IMPA – Instituto de Matemática Pura e Aplicada IMCA – Instituto de Matemática y Ciencias Afines Processamento de Imagens Marcelo Bernardes Vieira http://www.impa.br/~mbvieira/IMCA.
Download ReportTranscript IMPA – Instituto de Matemática Pura e Aplicada IMCA – Instituto de Matemática y Ciencias Afines Processamento de Imagens Marcelo Bernardes Vieira http://www.impa.br/~mbvieira/IMCA.
IMPA – Instituto de Matemática Pura e Aplicada IMCA – Instituto de Matemática y Ciencias Afines
Processamento de Imagens
Marcelo Bernardes Vieira http://www.impa.br/~mbvieira/IMCA
Referências gerais
Computação Gráfica: Imagem Jonas Gomes e Luiz Velho 2a edição – IMPA Digital Image Processing Rafael C. Gonzalez e Richard E. Woods Cursos Fourier transform to Wavelets (Siggraph)
Calendário
29/11: definição Fundamentos de cor Sistemas de cor Imagem digital 30/11: representação Representação de sinais Teoria da amostragem
Calendário
1/12: filtragem Introdução aos filtros digitais Filtragem de imagens 2/12: análise Análise tempo-frequência Transformada de wavelets
Calendário
3/12: teoria da informação Introdução à compressão de imagens Elementos de teoria da informação 6/12: compressão Compressão livre de erro Compressão JPEG, JPEG2000
Calendário
Prof. Luiz Velho 7/12: quantização 8/12: dithering 9/12: composição de imagens 10/12: avaliação
IMPA – Instituto de Matemática Pura e Aplicada IMCA – Instituto de Matemática y Ciencias Afines
Fundamentos de cor
Marcelo Bernardes Vieira
Estudo da cor
Cor é uma manifestação perceptual da luz Processo psicofísico: sensoriamento de sinais eletromagnéticos intermediado pelo sofisticado sistema visual humano.
Estudo da cor Física da cor Modelos matemáticos da cor Representação da cor Codificação da cor
Física da cor
Fótons se deslocam a uma velocidade constante c e a onda associada tem uma freqüência f.
Freqüência e velocidade definem o comprimento de onda : f = c Quando os fótons encontram a retina, impulsos elétricos são gerados que, durante seu caminho até o cérebro, são traduzidos em percepção de cor.
Física da cor
Do ponto de vista perceptual, os diferentes comprimentos de onda estão associados a diferentes cores.
Espectro visível: 380 a 780 nm (10e 9m) Violeta: 380 – 440 nm Azul: 440 – 490 nm Verde: 490 – 565 nm Amarelo: 565 -590 nm Laranja: 590 – 630 nm Vermelho: 630 – 780 nm
Formação da cor
Percepção de processos químicos e físicos diversos. Os processos mais importantes são aditivo, subtrativo e de pigmentação.
Processo aditivo:
Formação da cor
Processo subtrativo: a luz que recebemos é processada por um transparente, ou através de um absorve determinados comprimentos de onda e transmite outros.
filtro , material sólido corante , que
Formação da cor
Formação por pigmentação: quando um raio luminoso atinge partículas chamadas pigmentos , há um efeito de espalhamento com fenômenos sucessivos e simultâneos de reflexão, transmissão e absorção entre os diversos pigmentos.
Modelo de representação da cor
O modelo espacial do sinal de cor associa cada comprimento de onda a uma medida de energia radiante: distribuição espectral.
Luz branca
Fontes de luz
E 100 50
Luz colorida
0 400 500 600 700
(
m
m)
100 E 50 0 400 500
comprimento de onda dominante define a matiz (
hue)
600 700
(
m
m)
E
Fontes de luz
comprimento de onda dominante define a matiz (
hue)
400 500 600 matiz (hue) 700
(
m
m)
E
intensidade define o brilho (
brightness
)
400 500 600 700
(
m
m)
brilho (brightness) E
a concentração no comprimento de onda dominante define a saturação ou pureza
400 500 600 saturação 700
(
m
m)
Objetivo
Definir matematicamente um sistema de amostragem e reconstrução de cor.
Sistema físico de amostragem de cor Consiste de um número finito de sensores s 1 , s 2 , ..., s n = filtros do sinal luminoso.
Cada sensor possui uma resposta espectral s i ( ) Cor resultante: C i = ∫ C( ) S i ( ) d Ideal: C i = ∫ C( ) δ( i ) d Define uma transf. linear: R: є → R n Metamerismo: R(C 1 ) = R(C 2 )
Sistema de reconstrução de cor
Consiste de um número finito de emissores e 1 , e 2 , ..., e n .
Cada sensor gera uma cor com distribuição espectral P i ( ) (primária) forma uma base de um espaço de cor. Processo aditivo: C r ( ) = Σ C k P k ( ) Define uma transf. linear: R: є → Rn Metamerismo: R(C1) = R(C2)
O olho humano
Função de reconstrução de cor
As curvas de resposta espectral de um sistema físico de amostragem são difíceis de se calcular.
Função de reconstrução de cor: T k (C) = ∫ C( ) C k ( ) d = componente da cor associada à primária P k ( )
Representação CIE-RGB
Luz branca: Luz de teste: Luzes primárias: Anteparos 1 =436nm 2 =546nm 3 =700nm
Representação CIE-RGB
C
(
) = r
(
) R + g
()
G + b
()
B 0.4
b
(
) r
(
) g
(
)
0.2
- 0.2
0 400 500
r
(
)
600 700
(m
m
)
Diagrama de cor CIE-RGB
Curva de resposta espectral média Dado um sistema físico de amostragem de cor com sensores s 1 , s 2 , ..., s n essa curva é: V( ) = Σ s i S i ( ) , si são constantes.
Para o olho humano essa curva é chamada de função de eficiência luminosa relativa
Luminância
É a grandeza colorimétrica que corresponde aos termos perceptuais de brilho (emissores) ou luminosidade (refletores) L( ) = k ∫ C( ) V( ) d , k é constante A percepção de cor pelo olho humano é dividida na fase de captação e combinação.
São combinados na forma L-M, H – (L+M), L+M.
O canal B para luminância é desprezível=> Y = R+G Os outros termos (crominância) são (R-G) e (B-Y)
IMPA – Instituto de Matemática Pura e Aplicada IMCA – Instituto de Matemática y Ciencias Afines
Sistemas de cor
Marcelo Bernardes Vieira
Triângulo de Maxwell
Chamamos de plano de crominância ou plano de Maxwell o plano x+y+z =1. (x,y,z) são os componentes de cor de um sistema com três primárias L(s ) = s L( )
Sólido de cor
O conjunto de todas as cores possíveis formam um cone convexo = sólido de cor Combinação convexa de duas distribuições espectrais é uma distribuição espectral Cada distribuição corresponde a um único ponto no espaço de cor O espaço de cor é o conjunto de retas que passam pela origem
Padrão CIE-RGB
L(C) = 0,176R + 0.81G + 0.011B
L(C( )) = Σ a i L(P( ))
Padrão CIE-XYZ Funções de reconstrução XYZ 1) As componentes devem ser positivas 2) Deve-se obter o maior numero possível de cores com coord. nulas 3) Duas primárias devem ter luminância nula
Diagrama de cor CIE-XYZ
Diagrama de cor CIE-XYZ
Cor complementar
Mudança entre sistemas CIE-RGB e CIE-XYZ
Sistemas uniformes
Não uniformidade Sistema de cor Lab • L = Iluminação • a = Conteúdo Vermelho/Verde • b = Conteúdo Amarelo/Azul • Distâncias euclidianas são úteis!
Dispositivos: Sistema de cor do monitor
Sistema de cor mRGB
Sistema de cor CMY/CMYK
Sistemas de vídeo componente
O olho tem menor sensibilidade para detectar cores do que variações de intensidade Utiliza-se uma banda maior para a luminância: Y = 0,299R + 0,587G + 0,116B Os componentes de crominância são representados como: R-Y e B-Y Sistemas baseados em Y, R-Y, B-Y são chamados de vídeo componente.
Sistemas de vídeo digital
O padrão internacional para vídeo digital Y, Cr, Cb é dado pela seguinte transformação de Y, R-Y, B-Y: Y = 16 + 234Y Cr = 128 + 112 (0,5/(1-0,114) * (B-Y)) Cb = 128 + 112 (0,5/(1-0,299) * (R-Y)) Usado nos padrões JPEG e MPEG.
Sistemas de vídeo composto
São sistemas de cor para transmissão de vídeo (NTSC, PAL, etc.).
Os componentes são combinados em um único sinal: O sinal de luminância pode ser utilizado em aparelhos preto e branco As crominâncias podem ser codificada em apenas 5% da banda de passagem sem degradar o sinal de luminância.
Sistema YUV U = 0,493 (B-Y) V = 0,877 (R-Y)
Sistemas de vídeo composto
• Sistema YIQ: IQ é obtido a partir de uma rotação das coordenadas UV • I ocupa uma banda menor
Componentes de uma cor
Modelo HSI
Modelo HSI
Sistemas computacionais
Exemplo: codificação YUV YUV 4:4:4 => 8 bits para cada elemento YUV 4:2:2 => Y1 U1 Y2 V2 Y3 U3 Y4 V4 Reconstrução da sequência: Y1 U1 V1 Y2 U1 V2 ...
IMPA – Instituto de Matemática Pura e Aplicada IMCA – Instituto de Matemática y Ciencias Afines
Imagem digital
Marcelo Bernardes Vieira
Níveis de abstração na representação de uma imagem
Definições
Discretização x reconstrução Discretização é o processo de conversão de um sinal contínuo em uma representação discreta Reconstrução consiste em se obter o sinal contínuo a partir de sua representação Codificação x decodificação Codificação consiste em se obter uma sequência finita de símbolos Decodificação permite obter a representação a partir da sequência de símbolos
Modelos matemáticos de sinais
Um sinal se manifesta pela variação de alguma grandeza física Pode ser em função do tempo (som) ou do espaço (imagem). Ou dos dois (vídeo) Estamos interessados em um modelo funcional no qual um sinal é representado por uma função f: U С
R m → R n
Espaço de sinais: {f: U С R m → R nbb }
Modelos funcionais
O sinal f: U С R m → R n é chamado contínuo. Isso significa somente que o domínio e o contra-domínio são um continuum de números. Mas não que f seja contínua topologicamente.
Representação: discretização do domínio ou contra-domínio de f
Modelos funcionais
Sinal contínuo-contínuo Sinal contínuo-discreto: contra-domínio discretizado (quantização) Sinal discreto-contínuo: domínio discretizado (amostragem) Sinal discreto-discreto: amostrado e quantizado = IMAGEM DIGITAL
Modelos funcionais
Discretização para amostragem consiste em calcular f em um conjunto finito de pontos p 1 , p 2 , ...,p K do conjunto U.
Reconstrução consiste em interpolar os valores f(p 1 ), f(p 2 ), ..., f(p K ) de modo a obter uma aproximação f’ de f Vamos utilizar dois modelos funcionais: Modelo espacial Modelo espectral
Modelo espacial de sinais
O subconjunto U representa a região no espaço na qual varia a grandeza física (Domínio do espaço ou tempo).
Som estéreo: f: U С R → R 2 (unidimensional) U = tempo Imagem: f: U С U = espaço R 2 → R n R n é um espaço de cor (n=1 => monocromática) Vídeo: f: U С R x R 2 → R n (inclui tempo)
Imagem em escala de cinza
Modelo espectral de sinais
O sinal periódico f(t) = a cos(2πω 0 t + φ) no domínio do espaço pode ser representado por F(ω) = { a se ω = ω 0 ; 0 senão Qualquer sinal periódico pode ser definido pelo modelo funcional acima utilizando a série de Fourier: f(t) = ∑ c k e i 2π k ω t onde ω é a frequência fundamental do sinal.
Domínio da frequência: transformada de Fourier
Representação matricial para imagem Geralmente, o suporte de uma imagem é uma região retangular U = [a,b] x [c,d] = {(x,y) Є ≤ y ≤ d} R 2 ; a ≤ x ≤ b; c Representação matricial consiste em discretizar esse retângulo com um reticulado Δ = (Δx, Δy) Є R 2 Δ={(x j ,y k ) Є U; x j = j Δx, y k = Δy, j,k Є Z}
Reticulado: representação matricial
Resolução espacial
Imagem digital
É um sinal amostrado e quantizado: Coordenadas de pixels Resolução Informação de cor de cada pixel Gamute é o conjunto de todas a cores de uma imagem Monocromática com 2 cores = imagem binária Monocromática com n cores = tons de cinza Se o espaço de cor tem dimensão k, podemos considerar cada componente de cor em separado.
Topologia de uma imagem
Norma:
4-conexa: |x| + |y| 8-conexa: Max |x|, |y|