Ä E QUANTIZAÇAO

PROJETO 2 AMOSTRAGEM, INTERPOLAÇAO Ä

Guilherme SimÄoes Dias - 160123364

Engenharia EletrÃonica, UnB-FGA, Brasṍlia, Brasil

ABSTRACT

Este projeto busca explorar os conceitos de resoluçÄao espacial

e resoluçÄao em nṍveis de cinza e os diferentes métodos exis-
tentes de manipulaçÄao, como a interpolaçÄao e a quantizaçÄao.
Fig. 1. Banco de imagens. (a) Ponte, (b) Face, (c) Camera-
Index TermsÐ resoluçÄao, interpolaçÄao, quantizaçÄao.
men, (d) Rosa.

Ä
1. INTRODUÇAO
Este projeto busca introduzir conceitos sobre amostragem de
imagens, intensidade de quantizaçÄao e interpolaçÄao. Demon-
strando seus efeitos na resoluçÄao espacial e de intensidade das
imagens.
A resoluçÄao espacial, como descrita por [1] é a medida do
menor detalhe discernṍvel em uma imagem ou entÄao como
o número de pontos (pixels) por unidade de distÃancia. A
interpolaçÄao está atrelada a esta resoluçÄao, realizando tare-
fas como ampliaçÄao e reduçÄao de escala, rotaçÄao e correçÄao
geométrica de imagens. No entanto, neste projeto abordare-
mos apenas a ampliaçÄao e reduçÄao das imagens, que sÄao pro-
cessos de amostragem e re-amostragem que fazem uso de da-
dos existentes para estimar valores coordenadas desconheci-
das.
Já a resoluçÄao de intensidade é descrita como o menor
detalhe discernṍvel na mudança do nṍvel de intensidade.
Sendo que os nṍveis de intensidade sÄao os responsáveis pela
coloraçÄao da imagem em diferentes tons. O nṍvel de in-
tensidade mais comum é de 8 bits, que representa 256 tons
diferentes, e que é o nṍvel das imagens usadas neste projeto.
3. DESENVOLVIMENTO
3.1. Subamostragem
O procedimento de subamostragem no processamento de im-
agens tem como objetivo reduzir o número de pixel de uma
imagem, o método desenvolvido para essa tarefe consiste em
descartar amostras igualmente espaçadas durante toda a im-
agem.
Para isso, a imagem original é percorrida em relaçÄao as
suas dimensÄoes x, y e seus pixels de interesse sÄao enviados
para uma nova imagem. A escolha desses pixels de interesse
vÄao de acordo com o grau de reduçÄao que se deseja obter, por
exemplo, se desejamos obter uma imagem com a metade do
tamanho da imagem original, durante a varredura será envi-
ado o primeiro pixel na posiçÄao (0, 0) e será descartado o
próximo em (0, 1), sendo o próximo enviado o (0, 2) e o
descartado (0, 3), processo repetido para todas as linhas da
imagem. Portanto, se a imagem possuṍa 500 pixels inicial-
mente, após a subamostragem de grau 2 ela apresentará 250
pixels.
Para testar o precedimento, foi aplicado a subamostragem
na imagem da face, ®gura x, reduzindo sua resoluçÄao espacial
inicial de 512 x 512 pixels para 256 x 256 pixels, 128 x 128
pixels, 64 x 64 pixels e 32 x 32 pixels.

2. OBJETIVO

A partir das imagens fornecidas pelo banco de dados da dis-

ciplina, realizar processos de leitura e manipulaçÄao para red-
imensionar e quantizar imagens. Desenvolvendo programas
no GNU OCTAVE, MATLAB ou PYTHON 3 sem fazer uso
de funçÄoes já prontas. Fig. 2. Efeitos da reduçÄao da resoluçÄao espacial.
3.2. InterpolaçÄao caso, duplicando o valor para a direita e por ®m duplicando
todos os valores da linha conhecida para a linha abaixo.
A interpolaçÄao pode ser de®nida como um método para criar
dados com base nos dados já existentes. Método usado no
processamento de imagens para aumentar uma imagem, em
que por meio de diversas estratégias sÄao criados novos pixels
com valores estimados para se obter uma imagem ampliada o
mais próximo da original.

3.2.1. InterpolaçÄao de vizinho mais próximo

O primeiro tipo de interpolaçÄao a ser estudado é a interpolaçÄao
de vizinho mais próximo, que tem como fundamento desig-
nar o valor de um pixel conhecido para o pixel desconhecido
mais próximo.
Para exempli®car digamos que tenhamos uma imagem
Fig. 5. Processo de interpolaçÄao por vizinho mais próximo,
de 4 x 4 pixel representada por uma tabela 2x2 e desejamos
parte 3.
ampli®ca-la por um fator 2.

Este processo pode ser aplicado, por exemplo, nas ima-

gens geradas pela subamostragem apresentadas na Fig,2 para
retorna-las ao seu tamanho original.

Fig. 3. Processo de interpolaçÄao por vizinho mais próximo,

parte 1.
A matriz resultado apresenta o dobro de pixels que a orig-
inal, logo, é preciso traçar uma estratégia para preencher as
lacunas. Inicialmente podemos transferir cada uma das linhas
da imagem original para o nova com um espaçamento de um
pixel entre as amostras.
Fig. 6. Efeito da ampli®caçÄao da resoluçÄao espacial pelo
método da interpolaçÄao por vizinhos mais próximos.
3.2.2. InterpolaçÄao bilinear
A interpolaçÄao bilinear, assim como seu nome sugere, faz uso
da interpolaçÄao linear em dois sentidos (vertical e horizontal).
Extraindo informaçÄoes dos quatro vizinhos mais próximos
para criar um argumento de valor proporcional a in¯uencia
exercida pelos vizinhos.
Para um melhor entendimento, vamos exempli®car como
funciona uma interpolaçÄao linear. Olhando para a Fig.7 pode-
mos identi®car dois pontos com valores conhecidos (0,0) e
(0,3) e queremos encontrar o valor de (0,1), para isso devemos
calcular o polinÃomio linear formado pelos valores multiplica-
dos pelo peso (a in¯uencia do argumento relativo a distÃancia
até o novo ponto).

x2 − x x − x1
Fig. 4. Processo de interpolaçÄao por vizinho mais próximo, Q(0, 1) = × Q(0, 0) + × Q(0, 3)
parte 2. x2 − x1 x2 − x1

3−1 1−0
Desta forma, temos dados conhecidos alocados nas prox- Q(0, 1) = × 10 + × 20
3−0 3−0
imidades de todas as lacunas e podemos entÄao copiar os val-
ores de cada posiçÄao para o seu vizinho mais próximo, neste Q(0, 1) = 13

Fig. 7. Exemplo de interpolaçÄao linear entre dois pontos.
Este procedimento quando aplicado nas duas direçÄoes
(colunas e linas) é denominado de interpolaçÄao bilinear. Para
o melhor entendimento, nas ®guras abaixo esta apresentado
o exemplo proposto por [2] em que é aplicado a interpolaçÄao
entre 4 pixels localizados em (0,0), (0,1), (1,0) e (1,1) para
encontrar o valor presente em (0.3, 0.4).
Fig. 8. Processo de interpolaçÄao bilinear, parte 1.
O primeiro passo é re¯etir esse ponto para as ®leira ob-
tendo A:(0,0.4) e B:(1,0.4) para entÄao realizar a interpolaçÄao
linear para cada um dos pontos em relaçÄao aos pixels na hor-
izontal.
Fig. 9. Processo de interpolaçÄao bilinear, parte 2.
Para somente entÄao realizar a segunda interpolaçÄao entre
A e B, obtendo assim o valor ®nal para o pixel na posiçÄao
(0.3, 0.4).
Aplicando esse método nas imagens subamostradas da
Fig.2 podemos observar o efeito da ampli®caçÄao em relaçÄao
a imagem original.
Fig. 10. Efeito da ampli®caçÄao da resoluçÄao espacial pelo
método da interpolaçÄao bilinear.
3.3. QuantizaçÄao
Uma imagem digital é formada por pixels com diferentes val-
ores que determinam a sua cor. Para uma imagem em es-
cala de cinza esses valores se limitam a 8-bit, ou seja um
valor 0 para um pixel pode ser expresso em sua forma binária
00000000, de mesma maneira, o maior valor que pode ser
expresso em binário 11111111 é o mesmo que 255.
Sabe-se que em um número binário o bit mais signi®ca-
tivo é o que mais contribui para o range de valores que podem
ser formados, por exemplo número com 7 bits é apenas capaz
de expressar até 27 ou 127 valores diferentes. Portando os
bits menos signi®cativos, de forma análoga, sÄao os que menos
contribuem na formaçÄao da imagem.
Portanto, podemos realizar um procedimento de bit-plane
slicing para separar cada um dos bits da imagem e selecionar
apenas os bits de interesse para a formaçÄao de uma nova im-
agem como mostrado na ®gura abaixo.
Fig. 11. DemonstraçÄao do procedimento de bit-plane slice.
Desta forma, a quantizaçÄao busca diminuir o número de
bits usados na formaçÄao da imagem de forma a diminuir/comprimir
a imagem sem comprometer o seu entendimento. Para
demonstrar este procedimento a Fig.1(d) foi manipulada
tendo seus bits por pixel reduzidos de 8 para 7, 6, 5, 4, 3, 2 e
1, sempre descartando o bit menos signi®cativo.
 Em sequÃencia, cada uma das quadro imagens geradas a
partir das ®guras originais tiveram seu número de bits por
pixel reduzido de 8 para, respectivamente, 6, 5, 4, 3. For-
mando assim um total de 16 imagens por ®gura.

Fig. 12. Efeito da quantizaçÄao na resoluçÄao em bits de uma

imagem.

3.3.1. AlteraçÄao simultÃanea da resoluçÄao espacial e da

resoluçÄao em bits
Com o conhecimento acumulado até este tópico, é possṍvel
realizar um experimento para avaliar o efeito da alteraçÄao
simultÃanea da resoluçÄao espacial e da resoluçÄao em bits de
uma imagem. Para isso, foram selecionadas trÃes imagem com
nṍveis de detalhes diferentes sendo essas a Fig.1(a) (nṍvel
alto), Fig.1(c) (nṍvel moderado) e Fig.1(d) (nṍvel baixo).
Aplicando nelas os métodos de subamostragem e posterior-
mente quantizaçÄao.
As trÃes imagens selecionadas apresentam uma resoluçÄao
de 512 x 512 pixels e foram subamostradas para 256 x 256,
128 x 128, 64 x 64 e 32 x 32 pixels descartando amostras.
(a) Imagens com resoluçÄao de 6 bits por pixel.

(a) Imagem da ponte subamostrada.

(b) Imagens com resoluçÄao de 5 bits por pixel.

(b) Imagem do cameramen subamostrada.

(c) Imagens com resoluçÄao de 4 bits por pixel.

(c) Imagem da ¯or subamostrada.

(d) Imagens com resoluçÄao de 3 bits por pixel.
Fig. 13. Resultados obtidos a partir do processo de sub-
amostragem com descarte de amostras para as resoluçÄoes 256 Fig. 14. Resultados obtidos a partir da reduçÄao de bits por
x 256, 128 x 128, 64 x 64 e 32 x 32 pixels respectivamente. pixel das imagens subamostradas presentes na Fig.13(a).
 (a) Imagens com resoluçÄao de 6 bits por pixel. (a) Imagens com resoluçÄao de 6 bits por pixel.

(b) Imagens com resoluçÄao de 5 bits por pixel. (b) Imagens com resoluçÄao de 5 bits por pixel.

(c) Imagens com resoluçÄao de 4 bits por pixel. (c) Imagens com resoluçÄao de 4 bits por pixel.

(d) Imagens com resoluçÄao de 3 bits por pixel. (d) Imagens com resoluçÄao de 3 bits por pixel.

Fig. 15. Resultados obtidos a partir da reduçÄao de bits por Fig. 16. Resultados obtidos a partir da reduçÄao de bits por
pixel das imagens subamostradas presentes na Fig.13(b). pixel das imagens subamostradas presentes na Fig.13(c).

Ä E CONCLUSAO
4. DISCUSSAO Ä

A partir da visualizaçÄao e da análise das imagens formadas

podemos compreender os efeitos de cada um dos métodos
aplicados.
Em relaçÄao ao processo de subamostragem com descarte
de amostras temos que a cada reduçÄao, informaçÄao é per-
dida. Como visto na Fig.13 temos que nas imagens com
maior número de detalhes essa reduçÄao acaba por di®cul-
tar a interpretaçÄao da imagem mas em ®guras mais simples,
mesmo tendo seus pixels reduzidos em quase 90%, sua com-
preensÄao continua fácil.
A interpolaçÄao por vizinho mais próximo (nni) é um
método de rápida execuçÄao e com baixo custo operacional
devido a pouca necessidade de cálculos. No entanto, devido
ao fato deste metodo apenas replicar os pixels mais próximos,
a imagem resultante acaba se tornando ºpixeladaº pois esta
operaçÄao apenas transforma os pixels presentes em blocos de
mesmo valor.
Em comparaçÄao com o método de nni, a interpolaçÄao bi-
linear gera imagens mais suaves pois o valor dos pixels cri-
ados é uma combinaçÄao dos pixels ao seu redor. Contudo,
esse processo demanda mais cálculos para ser executado e
tem como efeito negativo a formaçÄao de imagens com menos
contraste entre os contornos.
Apesar dos pontos negativos, a interpolaçÄao bilinear é
uma ótima escolha para ampliaçÄao de imagens como pode ser
visto na Fig.17 que apresenta a imagem da diferença entre
cada imagem interpolada em relaçÄao a original por meio da
funçÄao absolute difference da biblioteca Numpy.

Fig. 17. Diferença entre cada imagem interpolada de forma

bilinear em relaçÄao a original.

O resultado obtido da quantizaçÄao das imagens nos mostra

que é possṍvel reconstruir, de forma quase idÃentica, a imagem
original fazendo uso de menos bits. Isso ocorre pelo fato de
que os bits ®nais detÃem a maior parte da informaçÄao da im-
agem, enquanto bits iniciais quase nÄao produzem diferença.
Dessa forma, podemos fazer uso de menos bits para ar-
mazenar uma imagem, ocupando assim um menor espaço.
Portanto, este método possui uma boa aplicaçÄao no processo
de compressÄao de imagens.

5. REFERENCES

[1] Rafael C. Gonzales and Richard E. Woods, Processa-

mento Digital de Imagens, Pearson, 4 edition, 2018.
[2] TheAILearner, ªImage processing,º Janeiro 2019.