• Portada
10/2007

Restauración de imágenes con ruido

Figura 1.
Si hay ruido nos cuesta entender lo que escuchamos. Del mismo modo, una imagen puede tener ruido y esto nos puede dificultar el reconocimiento de lo que estamos viendo. Por suerte, existen técnicas para restaurar imágenes con ruido de manera que se vuelvan a ver perfectamente bien. En este artículo se explica una de estas técnicas, ideada por los autores.

El sistema de visión de los humanos es muy sensible a las señales de ruido de amplitud elevada, y este tipo de degradación de la imagen puede tener como resultado una pérdida subjetiva de información. El objetivo de nuestro trabajo es recuperar una imagen ideal de muy buena calidad a partir de los datos degradados a causa del ruido impulsivo. Este tipo deo ruido (de valores extremos), está caracterizado normalmente por alteraciones abruptas en los valores de intensidad de la imagen de entrada (Fig. 1(a)). Los algoritmos de filtrado tradicionales no funcionan demasiado bien en el caso del ruido impulsivo, y las técnicas más efectivas consisten habitualmente en dos etapas. En primer lugar, se tienen que detectar los píxeles con valores anómalos, y entonces se aplica exclusivamente a estos píxeles un protocolo de cancelación del ruido.

La principal contribución de nuestro trabajo es el diseño de un detector efectivo de valores anómalos. Supongamos que segmentamos mentalmente una imagen con ruido (Fig. 1(a)) separando las zonas que contienen valores anóimalos de las que no los continenen. En este caso, los segmentos corruptos, con valores anómalos (los píxeles blancos o negros de la Fig. 2(a)), suelen ser mucho más pequeños que los correspondientes a la imagen. Si podemos medir el número de píxeles que pertenecen al segmento considerado podemos separar los segmentos corruptos de los que no lo son.

Para medir el número adecuado de píxeles en los segmentos considerados introducimos en nuestro trabajo el concepto de Entornos de Gradiente Adaptativos (Gradient Adaptive Neighborhoods, GAN), que se puede describir con la siguiente analogía. Consideremos los píxeles de una imágen como celdas. Entonces, los contornos que separan las celdas entre ellas pueden ser representados como particiones, como diques de contención estrechos (ver Fig. 2(b)). Las alturas de las particiones son proporcionales a la diferencia absoluta entre píxeles adyacentes. Cuando algunos píxeles de la imagen se llenan por el hecho de dejar que el agua llegue a un determinado nivel, entonces se forma un pequeño conjunto de embalses incomunicados (cada uno de ellos con un nivel concreto de agua). Los GAN corresponden a los embalses obtenidos (los segmentos en que hemos dividido la imagen), y de este modo resulta muy fácil calcular la cantidad de píxeles que pertenece a cada segmento.

La Figura 1 (b) ilustra el resultado de la restauración de una imagen (a partir de la imagen corrupta de la figura 1(a)) utilizando nuestro sistema de detección de valores anómalos. Este experimento por ordenador muestra que el método propuesto tiene una importante capacidad de reducción de ruido impulsivo y una muy buena preservación de estructuras finas y detalles.

Mikhail Mozerov

Referencias

Mozerov M, Kober V, "Impulse noise removal with gradient adaptive neighborhoods", OPTICAL ENGINEERING, 45 (6): 67003-67003

 
View low-bandwidth version