Processamento de Imagens

Processamento Processamento de Imagens Airton Bordin Junior

Quem Sou Eu? Airton Bordin Junior Graduação: Ciência da Computação Especialização: Redes de Computadores e Gerenciamento de Projetos Contato

  



  

2

[email protected] airtonbjunior.com.br facebook.com/airtonbjunior

Objetivos Gerais da Disciplina Fornecer

conceitos e técnicas básicas em processamento de imagem digital com o objetivo de preparar o aluno para cursos mais avançados, tais



como análise de imagens, sensoriamento remoto, visão computacional e diagnóstico por imagens. Capacitar o aluno a resolver problemas que envolvem o uso e manipulação de imagens digitais, mobilizando recursos de multimídia, imagens, sons, para apresentação da informação.

3

Estratégia de Trabalho Apresentação do conteúdo



 



Aulas expositivas de aspectos teóricos; Aplicações a problemas de interesse, com exercícios (classe e extra-classe); Utilização do laboratório de informática.

Avaliação





100 pontos, compostos por 





1,5h/aula semana 

4

60% prova; 40% trabalho. trabalho. Quinta-feira, Quinta-fe ira, 19h

Bibliografia Básica



AZEVEDO, E. e CONCI, A. “Computação Gráfica: Teoria e Prática”, Rio de Janeiro, Editora Campus, 2003, 353p.  CONCI, A., AZEVEDO, E. e LETA, F.R., “Computação Gráfica: Teoria e Prática”, Volume 2. Rio de Janeiro, Editora Campus, 2008,407p.  PAULA FILHO, W. P, “Multimídia: conceitos e aplicações”, Rio de Janeiro,, LTC, 2000, 321p. Janeiro 

5

Conteúdo Programático 1. Conceitos Conceitos básicos e terminologia



  



1.1. Visão humana x visão computacional 1.2 Aquisição de imagens (digitalização: Scanners, CCD) 1.3 A imagem digital e suas características (resolução, profundidade, etc) 1.4 Imagens vetoriais x matriciais (raster)

2. Formato de Arquivos de Imagens (conceitos)







2.1 Formatos de armazenamento matricial (raster) x vetorial 2.2 Compressão de imagens: com perda e sem perda de informação (geométrica e cor)











  

3.1 Histograma 3.2 Limiarização 3.3 A Curva de Tons



 

4. Apresentação através de datashow







5. Operações com imagens



 

5.1 Aritméticas (blending) e Lógicas 5.2 Anti-serrilhamento

6. Transformações geométricas e morphing





6

6.1 Translação, reflexão, escala e rotação





9.2 Filtragem Passa-baixa (smothing) 9.3 Filtagem Passa-alta (sharpening) 10.1 Métodos de compressão (com e sem perdas) 10.2 Codificações (LZW e DCT) 10.2 Compressão por Wavelets.

11. Projeto de animação por computador 

4.1 Programa para calcular e apresentar histogramas de uma imagem digital

8.1 Transformadas de Fourier (Discreta e Rápida) 8.2 Convolução de imagens

10. Compressão de Imagens 



transformações

9. Filtros de imagens. 



7.1 Programa implementando geométricas em imagens

8. Transformadas ransform adas de Imagens. I magens. 

3. Amostragem e quantificação



7. Apresentação através de datashow

11.1 Princípios de animação. Sinopse, Roteiro, Storyboard 11.2 Animação interativa (Z-Buffer) x não-interativa (Raytracing) 11.3 Som e vídeo digitais

12. Apresentação através de datashow 

12.1 Uso de um pacote de modelagem 3D e Criação de uma animação com 30 segundos

1. Conceitos básicos e terminologia. 1.1. Visão humana hum ana x visão computacional comp utacional;; 1.2 Aquisição de imagens im agens (digitalização: (digitali zação: Scanners, CCD, CCD, etc); 1.3 A imagem digital e suas características (resolução, profundidade, etc); 1.4 Imagens vetoriais x matriciais ( raster ).).

7

Introdução Computação gráfica





“Um conjunto de ferramentas e técnicas para converter converter dados para ou de um dispositivo gráfico através do computador” 

ISO (International Organization for Standarization).

Processamento de Imagens



 

8

Processamento de sinais n-dimensionais; Processamento Entrada do sistema é uma imagem e a saída é um conjunto de valores numéricos numéricos que podem ou não compor outra imagem;

Áreas de Atuação

9

Áreas de Atuação

10

Formação das Imagens 1. 2. 3.

11

Luz emitida por uma fonte Luz refletida por um objeto Luz captada pelo olho humano ou sensor

Formação das Imagens 



Até por volta do ano 1000, 100 0, pensavam que o olho emitia a luz; No ano de 1020, Alhazen sugere que o olho capta luz e não emite luz!

Alhazen

12

Sistema de Visão Humana

13


14

Sistema de Visão Humana Visão Humana

Visão Cachorro

15

O que é cor? 

 

É uma sensação provocada pela ação da luz sobre o órgão da visão; Se não há luz, não há cor! Pode ser definida pelo seu comprimento de onda  

16

Vermelho: 700nm; Violeta: 400nm.


Cor

Frequência

Comprimento Compriment o de onda

violeta

668 – 789 789 THz

380 – 450 450 nm

azul

606 – 668 668 THz

450 – 495 495 nm

verde

526 – 606 606 THz

495 – 570 570 nm

amarelo

508 – 526 526 THz

570 – 590 590 nm

Laranja

484 – 508 508 THz

590 – 620 620 nm

vermelho

400 – 484 484 THz

620 – 750 750 nm

17


18


19


20


21


22


12 23

5

6

Visão Computacional   

Ciência e tecnologia das máquinas que enxergam; Extrair/interpretar características específicas da imagem; Sistema capaz de adquirir, processar e interpretar imagens. Reconhecimento de padrões

Processamento de Sinais

Processamento de Imagens

Visão Computacional Inteligência Artificial

Física

Matemática

24

Visão Computacional

25


26

Visão Computacional Visão Humana Cena

Imagem

Percepção

Olho

Cérebro

Aquisição de imagem

Interpretação de imagem

Visão Computacional Cena

27

Imagem

Percepção

Câmera

Computador

Aquisição de imagem

Interpretação de imagem


Aquisição de Imagem Pré-processamento Extração de características Detecção e Segmentação Processamento Pr ocessamento de Alto Nível 28

Aquisição de Imagens 

Obtenção de uma representação da informação visual 



Mais fiel possível e ser processável processável pelo computador

Formação: sensor de imagem registra a radiação que interagiu com objetos físicos

29

Aquisição de Imagens

Russell Kirsch - SEAC Scanner

30

1ª imagem digital (1957) 176 pixels - 5x5

Aquisição de Imagens

“What would happen if computers could look at pictures?” (O

que aconteceria se computadores computadores pudessem ver imagens?) (Kirsch)

31

Imagem Digital 

Imagem monocromática   

(0,0)

Função bidimensional da intensidade da luz f(x, y); x, y: coordenadas espaciais (largura x altura); f: brilho (nível de cinza) naquele ponto. y

x 32

Imagem Digital 

Imagem monocromática   

33

Função bidimensional da intensidade da luz f(x, y); x, y: coordenadas espaciais (largura x altura); f: brilho (nível de cinza) naquele ponto.

Imagem Digital

400x500 pixels

34

58x58 (800% ampliação)

Imagem Digital 

Resolução espacial é determinada pelo número de pixels por área da imagem 



Pixel (Picture Element): é o menor ponto que forma uma imagem digital Ex.: Monitor colorido, pixel é um conjunto de 3 pontos (RGB)

512x512

35

256x256

128x128

64x64

Vetorial x Matricial 

Bitmaps (raster): Imagens formadas por pixels 



jpeg, gif, tiff, bmp, etc

Vetoriais: Imagens formadas por cálculos matemáticos executados pelo computador 

wmf, svg, dwg, dwf, etc

Vetorial x Matricial

Vetorial x Matricial Imagem Vetorial

Imagem Matricial

2. Formato de Arquivos de Imagens 2.1 Formatos de armazenamento matricial (raster) x vetorial; 2.2 Compressão de imagens: com perda e sem perda de informação.

Nota: para os exemplos de aula, utilizaremos o GIMP - https://ww https://www.gimp.org/ w.gimp.org/

39

Compressão de Imagens 

Procedimento computacional aplicado a uma imagem digital com a finalidade de diminuir o tamanho final do arquivo 



Fatores importantes: taxa de compressão e velocidade processamento

Sem perdas (reversíveis) e com perdas (irreversíveis) 



processo de compressão pode ser revertido a partir da imagem comprimida e de informações do codificador codificador;; Com perdas: não é possível , através de algum procedimento reverso, se restaurar a imagem com todas suas informações originais , somente uma imagem aproximada da imagem original. Sem perdas:


Métodos de compressão sem perdas 



RLE (Run Lenght Encoding), LZ (Lempel Ziv), LZW (Lempel Ziv Wech), algoritmo de Huffman (usadas nos formatos: PCX, PNG, PN G, GIF GIF, TI TIFF FF),), etc etc

Métodos de compressão com perdas 

Fractal compression, JPEG, JPEG 2000, Wavelet compression, Cartesian Perceptual Compression (CPC), DjVu, ICER, etc


Exemplo de perda 

Pequeno corte de uma imagem de 4288x2848 12 megapixel RAW image

JPG 20

JPG 40

JPG 60

JPG 80

PNG

JPG 90

JPG 100


Exemplo de perda 



Pequeno corte de uma imagem de 4288x2848 12 megapixel RAW image Corte original: 300x300x3 RGB = 264 KB (100%) Formato

TIF LZW* PNG* JPG 100 JPG 90 JPG 80 JPG 60 JPG 40 JPG 20

Tamanho

184 KB 144 KB 77 KB 29 KB 21 KB 14 KB 11 KB 8 KB

Proporção tamanho origina originall

70% 55% 29% 11% 8% 5% 4% 3%

a d r e p m e S *

3. Amostragem e quantificação 3.1 Histograma 3.2 Limiarização 3.3 A Curva de Tons

44

Histograma 

Mostra as frequências de níveis de cinza da imagem  



Cada pixel tem uma cor produzida pela mistura RGB; Cada cor pode ter um brilho que varia de 0 a 255 (8 bits).

Histograma varre a imagem em cada um desses valores de brilho e conta quantos estão em cada nível de 0 a 255

Quantidade de pixels

0 (preto)

255 (branco)

Brilho

Histograma

Histograma

Histograma Valores muito baixos: Imagem escura

Valores muito muit o altos: alt os: Imagem clara

Valores muito próximos: baixo contraste

Valores espalhados: alto contraste

Histograma

Histograma

GIMP: Windows -> Dockable Dialogs -> Histogram

Limiarização  

Separa os grupos de cinza de uma imagem Determina-se uma intensidade de cinza (limiar) que separa as partes da imagem 



Grupos de pixels com intensidades parecidas são separados dos outros

Escolha do valor para execução da limiarização nem sempre é uma tarefa fácil 

Um meio para escolher é a observação do histograma

Limiarização QIR

OTSU

Limiarização

GIMP:: Tools -> Colo GIMP Colorr Tools -> Threshold Threshol d

Curva de Tons 255

o n i t s e D

0

Origem

255

Curva de Tons

Curva de Tons

Inversão de cores

Contraste acentuado

Curva de Tons

GIMP:: Tools -> Colo GIMP Colorr Tools -> Cur Curves ves

4. Apresentação através de datashow 4.1 Programa para calcular e apresentar histogramas de uma imagem digital

58

5. Operações com Imagens 5.1 Aritméticas (blending) e Lógicas 5.2 Anti-serrilhamento Anti-serrilhamento

59

Operações com Imagens 

Operações pontuais 

Pixel (x, y) da imagem resultante depende unicamente do pixel na imagem original

Operações com Imagens 

Operações pontuais 

Operações Aritiméticas   





Adição; Subtração; Multiplicação; Divisão.

Imagem A

Operações Lógicas   

AND; OR; NOT.

Imagem B

Soma 







Média de múltiplas imagens da cena; Útil para reduzir os efeitos de ruídos aleatórios aditivos; Pode ser usado para incluir conteúdo de uma imagem sobrepondo outra; Aplicações  

Ajuste de brilho; Remoção de ruídos.

Imagem A

Imagem B

Soma Imagem A

Imagem B

Imagem C

Soma

Imagem A

Imagem B

+

Imagem C

=

Soma •

•

K=5

Imagem original corrompida através da adição de ruído gaussiano; Abaixo, o resultado do cálculo da média (após soma) para K imagens ruidosas

K=10

K=20

K=50

K=100

Subtração 



Remove padrões indesejável da imagem; Detecta mudança entre duas imagens da mesma cena 



Eventualmente adquiridas da forma consecutiva

Calcula o gradiente (bordas).

Imagem A

Imagem B

Subtração

Imagem A

Imagem B

-

Imagem C

=

Subtração A

C

B

D

A

Imagem de raio X

B

Imagem de raio X com substância da contraste no sangue

C

Subtração entre A e B

D

Imagem da subtração com contraste realçado Como realçar contraste?

Subtração

Multiplicação e Divisão 



Corrige possíveis defeitos de um digitalizador; Utilizar uma máscara para multiplicar pode esconder certas regiões 



Exposição de objetos de interesse.

Calibração e normalização de brilho.

Imagem A

Imagem B


Correção de sombreamento A

B

C

A

Imagem sombreada de um filamento de tungstênio;

B

Padrão de sombreamento;

C

Produto da imagem A pelo B^-1 (inverso).


Obtenção de região de interesse A

B

C

A

Imagem digital de uma radiografia odontológica;

B

Máscara (duas regiões de interesse);

C

Produto da imagem pela máscara.

Operações Lógicas

Operações Lógicas AND

Operações Lógicas OR

Operações Lógicas XOR

Anti-serrilhamento 

Método para redução de serrilhamento;

Anti-serrilhamento

Anti-serrilhamento

Com Anti-serrilhamento

Sem Anti-serrilhamento

Anti-serrilhamento

6. Transformações geométricas e morphing 6.1 Translação, reflexão, escala e rotação

81

Transformações Transformaçõ es Geométricas Geométricas 



Em diversas aplicações na área de Processamento de Imagens há a necessidade de manipular e alterar a cena; Transformações geométricas  

Redefinem a relação espacial dos pontos de uma imagem; Alterações utilizadas visando alteração de algumas características da imagem    

Posição; Orientação; Tamanho; Etc.


Todas as transformações geométricas podem ser representadas na forma de equações;  

Geralmente envolvem MUITAS operações de aritimética; Matrizes são muito utilizadas nessas manipulações 



Mais fáceis de entender do que equações algébricas; Pontos = coordenadas.

2  = 2, 3 = 3 1  = 1, 1 = 1


Dado um sistema de coordenadas, pode-se definir elementos nesse sistema através de suas coordenadas 

2D: 2 coordenadas coorde nadas

2  = 2, 3 = 3 1  = 1, 1 = 1

A

3 B

1 1

2

Translação  

Movimentar o objeto; Adiciona quantidades às coordenadas do ponto no plano (x, y); 



Cada ponto em (x, y) pode ser movido por Tx unidades em relação ao eixo x e Ty unidades no eixo y; Nova posição: (x’, y’)

 ∆ ′ =  + ∆ ′

Translação

Antes da Translaçã ranslaçãoo

Depois da Translaçã ranslaçãoo

Escala  

Mudar as dimensões de escala; Multiplicar os valores de suas coordenadas por um fator de escala; 

Fazer a operação com todos os seus pontos.

  ′ =   0 

0 

Escala  

Mudar as dimensões de escala; Multiplicar os valores de suas coordenadas por um fator de escala; 

Fazer a operação com todos os seus pontos.

Rotação 

Mudar a direção de um vetor segundo algum eixo de rotação 



2D: reposicioná-lo sobre um caminho circular, como ocorre com ponteiro do relógio.

Um ponto pode ser rotacionado em torno da origem de ângulo  

   =  ′ 

− 

Rotação

Antes da Rotação

Depois da Rotação

Rotação

Reflexão 

Produz um objeto espelhado (espelhamento) em relação a um dos eixos ou ambos;

  1 − =  0

0 −1

Eixo x

−  −1  =  0

0 1

Eixo y

−  −1 − =  0

0 −1

Eixo x e y

8. Transformadas de Imagens 8.1 Transformadas de Fourier (Discreta e Rápida) 8.2 Convolução de imagens

93

Convolução 

Matriz primária: imagem a ser tratada; 



Coleção bi-dimensional de pixels em coordenadas (matriz).

Matriz de convolução

GIMP: Filters -> Generic -> Convolution Matrix

Convolução 

O tamanho da máscara e os valores dos coeficientes definem o tipo de filtragem produzido     

Passa baixa e média espacial (sua (suavização); vização); Filtragem mediana; Passa alta (realçe); Passa banda; Gradientes (detectores de borda) 

 

Robert; Sobel; Etc.

Convolução 

Filtros de passa baixa   

Suavização; Máscara que realiza a média da vizinhança; Quanto maior a máscara, maior o efeito de borramento.

Convolução 

Filtros de passa baixa 

Gaussiano

Convolução 

Filtros de passa alta   



Realce; Destacar transições de intensidade na imagem; Realça diferença de níveis de cinza na imagem.

Filtros 

Laplaciano;



Unsharp masking



Derivados.

e highboost filtering;

Convolução 

Filtros de passa alta 

Laplaciano Centro negativo: Remove bordas exteriores

Centro positivo: Remove bordas interiores

Convolução 

Filtros de passa alta 

Como o filtro Laplaciano é linear, existem máscaras que combinam as duas operações: realce e reconstrução do fundo da imagem.

Convolução 

Filtros de passa alta

Convolução 

Filtros de passa alta

Convolução 

Detectores de bordas 

Prewitt



Sobel

Convolução

Filtros 

Objetivos dos filtros 

Ampliação do seu contraste;



Eliminação de padrões periódicos ou aleatórios;



Melhoria no foco e acentuação de características.

Classificação 

Domínio ou espaço em que atuam: a tuam: Frequência ou espacial.



Tipo de freqüência







Passa ou elimina baixas freqüências;



Passa ou elimina altas frequências;



Passa ou elimina faixas de freqüências.

Linearidade: lineares, não lineares ou inversíveis; Tipo de aplicação: suavização, contraste, adaptativos, globais, janelados, locais.

Filtragem no Domínio Espacial 



Os métodos de filtragem que trabalham no domínio espacial operam sobre os pixels, normalmente utilizando operações de convolução (utilizando máscaras); A utilização de máscaras nas imagens no domínio espacial é usualmente chamado de filtragem espacial e as máscaras são chamadas de filtros espaciais.

Filtragem no Domínio de Frequência



Filtragem Passa Baixa;



Filtragem Passa Alta;



Outros filtros filtros no domínio de frequência.

Filtragem no Domínio de Frequência 





A imagem é transformada do domínio espacial para o da freqüência (transformada de Fourier); Operações de filtragem são realizadas nessa imagem; Realiza-se o processo inverso, onde a imagem no domínio da freqüência é transformada para o domínio espacial.

Transformada de Fourier 

A transformada de Fourier de uma função é uma função complexa F (u)  R(u)  jI (u)



A Transformada de Fourier é uma operação que transforma uma função definida no domínio espacial em uma outra função definida no domínio da frequência;  

F (u, v) 

exp  j 2   f ( x, y) exp

(ux  v y)dxdy



  

f ( x, y ) 

exp  j 2   F (u, v) exp

(ux  v y)dudv



 

Transformada Discreta de Fourier Fourier 

Para uso em computadores, seja para aplicações científicas ou em processamento de imagens 



Demanda valores x k discretos. Para isso existe a versão da transformada para funções discretas.

Um algoritmo eficiente para o cálculo das Transformadas de Fourier é o FFT (Fast Fourier transform) 

Complexidade O(n log2 n) contra O(n2) da DFT.

Complexidade Algoritmos 

Computando diretamente a DFT 



Uma DFT de N pontos requer N^2 multiplicações de ponto flutuante por ponto de saída; Uma vez que existem N^2 pontos de saída, a complexidade computacional da DFT é O(N^4)  



N = 256 => N^4= 4x10^9 => tAthlonXP+ ~ 24s (~167Mflops); N = 15Mpixels 15Mpixels => N^2 = 2x10^14 2x10^14 => t ~ 15 dias;

Computando com a FFT 

Complexidade = NlogN => N = 15Mpix => t ~ 1,5s

Espectro de Frequências 

g(t) = sin(2pf t) + (1/3)sin(2p(3f) t)

=

+

Transformada de Fourier

Transforma ransformada da de de Fourier

Transforma ransformada da Inversa de Fourier



Filtragem no Domínio de Fourier 





A imagem f(x,y) é transformada para o domínio de Fourier (transformada discreta); A imagem no domínio de Fourier é representada por F(u,v) e é convoluída com o filtro H(u,v); Ao produto F(u,v) H(u,v) é aplicada a inversa da transformada de Fourier para retornar ao domínio espacial, onde se tem a imagem processada g(x,y).

9. Filtros de imagens. 9.2 Filtragem Passa-baixa (smothing) 9.3 Filtagem Passa-alta (sharpening)

118

Filtragem Passa Baixa 

Os detalhes da imagem que geram altas freqüências 







Bordas, lados e outras transições abruptas de nível de cinza.

Obtém-se uma imagem menos nítida ou suavizada. Tem-se uma perda de detalhes que são os componentes de altas freqüências; Suavização.


Filtro passa baixa ideal

H(u,v) = 1 se u2 + v2 < r 2 H(u,v) = 0 se u2 + v2  r r 2


Objetivos 





Suavizar a imagem pela redução das variações nos de níveis de cinza que dão a aparência de “serrilhado” nos patamares de intensidade; Atenuar as altas frequências, que correspondem às transições abruptas; Minimizar ruídos.

Filtragem Passa Alta 





Os componentes de alta frequência da transformada de Fourier não são alterados, enquanto os de baixa frequência são removidos; Isto faz com que os detalhes finos da imagem sejam enfatizados; Aguçamento/realce.


Filtro passa alta ideal

H(u,v) = 0 se u2 + v2 < r 2 H(u,v) = 1 se u2 + v2  r r 2


Objetivos 







Atenuam ou eliminam as baixas freqüências, realçando as altas freqüências; Usados para realçar os detalhes na imagem (intensificação ou “sharpening”); Destacam características como bordas, linhas, curvas e manchas.; Tornam mais nítidas as transições entre regiões diferentes (contornos), realçando o contraste;

Filtros 

Filtros passa baixa, passa alta e passa faixa 

Freqüência (acima) e espaço (abaixo).

10. Compressão de Imagens 10.1 Métodos de compressão (com e sem perdas) 10.2 Codificações (LZW e DCT) 10.2 Compressão por Wavelets

126






Formas de diminuir a área de armazenamento dos dados, reduzindo a quantidade de bits para representar a os dados (imagem, texto, som, etc); Em compressão de imagens, define-se como a forma (algoritmos e métodos) de armazenar informações visuais de forma mais compacta; Necessidades   

Espaço de armazenamento; Tempo de transmi transmissão; ssão; Etc.


Exemplo: 

Imagem colorida de dimensões 1024x1024, cada pixel representado repr esentado por 24 bits.


Exemplo: 


1024 x 1024 x 24 = 25.165.824 bits


Exemplo: 


1024 x 1024 x 24 = 25.165.824 bits 25.165.824 bits = 3145728 Bytes


Exemplo: 


1024 x 1024 x 24 = 25.165.824 bits 25.165.824 bits = 3145728 Bytes 3145728 Bytes = 3145,728 KBytes


Exemplo: 


1024 x 1024 x 24 = 25.165.824 bits 25.165.824 bits = 3145728 Bytes 3145728 Bytes = 3145,728 KBytes 3,145728 Mbytes (~3MB)


Exemplo: 

Imagem colorida de dimensões 1024x1024, cada pixel representado repr esentado por 24 bits = ~3MB.


Exemplo: 

Imagem colorida de dimensões 1024x1024, cada pixel representado repr esentado por 24 bits = ~3MB.




Várias quantidades de dados podem ser usados para representar a mesma quantidade de informações; Representações contém informações irrelevantes ou repetidas 





A compressão de imagens é possível porque as imagens, em geral, possuem um alto grau de coerência, que traduz-se em redundância de informação quando codificada; Dados Redundantes.

Redundâncias em imagens    

De codificação de tons ou cor; Inter-pixels; Espectral; Psicovisuais.

Redundância em Imagens 

De codificação de tons ou cor 



Inter-pixels 



Resultantes das relações geométricas ou estruturais entre os objetos na imagem.

Espectral 



Níveis de cinza ou as cores de uma imagem são codificados com mais símbolos de codificação que o necessário.

Imagens com mais de uma faixa espectral, quando os valores espectrais são relacionados (para a mesma posição na matriz de pixels de cada banda).

Psicovisuais 

Sistema visual humano não responde com a mesma sensibilidade a todas as informações visuais.


Redundância de codificação  



Representação ineficiente para os valores de pixels; Mesmo número de bits para todos os valores de intensidade (tanto para o mais provável quanto o menos provável). Informações da imagem são representados com mais símbolos do que seria necessário 

Exemplo: como representar o número 2 usando 8 bits?


Redundância de codificação  



Representação ineficiente para os valores de pixels; Mesmo número de bits para todos os valores de intensidade (tanto para o mais provável quanto o menos provável). Informações da imagem são representados com mais símbolos do que seria necessário 

Exemplo: como representar o número 2 usando 8 bits?

00000010


Redundância de codificação 

Exemplo: representar a seguinte imagem em bits (8 bits)

2 2 1 1 0 3 1 2 0




2 2 1 1 0 3 1 2 0 00000010

00000010

00000001

00000001

00000000

00000011

00000001

00000010

00000000




2 2 1 1 0 3 1 2 0  

00000010

00000010

00000001

00000001

00000000

00000011

00000001

00000010

00000000

Total de bits: 8 * 9 = 72 bits (9 Bytes); 75% dos bits são irrelevantes irrelevantes nesse caso 

Poderíamos representar a mesma imagem com 18 bits (2 Poderíamos bytes) utilizando um valor fixo de n=2 bits.


Redundância Inter-pixels  

Pixels vizinhos em uma Pixels u ma imagem são muito parecidos ou iguais; Permite prever razoavelmente o valor de um pixel a partir do pixel de seus vizinhos 



Com isso a informação dos pixels a ser codificada é relativamente pequena.

Correlação entre blocos de pixels é mais elevada


Redundância Inter-pixels


Redundância Inter-pixels 



Como representar de forma compacta a imagem composta da seguinte sequência de bits (320 bits [40bytes])? 1111111111111111111111111111100000000011111111111111111111111111111111111 1111111111111111111100001111111100011111111111111111111111111111111111111 1111111111111111111111111111111111111111100000111111111000001111111000000 0000111111111111111111111111111111111111111111111111111111111111111111111 1111111111111111111111111111


Redundância Inter-pixels 



Como representar de forma compacta a imagem composta da seguinte sequência de bits (320 bits [40bytes])? 111111111111111111111111111110000000001111111111111111111111111111111 11111111111111111111111100001111111100011111111111111111111111111111 111111111111111111111111111111111111111111111111110000011111111100000 111111100000000001111111111111111111111111111111111111111111111111111 111111111111111111111111111111111111111111111

 

Armazenar a diferença entre pixels adjacentes; Comprimento de corrida 

(1,29) (0,9) (1,55) (0,4) (1,8) (0,3) (1,79) (0,5) (1,9) (0,5) (1,7) (0,10) (1,97)


Redundância Psicovisual 







Imprecisão do sistema visual humano em perceber certos detalhes em uma imagem; As informações que possuem menor importância relativa no processamento visual (psicovisualmente redundantes) podem ser eliminadas sem prejudicar significativamente a percepção da imagem; Exemplo: sistema visual humano é mais sensível às informações de brilho do que de cor; Dados são removidos da imagem 

Processo é irreversível.

Compressão de Imagens



Classificação dos métodos  

Compressão sem perda ou codificação de redundância; Compressão Compressão com perda.

Compressão sem Perda  





Explora a redundância de pixels; Nenhum dados é perdido durante o processo de compressão; Preserva TODAS as informações que permitirão a reconstrução EXATA da imagem; Exemplos     

RLE (Run Length Encoding );); LZ (Lempel Ziv );); LZW (Lempe (Lempell Ziv Wec ech h); Algoritmo de Huffman (usada em PNG, GIF, PCX, TIFF); Etc.

Compressão com Perda 

 

Mais eficiente em relação à área final de armazenamento devido à sua razão de compressão ser maior; Há perda de dados durante a compressão da imagem; Em vários casos, não é admissível compressão com perdas   



Sinais de satélite; Imagens médicas; Etc.

Em alguns casos é admissível a perda  

Imagem transferida pela Internet sem informação sensível; sensível; Etc.

Compressão de Imagens



Classificação dos métodos  

Compressão simétrica Compressão Compressão Compress ão assimétrica.


Compressão simétrica   



Tempo de compressão é igual o tempo de descompressão; Wavelets (WT); Discretee Cosine Transform). Transformada de Cossenos (DCT – Discret

Compressão assimétrica 



Tempo de compressão é muito maior que o tempo de descompressão descompres são (ou vice-v vice-versa); ersa); Exemplos: 

Banco de dados de imagens 



Imagem será salva uma vez (maior tempo de compressão) e será lida provavelmente várias vezes (menor tempo de descompressão).

Backup 

Procedimento de compressão deve ser mais rápido que o de descompressão (rapidez para realizar o backup).

Run Length Enconding (RLE)   



Codificação por comprimento de corrida. Utilizada nos formatos CCITT, JPEG, MPEG, BMP; Geralmente utilizada em conjunto com outras técnicas de compressão; Apropriada para imagens cujos símbolos repetem com grande frequência (imagens binárias, por exemplo [0 ou 1]) 

Duas abordagens  

Posições Posições iniciais e os comprimentos das corridas valor 1; Apenas comprimento das corridas, iniciando com a de valor 1.

RLE 

Exemplo 1 1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

1

1

1

1

0

0

0

1

1

0

0

0

1

1

1

1

0

1

1

0

1

1

1

2

0

0

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

0

1

1

1

1

3

1

1

1

0

0

0

0

0

0

0

0

0

0

0

0

0

1

1

1

1

1

1

Abordagem 1

Abordagem 2

RLE 

Exemplo 1 1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

1

1

1

1

0

0

0

1

1

0

0

0

1

1

1

1

0

1

1

0

1

1

1

2

0

0

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

0

1

1

1

1

3

1

1

1

0

0

0

0

0

0

0

0

0

0

0

0

0

1

1

1

1

1

1

Abordagem 1 Linha 1: (1,3), (7,2), (12,4), (17,2), (20,3) Linha 2: (5,13), (19,4) Linha 3: (1,3), (17,6)

Abordagem 2 Linha 1: 3, 3, 2, 3, 4, 1, 2, 1, 3 Linha 2: 0, 4, 13, 1, 4 Linha 3: 3, 13, 6

RLE 

Exemplo II (imagem monocromática não binária) Imagem original – 28 28 Bytes

RLE 

Exemplo II (imagem monocromática não binária) Imagem original – 28 28 Bytes

Abordagem 1 Codificação RLE – 22 22 Bytes

Abordagem 2 21%

RLE 

Variações do d o algoritmo 

Ordem da codificação

RLE 

Considerações 



Simples e rápido tanto para a compressão quanto para a descompressão; Taxa de compressão depende fortemente da entrada de dados 





Imagem preto e branco de texto ou line art – contém contém grandes regiões brancas que serão comprimidas significativamente; significativamente; Imagens com cores chapadas – Tendem Tendem a apresentar extensas regiões da mesma cor, proporcionando uma boa compressão com RLE; Fotografias, por apresentarem muitas e sutis variações de cores e tons tendem a não apresentar uma boa taxa de compressão com RLE.

Lempel-Ziv-Welch (LZW) 

Nome do algoritmo desenvolvedores

derivado

do

nome

Abraham Lempel; Ziv;  Jakob Ziv;  Terr erryy Wel Welch. ch. 

 

Simétrico e sem perdas; Estratégia de compressão baseada em dicionário 



Substitui sequências de símbolos por códigos  



Tabela de associação assoc iação código – símbolo. símbolo. Em geral, os códigos são menores que as sequências; Redução de tamanho.

Usado Usado no GIF, GIF, TIFF TIFF, Compress Compress (utili (utilitár tário io un unix) ix)..

dos

Wavelets 







Funções definidas sobre um intervalo finito com valor médio = 0; Ideia principal: representar qualquer função arbitrária f(t) como uma sobreposição de um conjunto de funções básicas ou wavelet; Funções básicas são obtidas de uma wavelet mãe

Fourier fornece apenas informações sobre domínio da frequência, não sobre o tempo.

11. Projeto de animação por computador 11.1 Princípios Pri ncípios de animação. ani mação. Sinopse, Sinopse , Roteiro, Storyboard Story board 11.2 Animação interativa (Z-Buffer) x não-interativa (Raytracing) (Raytracing) 11.3 Som e vídeo digitais

161

Princípios da Animação            

Comprimir e esticar; Antecipação; Encenação; Animação Pose-a-pose ou Direta; Sobreposição e continuidade; Aceleração e desaceleração; Movimento em arco; Ação secundária; Temporização; Exagero; Desenho volumétrico; Apelo.

Roteiro 

 

Descrição objetiva das cenas, cen as, diálogos, indicações técnicas da animação; Exposição e organização das ideias; Previsão do pensamento dos espectadores    



Surpreender; Emocionar; Divertir; Prender atenção, a tenção, etc.

Geralmente, feito em forma de texto.

Animação Interativa 

Ray-Tracing 





 

Método para gerar imagens digitais ao simular o caminho da luz que passa atra através vés dos pixels da imagem de saída; Simula a forma como os fótons viajam pelo espaço do mundo real; Técnica poderosa, capaz de gerar imagens com um elevado grau de foto-real foto-realismo; ismo; Requer esforço computacional intenso; Muito usada em locais onde a imagem pode ser tratada previamente  



Cinema; TV, etc.

Menos adequado para aplicações em tempo real, como jogos.


Ray-Tracing


Ray-Tracing


Z-Buffer       

Algoritmo de visualização mais simples; Ordenação por distância; Geralmente implementado nas placas de vídeo; Rotinas de OpenGL baseiam-se neste algoritmo; Matriz 2D que salva o componente de profundidade; Visibilidade é computada por pixel; Pixel recebe recebe a cor do objeto mais próximo ao observador obser vador 

Z “mais alto”.


Z-Buffer  

  

Permite uma comparação por pixel em cada polígono; Requer um espaço razoável em memória para armazenamento do Z-buffer; Fácil de implement i mplementar ar,, inclusive em hardware; Não demanda ordenação prévia; Pode ser implementada com  

2 buffers – buffers – um para a cor e outro para a coordenada coordenada Z; 1 buffer – buffer – para a coordenada Z.


Z-Buffer


Z-Buffer

Referências 

AZEVEDO, E. e CONCI, A. “Computação Gráfica: Teoria e Prática”, Rio de Janeiro, Editora Campus, 2003



Thresholding: A Pixel-Level Image Processing Methodology Preprocessing Technique for an OCR System for the Brahmi Script H. K. Anasuya Devi



Introdução ao Processamento de Imagens – Soraia Soraia Raupp Musse



Visão humana - Guillermo Cámara-Chávez Cámara-Chávez



Using Curves and Histograms – Jonathan Jonathan Sachs

Introdução a Processamento de Imagens e Visão Computacional usando OpenCV – XXI XXI Brazilian Symposium on Computer Graphics and Image Processing



Operações Ponto a Ponto – André André Backes







 

5 Things Every Human Should Know About Light – Rhett Allain – Wired Teoria das cores: natureza, classificação e características – Mauricio Mauricio Mallet Duprat Visão Computacional - Paulo Sérgio Rodrigues Visão Computacional com Python e OpenCV utilizando Kinect – Humberto Zanetti



Visão Computacional Computacional – Carlos Carlos Alexandre de Mello



Computer Vision – Aditya Aditya Wikan Mahastama



Processamento Digital de Imagens - Carlos Alberto Felgueiras



Pixels, Printers, Video – scantips scantips



Processamento do Histograma – Lucas Lucas Ferrari de Oliveira



Aula 2 – importância do histograma em Analise de Imagens - Aura Conci



Como interpretar um histograma - Cláudia Regina



Entendendo o histograma na fotografia - Erica Dallbello

171



 



Transformações Geométricas 2D e 3D – Anderson Luis Nakano e Ícaro Lins Leitão da Cunha Tratamento da Imagem – Transformações Transformações – Antonio Antonio G Thomé Computação Gráfica – Transformações Geométricas no Plano e no Espaço – Tony Tony Alexander Hild Compressão de Imagens – Fabrízzio Fabrízzio Alphonsus Alves de Melo Nunes Soares



Compressão de Imagens (JPG) – Nilson Nilson Teixeira de Lima Jr



Compressão de Imagens – Ionildo Ionildo José Sanches



Visão por computador – João João Luís Sobral



Compressão de imagens usando Wavelets – Daniel Daniel Nehme Muller e Everaldo Luis Daronco



Z-Buffer – Aura Aura Conci



docs.gimp.org

Processamento de Imagens

Recommend Documents