Procesando imagen digital

Algorithmic processing of digitally-represented images

El procesamiento de imágenes digitales es el uso de una computadora digital para procesar imágenes digitales a través de un algoritmo . ^{[1] [2]} Como subcategoría o campo del procesamiento de señales digitales , el procesamiento de imágenes digitales tiene muchas ventajas sobre el procesamiento de imágenes analógicas . Permite aplicar una gama mucho más amplia de algoritmos a los datos de entrada y puede evitar problemas como la acumulación de ruido y distorsión durante el procesamiento. Dado que las imágenes se definen en dos dimensiones (quizás más), el procesamiento de imágenes digitales se puede modelar en forma de sistemas multidimensionales . La generación y desarrollo del procesamiento de imágenes digitales se ven afectados principalmente por tres factores: primero, el desarrollo de las computadoras; segundo, el desarrollo de las matemáticas (especialmente la creación y mejora de la teoría de las matemáticas discretas); En tercer lugar, ha aumentado la demanda de una amplia gama de aplicaciones en el medio ambiente, la agricultura, el ejército, la industria y las ciencias médicas.

Historia

Muchas de las técnicas de procesamiento de imágenes digitales , o procesamiento de imágenes digitales como a menudo se le llamaba, se desarrollaron en la década de 1960 en los Laboratorios Bell , el Laboratorio de Propulsión a Chorro , el Instituto Tecnológico de Massachusetts , la Universidad de Maryland y algunas otras instalaciones de investigación. con aplicación a imágenes satelitales , conversión de estándares de fotografía por cable , imágenes médicas , videoteléfono , reconocimiento de caracteres y mejora de fotografías. ^[3] El propósito del procesamiento de imágenes inicial era mejorar la calidad de la imagen. Estaba dirigido a los seres humanos para mejorar el efecto visual de las personas. En el procesamiento de imágenes, la entrada es una imagen de baja calidad y la salida es una imagen con calidad mejorada. El procesamiento de imágenes común incluye mejora, restauración, codificación y compresión de imágenes. La primera aplicación exitosa fue el Laboratorio Americano de Propulsión a Chorro (JPL). Utilizaron técnicas de procesamiento de imágenes como corrección geométrica, transformación de gradación, eliminación de ruido, etc. en miles de fotografías lunares enviadas por el Space Detector Ranger 7 en 1964, teniendo en cuenta la posición del Sol y el entorno de la Luna. El impacto del exitoso mapeo del mapa de la superficie de la Luna por computadora ha sido un éxito. Posteriormente, se realizó un procesamiento de imágenes más complejo de las cerca de 100.000 fotografías enviadas por la nave espacial, de modo que se obtuvo el mapa topográfico, el mapa en color y el mosaico panorámico de la Luna, que lograron resultados extraordinarios y sentaron una base sólida para el aterrizaje humano en la Luna. Luna. ^[4]

Sin embargo, el coste de procesamiento era bastante alto con los equipos informáticos de esa época. Eso cambió en la década de 1970, cuando el procesamiento de imágenes digitales proliferó a medida que aparecieron computadoras más baratas y hardware dedicado. Esto llevó a que las imágenes se procesaran en tiempo real, para algunos problemas específicos, como la conversión de estándares de televisión . A medida que las computadoras de uso general se volvieron más rápidas, comenzaron a asumir el papel de hardware dedicado para todas las operaciones excepto las más especializadas y con uso intensivo de computadoras. Con las rápidas computadoras y procesadores de señales disponibles en la década de 2000, el procesamiento de imágenes digitales se ha convertido en la forma más común de procesamiento de imágenes y generalmente se usa porque no solo es el método más versátil, sino también el más barato.

Sensores de imagen

La base de los sensores de imagen modernos es la tecnología de semiconductores de óxido metálico (MOS), ^[5] que se origina a partir de la invención del MOSFET (transistor de efecto de campo MOS) por Mohamed M. Atalla y Dawon Kahng en los Laboratorios Bell en 1959. ^{[ 6]} Esto llevó al desarrollo de sensores de imagen semiconductores digitales , incluido el dispositivo de carga acoplada (CCD) y más tarde el sensor CMOS . ^[5]

El dispositivo de carga acoplada fue inventado por Willard S. Boyle y George E. Smith en Bell Labs en 1969. ^[7] Mientras investigaban la tecnología MOS, se dieron cuenta de que una carga eléctrica era la analogía de la burbuja magnética y que podía almacenarse. en un pequeño condensador MOS . Como era bastante sencillo fabricar una serie de condensadores MOS seguidos, les conectaron un voltaje adecuado para que la carga pudiera pasar de uno al siguiente. ^[5] El CCD es un circuito semiconductor que posteriormente se utilizó en las primeras cámaras de vídeo digitales para retransmisiones televisivas . ^[8]

El sensor de píxeles activos (APS) NMOS fue inventado por Olympus en Japón a mediados de la década de 1980. Esto fue posible gracias a los avances en la fabricación de dispositivos semiconductores MOS , en los que el escalado de MOSFET alcanzó niveles de micras más pequeñas y luego submicrónicas . ^{[9] [10]} El NMOS APS fue fabricado por el equipo de Tsutomu Nakamura en Olympus en 1985. ^[11] El sensor de píxeles activos CMOS (sensor CMOS) fue desarrollado posteriormente por el equipo de Eric Fossum en el Laboratorio de Propulsión a Chorro de la NASA en 1993. ^[12] En 2007, las ventas de sensores CMOS habían superado a las de sensores CCD . ^[13]

Los sensores de imagen MOS se utilizan ampliamente en la tecnología de ratones ópticos . El primer ratón óptico, inventado por Richard F. Lyon en Xerox en 1980, utilizaba un chip sensor de circuito integrado NMOS de 5  µm . ^{[14] [15]} Desde el primer ratón óptico comercial, el IntelliMouse introducido en 1999, la mayoría de los dispositivos de ratón óptico utilizan sensores CMOS. ^{[16] [17]}

Compresión de imágenes

Un avance importante en la tecnología de compresión de imágenes digitales fue la transformada de coseno discreta (DCT), una técnica de compresión con pérdida propuesta por primera vez por Nasir Ahmed en 1972. ^[18] La compresión DCT se convirtió en la base del JPEG , que fue introducido por el Joint Photographic Experts Group en 1992. ^{[19] JPEG comprime imágenes a tamaños de archivo mucho más pequeños y se ha convertido en el} formato de archivo de imagen más utilizado en Internet . ^[20] Su algoritmo de compresión DCT altamente eficiente fue en gran medida responsable de la amplia proliferación de imágenes y fotografías digitales , ^[21] con varios miles de millones de imágenes JPEG producidas todos los días a partir de 2015 ^[update]. ^[22]

Las técnicas de imágenes médicas producen grandes cantidades de datos, especialmente de las modalidades CT, MRI y PET. Como resultado, el almacenamiento y la comunicación de datos de imágenes electrónicas son prohibitivos sin el uso de compresión. ^{[23] [24] El estándar} DICOM utiliza la compresión de imágenes JPEG 2000 para el almacenamiento y transmisión de imágenes médicas. El costo y la viabilidad de acceder a grandes conjuntos de datos de imágenes a través de anchos de banda bajos o diversos se abordan aún más mediante el uso de otro estándar DICOM, llamado JPIP , para permitir la transmisión eficiente de los datos de imágenes comprimidos JPEG 2000 . ^[25]

Procesador de señal digital (DSP)

El procesamiento de señales electrónicas fue revolucionado por la amplia adopción de la tecnología MOS en la década de 1970. ^{[26] La tecnología} de circuitos integrados MOS fue la base de los primeros microprocesadores y microcontroladores de un solo chip a principios de la década de 1970, ^{[27] y luego de los primeros chips} de procesador de señal digital (DSP) de un solo chip a finales de la década de 1970. ^{[28] [29]} Desde entonces, los chips DSP se han utilizado ampliamente en el procesamiento de imágenes digitales. ^[28]

El algoritmo de compresión de imágenes por transformada de coseno discreto (DCT) se ha implementado ampliamente en chips DSP, y muchas empresas desarrollan chips DSP basados ​​en tecnología DCT. Los DCT se utilizan ampliamente para codificar , decodificar, codificar vídeo , codificar audio , multiplexar , señales de control, señalización , conversión analógica a digital , formatear diferencias de luminancia y color, y formatos de color como YUV444 y YUV411 . Los DCT también se utilizan para operaciones de codificación como estimación de movimiento , compensación de movimiento , predicción entre cuadros , cuantificación , ponderación perceptual, codificación de entropía , codificación de variables y vectores de movimiento , y operaciones de decodificación como la operación inversa entre diferentes formatos de color ( YIQ , YUV y RGB ) para fines de visualización. Los DCT también se utilizan comúnmente para chips codificadores/decodificadores de televisión de alta definición (HDTV). ^[30]

Imagenes medicas

En 1972, el ingeniero de la empresa británica EMI Housfield inventó el dispositivo de tomografía computarizada por rayos X para el diagnóstico de la cabeza, que es lo que se suele llamar CT (tomografía computarizada). El método del núcleo de TC se basa en la proyección de la sección de la cabeza humana y se procesa por computadora para reconstruir la imagen transversal, lo que se denomina reconstrucción de imagen. En 1975, EMI desarrolló con éxito un dispositivo de TC para todo el cuerpo, que obtenía una imagen tomográfica clara de varias partes del cuerpo humano. En 1979, esta técnica de diagnóstico ganó el Premio Nobel. ^[4] La tecnología de procesamiento de imágenes digitales para aplicaciones médicas fue incluida en el Salón de la Fama de la Tecnología Espacial de la Fundación Espacial en 1994. ^[31]

Hasta 2010, se habían realizado 5 mil millones de estudios de imágenes médicas en todo el mundo. ^{[32] [33]} La exposición a la radiación procedente de imágenes médicas en 2006 representó aproximadamente el 50% de la exposición total a la radiación ionizante en los Estados Unidos. ^[34] Los equipos de imágenes médicas se fabrican utilizando tecnología de la industria de los semiconductores , incluidos chips de circuitos integrados CMOS , dispositivos semiconductores de potencia , sensores como sensores de imagen (en particular sensores CMOS ) y biosensores , y procesadores como microcontroladores , microprocesadores , procesadores de señales digitales , Procesadores de medios y dispositivos de sistema en chip . En 2015 , los envíos anuales de chips de imágenes médicas ascendieron a 46 millones de unidades y 1.100 millones de dólares . ^{[35] [36][update]} 

Tareas

El procesamiento de imágenes digitales permite el uso de algoritmos mucho más complejos y, por lo tanto, puede ofrecer un rendimiento más sofisticado en tareas simples y la implementación de métodos que serían imposibles por medios analógicos.

En particular, el procesamiento de imágenes digitales es una aplicación concreta y una tecnología práctica basada en:

• Clasificación
• Extracción de características
• Análisis de señales multiescala
• Reconocimiento de patrones
• Proyección

Algunas técnicas que se utilizan en el procesamiento de imágenes digitales incluyen:

• Difusión anisotrópica
• Modelos ocultos de Markov
• Edición de imagen
• Restauración de imagen
• Análisis de componentes independientes
• Filtrado lineal
• Redes neuronales
• Ecuaciones diferenciales parciales
• Pixelación
• Coincidencia de características de puntos
• Análisis de componentes principales
• Mapas autoorganizados
• Ondas

Transformaciones de imágenes digitales

Filtración

Los filtros digitales se utilizan para desenfocar y enfocar imágenes digitales. El filtrado se puede realizar mediante:

• convolución con núcleos específicamente diseñados (matriz de filtros) en el dominio espacial ^[37]
• enmascarar regiones de frecuencia específicas en el dominio de frecuencia (Fourier)

Los siguientes ejemplos muestran ambos métodos: ^[38]

Relleno de imágenes en el filtrado de dominios de Fourier

Las imágenes generalmente se rellenan antes de transformarse al espacio de Fourier; las imágenes filtradas de paso alto a continuación ilustran las consecuencias de las diferentes técnicas de relleno:

Observe que el filtro de paso alto muestra bordes adicionales cuando se rellena con ceros en comparación con el relleno de bordes repetido.

Ejemplos de código de filtrado

Ejemplo de MATLAB para filtrado de paso alto de dominio espacial.

img = tablero de ajedrez ( 20 ); % generar tablero de ajedrez % **************************** DOMINIO ESPACIAL ******************* ********* klaplace =[ 0 - 1 0 ; - 1 5 - 1 ; 0 - 1 0 ]; % Núcleo de filtro laplaciano X = conv2 ( img , klaplace ); % convoluciona prueba img con % 3x3 Figura del núcleo laplaciano () imshow ( X ,[]) % muestra título filtrado laplaciano ( 'Detección de bordes laplacianos' )             

Transformaciones afines

Las transformaciones afines permiten transformaciones básicas de imágenes que incluyen escalar, rotar, trasladar, reflejar y cortar, como se muestra en los siguientes ejemplos: ^[38]

Para aplicar la matriz afín a una imagen, la imagen se convierte en una matriz en la que cada entrada corresponde a la intensidad de píxeles en esa ubicación. Luego, la ubicación de cada píxel se puede representar como un vector que indica las coordenadas de ese píxel en la imagen, [x, y], donde xey son la fila y la columna de un píxel en la matriz de la imagen. Esto permite multiplicar la coordenada por una matriz de transformación afín, que proporciona la posición en la que se copiará el valor del píxel en la imagen de salida.

Sin embargo, para permitir transformaciones que requieren transformaciones de traducción, se necesitan coordenadas tridimensionales homogéneas. La tercera dimensión generalmente se establece en una constante distinta de cero, generalmente 1, de modo que la nueva coordenada sea [x, y, 1]. Esto permite que el vector de coordenadas se multiplique por una matriz de 3 por 3, lo que permite cambios de traducción. Entonces la tercera dimensión, que es la constante 1, permite la traducción.

Debido a que la multiplicación de matrices es asociativa, se pueden combinar múltiples transformaciones afines en una única transformación afín multiplicando la matriz de cada transformación individual en el orden en que se realizan las transformaciones. Esto da como resultado una única matriz que, cuando se aplica a un vector puntual, da el mismo resultado que todas las transformaciones individuales realizadas en el vector [x, y, 1] en secuencia. Por tanto, una secuencia de matrices de transformación afines se puede reducir a una única matriz de transformación afín.

Por ejemplo, las coordenadas bidimensionales solo permiten la rotación alrededor del origen (0, 0). Pero se pueden usar coordenadas homogéneas tridimensionales para trasladar primero cualquier punto a (0, 0), luego realizar la rotación y, por último, trasladar el origen (0, 0) de regreso al punto original (lo opuesto a la primera traslación). Estas 3 transformaciones afines se pueden combinar en una sola matriz, permitiendo así la rotación alrededor de cualquier punto de la imagen. ^[39]

Eliminación de ruido de imágenes con morfología

La morfología matemática es adecuada para eliminar el ruido de las imágenes. Los elementos estructurantes son importantes en la morfología matemática .

Los siguientes ejemplos tratan sobre elementos estructurantes. La función de eliminación de ruido, la imagen como I y el elemento estructurante como B se muestran a continuación y en la tabla.

p.ej ${\displaystyle (I')={\begin{bmatrix}45&50&65\\40&60&55\\25&15&5\end{bmatrix}}B={\begin{bmatrix}1&2&1\\2&1&1\\1&0&3\end{bmatrix}}}$

Defina Dilatación(I, B)(i,j) = . Sea dilatación (I, B) = D (I, B) ${\displaystyle max\{I(i+m,j+n)+B(m,n)\}}$

D(I', B)(1,1) = ${\displaystyle max(45+1,50+2,65+1,40+2,60+1,55+1,25+1,15+0,5+3)=66}$

Defina Erosión(I, B)(i,j) = . Sea Erosión(I,B) = E(I,B) ${\displaystyle min\{I(i+m,j+n)-B(m,n)\}}$

E(I', B)(1,1) = ${\displaystyle min(45-1,50-2,65-1,40-2,60-1,55-1,25-1,15-0,5-3)=2}$

Después de la dilatación Después de la erosión ${\displaystyle (I')={\begin{bmatrix}45&50&65\\40&66&55\\25&15&5\end{bmatrix}}}$ ${\displaystyle (I')={\begin{bmatrix}45&50&65\\40&2&55\\25&15&5\end{bmatrix}}}$

Un método de apertura es simplemente erosión primero y luego dilatación, mientras que el método de cierre es viceversa. En realidad, D(I,B) y E(I,B) pueden implementarse mediante convolución.

Aplicaciones

Imágenes de cámaras digitales

Las cámaras digitales generalmente incluyen hardware especializado de procesamiento de imágenes digitales (ya sean chips dedicados o circuitos agregados en otros chips) para convertir los datos sin procesar de su sensor de imagen en una imagen con corrección de color en un formato de archivo de imagen estándar . Las técnicas de posprocesamiento adicionales aumentan la nitidez de los bordes o la saturación del color para crear imágenes con un aspecto más natural.

Película

Westworld (1973) fue el primer largometraje que utilizó el procesamiento de imágenes digitales para pixelar fotografías y simular el punto de vista de un androide. ^[40] El procesamiento de imágenes también se utiliza ampliamente para producir el efecto croma clave que reemplaza el fondo de los actores con escenarios naturales o artísticos.

Detección de rostro

Proceso de detección de rostros

La detección de rostros se puede implementar con morfología matemática , transformada de coseno discreta que generalmente se llama DCT y proyección horizontal (matemáticas) .

Método general con método basado en características.

El método de detección de rostros basado en características consiste en utilizar el tono de la piel, la detección de bordes, la forma de la cara y las características de una cara (como ojos, boca, etc.) para lograr la detección de rostros. El tono de piel, la forma del rostro y todos los elementos únicos que sólo tiene el rostro humano pueden describirse como rasgos.

Explicación del proceso

1. Dado un lote de imágenes de rostros, primero extraiga el rango de tonos de piel tomando muestras de imágenes de rostros. La gama de tonos de piel es solo un filtro de piel.
   1. La medida del índice de similitud estructural (SSIM) se puede aplicar para comparar imágenes en términos de extracción del tono de piel.
   2. Normalmente, los espacios de color HSV o RGB son adecuados para el filtro de piel. Por ejemplo, en el modo HSV, el rango de tonos de piel es [0,48,50] ~ [20,255,255]
2. Después de filtrar las imágenes con el tono de la piel, para obtener el borde del rostro, se utilizan la morfología y la DCT para eliminar el ruido y rellenar las áreas de piel que faltan.
   1. Se puede utilizar el método de apertura o el método de cierre para lograr rellenar la piel faltante.
   2. DCT es evitar el objeto con piel similar al tono. Dado que los rostros humanos siempre tienen mayor textura.
   3. Se puede aplicar el operador Sobel u otros operadores para detectar el borde de la cara.
3. Para posicionar rasgos humanos como los ojos, usar la proyección y encontrar el pico del histograma de proyección ayuda a obtener detalles como la boca, el cabello y los labios.
   1. La proyección es simplemente proyectar la imagen para ver la alta frecuencia que suele ser la posición de la característica.

Método de mejora de la calidad de la imagen.

La calidad de la imagen puede verse influenciada por la vibración de la cámara, la sobreexposición, la distribución del nivel de grises demasiado centralizada y el ruido, etc. Por ejemplo, el problema del ruido se puede resolver mediante el método de suavizado , mientras que el problema de la distribución del nivel de grises se puede mejorar mediante la ecualización del histograma .

Método de suavizado

En el dibujo, si hay algún color insatisfecho, tomar algún color alrededor del color insatisfecho y promediarlos. Esta es una manera sencilla de pensar en el método de suavizado.

El método de suavizado se puede implementar con máscara y convolución . Tome la imagen pequeña y la máscara, por ejemplo, como se muestra a continuación.

la imagen es ${\displaystyle {\begin{bmatrix}2&5&6&5\\3&1&4&6\\1&28&30&2\\7&3&2&2\end{bmatrix}}}$

la máscara es ${\displaystyle {\begin{bmatrix}1/9&1/9&1/9\\1/9&1/9&1/9\\1/9&1/9&1/9\end{bmatrix}}}$

Después de la convolución y el suavizado, la imagen es ${\displaystyle {\begin{bmatrix}2&5&6&5\\3&9&10&6\\1&9&9&2\\7&3&2&2\end{bmatrix}}}$

Observando imagen[1, 1], imagen[1, 2], imagen[2, 1] e imagen[2, 2].

El píxel de la imagen original es 1, 4, 28, 30. Después de suavizar la máscara, el píxel pasa a ser 9, 10, 9, 9 respectivamente.

nueva imagen[1, 1] = * (imagen[0,0]+imagen[0,1]+imagen[0,2]+imagen[1,0]+imagen[1,1]+imagen[1,2 ]+imagen[2,0]+imagen[2,1]+imagen[2,2]) ${\displaystyle {\tfrac {1}{9}}}$

nueva imagen[1, 1] = piso( * (2+5+6+3+1+4+1+28+30)) = 9 ${\displaystyle {\tfrac {1}{9}}}$

nueva imagen[1, 2] = piso({ * (5+6+5+1+4+6+28+30+2)) = 10 ${\displaystyle {\tfrac {1}{9}}}$

nueva imagen[2, 1] = piso( * (3+1+4+1+28+30+7+3+2)) = 9 ${\displaystyle {\tfrac {1}{9}}}$

nueva imagen[2, 2] = piso( * (1+4+6+28+30+2+3+2+2)) = 9 ${\displaystyle {\tfrac {1}{9}}}$

Método de histograma de nivel de grises

Generalmente, dado un histograma de nivel de grises de una imagen como se muestra a continuación. Cambiar el histograma a una distribución uniforme de una imagen suele ser lo que llamamos ecualización de histograma .

Figura 1

Figura 2

En tiempo discreto, el área del histograma de nivel de grises es (ver figura 1), mientras que el área de distribución uniforme es (ver figura 2). Está claro que la zona no cambiará, así que . ${\displaystyle \sum _{i=0}^{k}H(p_{i})}$ ${\displaystyle \sum _{i=0}^{k}G(q_{i})}$ ${\displaystyle \sum _{i=0}^{k}H(p_{i})=\sum _{i=0}^{k}G(q_{i})}$

A partir de la distribución uniforme, la probabilidad de es mientras que la ${\displaystyle q_{i}}$ ${\displaystyle {\tfrac {N^{2}}{q_{k}-q_{0}}}}$ ${\displaystyle 0<i<k}$

En tiempo continuo, la ecuación es . ${\displaystyle \displaystyle \int _{q_{0}}^{q}{\tfrac {N^{2}}{q_{k}-q_{0}}}ds=\displaystyle \int _{p_{0}}^{p}H(s)ds}$

Además, según la definición de una función, el método del histograma de nivel de Gray es como encontrar una función que satisfaga f (p) = q. ${\displaystyle f}$

Ver también

• Imagen digital
• Gráficos de computadora
• Visión por computador
• CVIPherramientas
• Digitalizando
• Transformada de Fourier
• Condición de frontera libre
• GPGPU
• Filtrado homomórfico
• Análisis de imagen
• Sociedad de sistemas de transporte inteligentes IEEE
• Análisis espectral de mínimos cuadrados
• Sistemas multidimensionales
• Etiquetado de relajación
• Software de teledetección
• Imagen de prueba estándar
• Súper resolución
• Eliminación de ruido de variación total
• Visión de máquina
• variación acotada
• Radiómica

Referencias

1. Chakravorty, Pragnan (2018). "¿Qué es una señal? [Notas de la conferencia]". Revista de procesamiento de señales IEEE . 35 (5): 175-177. doi :10.1109/MSP.2018.2832195. S2CID  52164353.
2. González, Rafael (2018). Procesando imagen digital . Nueva York, Nueva York: Pearson. ISBN 978-0-13-335672-4. OCLC  966609831.
3. Azriel Rosenfeld, Procesamiento de imágenes por computadora , Nueva York: Academic Press, 1969
4. González, Rafael C. (2008). Procesando imagen digital . Woods, Richard E. (Richard Eugene), 1954– (3ª ed.). Upper Saddle River, Nueva Jersey: Prentice Hall. págs. 23-28. ISBN 978-0-13-168728-8. OCLC  137312858.
5. Williams, JB (2017). La revolución de la electrónica: inventar el futuro. Saltador. págs. 245–8. ISBN 978-3-319-49088-5.
6. "1960: Demostración del transistor semiconductor de óxido metálico (MOS)". El motor de silicio . Museo de Historia de la Computación . Archivado desde el original el 3 de octubre de 2019 . Consultado el 31 de agosto de 2019 .
7. James R. Janesick (2001). Dispositivos científicos de carga acoplada. Prensa SPIE. págs. 3–4. ISBN 978-0-8194-3698-6.
8. Boyle, William S; Smith, George E. (1970). "Dispositivos semiconductores de carga acoplada". Sistema de campana. Tecnología. J.​ 49 (4): 587–593. doi :10.1002/j.1538-7305.1970.tb01790.x.
9. Fossum, Eric R. (12 de julio de 1993). "Sensores de píxeles activos: ¿son los CCDS dinosaurios?". En Blouke, Morley M. (ed.). Dispositivos de carga acoplada y sensores ópticos de estado sólido III . Actas del SPIE. vol. 1900, págs. 2-14. Código Bib : 1993SPIE.1900....2F. CiteSeerX 10.1.1.408.6558 . doi :10.1117/12.148585. S2CID  10556755. 
10. Fossum, Eric R. (2007). "Sensores de píxeles activos" (PDF) . Eric Fossum . S2CID  18831792. Archivado (PDF) desde el original el 29 de agosto de 2019.
11. Matsumoto, Kazuya; et al. (1985). "Un nuevo fototransistor MOS que funciona en modo de lectura no destructivo". Revista Japonesa de Física Aplicada . 24 (5A): L323. Código Bib : 1985JaJAP..24L.323M. doi :10.1143/JJAP.24.L323. S2CID  108450116.
12. Fossum, Eric R .; Hondongwa, DB (2014). "Una revisión del fotodiodo fijado para sensores de imagen CCD y CMOS". Revista IEEE de la Sociedad de Dispositivos Electrónicos . 2 (3): 33–43. doi : 10.1109/JEDS.2014.2306412 .
13. "Las ventas de sensores de imagen CMOS se mantienen a un ritmo récord". Perspectivas de IC . 8 de mayo de 2018. Archivado desde el original el 21 de junio de 2019 . Consultado el 6 de octubre de 2019 .
14. Lyon, Richard F. (2014). "El ratón óptico: visión integrada biomimética temprana". Avances en visión por computadora integrada . Saltador. págs. 3–22 (3). ISBN 9783319093871.
15. Lyon, Richard F. (agosto de 1981). "El ratón óptico y una metodología arquitectónica para sensores digitales inteligentes" (PDF) . En HT Kung; Robert F. Sproull; Guy L. Steele (eds.). Sistemas y Computación VLSI . Prensa de Ciencias de la Computación. págs. 1-19. doi :10.1007/978-3-642-68402-9_1. ISBN 978-3-642-68404-3. S2CID  60722329. Archivado (PDF) desde el original el 26 de febrero de 2014.
16. Cerebro, Marshall; Carmack, Carmen (24 de abril de 2000). "Cómo funcionan los ratones de computadora". Como funcionan las cosas . Consultado el 9 de octubre de 2019 .
17. Benchoff, Brian (17 de abril de 2016). "Construcción de la primera cámara digital". La-Tecnologia . Consultado el 30 de abril de 2016 . La Cyclops fue la primera cámara digital.
18. Ahmed, Nasir (enero de 1991). "Cómo se me ocurrió la transformada del coseno discreto". Procesamiento de señales digitales . 1 (1): 4–5. doi :10.1016/1051-2004(91)90086-Z. Archivado desde el original el 10 de junio de 2016 . Consultado el 10 de octubre de 2019 .
19. "T.81 - Compresión y codificación digital de imágenes fijas de tonos continuos - requisitos y directrices" (PDF) . CCITT . Septiembre de 1992. Archivado (PDF) desde el original el 17 de julio de 2019 . Consultado el 12 de julio de 2019 .
20. Svetlik, Joe (31 de mayo de 2018). "Explicación del formato de imagen JPEG". Grupo BT . Archivado desde el original el 5 de agosto de 2019 . Consultado el 5 de agosto de 2019 .
21. Caplan, Paul (24 de septiembre de 2013). "¿Qué es un JPEG? El objeto invisible que ves todos los días" . El Atlántico . Archivado desde el original el 9 de octubre de 2019 . Consultado el 13 de septiembre de 2019 .
22. Baraniuk, Chris (15 de octubre de 2015). "Bloqueo de JPeg: opciones de restricción buscadas por el comité". Noticias de la BBC . Archivado desde el original el 9 de octubre de 2019 . Consultado el 13 de septiembre de 2019 .
23. Nagornov, Nikolay N.; Lyakhov, Pavel A.; Valueva, María V.; Bergerman, Maxim V. (2022). "Aceleradores FPGA basados ​​en RNS para el procesamiento de ondas de imágenes médicas 3D de alta calidad utilizando coeficientes de filtro escalados". Acceso IEEE . 10 : 19215–19231. doi : 10.1109/ACCESS.2022.3151361 . ISSN  2169-3536. S2CID 246895876 . Los sistemas de imágenes médicas producen imágenes cada vez más precisas con una calidad mejorada utilizando resoluciones espaciales y profundidad de bits de color más altas. Estas mejoras aumentan la cantidad de información que debe almacenarse, procesarse y transmitirse. 
24. Dhouib, D.; Naït-Ali, A.; Olivier, C.; Naceur, MS (junio de 2021). "Estrategia de compresión basada en ROI de conjuntos de datos cerebrales de resonancia magnética 3D para comunicaciones inalámbricas". IRBM . 42 (3): 146-153. doi :10.1016/j.irbm.2020.05.001. S2CID  219437400. Debido a la gran cantidad de datos de imágenes médicas, el proceso de transmisión se vuelve complicado en las aplicaciones de telemedicina. Así, para adaptar los flujos de bits de datos a las limitaciones relacionadas con la limitación de los anchos de banda, es esencial una reducción del tamaño de los datos mediante la compresión de las imágenes.
25. Xin, Gangtao; Fan, Pingyi (11 de junio de 2021). "Un método de compresión sin pérdidas para imágenes médicas multicomponente basado en minería de big data". Informes científicos . 11 (1): 12372. doi : 10.1038/s41598-021-91920-x . ISSN  2045-2322. PMC 8196061 . 
26. Conceder, Duncan Andrew; Gowar, John (1989). MOSFETS de potencia: teoría y aplicaciones. Wiley . pag. 1.ISBN​ 978-0-471-82867-9. El transistor de efecto de campo semiconductor de óxido metálico (MOSFET) es el dispositivo activo más utilizado en la integración a gran escala de circuitos integrados digitales (VLSI). Durante la década de 1970, estos componentes revolucionaron el procesamiento de señales electrónicas, los sistemas de control y las computadoras.
27. Shirriff, Ken (30 de agosto de 2016). "La sorprendente historia de los primeros microprocesadores". Espectro IEEE . Instituto de Ingenieros Eléctricos y Electrónicos . 53 (9): 48–54. doi :10.1109/MSPEC.2016.7551353. S2CID  32003640. Archivado desde el original el 13 de octubre de 2019 . Consultado el 13 de octubre de 2019 .
28. "1979: Introducción del procesador de señal digital de un solo chip". El motor de silicio . Museo de Historia de la Computación . Archivado desde el original el 3 de octubre de 2019 . Consultado el 14 de octubre de 2019 .
29. Taranovich, Steve (27 de agosto de 2012). "30 años de DSP: del juguete para niños al 4G y más allá". EDN . Archivado desde el original el 14 de octubre de 2019 . Consultado el 14 de octubre de 2019 .
30. Stanković, Radomir S.; Astola, Jaakko T. (2012). "Reminiscencias de los primeros trabajos en DCT: entrevista con KR Rao" (PDF) . Reimpresiones de los primeros días de las ciencias de la información . 60 . Archivado (PDF) desde el original el 13 de octubre de 2019 . Consultado el 13 de octubre de 2019 .
31. "Salón de la fama de la tecnología espacial: tecnologías incorporadas / 1994". Fundación Espacial. 1994. Archivado desde el original el 4 de julio de 2011 . Consultado el 7 de enero de 2010 .
32. Roobottom CA, Mitchell G, Morgan-Hughes G (noviembre de 2010). "Estrategias de reducción de radiación en angiografía por tomografía computarizada cardíaca". Radiología Clínica . 65 (11): 859–67. doi : 10.1016/j.crad.2010.04.021 . PMID  20933639.
33. Scialpi M, Reginelli A, D'Andrea A, Gravante S, Falcone G, Baccari P, Manganaro L, Palumbo B, Cappabianca S (abril de 2016). "Imágenes de tumores de páncreas: una actualización" (PDF) . Revista Internacional de Cirugía . 28 (Suplemento 1): S142-55. doi : 10.1016/j.ijsu.2015.12.053 . hdl :11573/908479. PMID  26777740. Archivado (PDF) desde el original el 24 de agosto de 2019.
34. Rahbar H, Partridge SC (febrero de 2016). "Imagen por resonancia magnética multiparamétrica del cáncer de mama". Clínicas de Imágenes por Resonancia Magnética de América del Norte . 24 (1): 223–238. doi :10.1016/j.mric.2015.08.012. PMC 4672390 . PMID  26613883. 
35. "El volumen de unidades globales de chips de imágenes médicas se disparará durante los próximos cinco años". Semiconductor de silicio . 8 de septiembre de 2016 . Consultado el 25 de octubre de 2019 .
36. Banerjee R, Pavlides M, Tunnicliffe EM, Piechnik SK, Sarania N, Philips R, Collier JD, Booth JC, Schneider JE, Wang LM, Delaney DW, Fleming KA, Robson MD, Barnes E, Neubauer S (enero de 2014). "Resonancia magnética multiparamétrica para el diagnóstico no invasivo de enfermedades hepáticas". Revista de hepatología . 60 (1): 69–77. doi :10.1016/j.jhep.2013.09.002. PMC 3865797 . PMID  24036007. 
37. Zhang, MZ; Livingston, AR; Asari, VK (2008). "Una arquitectura de alto rendimiento para la implementación de convolución 2-D con núcleos simétricos de cuadrante". Revista Internacional de Computadoras y Aplicaciones . 30 (4): 298–308. doi :10.1080/1206212x.2008.11441909. S2CID  57289814.
38. González, Rafael (2008). Procesamiento Digital de Imágenes, 3º . Salón Pearson. ISBN 978-0-13-168728-8.
39. House, Keyser (6 de diciembre de 2016). Transformaciones afines (PDF) . Fundamentos del modelado y la animación basados ​​físicamente. AK Peters/Prensa CRC. ISBN 978-1-4822-3460-2. Archivado (PDF) desde el original el 30 de agosto de 2017 . Consultado el 26 de marzo de 2019 . {{cite book}}: |website=ignorado ( ayuda )
40. Una breve historia temprana de los gráficos por computadora en el cine Archivado el 17 de julio de 2012 en Wayback Machine , Larry Yaeger , 16 de agosto de 2002 (última actualización), consultado el 24 de marzo de 2010

Otras lecturas

• Salomón, CJ; Breckon, TP (2010). Fundamentos del procesamiento de imágenes digitales: un enfoque práctico con ejemplos en Matlab . Wiley-Blackwell. doi :10.1002/9780470689776. ISBN 978-0-470-84473-1.
• Hamburguesa Wilhelm; Mark J. Burge (2007). Procesamiento de imágenes digitales: un enfoque algorítmico que utiliza Java. Saltador . ISBN 978-1-84628-379-6.
• R. Pescador; K Dawson-Howe; A. Fitzgibbon; C.Robertson; E. Truco (2005). Diccionario de visión por computadora y procesamiento de imágenes . Juan Wiley. ISBN 978-0-470-01526-1.
• Rafael C. González; Richard E. Woods; Steven L. Eddins (2004). Procesamiento de imágenes digitales mediante MATLAB . Educación Pearson. ISBN 978-81-7758-898-9.
• Tim Morris (2004). Visión por Computador y Procesamiento de Imágenes . Palgrave Macmillan. ISBN 978-0-333-99451-1.
• Vipin Tyagi (2018). Comprensión del procesamiento de imágenes digitales . Taylor y Francis CRC Press. ISBN 978-11-3856-6842.
• Milán Sonka; Václav Hlavac; Roger Boyle (1999). Procesamiento, análisis y visión artificial de imágenes . Publicación PWS. ISBN 978-0-534-95393-5.
• González, Rafael C.; Maderas, Richard E. (2008). Procesando imagen digital . Upper Saddle River, Nueva Jersey: Prentice Hall. ISBN 978-0-13-168728-8. OCLC  137312858.
• Kovalevsky, Vladimir (2019). Algoritmos modernos para el procesamiento de imágenes: imágenes de computadora por ejemplo usando C# . [Nueva York, Nueva York]. ISBN 978-1-4842-4237-7. OCLC  1080084533.{{cite book}}: CS1 maint: location missing publisher (link)

enlaces externos

• Conferencias sobre procesamiento de imágenes, a cargo de Alan Peters. Universidad de Vanderbilt. Actualizado el 7 de enero de 2016.
• Procesamiento de imágenes digitales con algoritmos informáticos.