Top PDF Conceptos topológicos aplicados al procesamiento digital de imágenes

Este trabajo presenta un método automático para la segmentación de imágenes de Tomografía Axial Computada (T.A.C.) de mediastino con presencia de tumores. El método es preciso y eficiente, permitiendo al usuario final conocer el área y la localización del tumor con extraordinaria precisión espacial. Este método de segmentación resulta muy adecuado cuando se trata de la evaluación previa a la criocirugía o la ablación por radiofrecuencia.

No es hasta los años 1990, cuando la cámara convencional es sustituida por una cámara digital reduciendo significativamente el proceso de espera en la captación de la imagen testigo y posterior manipulación de la micrografía, pudiéndose entonces utilizar un televisor o un computador para visualizar en tiempo real lo observado, García [2]. El desarrollo tecnológico de las computadoras y el auge en la elaboración de software en el área del procesamiento digital de imágenes, han puesto a disposición de herramientas para determinar con mayor precisión y rapidez el porcentaje de las fases presentes en los aceros, según Velandia [4] y Fajado [11], para así estimar su contenido de carbono y las propiedades mecánicas (resistencia a la tracción, dureza, límite de fluencia y límite de fatiga) en aceros de bajo y medio carbono, sin tener que realizar las pruebas o ensayos mecánicos correspondientes en los laboratorios.

Para el Sistema de seguimiento de objetos mediante el procesamiento digital de imágenes, se aplica diferentes herramientas del software Matlab además, lo acompaña con tecnología de procesamiento en paralelo CUDA, para agilizar el procesamiento de imágenes e interactuar con Matlab. Las imágenes los procesan con el modelo RGB, modelo basado en tres componentes primarios del espectro de rojo, verde y azul, así mismo usa el Filtro de Mediana (“median filter”), también herramientas de Matlab como erosión, dilatación, relleno de regiones, eliminación de borde de la imagen, cierre, y apertura (Aranguren Zapata & Vela Asin, 2012).

En cuanto a lo que se reere en procesamiento de imágenes, son muy amplias las aplicaciones que esta tiene con respecto a otras ciencias como lo es en la ciencia espacial la cual sirvió para realzar y mejorar las imágenes de la Luna enviadas por la misión Surveyor, las misiones a Marte, y los vuelos tripulados Apolo a la una. En medicina, los procedimientos realzan el contraste o codican los niveles de intensidad en los colores para facilitar la interpretación de las señales de los rayos X o de otras señales biomédicas. Los geógrafos emplean técnicas similares para analizar los patrones de polución a partir de imágenes aéreas o de satélite. En la arqueología, los métodos de procesamiento digital de señales han servido para restaurar imágenes borrosas que eran únicos registros de objetos que fueron dañados o perdidos después de haberlas fotograado. En la física y en campos de estudio similares, estas técnicas realzan las imágenes de experimentos en los plasmas de alta energía y los microscopios electrónicos. De esta forma, los conceptos de procesamiento de señales se aplican de la misma forma en ciencias como la astronomía, la biología, investigaciones policíacas y aplicaciones industriales [10].

Se presenta en este trabajo un clasificador de granos de lenteja basado en el procesamiento digital de imágenes (PDI) basado en la comparación, a través del coeficiente de correlación, entre el histograma de la imagen digital en niveles de gris de los granos de la muestra de interés y el histograma normalizado promedio, considerado como patrón, de distintas categorías de estados de granos: normales, ennegrecidos, decolorados y partidos.

En diversos centros de investigación e instituciones médicas se generan diariamente un gran volumen de imágenes digitales, las que organizadas en bancos de datos constituyen una importante fuente de información para el diagnóstico, la investigación y la docencia médica. Para el procesamiento digital de estas imágenes se han desarrollado diversos software, de los cuales se ha seleccionado un grupo representativo para su descripción en este trabajo. En particular, y para dar respuesta a uno de los objetivos del presente trabajo, se identificó un software especializado en imágenes de microscopía celular: "CellProfiler" que presenta ventajas con respecto a otros software actuales al obtenerse resultados satisfactorios en varias técnicas para el estudio y procesamiento de imágenes. Este software es capaz de detectar algunas características que no son fácilmente detectables desde el punto de vista de un observador humano. Por ejemplo, pequeñas pero importantes diferencias biológicas, como pueden ser, un aumento del 10% en el tamaño del núcleo, que no son perceptibles por el ojo humano. Otras características, son, por ejemplo, la textura y las manchas de proteínas o ADN, que son observables, pero no cuantificables por inspección visual. CellProfiler no requiere de un lenguaje de programación para su empleo y es de fácil utilización para los usuarios sin necesidad de tener un nivel elevado de especialización.

Procesamiento Digital de Imágenes en FPGA Página 46 deben estar en minúscula) se han imprimido aquí en negritas para mayor compresión, pero el lenguaje no requiere de esto. A continuación, las declaraciones input y output definen cuáles puertos son de entradas y salidas. Las conexiones internas se declaran como alambres. El circuito tiene una conexión interna en la terminal e, la cual se declara con la palabra wire. La estructura del circuito se especifica empleando las compuertas primitivas predefinidas como palabras clave. Cada declaración de compuerta consiste en un nombre opcional (como g1, g2, etc.) seguido de la salida y de las entradas de la compuerta, separada por comas y encerradas entre paréntesis. La salida siempre va primero, seguida de las entradas. Por ejemplo, la compuerta OR se llama g3, su salida es y tiene como entrada R y . La descripción del módulo termina con la palabra clave endmodule. Observe que cada enunciado termina con un signo de punto y coma, pero no hay un punto y coma después de endmodule.

El presente capítulo tiene como objetivo presentar los métodos requeridos para implementar las técnicas de filtrado gaussiano, de mediana y de media, así como las técnicas de segmentación watershed y umbralado de Otsu, con imágenes de los laboratorios del curso de procesamiento digital de imágenes y otras de microscopía celular. Se crea así una nueva forma de trabajar con estos métodos a través de este software. La versión empleada de ImageJ es la 1.41o, programado en Java 1.6.0_23, la cual cuenta con 383 comandos y 33 macros. Con la ayuda del Matlab 7.0, se implementan estas mismas técnicas, con el propósito de comparar los resultados de ambos programas.

Detección de rostros: Se empezaron a desarrollar algoritmos para detectar rostros y/o caras de personas en una imagen a mediados de la década de los 70s, se basaron en técnicas heurísticas y antropométricas. Pero en ese entonces este tema no era tan relevante y de vital importancia como hoy día, motivo por el cual estas investigaciones se abandonaron. En la década de los 90s fue que el desarrollo de algoritmos que detectaban rostros inició su auge; por los avances tecnológicos que lograron la reproducción de vídeos, videoconferencias, procesadores más rápidos, etc. Gracias al desarrollo de técnicas de detección de bordes en el procesamiento digital de imágenes hoy detectar caras en una imagen puede llevar desde pocas milésimas hasta varios segundos.

La constante evolución de las imágenes digitales ha permitido que la fotografía no se quede tan solo en una simple captura del momento, sino más bien de que podamos ver más que una simple imagen. La tecnología ha ayudado a avanzar en estos y en otros ámbitos que hacen más interesante el procesamiento de una imagen, no solo para corregir errores sino también para poder modificarlas y/o manipularlas a nuestro gusto. A día de 6hoy las imágenes digitales tienen innumerables procesamientos para una gran variedad de aplicaciones, desde el retoque fotográfico para una publicidad o portada de revista, para el estudio de estructuras, identificación de objetos, entre otros aspectos. Una buena parte de estos avances son positivos para la ciencia debido a que gracias al procesamiento digital de una imagen podemos ver detalles que a simple vista el ojo humano no ve o pasa desapercibido, entre todos los tipos de imágenes tenemos las imágenes satelitales, que nos permiten la visualización de nuestro planeta y aunque sean imágenes con una gran resolución nos permiten identificar objetos y objetivos que queramos ver sobre la superficie. Las imágenes satelitales han venido evolucionando, desde una simple imagen monocromática hasta una imagen Ultraespectral.

Se presenta el desarrollo de una aplicación para dispositivos móviles para determinar la calidad de granos empleando procesamiento digital de imágenes. La aplicación se ejecuta bajo el sistema operativo de código abierto Android. Emplea la cámara digital del dispositivo móvil para adquirir imágenes de muestras de granos. Con técnicas de procesamiento digital de imágenes se determina los aspectos morfológicos de granos como ser largo, ancho, área y factores de forma de los mismos. Mediante un sistema experto, basado en reglas, se determina su calidad. Su interface es amigable, ofrece al usuario un manejo intuitivo y puede ser usado de manera sencilla por personas sin entrenamiento especial. El sistema permite realizar objetivamente el análisis y la clasificación de acuerdo a las normativas de calidad vigentes. Genera dos tipos de informes, uno de toda la muestra y otro sobre las características de cada grano. Se probó para granos de alubia, lentejas, poroto manteca y arroz, con resultados satisfactorios, lo que sugiere que la aplicación se puede extender a otros tipos de granos

Los sensores basados en el análisis de la distribución de intensidades del patrón de interferencia modal a la salida de una fibra óptica son conocidos como sensores ópticos basados en specklegramas de fibra óptica (Fiber Specklegram Sensors, FSSs). En este trabajo se muestran los specklegramas, simulados numéricamente mediante el método de los elementos finitos, de una fibra óptica Thorlabs 1550BHP perturbada mecánicamente, y se hace uso de la información global o de regiones del specklegrama mediante el procesamiento digital de imágenes a través de un análisis de correlación. Los resultados muestran como la correlación entre imágenes se puede usar como valor de cuantificación para la medición de fuerzas, y cómo la división del patrón por zonas de interés puede mejorar las características metrológicas del sensor. © 2018. Acad. Colomb. Cienc. Ex. Fis. Nat.

En la medida del aumento del poder de las computadoras, la sociedad cient´ıfica ha asumido nuevos retos que implican el an´ alisis de una gran cantidad de datos que est´ an dados, ya sea a trav´es de una se˜ nal, una gr´ afica o una imagen. Uno de los retos consiste en reconocer ciertos patrones de comportamiento en los datos proporcionados o de sustraer cierta informaci´ on de inter´es. El ´ area de visi´on computacional se ocupa de muchos problemas cuyos datos e informaci´ on da origen al an´ alisis de una imagen o una se˜ nal. Dentro del campo de visi´on computacional se encuentra el ´ area del procesa- miento digital de im´ agenes, que se ocupa de la representaci´ on geom´etrica y el an´ alisis de caracter´ısticas funcionales a trav´es de modelos n − dimensionales y que pueden ser obtenidas por m´etodos de segmentaci´ on. Existen otros problemas importantes del pro- cesamiento digital de im´ agenes como el filtrado, la eliminaci´ on de ruido, la restauraci´on, la compresi´on, la encriptaci´on, la comparaci´on de formas, por mencionar algunos. Ca- da uno de estos problemas presentan un alto grado de dificultad computacional; para darnos una idea de la magnitud del problema, si consideramos tan solo una imagen simple, como las im´ agenes binarias (blanco y negro), se tiene una representaci´ on en un espacio discreto de tama˜ no n × m y el espacio de b´ usqueda, en primera instancia, tiene tama˜ no 2 n×m ; esto es, una imagen peque˜ na de 32 × 32 pixeles se puede modificar de 2 1024 maneras. Para vencer esta dificultad computacional existen muchas t´ecnicas de

proin 61 2017 ecip Pa ci! 2016 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN VICERRECTORADO ACAD?MICO FACULTAD DE CIENCIAS o E 15, 4ortt INFORME FINAL DE INVESTIGACI?N TITULADO "RECONOCIMIENTO DE PLACAS[.]

El interés en estudiar y llegar a reproducir los mecanismos de procesamiento y representación de la información visual que percibe un ser vivo se remontan a los orígenes de la ciencia y la filosofía. Desde la época de Platon y Aristoteles hasta nuestros días se han formulado diversas teorías sobre como percibe el ser humano su realidad exterior y de que manera usa y representa la información captada por sus sentidos. Más recientes en la historia están los estudios de Kepler sobre el análisis geométrico de la formación de la imagen en el ojo, los de Newton sobre visión en color y dentro ya de este siglo los de Helmhotz (1910) sobre óptica fisiológica y Wertheimer (1912) sobre el movimiento aparente de agrupaciones de puntos o campos. Estos trabajos, entre otros, han establecido las bases de las actuales teorías de percepción visual.

En los últimos tiempos el desarrollo de las microcomputadoras ha permitido un aumento en el uso de las imágenes en el campo médico, dada la diversidad y cantidad de información que las mismas poseen. Esta temática del procesamiento computarizado de imágenes reviste una gran actualidad e importancia social y posee un enorme valor científico-técnico, por los innumerables campos donde el tratamiento de las imágenes es de uso común. Las ventajas de la imagen digital frente a la analógica vienen dadas por las múltiples posibilidades de manipulación que nos ofrece. Además podemos procesar dichas imágenes para obtener información, reconocer, contar, medir tamaño, forma, posición o densidad de determinados objetos. El tratamiento digital de imágenes contempla el procesamiento y el análisis de imágenes. El procesamiento esta referido a la realización de transformaciones y a la restauración y mejoramiento de las imágenes. El análisis consiste en la extracción de propiedades y características de las imágenes, así como la clasificación e identificación y el reconocimiento de patrones.

procesamiento ulterior. Al pinchar una celda con el bot¶on derecho del mouse se descuelga un men¶ u que permite, manipular el contenido de la celda de varias maneras (abrir una imagen desde un archivo, o bien guardarla, copiar o pegar una imagen desde el clipboard, editar las propiedades del ¯ltrado a aplicar, cambiar el nombre de la celda, eliminar la celda, etc.) Entre las propiedades del ¯ltrado a aplicar es posible elegir la aplicaci¶on de ¯ltrado por convoluci¶on, ecualizaci¶on, ¯ltrado morfol¶ogico, etc., donde cada uno de los par¶ametros espec¶³¯cos (kernel de los ¯ltros, matrices morfol¶ogicas, etc.) se pueden elegir (ver Fig. 2). La programaci¶on de estos ¯ltros tambi¶en se puede copiar y pegar, lo cual es evidentemente de gran utilidad. Al pinchar la celda con el bot¶on izquierdo, el contenido de la misma se despliega en el preview. Pinchando sobre este lugar se despliega una ventana de view donde la imagen se aprecia en su tama~ no real. La ventana de view tiene una cantidad programable de im¶agenes previas almacenadas, de manera de poder comparar en tama~ no real varias im¶agenes al mismo tiempo. Por ¶ ultimo, podemos mencionar que en el men¶ u descolgable de archivo es posible guardar en disco como \proyecto" el estado completo de la planilla, incluyendo las im¶agenes contenidas en las celdas, la programaci¶on de los ¯ltros, etc. La imagen de cada celda se guarda como archivo .bmp, y el estado de los ¯ltros se guarda en un formato propietario de peque~ no tama~ no.

Todas estas di¯cultades llevan a pensar en buscar una manera °exible e intuitiva de plantear el dise~no de un procesamiento, especialmente para aquellos usuarios que utilizan el PDI como herramienta de trabajo en otras disciplinas. Una de los sistemas de gesti¶on de informaci¶on que parece adecuada, por su f¶acil utilizaci¶on y su popularidad, es la planilla de c¶alculo. La idea distintiva de la planilla de c¶alculo es que el ¶area de trabajo est¶a compuesta por varias celdas, cada una de las cuales porta un elemento de informaci¶on, y el contenido de cada celda es est¶atico o bien se computa a partir de la informaci¶on contenida en otras celdas. En este trabajo presentamos el sistema PDICalc, el cual permite manejar im¶agenes como si fuesen celdas de una planilla de c¶alculo. Esto permite acceder a cada paso del procesamiento y modi¯car los par¶ametros de cada paso individualmente, sin tener que repetir todo el proceso. Tambi¶en permite la reutilizaci¶on de una secuencia de procesos o de sus partes a cualquier otra imagen, guardar las sesiones intermedias, y en general facilita la modi¯caci¶on por prueba y error de los par¶ametros de cada etapa.

Como el objetivo de la presente tesis es generar num´ ericamente un c´ odigo que haga procesamiento digital de im´ agenes con aplicaciones en microscop´ıa de fluores- cencia, a continuaci´ on haremos un acercamiento a este tema de forma muy general. El estudio detallado de los componentes de c´ elulas y tejidos animales o vegetales, por el tama˜ no que poseen, requiere el uso de instrumentos que permitan ampliar muchas veces m´ as la imagen de las estructuras que los constituyen. El instrumento que fue empleado por los primeros bi´ ologos para estudiar la c´ elula y los tejidos, es el microscopio. El nombre deriva etimol´ ogicamente de dos ra´ıces griegas: “mikr´ os”, que significa peque˜ no y “skop´ eoo”, que significa observar. Es decir, el microscopio es un instrumento que sirve para observar objetos o estructuras peque˜ nas. El adelanto tecnol´ ogico que se ha logrado en el dise˜ no y construcci´ on de microscopios, es el resultado de la interacci´ on de diversas disciplinas que han permitido el avance de la microscop´ ıa, la cual es una disciplina que consiste en ver objetos y espec´ımenes muy peque˜ nos con la finalidad de formar im´ agenes aumentadas de los mismos para facilitar su estudio. Las c´ elulas no son solamente min´ usculas, tambi´ en son incoloras y transl´ ucidas en su mayor´ıa. Aclarar este hecho, permiti´ o el desarrollo de t´ ecnicas colorantes que asegurar´ıan un contraste suficiente para poder visualizar las c´ elulas en toda su estructura y complejidad, y m´ as adelante, en el siglo XX, la observaci´ on de detalles de la ultraestructura de los componentes m´ as finos del citoplasma, gracias al empleo de la microscop´ıa electr´ onica.

El procesamiento digital de im´agenes es un ´area muy amplia que abarca desde aquellos pro- cesos cuyas entradas y salidas son im´agenes, los procesos que extraen atributos o caracter´ısticas cuantificables de una imagen hasta aquellos procedimientos que permiten reconocer objetos de for- ma individual o en grupo. Hist´oricamente pueden considerarse como las primeras aplicaciones del procesamiento digital de im´agenes aquellas relacionadas con la adquisici´on, mejoramiento e inter- pretaci´on de im´agenes sensadas por sondas espaciales [8]. Tres aspectos principales de esta ´area de conocimiento son el mejoramiento, la restauraci´on y la identificaci´on de objetos [3, 8, 22]. Los m´etodos de mejoramiento est´an orientados al sistema visual humano mientras que los m´etodos de restauraci´on se basan en criterios ´optimos independientes de la visi´on humana. Por otra parte, la identificaci´on o el reconocimiento de objetos forma parte del an´alisis preliminar de una imagen para efectos de su interpretaci´on. Entre las herramientas com´ unmente empleadas se pueden considerar el an´alisis de Fourier, los filtros lineales, los m´etodos estad´ısticos y los patrones sint´acticos para reconocimiento de objetos en im´agenes.