Aula3 Imagens

Digital Image Processing, 3rd ed.
Gonzalez &
Woods
www.ImageProcessingPlace.com
Chapter 3
Intensity Transformations & Spatial Filtering
FUNDAMENTOS DE FILTRAGEM ESPACIAL
Filtragem espacial uma das principais ferramentas usadas para um largo

espectro de aplicaes.
O nome filtro emprestado do processamento no domnio da frequncia,
como filtro de passa-baixa (lowpass).
Filtragem espacial realiza operao diretamente na imagem, usando filtros
espaciais tambm chamados de mscaras, kernels, templates, e windows.
Se a operao realizada sobre os pixels linear, o filtro chamado de filtro
espacial linear, caso contrrio, chamado filtro no-linear.
19922008 R. C. Gonzalez & R. E. Woods

Gonzalez &
Woods
Chapter 3
A mecnica de filtragem espacial

linear usando mscara de 3x3.
A forma escolhida para denotar
as coordenadas dos coeficientes
da mscara de filtragem simplifica
a escrita de expresses para
filtragem linear.

Gonzalez &
Woods
Chapter 3
A Fig. 3.28 ilustra a mecnica da filtragem linear espacial usando uma vizinhana 3x3.
Em qualquer ponto (x,y) a resposta g(x,y) da filtragem a soma de produtos dos
coeficientes e as intensidades dos pixels :
g ( x, y ) w(1,1) f ( x 1, y 1) w(1,0) f ( x 1, y ) ...

w(0,0) f ( x, y ) ... w(1,1) f ( x 1, y 1)
Observa-se que o coeficiente central do filtro, w(0,0), alinha com o pixel na posio (x,y).
Em geral uma filtragem linear espacial de uma imagem MxN com um filtro de tamanho mxn
dada por:
g ( x, y )
w( s, t ) f ( x s, y t )
s at b
onde x e y so variados tal que cada pixel em w visite todos os pixel em f.

Gonzalez &
Woods
Chapter 3

Gonzalez &
Woods
Chapter 3
CORRELAO E CONVOLUO ESPACIAIS

Correlao o processo de mover uma mscara de filtro sobre uma imagem e
computar a soma de produtos em cada posio, exatamente como explicado
anteriormente.
a
w( x, y ) f ( x, y )
w(s, t ) f ( x s, y t )
s at b
A convoluo difere da convoluo pela rotao do filtro de 180 o.
w( x, y ) f ( x, y )
w( s, t ) f ( x s, y t )
s at b
A fig. 3.29 ilustra a diferena entre essas duas operaes para uma funo 1D.

Gonzalez &
Woods
Chapter 3
Ilustrao de correlao e
convoluo 1-D de um
filtro com um impulso
unitrio discreto.
Note que correlao e
convoluo so funes
de deslocamento.

Gonzalez &
Woods
Chapter 3

Gonzalez &
Woods
Chapter 3
Correlao (linha do meio) e

convoluo (ltima linha) de
um filtro 2D com um impulso
unitrio discreto 2D.
Os 0s so mostrados em cinza
para facilitar a anlise visual.

Gonzalez &
Woods
Chapter 3

Gonzalez &
Woods
Chapter 3
Observaes:
Usar operaes de correlao ou convoluo para a filtragem espacial

uma questo de preferncia.
O importante escolher uma mscara com os coeficientes adequados para
que o resultado esperado seja obtido.
Para uma mscara com os valores de coeficientes simtricos os resultados
da correlao e convoluo coincidem (filtros isotrpicos, ou invariantes a
rotao).
Finalmente, comum encontrar termos como filtro de convoluo, mscara
de convoluo ou kernel de convoluo na literatura de processamento de
imagens, denotando um filtro espacial, sem necessariamente significar que
o filtro seja usado para uma verdadeira convoluo.
A expresso convolver uma mscara com uma imagem comumente
usada para denotar um processo de correlao.

Gonzalez &
Woods
Chapter 3
REPRESENTAO VETORIAL
Quando o interesse est na resposta caracterstica, R, de uma mscara,

conveniente escrever a soma de produtos como
R w1 z1 w2 z 2 ... wmn z mn
mn
wk z k
k 1
w Tz
Para usar essa equao em correlao, usa-se a mscara normalmente. Para usar a
mesma equao para convoluo, rotacionamos a mscara de 180 o .

Gonzalez &
Woods
Chapter 3
Uma representao de uma

mscara de filtragem geral 3x3.
R w1 z1 w2 z 2 ... w9 z9
9
wk z k
k 1
w Tz

Gonzalez &
Woods
Chapter 3
GERAO DE MSCARAS DE FILTRO ESPACIAL
A gerao requer a especificao de mn coeficientes do filtro. Esses coeficientes so

especificados levando em considerao que o papel do filtro calcular a soma de produtos dos
coeficientes com as intensidades de pixels.
Por exemplo, supor que queiramos substituir os pixels de uma imagem pela intensidade mdia
de uma vizinhana 3x3 centrada nesses pixels.
O valor mdio a soma dos nove
valores de intensidade dividido por 9, ou seja:
9
1
zi
9 i 1
Em outras aplicaes, temos uma funo contnua de duas variveis, e o objetivo obter uma
mscara baseada nessa funo. Por exemplo, a funo Gaussiana de duas variveis tem a
forma
2
2
h ( x, y ) e
x y
2 2
onde o desvio padro.

Para gerar uma mscara 3x3 dessa funo, fazemos a amostragem dessa funo em torno do
centro. Assim, w1=h(-1,-1), w2=h(-1,0),..., w9=h(1,1).

Gonzalez &
Woods
Chapter 3
FILTROS ESPACIAIS DE SUAVIZAO
Os filtros de suavizao so usados para borramento (blurring) e para reduo de

rudo.
O borramento usado em tarefas de pr-processamento, tais como remoo de
pequenos detalhes de uma imagem, antes da extrao de objetos, ou para conexo de
pequenas interrupes em linhas ou curvas.
A reduo de rudo pode ser realizada fazendo o borramento.
Filtros lineares de suavizao: a sada de um filtro espacial linear de suavizao
simplesmente a mdia dos pixels contidos na vizinhana. Esses filtros so chamados
de filtros de mdia, ou filtros de passa-baixa.
A idia dos filtros de suavizao a substituio de valores de cada pixel pela mdia
da sua vizinhana definida pela mscara, o que resulta numa imagem com reduzidas
transies agudas em intensidades.
Como os rudos aleatrios normalmente so constitudos de transies agudas de
intensidade, uma aplicao bvia da suavizao a reduo de rudo.
Contudo, as arestas (edges) tambm consistem de transies agudas de intensidade,
implicando que a suavizao gera um efeito indesejado de borrar as arestas.

Gonzalez &
Woods
Chapter 3
Duas mscaras de filtragem de suavizao (mdia) 3x3.

O multiplicador constante igual a 1 dividido pela soma
dos valores dos coeficientes, requeridos para computar a
mdia.
A segunda mscara calcula uma mdia ponderada, o que implica
na reduo do borramento no processo de suavizao.

Gonzalez &
Woods
Chapter 3
(a) Imagem original, de tamanho 500x500.

(b)-(f) resultado da suavizao com filtros
de mdia de tamanho m=3,5,9,15 e 35.

Gonzalez &
Woods
Chapter 3
(a) Imagem de tamanho 528x485 pixels do telescpio Hubble.

(b) Imagem filtrada com uma mscara de mdia 15x15.
(c) Resultado da limiarizao sobre (b).

Gonzalez &
Woods
Chapter 3
FILTROS ESTATSTICOS (no lineares)
So filtros espaciais no-lineares cuja resposta baseada na ordenao (ranking)

dos pixels contidos na rea de imagem enquadrada pelo filtro, e ento substituir o
valor do pixel central com o valor determinado pelo resultado do ranking.
O filtro mais conhecido nessa categoria o filtro da mediana, que substitui o valor
de um pixel pela mediana dos valores de intensidade na vizinhana do pixel.
Os filtros de mediana so populares porque para certos tipos de rudo, eles
produzem excelente capacidade de reduo, com consideravelmente menos
borramento que os filtros lineares de mesmo tamanho.
Os filtros de mediana so particularmente efetivos na presena de rudos
impulsivos, tambm, chamados de rudos sal-e-pimenta (salt-and-pepper noise),
devido a aparncia de pontos brancos e pretos sobrepostos na imagem.

Gonzalez &
Woods
Chapter 3
MEDIANA
A mediana, , de um conjunto de valores tal que metade dos valores do
conjunto so abaixo ou igual a , e metade so acima ou igual a .
Para realizar a filtragem da mediana num ponto da imagem, primeiro
ordenamos os valores dos pixels na vizinhana, determinamos a sua
mediana, e atribumos aquele valor ao pixel correspondente na imagem
filtrada.
Por exemplo, numa vizinhana 3x3 a mediana o quinto maior valor;
numa vizinhana 5x5, o 130 valor; e assim por diante.
Supondo que a vizinhana 3x3 tem valores (10,20,20,20,15,20,20,25,100).
Esses valores ordenados so (10,15,20,20,20,20,20,25,100), o que resulta
na mediana 20.

Gonzalez &
Woods
Chapter 3
(a) Imagem de raios-X de circuito impresso corrompido

por rudo sal-e-pimenta.
(b) Reduo do rudo com uma mscara de mdia 3x3.
(c) Reduo do rudo com uma mscara de mediana 3x3.

Gonzalez &
Woods
Chapter 3
OUTROS FILTROS ESTATSTICOS
Embora a mediana seja um filtro mais usado em processamento de

imagens, existem outros filtros, como o filtro do mximo, e o filtro do
mnimo.
O filtro do mximo (max filter) encontra o ponto mais brilhante. A resposta
de um filtro 3x3 dada por
R = max{zk | k = 1,2,...,9}
O filtro do mnimo (min filter) oposto ao mximo.

Gonzalez &
Woods
Chapter 3
FILTROS ESPACIAIS DE SHARPENING
O principal objetivo do sharpening acentuar transies na intensidade.

O uso de sharpening de imagens inclui aplicaes desde a impresso
eletrnica, imagens mdicas at inspeo industrial e automao em
sistemas militares.
Como a suavizao de imagens realizada usando a mdia, que anloga
integrao, o sharpening realizado por diferenciao.

Gonzalez &
Woods
Chapter 3
FUNDAMENTOS
As derivadas de uma funo digital so definidas em termos de diferenas.

Existem vrias formas de definir essas diferenas, contudo,
a primeira derivada deve ser:

(1) zero em reas de intensidade constante;
(2) no-zero no comeo de um degrau de intensidade ou de rampa; e
(2) no-zero em rampas.
e a segunda derivada deve ser:

(1) zero em reas constantes;
(2) no-zero no incio e fim de um degrau de intensidade ou de rampas; e
(3) zero ao longo de rampas de inclinao constante.

Gonzalez &
Woods
Chapter 3
(cont.)
A definio bsica da derivada de primeira ordem e uma funo unidimensional f(x)

a diferena
f
f ( x 1) f ( x)
x
A derivada parcial para usar a mesma notao quando considermos funo de duas
variveis f(x,y).
A derivada de segunda ordem de f(x) a diferena
2 f
f ( x 1) f ( x 1) 2 f ( x)
2
x
A fig. 3.36 ilustra essas duas derivadas.
eq. 3.6-2

Gonzalez &
Woods
Chapter 3
Ilustrao da primeira
e segunda derivada de
uma funo 1D (perfil
de intensidade de uma
imagem).

Gonzalez &
Woods
Chapter 3
LAPLACIANO
Estamos interessados em filtros isotrpicos, ou invariantes a rotao, para sharpening.

O Laplaciano um operador derivativo isotrpico, que para uma funo de duas
dimenses f(x,y)
definido
como
2
2
f f
2 f 2 2
x
y
Como derivadas de qualquer ordem so operaes lineares, o Laplaciano um operador

linear.
De forma
discreta usamos a equao 3.6-2, com duas variveis:
2 f
f ( x 1, y ) f ( x 1, y ) 2 f ( x, y )
2
x
2 f
f ( x, y 1) f ( x, y 1) 2 f ( x, y )
2
y
Portanto o Laplaciano dado por:
2 f ( x, y ) f ( x, y 1) f ( x, y 1) f ( x, y 1) f ( x, y 1) 4 f ( x, y )
(eq.3.6-6)

Gonzalez &
Woods
Chapter 3
(a) Mscara de filtro usada

para implementar a eq. 3.6-6
(b) Mscara usada para
implementar uma extenso
dessa equao que inclui
termos diagonais.
(c) e (d) Duas outras implementaes do Laplaciano
encontrado frequentemente
na prtica.

Gonzalez &
Woods
Chapter 3
Devido o Laplaciano ser um operador derivativo, o seu uso reala as

descontinuidades de intensidade numa imagem e desenfatiza regies com nveis de
intensidade que variam lentamente.
Isso tende a produzir imagens que tenham linhas de arestas e outras
descontinuidades, superpostas no fundo escuro. Os fatores de fundo podem ser
recuperados, mantendo os efeitos do Laplaciano, simplesmente adicionando a
imagem Laplaciana imagem original.
importante considerar que mscara de Laplaciano usada. Se a mscara usada tem
o coeficiente central negativo, ento subtrai-se a imagem Laplaciana para obteno
do resultado:
g ( x, y ) f ( x, y ) c 2 f ( x , y )
Eq (3.6-7)
onde f(x,y) e g(x,y) so as imagens de entrada e realada, respectivamente. A

constante c = -1 se os filtros Laplacianos so da Fig.3.37 (a) ou (b); e c = 1, caso
sejam usados os outros dois filtros.

Gonzalez &
Woods
Chapter 3
(a) Imagem borrada do

polo norte da Lua
(b) Laplaciano sem
escala(os valores negativos
so apenas zerados)
(c) Laplaciano com escala
(soma de uma constante para
que todos os pixels se
enquadrem em [0,255])
(d) Imagem realada usando
mscara da fig. 3.37(a)
e equao 3.6-7
(e) Resultado de uso da

mscara da fig. 3.37(b).
e equao 3.6-7

Gonzalez &
Woods
Chapter 3
UNSHARP MASKING E HIGHBOOST FILTERING
O processo usado por muitos anos em indstrias de impresso e publicao para o realce de
imagens consiste na subtrao de uma imagem em verso suavizada (unsharped, smoothed)
da imagem original.
Esse processo chamado unsharp masking consiste nos seguintes passos:
1)
2)
3)
Borrar a imagem original

Subtrair a imagem borrada da original ( a diferena resultante chamada de mscara)
Adicionar a mscara original.
Chamando de f ( x, y ) a imagem borrada, o unsharp masking expresso como:
g mask ( x, y ) f ( x, y ) f ( x, y )
Ento adicionada uma poro ponderada da mscara imagem original:
g ( x, y ) f ( x, y ) k .g mask ( x, y )
onde um peso k positivo foi incluso para generalizao. Quando k = 1, tem-se o unsharp
masking definido anteriormente. Quando k > 1, o processo referido como highboost
filtering. Se k<1 enfatiza-se pouco a contribuio da mscara.

Gonzalez &
Woods
Chapter 3
Ilustrao 1D do
mecanismo de unsharp
masking.
(a) Sinal original
(b) Sinal borrado com o
original mostrado em
pontilhado
(c) Unsharp mask
(d) Sinal realado obtido
somando (c) a (a).

Gonzalez &
Woods
Chapter 3
(a) Imagem original

(b) Resultado de borramento com
filtro Gaussiano
(c) Mscara (unsharp mask)
(d) Resultado de unsharp masking
k=1
(c) Resultado de highboost filtering
k>1
g ( x, y ) f ( x, y ) k .g mask ( x, y )

Gonzalez &
Woods
Chapter 3
SHARPENING USANDO GRADIENTE
Para uma funo f(x,y) o gradiente definido como
f
g x x
f grad ( f ) f
gy
Eq.3.6-10
Esse vetor tem a propriedade de apontar para a direo da maior taxa de variao de f
na posio (x,y).
A magnitude do vetor gradiente denotado por M(x,y) , onde
M ( x, y ) mag (f ) g x2 g y2
o valor em (x,y) da taxa de mudana na direo do vetor gradiente.

Gonzalez &
Woods
Chapter 3
Como os componentes do vetor gradiente so derivadas, eles so operadores

lineares. Contudo, a magnitude desse vetor no operador linear devido ao uso da
raiz quadrada.
Por outro lado, as derivadas parciais da eq.3.6-10 no so invariantes rotao
(isotrpicas), mas a magnitude do vetor gradiente .
Em algumas implementaes, mais adequado computacionalmente aproximar as
operaes quadrado e raiz quadrada por valores absolutos
M ( x, y ) g x g y
Eq. 3.6-12

Gonzalez &
Woods
Chapter 3
Uma regio 3x3 de uma

imagem (zs so intensidade)
(b)-(c) operadores de gradiente
cruzada de Roberts
(d)-(e) operadores de Sobel.
Todos os coeficientes de
mscaras somam zero, como se
espera de um operador
derivativo.

Gonzalez &
Woods
Chapter 3
(a) Imagem ptica de lente de contato (notar os defeitos no

contorno a 4 e 5 horas).
(b) Gradiente de Sobel.

Gonzalez &
Woods
Chapter 3
COMBINAO DE MTODOS ESPACIAIS
A imagem da Fig. 3.43a do escaneamento completo do corpo humano, usado para

detectar doenas, tais como infeco no osso e tumores.
O objetivo melhorar essa imagem realando e trazendo mais detalhes.
O baixo intervalo dinmico dos nveis de intensidade e alto ruido contido torna difcil o
melhoramento.
A estratgia a ser seguida utilizar o Laplaciano para ressaltar os detalhes finos e o
gradiente para melhorar as arestas. Finalmente tenta-se aumentar o intervalo dinmico
dos nveis de intensidade usando uma transformao de intensidade.
A Fig. 3.43b mostra o Laplaciano da imagem original, obtida usando o filtro da Fig.
3.37d. Essa imagem foi escalada (apenas para mostrar) usando a mesma tcnica da Fig.
3.38c. Podemos obter uma imagem realada adicionando a Fig. 3.43(a) e (b) conforme
Fig.3.43c, onde possvel notar o realce de rudos.
Uma forma de reduzir rudo usar o filtro da mediana. Contudo, o filtro da mediana
um processo no linear capaz de remover fatores da imagem. Isso inaceitvel em
processamento de imagens mdicas.

Gonzalez &
Woods
Chapter 3
Um procedimento alternativo usar a mscara formada de uma verso suavizada

do gradiente da imagem original. A motivao baseada nas derivadas de primeira
e segunda ordem. O Laplaciano sendo de segunda ordem, tem vantagem de
melhorar os detalhes, porm causa a produo de mais rudos que o gradiente. Esse
rudo mais visvel em reas mais suaves.
O gradiente tem uma resposta mais forte em reas de transies fortes (rampas e
degraus) que o Laplaciano.
A resposta do gradiente a rudo e detalhes finos menor que o Laplaciano e pode
ser ainda reduzida suavizando o gradiente com um filtro de mdia.
A idia suavizar o gradiente e multiplicar o resultado pela imagem Laplaciana.
Neste contexto pode-se ver o gradiente suavizado como uma mscara. O produto
ir preservar detalhes em reas mais intensas enquanto o rudo reduzido em reas
relativamente planas. Esse processo uma combinao dos melhores fatores do
Laplaciano e do gradiente. O resultado adicionado imagem original para obter
uma imagem final realada (Fig. 3.43d).

Gonzalez &
Woods
Chapter 3
(a) Imagem do corpo

completo
(b) Laplaciano de (a)
(c) Imagem realada
obtido somando (a) e (b)
(d) Gradiente de Sobel de (a)

Gonzalez &
Woods
Chapter 3
A Fig. 3.43d mostra o gradiente de Sobel da imagem original, computado usando a

eq. 3.6-12. Os componentes gx e gy foram obtidos usando as mscaras da Fig.
3.41(d) e (e), respectivamente. Como esperado, as arestas so mais dominantes
nessa imagem que na imagem Laplaciano.
A Fig. 3.43e mostra uma imagem gradiente suavizada obtida usando um filtro de
mdia de tamanho 5x5.
As duas imagens gradientes foram escaladas para mostrar da mesma forma que a
imagem Laplaciano.
O produto da imagem Laplaciana e a imagem gradiente suavizada mostrado na
Fig.3.43f. Nota-se a predominncia de arestas fortes e falta relativa de rudos, que
o nosso objetivo central.
Adicionando a imagem produto original resulta na Fig. 3.43g. O significante
incremento no realce de detalhes evidente, incluindo costela, coluna vertebral,
pelvis e crnio.
Para aumentar o intervalo dinmico a etapa final usar uma funo de
transformao, Fig.3.43h, obtida com uma transformao de potncia ( power-law)
(eq.3.2-3) com =0,5 e c =1.

Gonzalez &
Woods
Chapter 3
(e) Imagem Sobel

suavizada com um filtro
de mdia 5x5.
(f) Imagem de mscara
formada pelo produto
de (c) e (e)
(g) Imagem realada
obtida somando (a) e (f)
(h) Resultado final obtido
aplicando uma transformao de potncia
(power-law) sobre (g).
Comparar (g) e (h) com (a)

Gonzalez &
Woods
Chapter 3
ab
cd
ef
gh
Comparar
(a) com
(g) e (h).

Gonzalez &
Woods
Chapter 3
TCNICAS FUZZY PARA AS TRANSFORMAES E FILTRAGENS ESPACIAIS
Uma idia central na teoria dos conjuntos a noo de associao (membership).

Estamos acostumados a lidar com conjuntos crisp cuja associao somente pode ser verdade
ou falso no senso tradicional ou lgica Booleana binria, com 1 tipicamente indicando
verdade e 0 indicando falso.
Por exemplo, seja Z o conjunto de todas as pessoas, e supe-se que definimos um
subconjunto, A de Z, chamado conjunto de pessoas jovens.
Para formar esse subconjunto, precisamos definir uma funo de associao que atribui o
valor 1 ou 0 a cada elemento, z, de Z.
Como estamos lidando com lgica binria, a funo de associao simplesmente define um
limiar igual ou abaixo do qual uma pessoa considerada jovem, e acima do qual a pessoa
considerada no-jovem.
A Fig. 3.44 resume esse conceito usando o limiar de 20 anos e chamando A(z) a funo de
associao.

Gonzalez &
Woods
Chapter 3
Vemos uma dificuldade imediata nesta formulao: uma pessoa de 20 anos de

idade considerada jovem, mas uma pessoa cuja idade 20 anos e 1 segundo no
um membro do conjunto de pessoas jovens.
Esse um problema fundamental com conjuntos crisp que limitam o uso da teoria
de conjuntos clssica em muitas aplicaes.
O que necessitamos maior flexibilidade no que significa jovem, isto , uma
transio de jovem para no-jovem.
A Fig. 3.44b mostra uma possibilidade. A idia dessa funo que ela permite um
grau de juventude (youngness). Podemos fazer afirmaes tais como uma pessoa
50% jovem, no meio da rampa; e no to jovem, final da rampa.
Esse tipo de incerteza no que significa jovem mais compatvel com o que o ser
humano pensa quanto a idade.
Assim, a funo de associao com infinitos valores a base da lgica fuzzy, e o
conjunto gerado usando essa funo pode ser visto como conjunto fuzzy.

Gonzalez &
Woods
Chapter 3
Funes de associao (membership) usadas para gerar:

(a) Um conjunto crisp e
(b) Um conjunto fuzzy.

Gonzalez &
Woods
Chapter 3
PRINCPIOS DA TEORIA DE LGICA FUZZY

Definies:
Seja Z um conjunto de elementos (objetos) com um elemento genrico denotado por
z, ou seja Z= {z}. Este conjunto chamado de universo de discurso. Um conjunto
fuzzy A em Z caracterizado pela funo de associao A(z) que associa a cada
elemento de Z um nmero real no intervalo [0,1]. O valor de A(z) representa o
grau de associao de z em A. Quanto maior o valor de A(z), maior o grau de
associao de z em A. O conceito de pertencer a em conjuntos convencionais no
tem mesmo sentido na teoria de conjunto fuzzy. Em conjuntos fuzzy dizemos que
todos os zs para os quais A(z)=1 so membros completos do conjunto, todos os zs
para os quais A(z) =0 no so membros do conjunto, e todos os zs em que A(z)
estiver entre 0 e 1 tem associao parcial no conjunto.
Portanto, um conjunto fuzzy um par ordenado consistindo de valores de z e uma
funo de associao correspondente que atribui um grau de associao a cada z.
Isto
A z, A ( z ) | z Z

Gonzalez &
Woods
Chapter 3
Quando as variveis so contnuas, o conjunto A pode ter um nmero infinito

de elementos.
Quando os valores de z so discretos, podemos mostrar os elementos de A
explicitamente.
Por exemplo, se o incremento de idade da Fig.3.44 for limitado em nmeros
inteiros, teremos
A = {(1,1),(2,1),(3,1)..., (20,1),(21,0.9),(22,0.8),...,(25,0.5),(24,0.4),...,(29,0.1)}
onde por exemplo, o elemento (22,0.8) denota que a idade 22 tem um grau 0.8
de associao.
Em outras palavras, um conjunto fuzzy discreto o conjunto de pontos de uma
funo que mapeia cada elemento do domnio (universo de discurso) em um
nmero maior que 0 e menor ou igual a 1.
Quando A(z) pode ter somente 0 e 1, a funo de associao reduz-se a uma
funo caracterstica familiar, do conjunto crisp A.
Assim, os conjuntos ordinrios so um caso especial de conjuntos fuzzy.

Gonzalez &
Woods
Chapter 3
Conjunto vazio: um conjunto fuzzy vazio se e somente se a funo de associao

identicamente zero em Z.
Igualdade: dois conjuntos A e B so iguais, A=B, se e somente se
A ( z ) B ( z ) para todo z Z
Complemento: o complemento (NOT) de um conjunto A, denotado

NOT(A), definido como o conjunto cuja funo de associao
A ( z) 1 A ( z)
A , ou
para todo z Z
Subconjunto: um conjunto A um subconjunto de um conjunto B se e somente se
A ( z) B ( z)
para todo z Z

Gonzalez &
Woods
Chapter 3
Unio: a unio (OR) de dois conjuntos A e B, denotado A B

conjunto U com a funo de associao
U ( z ) max A ( z ), B ( z )
, ou A OR B, um
para todo z Z
Interseco: a interseco (AND) de dois conjuntos A e B, denotado

A AND B
I ( z ) min A ( z ), B ( z )
para todo z Z
A B
ou
(eq. 3.8-5)

Gonzalez &
Woods
Chapter 3
(a) Funes de associao de dois conjuntos A e B

(b) Funo de associao do complemento de A
(c) e (d) funes de associao da unio e interseco dos
dois conjuntos, respectivamente

Gonzalez &
Woods
Chapter 3
Embora a lgica fuzzy e probabilidade operem no mesmo intervalo [0,1],

existe uma distino significante entre elas.
Considerando o exemplo da Fig. 3.44, uma afirmao probabilstica seria:
Existe uma chance de 50% de que uma pessoa seja jovem., enquanto que
a afirmao fuzzy seria O grau de associao de uma pessoa dentro do
conjunto de pessoas jovens 0.5..
Na primeira afirmao, a pessoa pode estar ou no conjunto de jovens ou no
conjunto de no-jovens, e existe uma chance de 50% de saber em que
conjunto pertence.
A segunda afirmao pressupe que uma pessoa jovem em certo grau,
neste caso de 0.5.

Gonzalez &
Woods
Chapter 3
ALGUMAS FUNES DE ASSOCIAO COMUNS

Triangular:
1 (a z ) / b a b z a
( z ) 1 ( z a) / c a z a c
0
caso contrrio
Trapezoidal:
ac z a
1 (a z ) / c
1
a zb
( z)
b z bd
1 ( z b) / d
0
caso contrrio
Eq. 3.8-6
Sigma:
a b z a
1 (a z ) / b
( z) 1
za
0
caso contrrio
Eq. 3.8-7
Eq. 3.8-8

Gonzalez &
Woods
Chapter 3
S-shape:
za
2
za
2
ca
S ( z ; a , b, c )
1 2 z c
ca
1
Bell-shape:
a zb
bzc
zc
S ( z; c b, c b / 2, c)
1 S ( z; c, c b / 2, c b)
( z)
Eq. 3.8-9
zc
zc
Eq. 3.8-10
Gaussiano truncado:
e
( z)
0
( z a )2
2b 2
ac z ac
caso contrrio
Eq. 3.8-11

Gonzalez &
Woods
Chapter 3
Funes de associao
correspondentes s
equaes 3.8-6 a
3.8-11

Gonzalez &
Woods
Chapter 3
USANDO CONJUNTOS FUZZY

Supe-se que estamos interessados em usar cores para categorizar um certo tipo
de frutas em 3 grupos: no-madura (verdant), meio-madura(half-mature) e
madura (mature).
Assume-se que as frutas no-maduras so verdes (green), meio-maduras so

amarelas(yellow), e maduras so vermelhas(red).
Os rtulos verde, amarelo e vermelho so descries vagas de sensao de cor.

Esses rtulos devem ser expressos em formato fuzzy. Eles devem ser
fuzzificados. Isso pode ser feito definindo a funo de associao de cor
proporcional ao comprimento de onda da luz, como a Fig. 3.47a.
Neste contexto, diz-se que cor uma varivel lingustica, e uma cor particular
um valor lingustico. Um valor z0, fuzzificado usando uma funo de
associao para mape-lo no intervalo [0,1], como mostra a Fig. 3.47b.

Gonzalez &
Woods
Chapter 3
(a) Funes de associao

usadas para fuzzificar a cor
(b) Fuzzificar uma cor
especfica z0.

Gonzalez &
Woods
Chapter 3
O conhecimento especfico do problema pode ser formalizado

na forma das regras fuzzy IF-THEN:
R1: IF the color is green, THEN the fruit is verdant.
OR
R2: IF the color is yellow, THEN the fruit is half-mature.
OR
R3: IF the color is red, THEN the fruit is mature.
Essas regras representam o total do conhecimento sobre esse

problema.

Gonzalez &
Woods
Chapter 3
O prximo passo achar um meio de usar entradas (cor,

comprimento de onda) e a base de conhecimento representada
pelas regras IF-THEN para criar a sada do sistema fuzzy.
Este processo conhecido como implicao ou inferncia.
Contudo, antes da implicao poder ser aplicada, o antecedente de cada regra deve
ser processado par permitir um nico valor.
Mltiplas partes de um antecedente so conectadas por ANDs e ORs. Baseadas nas
definies, isso significa realizar as operaes de min e max.
Para simplificar a explicao, lidamos inicialmente com regras cujos antecedentes
contenham somente uma parte.
Como as entradas so fuzzy, as sadas tambm so fuzzy, e portanto devemos definir
as funes de associao para as sadas.
A Fig. 3.48 mostra as funes de associao das sadas fuzzy que sero usadas no
exemplo. Note que a varivel independente das sadas maturidade, que diferente
das variveis independentes de entradas.

Gonzalez &
Woods
Chapter 3
Funes de associao
caracterizando as sadas
no-madura, meio-madura e
madura

Gonzalez &
Woods
Chapter 3
As Figs. 3.47 e 3.48 juntas com a regra bsica, contm todas as informaes
requeridas para relacionar entradas e sadas.
Por exemplo, notamos que a expresso red AND mature nada mais que a
interseco (AND) definida anteriormente.
No presente caso, as variveis independentes das funes de associao de
entradas e sadas so diferentes, tal que o resultado seja bidimensional.
Por exemplo, a Fig. 3.49(a) e (b) mostram as funes de associao de red e
mature e a Fig. 3.49(c) mostra como elas se combinam em duas dimenses.
Para achar o resultado da operao AND entre essas duas funes, lembrar da eq.
3.8-5 em que AND definido como o mnimo das duas funes.
3 ( z, v) min red ( z ), mat (v)
A Fig. 3.49(d) mostra o resultado da operao AND.
Eq. 3.8-12

Gonzalez &
Woods
Chapter 3
3 ( z , v) min red ( z ), mat (v)

(a) Forma da
funo de
associao
relativa cor
red e
(b) funo de
associao
de sada
correspondente.
Essas 2 funes
so relacionadas
pela regra R3.
(c) Representao
combinada das
duas funes
(d) AND de (a)
e (b)

Gonzalez &
Woods
Chapter 3
A equao 3.8-12 a combinao geral envolvendo duas funes de associao. Na prtica

estamos interessados na sada resultante de uma entrada especfica, z 0.
O grau de associao do componente de cor red em resposta a essa entrada simplesmente
um valor escalar, red(z0).
Achamos a sada correspondente regra R3 e essa entrada especfica realizando a operao
AND entre red(z0) e a combinao, 3(z,v), avaliado tambm em z0.
Como visto antes, a operao AND implementada usando a operao de mnimo:
Q3 (v) min red ( z0 ), 3 ( z0 , v)
Eq. 3.8-13
onde Q3(v) denota a sada devida a regra R3 e uma entrada especfica, z 0. A nica varivel
em Q3 a varivel de sada, v, como esperado.
Para interpretar a equao 3.8-13 graficamente consideramos a Fig. 3.49d novamente, que
mostra a funo 3(z,v).
Realizando a operao de mnimo de uma constante positiva, c, e essa funo, corta todos os
valores de 3(z,v) acima da constante, como mostra a Fig. 3.50(a).
Contudo estamos interessados somente no valor (z 0) de cores, em que o resultado uma
seco ao longo do eixo de maturidade, v, como mostra a Fig.3.50b.

Gonzalez &
Woods
Chapter 3
(a) Resultado da computao do mnimo de uma constante

arbitrria , c, e funo 3(z,v) da eq. 3.8-12. O mnimo
equivalente a uma operao AND
(b) Seco (linha escura) de uma cor especfica, z0.

Gonzalez &
Woods
Chapter 3
Usando a mesma linha de raciocnio, obtm-se as respostas fuzzy devidas a outras

duas regras e a entrada z0, como segue:
Q3 (v) min red ( z0 ), 3 ( z0 , v)
Eq. 3.8-14
Para obter a resposta global, a sada fuzzy completa dada por
Q1 (v) min green ( z0 ), 1 ( z0 , v)
Eq.3.8-15
que consiste na unio dos trs conjuntos fuzzy individuais.
Q Q1 OR Q2 OR Q3
Eq. 3.8-16

Gonzalez &
Woods
Chapter 3
(a) Funes de
associao com
uma cor especfica,
z0, selecionada.
(b) Conjuntos fuzzy
individuais obtidos
das eq. 3.8-13 a
3.8-15
(c) Conjunto fuzzy
final obtido usando
Eq.3.8-16 or 3.8-17

Gonzalez &
Woods
Chapter 3
Em outra forma,
Q(v) max min s ( z0 ), r ( z0 , v)

r
Eq.3.8-17
para r ={1,2,3}e s={green, yellow, red}, o que pode ser generalizado para qualquer
nmero finito de funes de associao.
O ltimo passo obter uma sada crisp, v0, do conjunto Q, usando um procedimento
chamado defuzzificao.
Uma das formas usadas computar o centro de gravidade do conjunto. Assim, se
Q(v) da equao. 3.8-17 pode ter K possveis valores, Q(1), Q(2),...,Q(K), o seu
centro de gravidade dado por
v0
v 1
K
vQ(v)
v 1
Q (v )
Avaliando essa equao com os valores discretos de Q na Fig.3.51c tem-se v 0=72.3,

indicando que a dada cor z0 implica na maturidade da fruta de aproximadamente
72%.

Gonzalez &
Woods
Chapter 3
At o momento foi considerada a regra IF-THEN cujos antecedentes tem

apenas uma parte, como IF the color is red.
Regras contendo mais que uma parte deve ser combinada para obter um
nico nmero que representa o antecedente inteiro para aquela regra.
Por exemplo, supe-se que temos a regra: IF the color is red OR the
consistency is soft, THEN the fruit is mature. A funo de associao deve
ser definida para a varivel lingustica soft. Ento, para obter um nico
nmero para essa regra que leva em conta ambas as partes do antecedente,
avaliamos primeiro um dado valor de cor de entrada red usando a funo
de associao red e um dado valor de consistncia usando a funo de
associao soft. Esses dois resultados calculamos o mximo (OR) entre
eles.

Gonzalez &
Woods
Chapter 3
A Fig. 3.52 mostra o exemplo da fruta usando duas entradas: cor e

consistncia. Pode-se usar essa figura e resumir os principais passos
seguidos na aplicao da lgica fuzzy baseada em regra:
1. Fuzzificar as entradas: para cada entrada escalar, achar os valores fuzzy
correspondentes mapeando a entrada no intervalo [0,1], usando funes de
associao aplicveis em cada regra, como mostram as duas primeiras
colunas da Fig. 3.52.
2. Realizar as operaes lgicas fuzzy requeridas: as sadas de todas as
partes de um antecedente devem ser combinadas para obter um nico valor
usando operao max ou min, dependendo se as partes so conectadas or
ORs ou ANDs. Na Fig. 3.52, todas as partes dos antecedentes so
conectadas por ORs.

Gonzalez &
Woods
Chapter 3
3.Aplicar um mtodo de implicao: a sada nica de um antecedente de

cada regra usada para prover a sada correspondente. No exemplo usamos
AND, que define a operao min. Isso corta a funo de associao de
sada correspondente, no valor provido pelo antecedente, como mostram as
colunas 3 e 4 da Fig. 3.52.
4. Aplicar o mtodo de agregao para os conjuntos fuzzy do passo 3:
como a ltima coluna da Fig. 3.52 mostra, a sada de cada regra um
conjunto fuzzy. Elas devem ser combinadas para prover um nico conjunto
fuzzy de sada. A abordagem usada aqui a OR das sadas individuais,
portanto operao max usada.
5. Defuzzificar a sada final do conjunto: Neste passo, obtemos uma sada
escalar crisp. Isso obtido computando o centro de gravidade do conjunto
fuzzy agregado do passo 4.

Gonzalez &
Woods
Chapter 3
Exemplo ilustrando
os cinco passos bsicos
usados tipicamente para
implementar um sistema
baseado em regras fuzzy.
(1) Fuzzificao
(2) Operao lgica (s
OR foi usado no
exemplo)
(3) Implicao
(4) Agregao
(5) defuzzificao

Gonzalez &
Woods
Chapter 3

Gonzalez &
Woods
Chapter 3
Quando o nmero de variveis grande, comum usar notao simplificada

(varivel, conjunto fuzzy). Por exemplo, a regra IF the color is green THEN the
fruit is verdant pode ser escrita IF (z, green) THE (v, verdant), onde as variveis z e
v representam a cor e o grau de maturao, respectivamente; e green e verdant so
dois conjuntos fuzzy definidos pelas funes de associao green(z) e verdant(z),
respectivamente.
Em geral com M regras IF-THEN e N variveis de entrada, z 1, z12,...zN, e uma
varivel de sada, v, tem-se:
IF ( z1 A11 ) AND ( z2 A12 ) AND... AND ( z N A1N )THEN (v, B1 )

IF ( z1 A21 ) AND( z2 A22 ) AND... AND ( z N A2 N )THEN (v, B2 )
.......
IF ( z1 AM 1 ) AND ( z2 AM 2 ) AND... AND ( z N AMN )THEN (v, BM )
ELSE (v, BE )

Gonzalez &
Woods
Chapter 3
USANDO CONJUNTOS FUZZY PARA TRANSFORMAES DE

INTENSIDADE
Considerando o problema do melhoramento de contraste. A regra pode ser:
IF pixel dark, THEN darker

IF pixel gray, THEN gray
IF pixel bright THEN brighter
Em termos fuzzy os conceitos de dark, gray e bright so as funes de
associao da Fig. 3.53a.
Em termos de sada, considerar darker um grau de intensidade de dark,
brighter um grau de intensidade de bright, e gray um grau de intensidade
no meio da escala de cinza, como mostra a Fig. 3.53b.

Gonzalez &
Woods
Chapter 3
Funes de
associao de entrada
associao de sada
para melhoramento de contraste baseado em regras fuzzy.

Gonzalez &
Woods
Chapter 3
(a) Imagem de baixo contraste

(b) Resultado da equalizao de histograma
(c) Resultado de melhoramento de contraste usando
regras baseadas em fuzzy

Gonzalez &
Woods
Chapter 3
(a) e (b) Histogramas das

figs. 3.54(a) e (b)
(c) Funes de associao
de entrada superimpostas
sobre (a)
(d) Histograma da fig.3.54(c)

Gonzalez &
Woods
Chapter 3
USANDO CONJUNTOS FUZZY PARA FILTRAGEM ESPACIAL

A abordagem bsica definir as propriedades de vizinhana que capturam
a essncia de que filtros so supostos detectar.
Por exemplo, considerar o problema de detectar o contorno entre regies
numa imagem.
Podemos desenvolver um algoritmo de extrao de contorno num conceito
fuzzy simples: se um pixel pertence a uma regio uniforme, ento faa-o
white; seno faa-o black, onde white e black so conjuntos fuzzy.
Para o conceito de regio uniforme, pode ser considerada a diferena de
intensidades entre o pixel central e os seus vizinhos. Para a Fig. 3.56a as
diferenas entre o pixel central (z5) e cada um dos vizinhos forma a
subimagem de tamanho 3x3 da Fig. 3.56b.

Gonzalez &
Woods
Chapter 3
(a) Uma vizinhana de pixels 3x3

(b) Diferenas de intensidade entre o pixel
central e seu vizinho. Somente d2, d4, d6 e d8 foram
usadas na presente aplicao para simplificao.

Gonzalez &
Woods
Chapter 3
Um conjunto de quatro regras IF-THEN e uma regra ELSE implementa a

essncia do conceito fuzzy mencionado anteriormente:
IF d2 is zero AND d6 is zero THEN z5 is white
IF d8 is zero AND d4is zero THEN z5 is white
ELSE z5 is black
Fig. 3.57 mostra possveis funes de associao para os conjuntos fuzzy

zero, black e white.
A Fig. 3.58 mostra graficamente a regra estabelecida acima.

Gonzalez &
Woods
Chapter 3
(a) Funo de associao do conjunto fuzzy zero

(b) Funes de associao dos conjuntos fuzzy preto e branco

Gonzalez &
Woods
Chapter 3
Conjunto fuzzy para

deteco de contorno

Gonzalez &
Woods
Chapter 3
(a) CT de uma cabea humana

(b) Resultado do filtro especial fuzzy usando funes de associao
em fig. 3.57 e as regras na fig. 3.58.
(c) Resultado aps escalao de intensidade.

Aula3 Imagens

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula3 Imagens

Enviado por

Direitos autorais:

Formatos disponíveis

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

FUNDAMENTOS DE FILTRAGEM ESPACIAL

Filtragem espacial uma das principais ferramentas usadas para um largo

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

A mecnica de filtragem espacial

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

g ( x, y ) w(1,1) f ( x 1, y 1) w(1,0) f ( x 1, y ) ...

onde x e y so variados tal que cada pixel em w visite todos os pixel em f.

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

CORRELAO E CONVOLUO ESPACIAIS

A convoluo difere da convoluo pela rotao do filtro de 180 o.

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

Correlao (linha do meio) e

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

Usar operaes de correlao ou convoluo para a filtragem espacial

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

Quando o interesse est na resposta caracterstica, R, de uma mscara,

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

Uma representao de uma

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

GERAO DE MSCARAS DE FILTRO ESPACIAL

A gerao requer a especificao de mn coeficientes do filtro. Esses coeficientes so

onde o desvio padro.

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

FILTROS ESPACIAIS DE SUAVIZAO

Os filtros de suavizao so usados para borramento (blurring) e para reduo de

19922008 R. C. Gonzalez & R. E. Woods

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

Duas mscaras de filtragem de suavizao (mdia) 3x3.

Digital Image Processing, 3rd ed.

Intensity Transformations & Spatial Filtering

(a) Imagem original, de tamanho 500x500.

19922008 R. C. Gonzalez & R. E. Woods