análise e processamento de imagempinheiro/timgproc.pdf · 2007. 5. 15. · universidade da beira...

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



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



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.



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



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



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




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)




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



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



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)



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



Camera CCD

AMPLIACAO DE TROCOS DE IMAGEM

IMAGEM COM DIFERENTES DEFINICOES



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




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



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



ConvolucaoEXEMPLO DE MASCARAS

1

1

1

1 1

1

11

1 2

4

2

2 2

1

11

1 1

1

1

1

1



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.



ConvolucaoCONVOLUCAO: EXEMPLO USANDO A MASCARA ANTERIOR




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




TRANSFORMADA DE FOURIER - RESPOSTA EM FREQUENCIA

FILTRAGEM



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



Representacao em FrequenciaTRANSFORMADA DISCRETA DE FOURIER BIDIMENSIONAL



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



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)



FiltragemEXEMPLOS DE FILTRAGEM

FILTROPASSA-BAIXO

FILTROPASSA-ALTO

FILTROPASSA-BANDA




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.




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.




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




DETECCAO DE LIMIARES E SEGMENTACAO



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:



Representacao de ImagemINTENSIDADE DO PIXEL - Img(y, x)

1. IMAGEM BINARIA 0→ FUNDO DA IMAGEM (BACKGROUND) 1→ RELEVO DA IMAGEM (FOREGROUND)



Representacao de ImagemINTENSIDADE DO PIXEL - Img(y, x)

2. IMAGEM MULTINIVEL 0→ PRETO 255→ BRANCO VALORES INTERMEDIOS ORIGINAM NIVEIS DE CINZENTO INTERMEDIOS



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



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



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.



Algoritmos basicos de Processamento de ImagemHISTOGRAMA DA IMAGEMGRAFICO QUE CONTABILIZA O NUMERO DE VEZES QUE APARECE CADA COR.



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



Algoritmos basicos de Processamento de ImagemQUANTIFICACAO DE IMAGEM

ORIGINAL 3 NIVEIS 24 REGIOES



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.



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



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.



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.



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.



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


EXEMPLO DE EROSAO MORFOLOGICA BINARIA.



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


EXEMPLO DE FECHO MORFOLOGICO BINARIO.



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


EXEMPLO DE ABERTURA MORFOLOGICA BINARIA.



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.



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


EXEMPLO DE DILATACAO MORFOLOGICA MULTINIVEL.



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


EXEMPLO DE EROSAO MORFOLOGICA MULTINIVEL.



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


EXEMPLO DE FECHO MORFOLOGICO MULTINIVEL.



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


EXEMPLO DE ABERTURA MORFOLOGICA MULTINIVEL.



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)


0 00

0 00

0 00

EXEMPLO DE GRADIENTE MORFOLOGICO.



Morfologia de Imagem MultinıvelEXEMPLO

ORIGINAL DILATADA ERODIDA

FECHO ABERTURA GRADIENTE



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))



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.



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).



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.



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



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)



Enriquecimento e Filtragem de ImagemSUAVIZACAO DA IMAGEM

IMAGEM ORIGINAL CORROMPIDACOM RUIDO GAUSSIANO

IMAGEM COM RUIDO FILTRADA(JANELA DE 5 PIXELS)



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)




IMAGEMORIGINAL

IMAGEM FILTRADA (σ = 2√

2)




IMAGEMORIGINAL

IMAGEM FILTRADA (σ = 4)



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



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



Deteccao de LimiaresEXEMPLO DE APLICACAO DO OPERADOR DE SOBEL

IMAGEMORIGINAL

MODULO DO GRADIENTE




IMAGEMORIGINAL

NAO MAXIMOS SUPRIMIDOS




IMAGEMORIGINAL

LIMIARES DA IMAGEM



Deteccao de LimiaresDETECTOR DE LIMIARES DE CANNYPRETENDE SEGUIR ESTES CRITERIOS DE FUNCIONAMENTO:

• BOA DETECCAO

• BOA LOCALIZACAO

• UMA SO RESPOSTA PARA UM UNICO LIMIAR



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



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).



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%)



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



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.



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




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.




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.




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



Segmentacao de ImagemExemplo de Classificacao baseada no MRI Espectral

T1, T2, PD

Espaco de Caracterısticas Classificacao

Retirado de Tasdizen et al



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




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.




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




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”.




“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.




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.




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.




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.




Algoritmo de “Clustering” por “K-means” Iterativo

Original Mascara

Exemplo de “Clustering” por “K-means”



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.





original 11 nıveis

4 nıveis

38 regioes

2 regioes





original 4 nıveis 5 regioes



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.




Difusao Anisotropica

original Perona & Malik Pinheiro 2006




“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



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.




“Snakes” - Contornos Activos

Exemplo (Joao Machado)




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.



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.




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




Nas normas de imagem, a DCT e aplicada a pequenos blocos de imagem de 8×8.

imagem DCT aplicada a blocos de 8×8.



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






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



Transformadas de ImagemDWT - “Discrete Wavelet Transform”

HH

LH

HL

LLHH

LLLH

LLHL

LLLLHH

LLLLLH

LLLLHL

LLLLLL



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



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.



Filtros de Estimacao LinearFiltro de “Wiener”

ImagemOriginal

Imagem com Ruıdo e“blurring”

Estimativa obtida pelo Filtrode Wiener



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.



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)




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)




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

)




Exemplo

Estimativa obtida pelo Filtro de Kalman



Caracterizacao de ImagemSUMARIO

• INTRODUCAO

• CARACTERIZACAO DE COR

• CARACTERIZACAO DE TEXTURAS

• MPEG-7



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.



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.



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



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



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



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



Caracterizacao de CorESPACOS DE COR - HSV

EFEITO DA VARIACAO DA SATURACAONUMA IMAGEM

EFEITO DA VARIACAO DATONALIDADE NUMA IMAGEM



Caracterizacao de CorESPACOS DE COR - HMMD

HMMD: (HUE, MAX, MIN, DIFF)

DIFF=MAX-MIN

REPRESENTACAO DO ESPACO HMMD



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



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.



Caracterizacao de TexturaEXEMPLO DE TEXTURAS

EXEMPLO DE IMAGENS IDENTIFICAVEIS PELA TEXTURA



Caracterizacao de TexturaEXEMPLO DE TEXTURAS

EXEMPLO DE IMAGENS COM UMA TEXTURA



Caracterizacao de TexturaDESCRICCAO DE TEXTURA - LIMIARES DA IMAGEM

EXEMPLO DE LIMIARES DAS IMAGENS COM UMA TEXTURA



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.



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.



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



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.



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)



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



MPEG-7OBJECTIVOS

Descritoresde Cor

InformaçãoMultimedia

Extracção deDescritores

PesquisaInformaçãoMultimedia

Descritoresde Cor Codificação

Descritoresde Cor

Compariçãode Cor

SELECÇÃOFINAL

Envio deInformaçãoMultimedia



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



MPEG-7ESPACOS DE COR

• MONOCROMATICO

• RGB

• HSV

• YCRCB

• HMMD



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



MPEG-7DESCRITORES DE TEXTURA

• TEXTURA HOMOGENEA

• HISTOGRAMA DE LIMIARES



MPEG-7DESCRITORES DE FORMAS

• DESCRIPTOR BASEADO NA REGIAO - MOMENTOS DE ZERNIKE

• DESCRIPTOR BASEADO NO CONTORNO - CSS ZERO CROSSINGS

• 3D DESCRIPTOR DE FORMA

análise e processamento de imagempinheiro/timgproc.pdf · 2007. 5. 15. · universidade da beira...

Documents