PROCESSAMENTO DE IMAGENS

Prof. SIDNEY RODRIGUES DA CUNHA

Aluna:
Gardênia Ellen Oliveira de Souza (201801169)

Região de Interesse em Processamento de Imagem Digital

 Região de Interesse

Uma região de interesse (region of interest - ROI) é uma parte de uma

imagem que você deseja filtrar ou operar de alguma forma. A caixa de ferramentas
suporta um conjunto de objetos ROI que pode-se usar para criar ROIs de muitas
formas, como círculos, elipses, polígonos, retângulos e formas desenhadas à mão.
Após a criação, pode usar as propriedades do objeto ROI para personalizar sua
aparência e funcionamento. Além disso, os objetos ROI oferecem suporte a funções
de objeto e eventos que pode usar para implementar o comportamento interativo.
Por exemplo, usando eventos, seu aplicativo pode executar código personalizado
sempre que o ROI muda de posição. Por conveniência, a caixa de ferramentas inclui
um conjunto paralelo de funções de conveniência para a criação de ROI.

Essa chamada região de interesse (ROI) pode às vezes ser tão pequena
quanto um pixel. Reduzir o tamanho da imagem transmitida pela câmera reduz o
tamanho da imagem e, portanto, a largura de banda necessária para cada imagem.
Na configuração de uma ROI, a janela de leitura é reduzida à área relevante para
análise, aumentando significativamente a frequência da imagem.

Além disso, alguns sensores CMOS com designs de leitura paralela

eficientes também podem oferecer melhorias nas velocidades de leitura de quadros
ao reduzir a janela horizontal, bem como a vertical. Por exemplo, se uma câmera
CMOS tem uma resolução de 1000 x 1000 pixels a uma taxa de quadros total de
100 fps, com um ROI de 200 x 500 pixels, há apenas 1/10 do total de pixels a serem
lidos, então o a taxa de quadros aumenta para quase 1000 fps. Na realidade,
existem outros atrasos envolvidos na leitura dos dados do sensor, portanto , o
aumento na taxa de quadros não será exatamente proporcional à redução na
resolução quando comparada à taxa de quadros de resolução total.

Cada vez mais câmeras permitem que várias regiões de interesse (MROIs)
sejam lidas do sensor para realizar várias inspeções. Isso é especialmente
interessante para aplicações com câmeras de alta resolução que requerem extrema
precisão quando apenas ROIs muito pequenas são necessárias para a análise.
Existem até alguns modelos que permitem que a região de interesse seja
reposicionada dinamicamente, o que permite que os objetos sejam rastreados
dentro do campo de visão. Deve-se notar que algumas câmeras CCD oferecem
leitura de ROI, no entanto, isso apenas reduz o tempo de transmissão de dados e
não o tempo de leitura do sensor, pois os CCDs sempre têm que ler as linhas
completas.

Em relação à região de interesse (ROI) como faixa bidimensional ou

tridimensional é comum no processamento de imagens controlado por computador e
também em processos de imagem. Em casos extremos, por um período de tempo,
ocorre até mesmo uma visão quadridimensional. Freqüentemente, a região de
 interesse é usada em aplicações médicas, especialmente em medicina nuclear. O
procedimento também é usado em tomografia computadorizada. Nesse caso, as
ROIs são multidimensionais.

Uma região de interesse é determinada manualmente ou por meio de um

software de avaliação (semi ou totalmente automático). No processamento de
imagens industriais com nosso scanner a laser SmartRay, a avaliação totalmente
automática, suportada por software, é predominante.

No ROI semiautomático, um software de avaliação ajuda o usuário a

estabelecer qual é a área questionável. O usuário especifica apenas uma parte da
delimitação que é então continuada e completada pelo software de avaliação. Com
esse tipo de detecção, o usuário pode estabelecer aproximadamente a área na qual
o software de avaliação deve operar.

No caso de avaliação totalmente automática, o software de avaliação

assume, sem qualquer intervenção do operador, os critérios de delimitação atuando
como uma estrutura para a pesquisa.

Exemplos de regiões de interesse

● Conjunto de dados 1D: um intervalo de tempo ou frequência em uma forma de onda

● Conjunto de dados 2D: os limites de um objeto em uma imagem
● Conjunto de dados 3D: os contornos ou superfícies delineando um objeto (às vezes
conhecido como Volume de interesse ( VOI )) em um volume
● Conjunto de dados 4D: o contorno de um objeto em ou durante um determinado
intervalo de tempo em um volume de tempo

Um ROI é uma forma de anotação , frequentemente associada a informações

categóricas ou quantitativas (por exemplo, medições como volume ou intensidade
média), expressa como texto ou de forma estruturada.

Existem três meios fundamentalmente diferentes de codificar um ROI:

● Como parte integrante do conjunto de dados de amostra, com um valor único ou de

mascaramento que pode ou não estar fora da faixa normal de valores de ocorrência
normal e que marca células de dados individuais.
● Como informações separadas, puramente gráficas, como elementos de desenho
vetorial ou bitmap (rasterizados), talvez com algum texto simples (não estruturado)
acompanhando no formato dos próprios dados.
● Como uma informação semântica estruturada separada (como tipos de valor
codificados ) com um conjunto de coordenadas espaciais e / ou temporais.
 Detectando regiões de interesse em imagens

Muitos aplicativos de inteligência, vigilância e reconhecimento precisam

detectar possíveis alvos ou regiões de interesse (ROIs) em imagens digitais. Essas
ROIs podem então ser usadas para solicitar automaticamente mais detecção ou
outra ação, para controlar algoritmos de compressão de imagem inteligente ou para
direcionar análises adicionais para identificação e reconhecimento de alvos. Por
exemplo, imagens de satélite podem ser usadas para indicar um voo de um veículo
aéreo não tripulado para vigilância mais detalhada.

A detecção de ROI foi estudada por muitos anos. A maioria dos algoritmos
usa abordagens baseadas em recursos ou em objetos. Os métodos baseados em
recursos localizam pixels que compartilham recursos óticos significativos com o alvo
e os agregam para formar ROIs. 1,2 Esses métodos podem capturar a maioria dos
pixels de destino com base na semelhança de recursos ópticos. No entanto, nem
todos os pixels de destino têm recursos óticos fortes, portanto, o ROI detectado
geralmente não abrange todo o destino. Além disso, os métodos baseados em
recursos não podem distinguir entre destinos, o que pode causar confusão em
estágios subsequentes de processamento.

Os métodos baseados em objetos, por outro lado, detectam ROIs em um

nível mais alto do que a abordagem pixel a pixel de sistemas baseados em recursos
usando informações como forma e estrutura do alvo. 3,4 Abordagens típicas
incluem correspondência de modelo e filtros correspondentes. Embora esses
métodos possam atribuir um único ROI a um alvo, eles são limitados porque exigem
muitos cálculos, têm dificuldade em detectar vários tipos de alvo e não são
confiáveis ​quando aplicados a imagens de baixa qualidade.

Uma imagem aérea e as ROIs detectadas (limites mostrados em preto).