One technique often used is the Contrast Limi- ted Adaptive Histogram Equalization (CLAHE). However, it presents a challenge in the selection of optimal parameters,
No queda muy claro a qué se refiere con 'optimal parameters'
In this work we propose a study of different metrics available in the literature, in order to define, based on a correlation study, which will be used
mejor sería 'which will be selected'
Peer comparisons were made between local and global improvement metrics to measure the correlation between them. The results show that Local Entropy and the Structural Similarity Index (SSIM ) metrics have a high negative correlation so the problem must be raised in a multiobjective context based on non-dominance.
No queda claro si qué se hace con LE y SSIM, debería explicarse mejor
In addition it is observed that SM P SO is a feasible tool for the calculation of non- dominated solutions
Esto debería sacarse, porque no sé si cómo se fundamenta ésta afirmación.
Las pruebas experimentales realizadas muestran que es factible obtener Frentes de Pareto Robusto, ver definición de formula en 5.6,
No se debería hacer referencias a partes del libro en el abstract, porque se supone que el lector todavía no está adentrado en el tema.
Sin embargo, éste y la mayorı́a de los otros métodos de mejora de contraste pueden producir imágenes de aspecto no naturales, lo que ocaciona que aquellas obtenidas por estos métodos no son las deseables.
Citar métodos de mejora de contraste.
Ocasiona
No sean las más adecuadas
Existen enfoques de mejora global y local.
Agregar citaciones
Si se usa sólo información global, no se alcanza un buen realce de contraste debido a que las técnicas globales podrı́an causar un efecto de saturación de intensidades.
Agregar citación
con el fin de ofrecer al algoritmo que tomará las decisiones (Decision Maker - DM)
Ofrecer al tomador de decisiones
La principal finalidad de la optimización multi-objetivo robusta es la obtención del Frente de Pareto de un conjunto de imágenes
Agregar citación
En la literatura, los enfoques de mejora local demuestran ser sumamente útiles
Agregar citación
Existen diversas propuestas que se centran en mejorar el contraste en radiografı́as [FB06, MZ08, PS09]. Debido a ello en esta propuesta se analizan pares de métricas de calidad, realizando una comparación de la correlación entre las mismas, para identificar las métricas más adecuadas para la optimización multi-objetivo de la mejora de contraste de una imagen.
La primera oración no hila con el resto del párrafo, y no es motivo para análisis. Se debe replantear lo escrito, separando esa oración y escribiendo más al respecto.
Se debe dejar bien en claro al lector qué fué lo que se realizó, entonces decir 'mejora de contraste en una imagen' resulta confuso.
Se utilizará una metaheurı́stica de optimización de objetivos SM P SO, de mane- ra a sintonizar los parámetros de entrada del algoritmo de mejora del contraste CLAHE y de esta forma obtener un grupo de imágenes contrastadas, las cua- les serán evaluadas en cuanto a la ganancia de información proveı́da y distorsión introducida por la ecualización.
Aquí sí se debería justificar el trabajo realizado, y agregar citación para 'SMPSO'.
El objetivo general de este trabajo de investigación es el estudio de distintas métri- cas disponibles, de forma a definir en base a un estudio de correlación, cuáles de ellas serán utilizadas en un proceso de optimización puramente multiobjetivo.
'distintas métricas disponibles' de mejora del contraste (?)
Proponer un algoritmo multiobjetivo, tal que operen en conjunto con el CLAHE y las métricas seleccionadas,
Tal que opere en conjunto con CLAHE y las métricas de CE seleccionadas.
In [ ]:
Una imagen digital es una imagen F (i, j) que se ha discretizado
Se definió dos veces 'imagen digital'.
En la Ecuación 2.1
F mayúscula.
El pı́xel p (del inglés picture element) es el elemento más pequeño que forma la imagen, es interpretado generalmente como una entidad cuadrada o rectangular. En la Figura 2.2 se muestra la representación de una imagen de 8x8 pı́xeles y la matriz correspondiente a la imagen con el valor de la intensidad de cada pı́xel.
Se debería definir ésto antes, porque arriba en el capítulo ya se definió lo que es un nivel de intensidad.
Las imágenes en escala de gris utilizan niveles de gris donde cada nivel equivale a una graduación de gris comprendido entre el negro y el blanco [Rus10].
Se debió definir antes.
Por ejemplo, si se utilizan 8 bits, se puede representar 256 niveles de gris distintos que van del 0 (negro) al 255 (blanco).
Formular.
La Mejora de Imagen consiste en un conjunto de técnicas que se aplican a las imágenes con el objetivo de mejorar su calidad, ya sea en contraste, ruido, escala de grises, distorsiones, luminosidad, falta de nitidez; destacar algún aspecto de la información contenida en la misma; procesar y/o analizar una imagen, de tal modo que la resultante sea más adecuada que la imagen original, para cierta aplicación especı́fica.
Agregar citación. Sugiero a González y Woods.
No se añade información nueva que no esté presente en la imagen. Tan solo se resalta la información existente, para que pueda ser apreciada de mejor manera por el ojo humano. La valoración de los resultados es subjetiva, debido a que no existe un criterio para saber que tanto se mejoró la imagen original, por lo regular se emplean varias pruebas sobre la imagen hasta obtener los resultados más adecuados.
La información podría utilizarse en otros procesos automáticos.
Las técnicas consisten en operaciones directamente sobre un pı́xel sin tomar en cuenta a los pı́xeles vecinos, que sirve para mejorar condiciones de bajo contraste, baja luminosidad o demasiada obscuridad; y operaciones sobre un pı́xel tomando en cuenta a los pı́xeles que lo rodean, lo cual ayuda a eliminar ruido o para el mejoramiento de la nitidez.
Agregar citación.
Es importante tener en cuenta que la mejora es un área subjetiva en el procesamiento de imágenes, ya que el resultado obtenido es evaluado por un ser humano;
Agregar citación.
El Contraste se define como la diferencia relativa en la intensidad entre un punto de una imagen y sus alrededores. Eso se traduce en la diferencia entre la luminancia de los diferentes objetos de una imagen que los hace distinguibles a los unos de los otros [Rus10].
Definir luminancia.
La Mejora de Contraste es una técnica cuyo efecto es mejorar o incrementar la visibilidad de los detalles de una imagen, comprende un conjunto de transforma- ciones sobre los tonos de gris de los pı́xeles de la imagen para mejorar la apariencia de la misma y hacerla más apta para la visión humana.
Agregar citación.
La idea en este tipo de transformación es modificar los valores de los pı́xeles de manera que se produzca un aumento en el rango dinámico de valores de los valores de niveles de gris de la imagen, modificar los niveles de gris oscuros por unos más claros y viceversa y ası́ aumentar la diferencia de intensidad entre los pixeles [KHLF06].
Definir rango dinámico.
La Mejora del Contraste permite distinguir objetos en la imagen que no son dis- tinguibles cuando se produce pérdida de contraste debido principalmente a la iluminación deficiente [KHLF06].
Ya no se está definiendo mejora del contraste, por lo que no debería ir en italics.
Esto ocasiona la perdi- da de información y de visualización correcta de algunos detalles de la imagen [KWH + 13].
pérdida
La Métrica de evaluación es una medida de semejanza entre la imagen original y la distorsionada,
Poner en bold
La Mejora del Contraste se puede clasificar en dos, el enfoque de mejora global y el enfoque de mejora local [MBVN + 14]. Para la selección del enfoque, se debe estudiar qué tipo de imágenes serán procesadas o qué tipo de interés está motivando la mejora de contraste [MBVN + 14].
No es necesario citar dos veces.
En la Figura 2.8 se muestra la imagen dividida en bloques y la iamgen resultante al mejorar cada bloque independientemente.
imagen.
El histograma H asociado a la imagen que describe la frecuencia de los valores de intensidades k
k en italics.
Ésta ecuación no está bien escrita. H no guarda relación alguna con Z. En todo caso, se debería escribir directamente H en función a n_k. Revisar bien.
L es la cantidad total de niveles de gris disponibles. Ej: para niveles especi- ficados en 8 bits, 2 8 = 256 ∴ L = 256;
Se debe escribir directamente L en función de los niveles de gris disponibles, sin ejemplificar.
En la Ecuación 2.3 se representa una imagen como una matriz de dimensiones 4x4 pı́xeles, en la Figura 2.10 se muestra la representación del histograma de la matriz 4x4, en el cual se puede observar sus intensidades k y las ocurrencias n(k) de cada valor de k. Por ejemplo, para la intensidad K=2, se observa que el número de ocurrencias en la matriz es n(k) = 4.
Revisar la nomenclatura.
La ecualización consiste en la distribución uniforme de sus intensidades sobre toda la escala de grises 2.5.1.
2.5.1?
A partir de la representacion de la imagen como matriz 2.4
2.4?
Calculo de la frecuencia absoluta
cálculo
es decir k 0 = Ecualizado (k) ver 2.7.
Reescribir.
Representación del histograma ecualizado correspondiente a la imagen representada por la matriz 2.9
Ecuación 2.9
Esto causa una pérdida significante de contraste para los niveles con menor frecuencia [HKNM09].
significativa
AHE, (por sus siglas en inglés Adaptive Histogram Equalization) procesa la imagen por subregiones (regiones rectangulares de la imagen), o regiones contextuales, con dimensiones de región definidas como (R i , R j ), sobre las cuales se aplica el procedimiento de ecualización de forma independiente, mejorando localmente el contraste [LLK13].
Ponele la citación después de describir las siglas.
Luego asignar un nuevo valor de intensidad al pı́xel de acuerdo a la función de mapeo [KJ91].
¿cuál función de mapeo?
Para evitar la discontinuidad de los bordes, llamado . ef ecto de bloque”,
hay un error al escribir efecto.
Imagen original (izq.), Imagen mejorada utilizando AHE (der.)
mejor usar subfiguras.
CLAHE es un refinamiento de AHE donde el cálculo de realce se modifica im- poniendo un máximo especificado por el usuario
no por el usuario.
, a la altura del histograma local,
a la cantidad de pixeles en el bin del histograma.
En las regiones donde existen nivel de gris homogéneas de la imagen se genera un pico sobresaliente en el histograma,
niveles de gris homogéneos en la imagen.
Por eso, la solución que se pretenda obtener queda exclusivamente a cargo del decisor.
tomador de decisiones.
Ésta ecuación no está bien descrita.
El objetivo de los métodos de optimización multiobjetivo es encontrar el conjunto de soluciones no dominadas y no una solución única.
No se definió previamente qué es una solución dominada o no dominada.
Speed-constrained Multi-objective El SM P SO es una metaheuristica basada en el algoritmo OM OP SO
La citación luego de de describir las siglas. Escribir un poquito mejor.
El SM P SO incorpora un mecanismo de restricción 3.5 que se obtiene del factor de restricción κ desarrollado por Clerk y Kennedy sobre la ecuación 3.3 para limitar la velocidad máxima de las partı́culas y mejorar la capacidad de búsqueda del algoritmo [NDGN + 09].
escribir (ecuación 3.5) (ecuación 3.3) así entre paréntesis
Éstas ecuaciones se deben describir mejor.
Antes de la sección 4.1, se debería explicar la finalidad de la selección de métricas, además de describir brevemente y sin entrar en muchos detalles el proceso de selección. Se debería indicar que se hizo un relevamiento del estado del arte para luego seleccionar métricas de acuerdo al criterio de correlación.
Incluir una figura con las mediciones de métricas para cada caso.
En la Figura 4.2 se muestran ejemplos del SSIM de la iamgen original 4.2(a), y sus imagenes modificadas con alguna técnica de mejora de constraste 4.2(b), 4.2(c).
imagen, imágenes
no me quedó claro, pero agregar figura con la medición de métrica
Antes del cálculo del GM se utiliza el modelo de color Y IQ (Y es el canal de luminancia o brillo; I es el canal para fase de entrada del color y Q es elcanal para cuadratura del color) para transferir una imagen RGB de entrada usando:
¿cómo se obtiene Y?
El MSE ante diferentes tipos de alteraciones de la señal, el valor de calidad propor- cionado por MSE es muy parecido y la calidad de las imágenes varı́a claramente [WB09].
reescribir.
Por ejemplo, con la mejora de contraste se resaltan ciertas caracterı́sticas para el ojo humano.
aplicaciones posteriores o el ojo humano.
La selección correcta de las métricas para la evaluación de la calidad de la imagen, que permita evaluar la ganancia o perdida de información,
pérdida.
Acontinuación se explica el proceso de la interacción entre las métricas seleccio- nadas y el algorı́tmo CLAHE para la selección del par de métricas con un ı́ndice de correlación negativa.
A continuación.
Tabla 5.1: Resultados de la correlación de Pearson usando Entropı́a (H ), Entropı́a Local (E ), SSIM y LT G, para imágenes de tórax frontal.
Ésto no debería ir en la propuesta, por ser resultado experimental.
Resultados de la correlación de Pearson usando Entropı́a (H ), Entropı́a Local (E ), SSIM y LT G, para imágenes de tórax lateral.
Ésto tampoco debería ir en la propuesta.
Dado el conjunto de soluciones X f 1 , con los parámetros del vector − x f 1 = (R i , R j , C ), que se obervan en la Figura 5.1 (a),
Hay un punto que hay que eliminar. Observan. Imágenes.
E , SSIM , representan la Entropı́a Local solución y Similaridad solución de x i , respectivamente.
Creo que es promedio para cada métrica. Debe quedar bien claro.
De manera a obtener Frentes de Pareto Robusto 5.6
Lo que se obtienen son conjuntos Pareto. Los frentes son la imagen de los conjuntos (no confundir con imágenes digitales), reescribir.
Algoritmo 5 Algoritmo SM P SO − CLAHE.
Creo que el algoritmo no está reflejando bien el hecho de que se trata de optimización robusta.
Éste capítulo está inconcluso? Casi no se mencionó nada de la optimización robusta.
Las tablas 6.1 - 6.4 deberían ir a anexos, no sé si aportan a la discusión.
Tabla 6.5: Promedio de la correlación de Pearson.
Ésta tabla sí podría desglosarse creo por imágenes, y luego promediar.
Figura 6.1: Resultados de SMPSO-CLAHE multiobjetivo Entropı́a Local/S- SIM.
Agregar las métricas de las imágenes originales, también para figura 6.2, 6.3, 6.4
La relación inversa entre las métricas se refleja en los resultados obtenidos. A partir de la Figura 6.2(c) se observa que a medida que la métrica LTG se aproxima a 1 los resultados se asemejan más a la imagen original (Figura 6.2(a)) en términos de contraste, y de visibilidad de detalles; en cambio, mientras la Entropı́a Local aumenta se diferencian más los detalles no visibles debido al bajo contraste (Figura 6.2(b)).
todas las métricas de similaridad analizadas se comportan como ltg, se debería mencionar eso. Lo mismo para las entropías.
Se analizó el comportamiento del Conjunto Pareto resultante de cada imagen pro- cesada, al considerar como una sola entrada el conjunto de todas las imágenes y realizar el cálculo de la Entropı́a Local 4.8 y SSIM 4.3 entre todas las imágenes; de esta forma se obtuvo el Frente Pareto Robusto;
Se necesitan más citaciones para el concepto de frente pareto robusto.
Frente Pareto Promedio de la imagen f . En las figuras 6.5 y 6.6 se observan los resultados obtenidos.
Citación para frente pareto promedio.
Faltan imágenes resultantes del proceso (optimización robusta), para ser discutidas en éste caṕpítulo.
Agregar que se podrían realizar experimentos a partir de conjuntos de entrenamiento y validación
https://en.wikipedia.org/wiki/Training,_test,_and_validation_sets
No se mencionó nada de la optimización robusta en las conclusiones.
La teoría de optimización pareto robusta es débil. No se distingue bien de una optimización multiobjetivo en el que la partícula es un conjunto de imágenes. Además de que prácticamente no se describe un marco teórico de la optimización robusta en el capítulo correspondiente.
Se debería unificar el siguiente detalle: todos los conceptos deberían escribirse en bold al ser definidos.
En los apéndices, poner todas las métricas de imágenes originales, todas las imágenes de prueba y todos los gráficos de pareto.