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 s = T(r) s = T(r) T(r) mais escuro mais escuro T(r) m mais escuro m mais claro mais escuro mais claro 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 = cry 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 = 0.4 y = 0.6 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 original y = 3.0 y = 4.0 y = 5.0 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 Transformação de faixa constante 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 nk pr (rk ) n 0 rk 1 k 0,1,...,L 1 onde: pr(rk) é a probabilidade da intensidade rk nk é o número de ocorrências de rk n é o número total de ocorrências Computer Vision Melhoramento no Domínio Espacial Processamento Baseado em Histograma: Equalização A função cumulativa é calculada como: k nj j 0 n sk T (rk ) k pr ( r j ) j 0 1 rk T ( sk ) 0 rk , sk 1 k 0,1,......,L 1 Computer Vision Melhoramento no Domínio Espacial Processamento Baseado em Histograma: Equalização ps (s) T 1 (s) pr (r ) r s 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. g ( x, y) A( x, y) f ( x, y) m( x, y) m( x, y) 1 A( x, y) k 0 k 1 ( x, y) Computer Vision Melhoramento no Domínio Espacial Filtragem no Domínio da Fequencia 1 1 1 Filtragem no Domínio da Espacial 0 0 0 Computer Vision Melhoramento no Domínio Espacial Filtro da Média: 1 n f ( x, y ) wi n i 1 onde wi é a intensidade na vizinhança n em torno de f(x,y) Filtro da Mediana: f ( x, y) wn / 2 onde wn/2 é a n/2-ésima intensidade na vizinhança n em torno de f(x,y) Filtro da Maioria: f ( x, y) wm onde wm 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 3x3 Filtro da mediana 3x3 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: 1 ~ I ( Max Min) 1 e I Min onde .... Computer Vision Melhoramento no Domínio Espacial Filtragem com função Sigmoid 1 ~ I ( Max Min) 1 e I Min ~ I é o valorde luminânciasuavizado I é o valorde luminânciaoriginal é a largura da faixa de interesse é o valorem tornodo qual a faixa de interesseestá cent ralizada Max e Min são os valoresmáximoe mínimoda faixa de interesse 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 Filtragem Homomórfica Uma imagem pode ser representada através dos componentes de reflectância e luminância: f ( x, y) i( x, y)r ( x, y) A equação acima não pode ser trabalhada diretamente no domínio da freqüência uma vez que: { f ( x, y)} (i( x, y)){r ( x, y)} Filtragem no Domínio da Frequencia Computer Vision Filtragem Homomórfica Mas supomos que: z ( x, y) ln( f ( x, y)) ln(i( x, y)) ln(r ( x, y)) Então: ( z ( x, y)) (ln( f ( x, y))) (ln(i( x, y))) (ln(r ( x, y))) Ou: Z (u, v) I (u, v) R(u, v) Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica Se processarmos Z(u,v) com um filtro H(u,v): Z (u, v) I (u, v) R(u, v) S (u, v) H (u, v)Z (u, v) S (u, v) H (u, v) I (u, v) H (u, v) R(u, v) onde S(u,v) é a transformada de Fourier do resultado Filtragem no Domínio da Frequencia Computer Vision Filtragem Homomórfica No domínio espacial: 1 {S (u, v)} s( x, y) 1 1 s( x, y) {H (u, v) I (u, v)} {H (u, v) R(u, v)} supondo i ' ( x, y ) 1{H (u , v) I (u , v)} e r ' ( x, y ) 1{H (u , v) R(u , v)} s( x, y) i ( x, y) r ( x, y) ' ' 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: g ( x, y ) e s ( x , y ) i ( x, y ) r ( x, y ) e ' e ' i' ( x, y ) r ' ( x, y ) e Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica Computer Vision Filtragem no Domínio da Frequencia Filtragem Homomórfica Computer Vision Filtragem no Domínio da Freqüência Filtragem Homomórfica