Las operaciones de filtrado se llevan a cabo directamente sobre los píxeles de la imagen. En este
proceso se relaciona, para todos y cada uno de los puntos de la imagen, un conjunto de píxeles
próximos al píxel objetivo con la finalidad de obtener una información útil, dependiente del tipo de filtro
aplicado, que permita actuar sobre el píxel concreto en que se está llevando a cabo el proceso de
filtrado para, de este modo, obtener mejoras sobre la imagen y/o datos que podrían ser utilizados en
futuras acciones o procesos de trabajo sobre ella.
Los filtros en el dominio del espacio pueden clasificarse en:
- Filtros lineales (filtros basados en kernels o máscaras de convolución).
- Filtros no lineales.
El concepto de kernel se entiende como una matriz de coeficientes donde el entorno del
punto (x,y) que se considera en la imagen para obtener g(x,y)
está determinado por el tamaño y forma del kernel seleccionado. Aunque la forma y tamaño de esta
matriz es variable y queda a elección de cada usuario, es común el uso de kernels cuadrados nxn.
Dependiendo de la implementación, en los límites de la imagen se aplica un tratamiento especial (se
asume un marco exterior de ceros o se repiten los valores del borde) o no se aplica ninguno. Es por
ello, que el tipo de filtrado queda establecido por el contenido de dicho kernel utilizado.
la imagen. Para ello se sigue el Teorema de Convolución en el espacio: g(x,y) = h(x,y) * f(x,y)
- Cada píxel de la nueva imagen se obtiene mediante el sumatorio de la multiplicación del kernel por los píxeles contiguos:
g(x,y) = ∑∑ f(i,j) w(i,j) - Generalmente se divide sobre cierto valor constante para normalizar que suele obtenerse de la suma de los valores del kernel empleado.
Tipos
- Realce de bordes mediante Laplace: este tipo de filtros realza los bordes en todas direcciones (los resultados que se obtienen pueden considerarse como una “suma” de los obtenidos tras aplicar todos los modelos del tipo anterior). En esta ocasión se trabaja con la segunda derivada, que permite obtener unos mejores resultados, a pesar del aumento del ruido que se produce en la imagen.
-
- Filtro paso bajo (suavizamiento): utilizados para eliminar ruido o detalles pequeños de poco interés puesto que sólo afecta a zonas con muchos cambios. La frecuencia de corte se determina por el tamaño del kernel y sus coeficientes. Se emplean diversos kernels:
- Promedio: promedio de píxeles vecinos (kernel de unos).
- Paso bajo en frecuencia.
- Media: reemplaza cada píxel por el valor medio de sus contiguos.
- Mediana: sustituye por el valor de la mediana de los píxeles vecinos (normalmente se comporta mejor que el de promedio).
- Gaussiano: aproximación a la distribución gaussiana.
- Filtro paso alto (atenuamiento): intensifica los detalles, bordes y cambios de alta frecuencia, mientras que atenúa las zonas de tonalidad uniforme. Esto permite una mejor identificación posterior de los objetos que se encuentren en la imagen, puesto que el brillo se hace mayor en las zonas con frecuencias más altas, al mismo tiempo que se oscurecen las zonas de frecuencias bajas. Es común la aparición de ruido tras el proceso.
- Realce de bordes por desplazamiento y diferencia: sustrae de la imagen original una copia desplazada de la misma. Así, es posible localizar y hacer resaltar los bordes existentes y que se quieran obtener según el modelo de kernel aplicado:
- Horizontal.
- Vertical.
- Horizontal/Vertical (diagonal).
- Resalte de bordes con gradiente direccional: empleado para destacar y resaltar con mayor precisión los bordes que se localizan en una dirección determinada. Trabaja con los cambios de intensidad existentes entre píxeles contiguos.
- Detección de bordes y filtros de contorno (Prewitt y Sobel): al igual que los anteriores, se centra en las diferencias de intensidad que se dan pixel a pixel. Son utilizados para obtener los contornos de objetos y de este modo clasificar las formas existentes dentro de una imagen. Este tipo de filtros requieren un menor coste computacional.
No hay comentarios:
Publicar un comentario