Universidade Federal Rural de Pernambuco

Unidade Acadêmica de Garanhuns

Bacharelado em Ciência da Computação
Reconhecimento de Padrões 2018.2

Anderson Melo de Morais

LISTA DE EXERCÌCIOS II

Questão 1 - (a) implemente o filtro passa-baixa ideal em que todas as frequências acima da
frequência de corte Wc são retiradas da imagem:

Na figura abaixo mostramos o código referente a implementação do filtro de passa-baixa

ideal, onde passamos a imagem para o domínio da frequência utilizando a transformada de Fourier e
em seguida eliminamos todas as frequências que estão acima da frequência de corte Wc que é
definida:
Apresente a representação gráfica dos filtros no domínio da frequência e os resultados
obtidos após a filtragem LSI de uma imagem de teste. Aplique (i) wc = π/8, (ii) wc = π/4 e (iii)
wc = 3*π/8
Resultados obtidos:
(i) wc = π/8 – Para a frequência de corte π/8 temos apenas uma pequena região delimitada
pela frequência de corte, isso fará que poucos valores passem, o que resultará em uma
imagem um tanto desfocada, como podemos ver na sub-imagem resultado abaixo, na
imagem apresentamos também a representação da imagem no domínio da frequência,
magnitude:

(ii) wc = π/4 - No segundo teste utilizamos a frequência de corte π/4, e obtivemos os

resultados abaixo, um filtro de espessura um pouco maior que resulta em uma imagem
suavizada porém com mais detalhes que no caso anterior:

(iii) wc = 3*π/8 - Por fim aplicamos a frequência de corte 3π/8 que gera um filtro com região de
corte um pouco maior, que permite a passagem de mais frequências, o que gera uma
imagem resultante com pouca suavização e com uma riqueza de detalhes semelhante a
da imagem original, como podemos perceber pela imagem abaixo:
(b) implemente o filtro Butterworth passa-baixa:
Abaixo é apresentado um trecho do código implementado, onde podemos ver a função
transformada_fourier que recebe uma imagem e utiliza a função ftt2() do numpy para fazer a
transformada de Fourier e levar a imagem para o domínio da frequência, em seguida definimos o
filtro_butterworth() e a função passa_baixa() que realizará a aplicação o filtro sobre a imagem de
entrada.
(i) wc = π/8 - Aplicamos o filtro implementado na imagem mostrada abaixo, inicialmente com
frequência de corte π/8 que gera uma imagem com grande suavização o que acarreta na
perda de muitos detalhes

(ii) wc = π/4 - Testamos também com a frequência de corte π/4, que resulta em um filtro um
pouco maior e realiza uma melhor suavização na imagem, mantendo uma boa riqueza de
detalhes.

(iii) wc = 3*π/8 - Finalmente, aplicamos a frequência de corte 3π/8 que resulta em um filtro
maior que permite a passagem de mais frequências e realiza uma suavização menor na
imagem, como podemos perceber na imagem abaixo:
(c) Quais diferenças visuais podem ser encontradas nos resultados finais das filtragens utilizando os
filtros ideais e os filtros de Butterworth?

Abaixo podemos visualizar duas imagens, a da esquerda gerada pelo código da letra a, o filtro passa
baixa ideal com frequência de corte π/8 e a da direita gerada pelo código da letra b, o filtro de
Butterworth também com a mesma frequência de corte π/8. A diferença visual é muito sutil, mas a
sensação que tenho que é a da direita apresenta uma suavização melhor, com menos ruídos. Ao
lado do bico da ave do lado esquerdo há a presença de traços brancos gerados provavelmente pelo
processo de aplicação do filtro, o que não acontece na da esquerda.

(d) Implemente o filtro Butterworth passa-alta:

Para a implementação deste filtro reutilizamos boa parte do código da questão b, alternando apenas
a equação de cálculo do filtro, este filtro realizará a um aguçamento nas bordas das imagens
conforme veremos nos exemplos abaixo.
(i) wc = π/8 - Para a frequência de corte de π/8, temos os resultados mostrados abaixo:
Resultado ampliado:

(ii) wc = π/4 – testando agora para a frequência de corte π/4, obtemos o seguinte resultado:

Resultado ampliado:
 Podemos perceber na imagem acima uma menor intensidade nas bordas, isso se deve a
frequência de corte que foi escolhida, de π/4.
(iii) wc = 3*π/8 – Por fim, utilizando a frequência de corte 3π/8, obtemos isso:

Resultado ampliado:

(e) Realize o processamento de uma imagem de entrada x(n1; n2) sobrepondo o componente
derivativo x0(n1; n2) ao sinal original:
Nas imagens acima podemos visualizar a esquerda a imagem original e a direita a imagem
resultante, que sofreu a operação de acréscimo y(n1; n2) = x(n1; n2) + x’(n1; n2) , como resultado
podemos perceber um aguçamento nas bordas da imagem resultante que se deve a soma das
intensidades dos pixel originais da borda aos pixels da imagem x’(n1; n2).
Questão 2 –
Nesta questão realizamos a implementação do método de Canny, que tem como objetivo detectar as
bordas dos elementos de uma imagem, a primeira etapa do método de canny consiste em realizar
uma suavização na imagem, essa funcionalidade não é feita diretamente pela função do OpenCV
que utilizamos, por isso utilizamos o filtro de butterworth passa baixa para suavizar a imagem e em
seguida aplica Canny definindo os parâmetros de Talto e Tbaixo e a norma que será usada para o
cálculo dos gradientes.

Abaixo apresentamos os resultados obtidos nos testes com o algoritmo de Canny:

Imagem original:
Testes realizados:
(i) Wc = π/8

(ii) Wc = π/4
 (iii) Wc = π/2

Como podemos perceber pelas imagens acima, para frequências de corte baixas como pi/8, temos uma baixa
detecção de bordas, pois o filtro será mais rigoroso nas frequências que irão passar, para o valor pi/4 já
temos um resultado melhor, com identificação de bordas em áreas da figura que não haviam sido detectadas
anteriormente. Conforme a frequência de corte vai aumentando mais frequências vão sendo permitidas e
mais bordas vão sendo detectadas na imagem como aconteceu no teste com pi/2. Identificar a qual
frequência de corte é mais adequada irá depender dos propósitos que se deseja utilizar a imagem
processada, no caso analisado eu diria que a mais adequada seria a 2ª encontrada com a frequência de corte
pi/4, pois ela identifica de forma bem uniforme as bordas da superfície do labirinto, ignorando quase que
totalmente os ruídos e as linhas da profundidade.

Questão 3 –
O algoritmo de Canny é dividido em 4 etapas, que são elas:
1 – Redução de ruído: Utiliza um filtro Gaussiano e através de convolução suaviza ligeiramente os
elementos da imagem, isto é reduz o efeito de pixels ruidosos na imagem.
2 – Cálculo dos gradientes: Como a borda de uma imagem pode estar em vários sentidos é
necessário identificar em que sentido elas estão, se verticais, horizontais ou diagonais.
3 – Eliminação dos gradientes não máximos: Quando um valor de magnitude é menor que os seus
vizinhos na direção do gradiente ele é desconsiderado.
4 – Limiarização: Utiliza dois valores de limiares inicias, um alto e um baixo, e faz a verificação
selecionando os pixels que são maiores que o limiar máximo ou menor que o limiar máximo e maior
que o mínimo.

O método de Canny contem parâmetros que podem ser alterados e que afetarão diretamente o
resultado final, são eles:
 O filtro que será utilizado para a suavização do passo 1;
 Os limiares, Talto e Tbaixo aplicados no passo 4;

Mostraremos agora alguns exemplos de execução do algoritmo de Canny variando alguns

parâmetros:
Código utilizado:

Imagem de entrada:

Teste 1:
Parâmetros utilizados:
Filtro butterworth passa baixa para suavização, com frequência de corte pi/2
Algoritmo de Canny com Tbaixo = 100 e Talto=110

Resultado:

Teste 2:
Parâmetros utilizados:
Filtro butterworth passa baixa para suavização, com frequência de corte pi/4
Algoritmo de Canny com Tbaixo = 25 e Talto = 100

Resultado:

A frequência de corte utilizada no algoritmo de suavização na quantidade de frequências que o

algoritmo deixará passar, fazendo com que a imagem fique mais ou menos desfocada e isso irá
afetar no quanto de bordas o algoritmo de Canny irá “peceber”. Já os valores de Talto e Tbaixo
servem para determinar se um determinado elemento encontrado é de fato uma borda ou apenas
um ruído, valores próximos nessas duas variáveis apresentam resultados mais precisos, pois
tendem a identificar com mais exatidão as bordas.

Questão 4 – Utilize o algoritmo de Canny da questão anterior para detectar as bordas de uma
imagem digital:
Imagem original:

Bordas encontradas pelo algoritmo de Canny:

(a) O número de objetos segmentados;

(b) O perímetro da região de borda;
(c) A área da região segmentada em cada objeto;
(d) A posição do centro de massa de cada objeto;
Código utilizado: