Exercícios de Processamento de Imagens

Exerc. 1. Suponha que você aplicou o método SVM com kernel Gaussiano em um deter-
minado problema. Você observou que o método obteve um desempenho próximo do que era
esperado no conjunto de treinamento, mas obteve um desempenho 40% abaixo do esperado
no conjunto de validação. Você acha que existe algum problema no modelo gerado pelo SVM
(underfitting ou overfitting)? Como melhorar (parâmetro custo vs parâmetro gamma?)
Como o modelo obteve bom desempenho no treinamento, mas desempenho ruim na vali-
dação, ele está sofrendo de overfitting.
Nesse caso, recomenda-se aumentar o valor do parâmetro custo (é o contrário do que é
feito na biblioteca scikit-learn) e diminuir o valor do parâmetro gamma.

Exerc. 2. Suponha que você aplicou o método SVM com kernel Gaussiano em um determi-
nado problema. Você observou que o método obteve um desempenho bem abaixo do esperado
tanto no conjunto de treinamento, quanto no conjunto de validação. Você acha que existe al-
gum problema no modelo gerado pelo SVM (underfitting ou overfitting)? Como melhorar
(parâmetro custo vs parâmetro gamma)?
Como o modelo obteve desempenho ruim tanto no treinamento, quanto na validação, ele
está sofrendo de underfitting.
Nesse caso, recomenda-se diminuir o valor do parâmetro custo (é o contrário do que é
feito na biblioteca scikit-learn) e aumentar o valor do parâmetro gamma.

Exerc. 3. Foi observado que em determinado problema de classificação, as classes podem

ser separadas por uma reta. Com base nessa informação, qual kernel do SVM você indicaria
que fosse usado?
Kernel linear.

Exerc. 4. Quais são os quatro principais tipos de kernel que podem ser usados no método
SVM?
Linear, Gaussiano (também chamado de RBF), polinomial e sigmoidal.

Exerc. 5. Sabe-se que a operação de abertura é uma combinação de outras operações

morfológicas. Você usaria essa técnica para remover ruído do tipo sal e pimenta?
A operação de abertura sozinha, geralmente, não é capaz de remover ruído sal e pimenta.
Mas, é possível remover ruído usando essa operação quando combinado com outras operações
morfológicas. No entanto, as operações a serem executadas podem variar para cada imagem,
sendo necessário tentativa e erro para descobrir as operações ideais para a imagem alvo.

Exerc. 6. Sabe-se que a operação morfológica top-hat é uma combinação de outras opera-
ções morfológicas. Você usaria essa técnica para aumentar o realce de imagens? Você usaria
também para remover ruídos do tipo impulsivo?
A operação top-hat (TP) sozinha, geralmente, não é capaz nem de almentar o realce, nem
de remover ruído impulsivo.
No entanto, é possível aumentar o realce combinando a operação TP com a operação
bottom-hat (BT) por meio da seguinte operação: imagem original - TH + BH.
Também é possível remover ruído usando a operação TH quando combinado com outras
operações morfológicas. No entanto, as operações a serem executadas podem variar para
cada imagem, sendo necessário tentativa e erro para descobrir as operações ideais para a
imagem alvo.

Exerc. 7. Considere as informações de uma determinada imagem apresentadas abaixo e

responda as perguntas apresentadas a seguir.

a) Qual nível de cinza aparece em mais pixels da imagem?

b) Quantos pixels a imagem possui?

c) Se você fosse fazer um processo de segmentação por limiarização, qual limiar (nível de
cinza) você usaria para separar os pixels em dois grupos?

d) Qual o valor da entropia de cada um dos lados do histograma se o limiar indicado acima
fosse escolhido?

e) Qual o resultado da equalização do histograma?

Nível de cinza Histograma

0 10
1 12
2 8
3 1
4 1
5 8
6 9
7 15

a) 7

b) 64

c) 3 ou 4

d) Se fosse escolhido o limiar 3, a entropia do intervalo [0-3] seria 1.72, enquanto que a
entropia do intervalo [4-7] seria 1.67. O entropia total seria 3.39.

e) Após a equalização, o histograma da nova imagem é: [0,10,12,9,9,9,0,15].

Exerc. 8. Quantos bytes possui uma imagem de 6 x 4 pixels e 4 tons de cinza?

Cada pixel possui 2 bits, totalizando 6 bytes em toda a imagem.

Exerc. 9. Em uma imagem de 8 x 8 pixels, quais são os pixels de vizinhança 4 do pixel (2,3).
(3,3), (1,3), (2,4) e (2,2)

Exerc. 10. As máscaras apresentadas abaixo são usadas em filtragem passa-baixa ou passa-
alta?

 
1 4 6 4 1
4 16 24 16 4 0 −1 0
" #
6 24 36 24 6 −1 +5 −1
 
4 16 24 16 4 0 −1 0
1 4 6 4 1

Quanto a máscara possui apenas valores positivos, ela é usada para filtragem passa-baixa.
Por outro lado, quando a máscara possui valor positivo na origem e valores negativos na
vizinhança do pixel de origem, ela é usada para filtragem passa-alta.

Exerc. 11. Considere a imagem apresentada abaixo. Escolha três pixels dessa imagem
e responda. Qual é seria o valor final desses pixels para cada um dos filtros apresentados
abaixo, considerando uma máscara de 3 x 3.
a) Média

b) Mediana

c) Máximo

d) Mínimo

e) Moda

 
2 18 9 10 5
2 10 10 25 1 
20 5 15 20 2 
 
30 35 40 35 24
1 20 10 5 4

Caso seja adicionado padding, os resultados são os seguintes.

a) Média:

 
4 6 9 7 5
6 10 14 11 7 
11 19 22 19 12
 
12 20 21 17 10
10 15 16 13 8

b) Mediana

 
0 2 10 5 0
2 10 10 10 2
5 15 20 20 2
 
5 20 20 15 4
0 10 10 5 0

c) Máximo

 
18 18 25 25 25
20 20 25 25 25
35 40 40 40 35
 
35 40 40 40 35
35 40 40 40 35

d) Mínimo

 
0 0 0 0 0
0 2 5 1 0
0 2 5 1 0
 
0 1 5 2 0
0 0 0 0 0

e) Moda: na imagem abaixo, se nenhum pixel apareceu mais que uma vez na região da
máscara, o pixel original foi mantido. Em caso de empate, foi selecionado o menor pixel.
  
0 0 0 0 0
0 2 10 10 0
0 10 10 20 0
 
0 20 5 35 0
0 0 0 0 0

Exerc. 12. Considere a imagem apresentada abaixo e a máscara usada para fazer a
detecção de pontos. Sabe-se que é um pixel é considerado um ponto se o valor absoluto do
resultado da aplicação da máscara for maior que um limiar T.

a) Qual é o valor final do pixel f (2, 1) após aplicar a máscara?

b) Podemos dizer que o pixel f (2, 1) é um ponto se considerarmos um limiar T=1?

c) Podemos dizer que o pixel f (2, 1) é um ponto se considerarmos um limiar T=5?

 
2 2 4 5
−1 −1 −1
" #
2 3 4 5
3 −1 8 −1
3 3 4
−1 −1 −1
2 3 4 3

a) 3

b) Sim, pois o valor final do pixel foi maior ou igual a 1.

c) Não, pois o valor final do pixel foi menor que 5.

Exerc. 13. Considere a imagem e o elemento estruturante (com centro no pixel f(1,1))
abaixo. Escolha dois pixels dessa imagem e responda.

a) Qual o valor dos pixels escolhidos após a operação de dilatação?

b Qual o valor dos pixels escolhidos após a operação de erosão?

 
2 2 4 5
1 2 1
" #
6 5 5 2
7 2 4 2
5 6 3
1 2 1
4 7 7 5

a) Supondo que tenha sido escolhido o pixel (1,1), o resultado da dilatação é 9. Supondo
que o outro pixel seja o (2,2), o resultado da dilatação é 10.

b Supondo que tenha sido escolhido o pixel (1,1), o resultado da erosão é 0. Supondo que
o outro pixel seja o (2,2), o resultado da erosão é 1.

Exerc. 14. Considere uma imagem de dimensão 20 x 20.

a) Indique quais as posições dos vizinhos do pixels (10,8), considerando uma vizinhança de
tamanho 4.
 b) Indique quais as posições dos vizinhos do pixels (4,5) considerando uma vizinhança de
tamanho 8.

a) (11, 8), (9, 8), (10, 9) e (10, 7)

b) (5, 5), (3, 5), (4, 6), (4, 4), (3, 4), (3, 6), (5, 4), (5, 6)

Exerc. 15. Considere as duas imagens em RGB apresentadas abaixo. A primeira imagem é
a original, enquanto que a segunda mostra o resultado obtido após uma operação matricial.

Agora, considere o código em Python apresentado abaixo:

1 def altera(img):
2 img[100:,100:] = np.array([255,255,255]) - np.array([0,0,255])
3
4 return img
5
6 if __name__ == "__main__":
7
8 img = np.ones([200,200,3], dtype=np.uint8)
9
10 img[0:100,0:100] = np.array([0,0,0])
11 img[0:100,100:] = np.array([255,0,0])
12 img[100:,0:100] = np.array([0,255,0])
13 img[100:,100:] = np.array([0,0,255])
14
15 img = altera(img)
Pode-se afirmar que o código acima gerou as imagem original e a alterada apresentadas
anteriormente.

■ Verdadeiro □ Falso

Exerc. 16. Considere as duas imagens apresentadas abaixo, onde a primeira é a imagem
original e a segunda uma imagem que sofreu uma transformação geométrica.

  
1 4 1 6 3 1 1 4 4 1
0 0 5 3 6  1 1 4 4 1
4 2 5 5 5 0 0 0 0 5
  
4 1 0 1 6 0 0 0 0 5
6 2 5 6 3 4 4 2 2 5

Qual transformação geométrica pode ter sido aplicada na imagem original para ter gerado
a imagem transformada apresentada acima?

□ Translação

□ Rotação

■ Escalamento (Pois todas as outras operações teriam gerado valores 0 em pelo menos
uma das bordas ou cantos da imagem)
 □ Cisalhamento

Exerc. 17. Considere as imagens apresentadas abaixo:

(a) Original (b) Técnica 1

(c) Técnica 2 (d) Técnica 3

A Figura (a) acima foi clareada por meio da seguinte operação: figura * 2. Essa operação
gerou valores inválidos de tons de cinza que foram corrigidos por três técnicas diferentes.
a) Qual imagem foi corrigida pela técnica de wrapping?
b) Qual imagem foi corrigida pela técnica de normalização?
c) Qual imagem foi corrigida pela técnica de saturação?

a) Figura d
b) Figura b
c) Figura c

Exerc. 18. Considere as imagens apresentadas abaixo:

(a) Original (b) Alterada

Qual técnica apresentada abaixo pode ter sido aplicada para gerar a imagem alterada?
■ O método de Otsu
□ Limiarização com limiar de 20

□ Operador Laplaciano

□ Diferença entre uma imagem e sua erosão

□ Filtragem usando de tamanho 3 com todos os valores iguais a 1