ProcessamentoDigital de Imagem2

5/21/2018 ProcessamentoDigital de Imagem2

1/23

IMEISSN 1982-9035

Monografias em Sistemas e Computao

n05/2008

Processamento de Imagens

Seimou Hamilton Oshiro

Ronaldo Ribeiro Goldschmidt

Seo de ngen!aria de Computao

INSTITUTO MILITAR D NGNHARIA

PRA!A GNRAL TI"#R$IO %& ' $P ((()&*(+&

RIO D ,ANIRO ' "RASIL


2/23

ii


3/23

Monografias em Sistemas e Computao" No# 05/2008 ISSN$ 1982-9035ditor$ %rof# C&audia Mar'e&a (uste& Setem)ro" 2008

Processamento de Imagens

Seimou *ami&ton *os!iro" +ona&do +i)eiro ,o&ds'!midt

seimougmai'om" rona&doime#e)#)r

Abstract. With the increasing volume of information being divulged as a result of theconstant advances in the area of Information Technology, Information Retrieval (IR) isconsequently one of the areas that has grown considerably. IR aims at developingcomputational mechanisms that locate and retrieve information. This present worsees to dwell on Image !rocess, which has proven to be of paramount importance to"day, due to the large quantities of images in the most diverse areas and applications.

Keywords# Information retrieval, image, image processing.

Resumo. $om o crescimento no volume de informa%&es, devido aos constantes avan"%os na 'rea da Tecnologia de Informa%o, a Recupera%o de Informa%o(RI) vem cres"cendo muito. RI visa desenvolver mecanismos computacionais que localiem e recupe"rem informa%&es. *ste presente relat+rio vem abordar o !rocessamento de Imagens,que se mostra de grande importncia na atualidade, devido aos grandes acervos deimagens nas mais diferentes 'reas e aplica%&es.

Palavras-chave# Recupera%o de informa%o, imagens, processamento de imagens.

ii


4/23

Res-ons./el -or -ublica01es#

+i'ardo C!orenIM . Seo de ngen!aria de Computao%raa ,enera& i)r'io 80" %raia erme&!a22290-20" +io de (aneiro/+(" rasi&e 455 21 256-090-mai&$ '!orenime#e)#)r

ii


5/23

2 Introdu03o

-s constantes avan%os na 'rea da Tecnologia da Informa%o, ocorridos sobretudo na

ltima d/cada, t0m propiciado um crescimento e1ponencial do volume de informa%&esarmaenadas. *stas informa%&es t0m se apresentado em diferentes m2dias e formatostais como te1tos, imagens, v2deos, hiperte1tos, dentre outros. 3iante deste cen'rio, a'rea da Recupera%o de Informa%o (RI) vem despertando grande interesse tanto naacademia quanto na indstria 4Torres, 56678. *sta 'rea consiste essencialmente em sedesenvolver e aplicar mecanismos computacionais que permitem localiar e recuperarinforma%&es de maneira efica (resultados relevantes) e eficiente (rapidamente).

9ais especificamente, no conte1to de recupera%o de informa%&es sob a forma deimagens, foco da presente disserta%o, so inmeras as 'reas onde a quantidade deimagens armaenadas vem aumentando significativamente nos ltimos anos 4Torres,566:8. 9ecanismos para recuperar imagens espec2ficas a partir de grandes acervos deimagens t0m se mostrado de grande utilidade em diversas 'reas e aplica%&es taiscomo# 9edicina, ;ensoriamento Remoto, ;eguran%a, ist+ria,

?ornalismo, dentre outros 4Torres, 566:8.


6/23

ta um con@unto de propriedades de uma determinada imagem (cor, te1tura e forma,por e1emplo) enquanto que a fun%o de distncia di respeito a dissimilaridades entreduas imagens tendo como base caracter2sticas das mesmas. *stas distncias podem sermensuradas atrav/s de m/tricas como a *uclidiana 4Torres e alco, 566:8.

5igura 26 Imagens e suas res-ecti/as re-resenta01es digitais6 7a8 imagem bin.ria9 7b8imagem em n:/eis de cin;a e 7c8 imagem colorida onde cada -i


7/23

< fim de ilustrarmos as formalia%&es apresentadas anteriormente, consideremos oe1emplo da figura 5, onde temos uma viso conceitual do funcionamento de um des"critor de imagens para an'lise de similaridades entre duas imagens.

Inicialmente, duas imagens Iq e Id so submetidas a uma fun%o de e1tra%o de ca"racter2sticas *d e que e1trai os vetores de caracter2sticas v(Iq) e v(Id) das respectivas

imagens. *m seguida, a fun%o d / utiliada para a obten%o do valor de similaridaded entre as imagens a serem comparadas. !ara o e1emplo, podemos representar os veto"res de caracter2sticas das imagens como#

v(Iq) K (a4E8, a458, ..., a4n"E8, a4n8) e v(Id) K (b4E8, b458, ..., b4n"E8, b4n8) e a fun%o dec'lculo de similaridades, como o c'lculo da distncia entre as caracter2sticas de ambasas imagens#

d(Iq, Id) K sqrt( sum 4i8 ( sqr (b4i8 L a4i8) ))

-s modelos propostos para a recupera%o de imagens por contedo dependem in"teiramente do processo de e1tra%o de caracter2sticas. M a partir deste processo que

imagens so inde1adas na base de dados. !ara a tarefa de recupera%o de imagens, ge"ralmente diversos descritores so combinados a fim de se aumentar a efici0ncia destat/cnica.

9uitas so as propriedades que podem ser recuperadas a partir de uma imagem eestas podem ser caracter2sticas gerais ou de dom2nio espec2fico.


8/23

radia%o eletromagn/tica que possui uma determinada energia para cada comprimen"to de onda. !ara o estudo de cores / relevante apenas analisar o comportamento de lucomo onda. ;I (Qmati, satura%o, intensidade), SIB (luminncia, em"fase, quadratura), elmholt, EGUH8.

;egundo esta teoria, o olho humano percebe a cor atrav/s do est2mulo de tr0s pigmen"tos visuais presentes nos cones da retina, que possuem sensibilidades para algunscomprimentos de onda, como por e1emplo, :H6 nanNmetros (vermelho L red), FH6nanNmetros (verde L green) e VF6 nanNmetros (aul L blue). Ama representa%o destesistema pode ser formulada atrav/s de um cubo com os ei1os R, C e = como ilustra a fi"gura H.

5igura >6 $ubo RG"

!odemos dier que a origem representa a cor preta, os v/rtices das coordenadas (E,

E, E) representam o branco, os v/rtices que esto sobre os ei1os representam as coresprim'rias e os v/rtices restantes representam os complementos das prim'rias. M impor"


9/23

tante observar que cada ponto no interior do cubo corresponde a uma cor, representa"da por uma tupla (R, C, =), com os valores de R, C e = variando de 6 a E. -s tons decina so representados ao longo da diagonal principal do cubo, que se inicia no pontode origem at/ o v/rtice que foi apontado como a cor branca. *nto se pode afirmar quecada tom de cina presente no cubo / formado por contribui%&es iguais das cores pri"

m'rias que o comp&em. Am e1emplo de tom de cina m/dio poderia ser representadopela tupla (6.F, 6.F, 6.F).


10/23

Tabela 26 $or9 -ilha9 -iistogramas de $ores sero larga"mente utiliados neste pro@eto, tanto para inde1a%o de imagens, quanto para a tarefade recupera%o.

< avalia%o da similaridade de cores utiliando histogramas, pode ser realiadaatrav/s do c'lculo das distncias E ou 5 entre duas imagens 43el =imbo, EGGG8. (Iq) e os histogramas

das imagens do banco de dados >(Id) podem ser respectivamente definidas como#3h(Iq, Id) K sum 4E, @8 ( mod( >(Iq, @) " >(Id, @) ) )

3h(Iq, Id) K sqrt (sum 4E, @8 ( sqr( >(Iq, @) " >(Id, @) ) ) )

-nde o @ / o 2ndice de uma regio no histograma (para histogramas de cores estasconstituem a pilha de uma cor) Iq / a imagem e1emplo e Id / uma imagem contida nabase de dados de imagens.


11/23

Tabela (6 $or9 -i


12/23

inalmente / realiado o c'lculo das distncias E ou 5 entre o histograma da ima"gem e1emplo e os histogramas das imagens presentes no banco de dados. !ara este e1"perimento, realiaremos apenas o c'lculo da distncia E. Oote que @ ser' valoradocomo H, uma ve que cores que no esto presentes no histograma da imagem < so ir"relevantes para este c'lculo de similaridade. ogo#

3h(Iq, Id) K sqrt (sum 4E, @8 ( sqr( >(Iq, @) " >(Id, @) ) ) )!ara o c'lculo das distncia entre >a e >dE , temos#

3h(Ia, IdE) K sqrt (sum 4E, @8 ( sqr( >(Ia, @) " >(IdE, @) ) ) )

Tabela @6 $.lculo da distncia L2 entre a imagem e


13/23

< abordagem estat2stica de descri%o de te1turas considera o relacionamento, a dis"tribui%o dos tons de cina e o inter"relacionamento entre eles. < seguir sero apresen"tados descritores de te1turas que utiliam esta abordagem, por/m, antes ser' introdu"ida a matri de $o"ocorr0ncia, onde so e1tra2dos os descritores de te1tura utiliadoneste trabalho.

< matri de co"ocorr0ncia de n2veis de cina (Crey evel $o"-corrence 9atri1 "C$9) leva em considera%o a posi%o de pi1els que possuem n2veis de cina. Amamatri de co"ocorr0ncia / uma tabula%o sobre o nmero de combina%&es distintas devalores de intensidade que ocorrem em uma imagem 4;chwart e !edrini, 566H8.

< id/ia que sustenta uma matri de co"ocorr0ncia / a realia%o de uma varredurana imagem, mantendo"se a par do comportamento da periodicidade dos pi1els que di"ferem na intensidade e que so separados por uma distncia d fi1a. Oormalmente, adire%o entre dois pi1els tamb/m / importante para classifica%o a partir de te1tura, eesta / implementada por matries mltiplas, sendo uma para cada regio de interesse.*m geral, so utiliadas quatro dire%&es# a vertical, horiontal e duas diagonais. !ara

cada valor de d temos quatro matries, cada uma com uma dimenso 5F:15F: pi1els,para uma imagem original com 5F: tons de cina.


14/23

Tabela +6 Matri; de $o*OcorrCncia9 cada elemento da matri; di; res-eito s transi01esde n:/eis de cin;a

Am elemento !(m, n) / armaenado em uma linha i e coluna @ da matri, e consisteno nmero de vees que um pi1el i possui um viinho de valor @ D esquerda ou D direi"ta para situa%&es onde 6, em uma distncia d estabelecida.

$onsideremos uma imagem I H1H pi1els, com V n2veis de cina nas dire%&es 6 e G6graus e distncia mod(d) lt E, conforme mostra a figura :.

5igura B6 Imagem > -ig8( sum4@K6,>g8( !(i, @) ))

-nde >g / o maior n2vel de cina presente na imagem.

$om o ob@etivo de melhorar o processo de recupera%o por te1tura, geralmente socriadas diversas matries de co"ocorr0ncia para as dire%&es de 6, VF, G6 e EHF graus,al/m de se utiliar distncias d variadas.

$onforme e1posto anteriormente uma matri de co"ocorr0ncia / o ponto de partidapara a obten%o de diversos descritores estat2sticos. < seguir daremos continuidade aonosso estudo de descritores baseados nestas matries, abordando descritores estat2sti"cos propostos por 4>aralic, ;hanmugan e 3instein, EG7H8.

>aralic, ;hanmugan e 3instein 4EG7H8 propuseram quatore descritores, para re"

presentar caracter2sticas presentes em te1turas. *stes descritores so obtidos atrav/s dec'lculos de dom2nio espacial e na abordagem estat2stica de segunda ordem, baseada na

10


15/23

premissa de que toda a informa%o de te1tura de uma imagem est' contida total ouparcialmente em rela%&es espaciais entre os seus tons de cina. ;o obtidas diversasmatries de co"ocorr0ncia, a fim de se conhecer a depend0ncia espacial e probabilidadede distribui%o, e em seguida so e1tra2dos um ou mais descritores dentre os EV pro"postos. elipe e Traina 456658 afirmam que a escolha dos descritores a serem adotados

para uma solu%o de recupera%o de imagens por contedo se baseia em testes emp2ri"cos sobre um dom2nio espec2fico, levando"se em considera%o os que produirem osmelhores resultados. < seguir, os descritores propostos por 4>aralic, ;hanmugan e3instein, EG7H8 sero apresentados em detalhes.

;egundo 9omento


16/23

Tabela )6 Relacionamento de /i;inhan0a entre os tons de cin;a da imagem A commod7d8 lt 2 e F&

inalmente#


17/23

!ara ]K6^ e d lt E#

Tabela 226 $.lculo do SMA -ara F& e d lt 2

13


18/23

inalmente para ]KG6^ e d lt E, teremos#

Tabela 2(6 $.lculo do SMA -ara F)& e d lt 2

1


19/23

!ara se obter o descritor de energia deve"se basicamente calcular a rai quadradados valores computados para o ;egundo 9omento g"E8( sum4@K6, >g"E8( !(i, @, d, 3) ))[),

mod(i " @) K n

15


20/23

Tabela 2>6 $.lculo da ntro-ia -ara F& e d lt 2

Tabela 2?6 $.lculo da ntro-ia -ara F)& e d lt 2

16


21/23

!ara ilustrar o c'lculo deste descritor, mais uma ve ser' utiliado o e1emplo pro"posto onde tem"se uma imagem < e suas respectivas matries de co"ocorr0ncia 9(


22/23

Tabela 2B6 $.lculo de $ontraste -ara F)& e d lt 2

< representa%o de homogeneidade assume valores altos quando uma dada te1turaapresenta uma bai1a varia%o entre os tons de cina da imagem.

>-9 K sum4i,@K6, >g"E8( (E \ (E ` sqr(i ` @))) _ !(i, @, d, 3) )

Ama ve que foram calculados os descritores de 4>aralic, ;hanmugan e 3instein,EG7H8 para duas imagens Ia e Ib , pode"se aplicar uma medida de distncia, como a eu"clidiana, para mensurar a similaridade entre duas imagens com base nestas caracter2s"ticas. !ara isso calcula"se#

d K sqrt( sqr( 3(Ib) " 3(Ia) ))

> $onclus3o


23/23

? ReerCncias

-, !.W.9. Reconhecimento de

ProcessamentoDigital de Imagem2

Documents

Transcript of ProcessamentoDigital de Imagem2