Procesamiento Digital de Imagenes

El procesamiento digital de imágenes es un campo de investigación abierto. El constante progreso en esta área no ha sido por si mismo, sino en conjunto con otras áreas con las cuales esta relacionada como las matemáticas, la computación, y el conocimiento cada vez mayor de ciertos órganos del cuerpo humano que intervienen en la percepción y en la manipulación de las imágenes. Aunado a esto, la inquietud del hombre por imitar y usar ciertas características del ser humano como apoyo en la solución de problemas. El avance del Procesamiento Digital de Imágenes se ve reflejado en la medicina, la astronomía, geología, microscopía, etcétera.  

Una imagen digital puede ser considerada como una matriz cuyos índices de renglón y columna identifican un punto (un lugar en el espacio bidimensional) en la imagen y el correspondiente valor de elemento de matriz identifica el nivel de gris en aquel punto. Los elementos de estos arreglos digitales son llamados elementos de imagen o pixels. En el tratamiento de imágenes se pueden distinguir tres etapas principales:

1. Adquisición de la imagen.

2. Procesamiento de la imagen.

3. Presentación al observador. 

Tipos de imágenes:

Binaria: 

• Cada pixel es blanco o negro 
• Dado que hay solo dos valores posibles 1=blanco y 0= negro, se necesita únicamente un bit por pixel.
•  Tales imágenes pueden ser entonces muy  eficientes en términos de almacenamiento.
•  Las imágenes para las cuales la representación  binaria es ideal es en el caso de texto, formas y  planos arquitectónicos 

Escalas de grises:

•  Cada pixel es una sombra de gris
•  Normalmente van de 0 (negro) a 255 (blanco) .
•  Este rango indica que cada pixel puede ser representado  por 8 bits o exactamente 1 byte .
•  Este es un rango muy normal para manipulación de  imágenes .
•  Es muy común encontrarlas en imágenes de rayos x, o en  imágenes de texto impreso 

Color verdadero o RGB:

• Cada pixel tiene un color en particular, dicho color está  descrito por una cantidad de rojo, una cantidad de verde y  una cantidad de azul.
•   Si cada uno de esos componentes tiene un rango de 0 a  255 esto da un total de 2553 = 16,777,216 diferentes  colores posibles dentro de una misma imagen. 
•  Dado que 24 es el número total de bits para  representarlos se les da también el nombre de imágenes  de 24 bits. 

*Para el procesamiento de imágenes en este blog utilizaremos diversas herramientas:

(Python 2.7, OpenCv 3.1.0, Numpy 1.9 & Matplolib)

       

Para empezar a trabajar en el procesamiento digital de una imagen es necesario, instalar el lenguaje de programación Python y un IDE ya sea Pycharm u otro de su preferencia para facilitar la comprensión de las lineas de código, así como también las librerías de complemento como: Opencv, Numpy y Matplotlib.

1.-Transformaciones Lineales en imágenes en escala de grises.

#Bibliotecas que deben exportarse para poder facilitar el código (Las que sean necesarias)

import cv2

import numpy as np

from matplotlib import pyplot as plt

#Leer una imagen: img= cv2.imread (mas la ubicacion de la imagen por ejemplo: "'C:\Python2\matt.jpg', # mas el tipo de imagen en este caso gray scale = 0")

#Mostrar la imagen= cv2.imshow

# Cerrar una ventana: cv2.destroyAllWindows()

Negativo de una Imagen

Una imagen con un niveles de grises en el rango[0, L -1] donde L = 2 n ; n = 1, 2…

 • Transformación Negativa : s = L – 1 – r

 • Revertiendo los niveles de intensidad de una imagen

. • Utilizado para mejorar detalles blancos o grises situados en regiones oscuras de una imagen, cuando el área negra es dominante.

CÓDIGO PARA TRANSFORMAR UNA IMAGEN A NEGATIVO

import numpy  as np   
import cv2

img = cv2.imread ('C:\Python2\matt.jpg',0) 
row, col=img.shape

negativo=np.zeros((row,col),dtype=np.uint8)
for i in range(0,row):
 for j in range (0,col):
  negativo[i,j]= 255- img[i,j]

cv2.imshow ('Original',img) 
cv2.imshow ('Negativo',negativo) 
k=cv2. waitKey(0)
cv2.destroyAllWindows() 

Transformaciones de realce de contraste

import numpy as np
from matplotlib import pyplot as plt
import cv2

img = cv2.imread ('C:\Python2\matt.jpg',0)
    row, col= img.shape
    minimo = np.min(img)
    print minimo
    maximo = np.max(img)
    print maximo
    contr = np.zeros( (row, col), dtype = np.uint8)
    print ' en proceso...'
    
    for i in range(0,row):
        for j in range(0,col):
            img2[i, j] = (img[i,j]-minimo) * 255 / (maximo-minimo)
           
    cv2.imshow('original',img)
    cv2.imshow('Contraste',contr)
    k= cv2.waitKey(0)
    cv2.destroyAllWindows()   

Transformación Logarítmica:

s = c log (1+r) s = c log (1+r)

c is a constante y r ≥ 0 • Usada para expandir los valores de pixeles oscuros a pixeles más claros en una imagen mientras se comprimen los valores de alto nivel.

Transformación de Potencia (Power-Law)

s = cr1/γ

 c y γ son valores positivos y constantes. La curva Power-law con valores fraccionados de γ estrecha los valores oscuros de entrada y amplia los niveles más claros en la salida de la imagen  

import numpy  as np
import cv2
import math

img = cv2.imread('C:\Python2\his.jpg', 0)
row, col = img.shape
loga = np.zeros((row, col), dtype=np.uint8)
print ' en proceso...'

for i in range(0, row):
    for j in range(0, col):
        loga[i, j] = 1 * img[i, j] ** 2.0

cv2.imshow('original', img)
cv2.imshow('exponente', loga)
k = cv2.waitKey(0)
cv2.destroyAllWindows()

Histograma

El histograma resulta muy útil para determinar si el contraste o la exposición de una imagen digital son los adecuados. 

import cv2
import numpy as np
from matplotlib import pyplot as plt

gray_img = cv2.imread('C:\Python2\piramide.jpg', cv2.IMREAD_GRAYSCALE)
cv2.imshow('Piramide',gray_img)

hist = cv2.calcHist([gray_img],[0],None,[256],[0,256])
#hist,bins = np.histogram(gray_img,256,[0,256])

plt.hist(gray_img.ravel(),256,[0,256])
plt.title('Histogram for gray scale Piramide')
plt.show()

print ('Valores:')
print hist
print ('fin')
while True:
    k = cv2.waitKey(0) & 0xFF     
    if k == 17: break             
cv2.destroyAllWindows()

Ecualización del histograma

La ecualización es un proceso similar a la normalización, en cuanto que hace más patentes las diferencias entre los distintos niveles de la imagen, añadiendo definición a esta. El proceso de ecualización modifica el histograma de tal modo que en la nueva imagen todos los niveles digitales tengan la misma frecuencia. De esta forma, se redistribuyen los valores de intensidad a lo largo de todo el espectro, igualando la presencia de estos en la imagen.

import numpy as np
from matplotlib import pyplot as plt
import cv2

img = cv2.imread ('C:\Python2\piramide.jpg',0)
equ = cv2.equalizeHist(img)
res = np.hstack((img,equ)) 
cv2.imwrite('res.png',res)


print ('en proceso...')

#cv2.imshow('lion', img)
cv2.imshow('resultado', res)
print ('Valores:')


plt.hist(equ.ravel(),256,[0,256])
plt.title('Histogram  equalice for gray scale Piramid')
plt.show()

hist = cv2.calcHist([equ],[0],None,[256],[0,256])

while True:
    k = cv2.waitKey(0) & 0xFF     
    if k == 17: break             
cv2.destroyAllWindows()

print ('fin')

http://www.cimec.org.ar/ojs/index.php/mc/article/viewFile/3951/3868
http://docs.opencv.org/3.1.0/d5/daf/tutorial_py_histogram_equalization.html
file:///C:/Users/Diana/Downloads/Clase%20Dominio%20Espacial.pdf