Processamento de ImagensAnálise de Texturas

Transcrição

1 Processameto de Images Aálise de Texturas Semestre

2 Sumário 1 abc

3 1 Sumário

4 Aálise de Texturas Esta apresetação baseia-se o Capítulo 8 do livro [?] Aálise de Images Digitais, de Hélio Pedrii e William Robso Schwartz.

5 Medidas baseadas a distribuição dos íveis de ciza As pricipais medidas da distribuição dos íveis de ciza em imagem com pixels são: Média: µ = 1 g i. Variâcia: Simetria: Curtose: σ 2 = 1 s = 1 σ 3 k = ( 1 σ 4 (g i µ) 2. (g i µ) 3. (g i µ) 4 ) 3.

6 Medidas baseadas a distribuição dos íveis de ciza As pricipais medidas da distribuição dos íveis de ciza em imagem com pixels são: Média: µ = 1 g i. Variâcia: Simetria: Curtose: σ 2 = 1 s = 1 σ 3 k = ( 1 σ 4 (g i µ) 2. (g i µ) 3. (g i µ) 4 ) 3.

7 Medidas baseadas a distribuição dos íveis de ciza As pricipais medidas da distribuição dos íveis de ciza em imagem com pixels são: Média: µ = 1 g i. Variâcia: Simetria: Curtose: σ 2 = 1 s = 1 σ 3 k = ( 1 σ 4 (g i µ) 2. (g i µ) 3. (g i µ) 4 ) 3.

8 Medidas baseadas a distribuição dos íveis de ciza As pricipais medidas da distribuição dos íveis de ciza em imagem com pixels são: Média: µ = 1 g i. Variâcia: Simetria: Curtose: σ 2 = 1 s = 1 σ 3 k = ( 1 σ 4 (g i µ) 2. (g i µ) 3. (g i µ) 4 ) 3.

9 Medidas baseadas a distribuição dos íveis de ciza As pricipais medidas da distribuição dos íveis de ciza em imagem com pixels são: Média: µ = 1 g i. Variâcia: Simetria: Curtose: σ 2 = 1 s = 1 σ 3 k = ( 1 σ 4 (g i µ) 2. (g i µ) 3. (g i µ) 4 ) 3.

10 Matriz de co-ocorrêcia Matriz de co-ocorrêcia com d = 1 e θ = 0 :

11 Matriz de co-ocorrêcia Matriz de co-ocorrêcia com d = 1 e θ = 0 :

12 Matriz de co-ocorrêcia Matriz de co-ocorrêcia com d = 1 e θ = 0 :

13 Matriz de co-ocorrêcia Matriz de co-ocorrêcia com d = 1 e θ = 0 :

14 Matriz de co-ocorrêcia P(i, j, d, 135 ) = #{{(k, l), (m, )} S (k m = d, l = d) ou (k m = d, l = d), f (k, l) = i, f (m, ) = j}. Pode-se ormalizar os elemetos da matriz de co-ocorrêcia para que represetem probabilidades fazedo: p(i, j) = H g H g p=0 q=0 P(i, j) P(p, q) sedo H g o ível de ciza máximo a imagem.,

15 Matriz de co-ocorrêcia P(i, j, d, 135 ) = #{{(k, l), (m, )} S (k m = d, l = d) ou (k m = d, l = d), f (k, l) = i, f (m, ) = j}. Pode-se ormalizar os elemetos da matriz de co-ocorrêcia para que represetem probabilidades fazedo: p(i, j) = H g H g p=0 q=0 P(i, j) P(p, q) sedo H g o ível de ciza máximo a imagem.,

16 Matriz de co-ocorrêcia P(i, j, d, 135 ) = #{{(k, l), (m, )} S (k m = d, l = d) ou (k m = d, l = d), f (k, l) = i, f (m, ) = j}. Pode-se ormalizar os elemetos da matriz de co-ocorrêcia para que represetem probabilidades fazedo: p(i, j) = H g H g p=0 q=0 P(i, j) P(p, q) sedo H g o ível de ciza máximo a imagem.,

17 Matriz de co-ocorrêcia P(i, j, d, 135 ) = #{{(k, l), (m, )} S (k m = d, l = d) ou (k m = d, l = d), f (k, l) = i, f (m, ) = j}. Pode-se ormalizar os elemetos da matriz de co-ocorrêcia para que represetem probabilidades fazedo: p(i, j) = H g H g p=0 q=0 P(i, j) P(p, q) sedo H g o ível de ciza máximo a imagem.,

18 Tipos de Siais Exemplos Uma imagem pode ser vista como um sial que é, por sua vez, uma fução de duas variáveis espaciais: x e y.

19 Tipos de Siais Exemplos Uma imagem pode ser vista como um sial que é, por sua vez, uma fução de duas variáveis espaciais: x e y.

20 Referêcias I