Escolar Documentos
Profissional Documentos
Cultura Documentos
Gonzalez &
Woods
www.ImageProcessingPlace.com
Chapter 3
Chapter 3
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 :
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
Chapter 3
Chapter 3
w( x, y ) f ( x, y )
w(s, t ) f ( x s, y t )
s at b
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.
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.
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Observaes:
Chapter 3
REPRESENTAO VETORIAL
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 .
Chapter 3
wk z k
k 1
w Tz
19922008 R. C. Gonzalez & R. E. Woods
Chapter 3
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
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3
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.
Chapter 3
Chapter 3
Chapter 3
Chapter 3
FUNDAMENTOS
Chapter 3
(cont.)
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
eq. 3.6-2
Chapter 3
Ilustrao da primeira
e segunda derivada de
uma funo 1D (perfil
de intensidade de uma
imagem).
19922008 R. C. Gonzalez & R. E. Woods
Chapter 3
LAPLACIANO
2 f
f ( x, y 1) f ( x, y 1) 2 f ( x, y )
2
y
2 f ( x, y ) f ( x, y 1) f ( x, y 1) f ( x, y 1) f ( x, y 1) 4 f ( x, y )
19922008 R. C. Gonzalez & R. E. Woods
(eq.3.6-6)
Chapter 3
Chapter 3
g ( x, y ) f ( x, y ) c 2 f ( x , y )
Eq (3.6-7)
Chapter 3
Chapter 3
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)
g mask ( x, y ) f ( x, y ) f ( x, y )
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.
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).
19922008 R. C. Gonzalez & R. E. Woods
Chapter 3
Chapter 3
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.
Chapter 3
M ( x, y ) g x g y
Eq. 3.6-12
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3
ab
cd
ef
gh
Comparar
(a) com
(g) e (h).
Chapter 3
Chapter 3
Chapter 3
Chapter 3
A z, A ( z ) | z Z
Chapter 3
Chapter 3
A ( z ) B ( z ) para todo z Z
A ( z) 1 A ( z)
A , ou
para todo z Z
A ( z) B ( z)
para todo z Z
Chapter 3
U ( z ) max A ( z ), B ( z )
, ou A OR B, um
para todo z Z
I ( z ) min A ( z ), B ( z )
para todo z Z
A B
ou
(eq. 3.8-5)
Chapter 3
Chapter 3
Chapter 3
( 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
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
19922008 R. C. Gonzalez & R. E. Woods
( z a )2
2b 2
ac z ac
caso contrrio
Eq. 3.8-11
Chapter 3
Funes de associao
correspondentes s
equaes 3.8-6 a
3.8-11
Chapter 3
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.
Chapter 3
Chapter 3
Chapter 3
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.
Chapter 3
Funes de associao
caracterizando as sadas
no-madura, meio-madura e
madura
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.
Eq. 3.8-12
Chapter 3
(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)
Chapter 3
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.
Chapter 3
Chapter 3
Eq. 3.8-14
Eq.3.8-15
Q Q1 OR Q2 OR Q3
Eq. 3.8-16
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
19922008 R. C. Gonzalez & R. E. Woods
Chapter 3
Em outra forma,
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 )
Chapter 3
Chapter 3
Chapter 3
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
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Funes de
associao de entrada
associao de sada
para melhoramento de contraste baseado em regras fuzzy.
19922008 R. C. Gonzalez & R. E. Woods
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3
Chapter 3