60000 0.60000 0.80000 0.80000 0.80000 0.80000 0.80000 0.80000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000

1.00000

1.00000

1.00000

1.00000

1.00000

1.00000

Por ejemplo, tenemos una matriz M de 5x5 que representa valores en un espacio bidimensional de 0 a 1. Entonces si queremos conocer en que posici on debe ir el valor de M (1, 2) , entonces podemos jarnos en las matrices resultantes de meshgrid, que en este caso est a asociado a la coordenada XX (1), Y Y (1). Meshgrid > A = eyes(5); > [XX,YY] = meshgrid(0:1/(size(A,1)-1):1, 0:1/(size(A,2)-1):1); > XX[1], YY[2], A(1,2) ans = 0 ans = ans = 0 En combinaci on con linspace se puede realizar varias tareas de interpolaci on lineal. la funci on linspace(a,b,n) permite generar n valores intermedios entre dos valores a y b en forma lineal. Muy parecido a lo que realizamos previamente con la generaci on de un vector por rango, excepto que linspace es m as elegante. Linspace > linspace(0, 1, 5) ans = 0.00000 0.25000 0.50000 0.75000 1.00000 0.20000

> 0:1/(5-1):1 ans = 0.00000 0.25000 0.50000 0.75000 1.00000

Ahora esta interpolaci on puede usarse para conocer que pixel debe asociarse a la matriz resultante. La funci on meshgrid me permite conocer como se reordenan los nuevos pixels. La funci on round pasa los valores reales a valores enteros 11

que representan donde est an los pixels originales correspondiente a ese punto de la matriz. Entonces la soluci on a este problema es el siguiente: Soluci on

function [ ret ] = imagezoom (I, factor) [ width, height, c ] = size(I); new width = width * factor; new height = height * factor; ret = zeros([new width, new height, c], uint8); [XX, YY] = meshgrid(linspace(1,width,new width), linspace(1,height,new height)); XX = round(XX); YY = round(YY); for i = 1:new width for j = 1:new height ret(i,j,:) = I(XX(j,i),YY(j,i),:); end end endfunction

12