Escolar Documentos
Profissional Documentos
Cultura Documentos
DIGITAIS
Setembro/2022
Conceito de Imagem
“Uma imagem pode ser definida como uma função
bidimensional, f(x, y), em que x e y são coordenadas
espaciais (plano), e a amplitude de f em qualquer par de
coordenadas (x, y) é chamada de intensidade ou nível de
cinza da imagem nesse ponto”.
Gonzalez e Woods (2010)
2
Conceito de Imagem
“A imagem é o resultado de estímulos luminosos
produzidos por um suporte bidimensional”.
Gomes e Velho (1994)
(0, 0) x
f(x, y)
Universo de
f(x, y) = i(x, y).r(x, y)
Representação
i(x, y) = iluminância
r(x, y) = refletância
0 < i(x, y) <
0 < r(x, y) < 1
Universo de
Teoria de
Implementação Sinais
4
Representação Contínua
Considerando uma função unidimensional, definida por:
f:
x f(x)
O computador
trabalha com bits
e bytes.
Como processar
um sinal
contínuo no
computador?
Função contínua
5
Representação Discreta
Através de um processo chamado discretização,
composto por duas etapas: amostragem e quantização.
6
Representação Discreta
Quantização: Divide-se a amplitude de f(x) (|fmax – fmin|)
em intervalos. A quantidade de intervalos depende do no
de bits usados na representação dos valores das
amostras. Por exemplo, n = 8 bits 28 bits = 256 valores.
7
Amostragem
A amostragem mais utilizada na discretização de
imagens digitais consiste em tomar o domínio como um
retângulo.
O centro de
cada amostra
y (pixel) está
localizado nas
interseções
do reticulado.
d
y x
Portanto, uma matriz A, de ordem M x N, pode
representar uma imagem. A = (ajk) = f(xj, yk).
Neste exemplo M = 24, N = 16, j = 0 a 23 e k = 0 a 15.
9
Quantização
a b x
d
y
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
0 D6 C9 70 EA 37 70 4A 1D CF 44 4A 44 44 44 56 15 70 D1 8D 8E 2D 70 AB 00
1 9F E9 CC 46 AB 37 70 47 E0 12 15 4A 3B 4A 6D 6D DC 49 8D 8C 1E DC AB 00
2 E7 7B 7B B5 7F F2 3 A8 D8 1E 4C 3B 4A 15 3B FA 15 47 49 8E C8 48 69 00
3 F5 73 7A 26 06 E9 F9 80 51 A8 4C 44 56 3B D2 D2 65 9B 83 C8 85 37 7E 77
4 4D 2E 3F FC 06 E6 96 90 29 79 A2 44 D9 39 E8 E8 4F 55 5F 0C 15 37 7E 77
5 A6 4D 7A . . . . . . . . . . . . . . . . . 4C C9 37 69
6 3F 7A 73 . . . . . . . . . . . . . . . . . 8F 57 7E 77
7 1C 1C 50 . . . . . . . . . . . . . . . . . 2F FA 7E 77
8 2E B4 28 . . . . . . . . . . . . . . . . . 2F FE F6 77
9 42 0F 0F . . . . . . . . . . . . . . . . . D3 2F 59 4B
10 1F DF 1D . . . . . . . . . . . . . . . . . 21 7D E1 61
11 A7 A5 34 . . . . . . . . . . . . . . . . . B2 F4 59 AE
12 35 1F 1D . . . . . . . . . . . . . . . . . 62 B2 92 AE
13 54 35 54 DC 9E ED 45 6C 3E BB 63 40 2A 75 17 1A 41 04 04 78 D0 2B 08 C3
14 C2 35 CC 24 76 32 F8 F0 AC 2C BB 89 43 6F 74 5B 31 5E BF 38 99 9C 08 07
15 27 27 02 CC 8B 3C 32 6C 81 2C 72 05 0D D7 09 70 F7 0B 0B 0B F3 03 0E 30
11
Resolução
M colunas
N linhas
128
96 48
32
64
13
Resoluções Espaciais () Dimensões Físicas ()
384
192 96
64
256
128
48
32
As imagens possuem dimensões físicas distintas,
mas os pixels tem dimensões iguais.
14
Resoluções Espaciais (=) Dimensões Físicas ()
384
384 384
256
256
256
384
256
Resolução espacial, por si só, não determina a qualidade
da imagem. Torna-se necessária outra informação, a
Densidade de Resolução.
A Densidade de Resolução fornece o no de pixels por
unidade linear de medida, geralmente em pontos por
polegada (dpi – dots per inch)
15
Resolução de Cor
Resolução de Cor corresponde ao número de bits
utilizados para armazenar a cor ou intensidade de um
pixel da imagem digital.
4 bits/pixel
24 bits/pixel
8 bits/pixel
16
Resolução de Cor
8 bits/pixel 4 bits/pixel
1 bit/pixel 1 bit/pixel 17
O Pixel
O Pixel (Picture element) é a unidade elementar de uma
imagem digital, ao qual estão vinculadas informações
como intensidade, cor ou profundidade, por exemplo.
160
R G B
L* a* b*
C M Y K 19
O Pixel em Imagens Indexadas
Imagens indexadas possuem um número reduzido de
cores ou intensidades (2 a 256) representados em uma
tabela. No pixel fica armazenado o índice da tabela. O
número de bits no canal depende do tamanho da tabela.
i R G B
0 0 0 0 0
1 200 10 50 0
⋮ ⋮ ⋮ ⋮ ⋮
2 210 60 128 0
⋮ ⋮ ⋮ ⋮ ⋮
35 65 100 31 0
Quadrado
Hexagonal
21
Vizinhança de um Pixel
Um pixel p, na coordenada (x, y), tem 4 vizinhos
horizontais e verticais, definindo a vizinhança-4 de p.
N4(p) = {(x–1, y), (x+1, y), (x, y–1), (x, y+1)}
O caminho AB tem
conectividade-8 pois todos os
pixels do caminho apresentam
adjacência-8.
23
Tipos de Adjacência
Considerando os conceitos de similaridade e vizinhança
pode-se definir 3 tipos de adjacência.
24
A Adjacência-m
Este tipo de adjacência é utilizada para evitar
ambiguidade de caminhos quando se usa a adjacência-8.
Conversão para
conectividade-m
25
Regiões e Componentes Conexos
Definimos região como um subconjunto conexo de
pixels de uma imagem.
Duas regiões Ri e Rj são adjacentes se sua união formar
um conjunto conexo, senão são chamadas de disjuntas.
Adjacência-4 3 regiões
Adjacência-8 2 regiões
26
Borda e Interior
Borda, fronteira ou contorno de uma região é o conjunto
de pixels da região que tem pelo menos um vizinho no
fundo da imagem. Interior são os demais pixels da região.
A borda de uma região é sensível à
conectividade especificada.
O ponto circulado na imagem ao lado não
pertence à borda da região se especificada a
conectividade-4.
Bordas
considerando
conectividade-4
2 2 5 2 2
3
5
3 3 3 3 3 3 3 3
2
5 2 2 5
3 2 3 3 2 2 2 2 2 3
1 3 2 1 2 3 3 2 1 1 1 2 3
3 2 1 0 1 2 3 3 2 1 0 1 2 3
2 2
3 2 1 0 1 2 3
5 1 5 3 2 1 2 3 3 2 1 1 1 2 3
2 2 5 2 5 2 2 3 2 3 3 2 2 2 2 2 3
3 3 3 3 3 3 3 3 3
De D4 D8
29
Medidas de Distância
A distância Dm entre p e q é definida como o caminho-m
mais curto entre p e q.
0 1 0 1
0 1 1 1
1 1
p3 p4 Dm(p, p4) = 2 Dm(p, p4) = 3
p1 p2
p 1 1 1 1
V={1} 0 1 1 1
1 1
Dm(p, p4) = 3 Dm(p, p4) = 4
30
Sistemas de Cores
Um sistema de cores (ou modelo de cores) permite a
especificação das cores em uma forma padronizada. Trata-
se de uma representação 3D no qual as cores são
representadas por um ponto neste espaço.
Há inúmeros modelos de cores. Os mais usados são o
XYZ, RGB, CMY, CMYK, YIQ, YUV, YCbCr, HSV, HSL, HSI,
L*u*v* e L*a*b*.
Geralmente, associado a cada sistema de cores, há uma
representação visual do mesmo.
31
O Sistema XYZ
O sistema XYZ foi definido pela Commission
Internationale de l’Écleirage (CIE), em 1931.
É um sistema aditivo que descreve as cores através de 3
estímulos (cores) virtuais X, Y e Z.
32
Compreendendo as cores XYZ
A visão humana percebe mais brilho nos tons verdes.
Devido à similaridade entre o estímulo Y e a resposta
espectral dos cones ao verde, Y está associado à
luminância da cor.
A crominância
está associada
aos estímulos X
e Z da cor.
33
Luminância e Crominância (XYZ)
Normalizando X, Y e Z, temos:
X Y Z
x y z
X Y Z X Y Z X Y Z
com x + y + z = 1.
34
Luminância e Crominância (XYZ)
Assim, uma cor pode ser descrita por x e y
(cromaticidade) e a intensidade de um dos estímulos
originais, normalmente Y (luminância).
35
O Diagrama de Cromaticidade CIE XYZ
36
O Diagrama de Cromaticidade CIE XYZ
37
Exibição (RGB) vs Impressão (CMY)
38
O Sistema RGB
É um sistema aditivo baseado na teoria tricromática,
também conhecida como teoria dos três estímulos,
proposta por Young-Hemlholtz.
40
Conversão RGB XYZ
0 R, G, B, X, Y, Z 1
⁄
Branco X = Y = Z = 1
y ⁄
Diagrama CIE XYZ
41
O Sistema CMY
Sistema subtrativo usado em dispositivos de impressão.
Tem como primárias as cores secundárias Ciano,
Magenta e Amarelo.
42
Conversão RGB CMY
0 R, G, B, C, M, Y 1
Branco C = M = Y = 0
1 1
1 1
1 1
No modelo CMY obtém-se o preto depositando 3
camadas das primárias (K = 1 – C – M – Y), exigindo o
perfeito alinhamento do papel com o mecanismo de
impressão.
!⋅ 1
!⋅ 1
!⋅ 1
44
Impressão em CMY e CMYK
45
O Sistema YUV. Conversão RGB YUV
Utilizado para representar cores nos padrões de televisão
PAL e SECAM. Y corresponde à luminância e U e V
codificam informações de crominância.
0 R, G, B 1
0,299 0,587 0,114
" 0,147 0,289 0,436 ⋅
# 0,615 0,515 0,100
1,000 0,000 1,140
1,000 0,395 0,581 ⋅ "
1,000 2,032 0,000 #
46
O Sistema YUV
Original Y
U V
47
O Sistema Y’CbCr. Conversão RGB Y’CbCr
O sistema Y’CbCr é usado em vídeos digitais. Confunde-
se com o sistema YUV, usado em sistemas analógicos.
0 R, G, B 1
RGB variando de [0..255] Y’ [12..235], CbCr [16..240].
Quando os valores de Y’CbCr são escalonados para
[0..255] temos o modelo Y’CbCr full range.
Original Y’
Cb Cr
49
Os Sistemas HSV e HSL
São sistemas que descrevem as cores de modo
mais intuitivo do que a combinação de um
conjunto de cores primárias. Formalmente
descritos por Alvy Ray Smith em 1978.
HSV HSL
H = Hue (Matiz), H = Hue (Matiz),
S= Saturation (Saturação) S= Saturation (Saturação)
V = Value (Brilho ou L = Lightness
Luminância) (Luminosidade)
50
Os Sistemas HSV e HSL
Os sistemas HSV e HSL são representações das cores RGB
em um sistema de coordenadas cilíndricas.
HSV HSL
H = grandeza angular (0 a 360º).
S = 0 a 1; V ou L = 0 a 1.
51
O Sistema HSI
Os sistemas HSV, HSL e HSI diferem, basicamente, na
forma como é computada a informação luminância.
52
O Sistema HSI. Conversão RGB HSI
0 R, G, B, S, I 1
0 H 360o
), *+ -
' (
360 ), *+ .
1
) cos 23 2
4 3⁄4
3
5 1 min9 , , :
1
; 9 :
3
53
O Sistema HSI. Conversão HSI RGB
; 1 5
5 cos '
; 1 0< - ' - 120<
cos 60< '
3; 9 :
' ' 120<
; 1 5
5 cos ' 120< - ' - 240<
; 1
cos 60< '
3; 9 :
' ' 240<
; 1 5
5 cos ' 240< - ' - 360<
; 1
cos 60< '
3; 9 :
54
O Sistema HSI
Original H
S I
55
O Sistema CIE L*a*b*
Os sistemas CIE L*a*b* foi criado para ser um sistema de
referência, independente de dispositivo. Nele, cores
percebidas iguais são codificadas da mesma maneira e as
diferenças entre tons são percebidas uniformemente.
=∗ 116 · ℎ 16
A
B∗ 500 ℎ ℎ
A A A, A, A = Branco
%∗ 200 ℎ ℎ no sistema CIE XYZ
A A
onde
x=0,3127 e
E , *+ E . 0.008856
G
y = 0,3290
ℎ E F 16
0,787E , E - 0.008856
116
56
O Sistema L*a*b*
Original L*
a* b*
57
Operações Aritméticas sobre imagens
Sobre imagens podem ser realizadas operações como
Adição, Subtração, Multiplicação e Divisão.
* ,I J ,I K9 , I:
Estas operações são orientadas ao pixel. Por exemplo,
58
Adição de Imagens
Suavização de ruídos pelo cálculo da média de múltiplas
imagens.
1 5 10
20 50 100
59
Subtração de Imagens
Detectar e evidenciar diferenças entre imagens.
60
Multiplicação e Divisão de Imagens
Segmentar regiões de interesse e corrigir iluminação.
61
Operações Lógicas sobre Imagens Binárias
62
Operações em Conjuntos - Imagens Grayscale
L∪ max B, % |B ∈ L + % ∈
Imagem constante
LM , I, 255 N | , I, N ∈ L
T
63
Referências
GONZALEZ, R. C.; WOODS, R. E. Processamento digital de imagens. 3. ed. São Paulo:
Pearson Prentice Hall, 2010.
PEDRINI, H.; SCHWARTZ, W. R. Análise de imagens digitais: princípios, algoritmos e
aplicações. São Paulo: Thomson Pioneira, 2007.
GOMES, J.; VELHO, L. Computação gráfica: Imagem. Rio de Janeiro : IMPA, 1994.