Visão Computacional Mestrado e Doutorado em Engenharia Elétrica

Apresentação em tema: "Visão Computacional Mestrado e Doutorado em Engenharia Elétrica"— Transcrição da apresentação:

1 Visão Computacional Mestrado e Doutorado em Engenharia Elétrica
Prof. Dr. Paulo Sérgio Rodrigues

2 O que é Visão Computacional?
Estuda e desenvolve um conjunto de métodos e técnicas os quais podem tornar um sistema computacional capaz de interpretar imagens. O que é Visão Computacional?

3 Carro de exploração Lunar
Visão Computacional Alto Nível Baixo Nível Médio Nível Segmentação Reconhecimento Carro de exploração Lunar

4 Nível Baixo Melhoria da qualidade da imagem:
Remoção de ruídos da imagem Melhoria do contraste da imagem Remoção de borrões da câmera Remoção de manchas de movimentos Realce da estrutura Realce das cores Processamento de Imagem é utilizado para melhorar a aparência visual da imagem e/ou realçar as características desejadas Nível Baixo

5 Extração de Regiões que compõem partes de um objeto ou cena
Também podem ser extração de primitivas como curvas, retas, polígonos, elipses, ... Geralmente, as regiões isoladas não fazem nenhum sentido pra quem observa. Nível Médio

6 Nível Alto Técnicas para interpretação de objetos ou cenas
Regiões, em conjunto, passam a fazer sentido Raciocínio cognitivo Inferência de informações Nível Alto

7 Nível Alto Raciocínio cognitivo: Inferência do Contexto para interpretação de objetos ou cenas

8 Técnicas de Baixo nível
Filtro Gaussiano (5x5) Filtro Mediana (5x5) Imagem original Filtro média (5x5) Filtro Mediana (5x5) Filtro média (5x5)

9 Técnicas típicas de Visão de Médio Nível: Detecção de Retas
Transformada de Hough Imagem binária (bordas) Retas detectadas com a Transformada de Hough

10 Análise de Imagens com Base em informações de Cor, Forma ou Textura

11 Técnicas típicas de Visão de Alto Nível: Inferência Baseada em Contexto

12 Técnicas típicas de Visão de Alto Nível: Inferência Baseada em Contexto

13 Técnicas Típicas de Visão de Alto Nível: Inferência de Jogadores em Quadra
Imagem: Janus z Konrad – Boston University Imagem: Boston University

14 Aplicações: Biometria
Reconhecimento de digital Detecção de Faces Imagem: Sony ® e S. Seitz

15 Aplicações: leitor de placas
imagem: S. Seitz

16 Aplicações: Inspeção de Fábrica

17 Aplicações: Veículo Autônomo

18 Sistema CAD (Computer Aided Diagnosis)

19 Extração da Lesão Saída do Ultra-som

20 Sistema CAD com entropia Não-extensiva
Morfologia Segmentação Level Sets

21 Extração de Características
Sistema CAD: Etapas Extração da lesão Área Circularidade Protuberâncias Sombra acústica Reforço acústico Homogeneidade RNA Fuzzy Bayes SVM Classificação Saída do Ultra-som Extração de Características Região da Lesão Maligno Benigno

22 TCCs na área de Visão Computacional desenvolvidos na FEI
Reconhecimento Facial com o Número de Fibonacci (Primeiro Lugar na EXPOCOM 2007)

23 TCCs desenvolvidos na FEI
EVIP” - EXPANSÃO VISUAL DE EXIBIÇÕES EM SUPERFÍCIES PLANAS ( 3 Prêmios EXPOCOM 2008: Melhor Criatividade e Melhor trabalho Científico e Melhor Trabalho Geral)

24 Análise e Visualização de Imagens Médicas: Reconstrução Craniofacial e Previsibilidade de Resultados LNCC • USP-SC • CENPRA • CHSC • INTO Objetivo: Reparar anomalias de crânio e face através da construção automática de próteses

25 Reconstrução Cranio-Facial: Metodologia

26 Caso de Perda de massa óssea frontal

27 Prototipagem: Responsável: USP de São Carlos

28 PRÓTESE CRANIANA MODELOS MÉDICOS 3D: paciente antes de depois da cirurgia

29 PRÓTESE CRANIANA MODELOS MÉDICOS 3D: Momento da Cirurgia de implante da prótese craniana
b c d

30 Instantes da Prototipagem Rápida

31 RECONSTRUÇÃO FACIAL. Caso de Câncer de Mandíbula
RECONSTRUÇÃO FACIAL. Caso de Câncer de Mandíbula. Paciente antes e depois. A foto do meio abaixo (o crânio com meia mandíbula) mostra a construção antes do implante. As duas fotos abaixo mostram a paciente hoje, e as duas acima, a paciente com defeito de frente e de perfil.

32 TCCs desenvolvidos na FEI
MAART

33 Reconhecimento de Logomarcas em Jogos de Futebol
Integrantes: Allan Martins de Paula Felipe Gomes Magarotto Lucas Martins Baia Rozivaldo Zacarias de Jesus Orientador: Paulo Sérgio Silva Rodrigues

34 Motivação Interesse das emissoras de TV;
Software não existe comercialmente; Atualmente o processo é feito manualmente, demandando um total de 18 horas por jogo distribuídas em 5 dias.

35 Objetivo Automatizar um processo e assim, gerar um relatório informando quanto tempo as propagandas que estão ao redor do campo apareceram na transmissão.

36 Definição de tipos de Câmera
Câmera Principal Não-Câmera Principal

37 Setores do Campo

38 Regiões durante a transmissão

39 Metodologia Definição de câmera Frame Principal

40 Definição de câmera-principal
Detecção de Bordas Metodologia

41 Detecção de Bordas Detecção de Linhas Metodologia

42 Metodologia Detecção de Linhas
Definição das Regiões de Interesse (ROI) Metodologia

43 Metodologia Definição da ROI Matching

44 Metodologia Tracking e ROL Arquivo Individual Contabiliza Tempo
Próximo Frame

45 Grandes Desafios Futuros
Visão Computacional Grandes Desafios Futuros

46 Telemedicina

47 Gerenciamento de Grandes Bases de Dados

48 Análise de Imagens em Vídeo

49 Ambientes Virtuais Colaborativos

50 Ambientes Virtuais Colaborativos

51 TV-Digital

52 Bibliotecas MATLAB e OPENCV (Intel)