ENTREGA DE ACTIVIDAD POR PARTE DEL ESTUDIANTE

1. Identificación del curso:

Programa académico: Ingeniería Biomédica

Nombre del curso: Procesamiento digital de Señales
Número de clase: Ultima clase
Temática: Contaminacion de imagenes
Objetivo: Identificar los métodos para
realizar las mejoras en las imagenes
Estrategia didáctica:

2. Identificación Estudiante

Nombre Completo: Iader Eduardo Trujillo Sarmiento

Código: 81647
Nombre Completo: Danna Ximena Osma Molina
Código: 83857

Fecha: 16/11/2023

3. Actividades desarrolladas
Taller Practico
1. Contaminar una imagen de rx con ruido de sal y pimienta
2. Con una selfie agregar un ruido gauss y luego filtrar
3. Filtrar una imagen de ecografía
4. De una RMN detectar los bordes con el método la place y
sobel
5. De una Selfie oscura hacer highpass y high boost
4. Temática

Se realizó la programación y filtrado de la señal a través de matlab

5. Evidencia de aprendizaje
RUIDO SAL Y PIMIENTA
El ruido de sal y pimienta es un tipo de ruido impulsivo que se presenta principalmente en imágenes digitales. Se
caracteriza por la presencia de píxeles de color blanco (sal) y negro (pimienta) distribuidos aleatoriamente en la
imagen.

Este tipo de ruido puede producirse por diversas causas, como:

• Defectos en el sensor de la cámara fotográfica.

• Daños en el medio de almacenamiento de la imagen.
• Interferencias durante la transmisión de la imagen.
• El ruido de sal y pimienta puede afectar significativamente la calidad de una imagen, ya que puede hacer
que los bordes se difuminen y que los detalles se pierdan.
 Una forma efectiva para reducir el ruido de sal y pimienta es mediante el uso de filtros medianos. Los filtros
medianos reemplazan cada píxel de la imagen por el valor mediano de los píxeles adyacentes. Esto ayuda a
suavizar la imagen y a reducir la presencia de los píxeles de color blanco y negro.

Otra forma de reducir el ruido de sal y pimienta es mediante el uso de filtros morfológicos. Los filtros
morfológicos utilizan operaciones matemáticas para modificar la forma y el tamaño de los objetos en una imagen.
En el caso del ruido de sal y pimienta, se pueden utilizar filtros morfológicos para eliminar los píxeles de color
blanco y negro.

RUIDO GAUSS

El ruido Gauss en imágenes es un tipo de ruido aleatorio que se distribuye de acuerdo con una distribución normal. Esto
significa que la mayoría de los valores del ruido están cerca del valor promedio, con algunos valores más altos y otros
más bajos. La distribución normal también tiene una cola larga, lo que significa que es posible que ocurran valores muy
altos o muy bajos.

El ruido Gauss es un tipo de ruido común en las imágenes digitales. Puede ser causado por una variedad de factores,
como la contaminación de la luz, la falta de precisión en el sensor de imagen o la compresión de imágenes.

El ruido Gauss se puede visualizar como puntos aleatorios de color o brillo en una imagen. Estos puntos pueden ser muy
pequeños y difíciles de ver, o pueden ser más grandes y más obvios.

El ruido Gauss puede tener un impacto significativo en la calidad de una imagen. Puede hacer que la imagen se vea
borrosa, granulada o con manchas. También puede dificultar la identificación de objetos en la imagen.

Hay una serie de técnicas que se pueden utilizar para reducir el ruido Gauss en las imágenes. Estas técnicas incluyen:

• Filtros de paso bajo: Los filtros de paso bajo son filtros que permiten que solo las frecuencias bajas pasen a
través de ellos. Esto ayuda a suavizar la imagen y a reducir el ruido.
• Filtros de mediana: Los filtros de mediana reemplazan cada píxel en una imagen con la mediana de los píxeles
vecinos. Esto ayuda a eliminar los valores atípicos, que son los píxeles que están muy lejos del valor promedio.
• Filtros de suavizado: Los filtros de suavizado difuminan la imagen, lo que ayuda a reducir el ruido.

Filtrado de una Señal

El filtrado de imágenes es importante por varias razones. En primer lugar, se puede utilizar para eliminar el ruido de una
imagen. Esto puede ser útil para mejorar la calidad de la imagen o para facilitar el análisis de la imagen. En segundo
lugar, se puede utilizar para resaltar o suavizar ciertas características de una imagen. Esto puede ser útil para mejorar la
estética de la imagen o para facilitar la identificación de objetos o personas en la imagen. En tercer lugar, se puede
utilizar para transformar la apariencia de una imagen.

Detección de Bordes en una Imagen.

La detección de bordes es una técnica de procesamiento de imágenes que se utiliza para identificar discontinuidades en
el brillo o el color de una imagen. Los bordes son importantes en el procesamiento de imágenes porque pueden
proporcionar información sobre la estructura y la forma de los objetos en una imagen.

Existen muchos métodos diferentes para detectar bordes. Dos de los métodos más comunes son los operadores
Laplaciano y Sobel.
 • La place
El operador Laplaciano es un operador de diferencia de segunda orden que se utiliza para detectar bordes en una
imagen. El operador Laplaciano se define como la suma de las segundas derivadas de la imagen en las direcciones
horizontal y vertical.

El operador Laplaciano es un operador isotrópico, lo que significa que es sensible a los bordes en cualquier
dirección. Sin embargo, el operador Laplaciano también es sensible al ruido, lo que puede provocar la aparición de
falsos bordes.

• Operador Sobel
El operador Sobel es un operador de diferencia de primera orden que se utiliza para detectar bordes en una imagen.
El operador Sobel se define como la suma de las primeras derivadas de la imagen en las direcciones horizontal y
vertical.

Las ecuaciones de los operadores Sobel horizontal y vertical son las siguientes:

Gx = (-1, 0, 1) * (f(x - 1, y) + f(x, y) + f(x + 1, y)) / 3

Gy = (-1, 0, 1) * (f(x, y - 1) + f(x, y) + f(x, y + 1)) / 3

donde:

• Gx es la imagen de bordes en la dirección horizontal

• Gy es la imagen de bordes en la dirección vertical
• f(x, y) es la imagen original

El operador Sobel es un operador anisotrópico, lo que significa que es más sensible a los bordes en una dirección que en
la otra. El operador Sobel también es menos sensible al ruido que el operador Laplaciano.

Proceso de detección de bordes

El proceso de detección de bordes con los operadores Laplaciano o Sobel se puede dividir en los siguientes pasos:

• Suavizar la imagen: El suavizado de la imagen ayuda a reducir el ruido y a mejorar la precisión de la detección
de bordes.
• Aplicar el operador de detección de bordes: El operador de detección de bordes se aplica a la imagen suavizada
para generar una imagen de bordes.
• Eliminar los falsos bordes: Los falsos bordes se pueden eliminar mediante un proceso de umbralización o de
interpolación
CÓDIGO UTILIZADO PARA LA OBTENCIÓN DE LA SEÑAL

Contaminación de una Imagen Rx con Sal y Pimienta

clear all
close all
clc
I=imread('panoramica.png');
K=ones(3,3)*1/9;
I2=imnoise(I, 'salt & pepper', 0.05);
figure (1),
subplot (2,1,1), imshow(I2)
S=imfilter(I2,K);
subplot (2,1,2), imshow(S)

Ruido Gauss
IN=imread('contrateI.jpeg')
K=ones(3,3)*1/9;
I3=imnoise(IN,'gaussian',0,0.008);
figure (2),
subplot (1,2,1), imshow(I3)
SN=imfilter(I3,K);
subplot(1,2,2), imshow(SN)
 Imagen 1

Imagen 2

Ecografía Filtrada

IE=imread('ecografia.jpg')
K=ones(3,3)*1/9
SE=imfilter(IE,K)
figure(3),
subplot (2,1,1), imshow(IE)
subplot (2,1,2), imshow(SE)
Deteccion de Bordes en una RMN

IR=imread('RMN.jpg')
K1=ones(3,3)*1/9;
K=[1 0 1;1 -6 1;1 0 1];
I5=imfilter(IR,K1)
figure(4),
subplot(1,2,1), imshow(IR)
SR=imfilter(I5,K)
subplot(1,2,2), imshow(SR*8+I5*0.5)

Imagen Oscura

IO=imread('oscuraiader.jpeg')
gh=[1 1 1; 1 0 -1;1 1 1];
gv=[3 3 3; 0 0 0; -3 -3 -3];
Ih=imfilter(IO,gh);
figure (5),
subplot(1,3,1), imshow(uint8(Ih))
Iv=imfilter(IO,gv);
subplot(1,3,2), imshow(uint8(Iv))
IT=sqrt(double(Ih+Iv*2));
subplot(1,3,3), imshow(uint8(IT*8))
 6. Conclusiones

En el trabajo realizado se desarrollaron métodos matemáticos para el arreglo de imágenes. Estos métodos se basan en la
descripción matemática de las imágenes como matrices de valores.

Los métodos desarrollados se dividen en dos categorías principales:

• Métodos de reparación: Estos métodos se utilizan para restaurar imágenes que han sido dañadas por algún
proceso, como el ruido, la distorsión o la pérdida de información.
• Métodos de mejora: Estos métodos se utilizan para mejorar la calidad de las imágenes sin cambiar su contenido
original.

Dentro de cada categoría, se desarrollaron varios métodos específicos. Por ejemplo, los métodos de reparación incluyen
métodos de suavizado, métodos de filtrado y métodos de reconstrucción. Los métodos de mejora incluyen métodos de
contraste, métodos de nitidez y métodos de color.

Los resultados obtenidos con los métodos desarrollados son prometedores. Se ha demostrado que estos métodos pueden
mejorar significativamente la calidad de las imágenes en una variedad de aplicaciones.

A continuación, se presentan algunas conclusiones específicas del trabajo realizado:

• Los métodos de reparación basados en el uso de matrices de valores son efectivos para restaurar imágenes
dañadas por ruido.
• Los métodos de mejora basados en el uso de matrices de valores pueden mejorar significativamente el contraste,
la nitidez y el color de las imágenes.
• Los métodos desarrollados son aplicables a una variedad de aplicaciones, como la imagen médica, la visión
artificial y el procesamiento de imágenes.

El trabajo realizado abre nuevas posibilidades para el desarrollo de métodos matemáticos para el arreglo de imágenes.
Estos métodos tienen el potencial de mejorar significativamente la calidad de las imágenes en una variedad de
aplicaciones.
A continuación, se presentan algunas recomendaciones para futuras investigaciones en este campo:

• Desarrollar métodos de reparación más eficientes para imágenes dañadas por distorsión o pérdida de
información.
• Desarrollar métodos de mejora más sofisticados para mejorar el contenido semántico de las imágenes.
• Aplicar los métodos desarrollados a nuevas aplicaciones, como el reconocimiento de imágenes y la realidad
aumentada.

7. Bibliografía

• Wikipedia: Ruido sal y pimienta

• Digital Image Processing: A Practical Introduction, Rafael C. Gonzalez, Richard E. Woods, and Steven L.
Eddins
• Image Processing for Computer Vision, Simon Haykin and Lei Xu