antonino

Transformações de Intensidade (Histogramas)

Por
programador
1.1.2.4 – Redes Neurais – Visao Computacional
1.1.2.4.0 – Processamento de Imagens (Pre-processamento)
1.1.2.4.0.2 – Transformacoes de Intensidade (Histogramas)
LEGENDA
Principal
Ramo
Metodo
Problemas
Modelo
Arquitetura

As transformações de intensidade operam diretamente sobre cada pixel individual. Elas são as técnicas mais simples de processamento de imagens. Uma função de mapeamento (T) relaciona a entrada e a saída. Por exemplo, podemos inverter os níveis de cinza. Isto produz o negativo fotográfico da imagem. Por outro lado, podemos comprimir ou expandir a faixa dinâmica. O histograma é uma ferramenta essencial para estas decisões. Ele mostra a distribuição estatística dos níveis de intensidade. Portanto, analisar o histograma guia a escolha da transformação ideal.

equalização de histograma (histogram equalization)

A equalização de histograma é uma técnica totalmente automática. Ela espalha os níveis de intensidade mais frequentes. O objetivo é produzir um histograma uniforme. Consequentemente, o contraste da imagem é maximizado. Este método é ideal para imagens com baixo contraste. Por exemplo, fotos subexpostas ou superexpostas se beneficiam muito. A transformação utiliza a função de distribuição acumulada (CDF). O resultado é uma imagem com tons de cinza mais equilibrados. Contudo, a equalização pode amplificar ruídos indesejáveis. Ela também pode criar uma aparência artificial em algumas imagens.

especificação de histograma (histogram matching)

Às vezes, desejamos que a imagem tenha um formato específico de histograma. A especificação de histograma atende a esta necessidade. Primeiro, equalizamos a imagem original. Em seguida, calculamos a transformação inversa para o histograma desejado. Este processo é chamado de “matching” ou casamento de histogramas. Por exemplo, podemos padronizar a iluminação de várias fotos do mesmo objeto. Isto é útil em sistemas de inspeção industrial automatizados. Outra aplicação comum é na área médica. Médicos podem preferir um padrão visual consistente entre exames. Portanto, a especificação oferece controle total sobre o resultado final.

transformações de potência e logarítmicas

As transformações de potência (gama) são extremamente versáteis. Elas têm a forma s = c * r^γ. Valores de γ menores que 1 clareiam as áreas escuras. Valores de γ maiores que 1 escurecem as áreas claras. A correção gama é vital para calibrar monitores. Por outro lado, a transformação logarítmica comprime a faixa dinâmica. Ela expande os valores escuros e comprime os claros. Por exemplo, usa-se o log para visualizar o espectro de Fourier. Os valores do espectro podem variar na casa dos milhões. O log torna estas variações visíveis ao olho humano. Ambas as técnicas são frequentemente aplicadas em imagens científicas.

Filtros Espaciais (Convolução)

Por
programador
1.1.2.4 – Redes Neurais – Visao Computacional
1.1.2.4.0 – Processamento de Imagens (Pre-processamento)
1.1.2.4.0.1 – Filtros Espaciais (Convolução)
LEGENDA
Principal
Ramo
Metodo
Problemas
Modelo
Arquitetura

A filtragem espacial é uma ferramenta fundamental no processamento de imagens. Basicamente, ela modifica o valor de cada pixel. Esta modificação considera os valores dos seus vizinhos. Um pequeno arranjo de números, chamado kernel, controla esta operação. O kernel desliza por toda a imagem. A cada posição, calcula-se a soma dos produtos ponderados. Este processo é chamado de convolução. Por exemplo, um kernel pode suavizar ou realçar bordas. A escolha do kernel determina o efeito final na imagem. Portanto, a filtragem espacial é extremamente versátil.

suavização com filtros passa-baixas (lowpass filters)

Filtros passa-baixas atenuam as altas frequências da imagem. Altas frequências correspondem a bordas e ruídos. Consequentemente, estes filtros suavizam e desfocam a imagem. O filtro da média (box filter) é o exemplo mais simples. Ele substitui cada pixel pela média da vizinhança. Outro exemplo poderoso é o filtro Gaussiano. Ele utiliza uma função Gaussiana para ponderar os vizinhos. Os pesos diminuem suavemente com a distância ao centro. Por exemplo, usa-se suavização para reduzir ruído antes da detecção de bordas. Ademais, ela é útil para eliminar detalhes pequenos e irrelevantes. Contudo, a suavização excessiva borra características importantes da imagem.

aguçamento com filtros passa-altas (highpass filters)

Filtros passa-altas fazem exatamente o oposto da suavização. Eles realçam as altas frequências da imagem. Portanto, bordas e detalhes finos tornam-se mais nítidos. O filtro Laplaciano é um exemplo clássico. Ele aproxima a segunda derivada da imagem. Este filtro realça descontinuidades e cria um duplo contorno. A técnica de máscara de desfoque (unsharp masking) é outra abordagem popular. Primeiro, borra-se a imagem original. Em seguida, subtrai-se o borrado do original. Finalmente, adiciona-se esta diferença de volta à imagem. Por exemplo, utiliza-se aguçamento para melhorar a definição de imagens médicas. Contudo, ele também pode amplificar ruídos presentes na imagem.

filtros de mediana e outros filtros não-lineares

Filtros lineares, como a média, são baseados em soma de produtos. Contudo, eles não são ideais para todos os tipos de ruído. O filtro de mediana é um filtro não-linear muito eficaz. Ele substitui o pixel central pelo valor mediano da vizinhança. Diferentemente da média, a mediana preserva bordas enquanto remove ruído. Este filtro é excelente contra ruído do tipo “sal e pimenta”. Os pixels isolados e extremamente claros ou escuros são eliminados. Outros filtros não-lineares incluem o máximo e o mínimo. O filtro máximo dilata regiões claras, enquanto o mínimo escurece. Por exemplo, a mediana é frequentemente aplicada em imagens de documentos digitalizados. Ela remove pequenas manchas sem destruir o texto.