Escolar Documentos
Profissional Documentos
Cultura Documentos
Rita Tutorial PDI PDF
Rita Tutorial PDI PDF
Resumo: O objetivo desse tutorial fornecer uma viso introdutria para a rea de
Processamento Digital de Imagens (PDI) de modo que possa servir como base de
estudo para iniciantes na rea ou como referncia para estudos mais avanados. O
tutorial est dividido em duas partes: uma parte principal contemplando os fundamentos
e uma parte complementar descrevendo aplicaes. A parte de fundamentos apresenta o
processo de formao de imagens, incluindo uma sucinta apresentao da estrutura do
olho humano e sua analogia com uma cmera digital, bem como comentrios sobre um
sistema tpico de PDI. O ncleo do tutorial aborda as principais operaes sobre
imagens, tais como, operaes sobre cores, filtragem espacial, segmentao,
transformaes em escala e resoluo, dentre outras. Na parte de aplicaes, so
apresentados exemplos de aplicaes envolvendo segmentao de imagens,
reconhecimento de palavras manuscritas e recuperao de imagens por contedo.
Abstract: The goal of this tutorial is to provide an introductory view of the Digital
Image Processing (IP) area that can be used as a study guide for beginners or as basic
reference for more advanced studies. The tutorial is divided into two parts: the main
part is about the IP fundamentals and a complementary part discusses some application
examples. The main part presents the image formation process, including a succinct
description of the human eye structure and its relation to a digital camera, as well as
comments about a typical IP system. The core of the tutorial is about image operations,
such as color operations, spatial filtering, segmentation, scale and resolution transforms,
among others. The applications part contains a number of examples, involving image
segmentation, handwritten word recognition and content-based image retrieval.
1 Consideraes Iniciais
Deteco
Integrao, de Bordas Calibrao
Filtragem de Radiomtrica e
Rudos Geomtrica
Extrao de
Estruturas
Simples
Imagens de Imagem
Digitalizao
Caractersticas Digital
Determinao
do Movimento
Regularizao,
Segmentao
Descrio de Restaurao e
de Regies
Texturas Modelagem
Anlise de Descries de
Formas Objetos
Imagens de Morfologia
Regies Matemtica
Classificao
de Pixels ou Classes de
Objetos Objetos
2. Conceitos Fundamentais
Cavidade Forno de
de RF Rdio FM Microondas Seres Lmpadas Elementos
ALS Equipamentos Radioativos
Rdio AM RADAR Humanos Incandescentes de Raios X
Freqncia
(Hz)
10 6 10 7 10 8 10 9 10 10 10 11 10 12 10 13 10 14 10 15 10 16 10 17 10 18 10 19 10 20
Mais altas
Radia
Radia o Vis
Visvel
Comprimento de Onda (nm)
700 600 500 400
Radia
Radia o Radia
Radia o
Infravermelha (IR) Ultravioleta (UV)
V a s e ixe o
e F p ti c
ar
Cmara Posterior
Ligamentos com Humor
cul
neos Suspensrios
vo
Vasos sang
sangneos Vtreo
Pupila do Cristalino
Ner
Esclera C
Ci o r p
li a o
A r B
Fig. 3 - Olho humano: (A) viso geral; e (B) detalhamento dos componentes.
Coride
Plpebra Retina
Eixo Visual
ris Fvea
Cmara Anterior
Crnea
Cristalino
Sensor
ris
Cmara Posterior Cmara escura
com Humor Vtreo
Obturador
Diafragma
Lente
(0,1,0) (1,1,0)
Preto
(0,1,1) (1,1,1)
(0,0,0)
(1,0,0) R
Preto
(0,0,1) (1,0,1)
B
A cor oposta a uma determinada cor secundria a cor primria que no entra em sua
composio. Assim, o verde oposto ao magenta, o vermelho ao ciano e o azul ao amarelo.
A cor branca gerada pela combinao balanceada de vermelho, verde e azul, assim como
pela combinao de qualquer cor secundria com sua oposta. Objetos que no emitem
radiao eletromagntica visvel prpria so, em contraposio, percebidos em funo dos
pigmentos que os compem [3]. Assim sendo, objetos diferentemente pigmentados absorvem (ou
subtraem) da radiao eletromagntica incidente uma faixa do espectro visvel, refletindo o
restante [6]. O processo de composio cromtica pode ser interpretado como a absoro ou
reflexo, em propores variveis, das componentes verde, vermelho e azul da radiao
eletromagntica visvel incidente. Tome-se como exemplo um objeto amarelo. As componentes
vermelha e verde da luz branca incidente so refletidas, enquanto a componente azul subtrada
por absoro pelo objeto. Assim, a cor amarela pode ser encarada como o resultado da subtrao
do azul da cor branca. As cores primrias no modelo CMY so definidas em funo da
absoro de uma cor primria da luz branca incidente e da reflexo das demais
componentes, ou seja, as cores primrias so as secundrias do modelo RGB - Ciano,
Magenta e Amarelo (Fig. 6).
Preto
M
(0,1,0) (1,1,0)
Branco
(0,1,1) (1,1,1)
(0,0,0)
(1,0,0) C
(0,0,1) (1,0,1)
Y
Pixel
0 N-1
N-1
0
0 Preto
Linha
(m)
(m)
Tons
de
Cinza
M-1
M -1
255 Branco
A intensidade luminosa no ponto (x,y) pode ser decomposta em: (i) componente de
iluminao, i(x,y), associada quantidade de luz incidente sobre o ponto (x,y); e a
componente de reflectncia, r(x,y), associada quantidade de luz refletida pelo ponto (x,y)
[3]. O produto de i(x,y) e r(x,y) resulta em:
f(x,y) = i(x,y).r(x,y) (1)
na qual 0 < i(x,y) < e 0 < r(x,y) < 1, sendo i(x,y) dependente das caractersticas da fonte
de iluminao, enquanto r(x,y) dependente das caractersticas das superfcies dos objetos.
Em uma imagem digital colorida no sistema RGB, um pixel pode ser visto como um
vetor cujas componentes representam as intensidades de vermelho, verde e azul de sua cor. A
imagem colorida pode ser vista como a composio de trs imagens monocromticas, i.e.:
f (x, y) = fR(x,y) + fG(x,y) + fB(x,y), (2)
informao de uma imagem analgica, seu equivalente digital uma aproximao, cuja
qualidade depende essencialmente dos valores de M, N e L. Usualmente, o nmero de valores
de brilho, L, associado a potncias de 2:
L = 2l (4)
com l . Assim sendo, o nmero de bits necessrio para representar uma imagem digital
de dimenses M x N ser:
b=MxNxl (5)
Percebe-se, a partir da Eq. 5, que embora o aumento de M, N e l implique a elevao
da qualidade da imagem, isto tambm implica o aumento do nmero de bits necessrios para
a codificao binria da imagem e, por conseguinte, o aumento do volume de dados a serem
armazenados, processados e/ou transmitidos. O Quadro 1 contm o nmero de bytes
empregado na representao de uma imagem digital monocromtica para alguns valores
tpicos de M e N, com 2, 5 e 8 nveis de cinza.
Quadro 1 Nmero de bytes para uma imagem monocromtica.
Nmero de Bytes (L)
M N
L=2 L = 32 L = 256
480 640 38400 192000 307200
600 800 60000 300000 480000
768 1024 98304 491520 786432
1200 1600 240000 1200000 1920000
A B C D
Rede
Hardware para
Sensores Hardware de
de imagem
processamento Computador visualiza
visualizao
de imagens
Software para
Hardware
processamento
de impresso
de imagens
imagem de entrada para a imagem de sada. A Fig. 12 ilustra genericamente uma operao
pontual unria.
fe1
fe2 fs fe fs
fs = O(fe1, fe2, ..., fen) fs = O(fe)
fen
A B
(x,y) (x,y)
ie(x,y) is(x,y)
Fig. 12 Operao pontual unria.
Cada ponto da imagem de sada, fs(x,y), obtido por: (i) uma operao O entre os
pontos de coordenadas homlogas das imagens de entrada, fe1(x,y), fe2(x,y),..., fen(x,y); ou (ii)
uma transformao T do ponto de coordenadas homlogas da imagem de entrada, fe(x,y). No
tocante operao O, esta pode ser qualquer operao aritmtica, lgica, de comparao,
etc., admitida pela natureza dos valores dos pontos das imagens. A transformao T dever
ser uma funo unvoca com um domnio equivalente faixa de valores permitidos para a
imagem de entrada. Transformaes dessa natureza so comumente realizadas a partir de
tabelas de transformao (LUT - Look-Up Tables) e interpretadas a partir de diagramas como
aquele ilustrado na Fig. 13.
LUT fs(x,y)
Por outro lado, nas operaes locais, o valor de sada em uma coordenada
especfica depende de valores de entrada daquela coordenada e sua vizinhana
[1][2][3][4]. Os tipos de vizinhos de um pixel podem ser assim definidos: (i) os vizinhos
mais prximos de um pixel p, de coordenadas (i,j), os pixels de coordenadas (i+1,j), (i-1,j),
(i,j+1) e (i,j-1); (ii) os vizinhos mais distantes, os pixels de coordenadas (i-1,j-1), (i-1,
j+1), (i+1,j-1) e (i+1,j+1). As vizinhanas tipicamente utilizadas em operaes locais esto
na Fig. 14. A vizinhana 4-conectada envolve os vizinhos mais prximos do pixel
considerado, enquanto a vizinhana 8-conectada envolve tanto os vizinhos mais prximos
quanto os mais distantes do pixel considerado. conveniente mencionar possvel processar
grades de pixels hexagonais, , que neste caso, operaes locais envolvero apenas os 6
vizinhos mais prximos (vizinhana 6-conectada).
Tipos de Vizinhan
Vizinhana
(x,y)
4-conectada
6-conectada
ie(x,y) is(x,y)
8-conectada
A
1 B
2 3
C
percentual de pixels
percentual de pixels
percentual de pixels
Fig. 15 Histogramas: (A) imagem com baixo contraste; (B) imagem usando toda a faixa de tons
de cinza, com dois tons de cinza dominantes; e (C) imagem usando toda a faixa de tons
de cinza, com componentes ocupando a faixa de modo mais eqidistante.
Muitas operaes pontuais usam o histograma como parmetro de deciso para fornecer
resultados para o pixel da imagem processada, como se pode ver nas subsees a seguir.
h(nce)
A 255
0
255 nce
ncs
ncs
255
255
Imagem original Imagem com escala
de cinza invertida
0
h(ncs)
255 nce
255
ncs
LUT
6 8 10 12 14
nce ncs
0 0
1 0
2 0
4
3 0
2
4 0
0
5 2
0 2 4 6 8 10 12 14 6 4
s cs
)
7 6
h(n
nce
h(n
e ce
) 8 8
9 10
10 12
11 13
12 15
A 13 15
14 15
15 15
0 2 4 6 8 10 12 14
nce Assntotas
ncs ncs
255 255
ncs =C2.log(Knce)+C1
C1
Imagem original 0 0 1/
255 nce K 255 nce
Imagens apresentam reas com diferentes respostas espectrais, delimitadas por reas
geralmente estreitas denominadas bordas. Tais limites usualmente ocorrem entre objetos ou
feies distintas presentes na imagem (e.g. regies de um rosto, feies naturais ou artificiais
em imagens multiespectrais da superfcie terrestre, estruturas de um corpo em imagens
mdicas), podendo tambm representar o contato entre reas com diferentes condies de
iluminao, em funo dos ngulos formados entre a radiao incidente e os planos da cena
imageada. Assim sendo, as bordas representam, em imagens monocromticas, alteraes
bruscas entre intervalos de nveis de cinza [3]. Sua representao grfica caracterizada por
gradientes acentuados. Correspondem usualmente a feies de alta freqncia - limites entre
reas iluminadas e sombreadas, redes naturais (e.g. drenagem) e artificiais (e.g. de
transporte), dentre outras. Em contraponto, os alvos que variam mais uniformemente com a
p7 p8 p9
Transforma
Transformao
Parmetros 0 Preto
Tons
de
cinza
255 Branco
O filtro da mdia de ordem n produz como valor do pixel processado, a cada iterao da
convoluo da mscara de filtragem com a matriz de imagem original, a mdia aritmtica dos
valores dos pixels em uma vizinhana de (i, j) contendo n pixels. Assim sendo, a suavizao
produzida funo do tamanho da vizinhana considerada: quanto maiores as dimenses da
mscara utilizada, mais forte ser a suavizao das bordas das regies na imagem filtrada. Na Fig.
20, ilustra-se o efeito de filtragem de uma imagem ruidosa com mscaras 3x3 e 5x5.
A B C D
Fig. 20 Filtro da mdia: (A) imagem original; (B) imagem ruidosa; (C) imagem filtrada
com mscara 3x3; e (D) imagem filtrada com mscara 5x5.
Analogamente operao da mdia aritmtica no filtro da mdia, o filtro da mediana de
ordem n produz como valor do pixel de sada a mediana dos valores dos pixels da imagem de
entrada em uma vizinhana de (i, j) contendo n pixels. Vale ressaltar que a mediana de um
conjunto de n pixels ordenados por valor o valor do pixel na posio central da lista
ordenada, se n for mpar, ou a mdia dos valores dos dois pixels nas posies centrais da
lista, se n for par. No caso de uma vizinhana 3 x 3 com os valores 21, 22, 17, 21, 19, 17, 21,
20, 23, aps a ordenao a seqncia ser 17, 17, 19, 20, 21, 21, 21, 22, 23. Deste modo, a
mediana ser o valor central da seqncia ordenada, i.e., o valor do quinto elemento da lista,
21. Embora o filtro da mediana tambm tenda a produzir uma suavizao proporcional ao
tamanho da vizinhana considerada, a preservao da definio das bordas das regies na
imagem filtrada tende a ser superior do que no filtro da mdia. Na Fig. 21, ilustra-se uma
comparao dos efeitos produzidos pelo filtro da mdia 3x3 (Fig. 21(C)) e da mediana 3x3
(Fig. 21(D)) sobre uma imagem ruidosa (Fig. 21(B)).
A B C D
Fig. 21 Filtros da mdia e mediana: (A) imagem original; (B) imagem ruidosa;
(C) mdia 3x3; e (D) mediana 3x3.
O filtro da moda de ordem n produz como valor do pixel de sada a moda dos valores
dos pixels da imagem de entrada em uma vizinhana de (i, j) contendo n pixels (a moda de
uma srie de valores o valor mais freqente da srie). Se a seqncia contiver dois ou mais
valores com a mesma freqncia de ocorrncia, pode-se definir a mdia ou mediana dos
valores em questo como valor de g(i, j).
Enquanto os filtros da mdia, da moda e da mediana so empregados na suavizao
de imagens, outra categoria de filtros espaciais, tais como os operadores de gradiente [3],
produzem a acentuao ou aguamento de regies de uma imagem nas quais ocorrem
variaes significativas de nveis de cinza. Define-se como gradiente de uma funo f,
que uma representao da taxa de variao de f(i, j) por unidade de distncia no sentido de
G. A equao (11) embasa uma srie de abordagens de diferenciao de imagens digitais.
Uma propriedade importante da amplitude do gradiente a sua isotropia, i.e., a
independncia em relao direo do gradiente, o que possibilita a deteco de bordas
independentemente da sua orientao. As desvantagens apresentadas por este operador so
ser no-linear e perder a informao da direo das bordas (devido ao clculo dos
quadrados).
O clculo do gradiente pode ser obtido atravs de aproximaes numricas. Na
horizontal, a aproximao dada pela diferena dos nveis de cinza de dois pixels
consecutivos, i.e., Gx = f(i, j) f(i+1, j) e, similarmente, na vertical por Gy = f(i,j+1) f(i, j).
A estimao do gradiente a partir de aproximaes numricas apresenta como desvantagem o
clculo da derivada horizontal e a vertical em pontos diferentes:
G y = 1
G x = [1 1] 1 ,
e (13)
G x = 1 1 G y = 1 1
1 1 e 1 1 , (14)
Pode-se obter a 2 derivada a partir do Laplaciano dos nveis de cinza da imagem f(x,y):
2 f 2 f
2 f = + (15)
i 2 j 2
Borda suavizada 1 derivada 2 derivada
Embora haja uma grande variedade de operadores de gradiente, sero mencionados aqui
apenas os operadores de Roberts, Prewitt e Sobel. O operador de Roberts (2 x 2) executa o
gradiente cruzado, i.e.,o clculo das diferenas dos nveis de cinza executado em uma
direo rotacionada de 45, ao invs do clculo nas direes horizontal e vertical.
G x = 1 0 G y = 0 1
0 1 e 1 0 (17)
partir da qual uma pequena rea relacionada a um pixel alterada para um dado padro.
Todavia, dependendo do tipo de imagem sendo processada (preto e banco, tons de cinza ou
colorida) a definio destas operaes muda, de forma que cada tipo deve ser considerado
separadamente. As demais operaes e transformaes baseiam-se nos operadores bsicos
dos conjuntos, algumas interativas, e nos dois operadores bsicos da morfologia matemtica.
Seja a imagem da Fig. 23, na qual h dois objetos ou conjuntos de pixels A e B.
Considere-se que os valores que os pixels podem assumir so binrios, i.e., 0 ou 1, o que
2
permite restringir a anlise ao espao discreto Z .
n
O objeto A consiste dos pontos com pelo menos uma propriedade em comum, a saber:
Objeto A: A = { propriedad e ( ) = Verdade } (20)
Assim sendo, o objeto B da Fig. 23 consistir de {[-2,0][-1,0][0,0][0,1]}. O fundo da
imagem de A, denominado AC (complemento de A), consistir de todos os pontos que no
pertencem ao objeto A:
Fundo: AC = { A} (21)
As operaes fundamentais associadas com um objeto so o conjunto padro de
C
operaes: unio ({}), interseo ({}) e complemento ({ }) com translao. Dado um
vetor x e um conjunto A, a translao, A + x, definida como:
Translao: A + x = { + x A } (22)
O conjunto bsico de operaes de Minkowski [12], adio e subtrao, pode ser
definido em funo das consideraes anteriores. Dados dois conjuntos A e B contidos em um
conjunto C, a soma de Minkowski de A e B o subconjunto de C, denotado A B, dado por:
{
A B = x C : a A e b B , x = a + b } (23)
AB = {y C : b B ,( a A, y = a b} (24)
m m
A B
Fig. 24 - Elementos estruturantes: (A) padro N4; e (B) padro N8.
A dilatao, em geral, faz com que o objeto cresa no tamanho. Buracos menores do
que o elemento estruturante so eliminados e o nmero de componentes pode diminuir. Por
sua vez, a eroso reduz as dimenses do objeto. Objetos menores do que o elemento
estruturante so eliminados e o nmero de componentes pode aumentar. O modo e a
magnitude da expanso ou reduo da imagem dependem necessariamente do elemento
estruturante B. A aplicao de uma transformao de dilatao ou eroso a uma imagem sem
a especificao de um elemento estruturante, no produzir nenhum efeito.
3.5 Segmentao
Em processos de anlise de imagens, faz-se necessria a extrao de medidas,
caractersticas ou informao de uma dada imagem por mtodos automticos ou semi-
automticos. A primeira etapa da anlise de imagem , em geral, caracterizada por sua
segmentao [3], que consiste na subdiviso da imagem em partes ou objetos constituintes.
Algoritmos de segmentao possibilitam a identificao de diferenas entre dois ou mais
objetos, assim como a discriminao das partes, tanto entre si quanto entre si e o
background. No tocante segmentao de imagens monocromticas, os algoritmos
fundamentam-se, em essncia, na descontinuidade e na similaridade dos nveis de cinza. A
fundamentao na descontinuidade consiste no particionamento da imagem em zonas
caracterizadas por mudanas bruscas dos nveis de cinza. O interesse recai usualmente na
deteco de pontos isolados, de linhas e de bordas da imagem. Por outro lado, a
fundamentao na similaridade consiste na limiarizao e no crescimento de regies.
conjunto de propriedades que ser usado para atribuir os pixels s diferentes regies pr-
definidas, durante o processo de crescimento. Caso o resultado de tal clculo implique
agrupamentos de valores das propriedades, os pixels cujas propriedades se localizarem mais
perto do centride desses agrupamentos podero ser usados como sementes.
Padro Extrao de
Aprendizagem
da Amostra Caractersticas
4 Exemplos de Aplicaes
O objetivo desta seo fornecer exemplos que abordem alguns dos conceitos e operaes
apresentadas nas sees anteriores. Com o fim de promover a disseminao da rea no Brasil, os
exemplos de aplicaes apresentados a seguir foram selecionados dos anais do principal evento
nacional da rea, o Simpsio Brasileiro de Computao Grfica e Processamento de Imagens.
caractersticas perceptivas foram obtidas a partir da anlise direcional dos pixels e incluram as
posies e tamanho das linhas ascendentes, descendentes e loops fechados, alm dos ngulos das
concavidades e uma estimativa para o tamanho da palavra. A ausncia de uma essas
caractersticas numa sub-regio particular foi indicada pelo valor 1. Para o classificador de
Modelos de Markov Escondidos, a partir do histograma de projeo horizontal dos pixels da
imagem do manuscrito, trs zonas foram definidas: ascendente, corpo e descendente. Um
processo de segmentao varivel, dependente das transies escuro-claro presentes na linha
central da palavra, aplicado. Em seguida, para cada segmento, foram identificadas
caractersticas perceptivas e caractersticas baseadas em deficincias na concavidade/
convexidade dos traos encontrados nesses segmentos. Na avaliao experimental, 3600
imagens de manuscritos contendo os meses do ano foram utilizadas para treinamento, 1200
para teste e 1200 para validao dos classificadores. Como resultado, verificou-se que a
melhor taxa de reconhecimento ocorreu para o classificador neural utilizando caractersticas
perceptivas (81,8%), enquanto foi possvel obter uma taxa de reconhecimento muito superior
combinando 3 classificadores (um baseado em Modelos de Markov Escondidos e 2 baseados
em Redes Neurais), com um resultado de 90.4% de correta classificao.
vizinho mais distante baseada nas transies entre cores. Para dois pixels p1 e p2, de cores
(r1,g1,b1) e (r2,g2,b2), foi definida uma medida de distncia d como sendo: d = | r1- r2| + | g1-
g2| + |b1- b2|. Considerando que cada componente de cor varia de 0 a 255, ento d varia de 0 a
765. A partir de uma vizinhana de 4 pixels (acima, abaixo, esquerda e direita), um vizinho p2
de p1 considerado como sendo o vizinho mais distante se a medida d para p2 for a maior de
todas as distncias dentro da vizinhana. A mtrica de saturao de um pixel p = (r,g,b)
definida como |m - n|, em que m e n so os valores mnimo e mximo entre os valores de r,g e
b, respectivamente. A mtrica do histograma de cores definida a partir da correlao entre o
histograma de uma imagem t de teste e os histogramas mdios para um conjunto de referncia f
de fotografias e outro conjunto de referncia g para grficos. Supondo a = C(Ht, Hf) e b = C(Ht,
Hg), em que C a correlao (produto interno) entre dois histogramas, a mtrica do histograma
de cores foi definida como s = b / (a + b). Claramente, a medida que a aumenta, s tambm
aumenta, e, medida em que b aumenta, s diminui. Assim, espera-se que fotografias tenham
uma resposta maior em s quando comparadas a grficos. A mtrica do histograma do vizinho
mais distante baseou-se nas mesmas premissas da mtrica do vizinho mais distante, mas
fornece uma forma diferente de testar a imagem. A mtrica da proporo definida como m /
l, em que m o valor mximo entre a altura e a largura da imagem e l o valor mnimo.
Finalmente, a mtrica da menor dimenso simplesmente o valor de l.
Na fase experimental, foram definidos dois conjuntos de treinamento, contendo
grficos e fotografias nos formatos e imagem GIF (3058 grficos e 1350 fotografias) e JPEG
(1434 grficos e 4763 fotografias). Para cada conjunto de treinamento, foram extradas as
mtricas discutidas acima e cada vetor de caractersticas de uma dada imagem recebeu um
rtulo (grfico ou fotografia) atravs de inspeo visual da imagem. A aplicao do
algoritmo ID3 gerou uma rvore de deciso para a classificao de cada conjunto. As taxas
mdias de classificao correta em imagens de teste, no utilizadas durante o treinamento,
corresponderam a 97,3% para imagens GIF e 93,9% para imagens JPEG, com desvios
padro de 1,6 e 2,6, respectivamente.
5 Consideraes Finais
O presente tutorial forneceu uma viso geral da rea de PDI, tendo como um dos objetivos
despertar, por parte de alunos brasileiros de nvel tcnico e superior, o interesse pela rea. Outro
objetivo foi o de permitir uma reciclagem ou um primeiro contato de profissionais dos diferentes
setores da economia, cujas atividades envolvam alguma informao baseada em imagens. Por se
tratar de uma rea bastante ampla, no foi possvel incluir todos os possveis tpicos relevantes,
mas procurou-se fornecer um mnimo de detalhes associados a cada etapa de processamento em
um sistema tpico de PDI, da aquisio classificao. Para aqueles interessados em se
aprofundar nos tpicos pouco explorados, e.g. segmentao, extrao de caractersticas e
classificao, ou em outros tpicos igualmente importantes que no puderam ser includos neste
documento por restries de espao, e.g. transformaes geomtricas, representao no domnio
da freqncia (transformada de Fourier e Wavelets), tcnicas de compresso, dentre muitos
outros, podero faz-lo consultando as referncias apresentadas a seguir.
Referncias
[1] JHNE, B. Digital Image Processing. Springer-Verlag, 2002.
[2] ACHARYA, T., RAY, A. K. Image Processing- Principles and Applications. John
Wiley & Sons, Inc. 2005.
[3] GONZALEZ, R., WOODS, P. Digital Image Processing. Prentice Hall, 2002, 2nd ed.
[4] FORSYTH, D., PONCE, J. Computer Vision: A modern approach. Prentice Hall, 2001.
[5] JHNE, B., HAUSSECKER, H. (Eds.) Handbook of Computer Vision and
Applications. Academic Press, 2000.
[6] RENCZ, A. N., RYERSON. R. A. (Eds.) Manual of Remote Sensing, Remote Sensing
for the Earth Sciences. John Wiley & Sons, Inc. 1999, 3rd ed.
[7] HANSEN, C. D., JOHNSON, C. R. Visualization Handbook. Elsevier, 2005.
[8] RUSS, J. C. The image processing handbook. CRC Press LLC, 2000 3rd ed.
[9] BANKMAN, I. (Ed.) Handbook of Medical Imaging: Processing and Analysis.
Academic Press. 2000.
[10] MATHERON, G. Random sets and integrated geometry. Wiley, 1975.
[11] SERRA, J. Introduction to mathematical morphology, Computer Vision, Graphics and
Image Processing, 35(3):283305, September 1986.
[12] SERRA, J. Image analysis and mathematical morphology. Academic Press, London, 1988.
[13] DOUGHERTY, E. R., LOTUFO, R. A. Hands-on Morphological Image Processing,
SPIE Press, Bellingham, 2003, 1st ed.
[14] CESAR JR, R. M., COSTA, L. F. Shape Analysis and Classification Theory and
Practice. CRC Press, 2001.
[15] HAYKIN, S. Neural Networks: A Comprehensive Foundation. Prentice Hall. 1998. 2nd ed.
[16] DUDA, R. O. Pattern Classification, John Wiley & Sons, Inc., 2000, 2nd ed.
[17] LOPES, L. M., CONSULARO, L. A. A RBFN Perceptive Model for Image
Thresholding, Proc. of SIBGRAPI, pp 225-232, 2005.
[18] YONEKURA, E., FACON, A. J. 2-D Histogram-based Segmentation of Postal
Envelopes, Proc. of SIBGRAPI, pp 247-251, 2003.
[19] OLIVEIRA JR., J. J., CARVALHO, J. M., FREITAS, C. O. A., SABOURIN, R.
Evaluating NN and HMM Classifiers for Handwritten Work Recognition, Proc. of
SIBGRAPI, pp 210-217, 2002.
[20] OLIVEIRA, C. J. S., ARAJO, A. A., SEVERIANO JR, C. A.., GOMES, D. R.
Classifying Images Collected on the World Wide Web, Proc. of SIBGRAPI, pp 327-
334, 2002.