You are on page 1of 198

1 S.

Paciornik – DEMa PUC-Rio
Processamento Digital de Imagens

Curso de pós-graduação oferecido pelo

Grupo de Análise de Imagens e Microscopia Digital
Depto. de Engenharia de Materiais
Prof. Sidnei Paciornik
sidnei@puc-rio.br

www.dema.puc-rio.br/cursos/ipdi/index.html
última atualização: 11/03/2013
2 S. Paciornik – DEMa PUC-Rio
Como usar este “site”
 Este “site” foi criado com uma ferramenta simples de conversão de
arquivo PowerPoint para arquivos “web”.
 Os recursos são simples mas você poderá acompanhar exatamente a mesma
seqüência mostrada em sala de aula.
 Este “site” só funciona corretamente com o Internet Explorer. Caso você utilize o
Firefox ou o Chrome, recomendamos instalar o IETab, uma extensão que simula
páginas do Internet Explorer como uma aba do navegador.
http://www.ietab.net/home
 Diversos slides têm animação.
 Clique com o mouse dentro da área do slide para visualizar os passos da animação.
 Quando a seqüência de animação de um slide chega ao fim, você deve usar as setas
na base da tela para navegar.
 Se você optar pela opção “Slide Show”, os slides ocupam a tela toda. As animações
avançam com o “click” do mouse. Caso queira retornar ou passar para o próximo
slide sem ver a animação, use as setas rosas no canto superior direito do slide.
3 S. Paciornik – DEMa PUC-Rio
Programa
 Introdução
 Visão geral e aplicações
 As etapas do processamento e análise de imagens
 Digitalização de Imagens
 Amostragem e quantização
 Tipos de pixel e tamanhos dos arquivos digitais
 Compromissos de resolução, velocidade e tamanho de
arquivo
 Digitalizadores, scanners, vídeo, câmeras digitais
 Operações Pontuais
 O histograma de uma imagem. Brilho e contraste
 Modificação de histograma, realce de contraste
 Definição de operação pontual. Exemplos
 Operações Algébricas e Lógicas
 Soma, subtração, multiplicação e divisão de imagens.
Aplicações
 Operações lógicas em imagens binárias
 Operações Locais
 A definição de máscara de convolução (kernel)
 Operadores lineares e filtragem espacial
 Operadores não lineares. Localização e realce de
bordas
 Operações Geométricas
 Ampliação e redução
 Interpolação em tons de cinza
 Distorções
 Segmentação
 A segmentação como operação pontual. Limiarização
manual e automática.
 A segmentação como operação local.
 Detecção de bordas
 Operações morfológicas
 Morfologia para correção da segmentação.
 Erosão, dilatação, abertura e fechamento.
 O método do “divisor de águas”.
 Extração de Atributos
 Medir, objetivo final. O que medir ?
 Atributos de tamanho, forma, posição e intensidade.
 Segmentação a partir de medidas.
 Classificação e Reconhecimento
 Classificação supervisionada e não supervisionada.
Treinamento.
 Escolha de atributos e combinação de atributos.
 Transformadas de Imagens
 A transformada de Fourier, suas propriedades e
aplicações
 Os domínios espacial e da frequência
 Filtragem, convolução, correlação cruzada e auto-
correlação
 Reconhecimento de padrões
 Implementação e custo computacional. A Fast Fourier
Transform (FFT)
 A transformada de Hough e outras transformadas

4 S. Paciornik – DEMa PUC-Rio
Critério/Referências
 Critério de Aprovação
 Listas de Exercício teóricas/práticas – Li
 Média das Listas – ML
 Monografia teórica/prática – T
 MF = 0.6 * T + 0.4 * ML
 Bibliografia
 S. Paciornik – Notas de aula (estas notas em
formato pdf – 18 Mbytes)
 R.C. Gonzalez & R. Woods - "Digital Image
Processing" – Prentice Hall (2007)
 J.C. Russ - "Computer-Assisted Microscopy"
- Plenum Press (1991) e “The Image
Processing Handbook” - CRC (2011).
 K. R. Castleman - "Digital Image
Processing" - Prentice Hall (1995)
 S. Paciornik and M.H.P. Mauricio – Digital
Imaging – in ASM Handbook:
Metallography and Microstructures (2004).
 O. Gomes – Processamento e Análise de
Imagens aplicados à Caracterização
Automática de Materiais – Dissertação de
Mestrado – PUC-Rio (2001)
 Software utilizado
 FIJI, programa livre que contém o famoso
software ImageJ desenvolvido pelo
National Institutes of Health, USA
 As listas trabalhos do curso serão
realizadas com este software.
 Outros programas
 AxioVision – Carl Zeiss Vision
 Digital Micrograph – Gatan Inc.
 KS400 – Carls Zeiss Vision
 Irfan View
 Prático programa para leitura e conversão
de diferentes arquivos de imagem, com
operações básicas de processamento.
A Diversidade das Imagens Digitais
6 S. Paciornik – DEMa PUC-Rio
Nébula Imagem de satélite Rocha (microscópio ótico)
Bambu (microscópio ótico)
Pincelada (macro) Catalisador (scanner)
Dente (microscópio eletrônico)
Átomos de Ti (mic. elet. Transmissão)
Aço X80 (Mic. eletrônico
Compósito (mic. Eletrônico)
7 S. Paciornik – DEMa PUC-Rio
A Imagem Digital
 Um mundo de quadradinhos
pixel
 Qualidade depende da
 Quantidade de pontos – resolução
 Quantidade de cores - quantização
120, 122, 120 181, 155, 134
Mín = 0
Máx = 255
84, 84, 83 132, 109, 100
Modelo RGB
(Red, Green, Blue)
8 S. Paciornik – DEMa PUC-Rio
Processar uma imagem
 Usar operações matemáticas para alterar os valores dos pixels de
uma ou mais imagens
 Melhorar a qualidade da imagem
 Para que o observador “veja melhor”
 Para preparar a imagem para ser analisada pelo próprio computador
(análise de imagens)
9 S. Paciornik – DEMa PUC-Rio
Realce de Contraste
Imagem original com baixo contraste Imagem após expansão de contraste automática
Note a formação de faixas de tonalidade
constante, com transições abruptas.
10 S. Paciornik – DEMa PUC-Rio
Pseudo-Cores
Imagem original com 3 faixas tonais Imagem após aplicação de pseudo-cores
Note a variacão de cor do vermelho, no centro,
para o laranja, na periferia, revelando
problema de iluminação na imagem original.
11 S. Paciornik – DEMa PUC-Rio
Correção de Iluminação Irregular
Imagem original com iluminação irregular
Note que o canto superior direito está muito mais
brilhante do que o canto inferior esquerdo.
Imagem após correção de iluminação
Filtro Passa-Alta
Note a correção do fundo e o aumento de contraste.
12 S. Paciornik – DEMa PUC-Rio
Redução de Ruído Aleatório
Imagem com ruído
Neste caso, os pixels de ruído têm intensidade
muito mais alta do que seus vizinhos.
Imagem após redução do ruído
Filtro Mediana
Note pequenos defeitos residuais nas bordas
dos objetos e da imagem.
13 S. Paciornik – DEMa PUC-Rio
Redução de Ruído Periódico
Imagem com ruído periódico
Note que o ruído ocorre em duas direções, com
freqüências distintas.
Imagem após redução do ruído
Filtragem no domínio de Fourier
Note defeitos residuais nas bordas da imagem.
14 S. Paciornik – DEMa PUC-Rio
Redução de “Borrado” Devido a Movimento
Imagem com perda de nitidez causada
por movimento
Neste caso o movimento é retilíneo e com velocidade
constante.
Após desconvolução recupera-se boa
parte da informação borrada mas aparece
ruído periódico..
15 S. Paciornik – DEMa PUC-Rio
Correção de Foco
Imagem fora de foco Imagem após correção de foco
16 S. Paciornik – DEMa PUC-Rio
Correção de Foco em Microscopia Óptica
É possível corrigir problemas de foco em imagens que estejam
moderadamente desfocadas.
Em particular, imagens que são consideradas “em-foco” podem
ser substancialmente melhoradas.
17 S. Paciornik – DEMa PUC-Rio
Analisar uma imagem
 Extrair informação quantitativa
 Fazer medidas semi-automáticas ou automáticas
 Vantagens da Análise Digital de Imagens
 Realiza medidas impossíveis de se obter manualmente
 Realiza medidas milhares de vezes mais rápido
 Realiza medidas muito mais acuradas
18 S. Paciornik – DEMa PUC-Rio
Medida de “Stress” Ambiental em Plantas
Ramos grossos
Ramos finos
19 S. Paciornik – DEMa PUC-Rio
Morfometria de Fibras Nervosas
Neurônios com a
bainha de mielina
grossa são
separados
(marcados em
branco),
distinguindo
medulas pobres de
medulas ricas
20 S. Paciornik – DEMa PUC-Rio
Análise de Fibras Musculares
Distinção de fibras rápidas (vermelho) e lentas
(azuis).Uma distribuição não uniforme pode
indicar atrofia neuropática
21 S. Paciornik – DEMa PUC-Rio
Análise de Partículas em Materiais
Partículas duras identificadas Partículas duras alongadas e grandes
22 S. Paciornik – DEMa PUC-Rio
Análise de Material Sinterizado
Material sinterizado Medição da qualidade da sinterização
23 S. Paciornik – DEMa PUC-Rio
Automação em Metrologia de Dureza
286.8 284.1 -0.83
288.2 283.3 -1.70
BLOCK
2
284.5 279.6 -1.73
390.2 388.3 -0.49
393.9 389.5 -1.11
BLOCK
3
389.2 386.6 -0.67
Reference
(BHN)
Measured
(BHN)
Relative
Error (%)

24 S. Paciornik – DEMa PUC-Rio
y = 1,37 + -0,0723x R= 0,963
0,9
1
1,1
1,2
1,3
1,4
0 1 2 3 4 5 6 7
Mercury Mass (µg)
N
o
r
m
a
l
i
z
e
d

H
u
e

V
a
l
u
e
Colorimetria para Análise Química
25 S. Paciornik – DEMa PUC-Rio
Visão Computacional
 Tentar dar ao computador um pouco da extraordinária capacidade
do conjunto olho-cerébro humano
 “Ensinar” o computador a reconhecer objetos em imagens e
tomar decisões sem interferência do ser humano
26 S. Paciornik – DEMa PUC-Rio
Separação Automática de Grãos
Grãos separados previamente
O sistema mede e “aprende” as
classes existentes.
O sistema analisa uma imagem
misturada e automaticamente
separa os tres tipos de grãos.
27 S. Paciornik – DEMa PUC-Rio
Reconhecimento de Placas de Automóveis
28 S. Paciornik – DEMa PUC-Rio
Exemplo Básico
Imagem Original Fundo Calculado Imagem Corrigida
Partículas Claras Identificadas
Distribuição de Áreas
No FERETRATIO AREA
1 0,24 4,00
2 0,24 4,00
3 0,24 4,00
4 0,45 7,00
5 0,16 6,00
6 0,33 7,00
7 0,71 9,00
……………………………………...
1273 0,30 110,00
1274 0,69 89,00
1275 0,37 7,00
1276 0,63 912,00
Base de Dados
29 S. Paciornik – DEMa PUC-Rio
Exemplo Sofisticado
Material Sinterizado Segmentação incompleta Partículas Separadas
Medidas sofisticadas
Distribuição de Diâmetros
Neste caso, a segmentação da
imagem deve ser seguida por
uma etapa de processamento
morfológico para permitir a
separação de objetos que se
tocam.
30 S. Paciornik – DEMa PUC-Rio
Exemplo Biológico !!
Imagem biológica com bactérias filamentares
Identificação dos filamentos e medidas.
Segmentação básica
Eliminação de objetos pequenos e medida do calibre máximo
Filamento 1
Filamento 2
Filamento 3
31 S. Paciornik – DEMa PUC-Rio
A sequência de Processamento e Análise
Pré-Processamento/Realce
Classificação e
Reconhecimento
Regiões
Pixels
Dados
Qualitativo
Quantitativo
Formação da imagem
Digitalização da imagem
Segmentação
Pós-Processamento
Extração de Atributos
32 S. Paciornik – DEMa PUC-Rio
A sequência de Processamento e Análise
Pré-Processamento/Realce
Classificação e
Reconhecimento
Regiões
Pixels
Dados
Qualitativo
Quantitativo
Formação da imagem
Digitalização da imagem
Segmentação
Pós-Processamento
Extração de Atributos
Digitalização da imagem
33 S. Paciornik – DEMa PUC-Rio
Reconstruído
Espaço/Tempo
I
n
t
e
n
s
i
d
a
d
e

x
y
Original
Amostra
Digitalização e Amostragem
 O que é ?
 Conversão da informação contida em um sinal da
forma análoga para a forma digital
 É um problema de amostragem
 Amostra-se a intensidade de um sinal que varia no
tempo ou no espaço.
 Resolução
 Quantização
 Aliasing
 Freq.(Sinal) x Freq.(Amostragem)
 Teorema de Nyquist
• A frequência de amostragem ideal é duas vezes a
frequência máxima do sinal amostrado.
34 S. Paciornik – DEMa PUC-Rio
128 x 128 Pixels
4 tons de cinza
Resolução e Quantização
512 x 512 Pixels
4 tons de cinza
 Resolução
 DPI - dots per inch
scanners (variável)
 Número de pixels
video (fixo)
 Exemplo simples
Foto de 5x5 cm - 2x2 in.
Resolução 300 dpi
Tamanho:600x600 pixels
 Quantização
 Número de níveis de intensidade.
Tons de cinza.
Tons de cada cor primária.
128 x 128 Pixels
256 tons de cinza
512 x 512 Pixels
256 tons de cinza
35 S. Paciornik – DEMa PUC-Rio
Tamanhos dos Arquivos de Imagem
 Bits e Bytes
 Em um bit pode-se armazenar 2 valores diferentes => 0 e 1.
 Em dois bits pode-se armazenar 4 valores diferentes => 00, 01, 10 e 11
 Em 8 bits (1 byte) pode-se armazenar 28 (256) valores diferentes.
 Seja uma imagem com 2048 x 2048 pixels (4 Mpixels)
 256 tons de cinza (8 bits):
x 1 byte/pixel --> 4 MBytes
 Tons de cinza alta qualidade (16 bits):
x 2 bytes/pixel --> 8 MBytes
 Colorida (RGB 24 bits):
x 3 bytes/pixel --> 12 MBytes
 Pixels “Reais” (processamento/simulação)
x 4 (8) bytes/pixel --> 16(32) MBytes
 Pixels “Complexos” (Transformadas de Fourier)
x 8 (16) bytes/pixel --> 32(64) MBytes
Valores
Inteiros
}
Valores
não-inteiros
(números reais)
}
36 S. Paciornik – DEMa PUC-Rio
Formatos de Arquivos
 Tipos de arquivos
 TIFF (Tagged Image File Format)
Robusto, flexível, genérico, multi-plataforma
 BMP (bit map)
Formato mais comum dentro do Windows
 OUTROS: raw, TGA, Sun Raster, formatos próprios
.psd - Photoshop
.zvi – AxioVision
Qualquer programa que precise salvar informação específica junto com imagem.
37 S. Paciornik – DEMa PUC-Rio
Formatos comprimidos
 Reduzindo o tamanho dos arquivos
 A compressão busca reduzir o espaço ocupado pelos arquivos
eliminando informação redundante.
 Compressão sem perdas (lossless)
 Neste caso toda a informação pode ser recuperada.
 Normalmente menos eficiente (arquivos maiores).
 RLE (PCX, BMP, TGA), LZW (TIFF, GIF, ZIP), Huffman
 Compressão com perdas (lossy)
 Neste caso sempre existe alguma perda de informação.
 Normalmente é mais eficiente (arquivos menores).
 Usar com cuidado em análise quantitativa.
 Formato mais comum
Jpg (ou jpeg)
J2k (ou jpeg2000) – formato mais moderno com maior taxa de compressão.
38 S. Paciornik – DEMa PUC-Rio
Compressão JPEG
Original
Compressão JPEG mínima Diferença
Compressão JPEG máxima Diferença
257 kB
105 kB
16 kB
39 S. Paciornik – DEMa PUC-Rio
JPEG x JPEG2000
Original
3986 kB
Compressão JPEG
88 kB
Compressão JPEG2000
99 kB
40 S. Paciornik – DEMa PUC-Rio
Representação da Imagem
 Dados x “display”
 Os pixels podem assumir valores
inteiros ou reais, em grandes faixas.
 Os displays de computador
normalmente estão restritos a 256 tons
de cinza e 256 tons para cada cor
primária, num total de 16.7M cores.
 Isto implica que deve haver algum
tratamento de dados antes de se
apresentar uma imagem na tela.
 Os melhores programas vão buscar
normalizar os dados para os limites do
display.
Min(dados) = 0
Max(dados) = 255
 Modos de representação
 Raster




 3D




 Planilha
x
y
R0
R1
R2
R3
R4
R5
R6
C0 C1 C2
-1 V -1 V -1.8 V
-1.8 V -3.4 V -5 V
-1.8 V -2.6 V 2.4 V
4 V 19.2 V 52 V
0 V -1.8 V 16.8 V
3.2 V 9.6 V 29.6 V
1.6 V 0.8 V -37.8 V
41 S. Paciornik – DEMa PUC-Rio
Scanners
 Scanners
 de mesa - originais
opacos/transparentes
 de negativos - 35mm, multi-formato
 Resolução/quantização variável
até milhares de dpi
até 4 bytes/pixel
necessário para reproduzir qualidade
de filme fotográfico
 Qualidade MUITO superior a
digitalizadores de sinal de vídeo.

 http://www.scantips.com/
Conversor
Analógico/ Digital
Fonte de Luz
Detector linear
Roda de Filtros
Documento
x
y
42 S. Paciornik – DEMa PUC-Rio
Digitalização de Vídeo
 Digitalizadores de vídeo
 Resolução amarrada pelos padrões.
 Standard RS-170 (NTSC)
 525 linhas por quadro (485 ativas)
 varredura entrelaçada 2:1
 30 quadros/s ou 60 campos/s
 razão de aspectos 4:3
 485 x 4/3 = 646.66 pixels quadrados
p/linha (640x480)
 Standard CCIR (PAL)
 625 linhas por frame (585 ativas)
 varredura entrelaçada 2:1
 25 frames/s ou 50 campos/s
 razão de aspectos 4:3
 HDTV
 1080 linhas por frame
 varredura entrelaçada 2:1
 30 quadros/s ou 60 campos/s
 razão de aspectos 16:9 (1920 x 1080)
Linha de Varredura
Retraço horizontal
Retraço vertical
43 S. Paciornik – DEMa PUC-Rio
Câmeras CCD
 Câmeras CCD
 Utilizam um dispositivo integrado
denominado Charge Coupled Device.
 Este dispositivo é formado por uma
matriz de “poços” que armazenam
carga.
 Aquisição da imagem
A quantidade de carga é proporcional
a quantidade de luz.
 Leitura (read-out)
Através de um circuito controlado por
um “clock”, as cargas são transferidas
para um circuito de saída através de
registradores de deslocamento.
Retirado de http://micro.magnet.fsu.edu
44 S. Paciornik – DEMa PUC-Rio
A sequência de Processamento e Análise
Pré-Processamento/Realce
Classificação e
Reconhecimento
Regiões
Pixels
Dados
Qualitativo
Quantitativo
Formação da imagem
Digitalização da imagem
Segmentação
Pós-Processamento
Extração de Atributos
Pré-Processamento/Realce
45 S. Paciornik – DEMa PUC-Rio
O Histograma
 O Histograma de uma imagem
 Distribuição de intensidades dos pixels
Original Brilho aumentado 50% Contraste reduzido 50%
46 S. Paciornik – DEMa PUC-Rio
Imagens Coloridas e Modelos de Cor
 Pergunta básica
 Como representar adequadamente a percepção cognitiva de cor em
diferentes medias (TV’s, monitores de computador, impressoras, etc.)?
 Esta representação exige uma adequação da vasta sensibilidade
cromática do olho humano às propriedades físicas específicas da media.
 Resposta básica
 Modelos de cor que aproximam a sensibilidade visual nas diferentes
medias.
 Principais modelos
RGB
CMYK
HSL
L
*
a
*
b
*


47 S. Paciornik – DEMa PUC-Rio
O Modelo RGB - Aditivo
 As cores geradas no monitor de vídeo do computador são obtidas por um
processo aditivo de três cores primárias, Vermelho, Verde e Azul
(Red-Green-Blue).
 As primárias RGB são adequadas para gerar uma boa fração das cores visíveis,
porque o olho humano possui três tipos de detectores (cones) independentes, com
respostas máximas próximas de R, G e B. (http://health.howstuffworks.com/eye2.htm)
 Quando os três detectores são excitados com diferentes intensidades, ocorre o
processo cognitivo de visão colorida.
 O processo é denominado aditivo porque decorre da adição das excitações dos três tipos
de cones. A cor é “formada” no olho.
 Uma pessoa daltônica carece de um ou dois tipos de cones. Por isso não é capaz de
reconhecer todas as cores.
 As regras básicas de adição de cores são:
 Seja a cor C = xR + yG + zB
 x=y=z => tons de cinza de preto (x=0) a branco (x=1)
 x=y, z=0 => Amarelo,
y=z, x=0 => Ciano,
x=z, y=0 => Magenta
48 S. Paciornik – DEMa PUC-Rio
Histogramas das Componentes
49 S. Paciornik – DEMa PUC-Rio
O Modelo CMY(K) - Subtrativo
 Quando se usam pigmentos coloridos, o processo de formação da cor final é
denominado subtrativo.
 Neste caso, cada cor absorve, ou subtrai, da luz incidente, uma faixa do espectro
visível e reflete o restante.
 Por exemplo, o pigmento amarelo reflete uma faixa centrada em torno do amarelo,
deixando passar um pouco de vermelho e de verde.
 Um pigmento ciano reflete ciano e um pouco de verde e de violeta.
 Ao superpor os dois pigmentos sobre uma superfície, apenas a cor de intersecção entre
eles é refletida. Neste caso será a cor verde. Como sabemos desde a infância, a mistura de
azul com amarelo resulta na cor verde.
 Neste caso, um processo físico, a absorção, define a cor que chega ao olho.
 As primárias no modelo subtrativo são ciano, magenta e amarelo
(Cyan, Magenta, Yellow - CMY)
 Correspondem às secundárias do modelo RGB.
 Quando utilizados para impressão, é raro conseguir
ótima saturação apenas com CMY, razão pela qual
é adicionada a cor preta (blacK).
 Daí vem o funcionamento das impressoras jato de tinta,
denominadas CMYK.
50 S. Paciornik – DEMa PUC-Rio
Histogramas das Componentes
51 S. Paciornik – DEMa PUC-Rio
O Modelo HSL
 Um modelo mais intuitivo
 O modelo RGB não é ideal do ponto de vista cognitivo porque é difícil para o operador
humano prever as componentes RGB ou CMYK de uma dada cor.
 O modelo HSL (Hue, Saturation and Lightness - Matiz, Saturação e Brilho ) supre parte
desta deficiência ao separar a noção intuitiva de cor na componente matiz.
H
L
S
Preto (L=0)%
Branco (L=100%)
52 S. Paciornik – DEMa PUC-Rio
A “Look-up Table”
 A curva de entrada e saída (Look Up Table)
 Curva que relaciona os valores originais dos pixels de uma imagem
com seus valores de “display”.
Redução de Contraste
Pixels da Imagem
P
i
x
e
l
s

d
o

D
i
s
p
l
a
y

Inversão de Contraste
Pixels da Imagem
P
i
x
e
l
s

d
o

D
i
s
p
l
a
y

Original
Pixels da Imagem
P
i
x
e
l
s

d
o

D
i
s
p
l
a
y

53 S. Paciornik – DEMa PUC-Rio
Cor Indexada – Pseudo Cor
Pixels da Imagem
P
i
x
e
l
s

d
o

D
i
s
p
l
a
y

54 S. Paciornik – DEMa PUC-Rio
A Look Up Table (cont.)
 Outros exemplos importantes
0 255
0
255
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800
0
100
200
300
400
500
Limiarização
0 255
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800
0
100
200
300
400
500
Binarização
0 255
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800
0
100
200
300
400
500
Density Slicing
Pixels da Imagem
P
i
x
e
l
s

d
o

D
i
s
p
l
a
y

Pixels da Imagem Pixels da Imagem
0
255
P
i
x
e
l
s

d
o

D
i
s
p
l
a
y

0
255
P
i
x
e
l
s

d
o

D
i
s
p
l
a
y

55 S. Paciornik – DEMa PUC-Rio
A Look Up Table (cont.)
 Mais um exemplo útil
Logaritmo
Pixels da Imagem 0 255
0
255
P
i
x
e
l
s

d
o

D
i
s
p
l
a
y

Transformada de Fourier
Gera uma imagem cujo ponto central é
tão intenso que obscurece os demais
pixels da imagem.
Realça as regiões escuras muito mais
do que as regiões claras, revelando
estruturas que são fundamentais para a
análise da imagem.
56 S. Paciornik – DEMa PUC-Rio
Definição
 A intensidade do pixel I, na posição
(x,y) da imagem de saída é uma
função apenas da intensidade do
pixel na mesma posição na imagem
de entrada. I
saída
(x,y) = f{I
entrada
(x,y)}
 Exemplos típicos:
 Mudança de brilho ou contraste
 Mudança de escala de cores
 Expansão de contraste

Operações Pontuais
1 2 3 4 5
1
2
3
4
5
1 2 3 4 5
1
2
3
4
5
57 S. Paciornik – DEMa PUC-Rio
Operações Algébricas e Aplicações
 Operações pontuais com mais que uma imagem de entrada
Operação
•Soma, Subtração,
Mutliplicação, Divisão
•Operadores lógicos (E,
OU, etc...)
•Operadores
comparativos (Max, Min)
58 S. Paciornik – DEMa PUC-Rio
 Adição para redução de ruído
 Princípio
Adição de imagens estáticas com ruído aleatório. Por ser aleatório (não ter
correlação entre quadros), a contribuição do ruído não se soma, levando a um
aumento na razão sinal/ruído (signal to noise ratio - SNR).
O aumento da SNR é proporcional a ,onde N é o número de imagens somadas.
Aplicações comuns: Imagens de vídeo e de microscopia eletrônica.
Adição
Média de 10 quadros Média de 5 quadros Um dos quadros do original
N
59 S. Paciornik – DEMa PUC-Rio
Subtração/Divisão
 Subtração ou divisão para eliminação de fundo
 Princípio
Obtenção de uma imagem do fundo irregular, experimentalmente ou gerada por
software, e subtração da imagem original, gerando uma imagem corrigida.
A subtração é a operação correta caso os sensores sejam logarítmicos, como é
comum. Caso os sensores sejam lineares, a operação correta é a divisão.
Na prática é recomendável testar as duas possibilidades e escolher o melhor
resultado.
Aplicações comuns: Imagens de microscopia óptica e eletrônica.
Imagem com fundo irregular Imagem com fundo corrigido
OBS: A obtenção do fundo em
si é, em geral, uma operação
mais complexa.
Alguns métodos:
• Filtro passa-baixa largo
• Máximo ou mínimo locais
• Algoritmo “Rolling-ball”
60 S. Paciornik – DEMa PUC-Rio
Subtração
 Subtração na detecção de
movimento
 Princípio
Subtração de imagens em que
parte da imagem esteja em
movimento ou tenha se
modificado.
 A subtração irá gerar uma clara
fronteira entre as regiões que se
movem e as regiões estáticas.
Limiar de Intensidade
Em função do número de pixels pretos pode-
se tomar a decisão de que houve ou não uma
mudança relevante na imagem.
61 S. Paciornik – DEMa PUC-Rio
Multiplicação
 Multiplicação na aplicação de
máscaras
 Princípio
Multiplicar uma imagem que se
deseja modificar, por uma imagem
de geometria e intensidade
conhecida, normalmente na faixa
[0,1].
 Aplicação:
Filtragem no domínio das
freqüências. Em diferentes
situações, é necessário eliminar, ou
levar a zero, partes de uma
transformada de Fourier, para
selecionar regiões específicas da
imagem original.
FFT
*
=
IFFT
62 S. Paciornik – DEMa PUC-Rio
Operações lógicas
 Definição
 Operações pontuais que envolvem mais do que uma imagem binária de
entrada, para gerar uma imagem de saída.
A B
NOT A
0 => 1
1 => 0
A AND B
00 => 0
01 => 0
10 => 0
11 => 1
A OR B
00 => 0
01 => 1
10 => 1
11 => 1
A XOR B
00 => 0
01 => 1
10 => 1
11 => 0
63 S. Paciornik – DEMa PUC-Rio









Operações Locais
 Operações locais ou de vizinhança
(neighbourhood)
 I
saída
(x,y) é uma função não só de
I
entrada
(x,y) mas também da
intensidade de pixels vizinhos.
 A operação eqüivale a uma média
ponderada dos pixels da vizinhança.
 Cada vizinho tem um peso associado,
que multiplica sua intensidade.
 Os pesos são definidos por uma matriz
denominada “kernel”
 Tipos de kernels
passa baixa => reduz detalhes
• pesos positivos
passa alta => realça detalhes
• pesos positivos e negativos

x
y
x
y
Seqüência de operação
O kernel é aplicado a uma vizinhança, que se
desloca coluna por coluna, e linha por linha, até
varrer toda a imagem
Para cada posição da vizinhança, calcula-se o
valor resultante, que substitui o pixel central da
vizinhança
64 S. Paciornik – DEMa PUC-Rio
 Filtro Passa-baixa
Entrada Kernel Saída
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
-1
-1
-1
-1
8
-1
-1
-1
-1







0




























© =
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
© =
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
-1
-1
-1
-1
8
-1
-1
-1
-1
© =
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
-1
-1
-1
-1
8
-1
-1
-1
-1
© =







0





-12




























0





-12




12























0





-12





12





0










-1
-1
-1
-1
8
-1
-1
-1
-1

5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
1
1
1
1
1
1
1
1
1
©







5




























=
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
1
1
1
1
1
1
1
1
1
©
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
1
1
1
1
1
1
1
1
1
©
=







5





6





















=







5





6





8





9










©
1
1
1
1
1
1
1
1
1
=







5





6




8

















Entrada Kernel Saída
 Filtro Passa-alta
Aplicando Kernels
5
9
0
-12
+12
65 S. Paciornik – DEMa PUC-Rio
 Efeito sobre a imagem
Passa-baixa e Passa-alta
66 S. Paciornik – DEMa PUC-Rio
 Comparação do passa-baixa com média de quadros
 A estatística inter-quadros é muito superior porque a quantidade de
informação disponível é muito maior.
Média de 10 quadros
Um dos quadros do original
Filtro aplicado 10x
Estatística inter-quadros
1
1
1
1
1
1
1
1
1
Kernel
Estatística intra-quadro
Passa-Baixa x Adição
67 S. Paciornik – DEMa PUC-Rio
Mais Kernels
 Outros Kernels interessantes
 Kernel Gaussiano (passa-baixa ponderado)




 Filtros direcionais (passa-alta)
0 0 1 1 1 1 1 0 0
0 1 2 3 3 3 2 1 0
1 2 3 6 7 6 3 2 1
1 3 6 9 11 9 6 3 1
1 3 7 11 12 11 7 3 1
1 3 6 9 11 9 6 3 1
1 2 3 6 7 6 3 2 1
0 1 2 3 3 3 2 1 0
0 0 1 1 1 1 1 0 0
1
1
1
1
-2
-1
1
-1
-1
1
1
1
1
-2
1
-1
-1
-1
-1
1
1
-1
-2
1
-1
1
1
-1
-1
1
-1
-2
1
1
1
1
1
1
1
-1
-2
1
-1
-1
1
1
1
-1
1
-2
-1
1
1
-1
1
-1
-1
1
-2
-1
1
1
1
-1
-1
-1
1
-2
1
1
1
1
o = 1
68 S. Paciornik – DEMa PUC-Rio
Exemplo prático
 Correção de iluminação irregular
 Defeito típico de microscopia óptica
 Pode aparecer em microscopia eletrônica
 Solução “on-line”
 Adquire imagem com fundo irregular.
 Desfoca o microscópio e adquire imagem que
representa o fundo.
 Subtrai imagem desfocada da imagem irregular.
 Solução “off-line”
 Sobre a imagem original irregular, aplicar
repetidas vezes um filtro passa-baixa com kernel
muito grande.
 Esta operação vai borrar todos os detalhes da
imagem e preservará apenas o fundo irregular
(freqüência espacial muito baixa).
 Subtrair o resultado da imagem original, obtendo
assim uma imagem com fundo corrigido.
 I
saída
= I
entrada
- PassaBaixa(I
entrada
) =
= PassaAlta(I
entrada
)
Original com fundo
irregular
Fundo calculado
kernel 49x49 aplicado
4 vezes
Imagem corrigida
69 S. Paciornik – DEMa PUC-Rio
O Filtro Mediana
 Um filtro sem kernel - o filtro mediana
 Para cada vizinhança, ordena os pixels em ordem crescente de intensidade e escolhe
como saída o valor mediano - aquele que está no centro da sequência.
75
77
77
77
253
75
77
81
79
75 75 77 77 77 77 79 81 253
Original
Filtrado com
Mediana 3x3
75
77
77
77
77
75
77
81
79
 Excelente eliminador de ruído localizado com intensidade muito diferente da
vizinhança.
70 S. Paciornik – DEMa PUC-Rio
O Filtro Sigma
 Um filtro passa-baixa “inteligente”
 O Passa-baixa tradicional borra a imagem, reduzindo detalhes das bordas
dos objetos.
 O filtro Sigma é um passa-baixa que só inclue no cálculo da média de
uma dada vizinhança os pixels cujas intensidades sejam próximas do
valor médio da vizinhança como um todo.
Regiões uniformes com ruído => todos os pixels serão incluídos
Regiões de bordas com ruído => apenas os pixels de um lado ou outro da borda
serão incluídos
Dois parâmetros:
• Tamanho => tamanho da vizinhança
• Sigma => valor máximo de desvio em torno da média abaixo do qual um pixel é
incluído no cálculo.
 O Sigma reduz ruído preservando os detalhes da imagem
71 S. Paciornik – DEMa PUC-Rio
Filtro Sigma - Exemplo
Original
Passa-
baixa
27 x 27
Sigma
27 x 27
o = 37
72 S. Paciornik – DEMa PUC-Rio
Detecção de bordas
 Conceito
 A detecção de bordas é uma das técnicas básicas utilizadas pela visão humana no
reconhecimento de objetos.
 As tentativas de implementação de sistemas de visão robótica sempre tentam analisar a
imagem para extrair esta primitiva.
 As bordas são regiões da imagem onde ocorre uma mudança de intensidade em um
certo intervalo do espaço, em uma certa direção. Isto corresponde a regiões de alta
derivada espacial, que contêm alta freqüência espacial.
 Os filtros de detecção de bordas irão gerar uma imagem em que as bordas aparecem
com alta intensidade, ao passo que as regiões internas dos objetos aparecerão com baixa
intensidade.
 É importante distinguir borda (edge) de contorno (boundary): um contorno é uma linha
fechada formada pelas bordas de um objeto.
 Nem sempre é possível obter um contorno a partir das bordas.
73 S. Paciornik – DEMa PUC-Rio
Sobel
 O filtro Sobel
 Simula o gradiente da imagem gerando duas imagens de saída
 O módulo do gradiente, proporcional a derivada local de intensidade
 O ângulo do gradiente, que corresponde a direção de máxima variação da
intensidade, e é normal a borda em cada ponto.
 É um filtro não linear que envolve a aplicação de mais do que um kernel
e a combinação dos resultados.
1
2
1
0
0
0
-1
-2
-1
1
0
-1
2
0
-2
1
0
-1
c
cx
c
cy
| |
( )
( )
y
f
x
f
y x f
c
c
c
c
2
2
) , ( + = V
÷
|
|
.
|

\
|
=
÷
x
f
y
f
c
c
c
c
|
1
tan
74 S. Paciornik – DEMa PUC-Rio
Original
Exemplos
Imagem Original Módulo do Sobel Ângulo do Sobel
Derivada X Derivada Y Módulo do Sobel
75 S. Paciornik – DEMa PUC-Rio
Delineamento de Bordas
 Tornando as bordas mais abruptas
 Em geral, as bordas dos objetos de uma imagem não são perfeitamente
abruptas, devido a restrições de resolução do sistema de formação da
imagem. As transições se estendem por diversos pixels com valores
descrescentes ou crescentes de tons de cinza.
 No caso de discriminação de objetos em diferentes faixas tonais
(segmentação multifásica), aparece o efeito “halo” no qual pixels de
bordas aparecem como pertencentes a outra classe de objetos. O
delineamento reduz este efeito.
 Obtém-se as intensidades mínima e máxima de cada vizinhança.
 Calcula-se A = Max – Min e define-se um limiar T.
 Se A < T, não é borda => pixel de saída = pixel de entrada
 Se A > T, é borda => pixel de saída = (Máx ou Mín)
Se (pixel – Mín) < (máx – pixel) => pixel de saída = Mín
Se não => pixel de saída = Máx
76 S. Paciornik – DEMa PUC-Rio
Exemplo de Delineamento
Original Depois de Delineamento
77 S. Paciornik – DEMa PUC-Rio
Operadores “Rank”
 Operadores estatísticos e de “escalão” (rank)
 Para cada vizinhança o pixel central de saída recebe
A média dos pixels da vizinhança
O desvio padrão dos pixels da vizinhança
O valor máximo, ou mínimo, dos pixels da vizinhança
 Os operadores Max e Min podem ser interpretados como manifestações, em tons de
cinza, de operações morfológicas , efetuadas em imagens binárias, como veremos
posteriormente. Max e Min correspondem, respectivamente, a dilatação e erosão de
áreas brilhantes (vice-versa para áreas escuras).
 A operação Max-Min fornece o gradiente morfológico da imagem, que se assemelha
ao Sobel.
 A operação Min(Max(I
e
)) funciona como um filtro passa-baixa. Também equivale a
operação de fechamento de áreas brilhantes (abertura para áreas escuras).
78 S. Paciornik – DEMa PUC-Rio
Exemplos
 Exemplos de operadores rank
Imagem Original Max Min
Max - Min
Original + Ruído Min(Max(Original + Ruído))
79 S. Paciornik – DEMa PUC-Rio
A noção de convolução
 A matemática das operações tipo kernel
 O processo de aplicação de um kernel sobre uma imagem é equivalente
a uma operação de convolução entre a “função imagem” e a “função
kernel”.
 A convolução pode ser escrita na forma discreta


onde K
i,j
são os pesos do Kernel de tamanho m x m.
 Ou na forma contínua


 A convolução é fundamental na análise da relação entre entrada e saída
em sistemas lineares, denominada função de transferência, como
veremos mais tarde.
i(x) © k(x) = i(o)k(x÷o)do
÷·

}
I
s
(x, y) = I
e
(x + i, y + j)- K
i ,j
i ,j =÷m
i ,j =+m
¿
80 S. Paciornik – DEMa PUC-Rio
+ ·
o
I(o)k(x-o)
<÷ ÷ ÷>
o
I(o)k(x-o)
o
I(o)k(x-o)
- ·
Visualização Gráfica
 Afinal de contas, o que é uma convolução ?
x
I(x) © k(x)
o
k(o)
<÷ ÷ ÷>
i(x) © k(x) = i(o)k(x÷o)do
÷·

}
Obs: Esta é uma versão 1D de um filtro
passa-baixa. Note que, após a
convolução, o objeto azul se transforma
no objeto verde, que tem o dobro da
largura e perdeu as bordas abruptas
originais.
o
I(o)
o
k(-o)
o
k(x-o)
x
81 S. Paciornik – DEMa PUC-Rio
Operações Geométricas
 Operações geométricas
 Alteram a relação de posição entre pixels.
 Em geral envolvem duas etapas
Uma transformação espacial
• Este processo muitas vezes levará a criação de pixels inexistentes na imagem original.
O que leva à necessidade de
Uma interpolação das intensidades dos pixels
• Replicação (nearest neighbours), bi-linear, sin(x)/x, etc...
70 80
72 76
70 ? 80 ?
? ? ? ?
72 ? 76 ?
? ? ? ?
70 70 80 80
70 70 80 80
72 72 76 76
72 72 76 76
70 75 80 80
71
74.5
78 78
72 74 76 76
72 74 76 76
ZOOM
x2
82 S. Paciornik – DEMa PUC-Rio
Transformações Espaciais
 Transformações Espaciais Lineares
 Tem a forma
x’ = a
2
x + a
1
y + a
0

y’ = b
2
x + b
1
y + b
0

 Translação
x’ = x + T
x
y’ = y + T
y

 Mudança de escala
x’ = xS
x
y’ = yS
y

Ex: S
x
= 0.5, S
y
= 0.5
(126, 68) ---> (63, 34),
(127, 68) ---> (63.5, 34)
Ex: S
x
= 2, S
y
= 2
(126, 68) ---> (252, 136),
(127, 68) ---> (254, 136)
 Rotação por um ângulo ø
x’ = xcos(ø) + ysin(ø)
y’ = -xsin(ø) + ycos(ø)
Ex: ø = 19º,
(126,68) ---> (141.4, 23.3)
 Transformações Espaciais não
Lineares
 Envolvem termos de mais alta ordem
tais como x
2
, y
2
, x
3
, etc...
 Permitem realizar distorções mais
complexas.
 Permitem realizar transformações
afins (affine transformations), que
distorcem uma imagem para se ajustar
a uma imagem alvo, usando pontos de
referência comuns às duas imagens.
83 S. Paciornik – DEMa PUC-Rio
Replicação e Interpolação
Exemplos






Zoom
Obs: A replicação é extremamente veloz de calcular. Esta é a técnica
usada pela maioria dos programas quando a ferramenta de zoom é
ativada, para visualizar a imagem ampliada ou reduzida, ou para
apresentar um “preview” de outra operação geométrica qualquer. A
interpolação bi-linear, ou de mais alta ordem, será utilizada quando
se deseja alterar o tamanho físico da imagem ou calcular rotações,
mudanças de perspectiva, etc..
Replicação Interpolação bi-linear
Rotação
Replicação
Interpolação bi-cúbica
84 S. Paciornik – DEMa PUC-Rio
Aplicações típicas
 Correção de deformações
 Quando existem informações a priori
que funcionam como referência (tais
como grades de referência, linhas
retas, pontos de referência em outra
imagem,etc...), é possível corrigir
deformações.
 Quanto mais complexa a deformação,
mais pontos de referência serão
necessários para obter uma correção
adequada.
 Situações mais comuns
Correção de distorções do sistema de
formação/captura da imagem.
Encaixe de imagens adjacentes obtidas
de superfícies não-planas (comum em
sondas espaciais),
Sequências tomográficas para
montagem de imagens 3D.
Imagem com
deformação
trapezoidal causada
por inclinação da
amostra em relação ao
sistema de formação
da imagem. Neste
caso, o sistema tem
grande profundidade
de foco, gerando uma
imagem totalmente
focada.
Como existem linhas
retas de referência, a
imagem pode ser
corrigida a partir de
uma operação de
mudança de
perspectiva.
85 S. Paciornik – DEMa PUC-Rio
Registro de Imagens
 É relativamente comum a
necessidade de comparar
imagens de uma mesma cena
obtidas por sensores distintos.
 Ex: imagens de um material
obtido por dois tipos de
microscopia.
 Para que a comparação seja
quantitativa, as duas imagens
tem que estar registradas.
 Magnificação
 Translação
 Rotação
 Distorções
 O registro de imagens envolve
 A identificação, manual ou
automática, de pontos
equivalentes (homólogos) nas
duas imagens,
 A aplicação de operações
geométricas para registrar as
imagens a partir dos pontos
homólogos.

86 S. Paciornik – DEMa PUC-Rio
 Radiografias de implantes dentários
1 - Logo após o implante - Original 2 - Após um mês – perda óssea
Exemplo 1
Pontos de Referência
4 – Após registro de 1
3 – Desalinhamento entre 1 e 2
Bordas de 1 sobrepostas a 2
5 – Imagens 2 e 4 registradas
Bordas de 4 sobrepostas a 2
87 S. Paciornik – DEMa PUC-Rio
 Microscopia Co-localizada MO-MEV
 Detecção automática de pontos de controle
Exemplo 2
Grade de referência - MO
Grade de referência - MEV
Identificação das distorções
88 S. Paciornik – DEMa PUC-Rio
A Função SIFT
 Scale Invariant Feature Transform
 A transformada de características invariantes por escala permite
identificar pontos homólogos entre imagens que sofreram vários tipos de
distorção, translação, rotação.
 Ela pode ser usada, inclusive, para pares de imagens obtidas em
condições muito diferentes, por exemplo em microscópios de tipos
diferentes.
 A partir da detecção de pontos homólogos é possível registrar
precisamente as imagens.
 REF:
Lowe D (2004), "Distinctive Image Features from Scale-Invariant
Keypoints", International Journal of Computer Vision 60 (2): 91-110.
Fiji/Plugins/Registration/Linear Stack Alignment with SIFT
http://fiji.sc/wiki/index.php/Linear_Stack_Alignment_with_SIFT

89 S. Paciornik – DEMa PUC-Rio
A sequência de Processamento e Análise
Pré-Processamento/Realce
Classificação e
Reconhecimento
Regiões
Pixels
Dados
Qualitativo
Quantitativo
Formação da imagem
Digitalização da imagem
Segmentação
Pós-Processamento
Extração de Atributos
Segmentação
90 S. Paciornik – DEMa PUC-Rio
Segmentação - a etapa crítica
 A etapa crítica
 Na segmentação procura-se distinguir as partículas umas das outras e do
fundo.
 Esta distinção permitirá ao programa interpretar pixels contíguos e
agrupá-los em regiões.
 Não existe um modelo formal para a segmentação. O processo é
essencialmente empírico e deverá se ajustar a diferentes tipos de imagem.
 Esta etapa é a mais difícil do processo e também a mais delicada porque
todas as medidas serão realizadas sobre as regiões identificadas nesta
etapa.
 A segmentação é tão complexa porque tenta traduzir para o computador
um processo cognitivo extremamente sofisticado realizado através da
visão humana.
91 S. Paciornik – DEMa PUC-Rio
Segmentação por Limiarização
 Limiarização - a intensidade como separador
 Um objeto pode ser entendido como uma região formada por pixels
contíguos que tenham em comum uma faixa de intensidades.
A limiarização usa a intensidade dos pixels para distinguí-los.
O processo se baseia na análise do histograma da imagem.
• faixas de intensidade => bandas do histograma
• objetos de um tipo sobre um fundo => histograma bi-modal
• objetos de dois tipos sobre um fundo => histograma tri-modal
• Etc...
Este é um processo muito veloz e em geral em um passo. É sempre o primeiro
método a se tentar e muitas vezes fornece resultados bons em situações
“impossíveis”.
Thresholding não funciona bem em imagens com iluminação não uniforme e com
baixo contraste entre as diversas regiões.
Existem processos de thresholding manual e automático.
92 S. Paciornik – DEMa PUC-Rio
A Intensidade como Separador
 Exemplos de thresholding
0 255 T
1
T
2
Fase clara (t>T
2
) Fase média (T
1
<t

<T
2
)
problema !
Fase escura (t<T
1
)
93 S. Paciornik – DEMa PUC-Rio
Limiarização Multimodal
94 S. Paciornik – DEMa PUC-Rio
Como escolher os tons de corte ?
 Questão básica: Como escolher os tons de corte ?
 A escolha manual não é nem precisa nem reprodutível.
 Métodos automáticos se baseiam na análise de propriedades do
histograma.
 Métodos automáticos
 Utilizando os mínimos do histograma
Os mínimos correspondem às tonalidades intermediárias entre duas bandas.
Em geral o operador escolhe a tonalidade próxima a banda de interesse e o
programa busca os mínimos mais próximos, em ambos os lados da banda.
Existem dois problemas
• os vales podem ser muito largos e planos, tornando a escolha de um valor mínimo
arbitrária.
• os vales pode assumir valores muito baixos, ficando muito sensíveis a ruído.
95 S. Paciornik – DEMa PUC-Rio
Métodos Automáticos
 Métodos automáticos (cont.)
 O método de Otsu
Determina o tom de corte que maximiza uma medida de variância entre os dois
modos do histograma.
É um método extremamente eficiente, reprodutível e é o mais implementado em
programas de PDI.
O método pode ser estendido para mais modos do histograma mas em geral os
programas não implementam esta opção.
• O método é extremamente custoso computacionalmente e se torna inviável para imagens
com mais do que 4 ou 5 modos no histograma.
• Existe um alternativa denominada Otsu recursivo, na qual o método de Otsu bi-modal é
sucessivamente aplicado à imagem, e a cada iteração, a parte da imagem já segmentada
é excluída e o método é aplicado aos pixels restantes.
96 S. Paciornik – DEMa PUC-Rio
Comparação
Imagem original
com iluminação
irregular
Imagem corrigida
com filtro passa-
altas, 49x49, 4
iterações
Imagem
segmentada com
limiar no mínimo
Imagem
segmentada pelo
método de Otsu
97 S. Paciornik – DEMa PUC-Rio
Limiarização Adaptativa
 Métodos automáticos (cont.)
 Limiarização adaptativa
Sub-divide a imagem, aplica uma limiarização a cada sub-divisão, obtendo assim
vários tons de corte.
Em seguida, interpola os tons de corte obtidos para as sub-divisões para obter um
tom de corte para cada pixel da imagem.
Vantagens:
• Menos sensível a irregularidades de fundo.
• Mais sensível a variações locais.
Desvantagens:
• Mais lento.
• Não é muito comum em programas de PDI.
98 S. Paciornik – DEMa PUC-Rio
Segmentação por Contornos
 Métodos baseados nos contornos dos objetos
 Um objeto pode ser entendido como uma região dentro de um contorno.
Para distinguí-lo detecta-se as bordas e tenta-se construir um contorno a partir delas.
Este modelo é muito mais custoso computacionalmente, mas simula o
comportamento do olho humano e é muito flexível e genérico.
As principais limitações são ruído e o fato de que as fronteiras identificadas podem
não ser fechadas.
 O método envolve duas etapas
A detecção das bordas em si, utilizando um operador derivada tipo Sobel, Kirsch,
etc...
A identificação dos objetos a partir de seus contornos, que são obtidos processando
a imagem das bordas.
99 S. Paciornik – DEMa PUC-Rio
Segmentação por Contornos (cont.)
 Métodos baseados nos contornos dos objetos (cont.)
 Os principais problemas do método são
Sensibilidade a ruído. Este problema pode ser reduzido introduzindo outros critérios
para validação de pixels tais como ângulo máximo entre o novo pixel e a fronteira
traçada até então.
Não se pode garantir que as fronteiras serão curvas fechadas. Uma possível solução
envolve o uso da convolução com o Laplaciano da Gaussiana (Método de Marr-
Hildreth).
Imagem original Sobel Sobel limiarizado
100 S. Paciornik – DEMa PUC-Rio
Perseguição de Fronteiras
 Métodos baseados nos contornos dos objetos (cont.)
 A localização de fronteiras envolve o processo de perseguição de bordas
(edge tracking)
A imagem das bordas é analisada e apenas os pixels que satisfazem certos critérios
são validados (veja abaixo).
Iniciando em um pixel “válido” analisa-se seus primeiros vizinhos, procurando
outro pixel “válido”. A partir do novo pixel repete-se o processo. Desta forma
percorre-se uma trajetória sobre a imagem que corresponde à fronteira de um
objeto. Quando a trajetória retorna ao ponto de origem, interrompe-se o processo.
 O critério de validação de pixels da imagem de bordas pode ser
uma simples limiarização para selecionar certas bordas
uma busca do máximo local da imagem gradiente, visando já afinar as bordas
obtidas. Este processo não discrimina bordas a partir do valor do gradiente e aceita
todas as bordas.
101 S. Paciornik – DEMa PUC-Rio
Gauss - Sigma Grande
Gauss - Sigma Pequeno
Zero-crossings Laplaciano
Zero-crossings Laplaciano
O Método de Marr-Hildreth
 O método de Marr-Hildreth
 Borra-se a imagem com um kernel
gaussiano
 Obtém-se o Laplaciano
 Localiza-se os cruzamentos por zero
 Os pontos localizados formam
contornos fechados
 Também conhecido como método
LOG - Laplacian of Gaussian
102 S. Paciornik – DEMa PUC-Rio
“Zero-Crossings”
 O método de Marr-Hildreth (cont.)
 Porque “zero-crossings of Laplacian” ?








 É possível provar que os “Zero-
crossings” sempre formam contornos
fechados.
 Este método é muitas vezes usado em
conjunção com limiarização normal
para reduzir sua sensibilidade a ruído.
Borda
1ª derivada
2ª derivada - o
cruzamento por zero
indica a posição da
borda.
103 S. Paciornik – DEMa PUC-Rio
Exemplo
 O método de Marr-Hildreth (cont.) - Exemplo
Original
Segmentação
Automática
AND
Segmentação
Marr Hildreth
104 S. Paciornik – DEMa PUC-Rio
Segmentação através da Cor
 Usando a cor para segmentar
 Em algumas situações, regiões fisicamente distintas podem ter
tonalidades de cinza muito próximas, impossibilitando sua segmentação
por limiarização comum
 Caso estas regiões possuam cores distintas, pode-se usar um dos dois
modelos de cor (RGB ou HLS) para realizar uma segmentação baseada
nos três histogramas simultâneos.
 A escolha de limiares no histograma de cada componente primária
selecionará uma faixa de cores que poderá segmentar a região de
interesse.
105 S. Paciornik – DEMa PUC-Rio
Exemplo
Imagem original de uma rocha Os histogramas HLS e seus limiares
A imagem binária resultante Bordas da imagem binária superpostas
106 S. Paciornik – DEMa PUC-Rio
A sequência de Processamento e Análise
Pré-Processamento/Realce
Classificação e
Reconhecimento
Regiões
Pixels
Dados
Qualitativo
Quantitativo
Formação da imagem
Digitalização da imagem
Segmentação
Pós-Processamento
Extração de Atributos
Pós-Processamento
107 S. Paciornik – DEMa PUC-Rio
Pós-Processamento
 Corrigindo defeitos da Segmentação
 Muitas vezes, o resultado da segmentação não é adequado.
 Para corrigir os defeitos residuais, na etapa denominada de pós-
processamento, utiliza-se as técnicas da morfologia matemática.
 Operações morfológicas
 São operações semelhantes às operações locais, nas quais um pixel da
imagem de saída é função do valor dos pixels numa vizinhança da
imagem de entrada.
 Em imagens binárias, um pixel será preservado ou invertido em função
de ter um certo número de vizinhos iguais ou diferentes em posições
específicas de sua vizinhança.
As posições dos pixels são definidas por uma espécie de máscara, denominada
elemento estruturante (EE).
108 S. Paciornik – DEMa PUC-Rio
Operações Morfológicas Básicas
 Operações básicas
 Erosão
Um pixel branco é invertido se sua vizinhança não
possui pixels brancos suficientes para cobrir o EE.
Objetos finos ou pequenos serão eliminados.
Objetos maiores terão sua área reduzida.
 Dilatação
Um pixel preto é invertido se sua vizinhança não
possui pixels pretos suficientes para cobrir o EE.
Buracos finos ou pequenos serão eliminados,
unindo objetos.
Objetos terão sua área aumentada.
 Estas operações, por si só, causam distorções nas
áreas dos objetos. No entanto, sua combinação
gera resultados muito mais interessantes.


Original
Erosão
Dilatação
109 S. Paciornik – DEMa PUC-Rio
Combinando Operações
 Combinação de operações
 Abertura
N ciclos de Erosão seguidos de N ciclos de
Dilatação.
Objetos muito pequenos desaparecem, aí
incluídas pequenas conexões entre objetos.
Objetos maiores preservam sua área.
 Fechamento
N ciclos de Dilatação seguidos de N ciclos de
Erosão.
Buracos pequenos ou separações entre
objetos são eliminados.
Objetos maiores preservam sua área.
 Se o número de ciclos é grande quando
comparado com o diâmetro dos objetos,
ocorrerão distorções de forma.
A solução exigirá o uso do Mapa de
Distâncias Euclideanas.
Original
Fechamento
Abertura
110 S. Paciornik – DEMa PUC-Rio
Aplicação
 Aplicação de abertura e fechamento








 B é o elemento estruturante. No caso, tem forma circular, o que explica o
arredondamento das bordas do objeto.
 As operações morfológicas podem ser aplicadas em imagens de tons de cinza (grey
morphology). Neste caso as operações são de categorização de vizinhanças (rank
operators) tais como máximo e mínimo locais, etc...
A B A - B
B
A
111 S. Paciornik – DEMa PUC-Rio
Outras Operações Simples
 Preenchimento (fill)
 Objetos com contorno fechado podem ter seus buracos internos
preenchidos.
 Em programas de edição de imagens (ex. Photoshop), cada objeto a ser
preenchido deve ser selecionado pelo usuário.
 Em programas de PDI, o processo é automático para todos os objetos
112 S. Paciornik – DEMa PUC-Rio
Outras Operações Simples (cont.)
 Eliminação/Seleção de objetos baseada na área (scrap)
Imagem original Segmentada com buracos Invertida (NOT)
Scrap <10 pixels
•A imagem segmentada contém buracos.
•Neste caso não é possível usar a operação “fill”
porque os objetos se tocam e espaços entre
objetos também seriam preenchidos.
•Assim, deve-se antes inverter a imagem para
que os buracos virem pequenos “objetos” que
podem ser eliminados com o operador de
“scrap”
Imagem limpa
113 S. Paciornik – DEMa PUC-Rio
Operações Avançadas
 Erosão derradeira (ultimate
erosion)
 Os objetos são erodidos até que um
próximo passo os eliminaria.
 Utilizada para localizar “sementes”
de objetos e medir tamanhos.
 Dilatação derradeira (ultimate
dilation)
 Os objetos são dilatados até que,
um próximo passo, os uniria.
 Utilizada na segmentação
watershed e na análise da
vizinhança de objetos.
 OBS:
 Nas figuras ao lado os objetos
originais são mostrados em branco
e o resultado das operações é
mostrado em vermelho.
Imagem Binária Original
Após erosão derradeira Após dilatação derradeira
114 S. Paciornik – DEMa PUC-Rio
Operações Avançadas (cont.)
 Esqueleto ou Transformada do Eixo Medial
 Corresponde a uma erosão derradeira com a condição de não remover
pixels que quebrariam o objeto em dois.
 Fornece informação topológica e métrica sobre o objeto.
P. ex. número de ramificações.

115 S. Paciornik – DEMa PUC-Rio
Separando Objetos que se Tocam
 Como separar objetos que se tocam ?
 Imagens com objetos que se tocam, ou parcialmente superpostos, são
bastante comuns.
 A segmentação nestes casos é mais difícil mas é possível através do
método do divisor de águas (watershed).
 O método envolve três etapas
Uma limiarização simples gerando uma imagem binária
O cálculo do Mapa de Distâncias Euclideanas (Transformada de Distância)
Obtenção dos divisores de águas separando os objetos
 O Mapa de Distâncias Euclideanas (MDE)
Imagem em que cada pixel de um objeto tem uma intensidade proporcional à sua
menor distância da borda do objeto.
 Obtenção dos divisores de águas
A partir dos pontos mais brilhantes do MDE, agrega-se pixels num processo de
crescimento que evita que os objetos voltem a se unir.
116 S. Paciornik – DEMa PUC-Rio
Exemplo Básico
 O Método do divisor de águas (cont.)
Imagem binária MDE Máximos do MDE
Imagem segmentada
A partir dos máximos do MDE,
inicia-se um processo
denominado dilatação
derradeira (ultimate dilation)
que faz crescer ilhas de pixels
brancos a partir dos máximos,
mas evitando que quaisquer
duas ilhas voltem a se unir.
Dilatação
derradeira
117 S. Paciornik – DEMa PUC-Rio
Exemplo mais complexo
Imagem original Limiarizada/buracos eliminados Mapa de Distâncias
Fronteiras superpostas Fronteiras definidas Divisores de águas
118 S. Paciornik – DEMa PUC-Rio
Comentários
 Limitações do método do divisor de águas
 O método é fortemente sensível à qualidade da segmentação original.
 A preservação/eliminação de buracos na imagem binária irá
gerar/eliminar divisores de águas que podem ser falsos ou verdadeiros.
 Normalmente o MDE sofre uma filtragem passa-baixas para atenuar
ruídos gerados por irregularidades das bordas da imagem binária. Esta
filtragem gera divisores de águas mais bem comportados.
 O método deve ser usado com cautela e a aplicação específica irá
determinar o que é mais aceitável: sub ou super segmentação
em alguns casos pode ser mais razoável aceitar uma sub-segmentação e completar
as fronteiras ausentes de forma manual.
119 S. Paciornik – DEMa PUC-Rio
Operações Morfológicas no MDE
 O Mapa de Distâncias Euclideanas pode ser utilizado para
realizar operações morfológicas, minimizando os problemas de
distorção de forma citados anteriormente.
 A seqüência básica é a seguinte:
 A partir de uma imagem binária, calcula-se o MDE
 O MDE, que é uma imagem em tons de cinza, é segmentado por
limiarização.
Um pixel dentro do objeto, junto à borda, terá intensidade 1 no MDE
Para realizar uma erosão de um pixel do contorno, aplica-se um limiar de 2 no MDE
Para realizar uma erosão de n pixels, aplica-se um limiar de n+1 no MDE
Para realizar uma dilatação, a imagem binária original é invertida, segue-se a
mesma seqüência, e inverte-se o resultado final.
120 S. Paciornik – DEMa PUC-Rio
Exemplos
Image Binária Original Após Abertura EE Quadrado
4 iterações
Após Abertura Euclideana
4 iterações
Comparação
121 S. Paciornik – DEMa PUC-Rio
 A separação entre objetos em uma imagem binária
depende da definição de contiguidade entre pixels.

 Vizinhança 4 =>




 Vizinhança 8 =>

 Note que o uso de V4 para os objetos implica V8 para o
fundo e vice-versa.
Esta inconsistência só é resolvida em uma matrix
hexagonal de pixels, mas isto é pouco usado porque
praticamente não existem sensores de luz com pixels
hexagonais.
Vizinhança 4 e 8
2
1
1
1
122 S. Paciornik – DEMa PUC-Rio
Impacto da escolha de V4 ou V8
V4 V8
As fronteiras detectadas pelo método do divisor de águas
efetivamente separam os grãos do material sinterizado
Muitos grãos do material aparecem conectados formando
objetos que não representam a microestrutura
123 S. Paciornik – DEMa PUC-Rio
A sequência de Processamento e Análise
Pré-Processamento/Realce
Classificação e
Reconhecimento
Regiões
Pixels
Dados
Qualitativo
Quantitativo
Formação da imagem
Digitalização da imagem
Segmentação
Pós-Processamento
Extração de Atributos Extração de Atributos
124 S. Paciornik – DEMa PUC-Rio
Extração de Atributos
 Medir - objetivo final
 Uma vez que o processo de segmentação e pós-processamento se encerra, pode-se então
realizar medidas sobre a imagem.
 Existem basicamente duas classes de medidas
Medidas de campo (field features)
• Medidas que se referem ao campo como um todo
• Ex: Número de objetos, Área total de objetos, Fração de área, etc...
Medidas de região (region features)
• Medidas que se referem aos objetos independentemente
• Ex: Área, perímetro, forma, posição, etc...
• Estas medidas podem ser muito sofisticadas, permitindo uma nova separação dos objetos em
classes de similaridade, em função dos parâmetros medidos.
• Seguiremos a proposta de J.Russ e apresentaremos os parâmetros em 4 grupos
 Tamanho
 Forma
 Posição
 Intensidade
• A nomenclatura seguirá o padrão do KS400.
125 S. Paciornik – DEMa PUC-Rio
Parâmetros de Tamanho
 Área
 Obtida simplesmente contando os pixels.
 Por incrível que pareça, mesmo uma medida tão
simples é muito difícil de realizar manualmente.
 Área preenchida (filled area - AREAF)
 Área incluindo buracos internos.
 Área convexa (taut string area - AREAC)
 Área obtida após tornar o objeto convexo.
 Equivalente à área definida por um elástico
passado em torno do objeto.
 Perímetro (PERIM)
 Obtido diretamente da fronteira através da
expressão

 onde N é o número de passos horizontais ou
verticais e N
d
é o número de passos diagonais.
 Inclui o perímetro dos buracos do objeto.
 Existem outras maneiras de medir o perímetro de
forma mais acurada, reduzindo o impacto da
“pixelização” da imagem (Crofton Perimeter).
 Perímetro preenchido (PERIMF) e Perímetro
convexo (PERIMC)
 Equivalentes às definições de área preenchida e
convexa.
d
N N P 2 + =
AREA PERIM
AREAF PERIMF
AREAC PERIMC
126 S. Paciornik – DEMa PUC-Rio
Parâmetros de Tamanho (cont.)
 Calibres (Ferets)
 Equivalem às sombras do objeto em diferentes direções
A razão entre calibres máximo e mínimo é uma boa medida de alongamento.
• Fmax nem sempre será ortogonal a Fmin
O ângulo do calibre máximo é uma medida de orientação.
Calibre x - FERETX
C
a
l
i
b
r
e

y

F
E
R
E
T

Y

127 S. Paciornik – DEMa PUC-Rio
 Largura (width)
 Definido como a largura de uma elipse com mesma área e calibre máximo (length)



Menos sensível do que F
min

Exemplo de parâmetro secundário
derivado de parâmetros primários
medidos de forma independente.
 Diâmetro circular equivalente
 A partir da área –

 A partir do perímetro –
 Comprimento de fibra (fiber length)
 Para um objeto longo e estreito F
max
= Perímetro/2. Para objetos mais “grossos” (F
min

maior) pode-se definir um parâmetro que é função do perímetro e da área.

Parâmetros de Tamanho (cont.)
F
min

F
max

Width
Fiber Length
4
. 16
2
AREAF PERIMF PERIMF
FL
÷ +
=
max
4
F
AREA
Width
·
·
=
t
t
AREA
D
·
=
4
t
Perímetro
D =
128 S. Paciornik – DEMa PUC-Rio
 Parâmetros de forma
 Parâmetros adimensionais obtidos de combinações de parâmetros de tamanho.
 Razão de aspectos (Aspect Ratio)
 AR = F
min
/F
max

(alguns programas usam a relação inversa)
 Fatores de forma
 Normalmente são definidos para variar entre 0 e 1, assumindo valor máximo para
objetos com formas geométricas específicas.
 São usados para identificar formas específicas em imagens.
 Fatores de forma circular
Baseado no Perímetro


É sensível à irregularidade do contorno
do objeto.

 Fator de forma quadrada

Parâmetros de Forma
2
1
4
PERIM
AREAF
F
Circle
· ·
=
t
2 2
4
Max
Circle
F
AREAF
F
·
·
=
t
Baseado no Feret Máximo


Mais sensível ao elongamento do
objeto.
2
16
PERIMF
AREAF
F
Quad
·
=
129 S. Paciornik – DEMa PUC-Rio
Parâmetros de Forma (cont.)
 Medidas de Convexidade
 Valem 1 para um objeto convexo e diminuem para objetos não convexos.
 PERIMC/PERIM ou PERIMC/PERIMF
Decai rapidamente para objetos com penínsulas finas e compridas.
 AREA/AREAC ou AREAF/AREAC.
Menos sensível à presença de penínsulas finas.
 Exemplo
 After J.C. Russ, Comp. Ass. Micr.
A B C D E F
FCIRCLE 1

0.31 0.45 0.33 0.47 0.32 0.48
FCIRCLE 2 0.26 0.28 0.50 0.50 0.62 0.65
FMIN/FMAX
0.28 0.28 0.50 0.50 0.56 0.59
PERIMC/PERIM 0.77 0.85 0.71 0.80 0.67 0.78
AREA/AREAC 0.80 0.84 0.81 0.84 0.80 0.84

A
C
B
D
F E
130 S. Paciornik – DEMa PUC-Rio
Parâmetros de Posição e Distribuição Espacial
 Parâmetros de Posição
 Centro de gravidade e distância entre objetos
A determinação do centro de gravidade dos objetos
é trivial a partir de uma imagem segmentada
É possível obter a distribuição de vetores que unem os centros
de gravidade dos objetos.
No entanto, esta distribuição não é adequada porque:
a) É muito custosa de se obter, já que o número de vetores é
igual à combinação, 2 a 2, de todo os objetos da imagem.
b) Não se refere à vizinhança local de cada partícula, que é
mais importante que a distribuição de distâncias entre
quaisquer partículas.
131 S. Paciornik – DEMa PUC-Rio
Distribuição Espacial
 Dilatação derradeira e região de influência
 A dilatação derradeira gera regiões cuja distribuição de tamanhos está
associada à distribuição espacial.
100 150 200 250 300 350
0
20
40
60
80
100
%
Distance (pixel)
100 150 200 250 300 350
0
10
20
30
40
%
Distance (pixel)
100 150 200 250 300 350
0
10
20
30
40
%
Diâmetro Circular Equivalente
Regular
Aglomerado
Aleatório
132 S. Paciornik – DEMa PUC-Rio
Distribuição Espacial (cont.)
 Análise da Vizinhança Local
 A análise através da região de influência pode ser refinada e combinada
com a análise por vetores de distância.
 Para isso é preciso antes identificar os primeiros vizinhos de um dado
objeto, e medir somente os vetores deste objeto a seus vizinhos.
Para cada objeto:
- Realiza a dilatação derradeira
- Realiza uma dilatação e detecta superposição com
regiões vizinhas
- Detecta apenas regiões vizinhas
- Mede o vetor entre o objeto central e seus vizinhos.
- Obtém distância média entre vizinhos - <D>
- Obtém o desvio padrão da distância média - SD
- Obtém o coeficiente de variação – cov = SD/<D>

- Cov = 0.36 ± 0.02 => distribuição aleatória
- Cov ≠ 0.36 => indica aglomeração
- Yang, N.; Boselli, J.; Sinclair, I., J. Microsc. 201 (2000) 189-
200.
133 S. Paciornik – DEMa PUC-Rio
Parâmetros de Intensidade
 Estatísticas dos tons de cinza ou cores de um objeto
 Intensidade média (<I>)
Associada ao brilho
 Desvio padrão da intensidade (SD(I))
Associado ao contraste





Imagem <I> SD(I)
Original 143,6 12,2
Após
filtro
Sigma
142,7 6.6
134 S. Paciornik – DEMa PUC-Rio
Matriz de Co-Ocorrência
 Análise de Textura
 O uso de estatísticas simples não permite discriminar variações mais
sutis dos tons de cinza, que caracterizam a noção intuitiva de textura.
 Em contraponto a estas estatísticas de ocorrência, são propostas
estatísticas de co-ocorrência.
Parâmetros obtidos a partir da estatística de ocorrência simultânea de intensidades
em pares de pixels
0 0 1 1
0 0 1 1
0 2 2 2
2 2 3 3
Tom 0 1 2 3
0 (0,0) (0,1) (0,2) (0,3)
1 (1,0) (1,1) (1,2) (1,3)
2 (2,0) (2,1) (2,2) (2,3)
3 (3,0) (3,1) (3,2) (3,3)

|
|
|
|
|
.
|

\
|
°
2 1 0 0
1 6 0 1
0 0 4 2
0 1 2 4
0 P

|
|
|
|
|
.
|

\
|
°
0 1 0 0
1 4 2 0
0 2 2 1
0 0 1 4
45 P

|
|
|
|
|
.
|

\
|
°
0 2 0 0
2 2 2 2
0 2 4 0
0 2 0 6
90 P

|
|
|
|
|
.
|

\
|
°
0 2 0 0
2 0 1 3
0 1 2 1
0 3 1 2
135 P
Imagem de Teste Construção da matriz de
co-ocorrência tonal
Matrizes de co-ocorrência
para a imagem de teste
135 S. Paciornik – DEMa PUC-Rio
Parâmetros de Haralick
 Parâmetros estatísticos baseados na
matriz de co-ocorrência
 Originalmente utilizados em
sensoreamento remoto
 Uniformidade

 Contraste


 Correlação


 Foram definidos 14 parâmetros
¿¿
=
i j
j i p f
2
)} , ( { 1
} ) , ( { 2
| |
1 1
1
0
2
n j i
Ng
i
Ng
j
Ng
n
j i p n f
= ÷
= =
÷
=
¿¿ ¿
=
1 2 3
4 5 6
7 8 9
f1
f2
f3
0,42
2,68
0,50
0,06
4,22
0,20
0,43
0,45
0,48
0,26
4,08
0,40
0,12
1,63
0,50
0,54
1,21
0,40
0,55
0,47
0,40
0,05
5,06
0,48
0,22
3,16
0,38
y x
i j
y x
j i p j i
f
o o
µ µ
¿¿
÷
=
) , ( ). , (
3
136 S. Paciornik – DEMa PUC-Rio
Exemplo – Análise de Textura
 Imagens de HRTEM
Resina com carbono disperso Resina Pura
0%
10%
20%
30%
40%
50%
60%
0.00 0.04 0.08 0.12 0.16 0.20
Uniformidade
P
o
p
u
l
a
ç
ã
o

(
%
)

Pura
Mix
0%
5%
10%
15%
20%
25%
30%
2.8 3.8 4.8 5.8
Entropia
P
o
p
u
l
a
ç
ã
o

(
%
)

Pura
Mix
137 S. Paciornik – DEMa PUC-Rio
A sequência de Processamento e Análise
Pré-Processamento/Realce
Classificação e
Reconhecimento
Regiões
Pixels
Dados
Qualitativo
Quantitativo
Formação da imagem
Digitalização da imagem
Segmentação
Pós-Processamento
Extração de Atributos
Classificação e
Reconhecimento
138 S. Paciornik – DEMa PUC-Rio
Classificação e Reconhecimento
 Exemplo Básico
 Imagine um sistema para classificação de
frutas de 4 tipos
 Maçãs, cerejas, limões e melões
 A cor pode ser usada para distinguir as
frutas mais vermelhas (maçãs/cerejas) das
mais amarelas (limões/melões).
 O calibre máximo ou diâmetro pode ser
usado para distinguir as frutas menores
(cereja/limão) das médias (maçãs) e
grandes (melões).
 Uma solução possível é separar
manualmente um número representativo
de frutas de cada tipo e determinar as
faixas típicas de cor e tamanho.
 Posteriormente, uma fruta desconhecida
poderá ser automaticamente identificada a
partir da base de conhecimento
desenvolvida.
Melões
Limões
Maçãs

V
e
r
m
e
l
h
i
d
ã
o


Diâmetro





Cerejas
*
*
*
*
*
*
* *
*
*
*
*
*
*
*
*
*
*
* *
*
*
*
Medindo Maçãs Medindo Cerejas Medindo Limões Medindo Melões
Medindo
Desconhecido
*
139 S. Paciornik – DEMa PUC-Rio
Classificação e Reconhecimento
 Questão básica
 Dado um conjunto de objetos
segmentados, e dos quais se pode
medir diversos parâmetros, tentar, de
forma automática, separá-los em
classes de similaridade.
 Considerações
 Raramente um único parâmetro será
suficiente para distinguir duas ou mais
populações (p.ex. intensidade em um
histograma bimodal).
 Pode-se imaginar o conjunto de
parâmetros como formando um
espaço multi-dimensional.
 Cada objeto ocupará um ponto deste
espaço. A tarefa da classificação pode
ser entendida como a identificação de
agrupamentos neste espaço.
P
1
P
3
P
2
140 S. Paciornik – DEMa PUC-Rio
Tipos de Classificação
 Classificação supervisionada
 Um conjunto de objetos conhecidos
pertencentes a diferentes classes é
analisado, escolhe-se os parâmetros
ideais para separação, e estabelece-se
a faixa de valores dos parâmetros para
cada classe.
 A partir deste conjunto de
treinamento, encontra-se a função
discriminante que separa as diversas
classes.
 Objetos desconhecidos são fornecidos
ao classificador.
 Exemplo: redes neuronais.
 Classificação não-supervisionada
 O sistema recebe objetos
desconhecidos e a partir da medida de
diferentes parâmetros tenta encontrar
as classes.
 A identificação de classes pode ser
realizada a partir da identificação de
agrupamentos (clusters) de objetos no
espaço de parâmetros.
141 S. Paciornik – DEMa PUC-Rio
Classificação supervisionada
 As etapas do processo
 Escolher um conjunto de treinamento
 Escolher os parâmetros relevantes
 Obter a função discriminante
 Obter os erros e eliminar parâmetros
irrelevantes
 Aplicar a objetos desconhecidos e
escolher pontos de decisão
 Medir mais objetos e atualizar histogramas
e pontos de decisão ==> Aprendizado
 Conjunto de treinamento (training set)
 Um conjunto de objetos conhecidos e que
representem adequadamente as classes
supostamente presentes na sua população.
 Pode-se atribuir um número (1,2,...) para
representar o TIPO de cada classe.
 Tamanho típico
 de 20 a 100 objetos
 Preocupação básica
 Será que o conjunto é realmente
representativo da população como um todo
?
 Dependendo do sistema, esta possível
limitação pode ser compensada ao longo
do processo de aprendizado. Quando novos
objetos vão sendo classificados pode-se
usar seus valores para refinar o conjunto de
treinamento de forma recursiva.
142 S. Paciornik – DEMa PUC-Rio
Classificação supervisionada (cont.)
 Seleção de parâmetros relevantes
 Utilizando senso comum e experiência prévia, escolhe-se os parâmetros que parecem
ser mais eficientes para distinguir as classes.
 Discriminação
Valores diferentes para classes diferentes
 Confiabilidade
Valores semelhantes para a mesma classe
 Independência
Evitar redundância na informação
Ex: Evitar muitos parâmetros do mesmo tipo
 Pequenos números
O tamanho do conjunto de treinamento necessário cresce exponencialmente com o número
de parâmetros envolvidos.
 Em geral deve-se analisar a correlação entre os diversos parâmetros e as classes do
conjunto de treinamento. Parâmetros com alta correlação devem ser mantidos.
Parâmetros com baixa correlação devem ser ignorados.
143 S. Paciornik – DEMa PUC-Rio
Discriminação
 Métodos estatísticos
 Assumem uma distribuição de
probabilidades conjunta para as
classes de objetos presentes e os
vetores do espaço de parâmetros.
 Métodos não estatísticos
(distribution free)
 Define-se um conjunto de funções
discriminantes que são maximizadas
se o vetor de parâmetros pertence a
uma dada classe. Para um problema
com K classes precisa-se de K-1
discriminantes.
 Minimum Distance Classifier
Um objeto será atribuído a uma classe
se o seu vetor de parâmetros estiver
mais próximo do centro de gravidade
desta classe do que de qualquer outra
classe.
 k-nearest neighbours - KNN
Um objeto será atribuído a uma classe
se a maioria dos k primeiros vizinhos
pertence a esta classe.
144 S. Paciornik – DEMa PUC-Rio
P
a
r
â
m
e
t
r
o

2

Parâmetro 1
Linha de contexto
Limiar de Decisão
População A
População B
A Função Discriminante
 A função discriminante
 A equação para a função
discriminante pode ser obtida, em
certos casos, como uma combinação
linear dos diversos parâmetros.
Com dois parâmetros a função é uma
reta (a linha de contexto).
Com três parâmetros a função é um
plano.
Com mais parâmetros a função é um
hiper-plano no espaço de parâmetros.
145 S. Paciornik – DEMa PUC-Rio
Classificação supervisionada (cont.)
 Eliminação de parâmetros
irrelevantes
 Utiliza-se regressão por partes para
eliminar parâmetros que não afetam o
ajuste da função discriminante.
 Para isso estima-se o erro na função
discriminante cada vez que um
parâmetro é eliminado. Os parâmetros
que causam a menor variação são
descartados.
 Aplicação a objetos desconhecidos
 Para cada novo objeto mede-se os
parâmetros selecionados e calcula-se o valor
da função discriminante.
 Em função da distribuição de valores da
função discriminante pode-se então escolher
um limiar de decisão para atribuir o objeto a
uma ou outra classe.
Avelãs x nozes = 3.928 + 0.773 * Aspect ratio -
5.007 * Fractal Dim + 0.068 * Brightness
limiar de decisão
0 1 2 3 4
N
º

d
e

o
b
j
e
t
o
s

146 S. Paciornik – DEMa PUC-Rio
Classificação supervisionada (cont.)
 Erros de classificação
 Em diversas situações o histograma
para a função discriminante não será
claramente bi-modal.
 Isto dará origem a um problema de
limiarização análogo ao da
segmentação de imagens por
intensidade.
 Neste caso pode-se usar testes
estatísticos para avaliar a separação de
classes e os erros de classificação.
Estes testes podem ser paramétricos
(utiliza-se uma distribuição
conhecida) ou não-paramétricos.
 Escolhe-se o limiar de decisão que dá
erros idênticos para ambas as classes
ou que minimize o erro em função de
um certo critério de custo.
limiar de decisão
after J.C. Russ - Computer Assisted Microscopy
147 S. Paciornik – DEMa PUC-Rio
Aprendizado
 Aprendizado
 Conforme mais objetos são medidos e classificados, os histogramas das
funções discriminantes mudam, assim como os limiares de decisão.
 Isto por sua vez permite a reclassificação de objetos num processo
recursivo.
 Isto quer dizer que o sistema pode refinar sucessivamente seu
funcionamento e aumentar a base de dados utilizada.
 A interferência humana fica restrita a resolver situações nas quais o erro
para um dado limiar ultrapassa certos limites.
 Também é possível refinar o sistema utilizando funções discriminantes
não-lineares e/ou ajustando a forma da função discriminante durante o
aprendizado.
148 S. Paciornik – DEMa PUC-Rio
Exemplo: Classificação de Ferro Fundido
 Ferro Fundido
 Material composto por ferro e grafite
diluído sob a forma de partículas de
diversos formatos.
Classe I
Cinzenta
Classe II
Intermediária
Classe III
Vermicular
Classe IV
Nodular irregular
Classe V
Nodular incerta
Classe VI
Nodular
 As propriedades mecânicas deste material
dependem fortemente da forma das ilhas.
 Ilhas mais arredondadas com bordas suaves
levam a melhores propriedades.
 Ilhas mais alongadas com bordas
irregulares levam a piores propriedades.
 Existe uma classificação internacional
(ISO-945) para ferro fundido, dividindo-o
em seis classes.
 Tradicionalmente a classificação é feita
visualmente.
 Veremos como tornar este processo
automático através de uma classificação
supervisionada.
149 S. Paciornik – DEMa PUC-Rio
Ex: Ferro Fundido (cont.)
 Conjunto de Treinamento
 Utilizou-se as 6 imagens sintéticas da norma.
 Parâmetros de Medida
 Testou-se diversos conjuntos de parâmetros, tendo como referência as
duas características básicas das partículas de grafite
Alongamento
Irregularidade de contorno
 Comparou-se a qualidade dos diversos conjuntos através da
discriminação por eles fornecida
Máxima separação entre classes distintas
Mínima separação dentro da mesma classe
150 S. Paciornik – DEMa PUC-Rio
 Parâmetros testados
 Razão de calibres

 Razão de perímetros

 Razão de elipses

 Fator de forma circular

 o e | propostos por Hecht

 Fator de forma de proposto por
Karsay:
Ex: Ferro Fundido (cont.)
 Parâmetros testados (cont.)
 Razão entre perímetro e
circunferência circunscrita

 Fator citado por Grum

 Fator proposto por Grum

 Raio médio do contorno

 Variância dos raios do contorno

 Variância normalizada
FERETMAX
FERETMIN
FERETRATIO =
PERIMF
PERIMC
PERIMRATIO =
ELLIPSEA
ELLIPSEB
ELLRATIO =
2
PERIMCROFT
AREAF π 4
FCIRCLE
· ·
=
AREA 3
FERETMAX 4
β
2
·
·
=
FCIRCLE
1
= α
2
FERETMAX π
AREA 4
Karsay
·
·
=
FERETMAX PERIMCROFT
AREA 4
Ff
·
·
=
3
2
FERETMAX PERIMCROFT π
AREA 16
Grum
· ·
·
=
FERETMAX π
PERIMCROFT
Rpc
·
=
( ) ( )
¿
=
÷ + ÷ · =
N
1
2
G
2
G
P
1
Rmedio
i
i i
y y x x
( ) ( )
2
N
1
2
G
2
G
Rmedio
P
1
Rvar
¿
=
(
¸
(

¸

÷ ÷ + ÷ · =
i
i i
y y x x
( ) ( )
| |
2
N
1
2
2
G
2
G
Rmedio - FERETMAX
Rmedio
P
1
RvarNorm
¿
=
(
¸
(

¸

÷ ÷ + ÷
· =
i
i i
y y x x
151 S. Paciornik – DEMa PUC-Rio
Ex: Ferro Fundido (cont.)
 Conjuntos de parâmetros:
 1) KS Expert
FERETRATIO
PERIMRATIO
FCIRCLE
ELLRATIO
 2) Hecht
o e |
 3) Novo conjunto proposto
FCIRCLE
Karsay
Novo parâmetro

 Teste de discriminação
 A qualidade de cada conjunto foi
testada aplicando o classificador
escolhido sobre os objetos do próprio
conjunto de treinamento.
 Os melhores resultados foram obtidos
com o classificador Bayesiano e o
conjunto 3.
Ff
RvarNorm
Novo =
Taxa de Acerto
Classe CJ 1 CJ 2 CJ 3
I 97.06 100.0 100.0
II 77.78 77.78 83.33
III 89.29 91.07 96.43
IV 87.50 91.67 100.0
V 78.95 89.47 100.0
VI 100.0 100.0 100.0
Total 89.41 92.35 97.06
 Classificadores Testados
Distância Euclidiana
Mahalanobis
Bayesiano
152 S. Paciornik – DEMa PUC-Rio
Ex: Ferro Fundido (cont.)
 Visualização gráfica da qualidade do treinamento
Classe I
Cinzenta
Classe II
Intermediária
Classe III
Vermicular
Classe IV
Nodula irregular
Classe V
Nodular incerta
Classe VI
Nodular
153 S. Paciornik – DEMa PUC-Rio
Ex: Ferro Fundido (cont.)
 Classificação de imagens reais
Classe np %
1 0 0.00
2 12 24.00
3 9 18.00
4 3 6.00
5 13 26.00
6 13 26.00
Total 50 100.00
Classe %
1 20 33.90
2 26 44.07
3 10 16.95
4 2 3.39
5 1 1.69
6 0 0.00
Total 59 100.00
Classe np %
1 0 0.00
2 2 2.22
3 11 12.22
4 6 6.67
5 25 27.78
6 46 51.11
Total 90 100.00
154 S. Paciornik – DEMa PUC-Rio
A Transformada de Fourier
 Conceito Básico
 No século XVIII, Fourier mostrou que
uma função “qualquer” pode ser
escrita através da soma de senos com
diferentes amplitudes, freqüências e
fases.
A precisão desta aproximação
depende da extensão da soma. Se as
freqüências variam de -· a +·, a
soma representa exatamente a função
original
 Fourier demonstrou este fato para uma
soma discreta onde as freqüências dos
senos variam em intervalos discretos.
 A noção de Transformada
 Com o advento do cálculo diferencial
e integral, este conceito foi estendido
para uma soma em que os intervalos
de freqüência são infinitesimais,
levando a uma integral.
 A Transformada de Fourier (FT) de
uma função f(x) é uma outra função
que representa as amplitudes e as
fases de cada uma das funções seno
usadas na integral.
Porque ela contém infomações de
amplitude e fase, a FT é normalmente
tratada como uma grandeza complexa
que tem módulo e fase.
155 S. Paciornik – DEMa PUC-Rio
Números Complexos
 Revisão de números complexos
 Z = a + ib
a é a parte real de Z (Re(Z))
b é a parte imaginária de Z (Im(Z))
 Z também pode ser escrito como
Z =|Z|(cosø +isinø)
onde
|Z| =¦(a
2
+b
2
) é o módulo de Z
tgø =b/a, ø é a fase de Z
 Outra notação para Z na sua forma
polar é Z =|Z|Zø
 Aritmética
 Se
Z
1
=a +ib =|Z
1
| Zø
1
e
Z
2
=c +id =|Z
2
| Zø
2

então
Z
1
+Z
2
=(a +c) +i(b +d)
Z
1
- Z
2
=(a - c) +i( b - d)
Z
1
* Z
2
=|Z
1
||Z
2
| Z(ø
1

2
)
Z
1
/ Z
2
=|Z
1
|/|Z
2
| Z(ø
1
- ø
2
)
 Exponencial complexa
exp(Z) =e
a
[cos(b) +isin(b)]
exp(ib) =cos(b) +isin(b)
cos(b) =[exp(ib) +exp(-ib)] / 2
sin(b) =[exp(ib) - exp(-ib)] / 2i
Z =|Z|(cosø +isinø) ¬ Z = ,Z,exp(iø)

exp(i0) = 1 exp(it) = -1
exp(it/2) = i exp(-it/2) = -i
Re
Im
a
b
|Z|
ø
156 S. Paciornik – DEMa PUC-Rio
Formulação Matemática
 Noções básicas
 Transformada direta e inversa em uma dimensão




F(u) é uma função complexa =>F(u) = |F(u)| e
i|
Espectro de Potência - P(u) = |F(u)|
2

Lembrando que exp[-i2tux] = cos 2tux - isin2tux nota-se que a FT nada mais é do que a
superposição de senos e cossenos para gerar uma função, onde u é a variável de freqüência.
 Transformada direta e inversa em duas dimensões
{ } | |
{ } | | dv du vy ux i u F y x f v u F FT
dy dx vy ux i y x f v u F y x f FT
}
}
· +
· ÷
÷

· ÷
+ t = =
+ t ÷ = =
) ( 2 exp ) , ( ) , ( ) , (
) ( 2 exp ) , ( ) , ( ) , (
1
v
FT f (x) { }= F(u) = f ( x) exp ÷i2tux | |dx
÷·

}
FT
÷1
F(u) { } = f (x) = F(u) exp i2tux | |du
÷·

}
Síntese de Fourier
Análise de Fourier
157 S. Paciornik – DEMa PUC-Rio
|F(u)|
AX
 Calculando o módulo




 E a fase
A função degrau em 1D
A
X x
f(x)
F(u) = f (x) exp[÷i2tux]
÷·

}
dx =
= Aexp[÷i2tux]dx
0
X
}
=
=
÷A
i2tu
0
X
e
÷i 2tux
| |
=
=
÷A
i2tu
e
÷i 2tuX
÷1
| |
=
=
A
i2tu
e
ituX
÷ e
÷ ituX
| |
e
÷ituX
=
=
A
tu
sin(tuX)e
÷ ituX
F(u) =
A
tu
sin(tuX) e
÷ituX
=
= AX
sin(tXu)
tXu
1/X 2/X 3/X -3/X -2/X -1/X 0
u
ø(u)
t
2t
3t
Ø(u) = ÷tXu
Sinc(u)
158 S. Paciornik – DEMa PUC-Rio
A função janela em 2D
Yv Xu v u Ø
vY
vY
uX
uX
AXY v u F
vY
e vY
uX
e uX
AXY
v i u i
A
dy vy i dx ux i A
dxdy vy ux i y x f v u F
vY i uX i
vy i
Y
ux i
X
Y X
e e
t ÷ ÷t =
t
t
t
t
=
(
¸
(

¸

t
t
(
¸
(

¸

t
t
=
=
t ÷ t ÷
=
= t ÷ t ÷ =
= + t ÷ =
t ÷ t ÷
t ÷ t ÷

· ÷
(
¸
(

¸

(
¸
(

¸

} }
} }
) , (
) sin( ) sin(
) , (
) sin( ) sin(
2 2
] 2 exp[ ] 2 exp[
)] ( 2 exp[ ) , ( ) , (
2
0
2
0
0 0
|F(u,v)|
f(x,y)
159 S. Paciornik – DEMa PUC-Rio
A Transformada de Fourier Discreta
 Conceito
 Quando trabalhamos com imagens digitais, devemos adaptar o cálculo da FT para lidar
com uma função discretizada, ou amostrada.
 Se uma função contínua f(x,y) é discretizada por amostragem de N pontos com
intervalo Ax e N pontos com intervalo Ay teremos a DFT (Discrete Fourier Transform)
e sua inversa na forma
F(u, v) =
1
N
f (x, y) exp ÷i2t(
ux + vy
N

¸
(
¸
y=0
N÷1
¿
x=0
N÷1
¿
u, v = 0,1, 2, .. ., N ÷1
f (x, y) =
1
N
F(u, v) exp i2t(
ux + vy
N

¸
(
¸
v=0
N÷1
¿
u=0
N÷1
¿
x, y = 0,1, 2, .. ., N ÷1
Au =
1
NAx
Av =
1
NAy
160 S. Paciornik – DEMa PUC-Rio
Propriedades da DFT
 Características especiais
 A DFT tem uma série de propriedades importantes para seu cálculo e interpretação.
Algumas destas propriedades estão diretamente relacionadas com sua característica
discreta.
 Separabilidade
 A DFT é separável em x e y, ou em u e v.


 Isto permite que o cálculo seja dividido em duas etapas, simplicando o processo.
Primeiro calcula-se a DFT de cada linha da imagem e forma-se uma “imagem” intermediária
com estes resultados.
Em seguida calcula-se a DFT de cada coluna desta “imagem” para obter-se o resultado final.
 Linearidade

F(u, v) =
1
N
exp
÷i2tux
N

¸

(
¸
(
f (x, y) exp
÷i2tvy
N

¸

(
¸
(
y =0
N ÷1
¿
x =0
N ÷1
¿
DFT a × f (x, y) + b × g(x, y)
| |
= a × DFT f (x, y)
| |
+ b × DFT g(x, y)
| |
161 S. Paciornik – DEMa PUC-Rio
Simetria do Conjugado
 Simetria do conjugado ou Hermitiana
 Se f(x,y) é real (como todas as imagens comuns são), então a DFT terá simetria por
inversão em relação à origem, ou seja
F(u,v) = F
*
(-u,-v) => |F(u,v)| = |F(-u,-v)|
 Esta propriedade permite simplificar o processo de cálculo por que apenas é necessário
calcular e armazenar metade dos pontos da DFT.
 Como normalmente a origem das imagens digitais é tomada no canto superior esquerdo,
a DFT mostraria metade de um período e em seguida a outra metade, de forma
descontínua. Para evitar este problema, a origem da DFT é transladada para o centro da
imagem, como veremos a seguir.
162 S. Paciornik – DEMa PUC-Rio
f (x, y)(÷1)
x +y
· F(u ÷
N
2
, v ÷
N
2
)
Translação e Mudança de Fase
 Translação e mudança de fase
 Uma translação na imagem implica numa mudança de fase na DFT e vice-versa.
 Seja
f(x,y) <=> F(u,v) um par função-DFT. Então





 Um caso particular muito útil ocorre para u
0
= v
0
= N/2
Como


Então
f ( x ÷ x
0
, y ÷ y
0
) · F(u, v) exp
÷i2t(ux
0
+ vy
0
)
N

¸

(
¸
(
f ( x, y) exp
i2t(u
0
x + v
0
y)
N

¸

(
¸
(
· F(u ÷ u
0
, v ÷ v
0
)
exp
i2t(u
0
x + v
0
y)
N

¸
(
¸
= exp it(x + y)
| |
= (÷1)
x+y
Ou seja, para transladar a DFT para o centro
do espaço NxN, basta realizar primeiro a
multiplicação de f(x,y) pelo fator (-1)
x+y
e
depois calcular a DFT. Este fator é
extremamente rápido de computar.
163 S. Paciornik – DEMa PUC-Rio
Rotação e Mudança de Escala
 Rotação
 Uma rotação da imagem por um
ângulo qualquer implica numa rotação
idêntica na DFT.
 Mudança de escala



 Se a imagem é ampliada (a,b > 1), a FT terá
sua intensidade reduzida e sua escala
comprimida.
 Se a imagem é reduzida (a,b < 1), a FT terá
sua intensidade aumentada e sua escala
ampliada.
 Esta propriedade é uma consequência direta
de que quanto menor uma distância na
imagem, maior será a freqüência necessária
para representá-la.
Imagem de uma partícula
facetada de ouro. Os
períodos das oscilações
são iguais mas as
orientações são diferentes.
DFT da imagem acima.
Os pontos brilhantes tem a
mesma freqüência
(mesmo raio) mas estão
girados uns em relação
aos outros.
f (ax, by) ·
1
ab
F(u a, v b)
164 S. Paciornik – DEMa PUC-Rio
Periodicidade
 Periodicidade
 A DFT e sua inversa são periódicas com período N
F(u,v) = F(u+N,v) = F(u,v+N) = F(u+N, v+N)
f(x,y) = f(x+N,y) = f(x, y+N) = f(x+N, y+N)
 Isto quer dizer, que para efeito de cálculo da DFT, toda imagem é considerada
periódica.
 Na prática, impõe-se condições periódicas de contorno, repetindo a imagem em x e em
y e calcula-se a DFT desta função periódica.
165 S. Paciornik – DEMa PUC-Rio
Consequência da Periodicidade
 Condições periódicas de contorno
versus periodicidade da imagem
 Em geral, não existe nenhuma razão
para a imagem original ser periódica
com período N em cada direção. Em
outras palavras, em geral
f(x,y) = f(x + N, y + N)
a não ser que a imagem seja periódica
e seja amostrada de forma que seu
período seja um sub-múltiplo da
resolução.
 Isto implica em que ao impormos
CPC na imagem para poder calcular a
DFT, estaremos criando
descontinuidades nas fronteiras, a não
ser em casos especiais.
 Estas descontinuidades causarão uma
degradação na DFT, denominada
vazamento (leaking ou streaking).
N
|F(u,v)|
f(x,y)
166 S. Paciornik – DEMa PUC-Rio
Valor médio e ponto central
 Valor médio e ponto central
 O valor médio de f(x,y) é diretamente proporcional a F(u,v) para u=v=0 ou F(0,0).





 O fator 1/N poderá ou não aparecer dependendo de como é calculada a DFT.
 Nos programas de que dispomos o cálculo é feito de forma que F(0,0) é igual a soma de
todos os pixels de f(x,y).
 Isto também quer dizer que o ponto central será nulo se subtrairmos a média da imagem
antes de calcularmos a DFT.
Isto pode ser útil quando o ponto central é muito mais intenso do que qualquer outro ponto
da DFT. Eliminando-o, a normalização da imagem para o “display” se torna muito melhor.
F(u, v) =
1
N
f (x, y)
0
N÷1
¿
0
N÷1
¿
exp ÷i2t(ux + vy) N | |
f ( x, y) =
1
N
2
f ( x, y)
0
N÷1
¿
0
N÷1
¿
=
1
N
F(0, 0)
167 S. Paciornik – DEMa PUC-Rio
 O Teorema da Convolução
 A Transformada de Fourier da convolução de duas funções é o produto das
Transformadas de Fourier de cada uma das funções.





 Assim, a filtragem através de kernels pode também ser obtida no domínio das
freqüências.
Obtém-se a DFT da imagem
Obtém-se a DFT da “imagem” correspondente ao filtro
• Normalmente completa-se a imagem com zeros (zero padding)
Multiplica-se as duas DFT’s
• Muitas vezes, já se conhece a DFT do filtro e ela é aplicada diretamente como uma máscara
multiplicativa
Calcula-se a IFT do produto que será a imagem filtrada
Convolução e Filtragem de Fourier
f (x, y) © g(x, y) = f (o, |)g(x ÷o, y ÷ |)dod|
÷·

}
÷·

}
FT f (x, y) © g(x, y)
{ }
= FT f (x, y)
{ }
× FT g(x, y)
{ }
FT f (x, y) × g(x, y) { }= FT f (x, y) { }© FT g(x, y) { }
168 S. Paciornik – DEMa PUC-Rio
Filtragem de Fourier
a b = DFT(a)
h = DFT(g)
d = DFT(c)
i = h . b
e = d . b
j = IFT(i)
f = IFT(e)
c = Passa Baixa
1 1 1
1 1 1
1 1 1
g = Passa Alta
-1 -1 -1
-1 8 -1
-1 -1 -1
169 S. Paciornik – DEMa PUC-Rio
Vantagens e Problemas
 Vantagens da filtragem de Fourier
 É mais rápida quando o kernel é
grande.
 A aplicação do filtro como uma
máscara permite uma precisão muito
maior na definição do seu efeito e
elimina problemas associados às
bordas da imagem.
 Máscaras no domínio de Fourier
 Caso a máscara tenha bordas abruptas,
implicando em altas freqüências em
sua IFT, isto introduzirá artefatos na
imagem resultante.
Pelo Teorema da Convolução, o efeito
da multiplicação aparece como uma
convolução no espaço real.
Isto quer dizer que uma máscara com
borda abrupta afetará todos os pontos
da imagem original.
 Leaking e máscaras no domínio do espaço
 A exigência de que a imagem seja uma
função periódica, equivale a multiplicar a
imagem por uma função janela com tamanho
igual ao da imagem.
 Esta multiplicação aparece como uma
convolução no domínio de Fourier entre a
DFT da imagem e a DFT da janela.
Novamente, todos os pontos da DFT da
imagem serão afetados.
 A DFT da função janela é
sinc(tuM).sinc(tvN) (onde M e N são a
largura e altura da imagem). Esta função
decai e tem seu primeiro zero em 1/M (1/N)
que corresponde ao valor máximo no
domínio das freqüências. Isto explica porque
o leaking atravessa a imagem de lado a lado
e porque é mais visível sobre pontos
brilhantes da DFT.
170 S. Paciornik – DEMa PUC-Rio
Correlação
 O Teorema da Correlação
 Definindo a correlação entre duas funções (também chamada de correlação cruzada -
cross correlation - XCF)



 É possível mostrar que



 Quando f=g, denomina-se autocorrelação (ACF).
 Também é possível mostrar que a FT da autocorrelação de uma função é seu espectro
de potência |F(u)|
2
f (x, y) g(x, y) = f
*
(o, |)g(x + o, y + |)dod|
÷·

}
÷·

}
{ } { } { }
{ } { } { } ) , ( ) , ( ) , ( ) , (
) , ( ) , ( ) , ( ) , (
*
*
y x g FT y x f FT y x g y x f FT
y x g FT y x f FT y x g y x f FT
o
o
= ×
× =
{ }
2
) ( ) , ( ) , ( u F y x f y x f FT = o
171 S. Paciornik – DEMa PUC-Rio
Visualização Gráfica
 Afinal de contas, o que é uma correlação ?
o
I(o)
o
I(o)k(x+o)
x
I(x)
°
k(x)
- ·
o
k(o)
o
k(- o)
o
k(x+o)
x
<÷ ÷ ÷> + · <÷ ÷ ÷>
o
I(a)k(x+o)
i(x) k(x) = i
*
(o)k(x+o)do
÷·

}
Obs: Note que neste caso o pico
da correlação corresponde a
superposição máxima entre i e k,
referidos à mesma origem.
o
I(o)k(x+o)
x < 0
x = 0 x>0
172 S. Paciornik – DEMa PUC-Rio
Funcionamento da Correlação
 Faixa de Valores
 A correlação é uma medida da
similaridade entre duas imagens.
 Normalmente, seus valores estão entre -1 e
1.
 1 => imagens idênticas
 0 => imagens descorrelatadas
 -1 => uma imagem é o negativo da
outra.
 Analogia com produto escalar
 A correlação é uma soma dos produtos
ponto a ponto entre duas imagens.
 Se cada imagem é tratada como um vetor
de N dimensões onde N é o número total
de pixels da imagem, a correlação
corresponde exatamente ao produto
escalar entre os dois vetores.
f - g = f
i
g
i
i=1
N
¿
Imagem Original
Imagem de
Autocorrelação.
O pico tem valor 1 e
está exatamente sobre
o pixel central da
imagem, indicando
perfeito registro entre
a imagem e ela
mesma.
173 S. Paciornik – DEMa PUC-Rio
Aplicações da Correlação
 Alinhamento entre imagens (Image Register)
 Quando duas ou mais imagens são muito semelhantes, mas podem estar
deslocadas umas em relação às outras, a correlação permite medir o
deslocamento e colocar as imagens em registro.
 Para isso, calcula-se a XCF entre duas imagens e localiza-se o pico de
intensidade. O deslocamento do pico em relação ao centro da imagem
fornece o deslocamento entre as imagens.
 Aplicações
 Ajuste entre ladrilhos de uma imagem em mosaico
 Ajuste entre imagens em uma seqüência tomográfica ou em microscopia
co-localizada.
 Detecção de deslocamento e erros entre objetos em uma linha de
montagem.

174 S. Paciornik – DEMa PUC-Rio
Exemplo: Alinhamento e Comparação
 Comparação entre imagens
numa linha de montagem
para verificar erros.
Calcula-se a correlação entre a
imagem atual e uma referência
Detecta-se o pico de
correlação e determina-se o
vetor de deslocamento em
relação ao centro da imagem
As imagens são colocadas em
registro, transladando a
imagem pelo vetor
determinado
As imagens são subtraídas
Se a diferença for maior do
que um certo limiar,
determina-se um erro.
Imagem de Referência
Imagem de XCF
Máximo da XCF
Centro da Imagem
Imagem de erro, obtida após
alinhamento e subtração
Imagem deslocada
e defeituosa
175 S. Paciornik – DEMa PUC-Rio
“Template Matching”
 “Template Matching”
 A correlação é muito utilizada no
“template matching” , onde se procura
localizar, numa imagem grande, a
ocorrência de objetos semelhantes a uma
imagem pequena, o molde.
 Ao calcular a correlação entre a imagem
grande e o molde, as posições nas quais
a imagem grande se assemelha ao molde
terão alto valor da correlação.
 Desta forma, uma busca de extremos na
imagem da correlação fornecerá as
posições, e o valor dos extremos
fornecerá o grau de semelhança.
 Este procedimento pode ser realizado no
domínio das freqüências ou do espaço.
 Quando o template é grande, o cálculo
no domínio das freqüências é mais
veloz.
 Caso haja necessidade de normalizar os
valores para permitir comparação entre
diferentes imagens, só é possível realizar
o cálculo no domínio espacial.
 Exemplo: Reconhecimento de letras
Imagem Original Correlação com retângulo vermelho
Correlação >=0.80
Correlação >=0.96 Correlação >=0.88
Note a detecção das letras “E”,
“É” (E com acento) e “F”, em
função do limiar de correlação
utilizado.
Esta técnica não apresenta
boa performance no
reconhecimento de caracteres.
176 S. Paciornik – DEMa PUC-Rio
 Normalização
 Se a intenção é comparar diversas imagens com uma imagem de referência, e se as
diversas imagens podem ter faixas distintas de intensidade, é necessário normalizar os
dados para permitir uma comparação quantitativa. Para isso define-se o coeficiente de
correlação normalizado




 onde
i e t são a imagem e o template, respectivamente
t é o valor médio do template
i é o valor médio da parcela da imagem que
coincide com o template a cada instante do processo
os somátorios atuam sobre as coordenadas comuns
a i e t.
 CCC não pode ser obtido no domínio de Fourier
Coeficiente de Correlação
CCC(r, s) =
i(x, y) ÷ i (x, y)
| |
· t(x ÷ r, y ÷ s) ÷ t
| |
y
¿
x
¿
i(x, y) ÷ i (x, y)
| |
2
· t(x ÷ r, y ÷ s) ÷ t
| |
2
y
¿
x
¿
y
¿
x
¿
(r,s)
i(x,y)
t(x-r,y-s)
x
y
177 S. Paciornik – DEMa PUC-Rio
Exemplo Interessante
 Reconhecimento de Padrões
 Em imagens obtidas por HRTEM - High
Resolution Transmission Electron
Microscopy, surgem padrões formados
pela distribuição espacial organizada dos
átomos do material. Estas unidades
estruturais (UE’s) são importantes na
caracterização do material a nível
microscópico.
 A técnica de Template Matching pode ser
usada com sucesso neste caso.
 A partir de uma UE identificada pelo
operador, é possível localizar as
ocorrências de outras unidades
semelhantes.
 O valor de CCC para cada UE localizada, é
uma medida de similaridade.
 Diversas UE’s podem ser extraídas e
somadas, melhorando a relação sinal ruído.
Imagem de uma fronteira de grão em TiO
2
com uma
UE assinalada.
Imagem de CCC mostrando o centro de UE’s semelhantes.
Original Média
Somando as várias unidades obtém-se uma redução do ruído.
178 S. Paciornik – DEMa PUC-Rio
A Transformada Rápida de Fourier
 Um algoritmo Eficiente para o Cálculo da DFT
 Relembrando a expressão para a DFT em 1D



 O número de operações (
*
,+) é proporcional a N
2

Para cada um dos N valores de u, realiza-se N multiplicações de f(x) pela exponencial e N-1
adições dos resultados. Ou seja para cada u temos O(N) operações.
Ao total teremos NxO(N) = O(N
2
) para 1D
Os termos internos da exponencial podem ser calculados apenas uma vez e armazenados
numa tabela. Por isso eles não são incluídos no cálculo do número de operações.
 A Fast Fourier Transform reduz o número de operações para O(Nlog
2
N) em 1D
 O ganho computacional é enorme
 Para uma imagem 512x512 o ganho é de cerca de 30000 vezes.
 Se o tempo da FFT é de 5 segundos o dá DFT seria de cerca de 40 horas.
F(u) =
1
N
f ( x) exp
÷i2tux
N

¸

(
¸
(
x =0
N÷1
¿
179 S. Paciornik – DEMa PUC-Rio
F(u) =
1
2
1
M
f (2x)W
M
ux
x=0
M÷1
¿
+
1
M
f (2x +1)W
M
ux
W
2M
u
x=0
M÷1
¿

¸

(
¸
(
{

{

F
par
(u) F
ímpar
(u)
(5)
O algoritmo da FFT
 O algoritmo da FFT
 Vamos escrever F(u) na forma

 onde
 e N é uma potência de 2 ou seja N=2
n
. Assim N pode ser escrito também como N=2M.
Substituindo na expressão original teremos



 Da definição de W é fácil ver que
 Assim a expressão acima pode ser reescrita como
F(u) =
1
N
f (x)W
N
ux
x=0
N÷1
¿
(1)
W
N
= exp
÷i2t
N
| |
(2)
(3)
(4)
F(u) =
1
2M
f ( x)W
2M
ux
x=0
2M÷1
¿
=
=
1
2
1
M
f (2x)W
2M
u(2x)
x=0
M÷1
¿
+
1
M
f (2x +1)W
2M
u(2x+1)
x=0
M÷1
¿

¸

(
¸
(
F(u) =
1
2M
f ( x)W
2M
ux
x=0
2M÷1
¿
=
=
1
2
1
M
f (2x)W
2M
u(2x)
x=0
M÷1
¿
+
1
M
f (2x +1)W
2M
u(2x+1)
x=0
M÷1
¿

¸

(
¸
(
W
2M
2ux
= W
M
ux
180 S. Paciornik – DEMa PUC-Rio


 Assim

 Mas como
 podemos escrever


 Estas expressões indicam que para calcular uma transformada de N pontos, podemos
dividir o cálculo em duas metades conforme indicado em (8) e (10).
 A primeira metade (8) requer duas transformadas com N/2 pontos cada (6 e 7). Os
valores são então substituídos em (8) para obter a primeira metade de F(u) para
u=0,1,..,(N/2-1).
 A segunda metade é obtida de (10) sem novo cálculo de transformada.
O algoritmo da FFT (cont.)
F(u) =
1
2
F
par
(u) + F
ímpar
(u)W
2M
u
| |
W
M
u+M
= W
M
u
W
2M
u+M
= ÷W
2M
u
F(u + M) =
1
2
F
par
(u) ÷ F
ímpar
(u)W
2M
u
| |
(8)
(9)
(10)
F
par
(u) =
1
M
f (2x)W
M
ux
x=0
M÷1
¿
F
ímpar
(u) =
1
M
f (2x +1)W
M
ux
x=0
M÷1
¿ (6,7)
181 S. Paciornik – DEMa PUC-Rio
Número de Operações
 Número de operações de adição (a) e Multiplicação (m)
 Supondo primeiro apenas dois pontos N=2 => n=1 =>M=1
Queremos obter F(0) e F(1).
F(0) é obtido a partir de (6) e (7) e depois (8)







F(1) é obtido apenas de (10) já que (6) e (7) já foram calculadas. Isto implica em mais uma
subtração (equivalente a adição).
Desta forma m(1)=1 e a(1)=2
F
par
(0) =
1
M
f (2x)W
M
0
x=0
M÷1
¿
=
1
1
f (2x).1
x =0
0
¿
= f (0)
F
ímpar
(0) =
1
M
f (2x +1)W
M
0
x =0
M÷1
¿
=
1
1
f (2x +1).1
x =0
0
¿
= f (1)
F(0) =
1
2
F
par
(0) + F
ímpar
(0)W
2
0
| |
m=1, a=1
n=0, a=0
182 S. Paciornik – DEMa PUC-Rio
Número de Operações (cont.)
 Supondo agora quatro pontos N=4 => n=2 =>M=2
Queremos obter F(0), F(1), F(2) e F(3).
F(0) e F(1) são obtidas a partir de (6) e (7) com 2 transformadas de 2 pontos, e depois de (8).
Uma transformada de 2 pontos usa m(1) e a(1). Assim precisamos de 2m(1) e 2m(1) para
calcular (6) e (7).
Para calcular (8) para F(0) e F(1) precisamos de mais duas adições e multiplicações.
Para obter F(2) e F(3) basta calcular (10) o que exige mais duas adições.
O número total é m(2) = 2m(1) + 2 e a(2) = 2a(1) + 4
 Para oito pontos N=8 (n=3, M=4) serão necessárias
m(3) = 2m(2) + 4
a(3) = 2a(2) + 8
 A expressão geral define o número de operações de forma recursiva
m(n) = 2m(n-1) + 2
n-1

a(n) = 2a(n-1) + 2
n
 Este é o método da duplicação sucessiva (sucessive doubling alghorithm).
 O método exige que N seja uma potência de 2.
183 S. Paciornik – DEMa PUC-Rio
Complexidade
 Complexidade Computacional
 Vamos mostrar que



 Usando indução, temos que provar a validade para n=1 e, em seguida, supondo a
validade para n mostrar que vale para n+1.
Provando para n=1



Para n+1. Das equações (11) e (12)
m(n) =
1
2
2
n
log
2
2
n
=
1
2
Nlog
2
N =
1
2
Nn
a(n) = 2
n
log
2
2
n
= Nlog
2
N = Nn
m(1) =
1
2
(2)(1) = 1
a(1) = (2)(1) = 2
m(n +1) = 2m(n) + 2
n
=
= 2
1
2
Nn
|
\
|
.
+ 2
n
= 2
1
2
2
n
n
|
\
|
.
+ 2
n
=
= 2
n
n +1 ( ) =
1
2
2
n +1
( )
(n +1)
a(n +1) = 2a(n) + 2
n +1
=
= 2 Nn ( )+ 2
n+1
= 2 2
n
n
( )
+ 2
n+1
=
= 2
n+1
n +1
( )
184 S. Paciornik – DEMa PUC-Rio
Implementação
 Exemplo
 Vamos analisar uma FFT de 8 pontos f(0), f(1), f(2) , f(3) , f(4) , f(5) , f(6) , f(7).
 Para calcular as partes par e ímpar precisamos primeiro separar os pontos de entrada em
dois grupos
f(0), f(2), f(4), f(6) (par) e f(1), f(3), f(5), f(7) (ímpar)
 Estes por sua vez devem ser separados também em suas partes par e ímpar.
 A seqüência completa é a seguinte
f(0) f(1) f(2) f(3) f(4) f(5) f(6) f(7)
f(0) f(2) f(4) f(6) f(1) f(3) f(5) f(7)
f(0) f(4) f(2) f(6) f(1) f(5) f(3) f(7)
f(0) f(4) f(2) f(6) f(1) f(5) f(3) f(7)
Transformadas
de 2 pontos
Transformadas
de 4 pontos
Transformada de 8 pontos
Para executar o algoritmo, os pontos de f(x) devem
ser reordenados antes do cálculo. A reordenação é
trivial se notarmos que a nova posição pode ser
obtida da antiga expressando x em modo binário e
refletindo os bits.
f(0) => 0 0 0 => 0 0 0 => f(0)
f(1) => 0 0 1 => 1 0 0 => f(4)
f(2) => 0 1 0 => 0 1 0 => f(2)
f(3) => 0 1 1 => 1 1 0 => f(6)
f(4) => 1 0 0 => 0 0 1 => f(1)
f(5) => 1 0 1 => 1 0 1 => f(5)
f(6) => 1 1 0 => 0 1 1 => f(3)
f(7) => 1 1 1 => 1 1 1 => f(7)
185 S. Paciornik – DEMa PUC-Rio
A Transformada de Hough
 Conceito
 Assim como a Transformada de Fourier mapeia as freqüências espaciais de uma
imagem em um espaço onde componentes periódicas aparecem como pontos brilhantes,
existem diversas outras transformadas que mapeiam outras características da imagem.
 A Transformada de Hough (TH) tem a propriedade de mapear elementos geométricos
específicos (linhas retas, círculos, etc…) em pontos brilhantes.
 Na sua definição original, e mais simples, a TH é utilizada para identificar linhas retas
em imagens. Esta será a implementação estudada neste curso.
 Aplicações
 A TH é utilizada em diversas áreas tais como
Aerofotogrametria e sensoriamento remoto
• Na identificação de estruturas regulares como estradas, campos de pouso, etc...
Microscopia
• Na identificação de estruturas tais como lamelas, fronteiras de grão, etc...
186 S. Paciornik – DEMa PUC-Rio
 A equação da reta e sua “transformada”
 Considere a equação da reta que passa pelo ponto (x
i
,y
i
)

 Infinitas retas podem passar pelo ponto (x
i
,y
i
) mas se reescrevemos a equação

encontramos a equação de uma reta no espaço de parâmetros definido por a e b.
 Um segundo ponto (x
j
,y
j
) também terá uma reta correspondente no plano ab. A
intersecção entre estas duas retas corresponde a um ponto no plano ab. As coordenadas
deste ponto, (a’, b’), correspondem ao coeficiente angular e linear da reta que une (x
i
,y
i
)
e (x
j
,y
j
) no espaço real. Cada ponto da reta no espaço (x,y) gerará uma reta no espaço
de parâmetros, e todas estas retas passam pelo mesmo ponto (a’, b’).
Mapeando Retas em Pontos
y
i
= ax
i
+ b
b = ÷x
i
a+ y
i
x
y
x
i
x
j

y
i

y
j

a
b
a’
b’
b = ÷x
i
a+ y
i
b = ÷x
j
a + y
j
187 S. Paciornik – DEMa PUC-Rio
 A representação normal de uma reta
 A utilização da equação y=ax + b não é
adequada porque os valores de a e b
tendem a infinito para retas verticais.
 Sendo assim, prefere-se utilizar a
representação normal de uma reta dada
por


 Neste caso obtém-se a TH no espaço de
parâmetros µ, u.
 Agora, cada ponto (x,y) será mapeado
como uma função senoidal no espaço de
Hough.
 Um conjunto de pontos colineares no
espaço real irá gerar um conjunto de
senóides no espaço de Hough.
 Estas senóides terão um ponto de
intersecção que identifica a presença da
reta que une estes pontos no espaço real.
Um mapeamento melhor
xcosu + ysinu = µ
188 S. Paciornik – DEMa PUC-Rio
 Transformada de Hough de pontos em um quadrado (G&W pg.437)










 Cada ponto indicado é mapeado como uma senóide.
 A intersecção de senóides indica a colinearidade de pontos na imagem original.
Ex: Ponto A, corresponde à diagonal que une 2, 3 e 4 => µ = L√2/2 e u = 45
o

O ponto 1 tem µ = 0, o que implica numa senóide de amplitude zero.
Um exemplo simples
1 2
4 5
3
L
L
-√2L
√2L
u
0
-90 +90
µ 0
1
4
3
2
5
A
-L
L
u = 45
o
189 S. Paciornik – DEMa PUC-Rio
Exemplo mais completo
 Considere a figura abaixo e sua TH
TH
TH Inversa a partir
dos 8 pontos mais
brilhantes da TH
190 S. Paciornik – DEMa PUC-Rio
Segmentação usando a TH
 Exemplo (G&W pg. 439)
Identificação
da pista de
pouso obtida a
partir dos três
pontos mais
brilhantes da
TH.
Imagem
original de
um hangar e
uma pista de
pouso.
Imagem de
bordas,
mostrando
apenas os
pontos de
maior
gradiente.
http://www.dai.ed.ac.uk/HIPR2/hough.htm
TH da Imagem
de bordas. Note
os pontos
brilhantes
relativos às
linhas retas na
imagem
original
191 S. Paciornik – DEMa PUC-Rio
Segmentação usando a TH
Imagem Original Detecção de bordas
TH com seleção de pontos correspondentes
a retas verticais e alongadas
Retas identificadas Retas sobrepostas à imagem original
192 S. Paciornik – DEMa PUC-Rio
Exemplo: Morfometria de Neurônios
Imagem Original Redução de ruído: mediana 3x3
1 2
193 S. Paciornik – DEMa PUC-Rio
Segmentação Adaptativa (invertida)
Scrap de 10 pixels: elimina pequenos buracos
Exemplo (cont.)
3 4
194 S. Paciornik – DEMa PUC-Rio
Inversão (NOT)
Abertura para quebrar estruturas
finas e irregulares
5 6
Exemplo (cont.)
195 S. Paciornik – DEMa PUC-Rio
Novo scrap para limpar o fundo Preenchimento das fibras
7 8
Exemplo (cont.)
196 S. Paciornik – DEMa PUC-Rio
Identificação dos núcleos
Eliminação de núcleos com forma irregular
9 10
Exemplo (cont.)
197 S. Paciornik – DEMa PUC-Rio
Dilatação derradeira para definir
fronteiras entre as fibras
Separação das fibras: 11 XOR 7
11 12
Exemplo (cont.)
198 S. Paciornik – DEMa PUC-Rio
Bordas sobrepostas Neurônios classificados por espessura
13
Exemplo (cont.)