Práctica 13: Preprocesamiento de Imágenes

• Autores: Joaquín Batista, Milagros Cancela, Valentín Rodríguez, Alexia Aurrecoechea, Nahuel López (G1)
• Unidad temática: UT4 · Datos Especiales
• Tipo: Práctica guiada – Assignment UT4-13
• Entorno: Python · OpenCV · scikit-image · NumPy · Matplotlib · Pandas
• Dataset: Pack clásico de skimage (camera, astronaut, coffee, coins, checkerboard, rocket, page)
• Notebook: Práctica 13 - Preprocesamiento de Imágenes

📸 Representación y Diagnóstico Inicial

• Lectura de cada imagen en BGR, conversión a RGB/grises y cálculo de estadísticas básicas.
• Chequeos automáticos: dimensiones, rango dinámico, media y desvío estándar para detectar saturaciones.
• El histograma de camera.png ocupa 0–255 con media 115.41 → buen uso del rango tonal sin clipping.
• En RGB domina el canal R, aportando un tinte cálido que se debe preservar en etapas posteriores.

img_bgr = cv2.imread(str(img_path), cv2.IMREAD_COLOR)
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)
height, width = img_gray.shape
print(f"H={height} W={width} rango={img_gray.min()}-{img_gray.max()} μ={img_gray.mean():.2f}")

Hallazgos: rango dinámico completo, histograma bimodal (alto contraste) y predominio del canal rojo que justifica defensas de color controladas.

🎨 Espacios de Color y Realce de Contraste

• Se comparó equalize_hist en grises vs. CLAHE aplicado al canal L* en LAB para evitar alterar matices.
• Métrica clave: desviación estándar del contraste → 75.12 (original) 80.25 (equalize) 75.87 (CLAHE).
• CLAHE preserva detalles locales sin sobreexponer, gracias al clip limit y al procesamiento por tiles.

img_lab = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB)
L, A, B = cv2.split(img_lab)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
L_clahe = clahe.apply(L)
rgb_clahe = cv2.cvtColor(cv2.merge([L_clahe, A, B]), cv2.COLOR_LAB2RGB)

Conclusiones: el canal L concentra la luminancia; CLAHE ofrece el mejor balance entre realce global y protección de texturas homogéneas.

🔧 Suavizado y Detección de Bordes

• Se aplicaron filtros gaussianos y bilaterales antes de ejecutar Canny con umbrales fijos.
• Varianza del gradiente: 10 788 → 5 335 (gauss) → 5 488 (bilateral); ambos reducen ruido, pero el bilateral preserva aristas finas.
• Ratio de bordes: 0.078 (original) vs 0.038 (bilateral), mostrando menos falsos positivos tras suavizado adaptativo.

Recomendaciones: filtro bilateral para escenas con contornos delicados y ajuste de umbrales Canny a (50, 100) en escenarios de baja luz.

⭐ Puntos de Interés y Matching

• Se midió la densidad y repetibilidad de keypoints ORB sobre cada variante preprocessada.
• CLAHE generó ~1 000 keypoints válidos con repetibilidad 0.62 vs. la imagen original.
• Parámetros sugeridos para ORB: nfeatures=750, scaleFactor=1.1 para equilibrar cobertura y costo.

Conclusiones: realzar contraste local potencia gradientes y mejora la estabilidad de features entre escenas.

📊 Métricas de Calidad y Checks Automáticos

• Reglas rápidas:
  • num_keypoints < 100 → alerta crítica (escena pobre o filtrado agresivo).
  • edges_ratio ∉ [0.02, 0.15] → ruido o falta de bordes.
  • std_contrast < 20 → iluminación deficiente.
• Estas métricas alimentan un dashboard QA que destaca imágenes problemáticas.

🎯 Tareas Extra

1. Curva Sensibilidad vs Ruido

• Barrido de clipLimit y tileGridSize para CLAHE midiendo num_keypoints vs. un proxy de ruido (bordes falsos en regiones lisas).
• Mejor configuración: tiles 4×4 con clipLimit=1.0, que maximiza keypoints sin incrementar ruido.
• Suavizados gaussianos/bilaterales se mantienen estables mientras el kernel ≤ 11.

2. Benchmark ORB vs SIFT

• ORB resulta ≈3.5× más rápido, ideal para pipelines en tiempo real.
• SIFT recupera más matches absolutos, pero el ratio de matches útiles se mantiene similar (0.54 vs 0.47).
• Recomendación: usar ORB cuando prime la velocidad y SIFT cuando se privilegie la precisión.

3. Dashboard QA

• Tablero con KPIs por imagen y alertas de repetibilidad, edges ratio y contraste.
• 7 imágenes quedaron bajo alerta crítica (repetibilidad < 0.3) y page.png excedió el rango óptimo de bordes (0.121).

🧠 Conclusiones Finales

• CLAHE es la transformación más útil: realza detalle local sin artefactos globales.
• El canal L en LAB es la pieza central para ajustes de contraste controlados.
• Existe un trade-off claro entre suavizado y preservación de features; conviene calibrar filtros según la tarea.
• Los checks automáticos (num_keypoints, edges_ratio, std_contrast, repeatability) permiten detectar degradaciones tempranas y priorizar reprocesos.
• El dashboard QA acelera la revisión colaborativa y documenta decisiones de mantenimiento.

✅ Checklist de Implementación

• Diagnóstico inicial (histogramas RGB + grises).
• Comparación Equalize vs CLAHE en LAB.
• Suavizado (Gaussian/Bilateral) + Canny con métricas de gradiente.
• Detección y matching de features (ORB).
• Barrido de parámetros y curva sensibilidad-ruido (opcional).
• Benchmark ORB vs SIFT (opcional).
• Dashboard QA con alertas (opcional).

📚 Referencias

• OpenCV Documentation – Feature Detection (SIFT y ORB).
• scikit-image User Guide – Contrast Enhancement & Edge Detection.
• Documentación oficial de ORB/SIFT y estrategias de repetibilidad en visión por computadora.