Para Todos os exercícios abaixo, utilize o mesmo framework (que já funciobou!!!) para manipulação de imagens em OpenGL utilizado na aula anterior.

Slides:



Advertisements
Apresentações semelhantes
Introdução ao Processamento de Imagens Digitais
Advertisements

COMPARAÇÃO MÉTODOS DIRETOS E ITERATIVOS
Operações envolvendo imagens
Reconhecimento de Padrões Métodos, Técnicas e Ferramentas para Aprendizado e Classificação de Dados Módulo II Introdução ao Processamento de Imagens.
Recursividade Prof. Alex F. V. Machado
Estruturas de repetição
Segmentação por limiarização (thesholding)
Exemplos de Transformações Radiométricas
Iana Alexandra Alves Rufino
Estrutura e movimento a partir de imagens
Ismael Andrade Pimentel Departamento da Eng. Mec
Parte 3 - Processamentos apenas no espaço das cores
Segmentação de Escrita
Segmentação de Imagens
Exercícios de revisão.
THOBER CORADI DETOFENO, MSC. Aula 07
Visão Computacional – 2010 Aula 0: Introdução
Processamento de Imagens
Lógica de Programação Módulo II
Módulo I 7 – Fluxogramas Programação e Sistemas de Informação.
Construção Web Design Aula 02 – HTML e CSS.
ENGENHARIA DE PRODUÇÃO Disc. : Processos de Fabricação II Prof
Produtora: Viviane Lima
Algoritmos e Estruturas de Dados I – Estruturas de Dados
Formatos de Imagem - PNG
Seminário Introdução à Visão Computacional
Aula prática 8 Ponteiros Monitoria de Introdução à Programação
ENGENHARIA DE PRODUÇÃO Disc. : Processos de Fabricação II Prof
Equalização dos Histogramas em Imagens
Carlos Oliveira Descrição e Objetivo Considerações Etapas consideradas Resultados obtidos Melhoramentos.
Segmentação de Imagens
Fernando Carvalho, João Manuel R. S. Tavares
Adpt. por Prof. Guilherme Amorim
3. Segmentação de Imagens
Sistema de Segurança Baseado em Análise de Imagens
Processamento de Imagens
Algoritmos e Estruturas de Dados I – Recursão
Algoritmos e Estruturas de Dados I – Recursão
1. Planejamento Conteúdo a ser abordado: Energia eletromagnética; Alguns sistemas sensores de imageamento; Fundamentos de PDI; Equalização de histograma;
Revisão Geral Técnicas de Realce Histogramas
Algoritmos e Estruturas de Dados I – Estruturas de Dados
Aula 8. Classificação Não Supervisonada por Regiões
Inteligência Artificial
Programação Funcional
Lógica e Estrutura de Dados Fundamentais Professor: Eduardo O. Teles
Segmentação de Fundo Marcelo Gonella
Algemiro Augusto Professor: Marcelo Gattass
Prof. Edison Oliveira de Jesus
Exercícios - monitoria
Snakes / Contornos Ativos
Seminário Introdução à Visão Computacional - The Cyclops Project - CPGCC - INE -UFSC.
Informática e Computação Aula Estrutura de Repetição
Professor: André L. R. Didier Autor: Francisco Airton
VETORES Roteiro da aula Referência ao Programa: Estrutura de Dados.  Variáveis Compostas homogenias Objetivo: apresentar VETOR.
PIXEL ARTE.
Fundamentos de Programação Aula 4. 2 Conteúdo Estruturas Básicas de Programação –Repetição, laço, loop ou iteração Exercícios.
Manipulação de Imagens em OpenGL
PROCESSAMENTO DIGITAL DE IMAGENS
Linguagem de Programação I Parte IV
Metodologia da Pesquisa em Ensino de Ciências I
UCSal – Bacharelado em Informática Tópicos Especiais em Informática II Profa. Semíramis Assis
VETORES Roteiro da aula Referência ao Programa: Estrutura de Dados.  Variáveis Compostas homogenias Objetivo: apresentar VETOR.
Prof. Edison Oliveira de Jesus
Computação Gráfica - Amostragem Profa. Mercedes Gonzales Márquez.
Métodos de Pesquisa: Sequencial e Binária
Fundamentos da Computação Gráfica PUC-Rio – Pontifícia Universidade Católica do Rio de Janeiro DI – Departamento de Informática Mestrado em Informática.
1Unidade 04 – Estruturas de Repetição Algoritmos e Linguagens de Programação Estruturas de Repetição Prof.: Guilherme Baião S. Silva
Fundamentos de Programação 1 Slides C – Número 4 Prof. SIMÃO Jean Marcelo SIMÃO Estrutura de Dados Homogêneas “vetores de números e de caracteres”
Processamento de Imagens e Computação Gráfica
Aulas Multimídias – Santa Cecília Profª. Neto Alves.
Transcrição da apresentação:

Para Todos os exercícios abaixo, utilize o mesmo framework (que já funciobou!!!) para manipulação de imagens em OpenGL utilizado na aula anterior para conversão em tons de cinza e cálculo das bordas. Existem alguma inagens com baixo contraste que podem ser baixadas na página da disciplina

Exercício 1: Algoritmo de Segmentação Iterativa: // Cálculo da Media Inicial Soma = 0; Total = 0; para cada pixel(x,y) faça val = (r + g + b)/3; Soma = Soma + val; Total = Total + 1; fimpara MediaAtual = Soma/Total;

MadiaAnterior = 0; iterMax = 10; iter = 0; { Enquanto (abs( MediaAtual – MeadiAnterior ) > Limiar) OU (iter < iterMax) { soma1 = 0; total1 = 0; soma2 = 0; tatal2 = 0; para cada pixel(x,y) faça val = (r + g + b)/3; se val < MediaAtual soma1 = soma1 + val; total1 = total1 + 1; senão soma2 = soma2 + val; total2 = total2 + 1; } MediaAnterior = MediaAtual; MediaAtual = ((soma1/total1) + (soma2/total2))/2; iter = iter + 1;

// Segmentação binária para cada pixel(x,y) faça { val = (r + g + b)/3; se val < MediaAtual pixel(x,y) = 0; senão pixel(x,y) = 255; } Desafio!!! Como poderia ser feita uma segmentação não-binária? com 4 ou 8 tons de cinza finais; ao invés de somente 255 ou 0?

Exercício 2: Melhoramento de Imagem (contraste) // defina uma função de melhoramento com C constante entre 0 e 255, e y Real G(x,y) = C * pixel(x,y)^y para cada pixel(x,y) faça val = (r + g + b)/3; NovaImagem(x,y) = floor((C * val ^y) + 0.5); fimpara // Responda: o que acontece com a imagem se C = 1 e y é um valor próximo de zero? // Responda: o que acontece com a imagem se C = 1 e y é um valor próximo maior que 1? // Responda: o que acontece com a imagem se C = 1 e y = 1.0?

Exercício 2: Melhoramento do Contraste baseado em Equalização Histogrâmica // cálculo do histograma // defina um vetor para o histograma float* H = new float[256]; // garante que o histograma não possui resíduos para i=0 até 255 faça H[i] = 0; fim para

total = 0; para cada pixel(x,y) faça val = (r + g + b)/3; H[val] = H[val] + 1; total = total + 1; fimpara // calcula as probabilidades de cada pixel para i=0 até 255 faça H[i] = H[i]/total; fim para Plote o histograma no Excel para observar seu comportamento

// calcula do histograma cumulativo para i=1 até 255 faça H[i] = H[i] + H[i-1]; fim para // aplica a equalização na imagem utilizando o Histograma cumulativo para cada pixel(x,y) faça val = (r+g+b)/3; NovaImagem(x,y) = floor( (H[val] * 255) + 0.5 ); fimpara // cálculo de novo histograma // garante que o histograma não possui resíduos para i=0 até 255 faça H[i] = 0;

total = 0; para cada pixel(x,y) da NovaImagem faça val = (r + g + b)/3; H[val] = H[val] + 1; total = total + 1; fimpara // calcula as probabilidades de cada pixel para i=0 até 255 faça H[i] = H[i]/total; fim para Plote no Exel o novo Histograma e tire suas próprias conclusões a respeito das distribuições histogrâmicas e o constraste da imagem; por que melhorou o contraste?