Professional Documents
Culture Documents
EXACTAS E INGENIERIAS
UNIVERSIDAD DE GUADALAJARA
ndice
1. Introduccin
3.
4. Conclusiones
1.
9
17
Introduccin
1xm
1yn
(1)
img1,1
..
Img = .
imgn,1
1
img1,m
..
.
imgn,m
(2)
A travs de la formulacin anterior podemos tratar una imagen como un proceso aleatorio. Una imagen cumple con ser un proceso homogneo dado que cada
pixel en la imagen Img(x, y) es el resultado de un experimento aleatorio donde
su variable aleatoria i est dada por la intensidad en la escala de grises [3]. As,
la frecuencia de los valores de intensidad se le conoce como histograma. En palabras de Zanuy [7], El histograma de una imagen es la representacin del nmero
de pixels que posee un determinado nivel de gris, para todos los niveles de gris
posibles de la imagen. Lo cual se puede resumir como sigue
F (x) = count(Img, x)
x K
(3)
k = 0, ..., 255
(4)
2.
0i1
(5)
y entonces decimos que la trasformada T (i) produce un nivel de gris i para cada
uno de los pixeles i. Sin embargo, la transformada T (i) debe de cumplir necesariamente con dos criterios para no obtener resultados errneos. 1) T (r) debe de
ser monticamente creciente, es decir que su pendiente no puede ser negativa en
ningn instante y 2) T (r) debe de tener inversa y sta debe de cumplir con el criterio 1, para ello se debe de suponer que i e i son variables aleatorias continuas y
que sus funciones de densidad de probabilidad son P (i) y P (i ) respectivamente.
La ley de la conservacin de a probabilidad indica que
Z 1
Pi (i)di = 1
(6)
0
Pi (i)di =
0
Pi (i )di
(7)
as decimos que
Pi (i )d(i ) = Pi (i)di|i=T 1 (i )=1
(8)
di
|i=T 1 (i )=1
di
(9)
di
Pi (i)
(10)
di = Pi (i)di
(11)
i = T (i) =
Pi (w)dw
(12)
Ai,j = k
(13)
function frecuencia=histograma(A,m,n)
contador = zeros(256,1);
for i=1:m
for j=1:n
contador(A(i,j)+1) = contador(A(i,j)+1) + 1;
end
end
4
5
6
7
8
9
end
Despus de calcular el histograma o funcin de distribucin, se calcula la funcin de densidad, para ello se escribi el siguiente cdigo en base en (4) como
sigue, La funcin getDensidadFuncion(x,m,n,npixel) de donde destacamos la lnea 7 (Cdigo 2) que corresponde a (4), los arreglos densidad y
x representan f (x) y F (x) respectivamente. El resto de los argumentos de entrada m,n,npixel corresponden a las dimensiones de la imagen y el nmero de
4
escalas de grises. Cabe mencionar, que esta funcin calcula f (x) normalizada al
rango de los pixeles. Nota: se debe tener presente los ndices de los arreglos en
Matlab y los valores de la escala de grises para evitar confusiones.
Cdigo 2: Funcin getDensidadFuncion.
1
2
3
4
5
6
7
8
9
donde k = Ai,j
(14)
es claro que en (14) corresponde a la lnea 7. La nueva imagen creada img corresponde a los pixeles de la imagen argumento A en funcin de la funcin de densidad
densidadA, como se mostr en la imgenes de las secciones anteriores.
Cdigo 3: Funcin getImgCambioDensidad.
1
2
3
4
5
6
7
8
9
250
8000
200
6000
P(i)
Frecuencia
7000
5000
150
4000
100
3000
2000
50
1000
0
50
100
150
Escala de grises
200
250
(a) Histograma
50
100
150
Escala de grises (i)
200
250
(c) Imagen
10000
250
9000
8000
200
6000
P(T(i))
Frecuencia
7000
5000
4000
150
100
3000
2000
50
1000
0
50
100
150
Escala de grises
200
250
(a) Histograma
50
100
150
Escala de grises T(i)
200
250
(c) Imagen
Al finalizar el procedimiento de ecualizacin de la imagen nos damos cuenta que presenta un aclarado bastante notorio, pero que sin embargo, debido a los
pixeles que presentan una probabilidad=0 la imagen parece haber perdido la suavidad en el cambio de tonos.
8
3.
(15)
(16)
(17)
(18)
para
1wN
(19)
255
X
ik
(20)
k=0
Adems se debe de cumplir que la funcin de densidad de la imagen A sea montona creciente lo que implica que
fA (ik ) < fA (ik+1 )
(21)
tambin se debe de satisfacer que la suma de las probabilidades de todas las escalas sea igual a 1, entonces
P (i 255) =
255
X
P (ik ) = 1
(22)
k=0
fA (i1 )
fA (in )
+ +
+
|g (i1 )|
|g (in )|
donde
g (i) =
10
dg(i)
di
(23)
(24)
i = g(i) =
Pi (t)dt
(25)
de donde obtenemos
i = g 1 (i) = g 1 [FB (i)]
(26)
Debido a la naturaleza no lineal del problema para calcular los valores discretos de g por igualar a cero las ecuaciones diferenciales parciales, despus resolver
con mtodos iterativos basados en descenso por gradiente. Este procedimiento dificulta el clculo debido a que el proceso se puede detener cuando encuentre un
mnimo local. Es por ello que nos basamos en el mtodo propuesto por Sang-Yeon
et al. [6] el cual se describe a continuacin.
La idea fundamental del mtodo radica en que no es necesario calcular g(i)
mediante la inversin de fA (i) sino que se realiza por un mtodo iterativo buscando la correspondencia mutua entre la distribucin de la imagen objetivo fB (w) y
la considerada fuente fA (i). Para ello se debe considerar que FB (w) est normalizado es decir
1
FB (w)
(27)
N
donde Fb (w) es el histograma normalizado de la imagen objetivo, esto implica
que
255
X
Fb (wk ) = 1
(28)
Fb (w) =
k=0
(29)
12
function g = aplicarDensidad(dOrigen,dFuente)
n = length(densidadA);
g = zeros(n,1);
for i=1:256
for j=1:256
if dOrigen(i)==dFuente(j)
k=j;
break;
else if dOrigen(i) < dFuente(j)
k=j-1;
break;
end
end
end
g(i)=k;
end
5
6
7
8
9
10
11
12
13
14
15
16
17
18
end
El problema prctico del presente trabajo consiste en cambiar la imagen utilizada en la seccin anterior (Figura 1) tal que la funcin de densidad de probabilidad de la imagen despus de procesarla se asemeje en la medida de lo posible a
imagen de la Figura 3 de la cual podemos decir que su histograma tiene la forma
de una campana gaussiana lo cual indica su distribucin de tonos es buena lo cual
se puede observar en su funcin de densidad (Figura 3(b)).
Despus de aplicar los procedimientos descritos en el presente trabajo se obtuvo la imagen con las caractersticas de la Figura 4. De esta imagen podemos
decir que su histograma (como en el caso anterior) no tiene presentes algunos de
los valores de la escala de grises, es decir, la probabilidad de algunos valores de
13
Histograma
Densidad
250
6000
200
4000
150
P(i)
Frecuencia
5000
3000
100
2000
50
1000
50
100
150
Escala de grises
200
(a) Histograma
250
50
100
150
Escala de grises (i)
200
250
(c) Imagen
14
la escala es igual a cero. Por ello se puede observar que la funcin de densidad
contiene algunos escalones. Como se puede observar en las Figuras 4 y 2 la calidad de la primera es superior, esto se debe a que la concentracin de los tonos esta
en el centro y por lo tanto la diferencia entre sombras e iluminaciones no es muy
drstica; la distribucin uniforme generalmente no mejora, se utiliza para aclarar
las imgenes [4].
Histograma
Densidad
250
9000
8000
200
6000
150
P(i)
Frecuencia
7000
5000
4000
100
3000
2000
50
1000
0
50
100
150
Escala de grises
200
(a) Histograma
250
50
100
150
Escala de grises (i)
200
250
(c) Imagen
P(i), P(w)
200
150
100
50
fA(i)
0
fb(w)
0
50
100
150
Escala de grises
200
250
66
67
68
69
70
71
72
73
74
75
16
76
77
78
79
80
[m,n] = size(imgC);
%calcular la funcion de densidad de la imagen filtrada
imgMalaFiltrada = uint8(ImgC);
histImgC = histograma(ImgC,m,n);
denImgC = getDensidadFuncion(ImgC,m,n,length(pixels)
,255.0);
4.
Conclusiones
En el presente trabajo se abord el tratamiento de imgenes digitales, especficamente la ecualizacin y especificacin del histograma mediante operaciones de
pixel para ilustraciones a escala de grises.
Para la ecualizacin del histograma se cambi la probabilidad de cada una de
las escalas de los grises para que la funcin de densidad acumulada de la imagen
sea una linea recta de pendiente uno (m = 1). El resultado obtenido fue una lnea
con algunos escalones situados donde la frecuencia de ese valor de escala es igual
a cero (F (ij ) = 0). Debido a esto la imagen presenta cambios abruptos en ciertas
reas, lo cual permite observar las curvas de nivel en la intensidad de la imagen;
estos cambios muestra una imagen aclarada pero que su cambio de tonalidad no
es suave.
El cambio de histograma por especificacin se utiliz otra imagen (con iluminaciones bien balanceadas) como referencia. Cabe sealar que dicha imagen tiene
una funcin de densidad que se parece a una campana gaussiana con sus pico
mximo centrado en la escala. Con la especificacin se distribuy el histograma
con respecto a la imagen de referencia, con la finalidad, que una vez procesada
la imagen, su funcin de densidad de probabilidad se parezca, en la medida de lo
posible, al histograma acumulado de la imagen de referencia. Y que ambas imgenes tengan iluminaciones semejantes. Con el mtodo utilizado se mostr que
la semejanza de las funciones en cuestin es muy semejante; discrepan en ciertas
reas donde la probabilidad del valor de la escala es nulo para la imagen procesada. El resultado se observa porque la imagen procesada est mejor iluminada
respecto a la inicial.
A manera de conclusin decimos que el segundo mtodo tiene mejores resultados que el primero. Con lo cual se determin que la ecualizacin del histograma
no es la mejor opcin para aclarar una imagen; no atrevemos a decir que no debe
considerarse como una opcin. Cuando se desee aclarar una imagen por especifi17
cacin del histograma se obtienen resultados tales que la imagen de salida parece
que fueron tomadas en las mismas condiciones que la imagen de referencia.
Como lneas futuras se considera utilizar un mtodo de optimizacin que permita tener una mejor aproximacin en la funcin de densidad de la imagen de
salida con respecto de la de referencia. Si bien ello implica un mayor costo computacional (con respecto al mtodo utilizado en el presente documento), resulta interesante cuando la funcin de densidad resultado se presente un gran nmero de
escalones.
Referencias
[1] J.J.O.A. Alvarado-Valencia, J.A. Fundamentos de inferencia estadstica. Pontificia Universidad Javeriana, 2008.
[2] W. Burger and M.J. Burge. Principles of digital image processing: fundamental techniques. Springer, 2011.
[3] D. Cuevas, E. Zaldvar and M. Prez. Procesamiento digital de imgenes con
MATLAB y Simulink. Alfaomega, 2010.
[4] R.C. Gonzlez and R.E. Woods. Digital Image Processing. Addison-Wesley
world student series. Addison-Wesley, 1993.
[5] A. Papoulis. Probabilidad, variables aleatorias y procesos estocsticos. Eunibar, 1980.
[6] K. Sang-Yeon, H. Dongil, C. Seung-Jong, and P. Jong-Seok. Image contrast
enhancement based on the piecewise-linear approximation of cdf. In Consumer Electronics, 1999. ICCE. International Conference on, pages 164165,
June 1999.
[7] M.F. Zanuy. Tratamiento digital de voz e imagen y aplicacin a la multimedia.
ACCESO RPIDO. Marcombo, 2000.
18