Fundamentos da Computação Gráfica
|
|
- Júlio César Padilha Rico
- 7 Há anos
- Visualizações:
Transcrição
1 Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno ( )
2 Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional para extrair certos tipos de características e inferir o conteúdo de uma imagem. Detecção de canto é frequentemente usada em detecção de movimento, registro de imagens, controle de vídeo, modelagem 3D e reconhecimento de objetos. Detecção de canto se sobrepõe ao tema de detecção de pontos de interesse. Um canto pode ser definido como a interseção de duas bordas. Um canto também pode ser definido como um ponto para o qual existem duas direções de bordas dominantes e diferentes numa vizinhança do ponto. Um ponto de interesse é um ponto em uma imagem que tem uma posição bem definida e pode ser robustamente detectado. Isto significa que um ponto de interesse pode ser uma curva, mas também pode ser, por exemplo, um ponto isolado de máximo ou mínimo local em intensidade, terminações de linha, ou um ponto em uma curva onde a curvatura é localmente máxima. Na prática, a maioria dos chamados métodos de detecção de canto detectam pontos de interesse em geral, em vez de cantos. Em consequência, se apenas os cantos vão ser detectados, é necessário fazer uma análise local de pontos de interesse detectados para determinar quais deles são cantos reais. Exemplos de detecção de borda, que podem ser utilizados com o pós-processamento para detectar os cantos são o operador Kirsch e o conjunto de mascaramento Frei-Chen. "Canto", "ponto de interesse" e " característica" são usados alternadamente na literatura, confundindo o problema. Especificamente, há vários detectores que podem ser referidos como "operadores de ponto de interesse", mas às vezes erradamente referidos como "detectores de canto. Detectores de canto não são muito robustos e muitas vezes geralmente requer supervisão de um especialista ou da introdução de grandes redundâncias para evitar o efeito de que erros isolados não permitam concluir satisfatoriamente a tarefa de reconhecimento. Uma determinação da qualidade de um detector de cantos é a sua capacidade de detectar o mesmo canto em várias imagens semelhantes, sob condições de iluminação diferentes, tradução, rotação e outras transformações. Uma abordagem simples para detecção de cantos em imagens está usando correlação, mas isso fica computacionalmente muito caro e de qualidade inferior. Uma abordagem alternativa frequentemente utilizada é baseada no método proposto por Harris e Stephens, que por sua vez é um aperfeiçoamento do método de Moravec.
3 Uma revisão no método de Moravec. Este é um dos primeiros algoritmos de detecção de canto e define um canto como um ponto com baixa auto similaridade. O algoritmo testa cada pixel da imagem, para ver se um canto está presente, considerando-se quão semelhantes é, das proximidades, um patch centrado no pixel. A semelhança é medida fazendo a soma das diferenças de quadrados (SSD) entre as duas amostras. Um número inferior indica maior similaridade. Se o pixel está em uma região de intensidade uniforme os patches próximos serão semelhantes. Se o elemento de imagem está em uma borda, os patches próximos numa direção perpendicular ao bordo ficam bastante diferente, mas os patches próximos numa direção paralela à extremidade irá resultar em apenas uma pequena alteração. Se o pixel está em uma característica com a variação em todas as direções, então nenhum dos próximos patches serão semelhantes. A força de canto é definida como a menor SSD entre o patch e os seus vizinhos (horizontal, vertical e nas duas diagonais). Se esse número for localmente máximo, então uma característica de interesse está presente. Como apontado por Moravec, um dos principais problemas com este operador é que ele não está isotrópico: se uma borda que está presente não está no sentido dos vizinhos a menor SSD será grande e a borda irá ser escolhida de forma incorreta como um ponto de interesse. O método de Harris e Stephens. Harris e Stephens melhoraram o detector de cantos de Moravec, considerando o diferencial da pontuação de canto respeito diretamente à direção, em vez de usar patches deslocados. (Essa pontuação de canto é muitas vezes referida como a auto correlação, mas a matemática do artigo indica claramente que é usada a soma das diferenças de quadrados SSD). Sem perda de generalidade, vamos supor que é usada uma imagem 2-dimensional em tons de cinza. Seja I a imagem. Considere tomar um patch sobre a área (u, v) e deslocando-a (x, y). A soma ponderada das diferenças ao quadrado (SSD) entre esses dois patches, denotado S, é dada por: S(x, y) = ω(u, v)(i(u + x, v + y) I(u, v)) 2 u v I(u + x, v + y) pode ser aproximada pela expansão de Taylor. Sejam I x e I y as derivadas parciais de I, tais que: Isto produz a aproximação: I(u + x, v + y) I(u, v) + I x (u, v)x + I y (u, v)y S(x, y) ω(u, v)(i x (u, v)x + I y (u, v)y) 2 u v
4 Que pode ser escrita na forma matricial como: Onde A é o tensor de estrutura, A = ω(u, v) u v S(x, y) (x y) A ( x y ), [ I x 2 I xy 2 I xy I ] = [ I x 2 I x I y y I x I y I 2 y ] Esta matriz é a matriz Harris, os colchetes denotam média (ou seja, o somatório sobre (u, v)). Se uma janela circular (ou a janela ponderada circularmente, tal como uma Gaussiana) é utilizada, em seguida, a resposta será isotrópica. Um canto (ou, em geral, um ponto de interesse) é caracterizada por uma grande variação de S em todas as direções do vetor (x y). Ao analisar os autovalores de A, esta caracterização pode ser expressa da seguinte forma: A deve ter dois autovalores "grandes" para um ponto de interesse. Com base na grandeza dos autovalores, as seguintes inferências podem ser feitas com base nesse argumento: 1. Se λ 1 0 e λ 2 0 então este pixel (x, y) não tem características de interesse. 2. Se λ 1 0 e λ 2 tem algum valor positivo grande, então uma borda é encontrada. 3. Se λ 1 e λ 2 têm valores positivos grandes, então um canto é encontrado. Harris e Stephens notaram que o cálculo exato dos valores próprios é computacionalmente caro, pois requer o cálculo de uma raiz quadrada e em vez disso sugerem a seguinte função M c, onde κ é um parâmetro de sensibilidade ajustável: M c = λ 1 λ 2 κ(λ 1 + λ 2 ) 2 = det(a) κ trace 2 (A) Portanto, o algoritmo não tem que calcular realmente a decomposição de autovalores da matriz A e em vez disso é suficiente para avaliar o determinante e traço de A para encontrar os cantos, ou melhor, os pontos de interesse em geral. O valor de κ tem que ser determinado empiricamente, e na literatura o intervalo [0.04, 0.15] têm sido relatado como valores viáveis. Pode-se evitar a definição do parâmetro κ usando a medida de canto de Noble M c, que equivale à média harmônica dos autovalores: Sendo ε uma pequena constante positiva. M det(a) c = 2 trace(a) + ε
5 O algoritmo. 1. Computar as derivadas parciais da imagem. I x = G x I, I y = G y I 2. Computar os produtos das derivadas parciais em cada pixel. I x 2 = I x I x, I y 2 = I y I y, I xy = I x I y 3. Computar as somas dos produtos das derivadas parciais em cada pixel. 4. Definir para cada pixel a matriz: S x 2 = G σ I x 2, S y 2 = G σ I y 2, S xy = G σ I xy H(x, y) = [ S x2(x, y) S xy(x, y) S xy (x, y) S y 2(x, y) ] 5. Computar a resposta do detector em cada pixel. R = det(h) κ(trace(h)) 2 6. Limiar no valor de R. Computar supressão não máxima. Para computar as derivadas parciais, a imagem é convolvida com o operador Prewitt. Operador Prewitt. O operador Prewitt é usado no processamento de imagem, particularmente dentro algoritmos de detecção de borda. Tecnicamente, é um operador de diferenciação discreta, que calcula uma aproximação do gradiente da função intensidade da imagem. Em cada ponto da imagem, o resultado do operador de Prewitt é o vector gradiente correspondente ou a norma desse vetor. O operador de Prewitt baseia-se na convolução da imagem com um filtro de valores inteiros pequeno, separável, nas direcções horizontais e verticais e, por conseguinte, é relativamente barato em termos de cálculos. Por outro lado, o gradiente de aproximação que produz é relativamente bruto, em particular para as variações de alta frequência da imagem. O operador Prewitt foi desenvolvido por Judith MS Prewitt. Matematicamente, o operador usa dois núcleos de 3 3 que são convolvidos com a imagem original para calcular as aproximações das derivadas - um para modificações horizontais e um para as verticais. Se definimos I como a imagem origem, então I x e I y são duas imagens que em cada ponto contêm as aproximações das derivadas horizontais e verticais. Esses últimos são calculados como: I x = [ ] I, e I y = [ ] I onde indica aqui a operação de convolução 2-dimensional.
6 Implementação e Testes O trabalho foi implementado na linguagem C# utilizando a IDE Microsoft Visual Studio 2013, no Windows 7. Foi construída uma aplicação de escritório para a aplicação do detector de cantos. Nessa aplicação é possível carregar uma imagem, correr o detector de cantos e visualizar as imagens produzidas durante o processo todo de detecção. Aqui uma passada pelo sistema de janelas da aplicação. Fig. Janela principal. Áreas da janela principal. 1. Área de propriedades do detector. É possível a modificação dos parâmetros do detector. Depois de fazer um câmbio nas propriedades é necessário volver a correr o detector para que os câmbios se refletirem. 2. Área dos logs. São mostrados os estados intermédios do processo de detecção, valores estabelecidos e os pontos encontrados como cantos na imagem. 3. Botão de execução do detector. 4. Área do menu: O menu File permite carregar imagens para fazer a detecção. No menu Show é possível trocar a imagem mostrada na área de visualização pelas imagens geradas durante o processo todo de detecção. 5. Área de visualização. É mostrada a imagem resultante com os pontos detectados sinalados.
7 Fig. Trocada a imagem resultante pela imagem original. Fig. Trocada a imagem resultante pela imagem da derivada parcial em X.
8 Fig. Imagem original do padrão xadrez. Fig. Imagem resultante do padrão xadrez.
Processamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 08 - deteção de características de baixo-nível (low-level feature detection) parte II Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
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 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 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 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 maisSEL-0339 Introdução à Visão Computacional. Aula 2 Processamento Espacial (Parte 2)
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 2 Processamento Espacial (Parte 2) Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 07 - deteção de características de baixo-nível (low-level feature detection) Antonio Oliveira Ricardo Marroquim 1 / 35 aula de hoje feature detection overview
Leia maisProcessamento Digital de Imagens Aula 04
exatasfepi.com.br Processamento Digital de Imagens Aula 04 André Luís Duarte A sabedoria oferece proteção, como o faz o dinheiro, mas a vantagem do conhecimento é esta: a sabedoria preserva a vida de quem
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 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 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 maisQuadro Segmentação de Imagens
UNIVERSIDADE DE SÃO PAULO - SÃO CARLOS INSTITUTO DE CIÊNCIAS Processamento de Imagens - SCC0251 2013/1 Prof. Dr. Mario Gazziro Monitor PAE: Vinicius Ruela Pereira Borges - viniciusrpb@icmc.usp.br 1 Método
Leia maisFiltragem linear. jorge s. marques, questão: como remover artefactos?
Filtragem linear questão: como remover artefactos? redução de ruído como reduzir o ruído de uma imagem? ideia: substituir cada piel por uma média Jm,n = m+ k n+ k k + p= m kq= n k Ip,q k= k+ k+ k= filtro
Leia maisÁlgebra Linear em Visão Computacional
Visão geral Universidade Federal do Rio Grande do Norte Material compilado em 30 de novembro de 2016. Licença desta apresentação: http://creativecommons.org/licenses/ Introdução Conceitos básicos Operadores
Leia maisSimulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
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 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 maisIntrodução ao Processamento Digital de Imagem MC920 / MO443
Introdução ao Processamento Digital de Imagem MC920 / MO443 Prof. Hélio Pedrini Instituto de Computação UNICAMP 1º Semestre de 2017 Roteiro 1 Segmentação Detecção de Descontinuidades Detecção de Pontos,
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 Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança Conectividade Operações Lógicas e Aritméticas
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança e Aritméticas Efeitos de em Pixel a Pixel
Leia maisDetecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC
Detecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC André Caceres Carrilho Mauricio Galo Renato César dos Santos Curitiba,
Leia maisSEL5886 Visão Computacional Prof. Dr. Marcelo Andrade da Costa Vieira
SEL5886 Visão Computacional Prof. Dr. Marcelo Andrade da Costa Vieira Prática 2 Processamento no Domínio do Espaço Instruções: Essa prática consiste de 12 exercícios (E_1 a E_12). Deve ser gerado um arquivo
Leia maisPMR2560 Visão Computacional Visão estéreo. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Visão estéreo Prof. Eduardo L. L. Cabral Objetivos Introdução Equações básicas Processo de correspondência Geometria epipolar Retificação de imagens Reconstrução 3D Visão estéreo
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 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 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 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 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/33 Transformações Geométricas 3 Transformações Geométricas
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 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 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 maisUNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ UNIOESTE CAMPUS UNIVERSITÁRIO DE CASCAVEL CURSO DE CIÊNCIA DA COMPUTAÇÃO LISTA DE EXERCÍCIOS
UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ UNIOESTE CAMPUS UNIVERSITÁRIO DE CASCAVEL CURSO DE CIÊNCIA DA COMPUTAÇÃO Disciplina: Processamento de Imagens Digitais Prof o : Adair Santa Catarina 1 Considerando
Leia maisFeature Detector. Prof. Dr. Geraldo Braz Junior
Feature Detector Prof. Dr. Geraldo Braz Junior Problema: Matching 2 Matching 3 Matching Processo de encontrar uma imagem em outra Normalmente usado para encontrar um objeto numa imagem, mas também: Reconhecimento
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 maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
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 maisTrabalho Final de Processamento de Imagens: Panografia
Trabalho Final de Processamento de Imagens: Panografia 1. Introdução Vítor Silva Sousa 1 1 Escola Politécnica Universidade Federal do Rio de Janeiro (UFRJ) Rio de Janeiro RJ Brasil vitor.silva.sousa@gmail.com
Leia maisImage Descriptors: local features
Image Descriptors: local features 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: local features 2011
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 11 de novembro de 2016 Fluxo óptico Usado para estimar
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 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 mais2 Núcleos: suas propriedades e classificações
2 Núcleos: suas propriedades e classificações O objetivo desse capítulo é o de apresentar as funções núcleos (7), suas propriedades (10) e suas classificações (3). 2.1 Núcleos no espaço de Hilbert Um espaço
Leia maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
Leia mais2 Trabalhos Relacionados
2 Trabalhos Relacionados Este capítulo apresenta os algoritmos já existentes que são utilizados nesta dissertação para obter pontos homólogos entre duas imagens de um par estéreo. Pode-se classificar essas
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 09 - curvatura Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection overview curvatura espaço de escala block matching 2 / 1 curvatura o
Leia maisPMR2560 Visão Computacional Filtragem e Suavização. Prof. Eduardo L. L. Cabral
PMR50 Visão Computacional Filtragem e Suavização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Convolução; Filtragem D; Suavização de imagens. Convolução Definição de convolução no tempo
Leia maisPRÁTICA 5 Prof. Dr. Evandro Luis Linhari Rodrigues
PRÁTICA 5 Prof. Dr. Evandro Luis Linhari Rodrigues Além da solução usando Matlab, todos os exercícios deverão ser implementados também usando Python e OpenCV. Segmentação de Imagens Parte 1. 1) Detecção
Leia maisFILTROS NO DOMÍNIO ESPACIAL. Nielsen Castelo Damasceno
FILTROS NO DOMÍNIO ESPACIAL Nielsen Castelo Damasceno Gerando máscaras de filtragem espacial Algumas vezes pode ser útil expressar a soma de produtos como: = + + = = w são os coeficientes do filtros. z
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 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 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 maisGEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD
GEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD Introdução A detecção de elipse, de forma robusta e confiável, é uma questão fundamental em processamento de imagens, pois que fornece uma ferramenta útil
Leia maisProcessamento de Malhas Poligonais
Processamento de Malhas Poligonais Tópicos Avançados em Computação Visual e Interfaces I Prof.: Marcos Lage www.ic.uff.br/~mlage mlage@ic.uff.br Conteúdo: Notas de Aula Curvas 06/09/2015 Processamento
Leia mais4 SIFT (Scale Invariant Feature Transform)
4 SIFT (Scale Invariant Feature Transform) SIFT é um algoritmo de visão computacional publicado por David Lowe, em 1999 (Lowe, 1999) e patenteado nos EUA pela University of British Columbia. SIFT é composto
Leia maisSetor de Tecnologia - TC Engenharia Ambiental 2/2011. Prova 1. Matemática Aplicada I
Universidade Federal do Paraná Matemática Aplicada I Setor de Tecnologia - TC Engenharia Ambiental /11 Curitiba,.1.11 Prova 1 Matemática Aplicada I Tobias Bleninger Departamento de Engenharia Ambiental
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 maisRealce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens
Realce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti
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 maisDetecção Robusta de Movimento de Câmera em Vídeos por Análise de Fluxo Ótico Ponderado
Detecção Robusta de Movimento de Câmera em Vídeos por Análise de Fluxo Ótico Ponderado Rodrigo Minetto Prof. Dr. Neucimar Jerônimo Leite (Orientador) Prof. Dr. Jorge Stolfi (Co-orientador) Instituto de
Leia maisUniversidade Federal do Rio de Janeiro. Flávio Henrique Schuindt da Silva. Estimativa de Fluxo Ótico com o método de Lukas-Kanade
Universidade Federal do Rio de Janeiro Programa de Engenharia de Sistemas e Computação Introdução ao Processamento de Imagens Flávio Henrique Schuindt da Silva Estimativa de Fluxo Ótico com o método de
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 mais3 Transformação SIFT (Scale Invariant Feature Transform)
3 Transformação SIFT (Scale Invariant Feature Transform) Este capítulo apresenta as seguintes seções: - 3.1 Uma Introdução Sobre Descritores Locais: A técnica SIFT ( Scale Invariant Feature Transform )
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisFundamentos de Processamento Gráfico. Aula 3. Introdução ao Processamento de Imagens. Profa. Fátima Nunes
Fundamentos de Processamento Gráfico Aula 3 Introdução ao Processamento de Imagens Profa. Fátima Nunes AULA 3 / 1 Definições Sobre o pixel são definidas algumas relações básicas: vizinhança, conectividade,
Leia maisCARACTERÍSTICAS DE IMAGENS: PONTOS E SUPERFÍCIES
CARACTERÍSTICAS DE IMAGENS: PONTOS E SUPERFÍCIES O que são? CARACTERÍSTICAS DE IMAGENS (Image Features) o Propriedades Globais de uma imagem, ou de parte dela (característica global). Por exemplo: Médias
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisCálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
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 maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 15 - Fluxo Ótico - parte I Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje fluxo ótico estimando movimentos em imagens 2 / 1 motivação para que serve?
Leia maisdist:=distance(pos); ou seja, o somatório dos erros mínimos, que advém do cálculo da distância mínima, uma vez, que o erro é função da distância.
Implementação das funções do algoritmo De seguida são demonstradas as derivadas de primeira e de segunda ordem, paras as variáveis necessárias, notar que apenas são demonstradas, não é explicado aqui para
Leia mais3 SPH. 3.1 Introdução
3 SPH 3.1 Introdução Smoothed Particle Hydrodynamics (SPH) é um método puramente Lagrangiano desenvolvido por Lucy (1977) e Gingold (1977) em um estudo do campo da astrofísica voltado para colisão entre
Leia maisNÍVEL BÁSICO CAPÍTULO II
UNIVERSIDADE FEDERAL DO PARÁ CENTRO TECNOLÓGICO DEPARTAMENTO DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO PROGRAMA DE EDUCAÇÃO TUTORIAL SEMANA DOS 40 ANOS DE ENGENHARIA ELÉTRICA NÍVEL BÁSICO CAPÍTULO II PROGRAMA
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisFiltros espaciais (suavizaçào)
Processamento de Imagens Médicas Filtros espaciais (suavizaçào) Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) 1 Necessidade de pré-processamento 2 Propriedades
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 maisProcessamento de Imagens
Processamento de Imagens SCC0251 Pré-processamento Material baseado nos livros do Sonka e do Gonzalez http://www.icaen.uiowa.edu/~dip/lecture/lecture.html 1 2 Propriedades de uma Imagem digital Vizinhança
Leia maisTrabalho - Photochopp Divulgação: 06/09/2014 Atualizado em: 29/09/2014 Entrega: vide cronograma
1 UFF Universidade Federal Fluminense TIC Instituto de Computação TCC Departamento de Ciência da Computação Disciplina: TCC 00.174 Programação de Computadores II / Turma: A-1 / 2014.2 Professor: Leandro
Leia maisFiltros de Média Movente
Processamento Digital de Sinais Filtros de Média Movente Prof. Dr. Carlos Alberto Ynoguti Características É o filtro ótimo para a tarefa de remover ruído aleatório de um sinal, e manter uma resposta a
Leia maisE\$QGUp/XL]%UD]LO. 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE
E\$QGUp/XL]%UD]LO 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE O reconhecimento de texturas em imagens é uma atividade importante, que faz parte de uma vasta gama de aplicações em diversas áreas. Dentre elas podemos
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 maisDerivadas direcionais Definição (Derivadas segundo um vector): f : Dom(f) R n R e P 0 int(dom(f)) então
Derivadas direcionais Definição (Derivadas segundo um vector): f : Dom(f) R n R e P 0 int(dom(f)) então Seja D v f(p 0 ) = lim λ 0 f(p 0 + λ v) f(p 0 ) λ v representa a derivada direcional de f segundo
Leia mais. (1) Se S é o espaço vetorial gerado pelos vetores 1 e,0,1
QUESTÕES ANPEC ÁLGEBRA LINEAR QUESTÃO 0 Assinale V (verdadeiro) ou F (falso): (0) Os vetores (,, ) (,,) e (, 0,) formam uma base de,, o espaço vetorial gerado por,, e,, passa pela origem na direção de,,
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 maisProcessamento de Imagem. Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres
Processamento de Imagem Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres Relacionamentos básicos entre elementos de uma imagem Vizinhança Conectividade Adjacência
Leia mais4 Silhueta de uma nuvem de pontos via superfícies impĺıcitas
4 Silhueta de uma nuvem de pontos via superfícies impĺıcitas Com objetivo de extrair a silhueta de uma nuvem de pontos, em alternativa à reconstrução local de malhas poligonais, proposta por Olson (11)
Leia maisImplementação do algoritmo SIFT para detecção de objetos em imagens.
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ - Brasil Implementação
Leia maisCálculo Diferencial e Integral II
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral II Exame/Teste de Recuperação v2-8h - 29 de Junho de 215 Duração: Teste - 1h3m; Exame -
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 de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Transformações Geométricas
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Transformações Geométricas .(x,y, P).(x,y, P) Imagem fonte Imagem transformada Deve-se notar que, como uma imagem digital é representada por uma matriz
Leia maisMétodos de Pesquisa Operacional
Métodos de Pesquisa Operacional Programação Linear é a parte da Pesquisa Operacional que trata da modelagem e resolução de problemas formulados com funções lineares. Programação Linear } Métodos de Resolução
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 mais4. Tensores cartesianos em 3D simétricos
4. Tensores cartesianos em D simétricos 4.1 Valores e vectores próprios ou valores e direcções principais Em D não é possível deduzir as fórmulas que determinam os valores e as direcções principais na
Leia maisPropriedades estatísticas de uma imagem
Propriedades estatísticas de uma imagem Brilo Média do alor dos pixels n i, j (, i j) Contraste Desio padrão do alor dos pixels σ 2 ( i (, j) ) n i, j Histograma () Vector com o número de pixels de cada
Leia maisÁlgebra Linear I - Lista 11. Autovalores e autovetores. Respostas. 1) Calcule os autovalores e autovetores das matrizes abaixo.
Álgebra Linear I - Lista 11 Autovalores e autovetores Respostas 1 Calcule os autovalores e autovetores das matrizes abaixo. (a ( 4 1 1, (b ( 1 1, (c ( 5 6 3 4, (d 1 1 3 1 6 6, (e 3 5 1, (f 1 1 1 1 1 1
Leia maisCAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO
182 CAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO Neste trabalho foi proposta uma metodologia para a automação da resseção espacial de imagens digitais baseada no uso hipóteses
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia mais