Modelo de píxel
Estadísticas sobre una imagen:
Media: valor promedio de los píxeles de la imagen.
Variancia: desviación de los valores respecto a la
media.
Desviación estándar: Donde I(i,j) es una imagen de dimensiones
N*M.
Cuando trabajamos con diversos colores, estas estadísticas se hacen a nivel
individual.
Un histograma de una imagen digital cn niveles de gris, es una función discreta
que indica, para cada nivel de gris, el número de píxeles en la imagen que tienen ese
nivel.
donde rk es el el k-esimo nivel de gris, y nk es el número de píxeles en la imagen que
tienen nivel de gris rk.
Este histograma posee información de probabilidad. El eje horizontal es el nivel
de grises. Mientras que el nivel vertical es el número de píxeles.
Normalizar el histograma suele ser un hábito común. Se normaliza dividiendo
cada uno de sus píxeles por el número total de píxeles.
p(rk) es una estimación de la probabilidad de ocurrencia de nivel de gris rk en
la imagen. La suma de todas las componentes del historial normalizado es 1.
Podemos obtener datos estadísticos que nos proporcionan la media
Imagen oscura: componentes concentrados en bajos niveles de gris.
Imagen clara: componentes concentrados en niveles altos de gris.
Imagen con poco contraste: Histograma estrecho y centrado en niveles
medios.
Imagen muy contrastada: histograma que cubre un amplio rango de grises.
No representa información espacial, es decir, no especifica como están
distribuidos.
Utilidad:aplicaciones de realce, compresión, segmentación. Son muy sencillos
de emplear por lo que se suele utilizar.
Los histogramas de imagenes con color real, se pueden definir de diferentes
maneras.
- Un histograma para cada componente.
No indica la frecuencia de ocurrencia conjunta.
- Histograma 3D(Distribución conjunta).
Para cada posible terna (c1,c2,c3) , contar cuantas veces este color aparece en
la imagen.
Se obtiene una matriz de 256*256*256 (sup 1 byte por componente)
- Histograma 1D (iluminación) + Histograma 2D (color).
Trabajar en un espacio color que separe información de luminancia y de color.
Construir un histograma para luminancia y otro de 2D para color.
Una operación puntual recibe una o varias imágenes de entrada I y produce
una imagen de salida O.
En las operaciones puntuales el nivel de gris de cada pixel de O sólo depende
de los niveles de gris de los píxeles correspondientes en la imagen de entrada.
En las operaciones locales, el valor de O depende de los valores de I en un
conjunto o entorno de puntos alrededor del píxel considerado.
Estas transformaciones te permiten modificar el nivel de grises.
Utilidad: se utiliza para mejorar la imagen.
Definición: una transformación de niveles de gris es una función.
En general, puede ser que la imagen resultante, se salga del rango de valores.
En este caso se deben de hacer correcciones. Se realiza redondeo y recorte(cliping)
de los valores extremos, si se salen se igualan al extremo.
El negativo de una imagen se obtiene invirtiendo los valores.
Transformaciones logarítmicas.
La forma general de una transformación logarítmica es
donde r >=0.
Esta transforma un rango amplio de entrada en un rango estrecho, y un rango
estrecho de entrada en uno amplio.
Se utiliza para expandir los valores de los píxeles oscuros y comprimiendo al
mismo tiempo los valores más altos.
Aplicación visualización del espectro de fourier. Propiedad importante de esta
transformación con imágenes con grandes variaciones en los valores de píxeles. Los
valores del espectro de fourier van de 0 a 1.5*10^6. Esto para un ordenador es fácil de
procesar pero para capturar no.
Estas transformaciones transforman un rango estrecho (amplio) de niveles de
gris en otro rango más amplio (estrecho).
Curvas con valores γ>1 tienen el efecto opuesto a las curvas con γ<1.
Ajustes de contraste.
Para modificar el contraste de una imagen se puede utilizar transformaciones
lineales por partes.
En las operaciones aritméticas, el resultado se obtiene aplicando un operador *
a dos imágenes, punto a punto:
siendo * cualquier cosa (suma resta…).
Reescalado.
Aplicaciones de suma de imágenes
Eliminación de ruido.
Una manera fácil de eliminar el ruido es promediar los valores de la imagen.
Aplicación: realce de diferencias entre imágenes, detección de cambios
Se suele utilizar en imágenes médicas. Se calculan las diferencias entre una
radiografía básica y las radiografías posteriores.
Operaciones lógicas.
Se operan píxel a píxel, de forma binaria, y las operaciones básicas son, AND,
OR, NOT.
Pseudo color.
Consiste en visualizar en color una imagen monocromática, asignando
arbitrariamente un color a cada nivel de gris.
Usualmente se diseña una paleta de colores con variaciones graduales de
color. Se hace corresponder estos colores a niveles de gris.
Esto se suele hacer cuando hay muy poco contraste de grises, de esta forma,
somos capaces de distinguir mejor porque son colores diferentes.
Falso color
Se aplica a imágenes que ya son de color. Se trata de cambiar los colores de
los píxeles de manera que el color resultante resalte.
Ecualización de histogramas.
Es una técnica que intenta conseguir que los niveles de gris de una imagen
tengan la misma frecuencia de aparición.
la idea es transformar la imagen mediante una operación puntual T, de modo
que la imagen resultante tenga un histograma plano.
Ecualización: Caso continuo.
Supongamos que la imagen toma valores de 0 a 1. Consideremos que la
extensión al caso discreto, donde los píxeles toman valores en el rango [0,L-1].
Podemos entender los valores de los píxeles de una imagen como instancias
de una variable aleatoria r caracterizada por su función de densidad de probabilidad
(pdf)
Consideremos la siguiente transformación s = T(r), que consiste en calcular la
función de distribución acumulada de la variable aleatoria r.
S es también una variable aleatoria. Su función de densidad de probabilidad se
puede calcular a partir de la pdf de r como:
Derivando respecto a S obtenemos:
Ahora reemplazamos en la expresión de ps(s):
Es una función de densidad de densidad de probabilidad uniforme [0,1].
Aplicando la transformación T, se obtiene una variable aleatoria con un pdf
uniforme, es decir, donde cada nivel de gris tiene la misma probabilidad.
Ecualización: caso discreto.
Vamos a aproximar la solución utilizando el histograma de la imagen de
entrada.
La probabilidad de ocurrencia del nivel de gris en una imagen se aproxima por:
La versión discreta de la transformación es:
Los valores definidos por esta transformación son numero [0,1]. Para obtener
valores discretos en el rango [0,L-1] es necesario escalar y redondear estos valores
con alguna de las siguientes expresiones:
La imágen de salida se obtiene transformando cada píxel con valor en la
imagen de entrada rk, en un píxel con valor tk. La transformación definida por las
ecuaciones se llama ecualización de histograma.
A diferencia del caso continuo, en general, en imágenes discretas el
histograma resultante NO es plano.
Sin embargo esta transformación suele expandir el histograma de la imagen
haciendo que la imagen resultante tenga mayor contraste.
La ecualización es fácil de implementar y no necesita parámetros solo la
información de la imagen.
Ecualización de imágenes a color
¿Ecualizar los colores por separado?
Pues puedes cagar ladrillos porque pueden cambiarse completamente los
colores.
Convertir a un modelo de color que separe información de luminancia y de
crominancia, manteniendo el tono, ecualizar solo los componentes de luminancia,
manteniendo el tono y la saturación y la saturación originales de la imagen.
Ecualización adaptativa.
Aplicar la ecualización de histograma utilizando un histograma calculado para
una porción de la imagen.
- Ventana deslizante: Calcular diferentes histogramas.
- Mosaico: Dividir en regiones solapadas, mitigar efecto bloque suavizando las
fronteras entre mosaicos.
Es necesario limitar la expansión del contraste en regiones planas de la
imagen, por ejemplo recortando los valores a un máximo.
Cuantificación
La cuantificación se puede utilizar en diferentes etapas del procesamiento de
una imagen:
- En el proceso de digitalización: una vez muestreada la imagen las muestras
deben ser cuantificadas, es decir, discretizadas en amplitud.
- En imágenes digitales, para reducir el número de bits con los que se codifican
los píxeles de la imagen.
- En compresión de imagen, para representar las intensidades o coeficientes
transformados con un número finito de bits.
- Un cuantificador es una función Q que transforma una variable continua u en
una variable discreta que toma valores en un conjunto finito. Estos L valores se
llaman niveles de reconstrucción.
- En general la función tiene forma de escalera, y la regla de cuantificación es la
siguiente:
- La cuantificación es un proceso irreversible!!
- Siempre introduce distorsión, “error o ruido de cuantificación”
- El cuantificador más sencillo es el cuantificador uniforme. Donde los niveles de
reconstrucción y de decisión están equiespaciados.
- Se divide el rango de valores de u en L intervalos de igual tamaño.
- La diferencia entre dos niveles de decisión
consecutivos es q = tk-t(k-1), llamado paso de
cuantificación (que es constante).
- Niveles de decisión:
- Niveles de reconstrucción:
Ejemplo:
Cuantificador Óptimo
- El cuantificador uniforme puede no ser óptimo.
- Si los valores de u aparecen con más frecuencia en una región que en
otras sería razonable asignar más niveles de representación a esta región.
- ¿Cómo elegir los valores de tk y rk?
- De manera que el error de cuantificación sea el mínimo.
- Se suele utilizar como criterio el “mínimo error cuadrático medio o
MSE”:
- El cuantificador que minimiza el MSE para un número dado de niveles de
reconstrucción, se llama cuantificador de Max Lloyd.
- Sea u una variable aleatoria con función de densidad de probabilidad pu(u).
- Buscamos los niveles de decisión y de reconstrucción que minimicen el error
de cuadrática medio:
- Para minimizar esta expresión, se calcula sus derivadas respecto de tk y rk, y
se igualan a cero. Despejando luego tk y rk se obtienen las siguientes fórmulas:
Falsos contornos
- Cuando el número de niveles de reconstrucción no es suficiente aparece un
fenómeno visual visual: Falsos contornos.
- En imágenes monocromáticas, se comienza a dar cuando la
cuantificación baja de 6 bits por pixel.
- Utilizando un cuantificador de error cuadrático mínimo es posible
cuantificar con 5 o 6 bits por píxel sin tener falsos contornos.
- Definimos el histograma de una imagen en niveles de gris(o color) contando el
número de píxeles en la imagen que tiene cada uno de los niveles de gris (o
colores) posibles ( 256 para imagen monocromática, 1 byte/pixel).
- Pero con frecuencia el rango de valores posibles se divide en un número
apropiado de intervalos (usualmente del mismo tamaño), llamados bins, y el
histograma se define contando, para cada bin el número de valores en ese
rango.
- Se interpreta como: número de bins = número de niveles de
representación.
- En matlab: imhist(ima,nbins).
- Se aplica cuando es necesario reducir la información de color de una
imagen.
- Caso típico: al transformar una imagen en color real (24 bits por pixel) a una
imagen de color indexada.
- Cómo?: Eligiendo los colores más representativos y transformar la imagen a
estos colores.
- Algoritmos:
- Uniforme
- No uniforme:
● Popularidad
● Corte por la mediana
Cuantificación color uniforme
- Cada componente se trata de manera independiente
- Representando el espacio color como un cubo
● Cada eje se divide en segmentos de igual tamaño
● Los planos perpendiculares a los ejes que pasan por los puntos de
división determinan regiones en el espacio color.
● El número de regiones obtenidas depende de cómo se divida cada eje
● Ejemplo
- Dividir eje rojo y verde en 8 segmentos (3 bits por componentes)
y el eje azul en 4 segmentos ( 2 bits)
- El cubo resulta dividido en 256 partes o regiones.
● Para cada color, el color representativo (que se agrega a la paleta de
colores) es el promedio de los colores de la región.
● A cada color C en la imagen original, se asigna el color representativo
de la región a la que pertenece C.
- Características:
● Es rápido y fácil de implementar.
● No da muy buenos resultados, (la división no tiene en cuenta el
contenido de la imagen).
- Si decimos de una cuantificación uniforme de 3-3-2, esto quiere decir que:
2^3*2^3*2^2 .Esta operación debe de ser 256.
Cuantificación color no uniforme
- Idea: agrupar puntos en el espacio de color 3D, donde los puntos representan
colores que aparecen en la imagen.
- Una vez definidos estos grupos (cluster) , se busca un color representativo para
cada cluster.
Algo de popularidad
- Realiza inicialmente una cuantificación uniforme, dividiendo el espacio en
muchas regiones, y elige regiones más utilizadas.
- Algoritmo:
● El paso de cuantificación en cada eje: 64*64*64 = 262144 regiones.
● Para cada región se calcula su color representativo como el promedio
de colores de la región.
● Se asigna cada píxel a la región correspondiente.
● Se calcula el histograma de las asignaciones.
● La paleta de colores se crea con las 256 asignaciones más frecuentes
(del total de 262144 colores).
● Los colores (no elegidos) se asignan al color de la paleta más próximo
(según distancia Euclídea).
Características:
- Es fácil de implementar.
- Da mejor resultado que la cuantificación uniforme básica, aunque en algunas
imágenes puede no dar buen resultado (la cuantificación no tiene en cuenta el
contenido de la imagen).
Corte de medianas (median cut)
- Premisa: que cada entrada en la paleta represente el mismo número de
colores en la imagen original.
- El espacio color se divide según la distribución de los colores en la imagen.
- Algoritmo:
● Encontrar la menor región rectangular que contiene a todos los colores
de la imagen.
● Ordenar los colores a lo largo del eje más largo de la región rectangular.
Dividir la región en dos parte, según el valor de la mediana de la lista
ordenada.
● Repetir el proceso…
- Mediana de una muestra de puntos x1, x2, x3.. xn
● Ordenar las muestras en orden creciente
● Elegir la muestra de la posición central
- si n es impar, elegir el valor que está en la posición (n+1)/2.
- Si n es par, calcular la media aritmética.
- Insisto que la mediana se escoge contando los valores, no es lo mismo que la
media.