digital image processing chapter 4 dr. mario chacón dsp & vision lab
TRANSCRIPT
![Page 1: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/1.jpg)
Digital Image Processing Digital Image Processing Chapter 4Chapter 4
Dr. Mario ChacónDr. Mario Chacón
DSP & Vision LabDSP & Vision Lab
![Page 2: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/2.jpg)
Normal transformationNormal transformation
.
Input image Output image
f[.] .
Figura 4. 1 Solo uno o algunos pixeles contribuye al valor de cada pixel de salida.
![Page 3: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/3.jpg)
Frequency transformationFrequency transformation
. .
.
.
Input image Output image
f[.]
. . .
. .
Figura 4. 2 Cada pixel contribuye al valor de cada pixel de salida
![Page 4: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/4.jpg)
Discrete basesDiscrete bases
Figura 4. 3 Ilustración de generación de bases discretas.
![Page 5: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/5.jpg)
Vector transformationVector transformation
1b 1B
2B
2b
3B3b
4B
4bv v
Figura 4. 4 Ejemplo de transformación con y sin bases ortogonales.
![Page 6: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/6.jpg)
Orthogonal FunctionsOrthogonal Functions
Sean y dos funciones valuadas reales definidas en un intervalo tal que la integral en ese intervalo existe (4.1)
)x(gm )x(gn
bxa )x(gm )x(gn
b
a
nmnm dxxgxgg,g
entonces y son ortogonales en el intervalo si)x(gm )x(gn bxa
(4.2) nm0dxxgxgg,gb
a
nmnm
De igual manera el conjunto de funciones de valor real , , es un conjunto ortogonal en el intervalo si (4.3)
)x(g1 )x(g2
bxa
nmynm0dxxgxgb
a
nm
![Page 7: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/7.jpg)
Orthogonal FunctionsOrthogonal Functions
Lo que indica ortogonalidad es que las funciones y no poseen componentes comunes. Esto se puede explicar mejor por medio de vectores. En la Figura 4.5a la componente de V1 sobre V2 es,
en cambio en la Figura 4.5b no existe ninguna proyección de V1 sobre V2 ya que V1 es ortogonal a V2 .
)x(gm )x(gn
2121 VCVV e
a) b)
Figura 4. 5 Ortogonalidad de vectores
V1
V2
V1 Ve
V2W2
C12V2
![Page 8: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/8.jpg)
OrthoganlityOrthoganlity
El proceso de transformar los datos de una imagen a otro dominio o espacio matemático, equivale a proyectar la imagen sobre las imágenes base, análogo al caso de una función de una dimensión la cual se proyecta sobre las bases de una dimensión. El término matemático de este proceso de proyección es el producto escalar.
La forma de una ecuación de transformación a la frecuencia asumiendo una imagen de N x N es: (4.4)
1N
0x
1N
0y2121 ,;y,xBy,xI,T
Donde y son variables del dominio de la frecuencia, son coeficientes de la transformada, son las imágenes base.
1 2 21 ,T
21 ,;y,xB
![Page 9: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/9.jpg)
Vector basesVector bases
1
0
0 1y
x
1
0
0 1y
x
1
0 1
1
0
0 1y
x 1
0
0 1y
x
2 0 1
![Page 10: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/10.jpg)
I(x,y)I(x,y) projection on projection on B(0,0)B(0,0)
a b
c d
e f
g h
0 1
0
1
1
1
0
0
2
1
1
2
y,xI
0,0B vuT ,
Figura 4. 6 Proyección de sobre . y,xI 0,0B
![Page 11: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/11.jpg)
I(x,y)I(x,y) projection on projection on B(0,0)B(0,0)
Para encontrar se proyecta sobre los vectores base de por ejemplo, es la proyección de sobre que es igual al producto escalar de = (4.5)
21 ,T y,xI
21 ,B 0,0T y,xI
0,0B
dcbahgfe ,,,,,, hdgcfbea
Esta transformación equivale a descomponer la imagen en una suma ponderada de imágenes base, donde los coeficientes son los pesos.
21 ,T
![Page 12: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/12.jpg)
I(x,y)I(x,y) projection on projection on B(0,0)B(0,0)
transformada inversa:
donde es la transformada inversa y son las imágenes base inversas.
1N
0
1N
021
12121
1
1 2
,;y,xB,T,TTy,xI
211 ,TT 21
1 ,;y,xB
En muchos casos las imágenes base inversas son las mismas que pero posiblemente ponderadas por una constante. 21 ,;y,xB
![Page 13: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/13.jpg)
Fourier TransformFourier TransformContinuousContinuous
Sea una función continua de la variable real t, entonces la transformada de Fourier se define como
(4.6)
donde, , y es la frecuencia en radianes/segundo.
)t(f
dttjetfFtf 2)()(
1j
La transformada de Fourier inversa es
(4.7)
dtj
eFtfF2
)(1
![Page 14: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/14.jpg)
Fourier TransformFourier TransformContinuousContinuous
Las condiciones de existencia de la transformada de Fourier se conocen como las condiciones de Dirichtlet. Aquí solo comentaremos una condición suficiente pero no necesaria para la existencia de la transformada, la cual es (4.8) Esta condición se deriva del hecho de que la magnitud de es 1. Por lo que esta condición es suficiente pero no una condición necesaria para la existencia de . Así que funciones que no satisfacen la ecuación anterior pueden tener
dt|tf|
t2je
tf
![Page 15: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/15.jpg)
Fourier TransformFourier TransformContinuousContinuous
La es generalmente compleja (4.9)
donde: (4.10)y (4.11) se denomina espectro de Fourier y muestra la magnitud de las componentes de frecuencia presentes en .
tf
jeFF
jFjFF
||
)](Im[)](Re[
22|| F
1tan
F
)x(f
![Page 16: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/16.jpg)
Fourier TransformFourier TransformContinuousContinuous
La función de densidad espectral o espectro de potencia o de energía dependiendo si es una señal de potencia o de energía se define como (4.12)
)t(f
222|| FS
(4.13)
dS2
1
![Page 17: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/17.jpg)
Fourier TransformFourier TransformContinuousContinuous
x
A
t
f(t)
x
0
x
0
t2jt2jt2j e2j
AdtAedtetfF
1e2j
AF x2j
xseneA
j
eee
j
jAe
j
AF xj
xjxjxjxj
22
21
22
![Page 18: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/18.jpg)
Fourier TransformFourier TransformContinuousContinuous
x
xsenAxxsen
Axsene
Axsene
AF xjxj
||||||||
A
-4/x -3/x -2/x -1/x 0 1/x 2/x 3/x 4/x
Figura 4. 7 Espectro de un pulso rectangular.
![Page 19: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/19.jpg)
Fourier TransformFourier Transform2D Continuous2D Continuous
(4.15) y (4.16)
drdtrtjrtfFrtf 2121 2exp,,,
212121211 2exp,,, ddrtjFFrtf
El espectro de Fourier será: (4.17) con función de fase (4.18) y la función de densidad espectral de potencia es (4.19)
21
212
212
21 ,I,R|,F|
21
21121 ,R
,Itan,
212
2122
2121 ,,|,|, IRFS
![Page 20: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/20.jpg)
Fourier TransformFourier Transform2D Continuous2D Continuous
A
r
t
RT
drdtertfFrtf rtj 21221 ,,,
T R R
rjT
tjrtj dredteAdtdrAe0 0 0
2
0
22 2121
12
1
2
12121 2
20
2
0
2
20
2 RjT
tjRrjT
tj ej
dteAej
dteA
j
eee
j
eeeA
ej
ej
A
RjRjRj
TjTjTj
TjRj
2
1
2
1
12
11
2
1
222
111
12
21
2
1
2
2
2
2
1
1 21
R
RSene
T
TSene ATR Rjtj
![Page 21: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/21.jpg)
Fourier TransformFourier TransformDiscrete TimeDiscrete Time
(4.20)sxTt)t(f)x(f
(4.23)y (4.24)
1N,3,2,1,0kN
knj2expxf
N
1kF
1N
0n
1,3,2,1,02
exp1
0
NxN
kxjkFxf
N
k
![Page 22: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/22.jpg)
Fourier TransformFourier TransformDiscrete TimeDiscrete Time
Las ecuaciones (4.23) y (4.24) definen la transformada discreta de Fourier que corresponde a un muestreo de la transformada de Fourier de señales discretas definidas por el par de transformadas (4.25)
(4.26)
20njexpxfFn
deF2
1)x(f nj
![Page 23: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/23.jpg)
Fourier TransformFourier Transform2D Discrete Time2D Discrete Time
(4.27)
1M
0x
1N
0y
2121 N
yk
M
xkj2expy,xf
MN
1k,kF
(4.28)
1
0
1
0
2121
1 2
2exp,,M
k
N
kN
yk
M
xkjkkFyxf
![Page 24: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/24.jpg)
Fourier TransformFourier Transform2D Discrete Time2D Discrete Time
(4.30)
(4.31)
1M
0x
1N
0y
2121 N
kxkj2expy,xf
N
1k,kF 1,...,2,1,0, 21 Nkk
1
0
1
0
2121
1 2
2exp,1
,M
k
N
k N
ykxkjkkF
Nyxf 1,...,2,1,0, Nyx
![Page 25: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/25.jpg)
Fourier TransformFourier Transform2D Discrete Time2D Discrete Time
(4.32)
(4.33)
(4.34) Para dos dimensiones (4.35) (4.36) (4.37)
)]k(FIm[)]k(FRe[|kF| 22
)]k(FRe[
)]k(FIm[tan )k( 1
2|| )( kFkS
)]k,k(FIm[)]k,k(FRe[|k,kF| 211
21121
)]k,k(FRe[
)]k,k(FIm[tan )k,k(
21
21121
22121 |,| ),( kkFkkS
![Page 26: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/26.jpg)
Fourier TransformFourier Transform2D Discrete Time2D Discrete Time
A diferencia del caso continuo, la existencia de la transformada discreta de Fourier no es de interés, ya que y siempre existen, por ejemplo. Para el caso
la a serie puede no converger. Pero en el caso que analizamos como la secuencia es finita
y es finita, dado que es una imagen, entonces siempre existe.
kF 21,kkF
x N
kxj2expxf
1
0
N
x
xf 21,kkF
![Page 27: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/27.jpg)
Fourier TransformFourier Transform2D Discrete Time2D Discrete Time
En el caso 1-D lo anterior se puede mostrar por sustitución directa. (4.38) (4.39)
N
kx2jexp
N
rx2jexprF
N
1
N
kx2jexpxf
N
1kF
N
x
1N
0r
N
x
1
0
1
0
1
0
1
0
2exp
2exp
1 N
x
N
rN
kxj
N
rxjrF
N
ya que (4.40) por ser funciones ortogonales, lo que genera que la sumatoria que define a sólo tenga un elemento distinto de cero
formaotrade
krsiN
N
kxj
N
rxjN
r0
2exp
2exp
1
0
kF
![Page 28: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/28.jpg)
Fourier TransformFourier Transform2D Discrete Time2D Discrete Time
(4.41) 020101001 kFkFNkFFFNkF
entonces (4.42) (4.43) Substituyendo la ecuación anterior (4.44)en (4.45)
NkFN
kF1
kFkF
1,3,2,1,02
exp1 1
0
NkN
kxjxf
NkF
N
x
1,3,2,1,02
exp1
0
NxN
kxjkFxf
N
k
también produce una identidad de , indicando que el par de transformadas de Fourier dadas por esas ecuaciones siempre existen.
xf
![Page 29: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/29.jpg)
Fourier TransformFourier Transform Discrete Time Discrete Time
La transformada discreta de Fourier de es
3,2,1,0xf
xf
3
0x
1N
0x 2
kxjexpxf
4
1
N
kxj2expxf
N
1kF
3
0 2
3
4
63210
4
10exp
4
10
x
ffffxfF
3
0x
2
j3j2
j0 e3fe2fe1fe0f
4
1
2
xjexpxf
4
11F
Para encontrar los valores de cabe recordar que es un vector de magnitud con un ángulo .
jrejre
r
![Page 30: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/30.jpg)
Fourier TransformFourier TransformDiscrete TimeDiscrete Time
jjjjjF 3204
132110
4
1)1( jj
2
1
2
122
4
1
131211104
13210
4
1exp
4
12
3
0
320
x
jjj eeeexjxfF
2
102
4
13210
4
1 j
3
0
2
932
30 3210
4
1
2
3exp
4
13
x
jj
j
eeeexjxfF
jjjjjj2
1
2
122
4
1320
4
1312110
4
1
![Page 31: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/31.jpg)
Fourier TransformFourier TransformDiscrete TimeDiscrete Time
El espectro de Fourier es:
2
122
4
1|3|
2
1
2
1|2|
2
122
4
1|1|
5.1|5.1||0|
jF
F
jF
F
(4.46)
|k,kF|1logck,kD 2121
![Page 32: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/32.jpg)
Fourier TransformFourier TransformPropertiesProperties
![Page 33: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/33.jpg)
Separability propertySeparability property
1N,2,1,0k,kN
yk2jexpy,xf
N
xk2jexp
N
121
1N
0y
21N
0x
1
1
0
1
0
2121
1 1
2exp,1
,M
k
N
k N
ykxkjkkF
Nyxf
1N,2,1,0y,xN
yk2jexpk,kF
N
xk2jexp
N
1 1N
0v
221
1N
0k
1
1
![Page 34: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/34.jpg)
Separability propertySeparability property
2
1N
0x
121 k,xF
N
xkj2exp
N
1k,kF
1N
0x
22 N
ykj2expy,xf
N
1Nk,xF
![Page 35: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/35.jpg)
Separability propertySeparability property
Row transformationColumns transformation
x
y
x k1
k2
k2
yxf , ),( 1kxF 21 k,kF
![Page 36: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/36.jpg)
TranslationTranslation
21
211
1
21
11
,2
exp, kkkkFN
ykxkjyxf
N
ykxkj2expk,kFyy,xxf 0201
2100
![Page 37: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/37.jpg)
TranslationTranslation
221
11 Nkk
yxyxjeyxjN
ykxkj
1exp
2exp
21
11
2,
21,
,2
exp,
21
21
211
12
11
1
Nk
NkFyxf
kkkkFN
ykxkjyxf
yx
![Page 38: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/38.jpg)
TranslationTranslation
Figura 4. 9 Aplicación de la propiedad de la traslación. a) Original, b) Espectro sin ajuste, c) Espectro con ajuste.
![Page 39: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/39.jpg)
TranslationTranslation
Otro aspecto importante de esta propiedad es que el corrimiento en no afecta la magnitud de su transformada de Fourier. (4.57)
yxf ,
21210201
21 ,1,2exp, kkFvkkFN
ykxkjkkF
![Page 40: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/40.jpg)
Periodicity and Conjugate symmetryPeriodicity and Conjugate symmetry
Nk,NkFNk,kFk,NkFk,kF 21212121
2121 ,, kkFkkF
2121 k,kFk,kF
Real valued functions, conjugate symmetry
![Page 41: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/41.jpg)
Spatial frequencySpatial frequency
Figura 4. 11 a) Frecuencia cero, b) Frecuencia baja, c) Frecuencia media d) Frecuencia alta.
![Page 42: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/42.jpg)
Spatial frequencySpatial frequency
Figura 4. 12 a) Imagen original, b) Imagen en la frecuencia.
![Page 43: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/43.jpg)
ConvolutionConvolution
dxgxfxgxf
)(xfdxxf
0xx0 xfxfdxxf0
![Page 44: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/44.jpg)
ConvolutionConvolution
2
2
2
2
1/4
1
2
2x
2
2x
x
f
g
g
4
1
g
2
1
4
1
xgxf
2 3
Figura 4. 13 Convolución en forma gráfica.
![Page 45: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/45.jpg)
ConvolutionConvolution
Analíticamente la convolución entre y es
ya que no existe ningún traslape entre las dos funciones para estos valores de . Para el intervalo la convolución es
)x(f )x(g
0x 0xgxf
x 20 x
xx xd
00 44
1
4
12
En el intervalo
y por último para
32 x
2
2
2
2 22)4(
2
122
2
1
2
1
4
12
xx
xxxd
3x 0xgxf
![Page 46: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/46.jpg)
ConvolutionConvolution
(4.64) )(xfdxxf
(4.65) dado que:
(4.66)
0xx0 xfxfdxxf0
1dxxxdxxxx
x
0
0
00
![Page 47: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/47.jpg)
ConvolutionConvolution
A
a
1
T-T
1
-TT
1A
A
A
A
T-T
Figura 4. 14 Convolución con un tren de impulsos.
![Page 48: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/48.jpg)
ConvolutionConvolution
(4.67)
m
mngmfngnf
(4.68)
(4.69)
kGkFxgxf
kGkFxgxf
![Page 49: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/49.jpg)
ConvolutionConvolution
(4.70)
ddyxgfyxgyxf ,,,,
(4.71)
k l
lm,kngl,kfm,ngm,nf
![Page 50: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/50.jpg)
CorrelationCorrelation
dt)t(g)t(f)(R)t(g)t(f fg
n
fg lngnfngnflR )()()()()(
)()()( gfR fg
![Page 51: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/51.jpg)
CorrelationCorrelation
Su forma discreta es
(4.75)o
(4.76)
n
fg lngnfngnflR )()()()()(
nfg )ln(g)n(f)n(g)n(f)l(R
![Page 52: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/52.jpg)
AutocorrelationAutocorrelation
dt)t(f)t(f)(R ff
nff )ln(f)n(f)n(f)n(f)l(R
![Page 53: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/53.jpg)
Autocorrelation propertiesAutocorrelation properties
)(R)(R ffff
fff ER )0(
toda para ),0(R)(R ffff
)()( fff SR
![Page 54: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/54.jpg)
Correlation 2DCorrelation 2D
1
0
1
,,1
,,M
m
N
n
ynxmgnmfMN
yxgyxf
Figura 4. 16 a) Imagen original, b) Objeto a buscar, c) Resultado de correlación.
![Page 55: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/55.jpg)
Normalized Correlation 2DNormalized Correlation 2D
), ),(
, [ ,
2/1
y
2
x
2,
,
TvyuxTfyxf
TvyuxTfyxfvu
y vux
y vux
![Page 56: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/56.jpg)
Normalized Correlation 2DNormalized Correlation 2D
![Page 57: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/57.jpg)
SamplingSampling
Frequency domain point of view Frequency domain point of view
0 0)(F
sF1
)(*)()()( GFtgtf
Analicemos el caso del muestreo de una señal de duración fintita en el tiempo de banda limitada, es decir su espectro cumple con
)t(f
)(F
mediante un tren infinito de impulsos, , separados por un tiempo . Donde
)t(g
![Page 58: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/58.jpg)
SamplingSampling
Frequency domain point of view Frequency domain point of view
0s00 2F 2
1
2
1
sF
Sabemos que la convolución de una función con el impulso genera la misma función. Por lo tanto ahora la convolución de con el tren de impulsos generará una repetición del espectro . La Figura 4.17 muestra este proceso. De la Figura 4.17 se puede observar que si la separación entre las muestras no es adecuada provocará un traslape entre los espectros ocasionando una deformación de la representación de en la frecuencia por lo cual no podrá ser recuperada a partir de sus muestras. Para que pueda ser recuperada de sus muestras y no exista traslape en los espectros se debe cumplir que
)(F )(F
)t(f
)t(f)t(f
![Page 59: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/59.jpg)
Incorrect SamplingIncorrect Sampling
f(t)
t
. . .. . .
. . .t
f(t)g(t)
. . .. . .t
g(t)
-1/-1/2 1/2
x
1/
Period 1/overlap
-w
F()*G()
0
w
-00
. . . . . .
G()
F()
Figura 4. 17 a) Señal continua, b) su espectro c) tren de impulsos, d) espectro del tren de impulsos, e) señal muestread, e) espectro de señal muestreada.
![Page 60: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/60.jpg)
Correct SamplingCorrect Sampling
. . .. . .t
f(t)g(t)
PB()
-0 0
-0
PB()[F()G()]=F()
0
f(t)
t
. . .. . .
-0
F()*G()
0
G()
. . . . . .
Figura 4. 17 a) Señal continua, b) su espectro c) tren de impulsos, d) espectro del tren de impulsos, e) señal muestread, e) espectro de señal muestreada.
![Page 61: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/61.jpg)
FT of Time limited SignalsFT of Time limited Signals )t(f
formaotrade0
Nx01xw
t
g(t)
N
1
G()
-1/N 1/N
![Page 62: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/62.jpg)
FT of Time limited SignalsFT of Time limited Signals (4.90))(W*)(F)t(w)t(f
Por tal motivo el espectro de la señal discreta obtenida de ya no será una repetición de sino será la repetición modificada de . Para disminuir el efecto de distorsión de hay que incrementar el valor de ya que se convertirá en un tren de impulsos en la medida en que , y en consecuencia no se deformará.
)t(f
)(F N )t(w
N
)(F )(F )(F
![Page 63: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/63.jpg)
2D Functions2D Functions
0000 ,,, yxfdxdyyyxxyxf
2D impulse
forma otra de0
01,, 21
21021
nnnnunn
![Page 64: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/64.jpg)
2D Functions2D Functions
2D sampling function
y
x
y
x
g(x,y)
Figura 4. 20 Función de muestreo impulso 2-D.
![Page 65: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/65.jpg)
2D Functions2D Functions
forma otra de 0
0n,n1n,nu 21
21
forma otra de 0
0n,naan,nx 21
n2
n1
21
21
21
nnj21 n,nen,nx 2211
![Page 66: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/66.jpg)
2D Systems2D Systems
212121 ,*,, nnhnnxnny
1 2
22112121 ,,,k k
knknhkkxnny
![Page 67: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/67.jpg)
Frequency responseFrequency response
1 2
21221121 ,,,k k
kkhknknxnny
1 2
2122211121 ,exp,k k
kkhknknjnny
1 2
2222111121 ,
k k
kjnjkjnj kkheeee
2211 nnj21 en,nx
![Page 68: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/68.jpg)
Frequency responseFrequency response
1 2
2211221121,
k k
kkjnnj kkhee
1 2
2211
k k21
kkj11 k,khe),(H
212121 ,,, Hnnxnny
![Page 69: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/69.jpg)
Frequency response exampleFrequency response example
1,,11,,1, 2121212121 nnnnnnnnnnh
1 2
22112121 ,,
n n
nnjennhH
21212121 jjjjjjjj eeeeeeee
22
22
2211 jjjj eeee
21212 FFCosCos
![Page 70: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/70.jpg)
Frequency response exampleFrequency response example
Se puede observar de la Figura 4.21, que la respuesta del filtro no es simétrica sobre el origen. Un sistema que tiene simetría circular sobre el origen tiene la misma respuesta a lo largo de todas las direcciones radiales y se dice que tiene una respuesta circularmente simétrica. En general, los sistemas que pueden expresarse como suma, producto o división de funciones de una variable no tienen simetría circular, y cuando se utilizan en imágenes no dan igual tratamiento a las imágenes en todas las direcciones.
![Page 71: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/71.jpg)
Frequency response exampleFrequency response example
Figura 4. 21 Respuesta no simétrica del filtro . 212 CosCos
![Page 72: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/72.jpg)
Frequency response exampleFrequency response example
1
01
1
01
21
1
1
2
2
,8
1,'
kk
kk
kjkipjip
Respuesta a la frecuencia de un filtro de promediado
2211
1
1
1
12121 ,,,'
1 2
knknpkkhnnpk k
1n,1n1n,n
1n,1nn,1n1n,1n
1n,n1n,1nn,1n8
1n,nh
2121
212121
21212121
![Page 73: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/73.jpg)
Frequency response exampleFrequency response example
1 2
22112121 ,
8
1,
n n
nnjennhH
212211212211
8
1 jjjjjjjj eeeeeeee
21212121 22228
1, CosCosCosCosH
212121 4228
1, CosCosCosCosH
![Page 74: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/74.jpg)
Impulse response from the frequency responseImpulse response from the frequency response
1 2
22112121 ,,
n n
nnjennhH
2121221
2211,4
1,
ddeHnnh nnj
![Page 75: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/75.jpg)
Impulse response from the frequency responseImpulse response from the frequency response
forma otra de0
,1, 21
21
baH
2
1-a
-
-
b
-b
a
![Page 76: Digital Image Processing Chapter 4 Dr. Mario Chacón DSP & Vision Lab](https://reader035.vdocuments.us/reader035/viewer/2022062409/5665b4451a28abb57c909523/html5/thumbnails/76.jpg)
Impulse response from the frequency responseImpulse response from the frequency response
21221
2211
4
1,
ddennh
a
a
b
b
nnj
b
b
nja
a
njb
b
nja
a
nj dejn
dejn
dede 22
11
2122112211
1
2
11
2
1
2
1
2
1
2
21
2
1
2
21
2
11
2
11
2
1,
2211
2211
212121
bjnbjnajnajnb
b
nj
a
a
nj ee
jn
ee
jne
jne
jnnnh
πn
bnSin
πn
anSin,nnh
2
2
1
1
21
)()()(