Visão Comp Intro

Captulo 3 VISO COMPUTACIONAL
Captulo 3
3.1. Principais Etapas de um Sistema de Viso Computacional 3.2. Viso Humana X Computacional 3.3. A Imagem Digital 3.4. Histograma de imagem digital 3.5. Sistemas de viso binria 3.6. Operaes pontuais globais em imagens
Computao Grfica - Vol. 2 - Cap. 3 2
3.1. Principais Etapas de um Sistema de Viso Computacional 3.1.1 Aquisio de Imagens 3.1.2 Restaurao e Realce 3.1.3. Segmentao 3.1.4. Extrao de Atributos ou Caractersticas 3.1.5. Classificao e Reconhecimento 3.1.6. Deciso
3.1. Principais Etapas de um Sistema de Viso Computacional
Figura 3.1 Etapas de um sistema de VC genrico.
Computao Grfica - Vol. 2 - Cap. 3
3.1.1 Aquisio de Imagens

R+T+A=1 (3.1) f(x,y) = i(x,y) . r (x,y) (3.2)
Figura 3.2 Aquisio da Imagem.

Amostragem e Quantizao
Amostragem refere-se ao nmero de pontos amostrados de uma imagem digitalizada (resoluo). Quantizao - quantidade de nveis de tons que pode ser atribudo a cada ponto digitalizado.
As imagens reais possuem um nmero ilimitado de cores ou tons. No processamento de imagens computacional necessrio limitar os nveis de cores ou tons possveis de serem atribudos a cada pixel da imagem (gradao tonal).
Resoluo
Figura 3.3 Efeito da reduo da resoluo espacial na qualidade da imagem
Quantizao
Figura 3.4 Efeito da variao da gradao tonal ou quantizao na qualidade da imagem.

3.1.2 Restaurao e Realce

Objetivo Restaurao - busca compensar deficincias especficas, geradas no momento de aquisio, na transmisso ou em alguma etapa do processamento. Realce - destaca detalhes da imagem que so de interesse para anlise ou que tenham sofrido alguma deteriorizao.
3.1.3. Segmentao
Objetivo
Isolar regies de pontos da imagem pertencentes a objetos para posterior extrao de atributos e clculo de parmetros descritivos.
10
3.1.4. Extrao de Atributos ou Caractersticas

Objetivo A partir de imagens j segmentadas (em objeto e fundo) ou binrias busca obter dados relevantes ou atributos, das regies ou objetos destacados.
Os tipos de atributos ou caractersticas mais comuns so: nmero total de objetos; dimenses; geometria; propriedades de luminosidade e textura.
3.1.5. Classificao e Reconhecimento

Distinguir objetos na imagem agrupando parmetros de acordo com sua semelhana para cada regio de pixels encontrada. Os objetos so:
reconhecidos como pertencentes a um mesmo grupo e ento sejam classificados em uma base de imagens. apresentados para o sistema, que compara suas caractersticas com aquelas dos objetos das classes previamente estabelecidas.
12
3.1.6. Deciso
O objetivo de um sistema de Viso Computacional tomar decises a partir da extrao de informaes do mundo real atravs de imagens. A tomada de deciso pode ser feita a partir de indagaes simples a respeito de parmetros extrados dos objetos ou de algoritmos mais complexos de Inteligncia Artificial.
3.2. Viso Humana X Computacional
Figura 3.7. Sistema de Viso Humano.

Caractersticas
Adaptabilidade Tomada de Deciso Qualidade das Medies Velocidade de Resposta Percepo de Espectros Dimenso dos Objetos
Exemplo de sistema de Viso Computacional
Figura 3.8. Integrao da viso com o sistema motor.

Analogia entre a viso humana e a computacional.
Figura 3.9. Analogia do sistema de viso humano e computacional.
17
3.3. A Imagem Digital

3.3.1. Discretizao e Reconstruo 3.3.2. Amostragem e Quantificao 3.3.3. Resoluo Espacial 3.3.4. Aliasing 3.3.5. Imagens Monocromticas 3.3.6. Imagens Coloridas
3.3. A Imagem Digital

Do latim imago - representao visual de um objeto. Do grego eidos (raiz etimolgica do termo idea ou eide) considera a idea da coisa, a sua imagem, uma projeo na mente. Imagem pode ser adquirida ou gerada pelo ser humano. Uma imagem consiste em qualquer forma visual de expresso de uma idia.
Formas de captao de uma imagem
Figura 3.10 - Formas de Captao da Imagem por Radiao
20
Etapas do processamento de imagem digital
Figura 3.11 - Etapas do Processamento da Imagem
21
Discretizao - converso da imagem na forma contnua em um uma representao discreta. Reconstruo - processo inverso da discretizao. Codificao - a partir da representao discreta da imagem, gera um conjunto de dados representativos da imagem, dados estes que podem ser transformados no formato de arquivos. Decodificao - processo oposto codificao no qual acessam-se informaes codificadas na forma de uma representao discreta.
3.3.1. Discretizao e Reconstruo

A forma de representar o mundo contnuo ou uma funo contnua no computador discretizando-a. A operao que a partir dos valores discretos retorna uma aproximao da funo contnua inicial chamada de reconstruo.
Figura 3.12. Grfico de uma imagem contnua.
23
Figura 3.13 Formas de Representao de uma funo y = f(x).
24
3.3.2. Amostragem e Quantificao

Uma imagem digital descrita por uma matriz N x M de valores de pixel (p(x,y)) inteiros positivos, que indica a intensidade de cor em cada posio [x,y] da imagem.
Figura 3.15 Reticulado uniforme da representao matricial da imagem.
Um pixel caracterizado pelo valor de tonalidade de cor e pela sua localizao na imagem.
Figura 3.16 Representao matricial de uma regio da imagem.
26
3.3.3. Resoluo Espacial

Ao ser digitalizada a imagem assume um tamanho adimensional, em pixels. Pode-se conhecer o tamanho da amostragem, conhecendo-se a razo entre o nmero de pixels obtido e o tamanho da imagem real no filme fotogrfico ou equivalente. A isso chama-se de resoluo espacial, que em geral medida em pontos por polegada ou dpi (dots per inch).
Figura 3.17 Taa em duas resolues, mas exibido no seu tamanho original.
27
Imagens reais - > Digitais

Para que sejam representadas no meio digital, seu comportamento analgico (contnuo) tem que ser convertido numa srie de valores discretos (descontnuos). Esses valores so nmeros (dgitos) que representam amostras ( samples em ingls)
28
Amostragem
A converso do sinal analgico para o digital realizada por uma sequncia de amostras da variao de voltagem do sinal original. Cada amostra arredondada para o nmero mais prximo da escala usada e depois convertida em um nmero digital binrio (formado por "uns" e "zeros") para ser armazenado.
As amostras so medidas em intervalos fixos.
O nmeros de vezes em que se realiza a amostragem em uma unidade de tempo a taxa de amostragem
3.3.4. Aliasing
Ocorre quando a freqncia de amostragem inferior
frequncia de Nyquist.
Figura 3.19 O sinal digitalizado fica completamente diferente do sinal original devido a sua baixa freqncia de amostragem.
Teorema de Nyquist
A taxa de amostragem dever ser pelo menos duas vezes a maior frequncia que se deseja registrar. Esse valor conhecido como frequncia de Nyquist. Ao se tentar reproduzir uma frequncia maior do que a frequncia de Nyquist ocorre o fenmeno de alising (ou foldover )
32
(a) Dentes na representao de retas.
(b) Uma forma de amenizar o problema.
Figura 3.20 - Problema do aliasing em monitores de computadores antigos.
33
Moir
Efeito de segunda ordem: Duas resolues diferentes (escaneado em 200dpi e impresso em 300 dpi, por exemplo); ou Grid no alinhados (rotacoes ou aspect ratio)
(site do curso: http://www.ic.uff.br/~aconci/moire.html)
34
Exemplificando a causa dos padres
35
Moir
um padro de interferncia criado quando duas grades so sobrepostas em um determinado ngulo, ou quando elas tm pequenas diferenas nos tamanhos da malhas da grade.
36
padro moir
37
Nem sempre maior resoluo melhor:
imagem com 140 dp Observe os padroes na regiao escura da imagem.
38
imagem com 180 dp Observe os padroes Diminuem bem na imagem.
39
Imagem 200 dp Padres Tanto na Parte clara Como na Escura da imagem.

3.3.5. Imagens Monocromticas

Imagens monocromticas so imagens digitais onde cada pixel possui apenas uma banda espectral.
Figura 3.22 Exemplos de imagens monocromticas
41
O nmero de tons entre os valores limites, branco e preto, que se pode representar em tons, depende de quantos bits so alocados na matriz de imagem para armazenar o tom de cada pixel.
Nmero de elementos na Escala de cinza 21 2 valores 3 2 8 valores 4 2 16 valores 8 2 256 valores Tons de cinza limites 0,1 0a7 0 a 15 0 a 255 Nmeros de Bits necessrios para representao do pixels 1 3 4 8
42
Uma imagem monocromtica pode ser representada geometricamente tambm por valores reais quanto posio dos pixels como no grfico G ( f ) da funo f:
G(f) = { (x,y,z); (x,y) R2 ; z = f (x,y) }
(3.4)
Figura 3.24 Imagem Monocromtica e grfico 3D de sua funo g(f) no R.
43
3.3.6. Imagens Coloridas

Imagens multibandas so imagens digitais onde cada pixel possui n bandas espectrais. Quando uma imagem representada pela composio das trs bandas visveis (RGB) tem-se uma imagem colorida aos olhos humanos.
Figura 3.25 Imagem colorida e cada uma de suas bandas RGB.

3.4. Histograma de imagem digital

O histograma de uma imagem indica o percentual de pixels que a imagem tem de determinado nvel de cinza ou cor.
Figura 3.26 Imagem em tons de cinza e o seu histograma.
O histograma fornece uma indicao da qualidade da imagem quanto ao contraste e intensidade luminosa.
Figura 3.27 Imagens em tons de cinza e seus respectivos histogramas: com pouco (direita) e muito contraste (esquerda).
Figura 3.27 (cont.) Imagens em tons de cinza e seus respectivos histogramas: com alta luminosidade (clara) e com baixa luminosidade (escura).
Histogramas das bandas de uma imagem colorida
Figura 3.28 - Histogramas da Imagem 3.25 separado por canal R,G B.
48
3.5. Sistemas de viso binria

3.5.1. Limiarizao (Thresholding):
Manual (baseada no histograma) Automtica:
Mtodo de Otsu (Thresholding Global) Mtodo Iterativo outros (ver site do curso)
3.5.1. Agrupamento por limiar
Figura 3.30 - Exemplo de binarizao: (a) Imagem em tons de cinza, (b) Imagem binria
50
3.5.1. Agrupamento por limiar (limiarizao)

Uso em imagens em que o objeto a ser segmentado apresenta uma tonalidade bem diferente do fundo da imagem. Em um histograma bimodal, possvel estabelecer um limiar entre as duas tonalidades.
Figura 3.31 - Exemplo de histograma bemdividido.

51
Quando a imagem tem mais de dois objetos com cinzas diferentes em um fundo mais escuro, pode ser usada a tcnica de limiarizao multinvel (multilevel thresholding).
Figura 3.34 - Exemplo de um histograma trimodal.

H casos em que torna-se necessrio o uso de interpolao.
Figura 3.33 - Limiarizao por interpolao (Chow e Kaneko, 1972).

A limiarizao converte uma imagem de entrada: f(x, y) de N nveis de cinza em uma imagem g(x,y), chamada de imagem limiarizada (ou posterizada), com nmero de nveis de cinza menor do que N. No limite, g(x, y), ter s dois nveis de cinza, como na equao:
R1 se f ( x, y ) T g ( x, y ) = R2 se f ( x, y )> T
(3.5)
54
De uma maneira mais genrica, a definio de T a funo de vrias variveis na forma:

T = T [x, y, p(x,y), f(x,y)] (3.6)
onde p(x,y) uma propriedade local de x,y.
55
Figura 3.36 Influncia do valor do limiar sobre a qualidade da limiarizao. (As imagens (c) e (d) so posterizadas nesta representao).
3.5.2. Limiarizao Automtica (Thresholding) baseada no histograma

O mtodo mais simples (e mais caro computacionalmente) de calcular automaticamente o threshold o mtodo iterativo.
57
Este mtodo descrito por:

1. Selecione um tom Ti. inicial (entre o valor da intensidade mnima e mxima da imagem.) 2. Segmente imagem usando Ti. Isto , divida-a em dois grupos: (G1) formado com os pixeis cujos valores so > T e (G2) com os pixeis com tons < T. 3. Calcule a intensidade mdia dos grupos: 1 e 2 4. Calcule o novo threshold: Ti+1= (1 +2 5. Repita os passos 2 at 4 at que Ti+1 Ti < ( parmetro pr-definido )
Mtodo de Otsu
A operao de limiarizao considerada como sendo o particionamento da imagem com L nveis de cinza em duas classes C0 e C1, que representam o objeto e o fundo, ou viceversa, sendo que esta partio se dar no nvel de cinza t, que maximiza a razo da varincia entre as classes e a varincia total C0 = pixels da imagem com tons de 0 a t C1 = pixels da imagem com tons de t a l
59
Mtodo de Otsu para escolher o melhor threshold: T.

Se baseia no histograma normalizado (da imagem)., que pode ser visto como uma funo de densidade de probabilidade discreta (histograma nirmalizado)
onde n o nmero total de pxeis na imagem, nq o nmero de pxeis que tem intensidade rq O mtodo de Otsu escolhe o threshod de valor T que maximiza:
60
onde,
w0 = w0 =
m1 = mT =
m0 =
61
3.6. Operaes pontuais em imagens
Global x local
3.6.1. Operaes pontuais baseadas na curva de tom 3.6.2. Operaes baseadas em histograma 3.6.3. Tcnicas Baseadas no Histograma de Imagens Coloridas
62
3.6. Operaes pontuais em imagens

Uma operao pontual global m uma imagem digital r a funo f(r) aplicada a todo pixel da imagem: r: s = f(r) (3.7)
63
3.6.1. Operaes pontuais globais baseadas na curva de tom
Figura 3.38 - Relao entre imagem origem e destino.

(diminuio de contraste)
(aumento de contraste)
(diminuio de contraste) Figura 3.39 - Representao na forma linear Figura 3.40. Alterao da imagem destino a partir de uma funo genrica.
65
Figura 3.44 Curva de tom original e alteradas,com suas respectivas curvas de tom e histogramas.
Compresso do histograma (diminuio do range)
Figura 3.45 - Efeito da Compresso de Histogramas
67
Expanso de histograma (ampliao do range)
Figura 3.46. Efeito da Expanso de Histogramas.
68
Imagem negativa
(ou com os tons invertidos)
Figura 3.47. Efeito da imagem negativa.

3.6.2. Outras peraes globais baseadas em histograma 3.6.2.1. Equalizao

O objetivo da equalizao de imagens a melhoria do seu contraste. Para tanto, o ideal que os nveis de cinza sejam representados de maneira uniforme e distribuda.
70
A equalizao de histograma consiste na redistribuio dos valores de nvel de cinza em uma imagem, de forma que todos os pixels tenham a probabilidade de aparecer mais equalitria possvel.
Figura 3.49 (a) Imagem com baixo contraste e seu histograma. (b) Imagem aps equalizao e seu histograma.
3.6.2.1. Especificao Direta

A equalizao de histogramas procura distribuir igualmente para todos os nveis de pixels da imagem o que no permite estabelecer parmetros de mudana capazes de ressaltar faixas de nveis de cinza na imagem.
Esta pode ser realizada por outra tcnica chamada de especificao direta de histograma.
72
Figura 3.51 Imagem original e seu histograma normalizado
Figura 3.52 Imagem obtida (a) aps a especificao do histograma (b).

3.6.3. Tcnicas Baseadas no Histograma de Imagens Coloridas
Figura 3.55 Imagem original e seus histogramas normalizados (Gonalves, 2006)

Problema:
Quando as tcnicas de mudana de histograma para imagens em tons de cinza so simplesmente triplicadas para cada um dos canais (RGB) independentemente, o resultado ser o
surgimento de cores no presentes na imagem original.

Figura 3.56 Imagem modificada por equalizao e seus histogramas equalizados normalizados .
76
Solues:
1- Usar melhor canal em melhor espao de cores
Figura 3.58 Esquema de modificaes baseadas no histograma para imagens coloridas.
77
Solues: 2- Usar melhor canal em melhor espao de cores
Figura 3.59 Esquema de modificao para espaos HSV e HLS
78
Bibliografia Complementar (cap. 3):

http://www.ic.uff.br/~aconci/OTSUeOutras.pdf Limiarizao de Pun e Kapur: ..../~aconci/curso/binari~3.htm Chow e Kaneko: http://www.ic.uff.br/~aconci/limiarizacao.htm Otsu : tese Leonardo Hiss Monteiro do IC:2002 Dissertao: Jonh Edson Ribeiro de Carvalho Uma Abordagem de Segmentao de Placas de Automveis baseada em Morfologia Matemtica- 2006
Flvio L. Seixas, Anita Martins, Arthur R. Stilben, Daniel Madeira, Rafael Assumpo, Saulo Mansur, Silvia M. Victer, Vilson B. Mendes e Aura Conci, AVALIAO DOS MTODOS PARA A SEGMENTAO AUTOMTICA DOS TECIDOS DO ENCFALO EM RESSONNCIA MAGNTICA http://www.ic.uff.br/~aconci/pub2008.html
http://eof.alunos.dcc.fc.up.pt/wiki/index.php/Otsu

Visão Comp Intro

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Visão Comp Intro

Enviado por

Direitos autorais:

Formatos disponíveis

Captulo 3 VISO COMPUTACIONAL

3.1. Principais Etapas de um Sistema de Viso Computacional

Figura 3.1 Etapas de um sistema de VC genrico.

Computao Grfica - Vol. 2 - Cap. 3

3.1.1 Aquisio de Imagens

Figura 3.2 Aquisio da Imagem.

Computao Grfica - Vol. 2 - Cap. 3

Figura 3.3 Efeito da reduo da resoluo espacial na qualidade da imagem

Computao Grfica - Vol. 2 - Cap. 3

Figura 3.4 Efeito da variao da gradao tonal ou quantizao na qualidade da imagem.

3.1.2 Restaurao e Realce

Computao Grfica - Vol. 2 - Cap. 3

3.1.4. Extrao de Atributos ou Caractersticas

3.1.5. Classificao e Reconhecimento

Computao Grfica - Vol. 2 - Cap. 3

3.2. Viso Humana X Computacional

Figura 3.7. Sistema de Viso Humano.

Exemplo de sistema de Viso Computacional

Figura 3.8. Integrao da viso com o sistema motor.

Analogia entre a viso humana e a computacional.

Figura 3.9. Analogia do sistema de viso humano e computacional.

Computao Grfica - Vol. 2 - Cap. 3

3.3. A Imagem Digital

3.3. A Imagem Digital

Formas de captao de uma imagem

Figura 3.10 - Formas de Captao da Imagem por Radiao

Computao Grfica - Vol. 2 - Cap. 3

Etapas do processamento de imagem digital

Figura 3.11 - Etapas do Processamento da Imagem

Computao Grfica - Vol. 2 - Cap. 3

3.3.1. Discretizao e Reconstruo

Figura 3.12. Grfico de uma imagem contnua.

Computao Grfica - Vol. 2 - Cap. 3

Figura 3.13 Formas de Representao de uma funo y = f(x).

Computao Grfica - Vol. 2 - Cap. 3

3.3.2. Amostragem e Quantificao

Figura 3.16 Representao matricial de uma regio da imagem.

Computao Grfica - Vol. 2 - Cap. 3

3.3.3. Resoluo Espacial

Computao Grfica - Vol. 2 - Cap. 3

Imagens reais - > Digitais

Computao Grfica - Vol. 2 - Cap. 3

As amostras so medidas em intervalos fixos.

Computao Grfica - Vol. 2 - Cap. 3

(a) Dentes na representao de retas.

(b) Uma forma de amenizar o problema.

Figura 3.20 - Problema do aliasing em monitores de computadores antigos.

Computao Grfica - Vol. 2 - Cap. 3

Computao Grfica - Vol. 2 - Cap. 3

Exemplificando a causa dos padres

Computao Grfica - Vol. 2 - Cap. 3

Computao Grfica - Vol. 2 - Cap. 3

Computao Grfica - Vol. 2 - Cap. 3

Nem sempre maior resoluo melhor:

imagem com 140 dp Observe os padroes na regiao escura da imagem.

Computao Grfica - Vol. 2 - Cap. 3

Nem sempre maior resoluo melhor:

imagem com 180 dp Observe os padroes Diminuem bem na imagem.

Computao Grfica - Vol. 2 - Cap. 3

Nem sempre maior resoluo melhor:

Imagem 200 dp Padres Tanto na Parte clara Como na Escura da imagem.

3.3.5. Imagens Monocromticas

Figura 3.22 Exemplos de imagens monocromticas