1. Sistemas Lineales e Invariantes a la Traslación 1.1 Motivación de las imágenes digitales 1.2 Sistemas lineales 1.2.1 Ejemplo de Sistemas Lineales ¿Qué es una imagen digital? a) Sistema: un sistema realiza una transformación sobre un objeto de entrada, generando una salida ¿Es un arreglo de píxeles? entrada sistema salida b) Suma: dos funciones se pueden sumar Modelo mayor continuidad Vecino más cercano Funciones base c) Escalamiento: una función se puede escalar por un factor constante Función 1D Detalle de una imagen digital Modelo basado en píxeles (constante por área cuadrada) d) Un sistema es lineal cuando se cumplen 2 condiciones: 1. Cuando la transformación de una suma es la suma de las transformaciones: 2. Cuando la transformación de un escalamiento es el escalamiento de la transformación El hecho que se trabaja con imágenes digitales tiene que ser considerado al momento de implementar el procesamiento de esas imágenes. 1.2.3 Propiedad de Linealidad en matemáticas 1.2.2 Ejemplo de sistemas lineales Se tiene un vector y lo rotamos en 90o a favor de los puteros del reloj, el − resultado es . Esta transformación se puede representar con una matriz de la 0 −1 forma . 1 0 −1 0 −1 2 Ejemplo = 1 0 1 2 Recordemos que la multiplicación entre una matriz K y un vector se calcula de la siguiente , , , + , = , , , + , forma Para el caso específico de una rotación en un ángulo θ, cos(θ) −sen(θ) la matriz es R = sen(θ) cos(θ) Supongamos que tenemos 2 vectores y , los cuales se suman y se aplica la transformación R(θ): cos(θ) −sen(θ) # + $ sen(θ) cos(θ) cos(θ) −sen(θ) cos(θ) −sen(θ) = + sen(θ) cos(θ) sen(θ) cos(θ) = #R $ + #R $ Si ; : ℝ → ℂ, ; : ℝ → ℂ y 1 , 1 ∈ ℂ, siendo A: ℂ → ℂ Linealidad AB1 ; () + 1 ; ()C = 1 AB; ()C + 1 AB; ()C entonces κ es una operación lineal En general, si 8D () = A:;D ()< E = 1, … , G Para la linealidad Se tiene 8() = 9:;()< La transformación de la suma es igual a la suma de las trasformaciones sobre cada vector en forma individual. Por otro lado, si es escala uno de los vectores cos(θ) −sen(θ) cos(θ) −sen(θ) #1 $ = 1 = 1 #R $ sen(θ) cos(θ) sen(θ) cos(θ) La transformación de un vector escalado es igual al escalamiento de la transformación del vector. Con estas 2 propiedades se verifica que la transformación R(θ) es lineal. R R A bM 1D ;D ()c = M 1D 8D () DO DO Una representación 8() = HK I(, );() J De hecho N L I(, ) M 1D ;D () d K DO ⬚ = = N M 1D P I (, );D ()J DO cumple con la condición de linealidad K R M 1D 8D () DO La versión discreta 8STU = ∑X∈K IST, WU;SWU La versión matricial es 8 I, I, 8 ⋮ ⋱ Y ⋮ [= \ ⋮ ⋰ 8R IR, ⋯ ⋯ ⋰ ⋱ ⋯ I,^ ⋮ a ⋮ IR,^ ; ; \ a ⋮ ;^ 1.3 Sistemas lineales e invariantes a la traslación 1.4 Convolución Un sistema invariante a la traslación es aquel que entregará el mismo resultado (en forma) ante una entrada, independiente de cuándo (en función del tiempo t) o en qué posición (en función de x) se realiza el proceso. Si 8: ℝ → ℂ , y 9 es una transformación lineal ℂ → ℂ, tal que 8() = 9:;()< Entonces la propiedad de invariancia a la traslación es 8( − d ) = 9:;( − d )< 9:;( − d )< = P I (, );( − d )J = P I(, f + d );(f) Jf Al reemplazar la linealidad en la invariancia a la traslación en la parte derecha: g K K Mientras que en la izquierda HK I ( − d , );()J = 8( − d ) Para cumplir con la invariancia a la traslación y despreciando las condiciones de borde set tiene que I(, + d ) = I( − d , ) Por esta razón, I(, ) = ℎ( − ) En efecto I(, + d ) = ℎ: − ( + d )< = ℎ:( − d ) − < = I( − i , ) 8() = P ℎ ( − );()J = ℎ ⊛ ;() Por lo tanto para un sistema Lineal e Invariante a la Traslación (LIT): K La convolución tiene la propiedad de conmutatividad ℎ ⊛ ;(k) = ; ⊛ ℎ(k) La versión discreta 8l = ∑ℓ∈K ℎlmℓ ;ℓ = ∑ℓ∈K ℎℓ ;lmℓ ⋱ 8d ℎ q m 8 Y ⋮ [=p⋯ ⋮ 8Rm o ⋰ La versión matricial ℎ ℎd ℎm ⋱ ⋯ ⋯ ℎ ℎd ℎm ⋮ ⋯ ⋱ ℎ ℎd ⋱ ⋰ ;d ⋮t ; ⋯s \ ⋮ a ⋱ ; Rm ⋱r Se define como la operación convolución ⊛ como x 8() = ℎ ⊛ ;() = P ℎ( − );() J mx 1.4.1 Identidad en la convolución Se cumple si ; ⊛ y() = ;() Delta de Dirac y() = }∞ = 0 0 ≠0 Y Hmx y() J = 1 Normalización x x P ;()y( − d ) d = ;(d ) mx Identidad en versión vectorial z{ = { con la identidad es ∖ ⬚ ∖ ∖w ⬚ ∖ ∖ m diagonales 0 1 0 0 0 1 1.4.2 Respuesta al impulso (función de transferencia) ℎ ⊛ y() = ℎ() ℋBy()C = ℎ() ∖ u∖ 1 z = 0 0 h(x) viene a ser el Point Spread Function (psf) 1.5 Transformación de Fourier 1.4.3 Conmutatividad La convolución tiene la propiedad de conmutatividad Dem: ℎ ⊛ ; ( ) = ; ⊛ ℎ ( ) ℎ ⊛ ; ( ) ⬚ = = P ℎ();( − ) J mx x P ; ()ℎ( − ) J = ℎ ⊛ ;( ) mx 1.4.4 Asociatividad (bloques) Notar que el orden de los sistemas se puede intercambiar , debido a la conmutatividad siendo ⊛ la convolución Se tiene un sistema H x 8( ) = ℎ ⊛ ℎ ⊛ ;( ) = ℎ ⊛ (ℎ ⊛ ; )( ) = (ℎ ⊛ ℎ ) ⊛ ;( ) = ℎ ⊛ ;() 1.5.1 Procesamiento de sistemas LIT x ;() 8() ℎ⊛ 8() = ℎ ⊛ ;() = P ℎ( − );() J mx usando ;() = D , x E = √−1 x 8() = P ℎ();( − ) d = P ℎ()e(m) d =e mx x P ℎ() mx mD mx d = e () entrada valor ℂ x con la transformación de Fourier () = P ℎ() mD J ℎ () = ℎ ⊛ ℎ () = ℎ ⊛ ℎ () .˙. ;() = D es una función propia mx ; = ; donde () son los valores propios correspondientes Valor propio 1 x La transformación inversa de Fourier es ℎ() = P () D J 2 mx 1.5.2 Propiedades de traslación de la Transformación de Fourier ℱ ; ( − d ) ⇔ () mD ℱ ; ( ) D ⇔ ( − d ) Ejemplo del efecto de traslación: Desplazamiento en posición (o tiempo) Desplazamiento en frecuencia 1.5.3 Escalamiento ℱ 1 ; ( ) ⇔ | | Ejemplo: una función gaussiana Amplitud original y desplazada Señal Original Fase img. original Fase img. desplazada Señal Desplazada Amplitud en el espacio de Fourier 2D em ℱ ↔ m √ 1.6 Las funciones sinusoidales 1.5.4 Ejemplos de Transformaciones de Fourier • Onda plana (viajera) que avanza en el espacio a) Delta de Dirac Por la transformada de una integral de una función b) Respuesta al escalón (Heaviside) 1 + y() 1 0 E < 0 E ¢() = } 1 E > 0 x = P y(¡)J¡ mx c) Función Rectangular ¥¦k () = ¢( + d ) − ¢( − d ) ¦ • Está representada por la función: ;(, k) = A sin(k − ) , ¦ = , con c siendo la velocidad de propagación • Frecuencia: es la cantidad de ciclos que se repite una función sinusoidal en un intervalo determinado Angular: = 2 /© Sª«⁄¬­®U ² Temporal: ° = ⁄± ó ¥k¶ ³´µ • Frecuencia por simetría (Dualidad) d) Función sinc: por lo tanto ℱ e) Función constante 1 ↔ ℱ 2y () f) Función exponencial como ;() D ↔ ( − d ) entonces D ℱ ⇔ 2y ( − d ) g) Para el caso del coseno cos = : D + mD < Y del seno ET = : D − mD < D ℱ ( ) ⇔2; (−) (Por dualidad y transf. Delta Dirac) Espacial: ½ = ⁄· ¸¹º» ³¼ • Representación de una señal en base a sinusoides: ;ℓ̅ () = ¿ℓ ET(ℓ + ℓ ) , • Amplitud ℓ = ℓd • Fase 1.7 Series de Fourier 1.7.2 Series de Fourier Al definir una serie de Fourier como ;(̅ ) = ËÁ∈ℤ ÆÁ DÁ , siendo una función compleja ;:̅ ℝ → ℂ ¦Á ∈ ℂ. El espacio de; ̅ es el de las funciones periódicas, cuyo período es © = . Å 1.7.1 Suma de funciones sinusoidales ;(̅ ) = M ;ℓ̅ () = M ¿ℓ sin(ℓ + ℓ ) , Composición de funciones sinusoidales: ℓ∈ℤ ℓ∈ℤ ℓ = ℓd ℱ Ocurre que si tenemos el par de Fourier ;() ↔() Ejemplo: Una función continua puede descomponerse en diferentes funciones sinusoidales Entonces la relación será ¦Á = ( y ;(̅ ) = ∑x i) lOmx ;( + T©) ± Por esta razón, al utilizar versiones discretas en el espacio de Fourier, en el espacio de la función original, ésta es periódica. Volviendo al problema del tren de pulsos, si tenemos una función continua ℱ que es aperiódica ;d () ↔d (), la versión periodizada ; ̅ se puede obtener como Estas funciones sinusoidales se indexan por la frecuencia kω0, especificando la amplitud ¿Á = É(Á ) + (ÄÁ ) y la fase ÊÁ = arctan ÄÁ ⁄Á Una serie de Fourier se define en base a una suma de armónicos (múltiplos de una frecuencia base) de funciones periódicas (sinusoidales o exponenciales con exponente imaginaria). ;(̅ ) = M ÆÁ ÇÁ ;(̅ ) = M ¦Â( ) + Ä ET( ) Á∈ℤà Á d Á función real ; ̅: ℝ → ℝ Á , ÄÁ ∈ ℝ, d Discretización en la frecuencia Á∈ℤ función compleja ; ̅: ℝ → ℂ, ¦Á ∈ ℂ El espacio de ; ̅ es el de las funciones periódicas, cuyo período es © = Å Notar que ésta forma de representación aparte de ser periódica, es también lineal. ℱ ; ⊛ ; () ↔ () () Pues hay que aplicar la propiedad de Fourier de ℱ ; () ↔ () ℱ ; () ↔ () 1.8 Representación de señales análogas mediante imágenes digitales 1.8.2 Cálculo de B-splines Propiedades generales 1.8.1 Espacios invariantes a la traslación entera Tenemos un espacio generado por la traslación y el escalamiento de una función Ê Propiedades de aproximación Partición de la unidad ;() = M ¦X Ê( − W) X∈ℤ T: intervalo de muestreo, L: potencia de aprox Al tener valores discretos y[k], se puede interpolar estos valores mediante la relación { = ̦{ Por ejemplo, se pueden utilizar funciones rectangulares, triangulares, splines cúbicos o wavelets: Rectángulo: Spline cúbico multiresolución 1.8.3 Ejemplo de wavelets con B-spline 1.8.4 Ejemplo Wavelet con B-spline de orden mayor La descomposición por wavelets se basa en filtros pasa-bajos y filtros pasaaltos que se aplican en forma progresiva y que se basan en funciones de soporte local Ejemplo Haar Wavelet media móvil(ancho m=2) (ySTU + yST − 1U) ℒSTU = DK :1 + mDK < Î:e < = ⬚ = DK cos:Ï m 2< (ySTU − yST − 1U) ℎSTU = DK :1 − mDK < :e < = ⬚ Ejemplo 1D = Ejemplo 2D Haar Wavelet: DK sin:Ï −E m 2< 1.8 Representación de señales análogas mediante imágenes digitales 1.8.1 Espacios invariantes a la traslación entera Tenemos un espacio generado por la traslación y el escalamiento de una función Ê ;() = M ¦SWUÊ( − W) X∈ℤ Al tener valores discretos y[k], se puede interpolar estos valores mediante la relación { = ̦{ Sea Si queremos encontrar el kernel (función base) que interpola los valores y[k], podemos expresarlo en términos del espacio generado por la traslación de la función Ê Para que sea una función interpoladora Por lo tanto y la func. cardinal