Sistema de filtrado espacial de imágenes en sistemas embebidos

Transcripción

1 Sistema de filtrado espacial de imágenes en sistemas embebidos Auramaria Londoño Cano, Juan David Chica Herrera, Luis Miguel Capacho Valbuena, Hernan Felipe Garcia Arias Ingeniería Electrónica, Universidad Del Quindío, Armenia, Colombia Resumen Este trabajo presenta el desarrollo de un sistema de filtrado espacial de imágenes en sistemas embebidos. La elaboración de este proyecto se encuentra segmentada en módulos con funcionalidades propias. El primer módulo es llamado convolución cuyo objetivo es procesar una imagen con la aplicación de distintas máscaras o filtros elegidos por el usuario, tales como: Laplacian, Gaussian, Average, Unsharp, Sobel y Prewitt. Luego se realizan los procesos de umbralización y binarización de la imagen para posteriormente realizarle operaciones morfológicas tales como la dilatación y la erosión. La implementación de este proyecto está soportada bajo las características y posibilidades del microprocesador Nios II y es visualizada en una pantalla haciendo uso del módulo VGA del mismo. Los resultados obtenidos evidencian la optimización de recursos y la reducción de costo computacional, demostrando además que es posible realizar procesamiento de imágenes en hardware de forma rápida y eficiente en sistemas embebidos. Palabras claves Filtrado Lineal Espacial, Procesamiento Digital de Imágenes, Tiempo Real, Sistemas Embebidos, Diseño Digital. I. INTRODUCCIÓN En la actualidad los sistemas embebidos son de gran importancia y utilidad en el desarrollo de sistemas de computación en tiempo real para el procesamiento de señales en hardware. Este tipo de sistemas presenta grandes ventajas en cuanto a la velocidad de procesamiento y control del hardware utilizado para desarrollar una tarea específica. Además su tecnología permite realizar un sin número de aplicaciones en los campos de la robótica, telecomunicaciones, domótica, biomedicina, industria, entre muchos otros. Cuando se procesa imágenes en sistemas de cómputo y se usa lenguajes de alto nivel, es posible realizar procesamiento en tiempo real. Sin embargo, estas aplicaciones implementadas en lenguajes de programación básicos tales como C o C++ y JAVA se limitan exclusivamente al diseño del software. Por lo tanto, se requiere de un enfoque que sea capaz de realizar tareas de procesamiento en tiempo real y que a su vez ofrezca la posibilidad de implementar estos algoritmos en un sistema embebido. En la referencia [1] se presenta una estrategia para la segmentación de vasos sanguíneos basada en el umbral, la cual combina estadística y filtro de espacio escala. Al incorporar información estadística la estrategia es capaz de reducir la sobre segmentación. Allí se propone una estrategia consistente de tres estados, la cual involucra: (1) selección óptima del tamaño de ventana; (2) óptima selección de la escala y (3) el proceso de segmentación. Esta estrategia es comparada con dos técnicas comúnmente muy usadas las cuales hacen uso del umbral. Los resultados experimentales mostraron que su método es muy robusto y exacto. Por su parte en la referencia [2] se llevan a cabo un conjunto de experiencias en la implementación de las operaciones morfológicas de erosión y dilatación para imágenes binarias empleando vecindades adaptativas. Allí las imágenes se procesan con las operaciones estándar de MatLab y con las implementadas en el trabajo, para observar similitudes y diferencias. Este trabajo está desarrollado de la siguiente forma: Inicialmente en la Sección II se presenta el desarrollo de un sistema de filtrado espacial de imágenes en sistemas embebidos, que evidencia la capacidad de procesamiento de este tipo de sistemas a partir del diseño de una aplicación orientado al hardware. Para esto se utiliza técnicas de filtrado lineal espacial en donde se realiza la convolución en dos dimensiones que permite realzar características concretas de las imágenes. Además como técnicas de procesamiento de imágenes adicionales se realiza el proceso de binarización de la imagen con el fin de visualizar objetos de interés y poder aplicar las operaciones morfológicas más utilizadas en análisis de imágenes como lo son la erosión y la dilatación. Luego en la Sección III se muestra el resultado para cada uno de estos cuatro procesos y finalmente, en la Sección VI se concluye el documento y se da una idea de trabajo futuro en esta línea. II. Filtrado digital de imágenes MARCO TEORICO Los filtros digitales constituyen uno de los principales modos de operar en el procesamiento de imágenes digitales. Pueden usarse para distintos fines, pero en todos los casos, el resultado sobre cada píxel depende de los píxeles de su

2 entorno. Una imagen se puede filtrar en el dominio del espacio, trabajando directamente sobre los píxeles de la imagen, o en el dominio de la frecuencia, donde las operaciones se llevan a cabo con la transformada de Fourier de la imagen. Los objetivos del filtrado digital de imágenes consisten en: Suavizar la imagen: reducir las variaciones de intensidad entre píxeles vecinos. Eliminar ruido: modificar aquellos píxeles cuyo nivel de intensidad es muy diferente al de sus vecinos. Realzar la imagen: aumentar las variaciones de intensidad, allí donde se producen. Detectar bordes: detectar aquellos píxeles donde se produce un cambio brusco en la función intensidad. Para el filtrado de imágenes se hace uso de la convolución en dos dimensiones (x,y) lo cual se conoce como Filtrado Lineal Espacial. La convolución consiste en multiplicar un coeficiente (conocido como mascara, mascara de filtrado, filtro de convolución, kernel o ventana) por cada pixel de la imagen y sus vecinos, para luego sumarlos y obtener la respuesta en cada punto (x, y), si el vecindario es de tamaño m x n, se dice entonces que se debe tener m x n coeficientes. El uso de plantillas (máscaras u operadores) especiales para el procesamiento de imágenes recibe usualmente el nombre de filtrado espacial (para diferenciarlo del filtrado en el dominio de las frecuencias). Las máscaras reciben también el nombre de filtros espaciales. [1] [5]. El elemento estructurante define el tamaño y la forma de la vecindad en la que se aplicará la operación morfológica. Dilatación: se adiciona píxeles al contorno de objetos presentes en la imagen. El píxel de salida es el máximo de los píxeles presentes en la vecindad definida por el elemento estructural [5]. Erosión: en imágenes binarias, elimina píxeles del contorno de objetos presentes en la imagen. El píxel de salida es el mínimo de los píxeles presentes en la vecindad definida por el elemento estructural [5]. III. MARCO EXPERIMENTAL Antes de realizar la Convolución, Binarización, Dilatación y Erosión fue necesario crear el procesador Nios II en la tarjeta, también la memoria donde se almacena el programa, y además configurar el puerto VGA en la misma tarjeta donde se desarrolló el proyecto. Para crear y configurar todo esto, se usó la opción Qsys de Quartus II el cual permite agregar estos módulos ya creados por la empresa Altera. Dentro de los filtros más comúnmente aplicados se encuentran el Laplaciano, Sobel, Prewitt, Unsharp, Gaussian y Average [2],[3]. Binarización Otro proceso común en el análisis de imágenes consiste en la binarización de la misma. Sin embargo la imagen binaria resultante del proceso de clasificación puede que no represente perfectamente los objetos de interés debido a problemas inherentes en la imagen original, como objetos que se tocan, o problemas del propio proceso de las imágenes, por ejemplo, pequeñas áreas mal clasificadas. Con el fin de solucionar estos problemas se pueden aplicar distintos operadores morfológicos para: separar zonas, cribar áreas de determinados tamaños, erosionar o dilatar regiones, mirar conectividades, extraer bordes, etc [4]. Operaciones morfológicas Las operaciones morfológicas son las herramientas y métodos utilizados para extraer componentes de la misma, útiles en la descripción y representación de formas. El valor de cada píxel en la imagen de salida depende del valor de ese píxel en la imagen de entrada y su relación con la vecindad Fig.1 Creación y Configuracion en el Qsys Al realizar esta configuración, no fue posible el funcionamiento del módulo VGA en escala de grices, por lo tanto solo se imprime imágenes binarias. Despues de crear el procesador y de verificar el correcto funcionamiento del VGA, se creó el algoritmo bajo la librería OpenCV para realizar las funciones anteriormente mencionadas, y luego se diseñó para el procesador Nios II. Este algoritmo se compone principalmente de 5 funciones que se han llamado del mismo modo que las funciones que realizan estos procesos en el toolbox de imágenes de Matlab. Estas funciones son:

3 - imfilter - graythresh - im2bw - imdilate - imerode El procesamiento que se realizó para el Filtrado Digital de Imágenes se representa con el siguiente diagrama de bloques: Para realizar esta tarea, se diseñan dos funciones. La primera es la función graythresh encargada de calcular el umbral óptimo de binarización de la imagen. Para esta tarea, se hace la búsqueda de los pixeles que más se repiten en la imagen, es decir un histograma, y se extraen los dos más repetidos, uno de la región de los negros (entre 0 y 127) y el otro de la región de los blancos (entre 128 y 255), y finalmente se hace un promedio aritmético entre ambos pixeles obteniendo de esa manera un resultado, que se divide por 255 y se obtiene así el dato deseado. La segunda función realizada es la im2bw, encargada de convertir una imagen en escala de grises, en una imagen binaria. Para realizar esta tarea, es necesario el valor de umbral de binarización que se calcula con la función graythresh mencionada anteriormente. im2bw compara cada uno de los valores de los pixeles de la imagen con el umbral multiplicado por 255, y mira si este resultado es mayor o menor a los valores de los pixeles. En caso de ser mayor, remplaza el pixel con valor de uno, en caso contrario, remplaza el pixel con valor de cero. Las Operaciones Morfológicas se representan con el siguiente diagrama de bloques: Fig. 2. Diagrama de Bloques para la Convolución Para realizar esta tarea, se diseña la función imfilter, la cual se encarga de realizar la convolución de la imagen con alguna mascara que se pasa como referencia a la función. Para realizar esta tarea, la máscara recorre toda la imagen pasando por cada uno de los pixeles de ella y haciendo el cálculo matemático necesario para remplazar el pixel con el nuevo valor. Este cálculo lo que hace es multiplicar cada uno de los pixeles de la máscara con los pixeles de la porción de la imagen y sumarlos para obtener un nuevo valor de pixel el cual se remplaza y genera por tanto una nueva imagen. La binarización se representa con el siguiente diagrama de bloques: Fig. 4. Diagrama de Bloques para las Operaciones Morfológicas Fig. 3. Diagrama de Bloques para la Binarización Para realizar ambas tareas, la dilatación y erosión, se realizan las funciones imdilate e imerode respectivamente.

4 La primera se encarga de hacer el proceso de dilatación de la imagen, usando algún elemento estructurante que se pasa como referencia a la función. Para realizar esta tarea, el elemento estructurante se va desplazando por toda la imagen, y en cada desplazamiento valido si el pixel que está analizando es uno o cero. En caso de ser uno, dibuja el elemento estructurante centrado en ese pixel en la imagen, haciendo que esta se agrande. En caso de ser cero, pasa al siguiente pixel sin dibujar nada. La segunda se encarga de hacer el proceso de erosión de la imagen. Al igual que la función imdilate, es necesario usar algún elemento estructurante que se pasa como referencia a esta función. Para realizar esta tarea, el elemento estructurante también se desplaza por toda la imagen, y también valida si el pixel que está analizando es uno o cero. En caso de ser uno, verifica si el elemento estructurante queda totalmente contenido en esa porción de imagen; en caso de estarlo deja el pixel en uno, en caso contrario lo remplaza con cero. En caso de ser cero, pasa al siguiente pixel sin hacer ningún proceso. IV. RESULTADOS A continuación se muestra una serie de resultados obtenidos tras la aplicación de las cinco técnicas de procesamiento para dos imágenes: Convolución Análisis de Simulación Para este análisis se usó una imagen 5x5 para hacerlo más sencillo, sin embargo se podrían usar imágenes más grandes. Fig. 5. Imagen Salida en MatLab Fig. 6. Imagen Salida en ModelSim Para este análisis se usó la máscara laplacian. Al analizar la Fig.5 y la Fig.6 se puede apreciar que los resultados fueron como se esperaban. Algunos datos en ModelSim dieron exactos comparados con MatLab, otros dieron una unidad más o menos, esto fue debido al redondeo que se hace en ambos programas que en algunos momentos no coincidieron, sin embargo este error de unidad es válido y no afecta en gran manera en la aplicación final. Algunos de los resultados y dificultades obtenidos durante el desarrollo del proyecto fueron en cuanto a la complejidad de la programación describiendo hardware debido a que hasta la fecha solo se había usado plataformas para la ejecución de software y no para una aplicación e implementación física real. 1) Con máscara average Matlab Codeblocks Binarización 2) Con máscara sobel Matlab Codeblocks Dilatación 1) Con elemento estructurante vertical_line

5 2) Con elemento estructurante square Erosión 1) Con elemento estructurante vertical_line 2) Con elemento estructurante square lo que da paso a hablar del software Nios II. Esta herramienta es bastante útil ya que permite crear instrucciones de programación en lenguaje C para ejecutarlas en el procesador y realizar cualquier tarea que se desee; para este caso el procesamiento digital de una imagen. En este tipo de procesadores se pueden realizar tareas bastante complejas, como lo es una convolución en 2D de una imagen, además de que si se cuenta con un buen diseño, y sabiendo que la tarjeta DE2-70 puede trabajar hasta 100MHZ, se pueden obtener resultados óptimos en tiempos de ejecución cortos, es decir un procesamiento con bajo tiempo de latencia. Los resultados mostrados en el monitor donde se trabajo, demuestran que se pueden hacer procesamientos de imágenes con muy buena exactitud. Al comparar las imágenes de MatLab y Code Blocks con las mostradas en el monitor, se confirma dicha exactitud sin temor a equivocaciones. Este procesamiento está limitado a usar mascaras y elementos estructurantes de tamaño 3x3, sin embargo, el diseño fue pensado para ampliar este rango, lo que permite en un futuro el uso de otras máscaras y elementos estructurantes con tamaños diferentes, y así obtener como resultado otro tipo de imágenes con otras características. VI. TRABAJOS FUTUROS En cada una de las pruebas se observa claramente los excelentes resultados, ya que se obtuvo una total correspondencia entre los tres software de programación. Analizando el efecto del filtrado espacial en cada imagen según el tipo de filtro aplicado se puede observar claramente cada una de las propiedades o funciones de los filtros descritos en el marco teórico. De igual modo se puede ver la utilidad de las funciones morfológicas para la extracción de componentes de una imagen, destacar la estructura de los objetos y describirlos. V. CONCLUSIONES Se pueden realizar procesamientos de imágenes en sistemas embebidos de manera eficiente, permitiendo aislar por completo el uso de un PC para este objetivo. Para este caso, la convolución, se ve claramente la exactitud de los datos comparados con MatLab, lo que refleja la importancia de los sistemas que permiten crear hardware que se podrían usar para aplicaciones robustas. La herramienta Quartus II permite el diseño de sistemas digitales robustos de forma sencilla, además de soportar módulos internos que se pueden usar para facilitar la implementación de dichos sistemas. El propósito del uso de este software fue la creación de un procesador en una FPGA, Tanto las funciones de erosión y dilatación han sido visualizadas en pantallas por medio del módulo VGA que proporciona la FPGA, sin embargo la convolución en 2D solo ha sido simulada en MatLab, Code blocks y ModelSim, por lo tanto esto constituye una línea de trabajo futuro en donde se espera su implementación en el procesador Nios II. REFERENCIAS BIBLIOGRÁFICAS [1] Segmentation of Blood Vessels Based on a Threshold that Combines Statistical and Scale Space Filters. [Online]. Disponible: [2] Experiences in the implementation of the morphological erosion and dilation operations for binary images using adaptive neighborhoods. [Online]. Disponible: [3] Convolución en 2D. [Online]. Disponible: [4] Máscaras de desenfoque. [Online]. Disponible: [5] Filtrado de Imágenes. [Online]. Disponible: ma5_filtrado.pdf [6] Imagen Binaria. [Online]. Disponible: ml/binaria.htm [7] Operaciones Morfológicas. [Online]. Disponible: