Seminários de pesquisa do DAINF Transformações de imagens baseadas em morfologia
|
|
- Luiz Gustavo Pereira Vidal
- 6 Há anos
- Visualizações:
Transcrição
1 Universidade Tecnológica Federal do Paraná - UTFPR Departamento Acadêmico de Informática - DAINF Seminários de pesquisa do DAINF Transformações de imagens baseadas em morfologia matemática e aplicações Leyza Baldo Dorini 23/Jun/2009 (DAINF - UTFPR) 23/Jun/ / 53
2 Roteiro Introdução Morfologia matemática: principais definições Aplicações Considerações finais (DAINF - UTFPR) 23/Jun/ / 53
3 Introdução O processamento/análise de imagens é uma área que aborda um grande número de aplicações práticas. Dentre seus principais objetivos: representar uma imagem de maneira mais apropriada; extrair características significativas para o problema específico sendo considerado. (DAINF - UTFPR) 23/Jun/ / 53
4 Introdução O processamento/análise de imagens é uma área que aborda um grande número de aplicações práticas. Dentre seus principais objetivos: representar uma imagem de maneira mais apropriada; extrair características significativas para o problema específico sendo considerado. Foco: técnicas baseadas em morfologia matemática. (DAINF - UTFPR) 23/Jun/ / 53
5 Morfologia matemática Introduzida na década de 60; Consiste em uma abordagem não-linear de processamento de imagens que se fundamenta em áreas tais como teoria dos conjuntos e geometria integral; Seu principal objetivo é extrair informações significativas de uma imagem com base na análise da sua geometria e da forma de seus objetos. (DAINF - UTFPR) 23/Jun/ / 53
6 Morfologia matemática É importante definir o conceito de elemento estruturante. De maneira simplificada, define o tamanho e a forma da região a ser considerada por uma transformação morfológica. Tais elementos podem ser classificadas em duas categorias: planares ou não-planares. (a) (b) (c) Figura: Exemplos de elementos estruturantes planares abrangendo uma vizinhança 3 3. O ponto branco denota o centro do elemento estruturante. (DAINF - UTFPR) 23/Jun/ / 53
7 Morfologia matemática Embora amplamente utilizadas, as funções estruturantes planares não conseguem extrair algumas propriedades específicas das imagens. Nestes casos, pode-se utilizar as funções estruturantes não-planares, denotadas aqui por B σ, as quais possuem o seguinte formato: B σ (x) = σ B ( σ 1 x) x B σ, σ 0. (1) (a) (b) (c) Figura: Exemplos de funções estruturantes não-planares: (a) parabólica (b) cônica e (c) pirâmide. (DAINF - UTFPR) 23/Jun/ / 53
8 Operações básicas de morfologia matemática A erosão e a dilatação são as operações fundamentais da morfologia matemática, constituindo a base para a definição de transformações mais complexas. Para imagens binárias, a dilatação dos pontos da forma, X, por um elemento estruturante B, denotada por δ B (X ), é definida como o conjunto de pontos x tal que B intercepta X quando sua origem está centrada em x: δ B (X ) = {x B x X }, (2) em que B x denota a translação do centro do elemento estruturante B para a posição x. (a) (b) (c) (DAINF - UTFPR) 23/Jun/ / 53
9 Operações básicas de morfologia matemática De maneira análoga, a erosão de um conjunto X por um elemento estruturante B, ε B (X ), é definida como o conjunto de pontos x tal que B está incluído em X quando sua origem está centrada em x: ε B (X ) = {x B x X }, (3) em que, novamente, B x denota a translação do centro do elemento estruturante B para a posição x. (a) (b) (c) (DAINF - UTFPR) 23/Jun/ / 53
10 Operações básicas de morfologia matemática Definição (Dilatação) A dilatação de uma imagem f pela função estruturante planar B, [δ B (f )](x), é dada por: [δ B (f )](x) = max{f (x + b)}, (4) b B ou seja, o valor dilatado de um pixel x é o máximo na vizinhança definida por B. Definição (Erosão) A erosão de uma imagem f pela função estruturante planar B, [ε B (f )](x), é dada por: [ε B (f )](x) = min{f (x + b)}, (5) b B ou seja, o valor erodido de um pixel x é o mínimo na vizinhança definida por B. (DAINF - UTFPR) 23/Jun/ / 53
11 Operações básicas de morfologia matemática Portanto, as operações de dilatação e erosão para imagens em níveis de cinza podem ser definidas em termos do máximo e mínimo na vizinhança definida pelo elemento estruturante transladado. Exemplo: (a) (b) (c) Figura: (a) Imagem original, (b) dilatação e (c) erosão de (a) utilizando um elemento estruturante quadrado de tamanho 3 3. (DAINF - UTFPR) 23/Jun/ / 53
12 Outras operações de morfologia matemática Abertura e fechamento (a) (b) (c) (DAINF - UTFPR) 23/Jun/ / 53 (d)
13 Transformações envolvendo operações de morfologia matemática Operadores toggle. (DAINF - UTFPR) 23/Jun/ / 53
14 Transformações envolvendo operações de morfologia matemática Operadores toggle. Exemplo: Dadas duas primitivas, ϕ 1 e ϕ 2, a regra de decisão escolhe como valor transformado aquele que mais se aproxima do valor original do pixel sendo analisado. ϕ 1 (x), se ϕ 1 (x) f (x) < f (x) ϕ 2 (x), T (x) = f (x), se ϕ 1 (x) f (x) = f (x) ϕ 2 (x), (6) ϕ 2 (x), em outros casos. (DAINF - UTFPR) 23/Jun/ / 53
15 Transformações envolvendo operações de morfologia matemática Segmentação de imagens baseada em morfologia matemática: Transformada de Watershed. (DAINF - UTFPR) 23/Jun/ / 53
16 Transformações envolvendo operações de morfologia matemática Segmentação de imagens baseada em morfologia matemática: Transformada de Watershed. (a) (b) (c) (d) (DAINF - UTFPR) 23/Jun/ / 53 (e)
17 Problema: super-segmentação (a) (b) (c) (d) (e) Figura: Transformada de watershed: (a) imagem original, (b) máximos regionais, (c) segmentação utilizando máximos como marcadores, (d) pontos que possuem um contraste maior que 15 (e) segmentação resultante ao considerar pontos selecionados em (d) como marcadores. (DAINF - UTFPR) 23/Jun/ / 53
18 Algumas considerações A seguir, é definido um conjunto de transformações de imagens que possam ser utilizadas como uma etapa adicional em diversas aplicações. (DAINF - UTFPR) 23/Jun/ / 53
19 Algumas considerações A seguir, é definido um conjunto de transformações de imagens que possam ser utilizadas como uma etapa adicional em diversas aplicações. Utilização de operações de morfologia matemática. (DAINF - UTFPR) 23/Jun/ / 53
20 Algumas considerações A seguir, é definido um conjunto de transformações de imagens que possam ser utilizadas como uma etapa adicional em diversas aplicações. Utilização de operações de morfologia matemática. São exploradas diferentes formas de aplicação de um operador toggle ϕ 1, se ψ(x) f (x) < f (x) φ(x), T (x) = f (x), se ψ(x) f (x) = f (x) φ(x), (7) ϕ 2, caso contrário. (DAINF - UTFPR) 23/Jun/ / 53
21 Aplicações Serão discutidos brevemente: operador com propriedades espaço-escala; (DAINF - UTFPR) 23/Jun/ / 53
22 Aplicações Serão discutidos brevemente: operador com propriedades espaço-escala; operação de limiarização adaptativa multi-escala; (DAINF - UTFPR) 23/Jun/ / 53
23 Aplicações Serão discutidos brevemente: operador com propriedades espaço-escala; operação de limiarização adaptativa multi-escala; método de filtragem. (DAINF - UTFPR) 23/Jun/ / 53
24 Abordagens multi-escala Abordagens multi-escala (DAINF - UTFPR) 23/Jun/ / 53
25 Abordagens multi-escala Abordagens multi-escala Espaço-escala: permite relacionar informações presentes em diferentes escalas a escala é vista como uma variável contínua, não um parâmetro outras propriedades: monotonicidade, fidelidade, invariância Euclidiana (2D: causalidade) (DAINF - UTFPR) 23/Jun/ / 53
26 Abordagens multi-escala Abordagens multi-escala Espaço-escala: permite relacionar informações presentes em diferentes escalas a escala é vista como uma variável contínua, não um parâmetro outras propriedades: monotonicidade, fidelidade, invariância Euclidiana (2D: causalidade) Abordagens espaço-escala (DAINF - UTFPR) 23/Jun/ / 53
27 Espaços-escala morfológicos Operações utilizam uma função estruturante dependente de escala, B σ : D σ R 2 R, tal que B σ (x) = σ B( σ 1 x) x D σ, σ 0 (8) em que D σ = {x : x < R} é a região de suporte de B σ. (DAINF - UTFPR) 23/Jun/ / 53
28 Espaços-escala morfológicos Operações utilizam uma função estruturante dependente de escala, B σ : D σ R 2 R, tal que B σ (x) = σ B( σ 1 x) x D σ, σ 0 (8) em que D σ = {x : x < R} é a região de suporte de B σ. Exemplo: B σ (x, y) = 1 max{ x, y } (9) σ (DAINF - UTFPR) 23/Jun/ / 53
29 Erosão e dilatação utilizando elementos estruturantes não-planares Definição (Dilatação) A dilatação de uma imagem f pela função estruturante B σ (x), [ε Bσ(f )](x), é dada por: Definição [δ Bσ (f )](x) = max b B σ {f (x + b) + B σ (b)}. (10) (Erosão) A erosão de uma imagem f pela função estruturante B σ (x), [δ Bσ(f )](x), é dada por: [ε Bσ (f )](x) = min b B σ {f (x + b) B σ (b)}. (11) (DAINF - UTFPR) 23/Jun/ / 53
30 Operador Proposto Seja φ k 1 (x) = [δ B σ (f )] k (x), isto é, a dilatação de f (x) com a função estruturante dependente de escala B σ k vezes. De forma análoga, φ k 2 (x) = [ε B σ (f )] k (x). Denomina-se operador SMMT (Self-dual Mustiscale Morphological Toggle) a função: φ k [τ Bσ (f )] k 1 (x), se φk 1 (x) f (x) < f (x) φk 2 (x), (x) = f (x), se φ k 1 (x) f (x) = f (x) φk 2 (x), (12) φ k 2 (x), caso contrário. (DAINF - UTFPR) 23/Jun/ / 53
31 Propriedade espaço-escala do operador Das propriedades das funções estruturantes, segue que: { 0, se x = 0; σ 0 B σ (x), caso contrário o que conduz diretamente ao requisito de fidelidade. (DAINF - UTFPR) 23/Jun/ / 53
32 Propriedade espaço-escala do operador Das propriedades das funções estruturantes, segue que: { 0, se x = 0; σ 0 B σ (x), caso contrário o que conduz diretamente ao requisito de fidelidade. Invariância Euclidiana. (DAINF - UTFPR) 23/Jun/ / 53
33 Propriedades espaço-escala do operador Pontualmente, existe a convergência para uma única primitiva. (DAINF - UTFPR) 23/Jun/ / 53
34 Propriedades espaço-escala do operador Pontualmente, existe a convergência para uma única primitiva. Preserva causalidade (para um número fixo de iterações) considerando máximos e mínimos ao mesmo tempo. (DAINF - UTFPR) 23/Jun/ / 53
35 Propriedades espaço-escala do operador Pontualmente, existe a convergência para uma única primitiva. Preserva causalidade (para um número fixo de iterações) considerando máximos e mínimos ao mesmo tempo. Caso a monotonicidade estrita seja desejada, é preciso realizar um pós-processamento para garantir que novos extremos não serão criados. (DAINF - UTFPR) 23/Jun/ / 53
36 Propriedade do operador Ao fixar a escala e mudar o número de iterações, temos que o operador define quasi-flat zones. (a) (b) (c) Figura: Simplificação obtida pelo operador ao considerar sucessivas aplicações (k = 1, 3 e 5) das primitivas na escala σ = 1. (DAINF - UTFPR) 23/Jun/ / 53
37 Propriedade do operador Ao fixar a escala e mudar o número de iterações, temos que o operador define quasi-flat zones. (a) (b) (c) Figura: Simplificação obtida pelo operador ao considerar sucessivas aplicações (k = 1, 3 e 5) das primitivas na escala σ = 1. [τ Bσ3 (f )] k (x) == [τ Bσ2k+1 (f )] 1 (x), (13) (DAINF - UTFPR) 23/Jun/ / 53
38 Resultados I - segmentação de imagens em níveis de cinza Problemas de super-segmentação. (DAINF - UTFPR) 23/Jun/ / 53
39 Resultados I - segmentação de imagens em níveis de cinza Problemas de super-segmentação. Segmentação utilizando h-extremos como marcadores 1 dada uma altura h e uma imagem de entrada I ; 2 gerar uma imagem transformada, I 1, aplicando SMMT em I ; 3 calcula o h-maxima de I ; 4 extrair os máximos regionais; 5 calcular a transformada watershed usando esses extremos como marcadores. (DAINF - UTFPR) 23/Jun/ / 53
40 Resultados I - segmentação de imagens em níveis de cinza Problemas de super-segmentação. Segmentação utilizando h-extremos como marcadores 1 dada uma altura h e uma imagem de entrada I ; 2 gerar uma imagem transformada, I 1, aplicando SMMT em I ; 3 calcula o h-maxima de I 1; 4 extrair os máximos regionais; 5 calcular a transformada watershed usando esses extremos como marcadores. (DAINF - UTFPR) 23/Jun/ / 53
41 Resultados (a) (b) (c) (d) Figura: Resultados de segmentação para a imagem skyg. (a) imagem original, e usando imagens transformadas (b) σ 1 = 60 e k = 1, com h = 2; (c) σ 1 = 60 e k = 1, com h = 10, e (d) com base na imagem original usando h = 10. (DAINF - UTFPR) 23/Jun/ / 53
42 Resultados Avaliação dos resultados: comparação com uma base segmentada manualmente. (DAINF - UTFPR) 23/Jun/ / 53
43 Resultados Avaliação dos resultados: comparação com uma base segmentada manualmente. Imagem de Entrada F-score Revocação Precisão Original Processada pelo SMMT Tabela: Medida F-score ao considerar um único segmento que melhor se ajusta ao foreground. (DAINF - UTFPR) 23/Jun/ / 53
44 Resultados Avaliação dos resultados: comparação com uma base segmentada manualmente. Imagem de Entrada F-score Revocação Precisão Original Processada pelo SMMT Tabela: Medida F-score ao considerar um único segmento que melhor se ajusta ao foreground. Imagem de Entrada F-score Revocação Precisão Fragmentação Original Processada pelo SMMT Tabela: Medida F-score ao considerar a união de segmentos que melhor corresponde (se sobrepõe) ao objeto do foreground. (DAINF - UTFPR) 23/Jun/ / 53
45 Resultados Oiginal Base Seg. SMMT Seg. Original (DAINF - UTFPR) 23/Jun/ / 53
46 Resultados II - segmentação do núcleo de células (a) (b) (c) (d) (e) (f) Figura: Melhoria na imagem gradiente após aplicação do operador SMMT: (a,d) versões original e processada, (b,e) imagens gradiente e (c,f) resultados da segmentação. (DAINF - UTFPR) 23/Jun/ / 53
47 Resultados Figura: Segmentação do núcleo de WBC em imagens com múltiplas células. (DAINF - UTFPR) 23/Jun/ / 53
48 Resultados (a) (b) (c) Figura: Segmentação com Normalized Cuts: (a) imagem original e resultados considerando a imagem (b) processada pelo SMMT (σ 1 = 5, k = 15) e (c) a partir da original. (DAINF - UTFPR) 23/Jun/ / 53
49 Resultados III - simplificação de imagens (a) (b) (c) Figura: (a) Imagem original e simplificações quando utilizando (b) operador SMMT e (c) abertura por reconstrução (com idempotência dos operadores). (DAINF - UTFPR) 23/Jun/ / 53
50 Comportamento do operador σ 1 = 1 σ 1 = 5 k = 1 k = 5 k = 10 k = 15 (DAINF - UTFPR) 23/Jun/ / 53
51 Comportamento do operador k = 5 k = 1 σ 1 = 15 σ 1 = 10 σ 1 = 5 σ 1 = 1 (DAINF - UTFPR) 23/Jun/ / 53
52 Comportamento do operador σ 1 = 15, k = 1 σ 1 = 15, k = 5 σ 1 = 1, k = 1 σ 1 = 1, k = 5 Figura: Transformação do SMMT ao considerar diferentes parâmetros. (DAINF - UTFPR) 23/Jun/ / 53
53 Comportamento do operador σ 1 = 15, k = 1 σ 1 = 15, k = 5 σ 1 = 1, k = 1 σ 1 = 1, k = 5 Figura: Transformação do SMMT ao considerar diferentes parâmetros. Os pixels tendem a convergir para extremos significativos. (DAINF - UTFPR) 23/Jun/ / 53
54 Operador Proposto (Binário) Seja φ k 1 (x) = [δ B σ (f )] k (x), isto é, a dilatação de f (x) com a função estruturante dependente de escala B σ k vezes. De forma análoga, φ k 2 (x) = [ε B σ (f )] k (x). Denomina-se operador BSMMT (Binary Self-dual Mustiscale Morphological Toggle) a função: { [τ Bσ (f )] k 1, se φ k (x) = 1 (x) f (x) f (x) φ k 2 (x), 0, caso contrário. (14) (DAINF - UTFPR) 23/Jun/ / 53
55 Comportamento do operador Original σ 1 = 1, k = 25 σ 1 = 40, k = 5 Figura: Efeito da alteração dos parâmetros no operador de binarização. (DAINF - UTFPR) 23/Jun/ / 53
56 Figura: (DAINF Resultados - UTFPR) de binarização para imagens com diferentes condições 23/Jun/2009de 38 / 53 Resultados IV - binarização de imagens com iluminação não-uniforme Original Otsu Niblack Sauvola MD
57 Resultados IV - binarização de imagens com iluminação não-uniforme k = 50, σ 1 = 1 k = 50, σ 1 = 2 k = 10, σ 1 = 1 k = 2, σ 1 = 8 k = 2, σ 1 = 25 k = 5, σ 1 = 20 Figura: Resultados do operador de binarização proposto utilizando imagens com diferentes condições de iluminação. (DAINF - UTFPR) 23/Jun/ / 53
58 Resultados V - binarização de imagens de documentos Original σ 1 = 1, k = 1 σ 1 = 10, k = 1 σ 1 = 1, k = 10 σ 1 = 5, k = 10 Figura: Influência dos parâmetros escala e número de iterações no binarização. (DAINF - UTFPR) 23/Jun/ / 53
59 Resultados V - binarização de imagens de documentos Original MD Gatos SMMT σ 1 = 15, k = 5 Figura: Resultados de binarização. (DAINF - UTFPR) 23/Jun/ / 53
60 Resultados V - binarização de imagens de documentos Original Otsu MD Niblack Sauvola SMMT Figura: Resultados de binarização. (DAINF - UTFPR) 23/Jun/ / 53
61 Resultados V - binarização de imagens de documentos (a) (b) Figura: Utilizando: (a) abordagem proposta e (b) MD. (DAINF - UTFPR) 23/Jun/ / 53
62 Resultados V - binarização de imagens de documentos (a) (b) Figura: Utilizando: (a) abordagem proposta e (b) MD. (a) (b) (c) Figura: Resultados para um procedimento de OCR. (a) Imagem original e textos extraídos a partir dos resultados de (b) MD e (c) SMMT. (DAINF - UTFPR) 23/Jun/ / 53
63 Resultados Figura: Imagens utilizadas para testes de OCR: (a) Doc 01, (b) Doc 02 e (c) Doc 03. (DAINF - UTFPR) 23/Jun/ / 53
64 Resultados Método Doc 01 Doc 02 Doc 03 Sauvola Gatos et al. SMMT SMMT + Gatos et al. Precisão Revocação Precisão Revocação Precisão Revocação Tabela: Índices de Precisão e Revocação. (DAINF - UTFPR) 23/Jun/ / 53
65 Resultados VI - segmentação de movimento em vídeo Método baseado na abordagem de modelagem e subtração de background. (DAINF - UTFPR) 23/Jun/ / 53
66 Resultados VI - segmentação de movimento em vídeo Método baseado na abordagem de modelagem e subtração de background. (a) (b) (c) (d) (e) Figura: Abordagem proposta: imagem de referência do fundo (a) original e (b) processada; quadro da sequência (c) original e (d) processado; (e) resultado final. (DAINF - UTFPR) 23/Jun/ / 53
67 Filtragem de imagens com ruído Filtro morfológico: crescente e idempotente (DAINF - UTFPR) 23/Jun/ / 53
68 Filtragem de imagens com ruído Filtro morfológico: crescente e idempotente Definição (Filtros derivados) Um operador crescente ρ é denominado 1 um superfiltro se ρ 2 ρ; 2 um subfiltro se ρ 2 ρ; 3 um inf-superfiltro se ρ(id ρ) = ρ; 4 um sup-subfiltro se ρ(id ρ) = ρ; 5 um inf-filtro se ρ é um filtro e um inf-superfiltro; 6 um sup-filtro se ρ é um filtro e um sup-subfiltro; 7 um filtro forte se ρ é tanto um sup-filtro quanto um inf-filtro. (DAINF - UTFPR) 23/Jun/ / 53
69 Operador Proposto Estendemos alguns resultados estabelecidos para centros morfológicos a uma classe diferente de operadores do tipo toggle (DAINF - UTFPR) 23/Jun/ / 53
70 Operador Proposto Estendemos alguns resultados estabelecidos para centros morfológicos a uma classe diferente de operadores do tipo toggle Seja φ 1 um sup-filtro e φ 2 um inf-filtro. Denomina-se filtro toggle a seguinte transformação [φ 1 (f k )](x), se [φ 1 (f k )](x) f k (x) < f k (x) [φ 2 (f k )](x), f k+1 (x) = f k (x), se [φ 1 (f k )](x) f k (x) = f k (x) [φ 2 (f k )](x), [φ 2 (f k )](x), caso contrário, (15) em que k representa o número de iterações. (DAINF - UTFPR) 23/Jun/ / 53
71 Resultados VII - ruídos do tipo gaussiano e impulsivo (a) (b) (c) Figura: Imagens utilizadas nos experimentos: (a) original e corrompidas por ruído do tipo (b) gaussiano e (c) impulsivo. (DAINF - UTFPR) 23/Jun/ / 53
72 Resultados A Tabela 4 indica as primitivas consideradas nos testes. φ 1 φ 2 Primitiva Propriedade Primitiva Propriedade ξ φ sup-filtro ξ γ inf-filtro γφ sup-filtro φγ inf-filtro φγφ sup-filtro γφγ inf-filtro δ inf-superfiltro ε sup-subfiltro δγ inf-superfiltro εφ sup-subfiltro ξγ superfiltro γξ inf-superfiltro ξφ subfiltro ξγ inf-superfiltro Tabela: Primitivas consideradas nos testes. em que ε denota a erosão, δ, a dilatação, γ, a abertura, φ, o fechamento e { f (x), se f (x) < f (x) ξ(f (x)) = n n, f (x) (16) n n, caso contrário, (DAINF - UTFPR) 23/Jun/ / 53
73 Resultados IX - filtragem de imagens SAR (a) (b) (c) (d) (e) Figura: Análise da qualidade dos contornos: (a) imagem original e contornos estimados a partir da filtragem obtida (b,c) com o algoritmo SRAD e (d,e) com o filtro toggle combinado com difusão anisotrópica. (DAINF - UTFPR) 23/Jun/ / 53
74 Conclusões e trabalhos futuros Conclusões gerais. (DAINF - UTFPR) 23/Jun/ / 53
75 Conclusões e trabalhos futuros Conclusões gerais. Trabalhos futuros: outras aplicações; (DAINF - UTFPR) 23/Jun/ / 53
76 Conclusões e trabalhos futuros Conclusões gerais. Trabalhos futuros: outras aplicações; outros pares de primitivas: que conduzam a um espaço-escala morfológico que considerem de forma mais apropriada a natureza do ruído (DAINF - UTFPR) 23/Jun/ / 53
77 Conclusões e trabalhos futuros Conclusões gerais. Trabalhos futuros: outras aplicações; outros pares de primitivas: que conduzam a um espaço-escala morfológico que considerem de forma mais apropriada a natureza do ruído união do SMMT com técnicas de análise multi-resolução. (DAINF - UTFPR) 23/Jun/ / 53
78 Perguntas... (DAINF - UTFPR) 23/Jun/ / 53
UMA 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 maisTeoria espaço-escala: abordagem morfológica
Leyza Baldo Dorini 1 Neucimar Jerônimo Leite 2 Resumo: Abordagens multi-escala vêm sendo amplamente utilizadas em diversas aplicações de análise e processamento de sinais, sendo fundamentais em casos onde
Leia maisProcessamento de Imagens
Processamento de Imagens Morfologia Matemática Binária Prof. Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR)
Leia maisAula 4: Morfologia de Imagens
SEL 5886 - VISÃO COMPUTACIONAL Aula 4: Morfologia de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Colaboração: Dr. Bruno R. N. Matheus Morfologia Morfologia matemática: Ferramenta para extração de
Leia maisMorfologia Matemática. Guillermo Cámara-Chávez
Morfologia Matemática Guillermo Cámara-Chávez Morfologia Matemática Foi desenvolvida inicialmente por Georges Matheron e Jean Serra na década de 60 Baseada na Teoria dos Conjuntos Originalmente desenvolvida
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 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 maisUniversidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática
Universidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática DETECÇÃO DE BORDAS DE IMAGENS UTILIZANDO ELEMENTOS DE MORFOLOGIA MATEMÁTICA PROPOSTA DE TRABALHO DE GRADUAÇÃO
Leia maisMORFOLOGIA MATEMÁTICA
MORFOLOGIA MATEMÁTICA Morfologia Na Biologia área que trata com a forma e a estrutura de plantas e animais Processamento de Imagens Ferramenta para extração de componentes de imagens que sejam úteis na
Leia maisAlunos: Caio Santos Renato Miceli
rangel@dscufcgedubr/ rangeldequeirop@yahoocombr Alunos: Caio Santos Renato Miceli UNIVERSIDADE FEDERAL DE CAMPINA GRANDE UFCG Av Aprígio Veloso, S/N Bodocongó CEP: 58109-190 Campina Grande PB www.ufcg.edu.br/
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 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 maisCurso de Extensão: Noções de Sensoriamento
UFBA Curso de Extensão: Noções de Sensoriamento IPF Institut für Photogrammetrie und Fernerkundung Mauro Alixandrini Universität Karlsruhe (TH) www.kit.edu 04.08 Noções de Sensoriamento Remoto Aula 2 Comportamento
Leia maisMorfologia Matemática em Imagens
Processamento e nálise de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. FMB Departamento de Computação e Matemática (FFCLRP/USP) Principais Tópicos Introdução Morfologia
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 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 mais4 Detecção de Silhueta
4 Detecção de Silhueta No decorrer deste capítulo é proposto um modelo de detecção da silhueta da mão capaz de lidar com os erros da segmentação e ruídos na sua morfologia. Num primeiro passo são considerados
Leia maisMorfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
Leia maisÍndice. Base de uma subcoleção sup fechada, 110 Bissetor condicional de ordem n, 207 Borda externa, 174 interna, 174 Borda 4 de um subconjunto, 145
Índice A Aberto morfológico segundo uma morfologia, 131 relativo a uma abertura, 108 topológico segundo uma topologia, 132 Abertura, 100 128 convexa, 183 curva, 184 genérica, 184 morfológica, 110 i.t.,
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 Processamento morfológico. Prof. Eduardo L. L. Cabral
PMR256 Visão Computacional Processamento morfológico Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Algumas operações de processamento morfológico de imagens; Imagens binárias; Imagens
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 maisSEGMENTAÇÃO DE IMAGENS UTILIZANDO ELEMENTOS DE MORFOLOGIA MATEMÁTICA
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO SEGMENTAÇÃO DE IMAGENS UTILIZANDO ELEMENTOS DE MORFOLOGIA MATEMÁTICA Tiago Cordeiro de Melo Nascimento Trabalho
Leia maisSEGMENTAÇÃO DE IMAGENS DIGITAIS DE ALGAS MICROSCÓPICAS POR GRANULOMETRIA MORFOLÓGICA
SEGMENTAÇÃO DE IMAGENS DIGITAIS DE ALGAS MICROSCÓPICAS POR GRANULOMETRIA MORFOLÓGICA Sérgio R. Nauffal 1, Jacques Facon 2, Flávio Bortolozzi 3 1 snauffal@utp.br, Universidade Tuiuti do Paraná, Av. Comendador
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia 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 maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisMorfologia Matemática? Mathematical morphology (MM) : what is it?
Morfologia Matemática? Mathematical morphology (MM) : what is it? Que qué isso? Combining methods from set theory, topology, and discrete mathematics, mathematical morphology provides a powerful approach
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 maisFiltros e Morfologia. Prof. Dr. Geraldo Braz Junior
Filtros e Morfologia Prof. Dr. Geraldo Braz Junior Filtragem Operações que visam extrair informações importantes da imagem CaracterísAcas Cantos, bordas, agrupamentos Melhoramento rearada de ruídos, aumento
Leia maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia maisDEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS
DEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS * Aluno do curso Tecnologia em Sistemas de Telecomunicações da UTFPR jvrsschaid@gmail.com ** Aluno
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 maisSeleção Não-Supervisionada de Métodos de Binarização para Documentos Históricos
Seleção Não-Supervisionada de Métodos de Binarização para Documentos Históricos MAC0499 Trabalho de Formatura Supervisionado Aluno: Denis T. Ikeda Orientador: Ronaldo Fumio Hashimoto O que é binarização?
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 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 maisEm Direção a Morfologia Matemática para Imagens Binárias
Em Direção a Morfologia Matemática para Imagens Binárias com Informação de Indefinição Marcia M. C. Cruz, Regivan H. N. Santiago, Depto de Matemática e Depto de Informática e Matemática Aplicada, UFRN
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
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 maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisTratamento da Imagem Transformações (cont.)
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Tratamento de Imagens - Sumário Detalhado Objetivos Alguns
Leia 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 maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia maisCapítulo 3. Operadores sobre subconjuntos. 3.1 Operadores
Capítulo 3 Operadores sobre subconjuntos No capítulo anterior foram definidas vários mapeamentos, chamados de operações, envolvendo subconjuntos ou funções binárias. Neste capítulo, vamos introduzir outros
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 maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Transformações de Intensidade Transformações Logarítmicas Comparação entre Diversas Técnicas 2 Transformações de Intensidade
Leia maisResultados da Segmentação
59 6 Resultados da Segmentação Neste capítulo são avaliados os três algoritmos de binarização abordados no capítulo 4. A avaliação é obtida comparando-se as imagens segmentadas, com as mesmas imagens segmentadas
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 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 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 maisProcessamento de Imagens
Processamento de Imagens Prof. Marcelo Portes de Albuquerque Prof. Márcio Portes de Albuquerque Monitores: Fernanda Dutra Moraes (CBPF) Pedro de Souza Asad (CBPF) IX Escola do CBPF 22 IX Escola do CBPF
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 maisImagem Binária. Está realmente definida no suporte retangular. Fora do suporte tem uma cor de fundo, replica, estende, etc.
PSI-651 Morfologia Matemática 005 Tópicos a serem abordados: 1. Relacionamento entre pixels 1.1. Vizinhança e conectividade 1.. Distância. Morfologia matemática binária básica 3. Operações lógicas e aritméticas
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 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 maisCapítulo 6. Aberturas e fechamentos. 6.1 Aberturas e fechamentos algébricos
Capítulo 6 Aberturas e fechamentos Neste capítulo vamos introduzir duas novas classes de operadores: a abertura e o fechamento, que ocupam um papel fundamental na área dos filtros morfológicos [Serra88].
Leia maisMathematical Morphology An Overview
Universidade Federal Fluminense Instituto de Computação Mathematical Morphology An Overview Jacó Júlio de Souza Costa jacojulio@gmail.com jacojulio@id.uff.br March 29, 2019 Sumário 1 Definição do Tema
Leia maisOPERAÇÕES PONTO A PONTO
OPERAÇÕES PONTO A PONTO Operações pontuais São operações nas imagens onde o processamento é realizada em cada piel individualmente Podem ser Aritméticas Lógicas Envolver uma ou mais imagens Operações pontuais
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 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 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 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 maisTransformada Imagem-Floresta (IFT)
(IFT) Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br / Um caminho π no grafo G = (D I,A) é uma sequência de pixels
Leia maisEliminação de Ruídos e Extração de Bordas em Imagens Digitais via Equação de Difusão não-linear
Eliminação de Ruídos e Extração de Bordas em Imagens Digitais via Equação de Difusão não-linear Wallace Correa de Oliveira Casaca DCCE-IBILCE-UNESP Rua Cristóvão Colombo, 2265 15054-000 - São José do Rio
Leia maisImplementação de algoritmo de tratamento de imagens para detecção de falhas em cordão de solda. Rafael Marques Ilivinski
Implementação de algoritmo de tratamento de imagens para detecção de falhas em cordão de solda Rafael Marques Ilivinski Departamento Acadêmico de Eletrônica (DAELN) - Universidade Tecnológica Federal do
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 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 maisTomografia é feita em 2 passos:
Processamento e Recuperação de Imagens Médicas Retro-projeção e transformada de Radon Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) é feita em passos: o passo
Leia mais2.3- Método Iterativo Linear (MIL)
.3- Método Iterativo Linear (MIL) A fim de introduzir o método de iteração linear no cálculo de uma raiz da equação (.) f(x) = 0 expressamos, inicialmente, a equação na forma: (.) x = Ψ(x) de forma que
Leia maisCONTROLE DE QUALIDADE DE PADRÕES GRÁFICOS ATRAVÉS DA UTILIZAÇÃO DO GRADIENTE MORFOLÓGICO
CONTROLE DE QUALIDADE DE PADRÕES GRÁFICOS ATRAVÉS DA UTILIZAÇÃO DO GRADIENTE MORFOLÓGICO João L. Fernandes Pós-Graduação em Ciência da Computação, Universidade Federal Fluminense. Rua Passos da Pátria,
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 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 maisTomografia. Processamento e Recuperação de Imagens Médicas. Retro-projeção e transformada de Radon. Prof. Luiz Otavio Murta Jr.
Processamento e Recuperação de Imagens Médicas Tomografia Retro-projeção e transformada de Radon Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) 1 Tomografia
Leia maisConceitos e Princípios Gerais
Conceitos e Princípios Gerais Conceitos e Princípios Gerais Fases na resolução de problemas físicos Resolução do Modelo Matemático Conceitos Básicos de Cálculo Numérico Erros em Processos Numéricos Fases
Leia mais4. O algoritmo LMS e variantes
Apontamentos de Processamento Adaptativo de Sinais 4. O algoritmo LMS e variantes Família de algoritmos do gradiente Na prática usam-se estimativas do gradiente, ˆ (n), em vez do verdadeiro gradiente (n),
Leia maisRECONSTRUÇÃO MORFOLÓGICA POR DILATAÇÕES CONDICIONAIS PARA DETECÇÃO DE FEIÇÕES EM IMAGENS DIGITAIS
RECONSTRUÇÃO MORFOLÓGICA POR DILATAÇÕES CONDICIONAIS PARA DETECÇÃO DE FEIÇÕES EM IMAGENS DIGITAIS Thiago Statella 1, Erivaldo Antônio da Silva 2 Resumo: Este trabalho apresenta os resultados obtidos pela
Leia maisMAUREN LOUISE SGUARIO COELHO DE ANDRADE
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E INFORMÁTICA INDUSTRIAL MAUREN LOUISE SGUARIO COELHO DE ANDRADE Aplicação do método Level Set para Segmentação
Leia maisRECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda e-mail: valentin@sel.eesc.sc.usp.br
Leia maisMétodo de Otsu. Leonardo Torok 1
Método de Otsu Leonardo Torok 1 1 Instituto de Computação Universidade Federal Fluminense (UFF) Av. Gal. Milton Tavares de Souza, s/nº 24.210 346 Niterói RJ Brasil ltorok@ic.uff.br Resumo. O método de
Leia maisRadiométricas. Alexandre Xavier Falcão. Instituto de Computação - UNICAMP
Operações Matemáticas e Transformações Radiométricas Instituto de Computação - UNICAMP afalcao@ic.unicamp.br Operações Matemáticas Sejam Î = (D I, I ) e Ĵ = (D J, J) duas imagens cinzas de mesmo domínio,
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 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 maisEXTRAÇÃO DE BORDAS EM IMAGEM DE ALTA RESOLUÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DE IMAGEM
EXTRAÇÃO DE BORDAS EM IMAGEM DE ALTA RESOLUÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DE IMAGEM Thaisa Manoela Silva França 1, Ana Lúcia Bezerra Candeias 2 1 Acadêmico em Engenharia Cartográfica e Agrimensura,
Leia maisProcessamento de Imagens
Processamento de Imagens André Tavares da Silva andre.silva@udesc.br Roteiro O que é imagem Operações com imagens Convolução discreta Transformada de Fourier Transformada de Wavelets Morfologia matemática
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisIntrodução ao Processamento Digital de Imagens. Aula 9 Restauração de Imagens. Prof. Dr. Marcelo Andrade da Costa Vieira
Introdução ao Processamento Digital de Imagens Aula 9 Restauração de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Realce x Restauração Realce: Processar a Imagem para obter um resultado
Leia maisTransformada Imagem-Floresta (IFT)
Transformada Imagem-Floresta (IFT) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda, aula 3 p. Caminhos
Leia maisBinárias Seqüenciais Rápidas
Erosões e Dilatações Morfológicas Binárias Seqüenciais Rápidas Anderson Fraiha Machado 1, Ronaldo Fumio Hashimoto 1 1 Instituto de Matemática e Estatística Universidade de São Paulo (USP) Rua do Matão,
Leia maisDetecção de bordas a partir de imagens orbitais de alta resolução através de técnicas de Morfologia Matemática
Detecção de bordas a partir de imagens orbitais de alta resolução através de técnicas de Morfologia Matemática Thiago Statella 1 Erivaldo Antonio da Silva 1 1 Faculdade de Ciências e Tecnologia (FCT) Universidade
Leia maisForecasting e ti O i Otim Oti ização de ã d Carteiras com Matlab AULA 3
Forecasting e Otimização i de Carteiras com Matlab AULA 3 Guia de Estudo para Aula 03 Modelos Discretos Exercícios - Formulação de um modelo - Programação de modelos com for - A simulação de um modelo
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 maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisEXTRAÇÃO AUTOMÁTICA DE MARCADORES ANATÔMICOS NO DESENVOLVIMENTO DE UM SISTEMA DE AUXÍLIO AO DIAGNÓSTICO POSTURAL POR IMAGENS
EXTRAÇÃO AUTOMÁTICA DE MARCADORES ANATÔMICOS NO DESENVOLVIMENTO DE UM SISTEMA DE AUXÍLIO AO DIAGNÓSTICO POSTURAL POR IMAGENS Daily Morales 1 Tania Mezzadri Centeno 2 daily@din.uem.br mezzadri@cpgei.cefetpr.br
Leia maisOperadores Morfológicos
Capítulo 2 Operadores Morfológicos Uma forma elegante de resolver problemas de processamento de imagens é através da utilização de uma base teórica consistente. Uma destas teorias é a morfologia matemática
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
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 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 mais