El mejorar una imagen es muy importante para que ésta pueda ser sometida a varias aplicaciones, muchas veces nos encontramos con imágenes con pocas, donde el detalle no es muy notado, pero afortunadamente existen diferentes algoritmos que nos ayudan a solucionar este problema.
A continuación veremos algunos de estos algoritmos:
1.- Transformaciones Básicas en niveles de gris.
Transformaciones Logarítmicas.
Son de la forma P( i' , j' ) = C*Log(1+ P( i , j ) );
Ejemplo :
C=100.
Transformaciones exponenciales.
Son de la forma P( i' , j' ) = C*(P( i , j ) )^y;
Ejemplo :
C=1 , y=1.1;
Recorte de Planos de Bits: En esta técnica tenemos que trabajar a nivel de bit. Es decir dado un pixel con intensidad r, entonces r se debe expresar como un número binario y luego de eso eliminar los bits de menos relevancia, En la siguiente imagen se muestra un ejemplo donde se aprecia el recorte de bits de los nivel 7,5,3 respectivamente.
2.- Procesamiento de Histogramas.
Histograma. Contiene el número de píxeles que tienen el mismo nivel de gris. (Probabilidad de que un determinado nivel de gris aparezca en la imagen).
En general se representa como un gráfico de barras en el que las abcisas son los distintos colores de la imagen y las ordenadas la frecuencia relativa con la que cada color aparece en la imagen. El histograma proporciona información sobre el brillo y el contraste de la imagen, y puede ser utilizado para ajustar estos parámetros, eliminar ciertas tonalidades molestas
Ejemplo:
Ecualización de un Histograma. La ecualización del histograma es un método que consiste en la variación del histograma de una zona de una imagen (o de la imagen entera) a otra de otra forma. Existen diferentes tipos tales como:
E. Uniforme.
Tiene la siguiente forma :
E. Exponencial.
Tiene la siguiente forma :
E. Rayleigh
Tiene la siguiente forma :
E. Hipercúbica.
Tiene la siguiente forma :
E. Hiperbólica
Tiene la siguiente forma :
Ejemplos :: A continuación mostraremos un ejemplo donde podemos apreciar la diferencia de calidad entre cada una de ellas. Acá ninguna es mejor ni peor que la otra, dado que cada una tienes sus ventajas y desventajas.
Expansión de un Histograma.
Consiste en distribuir las frecuencias de la apariencia de los píxeles en todo el ancho del histograma. Por lo tanto, es una operación que consiste en modificar el histograma de manera de distribuir las intensidades en la escala de valores disponibles de la mejor forma posible. Esto equivale a expandir el histograma de manera que el valor de la intensidad más baja sea cero y el de la intensidad más alta sea el valor máximo.
Su Formula esta dada por :
Donde : * F(i,j) es el nivel de gris de la imagen de entrada.
* F(i,j)max y F(i,j)min son el máximo y mínimo nivel de gris de la imagen de entrada
respectivamente.
* Max y Min corresponden a los máximo y mínimos valores de gris posibles de los
niveles de gris; para nuestro caso 255 y 0 respectivamente.
Contracción de un Histograma.
Al contraer el histograma se disminuye el rango dinámico de la distribución de niveles de gris de la imagen.
Su formula esta dada por.
Donde : * Cmax y Cmin son los valores deseados de la comprensión
* rmax y rmin son el máximo y mínimo nivel de gris de la imagen de entrada
respectivamente.
* rk es el nivel del pixel evaluado.
Ejemplo para Cmax=200 y Cmin = 50
Desplazamiento.
Usado para opacar o aclarar imagen.
Su formula esta dado por :
P( i' , j' ) = P( i , j ) + dez;
Ejemplo con dez = -50
Histograma Matching.
Este Proceso recibe como entrada a dos imágenes, A, B, Donde se busca que el histograma de A adopte la forma del histograma de la Imagen B.
Para conseguir esto es necesario ecualizar la imagen A y hallar la función de transformación de la imagen B y luego operar ambas. Ejemplo:
Mejoramiento Local usando Histograma
Este proceso consiste en utilizar el histograma de forma local, es decir definimos una vecindad en la imagen luego aplicamos ya sea ecualización o maching histograma para actualizar el pixel central de la vecindad, repitiendose este procedimiento para toda la imagen.
Ejemplo:
Caso de Estudio 1.
Consiste en mejorar el contraste de las areás oscuras pero sin alterar las areas claras y para eso hemos utilizado método local basado en la estadistica de la imagen.
Para eso hemos comparado primeramente la media local de una subimagen con la media global
Media Local:
Comparación
esto es para saber si una region es oscura o clara .
Luego comparamos la deviación estándar local de una subimagen con la desviación estandar global, para eterminar las areas de bajo contraste.(El valor de la constante será mayor que 1 si se quiere aumentar contraste a áreas claras y menor que 1 si se quiere aumentar el contrasts de las áreas oscuras).
Finalmente se tiene que hacer una restricción más en las areas que tienen valores iguales, es decir desviaciones estandar = 0
Sumarizando se tiene:
Ejemplo: E = 4 ; k0 = 0; k1 =0.04; k2= 0.4 y una ventana de 3x3
Caso de Estudio 2.
Para este siguiente caso de estudio nos piden mejorar imagenes con ruido aplicando el promedio de todas ellas.
g(x,y) = imagen con ruido, formada por añadir ruido a la imagen original f(x,y)
Objetivo: reducir el ruido agregando imagenes { gi(x,y)}
Aproximadamente obtendriamos:
Ejemplo: Para K =5 imagenes con ruido
Promedio
Otro ejmplo con k =100.
A la conclusión que llegamos es que mientras mas imagenes con ruido halla el promedio y el mejoramiento de la imagen va a ser mejor.