Análise e Processamento de Imagem
|
|
- Malu de Miranda Porto
- 6 Há anos
- Visualizações:
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
Processamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
Processamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores António M. Gonçalves Pinheiro Departamento de Física Universidade da Beira Interior Covilhã - Portugal pinheiro@ubi.pt Bibliografia
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Algoritmos básicos de Processamento de Imagem Contagem do Número de Objectos numa Imagem Binária. Cantos Externos
Leia maisAnálise e Processamento de Sinal e Imagem. IV - Processamento e Análise de Imagem II
IV - Processamento e Análise de Imagem II António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processamento e Análise de Imagem Análise de Imagem 1. Técnicas básicas
Leia maisAnálise e Processamento de Sinal e Imagem. IV - Processamento e Análise de Imagem I
IV - Processamento e Análise de Imagem I António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processamento e Análise de Imagem Processamento de Imagem - Introdução.
Leia maisIV - Processamento e Análise de Imagem
IV - Processamento e Análise de Imagem António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processamento e Análise de Imagem Processamento de Imagem - Introdução. Aquisição
Leia maisProcessamento e Análise de Imagem. Aplicações na Imagem Médica
Processamento e Análise de Imagem Aplicações na Imagem Médica António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Tecnologia de Imagem Imagem de Entrada Processamento
Leia maisV - Reconhecimento de Padrões
V - Reconhecimento de Padrões António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Reconhecimento de Padrões 1. Caracterização de Sinais e Imagem 2. Técnicas de Classificação
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisImagens digitais. Armando J. Pinho. Introdução à Análise e Processamento de Sinal Universidade de Aveiro.
Imagens digitais Armando J. Pinho Introdução à Análise e Processamento de Sinal Universidade de Aveiro ap@ua.pt http://www.ieeta.pt/~ap IAPS (DETI-UA 2013/14) Armando J. Pinho 1 / 55 Sumário 1 Formação
Leia maisTELEVISÃO DIGITAL LEEC 2006/2007
TELEVISÃO DIGITAL LEEC 2006/2007 DETECÇÃO DE CONTORNOS GRUPO 6: Hugo Miguel Rodrigues Gonçalves Dinis Guedes Afonso ee01171 ee01148 Introdução Este trabalho tem como objectivo a implementação de métodos
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 maisProcessamento de Imagem. Compressão de Imagens Professora Sheila Cáceres
Processamento de Imagem Compressão de Imagens Professora Sheila Cáceres Porque comprimir? Técnicas de compressão surgiram para reduzir o espaço requerido para armazenamento e o tempo necessário para transmissão
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
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 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 maisInfluência do Tamanho do Bloco na DCT
LICENCIATURA EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES TELEVISÃO DIGITAL 2005/06 Influência do Tamanho do Bloco na DCT Autores: Carlos Graf Nuno Lima Grupo 4 Novembro de 2005 ÍNDICE 1. INTRODUÇÃO...
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Definição Compressão de Imagem Formas de diminuir a área de armazenamento dos dados, reduzindo a quantidade de bits
Leia maisCores em Imagens e Vídeo
Aula 05 Cores em Imagens e Vídeo Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Ciência da Computação Ciência das Cores A cor é fundamentada
Leia maisProcessamento Digital de Imagem
Processamento Digital de Imagem Transformadas Ronaldo de Freitas Zampolo Laboratório de Processamento de Sinais LaPS Instituto de Tecnologia ITEC Universidade Federal do Pará UFPA Setembro de 2009 RFZampolo
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 maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisFiltros espaciais. Processamento e Recuperação de Imagens Médicas. Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP)
Processamento e Recuperação de Imagens Médicas Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP) 1 Propriedades Operadores de suavização os elementos da máscara são positivos e
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 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 maisCor SCC0251 Processamento de Imagens
Cor SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2012/1 Moacir Ponti Jr. (ICMCUSP) Cor 2012/1 1 / 39 Sumário 1 Introdução
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisRepresentação de cores. Computação Gráfica Cores. O que é luz. Distribuição espectral da iluminação 11/12/12
Representação de cores Computação Gráfica Cores Renato Ferreira Tratados de maneira geral como triplas RGB Um parâmetro alpha opcional Quase todas operações separadas por componente Mas usualmente tratadas
Leia maisProcessamento de Imagem. Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres
Processamento de Imagem Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres Lembrando Filtragem Correlação A correlação e a convolução sãos dois conceitos relacionados a filtragem.
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 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 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 maisPROCESSAMENTO DE IMAGENS COLORIDAS
PROCESSAMENTO DE IMAGENS COLORIDAS Fundamentos da cor A visão da cor É a capacidade de um organismo ou máquina de distinguir objetos baseando-se nos comprimentos de onda (ou freqüências) da luz sendo refletida,
Leia maisProcessamento de Imagem. A Imagem digital Professora Sheila Cáceres
Processamento de Imagem A Imagem digital Professora Sheila Cáceres Visão Humana Processamento de Imagens 2 Semelhança entre o sistema visual humano e uma câmera fotográfica Várias semelhanças podem ser
Leia maisMORFOLOGIA MATEMÁTICA
MORFOLOGIA MATEMÁTICA Morfologia Na Biologia área que trata com a forma e a estrutura de plantas e animais Processamento de Imagens Ferramenta para extração de componentes de imagens que sejam úteis na
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 maisAs imagens. As imagens. Representação digital de imagens. As imagens Wilson de Pádua Paula Filho 1
As As As Dispositivos gráficos Resolução espacial de : pixel - unidade de imagem, usada para medir resolução gráfica; visão humana - cerca de 3000 x 3000 pixels; fotografia - até 8000 x 8000 pixels. 2001
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 maisAplicações Informáticas B 12º Ano
Aplicações Informáticas B 12º Ano Prof. Adelina Maia 2013/2014 AIB_U4A 1 Bases sobre a teoria da cor aplicada aos sistemas digitais (red / Green / blue) Modelo CMYK (cyan / magenta / yellow + Black) Modelo
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 maisFundamentos sobre. Universidade Federal do Rio de Janeiro - IM/DCC & NCE. Antonio G. Thomé Sala AEP/1033. Processamento de Imagens
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Fundamentos sobre Processamento de Imagens Antonio G. Thomé thome@nce.ufrj.br Sala AEP/1033 Sumário do Curso Introdução Ambientação com o MatLab Aquisição
Leia maisProcessamento de Imagem. Filtragem no Domínio Espacial Professora Sheila Cáceres
Processamento de Imagem Filtragem no Domínio Espacial Professora Sheila Cáceres Filtragem A filtragem de imagens pode ser realizada no domínio do espaço e da frequência Operadores de filtragem são classificados
Leia maisTE073 PDS II Programa de Graduação em Engenharia Elétrica
TE073 PDS II Programa de Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Segmentação Os algoritmos
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
Leia maisAPLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS
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 maisCurso de Extensão: Noções de Sensoriamento
UFBA Curso de Extensão: Noções de Sensoriamento IPF Institut für Photogrammetrie und Fernerkundung Mauro Alixandrini Universität Karlsruhe (TH) www.kit.edu 04.08 Noções de Sensoriamento Remoto Aula 2 Comportamento
Leia maisAula 5 - Segmentação de Imagens
Aula 5 - Segmentação de Imagens Parte 1 Prof. Adilson Gonzaga 1 Segmentação Agrupamento de partes de uma imagem em unidades homogêneas relativamente a determinadas características. Segmentação é o processo
Leia maisProcessamento de Imagem. Histograma da Imagem Professora Sheila Cáceres
Processamento de Imagem Histograma da Imagem Professora Sheila Cáceres Histograma É a distribuição de frequência dos níveis de cinza da imagem onde cada entrada no eixo x representa o nível de cinza específico
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 maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisIntrodução ao Processamento Digital de Imagens. Aula 9 Restauração de Imagens. Prof. Dr. Marcelo Andrade da Costa Vieira
Introdução ao Processamento Digital de Imagens Aula 9 Restauração de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Realce x Restauração Realce: Processar a Imagem para obter um resultado
Leia maisIntrodução ao Processamento de Imagens Digitais Aula 01
Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação
Leia maisProcessamento de imagem a cores
A cor é um poderoso descritor que frequentemente simplifica a identificação e extracção de objectos de uma cena Os humanos podem discernir milhares de cores, mas apenas duas dezenas de cinzentos O processamento
Leia maisFiltragem de Imagens Fixas
FEUP 2006/2007 TELEVISÃO DIGITAL Filtragem de Imagens Fixas Nuno Miguel da Cunha Pássaro Nuno Miguel Dantas de Faria nº de aluno: 010503228 email: ee01228@fe.up.pt nº de aluno: 010503160 email: ee01160@fe.up.pt
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 março de 2016 Transformação e filtragem de imagens
Leia maisFiltragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha
Filtragem As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que dependem do nível de cinza de um determinado "pixel" e do valor dos níveis de cinza dos "pixels" vizinhos, na imagem
Leia maisProcessamento Digital de Imagens. Cor
Processamento Digital de Imagens Cor Em uma descrição física a cor está associada ao seu comprimento de onda. Ao se analisar o espectro eletromagnético na região do visível, os menores comprimentos de
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisFILTRAGEM DE IMAGEM NO DOMÍNIO ESPACIAL (Operações aritméticas orientadas à vizinhança)
PROCESSAMENTO DE IMAGEM #5 Operações Aritméticas Orientadas à Vizinhanças Filtragem no Domínio Espacial (Máscaras) Máscaras de suavização (média e mediana) e aguçamento (laplaciano) Correlação x Convolução
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
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 30 de julho de 2015 Motivações: cor ajuda reconhecimento
Leia maisRestauração de Imagens
Restauração de Imagens Disciplina: Tópicos em Computação (Processamento Digital de Imagens) 1 / 30 Conceitos Preliminares O principal objetivo das técnicas de restauração é melhorar uma imagem em algum
Leia maisFiltragem. Processamento digital de imagens. CPGCG/UFPR Prof. Dr. Jorge Centeno
Filtragem Processamento digital de imagens CPGCG/UFPR Prof. Dr. Jorge Centeno Operações de vizinhança (Filtros) Filtros lineares Filtro passa-baixas (suavização) Filtro passa-altas (realce) Filtros direcionais
Leia maisIntrodução FILTRAGEM NO DOMÍNIO DA FREQUÊNCIA
FILTRAGEM NO DOMÍNIO DA FREQUÊNCIA Introdução Um sinal no domínio do espaço (x,y) pode ser aproximado através de uma soma de senos e cossenos com frequências (f, f2, f3,...fn) de amplitudes (a, a2,...
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 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 maisTransformada de Discreta de Co senos DCT
Transformada de Discreta de Co senos DCT O primeiro passo, na maioria dos sistemas de compressão de imagens e vídeo, é identificar a presença de redundância espacial (semelhança entre um pixel e os pixels
Leia maisFundamentos de Processamento Gráfico. Modelos de cores. Fátima Nunes. Profa. Fátima L. S. Nunes
Fundamentos de Processamento Gráfico Aula 10 Modelos de cores Fátima Nunes 1 Introdução Por que usar cor em processamento de imagens? 2 Introdução Por que usar cor em processamento de imagens? Cor: descritor
Leia maisDefinição de uma Imagem Digital
Definição de uma Imagem Digital Por que um objeto é visível? vel? http://www.luminous-landscape.com/tutorials/color_and_vision.shtml O olho humano o dispositivo de entrada da informação visual Funciona
Leia maisRealce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
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 maisProcessamento de Imagens Marcia A. S. Bissaco
Engenharia Biomédica Processamento de Imagens Marcia A. S. Bissaco 1 Exemplos filtros Média Mediana Passa_B Passa_A Borda_H Borda_V Sobel_Y Sobel_X Oliveira, Henrique J. Quintino (UMC-SP), 2 Media Mediana
Leia maisFundamentos II. Guillermo Cámara-Chávez
Fundamentos II Guillermo Cámara-Chávez Introdução Imagens digitais podem ser capturadas por uma variedade de sensores. O processamento dessas imagens possibilita diversas aplicações: transmissão de vídeo,
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
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 maisIntrodução ao Processamento de Imagens. Profa. Dra. Soraia Raupp Musse Thanks to Prof. Dr. Cláudio Rosito Jung
Introdução ao Processamento de Imagens Profa. Dra. Soraia Raupp Musse Thanks to Prof. Dr. Cláudio Rosito Jung Introdução Processamento de Imagens: processamento de sinais bidimensionais (ou n-dimensionais).
Leia mais1 1 1 *1/ *1/ *1/49
O que é filtragem? As técnicas de filtragem são transformações da imagem pixel a pixel, que não dependem apenas do nível de cinza de um determinado pixel, mas também do valor dos níveis de cinza dos pixels
Leia maisFundamentos da Computação Gráfica
Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno (1322198) Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional
Leia maisSatélites Artificiais da Terra
Satélites Artificiais da Terra Os valores numéricos correspondem aos níveis radiométricos registados pelo sensor em cada uma das bandas espectrais. Satélites Artificiais da Terra As imagens de satélite
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 maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
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 maisFormação e Representação de Imagens
Formação e Representação de Imagens 35M34 Sala 3E1 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227 1 O Olho Humano 2 Sistema Visual Humano Sistema visual humano é constituído dos olhos, nervos óticos e
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/133 Tratamento de Imagens - Sumário Detalhado Objetivos Alguns
Leia maisLuz e Cor. por Marcelo Gattass Departamento de Informática PUC-Rio
Luz e Cor por Marcelo Gattass Departamento de Informática PUC-Rio (adaptado por Luiz Fernando Martha para a disciplina CIV2802 Sistemas Gráficos para Engenharia) Luz Onda eletro-magnética 10 2 10 4 10
Leia maisUniversidade Federal de Alagoas Instituto de Matemática. Cor. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Cor Prof. Thales Vieira 2014 O que é cor? Cor no universo físico Cor no universo matemático Representação de cor Especificação de cor Colorimetria
Leia maisDescritores 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 maisUniversidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2011 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação
Leia maisPROCESSAMENTO DE IMAGENS DIGITAIS. Universidade Estadual de Maringá
PROCESSAMENTO DE IMAGENS DIGITAIS Airton Marco Polidorio ampolido@din.uem.br Universidade Estadual de Maringá PROCESSAMENTO DE IMAGENS DIGITAIS Introdução Realce Convolução Segmentação Reconhecimento de
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 maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 18 de fevereiro de 016 Apresentação O que é processamento
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 maisPROCESSAMENTO DE IMAGENS DIGITAIS PARA VISÃO ROBÓTICA. Digital Image Processing for Robotic Vision
PROCESSAMENTO DE IMAGENS DIGITAIS PARA VISÃO ROBÓTICA Digital Image Processing for Robotic Vision Luiz Ferreira MENEZES Jr. Faculdade de Jaguariúna Resumo: Este trabalho descreve quatro métodos para converter
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisRespostas do Estudo Dirigido Cap Image Transform
Respostas do Estudo Dirigido Cap. 11 - Image Transform 1. Para que serve transformar as imagens para outros Domínios? Fale sobre algumas Formas de Transformada e suas aplicações. (0.5) As transformadas
Leia mais