Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
RESUMO
A representação de uma imagem colorida é em geral no modelo RGB. Quando se utiliza outros modelos é possível
visualmente perceber, ou realçar certos detalhes na imagem. A imagem pode ser oriunda de sensores remotos orbitais
ou fotografias aéreas. Este artigo propõe uma análise visual e estatística de imagens convertida para outros modelos de
cores. Através da análise feita, foram obtidos dados qualitativos e quantitativos para se conhecer a métrica de suas cores
na conversão entre estes sistemas. Através dos cálculos estatísticos podemos comparar a qualidade dos resultados dos
modelos das cores. As imagens utilizadas no estudo foram adquiridas a partir do software Google Earth de áreas
distintas da região metropolitana do Recife e foram convertidas do sistema de cores RGB para os sistemas XYZ, YUV,
YIQ e CMY. Todas estas conversões são em sistemas de 3 bandas. A análise estatística é feita por banda. Os
algoritmos para estas conversões e análises estatísticas foram desenvolvidos em ambiente MATLAB. As análises
estatísticas são de erro máximo, erro médio absoluto, erro médio quadrático, relação sinal-ruído de pico, covariância,
coeficiente de correlação e coeficiente de Jaccard. Após a conversão, cada uma dessas métricas é calculada e nos darão
dados relativos ao quanto a imagem nova se aproxima da original RGB, o quanto variações locais ou ruídos podem
influenciar, a proximidade entre elas, avaliação de imagens com dimensões diferentes, o sinal-ruído de pico, nível de
cinza médio para cada banda, relação linear entre elas, similaridade etc. Foram obtidos bons resultados que puderam ser
comparados entre si tanto visualmente quanto quantitativamente. A aplicação é ampla em vários estudos que necessitam
de uma qualidade métrica nas cores de uma imagem e que se baseiam em informações coletadas via sensores orbitais ou
fotografias aéreas.
Palavras Chave: Métrica, Erro, Covariância, Jaccard, RGB, XYZ, YUV, YIQ, CMY.
ABSTRACT
The representation of a color image is usually in the RGB model. When using other models you can visually
see, or highlight certain details in the image. The image can be from satellite remote sensing or aerial photographs. This
364
XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011
3
article proposes a statistical and visual analysis of images converted to other color models. Through analysis, we
obtained qualitative and quantitative metrics to know their colors when converting between these systems. Through
statistical calculations we can compare the quality of the results of models of color. The images used in the study were
acquired from the Google Earth software from different areas of the metropolitan area of Recife and were converted
from RGB color system to system XYZ, YUV, CMY, and YIQ. All these conversions are systems in three bands.
Statistical analysis is performed by the band. The algorithms for these conversions and statistical analysis were
developed in MATLAB. Statistical analysis is the maximum error, mean absolute error, mean square error, signal-to-
peak noise, covariance, correlation coefficient and Jaccard coefficient. After conversion, each of these metrics are
calculated and give us data on how the new image is close to the original RGB, and local variations and noise can affect
the proximity between them, evaluation of images with different dimensions, the signal- noise peak, average gray level
for each band, linear relationship between them, so similarity. Good results were obtained that could be compared both
visually and quantitatively. The application is extensive in several studies that require a quality metric in the colors of
an image and that are based on information collected via orbital sensors or aerial photographs.
Keywords: Metrics, Error, Covariance, Jaccard, RGB, XYZ, YUV, YIQ, CMY.
365
XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011
3
aproximada, dividido pela multiplicação das dimensões
da imagem:
(3)
(4)
Fig. 3 – Imagem Google: Dance Day – Recife – PE.
(1)
(6)
Quanto menor essa métrica, mais a nova
imagem g se aproxima da original f. Como depende do
valor de apenas 2 pixels, o erro máximo é bastante
sensível a ruídos.
Lmax: Valor máximo de intensidade de
3.2 Erro médio absoluto (MAE, Mean Absolute Error):
cinza. Para imagens 8 bits Lmax = 255.
É a soma da diferença absoluta de cada
A métrica PSNR é expressa em decibel
ponto da imagem original f e da imagem aproximada g,
(dB), unidade originalmente definida para medir
dividido pela dimensão das imagens (MN):
intensidade sonora em escala logarítmica. Valores
típicos de PSNR variam entre 20 (para RMSE = 25,5) e
40 (para RMSE = 2,55). Quanto maior esta métrica,
(2)
melhor a nova imagem se aproxima da original.
366
XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011
3
3.5 Covariância entre duas imagens f e g:
(8)
(10)
367
XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011
3
TABELA 1 – DADOS COMPARATIVOS PARA A IMAGEM DA FIGURA 1 (BOA VIAGEM)
Erro Sinal
Modelo Erro Sinal Coef. Coef.
médio Erro médio quadrático Ruído Covariância
RGB Banda máximo Ruído Correlação Jaccard
absoluto Pico
versus:
ME MAE MSE RMSE NMSE PSNR SNR σfg r J
C 255,00 100,16 15175,87 123,19 0,95 6,32 0,24 -3572,52 -1,00 0,00
CMY M 255,00 97,34 14496,40 120,40 1,03 6,52 -0,14 -3136,58 -1,00 0,00
Y 255,00 104,16 15706,58 125,33 1,33 6,17 -1,24 -2895,05 -1,00 0,00
X 54,00 7,32 93,28 9,66 0,01 28,43 22,36 3376,27 0,99 0,05
XYZ Y 22,00 2,54 11,35 3,37 0,00 7,58 0,93 162,50 1,00 0,14
Z 17,00 2,03 7,23 2,69 0,00 39,54 32,13 2894,24 1,00 0,17
Y 68,00 9,72 160,54 12,67 0,01 26,07 20,00 3165,65 0,98 0,04
YIQ I 135,00 38,31 1905,98 43,66 0,14 15,33 8,67 2046,02 0,98 0,01
Q 140,00 41,61 2252,38 47,46 0,19 14,60 7,20 1724,70 0,98 0,01
Y 72,00 10,77 193,37 13,91 0,01 25,27 19,19 3106,04 0,98 0,03
YUV U 161,00 63,64 5031,70 70,93 0,36 11,11 4,46 1422,00 0,96 0,01
V 138,00 27,78 1159,31 34,05 0,10 17,49 10,08 1897,25 0,95 0,01
Erro Sinal
Modelo Erro Sinal Coef. Coef.
médio Erro médio quadrático Ruído Covariância
RGB Banda máximo Ruído Correlação Jaccard
absoluto Pico
versus:
ME MAE MSE RMSE NMSE PSNR SNR σfg r J
C 255,00 86,51 11224,51 105,95 0,75 7,63 1,25 -2574,23 -1,00 0,00
CMY M 255,00 85,47 10547,81 102,70 0,82 7,90 0,87 -2116,84 -1,00 0,00
Y 255,00 101,20 14182,49 119,09 1,36 6,61 -1,33 -2250,65 -1,00 0,00
X 67,00 8,19 126,33 11,24 0,01 27,12 20,74 2388,95 0,98 0,04
XYZ Y 23,00 3,04 16,44 4,05 0,00 35,97 28,94 2132,96 1,00 0,12
Z 19,00 2,18 8,25 2,87 0,00 38,97 31,03 2243,34 1,00 0,16
Y 76,00 11,12 216,81 14,72 0,01 24,77 18,39 2145,38 0,97 0,03
YIQ I 118,00 37,88 1782,10 42,21 0,14 15,62 8,59 1399,97 0,94 0,00
Q 134,00 38,92 1952,24 44,18 0,19 15,23 7,29 1317,64 0,97 0,01
Y 80,00 12,41 264,85 16,27 0,02 23,90 17,52 2064,99 0,96 0,03
YUV U 150,00 64,44 4731,32 68,78 0,37 11,38 4,35 1053,16 0,96 0,00
V 114,00 25,35 980,60 31,31 0,09 18,22 10,28 1378,93 0,92 0,01
Erro Sinal
Modelo Erro Sinal Coef. Coef.
médio Erro médio quadrático Ruído Covariância
RGB Banda máximo Ruído Correlação Jaccard
absoluto Pico
versus:
ME MAE MSE RMSE NMSE PSNR SNR σfg r J
C 255,00 101,08 14759,15 121,49 0,97 6,44 0,14 -3378,10 -1,00 0,00
CMY M 255,00 99,04 12903,65 113,59 1,09 7,02 -0,38 -2367,07 -1,00 0,00
Y 255,00 122,76 19985,24 141,37 2,13 5,12 -3,28 -2889,29 -1,00 0,00
X 54,00 10,56 187,83 13,71 0,01 25,39 19,09 3063,28 0,99 0,03
XYZ Y 22,00 3,88 23,65 4,86 0,00 34,39 26,99 2427,56 1,00 0,08
Z 17,00 2,00 6,91 2,63 0,00 39,74 31,33 2876,71 1,00 0,17
Y 71,00 12,73 278,72 16,69 0,02 23,68 17,38 2840,08 0,97 0,03
YIQ I 125,00 32,95 1438,66 37,93 0,12 16,55 9,15 1635,57 0,94 0,01
Q 128,00 32,93 1681,00 41,00 0,18 15,88 7,47 1617,62 0,98 0,02
Y 75,00 13,33 305,73 17,49 0,02 23,28 16,98 2805,07 0,97 0,03
YUV U 150,00 62,71 4532,58 67,32 0,38 11,57 4,16 1190,78 0,96 0,00
V 109,00 20,47 739,01 27,18 0,08 19,44 11,04 1818,90 0,94 0,02
368
XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011
3
6 RESULTADOS 6.4 Relação sinal ruído de pico (PSNR):
Temos um resultado análogo, neste caso, O valor de J = 0 significa que duas imagens
quanto menor este erro mais a imagem gerada se não possuem nenhuma similaridade, já se forem
aproxima da original. O CMY mostrou ser o mais idênticas J = 1. Observe como o modelo CMY não
“diferente”, já o XYZ mostrou ser o mais “parecido”. apresenta nenhuma similaridade e como o modelo
XYZ é o que mais se aproxima, porém ainda assim está
6.3 Raiz do erro médio quadrático (RMSE): um tanto distante, pois o maior pico é de 0,17 (na
banda 3) e este valor é apenas 17% da maior
similaridade possível (1,00 = 100%).
7 CONCLUSÕES
369
XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011
3
apresentados é possível então quantificar o que
reconhecemos qualitativamente como “parecido” ou
“diferente” para as imagens.
8 REFERÊNCIAS BIBLIOGRÁFICAS
370