02 Fundamentos PDF

Processamento Digital de Imagens
(Fundamentos)
Prof. Silvio Jamil F. Guimares
PUC Minas
2013-1
Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 1 / 70

Tipos de sinais
Conceito de sinal varia com respeito ao contexto no qual ele est sendo
utilizado.
De um ponto de vista geral, um sinal a manifestao de um fenmeno
que pode ser expresso de forma quantitativa.
Um sinal pode ser representado como uma funo de uma ou mais
variveis independentes e, tipicamente, contm informao acerca da
natureza ou comportamento do fenmeno fsico sob considerao.
Por exemplo, o sinal de voz pode ser definido por uma funo de uma
varivel(tempo), enquanto o sinal correspondente a umaimagem pode
ser definido por uma funo de duas variveis (espao).

Tipos de sinais
No domnio temporal, pode-se analisar como as variaes do sinal

evoluem com o decorrer do tempo.
Um sinal pode ser contnuo ou discreto:
Em um sinal contnuo, seus estados podem ser definidos em
qualquer instante de tempo, ou seja, sem interrupo.
Um sinal discreto definido por um conjunto de valores
enumerveis ou inteiros, cujo intervalo depende da natureza do
sinal.
Sinais podem ainda ser classificados como analgicos ou digitais:
Sinais analgicos podem variar continuamente no tempo.
Um sinal digital pode assumir apenas valores discretos.
Exemplo
Uma onda sonora um exemplo de sinal analgico.
O cdigo Morse utilizado em telegrafia um exemplo de sinal digital
Modelo de imagens
A representao e manipulao de uma imagem em computador requer

a definio de um modelo matemtico adequado da imagem.
Uma imagem pode ser definida como uma funo de intensidade
luminosa, denotada f (x, y), cujo valor ou amplitude nas coordenadas
espaciais (x, y) fornece a intensidade ou o brilho da imagem naquele
ponto.
Conveno do sistema de coordenadas: a origem est localizada no
canto superior esquerdo da imagem.

Modelo de imagens
Um modelo fsico para a intensidade de uma cena sob observao pode

ser expresso em termos do produto entre dois componentes, a
quantidade de luz incidente na cena e a quantidade de luz refletida
pelos objetos presentes na cena.
Esses componentes so chamados de iluminncia e reflectncia,
respectivamente, e so representados por i(x, y) e r(x, y).
Assim, a funo f (x, y) pode ser representada como
f (x, y) = i(x, y)r(x, y) (1)
para 0 < i(x, y) < e 0 < r(x, y) < 1.

A natureza de i(x, y) determinada pela fonte de luz, enquanto r(x, y)
determinada pelas caractersticas dos objetos na cena.
Os valores para os componentes i(x, y) e r(x, y) nas equaes acima
so limites tericos.

Modelo de imagens
A iluminncia medida em lmen/m2 ou lux.

A reflectncia medida em valores percentuais ou no intervalo entre 0
e 1.
Exemplos: Valores mdios ilustram alguns intervalos tpicos de i(x,y):
Em um dia claro, o Sol pode produzir aproximadamente 900000
lmen/m2 de iluminncia na superfcie da Terra. Esse valor decresce
para menos de 10000 lmen/m2 em um dia nublado.
O nvel de iluminncia tpico em um escritrio de aproximadamente
1000 lmen/m2 .
Em uma noite clara, a lua cheia gera aproximadamente 0.1 lmen/m2 .
Exemplos: Valores tpicos de r(x,y):

0.93 para a neve.
0.80 para parede branca.
0.65 para ao inoxidvel.
0.01 para veludo preto.
Digitalizao
A maioria das tcnicas de anlise de imagens realizada por meio de

processamento computacional, ento a funo f (x, y) deve ser
convertida para a forma discreta.
Uma imagem digital pode ser obtida por um processo denominado
digitalizao, o qual envolve dois passos, a amostragem e a
quantizao:
A amostragem consiste em discretizar o domnio de definio da
imagem nas direes x e y, gerando uma matriz de M N
amostras, respectivamente.
A quantizao consiste em escolher o nmero inteiro L de nveis
de cinza (em uma imagem monocromtica) permitidospara
cadaponto da imagem.

Digitalizao
Cada elemento f (x, y) dessa matriz de amostras chamado pixel

(acrnimo do ingls picture element), com 0 x M 1 e 0 y N 1
A imagem contnua f (x, y) aproximada, portanto, por uma matriz de
dimenso M pixels na horizontal e N pixels na vertical:

Digitalizao
O conceito de dimenso de um pixel ao longo do eixo x, ou do eixo y,

est relacionado com o espaamento fsico entre as amostras.
Cada pixel tem associado um valor Lmin f (x, y) Lmax , tal que o
intervalo [Lmin , Lmax ] denominado escala de cinza.
A intensidade f de uma imagem monocromtica nas coordenadas (x, y)
chamada de nvel de cinza da imagem naquele ponto.
Uma conveno comum atribuir a cor preta ao nvel de cinza mais
escuro (por exemplo, valor = 0) e atribuir a cor branca ao nvel de cinza
mais claro (por exemplo, valor = 255).
Um dos cuidados para a boa digitalio a escolha correta do
espaamento entre as amostras tomadas da imagem contnua.
Reformulando o problema de maneira diferente, o objetivo encontrar
condies de amostragem sob as quais a imagem contnua possa ser
completamente recuperada a partir de um conjunto de valores
amostrados.

Digitalizao
usual em processamento digital de imagens assumir que as

dimenses da imagem e o nmero de nveis de cinza sejam potncias
inteiras de 2.
No caso em que o nmero de nveis de cinza igual a 2, a imagem
chamada binria.
Imagens binrias possuem grande importncia prtica, pois ocupam
menos espao de armazenamento e podem ser manipuladas por meio
de operadores lgicos que esto disponveis diretamente nas instrues
dos computadores.
Considerando que o processo de digitalizao envolve parmetros de
amostragem e quantizao, uma questo saber quantas amostras
N M e nveis de cinza L so necessrios para gerar uma boa imagem
digital.
Isso depende, fundamentalmente, da quantidade de informao
contida na imagem e do grau de detalhes dessa informao que
perceptvel ao olho humano.
Tais parmetros levam aos conceitos de resoluo espacial e
profundidade da imagem.

Resoluo Espacial
A resoluo espacial est associada densidade de pixels da

imagem. Quanto menor o intervalo de amostragem entre os pixels da
imagem, ou seja, quanto maior a densidade de pixels em uma imagem,
maior ser a resoluo da imagem.
importante notar que uma imagem contendo um grande nmero de
pixels no necessariamente possui resoluo maior do que outra
contendo menor nmero de pixels.
A resoluo de uma imagem deve ser escolhida de modo a atender ao
grau de detalhes que devem ser discernveis na imagem.

Resoluo Espacial
Exemplo
Seja, por exemplo, uma imagem f (x, y) representando uma regio de
400cm2, consistindo em 20 amostras uniformemente espaadas na direo
x e 20 amostras uniformemente espaadas na direo y.
Cada pixel da imagem possui dimenso de 1cm 1cm.
Uma resoluo maior para a mesma regio poderia consistir em 40
amostras na direo x e 40 amostras na direo y, cada pixel agora
correspondendo a 0.5cm 0.5cm.
Uma imagem de resoluo menor poderia ter 10 amostras na direo x
e 10 amostras na direo y, em que cada pixel corresponderia a
2cm 2cm.

Profundidade da imagem
Como mencionado anteriormente, o nmero de nveis de quantizao

da imagem f (x, y) normalmente uma potncia de 2, ou seja, L = 2b ,
em que L o nmero de nveis de cinza da imagem e b chamado de
profundidade da imagem.
Assim, a profundidade de uma imagem corresponde ao nmero de bits
necessrios para armazenar a imagem digitalizada.
Exemplo
Seja L = 256. Isso significa que cada pixel pode ter associado um valor de
cinza entre 0 e 255. A profundidade da imagem, neste caso, de 8 bits por
pixel.

Resoluo espacial
Todas as imagens so apresentadas com as mesmas dimenses,
ampliando-se o tamanho do pixel de forma a tornar mais evidente a perda de
detalhes nas imagens de baixa resoluo.
(a) 512 512 (b) 256 256 (c) 128 128
(d) 64 64 (e) 32 32 (f) 16 16

Profundidade da imagem
As imagens foram obtidas reduzindo-se o nmerode bits de b = 6 at b = 1
e mantendo as dimenses das imagens com 512 512 pixels.
(a) 64 (b) 32 (c) 16
(d) 8 (e) 4 (f) 2

Representao de imagens digitais
Uma imagem digital pode ser representada por meio de uma matriz
bidimensional, na qual cada elemento da matriz corresponde a um pixel
da imagem.
Representao matricial de uma imagem. Uma pequena regio da
imagem destacada, sendo formada por nmeros inteiros
correspondendo aos nveis de cinza dos pixels da imagem.
(a) (b)
H vrias vantagens associadas ao uso de matrizes para representar

imagens.
Matrizes so estruturas simples para armazenar, manipular e visualizar
dados.
Uma desvantagem da matriz sua inerente invariabilidade espacial,j
que a estrutura no adaptativa a eventuais irregularidades que
possam existir na imagem. Isso pode produzir uma grande quantidade
de redundncia de dados.
Mtodos de compresso podem fornecer ganhos significativos em
termos de espao de armazenamento e tempo para transmisso de
imagens.

Imagens podem ser representadas em mltiplas resolues por meio de

representaes hierrquicas.
Uma estrutura muito utilizada a pirmide. A representao piramidal
de uma imagem com N Npixels contm a imagem e k verses
reduzidas da imagem. Normalmente, N uma potncia de 2 e as outras
imagens possuem dimenses N/2 N/2, N/4 N/4, , 1 1.
Nessa representao, o pixel no nvel l obtido pela combinao de
informao de vrios pixels na imagem no nvel l + 1.
A imagem inteira representada como um nico pixel no nvel superior,
o nvel 0,e o nvel inferior a imagem original(no reduzida). Um pixel
em um nvel representa informao agregada de vrios pixels no nvel
seguinte.

Sequncia de imagens representadas em diferentes resolues.
Uma imagem e suas verses reduzidas obtidas pela mdia dos valores
de cinza em vizinhanas 2 2 pixels e dispostas em uma estrutura
piramidal
(a) (b)
Imagem multibanda ou multiespectral
Imagens multibandas ou multiespectrais podem ser vistas como

imagens nas quais cada pixel tem associado um valor vetorial
f (x, y) = (L 1, L 2, ..., Ln), em que Lmin Li Lmax e i = 1, 2, , n
Em geral, Li pode representar grandezas diferentes, tais como
temperatura, presso ou frequncia, amostradas em pontos (x, y) e
com intervalos de valores distintos.
Uma imagem multiespectral tambm pode ser representada como uma
sequncia de n imagens monocromticas, tal que cada imagem
conhecida como banda, em que f (x, y) = Li , i = 1, 2, , n
Imagens multiespectrais so muito utilizadas em sensoriamento remoto,
no qual sensores operam em diferentes faixas do espectro
eletromagntico, denominadas bandas espectrais.
Dependendo do alvo, tal como vegetao, gua ou solo, a
interao da radiao eletromagntica produz menor ou maior
resposta espectral, cujo valor est associado posio espacial de
um pixel da banda em particular.

Imagem multibanda e multiespectral
Uma imagem colorida uma imagem multibanda ou multiespectral,
emque a cor em cada ponto (x, y) definida por meio de trs
grandezas:
luminncia: associada com o brilho da luz.
matiz: comprimento de onda dominante.
saturao: grau de pureza do matiz.
Uma representao comum para uma imagem colorida utiliza trs
bandas das cores primrias vermelha (R), verde (G) e azul (B) com
profundidade de 1 byte por pixel para cada banda, ou seja,
profundidade de 24 bits por pixel.
Uma imagem colorida tambm pode ser armazenada por meio de uma
imagem monocromtica e um mapa de cores.
O valor de cinza de cada pixel na imagem torna-se um ndice para uma
entrada do mapa de cores, enquanto a entrada do mapa de cores
contm o valor das componentes R, G e B referentes cor do pixel.
A quantidade de entradas do mapa de cores determina o nmero de
cores utilizadas para representar a imagem.
Imagem multidimensional
H situaes em que necessria uma extenso dos conceitos de

amostragem e quantizao para uma terceira dimenso, a qual
representa, em geral, o espao ou o tempo.
Assim, uma imagem digital 3D pode ser representada como uma
sequncia de imagens monocromticas ou multibandas ao longo do
eixo espacial z ou do eixo temporal t, conhecida como imagem
multidimensional.
Equipamentos tomogrficos geram imagens monocromticas de cortes
(ou fatias)normalmente paralelas e uniformemente espaadas em uma
dada regio 3D.
Considerando as dimenses p p de um pixel nessas imagens e o
espaamento d entre os cortes, a extenso do pixel em 3D forma um
pequeno paraleleppedo de dimenses p p d, que chamado voxel
(acrnimo do ingls volume element).

Imagem multidimensional
Os voxels representam pontos de amostragem e so usados para

reconstruir no computador a forma ou a funo de estruturas
tridimensionais.
Imagens tomogrficas possuem tipicamente 512 512 ou 256 256
pixels e profundidade de 1 ou 2 bytes por pixel.

Rudo em imagens
Imagens reais frequentemente sofrem degradaes durante seu

processo de aquisio, transmisso ou processamento.
Essa degradao normalmente chamada de rudo. O rudo pode ser
considerado uma varivel aleatria z, caracterizada por uma funo
densidade de probabilidade p(z).
Os tipos de rudo mais comumente modelados so o rudo:
impulsivo.
Gaussiano.
uniforme.
Erlang.
exponencial.
Rayleigh.
Poisson.

Rudo em imagens - impulsivo
O rudo impulsivo caracterizado pela ocorrncia aleatria de pixels

cujos valores de luminosidade diferem significativamente dos valores de
seus pixels vizinhos.
Um tipo de rudo impulsivo em que a imagem degradada pela
ocorrncia de pixels brancos e pretos conhecido como rudo
sal-e-pimenta.
A funo densidade de probabilidade do rudo impulsivo dada por

Pa para z=a

p(z) = Pb para z=b

0,

caso contrrio

Rudo em imagens - Gaussiano
O rudo Gaussiano caracterizado pela ocorrncia de pixels com

valores de intensidade que variam conforme a distribuio Gaussiana.
Esse rudo uma boa aproximao da degradao que ocorre em
muitas aplicaes prticas, sendo utilizado, por exemplo, para modelar
rudo gerado por componentes eletrnicos de um sistema de aquisio
digital de imagens.
Uma varivel aleatria com distribuio Gaussiana possui sua
densidade de probabilidade dada pela curva Gaussiana.
No caso unidimensional, a funo densidade de probabilidade
1 (z)2

p(z) = e 22
2
em que a mdia e 2 a varincia da varivel aleatria z.

Rudo em imagens - uniforme
O rudo uniforme segue a funo densidade de probabilidade dada por

1
ba para a z b

p(z) =
0,
caso contrrio
A mdia e a varincia 2 da funo de probabilidade uniforme so

definidas como
a+b
=
2
(b a)2
2 =
12

Rudo em imagens
(a) original (b) impulsivo
(c) gaussiano (d) poisson

Entropia em imagens
O conceito de entropia ou incerteza foi introduzido por Shannon

(1948)para medir a quantidade de informao transferida por um canal
ou gerada por uma fonte.
Quanto maior for o valor de entropia, mais incerteza e, portanto, mais
informao estar associada ao canal.
O princpio fundamental da teoria de informao estabelece que a
gerao de informao pode ser modelada como um processo
probabilstico.
Uma imagem pode ser considerada como o resultado de um processo
aleatrio, no qual a probabilidade pi corresponde probabilidade de um
pixel em uma imagem digital assumir um valor de intensidade i,
i = 0, 1, , Lmax .

Entropia em imagens
A distribuio dos nveis de intensidade da imagem pode ser

transformada em uma funo densidade de probabilidade, dividindo-se
o nmero de pixels de intensidade i, denotado ni , pelo nmero total n de
pixels na imagem, ou seja
ni
pi =
n
em que
L
Xmax
pi = 1
i=0
A entropia H de uma imagem pode ser calculado por

L
X max
H= pi log pi
i=0

Entropia em imagens
A entropia de uma imagem uma medida positiva e, quando a base do

logaritmo for dois, a unidade resultante dada em bits.
O menor valor para a entropia zero, ocorrendo quando todos os pixels
possuem uma mesma intensidade de cinza.
Por outro lado, a mxima entropia ocorre quando uma imagem contm a
mesma quantidade de pixels para todas as intensidades.

Entropia em imagens
Exemplos de imagens com dimenses 256 256 pixels apresentando

diferentes valores de entropia.
(a) H = 0 (b) H = 1 (c) H = 1 (d) H = 2 (e) H = 4 (f) H = 8
A entropia no est relacionada com a disposio espacial da

informao em que as duas imagens possuem igual quantidade de
pixels com as mesmas intensidades, porm, distribudos
espacialmente de maneira diferente

Rudo em imagens - Gaussiano
O rudo Gaussiano caracterizado pela ocorrncia de pixels com

valores de intensidade que variam conforme a distribuio Gaussiana.
Esse rudo uma boa aproximao da degradao que ocorre em
muitas aplicaes prticas, sendo utilizado, por exemplo, para modelar
rudo gerado por componentes eletrnicos de um sistema de aquisio
digital de imagens.
Uma varivel aleatria com distribuio Gaussiana possui sua
densidade de probabilidade dada pela curva Gaussiana.
No caso unidimensional, a funo densidade de probabilidade
1 (z)2

p(z) = e 22
2
em que a mdia e 2 a varincia da varivel aleatria z.

Rudo em imagens - uniforme
O rudo uniforme segue a funo densidade de probabilidade dada por

1
ba para a z b

p(z) =
0,
caso contrrio
A mdia e a varincia 2 da funo de probabilidade uniforme so

definidas como
a+b
=
2
(b a)2
2 =
12

Rudo em imagens
(a) original (b) impulsivo
(c) gaussiano (d) poisson

Relacionamentos Bsicos entre Elementos de
Imagem
Um elemento f em uma matriz bidimensional denotado pelo pixel

f (x, y), enquanto em uma matriz tridimensional denotado pelo voxel
f (x, y, z).
Relacionamentos entre elementos:
Vizinhana.
Conectividade.
Adjacncia.
Caminho.
Componentes Conexos.
Borda e Interior.

Vizinhana
Vizinhana-4: quatro pixels vizinhos horizontais e verticais do pixel
f (x, y), cujas coordenadas so:
(x + 1, y), (x 1, y), (x, y + 1), (x, y 1)
Vizinhana-8: quatro pixels vizinhos horizontal, verticiais e diagonais do

pixel f (x, y), cujas coordenadas so:
(x + 1, y), (x 1, y), (x, y + 1), (x, y 1), (x 1, y 1),
(x 1, y + 1), (x + 1, y 1), (x + 1, y + 1)

Vizinhana
Extenso do conceito de vizinhana para imagens tridimensionais.

Vizinhos podem ser definidos de acordo com o nmero de voxels
compartilhando faces, arestas ou vrtices em comum.
(a) vizinhana-6 (b) vizinhana-18 (c) vizinhana-26

Conectividade
A conectividade entre elementos um conceito importante utilizado

para estabelecer limites de objetos e componentes de regies em uma
imagem.
Para verificar se dois elementos so conexos necessrio determinar
se eles so vizinhos segundo o tipo de vizinhana adotado e se os
elementos satisfazem determinados critrios de similaridade, tais como
intensidade de cinza, cor ou textura.
Por exemplo, em uma imagem binria, em que os pixels podem assumir
os valores 0 ou 1, dois pixels podem ter vizinhana-4, mas somente
sero considerados conexos se possurem o mesmo valor.

Adjacncia
Um elemento f1 adjacente a um elemento f2 se eles forem conexos de

acordo com o tipo de vizinhana adotado.
Dois subconjuntos de pixels, S1 e S2 , so adjacentes se pelo menos um
elemento em S1 for adjacente a algum elemento em S2 .

Caminho
Um caminho na imagem do pixel (x1 , y1 ) a um pixel (xn , yn ) uma
sequncia de pixels distintos com coordenadas
(x1 , y1 ), (x2 , y2 ), , (xn , yn ), em que n o comprimentodo caminho,
(xi , yi ) e (xi+1 , yi+1 ) so adjacentes, tal que i = 1, 2, , n 1.
Se a relao de conectividade considerar vizinhana-4, ento existe um
caminho-4; para vizinhana-8, tem-se um caminho-8.
Exemplos de caminhos:
o caminho-4 possui comprimento 10
o caminho-8 possui comprimento 7
(a) caminho 4 (b) caminho 8

Componentes conexos
Um subconjunto de elementos C da imagem que so conexos entre si
chamado de componente conexo.
Dois elementos f1 e f2 so conexos se existir um caminho de f1 a f2
contido em C.
Exemplo de imagem bidimensional contendo:
trs componentes conexos caso seja considerada a vizinhana-4.
dois componentes conexos se considerada a vizinhana-8.

Borda e interior
A borda de um componente conexo S em uma imagem bidimensional
o conjunto de pixels pertencentes ao componente e que possuem
vizinhana-4 com um ou mais pixels externos a S.
Intuitivamente, a borda corresponde ao conjunto de pontos no contorno
do componente conexo.
O interior o conjunto de pixels de S que no esto em sua borda.
Exemplo de uma imagem binria com sua borda e interior.
(a) original (b) borda e interior

Medidas de distncia
Muitas aplicaes requerem o clculo da distncia entre dois pixels ou

dois componentes de uma imagem.
No h uma nica forma para se definir distncia em imagens digitais.
Dados os pixels f1 , f2 e f3 , com coordenadas (x1 , y1 ), (x2 , y2 ) e (x3 , y3 ),
respectivamente, qualquer mtrica de distncia D deve satisfazer todas
as seguintes propriedades:
(i) D(f1 , f2 ) 0 (D(f1 , f2 ) = 0 se, e somente se, f1 = f2 )
(ii) D(f1 , f2 ) = D(f2 , f1 )
(iii) D(f1 , f3 ) D(f1 , f2 ) + D(f2 , f3 )

Distncia euclidiana
A distncia Euclidiana entre f1 e f2 definida como
q
DE (f 1, f 2) = (x1 x2)2 + (y1 y2)2
Os pixels com uma distncia menor ou igual a algum valor d formam um

disco de raio d centrado em f1.
Distncia DE 3 e um ponto central (x, y)
3

2 2 5 2 5 2 2

5 2 1 2 5
3 2 1
0 1
2 3

5
2 1

2 5
2 2 5 2 5 2 2
3
A distncia Euclidiana est mais prxima do caso contnuo, entretanto,

requer mais esforo computacional e pode produzir valores fracionrios.
Distncia D4
A distncia D4 entre f1 e f2 , tambm denominada city-block, definida
como
D4 (f1 , f2 ) = |x1 x2 | + |y1 y2 |
Os pixels com uma distncia D4 de f1 menor ou igual a algum valor d
formam um losango centrado em f1 .
Em particular, os pontos com distncia 1 so os pixels com vizinhana-4
do ponto central.
Distncia D4 3 e um ponto central (x, y)

3
3 2 3
3 2 1 2 3
3 2 1 0 1 2 3
3 2 1 2 3
3 2 3
3

Distncia D8
A distncia D8 entre f1 e f2 , tambm denominada chessboard, definida
como
D8 (f1 , f2 ) = max(|x1 x2 |, |y1 y2 |)
Os pixels com uma distncia D8 de f1 menor ou igual a algum valor d
formam um quadrado centrado em f1 .
Em particular, os pontos com distncia 1 so os pixels com vizinhana-8
do ponto central.
Distncia D8 3 e um ponto central (x, y)

3 3 3 3 3 3 3
3 2 2 2 2 2 3
3 2 1 1 1 2 3
3 2 1 0 1 2 3
3 2 1 1 1 2 3
3 2 2 2 2 2 3
3 3 3 3 3 3 3

Distncia
A distncia D4 entre dois pixels f1 e f2 igual ao comprimento do

caminho mais curto entre esses pixels, considerando-se a vizinhana-4.
Do mesmo modo, a distncia D8 corresponde ao caminho-8 mais curto
entre esses pontos.

Operaes lgicas e aritmticas
Operaes lgicas (and, or, xor) e aritmticas (soma, subtrao,

multiplicao, diviso) podem ser utilizadas para modificar imagens.
Embora essas operaes permitam uma forma simples de
processamento, h uma grande variedade de aplicaes em que tais
operaes podem produzir resultados de interesse prtico.

Operaes aritmticas
Dadas duas imagens, f1 e f2 , as operaes aritmticas mais comuns

entre dois pixels f1 (x, y) e f2 (x, y) so a adio, subtrao, multiplicao
e diviso.
Adio f1 (x, y) + f2 (x, y)

Subtrao f1 (x, y) f2 (x, y)
Multiplicao f1 (x, y) f2 (x, y)
Diviso f1 (x, y)/f2 (x, y)
Como as operaes aritmticas podem produzir imagens com valores

fora do intervalo de nveis de cinza das imagens originais, alguns
cuidados devem ser tomados para contornar essa situao.

Operaes aritmticas
A adio de duas imagens com 256 nveis de cinza, por exemplo, pode
resultar em nmero maior que o valor 255 para determinados pixels. Por
outro lado, a subtrao de duas imagens pode resultar em valores
negativos para alguns pixels.
Uma maneira de resolver esse problema , aps a aplicao do operador

aritmtico, realizar uma transformao da escala de cinza na imagem
resultante para manter seus valores dentro do intervalo adequado.
A diviso de imagens pode produzir valores fracionrios, os quais

devem ser convertidos para valores inteiros. Alm disso, diviso por
zero deve ser evitada.
Uma maneira simples de evitar esse problema adicionar o valor 1 a todos

os valores de intensidade dos pixels, tal que o intervalo de nveis de cinza
passa a ser interpretado de 1 a 256, ao invs de 0 a 255.

Operaes aritmticas
A adio de imagens pode ser utilizada para sobrepor o contedo de
uma imagem em outra.
Uma outra aplicao do uso da adio a remoo de rudos pelo
clculo da mdia das imagens.
Combinao de uma imagem contendo trs objetos com o mapa de bordas

extrado a partir dos objetos.

Operaes aritmticas
A subtrao de imagens possui vrios usos interessantes, sendo uma

maneira de identificar diferenas entre imagens.
As regies dos objetos que permanecem inalteradas nas imagens so
eliminadas.
Os objetos que se moveram so claramente mostrados.
Duas imagens e o resultado da subtrao entre elas.

Operaes lgicas
As principais operaes lgicas utilizadas em processamento de

imagens so
AND f1 (x, y) AND f2 (x, y)

OR f1 (x, y) OR f2 (x, y)
XOR f1 (x, y) XOR f2 (x, y)
NOT NOT(f1 (x, y))
Essas operaes podem ser combinadas para formar expresses

lgicas mais complexas.
Operaes lgicas podem ser aplicadas apenas a imagens binrias,
enquanto operaes aritmticas podem ser usadas em pixels com
valores diversos.
A terminologia adotada que pixels com valores iguais a 1(preto)
pertencem aos objetos epixels com valores iguais a 0(branco)
correspondem ao fundo.

Operaes lgicas
A operao AND produz o valor 1 na imagem resultante quando os

pixels correspondentes nas duas imagens de entrada possuem valor
igual a 1.
A operao XOR produz 1 quando apenas um dos pixels(mas no
ambos) possui valor 1, caso contrrio, produz 0.
O resultado da operao OR 1 quando pelo menos um dos pixels das
imagens igual a 1.
A operao NOT inverte o valor do pixel na imagem.

Operaes lgicas
A B
A B
A B A B

Operaes lgicas e aritmticas
Alm de processamentos pixel a pixel, as operaes lgicas e
aritmticas podem ser utilizadas em processamentos orientados
vizinhana.
Tipicamente, esse tipo de processamento utiliza as operaes com
mscaras, em que os termos janela e filtros so frequentemente
utilizados como sinnimos de mscara.
A substituio do valor de f (x, y) pela mdia aritmtica, por exemplo,
f (x, y) dos valores dos pixels adjacentes em uma vizinhana de 3 3
pixels pode ser realizada pela equao:
1 1
1 X X
f (x, y) = f (x + m, y + n)
9
m=1 n=1
alto custo computacional

A aplicao de uma mscara de dimenses 3 3 em uma imagem de
256 256 pixels requer nove multiplicaes e oito adies para cada pixel,
resultando em um total de 589824 multiplicaes e 524288 adies
(desconsiderando efeitos de borda da imagem).
Limites da imagem
Durante algumas operaes, como a filtragem espacial descrita
anteriormente, parte da mscara pode se localizar fora das dimenses
M N da imagem
m
M
n
N mscara
imagem
H vrias estratgias diferentes para tratar desse problema:

Ignorar os pixels
Copiar o valor do pixel correspondente da imagem original
Utilizar uma mscara modificada para realizar a operao, aumentando a
complexidade da operao.
Considerar coordenadas refletidas na imagem original ou repetidas de
forma circular.
Limites da imagem
(c) Reflexo (d) Circular

Mtricas de qualidade em imagens
A qualidade de uma imagem bastante dependente da aplicao na

qual a imagem utilizada.
Imagens podem ser utilizadas, por exemplo, para entretenimento em
jogos eletrnicos ou em televiso, assim como em aplicaes que
requerem grande preciso, tais como na medicina ou automao
industrial.
Nesses exemplos, os tipos e graus de degradao que uma imagem
pode sofrer, em geral, so bem distintos.
Uma imagem pode sofrer degradaes durante o processo de
aquisio, transmisso ou processamento.
Mtricas de qualidade ou fidelidade podem ser utilizadas para avaliar a
similaridade de uma imagem transformada g em relao original f

Mtricas de qualidade em imagens
Algumas medidas so voltadas a avaliaes subjetivas, as quais se

baseiam em anlises realizadas por observadores humanos.
Por outro lado, avaliaes objetivas procuram medir a qualidade das
imagens por meio de funes entre a imagem original e a imagem
transformada.
Os mtodos de avaliao objetiva mais comuns so baseados em
medidas de similaridade ou diferenas entre as imagens.
Considerando duas imagens, f , ambas com dimenses M N pixels,
algumas mtricas para medir a similaridade entre as imagens so.
Erro mximo
Erro mdio absoluto
Erro mdio quadrtico
Relao sinal-rudo de pico
Covarincia
Coeficiente de correlao
Coeficiente de Jaccard
Erro mximo
O erro mximo(ME, do ingls, Maximum Error ) a maior diferena

absoluta entre cada par de pontos na imagem original e na imagem
aproximada, expresso como
ME = max|f (x, y) g(x, y)|
Quanto menor essa mtrica, melhor a nova imagem se aproxima da

original.
O erro mximo, por depender apenas dos valores entre dois pixels nas
imagens, bastante sensvel a rudo ou a variaes locais nas imagens.

Erro mdio absoluto
O erro mdio absoluto (MAE, do ingls, Mean Absolute Error) a soma

da diferena absoluta de cada ponto da imagem original e da imagem
aproximada, dividido pela multiplicao das dimenses da imagem,
expresso como
M1 N1
1 XX
MAE = |f (x, y) g(x, y)|
MN
x=0 y=0

original.

Erro mdio quadrtico
O erro mdio quadrtico (MSE, do ingls, Mean Square Error) a soma

do quadrado das diferenas de cada ponto da imagem original e da
imagem aproximada, dividido pela multiplicao das dimenses da
imagem, expresso como
M1 N1
1 XX
MSE = |f (x, y) g(x, y)|2
MN
x=0 y=0

original.

Erro mdio quadrtico
Uma variao muito utilizada dessa mtrica conhecida como raiz do
erro mdio quadrtic o(RMSE, do ingls, Root Mean Square Error),
expressa como
v
u
M1 N1
t
1 XX
RMSE = (f (x, y) g(x, y))2
MN
x=0 y=0
Outra variao dessa mtrica o erro mdio quadrtico normalizado

(NMSE, do ingls, Normalized Mean Square Error), definido como
M1
P N1
(f (x, y) g(x, y))2
P
x=0 y=0
NMSE =
M1
P N1
P
(f (x, y))2
x=0 y=0
cujos valores variam entre 0 e 1, o que torna possvel a avaliao de

imagens com dimenses diferentes.

A relao sinal-rudo de pico (PSNR, do ingls, Peak Signal to Noise
Ratio) utilizada para avaliar a diferena global entre duas imagens,
expressa como
Lmax L2
PNSR =20 log10 = 10 log10 max =
RMSE MSE
2
MNLmax
=10 log10
M1
P N1
P
|f (x, y) g(x, y)|2
x=0 y=0
sendo Lmax o valor mximo de intensidade de cinza.

Lmax = 255 para imagens representadas por 8 bits de profundidade.
A mtrica PSNR expressa em decibel (dB), unidade originalmente
definida para medir intensidade sonora em escala logartmica.
Valores tpicos de PSNR variam entre 20 (para RMSE =25.5) e 40 (para
RMSE= 2.55).
Quanto maior essa mtrica, melhor a nova imagem se aproxima da
original.
Uma mtrica relacionada a relao sinal-rudo (SNR, do ingls, Signal

to Noise Ratio), definida como
M1
P N1
(f (x, y))2
P
x=0 y=0
SNR = 10 log10
M1
P N1
P
(f (x, y) g(x, y))2
x=0 y=0

Covarincia
A covarincia entre duas imagens f e g dada por
M1
P N1
(f (x, y) f ) (g(x, y) g )
P
x=0 y=0
fg =
MN
em que f e g representam o nvel de cinza mdio nas imagens f e g,
respectivamente.

Coeficiente de correlao
A covarincia entre duas imagens f e g dada por
M1
P N1
(f (x, y) f ) (g(x, y) g )
P
x=0 y=0
r= s
M1
P N1 M1
P N1
(f (x, y) f )2 (g(x, y) g )2
P P
x=0 y=0 x=0 y=0
em que f e g representam o nvel de cinza mdio nas imagens f e g,

respectivamente.
A correlao pode ser vista como a covarincia dividida por um fator
que depende da distribuio dos nveis de cinza (varincia da imagem)
de cada uma das imagens.
O valor de r varia entre -1 a 1, sendo que valores prximos de zero
representam um relacionamento linear mais fraco entre as duas
imagens.

Coeficiente de Jaccard
O coeficiente de Jaccard entre duas imagens f e g dado por

M1
P N1
P 1, f (x, y) = g(x, y)

x=0 y=0 0, caso contrrio

fg =
MN
em que a igualdade f (x, y) = g(x, y) obtida considerando-se um

determinado valor de tolerncia , ou seja, |f g|
O coeficiente de Jaccard igual a 0 para duas imagens que no
apresentam nenhuma similaridade.
Duas imagens que apresentam todos os elementos idnticos possuem
coeficiente de Jaccard igual a 1.

02 Fundamentos PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

02 Fundamentos PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Processamento Digital de Imagens

Prof. Silvio Jamil F. Guimares

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 1 / 70

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 2 / 70

No domnio temporal, pode-se analisar como as variaes do sinal

A representao e manipulao de uma imagem em computador requer

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 4 / 70

Um modelo fsico para a intensidade de uma cena sob observao pode

f (x, y) = i(x, y)r(x, y) (1)

para 0 < i(x, y) < e 0 < r(x, y) < 1.

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 5 / 70

A iluminncia medida em lmen/m2 ou lux.

Exemplos: Valores tpicos de r(x,y):

A maioria das tcnicas de anlise de imagens realizada por meio de

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 7 / 70

Cada elemento f (x, y) dessa matriz de amostras chamado pixel

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 8 / 70

O conceito de dimenso de um pixel ao longo do eixo x, ou do eixo y,

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 9 / 70

usual em processamento digital de imagens assumir que as

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 10 / 70

A resoluo espacial est associada densidade de pixels da

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 11 / 70

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 12 / 70

Como mencionado anteriormente, o nmero de nveis de quantizao

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 13 / 70

(a) 512 512 (b) 256 256 (c) 128 128

(d) 64 64 (e) 32 32 (f) 16 16

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 14 / 70

(a) 64 (b) 32 (c) 16

(d) 8 (e) 4 (f) 2

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 15 / 70

H vrias vantagens associadas ao uso de matrizes para representar

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 17 / 70

Imagens podem ser representadas em mltiplas resolues por meio de

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 18 / 70

Imagens multibandas ou multiespectrais podem ser vistas como

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 20 / 70

H situaes em que necessria uma extenso dos conceitos de

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 22 / 70

Os voxels representam pontos de amostragem e so usados para

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 23 / 70

Imagens reais frequentemente sofrem degradaes durante seu

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 24 / 70

O rudo impulsivo caracterizado pela ocorrncia aleatria de pixels

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 25 / 70

O rudo Gaussiano caracterizado pela ocorrncia de pixels com

em que a mdia e 2 a varincia da varivel aleatria z.

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 26 / 70

O rudo uniforme segue a funo densidade de probabilidade dada por

A mdia e a varincia 2 da funo de probabilidade uniforme so

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 27 / 70

(a) original (b) impulsivo

(c) gaussiano (d) poisson

O conceito de entropia ou incerteza foi introduzido por Shannon

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 29 / 70

A distribuio dos nveis de intensidade da imagem pode ser

A entropia H de uma imagem pode ser calculado por

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 30 / 70

A entropia de uma imagem uma medida positiva e, quando a base do

Prof. Silvio Guimares (PUC Minas) Processamento Digital de Imagens 2013-1 31 / 70

Exemplos de imagens com dimenses 256 256 pixels apresentando

(a) H = 0 (b) H = 1 (c) H = 1 (d) H = 2 (e) H = 4 (f) H = 8