Você está na página 1de 82

Universidade Federal de So Carlos

Centro de Cincias Exatas e de Tecnologia


Departamento de Matemtica

Introduo s Sries e Transformadas de Fourier e


Aplicaes no Processamento de Sinais e Imagens

Autor:

Josiana Rovatti Pupin

Orientador:

Disciplina:

Curso:

Waldeck Schutzer

Trabalho de Concluso de Curso

Licenciatura em Matemtica

Professores Responsveis:

Tomas Edson Barros


Karina Schiabel Silva
Vera Lcia Carbone

So Carlos, 20 de dezembro de 2011.

Introduo s Sries e Transformadas de Fourier e


Aplicaes no Processamento de Sinais e Imagens

Autor:

Josiana Rovatti Pupin

Orientador:

Disciplina:

Curso:

Waldeck Schutzer

Trabalho de Concluso de Curso

Licenciatura em Matemtica

Professores Responsveis:

Tomas Edson Barros


Karina Schiabel Silva
Vera Lcia Carbone

Instituio:

Universidade Federal de So Carlos


Centro de Cincias Exatas e de Tecnologia
Departamento de Matemtica

So Carlos, 20 de dezembro de 2011.

Nome do Autor (aluno)

Nome do Orientador (orientador)

Dedico este trabalho de graduao aos meus pais, irmos, ao meu noivo e todos os familiares, que de alguma forma contriburam para a realizao do mesmo, com demonstrao
de ateno e carinho para que tudo se realizasse da melhor forma possvel.

O homem erudito um descobridor de fatos que j existem; mas o homem sbio um


criador de valores que no existem e que ele faz existir. - Albert Einstein.

Agradecimentos
Agradeo,

Aos meus pais pelo incentivo em realizar o curso de matemtica, por todo apoio
recebido durante os anos de graduao, pelas palavras de conforto nos momentos difceis
e pela compreenso diria mesmo estando longe de casa.

meu noivo, que sempre esteve ao meu lado me apoiando em todas as decises,
presente em todos os momentos, demonstrando ateno e preocupao, por toda pacincia
e todo amor dedicado.

Aos meus tios, primos, e avs que sempre participaram do melhores momentos da
minha vida, contribuindo para que os nais de semanas fossem os melhores possveis,
sempre me desejando nas despedidas boa semana e bons estudos.

Ao meu orientador pela conana que depositou em mim, por tudo que me ensinou,
pelas horas semanais de estudo, pela sua dedicao e pacincia, proporcionando a elaborao e concluso deste trabalho.

Resumo
Este trabalho apresenta a teoria das Sries de Fourier e das Transformadas de Fourier
que permitem representar e estudar o comportamento de certas funes com respeito a
propriedades de periodicidade. O objetivo principal deste trabalho o estudo sistemtico
introdutrio das Sries de Fourier e da Transformada de Fourier, obtendo como resultado
a aquisio de conhecimentos bsicos, porm slidos sobre essa teoria, um captulo especial da assim chamada Anlise Harmnica.

As Sries de Fourier permitem representar

muitas funes peridicas como uma soma innita de exponenciais complexas. A representao por meio de sries bastante vantajosa quando se deseja aproximar os valores da
funo, por exemplo, quando a funo possui uma frmula complicada, difcil de calcular
exatamente, pois a aproximao pode ser feita pelo truncamento da srie.
Como veremos uma grande vantagem da representao por Sries de Fourier em relao
s sries de potncias que, em dadas circunstncias, aquela uniforme e global, isto ,
sua convergncia, uma vez estabelecida, vlida para todo o domnio da funo, enquanto
que esta geralmente tem convergncia apenas local, isto , dentro de um intervalo chamado
intervalo de convergncia que depende da srie mas no da funo.
A discretizao das funes de interesse bastante desejvel em muitas aplicaes,
em especial aquelas que se baseiam em tcnicas digitais. Essa discretizao d origem a
Transformada Discreta de Fourier (DFT) que prov uma aproximao muito boa para os
coecientes da Srie de Fourier de funes peridicas e em alguns casos, essa aproximao
exata. No entanto, o clculo da DFT costuma ser realizado por um algoritmo pouco
intuitivo, mas muito mais eciente chamado Transformada Rpida de Fourier (FFT).
Neste trabalho vamos dar uma idia supercial sobre o funcionamento desse algoritmo,
mas na prtica estaremos utilizando implementaes feitas por outros autores como ferramenta de trabalho para nossas aplicaes.

Encerraremos este trabalho discutindo a

aplicao da teoria ao estudo da atividade solar por meio da contabilizao do nmero de


manchas solares.
Contemplar tambm informaes sobre alguns tipos de aplicaes que podem ser
realizadas com Sries e Transformadas de Fourier no processamento de sinais e imagens,
dando continuidade natural a esse trabalho expandindo nossa viso para outros campos
de aplicaes por meio de uma breve extenso da teoria para o caso de duas variveis e
executando determinadas aplicaes, com objetivo de destacar caractersticas relevantes,
corrigir defeitos, atenuar rudos, obter informaes quantitativas e qualitativas de imagens,

incluindo a elaborao de ltros especcos para realizao dessas tarefas. Dessa forma,
apresentamos como possvel aplicar a Transformada de Fourier em uma imagem e em
seguida aplicar a inversa e obter, praticamente, a imagem original, como utilizar ltros
para atenuar ou ressaltar rudos, como detectar bordas, como aplicar o algoritmo de
luminncia e, por m, como realizar a restaurao de uma imagem.

xi

Sumrio
1 Aspectos Bsicos das Sries de Fourier

1.1

Introduo s Sries de Fourier

. . . . . . . . . . . . . . . . . . . . . . . .

1.2

Sries de Fourier de Funes Reais

. . . . . . . . . . . . . . . . . . . . . .

1.3

Sries em Senos e Sries em Cossenos . . . . . . . . . . . . . . . . . . . . .

1.4

Alguns Aspectos de Convergncia das Sries de Fourier

. . . . . . . . . . .

2 Transformada Contnua de Fourier

10

15

2.1

Denio de Transformada de Fourier . . . . . . . . . . . . . . . . . . . . .

15

2.2

Propriedades da Transformada Contnua de Fourier

15

. . . . . . . . . . . . .

3 A Transformada Discreta de Fourier

19

3.1

Obteno da DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

3.2

Propriedades Bsicas da DFT

. . . . . . . . . . . . . . . . . . . . . . . . .

22

3.3

Transformada Discreta do Seno e do Cosseno . . . . . . . . . . . . . . . . .

23

3.4

Relao entre DFT e Srie de Fourier . . . . . . . . . . . . . . . . . . . . .

24

4 A Transformada Rpida de Fourier


4.1

Aplicao

4.2

Como foram produzidos os grcos

27

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .

28
28

5 Sries e Transformadas de Fourier no Processamento de Sinais e Imagens


35
5.1

Transformada de Fourier em duas dimenses . . . . . . . . . . . . . . . . .

35

5.2

Propriedades da Transformada de Fourier . . . . . . . . . . . . . . . . . . .

36

5.3

Teorema da Convoluo

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

5.4

Filtros

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

5.5

Funo de Transferncia ptica

5.6

Processo de Deconvoluo

. . . . . . . . . . . . . . . . . . . . . . . .

41

. . . . . . . . . . . . . . . . . . . . . . . . . . .

43

6 Processamento de Imagem
6.1

45

Digitalizao de Imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

6.1.1

Imagem Contnua . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

6.1.2

Representao de uma Imagem

47

. . . . . . . . . . . . . . . . . . . .

xii

Sumrio
6.2

Operaes com Imagens

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

7 Aplicaes

50

53

7.1

Ilustrao dos Canais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

53

7.2

Transformada e Transformada Inversa de Fourier

. . . . . . . . . . . . . .

54

7.3

Fator log . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

55

7.4

Filtro Butterworth Passa-baixa e Passa-alta e Filtro Gaussiana Passa-Baixa


e Passa-Alta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

56

7.5

Deteco de Bordas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

59

7.6

Luminncia

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

60

7.7

Borramento de uma Imagem . . . . . . . . . . . . . . . . . . . . . . . . . .

61

7.8

Correo de Desfocagem

62

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

xiii

Lista de Figuras
g(t) = t

1.1

A funo

periodicada

. . . . . . . . . . . . . . . . . . . . . . . .

1.2

Primeira harmnica da funo

1.3

Soma das duas primeiras harmnicas da funo

1.4

Soma das quatro primeiras harmnicas da funo

1.5

Soma das oito primeiras harmnicas da funo

1.6

Soma das 16 primeiras harmnicas da funo

1.7

Soma das 32 primeiras harmnicas da funo

1.8

Soma das 512 primeiras harmnicas da funo

g(t) = t

. . . . . . . . . . . . . . . . . . . .

g(t) = t

. . . . . . . . . . .

g(t) = t

5
5
5

. . . . . . . . . .

. . . . . . . . . . .

g(t) = t

. . . . . . . . . . . .

g(t) = t

. . . . . . . . . . . .

. . . . . . . . . . .

1.9

Funo no-diferencivel em parte alguma de Weierstrass . . . . . . . . . .

11

4.1

Ilustrao de manchas solares por Galileu . . . . . . . . . . . . . . . . . . .

29

4.2

Nmero de manchas solares, mdia mensal . . . . . . . . . . . . . . . . . .

29

4.3

Nmero de manchas solares, mdia mensal suavizada (50 harmnicos) . . .

29

4.4

Nmero de manchas solares, mdia mensal e mdia mensal suavizada

30

4.5

Valor absoluto da Transformada Discreta de Fourier. O pico em destaque


refere-se a

24a

g(t) = t

g(t) = t

harmnica. Como o perodo amostrado

T = 262.25

. . .

anos,

isso signica que a atividade solar possui uma variao distintiva que ocorre
de
4.6

T /24 = 10.927

anos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

Estimativa do nmero de manchas solares nos prximos anos, com intervalo


de conana estimado usando o desvio padro das observaes . . . . . . .

30

6.1

Representao da Imagem no Formato Matricial . . . . . . . . . . . . . . .

48

7.1

Imagem Original Colorida

. . . . . . . . . . . . . . . . . . . . . . . . . . .

53

7.2

Representao do Canal R . . . . . . . . . . . . . . . . . . . . . . . . . . .

53

7.3

Representao do Canal G . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

7.4

Representao do Canal B . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

7.5

Representao da Imagem Original

. . . . . . . . . . . . . . . . . . . . . .

54

7.6

Representao da Transformada de Fourier . . . . . . . . . . . . . . . . . .

54

7.7

Representao da Imagem Original

55

7.8

Representao da Transformada Inversa de Fourier

. . . . . . . . . . . . .

55

7.9

Imagem Original / Imagem com reduo de contraste . . . . . . . . . . . .

55

. . . . . . . . . . . . . . . . . . . . . .

xiv

Lista de Figuras

7.10 Representao da Imagem Real

. . . . . . . . . . . . . . . . . . . . . . . .

56

7.11 Filtro Butterworth Passa-Baixa

. . . . . . . . . . . . . . . . . . . . . . . .

56

7.12 Filtro Butterworth Passa-Alta . . . . . . . . . . . . . . . . . . . . . . . . .

56

7.13 Representao da Imagem Real

. . . . . . . . . . . . . . . . . . . . . . . .

56

. . . . . . . . . . . . . . . . . . . . . . . . .

56

. . . . . . . . . . . . . . . . . . . . . . . . . .

56

7.14 Filtro Gaussiana Passa-Baixa


7.15 Filtro Gaussiana Passa-Alta

7.16 Representao do ltro Butterworth Passa-Baixa


7.17 Representao do ltro Butterworth Passa-Alta

. . . . . . . . . . . . . .

56

. . . . . . . . . . . . . . .

56

7.18 Representao da imagem ltrada Butterworth Passa-Baixa

. . . . . . . .

57

. . . . . . . . .

57

7.20 Representao da imagem ltrada Gaussiana Passa-Baixa . . . . . . . . . .

57

7.21 Representao da imagem ltrada Gaussiana Passa-Alta

. . . . . . . . . .

57

7.22 Imagem Original / Deteco de Bordas . . . . . . . . . . . . . . . . . . . .

59

7.23 Imagem Original Colorida/Luminncia da imagem . . . . . . . . . . . . . .

61

7.24 Imagem Real Colorida / Imagem Borrada por uma gaussiana . . . . . . . .

61

7.25 Imagem Borrada / Imagem Restaurada . . . . . . . . . . . . . . . . . . . .

62

7.19 Representao da imagem ltrada Butterworth Passa-Alta

Captulo 1
Aspectos Bsicos das Sries de Fourier
1.1 Introduo s Sries de Fourier
O conceito de somar uma quantidade innita de nmeros reais ou complexos remonta s
idias originais de Arquimedes.

Ele provavelmente foi o primeiro a divisar um mtodo

(que chamou de exausto) segundo o qual possvel atribuir signicado numrico (convergncia) a essas somas. Por meio desse mtodo ele obteve uma aproximao muito precisa
do nmero

entre outros feitos notveis.

A idia de representar funes por meio de sries surgiu na ndia por volta do sculo
XIV, perodo no qual foram concebidas as tcnicas precursoras para tratar do que hoje
conhecido como Sries de Potncias. Exemplos particulares desse tipo de srie so as
Sries de Taylor e de Maclaurin, ensinadas em cursos regulares de Clculo. Estas surgem
como limite de sries polinomiais, e permitem representar uma coleo razoavelmente
grande de funes denidas em um intervalo (chamado intervalo de convergncia).
Outros tipos de sries existem e so mais apropriadas para representar funes peridicas denidas na reta em termos de senos e de cossenos. Em homenagem a Jean-Baptiste
Joseph Fourier (1768-1830), que foi o primeiro a estudar sistematicamente tais sries, passamos a cham-las Sries de Fourier. Outros pesquisadores, como Euler, D'Alembert e
Bernoulli j haviam se deparado com esse conceito mas no haviam chegado a desenvolvlo no mesmo grau de profundidade e abrangncia obtidos por Fourier.
Neste captulo vamos seguir os passos de Fourier, introduzindo o conceito de Srie de
Fourier e estudar algumas de suas propriedades imediatas. Tendo em vista pretendermos
realizar aplicaes especcas desse conceito, no vamos abordar completamente todos os
aspectos dessa teoria.
O tratamento moderno das Sries de Fourier expressa essas sries como somas innitas
de exponenciais complexas, cuja denio a seguinte:

Denio 1.1.

Seja

um nmero real. Chama-se exponencial complexa de

complexo

eix = cos x + i sen x

o nmero

1. Aspectos Bsicos das Sries de Fourier

.
fcil ver que as exponenciais complexas so funes peridicas de perodo igual a

2 . A m de utiliz-las para modelar funes com outros perodos, por exemplo, igual
P , basta notar que ei2nt/P so funes peridicas de perodo P para todo n Z.

Denio 1.2.

Seja

f : R C

uma funo peridica, com perodo

P , P > 0,

se

f (t + P ) = f (t), t R
P chamado perodo fundamental, se P for o menor real positivo possvel.
1
denida como frequncia fundamental.
F =
P

Dizemos que
Portanto,

Suponhamos que

cn ei2nt/P .

f (t) =
n=
Ento,

ei2nt/P

possui perodo fundamental igual a

nF , ou seja, um mltiplo
nF chamada harmnica

P
n

e frequncia fundamental igual a

da frequncia fundamental de
de

f.

Por essa razo a frequncia

F.

Teorema 1.3 (Ortogonalidade de Exponenciais Complexas). Para todos os inteiros m e


n, as exponenciais complexas de perodo P , satisfazem a seguinte relao de ortogonalidade
1
P

t0 +P

ei2mt/P ei2nt/P dt =

t0

0 para m = n
1 para m = n,

para todo t0 R.
Na linguagem da lgebra Linear esse Teorema signica que o conjunto das exponenciais complexas de perodo

Demonstrao.

forma um conjunto ortonormal.

Por simplicidade o Teorema ser provado para o caso t0

= 0 e P = 2 .

demonstrao do caso geral ser anloga. Ento teremos

1
2

i2mt/2 i2nt/2

Se tivermos

m = n,

1
dt =
2
1
=
2
1
=
2

eimt eint dt
0
2

ei(mn)t dt
0
2

cos((m n)t)dt +
0

i
2

sen((m n)t)dt
0

ento:

1
2

cos((m n)t)dt =
0

1 sen((m n)t)
2
(m n)

=0
0

1.1. Introduo s Sries de Fourier


e

i
2
Mas, se

m = n,

i cos((m n)t)
2
(m n)

sen((m n)t)dt =
0

= 0.
0

temos:

1
2

Denio 1.4.
f

2
1
ei(mn)t dt
2 0
2
1
=
1dt
2 0
1 2
[t]
=
2 0
=1

eimt eint dt =
0

Se uma funo

tem perodo

P,

ento os coecientes de Fourier

{cn }

de

so denidos por

cn =
para todo

1
P

f (t)ei2nt/P dt,
0

inteiro. Usando os coecientes

{cn },

podemos denir a srie

cn ei2nt/P

f
n=
chamada Srie de Fourier de

Exemplo 1.5.
intervalo

f.

Vamos determinar a Srie de Fourier da funo

[, ]

com perodo

2 .

Soluo: (1) Para

cn =

n = 0,

periodicada, no

temos:

1
P

f (t)e12nt/P dt
0

c0 =
(2) Para

n = 0,

f (t) = t

1
2

tdt = 0

temos:

cn =

1
2

teint dt =

Mas, por um lado,

1
2

1
2

t cos(nt)dt

t cos(nt)dt = 0,

i
2

t sen(nt)dt.

1. Aspectos Bsicos das Sries de Fourier

e por outro lado,

t cos(nt)
t sen(nt)dt =
n

cos(nt)
dt
n

t cos(nt)
sen(nt)
=

n
n

2 cos(n)
=
n
logo,

cn = 0 +

i 2 cos(n)
i cos(n)
i(1)n

=
=
.
2
n
n
n

Portanto,

i2nt/P

cn e

=i

n=
a Srie de Fourier da funo
Um grco da funo
guras (

f (t) = t

f (t) = t

(1)n int
e
n
n=, n=0

periodicada.

periodicada est apresentado na Figura (

??).

As

??), (??), (??), (1.5) e (??) exibem as somas dos primeiros termos da srie para

comparao com a funo original. Vemos que parece haver convergncia da srie, mas
notvel a acumulao dos erros prximo aos pontos de descontinuidade. Isso conhecido
como fenmeno de Gibb.
Mais adiante mostraremos que essa srie converge uniformemente para uma funo
que difere da funo

f (t)

nos pontos

t,

onde a funo descontnua. Portanto, podemos

somar a srie em qualquer ordem que desejarmos.

Por exemplo, podemos agrupar os

termos cujos ndices so simtricos:

+
int

cn e
n=

h(t)

(cn eint + cn eint )

= c0 +
n=1

onde cada termo desta srie representa uma harmnica. Com isso, temos:

i(1)n
(cos(nt) + i sen(nt))
n
(1)n
=
(i cos(nt) sen(nt))
n
(1)n
(1)n
sen(nt) + i
cos(nt)
=
n
n

cn eint =

e tambm,

cn eint + cn eint = cn eint + cn eint


= 2Re(cn eint )
(1)n
= 2(
sen(nt)
n

1.2. Sries de Fourier de Funes Reais

Portanto,

f
n=1

2(1)n
sen(nt)
n

Abaixo esto alguns grcos da funo

f (t) = t.
y

Figura 1.1: A funo

g(t) = t

periodicada

Figura 1.2: Primeira harmnica da funo

g(t) = t

Figura 1.3: Soma das duas primeiras harmnicas da funo

g(t) = t

1.2 Sries de Fourier de Funes Reais


Seja

seja uma funo real, ento os coecientes de Fourier de

dados por

cn =

1
P

f (t)ei2nt/P dt
0

no intervalo

[0, P ]

so

1. Aspectos Bsicos das Sries de Fourier


y

Figura 1.4: Soma das quatro primeiras harmnicas da funo

g(t) = t

Figura 1.5: Soma das oito primeiras harmnicas da funo

g(t) = t

Figura 1.6: Soma das 16 primeiras harmnicas da funo

g(t) = t

Figura 1.7: Soma das 32 primeiras harmnicas da funo

Podemos tambm escrever a Srie de Fourier de


neira

g(t) = t

numa forma real, da seguinte ma-

2 cn ei2nt/P

f c0 +

(1.1)

n=1
onde

Re

representa a parte real de um nmero complexo. Alm disso,

cn

pode ser escrito

1.2. Sries de Fourier de Funes Reais

Figura 1.8: Soma das 512 primeiras harmnicas da funo

g(t) = t

como um nmero complexo, de acordo com as igualdades abaixo:

1 P
f (t)ei2nt/P dt
P 0
2nt
1 P
i
f (t) cos
=
dt
P 0
P
P
1
i
= An Bn
2
2

cn =

Onde

An

Bn

f (t) sen
0

so denidos por:

2
An =
P
Bn =

2
P

f (t) cos

2nt
dt
P

f (t) sen

2nt
dt
P

0
P
0

Agora, possvel obter uma aproximao para a funo


e a exponencial

2nt
dt
P

i2nt/P

utilizando o coeciente

cn

da seguinte forma:

i
1
cn = An Bn
2
2
ei2nt/P = cos

2nt
2nt
+ i sen
P
P

Assim, da equao1.1 temos:

f c0 +

An cos
n=1

c0 = A0 /2, podemos
intervalo [0, P ] de acordo

Portanto, supondo que


de uma funo

f,

com

2nt
2nt
+ Bn sen
P
P

denir a forma real da Srie de Fourier


com a seguinte frmula:

1
2nt
2nt
f A0 +
An cos
+ Bn sen
2
P
P
n=1

1. Aspectos Bsicos das Sries de Fourier


Agora, podemos denir a soma parcial

SM

por:

cn ei2nt/P

SM (t) =
n=M
onde

representa o nmero de harmnicas na soma parcial.

E, apresentando como forma real a seguinte equao:

1
2nt
2nt
SM (t) = A0 +
An cos
+ Bn sen
2
P
P
n=1

1.3 Sries em Senos e Sries em Cossenos


Nesta subseo vamos estudar as sries em senos e sries em cossenos como casos especiais
interessantes das Sries de Fourier, tornando evidentes certos aspectos de simetria como
paridade par ou mpar.

Denio 1.6.

Uma funo

para cada valor de


para cada valor de

t.
t.

[L, L] se f (t) = f (t)


intervalo [L, L] se f (t) = f (t)

chamada mpar no intervalo

Uma funo chamada par no

Sabemos do Clculo que se uma funo

for mpar no intervalo

[L, L],

ento

f (t)dt = 0
L
e se

uma funo par no intervalo

[L, L],

ento

f (t)dt = 2
L

f (t)dt
0

Vamos agora considerar a Srie de Fourier de uma funo mpar


sendo

2L

no intervalo

[L, L],

o perodo para todas as exponencias complexas. Nesse caso, teremos

1
cn =
2L
1
=
2L
i
=
L
pois,

f (t) cos(nt/L)

fcil ver que

f (t)ei2nt/2L dt
L
L

f (t) cos(nt/L)dt
L
L

f (t) sen(nt/L)dt
L

f (t) sen(nt/L)dt,
0

mpar e

cn

i
2L

cn ,

f (t) sen(nt/L)

par.

logo, podemos expressar esta srie como uma srie em

1.3. Sries em Senos e Sries em Cossenos

senos, ou seja,

+
i2nt/2L

cn e

+
int/L

n=

cn e

cn eint/L

n=

n=1

cn eint/L eint/L

=
n=1
+

(2icn ) sen(nt/L)
n=1

Bn = 2icn ,

Por simplicidade, denindo

podemos nalmente escrever

Bn sen(nt/L)
n=1

onde

Bn =
Nota:

Bn

2
L

f (t) sen(nt/L)dt.
0

real.

Em seguida faremos o mesmo, porm considerando

[L, L].

Nesse caso veremos que a Srie de Fourier de

uma funo par no intervalo

resultar em uma srie em

cossenos. Para isso, seja

1
2L
1
cn =
L

f (t) cos(nt/L)dt

cn =

Agora fcil ver que

L
L

i
2L

f (t) sen(nt/L)dt
L

f (t) cos(nt/L)dt.
0

cn = cn ,

logo

+
i2nt/2L

cn e

cn eint/L + eint/L

= c0 +

n=

n=1
+

= c0 +

2cn cos(nt/L).
n=1

Uma vez mais, denindo

An = 2cn ,

temos ento a srie em cossenos da funo

t,

1
f A0 +
An cos(nt/L)
2
n=1
onde

2
An =
L

f (t) cos(nt/L)dt.
0

Para concluir, vimos que a Srie de Fourier de uma funo mpar resulta ser simples-

10

1. Aspectos Bsicos das Sries de Fourier

mente uma srie em senos e a Srie de Fourier de uma funo par resulta simplesmente
em uma srie em cossenos.

1.4 Alguns Aspectos de Convergncia das Sries de


Fourier
Com relao aos aspectos de convergncia das Sries de Fourier encontramos o Fenmeno
de Gibb's e a Convergncia Uniforme. O Fenmeno de Gibb revela os erros que vo se
acumulando em torno dos pontos de descontinuidade, ou seja, uma das caractersticas das
Sries de Fourier a de que os erros de aproximao tendem a se acumular nos extremos.
A Convergncia Uniforme ocorre quando as somas parciais tendem uniformemente sobre
algum intervalo de uma funo.
Nas Figuras de

1.1

1.6

temos exemplos da ocorrncia do Fenmeno de Gibb's.

Teorema 1.7. Seja f uma funo contnua com perodo P, com derivada f contnua por
partes. Ento a soma parcial das Sries de Fourier para f converge uniformemente para
f sobre toda reta real. Em particular temos
lim sup |f (t) SM (t)| = 0

M tR

A demonstrao deste Teorema se encontra em [14, Captulo 2.4].


Observao: O que este Teorema revela que as funes que satisfazem as condies
dadas so iguais as Sries de Fourier.
Podemos nos perguntar o que acontece se uma Srie de Fourier for prescrita atribuindo
valores arbitrariamente para seus coecientes (construir uma srie). O prximo resultado
nos da condies sucientes para que essa srie seja uniformemente convergente para uma
funo contnua e peridica.

Teorema 1.8. Se + |cn | converge, ento a Srie de Fourier


n=
verge uniformemente para uma funo contnua f , com perodo P .

+
i2nt/P
n= cn e

con-

A demonstrao deste Teorema se encontra em [14, Captulo 1.5].


A ttulo de exemplo podemos considerar a seguinte Srie de Fourier real

1+
n=1

cos(2t) cos(4t) cos(8t)


cos(2n t)
=1+
+
+
+ ...
n
2
2
4
8

Observando que

vemos facilmente que, pelo

1
| cos 2n t|
n,
n
2
2
Teorema 1.8 que a srie

converge para uma funo

f (t).

De

1.4. Alguns Aspectos de Convergncia das Sries de Fourier

11

fato,

|f (t) S2N (t)| =


n>N
Como

| cos 2n t| 1

+
n>N

1
1
= N,
n
2
2

cos 2n t
| cos 2n t|

.
2n
2n
n>N

temos

|f (t) S2N (t)|

sup |f (t) S2N (t)|


tR

1
.
2N

Portanto, temos que

1
2N

Vericando assim que a funo contnua para todos os valores de


observar que a funo

f (t)

t.

interessante

imaginava ser exemplo de funo contnua que no possui

derivada em parte alguma, chamada Funo de Weirstrass, ilustrada na Figura 1.4

y
1

1
2
Figura 1.9: Funo no-diferencivel em parte alguma de Weierstrass

No entanto, recentemente [2], mostrou-se que tal conjectura falsa.

Denio 1.9.

f dita ser Lipschitz direita de t se tivermos


|f (t + h) f (t+)| Ah , para 0 < h < .

Uma funo

constantes positivas

A,

para as

f dita ser Lipschitz esquerda de t se para alguma constante


|f (t h) f (t)| Bh , para 0 < h < .

Analogamente, a funo
positiva

B,

A partir dessa denio podemos vericar o seguinte Teorema.

Teorema 1.10. Seja f uma funo contnua por partes com perodo P . Para cada ponto
t onde f Lipschitz esquerda e direita temos
+

1
cn ei2nt/P = [f (t+) + f (t)]
2
n=
A demonstrao deste Teorema encontra-se em [14, Captulo 2.3].
Observao: Obviamente que nos pontos

onde

contnua teremos

cn ei2nt/P = f (t).
n=

12

1. Aspectos Bsicos das Sries de Fourier


Um outro aspecto de convergncia das Sries de Fourier a Convergncia Pontual.

Para analisar a convergncia pontual de uma Srie de Fourier considera-se um valor pontual de

t, ( t

constante), vericando o limite das somas parciais de tal srie.

A con-

vergncia pontual ocorre quando as derivadas laterais so iguais e a funo contnua.


Nesta parte do trabalho, analisaremos o limite das somas parciais das Sries de Fourier
em qualquer ponto.
Seja

uma funo com perodo

P,

desenvolvida em uma srie de exponencias com-

plexas dada por:

cn ei2nt/P

f (t) =
n=
Sendo a igualdade acima vlida somente se

lim SM (t) = f (t)

M +

Por exemplo, podemos tomar as funes

f (t) =| t 2 | +1

ou a funo

h(t) =| t |.

possvel obter a convergncia pontual das Sries de Fourier de Senos e de Cossenos


por meio da convergncia pontual das Sries de Fourier.

Teorema 1.11 (Convergncia Pontual de Sries de Fourier de Seno). Seja f uma funo
contnua por partes no intervalo [0,L]. Nos pontos 0 e L a srie do seno para a funo f
igual a zero e para 0 < t < L temos
+

Bn
n=1

1
sen(nt)
= [f (t+) + f (t)]
L
2

onde t um ponto em que f tem derivada direita e esquerda.


Podemos tambm obter

1
lim SM (t) = [f (t+) + f (t)]
M +
2
onde a funo

SM

a soma parcial contendo

harmnicas, dada por

SM (t) =

Bn sen
n=1

(nt)
L

De fato,

Teorema 1.12 (Convergncia Pontual das Sries de Fourier de Cossenos). Seja f uma
funo contnua por partes em [0,L]. No ponto 0 a Srie de Fourier do cosseno converge
para f (0+) ou seja, tem derivada a direita em 0. No ponto L a Srie de Fourier do
cosseno converge para f (L) desde que f tenha derivada esquerda de L. Para 0 < t < L

1.4. Alguns Aspectos de Convergncia das Sries de Fourier

13

temos, desde que f tenha derivada direita e esquerda de t:


+

1
nt
1
A0 +
An cos
= [f (t+) + f (t)]
2
L
2
n=1
A denio mais precisa de convergncia neste Teorema a de que

1
lim SM (t) = [f (t+) + f (t)]
M +
2
onde

1
nt
SM (t) = A0 +
An cos
2
L
n=1
E, a funo

SM

harmnicas.

denominada de soma parcial da Srie de Fourier de cosseno contendo

14

1. Aspectos Bsicos das Sries de Fourier

15

Captulo 2
Transformada Contnua de Fourier
2.1 Denio de Transformada de Fourier
A Transformada de Fourier refere-se Transformada de Fourier para funes contnuas, e

f (t) como a
soma de exponenciais complexas com frequncia angular e amplitude complexa F(f )():
esta por sua vez detecta frequncias e representa qualquer funo integrvel

f (t)eit dt

F(f )() =

f (t) = F 1 (F()) =
A funo

f ()

1
2

F()eit d

carrega toda informao da funo

A Transformada de Fourier da funo

f,

pois

possui inversa,

F 1 .

de domnio temporal passa para o domnio de

frequncia. A Transformada de Fourier apresenta vrias operaes geralmente calculadas


em funes, por exemplo: combinaes lineares, diferenciao, translao, dilatao, multiplicao por polinmios e convoluo. Pode-se provar que [10], de fato,
e

F 1 (F(f )) = f ,

Denio 2.1.
real

[a, b]

ou seja,

Uma funo

F 1

F(F 1 (F )) = F

so inversas uma da outra.

f : R R

absolutamente integrvel sobre um intervalo

se

|f (t)|dt < +
a
Da mesma forma podemos denir uma funo
integrvel sobre a reta

se

f : R R como sendo absolutamente

|f (t)|dt < +

2.2 Propriedades da Transformada Contnua de Fourier


Propriedade1 (Linearidade) Sejam

f, g : R C

funes absolutamente integrveis e

16

2. Transformada Contnua de Fourier

a, b R,

ento

F(af + bg) = aF(f ) + bF(g)


Prova:

(af (t) + bg(t))eit dt

F(af + bg)() =

g(t)eit dt

f (t)eit dt + b

=a

= aF(f )() + bF(g)().

Propriedade2 (Transformada de Fourier de uma Translao) Seja

f : R C

uma

funo absolutamente integrvel, ento

F(f (t a))() = eia F(f (t))()


onde

a>0

e indica o valor da translao, o quanto a funo foi transladada.

Reciprocamente,

F(eiat f (t))() = F(f (t))( a)


Prova:

f (t a)eit dt

F(f (t a))() =

f (u)ei(u+a) du

= eia

f (u)eiu du

ia

=e

F(f (t))().

E, para a outra frmula temos:

eiat f (t)eit dt

F(eiat f (t))() =

f (t)ei(a)t dt

= F(f (t))( a).

Propriedade3 (Transformada de Fourier de uma Dilatao) Seja


funo absolutamente integrvel, e

a = 0,

ento

F(f (at))() =

F(f )
|a|
a

f : R C

uma

2.2. Propriedades da Transformada Contnua de Fourier


Em particular,

F(f (t))() = F(f )()


Prova: Para

a>0

temos

f (at)eit dt

F(f (at))() =

f (u)eiu/a

du
a

1 +
=
f (u)ei a u du
a
1

= F(f (t))
a
a

Para

a<0

temos:

f (at)eit dt

F (f (ax))(w) =

1
f (t)ei a t dt
a

1
1 +
=
f (t)ei a t dt
a
a
1

= F(f (t))
a
a

Portanto,

F(f (at))() =

1
F(f )
|a|

.
a

17

18

2. Transformada Contnua de Fourier

19

Captulo 3
A Transformada Discreta de Fourier
Vimos no Captulo anterior que a Transformada Contnua de Fourier aplicvel a funes denidas na reta. No entanto, muitas aplicaes requerem reduzir o domnio a um
determinado intervalo. Por exemplo, para um engenheiro no importa muito o comportamento de uma funo (sinal) em instantes de tempo anteriores criao do equipamento
e posteriores a sua destruio. Ademais, as tecnologias digitais muito empregadas hoje
em dia requerem a discretizao das funes, reduzindo-as a uma lista nita de nmeros
(amostras).
Neste Captulo vamos obter uma verso discreta da Transformada de Fourier a partir da discretizao (amostragem) da Srie de Fourier.

Veremos que os coecientes da

Transformada Discreta de Fourier (DFT) nos fornece uma aproximao para os respectivos coecientes da Srie de Fourier. Um resultado importante da Teoria da Informao
chamado Teorema da Amostragem arma que, sob certas condies, essas aproximaes
podem de fato ser exatas se a taxa de amostragem for sucientemente grande. No vamos
enunciar esse Teorema que realiza a anlise de sequncias peridicas ou funes, sendo
assim representada a partir da anlise de Fourier por meio de uma combinao linear de
exponenciais complexas, ou seja, realizada uma amostragem da funo. A Transformada
Discreta de Fourier(DFT) fornece uma aproximao para os coecientes de Fourier. As
Sries de Fourier podem ser discretizadas resultando na DFT. Abaixo faremos a derivao
da DFT a partir da discretizao das Sries de Fourier.

3.1 Obteno da DFT


A DFT refere-se obteno atravs da aproximao dos coecientes de Fourier. Considerando o k-simo coeciente

ck

da Srie de Fourier para uma funo

de exponenciais complexas,

ck =

1
P

f (x)ei2kx/P dx
0

f,

com perodo

20

3. A Transformada Discreta de Fourier

e aproximando esta integral pela extremidade esquerda da soma uniforme de Riemann


temos:

1
ck
P
em que

xj = j

P
N

N 1

f (xj )ei2kj/P
j=0

P
N

j = 0, 1, . . . , N 1.

para

Portanto, para esta escolha de pontos

1
ck
N

xj

podemos escrever:

N 1

g j
j=0

P
N

ei2kj/N

possibilitando assim fazer a seguinte denio abaixo.

Denio 3.1.
por

Hk

onde

Dados

Hk

nmeros complexos,

{hj }N 1
j=0

sua DFT de

pontos denotada

denida por

N 1

hj ei2jk/N

Hk =
j=0
para todos os inteiros

k = 0, 1, 2, . . .

Um exemplo para o clculo da DFT de

pontos seria a demonstrao da seguinte

igualdade

Hk =
considerando

hj = ejc

para

1 ecN
1 eci2k/N

j = 0, 1, . . . , N 1

Soluo: Pela denio da DFT de

N 1

ejc ei2jk/N =
j=0

r = ec2ik/N

uma constante.

pontos podemos escrever:

N 1

Hk =

Substituindo

ej(c2k/N )
j=0

na frmula para soma de uma srie geomtrica nita,

1 + r + r2 + . . . + rN 1 =
obtemos:

Desta forma,

1 rN
1r

1 rN
1 (ec2ik/N )N
1 eN (c2ik/N )
=
=
1r
1 ec2ik/N
1 ec2ik/N
Hk

dada por

Hk =

1 eN (c2ik/N )
1 (ecN ei2k )
=
1 ec2ik/N
1 ec2ik/N

(3.1)

3.1. Obteno da DFT


Alm disso, como

21

ei2k = 1

podemos reescrever a igualdade acima obtendo:

1 ecN
1 eci2k/N

Hk =
comprovando que 3.1 verdadeira.

Podemos tambm observar o exemplo abaixo,

Exemplo 3.2.
aproximao

g(t) = et , no intervalo [0, 10].


N 1
1
P
ck
g j
ei2kj/N .
N j=0
N
Seja

Compare ambos os lados da seguinte

Soluo:

ck =
=
=
=

1
P
1
10
1
10
1
10

g(x)ei2kx/P dx
0
10

ex ei2kx/P dx
0
10

e(1i2k/10)x dx
0

i2k
10
1 e10 e12k
=
10 + i2k
1 e10
=
10 + i2k

Por outro lado, para

Gk /N

e(1i2k/10)x

10
0

temos:

1
1
Gk =
N
N
1
1
Gk =
N
N

N 1

g(j
j=0

P i2jk/N
)e
N

N 1

ej(10/N ) ei2jk/N
j=0

Sabemos que

Hk =
ento, para

e,

c=

10
N

1 ecN
1 eci2k/N

temos:

1
1
1 e10
Gk =
N
N 1 e( 10+i2k )
N
1
1
1 e10
1 e10
Gk
=
= ck .
N
N (10 + i2k/N )
10 + 2ik

22

3. A Transformada Discreta de Fourier

Ento,

1
1
1 e10
1 e10
Gk
=
= ck
N
N (10 + i2k)/N
10 + i2k

Esta aproximao ser boa se

for sucientemente grande.

3.2 Propriedades Bsicas da DFT


Linearidade, periodicidade e inverso so algumas propriedades bsicas da DFT. A propriedade de inverso permite denir o inverso da DFT e remover a assimetria entre a
sequncia original de comprimento N e a sequncia transformada de comprimento innito. E uma consequncia desta propriedade que no h duas sequncias distintas que
podem ter a mesma DFT. Neste contexto,
E, em cada caso temos

ei2/N

ou

ei2/N

sero representados por

= 1.

Teorema 3.3. Suponha que a sequncia {hj }N 1 tenha DFT {Hk } de N pontos e a
j=0
N 1
sequncia {gj }j=0 tenha DFT {Gk } de N pontos. Ento, tm-se as seguintes propriedades:
a) Linearidade

Para as todas constantes complexas a e b, a sequncia {ahj + bgj }N 1 tem DFT {aHk +
j=0
bGk } de N pontos.
b) Periodicidade

Para todos os inteiros k temos Hk+N = Hk


c) Inverso

Para j = 0, 1, . . . , N 1 temos
1
hj =
N

N 1

hj ei2jk/N
k=0

A demonstrao deste Teorema segue imediatamente das propriedades bsicas das


Sries de Fourier.

Denio 3.4.

Se

N 1
{Gk }k=0

uma sequncia de N nmeros complexos, ento a sua DFT

inversa de N pontos dada por

N 1

Gk ei2jk/N

gj =
k=0
para todos inteiros

j = 0, 1, 2, . . .

3.3. Transformada Discreta do Seno e do Cosseno


Para

= ei2/N

23

a DFT inversa tambm tem as propriedades de linearidade, periodi-

cidade e inverso. E para a DFT inversa a frmula dada por:

Gk =

N 1

1
N

gj ei2jk/N
j=0

3.3 Transformada Discreta do Seno e do Cosseno


A transformada discreta do seno e do cosseno de uma funo

so as integrais denidas

pela parte imaginria e pela real da transformada de Fourier de


k-simo coeciente

BK

do seno de uma funo

respectivamente.

de valor real durante o intervalo

[0, L]

denido por:

Bk =

2
L

Da mesma forma, o k-simo coeciente

Ak =

Denio 3.5.

f (t) sen
0

Ak

(3.2)

do cosseno denido por:

2
N

kt
dt
L

f (t) cos
0

Para uma sequncia real

kt
dt
L

{hj }N 1
j=1

(3.3)

a Transformada Discreta do Seno

S
(DST), {H}k denida por
N 1

{H}S
k

hj sen
j=1

Denio 3.6.

{hj }N 1
j=0

Para uma sequncia real

jk
N
a Transformada Discreta do Cosseno

C
(DCT), {H}k denida por
N 1

{H}C =
k

hj cos
j=0

jk
N

Para derivar a transformada discreta do seno aproximamos a equao (3.2) utilizando


a extremidade esquerda da soma de Riemann uniforme, obtendo:

Bk

2
N

N 1

g j
j=1

L
N

sen

jk
N

Portanto, para derivar a transformada discreta do seno basta aproximar a equao


(3.3) pela extremidade esquerda da soma de Riemann uniforme,

Ak

2
N

N 1

g j
j=0

L
N

cos

kj
N

24

3. A Transformada Discreta de Fourier

3.4 Relao entre DFT e Srie de Fourier


Nesta seo estabeleceremos uma outra relao entre as Sries de Fourier e a Transformada
Discreta de Fourier, que bastante til em aplicaes, por exemplo, em processamento
de sinais.

Denio 3.7.

A funo generalizada Delta de Dirac denida por

i) (x) = 0
ii)

(x)dx = 1

Pode-se mostrar que o Delta de Dirac possui a seguinte propriedade:

iii)

f (x)(x)dx = f (0)

pensada como uma medida


Observao:

A funo

de Dirac no rigorosamente uma funo, mas pode ser


tal que

(A) = 1 e (A) = 0,

para todo subconjunto

A R.

Nesse caso, usando a Teoria de Integrao de Lebesgue poderamos expressar (iii) como

f (t)(dt) = f (0)
R
e (ii) como

(dt) = 1,

pois

(R) = 1

R
O uso da Teoria de Integrao de Lebesgue muito poderoso, mas est muito alm do
que nos propusemos a fazer, por isso, no vamos usar essa abordagem.
Enquanto a Transformada de Fourier Contnua aplicvel ao estudo das funes seccionalmente contnuas em

R,

nas aplicaes mais conveniente estudar funes peridicas

denidas em um certo intervalo

I R.

Ademais, requer-se muitas vezes que essas funes

sejam representadas por uma quantidade nita de informaes ou amostras. Sabe-se pelo
Teorema da Amostragem [4], que isso possvel se a funo

possui banda limitada em

I , isto , seu espectro de frequncias limitado, se a taxa de amostragem for, pelo menos,
duas vezes maior do que a maior harmnica de f .
P
, N
Sendo assim, suponhamos que P seja o perodo fundamental de f e que T =
N
inteiro e positivo, seja o perodo da amostragem. Nas condies acima, f : R C
peridica de perodo P est bem representada pelas amostras f (t0 ), f (t1 ), . . . , f (tN
T
T
1) onde ti = iT , no intervalo I = [0, P ] ou mais convenientemente em
,P
.
2
2
Consideremos a funo "Pente de Dirac"

(t nT )

T (t) = T
n=

3.4. Relao entre DFT e Srie de Fourier


fs

A funo amostrada

25

denida por

fs (t) = f (t)T (t)

O coeciente

ck

da Srie de Fourier de

1
ck =
P
=

1
P
T
P

T
=
P
=

T
P
T
P
1
N

fs

fs (t)ei2kt/P dt

(3.4)

0
+

(t nT )ei2kt/P dt

f (t)T
0

(3.5)

n=
N 1

(t nT )ei2kt/P dt

(3.6)

f (t)(t nT )ei2kt/P dt

(3.7)

f (t)
0

n=0

N 1

n=0
N 1

P
0
+

f (u + nT )ei2k(u+nT )/P (u)du


n=0
N 1

(3.8)

f (0 + nT )ei2k(nT )/P

(3.9)

n=0
N 1

f (tn )ei2kn/N

(3.10)

n=0

Ou seja, os coecientes de Fourier de

fs

{f (bn )}N 1 .
n=0

so determinados pelas amostras

1
ck = N DF TN (f ). Segundo o
Teorema da Amostragem, os coecientes ck calculados pela fs determinam completamente
f se T for sucientemente pequeno.
Mas, claramente,

ck

mltiplo da DFT de

f,

a saber

Utilizando a aproximao dos coecientes de Fourier pela DFT dada por

ck

N 1

1
P

possvel escrever a soma parcial de

f (j
j=0

P i2jk/N
)e
N
SM

das Sries de Fourier para uma

1
Gk ei2kt/P
N

(3.11)

harmnicas

funo f da seguinte forma:

SM
k=M
onde

Gk

a DFT de N pontos da sequncia de amostras

Assumindo que
substituindo

N
8

{f (jP/N )}N 1
j=0

o perodo de expanso de

de

f.

para a Srie de Fourier, e

N 1
pelos pontos de amostragem {jP/N }j=0 obtemos a partir da aproximao

26

3. A Transformada Discreta de Fourier

(3.11)

SM (j

1
P
)
N
N

Gk ei2jk/N
k=M

Assim, possvel obter a DFT inversa de


acima da seguinte forma: Como

Gk

no lugar de

Hk ,

N = 1,

pontos com peso

temos que

N k = G k .

= ei2/N

da frmula

Alm disso, utilizando

por uma propriedade que a DFT satisfaz temos que

GN k = Gk .

Portanto,

1
P
SM (j )
N
N
=

1
N
1
N

M
i2jk/N

Gk e
k=0
M

1
+
N

Gk ei2jk/N +
k=0
M

Gk ei2jk/N +
k=0

1
N
1
N

G kei2jk/N
k=1
M

GN kei2j(N k)/N
k=1
N 1

Gk ei2jk/N
k=N M

A aproximao abaixo expressa os valores amostrados da soma parcial das Sries de

{SM (jP/N )}N 1


j=0
multiplicada por 1/N .

Fourier

como a DFT inversa de

SM (j

P
1
)
N
N

pontos, com peso

N 1

Hk ei2jk/N .
k=0

= ei2/N

de

Hk ,

27

Captulo 4
A Transformada Rpida de Fourier
A Transformada Rpida de Fourier um mtodo muito eciente que reordena os clculos dos coecientes de uma Transformada Discreta de Fourier (DFT). Trata-se de um
algoritmo, que realiza uma avaliao da DFT com o menor esforo computacional, ao
invs de realizar o clculo da DFT diretamente pela denio.

A FFT uma tcnica

que possibilita avaliar a DFT de forma mais rpida e econmica, sendo uma das maiores
contribuies para a anlise numrica j realizada.
Considere a DFT de

pontos

N 1

hj jk

Hk =
j=0

onde

dado por

ei2/N

ou

ei2/N .

Seja

uma potncia de 2, dado por

N = 2R ,

onde

um inteiro positivo.
O algoritmo FFT reduz pela metade a DFT de

pontos em duas somas, em termos

pares e em termos mpares, onde cada uma torna-se uma DFT de

N/21

Hk =

pontos, ou seja,

N/21
2 jk

h2j
j=0

N/2

( ) +

h2j+1
j=0

pontos pares

pontos mpares

Assim, de acordo com 4.1 temos:

1
0
Hk = Hk + k Hk

onde

N/21
0
Hk

h2j ( 2 )jk

=
j=0

N/21
1
Hk

h2j+1 ( 2 )jk k

=
j=0

( 2 )jk k

(4.1)

28

4. A Transformada Rpida de Fourier

1
0
Hk e Hk de N/2 pontos tem peso 2 e perodo N/2. Alm disso,
1
0
Hk dene a DFT de N/2 pontos de {h0 , h2 , . . . , hN 2 } e Hk dene a DFT de N/2 pontos
de {h1 , h3 , . . . , hN 1 }.

Notando que as DFTs

possvel mostrar, mas no faremos isso aqui por limitao de espao, que esse es-

O(N 2 )

quema de clculo permite reduzir a ordem de clculo da DFT de

para apenas

O(N log2 N ).

4.1 Aplicao
Nesta seo aplicaremos a teoria das Sries e Transformadas de Fourier anlise do fenmeno da ocorrncia das manchas solares e sua relao com os nveis de atividade solar.
Os dados para esse estudo consiste de um registro dirio do nmero de manchas solares
coletados pelo Real Observatrio Belga desde 1749 at o presente.

Estes dados esto

disponveis em [7]. Segundo Hathaway [3], Galileu Galilei fez as primeiras observaes de
manchas solares em 1610, aps ver pela primeira vez o sol com seu telescpio, realizando
assim observaes dirias. As manchas solares so regies em que ocorre reduo de temperatura e presso das massas gasosas no Sol, apresentando colorao avermelhada. O
nmero de manchas solares dado pela soma do nmero de manhas solares individuais
e pela multiplicao do nmero de grupos de manchas por dez.

So realizadas mdias

mensais do nmero de manchas, revelando assim que as estaes solares se repetem aproximadamente a cada 11 anos. De acordo com o Mnimo de Maunder, houve um perodo
em que o sol passou por inatividade e observou-se a ausncia de manchas solares neste perodo (1645-1715), conhecido como "Pequena Idade do Gelo", sugerindo que o Sol estava
em um perodo de atividade mais baixa e de que tambm poderia haver uma relao entre
as manchas solares e o clima da Terra, mas isso ainda est sendo abordado em projetos
de estudo cientco.

Muitos pesquisadores esto interessados em estudar e entender as

variaes que ocorrem na quantidade de radiao emitida pelo Sol. E, devido muitos
fatos importantes como estes que o trabalho torna-se relevante.

4.2 Como foram produzidos os grcos


Esta seo apenas explica como os grcos foram produzidos. O processamento e a gerao
dos dados foram feitos usando o programa Octave, um equivalente de cdigo aberto ao
Matlab, que pode ser obtido gratuitamente [11].

Os grcos propriamente ditos foram

produzidos em L T X utilizando os dados gerados pelo Octave e usando o pacote TikZ [9].
E
Primeiro os dados foram gravados em um arquivo

spot_num.txt cujas linhas consistem

respectivamente do nmero do ano, ms, nmero de manchas e varincia da mdia mensal.


O nmero total de amostras contidas nesse arquivo

m = 3148,

e um excerto do seu

contedo segue abaixo (a linha pontilhada indica as linhas omitidas da listagem):

4.2. Como foram produzidos os grcos

29

Figura 4.1: Ilustrao de manchas solares por Galileu

300

Nmero de manchas

200
100
Ano

0
1750

1800

1850

1900

1950

2000

Figura 4.2: Nmero de manchas solares, mdia mensal

300

Nmero de manchas

200
100
Ano

0
1750

1800

1850

1900

1950

2000

Figura 4.3: Nmero de manchas solares, mdia mensal suavizada (50 harmnicos)

# YEAR
1749
1749
1749
1749
1749
1749
1749

MON
1
2
3
4
5
6
7

SSN
58.0
62.6
70.0
55.7
85.0
83.5
94.8

DEV
24.1
25.1
26.6
23.6
29.4
29.2
31.1

30

4. A Transformada Rpida de Fourier

300

Nmero de manchas

200
100
Ano

0
1750

1800

1850

1900

1950

2000

Figura 4.4: Nmero de manchas solares, mdia mensal e mdia mensal suavizada
Amplitude

Harmnicos

12

24

36

48

60

72

84

96

Figura 4.5: Valor absoluto da Transformada Discreta de Fourier. O pico em destaque


a
refere-se a 24 harmnica. Como o perodo amostrado T = 262.25 anos, isso signica
que a atividade solar possui uma variao distintiva que ocorre de

T /24 = 10.927

anos.

Nmero de manchas

200

150

100

50

0
1990

Ano

1995

2000

2005

2010

2015

2020

Figura 4.6: Estimativa do nmero de manchas solares nos prximos anos, com intervalo
de conana estimado usando o desvio padro das observaes

1749

66.3

25.9

4.2. Como foram produzidos os grcos

31

...
2011
2011
2011
2011

1
2
3
4

19.0
29.4
56.2
54.4

8.0
14.3
24.7
13.1

Em seguida os dados foram carregados no Octave por meio da seguinte sequncia de


comandos:

> S=load('spot_num.txt');
> t=S(:,1)+(S(:,2)-1)/12;
> x=S(:,3);
t representa o ano e ms de ocorrncia das manchas
fracionria o ms), e cada elemento do vetor x igual a

Com isso, cada elemento do vetor


(sua parte inteira o ano e a

mdia de manchas no respectivo ms.


Para a plotagem da Figura (4.2), precisamos apenas dos dados do vetor

t e do vetor x,

isto , cada linha desse arquivo deve consistir do ano fracionrio e do nmero de manchas
solares. O arquivo

spot_table_data.txt

foi criado por meio dos seguintes comandos:

> T=[t; x]';


> save('spot_table_data.txt','T');
As primeiras linhas desse arquivo so:

1749.000
1749.083
1749.167
1749.250
1749.333
1749.417
1749.500
1749.583
1749.667
1749.750

58.0
62.6
70.0
55.7
85.0
83.5
94.8
66.3
75.9
75.5

...
Em seguida, a Transformada Discreta de Fourier das amostras foi calculada utilizando
os seguintes comandos:

> m=length(x);
% nmero de amostras
> N=m/2;
% nmero de harmnicos, pois m par
> X=fft(x);
% calcula a DFT das amostras

32

4. A Transformada Rpida de Fourier


De fato, utilizamos a Transformada Rpida de Fourier (FFT) para calcular os coeci-

entes da DFT. O resultado, contido no vetor

interpretado do seguinte modo:

X = [mc0 , mc1 , . . . , mcN , mcN +1 , mcN , . . . , mc1 ]


onde

N = m/2 = 1574

(4.2)

igual ao nmero total de harmnicos e

ck e2kti/P
k=

x = x(t) de perodo P .
X1 = mc0 , X2 = mc1 , . . . , Xm = mc1 , j que

a srie de Fourier da funo peridica


correspondncia

Sendo assim temos a


os ndices dos vetores

iniciam em 1 no Octave. Aqui, importante notar que os dados do vetor

no foram

explicitamente considerados no clculo da DFT. Isso se deve ao fato do comando


assumir que as amostras se referem aos valores da funo no intervalo

[0, 1].

fft

Isso deve ser

levado em conta quando o resultado for considerado.


Para ilustrar o clculo realizado por esse comando, sendo
explicitamente o coeciente

c1

m = 3148,

vamos calcular

usando a frmula da DFT:

x(k)e2(k1)i/m

mc1 =
k=1

= 58.0 e20i/m + 62.6 e21i/m + + 54.4 e23147i/m


= 1.4233 104 + 1.5301 104 i
que exatamente o valor encontrado em

X2

calculado pelo comando

estamos levando em conta os ndices dos vetores


de

c1

devemos dividir o resultado por

m,

x e X iniciarem em 1.

fft.

Neste clculo

Para obter o valor

obtendo

c1 = 4.5214 + 4.8604i
.
A intenso do segundo grco na Figura 4.3 apresentar uma imagem suavizada dos
dados a m de remover parte do rudo aparente nos dados originais. Para isso, decidimos
manter apenas os 50 primeiros harmnicos presentes nos dados originais e calculamos a
DFT inversa do resultado, como segue abaixo:

> W=X;
% copia todas as harmnicas para W
> W(51:m-50)=0;
% anula todas menos primeiras 50 harmnicas em W
> w=real(ifft(W)); % transformada inversa (parte real)
O resultado foi formatado e salvo no arquivo
os dados do primeiro grco, a saber

spot_smooth.txt tal como foi feito para

4.2. Como foram produzidos os grcos

33

> T=[t; w]';


> save('spot_smooth.txt','T');
importante observar que, de fato, a funo suavizada que obtivemos tem a seguinte
representao por Srie de Fourier

50

{An cos(2n(t t0 )/P ) + Bn sin(2(t t0 )/P )}

g(t) = A0 +

(4.3)

n=1
onde

A0 = c0 , An = 2 (cn )

amostras.

Observamos que a

Bn = 2 (cn ) e P = tm t1
expresso (t t0 )/T transporta

o perodo (262.25) das


os dados fornecidos para

[0, 1] e, por uma observao anterior, isso necessrio pois requerido pelo
fft. O clculo utilizando a tranformada inversa calcula, de modo bastante
os valores dessa srie para os anos indicados no vetor t. Um modo bastante

o intervalo
comando
eciente,

ilustrativo, porm menos eciente, de calcular esses valores seria do seguinte modo:

>
>
>
>
>
>
>
>
>
>
>
>

w=zeros(1,m); % inicia com um vetor de zeros


A0=real(X(1))/m; % coeficiente do termo constante
A=2*real(X(2:51))/m; % coeficientes dos cossenos
B=-2*imag(X(2:51))/m; % coeficientes dos senos
P=t(m)-t(1); % perodo das amostras
for i=1:m
w(i)=A0;
for j=1:50
u=2*pi*(t(i)-t(1))/P;
w(i)=w(i)+A(j)*cos(u)+B(j)*sin(u);
end;
end;
Isto deve produzir exatamente o mesmo resultado do comanod

w=real(ifft(W))

usado acima.
O grco na Figura 4.5, tambm chamado de espectrograma dos dados

x,

sim-

plesmente um grco de barras representando a magnitude dos coecientes de Fourier

c1 , c2 , . . . , c100

de

x.

Para produzir o arquivo

spot_table_fft.txt

contendo esses dados

podemos fazer como segue:

>
>
>
>

Y=abs(X/m); % valor absoluto da magnitude dos coeficientes de fourier


Y=Y(2:101); % tomamos apenas os 100 primeiros harmnicos
T=[1:100; Y]';
save('spot_table_fft.txt','T');
A plotagem revela um pico distintivo quando o ndice

igual a 24.

Isso signica

que a atividade solar possui uma variao distintiva que ocorre em perodos de

262.25/24 = 10.927

anos.

P/24 =

34

4. A Transformada Rpida de Fourier


O grco da Figura 4.6 apresenta uma tentativa de prever o nmero de manchas

solares nos prximos anos. Isso pode ser feito simplesmente calculando os valores da srie
de Fourier (4.3) para

no perodo futuro (exceto que neste caso usamos os primeiros 85

harmnicos para obter um melhor ajuste aos dados). Os valores dos parmetros usados
foram

t0 = 1749

P = 262.25,

resultando em:

85

{An cos(2n(t 1749)/262.25) + Bn sin(2(t 1749)/262.25)}

g(t) = A0 +

(4.4)

n=1
O grco apresenta tambm os valores do ltimo ciclo para comparao entre os dados
reais e os previstos.

As linhas pontilhadas reetem levar em conta os desvios dados

referentes s estatsticas mensais.

A linha tracejada inferior reete subtrair os desvios,

enquanto que a linha tracejada superior reete somar os desvios aos dados.

35

Captulo 5
Sries e Transformadas de Fourier no
Processamento de Sinais e Imagens
Aps a realizao da introduo teoria das Sries e Transformadas de Fourier, e uma
primeira aplicao dessa teoria ao estudo do fenmeno das manchas solares, faremos a
seguir uma breve extenso da teoria para o caso de duas variveis e algumas aplicaes
das Sries e Transformadas de Fourier no processamento digital de sinais e imagens.

5.1 Transformada de Fourier em duas dimenses


A Transformada de Fourier pode ser estendida para funes de duas variveis

f (x, y)

e pode ser expressa como uma superposio ponderada de uma funo harmnica em
duas dimenses, onde a funo
dimenses[8].

tem Transformada de Fourier

F (Kx , Ky )

A funo ponderada

F (Kx , Ky )

em duas

chamada de Transformada de Fourier

de duas dimenses e dada por:

f (x, y)ei(Kx x+Ky y) dxdy

F (Kx , Ky ) =

Pode-se mostrar que a Transformada de Fourier em duas dimenses invertvel e sua


inversa dada por:

f (x, y) =

1
4 2

F (Kx , Ky )ei(Kx x+Ky y) dKx dKy

Como para o caso em uma dimenso, h um nmero relativamente pequeno de funes


simples de duas dimenses cuja Transformada de Fourier pode ser calculada analiticamente e alguns destes casos podem ser separados em um produto de duas funes de uma
dimenso.
Dada uma funo

a e sua transformada A, a transformada no domnio espacial (vlido

tambm para o contnuo ou discreto) passa para o domnio de frequncia, o qual sempre

36. Sries e Transformadas de Fourier no Processamento de Sinais e Imagens


5
contnuo. Ento,

A = F{a}
J a transformada inversa, volta do domnio de frequncia para o domnio espacial, ou seja,

a = F 1 {A}.

Alm disso, a Transformada de Fourier uma operao nica e invertvel,

de modo que:

a = F 1 {F{a}} e A = F{F 1 {A}}


As frmulas especcas para transformar a ida e a volta entre o domnio espacial e o
domnio de frequncia so dadas abaixo:

Espao Contnuo em duas dimenses:

a(x, y)ei(ux+vy) dxdy

A(u, v) =

a(x, y) =
onde

A(u, v)

representa a ida e

1
4 2

A(u, v)ei(ux+vy) dudv

a(x, y)

a volta.

Espao Discreto em duas dimenses:

a[m, n]ei(um+vn)

A(u, v) =
m= n=

1
a[m, n] = 2
4
onde

A(u, v)

representa a ida e

A(u, v)ei(um+vn) dudv

a[m, n]

a volta.

Dessa forma, a Transformada de Fourier produz uma nova representao de um sinal,


em outras palavras essa representao dada pela soma ponderada de exponenciais complexas, devido frmula de Euler. Assim, podemos dizer que a Transformada de Fourier
produz uma representao de um sinal em duas dimenses.

5.2 Propriedades da Transformada de Fourier


Abaixo apresentamos algumas propriedades associadas Transformada de Fourier e sua
inversa com relao ao processamento digital de imagem.

A Transformada de Fourier uma funo complexa com variveis de frequncias


reais, podendo ser escrita em termos de magnitude e fase, ou seja,

A(u, v) = |A(u, v)|ei(u,v)

Um sinal em duas dimenses pode ser complexo e escrito da seguinte forma:

5.2. Propriedades da Transformada de Fourier

37

a(x, y) = |a(x, y)|ei(x,y)

Se um sinal em duas dimenses real, ento a Transformada de Fourier apresenta


algumas simetrias:

A(u, v) = A (u, v)
onde o smbolo

()

indica uma conjugao complexa. Para sinais reais a equao acima

dada por:

|A(u, v)| = |A(u, v)| (u, v) = (u, v)

Se um sinal em duas dimenses real e par, ento sua transformada tambm real
e par.

A(u, v) = A(u, v)

A Transformada de Fourier e sua inversa so operaes lineares.

F{w1 a + w2 b} = F{w1 a} + F{w2 b} = w1 A + w2 B


F 1 {w1 A + w2 B} = F 1 {w1 A} + F 1 {w2 B} = w1 a + w2 b
onde

so sinais (imagens) em duas dimenses e

w1

w2

so constantes complexas

arbitrrias.

A Transformada de Fourier no espao discreto,


Ambos com perodo

A(u, v),

peridica em

e em

v.

2 .

A(u + 2j, v + 2k) = A(u, v) j, k inteiros

A energia

em um sinal pode ser medida tanto no domnio espacial como no

domnio de frequncia. Para um sinal com energia nita temos:


Teorema de Parseval no espao contnuo em duas dimenses:

|a(x, y)|2 dxdy =

E=

1
4 2

|A(u, v)|2 dudv

E, o Teorema de Parseval no espao discreto em duas dimenses:

+ +

|a[m, n]|2 =

E=

1
4 2

|A(u, v)|2 dudv

Se ampliamos ou reduzimos um sinal bidimensional


espaciais, podemos escrever:

a(x, y)

em suas coordenadas

38. Sries e Transformadas de Fourier no Processamento de Sinais e Imagens


5
Se

a(x, y) a(Mx x, My y),

ento

A(u, v)

Se um sinal bidimensional

a(x, y)

A(u/Mx , v/My )
|Mx My |

tem espectro de Fourier

A(u, v),

ento:

a(x, y)dxdy

onde

ento:

A(0, 0) =
1
a(0, 0) = 2
4

A(u, v),

A(u, v)dxdy

so iguais a zero.

Se um sinal bidimensional

a(x, y)

tem espectro de Fourier

a(x,y)
x

juA(u, v)

a(x,y)
y

jvA(u, v)

2 a(x,y)
x2

u2 A(u, v)

2 a(x,y)
y 2

v 2 A(u, v)

Portanto, estas so algumas propriedades da Transformada de Fourier que podem ser


utilizadas para o processamento de sinais e imagens.

5.3 Teorema da Convoluo


Nesta seo veremos o Teorema da Convoluo em uma e em duas dimenses, ressaltando sua importncia e seu signicado. Veremos tambm que o processo de convoluo
no domnio espacial equivalente multiplicao no domnio de frequncia, resultado
este que estabelece no apenas uma metodologia para a implementao da convoluo
como tambm uma compreenso sobre como dois sinais interagem uns com os outros, sob
convoluo, como produzir um terceiro sinal.

Teorema da Convoluo em uma dimenso


Considere duas funes

Transformada de Fourier.
e

f g a convoluo dada pelas duas funes e F a


Sejam F(f ) e F(g) as Transformadas de Fourier das funes f
e

g.

Sejam

respectivamente. Ento

F(f g) = F(f ) F(g)


A recproca tambm verdadeira, ou seja,

F(f g) = F(f ) F(g)


O Teorema da Convoluo estabelece que a Transformada de Fourier de uma convoluo
de duas funes absolutamente integrveis igual ao produto ponto a ponto das Trans-

5.3. Teorema da Convoluo

39

formadas de Fourier de cada funo no domnio temporal. Resultado tambm equivalente


multiplicao ponto a ponto no domnio de frequncia.

Teorema da Convoluo em duas dimenses


f (x, y) e h(x, y) em duas dimenses com Transformada de Fourier
respectivamente por F (kx , ky ) e H(kx , ky ). Pode-se mostrar, podemos dizer

Considere duas funes


denotadas

que a Transformada de Fourier da convoluo de duas funes igual ao produto das


transformadas individuais, ou seja,

F {f (x, y) h(x, y)} = F (kx , ky )H(kx , ky )


Assim, o processo de convoluo de duas funes no domnio espacial equivalentemente
realizado pela simples multiplicao de suas transformadas no domnio de frequncia.
O Teorema da Convoluo tambm pode ser descrito por meio de uma segunda forma,
onde a Transformada de Fourier do produto de duas funes igual a convoluo de suas
transformadas individuais, dada por:

F {f (x, y)h(x, y)} = F (kx , ky ) H(kx , ky )


Esta forma no se encontra em grande parte na utilizao de processamento de imagens,
pois no descreve o processo bsico de formao da imagem.

No entanto, seu uso

considervel em reas de ptica.

Existem vrias notaes possveis para indicar a convoluo de dois sinais multidimensionais. A mais comum dada por:

c=ab
No espao contnuo em duas dimenses temos:

c(x, y) = a(x, y) b(x, y) =

a(, )b(x , y )dd

E, em duas dimenses, no espao discreto temos:

c[m, n] = a[m, n] b[m, n] =

a[j, k]b[m j, n k]
j= k=

Dessa

forma,

podemos vericar

que

propriedades, isto , a convoluo :

Comutativa

c=ab=ba

o processo de

convoluo

possui

importantes

40. Sries e Transformadas de Fourier no Processamento de Sinais e Imagens


5

Associativa

c = a (b d) = (a b) d = a b d

Distributiva

c = a(b+d) = (ab)+(ad) onde a, b, c e d so todas as imagens, contnuas ou discretas.


Assim, vimos que o processo de convoluo tem uma forma particularmente simples
e conveniente no domnio de frequncia, que fornecido pelo Teorema da Convoluo,
provavelmente o mais importante da rea de processamento de imagem. Muitos fenmenos
fsicos so representados por uma convoluo.

5.4 Filtros
Os ltros so processos que tem por nalidade salientar determinados aspectos em imagens digitais ou reduzir rudos.

Esses rudos podem ter sido introduzidos na imagem

durante o processo de aquisio da imagem ou durante o processo de quantizao e digitalizao, ou ento pelo excesso de compresso da imagem, ou mesmo por problemas na
transmisso. Os conceitos matemticos a respeito desses processos sero melhor denidos
mais adiante. Os ltros so classicados como passa-baixa, passa-banda ou passa-alta,
dependendo da frequncia dos detalhes eliminados ou mantidos na imagem.

Um ltro do tipo passa-baixa permite que as baixas frequncias passem, porm


elimina os valores relacionados s altas frequncias. Assim, o efeito deste ltro o
de suavizao da imagem, uma vez que as altas frequncias que correspondem s
transies abruptas so atenuadas. A suavizao tende pelo mesmo motivo, diminuir
o rudo em imagens.

J um ltro passa-banda deixar presente nas imagens apenas os valores dos sinais correspondentes determinada frequncia eliminando os demais valores. Seu
efeito visual depende da faixa predenida e geralmente projetado para salientar
aspectos determinados, eliminar rudos ou imperfeies presentes em uma frequncia
conhecida.

Por sua vez, um ltro passa-alta deixa passar as altas frequncias, no entanto,
elimina os valores relacionados s baixas frequncias. O efeito visual deste tipo de
ltro de tornar as transaes entre diferentes regies da imagem mais ntidas. O
efeito desejado o de enfatizar o rudo que possa existir na imagem.

Existem vrios tipos de ltros que podem ser aplicados em imagens e sinais, por exemplo, o
Filtro Gaussiano e o Filtro Butterworth. Um ltro Gaussiano composto por um conjunto

5.5. Funo de Transferncia ptica

41

de coecientes cujos valores se aproximam forma de uma Gaussiana nas horizontais,


verticais e diagonais. Em uma dimenso esse tipo de ltro apresenta a seguinte forma:
x2
1
G(x) =
e a2
2

onde

o desvio padro. Em duas dimenses dado por :

G(x, y) =

1 x2 +y2
e a2
2 2

J o ltro Butterworth possue uma funo de transferncia com o mnimo de oscilaes


tanto na banda passante como na banda de corte. A funo de transferncia de um ltro
Butterworth de ordem

com limite de banda-passante

dada por

|T (j)| =
1+

2N

De maneira geral, ltros so utilizados para otimizar a visualizao de imagens, destacar


bordas, diminuir rudos etc.

5.5 Funo de Transferncia ptica


A Funo de Transferncia ptica (OTF) a medida quantitativa da qualidade da
imagem.

Esta funo descreve a estrutura de uma imagem em termos do contraste

e da fase espacial num intervalo de frequncia.

Assim, com a anlise de Fourier, que

permite descrever qualquer objeto como a soma de componentes senoidais, utiliza-se a


OTF para representar uma imagem de forma detalhada, relacionando-a com o objeto e
com defeitos introduzidos no sistema ptico. Este sistema responsvel pela formao
da imagem ptica no plano focal.

Sua contribuio na degradao ocorre devido

aos movimentos da cmera causados por distrbios externos, por exemplo, vibraes
e imperfeies. Esta degradao provoca um efeito de ltro passa-baixa nas duas direes.

f (x, y) um cenrio de imagem especco, no qual corresponde a distribuio de


entrada e h(x, y) ao sistema PSF, o qual representa a distribuio da intensidade de luz
de um ponto do objeto. Assim, a imagem dada por sua convoluo g(x, y) representada
Seja

por:

g(x, y) = f (x, y) h(x, y)


Aplicando a Transformada de Fourier em ambos os lados, podemos usar a primeira forma
do Teorema da Convoluo para escrever o lado direito da frmula acima, isto :

F {g(x, y)} = F {f (x, y) h(x, y)}

42. Sries e Transformadas de Fourier no Processamento de Sinais e Imagens


5
Logo, o espectro da imagem de sada
espectro de entrada

F (Kx , Ky )

G(Kx , Ky )

de Fourier dado pelo produto do

de Fourier com a funo multiplicativa ltro

H(Kx , Ky ),

representado da seguinte forma:

G(Kx , Ky ) = F (Kx , Ky )H(Kx , Ky )


onde

H(Kx , Ky ) chamado de OTF, que equivalente no domnio de frequncia do PSF.

Seu nome deriva do fato de que ele determina como o par de frequncia espacial individual

(Kx , Ky )

transferido da entrada para a sada. Portanto,

F {f (x, y) h(x, y)} =

G(Kx , Ky )

espectro de Fourier de sada

F (Kx , Ky )

H(Kx , Ky )

espectro de Fourier de entrada

OTF

Esta propriedade multiplicativa da OTF no espectro de entrada particularmente conveniente se considerarmos sistemas de imagens complexas que incluem elementos de imagens
mltiplas. Podemos encontrar a utilizao desta propriedade em combinaes de lentes e
aberturas em cmeras ou telescpios.
Assim, se o K-simo elemento caracterizado pela PSF

hk (x, y),

ento a imagem gerada

dada por uma sequncia de convolues de entrada com PSFs.

Portanto, usando o

Teorema da Convoluo e tomando a Transformada de Fourier, podemos expressar o fato


acima por uma multiplicao sequencial de OTFs no domnio de frequncia por meio de
um simples clculo:

F {h1 (x, y) h2 (x, y) hn (x, y)} = H1 (kx , ky )H2 (kx , ky ) Hn (kx , ky )


A OTF normalizada para obter uma transmisso mxima de unidade. Isto signica que
um sistema de imagem ideal pode ser caracterizado pela OTF dada por

H(kx , ky ) = 1

para todas as frequncias espaciais. Alm disso, assim como a Transformada de Fourier
da PSF, a OTF , em geral, uma funo complexa, dada por:

H(kx , ky ) = |H(kx , ky )|ei(kx ,ky )


Portanto, vimos que a Funo de Transferncia ptica (OTF), responsvel pela medida
da qualidade da imagem e a Funo Propagao do Ponto (PSF), responsvel pelo borramento de uma imagem, ou seja, pelo efeito na imagem gravada de uma fonte pontual de
luz no objeto de interesse, apresentam grande importncia para o processamento digital
de imagens.

5.6. Processo de Deconvoluo

43

5.6 Processo de Deconvoluo


O processo de deconvoluo consiste basicamente em tentar desfazer o que o processo de
convoluo realizou. Por exemplo, o borramento que se observa em uma fotograa fora de
foco pode ser descrito por meio da convoluo, logo, possvel obter uma imagem ntida
a partir de imagem borrada por meio da deconvoluo, desde que o PSF seja conhecido a
priori ou possa ser estimado a partir da prpria imagem borrada.
Uma maneira de realizar deconvoluo a utilizao do ltro de Wiener em processamento de sinais e imagens, que tm como objetivo restaurar a imagem que foi distorcida
por meio de alguma correlao.

F = F (f ) uma imagem e G = F (g) o


2
que |G| = GG. Assim, podemos denir:

Seja
Temos

PSF (Funo Propagao do Ponto).

FG
= Deconvoluo
GG +

de Wiener

obtida da seguinte forma:

|G|2
1
GG
1
FG

=F
=
G |G|2 +
G GG +
GG +

Um exemplo desse processo quando h borramento em uma imagem, isto , ocorre


mudana de pixel a pixel e este processo dado por uma diviso (operao contrria
convoluo). Dessa forma, o valor obtido arredondado havendo perda de informao. E
uma soluo para este fato o aumento da resoluo da imagem.
No captulo seguinte veremos como esse processamento utilizado e quais suas contribuies, como o processo de convoluo e de deconvoluo podem ser utilizados em
aplicaes da rea digital, o signicado da implementao de ltros e a relao entre a
Transformada de Fourier e o Processamento de Sinais e Imagens.

44. Sries e Transformadas de Fourier no Processamento de Sinais e Imagens


5

45

Captulo 6
Processamento de Imagem
O interesse em mtodos de processamento digital de imagens surgiu da necessidade de
melhorar a qualidade da informao de uma imagem para a interpretao humana. As
tcnicas para este melhoramento evoluram em meados dos anos 60 com o advento de
computadores digitais. Exemplo disso, so as imagens transmitidas da Lua pela sonda
Ranger 7, em 1964, que foram processadas por um computador com a nalidade de corrigir
os vrios tipos de distores apresentadas.
Assim, as tcnicas de processamento utilizadas nesse perodo serviram de base para a
restaurao de imagens de outros programas. Essas tcnicas permitem a anlise de uma
cena em vrias regies do espectro eletromagntico, alm da integrao de vrios tipos de
dados, tornando possvel a manipulao de sinais multidimensionais.
Alm disso, a maioria das tcnicas do processamento de imagem envolve o tratamento
da imagem como um sinal bidimensional, no qual aplica-se padres de processamento de
sinais.

Os sinais, assim como as imagens, carregam em seu interior uma determinada

informao, e esta informao pode estar associada a uma medida. Portanto, processar
uma imagem signica transform-la sucessivamente com a nalidade de extrair de forma
simples a informao que ela fornece.

Denio 6.1.

Uma imagem e um sinal so representados por uma funo de duas

variveis reais, por exemplo,


de coordenadas reais

a(x, y), onde a representa a amplitude da imagem na posio

(x, y), sendo considerada como sub-imagens ou simplesmente regies.

Assim, uma parte de uma imagem (regio) pode ser processada para suprimir o desfoque
do movimento, enquanto a outra parte pode ser processada para melhorar as cores.
Com relao a uma imagem digital

a[m, n]

descrita em um espao discreto bidimensi-

onal, esta derivada de uma imagem analgica

a(x, y)

em um espao contnuo bidimen-

sional por meio de um processo de amostragem, que frequentemente conhecido como


digitalizao.
Assim, a imagem contnua

a(x, y)

dividida em

linhas e

colunas e a interse-

o de uma linha e uma coluna chamada de pixel. O valor atribudo s coordenadas


inteiras

[m, n]

com

{m = 0, 1, 2, , M 1}

{n = 0, 1, 2, , N 1}

a[m, n].

Na

46

6. Processamento de Imagem
a(x, y) realmente uma funo de vrias variveis, incluindo
o tempo t.

verdade, a maioria dos casos


a profundidade

z,

a cor

J o processo de representar a amplitude do sinal bidimensional de uma dada coordenada, como um valor inteiro, com

nveis diferentes de cinza normalmente referido

como quantizao. O efeito de quantizao dado pela impossibilidade de se medir um


intervalo innito de valores de intensidade dos pixels.

Portanto, o processo de quanti-

zao, a codicao dos valores contnuos de um sinal em intervalos discretos, o que


equivale a um efeito de arredondamento.
Como exemplo, vemos que o nmero de bits por pixel corresponde ao nmero de tons
de cinza que podem ser representados na imagem digital. O nmero de nveis de cinza
distintos geralmente uma potncia de

2,

representao binria dos nveis de brilho.


e quando
onde

B =1

0 representa

L = 2B , onde B o nmero de bits na


Quando B > 1 a imagem apresenta nvel cinza

ou seja,

falamos de uma imagem binria. Os valores so medidos numa escala


ausncia de cor primria e

255 representa

a mxima intensidade da cor

primria.
Os tipos de operaes que podem ser aplicadas a imagens digitais para transformar
uma imagem de entrada

em uma imagem de sada

Ir

podem ser classicados de trs

maneiras: pontual, local e global.

A operao pontual caracterizada pelo valor de sada em uma coordenada especca, que depende apenas do valor de entrada na mesma coordenada. Alm disso, o
pixel resultante depende apenas do pixel da imagem original com as mesmas coordenadas.

Ir [n, m] = f (I[n, m])

A operao local representa o valor de sada em uma coordenada especca, que


depende do valor de entrada na mesma vizinhana.

Ir [n, m] = f (I[j, i])

vizinhana de

[n, m].

A operao global caracteriza o valor de sada em uma coordenada especca, dependendo de todos os valores da imagem de entrada, em que o pixel resultante depende
globalmente de todos os pixels da imagem original.

Ir [n, m] = f (I[j, i]), [j, i]

6.1. Digitalizao de Imagens

47

6.1 Digitalizao de Imagens


Para compreender o processo de digitalizao de uma imagem necessrio uma formulao de diversas noes associadas imagem digital para operacionalizar a anlise das
estruturas de dados utilizados para a representao da mesma, alm do estudo de algoritmos introduzidos na sua criao e manipulao. Para representar e manipular imagens no
computador preciso denir modelos matemticos adequados para se obter os objetivos
desejados.
Como a percepo de uma imagem dada pelo resultado de estmulos luminosos produzidos por um suporte bidimensional, necessrio estabelecer um universo matemtico
no qual seja possvel denir diversos modelos abstratos de uma imagem. Em seguida, criase um universo de representao no qual haja uma representao discreta desses modelos,
com o objetivo de obter uma codicao da imagem no computador.

6.1.1

Imagem Contnua

Como uma imagem um sinal bidimensional, podemos caracteriz-la da seguinte forma:

i a funo imagem, U uma superfcie e C um espao vetorial. Uma imagem contnua


uma aplicao i : U C . Em grande parte das aplicaes, U um subconjunto plano
e C um espao de cor. E o conjunto dos valores de i, que um subconjunto de C ,
chamado de conjunto dos valores da imagem. Quando C um espao de cor de dimenso
1, a imagem dita monocromtica. Nesse caso, a imagem pode ser vista geometricamente
como o grco G(i) da funo imagem i, ou seja,

Seja

G(i) = {(x, y, z); (x, y) U e z = i(x, y)},


considerando os valores de intensidade como a altura

z = i(x, y)

em cada ponto

(x, y)

do

domnio.
O conceito de imagem contnua e discreta refere-se discretizao do domnio da
funo imagem. Assim, para codicar uma imagem no computador necessrio trabalhar
com modelos de imagem onde a funo imagem
discreto do espao de cor

assume valores em um subconjunto

C.

Portanto, quando observamos uma fotograa ou uma cena real, recebemos de cada
ponto do espao um impulso luminoso que associa uma informao de cor a esse ponto.
Assim, um modelo matemtico natural para descrever uma imagem o de uma funo
denida em uma superfcie bidimensional, tomando valores em um espao de cor.

6.1.2

Representao de uma Imagem

A representao mais comum de uma imagem espacial nas aplicaes da computao


grca consiste em tomar um subconjunto discreto

U U

do domnio da imagem, um

48

6. Processamento de Imagem

espao de cor

associado a um dispositivo grco, e a imagem representada pela

amostragem da funo imagem

no conjunto

i(x, y) ser espacialmente contnua ou discreta se as coordenadas


(x, y) de cada ponto variam no conjunto U ou U respectivamente. Cada ponto (xi , yi ) do
subconjunto discreto U chamado de elemento da imagem ou pixel. Dessa forma, uma
Nesse caso, a imagem

imagem possui como elementos as coordenadas dos pixels e a informao da cor de cada
pixel.
Uma imagem pode ser representada de forma conveniente no formato matricial. Em
outras palavras, o caso mais utilizado de discretizao espacial de uma imagem consiste
em tomar o domnio como sendo um retngulo

U = [a, b] [c, d] = {(x, y) R2 ; a x b e c y d},


e discretizar esse retngulo usando os pontos de um reticulado bidimensional

(x , y ),
= {(xj , yk ) U ; xj = j x , yk = k y j, k Z, x , y R},
de acordo com a gura abaixo.

Figura 6.1:

Representao da Imagem no

Formato Matricial

(xj , yk ) da imagem pode ser representado por coordenadas inteiras


(j, k). Nessa representao, a imagem est associada a uma matriz A de ordem m n,
onde A = (ajk ) = (i(xj , yk )). Cada elemento ajk , j = 1, , m e k = 1, , n da matriz
representa o valor da funo i no ponto de coordendas (xj , yk ) do reticulado, sendo um
vetor do espao de cor, representando a cor do pixel de coordenadas (j, k).
Portanto, cada pixel

De forma simplicada, uma imagem representada por uma matriz da seguinte ma-

6.1. Digitalizao de Imagens

49

neira:

Img =

onde

Img[0, 0]
Img[0, 1]
Img[1, 0]
Img[1, 1]
Img[2, 0]
Img[2, 1]

Img[n 1, 0] Img[n 1, 1]

Img[0, m 1]

Img[1, m 1]

Img[2, m 1]

Img[n 1, m 1]

o nmero de colunas da imagem(nmero de pixels de cada linha da imagem),

o nmero de linhas da imagem e

Img[n; m]

Em uma imagem monocromtica,

(ajk )

representa a intensidade do pixel.

uma matriz real, onde cada elemento um

nmero real que representa o valor de luminncia do pixel.


matriz

O nmero de linhas

de pixels chamado resoluo vertical da imagem e o nmero de colunas

da

chamado de resoluo horizontal.


Portanto, da representao matricial ao produto

m n da resoluo vertical pela reso-

luo horizontal obtem-se a resoluo espacial. Esta por sua vez, estabelece a frequncia
de amostragem nal da imagem. Assim, quanto maior a resoluo mais detalhes, ou seja,
altas frequncias da imagem podem ser captadas na representao matricial.
Existem quatro diferentes aspectos relacionados coma a representao funcional de
uma imagem em um computador:

contnua-contnua, contnua-quantizada, discreta-

contnua e discreta-quantizada. Onde cada um desses casos corresponde natureza do


domnio e do espao de cor da imagem.

A imagem contnua-contnua serve como conceito utilizado no desenvolvimento dos


mtodos matemticos para o processamento de imagens.

A imagem contnua-quantizada constitui a representao utilizada por vrios dispositivos grcos.

A imagem discreta-contnua um formato conveniente para a maior parte das operaes com imagens, pois a funo imagem assume valores de ponto utuante que,
embora representados por um nmero nito de bits, aproximam valores reais.

J a imagem do tipo discreta-quantizada denominada imagem digital.

As coordenadas dos pixels e a informao de cor de cada pixel so elementos que


constituem uma imagem digital em que ambos esto diretamente relacionados com a
resoluo espacial e a resoluo de cor da imagem. O nmero de componentes do pixel a
dimenso do espao de cor utilizado. Portanto, cada pixel em uma imagem monocromtica
possui uma nica componente.
Assim, uma imagem denida como uma funo de duas variveis, tomando valores
num espao de cor, podendo ser representada na forma matricial. Alm disso, possvel

50

6. Processamento de Imagem

a realizao de operaes com imagens, operaes estas que desempenham um papel


importante na computao grca.

6.2 Operaes com Imagens


I = {f : U R2 C}, possui uma estrutura de espao
soma, f + g e produto de uma funo por um escalar f ,

O espao de imagens
com as operaes de

vetorial,

(f + g)(x, y) = f (x, y) + g(x, y)


(f )(x, y) = f (x, y).
Quando uma imagem representada na forma matricial, as operaes acima se reduzem
s operaes de soma e produto de uma matriz, com entradas vetoriais por um escalar.

Denio 6.2.

Uma operao entre elementos de

uma aplicao

T : I I I R R R I

vezes

m
onde
de

vezes

refere-se ao produto cartesiano. Assim, uma operao associa a uma sequncia

imagens

(f1 , , fm ),

e a um vetor

(1 , , n ) Rn ,

uma imagem em

I,

que o

resultado da operao.

Denio 6.3. Pela denio anterior, no caso da soma, temos uma aplicao I I I .
I R I .
T : I I . Caso

E na multiplicao de uma imagem por um escalar temos uma aplicao


Para

m = 1

contrrio, se

n = 0, dizemos que a aplicao unria, ou


m > 1 e n 0, dizemos que a operao n-ria.
e

seja,

Observao: As operaes unrias com imagens so chamadas de ltragem.


caso, a aplicao

Nesse

que dene a operao no espao de imagens chamado de ltro. Os

ltros se dividem em lineares e no lineares. O ltro linear se a aplicao

linear, ou

seja,

T (f ) = T (f )
T (f + g) = T (f ) + T (g)
onde

um nmero real e

so duas imagens.

Com relao s imagens monocromticas, a funo

f : U R2 R,

assume valores

reais. Dessa forma, possvel denir o produto de duas imagens, por exemplo,

g,

da

seguinte forma

(f.g)(x, y) = f (x, y).g(x, y)


Para imagens coloridas, o produto de duas imagens pode ser feito pela multiplicao de
cada componente de cor separadamente.

6.2. Operaes com Imagens


Denio 6.4.
ltro

Seja

51

uma operao dada no espao de imagens.

espacialmente invariante em relao a operao

a operao

T,

Dizemos que um

se para toda imagem

g I,

comuta com o ltro, ou seja, se aplicarmos o ltro antes ou depois da

operao possvel obter o mesmo resultado, isto ,

(F T )(g) = (T F )(g).
Um caso importante de invarincia quando
ou seja, se

um operador de translao do plano,

uma funo imagem, existe um vetor de coordenadas

(x0 , y0 )

tal que

T (g(x, y)) = g(x x0 , y y0 )


A operao

faz com que a imagem seja transladada pelo vetor

a operao de translao e o ltro


que

(x0 , y0 ).

Assim, quando

invariante em relao esta operao, dizemos

espacialmente invariante. Ento, temos que

(F g)(x x0 , y y0 ) = F (g(x x0 , y y0 )),


revelando que o comportamento do ltro o mesmo em todos os pontos do domnio da
imagem.
importante observar que os ltros podem atuar diretamente no espao de cor da
imagem, ou seja, realizar alteraes diretamente na cor dos pixels, como tambm modicar
a estrutura dos objetos presentes na imagem.
Como vemos, a abordagem encontrada em diversos livros sobre processamento de
sinais e imagens ampla e apresenta diversos estudos a respeito de seu uso, desde o desenvolvimento de algoritmos at as arquiteturas de computadores que apresentam elevado
desempenho. No entanto, apresentamos neste trabalho apenas alguns tpicos necessrios
ao entendimento das aplicaes realizadas.

52

6. Processamento de Imagem

53

Captulo 7
Aplicaes
As tcnicas de processamento de sinais e imagens esto se aprimorando a todo momento,
da mesma forma que as diversas aplicaes realizadas, como o processamento de imagens
mdicas, o aperfeioamento de imagens de satlites, ou mesmo o trabalho com fotograas
e impresses. Neste captulo, trataremos a respeito de algumas aplicaes presentes na
rea de processamento digital de imagens.

Veremos a realizao de operaes com a

Transformada de Fourier e tambm com a Transformada Inversa, a utilizao de ltros


na otimizao de imagens, o processo de deteco de bordas, a aplicao do processo de
luminncia, de borramento e tambm a restaurao de imagens.

7.1 Ilustrao dos Canais


Esta uma primeira introduo para entendermos como uma imagem colorida pode ser
representada e manipulada atravs de comandos no software Octave [11]. Uma imagem
colorida composta por trs canais R, G e B, associados as cores primrias vermelho,
verde e azul, respectivamente. Em geral, uma imagem colorida a sobreposio dos trs
tons, R, G e B. Com isso, podemos fazer a separao desses canais conforme ilustram as
guras abaixo:

Figura 7.1: Imagem Original Colorida

Figura 7.2: Representao do Canal R

54

7. Aplicaes

Figura 7.3: Representao do Canal G

Figura 7.4: Representao do Canal B

Comandos utilizados para a representao dos canais:

>A=imread("imagem");
> size(A)
ans =
276
464
3
> R=A(:,:,1);G=A(:,:,2);B=A(:,:,3);
> imshow(R) %Canal Vermelho
> imshow(B) %Canal Azul
> imshow(G) %Canal Verde

7.2 Transformada e Transformada Inversa de Fourier


Nesta seo apresentamos algumas aplicaes que podem ser realizadas por meio da
utilizao das transformadas de Fourier no processamento digital de imagens e de sinais.
Aplicando a Transformada de Fourier em uma imagem obtemos o seguinte resultado, no
qual a imagem transformada do domnio espacial para o domnio de frequncia.

Figura 7.5: Representao da Ima-

Figura

gem Original

Transformada de Fourier

7.6:

Representao

da

7.3. Fator log

55

Figura 7.7: Representao da Ima-

Figura

gem Original

Transformada Inversa de Fourier

7.8:

Representao

da

Acima vemos a aplicao da Transformada Inversa de Fourier, atravs dos comandos:

>
>
>
>
>

img = imread("imagem");
ft = fft2(img);
ftc = fftshift(ft);
ftclog = log(1+abs(ftc));
imshow(ftclog,[]);

7.3 Fator log


Utilizando o fator log no clculo da Transformada Inversa de Fourier vemos que h reduo
de contraste.

Figura 7.9: Imagem Original / Imagem com reduo de contraste

56

7. Aplicaes

7.4 Filtro Butterworth Passa-baixa e Passa-alta e Filtro Gaussiana Passa-Baixa e Passa-Alta


Com a nalidade de salientar determinados aspectos em imagens digitais ou mesmo reduzir
rudos, a aplicao de ltros em sinais ou imagens apresentam diversos resultados, desde
a suavizao at o aumento da nitidez, por exemplo. Nesta seo faremos uma aplicao
de dois tipos de ltros: Butterworth e Gaussiana, como apresentado a seguir.

Figura 7.10:

Representao

Figura

7.11:

Filtro

But-

Figura

7.12:

Filtro

da Imagem Real

terworth Passa-Baixa

Figura 7.13:

Figura 7.14:

Figura 7.15:

But-

terworth Passa-Alta

Representao

da Imagem Real

Filtro Gaussi-

ana Passa-Baixa

Filtro Gaussi-

ana Passa-Alta

Figura 7.16: Representao do ltro

Figura 7.17: Representao do ltro

Butterworth Passa-Baixa

Butterworth Passa-Alta

7.4. Filtro Butterworth Passa-baixa e Passa-alta e Filtro Gaussiana


Passa-Baixa e Passa-Alta

57

Figura 7.18: Representao da ima-

Figura 7.19: Representao da ima-

gem

gem

ltrada

Butterworth

Passa-

ltrada

Butterworth

Passa-

Baixa

Alta

Figura 7.20: Representao da ima-

Figura 7.21: Representao da ima-

gem ltrada Gaussiana Passa-Baixa

gem ltrada Gaussiana Passa-Alta

Podemos analisar a utilizao destes dois tipos de ltros e vericar a diferena entre
as imagens resultantes.

A aplicao de um ltro Passa-Baixa faz com que a imagem

que suavizada, permitindo que apenas as baixas frequncias passem.

Enquanto que

um ltro do tipo Passa-Alta faz com que apenas as altas frequncias passem, tornando
algumas regies da imagem mais ntidas. Alm disso, notamos que a ltragem gaussiana
apresenta um resultado melhor do que a aplicao do ltro Butterworth. Sendo esse mais
um tipo de aplicao que encontramos no processamento de sinais e imagens.

58

7. Aplicaes
Comandos necessrios para aplicao do ltro Butterworth Passa-Baixa:

>
>
>
>
>
>
>
>
>
>
>
>
>
>

img = imread("imagem");
[rows, cols] = size(img);
u =(ones(rows,1) * [1:cols] -(fix(cols/2)+1))/cols;
v =([1:rows]' * ones(1,cols) - (fix(rows/2)+1))/rows;
radius = sqrt(u.^2 + v.^2); %D(u,v)
n = 4;
%Ordem do filtro
cutoff =0.05;
filt = 1 ./ (1.0 + (radius ./ cutoff).^(2*n));
filtc = fftshift(filt);
surf(abs(filt));
imfilt=abs(ifft2(filt.*ftc));
imfiltc=abs(ifft2(filtc.*ft));
imshow(imfilt,[]);
imshow(imfiltc,[]);

Comando necessrios para aplicao do ltro Butterworth Passa-Alta:

>
>
>
>
>
>
>
>
>
>
>
>

img = imread("imagem");
radius = sqrt(u.^2 + v.^2);
n = 4;
cutoff =0.05;
filtpa=1-(1 ./ (1.0 + (radius ./ cutoff).^(2*n)));
imshow(filtpa);
filtcpa = fftshift(filt);
surf(abs(filtpa));
imfiltpa=abs(ifft2(filtpa.*ftc));
imfiltcpa=abs(ifft2(filtcpa.*ft));
imshow(imfiltpa,[]);
imshow(imfiltcpa,[]);

Filtro Gaussiana Passa-Baixa:

>
>
>
>
>
>
?
>

img = imread("imagem");
u=(ones(rows,1) * [1:cols] -(fix(cols/2)+1))/cols;
v = ([1:rows]' * ones(1,cols) - (fix(rows/2)+1))/rows;
radius = u.^2 + v.^2;
sigma = 5;
arg=-radius./2.*(sigma.^2);
filtg=exp(arg);
imshow(filtg);

7.5. Deteco de Bordas


>
>
>
>
>

59

filtgc = fftshift(filtg);
imfiltg=abs(ifft2(filtg.*ftc));
imfiltgc=abs(ifft2(filtgc.*ft));
imshow(imfiltg,[]);
imshow(imfiltgc,[]);

Filtro Gaussiana Passa-Alta:

>
>
>
>
>
>
>
>
>
>
>
>
>

img = imread("imagem");
u=(ones(rows,1) * [1:cols] -(fix(cols/2)+1))/cols;
v = ([1:rows]' * ones(1,cols) - (fix(rows/2)+1))/rows;
radius = u.^2 + v.^2;
sigma = 50;
arg=-radius./2.*(sigma.^2);
filtgpa=1-exp(arg);
imshow(filtgpa);
filtgcpa = fftshift(filtgpa);
imfiltgpa=abs(ifft2(filtgpa.*ftc));
imfiltgcpa=abs(ifft2(filtgcpa.*ft));
imshow(imfiltgpa,[]);
imshow(imfiltgcpa,[]);

7.5 Deteco de Bordas


Nesta seo apresentamos uma imagem em branco e preto e aplicamos o operador
diferena nita para detectar apenas as bordas da imagem.

Figura 7.22: Imagem Original / Deteco de Bordas

60

7. Aplicaes
Para realizao desta aplicao utilizamos os seguintes comandos:

>img=imread("C:/Users/Josiana_PC/Documents/TCC B/key.png");
> size(img)
ans =
276 464
> for j=2:464 img(:,j)-img(:,j-1); end
> vx=zeros(size(img));
> for j=2:size(img)(2) vx(:,j)=img(:,j)-img(:,j-1); end
> img=int16(img);
> for j=2:size(img)(2) vx(:,j)=img(:,j)-img(:,j-1); end
> vy=zeros(size(img));
> vy(2:276,:)=img(2:276,:)-img(1:275,:);
> v=abs(vx)+abs(vy);
> v=v*255/510;
> v=uint8(v);
> imshow(v)
A deteco de bordas uma ferramenta extremamente importante no processo de anlise
de imagens. As tcnicas de deteco de bordas utilizam operadores diferenciais de primeira
ou de segunda ordem, ressaltando os contornos das bordas. Como podemos vericar nas
imagens acima, por meio de determinados comandos, da imagem original obtemos apenas
as bordas.

7.6 Luminncia
Seja

f (x, y)

uma imagem.

possvel obter uma imagem monocromtica

do clculo do valor da luminncia para cada pixel.

g,

a partir

Em outras palavras, basta fa-

g(x, y) = L(f (x, y)), onde L o operador de luminncia. Ou seja, se f (x, y) =


(R(x, y), G(x, y), B(x, y)) dada por suas componentes no sistema RGB, podemos calcular g utilizando o operador de luminncia NTSC, da seguinte maneira:

zer

g(x, y) = 0.176R(x, y) + 0.81G(x, y) + 0.011B(x, y)


Utilizando o algoritmo:

> A=single(imread("folhas.jpg"));
> size(A)
ans =
768
1024
3
> L=A(:,:,1)*0.176+A(:,:,2)*0.81+A(:,:,3)*0.011;
> imshow(uint8(L));

7.7. Borramento de uma Imagem

61

Figura 7.23: Imagem Original Colorida/Luminncia da imagem

O mtodo descrito acima nada mais do que o mtodo de "descolorizar" uma imagem,
ou seja, a partir de uma imagem colorida possvel obter uma imagem em branco e preto.

7.7 Borramento de uma Imagem


O borramento de uma imagem pode ser feito usando a funo gaussiana e a funo resposta
de impulso (Kernel):

G(x, y) =

1 x2 +y2
e a2
2 2

O efeito desse ltro pode ser observado nas imagens a seguir.

Figura 7.24: Imagem Real Colorida / Imagem Borrada por uma gaussiana

62

7. Aplicaes

O programa que implementa esse ltro segue abaixo:

>
>
>
>
>
>
>
>
>
>
>

A=single(imread("folha.jpg"));
h=inline('exp((-x.^2-y.^2)/16)/(16*pi)','x','y');
H=zeros(size(A)(1:2));
for i=1:size(A)(1) for j=1:size(A)(2) H(i,j)=h(i-256,j-256); end end;
G=fft2(H);
F=fft2(A);
F(:,:,1)=F(:,:,1).*G;
F(:,:,2)=F(:,:,2).*G;
F(:,:,3)=F(:,:,3).*G;
S=abs(fftshift(fftshift(ifft2(F),2),1));
imshow(uint8(S))

7.8 Correo de Desfocagem


Nesta seo utilizaremos o ltro de Wiener para restaurar uma imagem desfocada, como
descrito na seo de deconvoluo.

Figura 7.25: Imagem Borrada / Imagem Restaurada

Comandos usados para realizar o processo de restaurao da imagem.

>
>
>
>

f=single(imread("original.png"));
F=fft2(f)/prod(size(f));
h=single(imread("dot-psf-2.5.png")); m=min(min(h));
M=max(max(h)); H=fft2((h-m)/(M-m));

7.8. Correo de Desfocagem


>
>
>
>
>
>
>

63

lambda=2;
G=single(zeros(size(F)));
K=conj(H)'./(lambda+conj(H)'.*H);
G(:,:,1)=F(:,:,1).*K; G(:,:,2)=F(:,:,2).*K; G(:,:,3)=F(:,:,3).*K;
g=abs(fftshift(fftshift(ifft2(G),1),2));
M=max(max(max(g)));m=min(min(min(g))); g=uint8(255*(g-m)/(M-m));
subplot(1,2,2); imshow(g);

Dessa forma, abordamos de forma simplicada e reduzida a teoria sobre Sries e Transformadas de Fourier para o caso de duas variveis e algumas aplicaes que podem ser
realizadas com a utlizao dessa teoria no processamento de sinais e imagens, apresentando diversos resultados interessantes e de grande relevncia.

65

Referncias Bibliogrcas
[1] Gomes, J. & Velho, L.,

Computao Grca: Imagem,

Srie de Computao e Ma-

temtica, SBM, 1994.


[2] Hardy, G. H.,

Weierstrass's Non-Dierentiable Function,

Trans. Amer. Math. Soc.

17, 301-325, 1916.


[3] Hathaway,D.,

The Sunspot Cycle,

Solar Physics, Marshall Space Flight Center,

NASA.
http://solarscience.msfc.nasa.gov/SunspotCycle.shtml,

acesso

realizado

em

01/06/2011.
[4] Nyquist, H.,

Certain topics in telegraph transmission theory,

Proceedings of the

IEEE, Vol. 90, No., Fevereiro de 2002.


[5] Sodr, U.,

Sries de Fourier, notas de aula,

http://pessoal.sercomtel.com.br/matematica/superior/fourier/tfourier.pdf,

acesso

realizado em 17/03/2011.
[6] Sodr, U.,

Transformada de Fourier, notas de aula,

http://pessoal.sercomtel.com.br/matematica/superior/fourier/sfourier.pdf,

acesso

realizado em 17/03/2011.
[7] Solar Inuences Data Analysis Center, Royal Observatory of Belgium. Disponvel em
http://sidc.oma.be, acesso realizado em 17/03/2011.

Fundamentals of Digital Image Processing. A Practical


Approach with Examples in MATLAB, Willey-Blackwell, 2011.

[8] Solomon, C. & Breckon, T.,

[9] Tantau, T.,

TikZ and PGF, http://www.ctan.org/tex-archive/graphics/pgf/,

acesso realizado em 16/06/2011.


[10] Titchmarsh, E. C.,
[11] Eaton, J. W.,

Introduction to Fourier Integrals, Claredon Press, Oxford, 1962.

GNU Octave Manual, Network Theory Limited, 2002.

[12] Ian T. & Jan J. & Lucas J.,


Technology, 1995-2007.

Fundamentals of Image Processing, Delft University of

66

Referncias Bibliogrcas

[13] Walker, J. S.,

Fast Fourier Transforms, 2nd Ed., CRC Press, 1996.

[14] Walker, J. S.,

Fourier Analysis, Oxford University Press, Oxford, 1988.