🖼️ Procesamiento digital de imágenes: equalización, filtros, bordes y features¶
Contexto¶
En esta práctica se trabajó con técnicas fundamentales de procesamiento digital de imágenes usando OpenCV, NumPy, Matplotlib y Scikit-Image.
El objetivo fue aplicar transformaciones básicas—como conversión a grises, equalización de histograma, smoothing (suavizado), detección de bordes y extracción de features—para comprender cómo cada operación modifica la estructura visual y la información contenida en una imagen.
🎯 Objetivos¶
- Cargar y visualizar imágenes en distintos espacios de color (RGB, HSV, LAB).
- Analizar histogramas de intensidad y por canal.
- Aplicar equalización de histograma (global y CLAHE).
- Comparar filtros de suavizado: Gaussian Blur y Bilateral.
- Evaluar cómo los filtros afectan la detección de bordes con Canny.
- Extraer y comparar keypoints con ORB.
- Analizar matching de features entre variantes de imagen.
Desarrollo¶
1. Setup e importación de librerías¶
Se instalaron las librerías necesarias para procesamiento de imágenes:
!pip install -q opencv-python opencv-contrib-python numpy matplotlib scikit-image pandas
import cv2
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from skimage import exposure, filters, feature, color, img_as_float
Se descargaron imágenes de prueba de scikit-image:
from skimage import data as skdata, io as skio
samples_sk = {
"camera.png": skdata.camera(),
"astronaut.png": skdata.astronaut(),
"coffee.png": skdata.coffee(),
# ...
}
2. Carga y visualización de la imagen¶
Se cargó una imagen base y se analizaron sus propiedades:
img_bgr = cv2.imread(str(path), cv2.IMREAD_COLOR)
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)
print("H, W, C:", height, width, channels) # 512 512 3
print("dtype:", dtype, "rango:", (0, 255), "mean_gray:", 115.41)
Se visualizó el histograma de intensidades y los histogramas por canal RGB:
Observaciones: - El rango dinámico fue de 0 a 255 (buena amplitud tonal) - El histograma indica medio a alto contraste - El canal con mayor dominancia fue R (rojo) por el traje del astronauta
3. Espacios de color: HSV y LAB¶
Se convirtió la imagen a diferentes espacios de color para análisis:
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)
img_lab = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB)
Canales más informativos: - HSV: Canal H (Hue) para información de color - LAB: Canal L (Luminancia) para operaciones de contraste
4. Equalización de histograma¶
Se compararon dos métodos de mejora de contraste:
a) Equalización Global¶
eq_gray = cv2.equalizeHist(img_gray)
b) CLAHE (Contrast Limited Adaptive Histogram Equalization)¶
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(15, 25))
L_clahe = clahe.apply(L)
lab_clahe = cv2.merge([L_clahe, A, B])
rgb_clahe = cv2.cvtColor(lab_clahe, cv2.COLOR_LAB2RGB)
Métricas de contraste (STD):
| Variante | STD |
|---|---|
| Original | 75.12 |
| Equalize (global) | 80.25 |
| CLAHE en L* | 76.51 |
Observaciones: - CLAHE mejoró menos que la ecualización global en zonas homogéneas - CLAHE evita la sobreexpansión del histograma preservando texturas suaves - La ecualización global puede generar saturaciones
5. Filtros de suavizado¶
Se aplicaron dos filtros principales y se evaluó su impacto:
a) Gaussian Blur¶
gaussian = cv2.GaussianBlur(img_gray, ksize=(3, 3), sigmaX=1.5)
Características: - Suaviza ruido de alta frecuencia - Afecta bordes al difuminarlos ligeramente
b) Bilateral Filter¶
bilateral = cv2.bilateralFilter(img_gray, d=9, sigmaColor=75, sigmaSpace=75)
Características: - Suaviza ruido sin borrar bordes - Mantiene contornos nítidos - Popular en preprocesamiento facial y reducción de ruido no lineal
Métricas de varianza del gradiente:
| Variante | Var(grad) |
|---|---|
| Original | 10,788.16 |
| Gaussian | 6,351.84 |
| Bilateral | 5,488.11 |
6. Detección de bordes con Canny¶
Se evaluó cómo los filtros previos afectan la detección de bordes:
edges_before = cv2.Canny(img_gray, threshold1=50, threshold2=150)
edges_gauss = cv2.Canny(gaussian, threshold1=50, threshold2=150)
edges_bilat = cv2.Canny(bilateral, threshold1=25, threshold2=55)
Ratio de bordes detectados:
| Variante | Edge Ratio |
|---|---|
| Original | 0.102 |
| Gaussian | 0.077 |
| Bilateral | 0.077 |
Observaciones: - El filtrado bilateral conservó mejor los bordes principales - El ratio alto en la imagen original sugiere detección de ruido como bordes falsos - Para escenas nocturnas, se recomienda thresholds más bajos (20, 50)
7. Extracción de Features con ORB¶
Se extrajeron keypoints usando el detector ORB:
orb = cv2.ORB_create(nfeatures=1500, scaleFactor=1.2, nlevels=8)
kp, des = orb.detectAndCompute(img, None)
Keypoints por variante:
| Variante | Num Keypoints |
|---|---|
| Original | 1,500 |
| Gaussian | 1,500 |
| CLAHE L* | 1,500 |
Observación: La variante CLAHE mostró una distribución más uniforme de keypoints gracias al aumento del micro-contraste local.
8. Matching de Features¶
Se emparejaron features entre la imagen original y la procesada con CLAHE:
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
Resultados: - Keypoints original: 1,500 - Keypoints CLAHE: 1,500 - Matches válidos: 856 - Ratio de repetibilidad: 0.57
Observación: CLAHE mejoró la repetibilidad porque al mejorar la luminancia sin deformar la geometría, las características detectadas son más estables entre variantes.
Evidencias¶
- Notebook del trabajo: 13_images.ipynb
- Imágenes generadas: carpeta
img/
Reflexión¶
Este trabajo permitió observar visualmente cómo cada transformación altera la estructura interna de la imagen:
- Equalización: La ecualización global mejora contraste pero puede saturar; CLAHE ofrece un balance más controlado.
- Filtros: El Gaussian suaviza todo uniformemente; el Bilateral preserva bordes mientras reduce ruido.
- Bordes: Canny es sensible al preprocesamiento; filtrar antes reduce falsos positivos.
- Features: CLAHE mejora la estabilidad de keypoints sin distorsionar la geometría.
Conclusión¶
Se construyó un pipeline completo de procesamiento de imágenes:
- ✅ Carga y análisis de propiedades
- ✅ Conversión a espacios de color (RGB, HSV, LAB)
- ✅ Mejora de contraste (Equalize, CLAHE)
- ✅ Suavizado (Gaussian, Bilateral)
- ✅ Detección de bordes (Canny)
- ✅ Extracción y matching de features (ORB)
Cada técnica tiene efectos distintos y elegir la correcta depende del objetivo del proyecto. Para tareas de matching, CLAHE demostró ser la mejor opción con un ratio de repetibilidad del 57%.
Referencias¶
- OpenCV Documentation — https://docs.opencv.org/
- Scikit-Image — https://scikit-image.org/
- Gonzalez & Woods — Digital Image Processing
- ORB: An efficient alternative to SIFT or SURF — Rublee et al., 2011