Aula 16

SISTEMAS DE PROCESSAMENTO DIGITAL
2003-2004
Instituto Superior Politécnico de Viseu

Escola Superior de Tecnologia de Viseu
Curso de Engenharia de Sistemas e Informática
Processamento Digital de Sinal

Aula 16
4.º Ano – 2.º Semestre
Manuel A. E. Baptista, Eng.º

Manuel A. E. Baptista
Ernesto R. Afonso
Departamento de Informática 4 de Junho de 2004
2003-2004
Programa:
1. Introdução ao Processamento Digital de Sinal
2. Representação e Análise de Sinais
3. Estruturas e Projecto de Filtros FIR e IIR
4. Processamento de Imagem
5. Processadores Digitais de Sinal
6. Filtros na frequência
Ernesto R. Afonso

2003-2004
Bibliografia:
Processamento Digital de Sinal:
•Sanjit K. Mitra, “Digital Signal Processing – A computer based approach”, McGraw Hill, 1998
Cota: 621.391 MIT DIG
•Roman Kuc, “Introduction to Digital Signal Processing”, McGraw Hill, 1988.
Cota: 621.391 KUC INT
•Johnny R. Johnson, “Introduction to Digital Signal Processing”, Prentice-Hall, 1989.
Cota: 621.391 JOH INT
G. Proakis, G. Manolakis, “Digital Signal Processing – Principles, Algorithms Applications”, 3ª Ed, P-Hall, 1996.
Cota: 621.391 PRO DIG
•James V. Candy, “Signal Processing – The modern Approach”, McGraw-Hill, 1988
Cota: 621.391 CAN SIG
•Mark J. T., Russel M., “Introduction to DSP – A computer Laboratory Textbook”, John Wiley & Sons, 1992.
Cota: 621.391 SMI INT
•James H. McClellan e outros, “Computer-Based Exercises - Signal Proc. Using Matlab 5”, Prentice-Hall, 1998.
Cota: 621.391 MCC COM
Processamento Digital de Imagem:

Ernesto R. Afonso
•Rafael C. Gonzalez & Richard E. Woods, “Digital Image Processing ”, Prentice Hall, 2ª Ed., 2002.
Cota: 681.5 GON DIG.
•I. Pittas H. McClellan e outros, “Digital Image Processing Algorithms and Applications”, John Wiley & Sons, 2000.
Cota: 621.391 PIT.
•William K. Pratt, “Digital image processing”, John Wiley, 2ª Ed, 1991.
Cota: 681.5 PRA DIG
•Bernd Jãhne, “Digital image processing : concepts, algorithms, and scientific applications”, Springer, 1997.
Cota: 681.5 JAH
3
2003-2004
Avaliação:
A avaliação é composta pela componente teórica e componente prática
ponderadas da seguinte forma:
Classificação Final = 80% * Frequência ou exame + 20% * Prática
O acesso ao exame não está condicionado embora não tenha função de

melhoria, ou seja, se o aluno entregar a prova de exame, será essa a
classificação a utilizar no cálculo da média final independentemente da nota
da prova de frequência obtida.
A avaliação prática é constituída por trabalhos laboratoriais a executar

Ernesto R. Afonso
em MATLAB

2003-2004
Processamento de Imagem
• Segmentação
– Detecção de descontinuidades (bordos)
– Operador de derivada
– Operador de Gradiente
Operador Laplaciano
Ernesto R. Afonso
– Operador Logaritmo
2003-2004
Ernesto R. Afonso
Subdividir a imagem em elementos ou regiões

de interesse

2003-2004
Detecção de descontinuidades (bordos)

Operador de derivada
Perfil ao longo
Imagem de uma linha Primeira derivada Segunda derivada
horizontal
Ernesto R. Afonso
2003-2004
Operador de Gradiente
 ∂f 
Gx   ∂x 
Gradiente ∇f =   =  ∂f 
G y   
 ∂y 
Magnitude [
∇ f = mag (∇ f ) = G x2 + G y2 ] 1/ 2
≈ Gx + G y
 Gy 
Ângulo α ( x, y ) = tag −1  
 Gx 
-1 -2 -1 -1 0 1
Ernesto R. Afonso
Kernel de Kernel de
Sobel para Gx 0 0 0 Sobel para Gy -2 0 2
1 2 1 -1 0 1

2003-2004
Operador Gradiente: Exemplo
Imagem Original Após Gx

Ernesto R. Afonso
Após Gy Gradiente
9
2003-2004
Operador Laplaciano
Laplaciano ∂2 f ∂2 f
∇ f = 2 + 2
2
∂x ∂y
0 1 0 1 1 1
Kernel 1 -4 1 1 -8 1
0 1 0 1 1 1
Vantagens:
inaceitavelmente sensível a ruído!
Ernesto R. Afonso
não detecta direcção da transição.

Desvantagens:
☺ determina se um pixel está na parte escura ou clara do bordo.
☺ localiza as bordas usando a propriedade de zero-crossing.
10

2003-2004
Operador Logaritmo
- Para contornar os problemas do operador Laplaciano aplica-se:
- primeiro um filtro passa-baixo Gaussiano,
- depois, ao resultado, o operador Laplaciano.
- Como a convolução é associativa,
- pode fazer-se o Laplaciano do filtro Gaussiano, e
- aplicar-se o resultado à imagem.
Secção transversal
de LOG
 ∂2 ∂2  −1  x2 + y2 
LOG ( x, y ) =  2 + 2  exp − 
 ∂x ∂y  2πσ 2
 2σ 2

-σ σ
−1  x2 + y2   x2 + y2 
Ernesto R. Afonso
= 2 −  exp − 
2πσ 2  σ 2   2σ 2

11
2003-2004
Operador logaritmo: Kernel e exemplo
• O kernel para o filtro LOG deve satisfazer as condições:

- O domínio: um disco de raio. 3 2σ  1 2 1
- Soma dos elementos nula.
• Exemplo: Kernel de 3x3 k× 2 -12 2
• Ocorre uma passagem por zero quando um pixel tem um 1 2 1
valor <-t e um dos seus vizinhos tem valor >t.
• Exemplo:
Ernesto R. Afonso
Zero-cross
12

2003-2004
Perseguição de Bordos - processamento local

• Problema:
Todas as técnicas de detecção de bordos não produzem contornos contínuos e fechados (ver
slide anterior). É preciso preencher as interrupções nos contornos.
• Algoritmo:
1- Aplica-se um algoritmo de detecção de bordas,
2- Pixeis numa vizinhança de cada pixel da borda são analisados,
3- Pixeis similares são ligados.
• Exemplo de critério de similaridade:

– Um pixel da borda em (x’,y’) numa vizinhança pré-definida do pixel em (x,y) é similar ao pixel
em (x,y), se:
∇ f ( x , y ) − ∇ f ( x ′, y ′ ) ≤ T α ( x , y ) − α ( x ′, y ′ ) ≤ A
E
Ernesto R. Afonso
Limiar de magnitude Limiar de ângulo
13
2003-2004
Perseguição de Bordos - processamento local - exemplo
Imagem original Gy
Ernesto R. Afonso
Gx Após perseguição de bordos
14

2003-2004
Perseguição de Bordos - processamento global
Outra abordagem: contabiliza-se o número de pixeis no contorno que estão

sobre uma curva de forma conhecida. Se houver muitos, preenchem-se os que
faltam.
Um exemplo de formulação do problema: determinar o número de pontos da
borda que estão sobre uma mesma recta.
Solução trivial:
Seja uma imagem de n pontos.
determinam-se as rectas definidas por cada par de pontos, e
encontram-se os pontos próximos de cada recta.
determinam-se n(n-1)/2 ≈n2 retas, e fazem-se (n) (n(n-1)/2) ≈n3 comparações

Ernesto R. Afonso
Solução
Transformada de Hough
inteligente
15
2003-2004
Transformada de Hough
Dados os coeficientes angular (a) e linear (b) de uma recta, pode-se determinar as
coordenadas (x,y) dos pontos que estão sobre a recta pela equação:
y = a x + b.
De outra forma, dado um ponto nas coordenadas (x,y) pode-se determinar os
coeficientes angulares e lineares das rectas que o contém, pela equação:
b= -xa + y
bmin bmax
b' amin b
y b
(xi,yi) b= -xia+yi
a'
Ernesto R. Afonso
(xj,yj) amax
x a
b= -xja+yj a A(i,j)
matriz acumuladora
16

2003-2004
Transformada de Hough - continuação
Procedimento: bmin bmax

A matriz acumulador é inicializada a zero,
amin b
Para cada ponto pertencente à borda nas
coordenadas (x,y), varre-se o eixo a (a assume
cada subdivisão de valor admissível),
Para cada valor de ai determina-se o valor de bj
correspondente usando a equação bj= -xai + y,
arredondando para o valor mais próximo,
amax
Incrementa-se a célula A(i,j).
a A(i,j)
Ao final A(i,j) contém o número de pontos do plano (x,y), que estão sobre
a reta y=aix+bj.
Ernesto R. Afonso
Para cada ponto (x,y) produzem-se K valores de b correspondentes aos

K possíveis valores de a. Com n pontos na imagem, o método envolve
nK cálculos!!!!
17
2003-2004
Transformada de Hough - continuação
Para retas próximas à vertical tanto a quanto b se aproximam de infinito.

Solução usar coordenadas polares:
x cos θ + y sen θ = ρ
θmin θmax
y ρmin b
θ
ρ
Ernesto R. Afonso
ρmax
x a
18

2003-2004
Transformada de Hough - ilustração e generalização

5
•Ilustração:
eixo y B
1 2 4 3
e +ρ A
i 1
x 3 0
o 2
-ρ
x
4 5 -90º -θ 0 +θ 90º
•Generalização:
Ernesto R. Afonso
Válida para qualquer função da forma g(v,c), onde v é um vector de coordenadas e

c é um vector de coeficientes.
Por exemplo, para um círculo, (x-c1)2 + (y-c2)2 = c32, a matriz acumuladora terá 3
dimensões, uma para cada coeficiente (c1,c2,c3) - A(i,j,k).
19
2003-2004
Transformada de Hough - Resumo e exemplo

Resumo:
1) computar o gradiente da imagem,
2) especificar as subdivisões do plano ρθ,
3) examinar as células acumuladores, procurando as contagens mais altas,
4) examinar as relações (principal/ continuidade) entre pixeis na célula escolhida.
Exemplo
Ernesto R. Afonso
imagem infravermelho gradiente conectar pixels da borda quando:

- ∈ 3 células de maior contagem
- vão menor ou igual a 5 pixels
20

2003-2004
Limiarização - Fundamentos
T T1 T2
Objecto claro em fundo escuro Dois objectos de intensidades
diferentes em fundo escuro
alguma
Operação propriedade
1 if f (x, y ) > T
T = T [x, y, p(x,y),f(x,y)] g ( x, y ) = 
if f ( x, y ) ≤ T
0
Ernesto R. Afonso
T = T [f(x,y)] T = T [p(x,y),f(x,y)] T = T [x, y, p(x,y),f(x,y)]

global local dinâmico
21
2003-2004
A interferência da Iluminação
× =
f(x,y) i'(x,y) g(x,y)
histograma histograma T não nítido

de f(x,y) de g(x,y)
T nítido
Ernesto R. Afonso
22

2003-2004
Compensação de Iluminação: alguns algoritmos

Quando a fonte de iluminação é acessível,
1) projecta-se o padrão de iluminação sobre um fundo claro de reflectância constante,
produzindo uma imagem g(x,y) = k i(x,y), (k é uma constante).
2) Para qualquer imagem f(x,y) = i(x,y) r(x,y), obtida com o mesmo padrão de iluminação,
divide-se f(x,y) por g(x,y), obtendo-se f(x,y)/g(x,y)= r(x,y)/k.
3) Se r(x,y) pode ser segmentada usando o limiar T, então f(x,y)/g(x,y ) = r(x,y)/k pode ser
segmentada utilizando o limiar T/k.
Quando a fonte de iluminação não é acessível,

1) a maioria dos algoritmos supõe que a iluminação varia suavemente ao longo da imagem, isto é, tem
componentes preponderantemente nas baixas frequências;
2) em geral, subtrai-se da imagem original uma versão “borrada” da própria imagem, isto é:
g(x,y) = f(x,y) - k T [(x,y)]

Ernesto R. Afonso
filtro
0<k<1
passa-baixo
23
2003-2004
Limiar global - exemplo

• Escolhe-se um único limiar válido para toda a imagem.
• Exemplo:
T=0.5
imagem original imagem limiarizada

Ernesto R. Afonso
24

2003-2004
Limiar Óptimo - algoritmo de Otsu

P(i)
Otsu procura um limiar t, tal que a variância
intragrupo (média ponderada da variância fundo objecto
da intensidade dos pixeis do objecto e do
fundo) seja mínima.
σ1(t) σ2(t)
q1(t) q2(t)
σ 2
W (t ) = q1 (t ) σ (t ) + q 2 (t ) σ (t )
1
2 2
2
i
t
variância da intensidade dos pixeis do objecto
proporção na imagem dos pixeis do objecto

variância da intensidade dos pixeis do fundo

Ernesto R. Afonso
proporção na imagem dos pixels do fundo
variância intragrupo
25
2003-2004
Limiar Óptimo - algoritmo de Otsu (continuação)
proporção dos proporção dos

pixeis do fundo pixeis do objecto
t
variância
q1 (t ) = ∑ P (i )
L −1
intragrupo q 2 (t ) = ∑ P (i )
i=0 i = t +1
σ W2 (t ) = q1 (t ) σ 12 (t ) + q 2 (t ) σ 22 (t ) percentagem de pixeis
com intensidade i.
variância da intensidade do fundo: variância da intensidade do objecto:

t
σ (t ) = ∑ [i − µ 1 (t )] P (i ) /q1 (t )
L −1
∑ [i − µ (t )] P (i ) /q (t )
2
σ (t ) =
2 2
2
1
2 2 2
i=0
i = t +1
Ernesto R. Afonso
intensidade média do fundo intensidade média do objecto

t L −1
µ 1 (t ) = ∑ i P (i ) /q1 (t ) µ 2 (t ) = ∑ i P (i ) /q (t )
2
i=0 i = t +1
26

2003-2004
Limiar Óptimo - algoritmo de Otsu (continuação)
variância
intergrupo
σ B2 (t ) = q1 (t ) [1 − q1 (t )] [µ1 (t ) − µ 2 (t )]2
Após simplificações, procura-se o valor de t que minimiza:

Utilizam-se as seguintes fórmulas recursivas:
q1 (t ) = q1 (t − 1) + P (t ) , onde q1(0) = P(0)
q (t − 1)µ1 (t − 1) + t P (t )
µ1 (t ) = 1
, onde µ1(0) = 0 e
q1 (t ) µ1(t) = 0 para q1(t) = 0
média da imagem
L −1
µ = ∑ i P (i )
Ernesto R. Afonso
i=0
µ − q1 (t )µ1 (t )
µ 2 (t ) =
1− q1 (t )
27
2003-2004
Selecção do Limiar baseado nas características do bordo

Histograma ideal tem picos altos, estreitos, simétricos e vale profundo.
Para melhorar o histograma, consideram-se apenas os pixeis próximos do bordo.
Só os pixeis
próximos do bordo
Ernesto R. Afonso
28

2003-2004
Limiar baseado em mais de uma variável
Imagens coloridas do tipo RGB:

Para L níveis, forma-se uma matriz P de dimensão L×L×L,
P(i,j,k) contém a percentagem dos pixeis com componentes RGB
= i,j,k
Encontram-se os picos de P(i,j,k),
A segmentação associa um rótulo aos pixeis, cujas componentes
estão “próximas” dos picos.
Ernesto R. Afonso
29
2003-2004
Crescimento de uma Região por Agregação de Pixeis
Crescimento de uma Região é um procedimento que agrupa pixeis ou sub-

regiões em regiões maiores
Agregação de pixeis:
escolhe-se uma semente
agregam-se pixeis similares (intensidade, cor, textura, etc.) da vizinhança.
Exemplo:
0 0 5 6 7 a a b b b a a a a a
1 1 5 8 7 a a b b b a a a a a
0 1 6 7 7 a a b b b a a a a a
2 0 7 6 6 a a b b b a a a a a
Ernesto R. Afonso
0 1 5 6 5 a a b b b a a a a a
imagem original critério de similaridade: critério de similaridade:
diferença ≤ 3 diferença < 7
sementes
30

2003-2004
Agregação de Pixeis - comentários
encontrar uma semente adequada

– processar as características de cada pixel e procurar os agrupamentos, os
centros dos agrupamentos podem ser usados como sementes. No exemplo
anterior nota-se que os pixeis 1 e 7 são predominantes.
encontrar o critério de similaridade.
– usar características (por ex. momentos, textura, etc).
deve-se levar em conta a informação de conectividade ou adjacência.
critério de paragem.
– quando não há mais pixeis que satisfaçam o critério.

Ernesto R. Afonso
– pode-se levar em conta a “história” do crescimento (por ex. intensidade média

dos pixeis já agregados, ...).
31
2003-2004
Agregação de Pixeis - exemplo
Problema:
Isolar a região de um determinado metal na imagem de uma amostra de uma liga
metálica.
Critérios:
- A diferença absoluta do nível de cinza < 10% da diferença em toda a imagem.
- Cada pixel incluído deve estar em N8 de algum pixel incluído anteriormente.
Fases no processo de agregação:

Ernesto R. Afonso
32

2003-2004
Dividir e juntar Regiões
A ideia consiste em subdividir a imagem num conjunto arbitrário de regiões
disjuntas e misturar ou dividir as regiões dependendo de uma condição de
similaridade.
Procedimento:
Toma-se inicialmente toda a imagem como a região inicial R0,
Escolhe-se um predicado lógico P sobre os pixeis de uma região,
Subdivide-se R sucessivamente em regiões cada vez menores, até que para toda região
Ri , P(Ri) = verdadeiro,
Se P(Ri) = falso, subdivide novamente.
Regiões Ri e Rj adjacentes, para as quais P(Ri ∪ Rj) = verdadeiro, juntam-se.
Exemplo: decomposição em árvore de quadrados (“quadtree decomposition”).
Ernesto R. Afonso
33
2003-2004
Processamento de Imagem
• Pós-Processamento
– Operações Morfológicas
Ernesto R. Afonso
34

2003-2004
Ferramentas para extrair da imagem componentes úteis para

Ernesto R. Afonso
representar e descrever formas de regiões obtidas pela Segmentação

Técnicas de pós-processamento para corrigir imperfeições nas regiões
produzidas pela Segmentação
35
2003-2004
Pós-Processamento e Operações Morfológicas

Imagem Imagem
Imagem digital digital
física (regiões) regiões (atributos)
(pixeis) (pixeis)
Segmen- Pós-pro- Extracção Reconhe-

Aquisição Realce de
tação cessamento Atributos cimento
Operações Morfológicas (Morfologia Matemática):

• Uma imagem binária é tratada como um conjunto de pixeis brancos (ou pretos).
• Estes conjuntos são membros de um espaço bidimensional inteiro Z2, onde cada
Ernesto R. Afonso
.
elemento de um conjunto é dado pelo par de coordenadas (x,y) do pixel na imagem.
• A linguagem utilizada nas operações Morfológicas é a teoria de conjuntos.
• Estas operações restringem-se a imagens binárias.
36

2003-2004
Algumas definições básicas

x2 x2
•Translação:
x1 Ax
x1
Ax = {c | c = a + x , para a ∈ A} A
•Reflexão:
Bˆ = {x | x = − b , para b ∈ B } x2 B̂ x2
x1 x1
•Complemento B
A c = {x | x ∉ A}
A (A-B)
Ernesto R. Afonso
•Diferença
A − B = {x | x ∈ A, x ∉ B} B
Ac
37
2003-2004
Operações Morfológicas - DILATAÇÃO

•Definição { ()
A ⊕ B = x | Bˆ ∩ A ≠ ∅ x }
B̂
Exemplos: A A⊕ B
Ernesto R. Afonso
B̂
A
A⊕ B
Para elementos estruturais tipo ‘box’ 3x3, a Dilatação acrescenta ao objecto
os pixeis do fundo que tocam no objecto.
38

2003-2004
Operações Morfológicas - EROSÃO
•Definição A ⊗ B = x | Bˆ x ⊆ A { () }
B̂
Exemplo: A A⊗ B
Ernesto R. Afonso
B̂
A A⊗B
Para elementos estruturais tipo ‘box’ 3x3, a Erosão retira do objecto, os pixeis
dos bordos.
39
2003-2004
Operações Morfológicas - HIT&MISS

• Definição: ( )
A ∗ ( J , K ) = ( A ⊗ J ) ∩ A c ⊗ K , com J ∩ K = ∅
Exemplo:
Ĵ
A A⊗ J
A*K
Ernesto R. Afonso
K̂
Ac A⊗ K
Hit & Miss é uma ferramenta básica para detecção de formas.
40

2003-2004
Operações Morfológicas - ABERTURA e FECHO
Elemento Estrutural
Figura Original
•Abertura ( A D B) = ( A ⊗ B) ⊕ B
( A ⊗ B) ( A D B) = ( A ⊗ B) ⊕ B
•Fecho ( A • B) = ( A ⊕ B) ⊗ B
Ernesto R. Afonso
( A ⊕ B) ( A • B) = ( A ⊕ B) ⊗ B
41
2003-2004
Operações Morfológicas - ABERTURA e FECHO (exemplo)

Elemento Estrutural (B) é uma matriz 3x3 de “uns”.
(A D B ) (A • B )
Ernesto R. Afonso
Imagem Original A⊗ B (A ⊗ B )⊕ B ( A D B ) ⊕ B [( A D B ) ⊕ B ] ⊗ B
= AD B = (A D B )• B
42

2003-2004
Operações Morfológicas - variantes da EROSÃO - SHRINKING
‘Schrinking’ - a erosão é efectuada mas de modo a preservar intactos

os objectos de um pixel. Se a operação for repetida várias vezes, reduz
todos os objectos a pontos.
Ernesto R. Afonso
43
2003-2004
Operações Morfológicas - variantes da EROSÃO - THINNING
‘Thinning’ - a erosão é efectuada de modo a não quebrar objectos. Se

repetido várias vezes, reduz objectos a linhas, mostrando sua topologia.
Ernesto R. Afonso
44

2003-2004
Operações Morfológicas - variantes da EROSÃO - ESQUELETO

‘Esqueleto’ - produz o esqueleto de uma região (para cada pixel p do
interior de uma região, toma-se o pixel do bordo mais próximo; se há um
outro pixel do bordo à esta mesma distância, p pertence ao esqueleto da
região).
Ernesto R. Afonso
45
2003-2004
Operações Morfológicas - variantes da EROSÃO - PRUNING

‘Pruning’ - em geral as operações de ‘thinning’ e esqueleto contém
“cabelinhos” - são pequenos ramos que saem de intersecções de linhas.
Pruning reduz estes ramos.
Ernesto R. Afonso
46

2003-2004
Operações Morfológicas - variantes da DILATAÇÃO - THICKENING
‘Thickening’ - a dilatação é efectuada de modo a não fundir objectos.

Ernesto R. Afonso
47

Aula 16

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 16

Enviado por

Direitos autorais:

Formatos disponíveis

SISTEMAS DE PROCESSAMENTO DIGITAL

Instituto Superior Politécnico de Viseu

Processamento Digital de Sinal

Manuel A. E. Baptista, Eng.º

Departamento de Informática 4 de Junho de 2004

Departamento de Informática 4 de Junho de 2004

Processamento Digital de Imagem:

Departamento de Informática 4 de Junho de 2004

Classificação Final = 80% * Frequência ou exame + 20% * Prática

O acesso ao exame não está condicionado embora não tenha função de

A avaliação prática é constituída por trabalhos laboratoriais a executar

Departamento de Informática 4 de Junho de 2004

Departamento de Informática 4 de Junho de 2004

Subdividir a imagem em elementos ou regiões

Departamento de Informática 4 de Junho de 2004

Detecção de descontinuidades (bordos)

Departamento de Informática 4 de Junho de 2004

Departamento de Informática 4 de Junho de 2004

Operador Gradiente: Exemplo

Imagem Original Após Gx

Departamento de Informática 4 de Junho de 2004

não detecta direcção da transição.

Departamento de Informática 4 de Junho de 2004

Departamento de Informática 4 de Junho de 2004

Operador logaritmo: Kernel e exemplo

• O kernel para o filtro LOG deve satisfazer as condições:

Departamento de Informática 4 de Junho de 2004

Perseguição de Bordos - processamento local

• Exemplo de critério de similaridade:

Limiar de magnitude Limiar de ângulo

Departamento de Informática 4 de Junho de 2004

Perseguição de Bordos - processamento local - exemplo

Gx Após perseguição de bordos

Departamento de Informática 4 de Junho de 2004

Perseguição de Bordos - processamento global

Outra abordagem: contabiliza-se o número de pixeis no contorno que estão

determinam-se n(n-1)/2 ≈n2 retas, e fazem-se (n) (n(n-1)/2) ≈n3 comparações

Departamento de Informática 4 de Junho de 2004

Departamento de Informática 4 de Junho de 2004

Transformada de Hough - continuação

Procedimento: bmin bmax

Para cada ponto (x,y) produzem-se K valores de b correspondentes aos

Departamento de Informática 4 de Junho de 2004

Transformada de Hough - continuação

Para retas próximas à vertical tanto a quanto b se aproximam de infinito.

Departamento de Informática 4 de Junho de 2004

Transformada de Hough - ilustração e generalização

Válida para qualquer função da forma g(v,c), onde v é um vector de coordenadas e

Departamento de Informática 4 de Junho de 2004

Transformada de Hough - Resumo e exemplo

imagem infravermelho gradiente conectar pixels da borda quando:

Departamento de Informática 4 de Junho de 2004

T = T [f(x,y)] T = T [p(x,y),f(x,y)] T = T [x, y, p(x,y),f(x,y)]

Departamento de Informática 4 de Junho de 2004

f(x,y) i'(x,y) g(x,y)

histograma histograma T não nítido

Departamento de Informática 4 de Junho de 2004

Compensação de Iluminação: alguns algoritmos

Quando a fonte de iluminação não é acessível,

g(x,y) = f(x,y) - k T [(x,y)]

Departamento de Informática 4 de Junho de 2004

Limiar global - exemplo