Transcript material

Processamento de Imagens
SCE 5830
Instituto de Ciências Matemáticas e de
Computação
USP
Tópicos
•
•
•
•
•
Definições vistas na aula passada
Fundamentos
Estudo de Cores
Formatos de arquivos
Etc.
Fundamentos de Visão
Computacional e Processamento
de Imagens
• Computer Imaging: Manipulação de
imagem por computador.
– Aquisição e processamento de informação por
computador.
– Sentido primário: visão
– “Uma imagem vale por mil palavras”
Domício Pinheiro
Agência Estado
Computer Imaging: duas áreas
Manipulação de Imagens por computador
Visão
Computacional
Processamento
de Imagens
Visão X Processamento
“Em aplicações de visão computacional as
imagens processadas (saídas) são usadas
pelo computador. Em processamento de
imagens, são para consumo humano.”
“Historicamente, o processamento de imagens
evoluiu a partir da Eng. Elétrica (proc.
Sinais). Visão computacional foi resultado
dos desenvolvimentos em Ciência da
Computação.”
Visão Computacional (VC)
• Aplicações não requerem pessoas no ciclo
visual, ie, imagens são examinadas e
manipuladas pelo computador.
• O computador é quem usa a informação
visual diretamente
– reconhecimento e inspeção de objetos
– Análise de imagens (Image Analysis).
• Feature extraction
• Pattern Recognition
Aplicações em VC
• Tarefas “tediosas” para seres humanos
– ambiente hostil
– alta taxa de processamento
– acesso e uso de grandes banco de dados
• Encontrados em ambientes variados
– controle de qualidade em sistemas de
manufatura.
Aplicações em VC (cont.)
– Ambiente médico
•
•
•
•
Detecção automática de tumores
sistemas de auxílio a neuro-cirurgias
Identificação de impressões digitais
Identificação de impressão DNA (DNA fingertips)
– Outros
•
•
•
•
Monitoração de rodovias.
Sistemas de defesa (militares).
Visão Robô (vision-guided robot)
Croud control (controle de multidão) em metrô.
Metodologia de reconhecimento
(deve considerar)
• Condicionamento (conditioning) : pré-processamento
• Rotulação (Labeling) : a informação é um conjunto de pixels
conectados. Deteçao bordos, limiarização
• Agrupamento (grouping): segmentação
• Extração (extraction) : lista de propriedades
• Matching (reconhecimento de padrão)
Computer and Robot Vision. Haralick and Shapiro
Processamento de Imagens (PI)
• Aplicações envolvem pessoas no ciclo
visual, ie, as imagens são examinadas e
manipuladas por pessoas.
• Necessidade de conhecimento do modo de
operação do sistema visual humano.
PI: principais tópicos
Restauração (restoration)
Realce (enhancement)
Segmentação
compressão (compression)
Restauração de Imagem
• Processo de recuperação da aparência
original de uma imagem que possui algum
grau conhecido (ou estimado) de
degradação.
• É possível desenvolver um modelo da
distorção se soubermos algo sobre a
degradação
• Modelo degradação: aplica processo inverso
e obtém-se imagem restaurada
Restauração X Realce
• Realce
• Restauração
• Subjetivo
• Objetivo
• Processo heurístico
• Conhecimento a priori
do fenômeno de
degradação
• Alargamento de
contraste, por
exemplo,
• Remoção de
borramento, ao aplicar
uma função de redução
de borramento
(deblurring) é
restauração.
Modelo de Degradação
Restauração: dado g(x,y) + algum conhecimento sobre a
função de degradação H + algum conhecimento sobre o ruído
→ estimar f.
g(x,y) = h(x,y) * f(x,y) + n(x,y)
Restauração
Muitas vezes “ignoramos” H e consideramos o processo de restauração
como algo que lida com degradações em função do ruído apenas.
Neste caso, como devemos proceder a restauração? Observe a equação
do slide anterior? Será que basta subtrairmos o ruído, para obter f ???
Como encontrar H ?

Observação: imagem borrada.. analise uma pequena seção
retangular dela (gs), identificando o que é fundo e o que é
objeto. Para reduzir o ruído, aplique um processo que gere
um resultado menos borrado possível (fs) (como?) → Hs =
gs/fs .
• Experimentação
• Modelamento matemático
Realce de Imagem
• “Melhorar” uma imagem visualmente,
baseado na resposta do sistema visual
humano.
• Solução ótima depende do problema
(problem specific techniques)
• exemplo:
– Expandir o contraste (contrast stretching)
Restauração X Realce
•
Ambos levam à “melhora” na
imagem
“Métodos de restauração procuram modelar a
distorção e aplicar o processo
reverso, enquanto os métodos de
realce utilizam a resposta do
sistema visual humano para
“melhorar” a imagem visualmente.”
Exemplo de Realce de contraste
Típica operação do tipo s = T(r), conhecida como
contrast stretching.
Realce: eliminação de ruído
Compressão de Imagem
• Redução da quantidade expressiva de dados
necessária para representar uma imagem
• Eliminação do que é visualmente
desnecessário
• Imagens apresentam redundância de dados.
• Redução na ordem de 10 a 50 vezes.
(wavelets -> 65 – 80 %)
Compressão de Imagens
• Lossless compression mantém a integridade dos dados,
utilizada para dados gerais e excetuáveis.
• Lossy compression não mantém a integridade dos dados.
As imagens são parecidas mas não idênticas.
Lossless compression
• Compressão similar ao ZIP, ARJ, etc.
• Tipo Run Length Encoding (RLE): .bmp
Compressed data
Expanded data
03 04
05 06
00 03 45 56 67 00
02 78
00 02 05 01
02 78
00 00
09 1E
00 01
04 04 04
06 06 06 06 06
45 56 67
78 78
Move 5 right and 1 down
78 78
End of line
1E 1E 1E 1E 1E 1E 1E 1E 1E
End of RLE bitmap
Lossless compression
P P P P P P P A AAA V V P P P P
P P P P P P P P P P A A V V VVV
Imagem
24 bits
A A V VA AA A A A P P P P P P P
7P 4A 2 V 4P
10P 2A 5V
2A 2V 6A 7P
Operação
reversível
Lossy Compression
FFT
DCT
Sistemas de Imagem por computador
Monitor
Câmera
Impressora
Scanner
Filme
Reprodutor
Vídeo
Sistema de
Computador
Gravador
Vídeo
Digitalização
• Sinal de vídeo analógico é transformado em
sinal digital através da discretização do sinal
contínuo à taxa fixa.
• Esse processo é feito muito rapidamente.
– Câmeras CCD
• O resultado é um vetor bi-dimensional de
dados, onde cada elemento é chamado pixel.
• Isso nos leva a pensar no conceito de
resolução.
Resolução de Imagem
• Resolução de intensidade
– Cada pixel tem uma “profundidade” em bits
para cor ou intensidade
• Resolução Espacial
– Uma imagem tem altura x largura pixeis.
• Resolução Temporal
– Taxa de “refresh” (retraço) do monitor
Digitalização: discretização
• Amostragem (sampling)
– discretização espacial
– Imagens: uma matriz de pontos.
• Quantização (quantization)
– discretização da amplititude
– Imagens: qual a faixa de valores que um ponto
é capaz de armazenar.
Quantization
• Exemplo
– valores de 8 bits para representar voltagens de
0-10 V.
– 8 bits: 256 valores distintos
– 10 V / 256 = 0.039 V !
– 0 V = 00000000
10V = 11111111
– Cada mudança de 0.039, indica um novo
binário.
8 bpp
2 bpp
False
Contour
4 bpp
1 bpp
False
Contour
Como reduzir efeito da
quantização ?
• Halftoning
• Dithering
Halftoning
Halftoning Colorido
Dithering
original
Ruído uniforme
Pixel > padrão: branco
Pixel < padrão: preto
Imagem resultante (binária)
Amostragem (Sampling)
Pixel !
Teorema de Nyquist
De acordo com o Teorema de Nyquist, a quantidade de amostras por unidade de
tempo de um sinal, chamada taxa ou frequência de amostragem, deve ser maior que
o dobro da maior frequência contida no sinal a ser amostrado, para que possa ser
reproduzido integralmente sem erro de aliasing.
Amostragem
Suponha uma
frequência de
amostragem (fam) =
8kHz. A chave se
fecha 8000 vezes por
segundo (125 micro
segundos). Como a
chave se fecha por
um tempo muito
curto, temos pulsos
muito estreitos, com
Amplitude igual ao
valor instantâneo do
sinal (PAM – Pulsos
Modulados em
Amplitude)
Amostragem
Frequencia de amostragem > duas
vezes a freq. do sinal. Ok.. há
amostragem suficiente para que o
sinal seja reproduzido sem
aliasing.
Frequencia de amostragem IGUAL
a duas vezes a freq. do sinal. Não é
possível reproduzir o sinal, pois
PAM = 0. Se houver mudança de
fase, haverá sinal, mas com
amplitude errada (a não ser que
caia no pico da senoide !!) daí
precisar ser MAIOR que o dobro !
Frequência de amostragem
MENOR que duas vezes a freq. do
sinal. Sinal reproduzido está
errado, revelando o efeito de
aliasing.
Problemas amostragem: Aliasing
• Artefatos devido a sub-amostragem ou
reconstrução ruim
– Espacial
– Temporal
Aliasing espacial
Jagged edges: efeito
escada
Aliasing Temporal
Efeitos de: Flickering: Monitor filmado na TV !
Strobing (luz estroboscópica): roda do carro girando
para trás na TV ou
à noite !
t1
t2
strobing
Quantização e Amostragem
• Resolução Espacial
– Define riqueza de detalhes da imagem
• Resolução de Profundidade
– Define riqueza de meios-tons
– Define cores
• Tamanho da Imagem
Processo de Discretização
4x
16x
Processo de Discretização
256 tons de cinza
95
95
150
220
80
90
20
150
80
90
100
160
80
105
130
150
640h x 480v em 256 cores
320h x 240v em 256 cores
160h x 120v em 256 cores
80h x 60v em 256 cores
40h x 30v em 256 cores
640h x 480v em 256 tons de cinza
640h x 480v em 8 tons de cinza
640h x 480v - imagem binária
Resolução Espacial
•
20km/pixel
10km/pixel
1 cm = 192 pixels, ou seja, 488 dpi
Resolução em Profundidade
8 bits
24 bits
2 bits
Representação de Imagem
• imagem = função bidimensional da
intensidade de luz recebida
• I = f(x,y), taxa de nível de cinza
proporcional ao brilho da imagem
• Binárias (0 - Preto, 1 - Branco)
• Grey-scale (monocromáticas, one-colour)
• Coloridas, pseudo-colours...
Propriedades de uma imagem
• Vizinhança
– 4-vizinhança: um pixel p tem 4 vizinhos
• dois horizontais e dois verticais
N4(p)
– 8-vizinhança: N8(p) = N4(p)  Nd(p), onde
Nd(p) é o conjunto dos pixels na diagonal.
Propriedades de uma imagem
• Conectividade
– dois pixels estão conectados se são adjacentes
segundo algum critério de vizinhança e se seus
níveis de cinza satisfazem um critério de
similaridade.
• 4-conectado: p e q são similares e q  N4(p)
• 8-conectado: p e q são similares e q  N8(p)
Propriedades: distâncias
• Sejam os pixels p = (x,y), q = (s,t), z = (u,v). Uma
função de distância D tem as propriedades:
– D(p,q)  0 (D(p,q) = 0, se e somente se p = q)
– D(p,q) = D(q,p)
– D(p,z)  D(p,q) + D(q,z)
– Distância Euclidiana D(p,q) = sqrt [(x-s)2+(y-t)2]
– Distância D4 (city-block): D(p,q) = |x-s| + |y-t|
– Distância D8 (Tabuleiro de xadrez)
• D(p,q) = max(|x-s|,|y-t|)
Operações aritméticas e lógicas
• Adição: g = p+q (overflow ?)
• Subtração: g = p-q (underflow)
• Correção por
– corrigir escala: g = 255 * (f - fmin) / (fmax-fmin)
– Truncamento: valor máx = 255 e valor min = 0
Operações lógicas
•
•
•
•
AND
OR
XOR
NOT
– simples e bastante utilizadas.
– http://www.dai.ed.ac.uk/HIPR2/and.htm
Alteração das dimensões
• Scaling
– ampliar ou reduzir a imagem segundo um fator
(igual para horizontal e vertical, ou não)
• Sizing (ou resizing)
– diz-se o novo tamanho da imagem, ao invés de
especificar o fator de ampliação/redução.
Ampliação: zoom in (um pixel, se torna 4)
Redução: zoom out (4 pixels se tornam 1)
Transformações geométricas
• Seja o pixel de coordenada (x,y)
– Translação: (x’,y’) = (x+x, y + y)
– Rotação : x’ = x cos () + y sen ()
y’ = y cos () - x sen ()
– Espelhamento (flip): reflexão.
– Warping: projeção afim conforme um dado
template ou imagem...
• http://www.dai.ed.ac.uk/HIPR2/reflect.htm
Crop, cut e paste
• Cropping: selecionar porção de uma
imagem (rubberband)
Percepção Visual Humana
• Envolve componentes fisiológicos e
psicológicos
• Por que estudá-lo?
– Projetar algoritmos de compressão (reduzir qtd
de informação, retendo informação visual)
– algoritmos de realce de imagem (sabendo-se
como funciona o sistema visual, pode-se
aplicar técnicas que melhorem as imagens).
Sistema visual humano
• Energia luminosa focalizada pelas lentes do
olho nos sensores da retina
• Estes sensores respondem à energia
luminosa por uma reação eletro-química
que envia um sinal elétrico ao cérebro
através do nervo óptico
• o cérebro usa esses sinais para criar padrões
neurológicos que percebemos como
imagens.
Cores
• Pode ser um poderoso descritor das
propriedades de um objeto -> segmentação
• Humanos podem distinguir uma ampla
variedade de nuances de cores (centenas de
milhares), enquanto que poucos tons de
cinza são perceptíveis (cerca de 100)
• full colour ou pseudo-cor
Percepção de Cores
• Fenômeno físico-psicológico
• 1666
– Isaac Newton e o prisma de cores
– Do violeta (+curta) ao vermelho (+ comprida) :
violeta, azul, verde, amarelo, laranja, vermelho
O que é cor
• Luz refletida pelo objeto
• Ondas eletromagnéticas: 400 – 700 nm
• Corpo que reflete luz relativamente
balanceada em todos os comprimentos de
onda visível “parece” branco ao observador
O que é cor ?
• Cor depende primariamente das propriedades
de reflexão de um objeto. Vemos os raios que
são refletidos, enquanto outros são absorvidos.
• Deve-se considerar a cor da fonte de luz
também e a natureza da visão humana.
• Um objeto que reflete tanto vermelho quanto verde
vai se revelar verde quando houver luz verde, mas
nenhuma luz vermelha o iluminando. Ou vai
aparecer vermelho, na ausência de luz verde.
• Sob luz branca pura, ele se mostrará amarelo (=
vermelho+verde).
Luz “Visível”
Ondas de 380 - 825 nanômetros
– 10-9: milionésimo do milímetro
– resposta mínima acima de 700...
Dividas em três bandas
– Azul (400 - 500 nm)
– Verde (500-600 nm)
– Vermelho (600-700 nm)
Espectro eletromagnético
10
24
10
22
10
20
10
16
Ultra
violeta
10
14
10
Near
InfraVerm
6
10
4
10
MicroOndas
Radio
Raios Gama
Visível
Raios X
10
-16
10
violeta
400
IV
-10
10
Azul
Verde
500
Amarelo
-2
Laranja
600
Comprimento em Nanômetros
10
1
Vermelho
700
6
2
Luz Acromática
•
•
•
•
Ausência de cor
Único atributo: intensidade
Brilho ou nível de cinza ou intensidade
Nível de cinza: medida escalar de
intensidade que vai do preto (0), passa pelos
cinzas, chegando ao branco (1) (ou 0 - 255)
Luz Cromática
• Comprimentos de onda: espectro
eletromagnético de energia entre 400:700
nm (nanômetros)
• Atributos/propriedades importantes
• Luminância
• Radiância
• Brilho
Luz Cromáticas (prop.)
• Radiância
• Quantidade total de energia que flui da fonte de luz. Medida em
Watts (W)
• Luminância:
• Quantidade de energia que um observador percebe a respeito da
fonte de energia. Exemplo: luz emitida em infra-vermelho com
bastante energia (radiância) é dificilmente notada por um
observador humano (baixa luminância). Medida em Lúmens
(lm)
• Brilho
• Descritor subjetivo, que não é normalmente medido. Análogo a
noção da intensidade em luz acromática, sendo um dos
principais fatores na descrição da sensação de cores.
Outros termos/propriedades
•Matiz
– Três quantidades independentes são usadas para
descrever qualquer cor. O matiz é determinado pelo
comprimento de onda dominante. Cores visíveis estão
entre 400 (violeta) e 700 nm (vermelho)
•Saturação
– Determinada pela pureza da excitação e depende da
quantidade de luz branca misturada ao matiz. Um matiz
puro é totalmente saturado, ou seja, nenhuma luz branca
é misturada.
•Cromaticidade
– Matiz e saturação determinam a cromaticidade para
uma dada cor.
Brilho
• Descritor subjetivo, difícil de se medir
• Devido a sua complexidade, CIE definiu o
conceito de Luminância
• Engloba a noção acromática de intensidade
• Fator chave na sensação de cor
– Ver modelos de cor...
• Deve ser usado em referências não
quantitativas a sensações fisiológicas e
percepção de luz.
Cores segundo olho humano
• Cor: combinação variável das 3 cores
primárias: vermelho, verde e azul.
• Padrao CIE (Comission Internationale de
l´Eclairage): comissão internacional de
iluminação
– Azul: 435.8 nm
– Verde: 546.1 nm
– Vermelho: 700 nm
• Cores de Luz, não cores de pigmento !
Os três tipos de cones
existentes na visão
humana e a
sensibilidade por cada
uma delas. Repare que
absorvemos mais
verde do que as outras
cores !
Diagrama de Cromaticidade do CIE
As cores ao longo da borda
são as cores do espectro de cores
como enxergadas pelo ser humano
Diagrama de Cromaticidade do CIE
Z=1–x-y
Misturando cores: todas as cores
sobre a linha GB podem ser obtidas
pela mistura das cores G e B. Todas
as cores no triângulo RGB podem
ser obtidas pela mistura das cores
R,G e B.
Espaço e modelo de Cores
• O universo de cores que podem ser reproduzidas
por um sistema é chamado de espaço de cores
(colour space ou color gamut)
• Um espaço de cores pode ser definido como uma
representação visual de um modelo de cores
• Modelos de cores: aditivos e subtrativos.
Cores de Luz: adição
• Cores primárias * (R,G,B) são adicionadas,
produzindo as cores secundárias de luz
– Magenta: vermelho + azul
– Cyan (turquesa): verde + azul
– Amarelo: vermelho + verde
• Branco:
– Vermelho + verde + azul
– Uma secundária + sua primária oposta !
* São chamadas primárias porque são cores criadas pela mistura de fontes de luz destas
cores. No caso de uma TV, elementos de fósforos reluzentes.
Cores por adição
Cores por adição: um exemplo típico são os televisores
http://www.mwit.ac.th/~physicslab/applet_01/library/30-7/index.html
Cada tríade de fósforos primários constitui um único pixel no
monitor. A pessoa não vê a tríade, mas a mistura dos três: o pixel !
A manipulação da intensidade com que as três cores são exibidas
(excitação do fósforo) cria o gamut de cores do monitor.
Cores secundárias e primárias
Movendo-se no círculo de uma primária à outra, adiciona-se mais da cor de que se
aproxima e menos da que se distancia. Ao se afastar 180 graus de uma primária, não se
tem nada desta misturada. Esta cor é, por esta razão, chamada de complemento da
primária. Estas cores são também conhecidas como secundárias (ou primárias de
impressão).
Cores de pigmento
• Cor definida como aquela que subtrai ou
absorve uma cor primária de luz e reflete as
outras duas.
• Primárias: Magenta, Cyan e Amarelo
• Preto:
– Combinar as 3 primárias
– Uma secundária + sua primária oposta
http://www.glenbrook.k12.il.us/gbssci/Phys/Class/light/u12l2d.html
Cores por subtração
Quando uma superfície com a
cor Ciano é iluminada com luz
branca, nenhuma luz vermelha é
refletida, ou seja, o pigmento
ciano subtrai a luz vermelha da
luz branca refletida.
Magenta
Cyam (turquesa)
Modelo de cor CMY
Yellow
Cores são geradas subtraindo-se o comprimento da onda dominante da luz branca.
Por isso, a cor resultante corresponde à luz que é refletida. Espaço de cor CMY é
subtrativo.
Impressoras utilizam este sistema
Cor na paleta de um pintor
Perda de luminância.
A cor vai perdendo
seu brilho.
Formação de cores por pigmentação
Modelo de cor RGB
• RGB -> formato baseado na tricromaticidade da
visão humana, onde temos sensores para ondas
curtas (azul), médias(verde) e longas(vermelho).
No modelo RGB a imagem é constituída por 3 planos ou
canais, de 256 níveis de profundidade. Este modelo é
denominado por true color ou 24bits pelos programas
gráficos (Adobe, GIMP, etc.).
Modelo RGB
• Curiosidade: o homem é capaz de discernir até 6
mil cores, o modelo RGB suporta 224, cerca de 16
milhões de cores
• Problemas do Modelo RGB
– Quantidade de memória ocupada
– Nos anos 70 e 80 as placas de vídeo não eram capazes de suportar
grandes volumes de memória.
– Solução, utilização de paletas de cores.
Imagens coloridas
• Modeladas por 3 bandas monocromáticas de
dados
• Cada banda
uma cor.
• Dado
brilho do espectro de cada banda
• 8 bits por banda
24 bpp
• RGB nem sempre é “natural” ao homem.
Modelo RGB
Preto
B (0,0,1)
Cyan
Branco
Magenta
G (0,1,0)
Amarelo
R (1,0,0)
Indexada: Pseudocolor
Indexada: True color: 3 LUT (look up tables)
Modelo Perceptual
A deep, bright orange: um laranja claro e realçado (profundo)
Luminância
Matiz
A cor:
Laranja
Onda
dominante
Alta intensidade: claro
Saturação
Alta saturação:
deep (profundo)
Diluição de luz branca
na cor
RGB (A deep, bright orange): R-245, G-110, B-20
Modelo Perceptual HSV
•H é a cor pura e é expressa em
graus de ângulo onde 0 é a cor
vermelha.
•S é a “pureza da cor”
(saturação) e é medida como a
distância do eixo V
•V é medido ao longo do eixo
do cone hexagonal, onde V=0 é
o preto e V=1 é o branco.
Modelo HSI
•H (matiz) é a cor pura e é
expressa em graus de ângulo
onde 0 é a cor vermelha.
•S é a “pureza da cor”
(saturação). Diluição da cor
pura com o branco
•I (Intensidade ou Brilho) nível
de cinza. Mais intuitivo que
HSV uma vez que o pico da
saturação é representado na
intensidade 0.5 e tem máximo
(1) branco e mínimo (0) em
preto.
Formatos de arquivos para
imagens digitais
• Diversos formatos
– requisitos diferentes, vários tipos de imagens
– razões de mercado
– software proprietário
– falta de coordenação da indústria de imagens
• Computação Gráfica
– imagens bitmap e imagens “vetores” (vector
images)
Formatos
• Bitmap (raster images)
– I(r,c): pixel armazena o valor do brilho.
• Vector images
– representação de linhas, curvas e formas
– armazena os “pontos chaves”
– rendering (renderização)
Imagem Vetorial
• Consiste de uma lista de comandos gráficos, que quando
executados desenham o correspondente à imagem
• As imagens são simples, devido ao seu processo de formação
• Exemplos: Corel Draw (.cdr), Flash, windows metafile
(.wmf)
LEGAL !
• A imagem vetorial é definida através de uma linguagem
gráfica que representa a estrutura do desenho através de
formas geométricas: círculos, pontos, retângulos, triângulos,
linhas, etc.
– ex: desenho abaixo
• circulo (10,10,300, rgb= amarela) (posição, raio, cor)
• box (10,20,287,98, rgb=vermelha)
• box (10,10,200,210,azul)
• triangulo (10,10,40,40, 59,80,rgb=azul)
• text (30,87,tipo de letra, tamanho da letra, “texto que vai
aparecer”, rgb)
LEGAL !
Imagem Mapa de Bits (raster)
• No formato bitmap a matriz que representa a imagem é
armazenada na memória.
•
Este formato é o mais utilizado em processamento de imagens, uma vez que
permite representar “ imagens reais “ ou seja adquiridas por um processo de
digitalização.
• Exemplos: BMP, JPG, TIFF, PCX, GIF, PNG
• De que forma o pixel é armazenado?
– Na memória de vídeo a imagem é representada como uma matriz,
onde cada elemento é um pixel.
• O tamanho das células variam de acordo com a profundidade
e número de cores.
• Ex: uma imagem mapa de bit de 3 x 4 pixels true color
(RGB)
...
...
...
...
IMAGEM AMPLIADA
MATRIZ
255,255,255
0,0,0
0,0,0
0,0,0
255,0,0
0,0,0
0,0,0
255,255,255
255,255,255
0,0,0
0,0,0
0,0,0
Imagens Bitmap
• BIN (raw image, sem cabeçalho)
• PPM (raw data + cabeçalho simples)
– PBM(binário), PGM(grey-scale), PNM
(ambos)
• TIFF (Tagged Image File format) 24 bpp +
compressão (LZW, RLE, JPEG)
• GIF (Graphics Interchange Format) 8 bpp +
compressão LZW.
Imagens Bitmap
• JPEG: Joint Photographic Experts Group
• JFIF: JPEG Interchange Format
– utiliza compressão jpeg
• Sun raster (Sun)
• SGI (Silicon Graphics)
Formato geral de um arquivo de
imagem
Cabeçalho
Paleta
Dados
Imagem indexada de 256 cores
...
...
...
...
IMAGEM AMPLIADA
MATRIZ na memória do computador
PALETA de CORES
255,255,255 255,0,0
0,0,0
1
2
Dados da Imagem
3
1
3
3
3
2 3
3 3
3 3
1 3