SEL Visão Computacional. Aula 2 Processamento Espacial

Transcrição

1 Departamento de Engenharia Elétrica - EESC-USP SEL Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Adilson Gonzaga Prof. Dr. Evandro Linhari Rodrigues Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br

2 Processamento Espacial Transformações ponto a ponto l Histograma l Transformações lineares l Transformações não-lineares Transformações por vizinhança l Convolução l Filtros lineares l Filtros derivativos detectores de borda EESC/USP

3 Histogramas O histograma de uma imagem em tons de cinza é uma função H(k) que produz o número de ocorrências de cada nível de cinza na imagem. 0 <= k <= L - 1 L é o número de níveis de cinza da imagem.

4 Histograma Normalizado: Histogramas O histograma é normalizado em [0,1] quando se divide H(k) pelo número n = N x M de pixels da imagem. Ele representa a distribuição de probabilidade dos valores dos pixels. Cada elemento do conjunto é calculado por : Pr ( rk ) = nk n 0 r k 1

5 Histogramas Pr ( rk ) = nk n k= 0,1,...L-1, e L é o número de níveis de cinza da imagem. n = número total de pixels na imagem n k = número de pixels cujo nível de cinza corresponde a k. P r (r k )= Probabilidade do K-ésimo nível de cinza.

6 Exemplo: Seja uma imagem de 128x128 pixels cujas quantidades de pixels em cada nível de cinza são dadas na tabela abaixo: (8 Níveis de cinza) n = 128x128 = pixels Nível de Cinza (r k ) n k P r (r k )=n k /n ,068 1/ ,196 2/ ,296 3/ ,209 4/ ,122 5/ ,048 6/ , ,028 Pr(0) = 1120/ = Pr(1/7)= 3214/ = 0,196

7 Características Importantes 1) Um histograma é uma função de Distribuição de probabilidades 2) å P ( r k ) =1 r 3) Representação gráfica de um Histograma 0,3 0,25 0,2 0,15 0,1 0,05 0

8 Exemplos de Histogramas Obs: O Histograma não traz informação posicional sobre os pixels da Imagem

9 Exemplos de Histogramas

10 Exemplos de Histogramas

11 EESC/USP Equalização do histograma:

12 Equalização do histograma: q Aumentar o contraste geral na Imagem espalhando a distribuição de níveis de cinza. Exemplo: Dada uma Imagem de n x m Pixels e g níveis de cinza. No. Ideal de pixels em cada nível => I = (n x m)/g EESC/USP

13 Exemplo:

14 a) Imagem Original b) Histograma original c) Imagem Equalizada d) Histograma Equalizado EESC/USP

15 EESC/USP Equalização de Histograma

16 Equalização de Histograma

17 Equalização do histograma: A equalização pode ser obtida fazendo: q = ì ï maxí0, ï ïî ARRED.( k å j= 0 I n j ) ü ï -1ý ï ïþ 0 k g Onde: g = níveis de cinza da Imagem Original q = níveis de cinza da Imagem Equalizada EESC/USP

18 Exemplo: n x m = 30 pixels g = 10 níveis de cinza I = 30/10 = g n Sn q è (6,66) 7 è (7,33) 7 q = ì ï maxí0, ARRED.( ï ïî k å j= 0 I n j ü ï ) -1ý ï ïþ 0 k g

19 Visualização das Transformações nos Níveis de Cinza através dos Histogramas 1) Alterações Globais no Brilho Clarear ou escurecer uma Imagem. H(k) H(k) Somar ou Subtrair uma constante em todos os pixels da Imagem Intensidade Intensidade 0è Preto Maxè Branco Visão Computacional - Aula2 19

20 2) Binarização ( Threshold ): - Determinação de um limiar abaixo do qual os pixels são transformados em zero, e acima são transformados no máximo de intensidade. H (k) 12 H (k) Visão Computacional - Aula2 20

21 Determinação do Limiar: Uma das dificuldades da limiarização de uma imagem é a melhor determinação do valor de thresholding, ou seja, do ponto de separação dos pixels. Método do vale: Através da análise do histograma estabelecer T (valor de Threshold ) na região de vale mais próxima ao meio de escala dos níveis de cinza. Visão Computacional - Aula2 21

22 Operadores Ponto a Ponto (Transformações de níveis de Cinza ou Mapeamento) Cada ponto na Imagem de Entrada gera um só ponto na Imagem de Saída Imagem de Entrada Imagem de Saída T[f(x,y)] ==> Operação sobre cada ponto (cada Pixel) da Imagem de Entrada EESC/USP

23 1) Contraste e Brilho As Transformações de Intensidade podem ser: 1) Lineares : g = c.f+b Exemplo: g = 2f + 32 onde : c (Contraste), b (Brilho) EESC/USP

24 2) Não Lineares: Exemplo: g = 31,875.log 2 (f+1) 24

25 2) Negativo T[f(x,y)] = g(x,y) = W - f(x,y) Imagem de Entrada Imagem de Saída EESC/USP

26 EESC/USP 1) Negativo

27 EESC/USP 3) Alargamento de Contraste g(x,y) = W y x f y x f y x f k y x f y x f y x f y x f k y x f y x f y x f k < Þ Þ < Þ ), ( ), ( ), (. ), ( ), ( ), ( ), (. ), ( ), ( 0 ), (

28 4) Binarização ( Thresholding ) Thresholding ==> Limiarização (Transforma a Imagem em uma Imagem Binária (2 níveis de cinza) Threshold [f 1 (x,y)=f 2 (x,y)] Fazendo: k 1 = 0 f 1 (x,y) = f 2 (x,y) k 3.f(x,y) = W g(x,y) = 0 Þ 0 < W Þ f 1 f 1 ( x, ( x, y) y) f ( x, y) W EESC/USP

29 Alargamento de Contraste e ( Thresholding ) EESC/USP

30 EESC/USP 5) Binarização ( Thresholding )

31 EESC/USP Transformações Não-Lineares

32 EESC/USP

33 EESC/USP Correção Gamma

34 EESC/USP Correção Gamma

35 EESC/USP Correção Gamma

36 EESC/USP Correção Gamma

37 Processamento Espacial Transformações ponto a ponto l Histograma l Transformações lineares l Transformações não-lineares Transformações por vizinhança l Convolução l Filtros lineares l Filtros derivativos detectores de borda EESC/USP

38 Transformações Por Vizinhança polegadas EESC/USP

39 Operadores Locais (Vizinhança). Combina a Intensidade de um certo número de píxels (janela), para computar o valor da nova intensidade na Imagem de Saída. Imagem de Entrada Imagem de Saída T[f(x,y)] S ==> Operação sobre todos os píxels dentro da janela S centrada em f(x,y) EESC/USP

40 Convolução e Correlação Cruzada Convolução f (x) h(x) = + f (m)h(x m)dm Correlação Cruzada f (x) h(x) = + f (m)h(x + m)dm EESC/USP

41 Convolução e Correlação Cruzada Forma DISCRETA Convolução f [x] h[x] = f [m]h[x m] m= Correlação Cruzada f [x] h[x] = f [m]h[x + m] m= EESC/USP

42 1D

43 2D

44 Propriedades da Convolução 1. Comutativa f [x] h[x] = h[x] f [x] - (Não vale na correlação cruzada) 2. Associativa f [x] (g[x] h[x]) = ( f [x] g[x]) h[x] 3. Distributiva f [x] (g[x]+ h[x]) = ( f [x] g[x])+ ( f [x] h[x])

45 Filtros no domínio do espaço EESC/USP

46 Exemplo: Janela de 3 x 3 g( x, y) = k å i= 1 w. f i ( x, y) q (a,b,c,d,e,f,g,h,i) são os valores dos níveis de cinza na mesma vizinhança de f(x,y) = e, comparativamente ao Template. q (w 1 a w 9 ) são os pesos, ou seja, os valores dos níveis de cinza em cada posição do Template. O valor do pixel g(x,y) na nova Imagem, na posição (x,y) será dado por: g(x,y) = w 1.a + w 2.b + w 3.c + w 4.d + w 5.e + w 6.f + w 7.g + w 8.h + w 9.i EESC/USP

47 Convenção: q Máscaras de organização par (2 x 2, 4 x 4,...) o resultado é colocado sobre o Primeiro Pixel. q Máscaras de organização ímpar ( 3 x 3, 5 x 5,...) o resultado é colocado sobre o Pixel de Centro.

48 Convolução e Correlação Cruzada: No domínio do espaço, a diferença entre a Convolução e a Correlação Cruzada reside apenas no espelhamento do Template a ser utilizado, que deve ser feito na Convolução. Como, em geral, os Templates são simétricos, a equação da Correlação Cruzada tem sido empregada com o nome de Convolução na área de Processamento de Imagens. Convoluir um Template com uma Imagem equivale à operação: Espelhamento, Desloca, Multiplica e Soma EESC/USP

49 Exemplo de máscara simétrica, onde a operação de convolução e de correlação são idênticas: Template T(i,j) Imagem Original f(x,y) Imagem Final * * * * * * * * T(i,j) * f(x,y) Os valores marcados com * não podem ser calculados.

50 Solução para os pixels das bordas: Podem ser usadas cinco soluções: Atribuindo valor zero aos resultados não calculáveis; Preenchimento da imagem com 0 s antes do cálculo da imagem final (P*); Replicação dos pixels das bordas (replicate*); Espelhamento (symmetric*); Convolução periódica (circular*); * Usado pelo Matlab

51 Exemplo 1: Atribuindo zero aos resultados não calculáveis Template Imagem Resultado Primeiro Ponto ==> (1x1) + (1x2) + (1x3) + (0x0) + (0x1) + (0x3) + (1x1) + (1x1) +(1x3) = 11

52 Exemplo 2: Padding com zeros Centra-se o Template com o primeiro pixel da imagem atribuindo o valor 0 aos valores inexistentes na imagem. Template Imagem Resultado Primeiro Ponto ==> (1x0) + (1x0) + (1x0) + (0x0) + (0x1) + (0x2) + (1x0) + (1x0) +(1x1) = 1

53 Exemplo 3: Convolução Periódica O Template é deslocado sobre todos os pixels da imagem original como se esta fosse adjacente em suas extremidades. Template Imagem Resultado Primeiro Ponto ==> (1x0) + (1x1) + (1x0) + (0x5) + (0x1) + (0x2) + (1x0) + (1x0) +(1x1) = 2

54 Observações: q O custo computacional da Convolução espacial é alto. q Se a Imagem é de tamanho M x M e o Template N x N, o número de multiplicações é de M 2.N 2 q Ou seja, se a Imagem é de 512 x 512 e o Template é de 16 x 16, são necessárias multiplicações. q A alternativa é transformar a Imagem e o Template para o domínio da frequência (Fourier) e multiplicar elemento a elemento. q A transformação só é justificável se o Template for maior que 32 x 32, devido ao custo da Transformada de Fourier.

55 Filtragem Espacial Filtros Passa-Baixa Filtros Passa-Alta Filtros Derivativos EESC/USP

56 EESC/USP Representação de uma Imagem como Superfície Isométrica

57 Perfil radiométrico de uma imagem: altas frequências e baixas frequências

58 Altas e baixas frequências em uma imagem

59 Filtragem Espacial: Passa Baixa q Uma das aplicações da Convolução espacial de uma Imagem com Templates é a Suavização (Smoothing) ou Filtragem Passa Baixa. q Um filtro espacial Passa Baixa é implementado através de uma Máscara que realiza a Média da Vizinhança. q Uma Máscara de Média é tal que seus pesos são positivos e a soma é igual a 1. Ø Exemplos de algumas Máscaras de Filtros Passa Baixa:

60 Exemplo de Média da Vizinhança. f(x,y) g(x,y) g(0,0) = ( ) / 9 = 24,77 g(0,1) = ( ) / 9 = 39,77

61 a) Imagem Original b) Vizinhança 3 x 3 c) Vizinhança 5 x 5 d) Vizinhança 7 x 7 e) Vizinhança 15 x 15 f) Vizinhança 25 x 25

62

63 Filtro Passa Baixa Média da Vizinhança * = EESC/USP * 1/25 x =

64 Filtro Passa Baixa Média da Vizinhança * 7 x 7 = * 9 x 9 = EESC/USP

65 Efeitos nas bordas da imagem Convolução da imagem original com um filtro da média A B C D E A) Imagem original B) Padding com zeros C) Replicação D) Espelhamento E) Periódica (circular)

66 Filtragem Espacial: Passa Alta q É chamada de filtro de passa-alta porque detecta na imagem os detalhes finos e mudanças abruptas de níveis de cinza na imagem. q A máscara do filtro passa alta deve ter pesos de tal forma que a soma seja igual a zero. Exemplos de máscaras de filtros passa alta: Normalizado Normalizado Operador Laplaciano

67 Filtro Passa Alta Detector de Altas Frequências Normalizado * = =

68 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências + = + =

69 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências + = EESC/USP

70 Filtro Passa Alta Detector de Altas Frequências Não-normalizado * = =

71 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências + = + =

72 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências + = EESC/USP

73 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências Como montar um template para o filtro de aguçamento? * =

74 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências 1) Filtro que detecta apenas as bordas e detalhes (passa-alta) * =

75 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências 2) Filtro que gera a mesma imagem após a convolução * = 0 0 0

76 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências Filtro de aguçamento = imagem da detecção das bordas + imagem original =

77 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências Filtro de aguçamento * =

78 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências E se for usada a normalização do filtro? * =

79 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências 1) Filtro que detecta apenas as bordas e detalhes (passa-alta) Normalizado * =

80 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências 2) Filtro que gera a mesma imagem após a convolução Normalizado * = 0 0 0

81 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências Filtro de aguçamento = imagem original + detecção das bordas =

82 Filtro de AGUÇAMENTO (Sharpening) - realce de altas frequências Filtro de aguçamento (normalizado) * =

83 Outros Exemplos polegadas EESC/USP

84 Isotropia

85 Imagem Original 5

86 Imagem Original - 5

87 Derivada de uma Imagem

88 Primeira Derivada Segunda Derivada

89 Filtragem Espacial: Filtros Derivativos de 2 a Ordem Filtros de segunda derivada: O operador de segunda ordem mais comum é o Laplaciano

90 Filtragem Espacial: Filtros Derivativos de 2 a Ordem

91 Filtragem Espacial: Filtros Derivativos de 2 a Ordem q São filtros isotrópicos (detectam bordas em todas as direções); q São muito sensíveis (detectam) ruídos e pequenos detalhes.

92 Filtragem Espacial: Filtros Derivativos de 1 a Ordem Filtros de primeira derivada: O operador de primeira ordem mais comum é o Gradiente f = # f & % ( x % ( % f ( $ % y' (

93 Filtragem Espacial: Filtros Derivativos de 1 a Ordem f x = f (x +1, y) f (x, y) f y = f (x, y +1) f (x, y)

94 Filtragem Espacial: Filtros Derivativos de 1 a Ordem Bordas Verticais Bordas Horizontais Bordas Diagonais Esses operadores são conhecidos como Operadores Gradiente-Cruzado de Roberts ou Detectores de Bordas de Roberts

95 Detector de Bordas de Roberts q São filtros não-isotrópicos (detectam bordas em uma direção específica); q Detectam gradiente (bordas) positivo ou negativo dependendo do template utilizado; q Não são muito sensíveis à ruídos e pequenos detalhes como os detectores Laplacianos (de segunda ordem).

96 Exemplo do Detector de Bordas de Roberts (Negativo da imagem final): Direção do gradiente = direção dos sinais Direção da borda = perpendicular a da matriz - Correlação cruzada

97 Exemplo do Detector de Bordas de Roberts (Negativo da imagem final): Direção do gradiente = direção dos sinais Direção da borda = perpendicular a da matriz - Convolução

98 Exemplo do Detector de Bordas de Roberts (Negativo da imagem final): Direção do gradiente = direção dos sinais Direção da borda = perpendicular a da matriz - Correlação cruzada

99 Filtragem Espacial: Filtros Derivativos Exemplo do Detector de Bordas de Roberts: - Correlação cruzada

100 Filtragem Espacial: Filtros Derivativos de 1 a Ordem Bordas Horizontais Bordas Verticais Esses operadores são conhecidos como Operador de Prewitt ou Detector de Bordas de Prewitt

101 Filtragem Espacial: Filtros Derivativos de 1 a Ordem Bordas Diagonais Esses operadores são conhecidos como Operador de Prewitt ou Detector de Bordas de Prewitt

102 Exemplo de detector de Prewitt: Correlação cruzada

103 Filtragem Espacial: Filtros Derivativos de 1 a Ordem Bordas Horizontais Bordas Verticais Esses operadores são conhecidos como Operador de Sobel ou Detector de Bordas de Sobel

104 Filtragem Espacial: Filtros Derivativos de 1 a Ordem Bordas Diagonais Esses operadores são conhecidos como Operador de Sobel ou Detector de Bordas de Sobel

105 Exemplo de detector de Sobel: Correlação cruzada

106 Exemplo de detector de Prewitt e Sobel: Correlação cruzada

107 FIM polegadas EESC/USP