Processamento de Imagens Digitais Matheus de Almeida Silva

Etapas:

Aquisição de Imagens Digitais• Transformação de uma cena tridimensional

em uma imagem eletrônica;

• Função bidimensional u(x,y) onde u é a intensidade color(ou nível de cinza) da imagem;

• x, y e u são quantidades discretas(pixels).

• f(x,y) descreve a energia luminosa nas coordenadas (x,y), i(x,y) é a função de iluminação e r(x,y) é a função de reflexão do objeto

• Na lei de conservação de energia, A é energia luminosa absorvida pelo objeto, T é a parte transmitida e R a parte refletida.

Restauração e Realce

• Restauração busca compensar as deficiências geradas no momento da aquisição, na transmissão ou em alguma etapa do processamento;

• Realce busca destacar detalhes da imagem que são interessantes para a análise.

• Exemplo: Diminuição dos efeitos de nuvem em uma imagem

Antes Depois

Segmentação

• Processo que procura isolar as regiões de pontos (de interesse) da imagem pertencentes a objetos para a extração de atributos e cálculo de parâmetros;

• Segmentação mais simples é a limiarização ou separação por “tom de corte”;

• Transforma uma imagem em níveis de cinza numa imagem binária (preto e branco). Divide a imagem em duas classes: fundo e objeto.

• Exemplo: Imagem original em escala de cinza antes e depois da limiarização

Imagem Original Após Limiarização

Extração de Características

• A partir de imagens já segmentadas (em objeto e fundo) procura-se obter dados relevantes ou atributos, das regiões ou objetos destacados.

• Atributos ou características mais comuns são: número total de objetos, dimensões, geometria, propriedades de luminosidade e textura (nosso caso);

• As propriedades de luminosidade e textura devem ser obtidas da imagem original antes da binarização.

Alguns exemplos de técnicas de extração de características

• Teamplate matching: usada para encontrar pequenas partes de uma imagem que corresponda ou seja equivalente a um modelo (template). Move a imagem template para todas as posições possíveis e calcula um índice numérico indicando a melhor posição;

• Distância Euclidiana: Usada para identificar diferenças entre o template e a imagem;

• Correlação: Mede o grau de igualdade de duas variáveis, não necessariamente no seu valor real mas sim no seu comportamento. As variáveis são os valores de pixels no template e na imagem origem.

Classificação e Reconhecimento

• Nessa etapa, deve-se distinguir os objetos na imagem, agrupando-os, classificando-os ou reconhecendo-os segundo os parâmetros dependentes da aplicação;

• Os objetos são reconhecidos como pertencentes a um mesmo grupo e então sejam classificados de acordo com uma base de dados ou imagens;

• Uma vez apresentados para o sistema, que compara com aquelas de classes previamente estabelecidas.

Decisão

• O objetivo de um sistema de visão computacional é tomar decisões a partir da extração de informações das imagens;

• Pode ser feita a partir de análises simples (menores distâncias por exemplo) ou de algoritmos mais complexos de Inteligência Artificial (SVM, redes neurais, fuzzy, etc.).

• Será usada a biblioteca OpenCV da Intel por ser a mais usada na área de visão computacional, assim, sendo fácil achar documentação online.

Imagem com tratamento de HDR

Imagem sem tratamento de HDR