METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS

Tamanho: px

Começar a partir da página:

Download "METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS"

Daniela Taveira Festas
7 Há anos
Visualizações:

1 METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Marcelo Zaniboni 1, Osvaldo Severino Junior 2 1: Universitário do curso de Ciência da Computação, Faculdade de Filosofia, Ciências e Letras de Catanduva (FAFICA) R. Coronel Camisão 276, Centro, Agulha - SP Tel.: (16) Recados mz_dum@yahoo.com.br 2: Departamento de Ciência da Computação, Faculdade de Filosofia, Ciências e Letras de Catanduva (FAFICA) R. Maranhão 898, Centro, Catanduva - SP Tel.: (17) / osvaldo@fafica.br Resumo Este trabalho discute uma nova metodologia, referente à quantização de cores em uma imagem facial do formato RGB, para um novo formato de armazenamento mais compacto e que permite a segmentação de partes distintas da face, devido à redução de cores da imagem RGB para no máximo 8 cores, onde pode variar, ainda mais, dependo da imagem facial em questão. Além de empregar a representação binária da cor do pixel, tornando uma de suas características principais, possível à implementação por meio de hardware, o que pode torná-lo mais rápido e eficiente. Assim, é apresentada uma descrição sobre a referida metodologia, bem como alguns resultados obtidos pela mesma. 1. Introdução No domínio da Visão Computacional, inúmeros investigadores têm realizado esforços consideráveis no sentido de aumentar a interação homem x máquina, por meio de sistemas automatizados no intuito de reconhecer expressões faciais. Para minimizarmos a dimensão e complexidade do problema, neste trabalho salienta-se a quantização de cores existente em uma imagem do formato RGB para um novo formato chamado SMCb. O método desenvolvido pode ser aplicado em imagens estáticas ou em seqüências de imagens. A metodologia consiste em: conversões na imagem original do formato RGB (R, red; G, green; B, blue) para imagens nos espaços YCbCr, HSV e CMY, considerando as imagens mais relevantes; aplicação do método da binarização; concatenação das imagens resultantes da binarização e a comparação da base de imagens original com a nova base gerada SMCb, por meio da utilização do gráfico recall x Precision pela matriz PCA (Principal Components Analysis) [1]. A base de imagens utilizada, AR Face Database [2], para criação desse trabalho, consiste em uma versão reduzida da base original, sendo um total 833 imagens, 65 homens e 54 mulheres, formando um total de 119 classes, onde cada classe contem 7 imagens (3 delas com iluminação e 4 sem

2 iluminação). Todos os resultados obtidos neste trabalho, foram originados de implementações usando a plataforma MATLAB [3]. Nas secções seguintes, são descritas com maior detalhe a referida metodologia desenvolvida neste trabalho, apresentando alguns resultados experimentais obtidos pela mesma, assim como enumeradas conclusões. 2. Modelos de cores Nesta secção, são descritas as conversões utilizadas neste trabalho e exemplos dos resultados obtidos por implementações usando a plataforma MATLAB, dos espaços de cor do formato RGB para os espaços YCbCr, HSV e CMY [3], como mostrados no Figura 1: Figura 1: Exemplo de conversões de uma imagem original no formato RGB para imagens YCbCr, HSV e CMY, respectivamente a, b, c e d. 2.1 Conversão da imagem do formato RGB para YCbCr A imagem em formato RGB é convertida para o designado espaço de cores cromáticas YCbCr, como se pode observar no Figura 1(b), uma imagem original pode ser apresentada por três componentes: Y representa a intensidade; Cb representa o componente azul; e Cr, o componente vermelho da imagem. 2.2 Conversão da imagem do formato RGB para HSV A imagem em formato RGB é convertida para o designado espaço de cores HSV, como se pode observar no Figura 1(c), uma imagem original pode ser apresentada por três componentes: H, cor; S, saturação; e V, valor.

2.3 Conversão da imagem do formato RGB para CMY As cores complementares atuam na luz incidente subtraindo desta as componentes RGB criando assim cores equivalentes às produzidas por dispositivos

3 2.3 Conversão da imagem do formato RGB para CMY As cores complementares atuam na luz incidente subtraindo desta as componentes RGB criando assim cores equivalentes às produzidas por dispositivos emissores de luz, assim por este motivo o modelo CMY também conhecido como modelo subtrativo, apresenta três componentes resultantes na imagem de formato RGB, como se pode observar na Figura 1(d), respectivamente: C, ciano; M, magenta; e Y amarelo. 3. Quantização de cores pelo modelo SMCb Na figura 2(b), são apresentadas as imagens utilizadas na metodologia SMCb, originada por três componentes: S, saturação; M, magenta; e Cb, componente azul; todas resultantes de conversões aplicadas na imagem de formato RGB, Figura 2(a): Figura 2: Exemplo de imagens utilizadas: a) Imagem original do formato RGB; b) Imagens utilizadas na metodologia SMCb originadas de conversões, respectivamente HSV, CMY e YCbCr. Após obtermos as imagens que também estão classificadas em níveis de cinza (Figura 2(b)), aplicamos a binarização sobre cada uma delas que consiste em transformar o pixel de cada uma em zeros e uns, por esse motivo atribui-se o nome de binarização da imagem, onde se pode observar o resultado na Figura 3(a). Depois de geradas as imagens binarizadas é feita à concatenação das mesmas, originando uma nova imagem a qual atribuímos o nome ao novo formato SMCb (Figura 3(b)), sendo a própria representação de uma imagem de formato RGB, com uma única diferença a matriz tridimensional é composta por apenas um bit para cada canal do espaço RGB (Tabela 1). Figura 3: Exemplo das imagens binarizadas e a criação do formato SMCb: a) Imagens binarizadas, resultantes da Figura 2(b); b) Imagem de formato SMCb.

(R, G, B) COR (0, 0, 0) Preto - ausência de vermelho, verde e azul. (0, 0, 1) Azul - presença apenas de azul. (0, 1, 0) Verde - presença apenas de verde. (0, 1, 1) Ciano - mistura de verde com azul.

4 (R, G, B) COR (0, 0, 0) Preto - ausência de vermelho, verde e azul. (0, 0, 1) Azul - presença apenas de azul. (0, 1, 0) Verde - presença apenas de verde. (0, 1, 1) Ciano - mistura de verde com azul. (1, 0, 0) Vermelho - presença apenas de vermelho. (1, 0, 1) Magenta - mistura de vermelho com azul. (1, 1, 0) Amarelo - mistura de vermelho com verde. (1, 1, 1) Branco - mistura de vermelho, verde e azul. Tabela 1: Representação binária utilizada no formato SMCb, resultante da mistura de cores em uma camada do espaço RGB. 3.1 Exemplos dos resultados obtidos A Figura 4 apresenta algumas imagens resultantes da metodologia SMCb, que foram originadas da base de imagens AR Face Database [2], pode-se também observar que as imagens em formato SMCb conseguem segmentar partes distintas da face, como por exemplo: cabelo, cílios, olhos, barba e pele. Figura 4: Exemplo de resultados obtidos por meio da metodologia SMCb, respectivamente imagem original do formato RGB e imagem do formato SMCb. 3.2 Gráfico recall x precision pela matriz PCA (Principal Components Analysis) Para validar a metodologia proposta nesse trabalho, na Figura 5 é apresentado o gráfico da curva recall x precision pela a matriz PCA (Principal Components Analysis) [4], onde se pode observar que considerando o aspecto de espaço de armazenamento e que usando no máximo 8 cores, há uma grande relevância no mesmo. Ainda no gráfico (Figura 5) a curva de cor vermelha representa as imagens originais da base de imagens AR Face Database [2] e a curva da cor preta, representa as imagens originadas pela metodologia SMCb.

5 Figura 5: Gráfico recall x precision pela matriz PCA. 4. Conclusões Neste trabalho, pode-se concluir que foi desenvolvida uma nova metodologia, capaz de um armazenamento mais compacto, devido à quantização de cores da imagem facial para no máximo 8 cores, podendo variar de acordo com a imagem em questão. Além da quantização o novo método é capaz de permitir a segmentação de partes distintas da face como, por exemplo: cabelo, cílios, olhos, barba e pele. Também podemos concluir que a nova metodologia é mais relevante que as imagens originais da base em questão, e pode ser trabalhada facilmente em nível de bit. Ao longo dos testes experimentais realizados, o método de quantização de cores obteve um bom desempenho. No entanto, ainda é sensível a algumas situações facilmente confundíveis. Assim, este método deve ser utilizado essencialmente em imagens de face que, por exemplo, não possua fundo muito complexo. Referências [1] BAEK, K.; BARTLETT, M. S.; DRAPER, B. A. Recognition faces with PCA and ICA, Computer Vision and Image Understand, 91, pp , [2] MARTINEZ, A.M.; BENAVENTE, R. The AR Face Database. CVC Technical Report 24, June [3] GONZALEZ, R. D.; WOODS, R. E.; EDDINS, S. L. Digital Image Processing Using MATLAB, [4] SMITH, L. I. A tutorial on Principal Components Analysis, 2002.

Documentos relacionados

SMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS

Portugal, Porto - 13. 15 Junho 2007 SMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS Marcelo Zaniboni, Osvaldo S. Junior e João Manuel R. S. Tavares IMES / FAFICA Instituto Municipal de