Introdução ao Processamento de Imagens. Cláudio Rosito Jung

Transcrição

1 Introdução ao Processamento de Imagens Cláudio Rosito Jung

2 Introdução Processamento de Imagens: processamento de sinais bidimensionais (ou n-dimensionais). Aplicações: - reconstrução de tomografias; - compressão (imagens e vídeos); - reconhecimento automático de impressões digitais; - identificação automática de estruturas em imagens aéreas; - quantificação de vegetacão e queimadas em imagens de satélite; - medição automática de formas e tamanhos de órgãos (medicina); - detecção de falhas em cicuitos impressos; - sistemas de apoio ao motorista; - detecção de eventos suspeitos em sistemas de vigilância; - outras.

3 Exemplos de Imagens Aérea Satélite Ressonância Magnética Câmera fotográfica SAR Sensor capacitivo

4 Formação de Imagens Óticas 1. Luz é emitida por uma fonte; 2. Luz é refletida pelos objetos 3. Luz é captada pelo olho humano ou sensor.

5 Percepção de Imagens - Luminância: relação com intensidada de luz refletida. - Brilho: luminância percebida (com relação à vizinhança). Efeito de Mach: relação luminância x brilho percebido

6 Ilusões Visuais

7 Espaços de Cores Espaço RGB Espaço HSV 3 componentes: Hue, Saturation, Value 3 componentes: Red, Green, Blue

8 Espaço CIE L*a*b* Criado em 1976, com o objetivo de ser aproximadamente uniforme com relação à distância Euclideana. * E ab = ( *) 2 ( *) 2 ( * L + a + b ) 2 * E ab 2.3 corresponde a um JND (Just Noticeable Difference) Há vários outros: HSI, L*u*v*, YUV, XYZ, etc.

9 Amostragem e Quantização g1[ m, n] Amostragem f ( x, y) g2[ m, n] Quantização 4 tons de cinza 10 tons de cinza

10 Transformações de Imagens Objetivo: representar a imagem em uma base diferente. DFT2 DFT DWT2 Outras: Seno, Coseno, Haddamard, Slant, SVD

11 Realce de Imagens Objetivo: Modificar características da imagem para melhorar sua visualização ou posterior análise. Equalização de histograma: histograma Imagem CBERS original histograma Imagem CBERS equalizada

12 Filtragem Linear de Imagens: Filtragem Linear de Imagens: - Convolução Convolução: = W l k l k g l n k m f n m g f ), ( ], [ ], [ ], )[ ( ], [ n m f W ], [ n m x g = Exemplo: Filtro da média ponderada

13 - Filtros passa-baixas: deixam passar componentes de baixa freqüência,e bloqueiam componentes de alta freqüência. Usados para remoção de ruído. Problema: causam borramento na imagem. Imagem peppers original Imagem peppers ruidosa Filtrada pela média - Filtros passa-altas: deixam passar componentes de alta freqüência,e bloqueiam componentes de baixa freqüência. Usados para detecção e realce de bordas. Problema: sensibilidade ao ruído. usharp mask

14 Combinação de Redução de Ruído e Realce Imagens originais Imagens filtradas/realçadas

15 Restauração de Imagens Objetivo: desfazer/atenuar as degradações introduzidas pelo sensor na aquisição/transmissão de imagens. Imagem house original Imagem house borrada (movimento) Imagem house restaurada (Wiener) Imagem house ruidosa (salt & pepper) Imagem house restaurada (filtro da mediana)

16 Compressão de Imagens e Vídeo Objetivo: diminuir o tamanho da imagem/vídeo para facilitar o armazenamento/transmissão. - Compressão sem perda: imagem reconstruída e idêntica a original. Importante no arquivamento de imagens medicas, ou de satélite. - Compressão com perda: imagem reconstruída apresenta diferenças com relação a original (as vezes imperceptíveis). Uso para imagens em geral (Web, fotografias digitais, etc.) Principais abordagens: DCT (Transformada Discreta do Cosseno) VQ (Vector Quantization) DWT (Transformada Wavelets Discreta) Compressão Fractal

17 Padrão JPEG (Joint Photographic Experts Groups): compressão com perda, baseada na DCT (Transformada Discreta do Cosseno). Padrão JPEG2000: baseado em wavelets Imagem 153 x 204 BMP (sem compressão) - 92 KB ( 153 x 204 x 3 bytes) JPEG - 6 KB JPEG - 3 KB JPEG - 2 KB Padrão MPEG (Moving Picture Experts Groups): extensão para vídeos de JPEG. MPEG-1:1.5 Mbit/sec, adequado para internet MPEG-2: Mbit/sec, padrão para TV digital e DVD MPEG-4: compressão baseada em objetos, escalável

18 Detecção de Bordas Objetivo: detectar as fronteiras entre os objetos (bordas); Caracterização matemática: bordas são normalmente representadas por máximos locais de derivadas primeiras, ou cruzamentos de zero de derivadas segundas. Principais Abordagens: - calculo do gradiente digital (diferenças nas direções x e y); - cruzamentos de zero do Laplaciano (derivada segunda); - morfologia matemática.; Problema: imagens ruidosas e/ou textura dificultam a detecção de bordas de baixo contraste.

19 Exemplo 1D Perfil de uma borda Derivada primeira Derivada segunda

20 Exemplo 2D Imagem house original Diferenças verticais (Dx) Diferenças horizontais (Dy) Módulo do Gradiente Operador de Sobel Operador de Prewitt Operador de Canny

21 Segmentação de Imagens Objetivo: isolar os diferentes objetos que compõem uma cena. Algumas Abordagens: - limiarização; - watersheds (morfologia matemática); - modelos deformáveis (snakes); - region growing; Questão: a segmentação ótima normalmente depende da aplicação, e dois humanos podem segmentar a mesma imagem de maneiras diferentes.

22 Exemplos Histograma T 1 = 70 T 2 = 150 Limiarização

23 Histograma Imagem SAR original Limiar Histograma Limiarização Imagem SAR filtrada

24 Watersheds Módulo do Gradiente (T=.05) Imagem segmentada Imagem cameraman original Watersheds Módulo do Gradiente (T=0.2) Imagem segmentada

25 Bubbles Snakes wmatter2d-gif.html Wavelets & Watersheds

26 Análise de Imagens (Visão Computacional) Objetivo: extrair e/ou interpretar informações de imagens ou vídeos Aplicações: Reconhecimento de caracteres Análise de imagens médicas Robótica Cartografia Sensoreamento remoto outros

27 Algumas Aplicações Exemplo: lane detection and lane departure BR 116 (Novo Hamburgo São Leopoldo) Freeway

28 Exemplo: reconhecimento de impressões digitais Imagem original Imagem binarizada Crest lines Minuteae Exemplo: classificação de imagens de satélite Imagem de satélite Imagem classificada

29 Exemplo: realce de mamografias Mamografia original Mamografia realçada

30 Exemplo: Inpainting digital Remoção de texto Reparação de perda digital Reparo em fotografia Correção guiada Trabalho de mestrado de Ubiratã Ignácio - PIPCA

31 Trabalho de Leandro Tonietto - UNISINOS Exemplo: Síntese de texturas

32 Exemplo: reconstrução 3D automática de imagens aéreas Huertas e Ascona, Imagem aérea e objetos 3D detectados Exemplo: detecção automática de tumores Moon et al, 2002 MRI do cérebro Tumor segmentado

33 Exemplo: reconhecimento de caracteres Imagem adquirida (caracteres segmentados) Classificação Exemplo: controle de qualidade Medição da porosidade em uma solda

34 Exemplo: acompanhamento de pessoas Sistema detecta que a pessoa está entrando em uma sala ( Trabalho de Júlio C. S. Jacques Jr (PIPCA) Trabalho de Leandro Dihl (PIPCA)

35 Exemplo: detecção de trajetórias não-usuais Trabalho de Júlio C. S. Jacques Jr (PIPCA)

36 Exemplo: detecção de pele por cor

37 Exemplo: realidade aumentada Imagem original e objetos gerados por computação gráfica superpostos

38 Exemplo: mosaico de imagens Exemplo: um m sistema s de visão embarcado

39 Comentários Finais Processamento de imagens pode ser utilizado em qualquer aplicação que envolva sinais com duas ou mais dimensões. Diversas aplicações práticas; Tarefas triviais para o olho humano podem ser extremamente difíceis para a máquina. Muita matemática e computação envolvidas (real-time). Muitos problemas em aberto.

40 Livros: Bibliografia Básica A. K. Jain. Fundamentals of Digital Image Processing. Prentice-Hall, R. C. Gonzalez and R. E. Woods. Digital Image Processing. Addison-Wesley, Periódicos: IEEE Transactions on Image Processing IEEE Transactions on Pattern Analysis and Machine Intelligence Pattern Recognition Pattern Recognition Letters Computer Vision and Image Understanding Image and Vision Computing Journal of Electronic Imaging International Journal of Computer Vision

41 Conferências: SIBGRAPI (Simpósio Brasileiro de Computação Gráfica e Processamento de Imagens) ICIP (International Conference on Image Processing) ICCV (International Conference on Computer Vision) ECCV (European Conference on Computer Vision) CVPR (Computer Vision and Pattern Recognition) ICPR (International Conference on Pattern Recognition)