Python

Bem-vindo à categoria Python. Aqui, abordaremos tópicos do básico ao avançado e exploraremos sua vasta biblioteca.

Descritores Manuais (Engineered Features)

Por
programador
1.1.2.4.1 – Extração de Caracteristicas (Feature Extraction)
1.1.2.4.1.1 – Descritores Manuais (Engineered Features)
1.1.2.4.1.1.1 – SIFT (Scale-Invariant Feature Transform)
1.1.2.4.1.1.2 – MSER (Maximally Stable Extremal Regions)
1.1.2.4.1.1.3 – Harris-Stephens Corner Detector
LEGENDA
Principal
Ramo
Metodo
Problemas
Modelo
Arquitetura

Primeiramente, descritores manuais são características projetadas por especialistas humanos. Diferentemente do aprendizado profundo, elas não surgem automaticamente. O engenheiro define quais atributos da imagem importam. Por exemplo, bordas, cantos ou texturas servem como atributos. Estes atributos então se convertem em vetores numéricos. Consequentemente, um classificador simples pode utilizá-los. A grande vantagem reside na interpretabilidade e no controle total. Contudo, projetar bons descritores exige profundo conhecimento do domínio. Portanto, eles funcionam melhor em problemas bem compreendidos e controlados.

detectores de ponto de interesse (harris, sift, mser)

Detectores de ponto de interesse localizam características únicas na imagem. O detector de cantos Harris-Stephens representa um método clássico. Ele identifica regiões com mudança intensa em todas as direções. Por outro lado, o SIFT (Scale-Invariant Feature Transform) oferece mais robustez. Ele detecta pontos invariantes à escala e à rotação. O SIFT também gera descritores locais altamente discriminantes. O MSER (Maximally Stable Extremal Regions) detecta regiões do tipo blob. Ele se destaca para encontrar áreas com propriedades de intensidade consistentes. Por exemplo, usamos SIFT para casar imagens de um panorama. Estes descritores aparecem frequentemente em sistemas de tracking visual.

descritores de forma (fourier, momentos invariantes)

Descritores de forma capturam a geometria do contorno ou da região. Os descritores de Fourier representam o contorno como uma série de senos e cossenos. Poucos coeficientes de Fourier descrevem formas complexas de forma eficiente. Os momentos invariantes de Hu oferecem outra ferramenta poderosa. Eles mantêm invariância à translação, rotação e escala. Por exemplo, estes momentos diferenciam um triângulo de um quadrado. O número de Euler representa um descritor topológico simples. Ele conta componentes conectados menos os buracos. Portanto, a escolha do descritor depende da forma de interesse. Ambos se mostram úteis em inspeção industrial e reconhecimento de caracteres.

descritores de textura (glcm, histogramas de gradientes)

A textura descreve a variação espacial dos níveis de cinza. A matriz de co-ocorrência (GLCM) representa um descritor estatístico clássico. Ela conta quantas vezes pares de intensidades ocorrem juntos. A partir da GLCM, calculamos contraste, homogeneidade e energia. O HOG (Histogram of Oriented Gradients) representa outro descritor famoso. Ele conta a ocorrência de orientações de gradiente em regiões locais. Por exemplo, o HOG se destaca na detecção de pedestres. Descritores de textura são amplamente usados em imagens de sensoriamento remoto. Eles ajudam a diferenciar floresta de área urbana. Consequentemente, a análise de textura desempenha papel fundamental na medicina e na agricultura de precisão.

Restauração de Imagens (Filtragem de Ruído)

Por
1.1.2.4 – Redes Neurais – Visao Computacional
1.1.2.4.0 – Processamento de Imagens (Pre-processamento)
1.1.2.4.0.3 – Restauracao de Imagens (Filtragem de Ruido)
LEGENDA
Principal
Ramo
Metodo
Problemas
Modelo
Arquitetura

Restauração de Imagens: Recuperando a informação perdida

Primeiramente, a restauração de imagens é um processo objetivo e modelado. Diferentemente do realce, ela usa conhecimento prévio da degradação. Ruídos podem surgir durante a aquisição ou transmissão da imagem. Assim, o objetivo da restauração é recuperar a imagem original. Um modelo matemático descreve como a degradação ocorreu. Por exemplo, pode ser um desfoque ou ruído aditivo. Com este modelo, aplicamos o processo inverso. Consequentemente, a imagem é restaurada com base em critérios quantitativos. Portanto, este capítulo foca em técnicas lineares de restauração.

filtros espaciais para redução de ruído (mean filters)

Em primeiro lugar, filtros de média são uma solução simples e eficaz. O filtro da média aritmética suaviza a imagem. Ele substitui cada pixel pela média de sua vizinhança. Dessa forma, este método reduz ruídos gaussianos de forma eficiente. Contudo, ele também borra as bordas dos objetos. Por outro lado, o filtro da média geométrica preserva mais detalhes. Além disso, o filtro da média harmônica funciona bem contra ruído sal. Já o filtro contra-harmônico ataca ruído sal e pimenta. Um valor positivo de Q elimina ruído pimenta. Em contrapartida, um valor negativo de Q elimina ruído sal. Portanto, a escolha do filtro depende do tipo de ruído.

filtros de mediana e ordem estatística (median filters)

Em primeiro lugar, o filtro de mediana é um filtro não-linear muito popular. Ele substitui o pixel central pelo valor mediano da vizinhança. Por causa disso, este método é excelente contra ruído impulsivo (sal e pimenta). Diferentemente da média, a mediana preserva bordas nítidas. Por exemplo, uma imagem binária com ruído branco é limpa eficazmente. Além disso, o filtro de máximo e o filtro de mínimo são outras opções. O filtro de máximo dilata regiões claras e remove ruído preto. Por outro lado, o filtro de mínimo escurece regiões claras e remove ruído branco. O filtro ponto médio (midpoint) combina máximo e mínimo. Consequentemente, ele é útil para ruídos aleatórios como o gaussiano.

filtragem adaptativa e o filtro de wiener

Primeiramente, filtros adaptativos ajustam seu comportamento localmente. Eles utilizam estatísticas como média e variância da vizinhança. Por exemplo, o filtro adaptativo de redução de ruído preserva bordas. Em regiões de alta variância (bordas), ele altera pouco o pixel. Em contrapartida, em regiões uniformes, ele aplica suavização intensa. O filtro de Wiener é uma abordagem ótima no domínio da frequência. Ele minimiza o erro quadrático médio entre a imagem original e a restaurada. Portanto, o conhecimento da potência do ruído e da imagem é necessário. Quando estas informações não estão disponíveis, usa-se uma aproximação com constante K. Dessa forma, este filtro é superior à filtragem inversa direta.