Introdução ao Processamento de Imagensprofessor.unisinos.br › ltonietto › jed › pgr ›...
Transcript of Introdução ao Processamento de Imagensprofessor.unisinos.br › ltonietto › jed › pgr ›...
Introdução ao Processamento de Introdução ao Processamento de Imagens Imagens
Cláudio Rosito Jung
IntroduçãoIntrodução• Processamento de Imagens: processamento de sinais bidimensionais
(ou n-dimensionais).
• Aplicações:- reconstrução de tomografias;
- compressão (imagens e vídeos);
- reconhecimento automático de impressões digitais;
- identificação automática de estruturas em imagens aéreas;
- quantificação de vegetacão e queimadas em imagens de satélite;
- medição automática de formas e tamanhos de órgãos (medicina);
- detecção de falhas em cicuitos impressos;
- sistemas de apoio ao motorista;
- detecção de eventos suspeitos em sistemas de vigilância;
- outras.
ExemplosExemplos de de ImagensImagens
Aérea
Satélite Ressonância Magnética
Câmera fotográfica
SAR Sensor capacitivo
Formação de Imagens ÓticasFormação de Imagens Óticas1. Luz é emitida por uma fonte;
2. Luz é refletida pelos objetos
3. Luz é captada pelo olho humano ou sensor.
Percepção de ImagensPercepção de Imagens
- Luminância: relação com intensidada de luz refletida.
- Brilho: luminância percebida (com relação à vizinhança).
Efeito de Mach: relação
luminância x brilho percebido
IlusõesIlusões VisuaisVisuais
http://www.michaelbach.de/ot/index.html
Espaços de CoresEspaços de Cores
Espaço RGBEspaço HSV
3 componentes: Hue, Saturation, Value
3 componentes: Red, Green, Blue
Espaço CIE L*a*b*
Criado em 1976, com o objetivo de ser aproximadamente uniforme
com relação à distância Euclideana.
( ) ( ) ( )2*2*2** baLEab ∆+∆+∆=∆
)Difference Noticeable(Just JND um a ecorrespond 3.2*≈∆ abE
Há vários outros: HSI, L*u*v*, YUV, XYZ, etc.
http://www.couleur.org/
Amostragem e QuantizaçãoAmostragem e Quantização
),( yxf
],[1 nmg
],[2 nmg
Amostragem
Quantização
4 tons de cinza 10 tons de cinza
Transformações de ImagensTransformações de Imagens
DFT2
DFT
DWT2
Outras: Seno, Coseno, Haddamard, Slant, SVD
Objetivo:Objetivo: representar a imagem em uma “base” diferente.
““Realce” de ImagensRealce” de Imagens
Equalização de histograma:Equalização de histograma:
histograma
histograma
Imagem CBERS original
Imagem CBERS equalizada
Objetivo:Objetivo: Modificar características da imagem para melhorar sua visualização ou posterior análise.
Filtragem Linear de Imagens:Filtragem Linear de Imagens:
-- ConvoluçãoConvolução::
∑∑∈
−−=∗Wlk
lkglnkmfnmgf),(
],[],[],)[(
],[ nmf
W],[ nm
33010
141
010
8
1
x
g
=
Exemplo:
Filtro da média ponderada
- Filtros passa-baixas: deixam passar componentes de baixa freqüência,e bloqueiam componentes de alta freqüência. Usados para remoção de ruído. Problema: causam borramento na imagem.
Imagem peppers original Imagem peppers ruidosa Filtrada pela média
- Filtros passa-altas: deixam passar componentes de alta freqüência,e bloqueiam componentes de baixa freqüência. Usados para detecção e realce de bordas. Problema: sensibilidade ao ruído.
usharp mask
Combinação de Redução de Ruído e RealceCombinação de Redução de Ruído e Realce
Imagens originais Imagens filtradas/realçadas
Restauração de ImagensRestauração de ImagensObjetivo:Objetivo: desfazer/atenuar as degradações introduzidas pelo sensor na aquisição/transmissão de imagens.
Imagem house original Imagem house borrada (movimento) Imagem house restaurada (Wiener)
Imagem house ruidosa (salt & pepper) Imagem house restaurada (filtro da mediana)
Compressão de Imagens e VídeoCompressão de Imagens e VídeoObjetivo:Objetivo: diminuir o tamanho da imagem/vídeo para facilitar o armazenamento/transmissão.
- Compressão sem perda: imagem reconstruída e idêntica a original. Importante no
arquivamento de imagens medicas, ou de satélite.
- Compressão com perda: imagem reconstruída apresenta diferenças com relação
a original (as vezes imperceptíveis). Uso para imagens em geral (Web, fotografias
digitais, etc.)
Principais abordagens:
•• DCT (Transformada Discreta do Cosseno)
• VQ (Vector Quantization)
• DWT (Transformada Wavelets Discreta)
• Compressão Fractal
Padrão JPEG (Joint Photographic Experts Groups): compressão com perda, baseada na DCT (Transformada Discreta do Cosseno).
Padrão JPEG2000: baseado em wavelets
BMP (sem compressão) - 92 KB
( 153 x 204 x 3 bytes)JPEG - 6 KB
Imagem 153 x 204
JPEG - 3 KB JPEG - 2 KB
Padrão MPEG (Moving Picture Experts Groups): extensão para vídeos de JPEG.
• MPEG-1:1.5 Mbit/sec, adequado para internet
• MPEG-2: 1.5 – 15 Mbit/sec, padrão para TV digital e DVD
• MPEG-4: compressão baseada em objetos, escalável
Detecção de BordasDetecção de Bordas
Objetivo:Objetivo: detectar as fronteiras entre os objetos (bordas);
Caracterização matemática: bordas são normalmente representadas por máximos locais de derivadas primeiras, ou cruzamentos de zero de derivadas segundas.
Principais Abordagens:- calculo do gradiente digital (diferenças nas direções x e y);- cruzamentos de zero do Laplaciano (derivada segunda);- morfologia matemática.;
Problema: imagens ruidosas e/ou textura dificultam a
detecção de bordas de baixo contraste.
Exemplo 1DExemplo 1D
-10 -5 5 10
-1.5
-1
-0.5
0.5
1
1.5
-10 -5 5 10
0.2
0.4
0.6
0.8
1
-10 -5 5 10
-0.6
-0.4
-0.2
0.2
0.4
0.6
Perfil de uma borda Derivada primeira Derivada segunda
Exemplo 2DExemplo 2D
Imagem house original Diferenças verticais (Dx) Diferenças horizontais (Dy) Módulo do Gradiente
Operador de Sobel Operador de Prewitt Operador de Canny
SegmentaçãoSegmentação de de ImagensImagens
Objetivo:Objetivo: isolar os diferentes objetos que compõem uma cena.
Algumas Abordagens:- limiarização;
- watersheds (morfologia matemática);
- modelos deformáveis (snakes);
- region growing;
Questão: a segmentação ótima normalmente depende
da aplicação, e dois humanos podem segmentar a
mesma imagem de maneiras diferentes.
Histograma
T1 = 70 T2 = 150
Limiarização
ExemplosExemplos
Imagem SAR filtrada
Histograma
Histograma
Imagem SAR original
Limiar
Limiarização
Imagem cameraman original
Módulo do Gradiente (T=.05)
Módulo do Gradiente (T=0.2) Imagem segmentada
Imagem segmentada
Watersheds
Watersheds
Bubbles Snakes
http://iacl.ece.jhu.edu/projects/gvf/http://www.lems.brown.edu/~tek/research/2d-bubbles/
wmatter2d-gif.html
Wavelets & Watersheds
Análise de Imagens (Visão Análise de Imagens (Visão Computacional)Computacional)
Objetivo:Objetivo: extrair e/ou interpretar informações de imagens ou vídeos
Aplicações:
• Reconhecimento de caracteres
• Análise de imagens médicas
• Robótica
• Cartografia
• Sensoreamento remoto
• outros
Algumas AplicaçõesAlgumas Aplicações
Exemplo:Exemplo: lanelane detectiondetection andand lanelane departuredeparture
BR 116 (Novo Hamburgo – São Leopoldo)
Freeway
Exemplo:Exemplo: reconhecimento de impressões digitaisreconhecimento de impressões digitais
Imagem original Imagem binarizada Crest lines Minuteae
http://www.intranet-acces.ro/fingerprint_en.html
Exemplo:Exemplo: classificação de imagens de satéliteclassificação de imagens de satélite
Imagem de satélite Imagem classificada
http://www.ag.unr.edu/serdp/mcagcc.htm
Exemplo:Exemplo: realce de realce de mamografiasmamografias
Mamografia original Mamografia realçada
Exemplo:Exemplo: InpaintingInpainting digitaldigital
Remoção de texto Reparação de perda digital
Reparo em fotografia Correção guiada
Trabalho de mestrado de Ubiratã Ignácio - PIPCA
Exemplo:Exemplo: Síntese de texturasSíntese de texturas
Trabalho de Leandro Tonietto - UNISINOS
Exemplo:Exemplo: reconstrução 3D automática de imagens aéreasreconstrução 3D automática de imagens aéreas
Exemplo:Exemplo: detecção automática de tumoresdetecção automática de tumores
MRI do cérebro Tumor segmentado
Imagem aérea e objetos 3D detectados
Moon et al, 2002
Huertas e Ascona, 1997.
Exemplo:Exemplo: reconhecimento de caracteresreconhecimento de caracteres
Imagem adquirida (caracteres segmentados)Classificação
http://www.industrialvision.co.uk/case_studies/char_recognition.htm
Exemplo:Exemplo: controle de qualidadecontrole de qualidade
Medição da porosidade em uma solda
http://www.swri.org/4org/d10/autoeng/mvision/example.htm
Exemplo:Exemplo: acompanhamento de pessoasacompanhamento de pessoas
Sistema detecta que a pessoa está entrando em uma sala
(http://www.cim.mcgill.ca/~clark/papers/jjclark_vi_2002.pdf)
Trabalho de Júlio C. S. Jacques Jr
(PIPCA)Trabalho de Leandro Dihl (PIPCA)
Exemplo:Exemplo: detecção de trajetórias nãodetecção de trajetórias não--usuaisusuais
Trabalho de Júlio C. S. Jacques Jr (PIPCA)
Exemplo:Exemplo: detecção de pele por cordetecção de pele por cor
http://crl-download.crl.hpl.hp.com/vision/humansensing/skin/default.htm
Exemplo:Exemplo: realidade aumentadarealidade aumentada
Imagem original e objetos gerados por computação gráfica superpostos
Exemplo:Exemplo: mosaico de imagensmosaico de imagens
http://www.sgi.com/grafica/merge/index.html
Exemplo:Exemplo: uum sm sistema de visão embarcado
http://www-2.cs.cmu.edu/~cmucam/gallery.html
Comentários FinaisComentários Finais
• Processamento de imagens pode ser utilizado em qualquer aplicação que envolva sinais com duas ou mais dimensões.
• Diversas aplicações práticas;
• Tarefas triviais para o olho humano podem ser extremamente difíceis para a máquina.
• Muita matemática e computação envolvidas (real-time).
• Muitos problemas em aberto.
Bibliografia BásicaBibliografia BásicaLivros:• A. K. Jain. Fundamentals of Digital Image Processing. Prentice-Hall, 1989.
• R. C. Gonzalez and R. E. Woods. Digital Image Processing. Addison-Wesley,
1992.
Periódicos:• IEEE Transactions on Image Processing
• IEEE Transactions on Pattern Analysis and Machine Intelligence
• Pattern Recognition
• Pattern Recognition Letters
• Computer Vision and Image Understanding
• Image and Vision Computing
• Journal of Electronic Imaging
• International Journal of Computer Vision
Conferências:• SIBGRAPI (Simpósio Brasileiro de Computação Gráfica e Processamento de
Imagens)
• ICIP (International Conference on Image Processing)
• ICCV (International Conference on Computer Vision)
• ECCV (European Conference on Computer Vision)
• CVPR (Computer Vision and Pattern Recognition)
• ICPR (International Conference on Pattern Recognition)