Segmentação de Imagem
|
|
- Thereza Corte-Real Valente
- 7 Há anos
- Visualizações:
Transcrição
1 Segmentação de Imagem Em análise de imagem o resultado pretendido não é, geralmente, outra imagem, mas antes uma sua descrição. Essa descrição refere-se, em regra, a partes específicas da imagem ou da cena. O processo de decompor uma imagem nas suas partes constituintes designa-se por segmentação (divisão em segmentos). A segmentação pode ser considerada como um processo de classificação de pixels. Se as classes e as suas probabilidades, bem como as propriedades (p.ex., brilho) e as suas probabilidades por classes, forem conhecidas a priori, a segmentação reduz-se a um problema clássico de decisão estatística. Quando as classes não são conhecidas pode recorrer-se a técnicas de agrupamento (clustering). Exemplo (5 classes): Segmentação - 1 Thresholding A classificação é muitas vezes baseada no histograma de uma propriedade (em geral, o nível de cinzento). Dado o número de pixels numa imagem ser geralmente muito elevado pode-se considerar o histograma como uma boa aproximação à densidade de probabilidade da propriedade que ele representa. Thresholding com 1 único limiar de separação (binarização) A selecção do limiar de separação (separação entre as classes claro e escuro no caso da propriedade ser o brilho) faz-se geralmente no vale do histograma, sendo este bimodal. Segmentação - 2
2 Thresholding (cont.) A localização do vale entre picos de histogramas bimodais não é, geralmente, muito fácil devido ao carácter discreto dos níveis do histograma e à presença de ruído nas imagens - próximo do vale podem existir diversos mínimos locais, não sendo trivial encontrar automaticamente o melhor limiar. Para resolver este problema é frequentemente útil proceder a uma suavização da imagem antes da determinação do histograma (p. ex. usando filtros de média), ou a uma pós-filtragem do histograma (interpretado como um sinal unidimensional). Quando os histogramas são unimodais (ou quando o vale entre picos é pouco acentuado) e se pretende binarizar a imagem, pode-se procurar bimodalizar o histograma recorrendo, por exemplo, ao seguinte método: 1) determinar o gradiente da imagem com um operador diferencial; 2) detectar os pontos de gradiente elevado, isto é, com valor absoluto superior a um determinado valor de referência; 3) criar uma imagem auxiliar eliminando os pontos (p. ex. colocando o valor 0) de gradiente elevado; 4) determinar o histograma da imagem auxiliar e localizar nele o limiar de binarização a ser usado na imagem original. O princípio do método indicado assenta na ideia de que os pontos de gradiente elevado (ou seja, das orlas) apresentam provavelmente valores de brilho intermédios entre os típicos das classes claro e escuro, contribuindo fortemente para o carácter unimodal do histograma original. Segmentação - 3 Thresholding (cont.) Thresholding multinível Certas imagens prestam-se a que se possam considerar mais classes de pixels do que apenas claros e escuros (p. ex. quase brancos, cinzentos claros, cinzentos escuros, quase pretos ); nestes casos os respectivos histogramas devem ser multimodais (quatro modas no exemplo anterior), procedendo-se à localização de múltiplos limiares de separação nos vales entre modas (três limiares no exemplo anterior). Thresholding variável Uma outra forma de se proceder à binarização de uma imagem consiste em subdividi-la num mosaico de sub-imagens, determinando-se o histograma de cada uma dessas sub-imagens; nas sub-imagens em que o histograma seja bimodal determina-se o valor do limiar de separação apropriado; o conjunto de limiares obtido pode então ser usado para, por um método de interpolação, se determinar, para cada ponto da imagem original, o valor de limiar apropriado; o conjunto de todos os limiares pontuais constitui uma superfície de referência para binarização. Este método é muitas vezes útil, em especial quando a iluminação da cena é desigual em diferentes zonas. Segmentação - 4
3 Classificação espectral Thresholding (cont.) Quando cada pixel é caracterizado por um conjunto de medidas relativas a N distintas bandas espectrais (p.ex. em imagens coloridas RGB), a segmentação pode efectuar-se no espaço N-dimensional; p.ex., quando N=2, a separação entre classes pode efectuar-se por meio de segmentos de recta, como se procura ilustrar no diagrama de dispersão seguinte: Banda 2 Classe A Classe B Classe C Banda 1 Observe-se que se apenas se usasse uma das bandas, o correspondente histograma não apresentaria 3 modas que permitissem uma boa segmentação das 3 classes. Segmentação - 5 Thresholding (cont.) Classificação baseada em propriedades locais A segmentação pode ser realizada com base em propriedades derivadas da imagem original. Por exemplo, uma propriedade local que mede o grau de variabilidade de brilhos numa vizinhança 3x3, designada por busyness, pode ser usada para discriminar regiões muito activas de outras com maior constância de brilho: Classificação espacial busyness(e)=min(v x,v y ) v x = A-B + B-C + + H-I v y = A-D + D-G + + F-I A B C D E F G H I Quando a segmentação baseada em thresholding sobre os brilhos da imagem não é suficientemente discriminativa, pode recorrer-se a propriedades locais (de que é exemplo a propriedade de busyness antes definida) para, em combinação com os brilhos, se constituir um espaço de segmentação com N dimensões, no qual será mais fácil encontrar a separação entre as classes (vidé classificação espectral). Segmentação - 6
4 Detecção de orlas Os métodos de thresholding permitem detectar regiões onde existe uma razoável uniformidade nos valores da propriedade local usada. O paradigma associado a essa forma de segmentação pode exprimir-se por detecção de regiões com características de homogeneidade. Alternativamente, um outro paradigma da segmentação pode exprimir-se por detecção de fronteiras com características de descontinuidade. Neste caso, a segmentação tem em vista localizar aquelas zonas da imagem em que a propriedade escolhida (p. ex., o brilho) apresenta grande variabilidade - as orlas da imagem. Operadores diferenciais Uma das formas de detecção de orlas (edge detection) consiste em usar operadores diferenciais, a cujos resultados se aplicam métodos de segmentação do mesmo tipo do thresholding. Já antes foram referidos os operadores do tipo laplaciano, que aproximam a segunda derivada espacial da imagem. No entanto, dada a sua sensibilidade ao ruído, a detecção de orlas com laplacianos em regra só se aplica quando precedida de um operador de suavização forte, como por exemplo um filtro de média pesada de grande dimensão, com pesos seleccionados de acordo com a função de Gauss - filtros LoG (Laplacian of Gaussian). Segmentação - 7 Detecção de orlas Os operadores diferenciais de pequena dimensão mais utilizados procuram uma boa aproximação ao gradiente da imagem. Estes operadores utilizam duas janelas de convolução cujos resultados são combinados para se obterem duas propriedades locais - a amplitude e a direcção do gradiente. Mostram-se de seguida alguns dos operadores de gradiente mais comuns A A 0 A A -1 gradiente digital Prewitt (A=1) / Sobel (A=2) As propriedades amplitude e direcção do gradiente são calculadas a partir da combinação das respostas, em cada ponto, à janela horizontal (δx) e à janela vertical (δy) do operador (nas figuras acima as janelas horizontais são as da esquerda). amplitude: direcção: 2 2 ( ) δx + δy ou max δx, δy ou δx + δy ( δ δ ) arctg y x Segmentação - 8
5 Correspondência com máscaras Detecção de orlas Em vez de se usarem operadores diferenciais, pode realizar-se a convolução da imagem com um conjunto de máscaras que representam, no caso de janelas 3x3, as oito rotações possíveis de um núcleo-base de coeficientes. Por exemplo, podem usar-se máscaras como as seguintes (as quatro restantes máscaras são facilmente obtidas a partir das mostradas): gradiente compasso máscaras de Kirsch (compass gradients) Em cada ponto da imagem, o gradiente é dado pelo valor e orientação que corresponde à máscara que produz resposta máxima. Segmentação - 9 Detecção de orlas Operadores de ajuste Muitos dos operadores mais poderosos (e também computacionalmente mais pesados) para detecção de orlas - Hueckel, Canny, Deriche, - cabem na categoria dos operadores de ajuste. Estes operadores usam um modelo da orla descrito por uma função específica; o modelo exige em geral a definição de vizinhanças muito amplas. A função-modelo é expandida num conjunto de funções-base ortogonais. Em cada ponto da imagem, esta é expandida nas funções-base do operador, estimando-se os respectivos coeficientes de modo a minimizar a distância entre a imagem e a orla-modelo. Num exemplo trivial pode usar-se como modelo de orla uma função com uma descontinuidade em degrau entre dois valores, orientada numa dada direcção: Modelo: s(x,y) b a ϕ Imagem: f(x,y) A C B D Segmentação - 10
6 Detecção de orlas Funções-base (0, 1 e 2): O ajuste entre a imagem e o modelo faz-se por intermédio das suas expansões nas funções-base (coeficientes para a imagem: f 0, f 1 e f 2 ; coeficientes para o modelo: s 0, s 1 e s 2 ). Trata-se de minimizar a medida de distância entre imagem e modelo, o que pode ser feito por meio da soma das diferenças quadráticas dos coeficientes: E 2 =(f 0 -s 0 ) 2 +(f 1 -s 1 ) 2 +(f 2 -s 2 ) 2 A solução para o 1º quadrante é dada por: ( 1 B C ) a S A D b S A D [ S A B C D] π 4 A D ϕ = = = + = Para se verificar a qualidade dos resultados pode-se efectuar um teste com a imagem formada, por exemplo, pelos valores: A=1, B=2, C=3, D=4. Segmentação - 11 Detecção de linhas e curvas Para se detectarem numa imagem as linhas (segmentos de recta) e as curvas que nela estejam presentes podem-se usar operadores lineares 3x3 para filtrar a imagem, com os coeficientes escolhidos de modo a que o filtro produza respostas elevadas quando centrado em pontos da linha e baixas quando localizado fora delas; as linhas são entendidas como estruturas aproximadamente lineares, delgadas, e constituídas por pontos consistentemente mais claros (ou mais escuros, caso em que a resposta do filtro será muito negativa) do que os seus vizinhos. Para as quatro direcções principais, os coeficientes dos filtros podem ser como a seguir (linhas horizontais, verticais e diagonais): -½ -½ -½ -½ 1 -½ -½ -½ 1 1 -½ -½ ½ 1 -½ -½ 1 -½ -½ 1 -½ -½ -½ -½ -½ 1 -½ 1 -½ -½ -½ -½ 1 Quando algum dos filtros apresenta uma resposta elevada (em valor absoluto), pode-se assumir estar em presença de um ponto pertencente a uma linha fina com a correspondente orientação (ou orientação aproximada). No entanto, como facilmente se pode verificar, os filtros antes referidos também apresentam respostas elevadas quando situados sobre orlas ou pontos isolados com grande contraste. Segmentação - 12
7 Detecção de linhas e curvas Para que os filtros anteriores se tornem selectivos em relação a linhas, é necessário introduzir uma não-linearidade, constituindo-se um operador não-linear que atribui: o mesmo valor do filtro linear, quando o ponto central e os seus vizinhos na direcção da linha são maiores (ou menores, para linhas escuras) do que os respectivos vizinhos na direcção perpendicular à linha; o valor 0, quando não se verificam as condições anteriores. Para detecção de linhas espessas, podem substituir-se os pixels por médias em vizinhanças adjacentes (não sobrepostas) e aplicar os operadores para linhas delgadas. De modo semelhante podem projectar-se filtros para detectar outras estruturas nas imagens, como por exemplo terminações de linhas, cantos, entroncamentos e cruzamentos de linhas. Segmentação - 13 Transformadas de Hough As transformadas de Hough são métodos gerais para detecção de linhas (ou de outras curvas, como elipses), em que o espaço-imagem dos pixels é transformado num outro espaço de representação; após transformação de todos os pixels detectados (por exemplo, por um detector de linhas ou de orlas), a detecção das linhas faz-se no espaço transformado e, por transformação inversa, obtém-se a expressão analítica dessas linhas no espaço-imagem original. São da família das transformadas de Hough os métodos descritos nos dois exemplos seguintes: Exemplo 1: detectar as linhas que passam por um dado ponto P Tomando P como origem, construir um vector transformado e, para cada ponto detectado, incrementar o vector no endereço dado por ω = yi xi. Após transformação de todos os pontos detectados, o vector apresentará contagens muito elevadas nos endereços que correspondem ao coeficiente angular das rectas passantes por P, na imagem dada. Segmentação - 14
8 Transformadas de Hough Exemplo 2: detectar as linhas com inclinação θ Projectar os pontos detectados na imagem, numa direcção perpendicular a θ, e colocar as projecções num vector. Para detectar todas as possíveis linhas rectas, o espaço transformado de Hough deve ser bidimensional (uma matriz, em vez de um vector), usando-se, por exemplo, a seguinte transformação: para cada ponto ( xi, yi ) detectado na imagem, incrementar na matriz transformada, de coordenadas ( u, v), os pontos pertencentes à recta v = xiu + yi. Após transformação de todos os pontos, a matriz apresentará máximos acentuados em pontos ( uk, vk ) que, por transformação inversa, permitem definir as rectas existentes na imagem original: y = uk x + vk. A transformação de cada ponto da imagem original é feita de tal modo que, se vários pontos são colineares, então as correspondentes rectas no espaço transformado intersectam-se num único ponto. Segmentação - 15 Segmentação sequencial Os métodos de segmentação baseados em thresholding dizem-se paralelos, no sentido em que o resultado obtido para um pixel não depende dos resultados dos restantes, pelo que o processamento da imagem completa poderia fazer-se simultaneamente (em paralelo) para todos os pixels, atribuindo a cada um o seu processador. Outros métodos são inerentemente sequenciais, isto é, o resultado de um pixel depende do prévio processamento de outros. Raster tracking (seguimento por varrimento) Neste método de detecção de linhas (ou de orlas, se a imagem tiver sido submetida previamente a realce de orlas), usa-se o varrimento normal de TV para aceder sequencialmente aos pontos da imagem; para detecção de linhas aproximadamente verticais, considera-se, para cada ponto, que ele pertence a uma linha se se verificar uma das seguintes condições: o valor do ponto excede o limiar de detecção (critério muito exigente); o valor do ponto excede o limiar de agregação (critério menos exigente) e, além disso, pelo menos um dos seus vizinhos imediatos na linha anterior pertence à linha. Segmentação - 16
9 Segmentação sequencial Exemplo de raster tracking: critério de detecção: >6; critério de agregação: >3; os pontos de linhas são os que se assinalam por D (detectados) e por A (agregados); os restantes não pertencem a linhas; observe-se que por thresholding não era possível efectuar uma segmentação tão limpa D D A A D A A D A D D A A A A A A A D A Note-se que os resultados não seriam os mesmos se a imagem estivesse rodada de 180º; por essa razão, o método deve ser aplicado em dois varrimentos: primeiro de cima para baixo e, depois, de baixo para cima, juntando-se os pixels detectados em ambos os varrimentos. Para se efectuar a detecção de linhas aproximadamente horizontais, usa-se o mesmo método, embora precedido e seguido de rotação da imagem de 90º. Para se efectuar tracking omnidireccional, pode-se juntar os resultados obtidos pelo detector de linhas verticais com o detector de linhas horizontais. Segmentação - 17 Segmentação sequencial Region growing (crescimento de regiões) Neste método de segmentação sequencial de regiões também se usa um critério de detecção muito exigente, seguido de um critério de agregação mais brando que permite juntar outros pontos à região já detectada desde que estes cumpram o critério de agregação e, além disso, sejam vizinhas da região. Os pontos que satisfazem o critério de detecção funcionam como sementes, a partir das quais as regiões crescem. Um exemplo trivial, mostrado a seguir, usa como critério de detecção: >8, e como critério de agregação: diferença para a média inferior a A A D A D A D A A A =9 =8.25 =8 Observe-se que após o terceiro passo, a região detectada não cresce mais; o critério de paragem do algoritmo consiste, então, em atingir-se um passo no qual mais nenhum ponto é agregado à região. Os critérios de agregação devem ser muito bem concebidos, de forma a que a paragem se efectue antes de que a região possa crescer em demasia. Segmentação - 18
10 Segmentação sequencial Split & merge (subdivisão e fusão sistemáticas) O objectivo é o de efectuar uma partição da imagem em regiões homogéneas; a técnica consiste em, começando com uma partição arbitrária, ir melhorando sucessivamente a partição por meio de subdivisões e fusões alternadas. Por exemplo, avaliando-se a homogeneidade pelo valor médio dos brilhos na partição, e medindo-se a qualidade da partição pelo desvio padrão dos mesmos brilhos, a segmentação pelo método split & merge ocorreria como se mostra no caso unidimensional seguinte: partição inicial 1ª subdivisão 1ª fusão Segmentação - 19 Matching Uma outra forma de segmentação pode ser usada quando se conhecem os objectos ou estruturas presentes na imagem. Trata-se de procurar na imagem uma instância de um modelo pré-determinado - estabelecimento de correspondências (matching). Este método tem inúmeras aplicações, nomeadamente: Alinhamento de diferentes imagens da mesma cena Detecção de protótipos (template matching) Detecção de características (feature matching) Correspondência em sequências de imagens (, ) ( ) Dispõe-se de um padrão f i j cuja ocorrência na imagem g i, j se procura detectar. Para o efeito desloca-se o padrão para todas as posições possíveis na imagem, e mede-se, em cada posição, o grau de semelhança entre o padrão e a imagem, na área em que se sobrepõem ( ). Medidas de dissemelhança (mismatch) comuns são: ( ) max f g f g f g A última, por expansão da potência, permite obter uma medida de semelhança (match): fg [ f g ( f g) ] = Segmentação - 20
11 Matching A expressão obtida é o coeficiente de correlação cruzada que, de acordo, com a desigualdade de Cauchy, verifica a relação: 2 2 C fg = fg f g A igualdade verifica-se apenas quando a imagem e o padrão, na área de sobreposição, forem proporcionais. Portanto, para se encontrar a correspondência, é necessário encontrar aquela(s) posição(ões) em que o coeficiente de correlação cruzada é máximo. Deve ter-se em conta, no entanto, que o coeficiente de correlação depende do conteúdo da imagem, pelo que se deve efectuar uma normalização que anule essa dependência, isto é, deve usar-se o coeficiente de correlação cruzada normalizada: No caso de a imagem e o padrão serem binários, não é necessária a normalização, podendo usar-se apenas a expressão seguinte, em que f é o padrão negado. C fg g 2 ( ) f f g Segmentação - 21 Matching A anterior expressão pode ser interpretada como: contar o número de 1 s da imagem que coincidem com 1 s do padrão e subtrair o número de 1 s da imagem que coincidem com 0 s do padrão. Um resultado importante, no caso de imagens binárias, é o que indica ser mais selectiva a correspondência quando esta se faz entre os contornos da imagem e os contornos do padrão, em relação à correspondência directa entre imagem e padrão. Exercício: Para a imagem e padrão seguintes (os pontos da imagem não preenchidos devem ser entendidos como 0 s), determinar: a) o coeficiente de correlação normalizado; b) a correlação binária; c) a correlação binária entre contornos g f Segmentação - 22
Processamento 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 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 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 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 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 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 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 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 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 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 maisCAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR
CAPÍTULO 4 SEGMENTAÇÃO DE IMAGENS SAR Segundo Gonzales e Wintz (1987), um dos primeiros passos do processo de análise de uma imagem digital consiste em particioná-la em seus elementos constituintes. O
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 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 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 maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Segmentação
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Segmentação A separação dos pixeis relativos a cada objeto, ou região, é uma etapa fundamental para o sucesso do processo de análise da imagem. Embora
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 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 maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 18 Sumário Conceitos Sistema de
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 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 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 maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 32 Sumário Conceitos Sistema de
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 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 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 maisShading (sombreamento) & Smooth Shading
Shading (sombreamento) & Smooth Shading Sistemas Gráficos/ Computação Gráfica e Interfaces 1 Shading & Smooth Shading Objectivo: calcular a cor de cada ponto das superfícies visíveis. Solução brute-force:
Leia maisShading (sombreamento) & Smooth Shading
Shading (sombreamento) & Smooth Shading Sistemas Gráficos/ Computação Gráfica e Interfaces 1 Shading & Smooth Shading Objectivo: calcular a cor de cada ponto das superfícies visíveis. Solução brute-force:
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 maisUMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS. Rogério Vargas DCET UESC Home page: rogerio.in
UMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS Rogério Vargas DCET UESC Home page: rogerio.in Exemplo de aplicações: automação e visão artificial reconhecimento de caracteres análise de cromossomos veículos
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 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 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 maisSEGMENTAÇÃO DE IMAGENS
SEGMENTAÇÃO DE IMAGENS Definição Segmentação é o processo que divide uma imagem em regiões distintas, cada uma com pixels com atributos similares Particiona os pixels de uma imagem em grupos, geralmente
Leia mais5. Detecção de bordas
5. Detecção de bordas Uma borda, também chamada de edgel, é definida como sendo uma mudança ou descontinuidade local na luminosidade de uma imagem. Classificação : métodos de realce / limiar ( enhancement
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Julio Arakaki Ciência da Computação 1 Imagem Digital Full Color Image (Matriz de Pixels) RGB (24 bits): Red (8 bits) Green (8 bits) Blue (8 bits) 2 Imagem Digital Um modelo
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 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 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 maisProcessamento de Imagens Filtragem Digital
Filtragem Digital Consiste na aplicação de técnicas de transformação (operadores máscaras) com o objetivo de corrigir, suavizar ou realçar determinadas características de uma imagem dentro de uma aplicação
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 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 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 maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 7 Filtros de Imagens Digitais 2 de 47 Sumário Conceitos Filtragem no
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 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 maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Segmentação. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Segmentação Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos básicos de segmentação
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Técnicas de Modificação do Histograma Compressão de Histograma 2 Veremos a definição e utilização do conceito de histograma.
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 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 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 maisfig.1 Programa implementado durante a realização do trabalho
1- INTRODUÇÃO Com este trabalho pretendia-se fazer a extracção de contornos de imagens. Para se poder atingir os objectivos aos quais era proposto, foram implementadas diversas estratégias de detecção
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 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 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 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 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 mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
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 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 mais4 as Jornadas Politécnicas de Engenharia
4 as Jornadas Politécnicas de Engenharia Imagens de Faces: Exemplos de Metodologias e Aplicações Fernando Carvalho, João Manuel R. S. Tavares Aplicação Metodologias Modelos Conclusões Trabalho Futuro Introdução:
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 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 maisTE073 PDS II Programa de Pós-Graduação em Engenharia Elétrica
TE073 PDS II Programa de Pós-Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Objetivos Melhoria
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 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 maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 13 - Transformada de Hough e SIFT Antonio Oliveira Ricardo Marroquim 1 / 41 aula de hoje descritores Transformada de Hough SIFT 2 / 41 transformada de Hough
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 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 maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisProcessamento de Imagens. Segmentação por regiões
Processamento de Imagens Segmentação por regiões Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
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 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 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 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 maisModelos Pontuais de Distribuição em Visão Computacional Estudo, Desenvolvimento e Aplicação
MESTRADO EM ESTATÍSTICA APLICADA E MODELAÇÃO Modelos Pontuais de Distribuição em Visão Computacional Estudo, Desenvolvimento e Aplicação Maria João Medeiros de Vasconcelos Licenciada em Matemática Aplicada
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 maisSegmentação local. geralmente baseados em análise de descontinuidade ou similaridade de valores digitais.
Segmentação Segmentação local 2 Segmentação local geralmente baseados em análise de descontinuidade ou similaridade de valores digitais. descontinuidade : a abordagem é dividir a imagem baseando-se em
Leia maisTelevisão Digital. Trabalho prático nº1. Filtragem espacial de imagem fixa e manipulação de histogramas. 2 de Novembro de 2006
Televisão Digital Trabalho prático nº1 Filtragem espacial de imagem fixa e manipulação de histogramas 2 de Novembro de 2006 José Carlos Costa Pinto Ribeiro 000503044 Rui Miguel Barbosa da Costa Gonçalves
Leia maisVisão por Computador Aplicada à Robótica Industrial. Filipe Miguel Silva
UNIVERSIDADE DE AVEIRO Dept.. de Electrónica e Telecomunicações Modelização e Controlo de Sistemas Dinâmicos Visão por Computador Aplicada à Robótica Industrial Filipe Miguel Silva fsilva@det.ua.pt IST-ISEP
Leia maisFiltragem de Imagens no Domínio Espacial. 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227
Filtragem de Imagens no Domínio Espacial 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227 Image Enhancement 2 Image enhancement em Português significa algo como melhoria de imagens, mas o
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 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 maisPMR2560 Visão Computacional Detecção de cores e blobs. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Detecção de cores e blobs Prof. Eduardo L. L. Cabral Objetivos Detecção de cores; Detecção de blobs. Detecção de cores Cores são facilmente identificadas nas imagens. Cor a
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 maisBiometria: Processamento de Imagem para Reconhecimento de Padrões na Íris
Biometria: Processamento de Imagem para Reconhecimento de Padrões na Íris Biometria Impressões Digitais Íris Rosto Voz Gestos Etc. João Maltez e Leandro do Vale, 2005 Diapositivo 2 Utilização Geral Identificação/Verificação
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 maio de 206 Representação e descrição de regiões Uma
Leia maisProcessamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e de Imagens Sensoriamento Remoto 2 Introdução Espectro Eletromagnético
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 maisTrabalhos de laboratório
Trabalhos de laboratório Âmbito : manipulação e processamento de imagem e vídeo Objectivo: Não é possível perceber realmente processamento de imagem (ou qualquer outro tópico de engenharia), sem aplicar
Leia maisProcessamento de Imagens Segmentação
Processamento de Imagens Segmentação 1 Segmentação Segmentação Análise de Imagem Divisão da imagem em partes fortemente relacionadas aos objetos e áreas do mundo real contidos na imagem Completa: regiões
Leia maisTracking de movimentos usando marcadores circulares
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO - COPPE INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS Tracking de movimentos usando marcadores circulares Jéssica de Abreu DRE:114069619 Junho de 2014 1 INTRODUÇÃO Com a
Leia maisAula 4: Gráficos lineares
Aula 4: Gráficos lineares 1 Introdução Um gráfico é uma curva que mostra a relação entre duas variáveis medidas. Quando, em um fenômeno físico, duas grandezas estão relacionadas entre si o gráfico dá uma
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) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia mais24/05/2011. O que significa PDI? I- Introdução
I- Introdução O que significa PDI? GONZALEZ & WOODS (2000) descrevem o objetivo do processamento digital de imagem como sendo um conjunto de procedimentos que melhoram a informação pictorial para interpretação
Leia maisProcessamento 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 maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos Não Paramétricos 1 Métodos Não Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J.
Leia mais