Tratamiento de imágenes digitalesagrupación de histogramas

Resumen

La presente tesis doctoral se enmarca dentro del campo del procesamiento de imágenes digitales, principalmente en tres áreas: teoría de la información, filtrado, y detección de bordes. El núcleo teórico de este trabajo se centra en la agrupación de niveles de gris en histogramas locales por medio de un nuevo algoritmo de agrupación llamado CLOSE (Clustering by Local Separation). Se estudian algunas de sus propiedades más relevantes y se analiza su robustez por medio del análisis matemático de la probabilidad de fallo. Como una aplicación derivada del algoritmo propuesto, se presenta un nuevo filtro no lineal llamado CF (Cluster Filter) para la eliminación del ruido Gaussiano. Sobre cada píxel se centra una ventana deslizante cuyo histograma local es particionado en grupos gracias al algoritmo CLOSE. La salida del filtro CF es el nivel medio del grupo en el que se encuentra el píxel central. Se presenta y estudia la aplicación del algoritmo CLOSE en teoría de la información, definiendo la entropoía agrupada como una variante mejorada de la entropia clásica de Shannon. Esta variante tiene la ventaja de no sufrir el efecto de saturación en los casos de histogrmas locales dispersos causados por ruidos, degradaciones o desenfoques de la imagen. Otra medidas entrópicas son también susceptibles de modificación por el mismo método, como la divergencia de Jensen Shannon agrupada, cuyas propiedades son analizadas. Como aplicaciones prácticas de las medidas entrópicas agrupadas la tesis presenta dos métodos de detección de bordes. El primero consiste en la detección de máximos locales de la entropía agrupada de una ventana deslizante, y el segundo es una variante de un método existente basado en la divergencia de Jensen-Shannon, que se consigue mejorar gracias a la agrupación CLOSE.