Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
|
|
.
|
\
|
=
x
f
y
f
c
c
c
c
|
1
tan
74 S. Paciornik DEMa PUC-Rio
Original
Exemplos
Imagem Original Mdulo do Sobel ngulo do Sobel
Derivada X Derivada Y Mdulo do Sobel
75 S. Paciornik DEMa PUC-Rio
Delineamento de Bordas
Tornando as bordas mais abruptas
Em geral, as bordas dos objetos de uma imagem no so perfeitamente
abruptas, devido a restries de resoluo do sistema de formao da
imagem. As transies se estendem por diversos pixels com valores
descrescentes ou crescentes de tons de cinza.
No caso de discriminao de objetos em diferentes faixas tonais
(segmentao multifsica), aparece o efeito halo no qual pixels de
bordas aparecem como pertencentes a outra classe de objetos. O
delineamento reduz este efeito.
Obtm-se as intensidades mnima e mxima de cada vizinhana.
Calcula-se A = Max Min e define-se um limiar T.
Se A < T, no borda => pixel de sada = pixel de entrada
Se A > T, borda => pixel de sada = (Mx ou Mn)
Se (pixel Mn) < (mx pixel) => pixel de sada = Mn
Se no => pixel de sada = Mx
76 S. Paciornik DEMa PUC-Rio
Exemplo de Delineamento
Original Depois de Delineamento
77 S. Paciornik DEMa PUC-Rio
Operadores Rank
Operadores estatsticos e de escalo (rank)
Para cada vizinhana o pixel central de sada recebe
A mdia dos pixels da vizinhana
O desvio padro dos pixels da vizinhana
O valor mximo, ou mnimo, dos pixels da vizinhana
Os operadores Max e Min podem ser interpretados como manifestaes, em tons de
cinza, de operaes morfolgicas , efetuadas em imagens binrias, como veremos
posteriormente. Max e Min correspondem, respectivamente, a dilatao e eroso de
reas brilhantes (vice-versa para reas escuras).
A operao Max-Min fornece o gradiente morfolgico da imagem, que se assemelha
ao Sobel.
A operao Min(Max(I
e
)) funciona como um filtro passa-baixa. Tambm equivale a
operao de fechamento de reas brilhantes (abertura para reas escuras).
78 S. Paciornik DEMa PUC-Rio
Exemplos
Exemplos de operadores rank
Imagem Original Max Min
Max - Min
Original + Rudo Min(Max(Original + Rudo))
79 S. Paciornik DEMa PUC-Rio
A noo de convoluo
A matemtica das operaes tipo kernel
O processo de aplicao de um kernel sobre uma imagem equivalente
a uma operao de convoluo entre a funo imagem e a funo
kernel.
A convoluo pode ser escrita na forma discreta
onde K
i,j
so os pesos do Kernel de tamanho m x m.
Ou na forma contnua
A convoluo fundamental na anlise da relao entre entrada e sada
em sistemas lineares, denominada funo de transferncia, como
veremos mais tarde.
i(x) k(x) = i(o)k(xo)do
+
}
I
s
(x, y) = I
e
(x + i, y + j)- K
i ,j
i ,j =m
i ,j =+m
+
}
Obs: Esta uma verso 1D de um filtro
passa-baixa. Note que, aps a
convoluo, o objeto azul se transforma
no objeto verde, que tem o dobro da
largura e perdeu as bordas abruptas
originais.
o
I(o)
o
k(-o)
o
k(x-o)
x
81 S. Paciornik DEMa PUC-Rio
Operaes Geomtricas
Operaes geomtricas
Alteram a relao de posio entre pixels.
Em geral envolvem duas etapas
Uma transformao espacial
Este processo muitas vezes levar a criao de pixels inexistentes na imagem original.
O que leva necessidade de
Uma interpolao das intensidades dos pixels
Replicao (nearest neighbours), bi-linear, sin(x)/x, etc...
70 80
72 76
70 ? 80 ?
? ? ? ?
72 ? 76 ?
? ? ? ?
70 70 80 80
70 70 80 80
72 72 76 76
72 72 76 76
70 75 80 80
71
74.5
78 78
72 74 76 76
72 74 76 76
ZOOM
x2
82 S. Paciornik DEMa PUC-Rio
Transformaes Espaciais
Transformaes Espaciais Lineares
Tem a forma
x = a
2
x + a
1
y + a
0
y = b
2
x + b
1
y + b
0
Translao
x = x + T
x
y = y + T
y
Mudana de escala
x = xS
x
y = yS
y
Ex: S
x
= 0.5, S
y
= 0.5
(126, 68) ---> (63, 34),
(127, 68) ---> (63.5, 34)
Ex: S
x
= 2, S
y
= 2
(126, 68) ---> (252, 136),
(127, 68) ---> (254, 136)
Rotao por um ngulo
x = xcos() + ysin()
y = -xsin() + ycos()
Ex: = 19,
(126,68) ---> (141.4, 23.3)
Transformaes Espaciais no
Lineares
Envolvem termos de mais alta ordem
tais como x
2
, y
2
, x
3
, etc...
Permitem realizar distores mais
complexas.
Permitem realizar transformaes
afins (affine transformations), que
distorcem uma imagem para se ajustar
a uma imagem alvo, usando pontos de
referncia comuns s duas imagens.
83 S. Paciornik DEMa PUC-Rio
Replicao e Interpolao
Exemplos
Zoom
Obs: A replicao extremamente veloz de calcular. Esta a tcnica
usada pela maioria dos programas quando a ferramenta de zoom
ativada, para visualizar a imagem ampliada ou reduzida, ou para
apresentar um preview de outra operao geomtrica qualquer. A
interpolao bi-linear, ou de mais alta ordem, ser utilizada quando
se deseja alterar o tamanho fsico da imagem ou calcular rotaes,
mudanas de perspectiva, etc..
Replicao Interpolao bi-linear
Rotao
Replicao
Interpolao bi-cbica
84 S. Paciornik DEMa PUC-Rio
Aplicaes tpicas
Correo de deformaes
Quando existem informaes a priori
que funcionam como referncia (tais
como grades de referncia, linhas
retas, pontos de referncia em outra
imagem,etc...), possvel corrigir
deformaes.
Quanto mais complexa a deformao,
mais pontos de referncia sero
necessrios para obter uma correo
adequada.
Situaes mais comuns
Correo de distores do sistema de
formao/captura da imagem.
Encaixe de imagens adjacentes obtidas
de superfcies no-planas (comum em
sondas espaciais),
Sequncias tomogrficas para
montagem de imagens 3D.
Imagem com
deformao
trapezoidal causada
por inclinao da
amostra em relao ao
sistema de formao
da imagem. Neste
caso, o sistema tem
grande profundidade
de foco, gerando uma
imagem totalmente
focada.
Como existem linhas
retas de referncia, a
imagem pode ser
corrigida a partir de
uma operao de
mudana de
perspectiva.
85 S. Paciornik DEMa PUC-Rio
Registro de Imagens
relativamente comum a
necessidade de comparar
imagens de uma mesma cena
obtidas por sensores distintos.
Ex: imagens de um material
obtido por dois tipos de
microscopia.
Para que a comparao seja
quantitativa, as duas imagens
tem que estar registradas.
Magnificao
Translao
Rotao
Distores
O registro de imagens envolve
A identificao, manual ou
automtica, de pontos
equivalentes (homlogos) nas
duas imagens,
A aplicao de operaes
geomtricas para registrar as
imagens a partir dos pontos
homlogos.
86 S. Paciornik DEMa PUC-Rio
Radiografias de implantes dentrios
1 - Logo aps o implante - Original 2 - Aps um ms perda ssea
Exemplo 1
Pontos de Referncia
4 Aps registro de 1
3 Desalinhamento entre 1 e 2
Bordas de 1 sobrepostas a 2
5 Imagens 2 e 4 registradas
Bordas de 4 sobrepostas a 2
87 S. Paciornik DEMa PUC-Rio
Microscopia Co-localizada MO-MEV
Deteco automtica de pontos de controle
Exemplo 2
Grade de referncia - MO
Grade de referncia - MEV
Identificao das distores
88 S. Paciornik DEMa PUC-Rio
A Funo SIFT
Scale Invariant Feature Transform
A transformada de caractersticas invariantes por escala permite
identificar pontos homlogos entre imagens que sofreram vrios tipos de
distoro, translao, rotao.
Ela pode ser usada, inclusive, para pares de imagens obtidas em
condies muito diferentes, por exemplo em microscpios de tipos
diferentes.
A partir da deteco de pontos homlogos possvel registrar
precisamente as imagens.
REF:
Lowe D (2004), "Distinctive Image Features from Scale-Invariant
Keypoints", International Journal of Computer Vision 60 (2): 91-110.
Fiji/Plugins/Registration/Linear Stack Alignment with SIFT
http://fiji.sc/wiki/index.php/Linear_Stack_Alignment_with_SIFT
89 S. Paciornik DEMa PUC-Rio
A sequncia de Processamento e Anlise
Pr-Processamento/Realce
Classificao e
Reconhecimento
Regies
Pixels
Dados
Qualitativo
Quantitativo
Formao da imagem
Digitalizao da imagem
Segmentao
Ps-Processamento
Extrao de Atributos
Segmentao
90 S. Paciornik DEMa PUC-Rio
Segmentao - a etapa crtica
A etapa crtica
Na segmentao procura-se distinguir as partculas umas das outras e do
fundo.
Esta distino permitir ao programa interpretar pixels contguos e
agrup-los em regies.
No existe um modelo formal para a segmentao. O processo
essencialmente emprico e dever se ajustar a diferentes tipos de imagem.
Esta etapa a mais difcil do processo e tambm a mais delicada porque
todas as medidas sero realizadas sobre as regies identificadas nesta
etapa.
A segmentao to complexa porque tenta traduzir para o computador
um processo cognitivo extremamente sofisticado realizado atravs da
viso humana.
91 S. Paciornik DEMa PUC-Rio
Segmentao por Limiarizao
Limiarizao - a intensidade como separador
Um objeto pode ser entendido como uma regio formada por pixels
contguos que tenham em comum uma faixa de intensidades.
A limiarizao usa a intensidade dos pixels para distingu-los.
O processo se baseia na anlise do histograma da imagem.
faixas de intensidade => bandas do histograma
objetos de um tipo sobre um fundo => histograma bi-modal
objetos de dois tipos sobre um fundo => histograma tri-modal
Etc...
Este um processo muito veloz e em geral em um passo. sempre o primeiro
mtodo a se tentar e muitas vezes fornece resultados bons em situaes
impossveis.
Thresholding no funciona bem em imagens com iluminao no uniforme e com
baixo contraste entre as diversas regies.
Existem processos de thresholding manual e automtico.
92 S. Paciornik DEMa PUC-Rio
A Intensidade como Separador
Exemplos de thresholding
0 255 T
1
T
2
Fase clara (t>T
2
) Fase mdia (T
1
<t
<T
2
)
problema !
Fase escura (t<T
1
)
93 S. Paciornik DEMa PUC-Rio
Limiarizao Multimodal
94 S. Paciornik DEMa PUC-Rio
Como escolher os tons de corte ?
Questo bsica: Como escolher os tons de corte ?
A escolha manual no nem precisa nem reprodutvel.
Mtodos automticos se baseiam na anlise de propriedades do
histograma.
Mtodos automticos
Utilizando os mnimos do histograma
Os mnimos correspondem s tonalidades intermedirias entre duas bandas.
Em geral o operador escolhe a tonalidade prxima a banda de interesse e o
programa busca os mnimos mais prximos, em ambos os lados da banda.
Existem dois problemas
os vales podem ser muito largos e planos, tornando a escolha de um valor mnimo
arbitrria.
os vales pode assumir valores muito baixos, ficando muito sensveis a rudo.
95 S. Paciornik DEMa PUC-Rio
Mtodos Automticos
Mtodos automticos (cont.)
O mtodo de Otsu
Determina o tom de corte que maximiza uma medida de varincia entre os dois
modos do histograma.
um mtodo extremamente eficiente, reprodutvel e o mais implementado em
programas de PDI.
O mtodo pode ser estendido para mais modos do histograma mas em geral os
programas no implementam esta opo.
O mtodo extremamente custoso computacionalmente e se torna invivel para imagens
com mais do que 4 ou 5 modos no histograma.
Existe um alternativa denominada Otsu recursivo, na qual o mtodo de Otsu bi-modal
sucessivamente aplicado imagem, e a cada iterao, a parte da imagem j segmentada
excluda e o mtodo aplicado aos pixels restantes.
96 S. Paciornik DEMa PUC-Rio
Comparao
Imagem original
com iluminao
irregular
Imagem corrigida
com filtro passa-
altas, 49x49, 4
iteraes
Imagem
segmentada com
limiar no mnimo
Imagem
segmentada pelo
mtodo de Otsu
97 S. Paciornik DEMa PUC-Rio
Limiarizao Adaptativa
Mtodos automticos (cont.)
Limiarizao adaptativa
Sub-divide a imagem, aplica uma limiarizao a cada sub-diviso, obtendo assim
vrios tons de corte.
Em seguida, interpola os tons de corte obtidos para as sub-divises para obter um
tom de corte para cada pixel da imagem.
Vantagens:
Menos sensvel a irregularidades de fundo.
Mais sensvel a variaes locais.
Desvantagens:
Mais lento.
No muito comum em programas de PDI.
98 S. Paciornik DEMa PUC-Rio
Segmentao por Contornos
Mtodos baseados nos contornos dos objetos
Um objeto pode ser entendido como uma regio dentro de um contorno.
Para distingu-lo detecta-se as bordas e tenta-se construir um contorno a partir delas.
Este modelo muito mais custoso computacionalmente, mas simula o
comportamento do olho humano e muito flexvel e genrico.
As principais limitaes so rudo e o fato de que as fronteiras identificadas podem
no ser fechadas.
O mtodo envolve duas etapas
A deteco das bordas em si, utilizando um operador derivada tipo Sobel, Kirsch,
etc...
A identificao dos objetos a partir de seus contornos, que so obtidos processando
a imagem das bordas.
99 S. Paciornik DEMa PUC-Rio
Segmentao por Contornos (cont.)
Mtodos baseados nos contornos dos objetos (cont.)
Os principais problemas do mtodo so
Sensibilidade a rudo. Este problema pode ser reduzido introduzindo outros critrios
para validao de pixels tais como ngulo mximo entre o novo pixel e a fronteira
traada at ento.
No se pode garantir que as fronteiras sero curvas fechadas. Uma possvel soluo
envolve o uso da convoluo com o Laplaciano da Gaussiana (Mtodo de Marr-
Hildreth).
Imagem original Sobel Sobel limiarizado
100 S. Paciornik DEMa PUC-Rio
Perseguio de Fronteiras
Mtodos baseados nos contornos dos objetos (cont.)
A localizao de fronteiras envolve o processo de perseguio de bordas
(edge tracking)
A imagem das bordas analisada e apenas os pixels que satisfazem certos critrios
so validados (veja abaixo).
Iniciando em um pixel vlido analisa-se seus primeiros vizinhos, procurando
outro pixel vlido. A partir do novo pixel repete-se o processo. Desta forma
percorre-se uma trajetria sobre a imagem que corresponde fronteira de um
objeto. Quando a trajetria retorna ao ponto de origem, interrompe-se o processo.
O critrio de validao de pixels da imagem de bordas pode ser
uma simples limiarizao para selecionar certas bordas
uma busca do mximo local da imagem gradiente, visando j afinar as bordas
obtidas. Este processo no discrimina bordas a partir do valor do gradiente e aceita
todas as bordas.
101 S. Paciornik DEMa PUC-Rio
Gauss - Sigma Grande
Gauss - Sigma Pequeno
Zero-crossings Laplaciano
Zero-crossings Laplaciano
O Mtodo de Marr-Hildreth
O mtodo de Marr-Hildreth
Borra-se a imagem com um kernel
gaussiano
Obtm-se o Laplaciano
Localiza-se os cruzamentos por zero
Os pontos localizados formam
contornos fechados
Tambm conhecido como mtodo
LOG - Laplacian of Gaussian
102 S. Paciornik DEMa PUC-Rio
Zero-Crossings
O mtodo de Marr-Hildreth (cont.)
Porque zero-crossings of Laplacian ?
possvel provar que os Zero-
crossings sempre formam contornos
fechados.
Este mtodo muitas vezes usado em
conjuno com limiarizao normal
para reduzir sua sensibilidade a rudo.
Borda
1 derivada
2 derivada - o
cruzamento por zero
indica a posio da
borda.
103 S. Paciornik DEMa PUC-Rio
Exemplo
O mtodo de Marr-Hildreth (cont.) - Exemplo
Original
Segmentao
Automtica
AND
Segmentao
Marr Hildreth
104 S. Paciornik DEMa PUC-Rio
Segmentao atravs da Cor
Usando a cor para segmentar
Em algumas situaes, regies fisicamente distintas podem ter
tonalidades de cinza muito prximas, impossibilitando sua segmentao
por limiarizao comum
Caso estas regies possuam cores distintas, pode-se usar um dos dois
modelos de cor (RGB ou HLS) para realizar uma segmentao baseada
nos trs histogramas simultneos.
A escolha de limiares no histograma de cada componente primria
selecionar uma faixa de cores que poder segmentar a regio de
interesse.
105 S. Paciornik DEMa PUC-Rio
Exemplo
Imagem original de uma rocha Os histogramas HLS e seus limiares
A imagem binria resultante Bordas da imagem binria superpostas
106 S. Paciornik DEMa PUC-Rio
A sequncia de Processamento e Anlise
Pr-Processamento/Realce
Classificao e
Reconhecimento
Regies
Pixels
Dados
Qualitativo
Quantitativo
Formao da imagem
Digitalizao da imagem
Segmentao
Ps-Processamento
Extrao de Atributos
Ps-Processamento
107 S. Paciornik DEMa PUC-Rio
Ps-Processamento
Corrigindo defeitos da Segmentao
Muitas vezes, o resultado da segmentao no adequado.
Para corrigir os defeitos residuais, na etapa denominada de ps-
processamento, utiliza-se as tcnicas da morfologia matemtica.
Operaes morfolgicas
So operaes semelhantes s operaes locais, nas quais um pixel da
imagem de sada funo do valor dos pixels numa vizinhana da
imagem de entrada.
Em imagens binrias, um pixel ser preservado ou invertido em funo
de ter um certo nmero de vizinhos iguais ou diferentes em posies
especficas de sua vizinhana.
As posies dos pixels so definidas por uma espcie de mscara, denominada
elemento estruturante (EE).
108 S. Paciornik DEMa PUC-Rio
Operaes Morfolgicas Bsicas
Operaes bsicas
Eroso
Um pixel branco invertido se sua vizinhana no
possui pixels brancos suficientes para cobrir o EE.
Objetos finos ou pequenos sero eliminados.
Objetos maiores tero sua rea reduzida.
Dilatao
Um pixel preto invertido se sua vizinhana no
possui pixels pretos suficientes para cobrir o EE.
Buracos finos ou pequenos sero eliminados,
unindo objetos.
Objetos tero sua rea aumentada.
Estas operaes, por si s, causam distores nas
reas dos objetos. No entanto, sua combinao
gera resultados muito mais interessantes.
Original
Eroso
Dilatao
109 S. Paciornik DEMa PUC-Rio
Combinando Operaes
Combinao de operaes
Abertura
N ciclos de Eroso seguidos de N ciclos de
Dilatao.
Objetos muito pequenos desaparecem, a
includas pequenas conexes entre objetos.
Objetos maiores preservam sua rea.
Fechamento
N ciclos de Dilatao seguidos de N ciclos de
Eroso.
Buracos pequenos ou separaes entre
objetos so eliminados.
Objetos maiores preservam sua rea.
Se o nmero de ciclos grande quando
comparado com o dimetro dos objetos,
ocorrero distores de forma.
A soluo exigir o uso do Mapa de
Distncias Euclideanas.
Original
Fechamento
Abertura
110 S. Paciornik DEMa PUC-Rio
Aplicao
Aplicao de abertura e fechamento
B o elemento estruturante. No caso, tem forma circular, o que explica o
arredondamento das bordas do objeto.
As operaes morfolgicas podem ser aplicadas em imagens de tons de cinza (grey
morphology). Neste caso as operaes so de categorizao de vizinhanas (rank
operators) tais como mximo e mnimo locais, etc...
A B A - B
B
A
111 S. Paciornik DEMa PUC-Rio
Outras Operaes Simples
Preenchimento (fill)
Objetos com contorno fechado podem ter seus buracos internos
preenchidos.
Em programas de edio de imagens (ex. Photoshop), cada objeto a ser
preenchido deve ser selecionado pelo usurio.
Em programas de PDI, o processo automtico para todos os objetos
112 S. Paciornik DEMa PUC-Rio
Outras Operaes Simples (cont.)
Eliminao/Seleo de objetos baseada na rea (scrap)
Imagem original Segmentada com buracos Invertida (NOT)
Scrap <10 pixels
A imagem segmentada contm buracos.
Neste caso no possvel usar a operao fill
porque os objetos se tocam e espaos entre
objetos tambm seriam preenchidos.
Assim, deve-se antes inverter a imagem para
que os buracos virem pequenos objetos que
podem ser eliminados com o operador de
scrap
Imagem limpa
113 S. Paciornik DEMa PUC-Rio
Operaes Avanadas
Eroso derradeira (ultimate
erosion)
Os objetos so erodidos at que um
prximo passo os eliminaria.
Utilizada para localizar sementes
de objetos e medir tamanhos.
Dilatao derradeira (ultimate
dilation)
Os objetos so dilatados at que,
um prximo passo, os uniria.
Utilizada na segmentao
watershed e na anlise da
vizinhana de objetos.
OBS:
Nas figuras ao lado os objetos
originais so mostrados em branco
e o resultado das operaes
mostrado em vermelho.
Imagem Binria Original
Aps eroso derradeira Aps dilatao derradeira
114 S. Paciornik DEMa PUC-Rio
Operaes Avanadas (cont.)
Esqueleto ou Transformada do Eixo Medial
Corresponde a uma eroso derradeira com a condio de no remover
pixels que quebrariam o objeto em dois.
Fornece informao topolgica e mtrica sobre o objeto.
P. ex. nmero de ramificaes.
115 S. Paciornik DEMa PUC-Rio
Separando Objetos que se Tocam
Como separar objetos que se tocam ?
Imagens com objetos que se tocam, ou parcialmente superpostos, so
bastante comuns.
A segmentao nestes casos mais difcil mas possvel atravs do
mtodo do divisor de guas (watershed).
O mtodo envolve trs etapas
Uma limiarizao simples gerando uma imagem binria
O clculo do Mapa de Distncias Euclideanas (Transformada de Distncia)
Obteno dos divisores de guas separando os objetos
O Mapa de Distncias Euclideanas (MDE)
Imagem em que cada pixel de um objeto tem uma intensidade proporcional sua
menor distncia da borda do objeto.
Obteno dos divisores de guas
A partir dos pontos mais brilhantes do MDE, agrega-se pixels num processo de
crescimento que evita que os objetos voltem a se unir.
116 S. Paciornik DEMa PUC-Rio
Exemplo Bsico
O Mtodo do divisor de guas (cont.)
Imagem binria MDE Mximos do MDE
Imagem segmentada
A partir dos mximos do MDE,
inicia-se um processo
denominado dilatao
derradeira (ultimate dilation)
que faz crescer ilhas de pixels
brancos a partir dos mximos,
mas evitando que quaisquer
duas ilhas voltem a se unir.
Dilatao
derradeira
117 S. Paciornik DEMa PUC-Rio
Exemplo mais complexo
Imagem original Limiarizada/buracos eliminados Mapa de Distncias
Fronteiras superpostas Fronteiras definidas Divisores de guas
118 S. Paciornik DEMa PUC-Rio
Comentrios
Limitaes do mtodo do divisor de guas
O mtodo fortemente sensvel qualidade da segmentao original.
A preservao/eliminao de buracos na imagem binria ir
gerar/eliminar divisores de guas que podem ser falsos ou verdadeiros.
Normalmente o MDE sofre uma filtragem passa-baixas para atenuar
rudos gerados por irregularidades das bordas da imagem binria. Esta
filtragem gera divisores de guas mais bem comportados.
O mtodo deve ser usado com cautela e a aplicao especfica ir
determinar o que mais aceitvel: sub ou super segmentao
em alguns casos pode ser mais razovel aceitar uma sub-segmentao e completar
as fronteiras ausentes de forma manual.
119 S. Paciornik DEMa PUC-Rio
Operaes Morfolgicas no MDE
O Mapa de Distncias Euclideanas pode ser utilizado para
realizar operaes morfolgicas, minimizando os problemas de
distoro de forma citados anteriormente.
A seqncia bsica a seguinte:
A partir de uma imagem binria, calcula-se o MDE
O MDE, que uma imagem em tons de cinza, segmentado por
limiarizao.
Um pixel dentro do objeto, junto borda, ter intensidade 1 no MDE
Para realizar uma eroso de um pixel do contorno, aplica-se um limiar de 2 no MDE
Para realizar uma eroso de n pixels, aplica-se um limiar de n+1 no MDE
Para realizar uma dilatao, a imagem binria original invertida, segue-se a
mesma seqncia, e inverte-se o resultado final.
120 S. Paciornik DEMa PUC-Rio
Exemplos
Image Binria Original Aps Abertura EE Quadrado
4 iteraes
Aps Abertura Euclideana
4 iteraes
Comparao
121 S. Paciornik DEMa PUC-Rio
A separao entre objetos em uma imagem binria
depende da definio de contiguidade entre pixels.
Vizinhana 4 =>
Vizinhana 8 =>
Note que o uso de V4 para os objetos implica V8 para o
fundo e vice-versa.
Esta inconsistncia s resolvida em uma matrix
hexagonal de pixels, mas isto pouco usado porque
praticamente no existem sensores de luz com pixels
hexagonais.
Vizinhana 4 e 8
2
1
1
1
122 S. Paciornik DEMa PUC-Rio
Impacto da escolha de V4 ou V8
V4 V8
As fronteiras detectadas pelo mtodo do divisor de guas
efetivamente separam os gros do material sinterizado
Muitos gros do material aparecem conectados formando
objetos que no representam a microestrutura
123 S. Paciornik DEMa PUC-Rio
A sequncia de Processamento e Anlise
Pr-Processamento/Realce
Classificao e
Reconhecimento
Regies
Pixels
Dados
Qualitativo
Quantitativo
Formao da imagem
Digitalizao da imagem
Segmentao
Ps-Processamento
Extrao de Atributos Extrao de Atributos
124 S. Paciornik DEMa PUC-Rio
Extrao de Atributos
Medir - objetivo final
Uma vez que o processo de segmentao e ps-processamento se encerra, pode-se ento
realizar medidas sobre a imagem.
Existem basicamente duas classes de medidas
Medidas de campo (field features)
Medidas que se referem ao campo como um todo
Ex: Nmero de objetos, rea total de objetos, Frao de rea, etc...
Medidas de regio (region features)
Medidas que se referem aos objetos independentemente
Ex: rea, permetro, forma, posio, etc...
Estas medidas podem ser muito sofisticadas, permitindo uma nova separao dos objetos em
classes de similaridade, em funo dos parmetros medidos.
Seguiremos a proposta de J.Russ e apresentaremos os parmetros em 4 grupos
Tamanho
Forma
Posio
Intensidade
A nomenclatura seguir o padro do KS400.
125 S. Paciornik DEMa PUC-Rio
Parmetros de Tamanho
rea
Obtida simplesmente contando os pixels.
Por incrvel que parea, mesmo uma medida to
simples muito difcil de realizar manualmente.
rea preenchida (filled area - AREAF)
rea incluindo buracos internos.
rea convexa (taut string area - AREAC)
rea obtida aps tornar o objeto convexo.
Equivalente rea definida por um elstico
passado em torno do objeto.
Permetro (PERIM)
Obtido diretamente da fronteira atravs da
expresso
onde N o nmero de passos horizontais ou
verticais e N
d
o nmero de passos diagonais.
Inclui o permetro dos buracos do objeto.
Existem outras maneiras de medir o permetro de
forma mais acurada, reduzindo o impacto da
pixelizao da imagem (Crofton Perimeter).
Permetro preenchido (PERIMF) e Permetro
convexo (PERIMC)
Equivalentes s definies de rea preenchida e
convexa.
d
N N P 2 + =
AREA PERIM
AREAF PERIMF
AREAC PERIMC
126 S. Paciornik DEMa PUC-Rio
Parmetros de Tamanho (cont.)
Calibres (Ferets)
Equivalem s sombras do objeto em diferentes direes
A razo entre calibres mximo e mnimo uma boa medida de alongamento.
Fmax nem sempre ser ortogonal a Fmin
O ngulo do calibre mximo uma medida de orientao.
Calibre x - FERETX
C
a
l
i
b
r
e
y
F
E
R
E
T
Y
127 S. Paciornik DEMa PUC-Rio
Largura (width)
Definido como a largura de uma elipse com mesma rea e calibre mximo (length)
Menos sensvel do que F
min
Exemplo de parmetro secundrio
derivado de parmetros primrios
medidos de forma independente.
Dimetro circular equivalente
A partir da rea
A partir do permetro
Comprimento de fibra (fiber length)
Para um objeto longo e estreito F
max
= Permetro/2. Para objetos mais grossos (F
min
maior) pode-se definir um parmetro que funo do permetro e da rea.
Parmetros de Tamanho (cont.)
F
min
F
max
Width
Fiber Length
4
. 16
2
AREAF PERIMF PERIMF
FL
+
=
max
4
F
AREA
Width
=
t
t
AREA
D
=
4
t
Permetro
D =
128 S. Paciornik DEMa PUC-Rio
Parmetros de forma
Parmetros adimensionais obtidos de combinaes de parmetros de tamanho.
Razo de aspectos (Aspect Ratio)
AR = F
min
/F
max
(alguns programas usam a relao inversa)
Fatores de forma
Normalmente so definidos para variar entre 0 e 1, assumindo valor mximo para
objetos com formas geomtricas especficas.
So usados para identificar formas especficas em imagens.
Fatores de forma circular
Baseado no Permetro
sensvel irregularidade do contorno
do objeto.
Fator de forma quadrada
Parmetros de Forma
2
1
4
PERIM
AREAF
F
Circle
=
t
2 2
4
Max
Circle
F
AREAF
F
=
t
Baseado no Feret Mximo
Mais sensvel ao elongamento do
objeto.
2
16
PERIMF
AREAF
F
Quad
=
129 S. Paciornik DEMa PUC-Rio
Parmetros de Forma (cont.)
Medidas de Convexidade
Valem 1 para um objeto convexo e diminuem para objetos no convexos.
PERIMC/PERIM ou PERIMC/PERIMF
Decai rapidamente para objetos com pennsulas finas e compridas.
AREA/AREAC ou AREAF/AREAC.
Menos sensvel presena de pennsulas finas.
Exemplo
After J.C. Russ, Comp. Ass. Micr.
A B C D E F
FCIRCLE 1
0.31 0.45 0.33 0.47 0.32 0.48
FCIRCLE 2 0.26 0.28 0.50 0.50 0.62 0.65
FMIN/FMAX
0.28 0.28 0.50 0.50 0.56 0.59
PERIMC/PERIM 0.77 0.85 0.71 0.80 0.67 0.78
AREA/AREAC 0.80 0.84 0.81 0.84 0.80 0.84
A
C
B
D
F E
130 S. Paciornik DEMa PUC-Rio
Parmetros de Posio e Distribuio Espacial
Parmetros de Posio
Centro de gravidade e distncia entre objetos
A determinao do centro de gravidade dos objetos
trivial a partir de uma imagem segmentada
possvel obter a distribuio de vetores que unem os centros
de gravidade dos objetos.
No entanto, esta distribuio no adequada porque:
a) muito custosa de se obter, j que o nmero de vetores
igual combinao, 2 a 2, de todo os objetos da imagem.
b) No se refere vizinhana local de cada partcula, que
mais importante que a distribuio de distncias entre
quaisquer partculas.
131 S. Paciornik DEMa PUC-Rio
Distribuio Espacial
Dilatao derradeira e regio de influncia
A dilatao derradeira gera regies cuja distribuio de tamanhos est
associada distribuio espacial.
100 150 200 250 300 350
0
20
40
60
80
100
%
Distance (pixel)
100 150 200 250 300 350
0
10
20
30
40
%
Distance (pixel)
100 150 200 250 300 350
0
10
20
30
40
%
Dimetro Circular Equivalente
Regular
Aglomerado
Aleatrio
132 S. Paciornik DEMa PUC-Rio
Distribuio Espacial (cont.)
Anlise da Vizinhana Local
A anlise atravs da regio de influncia pode ser refinada e combinada
com a anlise por vetores de distncia.
Para isso preciso antes identificar os primeiros vizinhos de um dado
objeto, e medir somente os vetores deste objeto a seus vizinhos.
Para cada objeto:
- Realiza a dilatao derradeira
- Realiza uma dilatao e detecta superposio com
regies vizinhas
- Detecta apenas regies vizinhas
- Mede o vetor entre o objeto central e seus vizinhos.
- Obtm distncia mdia entre vizinhos - <D>
- Obtm o desvio padro da distncia mdia - SD
- Obtm o coeficiente de variao cov = SD/<D>
- Cov = 0.36 0.02 => distribuio aleatria
- Cov 0.36 => indica aglomerao
- Yang, N.; Boselli, J.; Sinclair, I., J. Microsc. 201 (2000) 189-
200.
133 S. Paciornik DEMa PUC-Rio
Parmetros de Intensidade
Estatsticas dos tons de cinza ou cores de um objeto
Intensidade mdia (<I>)
Associada ao brilho
Desvio padro da intensidade (SD(I))
Associado ao contraste
Imagem <I> SD(I)
Original 143,6 12,2
Aps
filtro
Sigma
142,7 6.6
134 S. Paciornik DEMa PUC-Rio
Matriz de Co-Ocorrncia
Anlise de Textura
O uso de estatsticas simples no permite discriminar variaes mais
sutis dos tons de cinza, que caracterizam a noo intuitiva de textura.
Em contraponto a estas estatsticas de ocorrncia, so propostas
estatsticas de co-ocorrncia.
Parmetros obtidos a partir da estatstica de ocorrncia simultnea de intensidades
em pares de pixels
0 0 1 1
0 0 1 1
0 2 2 2
2 2 3 3
Tom 0 1 2 3
0 (0,0) (0,1) (0,2) (0,3)
1 (1,0) (1,1) (1,2) (1,3)
2 (2,0) (2,1) (2,2) (2,3)
3 (3,0) (3,1) (3,2) (3,3)
|
|
|
|
|
.
|
\
|
2 1 0 0
1 6 0 1
0 0 4 2
0 1 2 4
0 P
|
|
|
|
|
.
|
\
|
0 1 0 0
1 4 2 0
0 2 2 1
0 0 1 4
45 P
|
|
|
|
|
.
|
\
|
0 2 0 0
2 2 2 2
0 2 4 0
0 2 0 6
90 P
|
|
|
|
|
.
|
\
|
0 2 0 0
2 0 1 3
0 1 2 1
0 3 1 2
135 P
Imagem de Teste Construo da matriz de
co-ocorrncia tonal
Matrizes de co-ocorrncia
para a imagem de teste
135 S. Paciornik DEMa PUC-Rio
Parmetros de Haralick
Parmetros estatsticos baseados na
matriz de co-ocorrncia
Originalmente utilizados em
sensoreamento remoto
Uniformidade
Contraste
Correlao
Foram definidos 14 parmetros
=
i j
j i p f
2
)} , ( { 1
} ) , ( { 2
| |
1 1
1
0
2
n j i
Ng
i
Ng
j
Ng
n
j i p n f
=
= =
=
=
1 2 3
4 5 6
7 8 9
f1
f2
f3
0,42
2,68
0,50
0,06
4,22
0,20
0,43
0,45
0,48
0,26
4,08
0,40
0,12
1,63
0,50
0,54
1,21
0,40
0,55
0,47
0,40
0,05
5,06
0,48
0,22
3,16
0,38
y x
i j
y x
j i p j i
f
o o
=
) , ( ). , (
3
136 S. Paciornik DEMa PUC-Rio
Exemplo Anlise de Textura
Imagens de HRTEM
Resina com carbono disperso Resina Pura
0%
10%
20%
30%
40%
50%
60%
0.00 0.04 0.08 0.12 0.16 0.20
Uniformidade
P
o
p
u
l
a
o
(
%
)
Pura
Mix
0%
5%
10%
15%
20%
25%
30%
2.8 3.8 4.8 5.8
Entropia
P
o
p
u
l
a
o
(
%
)
Pura
Mix
137 S. Paciornik DEMa PUC-Rio
A sequncia de Processamento e Anlise
Pr-Processamento/Realce
Classificao e
Reconhecimento
Regies
Pixels
Dados
Qualitativo
Quantitativo
Formao da imagem
Digitalizao da imagem
Segmentao
Ps-Processamento
Extrao de Atributos
Classificao e
Reconhecimento
138 S. Paciornik DEMa PUC-Rio
Classificao e Reconhecimento
Exemplo Bsico
Imagine um sistema para classificao de
frutas de 4 tipos
Mas, cerejas, limes e meles
A cor pode ser usada para distinguir as
frutas mais vermelhas (mas/cerejas) das
mais amarelas (limes/meles).
O calibre mximo ou dimetro pode ser
usado para distinguir as frutas menores
(cereja/limo) das mdias (mas) e
grandes (meles).
Uma soluo possvel separar
manualmente um nmero representativo
de frutas de cada tipo e determinar as
faixas tpicas de cor e tamanho.
Posteriormente, uma fruta desconhecida
poder ser automaticamente identificada a
partir da base de conhecimento
desenvolvida.
Meles
Limes
Mas
V
e
r
m
e
l
h
i
d
Dimetro
Cerejas
*
*
*
*
*
*
* *
*
*
*
*
*
*
*
*
*
*
* *
*
*
*
Medindo Mas Medindo Cerejas Medindo Limes Medindo Meles
Medindo
Desconhecido
*
139 S. Paciornik DEMa PUC-Rio
Classificao e Reconhecimento
Questo bsica
Dado um conjunto de objetos
segmentados, e dos quais se pode
medir diversos parmetros, tentar, de
forma automtica, separ-los em
classes de similaridade.
Consideraes
Raramente um nico parmetro ser
suficiente para distinguir duas ou mais
populaes (p.ex. intensidade em um
histograma bimodal).
Pode-se imaginar o conjunto de
parmetros como formando um
espao multi-dimensional.
Cada objeto ocupar um ponto deste
espao. A tarefa da classificao pode
ser entendida como a identificao de
agrupamentos neste espao.
P
1
P
3
P
2
140 S. Paciornik DEMa PUC-Rio
Tipos de Classificao
Classificao supervisionada
Um conjunto de objetos conhecidos
pertencentes a diferentes classes
analisado, escolhe-se os parmetros
ideais para separao, e estabelece-se
a faixa de valores dos parmetros para
cada classe.
A partir deste conjunto de
treinamento, encontra-se a funo
discriminante que separa as diversas
classes.
Objetos desconhecidos so fornecidos
ao classificador.
Exemplo: redes neuronais.
Classificao no-supervisionada
O sistema recebe objetos
desconhecidos e a partir da medida de
diferentes parmetros tenta encontrar
as classes.
A identificao de classes pode ser
realizada a partir da identificao de
agrupamentos (clusters) de objetos no
espao de parmetros.
141 S. Paciornik DEMa PUC-Rio
Classificao supervisionada
As etapas do processo
Escolher um conjunto de treinamento
Escolher os parmetros relevantes
Obter a funo discriminante
Obter os erros e eliminar parmetros
irrelevantes
Aplicar a objetos desconhecidos e
escolher pontos de deciso
Medir mais objetos e atualizar histogramas
e pontos de deciso ==> Aprendizado
Conjunto de treinamento (training set)
Um conjunto de objetos conhecidos e que
representem adequadamente as classes
supostamente presentes na sua populao.
Pode-se atribuir um nmero (1,2,...) para
representar o TIPO de cada classe.
Tamanho tpico
de 20 a 100 objetos
Preocupao bsica
Ser que o conjunto realmente
representativo da populao como um todo
?
Dependendo do sistema, esta possvel
limitao pode ser compensada ao longo
do processo de aprendizado. Quando novos
objetos vo sendo classificados pode-se
usar seus valores para refinar o conjunto de
treinamento de forma recursiva.
142 S. Paciornik DEMa PUC-Rio
Classificao supervisionada (cont.)
Seleo de parmetros relevantes
Utilizando senso comum e experincia prvia, escolhe-se os parmetros que parecem
ser mais eficientes para distinguir as classes.
Discriminao
Valores diferentes para classes diferentes
Confiabilidade
Valores semelhantes para a mesma classe
Independncia
Evitar redundncia na informao
Ex: Evitar muitos parmetros do mesmo tipo
Pequenos nmeros
O tamanho do conjunto de treinamento necessrio cresce exponencialmente com o nmero
de parmetros envolvidos.
Em geral deve-se analisar a correlao entre os diversos parmetros e as classes do
conjunto de treinamento. Parmetros com alta correlao devem ser mantidos.
Parmetros com baixa correlao devem ser ignorados.
143 S. Paciornik DEMa PUC-Rio
Discriminao
Mtodos estatsticos
Assumem uma distribuio de
probabilidades conjunta para as
classes de objetos presentes e os
vetores do espao de parmetros.
Mtodos no estatsticos
(distribution free)
Define-se um conjunto de funes
discriminantes que so maximizadas
se o vetor de parmetros pertence a
uma dada classe. Para um problema
com K classes precisa-se de K-1
discriminantes.
Minimum Distance Classifier
Um objeto ser atribudo a uma classe
se o seu vetor de parmetros estiver
mais prximo do centro de gravidade
desta classe do que de qualquer outra
classe.
k-nearest neighbours - KNN
Um objeto ser atribudo a uma classe
se a maioria dos k primeiros vizinhos
pertence a esta classe.
144 S. Paciornik DEMa PUC-Rio
P
a
r
m
e
t
r
o
2
Parmetro 1
Linha de contexto
Limiar de Deciso
Populao A
Populao B
A Funo Discriminante
A funo discriminante
A equao para a funo
discriminante pode ser obtida, em
certos casos, como uma combinao
linear dos diversos parmetros.
Com dois parmetros a funo uma
reta (a linha de contexto).
Com trs parmetros a funo um
plano.
Com mais parmetros a funo um
hiper-plano no espao de parmetros.
145 S. Paciornik DEMa PUC-Rio
Classificao supervisionada (cont.)
Eliminao de parmetros
irrelevantes
Utiliza-se regresso por partes para
eliminar parmetros que no afetam o
ajuste da funo discriminante.
Para isso estima-se o erro na funo
discriminante cada vez que um
parmetro eliminado. Os parmetros
que causam a menor variao so
descartados.
Aplicao a objetos desconhecidos
Para cada novo objeto mede-se os
parmetros selecionados e calcula-se o valor
da funo discriminante.
Em funo da distribuio de valores da
funo discriminante pode-se ento escolher
um limiar de deciso para atribuir o objeto a
uma ou outra classe.
Avels x nozes = 3.928 + 0.773 * Aspect ratio -
5.007 * Fractal Dim + 0.068 * Brightness
limiar de deciso
0 1 2 3 4
N
d
e
o
b
j
e
t
o
s
146 S. Paciornik DEMa PUC-Rio
Classificao supervisionada (cont.)
Erros de classificao
Em diversas situaes o histograma
para a funo discriminante no ser
claramente bi-modal.
Isto dar origem a um problema de
limiarizao anlogo ao da
segmentao de imagens por
intensidade.
Neste caso pode-se usar testes
estatsticos para avaliar a separao de
classes e os erros de classificao.
Estes testes podem ser paramtricos
(utiliza-se uma distribuio
conhecida) ou no-paramtricos.
Escolhe-se o limiar de deciso que d
erros idnticos para ambas as classes
ou que minimize o erro em funo de
um certo critrio de custo.
limiar de deciso
after J.C. Russ - Computer Assisted Microscopy
147 S. Paciornik DEMa PUC-Rio
Aprendizado
Aprendizado
Conforme mais objetos so medidos e classificados, os histogramas das
funes discriminantes mudam, assim como os limiares de deciso.
Isto por sua vez permite a reclassificao de objetos num processo
recursivo.
Isto quer dizer que o sistema pode refinar sucessivamente seu
funcionamento e aumentar a base de dados utilizada.
A interferncia humana fica restrita a resolver situaes nas quais o erro
para um dado limiar ultrapassa certos limites.
Tambm possvel refinar o sistema utilizando funes discriminantes
no-lineares e/ou ajustando a forma da funo discriminante durante o
aprendizado.
148 S. Paciornik DEMa PUC-Rio
Exemplo: Classificao de Ferro Fundido
Ferro Fundido
Material composto por ferro e grafite
diludo sob a forma de partculas de
diversos formatos.
Classe I
Cinzenta
Classe II
Intermediria
Classe III
Vermicular
Classe IV
Nodular irregular
Classe V
Nodular incerta
Classe VI
Nodular
As propriedades mecnicas deste material
dependem fortemente da forma das ilhas.
Ilhas mais arredondadas com bordas suaves
levam a melhores propriedades.
Ilhas mais alongadas com bordas
irregulares levam a piores propriedades.
Existe uma classificao internacional
(ISO-945) para ferro fundido, dividindo-o
em seis classes.
Tradicionalmente a classificao feita
visualmente.
Veremos como tornar este processo
automtico atravs de uma classificao
supervisionada.
149 S. Paciornik DEMa PUC-Rio
Ex: Ferro Fundido (cont.)
Conjunto de Treinamento
Utilizou-se as 6 imagens sintticas da norma.
Parmetros de Medida
Testou-se diversos conjuntos de parmetros, tendo como referncia as
duas caractersticas bsicas das partculas de grafite
Alongamento
Irregularidade de contorno
Comparou-se a qualidade dos diversos conjuntos atravs da
discriminao por eles fornecida
Mxima separao entre classes distintas
Mnima separao dentro da mesma classe
150 S. Paciornik DEMa PUC-Rio
Parmetros testados
Razo de calibres
Razo de permetros
Razo de elipses
Fator de forma circular
o e | propostos por Hecht
Fator de forma de proposto por
Karsay:
Ex: Ferro Fundido (cont.)
Parmetros testados (cont.)
Razo entre permetro e
circunferncia circunscrita
Fator citado por Grum
Fator proposto por Grum
Raio mdio do contorno
Varincia dos raios do contorno
Varincia normalizada
FERETMAX
FERETMIN
FERETRATIO =
PERIMF
PERIMC
PERIMRATIO =
ELLIPSEA
ELLIPSEB
ELLRATIO =
2
PERIMCROFT
AREAF 4
FCIRCLE
=
AREA 3
FERETMAX 4
=
FCIRCLE
1
=
2
FERETMAX
AREA 4
Karsay
=
FERETMAX PERIMCROFT
AREA 4
Ff
=
3
2
FERETMAX PERIMCROFT
AREA 16
Grum
=
FERETMAX
PERIMCROFT
Rpc
=
( ) ( )
=
+ =
N
1
2
G
2
G
P
1
Rmedio
i
i i
y y x x
( ) ( )
2
N
1
2
G
2
G
Rmedio
P
1
Rvar
=
(
+ =
i
i i
y y x x
( ) ( )
| |
2
N
1
2
2
G
2
G
Rmedio - FERETMAX
Rmedio
P
1
RvarNorm
=
(
+
=
i
i i
y y x x
151 S. Paciornik DEMa PUC-Rio
Ex: Ferro Fundido (cont.)
Conjuntos de parmetros:
1) KS Expert
FERETRATIO
PERIMRATIO
FCIRCLE
ELLRATIO
2) Hecht
o e |
3) Novo conjunto proposto
FCIRCLE
Karsay
Novo parmetro
Teste de discriminao
A qualidade de cada conjunto foi
testada aplicando o classificador
escolhido sobre os objetos do prprio
conjunto de treinamento.
Os melhores resultados foram obtidos
com o classificador Bayesiano e o
conjunto 3.
Ff
RvarNorm
Novo =
Taxa de Acerto
Classe CJ 1 CJ 2 CJ 3
I 97.06 100.0 100.0
II 77.78 77.78 83.33
III 89.29 91.07 96.43
IV 87.50 91.67 100.0
V 78.95 89.47 100.0
VI 100.0 100.0 100.0
Total 89.41 92.35 97.06
Classificadores Testados
Distncia Euclidiana
Mahalanobis
Bayesiano
152 S. Paciornik DEMa PUC-Rio
Ex: Ferro Fundido (cont.)
Visualizao grfica da qualidade do treinamento
Classe I
Cinzenta
Classe II
Intermediria
Classe III
Vermicular
Classe IV
Nodula irregular
Classe V
Nodular incerta
Classe VI
Nodular
153 S. Paciornik DEMa PUC-Rio
Ex: Ferro Fundido (cont.)
Classificao de imagens reais
Classe np %
1 0 0.00
2 12 24.00
3 9 18.00
4 3 6.00
5 13 26.00
6 13 26.00
Total 50 100.00
Classe %
1 20 33.90
2 26 44.07
3 10 16.95
4 2 3.39
5 1 1.69
6 0 0.00
Total 59 100.00
Classe np %
1 0 0.00
2 2 2.22
3 11 12.22
4 6 6.67
5 25 27.78
6 46 51.11
Total 90 100.00
154 S. Paciornik DEMa PUC-Rio
A Transformada de Fourier
Conceito Bsico
No sculo XVIII, Fourier mostrou que
uma funo qualquer pode ser
escrita atravs da soma de senos com
diferentes amplitudes, freqncias e
fases.
A preciso desta aproximao
depende da extenso da soma. Se as
freqncias variam de - a +, a
soma representa exatamente a funo
original
Fourier demonstrou este fato para uma
soma discreta onde as freqncias dos
senos variam em intervalos discretos.
A noo de Transformada
Com o advento do clculo diferencial
e integral, este conceito foi estendido
para uma soma em que os intervalos
de freqncia so infinitesimais,
levando a uma integral.
A Transformada de Fourier (FT) de
uma funo f(x) uma outra funo
que representa as amplitudes e as
fases de cada uma das funes seno
usadas na integral.
Porque ela contm infomaes de
amplitude e fase, a FT normalmente
tratada como uma grandeza complexa
que tem mdulo e fase.
155 S. Paciornik DEMa PUC-Rio
Nmeros Complexos
Reviso de nmeros complexos
Z = a + ib
a a parte real de Z (Re(Z))
b a parte imaginria de Z (Im(Z))
Z tambm pode ser escrito como
Z =|Z|(cos +isin)
onde
|Z| =(a
2
+b
2
) o mdulo de Z
tg =b/a, a fase de Z
Outra notao para Z na sua forma
polar Z =|Z|Z
Aritmtica
Se
Z
1
=a +ib =|Z
1
| Z
1
e
Z
2
=c +id =|Z
2
| Z
2
ento
Z
1
+Z
2
=(a +c) +i(b +d)
Z
1
- Z
2
=(a - c) +i( b - d)
Z
1
* Z
2
=|Z
1
||Z
2
| Z(
1
+
2
)
Z
1
/ Z
2
=|Z
1
|/|Z
2
| Z(
1
-
2
)
Exponencial complexa
exp(Z) =e
a
[cos(b) +isin(b)]
exp(ib) =cos(b) +isin(b)
cos(b) =[exp(ib) +exp(-ib)] / 2
sin(b) =[exp(ib) - exp(-ib)] / 2i
Z =|Z|(cos +isin) Z = ,Z,exp(i)
exp(i0) = 1 exp(it) = -1
exp(it/2) = i exp(-it/2) = -i
Re
Im
a
b
|Z|
156 S. Paciornik DEMa PUC-Rio
Formulao Matemtica
Noes bsicas
Transformada direta e inversa em uma dimenso
F(u) uma funo complexa =>F(u) = |F(u)| e
i|
Espectro de Potncia - P(u) = |F(u)|
2
Lembrando que exp[-i2tux] = cos 2tux - isin2tux nota-se que a FT nada mais do que a
superposio de senos e cossenos para gerar uma funo, onde u a varivel de freqncia.
Transformada direta e inversa em duas dimenses
{ } | |
{ } | | dv du vy ux i u F y x f v u F FT
dy dx vy ux i y x f v u F y x f FT
}
}
+
+
+ t = =
+ t = =
) ( 2 exp ) , ( ) , ( ) , (
) ( 2 exp ) , ( ) , ( ) , (
1
v
FT f (x) { }= F(u) = f ( x) exp i2tux | |dx
+
}
FT
1
F(u) { } = f (x) = F(u) exp i2tux | |du
+
}
Sntese de Fourier
Anlise de Fourier
157 S. Paciornik DEMa PUC-Rio
|F(u)|
AX
Calculando o mdulo
E a fase
A funo degrau em 1D
A
X x
f(x)
F(u) = f (x) exp[i2tux]
+
}
dx =
= Aexp[i2tux]dx
0
X
}
=
=
A
i2tu
0
X
e
i 2tux
| |
=
=
A
i2tu
e
i 2tuX
1
| |
=
=
A
i2tu
e
ituX
e
ituX
| |
e
ituX
=
=
A
tu
sin(tuX)e
ituX
F(u) =
A
tu
sin(tuX) e
ituX
=
= AX
sin(tXu)
tXu
1/X 2/X 3/X -3/X -2/X -1/X 0
u
(u)
t
2t
3t
(u) = tXu
Sinc(u)
158 S. Paciornik DEMa PUC-Rio
A funo janela em 2D
Yv Xu v u
vY
vY
uX
uX
AXY v u F
vY
e vY
uX
e uX
AXY
v i u i
A
dy vy i dx ux i A
dxdy vy ux i y x f v u F
vY i uX i
vy i
Y
ux i
X
Y X
e e
t t =
t
t
t
t
=
(
t
t
(
t
t
=
=
t t
=
= t t =
= + t =
t t
t t
+
(
} }
} }
) , (
) sin( ) sin(
) , (
) sin( ) sin(
2 2
] 2 exp[ ] 2 exp[
)] ( 2 exp[ ) , ( ) , (
2
0
2
0
0 0
|F(u,v)|
f(x,y)
159 S. Paciornik DEMa PUC-Rio
A Transformada de Fourier Discreta
Conceito
Quando trabalhamos com imagens digitais, devemos adaptar o clculo da FT para lidar
com uma funo discretizada, ou amostrada.
Se uma funo contnua f(x,y) discretizada por amostragem de N pontos com
intervalo Ax e N pontos com intervalo Ay teremos a DFT (Discrete Fourier Transform)
e sua inversa na forma
F(u, v) =
1
N
f (x, y) exp i2t(
ux + vy
N
(
y=0
N1
x=0
N1
u, v = 0,1, 2, .. ., N 1
f (x, y) =
1
N
F(u, v) exp i2t(
ux + vy
N
(
v=0
N1
u=0
N1
x, y = 0,1, 2, .. ., N 1
Au =
1
NAx
Av =
1
NAy
160 S. Paciornik DEMa PUC-Rio
Propriedades da DFT
Caractersticas especiais
A DFT tem uma srie de propriedades importantes para seu clculo e interpretao.
Algumas destas propriedades esto diretamente relacionadas com sua caracterstica
discreta.
Separabilidade
A DFT separvel em x e y, ou em u e v.
Isto permite que o clculo seja dividido em duas etapas, simplicando o processo.
Primeiro calcula-se a DFT de cada linha da imagem e forma-se uma imagem intermediria
com estes resultados.
Em seguida calcula-se a DFT de cada coluna desta imagem para obter-se o resultado final.
Linearidade
F(u, v) =
1
N
exp
i2tux
N
(
(
f (x, y) exp
i2tvy
N
(
(
y =0
N 1
x =0
N 1
0
N1
0
N1
=
1
N
F(0, 0)
167 S. Paciornik DEMa PUC-Rio
O Teorema da Convoluo
A Transformada de Fourier da convoluo de duas funes o produto das
Transformadas de Fourier de cada uma das funes.
Assim, a filtragem atravs de kernels pode tambm ser obtida no domnio das
freqncias.
Obtm-se a DFT da imagem
Obtm-se a DFT da imagem correspondente ao filtro
Normalmente completa-se a imagem com zeros (zero padding)
Multiplica-se as duas DFTs
Muitas vezes, j se conhece a DFT do filtro e ela aplicada diretamente como uma mscara
multiplicativa
Calcula-se a IFT do produto que ser a imagem filtrada
Convoluo e Filtragem de Fourier
f (x, y) g(x, y) = f (o, |)g(x o, y |)dod|
+
}
+
}
FT f (x, y) g(x, y)
{ }
= FT f (x, y)
{ }
FT g(x, y)
{ }
FT f (x, y) g(x, y) { }= FT f (x, y) { } FT g(x, y) { }
168 S. Paciornik DEMa PUC-Rio
Filtragem de Fourier
a b = DFT(a)
h = DFT(g)
d = DFT(c)
i = h . b
e = d . b
j = IFT(i)
f = IFT(e)
c = Passa Baixa
1 1 1
1 1 1
1 1 1
g = Passa Alta
-1 -1 -1
-1 8 -1
-1 -1 -1
169 S. Paciornik DEMa PUC-Rio
Vantagens e Problemas
Vantagens da filtragem de Fourier
mais rpida quando o kernel
grande.
A aplicao do filtro como uma
mscara permite uma preciso muito
maior na definio do seu efeito e
elimina problemas associados s
bordas da imagem.
Mscaras no domnio de Fourier
Caso a mscara tenha bordas abruptas,
implicando em altas freqncias em
sua IFT, isto introduzir artefatos na
imagem resultante.
Pelo Teorema da Convoluo, o efeito
da multiplicao aparece como uma
convoluo no espao real.
Isto quer dizer que uma mscara com
borda abrupta afetar todos os pontos
da imagem original.
Leaking e mscaras no domnio do espao
A exigncia de que a imagem seja uma
funo peridica, equivale a multiplicar a
imagem por uma funo janela com tamanho
igual ao da imagem.
Esta multiplicao aparece como uma
convoluo no domnio de Fourier entre a
DFT da imagem e a DFT da janela.
Novamente, todos os pontos da DFT da
imagem sero afetados.
A DFT da funo janela
sinc(tuM).sinc(tvN) (onde M e N so a
largura e altura da imagem). Esta funo
decai e tem seu primeiro zero em 1/M (1/N)
que corresponde ao valor mximo no
domnio das freqncias. Isto explica porque
o leaking atravessa a imagem de lado a lado
e porque mais visvel sobre pontos
brilhantes da DFT.
170 S. Paciornik DEMa PUC-Rio
Correlao
O Teorema da Correlao
Definindo a correlao entre duas funes (tambm chamada de correlao cruzada -
cross correlation - XCF)
possvel mostrar que
Quando f=g, denomina-se autocorrelao (ACF).
Tambm possvel mostrar que a FT da autocorrelao de uma funo seu espectro
de potncia |F(u)|
2
f (x, y) g(x, y) = f
*
(o, |)g(x + o, y + |)dod|
+
}
+
}
{ } { } { }
{ } { } { } ) , ( ) , ( ) , ( ) , (
) , ( ) , ( ) , ( ) , (
*
*
y x g FT y x f FT y x g y x f FT
y x g FT y x f FT y x g y x f FT
o
o
=
=
{ }
2
) ( ) , ( ) , ( u F y x f y x f FT = o
171 S. Paciornik DEMa PUC-Rio
Visualizao Grfica
Afinal de contas, o que uma correlao ?
o
I(o)
o
I(o)k(x+o)
x
I(x)
k(x)
-
o
k(o)
o
k(- o)
o
k(x+o)
x
< > + < >
o
I(a)k(x+o)
i(x) k(x) = i
*
(o)k(x+o)do
+
}
Obs: Note que neste caso o pico
da correlao corresponde a
superposio mxima entre i e k,
referidos mesma origem.
o
I(o)k(x+o)
x < 0
x = 0 x>0
172 S. Paciornik DEMa PUC-Rio
Funcionamento da Correlao
Faixa de Valores
A correlao uma medida da
similaridade entre duas imagens.
Normalmente, seus valores esto entre -1 e
1.
1 => imagens idnticas
0 => imagens descorrelatadas
-1 => uma imagem o negativo da
outra.
Analogia com produto escalar
A correlao uma soma dos produtos
ponto a ponto entre duas imagens.
Se cada imagem tratada como um vetor
de N dimenses onde N o nmero total
de pixels da imagem, a correlao
corresponde exatamente ao produto
escalar entre os dois vetores.
f - g = f
i
g
i
i=1
N
Imagem Original
Imagem de
Autocorrelao.
O pico tem valor 1 e
est exatamente sobre
o pixel central da
imagem, indicando
perfeito registro entre
a imagem e ela
mesma.
173 S. Paciornik DEMa PUC-Rio
Aplicaes da Correlao
Alinhamento entre imagens (Image Register)
Quando duas ou mais imagens so muito semelhantes, mas podem estar
deslocadas umas em relao s outras, a correlao permite medir o
deslocamento e colocar as imagens em registro.
Para isso, calcula-se a XCF entre duas imagens e localiza-se o pico de
intensidade. O deslocamento do pico em relao ao centro da imagem
fornece o deslocamento entre as imagens.
Aplicaes
Ajuste entre ladrilhos de uma imagem em mosaico
Ajuste entre imagens em uma seqncia tomogrfica ou em microscopia
co-localizada.
Deteco de deslocamento e erros entre objetos em uma linha de
montagem.
174 S. Paciornik DEMa PUC-Rio
Exemplo: Alinhamento e Comparao
Comparao entre imagens
numa linha de montagem
para verificar erros.
Calcula-se a correlao entre a
imagem atual e uma referncia
Detecta-se o pico de
correlao e determina-se o
vetor de deslocamento em
relao ao centro da imagem
As imagens so colocadas em
registro, transladando a
imagem pelo vetor
determinado
As imagens so subtradas
Se a diferena for maior do
que um certo limiar,
determina-se um erro.
Imagem de Referncia
Imagem de XCF
Mximo da XCF
Centro da Imagem
Imagem de erro, obtida aps
alinhamento e subtrao
Imagem deslocada
e defeituosa
175 S. Paciornik DEMa PUC-Rio
Template Matching
Template Matching
A correlao muito utilizada no
template matching , onde se procura
localizar, numa imagem grande, a
ocorrncia de objetos semelhantes a uma
imagem pequena, o molde.
Ao calcular a correlao entre a imagem
grande e o molde, as posies nas quais
a imagem grande se assemelha ao molde
tero alto valor da correlao.
Desta forma, uma busca de extremos na
imagem da correlao fornecer as
posies, e o valor dos extremos
fornecer o grau de semelhana.
Este procedimento pode ser realizado no
domnio das freqncias ou do espao.
Quando o template grande, o clculo
no domnio das freqncias mais
veloz.
Caso haja necessidade de normalizar os
valores para permitir comparao entre
diferentes imagens, s possvel realizar
o clculo no domnio espacial.
Exemplo: Reconhecimento de letras
Imagem Original Correlao com retngulo vermelho
Correlao >=0.80
Correlao >=0.96 Correlao >=0.88
Note a deteco das letras E,
(E com acento) e F, em
funo do limiar de correlao
utilizado.
Esta tcnica no apresenta
boa performance no
reconhecimento de caracteres.
176 S. Paciornik DEMa PUC-Rio
Normalizao
Se a inteno comparar diversas imagens com uma imagem de referncia, e se as
diversas imagens podem ter faixas distintas de intensidade, necessrio normalizar os
dados para permitir uma comparao quantitativa. Para isso define-se o coeficiente de
correlao normalizado
onde
i e t so a imagem e o template, respectivamente
t o valor mdio do template
i o valor mdio da parcela da imagem que
coincide com o template a cada instante do processo
os somtorios atuam sobre as coordenadas comuns
a i e t.
CCC no pode ser obtido no domnio de Fourier
Coeficiente de Correlao
CCC(r, s) =
i(x, y) i (x, y)
| |
t(x r, y s) t
| |
y
i(x, y) i (x, y)
| |
2
t(x r, y s) t
| |
2
y
(r,s)
i(x,y)
t(x-r,y-s)
x
y
177 S. Paciornik DEMa PUC-Rio
Exemplo Interessante
Reconhecimento de Padres
Em imagens obtidas por HRTEM - High
Resolution Transmission Electron
Microscopy, surgem padres formados
pela distribuio espacial organizada dos
tomos do material. Estas unidades
estruturais (UEs) so importantes na
caracterizao do material a nvel
microscpico.
A tcnica de Template Matching pode ser
usada com sucesso neste caso.
A partir de uma UE identificada pelo
operador, possvel localizar as
ocorrncias de outras unidades
semelhantes.
O valor de CCC para cada UE localizada,
uma medida de similaridade.
Diversas UEs podem ser extradas e
somadas, melhorando a relao sinal rudo.
Imagem de uma fronteira de gro em TiO
2
com uma
UE assinalada.
Imagem de CCC mostrando o centro de UEs semelhantes.
Original Mdia
Somando as vrias unidades obtm-se uma reduo do rudo.
178 S. Paciornik DEMa PUC-Rio
A Transformada Rpida de Fourier
Um algoritmo Eficiente para o Clculo da DFT
Relembrando a expresso para a DFT em 1D
O nmero de operaes (
*
,+) proporcional a N
2
Para cada um dos N valores de u, realiza-se N multiplicaes de f(x) pela exponencial e N-1
adies dos resultados. Ou seja para cada u temos O(N) operaes.
Ao total teremos NxO(N) = O(N
2
) para 1D
Os termos internos da exponencial podem ser calculados apenas uma vez e armazenados
numa tabela. Por isso eles no so includos no clculo do nmero de operaes.
A Fast Fourier Transform reduz o nmero de operaes para O(Nlog
2
N) em 1D
O ganho computacional enorme
Para uma imagem 512x512 o ganho de cerca de 30000 vezes.
Se o tempo da FFT de 5 segundos o d DFT seria de cerca de 40 horas.
F(u) =
1
N
f ( x) exp
i2tux
N
(
(
x =0
N1
+
1
M
f (2x +1)W
M
ux
W
2M
u
x=0
M1
(
(
{
{
F
par
(u) F
mpar
(u)
(5)
O algoritmo da FFT
O algoritmo da FFT
Vamos escrever F(u) na forma
onde
e N uma potncia de 2 ou seja N=2
n
. Assim N pode ser escrito tambm como N=2M.
Substituindo na expresso original teremos
Da definio de W fcil ver que
Assim a expresso acima pode ser reescrita como
F(u) =
1
N
f (x)W
N
ux
x=0
N1
(1)
W
N
= exp
i2t
N
| |
(2)
(3)
(4)
F(u) =
1
2M
f ( x)W
2M
ux
x=0
2M1
=
=
1
2
1
M
f (2x)W
2M
u(2x)
x=0
M1
+
1
M
f (2x +1)W
2M
u(2x+1)
x=0
M1
(
(
F(u) =
1
2M
f ( x)W
2M
ux
x=0
2M1
=
=
1
2
1
M
f (2x)W
2M
u(2x)
x=0
M1
+
1
M
f (2x +1)W
2M
u(2x+1)
x=0
M1
(
(
W
2M
2ux
= W
M
ux
180 S. Paciornik DEMa PUC-Rio
Assim
Mas como
podemos escrever
Estas expresses indicam que para calcular uma transformada de N pontos, podemos
dividir o clculo em duas metades conforme indicado em (8) e (10).
A primeira metade (8) requer duas transformadas com N/2 pontos cada (6 e 7). Os
valores so ento substitudos em (8) para obter a primeira metade de F(u) para
u=0,1,..,(N/2-1).
A segunda metade obtida de (10) sem novo clculo de transformada.
O algoritmo da FFT (cont.)
F(u) =
1
2
F
par
(u) + F
mpar
(u)W
2M
u
| |
W
M
u+M
= W
M
u
W
2M
u+M
= W
2M
u
F(u + M) =
1
2
F
par
(u) F
mpar
(u)W
2M
u
| |
(8)
(9)
(10)
F
par
(u) =
1
M
f (2x)W
M
ux
x=0
M1
F
mpar
(u) =
1
M
f (2x +1)W
M
ux
x=0
M1
(6,7)
181 S. Paciornik DEMa PUC-Rio
Nmero de Operaes
Nmero de operaes de adio (a) e Multiplicao (m)
Supondo primeiro apenas dois pontos N=2 => n=1 =>M=1
Queremos obter F(0) e F(1).
F(0) obtido a partir de (6) e (7) e depois (8)
F(1) obtido apenas de (10) j que (6) e (7) j foram calculadas. Isto implica em mais uma
subtrao (equivalente a adio).
Desta forma m(1)=1 e a(1)=2
F
par
(0) =
1
M
f (2x)W
M
0
x=0
M1
=
1
1
f (2x).1
x =0
0
= f (0)
F
mpar
(0) =
1
M
f (2x +1)W
M
0
x =0
M1
=
1
1
f (2x +1).1
x =0
0
= f (1)
F(0) =
1
2
F
par
(0) + F
mpar
(0)W
2
0
| |
m=1, a=1
n=0, a=0
182 S. Paciornik DEMa PUC-Rio
Nmero de Operaes (cont.)
Supondo agora quatro pontos N=4 => n=2 =>M=2
Queremos obter F(0), F(1), F(2) e F(3).
F(0) e F(1) so obtidas a partir de (6) e (7) com 2 transformadas de 2 pontos, e depois de (8).
Uma transformada de 2 pontos usa m(1) e a(1). Assim precisamos de 2m(1) e 2m(1) para
calcular (6) e (7).
Para calcular (8) para F(0) e F(1) precisamos de mais duas adies e multiplicaes.
Para obter F(2) e F(3) basta calcular (10) o que exige mais duas adies.
O nmero total m(2) = 2m(1) + 2 e a(2) = 2a(1) + 4
Para oito pontos N=8 (n=3, M=4) sero necessrias
m(3) = 2m(2) + 4
a(3) = 2a(2) + 8
A expresso geral define o nmero de operaes de forma recursiva
m(n) = 2m(n-1) + 2
n-1
a(n) = 2a(n-1) + 2
n
Este o mtodo da duplicao sucessiva (sucessive doubling alghorithm).
O mtodo exige que N seja uma potncia de 2.
183 S. Paciornik DEMa PUC-Rio
Complexidade
Complexidade Computacional
Vamos mostrar que
Usando induo, temos que provar a validade para n=1 e, em seguida, supondo a
validade para n mostrar que vale para n+1.
Provando para n=1
Para n+1. Das equaes (11) e (12)
m(n) =
1
2
2
n
log
2
2
n
=
1
2
Nlog
2
N =
1
2
Nn
a(n) = 2
n
log
2
2
n
= Nlog
2
N = Nn
m(1) =
1
2
(2)(1) = 1
a(1) = (2)(1) = 2
m(n +1) = 2m(n) + 2
n
=
= 2
1
2
Nn
|
\
|
.
+ 2
n
= 2
1
2
2
n
n
|
\
|
.
+ 2
n
=
= 2
n
n +1 ( ) =
1
2
2
n +1
( )
(n +1)
a(n +1) = 2a(n) + 2
n +1
=
= 2 Nn ( )+ 2
n+1
= 2 2
n
n
( )
+ 2
n+1
=
= 2
n+1
n +1
( )
184 S. Paciornik DEMa PUC-Rio
Implementao
Exemplo
Vamos analisar uma FFT de 8 pontos f(0), f(1), f(2) , f(3) , f(4) , f(5) , f(6) , f(7).
Para calcular as partes par e mpar precisamos primeiro separar os pontos de entrada em
dois grupos
f(0), f(2), f(4), f(6) (par) e f(1), f(3), f(5), f(7) (mpar)
Estes por sua vez devem ser separados tambm em suas partes par e mpar.
A seqncia completa a seguinte
f(0) f(1) f(2) f(3) f(4) f(5) f(6) f(7)
f(0) f(2) f(4) f(6) f(1) f(3) f(5) f(7)
f(0) f(4) f(2) f(6) f(1) f(5) f(3) f(7)
f(0) f(4) f(2) f(6) f(1) f(5) f(3) f(7)
Transformadas
de 2 pontos
Transformadas
de 4 pontos
Transformada de 8 pontos
Para executar o algoritmo, os pontos de f(x) devem
ser reordenados antes do clculo. A reordenao
trivial se notarmos que a nova posio pode ser
obtida da antiga expressando x em modo binrio e
refletindo os bits.
f(0) => 0 0 0 => 0 0 0 => f(0)
f(1) => 0 0 1 => 1 0 0 => f(4)
f(2) => 0 1 0 => 0 1 0 => f(2)
f(3) => 0 1 1 => 1 1 0 => f(6)
f(4) => 1 0 0 => 0 0 1 => f(1)
f(5) => 1 0 1 => 1 0 1 => f(5)
f(6) => 1 1 0 => 0 1 1 => f(3)
f(7) => 1 1 1 => 1 1 1 => f(7)
185 S. Paciornik DEMa PUC-Rio
A Transformada de Hough
Conceito
Assim como a Transformada de Fourier mapeia as freqncias espaciais de uma
imagem em um espao onde componentes peridicas aparecem como pontos brilhantes,
existem diversas outras transformadas que mapeiam outras caractersticas da imagem.
A Transformada de Hough (TH) tem a propriedade de mapear elementos geomtricos
especficos (linhas retas, crculos, etc) em pontos brilhantes.
Na sua definio original, e mais simples, a TH utilizada para identificar linhas retas
em imagens. Esta ser a implementao estudada neste curso.
Aplicaes
A TH utilizada em diversas reas tais como
Aerofotogrametria e sensoriamento remoto
Na identificao de estruturas regulares como estradas, campos de pouso, etc...
Microscopia
Na identificao de estruturas tais como lamelas, fronteiras de gro, etc...
186 S. Paciornik DEMa PUC-Rio
A equao da reta e sua transformada
Considere a equao da reta que passa pelo ponto (x
i
,y
i
)
Infinitas retas podem passar pelo ponto (x
i
,y
i
) mas se reescrevemos a equao
encontramos a equao de uma reta no espao de parmetros definido por a e b.
Um segundo ponto (x
j
,y
j
) tambm ter uma reta correspondente no plano ab. A
interseco entre estas duas retas corresponde a um ponto no plano ab. As coordenadas
deste ponto, (a, b), correspondem ao coeficiente angular e linear da reta que une (x
i
,y
i
)
e (x
j
,y
j
) no espao real. Cada ponto da reta no espao (x,y) gerar uma reta no espao
de parmetros, e todas estas retas passam pelo mesmo ponto (a, b).
Mapeando Retas em Pontos
y
i
= ax
i
+ b
b = x
i
a+ y
i
x
y
x
i
x
j
y
i
y
j
a
b
a
b
b = x
i
a+ y
i
b = x
j
a + y
j
187 S. Paciornik DEMa PUC-Rio
A representao normal de uma reta
A utilizao da equao y=ax + b no
adequada porque os valores de a e b
tendem a infinito para retas verticais.
Sendo assim, prefere-se utilizar a
representao normal de uma reta dada
por
Neste caso obtm-se a TH no espao de
parmetros , u.
Agora, cada ponto (x,y) ser mapeado
como uma funo senoidal no espao de
Hough.
Um conjunto de pontos colineares no
espao real ir gerar um conjunto de
senides no espao de Hough.
Estas senides tero um ponto de
interseco que identifica a presena da
reta que une estes pontos no espao real.
Um mapeamento melhor
xcosu + ysinu =
188 S. Paciornik DEMa PUC-Rio
Transformada de Hough de pontos em um quadrado (G&W pg.437)
Cada ponto indicado mapeado como uma senide.
A interseco de senides indica a colinearidade de pontos na imagem original.
Ex: Ponto A, corresponde diagonal que une 2, 3 e 4 => = L2/2 e u = 45
o
O ponto 1 tem = 0, o que implica numa senide de amplitude zero.
Um exemplo simples
1 2
4 5
3
L
L
-2L
2L
u
0
-90 +90
0
1
4
3
2
5
A
-L
L
u = 45
o
189 S. Paciornik DEMa PUC-Rio
Exemplo mais completo
Considere a figura abaixo e sua TH
TH
TH Inversa a partir
dos 8 pontos mais
brilhantes da TH
190 S. Paciornik DEMa PUC-Rio
Segmentao usando a TH
Exemplo (G&W pg. 439)
Identificao
da pista de
pouso obtida a
partir dos trs
pontos mais
brilhantes da
TH.
Imagem
original de
um hangar e
uma pista de
pouso.
Imagem de
bordas,
mostrando
apenas os
pontos de
maior
gradiente.
http://www.dai.ed.ac.uk/HIPR2/hough.htm
TH da Imagem
de bordas. Note
os pontos
brilhantes
relativos s
linhas retas na
imagem
original
191 S. Paciornik DEMa PUC-Rio
Segmentao usando a TH
Imagem Original Deteco de bordas
TH com seleo de pontos correspondentes
a retas verticais e alongadas
Retas identificadas Retas sobrepostas imagem original
192 S. Paciornik DEMa PUC-Rio
Exemplo: Morfometria de Neurnios
Imagem Original Reduo de rudo: mediana 3x3
1 2
193 S. Paciornik DEMa PUC-Rio
Segmentao Adaptativa (invertida)
Scrap de 10 pixels: elimina pequenos buracos
Exemplo (cont.)
3 4
194 S. Paciornik DEMa PUC-Rio
Inverso (NOT)
Abertura para quebrar estruturas
finas e irregulares
5 6
Exemplo (cont.)
195 S. Paciornik DEMa PUC-Rio
Novo scrap para limpar o fundo Preenchimento das fibras
7 8
Exemplo (cont.)
196 S. Paciornik DEMa PUC-Rio
Identificao dos ncleos
Eliminao de ncleos com forma irregular
9 10
Exemplo (cont.)
197 S. Paciornik DEMa PUC-Rio
Dilatao derradeira para definir
fronteiras entre as fibras
Separao das fibras: 11 XOR 7
11 12
Exemplo (cont.)
198 S. Paciornik DEMa PUC-Rio
Bordas sobrepostas Neurnios classificados por espessura
13
Exemplo (cont.)