Computer Vision Melhoramento de Imagens Paulo Sérgio Rodrigues PEL205
Computer Vision Melhoramento no Domínio Espacial Funções para processamento de imagens no domínio espacial podem ser expressadas como:
Computer Vision Melhoramento no Domínio Espacial Alguns tipos de funções para melhoramento de contraste m mais escuro mais claro mais escuro s = T(r) T(r) s = T(r) m mais escuro mais claro mais escuro T(r)
Computer Vision Melhoramento no Domínio Espacial Alguns tipos simples de transformações de intensidade Negativo Stretching Compressão Slicing Uma maneira de realizar algumas dessas operações é através da função de transformação g(x,y) = c f(x,y) y
Computer Vision Melhoramento no Domínio Espacial Alguns tipos simples de funções de transformações de intensidade
Computer Vision Melhoramento no Domínio Espacial A função g = cr y para vários valores de y e c = 1
Computer Vision Melhoramento no Domínio Espacial Resultado em uma imagem de raio-x da espinha dorsal humana para valores de c = 1 e y = 0.6, 0.4 e 0.3, respectivamente original y = 0.6 y = 0.4 y = 0.3
Computer Vision Melhoramento no Domínio Espacial Resultado em uma imagem aérea para valores de c = 1 e y = 3, 4 e 5, respectivamente y = 3.0 y = 5.0 y = 4.0 original
Computer Vision Melhoramento no Domínio Espacial Resultado de stretching Formada função de transformação Resultado do stretching Imagem de baixo contraste Resultado da limiarização
Computer Vision Melhoramento no Domínio Espacial Resultado de transformação de faixa Imagem original Transformaçã o de faixa preservada Resultado da Transformação de faixa constante
Computer Vision Melhoramento no Domínio Espacial Processamento Baseado em Histograma: Equalização O objetivo é usar uma função de transformação que torne o histograma o mais uniforme possível, criando uma imagem com maior contraste. Se usarmos como função de transformação o histograma cumulativo o resultado será uma distribuição mais uniforme (equalizada) Calcular o Histograma original Calcular o Histograma cumulativo Equalizar a imagem com o Histograma cumulativo
Computer Vision Melhoramento no Domínio Espacial Processamento Baseado em Histograma: Equalização onde: p r (r k ) é a probabilidade da intensidade r k n k é o número de ocorrências de r k n é o número total de ocorrências
Computer Vision Melhoramento no Domínio Espacial Processamento Baseado em Histograma: Equalização A função cumulativa é calculada como:
Computer Vision Melhoramento no Domínio Espacial Processamento Baseado em Histograma: Equalização r s
Computer Vision Melhoramento no Domínio Espacial Processamento Baseado em Histograma: Equalização TESTES EM SALA
Computer Vision Melhoramento no Domínio Espacial Equalização Global - Equalização Local original Equalização Global Equalização Local
Computer Vision Melhoramento no Domínio Espacial Melhoramento Local O melhoramento local pode ser conseguido através de uma função de transformação de vizinhança que dependa da média (m) e desvio padrão (σ) das intensidades da vizinhança. A média é uma idéia do brilho local e o desvio padrão nos dá uma idéia do contraste.
Computer Vision Melhoramento no Domínio Espacial Melhoramento Local TESTES EM SALA
Computer Vision Melhoramento no Domínio Espacial Filtragem no Domínio da Fequencia Filtragem no Domínio da Espacial
Computer Vision Melhoramento no Domínio Espacial Filtro da Média: onde w i é a intensidade na vizinhança n em torno de f(x,y) Filtro da Mediana: onde w n/2 é a n/2-ésima intensidade na vizinhança n em torno de f(x,y) Filtro da Maioria: onde w m é a intensidade de maior frequencia na vizinhança n em torno de f(x,y)
Computer Vision Melhoramento no Domínio Espacial original Filtro da média 3 x 3 Filtro da mediana 3 x 3
Computer Vision Melhoramento no Domínio Espacial Filtros Sharpening : Filtro Espacial Passa-Alta
Computer Vision Melhoramento no Domínio Espacial Filtros Sharpening : Filtro Espacial Passa-Alta
Computer Vision Melhoramento no Domínio Espacial Filtragem High-Boost PassaAlta = Original - PassaBaixa High-Boost = (A)(Original) - PassaBaixa = (A-1)(Original) + (Original) - PassaBaixa = (A-1)(Original) + Passa-Alta
Computer Vision Melhoramento no Domínio Espacial Filtragem com função Sigmoid Se as uma escala de reflectância das regiões de interesse são conhecidas, pode-se usar uma função que se adapte aos valores conhecidos para direcionar a suavização. Exemplo: região em torno da mama
Computer Vision Melhoramento no Domínio Espacial Filtragem com função Sigmoid Em caso de tumores de mama, um estudo de tais regiões, produz a seguinte escala:
Computer Vision Melhoramento no Domínio Espacial Filtragem com função Sigmoid Tal escala, pode ser utilizada em uma função sigmoid como a seguinte: onde....
Computer Vision Melhoramento no Domínio Espacial Filtragem com função Sigmoid
Computer Vision Melhoramento no Domínio Espacial TESTES EM SALA
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Melhoramento no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia
Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica Uma imagem pode ser representada através dos componentes de reflectância e luminância: A equação acima não pode ser trabalhada diretamente no domínio da freqüência uma vez que:
Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica Mas supomos que: Então: Ou:
Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica Se processarmos Z(u,v) com um filtro H(u,v): onde S(u,v) é a transformada de Fourier do resultado
Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica No domínio espacial:
Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica Finalmente, uma vez que z(x,y) foi construía como o logaritmo de f(x,y), a inversa de s(x,y) leva ao resultado desejado:
Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica
Computer Vision Filtragem no Domínio da Freqüência Filtragem Homomórfica