Descritores de Imagem (introdução)
|
|
- Stefany Alves
- 5 Há anos
- Visualizações:
Transcrição
1 Descritores de Imagem (introdução) André Tavares da Silva
2 Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura, forma,...) x Local Considerações sobre imagem Representação de imagem PI baseada em grafos Rotulação em imagem (pixels) Múltiplas escalas Medidas de avaliação de descritores
3 Descritores de Imagem Existem três bases fundamentais para recuperação de conteúdo baseado em imagem: extração de característica indexação / métrica de comparação projeto do sistemas de classificação. Esta aula tem por objetivo fazer uma breve classificação das principais técnicas de extração de características (descritores).
4 Extração de Características A percepção visual dos objetos é subjetiva e por isso não existe uma única representação e nem mesmo uma melhor representação para uma dada característica. Como será apresentado a seguir, para cada característica existem várias representações distintas.
5 Extração de Características
6 Extração de Características A extração de características (descritores) é a base da recuperação de informação visual. Em imagens, estas características podem ser classificados como sendo de domínio geral ou de domínio específico. O primeiro inclui características de cor, textura e forma, enquanto a última é dependente da aplicação, como por exemplo, classificação de impressão digital, placas de veículos, etc.
7 Domínio Geral x Específico As características de domínio específico é melhor apresentado na literatura que trata do padrão a ser reconhecido e envolve o conhecimento de características muito particulares ao problema em questão. Aqui serão apresentados alguns descritores com características mais gerais que podem ser utilizadas em diferentes aplicações.
8 Descritores Locais x Globais Descritores Locais Descritores locais de imagem, calculados em regiões ao redor de pontos de interesse (na maioria das vezes vértices de contornos ou blobs) na imagem.ex.: PCA- SIFT, SIFT, GLOH, SURF, DAISY Eles são encontrados por detectores de pontos (Harris-Affine, Hessian-Affine, Fast Hessian, MSER, DoG) e possuem normalmente as seguintes informações: uma coordenada 2D na imagem, uma orientação, uma escala e características de uma região em torno do ponto.
9 Descritores Locais x Globais Descritores Globais Abordagem tradicional de classificação de imagem. Consideram a imagem como um todo, descrevendo imagens baseadas nas informações de cor, textura e/ou forma.
10 Descritores baseados em Cor A cor é provavelmente a característica mais utilizada para recuperação visual. Ela é relativamente robusta por apresentar independência do tamanho da imagem e da orientação da mesma. Uma vantagem do uso desse tipo de descritor é que as cores podem ser facilmente associadas a descrições textuais (nome da cor), facilitando a utilização em muitos sistemas CBIR.
11 Descritores baseados em Cor Os modelos de cor podem ser classificados em orientados ao hardware (RGB, CMY, YIQ) e orientados ao usuário (HSI, HSV, HSB, MTM, L*u*v*, L*a*b* e L*C*h*). RGB é o espaço de cores mais utilizado para imagens digitais, mas não é uniforme: a percepção da diferença de cor não apresenta relação com a distância euclidiana no espaço de cores. HSI, HSV e HSB, apesar de serem modelos orientados ao usuário, apresentam o mesmo problema do RGB, por apresentarem uma escala não uniforme.
12 Descritores baseados em Cor Portanto, os outros espaços de cor (MTM, L*u*v*, L*a*b* e L*C*h*) são mais adequados para recuperação de informação visual. Apesar disso, a maioria dos classificadores utilizam RGB ou HSV para descrição das cores.
13 Descritores baseados em Textura Textura é uma propriedade presente em praticamente todas as estruturas, como nuvens, vegetação, paredes, cabelo e outros. Ela contém informação importante sobre o arranjo estrutural da superfície e sua relação com o ambiente. Por ser um padrão útil e importante em visão computacional e reconhecimento de padrão, é uma área de pesquisa rica em pesquisa das últimas décadas. Atualmente, são encontradas muitas pesquisas na área de recuperação de informação visual baseada em textura.
14 Descritores baseados em Textura Uma técnica muito popular para descrição de texturas é a utilização do máximo espectro de Fourier. Os padrões de textura estão normalmente associados a picos no espectro de Fourier da imagem, que podem ser detectados como máximos regionais na imagem de magnitude do espectro. O valor e a localização dos picos podem ser usados como características. As localizações descrevem a direção e a periodicidade da textura.
15 Descritores baseados em Forma Os primeiros descritores de forma se resumiam em definir informações simples como comprimento, perímetro, área e algumas relações entre essas medidas (regularidade e compacidade) de um conjunto de pixels que representam um objeto. Mais tarde, outros descritores mais complexos foram definidos, como os pontos de saliência.
16 Descritores de Imagem Objetos em imagens possuem forma, cor, e textura. Estas propriedades podem ser mensuradas e a medida é denominada característica de imagem. Estas características são normalmente agrupadas em um vetor de escalares, denominado descritor de imagem. Neste sentido, cada objeto (ou imagem) é representado por um ponto no espaço R n, para n características. É desejável que um descritor seja invariante a transformações afins.
17 Descritores de Imagem Estes descritores são as vezes denominados assinaturas e podem requerer funções mais complexas de distância do que uma simples métrica Euclideana para comparação. O par descritor de imagem e função de distância descreve como as imagens de uma coleção estão distribuídas no espaço de características (medida). Neste sentido, o par é denominado descritor de uma coleção (ou base) de imagens.
18 Histograma de cor Podemos dividir cada eixo do espaço de cor (e.g, RGB de 24bits) em 4 partes e montar um histograma com 64 bins. O índice (bin) do vetor de características (descritor) será dado por: ind = (R/64) + 4(G/64) + 16(B/64)
19 Características de textura Estatísticas: momentos, matriz de co-ocorrência. Estruturais: granulometria. Espectrais: máximos do espectro de Fourier
20 Momentos do Histograma de Brilho Seja l o brilho de uma imagem (ou objeto) e h(l), l=0,1,...,l 1, o seu histograma normalizado. O n-ésimo momento central é dado por: onde μ é o brilho médio.
21 Momentos do Histograma de Brilho Quando n=2, nós temos a variância (contraste) μ 2 = σ 2. Os momentos μ 3 e μ 4 medem skewness (assimetria em relação ao centro) e kurtosis (concentração em torno da média). Podemos usar, por exemplo, R=1 1/(1+σ2) como medida de contraste. Momentos de mais alta ordem não estão relacionados com a forma do histograma.
22 Matriz de co-ocorrência Haralick et al. (1973) apresentaram a matriz de coocorrência dos níveis de cinza, que representa a distância e as relações espaciais angulares sobre uma sub-região de uma imagem de tamanho especificado. Cada elemento é uma medida de probabilidade de ocorrência de valores de níveis de cinza separados por uma dada distância numa dada direção. Pode ser denominada como sendo um histograma bidimensional que fornece a frequência de ocorrência P(i,j,d,θ), de um determinado par de níveis de cinza i e j, numa determinada distância d e uma direção θ.
23 Matriz de co-ocorrência Considere a imagem ao lado (níveis de cinza) em Q=(1,0). Cada pixel dentro da janela vai se tornar o pixel referência, começando pelo pixel do canto superior esquerdo. No exemplo os pixels da borda direita não possuem vizinho da direita e portanto não serão usados para o cálculo. Monte uma matriz G para um dado deslocamento d e L intensidades i,j, por: G(i,j) = {(x,y) f(x,y) = i, f(x+dx, y+dy) = j }
24 Matriz de co-ocorrência Considerando a configuração da posição relativa Q=(1,0), a matriz tende a ser esparsa para mais níveis de intensidade. É comum usar 8 ou 16 níveis de cinza apenas para diminuir o tamanho da matriz e a complexidade computacional.
25 Matriz de co-ocorrência O número total de pares de pixels que satisfazem Q é igual a soma dos elementos da matriz G, e p i,j = g i,j /n é a estimativa da probabilidade que um par de pontos que satisfaçam Q tenham valores (z i,z j ). Matriz normalizada:
26 Matriz de co-ocorrência Para quantificar o conteúdo de cada matriz de coocorrência, precisamos de descritores como de Haralick: Probabilidade máxima, Correlação, Contraste, Uniformidade (Energia), Homogeneidade e Entropia. Sejam as médias m e variâncias σ 2 das linhas r das linhas r e colunas c dada por:
27 Matriz de co-ocorrência Probabilidade máxima: resposta mais forte de G: max p i,j Correlação: entre pixels referência e seus vizinhos na imagem inteira, Intervalo [ 1,1] e requer σ r 0 e σ c =0: Contraste: de intensidade entre pixels referência e seus vizinhos na imagem inteira, intervalo [0,(L 1) 2 ]
28 Matriz de co-ocorrência Uniformidade (energia): da imagem, intervalo [0,1], sendo 1 para imagem constante. Homogeneidade: medida da autocorrelação espacial, intervalo [0,1], sendo 1 para G diagonal. Entropia: aleatoriedade de elementos de G, intervalo [0,2log 2 L].
29 Matriz de co-ocorrência - exemplo
30 Granulometria Ao simplificarmos uma imagem variando o parâmetro de um operador morfológico, os resíduos de cada duas operações sucessivas descrevem as estruturas que estão sendo filtradas na imagem. Para n instâncias deste parâmetro, consideramos o percentual de pixels com valor maior que 0 em cada imagem residual. Estas medidas formam uma distribuição normalizada, cujos valores ou momentos (momentos granulométricos) podem ser usados para gerar o descritor.
31 Granulometria As operações mais usadas são h-domes (h-basins), top-hat, top-hat por reconstrução, e resíduos de abertura (fechamento) por área (volume). A forma e o tamanho do elemento estruturante deve ser associada ao tipo de textura que estamos querendo representar.
32 Momentos Invariantes
33 Momentos Invariantes Sete invariantes de momentos (Hu, 1962) são definidos como medidas invariantes à rotação, translação, e escala.
34 Máximos do Espectro de Fourier Padrões de textura estão normalmente associados a picos no espectro de Fourier da imagem. Estes picos podem ser detectados como máximos regionais na imagem de magnitude do espectro. O valor e a localização deles podem ser usados como características. As localizações descrevem a direção e a periodicidade da textura.
35 Características simples de forma A forma é representada pelos contornos externo e internos do objeto. Para um dado contorno, vamos assumir então um conjunto de características. Veremos algumas formas simples para descrever a forma de um objeto. Assumimos que temos uma imagem/objeto já segmentados (normalmente uma imagem binária).
36 Perímetro e Área Se o contorno for composto por arestas de pixels, seu perímetro é o número de arestas. Caso seja composto por pixels, seu perímetro é N 4 + 2N 8, onde N 4 é o número de transições entre pixels vizinhos-4 e N 8 é o número de transições entre pixels vizinhos-8. O perímetro também deve levar em conta as dimensões físicas dos pixels, quando esta informação for disponível. A área é o número de pixels de objeto multiplicado pela área física de um pixel.
37 Compacticidade e Regularidade Sejam P e A perímetro e área interna a um contorno. A razão A/P 2 mede a compacticidade do contorno. Um círculo tem alta compacticidade (1/4π) e contornos complexos tendem a ter compacticidade menor. A razão A/A mbb, onde A mbb é a área da minimum bounding box do contorno, mede a regularidade. Essas medidas são adimensionais e independentes de escala.
38 Compacticidade e Regularidade O centroide de um contorno é obtido por onde (x i,y i ) são os pontos do contorno com N pontos. Podemos utilizar a maior e a menor distâncias do contorno ao centroide, ou a razão entre elas como característica (neste caso, adimensional e independente de escala). A variância dessas distâncias mede a circularidade. Obs: Neste caso, as dimensões físicas dos pixels devem ser consideradas no cálculo de distâncias, sempre que possível.
Descritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisProcessamento de Imagens
Processamento de Imagens André Tavares da Silva andre.silva@udesc.br Roteiro O que é imagem Operações com imagens Convolução discreta Transformada de Fourier Transformada de Wavelets Morfologia matemática
Leia maisImage Descriptors: texture
Image Descriptors: texture Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: texture 2011 1 / 28 Agenda
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 3 de maio de 206 Representação e descrição de regiões Uma
Leia maisExtração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Extração de Características
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Extração de Características Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Entender os conceitos de
Leia maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Leia maisExtração de Características. Carlos Alexandre Mello
Extração de Características Carlos Alexandre Mello Pós-Graduação em Ciência da Computação Carlos Alexandre Mello cabm@cin.ufpe.br 1 Extração de Características Representação de objetos através de um conjunto
Leia maisCLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture 1 e Sandro Roberto Fernandes 2 Resumo: Nesta pesquisa foi desenvolvido
Leia maisRadiométricas. Alexandre Xavier Falcão. Instituto de Computação - UNICAMP
Operações Matemáticas e Transformações Radiométricas Instituto de Computação - UNICAMP afalcao@ic.unicamp.br Operações Matemáticas Sejam Î = (D I, I ) e Ĵ = (D J, J) duas imagens cinzas de mesmo domínio,
Leia maisProcessamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Leia maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia maisExemplos. Propagação (Reconstrução)
Processamento de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) Propagação (Reconstrução) lgoritmos Baseados
Leia maisUMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS. Rogério Vargas DCET UESC Home page: rogerio.in
UMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS Rogério Vargas DCET UESC Home page: rogerio.in Exemplo de aplicações: automação e visão artificial reconhecimento de caracteres análise de cromossomos veículos
Leia maisCLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA
XI Simpósio de Mecânica Computacional II Encontro Mineiro de Modelagem Computacional Juiz De Fora, MG, 28-30 de Maio De 2014 CLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA Weiner Esmerio Batista
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisAprendizagem de Máquinas. Extração de Características
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizagem de Máquinas Extração de Características David Menotti, Ph.D. http://web.inf.ufpr.br/menotti 1 Objetivos Entender os
Leia maisAula 10 Reconhecimento de Padrões : Texturas (parte
Aula 10 Reconhecimento de Padrões : Texturas (parte 4). Análise de Imagens - 2015 Aura Conci DEFINIÇÕES DE TEXTURA Padrão visual : que possui algumas propriedades de homogeneidade que não resultam simplesmente
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisTextura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Leia mais0DWUL]HVGH&R2FRUUrQFLD
0DWUL]HVGH&R2FRUUrQFLD,QWURGXomR Uma 0DWUL]GH&R2FRUUrQFLD, ou de RFRUUrQFLDVLPXOWkQHD é uma tabulação de quantas combinações diferentes de valores de intensidade dos pixels (níveis de cinza) ocorrem em
Leia maisUNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Leia maisPMR2560 Visão Computacional Detecção de cores e blobs. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Detecção de cores e blobs Prof. Eduardo L. L. Cabral Objetivos Detecção de cores; Detecção de blobs. Detecção de cores Cores são facilmente identificadas nas imagens. Cor a
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Dr. Márcio Sarroglia Pinho 1 Histogramas Equalização Histogramas alpha = 255 / numpixels for each pixel g(x,y) = cumulativefrequency[f(x,y)] * alpha end for http://www.generation5.org/content/2004/histogramequalization.asp
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Transformações Geométricas
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Transformações Geométricas .(x,y, P).(x,y, P) Imagem fonte Imagem transformada Deve-se notar que, como uma imagem digital é representada por uma matriz
Leia maisSEL Introdução ao Processamento Digital de Imagens. Aula 9 Restauração de Imagens Parte 2
SEL5895 - Introdução ao Processamento Digital de Imagens Aula 9 Restauração de Imagens Parte 2 Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Modelo de Degradação e Restauração g(x,y) = h(x,y)
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda,
Leia maisAula 9 Representação e Descrição. Profa. Fátima Nunes AULA 9 / 1. Profa. Fátima L. S. Nunes
Fundamentos de Processamento Gráfico Aula 9 Representação e Descrição Profa. Fátima Nunes AULA 9 / 1 Reconhecimento de padrões AULA 9 / 2 Após a segmentação dar significado aos objetos extraídos da cena.
Leia maisProcessamento de Imagens Coloridas. Prof. Adilson Gonzaga
Processamento de Imagens Coloridas Prof. Adilson Gonzaga 1 Aparência de um Objeto A aparência de um objeto é o resultado de uma complexa interação da luz incidente sobre este objeto, suas características
Leia maisProcessamento Digital de Imagens Aula 06
exatasfepi.com.br Processamento Digital de Imagens Aula 06 André Luís Duarte A sabedoria oferece proteção, como o faz o dinheiro, mas a vantagem do conhecimento é esta: a sabedoria preserva a vida de quem
Leia mais4 SIFT (Scale Invariant Feature Transform)
4 SIFT (Scale Invariant Feature Transform) SIFT é um algoritmo de visão computacional publicado por David Lowe, em 1999 (Lowe, 1999) e patenteado nos EUA pela University of British Columbia. SIFT é composto
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisRespostas do Teste de Analise de Imagens :
Respostas do Teste de Analise de Imagens - 2004: 1Diga com suas palavras o que é: (Valor total da questão: 12) Filtragem passa alta (valor deste item até 0,3) - importante falar que apesar do nome ser
Leia mais2 Trabalhos Relacionados
2 Trabalhos Relacionados Este capítulo apresenta os algoritmos já existentes que são utilizados nesta dissertação para obter pontos homólogos entre duas imagens de um par estéreo. Pode-se classificar essas
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisProcessamento de Imagens: fundamentos. Julio C. S. Jacques Junior
Processamento de Imagens: fundamentos Julio C. S. Jacques Junior juliojj@gmail.com Fronteiras do Processamento de Imagens Processamento de dados Dados / Informação Visão Computacional Computação Gráfica
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 3 Processamento de Imagens Coloridas
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 3 Processamento de Imagens Coloridas Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisREPRESENTAÇÃO E DESCRIÇÃO. Nielsen Castelo Damasceno
REPRESENTAÇÃO E DESCRIÇÃO Nielsen Castelo Damasceno Representação e descrição Segmentação Representação e descrição Préprocessamento Problema Aquisição de imagem Base do conhecimento Reconhecimento e interpretação
Leia maisE\$QGUp/XL]%UD]LO. 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE
E\$QGUp/XL]%UD]LO 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE O reconhecimento de texturas em imagens é uma atividade importante, que faz parte de uma vasta gama de aplicações em diversas áreas. Dentre elas podemos
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME 1 Objetivo Parametrização de curvas Extração de
Leia maisPROCESSAMENTO DE IMAGENS COLORIDAS. Nielsen Castelo Damasceno
PROCESSAMENTO DE IMAGENS COLORIDAS Nielsen Castelo Damasceno Definições A cor é um poderoso descritor que muitas vezes simplifica a identificação do objeto e sua extração de uma cena. Os seres humanos
Leia maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Julio Arakaki Ciência da Computação 1 Imagem Digital Full Color Image (Matriz de Pixels) RGB (24 bits): Red (8 bits) Green (8 bits) Blue (8 bits) 2 Imagem Digital Um modelo
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 13 - Transformada de Hough e SIFT Antonio Oliveira Ricardo Marroquim 1 / 41 aula de hoje descritores Transformada de Hough SIFT 2 / 41 transformada de Hough
Leia maisPrincípios sobre imagens digitais
Princípios sobre imagens digitais Aula 1 LPV 5731 - ANÁLISE DE IMAGENS DE SEMENTES E PLÂNTULAS Programa de pós-graduação em Fitotecnia Francisco G Gomes-Junior Escola Superior de Agricultura Luiz de Queiroz
Leia maisClassificação de Texturas Invariante a Rotação Usando Matriz de Co-ocorrência
Classificação de Texturas Invariante a Rotação Usando Matriz de Co-ocorrência Rodrigo Hajime Ito, Hae Yong Kim, Walter Jaimes Salcedo Dept. Eng. Sistemas Eletrônicos, Escola Politécnica Universidade de
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança Conectividade Operações Lógicas e Aritméticas
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br 1 / 20 Uma imagem
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança e Aritméticas Efeitos de em Pixel a Pixel
Leia maisMotivação Por que estudar?
Aula 04 Imagens Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação Motivação Por que estudar? Imagens digitais
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 32 Sumário Conceitos Sistema de
Leia maisCapítulo II Imagem Digital
Capítulo II Imagem Digital Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Formação de uma imagem 2. Representação digital de uma imagem 3. Cor 4. Histogramas 5. Ruído
Leia maisProcessamento de Imagens Filtragem Digital
Filtragem Digital Consiste na aplicação de técnicas de transformação (operadores máscaras) com o objetivo de corrigir, suavizar ou realçar determinadas características de uma imagem dentro de uma aplicação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) EXTRAÇÃO DE CARACTERÍSTICAS Definição Característica: variável ou atributo
Leia maisCombinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Leia maisExtração de Características
Extração de Características Alceu S. Britto Jr. Alessandro L. Koerich Aprendizagem de Máquina Mestrado/Doutorado em Informática 2009 Definição Característica: variável ou atributo utilizado na descrição
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisAlgoritmos de Visão Computacional
31 Capítulo 7 Algoritmos de Visão Computacional Existem diversos algoritmos de processamento de imagens que podem ser utilizados para o tratamento de imagens médicas, especificamente de imagens de úlceras
Leia maisPMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 09 - curvatura Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection overview curvatura espaço de escala block matching 2 / 1 curvatura o
Leia maisAula 3 Processamento Espacial
SEL 0449 - Processamento Digital de Imagens Médicas Aula 3 Processamento Espacial Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br EESC/USP Processamento Espacial Transformações ponto a ponto
Leia maisIntrodução ao Processamento Digital de Imagens. Aula 6 Propriedades da Transformada de Fourier
Introdução ao Processamento Digital de Imagens Aula 6 Propriedades da Transformada de Fourier Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Uma linha de uma imagem formada por uma sequência
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Representação. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Representação David Menotti www.inf.ufpr.br/menotti/ci171-182 Representação Agenda Introdução Extraindo Representações de Imagens
Leia maisProcessamento de Imagem. Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres
Processamento de Imagem Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres Relacionamentos básicos entre elementos de uma imagem Vizinhança Conectividade Adjacência
Leia maisTratamento da Imagem Transformações (cont.)
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/33 Transformações Geométricas 3 Transformações Geométricas
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Prof. André Y. Kusumoto andrekusumoto.unip@gmail.com Amostragem e Quantização Amostragem refere-se ao número de pontos
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 18 Sumário Conceitos Sistema de
Leia maisProcessamento Digital de Imagens. Análise de Imagens
Processamento Digital de Imagens Análise de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações eduardo@smt.ufrj.br Sergio L.
Leia maisComputação Gráfica. Engenharia de Computação. CEFET/RJ campus Petrópolis. Prof. Luis Retondaro. Aula 3. Transformações Geométricas
Computação Gráfica Engenharia de Computação CEFET/RJ campus Petrópolis Prof. Luis Retondaro Aula 3 Transformações Geométricas no plano e no espaço Introdução (Geometria) 2 Pontos, Vetores e Matrizes Dado
Leia maisProcessamento de Malhas Poligonais
Processamento de Malhas Poligonais Tópicos Avançados em Computação Visual e Interfaces I Prof.: Marcos Lage www.ic.uff.br/~mlage mlage@ic.uff.br Conteúdo: Notas de Aula Curvas 06/09/2015 Processamento
Leia maisAGA Análise de Dados em Astronomia I. 1. Introdução
1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que
Leia maisPerson Re-Identification. Autor: Guilherme Zasyeki Machado
Person Re-Identification Autor: Guilherme Zasyeki Machado Sumário - Introdução ao problema - Visão geral ao processo de Re-Identificação - Evolução estado da arte - Datasets disponíveis - Análise estado
Leia maisUniversidade Federal de Sergipe Departamento de Matemática. Imagem* Profª. Maria Andrade. *Parte desta apresentação foi do Prof. Thales Vieira.
Universidade Federal de Sergipe Departamento de Matemática Imagem* Profª. Maria Andrade *Parte desta apresentação foi do Prof. Thales Vieira. 2016 O que é uma imagem digital? Imagem no universo físico
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-2 MetComp 2014-1 IF-UFRJ Sistemas determinísticos Os sistemas físicos podem ser: Sistemas determinísticos Descritos por
Leia maisFeature Detector. Prof. Dr. Geraldo Braz Junior
Feature Detector Prof. Dr. Geraldo Braz Junior Problema: Matching 2 Matching 3 Matching Processo de encontrar uma imagem em outra Normalmente usado para encontrar um objeto numa imagem, mas também: Reconhecimento
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Probabilidades e Estatísticas Descritivas Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 3 de março de 2008
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisCoordenadas Homogêneas
Coordenadas Homogêneas André Tavares da Silva andre.silva@udesc.br Capítulo 5 de Foley Capítulo 2 de Azevedo e Conci Coordenadas Homogêneas Promovem uniformidade no tratamento de qualquer transformação
Leia maisSEL Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-5895 - Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Adilson Gonzaga Prof. Dr. Evandro Linhari Rodrigues Prof. Dr. Marcelo Andrade da Costa
Leia mais