Transformadas de la imagen

Transformadas de la imagen
Digital Image Processing, Gonzalez, Woods, Addison Wesley, ch 3
Transformadas de la imagen 1

Transformada de Fourier en el
caso continuo
Transformada de Fourier de una funcion continua
La transformada inversa recupera la función a partir de
Transformadas de la imagen 2

La transformada de Fourier de una función real es compleja
En forma exponencial:
Donde, el espectro de Fourier es
El ángulo de fase es
El espectro de potencia es
La variable u es la variable frecuencia debido a la relación de Euler
Transformadas de la imagen 3

Transformadas de la imagen 4

Continua e integrable
Integrable
Esta definido el par de transformadas directa e inversa
Espectro y fase
Ejemplo:
Transformadas de la imagen 5

Transformadas de la imagen 6

Transformadas de la imagen 7

Transformada discreta de Fourier
Discretización de la función continua, tomando N muestras
Adoptando la notación
Denota una muestra uniformemente
espaciada de una función continua
Transformadas de la imagen 8

El par de transformadas discretas de Fourier se define como:
Teniendo en cuenta que representa
Las frecuencias de muestreo en los planos
espacial y transformado se relacionan como:
Caso de dos variables
La transformada en el caso discreto siempre existe
Transformadas de la imagen 9

El problema de la
visualización del
espectro:
Es necesario escalar el
rango de valores para
poder visualizarlo como
una imagen en niveles
de gris.
Transformadas de la imagen 10

Separabilidad: se puede calcular la transformada
multidimensional como iteraciones de la transformada
unidimensional en cada dimensión
Transformadas de la imagen 11

Traslación: la traslación en un dominio se corresponde con la
multiplicación por un término exponencial.
El espectro de potencia es
invariante a traslación en el
plano espacial.
Para cambiar el origen de coordenadas
al centro del cuadrado de las
frecuencias, para visualización
Transformadas de la imagen 12

La transformada discreta es periódica de periodo N
También posee
simetría conjugada
Transformadas de la imagen 13

Usualmente se desplaza el origen al centro del cuadrado NxN para
visualizar mejor el espectro de la función
Transformadas de la imagen 14

Rotación: la rotación en el plano espacial se corresponde con
la rotación en el plano transformado
Coordenadas polares
Transformadas de la imagen 15

La transformada es distributiva respecto de la suma pero no del
producto
El escalado de la función y de
su dominio se transforman
correspondientemente:
El valor medio corresponde con la transformada en el origen
Transformada del Laplaciano de la función
Transformadas de la imagen 16

Convolución de dos funciones continuas 1D
La convolución con la función impulso corresponde a extraer
el valor de la función en la posición del impulso
Teorema de la convolución: la convolución y el producto son
duales bajo la transformada de Fourier
Transformadas de la imagen 17

Ejemplo de convolución
con un tren de impulsos.
La función se repite en
cada posición del
impulso.
Transformadas de la imagen 18

Ejemplo de convolución
de dos funciones
continuas detallando los
pasos computacionales
Transformadas de la imagen 19

La convolución en el caso discreto exige tener en cuenta la
periodicidad de las funciones discretas. Si las funciones son de
periodo M, la convolución será también discreta y del mismo
periodo. El problema es determinar M.
Garantiza que no se produce solapamiento
Los periodos serán adyacentes
Los periodos estan separados
Transformadas de la imagen 20

Secuencias extendidas para garantizar el tamaño del periodo
Expresión para la convolución discreta
Esta expresión garantiza la consistencia con la
definición de la convolución en el caso continuo.
El teorema de la convolución también es valido en el
caso discreto.
Transformadas de la imagen 21

Comparación entre la convolución en el caso continuo y en el
caso discreto. La convolución discreta es una función
periódica de periodo M.
Transformadas de la imagen 22

Caso bidimensional continuo y discreto
Transformadas de la imagen 23

Ilustración de los
procesos
computacionales
de la convolución
continua en dos
dimensiones.
Transformadas de la imagen 24

Correlación: es una medida de la similitud
Teorema de la correlación:
dualidad del producto y la
correlación
Transformadas de la imagen 25

Ejemplo detallado de la
realización de la correlación
en el caso continuo.
La correlación es una
transformación de
localización: nos
indica donde se
encuentra la función
más parecida al
patrón.
Transformadas de la imagen 26

Muestreo
¿Cuantas muestras se deben tomar para que no se
pierda información en el proceso de muestreo o
discretización?
Se trata de establecer las condiciones en las que una
función continua puede ser recuperada completamente
a partir de un conjunto finito de valores muestreados.
Transformadas de la imagen 27

Efecto del muestreo en el dominio
frecuencial: frecuencias de
muestreo excesivamente bajas
producen interferencias
frecuenciales y pérdida de
información.
Si la frecuencia de muestreo está por encima de
la frecuencia de Nyquist, se puede recuperar la
función original a partir del muestreo,
aplicando una ventana a la transformada que
seleccione el periodo en el origen.
Transformadas de la imagen 28

Al realizar un muestreo en un intervalo finito estamos multiplicando una
ventana a la función muestreada, o convolucionando la transformada de la
función discretizada con la de la ventana, esta última no es finita, por
tanto la función así muestreada no es de banda limitada y no será
recuperable.
Transformadas de la imagen 29

Transformada discreta de
Fourier: Al discretizar el
plano transformado
estamos convolucionando
la discretización espacial
con un tren de impulsos
que convierten la función
en periódica.
Transformadas de la imagen 30

Muestreo 2D
Transformadas de la imagen 31

Condiciones de
muestreo para la
recuperación de la
imagen original.
Transformadas de la imagen 32

Transformadas separables
Transformada directa Transformada inversa
Kernel directo de la
transformada
Kernel separable Kernel simétrico
Caso de la transformada
de Fourier bidimensional
Kernel inverso de la
transformada
Transformadas de la imagen 33

La transformada separable y simetrica puede calcularse
aplicando dos transformadas unidimensionales
En forma matricial
F es la matriz imagen, A es la matriz kernel de transformación
Para obtener la transformación inversa se calcula:
Si La inversa es exacta
Sino se obtiene una aproximación
Transformadas de la imagen 34

Transformada de Walsh
Separabilidad y
simetría
K-esimo bit en la
representación binaria de z
Transformadas de la imagen 35

Base de funciones de la
transformada de Walsh
cuando la imagen es de
tamaño 4x4. Los
coeficientes de la
transformada se obtienen
multiplicando la imagen por
cada una de las funciones de
la base.
Transformadas de la imagen 36

Transformada de Hadamard
Separabilidad y
simetría
Transformadas de la imagen 37

Transformadas de la imagen 38

Transformadas de la imagen 39

Discrete Cosine Transform (DCT)
La base de funciones son funciones coseno y el resultado
de la transformación es siempre real, lo que simplifica los
cálculos.
Transformadas de la imagen 40

Transformadas de la imagen 41

Transformadas de la imagen 42

Transformada en componentes principales:
Hotelling, Karhunen-Loeve
Población de vectores aleatorios de media y matriz de covarianza
Dadas M muestras de la población de vectores aleatorios,se puede calcular
Puesto que la matriz de covarianza es real y simetrica, se puede diagonalizar y
encontrar el conjunto de autovectores ortogonales de la matriz. Sean estos
autovectores ordenados por autovalor dispuestos por columanas en una matriz
A.
Errir de reconstrucción de los datos originales si
consideramos solo los K autovectores de mayor autovalor
Transformadas de la imagen 43

Transformadas de la imagen 44

Transformadas de la imagen 45