Mejoramiento de las Imágenes en el Dominio Espacial
|
|
- Juan Manuel Calderón Mendoza
- hace 8 años
- Vistas:
Transcripción
1 Mejoramiento de las Imágenes en el Dominio Espacial
2 Objetivos del Mejoramiento Procesar una imagen de tal modo que la Imagen resultante sea más adecuada que la original para una aplicación específica. La medida del Más adecuada, depende de cada aplicación. Un método para mejorar una imagen para una aplicación, puede no ser el mas adecuado para otra. 2
3 2 dominios Dominio Espacial : (en el plano de la imagen) Las Tecnicas se basan en la manipulación directa de los pixeles de la imagen. Dominio de la Frecuencia : Las técnicas se basan en modificar la Transformada de Fourier de la Imagen. Hay técnicas de mejoramiento que se basan en combinaciones de los métodos de las dos categorías anteriores. 3
4 Imágenes mejoradas Para la percepción visual humana La Evaluación de la calidad de una imagen es un proceso bastante subjetivo. Es difícil normalizar la definición de lo que es una buena imagen. Para un programa La evaluación es más fácil. Una buena imagen es la que produce el mejor resultado del algoritmo de reconocimiento Siempre hay Prueba y Error antes de elegir el mejor método de mejoramiento de la imagen. 4
5 Dominio Espacial Operaciones que se realizan directamente sobre pixels. g(x,y) = T[f(x,y)] donde f(x,y) es la imagen de entrada g(x,y) es la imagen resultante T es un operador sobre f,definido sobre un entorno del punto (x,y) 5
6 Máscara/Filtro (x,y) El entorno (los vecinos) del pixel, sobre el cual se opera para obtener la nueva imagen, se define con una máscara. El centro de la máscara, se mueve recorriendo todos los pixeles de la imagen original. 6
7 Procesamiento puntual Cuando la máscara es = 1x1 pixel g(x,y) depende solamente del valor de f en (x,y) T = es una función que transforma el nivel de gris de un punto. s = T(r) Donde r = nivel de gris de f(x,y) s = nivel de gris de g(x,y) 7
8 Mejoramiento del Contraste Una aplicación es el mejoramiento del contraste se oscurecen los niveles de gris por debajo de m se hacen mas brillantes los por encima de m 8
9 Mejoramiento del Contraste notar el mapeo no lineal. Desde negro hasta gris oscuro va a negro. Desde gris claro hasta blanco, va a blanco 9
10 Umbralización Un caso extremo de la operación anterior es la umbralización. Produce un imagen (binaria) con dos niveles, blanco y negro. 10
11 Filtrado con máscaras. Cada pixel resultante se obtiene operando sobre un pixel y los vecinos de la imagen original. gráficamente: imaginar una mascara que se desplaza sobre la imagen a filtrar. Técnica usada para suavizar imágenes y para hacer imágenes más marcadas en sus bordes. 11
12 Filtrado con máscaras. Original > filtrada el pixel de la derecha se obtiene a partir de operaciones sobre el pixel encirculado de la izquierda y sus ochovecinos. Repetir para cada pixel. 12
13 Transformaciones de niveles de gris básicas Output gray level, s Negative Log nth root nth power Lineal Negativa (o inversa). Logarítmica y antilog. Potenciación y radicación. Identity Inverse Log Input gray level, r 13
14 Imágenes Negativas Output gray level, s Negative Log Identity nth root nth power Inverse Log Una imagen con niveles de gris en el rango [0, L-1] L con L = 2 n ; n = 1, 2 Se transforma en una con niveles: s = (L 1) r Se obtiene la reversa de los niveles de intesidad. Se utiliza para resaltar detalles blancos inmersos en regiones oscuras de una imagen. Especialmente cuando predominan las regiones negras. Input gray level, r 14
15 Ejemplo de una imagen negativa 15
16 Transformaciones. Log Output gray level, s Negative nth root Log nth power Identity Inverse Log Input gray level, r s = c log (1+r) con c constante y r 0 Mapea un rango angosto de niveles de gris bajos de la imagen de entrada, en un rango de niveles de salida más amplios Expande los valores de los pixeles mas oscuros y comprime los niveles de los más claros o brillantes. 16
17 Transformaciones. Log Comprimen el rango dinámico de imágenes con grandes variaciones en los valores de los pixels. Un ejemplo son las imágenes del Espectro de Fourier de una imagen. Puede haber un rango de 0 a 10 6 o mayor. Y se pierde al ser mostrada en 8 bits. 17
18 Ejemplo de una imagen con rango logarítmico. Fourier Spectrum with range = 0 to 1.5 x 10 6 Result after apply the log transformation with c = 1, range = 0 to
19 Transf. Log. Inversas Expanden los valores altos y comprimen los más oscuros. 19
20 Transformaciones con una ley exponencial Output gray level, s s = cr γ c y γ constantes positivas Valores de γ menores que uno, expanden franjas estrechas de niveles de gris oscuro.lo opuesto para γ mayor que uno. c = γ = 1 función Identidad Input gray level, r Plots of s = cr γ for various values of γ (c = 1 in all cases) 20
21 Corrección Gamma Gamma correction Monitor Monitor γ =1/2.5 = 0.4 γ = 2.5 Los dispositivos con tubos de rayos catódicos, tienen una relación intensidadtensión, del tipo exponencial, con γ ente 1.8 to 2.5 Esto implica imagen mas oscura. Se realiza entonces una correción Gamma preprocesando la imagen con s = cr 1/γ 21
22 Imagen por Resonancia Magnética: a c b d (a) Resonancia Magnética de parte de la columna, mostrando lesión. Notar que es predominantemente oscura. Se hace por lo tanto una expansión de los niveles de gris usando un valor γ < 1 (Recordar que s = cr γ ) (b) Usando una transformación con ley exponencial con γ = 0.6, c=1 (c) γ = 0.4 (el mejor resultado) (d) γ = 0.3 (comienza a perder contraste.) 22
23 Efecto de disminuir gama Reducir demasiado γ ocasiona perdida de contrate en la imagen, y parece una imagen lavada, sobre todo en el fondo. 23
24 Problema opuesto al anterior a c b d (a) La imagen aparece lavada, demasiado clara, necesita una compresión de los niveles de gris claros. γ > 1 (diap.20) (b) Transformación con γ = 3.0 (adecuado) (c) Con γ = 4.0 (adecuado) (d) Con γ = 5.0 (El contraste es alto, pero hay areas demasiado oscuras, se pierden detalles) 24
25 Transformaciones lineales por tramos. Ventaja: La forma puede ser tan compleja como queramos. Desventaja: Su definición requiere mayor participación del usuario. 25
26 Aumento del contraste Transformación para el aumento del rango dinámico de niveles de gris de la imagen. (b) Imagen con bajo contraste: debido a iluminación deficiente, falta de rango dinámico en el sensor, o ajuste incorrecto de la apertura del diafragma de la lente. (c) resultado del aumento del contraste: haciendo que el nivel r min, vaya al 0 y r max, al L-1 (d) Cuando r1=r2, y s1=0 y s2= L-1, se obtiene una imagen binaria, por umbralización. 26
27 Cortando niveles de gris Se usa para destacar o resaltar un rango específico de niveles de gris. (a) La transformación llevael rango de niveles de gris [A,B] a un valor determinado (claro en este ej.) y reduce todos los otros a otro nivel (oscuro en este ej.) (b) La transformación llevael rango [A,B] a uno determinado pero conserva los otros como estaban. (c) imagen (d) transform. sg. a) 27
28 Cortes de la imagen en planos de bits One 8-bit byte Bit-plane 7 (most significant) Bit-plane 0 (least significant) La idea es destacar la contribución de cada bit, de acuerdo a su peso, en la formación de la imagen total. Suponiendo una imagen donde cada pixel se representa con 8 bits Los bits más significactivos contienen la información visual mas importante. 28
29 Ej. La imagen binaria para el plano de bit 7 se puede obtener umbralizando la la imagen de entrada con segun la siguiente transformación: An 8-bit fractal image Mapear todos los niveles entre 0 y 127 a nivel 0 Maper todos los niveles entre 128 y 255 a
30 Planos en 8 bits Plano de Bit 7 Plano de Bit 6 Plano de Bit 5 Plano de Bit 2 Plano de Bit 4 Plano de Bit 1 Plano de Bit 3 Plano de Bit 0 30
31 Histograma El Histograma de una imagen digital con niveles de gris en el rango [0,L-1] es una función discreta Donde h(r k ) = n k r k : es el nivel de gris k-ésimo n k : es el número de pixels que tienen ese nivel de gris en la imágen. h(r k ) : histograma de una imágen con niveles de gris r k 31
32 Histograma Normalizado Se divide cada valor del histograma, por el número total de pixels de la imagen, n p(r k ) = n k / n Para k = 0,1,,L-1 p(r k ) es una estimación de la probabilidad de ocurrencia de un nivel de gris r k Obviamente que la suma de todos los componentes normalizados del histograma es igual a 1 32
33 Histograma En la base de numerosas aplicaciones en el dominio espacial. Se usa en Mejoramiento de imágenes. Tambien en compresión y segmentación. 33
34 h(r k ) or p(r k ) Ejemplo r k Imagen oscura Histograma concentrado en zona baja de la escala de grises. Imagen clara Histograma concentrado en zona alta de la escala de grises. 34
35 Ejemplo: Imagen con bajo contraste El histograma es angosto y ubicado en la zona media de la escala de grises. Imagen con alto contraste El histograma cubre un rango amplio de la escala de grises y la distribución de pixeles es casi uniforme, con muy pocas lineas verticales 35 sobresalientes.
36 Ecualización del Histograma Cuando el histograma de una imagen es angosto, y esta centrado en la zona media de los grises, si se distribuye el histograma a un rango más amplio, se mejora la calidad de la imagen. En el campo contínuo el equivalente del histograma sería la función densidad de probabilidades. Haciendo un planteo en el campo contínuo luego se aproxima al discreto. 36
37 Función de Transformación En el campo contínuo, hay una función de Transformación de la forma: s = T( r ) r = 0 p r ( w ) dw Cuya función densidad de probabilidad es uniforme (p s (s) ) (ver demostración en libro). 37
38 Función de transformación discreta La probabilidad de ocurrencia de un nivel de gris en una imagen se puede aproximar por nk pr ( rk ) = where k = n 0, 1,..., L-1 La versión discreta de la transformación s k = T( r k ) = k j= 0 p r ( r j ) = k j= 0 n j n where k = 0, 1,..., L-1 38
39 Ecualización de Histograma Una imagen, se obtiene, así, mapeando cada pixel, con nivel de gris, r, en uno con nivel, s k k, En el espacio discreto, no se puede probar, en general, que estas transformaciones, produciran el equivalente de una función de densidad de probabilidad uniforme, lo cual sería un histograma uniforme. 39
40 Ejemplo antes después Ecualización de histograma 40
41 Ejemplo Antes Después Ecualización de histograma No mejora mucho la calidad porque la imagen original ya tiene un rango de nieveles de gris amplio 41
42 Ejemplo Funciones de transformación (1) a (4) obtenidas a partir de los histogramasde lasfigurasde latransparencia anterior usando la ecuación Notar que la (4) es aprox. la identidad. 42
43 Ejemplo No. de pixels Imagen 4x4 Escala de grises = [0,9] histograma Niveles de grises 43
44 9 16 / s x 9 No. de pixels Nivel gris(j) / / / / / / 16 6 / = k j n j 0 = = k j j n n s 0
45 Ejemplo No. de pixels imagen de salida Escala de gris = [0,9] Nivel gris Ecualización del Histograma 45
46 Especificación de Histograma La ecualización del histograma lleva a una función de transformación que tiende a producir una imagen con histograma uniforme. En cambio, el planteo de Especificación del histograma, permite obtener la forma deseada de histograma para la imagen de salida. Hay un método (aquí no lo describimos). 46
47 Notas El proceso de especificar es prueba y error. No hay reglas para especificar histogramas. 47
48 Notas Los métodos de procesamiento de Histogramas son metodos globales, en el sentido de que los pixeles se transforman usando una transformación basada en el nivel de gris y no en la ubicación del pixel. 48
49 Mejoramiento usando operaciones Aritmético/ Lógicas Las operaciones Aritmetico/Lógicas se realizan pixel a pixel entre dos imágenes. Excepto la NOT que se realiza sobre una imagen solamente. 49
50 Operaciones Lógicas Las operaciones lógicas se realizan sobre imágenes con niveles de grises, los valores de los pixeles se operan como números binarios. La operación NOT equivale a una transformaicón inversa o negativa 50
51 Ejemplo de la AND Imagen original máscara Imagen resultante 51
52 Ejemplo de la OR Imagen original máscara Imagen resultante 52
53 Sustracción de Imágenes g(x,y) = f(x,y) h(x,y) La utilidad de la sustracción es en realidad mejorar o resaltar aquello en lo que difieren las imágenes. El mayor campo de aplicación es en imágenes médicas. 53
54 Sustracción de imágenes a c b d a). Imagen fractal original. b). Resultado de hacer cero los 4 bits menos significativos. Recordar recorte de planos de bits en una imagen. -Los bits mas altos definen la imagen, -Los bits mas bajos contribuyen al detalle fino. -La imagen b). Es casi identica a la a. c). a-b (casi negra) d). Ecualizando el histograma de c se obtiene d. 54
55 Sustracción de I se aplica en: Radiografía en modo Mask Mejoramiento por sustracción. a) Imagen máscara (previa a inyección de contraste). b) Imagen obtenida haciendo la resta de la imagen con contraste inyectado - máscara. La imagen diferencia refleja los cambios. 55
56 Comentario Si las imágenes se muestran en 8 bits, al sustraer se puede salir de rango el resultado (<0). Se debe entonces ajustar la escala de grises a [0, 255]. Dos métodos: Sumar 255 y luego dividir por 2. (simple pero puede no aprovechar todo el rango, y ademas trunca al dividir) El otro método consiste en (desplazar y expandir) primero, encontrar el mínimo y el máximo (max) nivel de gris de la imagen diferencia. Restar el mínimo a todos para llevar a cero el nuevo mínimo. Ajustar el resto de los niveles multiplicando cada nivel por 255/max. Donde max es el nuevo max en los niveles del paso anterior. 56
57 Promediado de Imágenes Sea una imagen con ruido g(x,y) formada por la suma de ruido η(x,y) a una imagen f(x,y) g(x,y) = f(x,y) + η(x,y) 57
58 Promediado de Imágenes Si el ruido tiene media cero y no está correlacionado se puede mostrar que si g ( x, y ) = imagen formada promediando k imágenes ruidosas diferentes 1 K g ( x, y) = K i= 1 g i ( x, y) 58
59 Promediado de Imágenes entonces 1 2 g ( x, y) σ = K σ 2 η( x, y) σ 2 g ( x, y), σ 2 η( x, y) = variancias de g y η si K aumenta, esto indica que la variabilidad (ruido) de un pixel en cada posición (x,y) disminuye. 59
60 Asi Promediado de Imágenes E { g( x, y)} = f ( x, y) E { g( x, y)} = valor esperado de g (salida después de promediar) = imagen original f(x,y) 60
61 Promediado de Imágenes Nota: las imágenes g i (x,y) (con ruido) deben estar alineadas para evitar introducir borroneado en la imagen de salida. 61
62 Ejemplo : a c e b d f En astronomía las imágenes tienen muy bajos niveles de luz, porlo tantoel ruidode los sensores influye mucho. a) imagen original b) imagen con ruido aditivo Gausiano, con media cero y desviación estandard de 64. c). -f). resultados de promediar K = 8, 16, 64 and 128 imágenes ruidosas 62
63 Ejemplo : a c e b d f Se muestran las imágenes diferencia entre la original sin ruido a ( de la transparencia anterior) y cada una de las promediadas c a f. Se puede ver en esta figura cómo a medida que aumenta k, se produce una reducción del ruido en la imagen, pues: Disminuye el valor medio y la desviación estándar a medida que aumenta K. 63
64 Filtrado espacial 64
65 Filtrado espacial El Filtro tb se llama: mascara/kernel/template o ventana) Los valores de la subimagen del filtro se llaman coeficientes y no pixeles. Aquí usaremos máscaras de orden impar 3x3, 5x5, convolución de una máscara con una imag. 65
66 Proceso de filtrado espacial Simplemente hay que mover la máscara sobre cada pixel de la imagen. En cada pixel (x,y), la salida o respuesta del filtro en ese pixel se calcula: R = w z + w z = 1 mn i= i 1 w z i i 2 2 w mn z mn 66
67 Filtrado lineal El filtrado Lineal de una imagen f de MxN con una máscara de mxn está dado por: Para generar una imagen completa, filtrada, se debe aplicar para x = 0, 1, 2,, M-1 and y = 0, 1, 2,, N-1 67
68 Filtros espaciales de suavizado (Smoothing) Se usan para borronear y reducir ruido. El borroneado (blurring) se usa en etapas de preprocesamiento, tales como quitar pequeños detalles de una imagen antes de extraer un objeto. Unir pequeños cortes en lineas o curvas. La reducción del ruido se puede hacer con un filtro lineal o no lineal. 68
69 Filtros lineales de suavizado La salida es simplemente el promedio de los pixeles vecinos, seleccionados por la máscara. Se llaman filtros promediadores o pasabajos. 69
70 Filtros lineales de suavizado Reemplazar el valor de un pixel por el promedio de los niveles de grises de los vecinos, reduce las transiciones abruptas o muy marcadas de los niveles de grises. Transiciones fuertes: ruido aleatorio en una imagen bordes de los objetos en la imagen por lo tanto, el suavizado reduce ruidos (deseable) y borronea los bordes (indeseable) 70
71 Filtros Lineales de suavizado de 3x3 Filtro box La constante que multiplica la mascara es: 1/suma de los coeficientes del filtro. Promedio pesado El centro es el de mas peso. Los otros en razón inversa de su distancia al centro. 71
72 Filtros de promedio pesado La idea de dar el mayor peso al pixel del centro y reducir los coeficientes del filtro según la distancia al centro, es intentar reducir el borroneado en el proceso de suavizado. 72
73 73 Forma General : máscara de suavizado filtro de orden mxn (m y n impares) = = = = + + = a a s b b t a a s b b t t s w t y s x f t s w y x g ), ( ), ( ), ( ), ( suma de todos los coeficientes de la máscara
74 Ejemplo: a c e b d f a). Imagen original de 500x500 pixel b). - f). resultados de filtrado con máscaras cuadradas de tamaños= 3, 5, 9, 15 and 35, respectivamente. Notas: una mascara grande elimina objetos pequeños de una imagen el tamaño de la máscara determina el tamaño relativo de objetos que serán fundidos con el fondo. 74
75 Ejemplo imagen original Resultado después de suavizar con una máscara promediadora de 15x15 umbralización (thresholding) Despues de suavizar y umbralizar, quedan los objetos más grandes y mas brillantes. 75
76 Filtros No lineales, estadísticos. Se basan en ordenar los niveles de gris de los pixeles de la zona bajo filtrado y reemplazar el central según un criterio por ejemplo: filtro de mediana: R = mediano{z k k = 1,2,,n x n} filtro de max : R = max{z k k = 1,2,,n x n} filtro de min : R = min{z k k = 1,2,,n x n} n x n es el tamaño de la máscara. 76
77 Filtros de mediana reemplaza el valor de un pixel por el valor del mediano, de los pixeles vecinos, incluido él mismo. Ejemplo: si los pixeles de la imagen considerados son: Se ordenan de acuerdo al nivel de gris: (10,15,20,20,20,20,20,25,100) y se elige el que está en la posición media,notar que los valores repetidos también se colocan. 77
78 Filtros de mediana La principal función de los filtros de mediana es hacer que puntos con distintos niveles de gris se parezcan mas a sus vecinos. Tiene buena capacidad para reducción de cierto tipo de ruido aleatorio (ruido llamado sal y pimienta), con menos borroneado que los filtros de suavizado lineales. 78
79 Filtros medianos Fuerza los puntos con niveles de gris diferentes a ser mas parecidos a sus vecinos. Elimina cluster aislados de pixeles que son claros u oscuros respecto a sus vecinos, y cuya area es menor que n 2 /2 (la mitad del area del filtro), con un filtro mediano de orden n x n. Los pixeles eliminados, en realidad son forzados a un nivel de gris igual al nivel de intensidad de mediano de los vecinos. Clusters mayores son afectados mucho menos. 79
80 Ejemplo : Filtros Medianos a) Imagen-X de impreso con ruido sal y pimienta. b) reducción del ruido con mascara 3x3 promediadora c) reducción del ruido con filtro mediano de 3x3. 80
81 Filtros espaciales de sharpening Para resaltar detalles finos en una imagen. O para mejorar detalles que se han borroneado, por error o como efecto natural de un método particular de adquisición de la imagen. 81
82 Blurring(borroneado) vs. Sharpening Promediar los vecinos, conduce a cierto borroneado promediado es análogo a integración sharpening podemos sospechar que es análogo a parecido a diferenciación espacial. 82
83 Operador derivativo La fuerza de respuesta de un operador derivativo es proporcional al grado de discontinuidad de la imagen en el punto en el cual se aplica el operador por lo tanto, la diferenciación de una imagen : resalta los bordes y otras discontinuidades (ruido) atenúa las areas con valores de niveles de grises que varían en forma suave. 83
84 Derivada de primer-orden Una definición básica de la derivada de primer orden de una función unidimensionala f(x) es la diferencia f x = f ( x + 1) f ( x) 84
85 Derivada de primer-orden Cualquier definición de derivada de 1er orden que se use debe cumplir las siguientes características: cero en segmentos planos (gris constante) distinto de cero en inicio de rampo o escalón. distinto de cero a lo largo de rampa. 85
86 Derivada de segundo orden Similarmente la derivada de segundo orden de f(x) es 2 f x 2 = f ( x + 1) + f ( x 1) 2 f ( x) 86
87 Derivada de segundo orden Análogamente cualquier definición de la derivada de segundo orden debe cumplir que sea: cero en segmentos planos (gris constante) distinto de cero al comienzo y fin de rampa y escalón cero a lo largo de rampas constantes. 87
88 Filtros espaciales de sharpening 88
89 a)imagen. b) perfil de niveles de gris a lo largo de una linea de la imagen por el punto luminoso. c) perfil simplificado con indicación de derivadas. 89
90 Notar que derivada 1ra es distinta de cero en toda la rampa, mientras que la derivada 2da solo al czo y final de la rampa. (bordes gruesos en primer caso y finos en el segundo) 90
91 La respuesta del ruido puntual es mayor en el caso de la derivada 2da. Unaderivadasegunda resaltamáslos cambios abruptos que una derivada primera. En el caso del escalón, las magnitudes de las dos derivadas son iguales pero la 2da tiene un pico negativo (efecto de doble linea. 91
92 Las derivadas primeras en general producen lineas mas gruesas. Las derivadas segundas destacan mejor los detalles finos. Las derivadas de primer orden en general tienen respuesta mas marcada a saltos escalón de grises Las derivadas de 2do orden producen una doble respuesta a cambios escalón. 92
93 93 Derivadas de primer y segundo orden de f(x,y) (en dos dimensiones) Para una imagen, función de dos variables, f(x,y), estamos en el caso de derivadas parciales respecto de cada eje espacial. y y x f x y x f y x y x f + = = ), ( ), ( ), ( f ), ( ), ( y y x f x y x f f + = (operador lineal) Laplaciano Operador gradiente
94 94 Forma discreta del Laplaciano ), ( 2 ) 1, ( ) 1, ( 2 2 y x f y x f y x f x f + + = ), ( 2 1), ( 1), ( 2 2 y x f y x f y x f y f + + = de Se sigue, )], ( 4 1), ( 1), ( ) 1, ( ) 1, ( [ 2 y x f y x f y x f y x f y x f f =
95 La máscara del Laplaciano 95
96 Mascara de Laplaciano con una extensión a la diagonal 96
97 Otras implementaciones de máscaras para el Laplaciano Dan el mismo resultado,pero tenerlo en cuenta cuando se combina (suma/resta) una imagen filtrada con el Laplaciano con otra imagen. 97
98 Efectos del operador Laplaciano Como es un operador derivativo, resalta las discontinuidades en niveles de gris de la imagen. desenfatiza las regiones con variaciones lentas de niveles de grises. Tiende a producir imágenes con lineas de bordes grisáceas y otras discontinuidades, en valores oscuros, fondos sin detalles. 98
99 Corrección del fondo sin detalles Facilmente se realiza sumando la imagen original y la imagen filtrada. Atenti con el filtro de Laplaciano usado 2 f ( x, y) g( x, y) = 2 f ( x, y) + f f ( x, ( x, y) y) Si el coeficiente central de la máscara del Laplaciano es negativo Si el coeficiente central de la máscara del Laplaciano es positivo 99
100 Ejemplo a). Imagen del polo Norte de la Luna b). Imagen filtrada con Laplaciano con c). Imagen anterior escalada para mostrar mejor d). Imagen mejorada sumandola a la original. 100
101 Máscara de un Laplaciano + adición Para simplificar los cálculos, se puede fabricar una máscara que haga ambas operaciones en la imagen original, el filtrado con el Laplaciano y la adición de la imagen original. 101
102 102 Laplaciano + adición 1)], ( 1), ( ) 1, ( ) 1, ( [ ), ( 5 ), ( 4 1)], ( 1), ( ) 1, ( ) 1, ( [ ), ( ), ( = = y x f y x f y x f y x f y x f y x f y x f y x f y x f y x f y x f y x g
103 Ejemplo Imagen de microscopio electrónico de filamento de tungsteno después de falla térmica. Fig a)mascara Laplaciana compuesta b) otra máscara c)imagen de microscopio elect.d) y e) resultados de filtrar con máscaras a) y b) respectivamente. Notar que e) es mas afilada que d). 103
104 104 Nota = ), ( ), ( ), ( ), ( ), ( 2 2 y x f y x f y x f y x f y x g = =
105 Mascara de unsharp f s ( x, y) = f ( x, y) f ( x, y) imagen afilada = imagen original borrosa imagen afilada = imagen original borrosa Restarunaimagenborrosao suavizadaproduce una imagen resaltada (sharpened) 105
106 Filtrado High-boost (boost=elevador) Forma general de máscara de Unsharp A 1 106
107 filtrado High-boost Si se usa un filtro Laplaciano para crear imágenes con bordes resaltados f s (x,y) con suma de la imagen original: f s f ( x, y) ( x, y) = f ( x, y) f f ( x, ( x, y) y) 107
108 filtrado High-boost queda Si coeficiente central de la mascara Laplaciana es negativa. f hb Af ( x, y) ( x, y) = Af ( x, y) f f ( x, ( x, y) y) Si el coeficiente central de la máscara es positivo. 108
109 Máscaras para High-boost A 1 si A = 1, se convierte en el filtrado Laplaciano estandard. 109
110 Ejemplo Fig.3.43 (a) igual que fig. 3.41c, pero más oscura. (b) Laplaciano de (a) calculado con A=0, y la máscara indicada. (c) Imagen filtrada A=1 (d) igual que (c) pero A=
111 111 Operador gradiente Las derivadas primeras se implementan unsando la magnitud magnitud del del gradiente gradiente (o (o simplemente simplemente gradiente gradiente). = = y f x f G G y x f ] [ f ) ( + = + = = y f x f G G mag f y x la magnitud se vuelve no linear G x G y f + aproximada vector
112 Mascara para el gradiente z 1 z 2 z 3 z 4 z 5 z 6 z 7 z 8 z 9 La aproximación mas simple, 2x2 112
113 Gradiente z 1 z 2 z 3 z 4 z 5 z 6 z 7 Definicion de Roberts para diferencias cruzadas, 2x2 z 8 z 9 G x = ( z z ) and G = ( z z 9 5 y 8 6 ) f = [ Gx + Gy ] = [( z9 z5) + ( z8 z6 ) 2 ] 1 2 f z 9 z5 + z8 z6 113
114 Máscaras para el gradiente z 1 z 2 z 3 z 4 z 5 z 6 z 7 z 8 z 9 Operador de Sobel, 3x3 G x = ( z 7 + 2z 8 + z 9 ) ( z 1 + 2z 2 + z 3 ) G y = ( z 3 + 2z 6 + z 9 ) ( z 1 + 2z 4 + z 7 ) f G x + G y El valor de peso 2 es para lograr suavizado dando mas importancia al punto central. 114
115 Nota La suma de los coeficientes en todas las máscaras es igual a cero, indicando que dan una respuesta igual a cero en un area de nivel de gris constante. 115
116 Ejemplo 116
117 Ejemplo de combinación de métodos. Se quiere resaltar la imagen original con mas detalles del esqueleto. problemas: rango dinámico estrecho de los niveles de gris, y alto contenido de ruido, hace dificil mejorar la imagen. 117
118 Ejemplo de combinación de métodos 1. Laplaciano para resaltar detalles finos 2. gradiente para resaltar los bordes 3. transformaciones de niveles de gris para mejorar su rango dinámico. 118
119 (a) Imagen del esqueleto (b)laplaciano de (a), (escalada para verla mejor). (c)imagen resaltada de sumar (a) y (b) (d) Sobel de (a) 119
120 (e) Imagen Sobel suavizada con un filtro promediador 5x5 (f) Imagen de la máscara formada por el producto de de (c) y (e) (g)imagen resaltada de sumar (a) y (f) (h) resultado final aplicando una ley exponencial para transformar (g) Comparar g y h con a. 120
Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Septiembre de 2005
Filtrado Espacial Introducción El filtrado espacial es la operación que se aplica a una imagen para resaltar o atenuar detalles espaciales con el fin de mejorar la interpretación visual o facilitar un
Más detallesProcesamiento de Imágenes
Procesamiento de Imágenes Curso 011 - Clase Filtros Espaciales Filtrado espacial Ya trabajamos procesando sólo al piel individualmente. Ahora vamos a hacer un procesamiento en una vecindad de cada piel.
Más detallesOperaciones Morfológicas en Imágenes Binarias
Operaciones Morfológicas en Imágenes Binarias Introducción La morfología matemática es una herramienta muy utilizada en el procesamiento de i- mágenes. Las operaciones morfológicas pueden simplificar los
Más detallesQué es una imágen digital?
Qué es una imágen digital? Una imagen digital es una fotografía, un dibujo, un trabajo artístico o cualquier otra imagen que es convertida en un fichero de ordenador. Qué es una imágen digital? Una imagen
Más detallesFILTRADO DE IMÁGENES
FILTRADO DE IMÁGENES 1 INDICE RUIDO Qué es el ruido? Tipos de ruido TECNICAS DE FILTRADO EN DOMINIO ESPACIAL Promediado de imágenes Filtros de orden Filtros de medias DOMINIO FRECUENCIAL FUNCIONES EN MATLAB
Más detallesTema 4:Segmentación de imágenes
Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos
Más detallesDetección de bordes: metodos lineales de cálculo de gradientesk, etc. Detección de bordes. Métodos basados en operadores lineales de gradiente
Detección de bordes Métodos basados en operadores lineales de gradiente 1 Bordes Variaciones fuertes de la intensidad que corresponden a las fronteras de los objetos visualizados Métodos basados en el
Más detallesCapítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.
Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por
Más detallesDetección de bordes en una imagen.
Detección de bordes en una imagen. Departamento de Ingeniería electrónica, Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática OBJETIVOS: Utilizar distintas máscaras empleadas para
Más detallesSistemas de numeración
Sistemas de numeración Un sistema de numeración es un conjunto de símbolos y reglas que permiten representar datos numéricos. Los sistemas de numeración actuales son sistemas posicionales, que se caracterizan
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesCapítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
Más detalles❷ Aritmética Binaria Entera
❷ Una de las principales aplicaciones de la electrónica digital es el diseño de dispositivos capaces de efectuar cálculos aritméticos, ya sea como principal objetivo (calculadoras, computadoras, máquinas
Más detallesTEMA 5 PROCESADO DE IMÁGENES EN EL DOMINIO DE LA FRECUENCIA.
TEMA 5 PROCESADO DE IMÁGENES EN EL DOMINIO DE LA FRECUENCIA. 1. - INTRODUCCIÓN Las operaciones que hemos realizado hasta ahora sobre una imagen, se realizaron en el dominio espacial, es decir, trabajando
Más detallesLOS MODOS DE FUSIÓN.
Los modos de fusión. Página: 1 LOS MODOS DE FUSIÓN. Los modos de fusión determinan como se mezclan los valores de cada píxel de una capa con los valores de los píxeles decapas que se encuentren por debajo
Más detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesSISTEMAS DE NUMERACIÓN. Sistema de numeración decimal: 5 10 2 2 10 1 8 10 0 =528 8 10 3 2 10 2 4 10 1 5 10 0 9 10 1 7 10 2 =8245,97
SISTEMAS DE NUMERACIÓN Un sistema de numeración es un conjunto de símbolos y reglas que permiten representar datos numéricos. La norma principal en un sistema de numeración posicional es que un mismo símbolo
Más detallesPRÁCTICA: 3 FILTRADO Y ANALISIS
PRÁCTICA: 3 FILTRADO Y ANALISIS 1.- INTRODUCCIÓN. En esta práctica se manejarán tanto filtros lineales como no lineales, para que el alumno pueda apreciar sus efectos sobre las imágenes, y profundizar
Más detallesUNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.
UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado
Más detallesProfr. Efraín Soto Apolinar. La función lineal. y = a 0 + a 1 x. y = m x + b
La función lineal Una función polinomial de grado uno tiene la forma: y = a 0 + a 1 x El semestre pasado estudiamos la ecuación de la recta. y = m x + b En la notación de funciones polinomiales, el coeficiente
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesProcesamiento Digital de Imágenes. Compresión de imágenes
FICH, UNL - Departamento de Informática - Ingeniería Informática Procesamiento Digital de Imágenes Guía de Trabajos Prácticos 8 Compresión de imágenes 2010 1. Objetivos Analizar las características y el
Más detallesMateria: Informática. Nota de Clases Sistemas de Numeración
Nota de Clases Sistemas de Numeración Conversión Entre Sistemas de Numeración 1. EL SISTEMA DE NUMERACIÓN 1.1. DEFINICIÓN DE UN SISTEMA DE NUMERACIÓN Un sistema de numeración es un conjunto finito de símbolos
Más detallesQue el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes
1 Facultad: Ingeniería. Escuela: Biomédica Asignatura: Imágenes Médicas Realce de Características Objetivos Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características
Más detallesSistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Aritmética binaria
Oliverio J. Santana Jaria 3. Aritmética tica binaria Sistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Para Los La en conocer muchos aritmética comprender otros binaria tipos
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesTEMA 2: Representación de la Información en las computadoras
TEMA 2: Representación de la Información en las computadoras Introducción Una computadora es una máquina que procesa información y ejecuta programas. Para que la computadora ejecute un programa, es necesario
Más detallesDISCOS RAID. Se considera que todos los discos físicos tienen la misma capacidad, y de no ser así, en el que sea mayor se desperdicia la diferencia.
DISCOS RAID Raid: redundant array of independent disks, quiere decir conjunto redundante de discos independientes. Es un sistema de almacenamiento de datos que utiliza varias unidades físicas para guardar
Más detallesFundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1
Fundamentos de la Visión Artificial Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Índice 1. Introducción a lavisión Artificial 2. Adquisición y representación de imágenes 3. Filtrado
Más detallesRoberto Quejido Cañamero
Crear un documento de texto con todas las preguntas y respuestas del tema. Tiene que aparecer en él todos los contenidos del tema. 1. Explica qué son los modos de presentación en Writer, cuáles hay y cómo
Más detallesFunción exponencial y Logaritmos
Eje temático: Álgebra y funciones Contenidos: Función exponencial y Logaritmos Nivel: 4 Medio Función exponencial y Logaritmos 1. Funciones exponenciales Existen numerosos fenómenos que se rigen por leyes
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detalles1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1
5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0
Más detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
Más detalles1. Definición 2. Operaciones con funciones
1. Definición 2. Operaciones con funciones 3. Estudio de una función: Suma y diferencia Producto Cociente Composición de funciones Función reciproca (inversa) Dominio Recorrido Puntos de corte Signo de
Más detallesLos sistemas de numeración se clasifican en: posicionales y no posicionales.
SISTEMAS NUMERICOS Un sistema numérico es un conjunto de números que se relacionan para expresar la relación existente entre la cantidad y la unidad. Debido a que un número es un símbolo, podemos encontrar
Más detallesCharla N 6: Utilidades de Consulta de datos.
1 Charla N 6: Utilidades de Consulta de datos. Objetivos Generales: La manipulación de los datos organizados en forma de lista, donde la lista relaciones diferentes ocurrencias de una información común,
Más detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesCAPÍTULO 6 SIMULACIONES Y RESULTADOS
CAPÍTULO 6 SIMULACIONES Y RESULTADOS 6.1 Proceso de Simulación Las simulaciones fueros llevadas a cabo empleando como herramienta la Versión 6.5 Release 13 de Matlab. Para lo cual fue empleado un banco
Más detallesby Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true
by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad
Más detallesSistemas de Numeración Operaciones - Códigos
Sistemas de Numeración Operaciones - Códigos Tema 2 1. Sistema decimal 2. Sistema binario 3. Sistema hexadecimal 4. Sistema octal 5. Conversión decimal binario 6. Aritmética binaria 7. Complemento a la
Más detallesUNIDAD 2 Configuración y operación de un sistema de cómputo Representación de datos Conceptos El concepto de bit (abreviatura de binary digit) es fundamental para el almacenamiento de datos Puede representarse
Más detallesTema 4: Sistemas de Numeración. Codificación Binaria. Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid
Tema 4: Sistemas de Numeración. Codificación Binaria Ingeniería Informática Universidad Autónoma de Madrid 1 O B J E T I V O S Sistemas de Numeración. Codificación Binaria Conocer los diferentes sistemas
Más detallesÍNDICE DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ
ELECTRÓNICA DIGITAL DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ IES TRINIDAD ARROYO DPTO. DE ELECTRÓNICA ÍNDICE ÍNDICE... 1 1. LIMITACIONES DE LOS CONTADORES ASÍNCRONOS... 2 2. CONTADORES SÍNCRONOS...
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesGuía de calidad de color
Página 1 de 6 Guía de calidad de color La guía de calidad de color está diseñada para ayudar a los usuarios a comprender cómo pueden utilizar las operaciones disponibles en la impresora para ajustar y
Más detallesMedias Móviles: Señales para invertir en la Bolsa
www.gacetafinanciera.com Medias Móviles: Señales para invertir en la Bolsa Juan P López..www.futuros.com Las medias móviles continúan siendo una herramienta básica en lo que se refiere a determinar tendencias
Más detallesMovimiento a través de una. José San Martín
Movimiento a través de una curva José San Martín 1. Introducción Una vez definida la curva sobre la cual queremos movernos, el siguiente paso es definir ese movimiento. Este movimiento se realiza mediante
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesCAPITULO II CARACTERISTICAS DE LOS INSTRUMENTOS DE MEDICION
CAPITULO II CARACTERISTICAS DE LOS INSTRUMENTOS DE MEDICION Como hemos dicho anteriormente, los instrumentos de medición hacen posible la observación de los fenómenos eléctricos y su cuantificación. Ahora
Más detallesLa ventana de Microsoft Excel
Actividad N 1 Conceptos básicos de Planilla de Cálculo La ventana del Microsoft Excel y sus partes. Movimiento del cursor. Tipos de datos. Metodología de trabajo con planillas. La ventana de Microsoft
Más detallesSeñal de Referencia: Es el valor que se desea que alcance la señal de salida. SET POINT.
EL ABC DE LA AUTOMATIZACION ALGORITMO DE CONTROL PID; por Aldo Amadori Introducción El Control automático desempeña un papel importante en los procesos de manufactura, industriales, navales, aeroespaciales,
Más detallesTema 2. Análisis gráfico Ejercicios resueltos 1
Tema 2. Análisis gráfico Ejercicios resueltos 1 Ejercicio resuelto 2.1 En una tienda han anotado los precios de los artículos que han vendido en una hora. Los datos son: 9,95, 19,95, 19,95, 14,95, 29,95,
Más detallesProfundidad tonal. Es el número de grises que tiene una imagen entre la densidad máxima y la densidad mínima.
Profundidad tonal Profundidad tonal Es el número de grises que tiene una imagen entre la densidad máxima y la densidad mínima. En una imagen digital la mínima unidad de información espacial es el píxel.
Más detallesSISTEMAS DE NUMERACIÓN
SISTEMAS DE NUMERACIÓN EL SISTEMA DECIMAL Es el sistema usado habitualmente en todo el mundo. Según los antropólogos, el origen del sistema decimal está en los diez dedos que tenemos los humanos en las
Más detallesUNIDADES DE ALMACENAMIENTO DE DATOS
1.2 MATÉMATICAS DE REDES 1.2.1 REPRESENTACIÓN BINARIA DE DATOS Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS. Los computadores sólo
Más detallesLa relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota
La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota INTRODUCCIÓN En este experimento voy a relacionar el tiempo que tarda una pelota en rebotar 6 veces desde distintas
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesOperación de Microsoft Word
Trabajar con tablas Las tablas permiten organizar la información y crear atractivos diseños de página con columnas paralelas de texto y gráficos. Las tablas pueden utilizarse para alinear números en columnas
Más detalles1. Dominio, simetría, puntos de corte y periodicidad
Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele
Más detallesTEMA 5: HOJAS DE CÁLCULO. Edición de hojas de cálculo con OpenOffice Calc
TEMA 5: HOJAS DE CÁLCULO Edición de hojas de cálculo con OpenOffice Calc Qué vamos a ver? Qué es una hoja de cálculo y para qué sirve El entorno de trabajo de OpenOffice Calc Edición básica de hojas de
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesReducción del ruido en una imagen digital.
Reducción del ruido en una imagen digital. Departamento de Ingeniería electrónica, Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática OBJETIVOS: Estudio de distintas máscaras para
Más detallesRegulador PID con convertidores de frecuencia DF5, DV5, DF6, DV6. Página 1 de 10 A Regulador PID
A Página 1 de 10 A Regulador PID INDICE 1. Regulador PID 3 2. Componente proporcional : P 4 3. Componente integral : I 4 4. Componente derivativa : D 4 5. Control PID 4 6. Configuración de parámetros del
Más detallesCap. 24 La Ley de Gauss
Cap. 24 La Ley de Gauss Una misma ley física enunciada desde diferentes puntos de vista Coulomb Gauss Son equivalentes Pero ambas tienen situaciones para las cuales son superiores que la otra Aquí hay
Más detallesUn filtro general de respuesta al impulso finita con n etapas, cada una con un retardo independiente d i y ganancia a i.
Filtros Digitales Un filtro general de respuesta al impulso finita con n etapas, cada una con un retardo independiente d i y ganancia a i. En electrónica, ciencias computacionales y matemáticas, un filtro
Más detallesReconocimiento de imágenes
Capítulo 4 Reconocimiento de imágenes En la actualidad, el reconocimiento de imágenes es una herramienta de gran utilidad en el área de control y automatización. Varias empresas usan el reconocimiento
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesTutorial: Utilización del Mapa de normales, para modificar iluminación virtual.
El propósito de este tutorial es el enseñar como utilizar en PhotoShop (PS), el mapa de normales que se obtiene de la mayoría de los motores de renderizado. Para con ello lograr, entre otras muchas aplicaciones,
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesPreguntas teóricas de la Clase N 5
Preguntas teóricas de la Clase N 5 1) Respecto a la cadena de amplificación del sistema vertical (eje Y) de un osciloscopio de rayos catódicos (ORC) Qué entiende por: 1. Impedancia de entrada? Componentes
Más detallesMICROSOFT WORD 2007 AVANZADO. Unidad Didáctica Nº 1
MICROSOFT WORD 2007 AVANZADO Unidad Didáctica Nº 1 I Tablas A) Explicación conceptual y de uso de una tabla B) Creación de tablas C) Trabajo con tablas D) Formato de las tablas Ejercicio de Repaso Portal
Más detallesFiltros en el dominio de la frecuencia
Filtros en el dominio de la frecuencia Fundamentos de procesamiento de imágenes IIC / IEE 3713 1er semestre 2011 Cristián Tejos Basado en material desarrollado por Marcelo Guarini, Domingo Mery, libro
Más detallesUniversidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Agosto de 2005
Extracción de Frontera (Boundary Extraction) La frontera de un conjunto A, escrita como β(a), se puede obtener erosionando A por B y luego calcular la diferencia entre A y su erosión. Esto es β ( A) =
Más detallesSistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador
Más detallesAnálisis de los datos
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización
Más detallesTransformación de binario a decimal. Transformación de decimal a binario. ELECTRÓNICA DIGITAL
ELECTRÓNICA DIGITAL La electrónica es la rama de la ciencia que se ocupa del estudio de los circuitos y de sus componentes, que permiten modificar la corriente eléctrica amplificándola, atenuándola, rectificándola
Más detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesColegio Salesiano Don Bosco Academia Reparación Y Soporte Técnico V Bachillerato Autor: Luis Orozco. Subneteo
Subneteo La función del Subneteo o Subnetting es dividir una red IP física en subredes lógicas (redes más pequeñas) para que cada una de estas trabajen a nivel envío y recepción de paquetes como una red
Más detallesTema 2. La Información y su representación
Tema 2. La Información y su representación 2.1 Introducción. Un ordenador es una máquina que procesa información. La ejecución de un programa implica la realización de unos tratamientos, según especifica
Más detallesFiltrado de imágenes
Capítulo 3 Filtrado de imágenes Bibliografía: González, R.C., Wintz, P. (1996), Procesamiento digital de imágenes. Addison- Wesley, Tema 3,4, pág 89-269. Contenidos: 1. Fuentes de degradación de la imagen.
Más detallesSISTEMAS NUMERICOS. Ing. Rudy Alberto Bravo
SISTEMAS NUMERICOS SISTEMAS NUMERICOS Si bien el sistema de numeración binario es el más importante de los sistemas digitales, hay otros que también lo son. El sistema decimal es importante porque se usa
Más detalles21/02/2012. Agenda. Unidad Central de Procesamiento (CPU)
Agenda 0 Tipos de datos 0 Sistemas numéricos 0 Conversión de bases 0 Números racionales o Decimales 0 Representación en signo-magnitud 0 Representación en complemento Unidad Central de Procesamiento (CPU)
Más detallesComprendiendo el Histograma. El fotometro del siglo 21
Comprendiendo el Histograma Posiblemente la herramienta más útil en la fotografía digital es el histograma. También puede ser el menos comprendido. En este artículo exploraremos lo que el histograma de
Más detallesNaturaleza binaria. Conversión decimal a binario
Naturaleza binaria En los circuitos digitales sólo hay 2 voltajes. Esto significa que al utilizar 2 estados lógicos se puede asociar cada uno con un nivel de tensión, así se puede codificar cualquier número,
Más detallesAutor: Microsoft Licencia: Cita Fuente: Ayuda de Windows
Qué es Recuperación? Recuperación del Panel de control proporciona varias opciones que pueden ayudarle a recuperar el equipo de un error grave. Nota Antes de usar Recuperación, puede probar primero uno
Más detallesCapítulo 10. Gráficos y diagramas
Capítulo 10. Gráficos y diagramas 1. Introducción Los gráficos y diagramas que se acostumbran a ver en libros e informes para visualizar datos estadísticos también se utilizan con propósitos cartográficos,
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detalles6. VECTORES Y COORDENADAS
6. VECTORES Y COORDENADAS Página 1 Traslaciones. Vectores Sistema de referencia. Coordenadas. Punto medio de un segmento Ecuaciones de rectas. Paralelismo. Distancias Página 2 1. TRASLACIONES. VECTORES
Más detallesAnálisis de Datos. Práctica de métodos predicción de en WEKA
SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detallesUNIDAD Nº 1: 1. SISTEMAS DE NUMERACION. Formalizado este concepto, se dirá que un número X viene representado por una cadena de dígitos:
UNIDAD Nº 1: TECNICATURA EN INFORMATICA UNLAR - CHEPES 1.1. INTRODUCCION 1. SISTEMAS DE NUMERACION El mundo del computador es un mundo binario. Por el contrario, el mundo de la información, manejada por
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesInformática Bioingeniería
Informática Bioingeniería Representación Números Negativos En matemáticas, los números negativos en cualquier base se representan del modo habitual, precediéndolos con un signo. Sin embargo, en una computadora,
Más detalles