análise e processamento de imagempinheiro/timgproc.pdf · 2007. 5. 15. · universidade da beira...
TRANSCRIPT
Analise e Processamento de Imagem
Antonio M. G. PinheiroUniversidade da Beira Interior
Covilha - [email protected]
15 de Maio de 2007
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Analise e Processamento de ImagemBIBLIOGRAFIA
1. Linda G. Shapiro and George C. Stockman, Computer Vision, Prentice Hall, 2001, ISBN:0-13-030796-3
2. John W. Woods, Multidimensional Signal, Image and Video Processing and Coding, ElsevierAcademic Press, 2006, ISBN: 0-12-088516-6.
3. PAGINAS NA INTERNET SUGERIDAS: http://www.ph.tn.tudelft.nl/Courses/FIP/noframes/fip.html http://mp7.watson.ibm.com/marvel/ http://www.chiariglione.org/mpeg/standards/mpeg-7/mpeg-7.htm
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Introducao
• VISAO HUMANA OFERECE UMA ENORME PERCEPCAO DO MUNDO QUE NOS RODEIA.
• A LUZ REFLETE/ATRAVESSA OS OBJECTOS CRIANDO UMA IMAGEM NA RETINA DE CADA UM DOSOLHOS.
• UM CONJUNTO DE COMPONENTES CRIAUMA ESTRUTURA 3D NA MENTE HUMANA:
– CENA COM OBJECTOS
– ILUMINACAO DOS OBJECTOS
– SENSACAO DA ILUMINACAO:
∗ LUZ REFLETIDAPELOS OBJECTOS
∗ LUZ QUE ATRAVESSAOS OBJECTOS
SuperfícieReflectante
Fonte de Luz
Normal àSuperficie
Θ
Radiação
N
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Sensores de Luz
RECEPTORES QUIMICOS DOOLHO HUMANO SAO SENSIVEIS ARADIACAO (LUMINOSA)
• COMPRIMENTOS DE ONDA(λ) ∈ [400ηm, 700ηm](VIOLETA AO VERMELHO);
APARELHOS SENSIVEIS ARADIACAO ELECTROMAGNETICA
• ONDAS DE RADIO;
• RAIOS X;
• MICROONDAS.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Sensores de Luz
EQUIPAMENTOS DETECTORES
• SENSORES CCD(CHARGED COUPLED DEVICE)DETECTAM LUZ VISIVEL;DETECTAM λ > 700ηm(INFRAVERMELHOS);
• PARA λ MUITO PEQUENO:RAIOS X;
• PARA ONDAS MUITOS LONGAS.
Fonte de LuzOBJECTO
(Elemento de Superfície)
Normal àSuperficie
Θ
RadiaçãoCAMERA
(Elemento Sensor)Irradiante
Eixo ópticoZ
SuperfícieReflectante
N
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnologia Digital de Imagem
• PROCESSAMENTO DE IMAGEM
Imagem a Entrada→ Imagem a Saıda
• ANALISE DE IMAGEM
Imagem a Entrada→ Medidas a Saıda
• COMPREENSAO DE IMAGEM
Imagem a Entrada→ Descricao de Alto Nıvel a Saıda
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Nocoes Basicas de Processamento de Imagem
• IMAGEM CONSIDERADA UMA MATRIZ
I(y, x) DE PIXELS (PICTURE ELEMENTS)• COM N COLUNAS E M LINHAS
• CADA PIXEL I(m, n) REPRESENTA UMA ME-DIDA QUE DEPENDE DE VARIAS VARIAVEIS,COMO:– COR (λ)– PROFUNDIDADE (z)– TEMPO (t)
x
y
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Nocoes Basicas de Processamento de Imagem
A IMAGEM OBTIDA PELO SENSOR, VAI PASSAR POR UM PROCESSO DE
quantificacao QUE A CONVERTE NUMA IMAGEM DIGITAL DE N × M PIXELS.
x
y
x
y f(x,y,z,λ,t)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Nocoes Basicas de Processamento de Imagem
Valores ComunsPARAMETRO S IMBOLO VALORES T IPICOS
COLUNAS N 256,512,525,625,1024,1035LINHAS M 256,512,768,1024,1320NUMERO DE N IVEIS
DE QUANTIFICACAOL
2, 64, 256, 1024, 4096,216 =65536, 224
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Nocoes Basicas de Processamento de ImagemIMAGEM Ir(y, x) QUE RESULTA DE PROCESSAR UMA IMAGEM I(y, x), PODE RESULTAR DE UM pro-cessamento:
• Pontual - Ir(m, n) = f(I(m, n))EM QUE O PIXEL RESULTANTE SO DEPENDE DO PIXEL DA IMAGEM ORIGINAL COM AS MESMASORDENADAS.
• Local - Ir(m, n) = f(I(y, x)), (y, x) ∈ VIZINHANCA DE (m, n)EM QUE O PIXEL RESULTANTE SO DEPENDE DOS PIXELS NUMA DADA VIZINHANCA DO PIXEL DAIMAGEM ORIGINAL COM AS MESMAS ORDENADAS.
• Global - Ir(m, n) = f(I(y, x)), ∀(y, x)EM QUE O PIXEL RESULTANTE DEPENDE GLOBALMENTE DE TODOS OS PIXELS DA IMAGEMORIGINAL.
Pontual Local Global
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Formatos de Imagem
• Formatos Computacionais com representacao de pixel a pixel:– PORTABLE BIT MAP (PBM/PGM/PPM);– BMP (MICROSOFT);– TAG IMAGE FILE FORMAT (TIFF).∗ FORMATO COMPLEXO E GENERICO;∗ GERALMENTE USADO PELAS MESAS DIGITALIZADORAS.
• Formatos comprimidos:– GRAPHICS INTERCHANGE FORMAT (GIF)∗ 256 CORES DISPONIVEIS (8 BITS DE CODIFICACAO⇒ 28);∗ COMPRESSAO SEM PERDAS LEMPEL-ZIV-WELCH (LZW).
– JOINT PHOTOGRAPHIC EXPERT GROUP (JPEG)∗ PODE CODIFICAR IMAGENS DE 64K×64K DE 24 BITS CADA;∗ COMPRESSAO COM PERDAS;
• Vıdeo: MOVING PICTURE EXPERT GROUP (MPEG)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Camera CCD
COMPOSTA POR CELULAS DE ESTADO SOLIDO QUE CONVERTEM
ENERGIA DA LUZ EM ENERGIA ELECTRICA.
• CADA CELULA
– CONVERTE A ENERGIALUMINOSA QUE RECEBENUMA CARGA ELECTRICA;
– GERA UM pixel DE UMAIMAGEM DIGITAL;
• FORMA-SE UMA IMAGEM DIGITALDE N×M
– 512×512
– 640×480
Pixel
Lente
Plano de Imagem
Cena 3D
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Camera CCD
AMPLIACAO DE TROCOS DE IMAGEM
IMAGEM COM DIFERENTES DEFINICOES
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Ferramentas de Processamento de Imagem
TECNICAS USADAS:• CONVOLUCAO, ANALISE DE FOURIER E ANALISE ESTATISTICA
• FILTRAGEM
• ANALISE DE COR E TEXTURA
• TECNICAS DE OBTENCAO DE LIMIARES E DE SEGMENTACAO
• RECONHECIMENTO DE PADROES
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Ferramentas de Processamento de Imagem
CONVOLUCAO:
Ir(m, n) = I(m, n)⊕ h(m, n) =∞∑
j=−∞
∞∑i=−∞
I(j, i).h(m− j, n− i)
COM h(m, n) FUNCAO IMPULSIVA DO SISTEMA LINEAR E INVARIANTE
Sistema Linear e Invariante
I(y,x) I (y,x)r
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
ConvolucaoVIZINHANCA DE UM PIXEL
• VIZINHANCA DE 4 PIXELS
N
X
S
W E
• VIZINHANCA DE 8 PIXELS
N
X
S
W E
NE
SESW
NW
• VIZINHANCA GENERICA NUM SISTEMA CAUSAL
X
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
ConvolucaoEXEMPLO DE MASCARAS
1
1
1
1 1
1
11
1 2
4
2
2 2
1
11
1 1
1
1
1
1
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
ConvolucaoAPLICACAO DE MASCARA A UMA IMAGEM: CONVOLUCAO
Ir(y, x) = I(y, x)⊕ h(y, x) =∑
j
∑i
I(j, i).h(y − j, x− i)
40 4040 80 8080
40 4040 80 8080
40 4040 80 8080
40 4040 80 8080
40 4040 80 8080
40 4040 80 8080
502 11
4 22
2 11
NOTA: As mascaras de convolucao sao normalmente normalizadas de forma a que a soma dos seuselementos seja 1. No caso da figura implica dividir todos os elementos por 16.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
ConvolucaoCONVOLUCAO: EXEMPLO USANDO A MASCARA ANTERIOR
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Ferramentas de Processamento de Imagem
TRANSFORMADA DE FOURIER - RESPOSTA EM FREQUENCIA
I(Ω,Ψ) = F I(m, n) =∞∑
m=−∞
∞∑n=−∞
I(m, n).e−j(Ωm+Ψn)
I(m, n) = F−1 I(Ω,Ψ) =1
4π2
∫ π
−π
∫ π
−πI(Ω,Ψ).ej(Ωm+Ψn)dΩdΨ
• REPRESENTA O SINAL COMO UMA SOMA PESADA
DE EXPONENCIAIS COMPLEXAS ejq = cos(q) + jsin(q)
• REPRESENTA A DISTRIBUICAO DE FREQUENCIAS DA IMAGEM
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Ferramentas de Processamento de Imagem
TRANSFORMADA DE FOURIER - RESPOSTA EM FREQUENCIA
FILTRAGEM
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Representacao em Frequencia de uma ImagemTRANSFORMADA DISCRETA DE FOURIER BIDIMENSIONAL
F (V, U) =
M−1∑y=0
N−1∑x=0
I(y, x)e−j2π( y V
M+x U
N ) , (V, U) ∈ [0, M − 1]× [0, N − 1]
0 Else
TRANSFORMADA DISCRETA DE FOURIER BIDIMENSIONAL INVERSA
I(y, x) =
1
N M
M−1∑V =0
N−1∑U=0
F (V, U)ej2π( y V
M+x U
N ) , (y, x) ∈ [0, M − 1]× [0, N − 1]
0 Else
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Representacao em FrequenciaTRANSFORMADA DISCRETA DE FOURIER BIDIMENSIONAL
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
FiltragemFILTRAGEM DE FREQUENCIAS, CONSISTE EM ELIMINAR OU REDUZIR OF EFEITO DE DETERMINA-DAS COMPONENTES DE FREQUENCIAS DO SINAL/IMAGEM.
FILTRO PASSA BAIXOAS COMPONENTES DE FREQUENCIAS ACIMA DE UM CERTO VA-LOR SAO SUPRIMIDAS.
ω
FILTRO PASSA ALTOAS COMPONENTES DE FREQUENCIAS ABAIXO DE UM CERTOVALOR SAO SUPRIMIDAS.
ω
FILTRO PASSA BANDAAS COMPONENTES DE FREQUENCIAS FORA DE UM DETERMI-NADO INTERVALO DE FREQUENCIAS SAO SUPRIMIDAS.
ω
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
FiltragemTEOREMA DA CONVOLUCAOA CONVOLUCAO NO TEMPO/ESPACO ORIGINA UMA MULTIPLICACAO DAS RESPECTIVAS IMAGENS.
f1(t)⊕ f2(t)TF←→ F1(jω)F2(jω)
I1(y, x)⊕ h(y, x)DFTB←→ F1(V, U)H(V, U)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
FiltragemEXEMPLOS DE FILTRAGEM
FILTROPASSA-BAIXO
FILTROPASSA-ALTO
FILTROPASSA-BANDA
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Ferramentas de Processamento de Imagem
COR
• COR MONOCROMATICA - RESULTA DE APENAS DE UM COMPRIMENTO DE ONDA
(A MAIORIA DAS CORES QUE NOS VEMOS NAO SAO MONOCROMATICAS - RE-SULTAM DA COMBINACAO DE VARIAS CORES MONOCROMATICAS)• CROMINANCIA - INFORMACAO DE COR;• LUMINANCIA - MEDE A LUZ OU O BRILHO DA COR.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Ferramentas de Processamento de Imagem
COR
NOS HUMANOS A PERCEPCAO DE COR RE-SULTA DE:• TRES TIPOS DE CONES, SENSIVEIS
RESPECTIVAMENTE A COR Vermelha,Verde E Azul• ESTA DECOMPOSICAO ORIGINA O MO-
DELO DE COR RGB.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Ferramentas de Processamento de Imagem
TEXTURAS
SAO USUALMENTE PROCESSADAS POR FILTROS DE GABOR
(EXEMPLO REAL E O RECONHECIMENTO DA IRIS DO OLHO)
VARIAS CARACTERISTICAS, DAS QUE SE DESTACAM:• FREQUENCIA
• DIRECCAO
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Ferramentas de Processamento de Imagem
DETECCAO DE LIMIARES E SEGMENTACAO
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Representacao de ImagemIMAGEM REPRESENTADA POR MATRIZ
Img[][] =
Img(0,0) Img(0,1) ... ... Img(0, XM − 1)Img(1,0) Img(1,1) ... ... Img(0, XM − 1)Img(1,0) Img(1,1) ... ... Img(1, XM − 1)
... ... ... ... ...
... ... ... ... ...Img(YM − 1,0) Img(YM − 1,1) ... ... Img(YM − 1, XM − 1)
EM QUE:
• XM E O NUMERO DE COLUNAS DA IMAGEM(NUMERO DE PIXELS DE CADA LINHA DA IMAGEM)
• YM E O NUMERO DE LINHAS DA IMAGEM
• Img(y, x) REPRESENTA A INTENSIDADE DO PIXEL:
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Representacao de ImagemINTENSIDADE DO PIXEL - Img(y, x)
1. IMAGEM BINARIA 0→ FUNDO DA IMAGEM (BACKGROUND) 1→ RELEVO DA IMAGEM (FOREGROUND)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Representacao de ImagemINTENSIDADE DO PIXEL - Img(y, x)
2. IMAGEM MULTINIVEL 0→ PRETO 255→ BRANCO VALORES INTERMEDIOS ORIGINAM NIVEIS DE CINZENTO INTERMEDIOS
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Algoritmos basicos de Processamento de ImagemCONTAGEM DO NUMERO DE OBJECTOS NUMA IMAGEM BINARIA
1. Cantos ExternosUM CANTO EXTERNO E CONTABILIZADO CADA VEZ QUE UM PIXEL E A SUA VIZINHANCACOINCIDA COM UMA DESTAS MASCARAS:
00
10
00
01
01
00
10
00
2. Cantos InternosUM CANTO INTERNO E CONTABILIZADO CADA VEZ QUE UM PIXEL E A SUA VIZINHANCA COIN-CIDA COM UMA DESTAS MASCARAS:
11
10
11
01
01
11
10
11
NUMERO DE OBJECTOS =
∥∥NUM. DE CANTOS EXTERNOS−NUM. DE CANTOS INTERNOS∥∥
4
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Algoritmos basicos de Processamento de ImagemCONTAGEM DO NUMERO DE OBJECTOS NUMA IMAGEM BINARIAExemplo:
Resultados:NUMERO DE OBJECTOS = 4NUMERO DE CANTOS EXTERNOS = 120NUMERO DE CANTOS INTERNOS = 136
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Algoritmos basicos de Processamento de ImagemETIQUETAR COMPONENTES CONECTADASPERMITE DEFINIR AREAS CONECTADAS ENTRE SI EREFERI-LAS POR UMA ETIQUETA. DOIS ALGORITMOS:1) Algoritmo RecursivoFaz pesquisa numa vizinhanca de quatro pixels das componentes conectadas, ate que todos os pixelsconectados tenham a mesma etiqueta.
2) Algoritmo Linha a LinhaVai pesquisar pixel a pixel, linha a linha por conexoes.Depois de executado, faz uma re-etiquetagem de regioes, que sendo contıguas, e tendo o mesmovalor de pixel, foram colocadas em etiquetas diferentes.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Algoritmos basicos de Processamento de ImagemHISTOGRAMA DA IMAGEMGRAFICO QUE CONTABILIZA O NUMERO DE VEZES QUE APARECE CADA COR.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Algoritmos basicos de Processamento de ImagemQUANTIFICACAO DE IMAGEMUM ALGORITMO DE QUANTIFICACAO SELECCIONA AS ZONAS DO HISTOGRAMA QUE VAOSER QUANTIFICADOS NA MESMA COR, BASEADA NA DISTRIBUICAO DE CORES.EXEMPLO:M. I. Sezan, “A peak detection algorithm and it’s application to histogram-based image datareduction,” Computer Vision, Graphics, and Image Processing, vol. 49, pp. 36–51, 1990.
ORIGINAL 2 NIVEIS 8 REGIOES
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Algoritmos basicos de Processamento de ImagemQUANTIFICACAO DE IMAGEM
ORIGINAL 3 NIVEIS 24 REGIOES
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM
• BINARIA
• MULTINIVEL
ELEMENTOS ESTRUTURANTES - SBASEIA-SE NUM ELEMENTO ESTRUTURANTE S QUE REPRESENTA UMA FORMA
1 11
1 11
1 11
1 11
1 11
1 11
1 11
1
1
1
1
1
1
1
1
1 11 1 1
1
1
1
1 1 1
1
1
1
1 1 1
EXEMPLOS DE ELEMENTOS ESTRUTURANTES BINARIOS.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM BINARIAAS OPERACOES MORFOLOGICAS SOB IMAGENS BINARIAS MAIS IMPORTANTES SAO:
• DILATACAO→ Alarga as regioes
• EROSAO→ Diminui as regioes
• FECHO (“CLOSING”) → Tende a fechar buracos interiores interiores a regiao e a eliminaras baıas nos limiares da regiao
• ABERTURA (“OPENING”) → Tende a retirar pequenas porcoes ou regioes que saem doslimiares
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM BINARIA - DILATACAOA DILATACAO BINARIA COLOCA CADA PIXEL DE IMAGEM RESULTANTE A 1 DESDE QUE A IMAGEMORIGINAL TENHA DENTRO DO ELEMENTO ESTRUTURANTE UM PIXEL A 1.
1 11
1 11
1 11
1 11 1 11
1 11
1 1111
11
1 11 1 11
1 11
1 1111
11
1 11 1 11 1 1
1
1
1
11 1
1 1 11
1
1
1 111
1
Imagem Original
ElementoEstruturante Imagem Dilatada
EXEMPLO DE DILATACAO MORFOLOGICA BINARIA.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM BINARIA - DILATACAO
1 11
1 11
1 11
1 11
1
1
1
1
1
1
1
1
1 11 1 1
ElementoEstruturante
EXEMPLO DE DILATACAO MORFOLOGICA BINARIA.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM BINARIA - EROSAOA EROSAO BINARIA COLOCA CADA PIXEL DE IMAGEM RESULTANTE A 0 DESDE QUE A IMAGEMORIGINAL TENHA DENTRO DO ELEMENTO ESTRUTURANTE UM PIXEL A 0.
1 11
1 11
1 11
1 11 1 11
1 11
1 1111
11
1
Imagem Original
ElementoEstruturante Imagem Erodida
EXEMPLO DE EROSAO MORFOLOGICA BINARIA.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM BINARIA - EROSAO
1 11
1 11
1 11
1 11
1
1
1
1
1
1
1
1
1 11 1 1
ElementoEstruturante
EXEMPLO DE EROSAO MORFOLOGICA BINARIA.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM BINARIA - FECHO (“CLOSING”)A OPERACAO MORFOLOGICA DE FECHO CONSISTE NA APLICACAO DA OPERACAO DEDILATACAO SEGUIDA DA OPERACAO DE EROSAO SOBRE A IMAGEM DILATADA.Origina o Fecho de Buracos nas Regioes e a Eliminacao de Baıas nos limiares da regioes
1 11
1 11
1 11
1 11
1
1
1
1
1
1
1
1
1 11 1 1
ElementoEstruturante
EXEMPLO DE FECHO MORFOLOGICO BINARIO.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM BINARIA - ABERTURA (“OPENING”)A OPERACAO MORFOLOGICA DE ABERTURA CONSISTE NA APLICACAO DA OPERACAO DEEROSAO SEGUIDA DA OPERACAO DE DILATACAO SOBRE A IMAGEM ERODIDA.Retira pequenas porcoes ou regioes que saem dos limiares
1 11
1 11
1 11
1 11
1
1
1
1
1
1
1
1
1 11 1 1
ElementoEstruturante
EXEMPLO DE ABERTURA MORFOLOGICA BINARIA.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de ImagemMORFOLOGIA DE IMAGEM MULTINIVELAS OPERACOES MORFOLOGICAS SOB IMAGENS MULTINIVEL MAIS IMPORTANTES SAO:
• DILATACAO, EROSAO, FECHO (“CLOSING”) E ABERTURA (“OPENING”)
• GRADIENTE→ Realca os limites das Regioes
ELEMENTOS ESTRUTURANTESSAO IMAGENS MULTINIVEL COM UMA FORMA ARBITRARIA.USUALMENTE SAO RECTANGULARES OU QUADRADOS COM TODOS OS PIXELS COM VALOR ZERO.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de Imagem MultinıvelDILATACAO
D(Img, S) = max[j, i] ∈ S
Img[y − j, x− i] + S[j, i]
0 00
0 00
0 00
0 00
0
0
0
0
0
0
0
0
0 00 0 0
ElementoEstruturante
EXEMPLO DE DILATACAO MORFOLOGICA MULTINIVEL.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de Imagem MultinıvelEROSAO
E(Img, S) = min[j, i] ∈ S
Img[y + j, x + i]− S[j, i]
0 00
0 00
0 00
0 00
0
0
0
0
0
0
0
0
0 00 0 0
ElementoEstruturante
EXEMPLO DE EROSAO MORFOLOGICA MULTINIVEL.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de Imagem MultinıvelFECHO (“CLOSING”)
F (Img, S) = E(D(Img, S), S)
0 00
0 00
0 00
0 00
0
0
0
0
0
0
0
0
0 00 0 0
ElementoEstruturante
EXEMPLO DE FECHO MORFOLOGICO MULTINIVEL.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de Imagem MultinıvelABERTURA (“OPENING”)
F (Img, S) = D(E(Img, S), S)
0 00
0 00
0 00
0 00
0
0
0
0
0
0
0
0
0 00 0 0
ElementoEstruturante
EXEMPLO DE ABERTURA MORFOLOGICA MULTINIVEL.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de Imagem MultinıvelGRADIENTEA OPERACAO MORFOLOGICA GRADIENTE CONSISTE NA SUBTRACCAO DA IMAGEM DILATADAPELA IMAGEM ERODIDA.Realca os limites das regioes
F (Img, S) = D(Img, S)− E(Img, S)
ElementoEstruturante
0 00
0 00
0 00
EXEMPLO DE GRADIENTE MORFOLOGICO.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Morfologia de Imagem MultinıvelEXEMPLO
ORIGINAL DILATADA ERODIDA
FECHO ABERTURA GRADIENTE
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Enriquecimento de ImagemMAPEAMENTO DOS CINZENTOS
ALTERAR O MAPEAMENTO DOS CINZENTOS PODE TORNAR UMA IMAGEM MUITOMAIS NITIDA:
• ESPALHAMENTO DO MAPA DE CORES
• CORRECCAO GAMA (E OUTRAS)
• EQUALIZACAO DO HISTOGRAMA
Definicao de Operador de PixelUM OPERADOR DE PIXEL DETERMINA CADA PIXEL DA IMAGEM RESULTANTE COMOUMA FUNCAO DO PIXEL DA IMAGEM ORIGINAL, OU SEJA,
Ir(m, n) = f (I(m, n))
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemESPALHAMENTO DO MAPA DE CORESQUANDO UMA IMAGEM E REPRESENTADA POR UM NUMERO DE CORES INFERIOR AONUMERO TOTAL DE CORES, CONCENTRADAS ENTRE UMA VALOR MIN I(m, n) EMAX I(m, n), ESTAS CORES SAO ESPALHADAS PELO CONJUNTO DE CORES DIS-PONIVEIS. ISTO PERMITE QUE AS DIFERENTES CORES SEJAM REALCADAS ENTRE SI.
Operador de Pixel:
Ir(m, n) = (I(m, n)− MIN I(m, n))×255
MAX I(m, n) − MIN I(m, n)
IMAGEM REPRESENTADA POR 16CORES.
IMAGEM REPRESENTADA COMESPALHAMENTO DAS 16 CORES.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemCORRECCAO GAMMAMUITAS VEZES DEVIDO AS CONDICOES DE AQUISICAO AS IMAGENS APARECEM MUITO ESCURE-CIDAS. A CORRECCAO GAMMA ATRIBUI AS CORES MAIS ESCURAS CORES MAIS CLARAS.
Operador de Pixel:
f(x) = x1
γ ⇒ Ir(m, n) = 256
(I(m, n)
256
)1
γ
1
10
0
x1/2
x1/5
IMAGEMORIGINAL.
TRANSFORMACAO GAMMA(γ = 2).
TRANSFORMACAO GAMMA(γ = 5).
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Enriquecimento de ImagemEQUALIZACAO DE IMAGEMUM ALGORITMO DE QUANTIFICACAO SELECCIONA AS ZONAS DO HISTOGRAMA QUEVAO SER QUANTIFICADOS NA MESMA COR, BASEADA NA DISTRIBUICAO DE CORES.EXEMPLO:M. I. Sezan, “A peak detection algorithm and it’s application to histogram-based image datareduction,” Computer Vision, Graphics, and Image Processing, vol. 49, pp. 36–51, 1990.
IMAGEMORIGINAL.
EQUALIZACAO EM 26CORES.
EQUALIZACAO EM 43CORES.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemREMOCAO DE RUIDOIMAGENS BINARIAS SAO MUITAS VEZES CORROMPIDAS PORRUIDO “SALT & PEPPER”.USA-SE UMA MASCARA COM OS OITO VIZINHOS; SE OS OITO VIZINHOS SAO DAMESMA COR E O PIXEL TIVER UMA COR DIFERENTE E CONSIDERADO QUE SE ESTANA PRESENCA DE RUIDO E A COR DO PIXEL E ALTERADA.
1 1 1
1 0 1
1 1 1
1 1 1
1 1 1
1 1 1
0 0 0
0 1 0
0 0 0
0 0 0
0 0 0
0 0 0
IMAGEMORIGINAL.
IMAGEM COM RUIDOSALT & PEPPER.
IMAGEM DEPOIS DAREMOCAO DO RUIDO
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemSUAVIZACAO DA IMAGEMSUAVIZAR UMA IMAGEM PERMITE SUAVIZAR O EFEITO DO RUIDO.
FILTRO “BOX”(MEDIO): Ir(m, n) =1
25
2∑i=−2
2∑j=−2
I(m− j, n− i)
IMAGEM ORIGINAL IMAGEM FILTRADA(JANELA DE 5 PIXELS)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemSUAVIZACAO DA IMAGEM
IMAGEM ORIGINAL CORROMPIDACOM RUIDO GAUSSIANO
IMAGEM COM RUIDO FILTRADA(JANELA DE 5 PIXELS)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemFILTRO GAUSSIANO
O FILTRO GAUSSIANO FAZ UMA MEDIA PONDERADA PELA FUNCAO GAUSSIANA
g(x, y) =1√2πσ
e− d2
2σ2
COM d =√
(x− xc)2 + (y − yc)2
IMAGEM ORIGINAL IMAGEM FILTRADA (σ = 2)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemFILTRO GAUSSIANO
IMAGEMORIGINAL
IMAGEM FILTRADA (σ = 2√
2)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemFILTRO GAUSSIANO
IMAGEMORIGINAL
IMAGEM FILTRADA (σ = 4)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Enriquecimento e Filtragem de ImagemDETECCAO DE LIMIARESA DETECCAO DE LIMIARES PERMITE REALCAR AS DIFERENTES ZONAS DE UMA IMA-GEM.ENTRE OS DIFERENTES METODOS VAMOS CONSIDERAR AQUELES QUE PROVAVEL-MENTE SAO OS MAIS UTILIZADOS:
• OPERADOR DIFERENCIAIS
• O DETECTOR DE CANNY
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Deteccao de LimiaresO OPERADOR DIFERENCIAIS
UMA MASCARA CALCULA UMA APROXIMACAO DAS DERIVADAS∂f
∂y,
∂f
∂x
UM PONTO REPRESENTA UM PONTO LIMIAR SE O MODULO DO GRADIENTE
|∇f | =
√(∂f
∂y
)2
+
(∂f
∂x
)2TIVER UM MAXIMO SEGUNDO A DIRECCAO DO
GRADIENTE θ = tan
(∂f
∂y
)/
(∂f
∂x
)
-1 0 1
-1 0 1
-1 0 1
1 1 1
0 0 0
-1 -1 -1
Mx MyOperador de Prewitt
-1 0 1
-2 0 2
-1 0 1
1 2 1
0 0 0
-1 -2 -1
Mx MyOperador de Sobel
0 1
-1 0
Mx MyOperador de Roberts
1 0
0 -1
OPERADORES DIFERENCIAIS
Nota: O OPERADOR DE SOBEL E O OPERADOR DIFERENCIAL MAIS POPULAR
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Deteccao de LimiaresEXEMPLO DE APLICACAO DO OPERADOR DE SOBEL
IMAGEMORIGINAL
MODULO DO GRADIENTE
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Deteccao de LimiaresEXEMPLO DE APLICACAO DO OPERADOR DE SOBEL
IMAGEMORIGINAL
NAO MAXIMOS SUPRIMIDOS
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Deteccao de LimiaresEXEMPLO DE APLICACAO DO OPERADOR DE SOBEL
IMAGEMORIGINAL
LIMIARES DA IMAGEM
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Deteccao de LimiaresDETECTOR DE LIMIARES DE CANNYPRETENDE SEGUIR ESTES CRITERIOS DE FUNCIONAMENTO:
• BOA DETECCAO
• BOA LOCALIZACAO
• UMA SO RESPOSTA PARA UM UNICO LIMIAR
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Deteccao de LimiaresDETECTOR DE LIMIARES DE CANNY
PODE SER DEFINIDO PELOS SEGUINTES PASSOS:
• FILTRAGEM GAUSSIANA
• DIFERENCIACAOUSUALMENTE APENAS SE USA
∂f
∂y= I(m + 1, n)− I(m− 1, n) e
∂f
∂x= I(m, n + 1)− I(m, n− 1)
• SUPRESSAO DE NAO MAXIMOS (SO SE CONSIDERAM MAXIMOS NA DIRECCAO DOGRADIENTE)
• OS MAXIMOS SAO SELECCIONADOS PARA LIMIARES POR UM PROCESSO DEHISTERESE
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Deteccao de LimiaresDETECTOR DE LIMIARES DE CANNYProcesso de histerese
• SO SAO CONSIDERADOS LIMIARES QUE CONTENHAM PELO MENOS UM PONTOACIMA DE UMA VALOR ht. ESTE VALOR E ESCOLHIDO DE FORMA A QUE UMAPERCENTAGEM Fh DE PONTOS MAXIMOS (USUALMENTE CERCA DE 80%)ESTEJAM ACIMA DESSE LIMIAR.
• TODOS OS PONTOS CONECTADOS AOS LIMIARES COM UM PONTO ACIMA DE htE QUE TENHAM UM VALOR ACIMA DE UM VALOR lt SAO TAMBEM CONSIDERADOSCOMO PONTOS LIMIARES. lt E ESCOLHIDO COMO UMA FRACCAO DE ht (lt =Fl × ht).
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Deteccao de LimiaresDETECTOR DE LIMIARES DE CANNY
IMAGEMORIGINAL
MODULO DOGRADIENTE
(σ = 2)
NAO MAXIMOSSUPRIMIDOS
LIMIARES DAIMAGEM (HT=70%
E LT=20%)
MODULO DOGRADIENTE
(σ = 4)
NAO MAXIMOSSUPRIMIDOS
LIMIARES DAIMAGEM (HT=70%
E LT=20%)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao de ImagemSumario
• Introducao
• Segmentacao
– Identificacao de Regioes
– Estrategias de Segmentacao
• Tecnicas de Reconhecimento de Padroes Apli-cadas a Segmentacao
– Reconhecimento Supervisionado
– Reconhecimento Nao-supervisionado
– “Clustering”
• Tecnicas de Segmentacao
– Quantificacao de Cores
– Difusao Anisotropica
– Segmentacao por “Watershed”
– “Snakes- Modelos de Contornos Acti-vos
– Metodos baseados nos Limiares
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao de ImagemIntroducao
Segmentacao de Imagem:processo de divisao da imagem num conjunto de regioes.Pretende-se conseguir representar areas significativas, que definam Objectos ou salien-tem determinadas regioes caracterısticas da Imagem.
Exemplo de imagem segmentadaE provavelmente a tarefa mais complicada do Processamento de Imagem.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao de Imagem
Objectivos
1. Decompor a imagem em partes para analise posterior;2. Proporcional uma alteracao da representacao, que tenha maior significado ou per-
mita um analise mais eficiente.
Exemplos de Aplicacoes
• Localizar um Tumor• Medir a dimensao de um Tumor
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao de Imagem
Identificacao de Regioes
• As Regioes devem ser uniformes relativamente a uma (ou mais) caracterıstica(s),como sejam, o nıvel de cinzento, a cor ou a textura.• Os interiores das Regioes devem ser simples e nao conterem varios pequenos bura-
cos.• Regioes adjacentes devem ter valores significativamente diferentes da(s) carac-
terıstica(s) que as identificam.• Os limites das regioes devem ser suaves, e devem ser espacialmente precisos.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao de Imagem
Estrategias de Segmentacao
• Metodos baseados na Regiao (conectada)– As regioes sao localmente homogeneas relativamente a um propriedade.– As regioes satisfazem uma determinada propriedade.
• Metodos baseados nos Limiares– Regioes sao limitadas por uma determinada caracterıstica.– As caracterısticas contem uma elevado contraste duma propriedade.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao de Imagem
Caracterısticas usadas na Classificacao dos Pixels
• Intensidade• Derivadas (eventualmente tiradas em Diferentes Escalas)• Estatısticas da Vizinhanca
– Media, Variancia– Histograma da Vizinhanca– Textura (baseada em filtros Passa-Banda: Gabor, “Wavelets”)
• Dados multivariados– Cor– MRI Espectrais
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao de ImagemExemplo de Classificacao baseada no MRI Espectral
T1, T2, PD
Espaco de Caracterısticas Classificacao
Retirado de Tasdizen et al
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
Nocao GeralDa imagem retira-se um vector caracterıstico
~x = (x0, x1, ..., xM−1) ∈ <n
que representa um conjunto de medidas de uma imagem.Tipicamente, estabelece-se uma funcao f , que pondera os diferentes ca-racterısticas medidas, tendo em conta o seu custo relativo:
f(~x) : <n → <Exemplo:
f(~x) =M−1∑k=0
ωkxk,
em que ωk representa o peso relativo da caracterıstica xk.
x0x1
x2
Domínio
Espaço deCaracterísticas
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
Reconhecimento Supervisionado
• Exemplos previamente classificados sao usados para estabelecer f .– Uso de Prototipos: A classificacao e feita usando o prototipo mais proximo.– Estatıstico: Usam-se funcoes de Densidade de Probabilidade, escolhendo-se a
classificacao mais provavel para o vector ~x.– Redes Neuronais (como a “Perceptron”): Programada por um processo de
aprendizagem que estabelece valores para os pesos.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
Rede Neuronal
Baseadas no modelo simplificadode um neuronio humano.
x[1]
Entradaspara
outros Neurónios
Célula
x[d]
x[2]
w[1]
w[2]
w[d]
y
y = g
d∑j=1
w[j]x[j]
onde g(α) pode ser dado por:
g(α) =
1 se α > t0 c. c.
g(α) = 1/(1 + e−β(α−t))
x[1]
Nível 1Nível de Entrada
x[0]
x[d]
y[2]
y[1]
y[m]
w ij1 w jk
2
Nível 2Nível Escondido
Nível 3Nível de Saída
REDE NEURONAL
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
Reconhecimento Nao-supervisionado
• Decisao e feita exclusivamente a partir dos dados usando funcao predefinida de f .– Baseado em estruturas naturais dos dados - Ex.: “Clustering”.– Algoritmo de “Clustering K-means”.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
“Clustering”Processo de particao dos vectores caracterısticos emsubconjuntos, chamados “Clusters”.Uma forma normal de formar “Clusters” e associarpontos que estao proximos entre si no espaco eucli-deano considerado.Pretende-se portanto, criar particoes de um conjuntode vectores, em grupos que apresentam valores simi-lares.
x0
x1
EXEMPLOS DE “Clusters” NUMESPACO BIDIMENSIONAL.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
Algoritmos Classicos de “Clustering”Os vectores caracterısticos, podem incluir componentes como: Valores de Intensidade Valores das componentes de Cor (RGB, HSV,...) Propriedades calculadasMedidas de Texturas
A escolha dos CLUSTERS pode ser definida com base no numero de “Clusters”, K. mantendo a variancia para cada “Clusters”, abaixo de um determinado valor.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
Algoritmos Classicos de “Clustering”
Tipicamente existem K clusters, C1, C2, ... CK , com medias m1, m2, ... mK .A medida do erro quadratico mınimo pode ser definida como:
D =K∑
k=1
∑xi∈Ck
‖xi −mk‖2 ,
que mede a proximidade dos dados aos clusters que lhe foram atribuidos.
ALGORITMO BASE
Pixels sao agrupados em “Clusters”. Um algoritmo de Etiquetagem permite encontrar regioes conectadas.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
Algoritmo de “Clustering” por “K-means” Iterativo1. Fazer o numero de iteracoes iC = 1.2. Escolher aleatoriamente um conjunto de K “Clusters” com medias m1(1), m2(1), ...
mK(1).3. Para cada vector xi calcular D(xi, mk(iC), para cada k = 1, 2, ... K e atribuir xi ao
cluster Cj com a media mais proxima.4. Incrementar iC , somando 1, e actualizar as medias para obter um novo conjunto
m1(iC), m2(iC), ... mK(iC).5. Repetir os passos 3. e 4. ate que Ck(iC) = Ck(iC + 1) para todos os k.
NOTA: O algoritmo e convergente, embora possa nao levar a solucao optima.Usualmente para-se quando |Ck(iC) − Ck(iC + 1)| e menor que um determinado limiar.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Tecnicas de Reconhecimento de Padroes Aplicadas
Algoritmo de “Clustering” por “K-means” Iterativo
Original Mascara
Exemplo de “Clustering” por “K-means”
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados na Regiao
Separacao de Cores Baseada no Histograma
ALGORITMO
1. Usa-se um Algoritmo de Quantificacao de imagem baseado no histograma. Exemplo:M. I. Sezan, “A peak detection algorithm and it’s application to histogram-based image datareduction,” Computer Vision, Graphics, and Image Processing, vol. 49, pp. 36–51, 1990.No fundo, a quantificacao estabelece um conjunto de “Clusters” e atribui uma classe a cada pixel.
2. Um algoritmo de Etiquetagem das componentes conectadas estabelece as regioes.
3. Regioes pequenas podem ser eliminadas por inclusao noutras.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados na Regiao
Separacao de Cores Baseada no Histograma
original 11 nıveis
4 nıveis
38 regioes
2 regioes
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados na Regiao
Separacao de Cores Baseada no Histograma
original 4 nıveis 5 regioes
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados na RegiaoDifusao AnisotropicaBaseado em: P. Perona and J. Malik, “Scale-space and edge detection using anisotropic diffusion,” IEEETransactions on Pattern Analysis and Machine Intelligence, vol. PAMI-12, no. 7, pp. 629–639, July 1990.
Equacao de Difusao: It(y, x) = ∇.(f(‖I(y, x)‖)∇I(y, x)),
• Se f(‖∇I‖) for constante resulta numa filtragem gaussiana!
• Sugestao:
f(w) = e−(w
K)2
ou
f(w) =1
1 +(
wK
)2
0
0.25
0.5
0.75
1
-5k -3k -2k -k 0 k 2k 3k 5k
w
exp(-(w/k) )
1/(1+(w/k) )
f(w)2
2
Funcoes de Difusao propostas por Peronae Malik.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados na Regiao
Difusao Anisotropica
original Perona & Malik Pinheiro 2006
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados na Regiao
“Watershed”
Algoritmo que ve a imagem como um mapa topografico.Primeiro Aplica-se um Gradiente a imagem.Consiste no enchimento dos vales do mapa.Quando duas regioes de enchimento se tocam, constroi-se uma barragem.No final, varias regioes foram definidas, separada por um conjunto de barragens (contornos das regioes).
Enchimento e Barragens Exemplo
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados nos Limiares
“Snakes” - Contornos ActivosM. Kass, A. Witkin, and D. Terzopoulos, “Snakes - Active Contour Models” International Journal ofComputer Vision, 1(4): 321-331, 1987.
Um Contorno inicial vai convergir iterativamente para uma zona de elevado gradiente.
Formulacao Matematica:Considerando a “Snakes” dada por ~v(s) = (y(s), x(s)), pode-se escrever a sua energia por:
E∗Snakes =
∫ 1
0ESnakes (~v(s)) ds =
∫ 1
0[Eint (~v(s)) + Eimag (~v(s)) + Econ (~v(s))] ds
em queEint representa a energia interna,Eimag representa as forcas da imagem eEcon representa as forcas externas de constrangimento.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados nos Limiares
“Snakes” - Contornos Activos
Exemplo (Joao Machado)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados nos Limiares
“Snakes” - Contornos Activos
Exemplo (Joao Machado)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados nos Limiares
“Snakes” - Contornos Activos
Exemplo (Joao Machado)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Segmentacao - Metodos baseados nos Limiares
Tecnicas de multiresolucaoBaseia-se na determinacao dos limiares em diferentes resolucoes: Alta resolucao implica muitos limiares posicionalmente precisos. Baixa resolucao implica limiares menos importantes suprimidos (com importancia local) mas limiaresresultantes posicionalmente imprecisos.
4 Usar Imagem de limiares de baixa resolucao para seleccionar limiares mais importantes, e desloca-lospara a posicao na imagem de alta resolucao, de forma a serem mais precisos.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Transformadas de ImagemDCT - “Discrete Cosine Transform”
A transformada de Fourier resulta num numero Complexo. Em algumas aplicacoes, este facto torna-se uma grande desvantagem. Por isso, surge a DCT - Transformada Discreta do Cosseno, que e REAL. Entre as aplicacoes, destaca-se o uso em Normas de compressao como a JPEG e a MPEG.
Considerando uma Imagem I(y, x) com dimensao M ×N ,a DCT 2-D e dada por:
IDCT(V, U) =M−1∑m=0
N−1∑n=0
4I(m, n) cos
(πU
2N(2n + 1)
)cos
(πV
2M(2m + 1)
)
para (V, U) ∈ [0, M − 1]× [0, N − 1]. Caso contrario IDCT(V, U) = 0.
Nota: A DCT 2-D e separavel, logo pode ser aplicada de forma independente sobre as linhas edepois sobre as colunas.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Transformadas de ImagemDCT - “Discrete Cosine Transform”
A transformada inversa, IDCT 2-D, para (m, n) ∈ [0, M − 1]× [0, N − 1], e dada por:
I(m, n) =1
MN
M−1∑m=0
N−1∑n=0
w(m)w(n)IDCT(V, U)
cos
(πU
2N(2n + 1)
)cos
(πV
2M(2m + 1)
)
As funcoes de peso w(k) sao dadas por: w(k) =
1/2, k = 01 k 6= 0
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Transformadas de ImagemDCT - “Discrete Cosine Transform”
Nas normas de imagem, a DCT e aplicada a pequenos blocos de imagem de 8×8.
imagem DCT aplicada a blocos de 8×8.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Transformadas de ImagemDCT - “Discrete Cosine Transform- Inversao
Mascara Aplicada1 1 1 1 1 1 1 11 1 1 1 1 1 1 11 1 1 1 1 1 1 11 1 1 1 1 1 1 11 1 1 1 1 1 1 11 1 1 1 1 1 1 11 1 1 1 1 1 1 11 1 1 1 1 1 1 1
Mascara Aplicada1 1 1 1 1 1 0 01 1 1 1 1 0 0 01 1 1 1 0 0 0 01 1 1 0 0 0 0 01 1 0 0 0 0 0 01 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 0
Mascara Aplicada1 1 1 1 1 0 0 01 1 1 1 0 0 0 01 1 1 0 0 0 0 01 1 0 0 0 0 0 01 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 0
Mascara Aplicada1 1 1 1 0 0 0 01 1 1 0 0 0 0 01 1 0 0 0 0 0 01 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 00 0 0 0 0 0 0 0
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Transformadas de ImagemDWT - “Discrete Wavelet Transform”
A Imagem I(y, x) com dimensao M×N , e filtrada por quatro filtros ideais de dimensao π/2×π/2,que no seu conjunto dividem a banda em quatro bandas distintas e exclusivas.Isto significa:
Filtro HLL: passa a banda [0, π/2]× [0, π/2] Filtro HLH : passa a banda [0, π/2]× [π/2, π] Filtro HHL: passa a banda [π/2, π]× [0, π/2] Filtro HHH : passa a banda [π/2, π]× [π/2, π]
I
HLL
HLH
HHL
HHH
2x2ILL
2x2ILH
2x2IHL
2x2IHH
Ilustracao da Transformada“Wavelet”de 2× 2.
Este processo leva a uma subamostragem da imagem, de que resultam quatro subimagens, cada umaresultante de sua filtragem.A grande vantagem em relacao ha DCT e que lida com a imagem como um todo, em vez de lidar emblocos
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Transformadas de ImagemDWT - “Discrete Wavelet Transform”
HH
LH
HL
LLHH
LLLH
LLHL
LLLLHH
LLLLLH
LLLLHL
LLLLLL
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Filtros de Estimacao LinearEstimacao LinearAs tecnicas de Estimacao Linear aplicam-se para estimar uma imagem que e corrompida comruıdo.O objectivo destas tecnicas e a de estimar a imagem, de forma a que ela possa ser visualizada comreducao de ruıdo.
Dois Filtros sao especialmente considerados:
• Filtro de Wiener
• Filtro de Kalman
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Filtros de Estimacao LinearFiltro de “Wiener”
Pretende obter uma estimativa, I(y, x), de uma imagem, I(y, x) que foi corrompida por ruıdoaditivo, Ir(y, x) = I(y, x) + n(y, x)
I(y, x) = h(y, x)⊕ Ir(y, x)
Sendo Ir(y, x) a imagem com ruıdo, I(y, x) a estimativa da imagem e hW(y, x) o filtro de Wiener.
A transformada de Fourier do Filtro de Wiener e dada por:
HW(v, u) =PI(v, u)
PI(v, u) + Pn(v, u)
sendo PI(v, u) e o Espectro de Potencia da imagem, obtida pelo calculo da transformada de Fourierautocorrelacao da imagem ePn(v, u) e o espectro de Potencia do ruıdo.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Filtros de Estimacao LinearFiltro de “Wiener”
ImagemOriginal
Imagem com Ruıdo e“blurring”
Estimativa obtida pelo Filtrode Wiener
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Filtros de Estimacao LinearFiltro de Kalman
Considerando a imagem x(m, n) =∑
(j,i)∈<⊕+
cj,ix(m− j, n− i) + w(m, n) em que
w(m, n) e ruıdo aditivo.
A versao da imagem observavel, corrompida com ruıdo
y(m, n) =∑
(j,i)∈<⊕+
h(j, i)x(m− j, n− i) + v(m, n)
em que v(m, n) e ruıdo aditivo.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Filtros de Estimacao LinearFiltro de KalmanO filtro de Kalman e dado pela seguinte solucao iterativa:
Preditorx(m,n)
b (m, n) =∑
(s,r)∈<⊕+
cs,rx(m,n−1)a (m− s, n− r),
x(m,n)b (j, i) = x(m,n−1)
a (j, i), (j, i) ∈ S⊕+(m, n)
“Update”
x(m,n)a (j, i) = x(m,n)
b (j, n) + K(m,n)(m− j, n− i)×y(m, n)−∑
(s,r)∈<⊕+
h(s, r)x(m,n)b (m− s, n− r)
para
(j, i) ∈ S⊕+(m, n)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Filtros de Estimacao LinearFiltro de Kalman
Antes da “Update”
R(m,n)b (m, n; j, i) =
∑(s,r)∈<⊕+
cs,rR(m,n)a (m− s, n− r; j, i)
para
(j, i) ∈ S⊕+(m, n)
R(m,n)b (m, n;m, n) =
∑(s,r)∈<⊕+
cs,rR(m,n)a (m, n;m− s, n− r) + σ2
w)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Filtros de Estimacao LinearFiltro de Kalman
Depois da “Update”
R(m,n)a (j, i; s, r) = R(m,n)
b (j, i; s, r)−K(m,n)(m− j, n− i)R(m,n)b (m, n; s, r)
para
(j, i) ∈ S⊕+(m, n)
Ganho de Kalman
K(m,n)(s, r) = R(m,n)b (m, n;m− s, n− r)/
(R(m,n)
b (m, n;m, n) + σ2v
)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Filtros de Estimacao LinearFiltro de Kalman
Exemplo
Estimativa obtida pelo Filtro de Kalman
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de ImagemSUMARIO
• INTRODUCAO
• CARACTERIZACAO DE COR
• CARACTERIZACAO DE TEXTURAS
• MPEG-7
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorF ISICA DA COR
RECEPTORES QUIMICOS DOOLHO HUMANO SAO SENSIVEIS ARADIACAO (LUMINOSA)
• COMPRIMENTOS DE ONDA(λ) ∈ [400ηm, 700ηm](VIOLETA AO VERMELHO);
LUZ BRANCA - COMPOSTA DE UMAENERGIA APROXIMADAMENTE IGUALEM TODOS OS COMPTRIMENTOS DEONDA DO ESPECTRO VISIVEL.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorESPACOS DE COR - RGBA PERCEPCAO DE COR HUMANA RESULTA DE TRES TIPOS DE RECEPTORES (CONES) SENSIVEISA TRES ZONAS ESPECTRAIS (VERMELHOS, VERDES E AZUIS) - VISAO DE COR TRICROMATICA.
Tipo deCone
Nome IntervaloPico de
sensibili-dade
S Azul 400..500 ηm 440 ηmM Verde 450..630 ηm 544 ηmL Vermelho 500..700 ηm 580 ηm
UMA DETERMINADA COR (COMPRIMENTO DE ONDA) ESTIMULA CADA UM DESTES CONESCOM UMA DETERMINADA INTENSIDADE.EXEMPLO: AMARELO ESTIMULA FORTEMENTE OS CONES TIPO L, MODERADAMENTE OS TIPO ME MUITO SUAVEMENTE OS TIPO S.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorESPACOS DE COR - RGBEQUIPAMENTOS DE VISUALIZACAO DE IMAGEM A CORES (TVS, MONITORES DE COM-PUTADOR, ETC) USAM UM SISTEMA DE MISTURA DE CORES ADITIVA COM CORESPRIMARIAS R-VERMELHO, G- VERDE, B-AZUL.CADA UMA ESTIMULA OS RECEPTORES RESPECTIVOS DO OLHO HUMANO NA QUANTI-DADE PRETENDIDA.
EXEMPLO DE CORES RGBCODIFICADAS COM 24 BITS: VERMELHO (255,0,0); AMARELO (255,255,0); BRANCO (255,255,255); PRETO (0,0,0); CINZENTO DE MEDIAINTENSIDADE (127,127,127);
REPRESENTACAO DA ADICAO DECORES
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorESPACOS DE COR - RGB
RGB NORMALIZADO:
r =R
R + G + Bg =
G
R + G + Bb =
B
R + G + B
INTENSIDADE:
I =R + G + B
3
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorESPACOS DE COR - CIE XYZCIE - COMISSAO INTERNACIONAL DE ILUMINACAO; CRIADO EM 1931XYZ NORMALIZADO:
x =X
X + Y + Zy =
Y
X + Y + Zz =
Z
X + Y + Z
DIAGRAMA DE CROMATICIDADE CIE -XYZ FUNCOES COLOROMETRICAS DA
NORMA CIE - XYZ
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorESPACOS DE COR - HSVH - HUE (TONALIDADE); S - SATURATION; V - VALUE (LUMINOSIDADE)MAIS PROXIMO DA REPRESENTACAO HUMANA;
TRANSFORMACAO RGB PARA HSVMax = Maxr, g, b Min = Minr, g, b
H =
60 g−bMax−Min
, SE Max = r E g ≥ b
60 g−bMax−Min
+ 360, SE Max = r E g < b
60 g−bMax−Min
+ 120, SE Max = g
60 g−bMax−Min
+ 240, SE Max = b
H ∈ 0,360o
S =Max−Min
Max∈ 0,1 V = Max ∈ 0,1
ESPACO DE CORES HSV
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorESPACOS DE COR - HSV
EFEITO DA VARIACAO DA SATURACAONUMA IMAGEM
EFEITO DA VARIACAO DATONALIDADE NUMA IMAGEM
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorESPACOS DE COR - HMMD
HMMD: (HUE, MAX, MIN, DIFF)
DIFF=MAX-MIN
REPRESENTACAO DO ESPACO HMMD
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorHISTOGRAMAS DE COR
AS CORES SAO AGRUPADAS POR SEMELHANCA EM “bins”.
O NUMERO DE PIXELS COM CORES PERTENCENTES A CADA “bin”E CONTABILI-ZADO NO HISTOGRAMA.O ESPACO HSV E ESPECIALMENTE INDICADO PARA OS HISTOGRAMAS DE COR, POISCORES SEMELHANTES APARECEM NATURALMENTE PROXIMAS
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de CorDESCRITOR ESTRUCTURAL DE COR
UMA JANELA (POR EXEMPLO DE 8×8) MOVE-SE SOBRE A IMAGEM.EM VEZ DE SE AUMENTAR O NUMERO DE CORES NUM HISTOGRAMA DE COR, SO SEAUMENTA UMA UNIDADE CADA VEZ QUE NA SOBREPOSICAO DA JANELA SE ENCONTRAUMA OU MAIS VEZES UMA COR PERTENCENTE AO “bin”RESPECTIVO.
ESTE DESCRITOR MELHORA O CALCULO DE SIMILARIDADE EM IMAGENS REAIS.
DUAS IMAGENS COM HISTOGRAMA DE CORES IDENTICO, MAS COMDescritor Estrutural de Cor DIFERENTES.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de TexturaEXEMPLO DE TEXTURAS
EXEMPLO DE IMAGENS IDENTIFICAVEIS PELA TEXTURA
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de TexturaEXEMPLO DE TEXTURAS
EXEMPLO DE IMAGENS COM UMA TEXTURA
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de TexturaDESCRICCAO DE TEXTURA - LIMIARES DA IMAGEM
EXEMPLO DE LIMIARES DAS IMAGENS COM UMA TEXTURA
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de TexturaDESCRICCAO DE TEXTURA - HISTOGRAMAS DOS LIMIARESEXISTEM DIFERENTES METODOS QUE DESCREVEM A DISTRIBUICAO DOS LIMIARES.O MAIS RELEVANTE CONSISTE NO CALCULO DOS HISTOGRAMAS DOS LIMIARES.
A IMAGEM E DIVIDIDA EM SUB-IMAGENS DE 4×4PARA CADA PIXEL LIMIAR E DEFINIDO QUAL O TIPO DE LIMIAR:LIMIAR VERTICAL, HORIZONTAL, A 45o, A 135o OU OUTRO.CONSOANTE A POSICAO RELATIVA NA SUB-IMAGEM E O TIPO DE DIRECCAO DO LIMIAR PODEM-SE DEFINIR:5 DIRECCOES × (4×4) LOCALIZACOES DE PIXELS NA SUB-IMAGEM = 80 SITUACOES POSSIVEIS.
SUBIMAGEM E DIRECCOES POSSIVEIS DOS LIMIARES
O HISTOGRAMAS DOS LIMIARES REPRESENTA A CONTAGEM DO NUMERO DE VEZES QUEACONTECE CADA UMA DESTAS 80 SITUACOES POSSIVEIS NUMA IMAGEM.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de TexturaDESCRICCAO DE TEXTURA - FILTROS DE GABORUM FILTRO DE GABOR CONSISTE DE UM FILTRO GAUSSIANO QUE E DESLOCADO DA FREQUENCIA(0,0), PARA UMA DETERMINADA FREQUENCIA (Vc, Uc).CONSISTE ASSIM NUM FILTRO PASSA BANDA
FORMULACAO MATEMATICA:
h(y, x) = e−1
2
(x2
σ2x+ y2
σ2y
)e−j2π(u0x+v0y) TF←→ H(v, u) = 2πσxσye
−2π2[(u−u0)2σ2x+(v−v0)2σ2
y]
FILTROS DE GABOR COMDIRECCOES 0, 45 , 90 E 135o.
RESULTADO DA FILTRAGEM DAIMAGEM NAS DIRECCOES 0, 45 ,
90 E 135o.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de TexturaDESCRICCAO DE TEXTURA - DESCRITOR DE TEXTURA HOMOGENEO - HTDA IMAGEM E FILTRADA POR FILTROS DE GABOR PARA 30 SITUACOES DIFERENTES DE (u0, v0).CONSIDERANDO:
ω0 =√
u20 + v2
0 com ω0 = ωM2−s, s ∈ 0,1,2,3,4
θ0 = arctan(u0/v0) com θ0 ∈ 0,30o,60o,90o,120o,150o
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
Caracterizacao de Textura
DESCRICCAO DE TEXTURA - DESCRITOR DE TEXTURA HOMOGENEO - HTD
RESULTAM ENTAO:
• A IMAGEM ORIGINAL;
• 30 IMAGENS RESULTANTES DAS FILTRAGENS DE GABOR;
CALCULA-SE O VALOR MEDIO µ E O DESVIO PADRAO σ DE CADA UMA DESTAS IMAGENS,FORMANDO O VECTOR CARACTERISTICO:
(µorig, σorig, µ1, σ1, µ2, σ2, ..., µ30, σ30)
QUE E USADO PARA COMPARACAO.
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
MPEG-7OBJECTIVOS“MULTIMEDIA CONTENT DESCRIPTION INTERFACE”
DEFINIR DESCRIPTORES PARA A INFORMACAO MULTIMEDIA,DE FORMA A PERMITIR UM FACIL ACESSO BESEADO NO CONTEUDO.
PERMITE PROCURAR E IDENTIFICAR INFORMACAO MULTIMEDIA.
Objectivo daMPEG-7
DESCRIÇÃOProdução da Descrição(Extracção)
Descrição(Utilização)
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
MPEG-7OBJECTIVOSA NORMA MPEG-7 DEFINE:
• DESCRITORES
A NORMA MPEG-7 NAO DEFINE:
• COMO SE EXTRAEM OS DESCRITORES,
• COMO SE USAM OS DESCRITORES,
• A SIMILARIEDADE ENTRE CONTEUDOS
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
MPEG-7OBJECTIVOS
Descritoresde Cor
InformaçãoMultimedia
Extracção deDescritores
PesquisaInformaçãoMultimedia
Descritoresde Cor Codificação
Descritoresde Cor
Compariçãode Cor
SELECÇÃOFINAL
Envio deInformaçãoMultimedia
InformaçãoMultimedia
InformaçãoMultimedia
CodificaçãoDescritoresde Textura
CodificaçãoDescritoresde Forma
Descritoresde Textura
Descritoresde Forma
OutrosDescritores
Descritoresde Textura
Descritoresde Forma
Descod.Descritores
de Cor
Descod.Descritoresde Textura
Descod.Descritoresde Forma
Extracção deDescritores
Compariçãode Textura
Compariçãode Forma
SISTEMA DE ACESSO A BASES DE DADOS MULTIMEDIA BASEADO NAS CARACTERISTICASVISUAIS
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
MPEG-7ESPACOS DE COR
• MONOCROMATICO
• RGB
• HSV
• YCRCB
• HMMD
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
MPEG-7DESCRITORES DE COR
• DESCRIPTOR DE COR ESCALAVELHISTOGRAMA DE COR CALCULADO NO ESPACO DE COR HSV
• COR DOMINANTE
• “LAYOUT DA COR”
• DESCRITOR DA ESTRUTURA DE COR
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
MPEG-7DESCRITORES DE TEXTURA
• TEXTURA HOMOGENEA
• HISTOGRAMA DE LIMIARES
Universidade da Beira InteriorUniversidade da Beira Interior
Análise e Processamento de Imagem
MPEG-7DESCRITORES DE FORMAS
• DESCRIPTOR BASEADO NA REGIAO - MOMENTOS DE ZERNIKE
• DESCRIPTOR BASEADO NO CONTORNO - CSS ZERO CROSSINGS
• 3D DESCRIPTOR DE FORMA