Procesamiento y Análisis Digital de Imágenes

Argumento de Procesamiento y Análisis Digital de Imágenes

El avance de los sistemas de visión por computadora ha estado estrechamente relacionado a la tecnología informática. Este manual está orientado hacia la investigación, teoría, desarrollo de algoritmos y comprobación de programas, aunque no esperamos que sea solo consultado por personas dedicadas al mundo de la informática o de las ciencias básicas, sino que también puede ser examinado por otros especialistas, como ingenieros, biólogos, radiólogos, patólogos, geólogos, meteorólogos, oncólogos, entre otros.

A diferencia con otros manuales dedicados a esta especialidad, en éste se ha tratado de que cada capítulo fuera autoconsistente, en el sentido que no fuera necesario recorrer todo el texto para poder entender lo expresado.

Por este motivo, cada sección tiene las herramientas adecuadas para la comprensión de un modelo o de un tipo de procedimiento, seguido de un ejemplo visual y, a continuación, una función (en lenguaje C) o los pasos algorítmicos para que el lector tenga la oportunidad de probar lo aprendido con sus ejemplos numéricos.0Autores
Prefacio

Capítulo 1. Introducción
1.1 Etapas Para El Análisis De Una Imagen
1.2 Alcance Y Proyección Del Libro
1.3 Estructura Del Libro

Capítulo 2. Proceso De Captación Y Formación De Una Imagen
2.1 Formación De La Imagen
2.2 Captación De Una Imagen
2.2.1 Muestreo Y Cuantificación
2.2.2 Representación De La Imagen Digital
2.3 Resolución Espacial Y Resolución En Niveles De Gris
2.4 Modelo De La Imagen Digital
2.5 El Sistema Visual Humano
2.5.1 El Ojo Humano
2.5.2 Formación De La Imagen Por El Sistema Visual
2.6 Algunos Fenómenos En El Sistema Visual Humano
2.7 Configuración De Un Sistema De Visión Por Computadora
2.7.1 Costo/Beneficio

Capítulo 3. Mejoramiento Y Restauración Digital De Una Imagen
3.1 El Mejoramiento Digital De Imágenes
3.1.1 Operaciones Puntuales
3.1.1.1 El Histograma De Una Imagen. Su Importancia Para Obtener Información Útil De La Imagen
3.1.1.2 Ajuste De Histogramas
3.1.1.3 Otros Tipos De Operaciones Puntuales Para El Mejoramiento
3.2 Operaciones Locales
3.2.1 Acentuado De Detalles En Una Imagen
3.3 Reducción Del Ruido En Una Imagen Por Filtrado Paso Bajo
3.4 Operaciones Estadísticas Para El Mejoramiento De Una Imagen
3.4.1 Mejoramiento Del Contraste
3.4.2 Filtrado Estadístico Para Ruido Aditivo
3.4.3 Filtros No-Lineales Para La Atenuación Del Ruido De Impulso
3.5 Restauración Digital De Imágenes
3.5.1 Sistema Lineal
3.5.1.1 Sistema Lineal Invariante: Función De Transferencia
3.5.2 Proceso De Registro
3.5.3 Método Para La Obtención De La Función De Dispersión Puntual
3.5.3.1 Aspectos Teóricos Del Método Del “cepstrum”
3.5.3.2 Dos Tipos De Funciones De Dispersión Puntual
3.5.4 Método Lineal Y No-Lineal Para La Restauración Digital De Imágenes
3.5.4.1 Método Lineal De Restauración
3.5.4.2 Método No Lineal De Restauración

Capítulo 4. Segmentación De Imágenes
4.1 Métodos Basados En El Umbralado Del Histograma
4.1.1 El Método De Otsu
4.2 Métodos Basados En La Formación De Regiones
4.2.1 Crecimiento De Regiones Por Agrupamiento De Píxeles
4.2.2 Segmentación Por El Clasificador De Bayes
4.2.2.1 Fórmula De Bayes Aplicada A La Segmentación Supervisada
4.3 Métodos De Segmentación Basados En La Detección De Discontinuidades
4.3.1 Detección De Puntos, Bordes Y Líneas
4.3.2 Detección De Bordes Mediante El Cálculo Del Gradiente
4.3.3 Detección De Bordes A Través De Las Máscaras De Sobel
4.3.4 Detección De Bordes A Través Del Laplaciano
4.4 Detección De Líneas
4.5 Detectores De Bordes Basados En Máscaras
4.5.1 Operador De Kirsh
4.5.2 Operador De Robinson
4.5.3 Operador De Prewit
4.6 Otras Formas De Detección De Bordes
4.6.1 Operador De Homogeneidad
4.6.2 Operador Diferenciador
4.7 Operador De Canny
4.7.1 Localización De Bordes
4.7.1.1supresión De No Máximos
4.7.1.2 Umbralado
4.8 Técnicas Actuales De Segmentación
4.8.1 Modelos Deformables
4.8.2 Media Desplazada (“mean Shift ”)
4.8.2.1 Estimación Por Núcleos
4.8.2.2 El Procedimiento De La Media Desplazada

Capítulo 5. Morfología Matemática
5.1 Transformaciones Morfológicas
5.1.1 Algunas Propiedades De Las Transformaciones Morfológicas
5.2 Operaciones Básicas De Erosión Y Dilatación
5.2.1 Dilatación Y Erosión Generalizadas
5.3 Apertura Y Cierre
5.4 Gradiente Morfológico
5.5 Transformación De Sombrero De Copa (“top-hat”)
5.6 Transformación De Acierto O Error (“hit Or Miss”)
5.7 Reconstrucción De Imágenes A Través De Operaciones Morfológicas
5.7.1 Definiciones Fundamentales
5.7.2 Reconstrucción En El Caso Binario
5.7.3 Reconstrucción Morfológica En El Caso De Niveles De Grises
5.7.3.1máximos Regionales Y Extracción De Techos
5.7.3.2 Algoritmos Rápidos Para La Reconstrucción De Imágenes En Niveles De Grises
5.8 Segmentación De Imágenes A Través De Transformaciones Morfológicas
5.8.1 Segmentación De Imágenes Por El Método De “watershed”

Capítulo 6. Análisis De Imágenes: Representación Y Descripción
6.1 Representación De Los Objetos En Una Imagen
6.1.1 Esquemas De Representación
6.2 Extracción De Rasgos Descriptores
6.2.1 Descriptores Del Contorno De Una Forma
6.2.2 Factor De Forma Circular Normalizado
6.2.3 Ancho Y Altura De Un Objeto
6.2.4 Radio Medio
6.2.5 Descriptores Basados En Los Momentos Geométricos
6.2.5.1 Invariantes A Cambios De Escala: Momentos Centrales Normalizados
6.2.5.2 Invariantes A Traslaciones, Rotaciones Y Cambios De Escala
6.2.5.3 Invariantes A Desplazamiento, Rotaciones, Cambios De Escala Y Cambios De Contraste
6.2.5.4 El Teorema Fundamental (revisado) Para Momentos Invariantes
6.2.6 Descriptores De Fourier
6.3 Descriptores Basados En Regiones
6.3.1 Descriptores Simples
6.3.2 Otros Descriptores De Región
6.3.2.1 El Factor De Compacidad O De Irregularidad
6.3.2.2 Factor De Regularidad
6.3.3 Descriptores Topológicos

Capítulo 7. Análisis De Imágenes: Reconocimiento De Patrones
7.1 Clasificadores Estadísticos
7.1.1 Clasificadores De Distancia Mínima
7.1.2 Clasificadores Del Tipo K-Vecinos
7.1.3 Clasificadores De Mahalanobis
7.1.4 Clasificadores Bayesianos
7.2 Clasificadoresneuronales
7.2.1 Un Modelo Neuronal
7.2.2 Neurona Con Entrada Múltiple
7.2.3 Ejemplos De Funciones De Transferencia
7.2.4 Arquitecturas Fundamentales
7.2.5 El Perceptrón
7.2.6 El Perceptrón Multicapa
7.2.7 Las Redes Adaline Y Madaline
7.2.8 Redes Neuronales Morfológicas Con Procesamiento Dendral
7.2.9 Memorias Asociativas
7.2.10 Red De Kohonen
Anexo A. Algunas Relaciones Estadísticas
Anexo B. Obtención De La Expresión De La Varianza Para El Caso De Ruido Aditivo
Anexo C. Obtención De La Expresión Del Espectro De Potencia
Anexo D. Propiedades De La Correlación Unidimensional De La Imagen
Índice Alfabético