Este documento apresenta um resumo sobre processamento digital de imagens, abordando tópicos como filtros de suavização e detecção de bordas, histograma, equalização de histograma, controle de contraste adaptativo e outros filtros.
Introdução à Detecção de Bordas em Imagens Digitais
1. Introdução ao
Processamento Digital de
Imagens
Prof. Leonardo Vidal Batista
DI/PPGI/PPGEM
leonardo@di.ufpb.br leovidal@terra.com.br
http://www.di.ufpb.br/leonardo
José Raphael Teixeira Marques – DI/PPGI
jose.raphael.marques@gmail.com
raphaelmarques.wordpress.com
9. Processamento de
Histograma
Se o nível de cinza l ocorre nl vezes em
imagem com n pixels, então
nl
P(l )
n
Histograma da imagem é uma
representação gráfica de nl ou P(l)
14. Expansão de Histograma
Quando uma faixa reduzida de níveis de
cinza é utilizada, a expansão de
histograma pode produzir uma imagem
mais rica.
nl nl nl
A B C
l l l
m0=0 m1 L-1 0 m0 m1 L-1 0 m0 m1=L-1
15. Expansão de Histograma
Quando uma faixa reduzida de níveis de
cinza é utilizada, a expansão de
histograma pode produzir uma imagem
mais rica:
r rmin
s T ( r ) round
r ( L 1)
max rmin
17. Expansão de Histograma
Expansão é ineficaz nos seguintes casos:
nl nl nl
A B C
l l l
0 L-1 L-1 0 m0 m1 L-1 0 L-1
18. Equalização de Histograma
Se a imagem apresenta pixels de valor 0
e L-1 (ou próximos a esses extremos) a
expansão de histograma é ineficaz.
Nestas situações a equalização de
histograma pode produzir bons
resultados.
O objetivo da equalização de histograma
é gerar uma imagem com uma
distribuição de níveis de cinza uniforme.
19. Equalização de Histograma
L 1 r
s T (r ) round nl
RC l 0
1500
1000
500
0
0 50 100 150 200 250
1500
1000
500
0
0 50 100 150 200 250
20. Equalização de Histograma
Exemplo: imagem 64 x 64, L = 8
nl
l nl
0 790 1200
1 1023 1000
2 850 800
3 656 600
4 329
400
5 245
200
6 122
0
7 81 0 1 2 3 4 5 6 7 l
21. Equalização de Histograma
Exemplo (cont.):
r=0s = round(790 x 7 / 4096) =1
r=1s = round(1813 x 7 / 4096) =3
r=2s = round(2663 x 7 / 4096) =5
r=3s = round(3319 x 7 / 4096) =6
r=4s = round(3648 x 7 / 4096) =6
r=5s = round(3893 x 7 / 4096) =7
r=6s = round(4015 x 7 / 4096) =7
r=7s = round(4096 x 7 / 4096) =7
22. Equalização de Histograma
Exemplo: imagem 64 x 64, L = 8
l nl nk
0 0
1 790 1200
1000
2 0
800
3 1023
600
4 0
400
5 850
200
6 985
0
7 448 0 1 2 3 4 5 6 7 k
23. Equalização de Histograma
nl Hist. Original nl Hist. Equal. (Ideal) nl Hist. Equal. (Real)
0 L-1 L-1 l 0 m0 m1 L-1 l 0 L-1 l
24. Equalização de Histograma
Expansão de histograma é pontual ou
local? E equalização de histograma?
O que ocorre quando uma imagem com
um único nível passa pela operação de
equalização de histograma?
Melhor fazer equalização seguido por
expansão de histograma, o inverso, ou a
ordem não importa?
25. Equalização de Histograma
Local
Para cada posição (i,j) de f
• Calcular histograma na vizinhança de
(i,j)
• Calcular s = T(r) para equalização de
histograma na vizinhança
• G(i,j) = s
26. Controle de contraste
adaptativo
desvio padrão na
(i, j )
visinhança do ponto (i,j )
média na
(i, j )
visinhança do ponto (i,j )
c
(i, j ) [ f (i, j ) (i, j )]; (i, j ) 0
g (i, j ) (i, j )
f (i, j ); (i, j ) 0
31. Outros filtros:
Curtose, máximo, mínimo etc.
Filtros de suavização + filtros de
aguçamento
Laplaciano do Gaussiano (LoG)
“Emboss”
Aumento de saturação
Correção de gama
...
32. Filtros Lineares e Invariantes
ao Deslocamento
Filtro linear:
T [af1 + bf2] = aT [f1] + bT [f2]
para constantes arbitrárias a e b.
Filtro invariante ao deslocamento:
Se g[i, j] = T [f[i, j]]
então g[i - a, j – b] = T [f[i - a, j – b]].
Se i e j são coordenadas espaciais: filtros
espacialmente invariantes.
33. Dissolve Cruzado
ht (i, j)= (1 - t) f(i, j) + t g(i, j)
t é um escalar no intervalo [0, 1]
http://jose.raphael.marques.googlepage
s.com/PDI_Dissolve.jnlp
35. Dissolve Cruzado Não-
Uniforme
ht(i, j)= [1 - t(i, j)] f(i, j) + t(i, j) g(i, j)
t é uma matriz com as mesmas
dimensões de f e g cujos elementos
assumem valores no intervalo [0, 1]
39. Redução de Ruído por Média
de Imagens
f[i, j] imagem sem ruído
nk(i, j) ruído de média m
gk[i,j] = f[i,j] + nk(i,j)
M
1
g [i, j ] g k [i, j ]
M k 1
40. Redução de Ruído por Média
de Imagens
M
1
g [i, j ] ( f [i, j ] nk (i, j ))
M k 1
M
1
g [i, j ] f [i, j ] nk (i, j )
M k 1
Para M grande:
g[i, j ] f [i, j ] m
41. Operações Topológicas
Rígidas
Translação
Rebatimento
Rotação
Mudança de Escala
Não rígidas (Warping)
42. Rotação
Rotação em torno de (ic, jc)
i' (i ic ) cos ( j jc ) sen ic
j ' (i ic ) sen ( j jc ) cos jc
http://jose.raphael.marques.googlep
ages.com/PDI_Rotation.jnlp
45. Ampliação (Zoom in)
Por interpolação bilinear
Original Ampliação por fator 3
10 10 10 10 10 10 10 10
20 30
Interpolação nas linhas
Passos de níveis de cinza:
10 a 10: 0
20 a 30: (30-20)/5 = 2
20 22 24 26 28 30
46. Ampliação (Zoom in)
Por interpolação bilinear
Original Ampliação por fator 3
10 10 10 10 10 10 10 10
20 30 12 12 13 13 14 14
Interpolação nas colunas 14 15 16 16 17 18
Passos de níveis de cinza:
16 17 18 20 21 22
10 a 20: (20-10)/5 = 2
10 a 22: (22-10)/5 = 2.4 18 20 21 23 24 26
... 20 22 24 26 28 30
10 a 30: (30-10)/5 = 4
47. Ampliação (Zoom in)
Por interpolação bilinear
passos:
12/5 = 2.4
12/9 = 1.333... (dízima)
n a b
in i
xi xa xb , i {0..n}
n n
48. Ampliação (Zoom in)
Exemplo: Ampliação por fator 10
Original Replicação Interpolação
49. Redução (Zoom out)
Por eliminação de pixel
Por Média
Original Redução por média
por fator 3
10 10 10 10 10 10
13 14 16 17 18 19
14 18
17 19 21 23 25 28
28 41
20 23 27 30 33 37
23 27 33 37 41 46
27 32 38 43 48 55
50. Reconstrução de Imagens
Zoom por fatores não inteiros
Ex: F = 3,75432
Operações elásticas, etc.
Técnicas mais avançadas devem ser
utilizadas
Uma dessas técnicas é a reconstrução
de imagens
51. Reconstrução de imagens
Dados f(i,j), f(i,j+1), f(i+1,j), f(i+1,j+1)
(i, j) (i, y) (i, j+1)
Reconstrução:
Encontrar f(x,y), (x,y)
x em [i, i+1]
y em [j, j+1]
(i+1, j) (i+1, y) (i+1, j+1)
60. Warping baseado em
Campos
Entretenimento
Efeitos especiais, morphing
Correção de distorções óticas
Alinhamento de elementos
correspondentes em duas ou mais
imagens (registro)
Modelagem e visualização de
deformações físicas
61. Warping baseado em
Campos
1. Características importantes da
imagem são marcados por
segmentos de reta orientados
(vetores de referência)
2. Para cada vetor de referência, um
vetor alvo é especificado, indicando
a transformação que se pretende
realizar
62. Warping baseado em
Campos
3. Para cada par de vetores
referência-alvo, encontra-se o
ponto X’ para onde um ponto X da
imagem deve migrar, de forma que
as relações espaciais entre X’ e o
vetor alvo sejam idênticas àquelas
entre X e o vetor de referência
4. Parâmetros para as relações
espaciais : u e v
64. Warping baseado em
Campos
u: representa o
deslocamento
normalizado de P
até O no sentido
do vetor PQ
(Normalizado:
dividido pelo
módulo de PQ)
|v|: distância de X
à reta suporte de
PQ
65. Warping baseado em
Campos
Se O=P, u = 0
Se O=Q, u = 1
Se O entre P e
Q, 0<u<1;
Se O após Q,
u>1
Se O antes de
P, u<0
67. Warping baseado em
Campos
Encontrar u e v: norma, produto interno,
vetores perpendiculares, projeção de um
vetor sobre outro.
Vetores a = (x1, y1) e b = (x2, y2)
Norma de a:
|| a || x y
2
1
2
1
Produto interno:
a.b = x1x2 +y1y2
68. Warping baseado em
Campos
“Norma” da projeção de a sobre b (o
sinal indica o sentido em relação a b)
a
a.b
|| c ||
|| b ||
b
c
69. Warping baseado em
Campos
Vetor b = (x2, y2) perpendicular a a =
(x1, y1) e de norma igual à de a:
b a
Perpendicularidade: x1x2 +y1y2 = 0
Mesma norma: x22 + y22 = x12 + y12
71. Warping baseado em
Campos
Parâmetro u:
“norma” da
projeção de PX
sobre PQ, dividido
pela norma de PQ
PX .PQ
u 2
|| PQ ||
72. Warping baseado em
Campos
P = (xp,yp), Q =
(xq, yq), X = (x,y)
PX .PQ
u 2
|| PQ ||
u = (x - xp).(xq - xp) + (y -yp)(yq – yp)
(xq-xp)2 + (yq-yp)2
73. Warping baseado em
Campos
Parâmetro v:
distância de X à
reta suporte de PQ
PX . PQ
v
|| PQ ||
v: vetor
perpendicular a v e
de mesma norma
que este.
77. Warping baseado em
Campos
PX .PQ
u 2
|| PQ ||
PX . PQ
v
|| PQ ||
v. P ' Q'
X ' P'u.P' Q'
|| P' Q' ||
78. Warping baseado em
Campos
Quando há mais de um par de vetores
referência-alvo, cada pixel sofre a
influência de todos os pares de vetores
Será encontrado um ponto Xi’ diferente
para cada par de vetores referência-alvo.
Os diferentes pontos para os quais o
ponto X da imagem original seria levado
por cada par de vetores referência-alvo
são combinados por intermédio de uma
média ponderada, produzindo o ponto X’
para onde X será efetivamente levado.
81. Warping baseado em
Campos
Peso da coordenada definida pelo i-ésimo
par de vetores de referência-alvo:
di: Distância entre X e o segmento PiQi
li: ||Pi Qi||
a, b e p : Parâmetros não negativos
82. Warping baseado em
Campos
Relação inversa com a distância entre a
reta e o ponto X
Parâmetro a : Aderência ao segmento
a = 0 (Peso infinito ou aderência máxima)
83. Warping baseado em
Campos
Parâmetro p controla a importância do
tamanho do segmento
p = 0: independe do tamanho do
segmento
84. Warping baseado em
Campos
Parâmetro b controla a forma como a
influência decresce em função da
distância
b = 0: peso independe da distância
93. Morphing
Interpolação de formas e cores
entre duas imagens distintas
(f0 e fN-1)
Encontrar imagens f1, f2, ..., fN-2:
transição gradual de f0 a fN-1
Efeitos especiais na publicidade e na
indústria cinematográfica; realidade
virtual; compressão de vídeo; etc.
104. Técnicas no Domínio da
Freqüência
Conversão ao domínio da freqüência:
transformadas
Processamento e análise no domínio da
freqüência
Fourier, Cosseno Discreta, Wavelets,
etc.
105. Cosseno Analógico
f: freqüência x(t ) A cos2ft
T=1/f: período A
: fase
A: amplitude
Gráfico para
fase nula e A>0
T
106. Uma Família de Funções
Cosseno Analógicas
xk (t ) Ak cos2f k t k , k 0, 1, ..., N 1
fk: freqüência do k-ésimo cosseno
Tk =1/fk: período do k-ésimo
cosseno
k : fase do k-ésimo cosseno
Ak: amplitude do k-ésimo cosseno
107. Uma Família de Funções
Cosseno Discretas
x k [n] Ak cos2f k n k , n 0,1,...,N 1
k = 0,1,...N-1
108. Uma Família de Funções
Cosseno Discretas
1/ 2
2
Ak ck X k
N
1/2 1/2
para k 0
ck
1
para k 1, 2, ... N - 1
k 2N k
fk Tk k
2N k 2N
1/ 2
2 (2n 1)k
x k [n ] c k X k cos , n 0,1,...,N 1
N 2N
109. Uma Família de Funções
Cosseno Discretas
1/ 2
2 (2n 1)k
x k [n ] c k X k cos , n 0,1,...,N 1
N 2N
f0 0 1/ 2
2 1
1/ 2
k 0 x0[n] X 0 , n 0,1,...,N 1
0 0 N 2
1
k 1 f1 T1 2 N (meio-período em N amostras)
2N
N 1 2N
k N 1 f N 1 TN 1
2N N 1
110. Uma Família de Funções
Cosseno Discretas
xk[n] (N = 64, Xk = 10).
2
1
0
-1
-2
0 10 20 30 40 50 60 70
k=1
Meio-ciclo
112. Uma Família de Funções
Cosseno Discretas
2
k=32 1
16 ciclos
0
-1
-2
0 10 20 30 40 50 60 70
2
1
Para 0
visualização -1
-2
0 10 20 30 40 50 60 70
113. Uma Família de Funções
Cosseno Discretas
2
k=63 1
31,5 ciclos 0
-1
-2
0 10 20 30 40 50 60 70
2
1
Para
0
visualização -1
-2
0 10 20 30 40 50 60 70
114. Uma Família de Funções
Cosseno Discretas
Amostragem de um sinal periódico não
necessariamente produz um sinal de
mesmo período (ou mesmo periódico).
115. Somando Cossenos
Discretos
Criar um sinal x[n] somando-se os sinais
xk[n], k = 0...N-1, amostra a amostra:
N 1
x[n] x k [n], n 0,1,...,N 1
k 0
1 / 2 N 1
2 (2n 1)k
x[n ] ck X k cos 2 N , n 0,1,...,N 1
N k 0
125. Somando Cossenos
Discretos
xk[n]: cosseno componente de x[n],
de freqüência fk = k/2N; ou
xk[n]: componente de freqüência
fk = k/2N;
X[k]: Diretamente relacionado com a
amplitude da componente de
freqüência fk = k/2N
X[k] representa a importância da
componente de freqüência fk = k/2N
126. Transformada Cosseno
Discreta (DCT)
DCT de x[n]:
1/ 2 N 1
2 (2n 1)k
X [k ] ck x[n] cos , k 0,1,...,N 1
N n 0 2N
Transformada DCT inversa (IDCT) de
X[k]:
1 / 2 N 1
2 (2n 1)k
x[n] ck X [k ] cos 2 N , n 0,1,...,N 1
N k 0
127. Transformada Cosseno
Discreta (DCT)
X[k]: coeficientes DCT
X: representação de x no domínio da
freqüência
X[0]: coeficiente DC (Direct Current)
X[1]...X[N-1]: coeficientes AC
(Alternate Current)
Complexidade
Algoritmos eficientes: FDCT
139. Freqüências em Hz
Ta = 1/fa (Período de amostragem)
N amostras ---- (N-1)Ta segundos
1 1 fa
f1 (adimensio nal) f1 Hz
2N 2( N 1)Ta 2( N 1)
fa fa
f N 1 ( N 1) Hz
2( N 1) 2
140. Freqüências em Hz
Aumentar N melhora a resolução de
freqüência.
Aumentar fa aumenta a freqüência
máxima digitalizável, em Hz.
Dualidade com o domínio do tempo
141. Freqüências em Hz
Sinal de ECG, N= 2048, fa=360Hz
Valores em Hz para k = 14, 70, 683 e 2047
14
70 683 2047
143. Freqüências em Hz
Observações
fa = 360 Hz <=> Ta = 0,002778 Hz
Tempo total para 2048 amostras = 5,69s
Um batimento cardíaco: aprox. 0,8 s
“Freqüência” Cardíaca: aprox. 1,25 bat./s
= 1,25 Hz, ou 75 batimentos/min.
“Freqüência” Cardíaca aprox. igual a f14
144. Freqüências em Hz
Onda quadrada, N = 64, fa = 1Hz
Valores em Hz para k = 7, 8, 9 e 63
60
40
20
0
-20
-40
-60
0 7 9 63
145. Freqüências em Hz
f1 = fa/[2(N-1)] Hz = 1/(2x63) =
0,007936507
f7 = 7f1 = 0,0556 Hz
f8 = 8f1 = 0,0625 Hz
f9 = 9f1 = 0,0714 Hz
f63 = 63f1 = 0,5 Hz
Obs:
Período do sinal = 16 s
Freqüência da onda = 0,0625
146. Freqüências e Conteúdo de
Freqüência
Sinal periódico
Freqüência
Freqüências componentes
Sinal não-periódico:
Freqüências componentes
147. Sinais analógicos senoidais
Representação em freqüência de um sinal
analógico senoidal?
Sinal analógico senoidal, de freqüência f
fa mínimo para digitalização adequada?
Se f não é múltiplo de f1?
149. Amostragem de Senóides
DCT do cosseno com f = 10Hz, fa=100Hz, N=26
4
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
0 5 10 15 20 25 30 35 40 45 50
150. Amostragem de Senóides
Vazamento de freqüência: mais de uma
componente de freqüência para uma
senóide
Minimizar vazamento de freqüência:
aumentar N
151. Amostragem de Senóides
Cosseno com f = 30Hz, fa=100Hz, N=26
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
152. Amostragem de Senóides
DCT do cosseno com f = 30Hz, fa=100Hz, N=26
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
-1
-1.5
0 5 10 15 20 25 30 35 40 45 50
153. Amostragem de Senóides
Cosseno com f = 48Hz, fa=100Hz, N=26
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
154. Amostragem de Senóides
DCT do cosseno com f = 48Hz, fa=100Hz, N=26
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
0 5 10 15 20 25 30 35 40 45 50
155. Amostragem de Senóides
Cosseno com f = 50Hz, fa=100Hz, N=26
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
156. Amostragem de Senóides
DCT do cosseno com f = 50Hz, fa=100Hz, N=26
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
0 5 10 15 20 25 30 35 40 45 50
157. Amostragem de Senóides
Cosseno com f = 52Hz, fa=100Hz, N=26
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
158. Amostragem de Senóides
DCT do cosseno com f = 52Hz, fa=100Hz, N=26
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
0 5 10 15 20 25 30 35 40 45 50
159. Amostragem de Senóides
Sinal digital obtido a partir do cosseno de
52Hz é idêntico ao obtido a partir do
cosseno de 48 Hz
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1 -1
0 0.0 0.1 0.1 0.2 0.2 0 0.0 0.1 0.1 0.2 0.2
160. Amostragem de Senóides
Cosseno com f = 70Hz, fa=100Hz, N=26
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
161. Amostragem de Senóides
DCT do cosseno com f = 70Hz, fa=100Hz, N=26
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
-1
-1.5
0 5 10 15 20 25 30 35 40 45 50
162. Amostragem de Senóides
Sinal digital obtido a partir do cosseno de
70Hz é idêntico ao obtido a partir do
cosseno de 30 Hz
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1 -1
0 0.0 0.1 0.1 0.2 0.2 0 0.0 0.1 0.1 0.2 0.2
5 5 5 5 5 5
163. Aliasing
Na DCT, a maior freqüência é fa/2
Aliasing: sinais senoidais de
freqüência f > fa/2 são discretizados
como sinais senoidais de freqüência
fd < fa / 2 (fd=fa–f, para fa/2 < f < fa)
165. Teorema de Shannon-
Nyquist
Sinal analógico com fmax Hz
(componente)
Digitalizar com fa Hz, tal que:
fa
f max f a 2 f max
2
2fmax: Freq. de Nyquist
166. Digitalização de áudio
Ouvido humano é sensível a freq.
entre 20Hz e 22KHz (aprox.)
Digitalizar com 44KHz?
Sons podem ter freqüências
componentes acima de 22KHz
Digitalização a 44KHz: aliasing.
Filtro passa-baixas com freqüência
de corte em 22KHz = Filtro anti-
aliasing
167. Eliminação de pixels
revisitada
Por que redução de imagens por
eliminação de pixel deve ser evitada?
Sinal original digitalizado com fa =2fmax
No. de amostras do sinal digital
reduzido pela metade por eliminação de
amostras -> nova freqüência de
amostragem f’a = fa/2 = fmax ->
freqüência máxima do sinal analógico
digitalizada sem aliasing = f’a/2 = fmax/2
168. Eliminação de pixels
revisitada
Por que redução de imagens (ou
outros sinais) por eliminação de
pixel (ou amostras) deve ser
evitada?
Aliasing!
Usar filtro passa-baixas!
169. Filtros no domínio da
freqüência
Multiplicar o sinal no domínio da freq., S,
pela função de transferência do filtro, H
Filtros:
Passa-baixas
Passa-altas
Passa-faixa
Corta-baixas
Corta-altas
Corta-faixa (faixa estreita: notch)
170. Filtros no domínio da freq.
Ideais H Passa-baixas H Passa-altas
(corta-altas) (corta-baixas)
1 1
fc N-1 fc N-1
H Passa-faixa H corta-faixa
1 1
fc1 fc2 N-1 fc1 fc2 N-1
171. Filtros no domínio da
freqüência
Combinação de filtros
Filtros não-ideais (corte suave,
|H(fc)|=(1/2)1/2 ou |H(fc)|=1/2)
172. DCT 2-D
Operação separável
Complexidade elevada
N 1 N 1
1 (2m 1)k (2n 1)l
X [k , l ] ck cl x[m, n] cos cos 2 N
2N m 0 n 0 2N
1 N 1N 1 (2k 1)m (2l 1)n
x[m, n] ck cl X [k , l ] cos 2 N cos 2 N
2 N k 0 l 0
173. DCT 2-D
Imagem “cosseno na vertical”, 256 x 256,
8 ciclos (k = 16) e sua DCT normalizada
174. DCT 2-D
Imagem “cosseno na vertical”, 256 x 256,
16 ciclos (k = 32) e sua DCT normalizada
175. DCT 2-D
Imagem “cosseno na horizontal x cosseno
na vertical”, 256 x 256, 16 ciclos (k = 32)
e sua DCT normalizada
176. DCT 2-D
Imagem “cosseno na horizontal x cosseno
na vertical”, 256 x 256, 8 x 16 ciclos e
sua DCT normalizada
177. DCT 2-D
Imagem “Lena” (256x256) e sua DCT
normalizada
178. DCT 2-D
Imagem “Lena” (256x256) e o log(DCT+1)
normalizado
179. Transformada de Fourier
Discreta (DFT)
N 1 j 2un
1
Direta: F [u ]
N
s[n]e N
n 0
N 1 j 2un
Inversa: s[n ] F [u]e N
u 0
n, u = 0, 1, ..., N-1
j 1
Fórmula de Euler: e j cos j sen
181. Duas propriedades
essenciais
DFT é periódica de período N:
F [u N ] F (u)
Espectro de Fourier é função par:
|F[u]| = |F[-u]|
182. Esboço do Espectro de
Fourier
|F[u]|
u
-N/2 N/2 N-1
u = 0, N, 2N,...: freq. 0
u = N/2, 3N/2,...: freq. máxima (N par)
u = (N-1)/2,...: freq. máxima (N ímpar)
183. Freqüências em Hz
Ta = 1/fa (Período de amostragem)
N amostras ---- (N-1)Ta segundos
1 1 fa
f1 (adimensio nal) f1 Hz
N ( N 1)Ta N 1
N 1 fa fa
f( N 1) / 2 Hz
2 ( N 1) 2
184. Fourier 2-D
Operação separável
Complexidade elevada
C 1 R 1
1
F [u, v ]
RC
s[m, n]e j 2 ( um / C vn / R )
m 0n 0
C 1 R 1
s[m, n] F [u, v]e j 2 ( um / C vn / R )
u 0 v 0
185. Exibição do Espectro de
Fourier 2-D
Flog[u, v] = round[(L - 1) log(1+|F[u, v]|)/Fmax2]
186. Teorema da Convolução
Se
g[m, n] s[m, n] h[m, n]
Então:
G[u,v] = H[u,v]F[u,v]
onde
G[u,v]: DFT de g[m,n]
F[u,v]: DFT de s[m,n]
H[u,v]: DFT de h[m,n]
H[u,v]: Função de transferência do filtro
187. Filtros: espaço x freqüência
Projeto de filtro no domínio da freqüência
(Fourier)
Método imediato: H[k], k = 0..N-1
Como filtrar sinais no domínio do tempo,
em tempo real?
Convolução com h[n], n = 0..N-1 pode ser
proibitiva para n grande
Encontrar ht[n], n = 0..M-1, com M < N,
de modo a obter uma aproximação
adequada para H[k].
188. Filtros: espaço x freqüência
Para eficiência computacional e
redução de custos, o número de
coeficientes do filtro deve ser o
menor possível
Projetar filtros relativamente imunes
ao truncamento
189. Transformada Cosseno
Discreta (DCT)
DCT de x[n]:
1/ 2 N 1
2 (2n 1)k
X [k ] ck x[n] cos , k 0,1,...,N 1
N n 0 2N
DCT inversa de X[k]
1 / 2 N 1
2 (2n 1)k
x[n] ck X [k ] cos 2 N , n 0,1,...,N 1
N k 0
190. Transformada Cosseno
Discreta (DCT)
Freqüência: k 1
fk f k f k 1
2N 2N
Período: Tk
2N
Tk Tk 1
2N
k k (k 1)
Fase: k
k k k 1
2N 2N
216. Características da
Convolução
Associatividade:
f g g f
Distributividade
f ( g h) ( f g ) ( f h)
Associatividade com multiplicação
escalar:
a( f g ) (af ) g f (ag )
218. Impulso Unitário
Delta de Dirac ou (t)
impulso unitário 1
contínuo
Duração = 0
Área = 1 0 t
[n]
Delta de Kronecker
ou impulso unitário 1
discreto
0 n
219. Sinais = somatório de
impulsos
Delta de Kronecker A[n-n0]
A
0 n0 n
s[n] s[0] [n] s[1] [n 1] .... s[ N 1] [n ( N 1)]
N 1
s[n] s[ ] [n ]
0
220. Resposta ao impulso
Resposta de um filtro a s[n]:
N 1 N 1
g[ n] s[ ]h[n ] h[ ]s[n ]
0 0
Resposta de um filtro ao impulso
N 1 N 1
g[ n] [ ]h[n ] [n ]h[ ]
0 0
N 1
h[n] [n ]h[ ]
0
221. Resposta ao impulso
h[n]:
Resposta ao impulso
Máscara convolucional
Kernel do filtro
Vetor de coeficientes do filtro
222. Convolução Discreta Circular
Sinais s[n] e h[n] com N0 e N1 amostras,
respectivamente => extensão com zeros:
s[n ], 0 n N 0 h[n ], 0 n N1
s e [n ] he [n ]
0, N 0 n N 0, N1 n N
Extensão periódica: considera-se que
se[n] e he[n] são períodos de sp[n] e hp[n]
Convolução circular:
N 1
g p [n] s[n] h[n] s p [ ]h p [n ]
0
223. Convolução Circular x Linear
Fazendo-se N = N0 + N1 – 1
s[n] h[n] s[n] * h[n]
224. Convolução de Imagens
f[i, j] (R0xC0) e h[i, j] (R1xC1): extensão
por zeros
R 1 C 1
g[i, j ] f [i, j ] * h[i, j ] f [ , ]h[i , j ]
0 0
R 1 C 1
g p [i, j ] f [i, j ] h[i, j ] f p [ , ]h p [i , j ]
0 0
Iguais se R=R0+R1–1 e C=C0+C1–1
238. Correlação
Exemplo:
g[0..15] = 31, 43, 39, 34, 64, 85, 52, 27,
61, 65, 59, 84, 105, 75, 38, 27
Observe que g[5] é elevado, pois é
obtido centrando h em s[5] e calculando
a correlação entre (3, 7, 5) e (3, 8, 4)
Mas g[12] é ainda maior, devido aos
valores elevados de s[11..13]
246. Correlação Normalizada
Correlação central = 1
Sinais exatamente iguais
Correlação central = 0
Sinais sem nenhuma correlação
Correlação central = -1
Sinais invertidos
247. Questões do PosComp 2002
51. Histograma de uma imagem com K tons de cinza é :
a) Contagem dos pixels da imagem.
b) Contagem do número de tons de cinza que ocorreram na imagem.
c) Contagem do número de vezes que cada um dos K tons de cinza
ocorreu na imagem.
d) Contagem do número de objetos encontrados na imagem.
e) Nenhuma alternativa acima.
52. filtro da mediana é :
a) Indicado para detectar bordas em imagens.
b) Indicado para atenuar ruído com preservação de bordas (i.é rápidas
transições de nível em
imagens).
c) Indicado para detectar formas específicas em imagens.
d) Indicado para detectar tonalidades específicas em uma imagem.
e) Nenhuma das respostas acima.
248. Questões do PosComp 2002
51. Histograma de uma imagem com K tons de cinza é :
a) Contagem dos pixels da imagem.
b) Contagem do número de tons de cinza que ocorreram na imagem.
c) Contagem do número de vezes que cada um dos K tons de
cinza ocorreu na imagem.
d) Contagem do número de objetos encontrados na imagem.
e) Nenhuma alternativa acima.
52. filtro da mediana é :
a) Indicado para detectar bordas em imagens.
b) Indicado para atenuar ruído com preservação de bordas (i.é
rápidas transições de nível em
imagens).
c) Indicado para detectar formas específicas em imagens.
d) Indicado para detectar tonalidades específicas em uma imagem.
e) Nenhuma das respostas acima.
249. Questões do PosComp 2004
56) Considerando as declarações abaixo, é incorreto afirmar:
a) Filtros passa-altas são utilizados para detecção de bordas em imagens
b) A transformada discreta de Fourier nos permite obter uma representação de
uma imagem no domínio freqüência
c) Filtragem no domínio espacial é realizada por meio de uma operação chamada
“convolução”
d) Os filtros Gaussiano e Laplaciano são exemplos de filtro passa-baixas
e) O filtro da mediana pode ser utilizado para redução de ruído em uma imagem
58) Identifique a declaração incorreta:
a) As operações de ajuste de brilho e contraste são operações lineares
b) A equalização de histograma é uma transformação não-linear e específica
para cada imagem
c) A transformação necessária para calcular o negativo de uma imagem pode ser
aplicada simultaneamente (i.e., em paralelo) a todos pixels da imagem original
d) A equalização de histograma pode ser obtida a partir de um histograma
cumulativo da imagem original
e) O objetivo da equalização de histograma é reduzir o constrastre nas regiões
da imagem que correspondem à porção do histograma com maior concentração
de pixels
250. Questões do PosComp 2004
56) Considerando as declarações abaixo, é incorreto afirmar:
a) Filtros passa-altas são utilizados para detecção de bordas em imagens
b) A transformada discreta de Fourier nos permite obter uma representação de
uma imagem no domínio freqüência
c) Filtragem no domínio espacial é realizada por meio de uma operação chamada
“convolução”
d) Os filtros Gaussiano e Laplaciano são exemplos de filtro passa-baixas
e) O filtro da mediana pode ser utilizado para redução de ruído em uma imagem
58) Identifique a declaração incorreta:
a) As operações de ajuste de brilho e contraste são operações lineares
b) A equalização de histograma é uma transformação não-linear e específica
para cada imagem
c) A transformação necessária para calcular o negativo de uma imagem pode ser
aplicada simultaneamente (i.e., em paralelo) a todos pixels da imagem original
d) A equalização de histograma pode ser obtida a partir de um histograma
cumulativo da imagem original
e) O objetivo da equalização de histograma é reduzir o constrastre nas regiões
da imagem que correspondem à porção do histograma com maior concentração
de pixels
251. Questões do PosComp 2005
59. O processo de análise de imagens é uma seqüência de etapas que são iniciadas a
partir da definição do problema. A seqüência correta destas etapas é:
(a) pré-processamento, aquisição, segmentação, representação, reconhecimento.
(b) aquisição, pré-processamento, segmentação, representação, reconhecimento.
(c) aquisição, pré-processamento, representação, segmentação, reconhecimento.
(d) aquisição, representação, pré-processamento, segmentação, reconhecimento.
(e) pré-processamento, aquisição, representação, segmentação, reconhecimento.
60. O termo imagem se refere a uma função bidimensional de intensidade de luz,
denotada por f(x; y), onde o valor ou amplitude de f nas coordenadas espaciais (x;
y) representa a intensidade (brilho) da imagem neste ponto. Para que uma imagem
possa ser processada num computador, a função f(x; y) deve ser discretizada tanto
espacialmente quanto em amplitude. Estes dois processos recebem as seguintes
denominações, respectivamente:
(a) translação e escala.
(b) resolução e escala.
(c) resolução e ampliação.
(d) amostragem e quantização.
(e) resolução e quantização.
252. Questões do PosComp 2005
59. O processo de análise de imagens é uma seqüência de etapas que são iniciadas a
partir da definição do problema. A seqüência correta destas etapas é:
(a) pré-processamento, aquisição, segmentação, representação, reconhecimento.
(b) aquisição, pré-processamento, segmentação, representação, reconhecimento.
(c) aquisição, pré-processamento, representação, segmentação, reconhecimento.
(d) aquisição, representação, pré-processamento, segmentação, reconhecimento.
(e) pré-processamento, aquisição, representação, segmentação, reconhecimento.
60. O termo imagem se refere a uma função bidimensional de intensidade de luz,
denotada por f(x; y), onde o valor ou amplitude de f nas coordenadas espaciais (x;
y) representa a intensidade (brilho) da imagem neste ponto. Para que uma imagem
possa ser processada num computador, a função f(x; y) deve ser discretizada tanto
espacialmente quanto em amplitude. Estes dois processos recebem as seguintes
denominações, respectivamente:
(a) translação e escala.
(b) resolução e escala.
(c) resolução e ampliação.
(d) amostragem e quantização.
(e) resolução e quantização.
253. Questões do PosComp 2006
47. [TE] Considere os filtros espaciais da média (m) e Mediana (M)
aplicados em imagens em níveis de cinza f e g. Qual par de termos ou
expressões a seguir não está associado, respectivamente, a características
gerais de m e M?
(a) m(f + g) = m(f) + m(g); M(f + g) != M(f) + M(g)
(b) ruído gaussiano; ruído impulsivo
(c) convolução; filtro estatístico da ordem
(d) preservação de pequenos componentes; não preservação de pequenos
componentes
(e) filtragem com preservação de contornos; filtragem sem preservação de
contornos
48. [TE] A convolução da máscara [-1 2 -1] com uma linha de uma
imagem contendo uma seqüência de pixels do tipo [... 3 4 5 6 7 8 9 10 ...]
resulta na transformação (sem considerar efeitos de borda):
(a) [...3 4 5 6 7 8 9 10...] e representa o filtro da média com 2-vizinhos mais
próximos
(b) [...0 0 0 0 0 0 0 0...] e representa o laplaciano no espaço discreto
(c) [...0 0 0 0 0 0 0 0...] e representa uma erosão morfológica
(d) [...1 1 1 1 1 1 1 1...] e é equivalente a um filtro passa-baixas
(e) [...7 9 11 13 15 17 19...] e é equivalente a um filtro passa-altas
254. Questões do PosComp 2006
47. [TE] Considere os filtros espaciais da média (m) e Mediana (M)
aplicados em imagens em níveis de cinza f e g. Qual par de termos ou
expressões a seguir não está associado, respectivamente, a características
gerais de m e M?
(a) m(f + g) = m(f) + m(g); M(f + g) != M(f) + M(g)
(b) ruído gaussiano; ruído impulsivo
(c) convolução; filtro estatístico da ordem
(d) preservação de pequenos componentes; não preservação de pequenos
componentes
(e) filtragem com preservação de contornos; filtragem sem preservação de
contornos
48. [TE] A convolução da máscara [-1 2 -1] com uma linha de uma
imagem contendo uma seqüência de pixels do tipo [... 3 4 5 6 7 8 9 10 ...]
resulta na transformação (sem considerar efeitos de borda):
(a) [...3 4 5 6 7 8 9 10...] e representa o filtro da média com 2-vizinhos mais
próximos
(b) [...0 0 0 0 0 0 0 0...] e representa o laplaciano no espaço discreto
(c) [...0 0 0 0 0 0 0 0...] e representa uma erosão morfológica
(d) [...1 1 1 1 1 1 1 1...] e é equivalente a um filtro passa-baixas
(e) [...7 9 11 13 15 17 19...] e é equivalente a um filtro passa-altas
255. Questões do PosComp 2007
61. [TE] O realce de imagem tem como objetivo destacar detalhes
finos procurando obter uma representação mais adequada do que
a imagem original para uma determinada aplicação. Dessa forma,
sobre as técnicas utilizadas no realce de imagens, é CORRETO
afirmar que
(a) o melhor resultado obtido depende do filtro aplicado na imagem.
Normalmente, o mais aplicado é o filtro da mediana.
(b) o melhor resultado é obtido com a aplicação de filtros passa-
baixas, cujos parâmetros dependem do resultado desejado.
(c) a aplicação de filtros da média sempre oferece resultado adequado
no realce de imagens.
(d) o resultado mais adequado no realce de imagens está associado à
aplicação de filtro passa-altas e da interpretação subjetiva do
observador que deverá ter conhecimento a priori da imagem original.
(e) o resultado mais adequado no realce de imagens está associado à
aplicação de filtro passa-baixas e da interpretação subjetiva do
observador que deverá ter conhecimento a priori da imagem original.
62 e 63
256. Questões do PosComp 2007
61. [TE] O realce de imagem tem como objetivo destacar detalhes
finos procurando obter uma representação mais adequada do que
a imagem original para uma determinada aplicação. Dessa forma,
sobre as técnicas utilizadas no realce de imagens, é CORRETO
afirmar que
(a) o melhor resultado obtido depende do filtro aplicado na imagem.
Normalmente, o mais aplicado é o filtro da mediana.
(b) o melhor resultado é obtido com a aplicação de filtros passa-
baixas, cujos parâmetros dependem do resultado desejado.
(c) a aplicação de filtros da média sempre oferece resultado adequado
no realce de imagens.
(d) o resultado mais adequado no realce de imagens está associado à
aplicação de filtro passa-altas e da interpretação subjetiva do
observador que deverá ter conhecimento a priori da imagem original.
(e) o resultado mais adequado no realce de imagens está associado à
aplicação de filtro passa-baixas e da interpretação subjetiva do
observador que deverá ter conhecimento a priori da imagem original.