Tarea # 1: Conceptos b

asicos de DSP
IPD-414: Seminario de Procesamiento Digital de Se
nales
Oswaldo Anbal Menendez Granizo
11 de Noviembre de 2015

Manipulaci
on Simple de Im
agenes

Lea en MATLAB la imagen yacht.tif utilizando A=imread(yatch.tif ). Para que pueda realizar manipulaciones en esta imagen en MATLAB, aseg
urese que todas sus imagenes sean representadas como matrices de
elementos en punto flotante utilizando B=double(A).
a.- Grafique la imagen utilizando el comando image de MATLAB. Para mantener el aspecto original de la
imagen, aseg
urese que el mapa de colores sea en una escala de grises utilizando colormap(gray(256)) y
que los pixeles sean representados como cuadrados utilizando el comando axis image. Genere un negativo
de la imagen invirtiendo el blanco por el negro y de igual forma con sus tonos intermedios. Note que esta
transformaci
on corresponde a restar: 255 menos la matriz de la imagen. Escriba la imagen resultante
con el nombre yacht inv.jpg en formato JPG utilizando el comando imwrite(A,map,filename,fmt) y
definiendo el mapa de colores adecuadamente.
Negativo de la Imagen Original

Imagen Original

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

50

350

(a) Imagen Original

100

150

200

250

300

350

(b) Negativo Imagen

Figure 1: Comparaci
on entre imagen original yacht.tif y negativo imagen yacht inv.jpg
Se observa que al realizar la transformacion de la imagen mediante la diferencia entre 255 y cada pixel de
la matriz se observa que la imagen resultante es el negativo de la imagen original, es decir cada pixel de
la imagen resultante es el complemento de los pixeles imagen original. Los resultados se presentan en la
Figura 1. Esto es consecuencia de que en n
umeros binarios si un sumamos un n
umero binario A de 8bits
con su complemento se obtiene como resultado A + A = 111111112 = 25510 de donde despejando se tiene
que A = 111111112 A.
b.- Tomando una porci
on de 150 150 pixeles del centro de la imagen original, genere un mosaico de 2 2
que contenga la imagen original, y rotaciones hacia la izquierda en 90 , 180 y 270 . Escriba la imagen
resultante como yacht mosaic.bmp de igual forma que la anterior. Puede usar los comandos de MATLAB
transpose, flipud, fliplr.
Se procede a realizar el ejercicio en base a dos tecnicas diferentes, la primera se basa en la utilizacion de los
comandos de MATLAB propuesto en el enunciado transpose, flipud, fliplr y la segunda en base al comando

Mosaico de Imagen

Mosaico de Imagen

50

50

100

100

150

150

200

200

250

250

300

50

100

150

200

250

300

300

(a) Comandos: transpose, flipud, fliplr

50

100

150

200

250

300

(b) Comandos: rot90

Figure 2: Imagen Mosaico de porci

on central 150 150 de la imagen yacht.tif, la imagen mosaico es almacenada
en yacht mosaic
Table 1: Porciones de imagen para Composicion de la imagen mosaico.
Ubicaci
on en Imagen Rotaci
on Antihorario
Superior Izquierdo
0
Superior Derecho
90
Inferior Izquierdo
180
Inferior Derecho
270

rot90. En la Figura 2 se presentan los resultados de ambas tecnicas pudiendo observar resultados iguales para
ambos casos. El mosaico de la imagen se compone de acuerdo a la Tabla 1.
El comando usado para realizar las rotaciones funciona:
rot90(A,n): Rota n veces 90 la matriz deseada en sentido antihorario.
Mientras que los comandos propuestos por el enunciado fuuncionan:
flipud(A): Voltea la matriz de arriba para abajo.
fliplr(A): Voltea la matriz de izquierda a derecha.
transpose(A): Transpone la matriz

Histograma, Brillo y Contraste

a.- Lea en MATLAB la imagen yatch.tif y calcule su histograma utilizando los comandos de MATLAB size,
reshape e hist. Grafique el histograma y denote los ejes claramente.
El histograma de una imagen es una herramienta fundamental para el analisis de imagenes digitales, la
cual es una representaci
on gr
afica de la frecuencia con la que los niveles de gris aparecen en ella.
Se procede a realizar el histograma de la imagen mediante dos metodos, el primero se basa en las funciones
de MATLAB propuestas en el enunciado, mientras que le otro metodo se basa en la utilizacion del comando
imhist para comparar los resultados. En el primer caso es necesario observar que la funcion size se utiliza
para obtener la dimensiones de la imagen, despues con el comando reshape se transforma la imagen de
una matriz de dimensi
on M N a un vector de dimension M N 1, esto se debe a que el comando hist
requiere los valores de los pixeles de la imagen orientados en un vector columna o fila, finalmente se usa la
sintaxis hist(x(:),[0:255]) donde el primer argumento es la imagen expresada como vector columna y el
segundo argumento especifica el centro de la barra. En el segundo caso el comando imhist(imagen) tiene
como u
nico argumento la matrix de la imagen real sin necesidad de realizar transformaciones adicionales.
En la Figura 4 se presenta los resultados obtenidos en MATLAB para ambos casos, se puede observar que
2

(a)

(b)

Figure 3: Transformaci
on. (a) lineal y (b) no-lineal de pixel a pixel.
tienen un resultado similar, con la diferencia de que el comando hist grafica barras centradas alrededor
del valor de intensidad del pixel por lo que se ve un grafico lleno, mientras que el imhist grafica pulsos
en el valor de intensidad del pixel, como se observa en la Figuras 4(a) y 4(b).

2500

Histograma realizado con comandos propuestos

2500

2000

Nmero de Pixeles

2000

Nmero de Pixeles

Histograma realizado con imhist

1500

1000

1500

1000

500
500
0
0

50

100

150

200

250

Intensidad del Pixel

0

Intensidad del Pixel

(a) Comandos: hist

50

100

150

200

250

(b) Comandos: imhist

Figure 4: Histograma de la imagen yacht.tif

b.- Realice operaciones aritmeticas sobre la matriz que permitan cambiar el brillo de la imagen yatch.tif.
Grafique la imagen nueva y su histograma. Por que aparecen peaks en los extremos al realizar esta
operaci
on?
El brillo de una imagen se modifica mediante la suma o resta una constante a cada pixel. El Histograma
se desplazada a la derecha o a la izquierda. Como se esta analizando imagenes de 8bits, al sumar o restar
una constante a cada pixel, los pixeles con valores intermedios se truncan a un entero, pero los pixeles
que estan en los extremos o cerca a estos dependiendo del valor de la constante pueden sobrepasar el
valor m
aximo o mnimo lo que implica que estos pixeles toman los valores 255 y 0 respectivamente por las
caractersticas de la imagen, lo que se refleja en peaks en los extremos del histograma. Mas estos peaks
solo aparecen en uno de los extremos dependiendo del valor de la constante si C > 0, el peak asoma en el
extremo de 255 caso contrario en el extremo de 0.

Para la parte pr
actica se procede a seleccionar una constante de k = 50 para sumar a cada pixel en un
primer experimento. Por facilidad ambos histogramas se encuentran limitados a 2500 en el eje y, ya que
el valor peak es de aproximadamente 33500 en 255. Los resultado se presentan en la Figura 5 donde se
comprueba lo analizado anteriormente respecto a los resultados del histograma.
Imagen Modificada Brillo

Histograma Imagen Modificada Brillo

2500

50

Nmero de Pixeles

2000

100

150

200

1500

1000

500

250

50

100

150

200

250

300

350

50

100

150

200

250

Intensidad del Pixel

(a) Imagen modificada el brillo

(b) Histograma de Imagen modificada el brillo.

Figure 5: Cambio del brillo de la imagen yacht.tif con una constante k=50
Para el segundo experimento se procede a utilizar una constante de valor k = 70 de igual forma el eje y
se limita en el valor de 2500 con fines de poder comparar con el histograma original, el valor del peak en
este caso se da en 0 y es aproximadamente de 4230. Los resultado se presentan en la Figura 6 donde se
comprueba lo analizado anteriormente respecto a los resultados del histograma.
Imagen Modificada Brillo

2500

Histograma Imagen Modificada Brillo

2000

Nmero de Pixeles

50

100

150

1500

1000

500

200

250
50

100

150

200

250

300

350

50

100

150

200

250

Intensidad del Pixel

(a) Imagen modificada el brillo

(b) Histograma de Imagen modificada el brillo.

Figure 6: Cambio del brillo de la imagen yacht.tif con una constante k=-70
c.- Realice operaciones aritmeticas sobre la matriz que permitan cambiar el contraste de la imagen yatch.tif.
Grafique la imagen nueva y su histograma. Por que aparecen peaks en los extremos al realizar esta
operaci
on? Que distorsiones presenta el nuevo histograma y a que se deben?
El contraste de una imagen se modifica mediante el cambio de la relacion entre la intensidad de los
pixeles, es decir multiplicar a cada pixel por una constante. Como consecuencia se refleja en la expansi
on
o contracci
on del histograma de la imagen. Al igual que para el caso anterior los pixeles con valores
intermedios se truncan a un entero, pero los pixeles que estan en los extremos o cerca a estos dependiendo
del valor de la constante pueden sobrepasar el valor maximo o mnimo lo que implica que estos pixeles
4

toman los valores 255 y 0 respectivamente por las caractersticas de la imagen, lo que se refleja en peaks
en los extremos del histograma.
Para la parte pr
actica se procede a seleccionar una constante de k = 1/2 para multiplicar a cada pixel
en un primer experimento. Los resultado se presentan en la Figura 7 donde se comprueba lo analizado
anteriormente respecto a los resultados del histograma. Se observa ademas que para este caso no existe
peaks en los extremos del histograma, esto se debe principalmente a que al multiplicar por una constante
k < 1 el histograma se contrae por lo que los valores no salen de los lmites superior (255), ni inferior (0).
Imagen Modificada Contraste

2500

Histograma Imagen Modificada Contraste

2000

Nmero de Pixeles

50

100

150

200

1500

1000

500

250

50

100

150

200

250

300

350

50

100

150

200

250

Intensidad del Pixel

(a) Imagen modificada el contraste

(b) Histograma de Imagen modificada el contraste.

Figure 7: Cambio del constraste de la imagen yacht.tif con una constante k =

1
2

En un segundo experimento se procede a seleccionar una constante de k = 2 para multiplicar a cada pixel.
Los resultado se presentan en la Figura 8 donde se comprueba lo analizado anteriormente respecto a los
resultados del histograma. Se observa ademas que para este caso existe peaks en ambos extremos del
histograma, esto se debe principalmente a que al multiplicar por una constante k > 1 el histograma se
expande por lo que los valores de algunos pixeles se desbordan por el lmites superior (255).
Imagen Modificada Contraste
2500

50

Histograma Imagen Modificada Contraste

Nmero de Pixeles

2000

100

150

200

1500

1000

500

250

50

100

150

200

250

300

350

50

100

150

200

250

Intensidad del Pixel

(a) Imagen modificada el contraste

(b) Histograma de Imagen modificada el contraste.

Figure 8: Cambio del constraste de la imagen yacht.tif con una constante k = 2

d.- Cree una funci
on que permita implementar la transformacion lineal de pixel a pixel presentada en la
Figura 3(a) Que tipo de cambios introduce esta transformacion en la imagen? Aplique la transformaci
on
sobre yatch.tif, grafique la imagen y su histograma resultante.

La tecnica descrita en la Figura 3(a) es conocida como contrast stretching. Sobre el eje horizontal se
observa todas las posibles intensidades de la imagen original, mientra que en el eje vertical muestra las
intensidades de la imagen transformada. Esta transformacion asigna los pxeles mas oscuros en el rango
[0, T1] a un nivel de cero (negro), y de igual forma asigna los pxeles mas claros en el rango de [T2, 255]
a nivel de 255 (blanco). Mientras que los pxeles en el rango [T1, T2] son extendidos para usar la escala
de [0, 255]. Esto puede tener el efecto de aumentar el contraste y brillo en una imagen.
Basado en la ecuaci
on de la recta se tiene que su pendiente viene dado por:
m=

255
T2 T1

(1)

De donde se tiene que la ecuaci

on de la recta es:
y y1 = m (x x1 )

(2)

De donde reemplazando valores para el punto (T1 , 0) y pendiente m se tiene:

y=

255
(x T1 )
T2 T1

(3)

Donde y es el valor del pixel resultado de la transformacion, el cual es redondeado a un valor entero, y x
es el pixel original de la imagen sin modificacion.
La ecuaci
on dada en (3) representa la transformacion lineal de pixel a pixel representada en la Figura 3(a)
donde T2 > T1 y T2 T1 [0, 255].
En la parte pr
actica se procede a elegir T2 = 200 y T1 = 50. Los resultados se presentan en la Figura
9, se observa que debido a la transformacion aparecen peaks en los extremos del histograma por razones
previamente analizadas.
Histograma Imagen Modificada Brillo y Contraste (T.Lineal)

Imagen Modificada Brillo y Contraste (T.Lineal)

2500

2000

Nmero de Pixeles

50

100

150

1500

1000

500

200

250
50

100

150

200

250

300

350

50

100

150

200

250

Intensidad del Pixel

(a) Imagen modificada mediante transformaci

on lineal

(b) Histograma de Imagen modificada mediante transformaci

on lineal

Figure 9: Transformaci
on lineal de imagen yacht.tif con parametros T1 = 50 y T2 = 200


x
e.- Cree una funci
on que permita implementar una transformacion no-lineal del tipo y = 255 255
donde
y es el pixel luego de la transformaci
on, con = 2.2, tal como se muestra en la Figura 3(b). Que tipo
de cambios se observan en la imagen?. Aplique la transformacion sobre yatch.tif, grafique la imagen y su
histograma resultante.
Se observa que al aplicar la transformaci
on no lineal, como esta varia de manera exponencial, los valores de
los pixeles peque
nos aparecer
an muy oscuros, a medida que vaya incrementando la intensidad los valores de
los pixeles tomaran despues de la transformacion valores cada vez mayores. Esto se refleja principalmente
6

1
6.2798

Table 2: Filtro Gaussiano

0.0015 0.0067 0.0111
0.0183 0.0821 0.1353
0.0821 0.3679 0.6065
0.1353 0.6065 1.0000
0.0821 0.3679 0.6065
0.0183 0.0821 0.1353
0.0015 0.0067 0.0111

0.0001
0.0015
0.0067
0.0111
0.0067
0.0015
0.0001

77
0.0067
0.0821
0.3679
0.6065
0.3679
0.0821
0.0067

0.0015
0.0183
0.0821
0.1353
0.0821
0.0183
0.0015

0.0001
0.0015
0.0067
0.0111
0.0067
0.0015
0.0001

en la imagen resultante los detalles con tonalidades bajas se perderan o reduciran significativamente,
mientras que los detalles en tonos m
as altos se asentaran mas. En la figura 10 se presentan la imagen
resultante y el histograma de esta imagen, se puede observar claramente como debido al valor de gamma
muchos pixeles pierden potencia y se vuelven muy oscuros razon por la cual se tiene un peak en el
extremo izquierdo.
Imagen Modificada Brillo y Contraste (T. No Lineal)

Histograma Imagen Modificada Brillo y Contraste (T. No Lineal)

12000

10000

Nmero de Pixeles

50

100

150

200

8000

6000

4000

2000

250

50

100

150

200

250

300

350

50

100

150

200

250

Intensidad del Pixel

(a) Imagen modificada mediante transformaci

on no lineal (b) Histograma de Imagen modificada mediante transformaci
on no lineal

Figure 10: Transformaci

on Gamma yacht.tif con parametro = 2.2

Filtrado Digital y An
alisis Espectral de Im
agenes
 2 2
+j
a.- Cree un filtro Gaussiano del tipo h (i, j) = C exp i 2
, donde 2 es la varianza, y C es una constante
2
P
utilizada para escalar el filtro de modo que i,j h (i, j) = 1. Obtenga un filtro de 7 7 con 2 = 1 y
grafique los valores de los coeficientes (es decir la PSF) en una tabla y en un grafico mesh. Recuerde que
el origen en filtros se ubica al centro en una PSF.
La ecuaci
on del filtro para los par
ametros establecidos viene dada por:


h (i, j) = C exp i2 + j 2

(4)

Calculando los valores

P para el filtro sin la constante C se obtiene los valores de la Tabla 2, aplicando la
condici
on dada por i,j h (i, j) = 1 se obtiene la constante de escalamiento C:
C=

1
= 0.1592
6.2798

(5)

Un filtro gaussiano simula una distribucion gaussiana bivariante. El grafico mesh del filtro dise
nado se
presenta en la Figura 11, donde se aprecia la caracterstica en forma de campana del Filtro gaussiano, el

valor m
aximo aparece en el pixel central y disminuye hacia los extremos tanto mas rapido cuanto menor
sea el par
ametro de desviaci
on tpica . El resultado del filtro es un conjunto de valores entre 0 y 1.
Adicionalmente se puede generar el mismo filtro gaussiano en MATLAB mediante la ejecucion del comando
fspecial(gaussian,[7 7],1).
Filtro Gaussiano

0.2

h(x,y)

0.15
0.1
0.05
0
4
2

4
2

2
4

Figure 11: Filtro Gaussiano graficado con mesh

b.- Calcule la magnitud del filtro en frecuencia con una resolucion espectral de 256 256 puntos utilizando el
comando fft2 y fftshift, de modo que la magnitud se grafique entre [, ] [, ]. Cree vectores para
frecuencia (u, v) y grafique su resultado: 1) en un grafico mesh, 2) en una imagen con la magnitud en
escala lineal, y 3) en una imagen con una escala logartmica (en dB). Utilice el comando imagesc para
los dos u
ltimos casos. Aseg
urese que sus graficos esten entre [, ] [, ]. Que tipo de filtro es este?
A que se debe la diferencia entre la magnitud en escala lineal y logartmica?
Los comando usados en la parte pr
actica son:
(a) F=fft2(f ): Transformada discreta de Fourier de la imagen f, luego es una matriz de valores complejos.
(b) fftshift(F): Centra el espectro de Fourier (F (0, 0) centro de las frecuencias).
(c) abs(F): Calcula la magnitud de la transformada de Fourier.
La magnitud del espectro de frecuencias se presenta en un grafico mesh en la Figura 12 donde se puede
observar claramente que el Filtro Gaussiano es una funcion propia de los Filtros LSI, lo que quiere decir
que si se introduce al filtro una funci
on gaussiana si espectro tambien sera una funcion gaussiana.
En las Figura 13 (a) y (b) se muestra la magnitud del filtro en escala lineal y logartmica. Las diferencias
de los gr
aficos de la Figura 13 se debe a que en el caso de escala lineal la funcion se expresa por el valor
de la magnitud, mientras que en el caso de la magnitud en dB la escala logartmica linealiza a la funci
on
y principalmente se observa que mejora el rango dinamico de visualizacion.
Analizando la respuesta en frecuencia de la imagen en las Figuras 12 y 13, se deduce que el filtro es pasa
bajos ya que deja pasar ciertas frecuencias hasta un lmite pasado este se elimina las frecuencias como se
ve claramente en la Figura 13(a).
c.- Aplique el filtro anterior sobre la imagen noise1.tif utilizando el comando de MATLAB filter2. Grafique
la imagen con ruido, la filtrada y la imagen sin ruido race.tif, y explique las diferencias observadas entre
ellas. Grafique tambien la magnitud (en dB) de la DFT de las tres imagenes, de igual forma que en el
punto anterior. Comente la estructura del espectro y explique las diferencias entre ellas y el efecto del
filtro.

Figure 12: Magnitud del filtro en frecuencia con una resolucion espectral de 256 256 (Grafico mesh)
Respuesta en Frecuencia (Magnitud en dB)
3

Respuesta en Frecuencia (Magnitud)

3

3
3

(a) Magnitud en escala lineal

(b) Magnitud en escala logartmica

Figure 13: Magnitud del filtro en frecuencia con una resolucion espectral de 256 256
El filtro implementado es un filtro pasa bajos como se puede observar el objetivo de este filtro al ser
implementado en la imagen noise1.tif es la de eliminar el ruido, en la Figura 14(c) se observa una imagen
suavizada respecto a la imagen original con ruido mostrada en la Figura 14(a), se puede observar adem
as
que los bordes de la imagen original se muestra difuminados en la imagen filtrada ya que esto corresponde
a las altas frecuencias por lo que estas se ven atenuadas. Mediante el filtro se mejora notoriamente la
calidad de la imagen respecto a la imagen con ruido.
Se analizo previamente que el filtro gaussiano posee la misma forma en el dominio del tiempo y de la
frecuencia. Comparando la magnitud de la DTF de la imagen original mostrada en la Figura 15(a)
con la imagen agrega ruido mostrada en Figura 15(b) se observa que la imagen con ruido posee mayores
componentes en altas frecuencias, la imagen de frecuencia contiene puntos muy brillantes que representaran
la frecuencia espacial de las bandas de ruido. El efecto del filtro en la imagen es el de dejar inalterables
las bajas frecuencias y aten
ua o elimina las altas frecuencias lo que se visualiza en la Figura 15(c).
d.- Aplique un filtro 3 3 del tipo h = 19 ones(3, 3) sobre la imagen noise1.tif. Se obtienen mejoras en
la calidad de la imagen? Que tipo de filtro es este? Que diferencias produce con respecto al filtro
Gaussiano? Compare la magnitud del espectro (en dB) de la PSF de los filtros para justificar su an
alisis.
El filtro implementado por su forma se conoce como filtro de media (filtro promedio), el cual reemplaza el
9

Imagen con Ruido

Imagen Original

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

50

350

(a) Imagen Original race.tif

100

150

200

250

300

350

(b) Imagen con Ruido noise1.tif

Imagen Filtrada

50

100

150

200

250
50

100

150

200

250

300

350

(c) Imagen aplicada el Filtro

Figure 14: Comparaci

on entre imagen original, agregada ruido y filtrada
valor de cada pixel de una imagen con el valor promediado de sus vecinos, incluyendo al pixel. Lo que se
puede observar es que elimina valores de pixeles los cuales son poco representativos de sus vecinos como
se presenta en la Figura 16.
Una desventaja se debe al hecho de que un pixel poco representativo puede afectar significativamente el
valor medio de todos los pixeles de la vecindad. Al igual que el filtro gaussiano este es un filtro pasa bajo
por lo que se observa en las im
agenes de la Figura donde se puede ver como resultado una reduccion en el
ruido (imagen suavizada) y como el filtro cuando encuentra un lmite de objeto, este interpola a nuevos
valores desdibujando el borde de la imagen como se puede observar. La diferencia con el filtro Gaussiano
se basa en que el filtro Gaussiano se puede ver como un promedio pesado de cada pixel y su vecindad,
siendo el de mayor peso el pixel central, mientras que el filtro de media todos los pesos son iguales, por
lo que se obtienen mejores resultado con el filtro gaussiano, la magnitud del espectro del filtro y de la
imagen aplicada el filtro se presenta en la Figura 17.
Se observa que la principal diferencia entre la Figura 17(a) y la Figura 13(a) es la forma del filtro en
frecuencia, el filtro gaussiano mantiene la magnitud alrededor de la frecuencia de corte mientras que el
filtro de media no es constante. La magnitud del espectro de la imagen filtrada se observa como aten
ua
o elimina las altas frecuencias, mas por las caractersticas de frecuencia del filtro el cual posee lobulos
peque
nos algunas frecuencias de alta pasan como se observa en la Figura 13(b).


e.- Aplique un filtro de 3 3 del tipo h = 0 1 0; 1 4 1; 0 1 0 sobre la imagen race.tif. Que
cambios se observan? Que tipo de filtro es este? Que utilidad tiene un filtro de este tipo? Compare
la magnitud del espectro (en dB) de la PSF de la imagen antes y despues del filtrado para justificar su
an
alisis.
El filtro dise
nado se conoce como filtro Laplaciano el cual es un filtro pasa alto, la caracterstica principal
que se nota es que solo quedan las caractersticas de alta frecuencia de la imagen, el filtro intensifica los

10

Respuesta en Frecuencia Imagen con Ruido (Magnitud en dB)

Respuesta en Frecuencia Imagen Original (Magnitud en dB)

3
3

(a) Imagen Original race.tif

(b) Imagen con Ruido noise1.tif

Respuesta en Frecuencia Imagen Filtrada (Magnitud en dB)

3

3
3

(c) Imagen aplicada el Filtro Gaussiano

Figure 15: Magnitud de DTF aplicada a imagenes.

detalles, bordes y cambios de alta frecuencia, mientras que aten
ua las zonas de tonalidad uniforme como
se observa en la Figura 18.
Los coeficientes del filtro suman 0, con coeficientes negativos que rodean el centro de valor positivo grande.
El filtro Laplaciano genera peaks marcados o abruptos en los bordes. Cualquier pendiente de brillo, ya
sea positiva o negativa, es acentuada.
En una regi
on de una imagen que es uniforme en brillo o con gradiente de brillo uniforme, el resultado de
aplicar el filtro anterior es reducir el nivel de gris a 0. Cuando una discontinuidad esta presente dentro de
una vecindad en forma de punto, lnea o borde, el resultado del Laplaciano es un valor no nulo, negativo
o positivo dependiendo de donde se encuentre el punto central con respecto al borde. A fin de exhibir el
resultado cuando surgen valores de pixeles tanto positivos como negativos, es com
un sumar un valor medio
de gris de modo que los puntos con valor 0 son gris medio, y los valores brillantes y oscuros producidos
por el Laplaciano puedan visualizarse.
La comparaci
on entre las magnitud del espectro de la imagen original y filtrada se presenta en la Figura
19 se observa como el filtro tiene un comportamiento similar a un filtro pasa altos elimando las frecuencias
antes de una frecuencia corte y resaltando las altas frecuencias como se observa al comparar las Figuras
19(a) y (b). La utilidad principal se debe a que debido a que intensifica detalles y bordes esto permite
una mejor identificaci
on posterior de los objetos que se encuentren en la imagen.


f.- Aplique un filtro de 3 3 del tipo h = 4 4 4; 4 41 4; 4 4 4 sobre la imagen blur.tif. Que
cambios se observan? Que tipo de filtro es este? Que utilidad tiene un filtro de este tipo? Compare

11

Imagen Filtrada con Filtro Promedio

50

100

150

200

250
50

100

150

200

250

300

350

Figure 16: Imagen resultante de filtrar imagen noise1.tif con Filtro de media.

Respuesta en Frecuencia Filtro Promedio (Magnitud en dB) Respuesta en Frecuencia Imagen Filtrada (Magnitud en dB)

3
3

(a) Filtro de media

(b) Imagen aplicada filtro de media

Figure 17: Magnitud de DTF.

la magnitud del espectro (en dB) de la PSF de la imagen antes y despues del filtrado para justificar su
an
alisis.
Los resultados de filtrar la imagen blur.tif mediante el filtro h se presenta en la Figura 20.
El filtro analizado es un filtro pasa altos, el cual pretende aislar los componentes de alta frecuencia en
una imagen. El filtro acent
ua los componentes de alta frecuencia espacial mientras que deja sin tocar los
componentes de baja frecuencia espacial. La suma de los coeficientes es 1 y los coeficientes mas peque
nos
rodean al coeficiente del centro que es positivo y el mas grande.
Con la disposici
on dada del filtro se observa que el pixel central del grupo de pixeles de entrada que se
procesan aporta una alta influencia, mientras que los pixeles que lo rodean act
uan oponiendose a el. Si
el pixel central posee un valor de brillo muy diferente al de sus vecinos inmediatos, entonces el efecto
de estos u
ltimos es despreciable y el valor de salida es una version acentuada del valor original del pixel
del centro. Esa diferencia grande indica una marcada transicion en los niveles de gris, lo que indica
la presencia de componentes de altas frecuencias. Por consiguiente, en la imagen de salida se espera
que la transici
on aparezca acentuada. Por el contrario, si los valores de brillo de los pixeles vecinos son
suficientemente grandes para contrarrestar el peso del pixel del centro, entonces el resultado final se basa
m
as en un promedio de los pixeles involucrados. Si el valor de brillo de todos los pixeles de un n
ucleo
3 3 son iguales, el resultado es simplemente el mismo valor. Es decir, produce la misma respuesta
que el filtro de paso bajo aplicado sobre regiones constantes. Esto significa que el filtro de paso alto no
aten
ua los componentes de bajas frecuencias espaciales. Mas precisamente enfatiza los componentes de
altas frecuencias mientras que deja sin tocar los de bajas frecuencias como se observa en la Figura 21.
El an
alisis anterior se muestra claramente con el analisis de magnitud del espectro de la imagen antes
12

Imagen Filtrada

50

100

150

200

250
50

100

150

200

250

300

350

Figure 18: Resultados imagen aplicando Filtro Laplaciano

Imagen Filtrada (Magnitud en dB)

Respuesta en Frecuencia Imagen Original (Magnitud en dB)

3
3

(a) Magnitud del espectro de la imagen original

(b) Magnitud del espectro de la imagen filtrada

Figure 19: Magnitud del espectro imagen original y filtrada.

y despues del filtrado donde se ve como las altas frecuencias se acent
uan, lo que se refleja en la imagen
resultante.

Im
agenes Binarias

Ciertos equipos electr

onicos no son capaces de producir imagenes en escalas de grises (por ejemplo FAX e impresoras l
aser) y s
olo pueden imprimir im
agenes binarias (solo blanco y negro). En este ejercicio simplificaremos
im
agenes monocrom
aticas para obtener binarias utilizando un metodo conocido como halftoning. Se recomienda
graficar las im
agenes por separado y usar el comando de MATLAB axis image, para minimizar la distorsi
on
al mostrar la imagen en pantalla en MATLAB.
a El metodo m
as b
asico para realizar halftoning es el metodo del umbral binario, el que consiste en asignar
la intensidad mnima o m
axima a cada pixel a partir de un umbral T definido. Aplique este metodo sobre
la image house.tif utilizando un umbral de intensidad T = 80. Que sucede con la calidad de la imagen
resultante? Se obtienen mejoras importantes al cambiar el umbral T? Que criterio propondra usted
para definir dicho umbral?
El metodo m
as simple para convertir una imagen en escala de grises en una imagen binaria es mediante
umbral binario, es decir, una de dos niveles (de un bit) de cuantificacion. Sea f (i, j) una imagen en escala

13

Imagen Original

Imagen Filtrada

50

50

100

100

150

150

200

200

250

50

100

150

200

250

300

250

350

50

(a) Imagen Original blur.tif

100

150

200

250

300

350

(b) Imagen aplicada el Filtro

Figure 20: Comparacion entre imagen original y filtrada

Imagen Filtrada (Magnitud en dB)
3

Imagen Original (Magnitud en dB)

3

3
3

(a) Magnitud del espectro de la imagen original

(b) Magnitud del espectro de la imagen filtrada

Figure 21: Magnitud del espectro imagen original y filtrada.

de grises, y b(i, j) es el imagen binaria correspondiente sobre la base de simples umbral. Para un umbral
dado T, la imagen binaria se calcula como:

b (i, j) =

255
0

Si f (i, j) > T
Otro caso


(6)

En la Figura 22(a) se observa la imagen original en estudio, mientras que la Figura 22(b) se observa la
imagen utilizando Halftoning basado en el metodo de umbral binario. Se puede observar la aparici
on de
un contorno en la imagen, este es conocido false contouring, el cual es consecuencia de la cuantizaci
on
con pocos bits, en este caso con un bit, debido a que el error de cuantizacion es dependiente de la se
nal
de entrada. Adem
as se observa la perdida de detalles de la imagen para el umbral estudiado.
Al cambiar el umbral a T = 100 se observa que los detalles de la imagen tienden a mejorar aparecen m
as
detalles en la imagen como se observa en la Figura 23(a), mientras que si este valor se reduce T = 50
los detalles desaparecen perdiendo calidad de la imagen como se observa en la Figura 23(b). Uno de los
criterios para la selecci
on del umbral es en base a la minimizacion del error cuadratico medio es decir
minimizar:
s
ECM

1 X
2
{f (i, j) b(i, j)}
M N ij

14

(7)

Imagen Original

Imagen Aplicada Halftoning "Umbral Binario" T = 80

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

350

50

(a) Imagen Original

100

150

200

250

300

350

(b) Imagen aplicada Haltoning Umbral Binario

T = 80

Figure 22: Aplicaci

on del metodo Haltoning Umbral Binario
Imagen Aplicada Halftoning "Umbral Binario" T = 100

Imagen Aplicada Halftoning "Umbral Binario" T = 50

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

350

50

100

150

200

250

300

350

(a) Imagen aplicada Haltoning Umbral Binario (b) Imagen aplicada Haltoning Umbral Binario
T = 100
T = 50

Figure 23: Metodo Haltoning Umbral Binario, modificacion del umbral

Ya que M y N son constantes el funcional de costo viene dado por la expresion:
X
2
J = min
{f (i, j) b(i, j)}
T

(8)

ij

Aplicando la ecuaci
on dada en (6) el problema es convexo por lo que se garantiza que tiene solucion u
nica.
Para el problema planeado T = 127. La Figura 24 presenta los resultados para T=127, donde se observa
que la calidad de la imagen mejora de manera significativa.
b Repita el punto anterior, pero antes de definir el umbral agregue ruido uniformemente distribuido en
[40, 40] a la imagen house.tif. C
omo se compara la calidad de la imagen resultante con la del punto
anterior utilizando un umbral de intensidad T = 80? A que se debe esto? Que deficiencias tiene este
metodo?
Se observa que al agregar ruido a la imagen se reduce el fenomeno de false contouring significativamente,
adem
as la imagen es muy borrosa lo que a gran distancia da la impresion de tener varios niveles de gris.
Esto se debe a que al agregar ruido blanco uniformemente distribuido a la imagen de entrada antes de
cuantificaci
on se reduce la dependencia entre la se
nal del entrada y el error. Una de las deficiencias de
este metodo se basa en el hecho de que la se
nal resultante puede poseer mucho ruido dependiendo de los
lmites de ruido agregado, es decir no en muchas aplicaciones reales no se podra utilizar porque produce
resultados muy ruidos. Se observa los resultados practicos en la Figura 26, donde se puede reducir que
pese a que hay una mejora significativa ya que muchos pixeles se saturan por lo que la imagen se ve con
menos detalles.
15

Imagen Aplicada Halftoning "Umbral Binario" T = 127

50

100

150

200

250
50

100

150

200

250

300

350

Figure 24: Metodo Haltoning Umbral Binario, Umbral optimo T = 127

Imagen Aplicada Halftoning "Umbral Binario" T = 80

Imagen con Ruido Blanco Aplicada "Halftoning Umbral Binario"

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

50

350

(a) Sin agregar ruido uniforme a la imagen

100

150

200

250

300

350

(b) Agregando ruido uniforme a la imagen

Figure 25: Comparaci

on entre metodos Haltoning Umbral Binario con y sin ruido T = 80.
Mas al repetir el experimento pero con el umbral optimo T = 127 se presentan mejores resultados donde se
puede analizar que la imagen tiende a dar un efecto de escala de grises pese a ser imagen monocrom
atica.
c Un metodo com
un de producir aparentes escalas de grises solo con imagenes binarias se llama dithering,
el cual consiste en producir m
ultiples niveles de intensidad creando cuadrados binarios, como se ilustraen
la Fig. 2. Un metodo para realizar esta division es cuantizar la imagen utilizando patrones dither directamente, lo que permite ordenar el orden del encendido de cada pixel. El patron dither asociado a
la Fig. 2 corresponde a T = 255 [5/83/8; 1/87/8]. Repita y expanda este mismo patron utilizando
el comando de MATLAB repmat hasta obtener una matriz del mismo tama
no que la imagen house.tif.
Aplique el metodo del umbral operando con la imagen completa y el patron de igual tama
no con el comando Y = 255 (X > T ), donde X es la imagen, y T el mosaico con los patrones (del mismo tama
no
que X). C
omo se compara la calidad con la de las imagenes resultantes en los puntos anteriores? Que
deficiencias tiene este metodo y c
omo cree usted que se podra mejorar?
Los resultados obtenidos en la Figura 27, tiende a ser mejores en la calidad de mostrar una imagen
monocrom
atica mediante ilusi
on como una imagen de varios niveles de grises, los resultados son muy
adecuados y decentes en los valores de la imagen de tonos medios, mas en valores muy bajos se observa
claramente la grilla utilizada para dar el efecto analizado, por lo que se pierde calidad en las partes con
tonos menos claros.
Una forma de mejorar este comportamiento es mediante la utilizacion de una transformacion no lineal
conocida como correcci
on Gamma , con la cual se corrige los valores peque
nos con la finalidad de dar
mayor potencia a los pixeles de tono inferior y mejorar el comportamiento ante el metodo Dithering.
d Repita los puntos anteriores para la imagen race.tif. Se aprecia mejor o peor las diferencias entre los tres
tipos de halftoning?
16

Imagen Aplicada Halftoning "Umbral Binario" T = 127

Imagen con Ruido Blanco Aplicada "Halftoning Umbral Binario"

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

50

350

(a) Sin agregar ruido uniforme a la imagen

100

150

200

250

300

350

(b) Agregando ruido uniforme a la imagen

Figure 26: Comparaci

on entre metodos Haltoning Umbral Binario con y sin ruido T = 127.
Imagen Original

Imagen Aplicada "Ordered Dithering"

50

50

100

100

150

150

200

200

250
50

100

150

200

250

300

250

350

50

(a) Imagen Original

100

150

200

250

300

350

(b) Imagen aplicada Ordered Dithering

Figure 27: Aplicaci

on del metodo Haltoning Umbral Binario
La Figura 28 presenta la aplicaci
on de la tecnica de umbral binario a la imagen race.tif , se observa
que al igual que en el caso anterior analizado se crean falsos contornos (false contouring) debido a la
cuantizaci
on en un solo bit de la imagen.
La Figura 29 presenta la aplicaci
on de la tecnica de umbral binario a la imagen race.tif pero con aplicando
ruido uniforme previamente a la imagen, se puede observa que gracias a que se descorrelacionan en cierto
modo el error y la se
nal mejora el problema del falso contorno (false contouring).
Finalmente la figura 30 presenta los resultados de aplicar la tecnica Dithering a la imagen race.tif
observando resultados similares a los obtenidos para el caso anterior, se puede observar claramente como
la calidad de la imagen da un aspecto de escala de grises.
Comparando los dos casos se puede observar que los casos de estudio se aprecian de peor forma comparada
con el literal (a), (b) y (c).

17

Imagen Aplicada Halftoning "Umbral Binario" T = 127

Imagen Original

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

50

350

(a) Imagen Original

100

150

200

250

300

350

(b) Imagen aplicada Haltoning Umbral Binario

T = 127

Figure 28: Aplicaci

on del metodo Haltoning Umbral Binario

Imagen Aplicada Halftoning "Umbral Binario" T = 127

Imagen con Ruido Blanco Aplicada "Halftoning Umbral Binario"

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

350

50

(a) Sin agregar ruido uniforme a la imagen

100

150

200

250

300

350

(b) Agregando ruido uniforme a la imagen

Figure 29: Comparaci

on entre metodos Haltoning Umbral Binario con y sin ruido T = 127.

Imagen Original

Imagen Aplicada "Ordered Dithering"

50

50

100

100

150

150

200

200

250

250
50

100

150

200

250

300

350

50

(a) Imagen Original

100

150

200

250

300

350

(b) Imagen aplicada Ordered Dithering

Figure 30: Aplicaci

on del metodo Haltoning Umbral Binario

18