Procesamiento de imágenes digitales: Avances en la visión artificial para la automatización inteligente

Capítulo 1 : Procesamiento digital de imágenes

En pocas palabras, el procesamiento digital de imágenes es la manipulación algorítmica de imágenes digitales en una computadora digital. El procesamiento digital de imágenes, un subcampo del procesamiento digital de señales, ofrece muchas ventajas con respecto a su predecesor analógico. Permite el uso de más algoritmos en los datos de entrada y ayuda a evitar que se acumulen problemas como el ruido y la distorsión. El procesamiento digital de imágenes puede describirse como sistemas multidimensionales debido al hecho de que las imágenes se especifican en dos (o más) dimensiones. El avance de la tecnología informática, el crecimiento de las matemáticas (en particular el desarrollo y la mejora de la teoría de las matemáticas discretas) y la creciente demanda de procesamiento digital de imágenes en una variedad de campos, incluidos el medio ambiente, la agricultura, el ejército, la industria y la medicina, son las principales influencias en su creación y crecimiento.

El procesamiento digital de imágenes, o procesamiento digital de imágenes, como se conocía anteriormente, fue pionero en la década de 1960 por una serie de instituciones de investigación, incluidos los Laboratorios Bell, el Laboratorio de Propulsión a Chorro, el MIT, la Universidad de Maryland y otros para su uso en campos como imágenes satelitales, conversión de estándares de fotografía por cable, imágenes médicas, videoteléfonos, reconocimiento de caracteres y mejora de fotografías.

Sin embargo, dada la tecnología disponible en ese momento, el costo de procesamiento era bastante alto. Sin embargo, en la década de 1970, el procesamiento digital de imágenes explotó a medida que las computadoras de bajo costo y los equipos especializados se volvieron ampliamente accesibles. Como resultado, desafíos como la conversión de estándares de televisión podrían abordarse en tiempo real utilizando el procesamiento de imágenes. Las computadoras de propósito general comenzaron a reemplazar el hardware especializado para todas las tareas, excepto las más costosas desde el punto de vista computacional, a medida que aumentaban sus velocidades de procesamiento. Con la llegada de potentes ordenadores y procesadores de señales en la década de 2000, el procesamiento digital de imágenes sustituyó rápidamente a las técnicas analógicas como el estándar de oro en la industria.

La tecnología de semiconductores de óxido metálico (MOS) es la base de los sensores de imagen actuales, La transformada discreta de coseno (DCT) fue una innovación clave en la tecnología de compresión de imágenes digitales que fue presentada inicialmente por Nasir Ahmed en 1972.

En la década de 1970, el uso generalizado de la tecnología MOS alteró radicalmente el campo del procesamiento electrónico de señales.

El dispositivo de tomografía computarizada de rayos X (a menudo conocido como TC) para el diagnóstico de la cabeza fue creado en 1972 por el ingeniero (tomografía computarizada) de la empresa británica EMI Housfield. La técnica del núcleo de la TC se basa en una proyección de una sección transversal de una cabeza humana, que luego se procesa digitalmente para recrear la imagen de la sección transversal. Las imágenes tomográficas de diferentes secciones del cuerpo humano se produjeron claramente cuando EMI creó un dispositivo de tomografía computarizada de cuerpo entero en 1975. Este método de diagnóstico fue galardonado con el Premio Nobel en 1979.

Como resultado del empleo de algoritmos más complicados, el procesamiento digital de imágenes puede proporcionar tanto un mejor rendimiento en trabajos básicos como la introducción de técnicas que serían difíciles de hacer con equipos analógicos.

El procesamiento digital de imágenes, en particular, es una aplicación útil y una tecnología que se basa en:

Clasificación

Extracción de características

Análisis de señales a varias escalas

Reconocimiento de patrones

Proyección

Ejemplos de métodos utilizados por el procesamiento digital de imágenes:

Difusión anisotrópica

Modelos ocultos de Markov

Edición de imágenes

Restauración de imagen

Análisis independiente de componentes

Filtrado lineal

Redes neuronales

Ecuaciones diferenciales parciales

Pixelación

Coincidencia de entidades de puntos

Análisis de componentes principales

Mapas que se organizan solos

Wavelets

Para suavizar o enfocar las fotos digitales, basta con aplicar un filtro adecuado. Es posible filtrar los datos por:

convolución en el dominio espacial utilizando un conjunto de kernels (filtros) bien elaborados.

enmascaramiento de dominio de frecuencia (Fourier) para ocultar ciertas frecuencias

Los dos enfoques se ven a continuación:

Antes de ser traducidas al espacio de Fourier, las imágenes suelen estar rellenadas; Las imágenes filtradas de paso alto a continuación muestran los efectos de varios métodos de relleno:

En comparación con el relleno de bordes repetido, el relleno de cero hace que el filtro de paso alto muestre un conjunto adicional de bordes.

Filtrado de paso alto en el dominio espacial: una demostración de MATLAB.

img=tablero de ajedrez(20); % generar tablero de ajedrez

% ************************** DOMINIO ESPACIAL ***************************

klaplace=[0 -1 0; -1 5 -1; 0 -1 0]; % Kernel de filtro laplaciano

X=conv2(img,klaplace); % de convolución de la prueba img con

% 3x3 Semilla laplaciana

figura()

imshow(X,[]) % mostrar laplaciano filtrado

title('Detección de bordes laplacianos')

A continuación se muestran ejemplos de cómo se pueden utilizar las transformaciones afines para realizar manipulaciones fundamentales de la imagen, como el escalado, la rotación, la traslación, la reflexión y el corte:

La matriz afín se aplica a una imagen transformándola primero en una matriz donde cada entrada representa la intensidad de un solo píxel. Una vez que se conocen la fila y la columna de un píxel en la matriz de la imagen, la posición de un píxel se puede representar como un vector que muestra las coordenadas de ese píxel en la imagen, [x, y]. Esto permite multiplicar la coordenada por una matriz de transformación afín, que a su vez produce el valor de píxel de la imagen de salida en la ubicación