Análise e Processamento de Imagem

Transcrição

1 António M. G. Pinheiro Covilhã - Portugal pinheiro@ubi.pt 5 de Maio de 27

2 BIBLIOGRAFIA Análise e Processamento de Imagem. Lin G. Shapiro and George C. Stockman, Computer Vision, Prentice Hall, 2, ISBN: John W. Woods, Multidimensional Signal, Image and Video Processing and Coding, Elsevier Academic Press, 26, ISBN: PÁGINAS NA INTERNET SUGERIDAS:

3 Introdução VISÃO HUMANA OFERECE UMA ENORME PERCEPÇÃO DO MUNDO QUE NOS RODEIA. A LUZ REFLETE/ATRAVESSA OS OBJECTOS CRIANDO UMA IMAGEM NA RETINA DE CADA UM DOS OLHOS. UM CONJUNTO DE COMPONENTES CRIA UMA ESTRUTURA 3D NA MENTE HUMANA: CENA COM OBJECTOS Fonte de Luz ILUMINAÇÃO DOS OBJECTOS SENSAÇÃO DA ILUMINAÇÃO: LUZ REFLETIDA PELOS OBJECTOS Superfície Reflectante Θ N Normal à Superficie LUZ QUE ATRAVESSA OS OBJECTOS Radiação

4 Sensores de Luz RECEPTORES QUÍMICOS DO OLHO HUMANO SÃO SENSÍVEIS À RADIAÇÃO (LUMINOSA) COMPRIMENTOS DE ONDA (λ) [4ηm, 7ηm] (VIOLETA AO VERMELHO); APARELHOS SENSÍVEIS À RADIAÇÃO ELECTROMAGNÉTICA ONDAS DE RÁDIO; RAIOS X; MICROONDAS.

5 Sensores de Luz EQUIPAMENTOS DETECTORES SENSORES CCD (CHARGED COUPLED DEVICE) DETECTAM LUZ VÍSIVEL; DETECTAM λ > 7ηm (INFRAVERMELHOS); PARA λ MUITO PEQUENO: RAIOS X; OBJECTO (Elemento de Superfície) Superfície Reflectante Θ Radiação Normal à Superficie Z Irradiante Eixo óptico N Fonte de Luz CAMERA (Elemento Sensor) PARA ONDAS MUITOS LONGAS.

6 Tecnologia Digital de Imagem PROCESSAMENTO DE IMAGEM Imagem à Entra Imagem à Saí ANÁLISE DE IMAGEM Imagem à Entra Medis à Saí COMPREENSÃO DE IMAGEM Imagem à Entra Descrição de Alto Nível à Saí

7 Noções Básicas de Processamento de Imagem IMAGEM CONSIDERADA UMA MATRIZ I(y, x) DE PIXELS (PICTURE ELEMENTS) COM N COLUNAS E M LINHAS CADA PIXEL I(m, n) REPRESENTA UMA ME- DIDA QUE DEPENDE DE VÁRIAS VARIÁVEIS, COMO: COR (λ) PROFUNDIDADE (z) TEMPO (t) y x

8 Noções Básicas de Processamento de Imagem A IMAGEM OBTIDA PELO SENSOR, VAI PASSAR POR UM PROCESSO DE quantificação QUE A CONVERTE NUMA IMAGEM DIGITAL DE N M PIXELS. x x y y f(x,y,z,λ,t)

9 Noções Básicas de Processamento de Imagem Valores Comuns PARÂMETRO SÍMBOLO VALORES TÍPICOS COLUNAS N 256,52,525,625,24,35 LINHAS M 256,52,768,24,32 NÚMERO DE NÍVEIS 2, 64, 256, 24, 496, L DE QUANTIFICAÇÃO 2 6 =65536, 2 24

10 Noções Básicas de Processamento de Imagem IMAGEM I r (y, x) QUE RESULTA DE PROCESSAR UMA IMAGEM I(y, x), PODE RESULTAR DE UM processamento: Pontual - I r (m, n) = f(i(m, n)) EM QUE O PIXEL RESULTANTE SÓ DEPENDE DO PIXEL DA IMAGEM ORIGINAL COM AS MESMAS ORDENADAS. Local - I r (m, n) = f(i(y, x)), (y, x) VIZINHANÇA DE (m, n) EM QUE O PIXEL RESULTANTE SÓ DEPENDE DOS PIXELS NUMA DADA VIZINHANÇA DO PIXEL DA IMAGEM ORIGINAL COM AS MESMAS ORDENADAS. Global - I r (m, n) = f(i(y, x)), (y, x) EM QUE O PIXEL RESULTANTE DEPENDE GLOBALMENTE DE TODOS OS PIXELS DA IMAGEM ORIGINAL. Pontual Local Global

11 Formatos de Imagem Formatos Computacionais com representação de pixel a pixel: PORTABLE BIT MAP (PBM/PGM/PPM); BMP (MICROSOFT); TAG IMAGE FILE FORMAT (TIFF). FORMATO COMPLEXO E GENÉRICO; GERALMENTE USADO PELAS MESAS DIGITALIZADORAS. Formatos comprimidos: GRAPHICS INTERCHANGE FORMAT (GIF) 256 CORES DISPONÍVEIS (8 BITS DE CODIFICAÇÃO 2 8 ); COMPRESSÃO SEM PERDAS LEMPEL-ZIV-WELCH (LZW). JOINT PHOTOGRAPHIC EXPERT GROUP (JPEG) PODE CODIFICAR IMAGENS DE 64K 64K DE 24 BITS CADA; COMPRESSÃO COM PERDAS; Vídeo: MOVING PICTURE EXPERT GROUP (MPEG)

12 Camera CCD COMPOSTA POR CÉLULAS DE ESTADO SÓLIDO QUE CONVERTEM ENERGIA DA LUZ EM ENERGIA ELÉCTRICA. CADA CÉLULA CONVERTE A ENERGIA LUMINOSA QUE RECEBE NUMA CARGA ELÉCTRICA; GERA UM pixel DE UMA IMAGEM DIGITAL; FORMA-SE UMA IMAGEM DIGITAL DE N M Cena 3D Lente Plano de Imagem Pixel

13 Camera CCD AMPLIAÇÃO DE TROÇOS DE IMAGEM IMAGEM COM DIFERENTES DEFINIÇÕES

14 Ferramentas de Processamento de Imagem TÉCNICAS USADAS: CONVOLUÇÃO, ANÁLISE DE FOURIER E ANÁLISE ESTATÍSTICA FILTRAGEM ANÁLISE DE COR E TEXTURA TÉCNICAS DE OBTENÇÃO DE LIMIARES E DE SEGMENTAÇÃO RECONHECIMENTO DE PADRÕES

15 Ferramentas de Processamento de Imagem CONVOLUÇÃO: I r (m, n) = I(m, n) h(m, n) = j= i= I(j, i).h(m j, n i) COM h(m, n) FUNÇÃO IMPULSIVA DO SISTEMA LINEAR E INVARIANTE I(y,x) Sistema Linear e Invariante I (y,x) r

16 VIZINHANÇA DE UM PIXEL Convolução N VIZINHANÇA DE 4 PIXELS W X E S NW N NE VIZINHANÇA DE 8 PIXELS W X E SW S SE VIZINHANÇA GENÉRICA NUM SISTEMA CAUSAL X

17 Convolução EXEMPLO DE MÁSCARAS

18 Convolução APLICAÇÃO DE MÁSCARA A UMA IMAGEM: CONVOLUÇÃO I r (y, x) = I(y, x) h(y, x) = j I(j, i).h(y j, x i) i NOTA: As máscaras de convolução são normalmente normalizas de forma a que a soma dos seus elementos seja. No caso figura implica dividir todos os elementos por 6.

19 Convolução CONVOLUÇÃO: EXEMPLO USANDO A MÁSCARA ANTERIOR

20 Ferramentas de Processamento de Imagem TRANSFORMADA DE FOURIER - RESPOSTA EM FREQUÊNCIA I(Ω, Ψ) = F {I(m, n)} = m= n= I(m, n).e j(ωm+ψn) I(m, n) = F {I(Ω, Ψ)} = 4π 2 π π π π I(Ω, Ψ).ej(Ωm+Ψn) dωdψ REPRESENTA O SINAL COMO UMA SOMA PESADA DE EXPONENCIAIS COMPLEXAS e jq = cos(q) + jsin(q) REPRESENTA A DISTRIBUIÇÃO DE FREQUÊNCIAS DA IMAGEM

21 Ferramentas de Processamento de Imagem TRANSFORMADA DE FOURIER - RESPOSTA EM FREQUÊNCIA FILTRAGEM

22 Representação em Frequência de uma Imagem TRANSFORMADA DISCRETA DE FOURIER BIDIMENSIONAL F (V, U) = M y= N x= I(y, x)e j2π ( y V M + x U N ), (V, U) [, M ] [, N ] Else TRANSFORMADA DISCRETA DE FOURIER BIDIMENSIONAL INVERSA I(y, x) = N M M N V = U= F (V, U)e j2π ( y V M + x U N ), (y, x) [, M ] [, N ] Else

23 Representação em Frequência TRANSFORMADA DISCRETA DE FOURIER BIDIMENSIONAL

24 Filtragem FILTRAGEM DE FREQUÊNCIAS, CONSISTE EM ELIMINAR OU REDUZIR OF EFEITO DE DETERMINA- DAS COMPONENTES DE FREQUÊNCIAS DO SINAL/IMAGEM. FILTRO PASSA BAIXO AS COMPONENTES DE FREQUÊNCIAS ACIMA DE UM CERTO VA- LOR SÃO SUPRIMIDAS. ω FILTRO PASSA ALTO AS COMPONENTES DE FREQUÊNCIAS ABAIXO DE UM CERTO VALOR SÃO SUPRIMIDAS. ω FILTRO PASSA BANDA AS COMPONENTES DE FREQUÊNCIAS FORA DE UM DETERMI- NADO INTERVALO DE FREQUÊNCIAS SÃO SUPRIMIDAS. ω

25 Filtragem TEOREMA DA CONVOLUÇÃO A CONVOLUÇÃO NO TEMPO/ESPAÇO ORIGINA UMA MULTIPLICAÇÃO DAS RESPECTIVAS IMAGENS. f (t) f 2 (t) T F F (jω)f 2 (jω) I (y, x) h(y, x) DF T B F (V, U)H(V, U)

26 EXEMPLOS DE FILTRAGEM Filtragem FILTRO PASSA-BAIXO FILTRO PASSA-ALTO FILTRO PASSA-BANDA

27 Ferramentas de Processamento de Imagem COR COR MONOCROMÁTICA - RESULTA DE APENAS DE UM COMPRIMENTO DE ONDA (A MAIORIA DAS CORES QUE NÓS VEMOS NÃO SÃO MONOCROMÁTICAS - RE- SULTAM DA COMBINAÇÃO DE VÁRIAS CORES MONOCROMÁTICAS) CROMINÂNCIA - INFORMAÇÃO DE COR; LUMINÂNCIA - MEDE A LUZ OU O BRILHO DA COR.

28 Ferramentas de Processamento de Imagem COR NOS HUMANOS A PERCEPÇÃO DE COR RE- SULTA DE: TRÊS TIPOS DE CONES, SENSÍVEIS RESPECTIVAMENTE À COR Vermelha, Verde E Azul ESTA DECOMPOSIÇÃO ORIGINA O MO- DELO DE COR RGB.

29 Ferramentas de Processamento de Imagem TEXTURAS SÃO USUALMENTE PROCESSADAS POR FILTROS DE GABOR (EXEMPLO REAL É O RECONHECIMENTO DA IRIS DO OLHO) VÁRIAS CARACTERÍSTICAS, DAS QUE SE DESTACAM: FREQUÊNCIA DIRECÇÃO

30 Ferramentas de Processamento de Imagem DETECÇÃO DE LIMIARES E SEGMENTAÇÃO

31 Representação de Imagem IMAGEM REPRESENTADA POR MATRIZ EM QUE: Img[][] = Img(, ) Img(, ) Img(, X M ) Img(, ) Img(, ) Img(, X M ) Img(, ) Img(, ) Img(, X M ) Img(Y M, ) Img(Y M, ) Img(Y M, X M ) X M É O NÚMERO DE COLUNAS DA IMAGEM (NÚMERO DE PIXELS DE CADA LINHA DA IMAGEM) Y M É O NÚMERO DE LINHAS DA IMAGEM Img(y, x) REPRESENTA A INTENSIDADE DO PIXEL:

32 INTENSIDADE DO PIXEL - Img(y, x) Representação de Imagem. IMAGEM BINÁRIA FUNDO DA IMAGEM (BACKGROUND) RELEVO DA IMAGEM (FOREGROUND)

33 INTENSIDADE DO PIXEL - Img(y, x) Representação de Imagem 2. IMAGEM MULTINÍVEL PRETO 255 BRANCO VALORES INTERMÉDIOS ORIGINAM NÍVEIS DE CINZENTO INTERMÉDIOS

34 Algoritmos básicos de Processamento de Imagem CONTAGEM DO NÚMERO DE OBJECTOS NUMA IMAGEM BINÁRIA. Cantos Externos UM CANTO EXTERNO É CONTABILIZADO CADA VEZ QUE UM PIXEL E A SUA VIZINHANÇA COINCIDA COM UMA DESTAS MÁSCARAS: 2. Cantos Internos UM CANTO INTERNO É CONTABILIZADO CADA VEZ QUE UM PIXEL E A SUA VIZINHANÇA COIN- CIDA COM UMA DESTAS MÁSCARAS: NÚMERO DE OBJECTOS = NÚM. DE CANTOS EXTERNOS NÚM. DE CANTOS INTERNOS 4

35 Algoritmos básicos de Processamento de Imagem CONTAGEM DO NÚMERO DE OBJECTOS NUMA IMAGEM BINÁRIA Exemplo: Resultados: NÚMERO DE OBJECTOS = 4 NÚMERO DE CANTOS EXTERNOS = 2 NÚMERO DE CANTOS INTERNOS = 36

36 Algoritmos básicos de Processamento de Imagem ETIQUETAR COMPONENTES CONECTADAS PERMITE DEFINIR ÁREAS CONECTADAS ENTRE SI E REFERI-LAS POR UMA ETIQUETA. DOIS ALGORITMOS: ) Algoritmo Recursivo Faz pesquisa numa vizinhança de quatro pixels s componentes conectas, até que todos os pixels conectados tenham a mesma etiqueta. 2) Algoritmo Linha a Linha Vai pesquisar pixel a pixel, linha a linha por conexões. Depois de executado, faz uma re-etiquetagem de regiões, que sendo contíguas, e tendo o mesmo valor de pixel, foram colocas em etiquetas diferentes.

37 Algoritmos básicos de Processamento de Imagem HISTOGRAMA DA IMAGEM GRÁFICO QUE CONTABILIZA O NÚMERO DE VEZES QUE APARECE CADA COR.

38 Algoritmos básicos de Processamento de Imagem QUANTIFICAÇÃO DE IMAGEM UM ALGORITMO DE QUANTIFICAÇÃO SELECCIONA AS ZONAS DO HISTOGRAMA QUE VÃO SER QUANTIFICADOS NA MESMA COR, BASEADA NA DISTRIBUIÇÃO DE CORES. EXEMPLO: M. I. Sezan, A peak detection algorithm and it s application to histogram-based image ta reduction, Computer Vision, Graphics, and Image Processing, vol. 49, pp. 36 5, 99. ORIGINAL 2 NÍVEIS 8 REGIÕES

39 Algoritmos básicos de Processamento de Imagem QUANTIFICAÇÃO DE IMAGEM ORIGINAL 3 NÍVEIS 24 REGIÕES

40 MORFOLOGIA DE IMAGEM Morfologia de Imagem BINÁRIA MULTINÍVEL ELEMENTOS ESTRUTURANTES - S BASEIA-SE NUM ELEMENTO ESTRUTURANTE S QUE REPRESENTA UMA FORMA EXEMPLOS DE ELEMENTOS ESTRUTURANTES BINÁRIOS.

41 Morfologia de Imagem MORFOLOGIA DE IMAGEM BINÁRIA AS OPERAÇÕES MORFOLÓGICAS SOB IMAGENS BINÁRIAS MAIS IMPORTANTES SÃO: DILATAÇÃO Alarga as regiões EROSÃO Diminui as regiões FECHO ( CLOSING ) Tende a fechar buracos interiores interiores à região e a eliminar as baías nos limiares região ABERTURA ( OPENING ) Tende a retirar pequenas porções ou regiões que saem dos limiares

42 Morfologia de Imagem MORFOLOGIA DE IMAGEM BINÁRIA - DILATAÇÃO A DILATAÇÃO BINÁRIA COLOCA CADA PIXEL DE IMAGEM RESULTANTE A DESDE QUE A IMAGEM ORIGINAL TENHA DENTRO DO ELEMENTO ESTRUTURANTE UM PIXEL A. Imagem Original Elemento Estruturante Imagem Dilata EXEMPLO DE DILATAÇÃO MORFOLÓGICA BINÁRIA.

43 Morfologia de Imagem MORFOLOGIA DE IMAGEM BINÁRIA - DILATAÇÃO Elemento Estruturante EXEMPLO DE DILATAÇÃO MORFOLÓGICA BINÁRIA.

44 Morfologia de Imagem MORFOLOGIA DE IMAGEM BINÁRIA - EROSÃO A EROSÃO BINÁRIA COLOCA CADA PIXEL DE IMAGEM RESULTANTE A DESDE QUE A IMAGEM ORIGINAL TENHA DENTRO DO ELEMENTO ESTRUTURANTE UM PIXEL A. Imagem Original Elemento Estruturante Imagem Erodi EXEMPLO DE EROSÃO MORFOLÓGICA BINÁRIA.

45 MORFOLOGIA DE IMAGEM BINÁRIA - EROSÃO Morfologia de Imagem Elemento Estruturante EXEMPLO DE EROSÃO MORFOLÓGICA BINÁRIA.

46 Morfologia de Imagem MORFOLOGIA DE IMAGEM BINÁRIA - FECHO ( CLOSING ) A OPERAÇÃO MORFOLÓGICA DE FECHO CONSISTE NA APLICAÇÃO DA OPERAÇÃO DE DILATAÇÃO SEGUIDA DA OPERAÇÃO DE EROSÃO SOBRE A IMAGEM DILATADA. Origina o Fecho de Buracos nas Regiões e a Eliminação de Baías nos limiares regiões Elemento Estruturante EXEMPLO DE FECHO MORFOLÓGICO BINÁRIO.

47 Morfologia de Imagem MORFOLOGIA DE IMAGEM BINÁRIA - ABERTURA ( OPENING ) A OPERAÇÃO MORFOLÓGICA DE ABERTURA CONSISTE NA APLICAÇÃO DA OPERAÇÃO DE EROSÃO SEGUIDA DA OPERAÇÃO DE DILATAÇÃO SOBRE A IMAGEM ERODIDA. Retira pequenas porções ou regiões que saem dos limiares Elemento Estruturante EXEMPLO DE ABERTURA MORFOLÓGICA BINÁRIA.

48 Morfologia de Imagem MORFOLOGIA DE IMAGEM MULTINÍVEL AS OPERAÇÕES MORFOLÓGICAS SOB IMAGENS MULTINÍVEL MAIS IMPORTANTES SÃO: DILATAÇÃO, EROSÃO, FECHO ( CLOSING ) E ABERTURA ( OPENING ) GRADIENTE Realça os limites s Regiões ELEMENTOS ESTRUTURANTES SÃO IMAGENS MULTINÍVEL COM UMA FORMA ARBITRÁRIA. USUALMENTE SÃO RECTANGULARES OU QUADRADOS COM TODOS OS PIXELS COM VALOR ZERO.

49 DILATAÇÃO Morfologia de Imagem Multinível D(Img, S) = max [j, i] S {Img[y j, x i] + S[j, i]} Elemento Estruturante EXEMPLO DE DILATAÇÃO MORFOLÓGICA MULTINÍVEL.

50 EROSÃO Morfologia de Imagem Multinível E(Img, S) = min [j, i] S {Img[y + j, x + i] S[j, i]} Elemento Estruturante EXEMPLO DE EROSÃO MORFOLÓGICA MULTINÍVEL.

51 FECHO ( CLOSING ) Morfologia de Imagem Multinível F (Img, S) = E(D(Img, S), S) Elemento Estruturante EXEMPLO DE FECHO MORFOLÓGICO MULTINÍVEL.

52 ABERTURA ( OPENING ) Morfologia de Imagem Multinível F (Img, S) = D(E(Img, S), S) Elemento Estruturante EXEMPLO DE ABERTURA MORFOLÓGICA MULTINÍVEL.

53 Morfologia de Imagem Multinível GRADIENTE A OPERAÇÃO MORFOLÓGICA GRADIENTE CONSISTE NA SUBTRACÇÃO DA IMAGEM DILATADA PELA IMAGEM ERODIDA. Realça os limites s regiões F (Img, S) = D(Img, S) E(Img, S) Elemento Estruturante EXEMPLO DE GRADIENTE MORFOLÓGICO.

54 EXEMPLO Morfologia de Imagem Multinível ORIGINAL DILATADA ERODIDA FECHO ABERTURA GRADIENTE

55 Técnicas de Enriquecimento de Imagem MAPEAMENTO DOS CINZENTOS ALTERAR O MAPEAMENTO DOS CINZENTOS PODE TORNAR UMA IMAGEM MUITO MAIS NÍTIDA: ESPALHAMENTO DO MAPA DE CORES CORRECÇÃO GAMA (E OUTRAS) EQUALIZAÇÃO DO HISTOGRAMA Definição de Operador de Pixel UM OPERADOR DE PIXEL DETERMINA CADA PIXEL DA IMAGEM RESULTANTE COMO UMA FUNÇÃO DO PIXEL DA IMAGEM ORIGINAL, OU SEJA, I r (m, n) = f (I(m, n))

56 Enriquecimento e Filtragem de Imagem ESPALHAMENTO DO MAPA DE CORES QUANDO UMA IMAGEM É REPRESENTADA POR UM NÚMERO DE CORES INFERIOR AO NÚMERO TOTAL DE CORES, CONCENTRADAS ENTRE UMA VALOR MIN {I(m, n)} E MAX {I(m, n)}, ESTAS CORES SÃO ESPALHADAS PELO CONJUNTO DE CORES DIS- PONÍVEIS. ISTO PERMITE QUE AS DIFERENTES CORES SEJAM REALÇADAS ENTRE SI. Operador de Pixel: I r (m, n) = (I(m, n) MIN {I(m, n)}) 255 MAX {I(m, n)} MIN {I(m, n)} IMAGEM REPRESENTADA POR 6 CORES. IMAGEM REPRESENTADA COM ESPALHAMENTO DAS 6 CORES.

57 Enriquecimento e Filtragem de Imagem CORRECÇÃO GAMMA MUITAS VEZES DEVIDO ÀS CONDIÇÕES DE AQUISIÇÃO AS IMAGENS APARECEM MUITO ESCURE- CIDAS. A CORRECÇÃO GAMMA ATRIBUI ÀS CORES MAIS ESCURAS CORES MAIS CLARAS. Operador de Pixel: f(x) = x γ Ir (m, n) = 256 ( I(m, n) 256 ) γ x /5 x /2 IMAGEM ORIGINAL. TRANSFORMAÇÃO GAMMA (γ = 2). TRANSFORMAÇÃO GAMMA (γ = 5).

58 Técnicas de Enriquecimento de Imagem EQUALIZAÇÃO DE IMAGEM UM ALGORITMO DE QUANTIFICAÇÃO SELECCIONA AS ZONAS DO HISTOGRAMA QUE VÃO SER QUANTIFICADOS NA MESMA COR, BASEADA NA DISTRIBUIÇÃO DE CORES. EXEMPLO: M. I. Sezan, A peak detection algorithm and it s application to histogram-based image ta reduction, Computer Vision, Graphics, and Image Processing, vol. 49, pp. 36 5, 99. IMAGEM ORIGINAL. EQUALIZAÇÃO EM 26 CORES. EQUALIZAÇÃO EM 43 CORES.

59 Enriquecimento e Filtragem de Imagem REMOÇÃO DE RUÍDO IMAGENS BINÁRIAS SÃO MUITAS VEZES CORROMPIDAS POR RUÍDO SALT & PEPPER. USA-SE UMA MÁSCARA COM OS OITO VIZINHOS; SE OS OITO VIZINHOS SÃO DA MESMA COR E O PIXEL TIVER UMA COR DIFERENTE É CONSIDERADO QUE SE ESTÁ NA PRESENÇA DE RUÍDO E A COR DO PIXEL É ALTERADA. IMAGEM ORIGINAL. IMAGEM COM RUÍDO SALT & PEPPER. IMAGEM DEPOIS DA REMOÇÃO DO RUÍDO

60 Enriquecimento e Filtragem de Imagem SUAVIZAÇÃO DA IMAGEM SUAVIZAR UMA IMAGEM PERMITE SUAVIZAR O EFEITO DO RUÍDO. FILTRO BOX (MÉDIO): I r (m, n) = 25 2 i= 2 2 j= 2 I(m j, n i) IMAGEM ORIGINAL IMAGEM FILTRADA (JANELA DE 5 PIXELS)

61 SUAVIZAÇÃO DA IMAGEM Enriquecimento e Filtragem de Imagem IMAGEM ORIGINAL CORROMPIDA COM RUÍDO GAUSSIANO IMAGEM COM RUÍDO FILTRADA (JANELA DE 5 PIXELS)

62 FILTRO GAUSSIANO Enriquecimento e Filtragem de Imagem O FILTRO GAUSSIANO FAZ UMA MÉDIA PONDERADA PELA FUNÇÃO GAUSSIANA COM d = (x x c ) 2 + (y y c ) 2 g(x, y) = 2πσ e d2 2σ 2 IMAGEM ORIGINAL IMAGEM FILTRADA (σ = 2)

63 FILTRO GAUSSIANO Enriquecimento e Filtragem de Imagem IMAGEM ORIGINAL IMAGEM FILTRADA (σ = 2 2)

64 FILTRO GAUSSIANO Enriquecimento e Filtragem de Imagem IMAGEM ORIGINAL IMAGEM FILTRADA (σ = 4)

65 Enriquecimento e Filtragem de Imagem DETECÇÃO DE LIMIARES A DETECÇÃO DE LIMIARES PERMITE REALÇAR AS DIFERENTES ZONAS DE UMA IMA- GEM. ENTRE OS DIFERENTES MÉTODOS VAMOS CONSIDERAR AQUELES QUE PROVAVEL- MENTE SÃO OS MAIS UTILIZADOS: OPERADOR DIFERENCIAIS O DETECTOR DE CANNY

66 O OPERADOR DIFERENCIAIS Detecção de Limiares UMA MÁSCARA CALCULA UMA APROXIMAÇÃO DAS DERIVADAS f y, f x UM PONTO REPRESENTA UM PONTO LIMIAR SE O MÓDULO DO GRADIENTE f = GRADIENTE ( f ) 2 ( f + y x ( ) ( ) f f θ = tan / y x ) 2 TIVER UM MÁXIMO SEGUNDO A DIRECÇÃO DO Mx My Operador de Prewitt Mx My Operador de Sobel OPERADORES DIFERENCIAIS - - Mx My Operador de Roberts Nota: O OPERADOR DE SOBEL É O OPERADOR DIFERENCIAL MAIS POPULAR

67 Detecção de Limiares EXEMPLO DE APLICAÇÃO DO OPERADOR DE SOBEL IMAGEM ORIGINAL MÓDULO DO GRADIENTE

68 Detecção de Limiares EXEMPLO DE APLICAÇÃO DO OPERADOR DE SOBEL IMAGEM ORIGINAL NÃO MÁXIMOS SUPRIMIDOS

69 Detecção de Limiares EXEMPLO DE APLICAÇÃO DO OPERADOR DE SOBEL IMAGEM ORIGINAL LIMIARES DA IMAGEM

70 Detecção de Limiares DETECTOR DE LIMIARES DE CANNY PRETENDE SEGUIR ESTES CRITÉRIOS DE FUNCIONAMENTO: BOA DETECÇÃO BOA LOCALIZAÇÃO UMA SÓ RESPOSTA PARA UM ÚNICO LIMIAR

71 DETECTOR DE LIMIARES DE CANNY Detecção de Limiares PODE SER DEFINIDO PELOS SEGUINTES PASSOS: FILTRAGEM GAUSSIANA DIFERENCIAÇÃO USUALMENTE APENAS SE USA f y = I(m +, n) I(m, n) e f x = I(m, n + ) I(m, n ) SUPRESSÃO DE NÃO MÁXIMOS (SÓ SE CONSIDERAM MÁXIMOS NA DIRECÇÃO DO GRADIENTE) OS MÁXIMOS SÃO SELECCIONADOS PARA LIMIARES POR UM PROCESSO DE HISTERESE

72 DETECTOR DE LIMIARES DE CANNY Processo de histerese Detecção de Limiares SÓ SÃO CONSIDERADOS LIMIARES QUE CONTENHAM PELO MENOS UM PONTO ACIMA DE UMA VALOR ht. ESTE VALOR É ESCOLHIDO DE FORMA A QUE UMA PERCENTAGEM F h DE PONTOS MÁXIMOS (USUALMENTE CERCA DE 8%) ESTEJAM ACIMA DESSE LIMIAR. TODOS OS PONTOS CONECTADOS AOS LIMIARES COM UM PONTO ACIMA DE ht E QUE TENHAM UM VALOR ACIMA DE UM VALOR lt SÃO TAMBÉM CONSIDERADOS COMO PONTOS LIMIARES. lt É ESCOLHIDO COMO UMA FRACÇÃO DE ht (lt = F l ht).

73 DETECTOR DE LIMIARES DE CANNY Detecção de Limiares IMAGEM ORIGINAL MÓDULO DO GRADIENTE (σ = 2) NÃO MÁXIMOS SUPRIMIDOS LIMIARES DA IMAGEM (HT=7% E LT=2%) MÓDULO DO GRADIENTE (σ = 4) NÃO MÁXIMOS SUPRIMIDOS LIMIARES DA IMAGEM (HT=7% E LT=2%)

74 Sumário Introdução Segmentação de Imagem Segmentação Identificação de Regiões Estratégias de Segmentação Técnicas de Reconhecimento de Padrões Aplicas à Segmentação Reconhecimento Supervisionado Reconhecimento Não-supervisionado Clustering Técnicas de Segmentação Quantificação de Cores Difusão Anisotrópica Segmentação por Watershed Snakes- Modelos de Contornos Activos Métodos baseados nos Limiares

75 Introdução Segmentação de Imagem Segmentação de Imagem: processo de divisão imagem num conjunto de regiões. Pretende-se conseguir representar áreas significativas, que definam Objectos ou salientem determinas regiões características Imagem. Exemplo de imagem segmenta É provavelmente a tarefa mais complica do Processamento de Imagem.

76 Segmentação de Imagem Objectivos. Decompor a imagem em partes para análise posterior; 2. Proporcional uma alteração representação, que tenha maior significado ou permita um análise mais eficiente. Exemplos de Aplicações Localizar um Tumor Medir a dimensão de um Tumor

77 Segmentação de Imagem Identificação de Regiões As Regiões devem ser uniformes relativamente a uma (ou mais) característica(s), como sejam, o nível de cinzento, a cor ou a textura. Os interiores s Regiões devem ser simples e não conterem vários pequenos buracos. Regiões adjacentes devem ter valores significativamente diferentes (s) característica(s) que as identificam. Os limites s regiões devem ser suaves, e devem ser espacialmente precisos.

78 Segmentação de Imagem Estratégias de Segmentação Métodos baseados na Região (conecta) As regiões são localmente homogéneas relativamente a um propriede. As regiões satisfazem uma determina propriede. Métodos baseados nos Limiares Regiões são limitas por uma determina característica. As características contêm uma elevado contraste duma propriede.

79 Segmentação de Imagem Características usas na Classificação dos Pixels Intenside Derivas (eventualmente tiras em Diferentes Escalas) Estatísticas Vizinhança Média, Variância Histograma Vizinhança Textura (basea em filtros Passa-Ban: Gabor, Wavelets ) Dados multivariados Cor MRI Espectrais

80 Segmentação de Imagem Exemplo de Classificação basea no MRI Espectral T, T2, PD Espaço de Características Retirado de Tasdizen et al Classificação

81 Técnicas de Reconhecimento de Padrões Aplicas Noção Geral Da imagem retira-se um vector característico x = (x, x,..., x M ) R n que representa um conjunto de medis de uma imagem. Tipicamente, estabelece-se uma função f, que pondera os diferentes características medis, tendo em conta o seu custo relativo: Exemplo: f( x) : R n R f( x) = M k= ω k x k, em que ω k representa o peso relativo característica x k. Domínio x x 2 Espaço de Características x

82 Técnicas de Reconhecimento de Padrões Aplicas Reconhecimento Supervisionado Exemplos previamente classificados são usados para estabelecer f. Uso de Protótipos: A classificação é feita usando o protótipo mais próximo. Estatístico: Usam-se funções de Denside de Probabilide, escolhendo-se a classificação mais provável para o vector x. Redes Neuronais (como a Perceptron ): Programa por um processo de aprendizagem que estabelece valores para os pesos.

83 Rede Neuronal Técnicas de Reconhecimento de Padrões Aplicas Baseas no modelo simplificado de um neurónio humano. x[] x[2] w[2] x[d] w[] w[d] Célula y = g y d j= w[j]x[j] Entras para outros Neurónios x[] x[] w ij 2 w jk y[] y[2] onde g(α) { pode ser do por: se α > t g(α) = c. c. g(α) = /( + e β(α t) ) x[d] Nível Nível de Entra Nível 2 Nível Escondido REDE NEURONAL Nível 3 Nível de Saí y[m]

84 Técnicas de Reconhecimento de Padrões Aplicas Reconhecimento Não-supervisionado Decisão é feita exclusivamente a partir dos dos usando função predefini de f. Baseado em estruturas naturais dos dos - Ex.: Clustering. Algoritmo de Clustering K-means.

85 Técnicas de Reconhecimento de Padrões Aplicas Clustering Processo de partição dos vectores característicos em subconjuntos, chamados Clusters. Uma forma normal de formar Clusters é associar pontos que estão próximos entre si no espaço euclideano considerado. Pretende-se portanto, criar partições de um conjunto de vectores, em grupos que apresentam valores similares. x x EXEMPLOS DE Clusters NUM ESPAÇO BIDIMENSIONAL.

86 Técnicas de Reconhecimento de Padrões Aplicas Algoritmos Clássicos de Clustering Os vectores característicos, podem incluir componentes como: Valores de Intenside Valores s componentes de Cor (RGB, HSV,...) Propriedes calculas Medis de Texturas A escolha dos CLUSTERS pode ser defini com base no número de Clusters, K. mantendo a variância para ca Clusters, abaixo de um determinado valor.

87 Técnicas de Reconhecimento de Padrões Aplicas Algoritmos Clássicos de Clustering Tipicamente existem K clusters, C, C 2,... C K, com médias m, m 2,... m K. A medi do erro quadrático mínimo pode ser defini como: D = K k= x i C k x i m k 2, que mede a proximide dos dos aos clusters que lhe foram atribuidos. ALGORITMO BASE Pixels são agrupados em Clusters. Um algoritmo de Etiquetagem permite encontrar regiões conectas.

88 Técnicas de Reconhecimento de Padrões Aplicas Algoritmo de Clustering por K-means Iterativo. Fazer o número de iterações i C =. 2. Escolher aleatóriamente um conjunto de K Clusters com médias m (), m 2 (),... m K (). 3. Para ca vector x i calcular D(x i, m k (i C ), para ca k =, 2,... K e atribuir x i ao cluster C j com a média mais próxima. 4. Incrementar i C, somando, e actualizar as médias para obter um novo conjunto m (i C ), m 2 (i C ),... m K (i C ). 5. Repetir os passos 3. e 4. até que C k (i C ) = C k (i C + ) para todos os k. NOTA: O algoritmo é convergente, embora possa não levar à solução óptima. Usualmente para-se quando C k (i C ) C k (i C + ) é menor que um determinado limiar.

89 Técnicas de Reconhecimento de Padrões Aplicas Algoritmo de Clustering por K-means Iterativo Original Máscara Exemplo de Clustering por K-means

90 Segmentação - Métodos baseados na Região Separação de Cores Basea no Histograma ALGORITMO. Usa-se um Algoritmo de Quantificação de imagem baseado no histograma. Exemplo: M. I. Sezan, A peak detection algorithm and it s application to histogram-based image ta reduction, Computer Vision, Graphics, and Image Processing, vol. 49, pp. 36 5, 99. No fundo, a quantificação estabelece um conjunto de Clusters e atribui uma classe a ca pixel. 2. Um algoritmo de Etiquetagem s componentes conectas estabelece as regiões. 3. Regiões pequenas podem ser eliminas por inclusão noutras.

91 Segmentação - Métodos baseados na Região Separação de Cores Basea no Histograma original níveis 38 regiões 4 níveis 2 regiões

92 Segmentação - Métodos baseados na Região Separação de Cores Basea no Histograma original 4 níveis 5 regiões

93 Segmentação - Métodos baseados na Região Difusão Anisotrópica Baseado em: P. Perona and J. Malik, Scale-space and edge detection using anisotropic diffusion, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-2, no. 7, pp , July 99. Equação de Difusão: I t (y, x) =.(f( I(y, x) ) I(y, x)), Se f( I ) for constante resulta numa filtragem gaussiana! Sugestão: ou f(w) = e ( w K) 2 f(w) = + ( w K ) 2 f(w) exp(-(w/k) ) 2 /(+(w/k) ).25 w -5k -3k -2k -k k 2k 3k 5k Funções de Difusão propostas por Perona e Malik.

94 Segmentação - Métodos baseados na Região Difusão Anisotrópica original Perona & Malik Pinheiro 26

95 Segmentação - Métodos baseados na Região Watershed Algoritmo que vê a imagem como um mapa topográfico. Primeiro Aplica-se um Gradiente à imagem. Consiste no enchimento dos vales do mapa. Quando duas regiões de enchimento se tocam, constroi-se uma barragem. No final, várias regiões foram definis, separa por um conjunto de barragens (contornos s regiões). Enchimento e Barragens Exemplo

96 Segmentação - Métodos baseados nos Limiares Snakes - Contornos Activos M. Kass, A. Witkin, and D. Terzopoulos, Snakes - Active Contour Models International Journal of Computer Vision, (4): 32-33, 987. Um Contorno inicial vai convergir iterativamente para uma zona de elevado gradiente. Formulação Matemática: Considerando a Snakes por v(s) = (y(s), x(s)), pode-se escrever a sua energia por: ESnakes = E Snakes ( v(s)) ds = em que E int representa a energia interna, E imag representa as forças imagem e E con representa as forças externas de constrangimento. [E int ( v(s)) + E imag ( v(s)) + E con ( v(s))] ds

97 Segmentação - Métodos baseados nos Limiares Snakes - Contornos Activos Exemplo (João Machado)

98 Segmentação - Métodos baseados nos Limiares Snakes - Contornos Activos Exemplo (João Machado)

99 Segmentação - Métodos baseados nos Limiares Snakes - Contornos Activos Exemplo (João Machado)

100 Segmentação - Métodos baseados nos Limiares Técnicas de multiresolução Baseia-se na determinação dos limiares em diferentes resoluções: Alta resolução implica muitos limiares posicionalmente precisos. Baixa resolução implica limiares menos importantes suprimidos (com importância local) mas limiares resultantes posicionalmente imprecisos. Usar Imagem de limiares de baixa resolução para seleccionar limiares mais importantes, e desloca-los para a posição na imagem de alta resolução, de forma a serem mais precisos.

101 DCT - Discrete Cosine Transform Transformas de Imagem A transforma de Fourier resulta num número Complexo. Em algumas aplicações, este facto torna-se uma grande desvantagem. Por isso, surge a DCT - Transforma Discreta do Cosseno, que é REAL. Entre as aplicações, destaca-se o uso em Normas de compressão como a JPEG e a MPEG. Considerando uma Imagem I(y, x) com dimensão M N, a DCT 2-D é por: I DCT (V, U) = M N m= n= 4I(m, n) cos ( πu 2N ) ( πv (2n + ) cos 2M (2m + ) ) para (V, U) [, M ] [, N ]. Caso contrário I DCT (V, U) =. Nota: A DCT 2-D é separável, logo pode ser aplica de forma independente sobre as linhas e depois sobre as colunas.

102 DCT - Discrete Cosine Transform Transformas de Imagem A transforma inversa, IDCT 2-D, para (m, n) [, M ] [, N ], é por: I(m, n) = MN ( πu cos 2N M N m= n= w(m)w(n)i DCT (V, U) ) ( ) πv (2n + ) cos (2m + ) 2M As funções de peso w(k) são s por: w(k) = { /2, k = k

103 DCT - Discrete Cosine Transform Transformas de Imagem Nas normas de imagem, a DCT é aplica a pequenos blocos de imagem de 8 8. imagem DCT aplica a blocos de 8 8.

104 Transformas de Imagem DCT - Discrete Cosine Transform- Inversão Máscara Aplica Máscara Aplica Máscara Aplica Máscara Aplica

105 DWT - Discrete Wavelet Transform Transformas de Imagem A Imagem I(y, x) com dimensão M N, é filtra por quatro filtros ideais de dimensão π/2 π/2, que no seu conjunto dividem a ban em quatro bans distintas e exclusivas. Isto significa: Filtro H LL : passa a ban [, π/2] [, π/2] Filtro H LH : passa a ban [, π/2] [π/2, π] Filtro H HL : passa a ban [π/2, π] [, π/2] Filtro H HH : passa a ban [π/2, π] [π/2, π] I H LL H LH H HL 2x2 2x2 2x2 I LL I LH I HL H HH 2x2 I HH Ilustração Transforma Wavelet de 2 2. Este processo leva a uma subamostragem imagem, de que resultam quatro subimagens, ca uma resultante de sua filtragem. A grande vantagem em relação há DCT é que li com a imagem como um todo, em vez de lir em blocos

106 DWT - Discrete Wavelet Transform Transformas de Imagem LLL LLL LLL LLH LLL LLL LHL LHH LLHL LLLH LLHH LH HL HH

107 Filtros de Estimação Linear Estimação Linear As técnicas de Estimação Linear aplicam-se para estimar uma imagem que é corrompi com ruído. O objectivo destas técnicas é a de estimar a imagem, de forma a que ela possa ser visualiza com redução de ruído. Dois Filtros são especialmente considerados: Filtro de Wiener Filtro de Kalman

108 Filtro de Wiener Filtros de Estimação Linear Pretende obter uma estimativa, Î(y, x), de uma imagem, I(y, x) que foi corrompi por ruído aditivo, I r (y, x) = I(y, x) + n(y, x) Î(y, x) = h(y, x) I r (y, x) Sendo I r (y, x) a imagem com ruído, Î(y, x) a estimativa imagem e h W (y, x) o filtro de Wiener. A transforma de Fourier do Filtro de Wiener é por: H W (v, u) = P I (v, u) P I (v, u) + P n (v, u) sendo P I (v, u) é o Espectro de Potência imagem, obti pelo cálculo transforma de Fourier autocorrelação imagem e P n (v, u) é o espectro de Potência do ruído.

109 Filtro de Wiener Filtros de Estimação Linear Imagem Original Imagem com Ruído e blurring Estimativa obti pelo Filtro de Wiener

110 Filtro de Kalman Filtros de Estimação Linear Considerando a imagem w(m, n) é ruído aditivo. x(m, n) = (j,i) R + c j,i x(m j, n i) + w(m, n) em que A versão imagem observável, corrompi com ruído y ( m, n) = h(j, i)x(m j, n i) + v(m, n) (j,i) R + em que v(m, n) é ruído aditivo.

111 Filtros de Estimação Linear Filtro de Kalman O filtro de Kalman é do pela seguinte solução iterativa: Preditor ˆx (m,n) b (m, n) = c s,rˆx (m,n ) a (s,r) R + (m s, n r), ˆx (m,n) b (j, i) = ˆx (m,n ) a (j, i), (j, i) S + (m, n) Upte para ˆx (m,n) a (j, i) = ˆx (m,n) b (j, n) + K (m,n) (m j, n i) y(m, n) b (m s, n r) (j, i) S + (m, n) (s,r) R + h(s, r)ˆx (m,n)

112 Filtro de Kalman Filtros de Estimação Linear Antes Upte para R (m,n) b (m, n; j, i) = c s,r R a (m,n) (m s, n r; j, i) (s,r) R + (j, i) S + (m, n) R (m,n) b (m, n; m, n) = c s,r R a (m,n) (m, n; m s, n r) + σw 2 ) (s,r) R +

113 Filtro de Kalman Filtros de Estimação Linear Depois Upte para R (m,n) a (j, i; s, r) = R (m,n) (j, i; s, r) K (m,n) (m j, n i)r (m,n) b (m, n; s, r) b (j, i) S + (m, n) Ganho de Kalman K (m,n) (s, r) = R (m,n) b (m, n; m s, n r)/ ( R (m,n) b (m, n; m, n) + σ 2 v )

114 Filtro de Kalman Filtros de Estimação Linear Exemplo Estimativa obti pelo Filtro de Kalman

115 SUMÁRIO Caracterização de Imagem INTRODUÇÃO CARACTERIZAÇÃO DE COR CARACTERIZAÇÃO DE TEXTURAS MPEG-7

116 FÍSICA DA COR Caracterização de Cor RECEPTORES QUÍMICOS DO OLHO HUMANO SÃO SENSÍVEIS À RADIAÇÃO (LUMINOSA) COMPRIMENTOS DE ONDA (λ) [4ηm, 7ηm] (VIOLETA AO VERMELHO); LUZ BRANCA - COMPOSTA DE UMA ENERGIA APROXIMADAMENTE IGUAL EM TODOS OS COMPTRIMENTOS DE ONDA DO ESPECTRO VISÍVEL.

117 Caracterização de Cor ESPAÇOS DE COR - RGB A PERCEPÇÃO DE COR HUMANA RESULTA DE TRÊS TIPOS DE RECEPTORES (CONES) SENSÍVEIS A TRÊS ZONAS ESPECTRAIS (VERMELHOS, VERDES E AZUIS) - VISÃO DE COR TRICROMÁTICA. Tipo de Cone Nome Intervalo Pico de sensibilide S Azul 4..5 ηm 44 ηm M Verde ηm 544 ηm L Vermelho 5..7 ηm 58 ηm UMA DETERMINADA COR (COMPRIMENTO DE ONDA) ESTIMULA CADA UM DESTES CONES COM UMA DETERMINADA INTENSIDADE. EXEMPLO: AMARELO ESTIMULA FORTEMENTE OS CONES TIPO L, MODERADAMENTE OS TIPO M E MUITO SUAVEMENTE OS TIPO S.

118 Caracterização de Cor ESPAÇOS DE COR - RGB EQUIPAMENTOS DE VISUALIZAÇÃO DE IMAGEM A CORES (TVS, MONITORES DE COM- PUTADOR, ETC) USAM UM SISTEMA DE MISTURA DE CORES ADITIVA COM CORES PRIMÁRIAS R-VERMELHO, G- VERDE, B-AZUL. CADA UMA ESTIMULA OS RECEPTORES RESPECTIVOS DO OLHO HUMANO NA QUANTI- DADE PRETENDIDA. EXEMPLO DE CORES RGB CODIFICADAS COM 24 BITS: VERMELHO (255,,); AMARELO (255,255,); BRANCO (255,255,255); PRETO (,,); CINZENTO DE MÉDIA INTENSIDADE (27,27,27); REPRESENTAÇÃO DA ADIÇÃO DE CORES

119 ESPAÇOS DE COR - RGB Caracterização de Cor RGB NORMALIZADO: r = R R + G + B g = G R + G + B b = B R + G + B INTENSIDADE: I = R + G + B 3

120 Caracterização de Cor ESPAÇOS DE COR - CIE XYZ CIE - COMISSÃO INTERNACIONAL DE ILUMINAÇÃO; CRIADO EM 93 XYZ NORMALIZADO: x = X X + Y + Z y = Y X + Y + Z z = Z X + Y + Z DIAGRAMA DE CROMATICIDADE CIE - XYZ FUNÇÕES COLOROMÉTRICAS DA NORMA CIE - XYZ

121 Caracterização de Cor ESPAÇOS DE COR - HSV H - HUE (TONALIDADE); S - SATURATION; V - VALUE (LUMINOSIDADE) MAIS PRÓXIMO DA REPRESENTAÇÃO HUMANA; TRANSFORMAÇÃO RGB PARA HSV Max = Max{r, g, b} Min = Min{r, g, b} g b 6 SE Max = r E g b Max Min, H = g b 6Max Min + 36, g b 6Max Min + 2, SE Max = r E g < b SE Max = g g b 6Max Min + 24, SE Max = b S = Max Min Max H {, 36} o {, } V = Max {, } ESPAÇO DE CORES HSV

122 ESPAÇOS DE COR - HSV Caracterização de Cor EFEITO DA VARIAÇÃO DA SATURAÇÃO NUMA IMAGEM EFEITO DA VARIAÇÃO DA TONALIDADE NUMA IMAGEM

123 ESPAÇOS DE COR - HMMD Caracterização de Cor HMMD: (HUE, MAX, MIN, DIFF) DIFF=MAX-MIN REPRESENTAÇÃO DO ESPAÇO HMMD

124 HISTOGRAMAS DE COR Caracterização de Cor AS CORES SÃO AGRUPADAS POR SEMELHANÇA EM bins. O NÚMERO DE PIXELS COM CORES PERTENCENTES A CADA bin É CONTABILI- ZADO NO HISTOGRAMA. O ESPAÇO HSV É ESPECIALMENTE INDICADO PARA OS HISTOGRAMAS DE COR, POIS CORES SEMELHANTES APARECEM NATURALMENTE PRÓXIMAS

125 DESCRITOR ESTRUCTURAL DE COR Caracterização de Cor UMA JANELA (POR EXEMPLO DE 8 8) MOVE-SE SOBRE A IMAGEM. EM VEZ DE SE AUMENTAR O NÚMERO DE CORES NUM HISTOGRAMA DE COR, SÓ SE AUMENTA UMA UNIDADE CADA VEZ QUE NA SOBREPOSIÇÃO DA JANELA SE ENCONTRA UMA OU MAIS VEZES UMA COR PERTENCENTE AO bin RESPECTIVO. ESTE DESCRITOR MELHORA O CÁLCULO DE SIMILARIDADE EM IMAGENS REAIS. DUAS IMAGENS COM HISTOGRAMA DE CORES IDÊNTICO, MAS COM Descritor Estrutural de Cor DIFERENTES.

126 EXEMPLO DE TEXTURAS Caracterização de Textura EXEMPLO DE IMAGENS IDENTIFICÁVEIS PELA TEXTURA

127 EXEMPLO DE TEXTURAS Caracterização de Textura EXEMPLO DE IMAGENS COM UMA TEXTURA

128 Caracterização de Textura DESCRICÇÃO DE TEXTURA - LIMIARES DA IMAGEM EXEMPLO DE LIMIARES DAS IMAGENS COM UMA TEXTURA

129 Caracterização de Textura DESCRICÇÃO DE TEXTURA - HISTOGRAMAS DOS LIMIARES EXISTEM DIFERENTES MÉTODOS QUE DESCREVEM A DISTRIBUIÇÃO DOS LIMIARES. O MAIS RELEVANTE CONSISTE NO CÁLCULO DOS HISTOGRAMAS DOS LIMIARES. A IMAGEM É DIVIDIDA EM SUB-IMAGENS DE 4 4 PARA CADA PIXEL LIMIAR É DEFINIDO QUAL O TIPO DE LIMIAR: LIMIAR VERTICAL, HORIZONTAL, A 45 o, A 35 o OU OUTRO. CONSOANTE A POSIÇÃO RELATIVA NA SUB-IMAGEM E O TIPO DE DIRECÇÃO DO LIMIAR PODEM- SE DEFINIR: 5 DIRECÇÕES (4 4) LOCALIZAÇÕES DE PIXELS NA SUB-IMAGEM = 8 SITUAÇÕES POSSÍVEIS. SUBIMAGEM E DIRECÇÕES POSSÍVEIS DOS LIMIARES O HISTOGRAMAS DOS LIMIARES REPRESENTA A CONTAGEM DO NÚMERO DE VEZES QUE ACONTECE CADA UMA DESTAS 8 SITUAÇÕES POSSÍVEIS NUMA IMAGEM.

130 Caracterização de Textura DESCRICÇÃO DE TEXTURA - FILTROS DE GABOR UM FILTRO DE GABOR CONSISTE DE UM FILTRO GAUSSIANO QUE É DESLOCADO DA FREQUÊNCIA (,), PARA UMA DETERMINADA FREQUÊNCIA (V c, U c ). CONSISTE ASSIM NUM FILTRO PASSA BANDA FORMULAÇÃO MATEMÁTICA: h(y, x) = e 2 ( x 2 + y2 σ x 2 σ y 2 ) e j2π(u x+v y) T F H(v, u) = 2πσ x σ y e 2π2 [(u u ) 2 σ 2+(v v x ) 2 σy] 2 FILTROS DE GABOR COM DIRECÇÕES, 45, 9 E 35 o. RESULTADO DA FILTRAGEM DA IMAGEM NAS DIRECÇÕES, 45, 9 E 35 o.

131 Caracterização de Textura DESCRICÇÃO DE TEXTURA - DESCRITOR DE TEXTURA HOMOGÉNEO - HTD A IMAGEM É FILTRADA POR FILTROS DE GABOR PARA 3 SITUAÇÕES DIFERENTES DE (u, v ). CONSIDERANDO: ω = u 2 + v2 com ω = ω M 2 s, s {,, 2, 3, 4} θ = arctan(u /v ) com θ {, 3 o, 6 o, 9 o, 2 o, 5 o }

132 Caracterização de Textura DESCRICÇÃO DE TEXTURA - DESCRITOR DE TEXTURA HOMOGÉNEO - HTD RESULTAM ENTÃO: A IMAGEM ORIGINAL; 3 IMAGENS RESULTANTES DAS FILTRAGENS DE GABOR; CALCULA-SE O VALOR MÉDIO µ E O DESVIO PADRÃO σ DE CADA UMA DESTAS IMAGENS, FORMANDO O VECTOR CARACTERÍSTICO: QUE É USADO PARA COMPARAÇÃO. (µ orig, σ orig, µ, σ, µ 2, σ 2,..., µ 3, σ 3 )

133 MPEG-7 OBJECTIVOS MULTIMEDIA CONTENT DESCRIPTION INTERFACE DEFINIR DESCRIPTORES PARA A INFORMAÇÃO MULTIMEDIA, DE FORMA A PERMITIR UM FÁCIL ACESSO BESEADO NO CONTEÚDO. PERMITE PROCURAR E IDENTIFICAR INFORMAÇÃO MULTIMÉDIA. Produção Descrição (Extracção) DESCRIÇÃO Descrição (Utilização) Objectivo MPEG-7

134 MPEG-7 OBJECTIVOS A NORMA MPEG-7 DEFINE: DESCRITORES A NORMA MPEG-7 NÃO DEFINE: COMO SE EXTRAEM OS DESCRITORES, COMO SE USAM OS DESCRITORES, A SIMILARIEDADE ENTRE CONTEÚDOS

135 MPEG-7 OBJECTIVOS Pesquisa Informação Multimedia Informação Multimedia Informação Multimedia Informação Multimedia Extracção de Descritores Extracção de Descritores Descritores de Cor Codificação Descritores de Cor Descritores de Cor Descod. Descritores de Cor Comparição de Cor Descritores de Textura Codificação Descritores de Textura Descritores de Textura Descod. Descritores de Textura Comparição de Textura Descritores de Forma Codificação Descritores de Forma Descritores de Forma Descod. Descritores de Forma Comparição de Forma Outros Descritores Envio de Informação Multimedia SELECÇÃO FINAL SISTEMA DE ACESSO A BASES DE DADOS MULTIMEDIA BASEADO NAS CARACTERÍSTICAS VISUAIS

136 MPEG-7 ESPAÇOS DE COR MONOCROMÁTICO RGB HSV YCRCB HMMD

137 MPEG-7 DESCRITORES DE COR DESCRIPTOR DE COR ESCALÁVEL HISTOGRAMA DE COR CALCULADO NO ESPAÇO DE COR HSV COR DOMINANTE LAYOUT DA COR DESCRITOR DA ESTRUTURA DE COR

138 MPEG-7 DESCRITORES DE TEXTURA TEXTURA HOMOGÉNEA HISTOGRAMA DE LIMIARES

139 MPEG-7 DESCRITORES DE FORMAS DESCRIPTOR BASEADO NA REGIÃO - MOMENTOS DE ZERNIKE DESCRIPTOR BASEADO NO CONTORNO - CSS ZERO CROSSINGS 3D DESCRIPTOR DE FORMA