PDI Tutorial

isep
Processamento de Imagem
Mestrado ISEP/IST em
Eng. Electrotécnica e
Computadores
António Costa (acc@dei.isep.ipp.pt)
Índice
isep
• Introdução
• Definições
• Ferramentas
• Amostragem
• Algoritmos
• Técnicas
• Conclusão
• Informação Adicional
Maio 2004 Processamento de Imagem 2

Introdução
isep
• Processamento Digital de Imagem
– Desde circuitos simples até sistemas
computacionais
• Enquadramento do Processamento de
Designação Entrada Saída
Imagem
Síntese de Imagem Descrição Imagem
Processamento de Imagem Imagem Imagem
Análise de Imagem Imagem Medidas
Compreensão de Imagem Imagem Descrição
• Domínio de aplicação 2D (mais comum)

Definições
isep
• Imagem
– É uma função escalar a(x,y): intensidade de
qualquer coisa traduzida num valor inteiro, real
ou complexo
– Uma imagem digital a[m,n] resulta de imagem
analógica a(x,y) através de amostragem -
digitalização
– Uma imagem é formada por N linhas e M
colunas, sendo cada elemento de imagem
a[m,n] um pixel
– Na realidade a função a() é a(x,y,z,t,λ ,...), mas
será abordado apenas o caso 2D, estático e
monocromático
Definições
isep
• Exemplo
Linhas Colunas
Valor = a(x,y,z,t,λ )
– Imagem de 16 linhas e 16 colunas

– Pixel em a[10,3] tem valor inteiro 110
(gama 0-255)
Definições
isep
• Valores mais comuns
– Nº de linhas N: 256, 512, 525, 625, 768, 1024, 1035
– Nº de colunas M: 256, 512, 768, 1024, 1320
– Nº de intensidades: 2, 64, 256, 1024, 65536, 224 , 232
– Casos mais comuns: M=N=2K (K=8,9 ou 10)
devido a tecnologias de hardware ou algoritmos (FFT)
– O número máximo de intensidades é geralmente
potência de 2
• Caso =2: imagem binária (“preto e branco”)
• Caso >2: imagem “em tons de cinzento”

Definições
isep
• Tipos de operações sobre imagens
– Transformação de imagem a[m,n] em
imagem b[m,n]
• Pontual: o resultado num pixel apenas
depende do valor do pixel de entrada
correspondente
• Local: o resultado num pixel depende dos
valores da vizinhança de pixels de entrada
próximos
• Global: o resultado num pixel depende de
todos os valores dos pixels
Pontual
de entrada
Global Local
• Exemplos
Definições
isep
• Tipos de vizinhança de pixels
– O conceito de vizinhança de pixels é
muito importante
– No caso mais comum de amostragem
rectangular as vizinhanças mais usadas
são a viz4 e a viz8
– Em alguns dispositivos é possível
efectuar amostragem hexagonal, de que
resulta a vizinhança viz6
– Exemplos

Ferramentas
isep
• Convolução
– Obedece ao princípio da sobreposição
– Permite descrever a saída de um sistema linear,
conhecidas a entrada e a função de transferência
– Versão “discreta”
c[m,n] = a[m,n] ⊗ b[m,n] = ∑j ∑k a[j,k] × b[m-j,n-k]
• Correlação
– Mede o grau de “similaridade” entre dois sinais
– Versão “discreta”
c[m,n] = a[m,n]  b[m,n] = ∑j ∑k a[j,k] ×
b[m+j,n+k]

Ferramentas
isep
• Transformada de Fourier
– Versão “discreta” (DFT)
A(ω ,ψ ) = ∑m ∑n a[m,n] × e-j(ω m + ψ n)
a[m,n] = 1/4π 2 × ∫ ω ∫ ψ A(ω ,ψ ) × e+j(ω m + ψ n)
dω dψ
– A transformada de uma
log(|A(ω ,ψ )|) imagemReconstrução
pode
com ϕ (ω ,ψ )=0
ser complexa
– Exemplo
a[m,n]
Reconstrução
ϕ (ω ,ψ ) com log(|A(ω ,ψ )|)=k

Ferramentas
isep
• Estatísticas
– É comum o uso de descrições
estatísticas simples
– A função densidade de probabilidade
p(a) de uma região de pixels pode ser
estimada por contagem das ocorrências
de intensidade nessa região
– Essa contagem pode ser descrita pelo
histograma h[a]
a[m,n]
P(a) - Intensidade h[a] - Intensidade

Ferramentas
isep
• Estatísticas
– Média ma = 1/P × ∑j,k a[j,k] (P - nº
de pixels da região)
– Desvio padrão sa = √ 1/(P-1) × ∑j,k(a[j,k] -
ma)2
– Relação sinal/ruído SNR = 20log10((amax -
Média: 219.3
amin) / sn) Desvio padrão: 4.0
Mínimo: 202 (sn -
desvio padrão do ruído) Mediana: 220
Máximo: 226
– Exemplo Moda: 220
SNR: 33.3

Ferramentas
isep
• Representações de contorno
– Chain codes
• Seguimento do contorno em sentido horário
com anotação das mudanças de direcção
entre pixels sucessivos - exemplo
Pi +7076666544556...
– Crack codes
• Seguimento da linha entre
objecto e fundo (crack)

Ferramentas
isep
• Uma nota de aviso
– Não é possível ainda modelar o sistema
visual humano através das técnicas
correntes de análise de sistemas
– As ilusões ópticas não se enquadram
nesses modelos
Indução de visualização de Indução de visualização

valores “cinzentos” que se de contornos inexistentes
sabe não existem e noção e contraste exagerado
de dinamismo na imagem
URL: http://www.city.ac.uk/optics/BVTutor/html/ocular_movements_i.html
Amostragem
isep
• Amostragem de imagem
– Ideal
bideal [m,n] = ∑m ∑n a(mX0,nY0) × δ (x-mX0,y-nY0)
– “Real”
breal [m,n] = (a(x,y) ⊗ p(x,y)) × ∑m ∑n δ (x-mX0,y-
nY0)
– A função de abertura p(x,y) depende da tecnologia
usada na captura da informação e é
frequentemente:
• Circular; Quadrada; Gaussiana
– Deve escolher-se a densidade de amostragem com
base na teoria de sinal clássica (teoria de Nyquist)

Algoritmos
Baseados
isep em operações de histograma
• Alargamento do contraste
– Muitas imagens são geradas com intensidades que
não aproveitam a gama máxima de intensidades
– Corrige-se através do alargamento da gama da
imagem
b[m,n] = (2B-1) × (a[m,n] - plow% ) / (phigh% - plow% )
se plow% < a[m,n] < phigh% ; senão 0 ou 2B-1
• plow% - intensidade baixa no histograma (0%, 1%, 5%)

• phigh% - intensidade alta no histograma (100%, 99%, 95%)
contraste
original
alargado

Algoritmos
Baseados
isep em operações de histograma
• Equalização de histogramas
– Normaliza-se o histograma da imagem
para um histograma “padrão”
(comparação de imagens, etc)
– O objectivo ideal é obter ocorrências
iguais para todas as intensidades -
histograma plano
– Pode obter-se algo aproximado usando
a função distribuição de probabilidade
histograma
(normalizada
original de 0 a 2B-1) como índice de
equalizado
acesso ao histograma “padrão”...
Algoritmos
isep Baseados em operações matemáticas
• Operações binárias
– Baseadas nas operações booleanas pixel a pixel
– Exemplo
Imagem a Imagem b
• Operações
NOT(b) “aritméticas”
OR(a,b) AND(a,b) XOR(a,b) SUB(a,b)
[ AND(a,NOT(b)) ]
– a+b a/b log(a) exp(a) sqrt(a) sin(a) (2 -1)-a, etc B

Algoritmos
isep Baseados em convolução
• Enquadramento
– Baseia-se na noção de uma janela finita
h() operando sobre a imagem a(),
produzindo uma nova imagem c()
– O pixel de saída é igual à soma pesada
dos pixels de entrada dentro da janela,
em que os pesos são os valores
específicos do filtro de convolução h()
• Convolução no domínio espacial
c[m,n] = a[m,n] ⊗ h[m,n] = ∑j ∑k h[j,k] × a[m-j,n-k]
• Note-se–quePode gerar
m-j ou n-k podem seracessos
negativos “fora” da imagem
• Solução: extender artificialmente a imagem
a[m,n]
Algoritmos
isep Baseados em suavização
• Objectivos gerais
– Tipicamente usados para reduzir o ruído e/ou
preparar imagens para outros
processamentos mais complexos
Rectangular (J=K=5) Circular (J=K=5)
• Filtros lineares
– Filtro uniforme:
Piramidal (J=K=5) Cónico (J=K=5)
– Filtro triangular:
– Filtro gaussiano: cada vez mais utilizado

(versatilidade)
Algoritmos
• Filtros não-lineares
– Estes filtros não podem ser alvo de análises
de Fourier
– Filtro de mediana: em cada aplicação da
janela h()
usa-se a intensidade mediana dentro da
referida janela Região 1
– Filtro Kuwahara: preserva bem os contornos

Região 2
• Em cada uma das 4 regiões
calcula-se a média e a variância
Região 4 Pixel
• O valor atribuído ao pixel central central
é o valor médio da região que

Região 3
possui menor variância
Algoritmos
• Exemplos de vários filtros de
suavização
Imagem original Histograma
Filtro linear Filtro linear

Uniforme 5x5 Gaussiano (σ =2.5)
Filtro não-linear Filtro não-linear

Mediana 5x5 Kuwahara 5x5

Algoritmos
isep Baseados em derivação
• Enquadramento
– Os algoritmos apresentados são uma
aproximação
– Tendem a aumentar o ruído de alta
frequência, pelo que geralmente são
combinados com filtros de suavização
• Primeira derivada
– Filtros de gradiente
∇ a[m,n] = (hx ⊗ a[m,n])ix + (hy ⊗ a[m,n])iy
• Básicos:
• Prewitt:
Algoritmos
– Filtros de gradiente (continuação)
∇ a[m,n] = (hx ⊗ a[m,n])ix + (hy ⊗ a[m,n])iy
• Sobel:
• Construídos à medida:
• Gaussianos:

Algoritmos
– Exemplos de filtros de gradiente
Imagem original
Básico Sobel Gaussiano (σ =1.5)

Algoritmos
• Segunda derivada
– Desempenham um papel muito importante
– Filtros de Laplaciano
∇ 2a[m,n] = (h2x ⊗ a[m,n])ix + (h2y ⊗ a[m,n])iy
• Básicos:
• Gaussiano:
• Construídos à medida:
• SDGD:
(2ª derivada na direcção do gradiente)

Algoritmos
• Segunda derivada
– Exemplos de filtros de Laplaciano
Imagem original
Básico Gaussiano (σ =1.5) À medida SDGD (σ =1.0)

Algoritmos
• Outros filtros
– Há uma infinidade de filtros lineares e
não-lineares
– Para se medir a resposta de filtros não
convencionais usam-se imagens de
teste (padrões sinusoidais, etc)
– Permite avaliar os efeitos em termos de
frequências
– Exemplos de resultados com padrão de
teste Filtro
sinusoidal Filtro Filtro
passa-baixo passa-banda passa-alto

Algoritmos
isep Baseados em morfologia
• Enquadramento
– Uma definição alternativa do conceito de imagem
baseia-se na noção de conjunto de coordenadas
que fazem parte dos objectos da imagem
– Exemplo
A
Imagem binária com
dois objectos A e B
B
– Os pixels do objecto A partilham uma
propriedade
Objecto - A = { a | propriedade(a) = Verdade }
Fundo - Ac = { a | a ∉ A }

Algoritmos
• Enquadramento
– A noção de objecto implica conectividade de pixels
fundo de A objecto A
- O objecto A tem conectividade 4
- O fundo tem conectividade 12-4(=8)
• Definições
– As operações fundamentais sobre objectos são:
• Translação: A + x = { a + x | a ∈ A }
• Adição/subtracção: A ⊕ B = ∪b∈B(A+b) ; A  B = ∩b∈B(A+b)
• Complemento (fundo)
• Simetria: -A = { -a | a ∈ A }

Algoritmos
• Dilatação e Erosão
– A dilatação D(A,B) corresponde à adição A ⊕
B
– A erosão E(A,B) corresponde à subtracção A
 (-B ) D(A,B) E(A,B)
– Exemplos
B -B
– Tipicamente A é uma imagem e B é um

“estruturante” (equivale ao núcleo de
convolução dos filtros lineares)
– Exemplos de estruturantes comuns N4 N8

Algoritmos
– Teorema da Decomposição
• Para um estruturante B finito, simétrico, sem buracos e contendo
o seu centro ([0,0] ∈ B), verifica-se que
D(A,B) = A ∪ (∂ A ⊕ B) [nota: ∂A é o contorno de A]
• Resulta que apenas basta processar os pixels do contorno de A,
não sendo necessário processar os pixels do seu interior
• Algoritmo “rápido” de dilatação: para cada pixel do objecto,
todos os seus pixels vizinhos (vizC) de fundo passam a
pertencer ao objecto
• Algoritmo “rápido” de erosão: cada pixel do objecto que
possua um pixel vizinho (vizC) de fundo passa a fundo

Algoritmos
– Exemplos “rápidos”
Dilatação com Dilatação com

estrututante N4 estrututante N8
– Importante: D(E(A,B),B) ≠ A ≠ E(D(A,B),B)

• Abertura e Fecho
– Abertura: O(A,B) = D(E(A,B),B)
• Tende a suavizar o contorno pelo interior
– Fecho: C(A,B) = E(D(A,-B),-B)
• Tende a suavizar o contorno pelo exterior
Algoritmos
• HitAndMiss
– Operador de alto nível
HitMiss(A,B) = E(A,B1) ∩ EC(AC,B2)
– B1 e B2 são estruturantes finitos e
disjuntos entre si
– Este operador é o equivalente
morfológico do template matching
(técnica usada para comparar padrões
com base na sua correlação)
• B1 funciona como template para o objecto
• B2 funciona como template para o fundo
Algoritmos
• Exemplos
– Estruturantes
Imagem A Dilatação com 2B Erosão com 2B
Abertura com 2B Fecho com 2B HitAndMiss com B1 e B2

(separa objectos) (preenche buracos) [ ⇔ ∂A = A - E(A,N8) ]

Algoritmos
• Esqueleto
– Quando realizavel, é uma polilinha que:
• Tem largura de 1 pixel
• Passa pelo “meio” do objecto
• Preserva a topologia do objecto
– Pode ser obtido por um processo iterativo
baseado no B8, não se alterando o pixel
central para “fundo” se
• 1) o pixel estiver isolado
• 2) a remoção do pixel alterar a conectividade
• 3) a remoção do pixel encurtar a linha

Algoritmos
• Propagação (Reconstrução)
– Visa reconstruir um objecto parcialmente
erodido ou preencher um objecto definido pelo
seu contorno
– Algoritmo iterativo baseado numa imagem
“semente” S(0) , uma imagem máscara A e um
estruturante B
S(k) = D(S(k-1) ,B) ∩ A ; repetir até S(k) = S(k-1)
• Em cada iteração a semente cresce dentro dos limites
de A
• As conectividades da fronteira de A e de B devem ser
iguais
• A implementação iterativa é ineficiente, mas existe
uma implementação recursiva muito mais eficiente
Algoritmos
• Exemplos
E(A,6N8)
Imagem A Semente Máscara

(a preto)
Esqueleto de A Esqueleto de A Propagação com N8

(sem condição 3)

Algoritmos
• Tratamento de imagens “em tons de cinzento”
– Os algoritmos anteriores podem ser extendidos para imagens
com mais de dois níveis (16, 64, 256, etc)
– Formulações para “tons de cinzento”
• Dilatação: DG(A,B) = max[j,k] ∈B { a[m-j,n-k] + b[j,k] }
• Erosão: EG(A,B) = min[j,k] ∈B { a[m+j,n+k] - b[j,k] }
• Abertura: OG(A,B) = DG(EG(A,B),B)
• Fecho: CG(A,B) = -OG(-A,-B)
• Suavização: MSmooth(A,B) = CG(OG(A,B),B)
• Gradiente: MGradient(A,B) = 1/2 × [DG(A,B) - EG(A,B)]
• Laplaciano: MLaplacian(A,B) = 1/2 × [DG(A,B) + EG(A,B) - 2A]

Algoritmos
• Exemplos de filtros “em tons de
cinzento” “Morfológicos” Clássicos
Suavização
Imagem A
Gradiente
Dilatação de A Erosão de A Laplaciano

Técnicas
isep
• Enquadramento
– Os algoritmos apresentados anteriormente podem ser
usados para resolver problemas complexos de
processamento de imagem
• Correcção de sombreamento
– Os métodos de geração de imagem podem fazer com
que as imagens exibam artefactos de sombreamento
• Imagem “brilhante” no centro e “escura” nos limites
• Imagem a “escurecer” da esquerda para a direita
• Efeitos de lentes sujas, iluminação não uniforme, etc

Técnicas
isep Correcção de sombreamento
• Artefactos de sombreamento
– Geralmente indesejados, mas difíceis de evitar
– A sua eliminação é necessária em algumas aplicações
• Estimação do sombreamento
– A posteriori
• Filtragem passa-baixo: ae[m,n] = a[m,n] - LowPass(a[m,n])+K
• Filtragem morfológica: ae[m,n] = a[m,n] - MSmooth(a[m,n])+K
– A priori
• Recurso a imagens de calibração: Preto[m,n] e Branco[m,n]
ae[m,n] = K × (a[m,n]-Preto[m,n]) / (Branco[m,n]-Preto[m,n])

Técnicas
isep Correcção de sombreamento
• Exemplos
1. O sombreamento indesejado
manifesta-se através de uma
rampa linear a crescer da
esquerda para a direita
2. Os picos são objectos
Linha da imagem original
Passa-baixo Homomórfica Morfológica Calibrada

(a melhor)

Técnicas
isep Melhoria e restauro
• Enquadramento
– O processo de aquisição de imagem geralmente
envolve degradação da imagem
(inadvertidamente)
• Desfocagem; Movimento da câmara; Ruído; etc
– Objectivos
• Melhoria visa “embelezar” a imagem
• Restauro visa “repor a verdade” na imagem
– Medição do erro
• Usa-se frequentemente uma métrica de erro tipo RMS
E{ae,a} = 1/MN × ∑ m ∑ n | ae[m,n] - a[m,n] |2

Técnicas
• Aumento de nitidez
– Melhorar as silhuetas de uma imagem
pode contribuir para aumentar a sua
qualidade visual
• Isolam-se as silhuetas de uma imagem
• Amplificam-se essas silhuetas
• Adicionam-se à imagem original
– O Laplaciano é adequado para isolar as
silhuetas
ae[m,n] = a[m,n] - (K × ∇ 2a[m,n])
Melhorada
Original (K=1)

Técnicas
• Supressão de ruído
– Pode ser conseguida através de
suavização espacial, levando contudo a
perda de nitidez
– Os algoritmos de suavização são os
mais adequados
• Exemplos
Wiener Gaussiano (σ =1)
Imagem original
(SNR = 20 dB)
Kuwahara 5x5 Mediana 3x3 MSmooth 3x3

Técnicas
• Supressão de distorsão
– Um modelo simples assume o ruído como única fonte
de distorsão, mas existem modelos mais realistas
– O filtro Wiener (domínio das frequências) é uma boa
solução para distorsões baseadas em ruído
– Exemplo
• A imagem Wiener é mais nítida mas exibe artefactos

• A imagem Mediana é mais esbatida
Imagem distorcida mas disfarça
Wiener artefactos
Mediana 3x3
(SNR = 30 dB)

Técnicas
isep Segmentação
• Enquadramento
– Designa as diversas técnicas capazes de
distinguir “objectos de interesse” do resto
(fundo)
• Não há uma técnica de segmentação universal ou
perfeita
• Limiarização
• Recorre a um limiar de intensidade para definir o
objecto
• A escolha do limiar de intensidade adequado é fulcral
– Escolha do limiar via histograma
• Exemplo
Limiar=155
Imagem a segmentar Histograma de intensidades
Técnicas
isep Segmentação
• Limiarização
– Escolha do limiar pelo algoritmo do triângulo
• Exemplo
Limiar=152
• Determinação dea fronteiras

Imagem segmentar Histograma de intensidades
– Uma alternativa à limiarização consiste em

encontrar os pixels que definem as fronteiras
do objectos
– Gradiente
• Exemplo

Técnicas
isep Segmentação
• Determinação de fronteiras
– Cruzamento do zero (método LoG)
• Consiste em usar o filtro Laplaciano e
processar os “cruzamentos do zero” da 2ª
derivada (mudança de sinal)
• Requer suavização para evitar o excesso de
ruído gerado
– Método PLUS
• Também baseado no “cruzamento o zero” do
Laplaciano e no filtro de suavização SDGD(a)
– Método geral

Técnicas
isep Segmentação
• Exemplos
Imagem original
LoG PLUS
(SNR = 20 db)
– Nota: após se encontrar a fronteira dos

objectos, podem usar-se algoritmos de
propagação para preenchimento
Técnicas
isep Segmentação
• Morfologia binária
– Filtragem “sal” e “pimenta” (remoção
de pixels isolados)
– Determinação de objectos com furos
• Exemplo
Imagem segmentada Esqueleto após Imagem final

filtro “sal” e “pimenta” após propagação
– Preenchimento de furos
Máscara em objectos
• Exemplo
Imagem segmentada e invertida Imagem final após
propagação e inversão
Técnicas
isep Segmentação
– Remoção de objectos nos limites da
imagem
• Exemplo Máscara
Imagem segmentada Imagem após propagação e

XOR com a imagem máscara
– Geração de exoesqueleto
• Exemplo
Imagem segmentada e invertida Imagem após

geração de esqueleto

Técnicas
isep Segmentação
– Separação de objectos “que se tocam”
• Segmentar imagem inicial para obter
imagem binária
• Efectuar um número “pequeno” de erosões
da imagem (N4)
• Calcular o exoesqueleto da imagem erodida
• Inverter a imagem do exoesqueleto erodido
• Combinar imagem final através de AND da
imagem inicial com a imagem invertida do
exoesqueleto erodido!
Imagem inicial Erosões Exoesqueleto Pormenor da
imagem final
Técnicas
isep Segmentação
• Morfologia de “tons de cinzento”
– É uma extensão das técnicas de
morfologia binária
– Permite abordar os problemas a alto nível
– Exemplo: método local de alargamento de
contraste
• Processa informação de contraste a nível local
• Consegue-se obter uma solução mais
satisfatória
• Exemplos
Antes | Depois Antes | Depois Antes | Depois

Conclusão
isep
• Presente
– O processamento de imagem cada vez está mais
embebido em aplicações sofisticadas e intuitivas
– Ainda há problemas por resolver satisfatoriamente
• Futuro
– O processamento de imagem tenderá a evoluir para
processamento de sequências de imagem (vídeo, etc)
– Irão surgir mais implementações em hardware
– A investigação deslocar-se-á para temas de mais alto
nível, que usarão o P. I. como mais uma ferramenta

Informação Adicional
isep
• Sugestões
– Tutoriais
• http://www.google.pt/search?q=image+processing+tutorial
– Softwares livres
• VIPS - http://www.vips.ecs.soton.ac.uk/
(MS-Windows: http://www.vips.ecs.soton.ac.uk/vips-7.8/nip-7.8.14.zip)
• GIMP - http://www.gimp.org/
(MS-Windows:http://www.gimp.org/~tml/gimp/win32)
– Sítios web e documentos

• Processamento de imagem em GPU’s (placas gráficas)
– http://www.gpgpu.org/ (seguir ligação “Image and Volume Processing”)
– http://www.vis.uni-stuttgart.de/eng/research/pub/pub2000/vmv00-hopf.pdf

isep
FIM

PDI Tutorial

Enviado por

Dados do documento

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

PDI Tutorial

Enviado por

Direitos autorais:

Formatos disponíveis

isep

Maio 2004 Processamento de Imagem 2

• Domínio de aplicação 2D (mais comum)

– Imagem de 16 linhas e 16 colunas

Maio 2004 Processamento de Imagem 6

Maio 2004 Processamento de Imagem 8

Maio 2004 Processamento de Imagem 9

Maio 2004 Processamento de Imagem 10

Maio 2004 Processamento de Imagem 11

Maio 2004 Processamento de Imagem 12

Maio 2004 Processamento de Imagem 13

Indução de visualização de Indução de visualização

Maio 2004 Processamento de Imagem 15

• plow% - intensidade baixa no histograma (0%, 1%, 5%)

Maio 2004 Processamento de Imagem 16

Maio 2004 Processamento de Imagem 18

– Filtro gaussiano: cada vez mais utilizado

– Filtro Kuwahara: preserva bem os contornos

é o valor médio da região que

Filtro linear Filtro linear

Filtro não-linear Filtro não-linear

Maio 2004 Processamento de Imagem 22

Maio 2004 Processamento de Imagem 24

Básico Sobel Gaussiano (σ =1.5)

Maio 2004 Processamento de Imagem 25

(2ª derivada na direcção do gradiente)

Maio 2004 Processamento de Imagem 26

Básico Gaussiano (σ =1.5) À medida SDGD (σ =1.0)

Maio 2004 Processamento de Imagem 27

Maio 2004 Processamento de Imagem 28

Maio 2004 Processamento de Imagem 29

Maio 2004 Processamento de Imagem 30

– Tipicamente A é uma imagem e B é um

Maio 2004 Processamento de Imagem 31

Maio 2004 Processamento de Imagem 32

Dilatação com Dilatação com

– Importante: D(E(A,B),B) ≠ A ≠ E(D(A,B),B)

Imagem A Dilatação com 2B Erosão com 2B

Abertura com 2B Fecho com 2B HitAndMiss com B1 e B2

Maio 2004 Processamento de Imagem 35

Maio 2004 Processamento de Imagem 36

Imagem A Semente Máscara

Esqueleto de A Esqueleto de A Propagação com N8

Maio 2004 Processamento de Imagem 38

Maio 2004 Processamento de Imagem 39

Dilatação de A Erosão de A Laplaciano

Maio 2004 Processamento de Imagem 40

Maio 2004 Processamento de Imagem 41

Maio 2004 Processamento de Imagem 42

Passa-baixo Homomórfica Morfológica Calibrada

Maio 2004 Processamento de Imagem 43

Maio 2004 Processamento de Imagem 44

Maio 2004 Processamento de Imagem 45

Kuwahara 5x5 Mediana 3x3 MSmooth 3x3

• A imagem Wiener é mais nítida mas exibe artefactos

Maio 2004 Processamento de Imagem 47

• Determinação dea fronteiras

– Uma alternativa à limiarização consiste em

Maio 2004 Processamento de Imagem 49

Maio 2004 Processamento de Imagem 50

– Nota: após se encontrar a fronteira dos

Imagem segmentada Esqueleto após Imagem final

Imagem segmentada Imagem após propagação e

Imagem segmentada e invertida Imagem após