Processamento de Imagens

SCE 5830

Instituto de Ciências Matemáticas e de Computação

USP

Tópicos

• Definições vistas na aula passada

• Fundamentos

• Estudo de Cores

• Formatos de arquivos

• Etc.

Fundamentos de Visão Computacional e Processamento

de Imagens

• Computer Imaging: Manipulação de imagem por computador.– Aquisição e processamento de informação por

computador.

– Sentido primário: visão– “Uma imagem vale por mil palavras”

Domício PinheiroAgência Estado

Computer Imaging: duas áreas

Visão Computacional

Processamentode Imagens

Manipulação de Imagens por computador

Visão X Processamento

“Em aplicações de visão computacional as imagens processadas (saídas) são usadas pelo computador. Em processamento de imagens, são para consumo humano.”

“Historicamente, o processamento de imagens evoluiu a partir da Eng. Elétrica (proc. Sinais). Visão computacional foi resultado dos desenvolvimentos em Ciência da Computação.”

Visão Computacional (VC)

• Aplicações não requerem pessoas no ciclo visual, ie, imagens são examinadas e manipuladas pelo computador.

• O computador é quem usa a informação visual diretamente– reconhecimento e inspeção de objetos– Análise de imagens (Image Analysis).

• Feature extraction

• Pattern Recognition

Aplicações em VC

• Tarefas “tediosas” para seres humanos– ambiente hostil

– alta taxa de processamento– acesso e uso de grandes banco de dados

• Encontrados em ambientes variados– controle de qualidade em sistemas de

manufatura.

Aplicações em VC (cont.)– Ambiente médico

• Detecção automática de tumores

• sistemas de auxílio a neuro-cirurgias

• Identificação de impressões digitais

• Identificação de impressão DNA (DNA fingertips)

– Outros• Monitoração de rodovias.

• Sistemas de defesa (militares).

• Visão Robô (vision-guided robot)

• Croud control (controle de multidão) em metrô.

Pipeline de Visão Computacional

• Condicionamento (conditioning) : pré-processamento

• Rotulação (Labeling) : a informação é um conjunto de pixels

conectados. Deteçao bordos, limiarização

• Agrupamento (grouping): segmentação

• Extração (extraction) : lista de propriedades

• Matching (reconhecimento de padrão)

Computer and Robot Vision. Haralick and Shapiro

Processamento de Imagens (PI)

• Aplicações envolvem pessoas no ciclo visual, ie, as imagens são examinadas e manipuladas por pessoas.

• Necessidade de conhecimento do modo de operação do sistema visual humano.

PI: principais tópicos

•Restauração (restoration)

•Realce (enhancement)

•Segmentação

•compressão (compression)

Restauração de Imagem

• Processo de recuperação da aparência original de uma imagem que possui algum grau conhecido (ou estimado) de degradação.

• É possível desenvolver um modelo da distorção se soubermos algo sobre a degradação

• Modelo degradação: aplica processo inverso e obtém-se imagem restaurada

Modelo de Degradação

Restauração X Realce

• Realce• Subjetivo

• Processo heurístico

• Alargamento de contraste, por exemplo,

• Restauração• Objetivo

• Conhecimento a priori do fenômeno de degradação

• Remoção de borramento, ao aplicar uma função de redução de borramento (deblurring) é restauração.

Modelo de Degradação

Restauração: dada uma imagem degradada g(x,y) + algum conhecimento sobre a função de degradação H + algum conhecimento sobre o ruído aditivo (n)→ estimar f.

g(x,y) = H[f(x,y) + n(x,y)]

Realce de Imagem

• “Melhorar” uma imagem visualmente, baseado na resposta do sistema visual humano.

• Solução ótima depende do problema (problem specific techniques)

• exemplo:– Expandir o contraste (contrast stretching)

Restauração X Realce• Ambos levam à “melhora” na

imagem

“Métodos de restauração procuram modelar a distorção e aplicar o processo reverso, enquanto os métodos de realce utilizam a resposta do sistema visual humano para “melhorar” a imagem visualmente.”

Exemplo de Realce de contraste

Típica operação do tipo s = T(r), conhecida como contrast stretching.

Realce: eliminação de ruído

Compressão de Imagem

• Redução da quantidade expressiva de dados necessária para representar uma imagem

• Eliminação do que é visualmente desnecessário

• Imagens apresentam redundância de dados.

• Redução na ordem de 10 a 50 vezes. (wavelets -> 65 – 80 %)

Compressão de Imagens

• Lossless compression mantém a integridade dos dados, utilizada para dados gerais e excetuáveis.

• Lossy compression não mantém a integridade dos dados. As imagens são parecidas mas não idênticas.

Lossless compression

• Compressão similar ao ZIP, ARJ, etc.

• Tipo Run Length Encoding (RLE): .bmpCompressed data Expanded data

03 04 04 04 04 05 06 06 06 06 06 06 00 03 45 56 67 00 45 56 67 02 78 78 78 00 02 05 01 Move 5 right and 1 down 02 78 78 78 00 00 End of line 09 1E 1E 1E 1E 1E 1E 1E 1E 1E 1E 00 01 End of RLE bitmap

Lossless compression

P P P P P P P A A A A V V P P P P

P P P P P P P P P P A A V V V V V

A A V V A A A A A A P P P P P P P

7P 4A 2 V 4P

10P 2A 5V

2A 2V 6A 7P

Operação reversível

Imagem 24 bits

Lossy Compression

FFT DCT

Sistemas de Imagem por computador

Câmera

Scanner

ReprodutorVídeo

Monitor

Impressora

Filme

GravadorVídeo

Sistema deComputador

Digitalização• Sinal de vídeo analógico é transformado em

sinal digital através da discretização do sinal contínuo à taxa fixa.

• Esse processo é feito muito rapidamente.– Câmeras CCD

• O resultado é um vetor bi-dimensional de dados, onde cada elemento é chamado pixel.

• Isso nos leva a pensar no conceito de resolução.

Resolução de Imagem• Resolução de intensidade

– Cada pixel tem uma “profundidade” em bits para cor ou intensidade

• Resolução Espacial– Uma imagem tem altura x largura pixeis.

• Resolução Temporal– Taxa de “refresh” (retraço) do monitor

Digitalização: discretização

• Amostragem (sampling)– discretização espacial

– Imagens: uma matriz de pontos.

• Quantização (quantization) – discretização da amplititude

– Imagens: qual a faixa de valores que um ponto é capaz de armazenar.

Quantization

• Exemplo– valores de 8 bits para representar voltagens de

0-10 V.

– 8 bits: 256 valores distintos

– 10 V / 256 = 0.039 V !– 0 V = 00000000 10V = 11111111

– Cada mudança de 0.039, indica um novo binário.

FalseContourFalse

Contour

8 bpp 4 bpp

2 bpp 1 bpp

Como reduzir efeito da quantização ?

• Halftoning

• Dithering

Halftoning

Halftoning Colorido

Dithering

original

Ruído uniforme Imagem resultante (binária)

Pixel > padrão: brancoPixel < padrão: preto

Amostragem (Sampling)

Pixel !

De acordo com o Teorema de Nyquist, a quantidade de amostras por unidade de tempo de um sinal, chamada taxa ou frequência de amostragem, deve ser maior que o dobro da maior frequência contida no sinal a ser amostrado, para que possa ser reproduzido integralmente sem erro de aliasing.

Teorema de Nyquist

Amostragem

Suponha uma frequência de amostragem (fam) = 8kHz. A chave se fecha 8000 vezes por segundo (125 micro segundos). Como a chave se fecha por um tempo muito curto, temos pulsos muito estreitos, com Amplitude igual ao valor instantâneo do sinal (PAM – Pulsos Modulados em Amplitude)

Amostragem

Frequência de amostragem MENOR que duas vezes a freq. do sinal. Sinal reproduzido está errado, revelando o efeito de aliasing.

Frequencia de amostragem IGUAL a duas vezes a freq. do sinal. Não é possível reproduzir o sinal, pois PAM = 0. Se houver mudança de fase, haverá sinal, mas com amplitude errada (a não ser que caia no pico da senoide !!) daí precisar ser MAIOR que o dobro !

Frequencia de amostragem > duas vezes a freq. do sinal. Ok.. há amostragem suficiente para que o sinal seja reproduzido sem aliasing.

Problemas amostragem: Aliasing

• Artefatos devido a sub-amostragem ou reconstrução ruim– Espacial

– Temporal

Aliasing espacial

Jagged edges: efeito escada

Aliasing TemporalEfeitos de: Flickering: Monitor filmado na TV ! Strobing (luz estroboscópica): roda do carro girando para trás na TV ou à noite !

t1t2

strobing

Quantização e Amostragem

• Resolução Espacial – Define riqueza de detalhes da imagem

• Resolução de Profundidade– Define riqueza de meios-tons

– Define cores

• Tamanho da Imagem

Processo de Discretização

4x

16x

Processo de Discretização

95 80 80 8095 90 90 105

150 20 100 130220 150 160 150256 tons de cinza

640h x 480v em 256 cores

320h x 240v em 256 cores

160h x 120v em 256 cores

80h x 60v em 256 cores

40h x 30v em 256 cores

640h x 480v em 256 tons de cinza

640h x 480v em 8 tons de cinza

640h x 480v - imagem binária

• 20km/pixel 10km/pixel

Resolução Espacial

1 cm = 192 pixels, ou seja, 488 dpi

Resolução em Profundidade

2 bits

8 bits

24 bits

Representação de Imagem

• imagem = função bidimensional da intensidade de luz recebida

• I = f(x,y), taxa de nível de cinza proporcional ao brilho da imagem

• Binárias (0 - Preto, 1 - Branco)

• Grey-scale (monocromáticas, one-colour)

• Coloridas, pseudo-colours...

Propriedades de uma imagem

• Vizinhança– 4-vizinhança: um pixel p tem 4 vizinhos

• dois horizontais e dois verticais N4(p)

– 8-vizinhança: N8(p) = N4(p) Nd(p), onde Nd(p) é o conjunto dos pixels na diagonal.

Propriedades de uma imagem

• Conectividade– dois pixels estão conectados se são adjacentes

segundo algum critério de vizinhança e se seus níveis de cinza satisfazem um critério de similaridade.

• 4-conectado: p e q são similares e q N4(p)

• 8-conectado: p e q são similares e q N8(p)

Propriedades: distâncias

• Sejam os pixels p = (x,y), q = (s,t), z = (u,v). Uma função de distância D tem as propriedades:

– D(p,q) 0 (D(p,q) = 0, se e somente se p = q)

– D(p,q) = D(q,p)

– D(p,z) D(p,q) + D(q,z)

– Distância Euclidiana D(p,q) = sqrt [(x-s)2+(y-t)2]

– Distância D4 (city-block): D(p,q) = |x-s| + |y-t|

– Distância D8 (Tabuleiro de xadrez)

• D(p,q) = max(|x-s|,|y-t|)

Operações aritméticas e lógicas

• Adição: g = p+q (overflow ?)

• Subtração: g = p-q (underflow)

• Correção por– corrigir escala: g = 255 * (f - fmin) / (fmax-fmin)

– Truncamento: valor máx = 255 e valor min = 0

Operações lógicas

• AND

• OR

• XOR

• NOT– simples e bastante utilizadas. – http://www.dai.ed.ac.uk/HIPR2/and.htm

Alteração das dimensões

• Scaling– ampliar ou reduzir a imagem segundo um fator

(igual para horizontal e vertical, ou não)

• Sizing (ou resizing)– diz-se o novo tamanho da imagem, ao invés de

especificar o fator de ampliação/redução.

Ampliação: zoom in (um pixel, se torna 4)Redução: zoom out (4 pixels se tornam 1)

Transformações geométricas

• Seja o pixel de coordenada (x,y)– Translação: (x’,y’) = (x+x, y + y)

– Rotação : x’ = x cos () + y sen ()

y’ = y cos () - x sen ()– Espelhamento (flip): reflexão.

– Warping: projeção afim conforme um dado template ou imagem...

• http://www.dai.ed.ac.uk/HIPR2/reflect.htm

Crop, cut e paste

• Cropping: selecionar porção de uma imagem (rubberband)

Percepção Visual Humana

• Envolve componentes fisiológicos e psicológicos

• Por que estudá-lo?– Projetar algoritmos de compressão (reduzir qtd

de informação, retendo informação visual)

– algoritmos de realce de imagem (sabendo-se como funciona o sistema visual, pode-se aplicar técnicas que melhorem as imagens).

Sistema visual humano

• Energia luminosa focalizada pelas lentes do olho nos sensores da retina

• Estes sensores respondem à energia luminosa por uma reação eletro-química que envia um sinal elétrico ao cérebro através do nervo óptico

• o cérebro usa esses sinais para criar padrões neurológicos que percebemos como imagens.

Cores

• Pode ser um poderoso descritor das propriedades de um objeto -> segmentação

• Humanos podem distinguir uma ampla variedade de nuances de cores (centenas de milhares), enquanto que poucos tons de cinza são perceptíveis (cerca de 100)

• full colour ou pseudo-cor

Percepção de Cores

• Fenômeno físico-psicológico

• 1666– Isaac Newton e o prisma de cores– Do violeta (+curta) ao vermelho (+ comprida) :

violeta, azul, verde, amarelo, laranja, vermelho

O que é cor

• Luz refletida pelo objeto

• Ondas eletromagnéticas: 400 – 700 nm

• Corpo que reflete luz relativamente balanceada em todos os comprimentos de onda visível “parece” branco ao observador

O que é cor ?

• Cor depende primariamente das propriedades de reflexão de um objeto. Vemos os raios que são refletidos, enquanto outros são absorvidos.

• Deve-se considerar a cor da fonte de luz também e a natureza da visão humana.• Um objeto que reflete tanto vermelho quanto verde

vai se revelar verde quando houver luz verde, mas nenhuma luz vermelha o iluminando. Ou vai aparecer vermelho, na ausência de luz verde.

• Sob luz branca pura, ele se mostrará amarelo (= vermelho+verde).

Luz “Visível”

• Ondas de 380 - 825 nanômetros

– 10-9: milionésimo do milímetro

– resposta mínima acima de 700...

• Dividas em três bandas

– Azul (400 - 500 nm)

– Verde (500-600 nm)– Vermelho (600-700 nm)

Espectro eletromagnético

1024

1020

1022

104

106

102

1016

1014

Raios Gama

Raios X

Ultravioleta

NearInfraVerm

IV

MicroOndasRadio

Visível

10-16

106

10-10

10-2

1

400 500 600 700

violeta Azul Verde Amarelo Laranja Vermelho

Comprimento em Nanômetros

Luz Acromática

• Ausência de cor

• Único atributo: intensidade

• Brilho ou nível de cinza ou intensidade

• Nível de cinza: medida escalar de intensidade que vai do preto (0), passa pelos cinzas, chegando ao branco (1) (ou 0 - 255)

Luz Cromática

• Comprimentos de onda: espectro eletromagnético de energia entre 400:700 nm (nanômetros)

• Atributos/propriedades importantes• Luminância

• Radiância

• Brilho

Luz Cromáticas (prop.)• Radiância

• Quantidade total de energia que flui da fonte de luz. Medida em Watts (W)

• Luminância:

• Quantidade de energia que um observador percebe de uma fonte de energia. Exemplo: luz emitida em infra-vermelho com bastante energia (radiância) é dificilmente notada por um observador humano (baixa luminância). Medida em Lúmens (lm)

• Brilho

• Descritor subjetivo, que não é normalmente medido. Análogo a noção da intensidade em luz acromática, sendo um dos principais fatores na descrição da sensação de cores.

•Quem no nosso olho é responsável pela percepção de cores?

• Cones ou bastonetes?????

Cones• 6 a 7 milhões

• Divididos em 3 categorias de sensoriamento

– 65% sensíveis à luz vermelha

– 33% sensíveis à luz verde

– 2% sensíveis ao azul (embora sejam os mais sensíveis!)

Outros termos/propriedades•Matiz

– Três quantidades independentes são usadas para descrever qualquer cor. O matiz é determinado pelo comprimento de onda dominante. Cores visíveis estão entre 400 (violeta) e 700 nm (vermelho)

•Saturação

– Determinada pela pureza da excitação e depende da quantidade de luz branca misturada ao matiz. Um matiz puro é totalmente saturado, ou seja, nenhuma luz branca é misturada.

•Cromaticidade

– Matiz + saturação = determinam a cromaticidade para uma dada cor.

Brilho• Descritor subjetivo, difícil de se medir

• Devido a sua complexidade, CIE definiu o conceito de Luminância

• Engloba a noção acromática de intensidade

• Fator chave na sensação de cor– Ver modelos de cor...

• Deve ser usado em referências não quantitativas a sensações fisiológicas e percepção de luz.

Cores segundo olho humano

• Cor: combinação variável das 3 cores primárias: vermelho, verde e azul.

• Padrao CIE (Comission Internationale de l´Eclairage): comissão internacional de iluminação– Azul: 435.8 nm

– Verde: 546.1 nm

– Vermelho: 700 nm

• Cores de Luz, não cores de pigmento !

Os três tipos de cones existentes na visão humana e a sensibilidade por cada uma delas. Repare que absorvemos mais verde do que as outras cores !

Diagrama de Cromaticidade do CIE

As cores ao longo da borda são as cores do espectro de cores como enxergadas pelo ser humanoEixo x: vermelhoEixo y: verde

Diagrama de Cromaticidade do CIE

Z = 1 – x - y

Misturando cores: todas as cores sobre a linha GB podem ser obtidas pela mistura das cores G e B. Todas as cores no triângulo RGB podem ser obtidas pela mistura das cores R,G e B.

Espaço e modelo de Cores

• O universo de cores que podem ser reproduzidas por um sistema é chamado de espaço de cores (colour space ou color gamut)

• Um espaço de cores pode ser definido como uma representação visual de um modelo de cores

• Modelos de cores: aditivos e subtrativos.

Cores de Luz: adição

• Cores primárias * (R,G,B) são adicionadas, produzindo as cores secundárias de luz– Magenta: vermelho + azul– Cyan (turquesa): verde + azul– Amarelo: vermelho + verde

• Branco:– Vermelho + verde + azul– Uma secundária + sua primária oposta !

* São chamadas primárias porque são cores criadas pela mistura de fontes de luz destas cores. No caso de uma TV, elementos de fósforos reluzentes.

Cores por adição

Cores por adição: um exemplo típico são os televisores

http://www.mwit.ac.th/~physicslab/applet_01/library/30-7/index.html

Cada tríade de fósforos primários constitui um único pixel no monitor. A pessoa não vê a tríade, mas a mistura dos três: o pixel !A manipulação da intensidade com que as três cores são exibidas (excitação do fósforo) cria o gamut de cores do monitor.

Cores secundárias e primárias

Movendo-se no círculo de uma primária à outra, adiciona-se mais da cor de que se aproxima e menos da que se distancia. Ao se afastar 180 graus de uma primária, não se tem nada desta misturada. Esta cor é, por esta razão, chamada de complemento da primária. Estas cores são também conhecidas como secundárias (ou primárias de impressão).

Cores de pigmento

• Cor definida como aquela que subtrai ou absorve uma cor primária de luz e reflete as outras duas.

• Primárias: Magenta, Cyan e Amarelo

• Preto: – Combinar as 3 primárias

– Uma secundária + sua primária oposta

http://www.glenbrook.k12.il.us/gbssci/Phys/Class/light/u12l2d.html

Cores por subtração

Cores são geradas subtraindo-se o comprimento da onda dominante da luz branca. Por isso, a cor resultante corresponde à luz que é refletida. Espaço de cor CMY é subtrativo.

Cyan (turquesa)

Yellow

Magenta

Impressoras utilizam este sistema

Quando uma superfície com a cor Ciano é iluminada com luz branca (verde+vermelho+azul!), nenhuma luz vermelha é refletida, ou seja, o pigmento ciano subtrai a luz vermelha da luz branca refletida.

Modelo de cor CMY

Cor na paleta de um pintor

Perda de luminância.A cor vai perdendo

seu brilho.

Formação de cores por pigmentação

Modelo de cor RGB

• RGB -> formato baseado na tricromaticidade da visão humana, onde temos sensores para ondas curtas (azul), médias(verde) e longas(vermelho).

No modelo RGB a imagem é constituída por 3 planos ou canais, de 256 níveis de profundidade. Este modelo é denominado por true color ou 24bits pelos programas gráficos (Adobe, GIMP, etc.).

Modelo RGB

• Curiosidade: o homem é capaz de discernir até 6 mil cores, o modelo RGB suporta 224, cerca de 16 milhões de cores

• Problemas do Modelo RGB

– Quantidade de memória ocupada

– Nos anos 70 e 80 as placas de vídeo não eram capazes de suportar grandes volumes de memória.

– Solução, utilização de paletas de cores.

Imagens coloridas

• Modeladas por 3 bandas monocromáticas de dados

• Cada banda uma cor.

• Dado brilho do espectro de cada banda

• 8 bits por banda 24 bpp

• RGB nem sempre é “natural” ao homem.

Modelo RGB

R

G

B

(1,0,0)

(0,1,0)

(0,0,1)Cyan

Amarelo

Magenta Branco

Preto

Indexada: Pseudocolor

Indexada: True color: 3 LUT (look up tables)

Modelo Perceptual

Matiz

Luminância

Saturação

A deep, bright orange: um laranja claro e realçado (profundo)

A cor:LaranjaOnda dominante

Alta saturação:deep (profundo)Diluição de luz brancana cor

Alta intensidade: claro

RGB (A deep, bright orange): R-245, G-110, B-20

Modelo Perceptual HSV

•H é a cor pura e é expressa em graus de ângulo onde 0 é a cor vermelha.

•S é a “pureza da cor” (saturação) e é medida como a distância do eixo V

•V é medido ao longo do eixo do cone hexagonal, onde V=0 é o preto e V=1 é o branco.

Modelo HSI•H (matiz) é a cor pura e é expressa em graus de ângulo onde 0 é a cor vermelha.

•S é a “pureza da cor” (saturação). Diluição da cor pura com o branco

•I (Intensidade ou Brilho) nível de cinza. Mais intuitivo que HSV uma vez que o pico da saturação é representado na intensidade 0.5 e tem máximo (1) branco e mínimo (0) em preto.

Formatos de arquivos para imagens digitais

• Diversos formatos– requisitos diferentes, vários tipos de imagens

– razões de mercado– software proprietário

– falta de coordenação da indústria de imagens

• Computação Gráfica– imagens bitmap e imagens “vetores” (vector

images)

Formatos

• Bitmap (raster images)– I(r,c): pixel armazena o valor do brilho.

• Vector images– representação de linhas, curvas e formas

– armazena os “pontos chaves”

– rendering (renderização)

Imagem Vetorial

• Consiste de uma lista de comandos gráficos, que quando executados desenham o correspondente à imagem

• As imagens são simples, devido ao seu processo de formação

• Exemplos: Corel Draw (.cdr), Flash, windows metafile (.wmf)

LEGAL !

LEGAL !

• A imagem vetorial é definida através de uma linguagem gráfica que representa a estrutura do desenho através de formas geométricas: círculos, pontos, retângulos, triângulos, linhas, etc.– ex: desenho abaixo

• circulo (10,10,300, rgb= amarela) (posição, raio, cor)

• box (10,20,287,98, rgb=vermelha)

• box (10,10,200,210,azul)

• triangulo (10,10,40,40, 59,80,rgb=azul)

• text (30,87,tipo de letra, tamanho da letra, “texto que vai aparecer”, rgb)

Imagem Mapa de Bits (raster)

• No formato bitmap a matriz que representa a imagem é armazenada na memória.

• Este formato é o mais utilizado em processamento de imagens, uma vez que permite representar “ imagens reais “ ou seja adquiridas por um processo de digitalização.

• Exemplos: BMP, JPG, TIFF, PCX, GIF, PNG

• De que forma o pixel é armazenado?– Na memória de vídeo a imagem é representada como uma matriz,

onde cada elemento é um pixel.

• O tamanho das células variam de acordo com a profundidade e número de cores.

• Ex: uma imagem mapa de bit de 3 x 4 pixels true color (RGB)

. . .

. . .

. . .

. . .

255,255,255 255,0,0 255,255,2550,0,0 0,0,0 0,0,0 0,0,0 0,0,0 0,0,0 0,0,0 255,255,255 0,0,0

IMAGEM AMPLIADA

MATRIZ

Imagens Bitmap

• BIN (raw image, sem cabeçalho)

• PPM (raw data + cabeçalho simples)– PBM(binário), PGM(grey-scale), PNM

(ambos)

• TIFF (Tagged Image File format) 24 bpp + compressão (LZW, RLE, JPEG)

• GIF (Graphics Interchange Format) 8 bpp + compressão LZW.

Imagens Bitmap

• JPEG: Joint Photographic Experts Group

• JFIF: JPEG Interchange Format– utiliza compressão jpeg

• Sun raster (Sun)

• SGI (Silicon Graphics)

Formato geral de um arquivo de imagem

Cabeçalho

Paleta

Dados

. . .

. . .

. . .

. . .1 2 33 3 33 3 33 1 3

IMAGEM AMPLIADA

MATRIZ na memória do computador

255,255,255 255,0,0 0,0,0

1 2 3

PALETA de CORES

Dados da Imagem

Imagem indexada de 256 cores