XXV Congresso Brasileiro de Cartografia - Curitiba - PR - Brasil, 21 a 24 de agosto de 2011

COMPARAÇÃO VISUAL E MÉTRICA EM IMAGENS DIGITAIS

NA TRANSFORMAÇÃO DE SISTEMA DE CORES RGB
PARA XYZ, YUV, YIQ E CMY

Gleice Pereira da Silva (1º)

Universidade Federal de Pernambuco
Centro de Tecnologia e Geociências
Departamento de Engenharia Cartográfica - Av. Acadêmico Hélio Ramos,
s/n - 2º andar - DECart - Cidade Universitária
CEP: 50740-530 - Recife – Pernambuco
gleice750@ig.com.br

João Marcos Leão Pereira de Araújo (2º)

Universidade Federal de Pernambuco
Centro de Tecnologia e Geociências
Departamento de Engenharia Cartográfica - Av. Acadêmico Hélio Ramos,
s/n - 2º andar - DECart - Cidade Universitária
CEP: 50740-530 - Recife – Pernambuco
jmarcos007@gmail.com

Ana Lúcia Bezerra Candeias (3º)

Universidade Federal de Pernambuco
Centro de Tecnologia e Geociências
Departamento de Engenharia Cartográfica - Av. Acadêmico Hélio Ramos,
s/n - 2º andar - DECart - Cidade Universitária
CEP: 50740-530 - Recife – Pernambuco
analucia@ufpe.br

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.

1 INTRODUÇÃO O Software MATLAB foi utilizado para

fazer os algoritmos para estas conversões e as análises
Ao longo da história foram estudadas e estatísticas que foram feitas por banda. A escolha do
desenvolvidas técnicas e modelos de representação software MATLAB foi devido a sua facilidade para se
dessas cores. Observou-se que a partir de uma trabalhar com matrizes; já que as imagens são do tipo
combinação de 3 cores primárias é possível gerar todas raster, ou seja, matricial. As análises estatísticas foram
as outras. Este é o fundamento de grande parte dos programadas em MATLAB como erro máximo, erro
modelos de cores desenvolvidos. Entre eles temos o médio absoluto, erro médio quadrático, relação sinal-
RGB, XYZ, YUV, YIQ e CMY, que serão abordados, ruído de pico, covariância, coeficiente de correlação e
onde cada um deles tem uma característica e uma coeficiente de Jaccard. Após o processamento dos
aplicação diferente. dados podemos comparar a imagem nova com a
A aplicação de imagens digitais é ampla. original RGB.
Elas podem ser utilizadas para entretenimento em
jogos eletrônicos, nos computadores, na televisão, e em
aplicações que exigem grande precisão, como medicina
ou automação industrial. Em muitos casos, faz-se
necessária uma transformação entre esses modelos de
cores, como por exemplo, de um computador (RGB)
para uma televisão (YIQ). Porém as cores podem
sofrer distorções, então qual a diferença na qualidade
das cores? De que forma essa diferença pode ser
analisada e quantificada? Este artigo aborda modelos
matemáticos e estatísticos de como fazer essa análise
da métrica de qualidade em imagens.

Fig. 1 – Imagem Google: Boa Viagem – Recife – PE.

2 MATERIAIS E MÉTODOS

Utilizamos 3 imagens do software Google

Earth de áreas distintas da região metropolitana do
Recife que foram obtidas no mês de julho de 2011 e
foram convertidas do modelo de cores RGB para os
modelos XYZ, YUV, YIQ e CMY. O formato de
compactação de todas estas imagens é o JPG. As
Figuras 1, 2 e 3 apresentam as imagens obtidas do
Google Earth.
As áreas escolhidas (Figura 1, 2 e 3) foram
de um bairro nobre, uma área comercial e uma
comunidade carente, respectivamente. Observa-se
padrões bem diferenciados das imagens.

Fig. 2 – Imagem Google: Boa Vista – Recife – PE.

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)

Quanto menor essa métrica, melhor a nova

imagem se aproxima da original. Uma variante muito
utilizada desta métrica é conhecida como raiz do erro
médio quadrático:

(4)
Fig. 3 – Imagem Google: Dance Day – Recife – PE.

Outra variação é o erro médio quadrático

normalizado:
3 ESTATÍSTICAS: FÓRMULAS E MODELOS

Métricas de qualidade ou fidelidade podem

ser utilizadas para avaliar a similaridade de uma
(5)
imagem transformada g em relação à original f.
Algumas medidas são voltadas para avaliações
subjetivas, as quais se baseiam em análises realizadas
por observadores humanos. Por outro lado, avaliações
Cujos valores variam entre 0 e 1, o que torna
objetivas procuram medir a qualidade das imagens por
possível a avaliação de imagens com dimensões
meio de funções entre a imagem original e a imagem
diferentes
transformada. Algumas métricas para medir
similaridade entre as imagens são listadas a seguir:
3.4 Relação Sinal-Ruído de Pico (SNR, Peak Signal to
Noise Ratio):
3.1 Erro máximo (ME, Maximum Error):
É utilizada para avaliar a diferença global
É a maior diferença absoluta entre cada par
entre duas imagens:
de pontos na imagem original e na imagem
aproximada:

(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.

Uma métrica relacionada é a relação sinal-

Quanto menor essa métrica, melhor a nova
ruído (SNR, Signal to Noise Ratio):
imagem se aproxima da original.

3.3 Erro médio quadrático (MSE, Mean Square Error):

(7)
É a soma do quadrado das diferenças de
cada ponto da imagem original e da imagem

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)

Onde µf e µg representam o nível de cinza CMY XYZ

médio nas imagens f e g, respectivamente.

3.6 Coeficiente de Correlação entre duas imagens f e g:

(9) YIQ YUV

Fig. 4 – Modelo de Cores para Boa Viagem.

A correlação pode ser vista como a
covariância dividida por um fator que depende da
distribuição dos níveis de cinza (variância da imagem)
de cada uma das imagens. O valor de r varia entre -1 a
1, sendo que valores próximo de zero representam um
relacionamento linear mais fraco entre as duas
imagens.

3.7 Coeficiente de Jaccard entre duas imagens f e g:

CMY XYZ

(10)

O coeficiente de Jaccard é igual a 0 para

duas imagens que não apresentam nenhuma YIQ YUV
similaridade. Duas imagens que apresentam todos os
elementos idênticos possuem coeficiente de Jaccard Fig. 5 – Modelo de Cores para Boa Vista.
igual a 1.

4 TRANSFORMAÇÃO ENTRE MODELOS DE

CORES

Nesta etapa, usando algoritmos criados no

MATLAB, foram aplicadas ao modelo RGB as devidas
matrizes de transformação entre modelos. As imagens
foram transformadas do modelo de cores RGB
(original) para CMY, XYZ, YIQ e YUV. Nas figuras CMY XYZ
4, 5 e 6 a seguir temos o resultado das transformações.

5 PROCESSAMENTO ESTATÍSTICO DAS

IMAGENS

As tabelas a seguir mostram os resultados

quantitativos das análises estatísticas comparando cada YIQ YUV
imagem convertida para outro modelo de cores com
sua imagem original (RGB). Isto foi feito banda a Fig. 6 – Modelo de Cores para Dance Day.
banda

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

TABELA 2 – DADOS COMPARATIVOS PARA A IMAGEM DA FIGURA 2 (BOA VISTA)

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

TABELA 3 – DADOS COMPARATIVOS PARA A IMAGEM DA FIGURA 3 (DANCE DAY)

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
Os gráficos a seguir mostram de forma bem
mais intuitiva os resultados obtidos, onde cada gráfico
representa uma das 3 imagens (Boa Viagem, Boa Vista
e Dance Day, nesta ordem), e dentro de cada gráfico
serão exibidos 4 blocos correspondendo cada um deles
à transformação CMY, XYZ, YIQ e YUV
respectivamente. Ainda mais além, cada bloco será
subdividido em 3 bandas de acordo com a seguinte
legenda:
Fig. 7 – Legenda dos gráficos a seguir
6.1 Erro máximo (ME):
Observamos que o modelo CMY possui o
maior erro máximo possível (255) em todas as 3
imagens (maior diferença banda a banda). O que era de
se esperar, pois o CMY é nada mais que uma inversão
de cores, então se tiver 1 único pixel branco ou preto
irá inverter de cor, gerando o maior erro possível. Já o
modelo XYZ apresentou menor erro máximo.
6.2 Erro médio absoluto (MAE):
Temos um resultado análogo, neste caso,
quanto menor este erro mais a imagem gerada se
aproxima da original. O CMY mostrou ser o mais
“diferente”, já o XYZ mostrou ser o mais “parecido”.
6.3 Raiz do erro médio quadrático (RMSE):
Esta métrica também diz respeito ao quanto
a nova imagem se aproxima da original, confirmando
os casos anteriores. Observe como cada banda de uma
mesma imagem pode ficar próxima e outra banda
distante da imagem original.
369
6.4 Relação sinal ruído de pico (PSNR):
Aqui também é analisada a proximidade
entre a imagem gerada e a original, porém é uma escala
logarítmica em decibéis (dB), ou seja, quanto maiores
os valores mais a imagem gerada se aproxima da
original. Observe como na imagem 1 (Boa Viagem) no
primeiro gráfico, o modelo XYZ é o que mais se
aproxima nas bandas 1 e 3, porém na banda 2 a
similaridade é pequena.
6.5 Coeficiente de correlação (r):
O valor de r varia entre -1 e 1. Valores
próximos de 0 indicam relação linear mais fraca entre
as imagens. Observe como o modelo CMY apresenta
as bandas com r = -1. Os valores negativos são
resultado da inversão de cores, porém a relação é
completamente linear entre as imagens. Seria um
processo análogo a uma função f(x)=x quando é
rebatida em relação ao eixo x, tornando-se f(x)= -x.
6.6 Coeficiente de Jaccard (J):
O valor de J = 0 significa que duas imagens
não possuem nenhuma similaridade, já se forem
idênticas J = 1. Observe como o modelo CMY não
apresenta nenhuma similaridade e como o modelo
XYZ é o que mais se aproxima, porém ainda assim está
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
Os resultados obtidos foram excelentes e
mostram com clareza, tanto de forma visual quanto
quantitativa, as diferenças entre imagens que são
convertidas do sistema RGB para os demais já citados.
A estatística, voltada para as métricas de qualidade em
imagens, mostrou-se ser uma poderosa ferramenta na
análise de imagens digitais. Com os resultados
 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

Pedrini. H., Schwartz. W. R., 2008, Análise de

Imagens Digitais: Princípios, algoritmos e aplicações,
Thomson, São Paulo, 508 páginas.

370