Atividade pratica processamento de imagens, Exercícios de Processamento de Imagem Digital

Baixe Atividade pratica processamento de imagens e outras Exercícios em PDF para Processamento de Imagem Digital, somente na Docsity!

Processamento de Imagens

Atividade Prática

Prof. Charles Way Hun Fung, MSc

LISTA DE FIGURAS

INFORMAÇÕES SOBRE A ATIVIDADE PRÁTICA

Esta atividade prática é individual, por isso cada aluno deve entregar seu próprio trabalho.

AVALIAÇÃO DA ATIVIDADE PRÁTICA:

1. Todas as questões devem conter códigos na resolução, por isso apresente-os. Ver seção “Apresentação dos códigos em todas as questões”.
2. As variáveis utilizadas na questão devem iniciar com o nome do aluno. Ver a seção “Nomeação das Variáveis”.
3. Cada exercício deverá ser resolvido no formato proposto, devendo conter: Códigos, imagem resultante e explicações. Ver a seção de “Forma da Resolução”.
4. O valor das partes da questão:

Parte da Solução Valor

Códigos 25% do valor da questão

Imagem resultante 25% do valor da questão

Explicação da solução 50% do valor da questão

5. Plágio: É considerado plágio quando se usa um texto exatamente igual a um já existente. Acima de 5 palavras idênticas e na mesma sequência em uma frase, essa frase é considerada que foi plagiada. Em um trabalho acadêmico, deve-se ler diversos textos de referência e reescrever com as suas palavras tudo o que foi entendido. É possível fazer citação de trechos de um texto, mas mesmo com citação é preciso ter o cuidado para que o seu trabalho não seja uma cópia idêntica. Caso seja constatado plágio no trabalho apresentado, este receberá nota ZERO.
6. O aluno deverá entregar em um ARQUIVO ÚNICO NO FORMATO PDF no AVA no ícone trabalhos.

OBJETIVOS

1. Utilizar o ambiente matemático SciLab para resolver os problemas propostos sobre os conteúdos da disciplina de processamento de imagens.
2. Fazer com que o aluno adquira vivência com problemas da área de processamento de imagens.
3. Conhecer funções que realizam determinados processamentos e entender para que tipo de problemas podem ser usados.
4. Entender o funcionamento de um ambiente matemático: variáveis, vetores, matrizes e funções.

FORMATO DA RESOLUÇÃO DAS QUESTÕES

A atividade prática consiste em diversas questões experimentais que devem seguir um determinado formato de resposta:

APRESENTAÇÃO DO CÓDIGO EM TODAS AS QUESTÕES

Em todas as questões é pedido para utilizar algum comando com as imagens, por isso mostre o código! Exemplo: imread(charles_imagem_Q01) Caso o aluno não mostre o código, este terá um desconto da 25% na nota da questão!

NOMEAÇÃO DAS VARIÁVEIS

O nome das variáveis deve estar com o nome do aluno em seu prefixo (deve começar com o nome do aluno). Exemplo: charles_imagem_Q01 = imread(“house.tif”) imshow(charles_imagem_Q01) Caso o aluno não escreva o nome no prefixo da variável, este terá um desconto da 25% na nota da questão! Se o nome não condizer com o do aluno, a questão será ANULADA!

FORMATO DA RESOLUÇÃO

A resolução da questão deve seguir os seguintes passos: I) Apresentar código da resolução; II) Apresentar a imagem resultante; III) Explicar/Responder o que foi pedido; Segue o exemplo esperado para resolução dos exercícios desta atividade prática:

QUESTÃO EXEMPLO: Converta a imagem colorida lena_color_256.tif para níveis de cinza usando o comando rgb2gray. Explique o que mudou na imagem, avalie dimensões e quantidade de dados da imagem resultante. Apresente o código e imagens resultantes. I) Apresentação do Código: charles_img = imread("lena_color_256.tif"); charles_gray_img = rgb2gray(charles_img); imshow(charles_gray_img) II) Apresentação da Imagem Resultante: Figura 1: Imagem da Lena em níveis de cinza. III) Explicação: A imagem original colorida, que possuía três componentes de cor: Vermelho, verde e azul, foi convertida para uma imagem monocromática (níveis de cinza). O tamanho da imagem (linhas e colunas) permanece o mesmo, isto pode ser comprovado utilizando o comando size em ambas imagens: A Erro! Fonte de referência não encontrada. mostra a diferença de dimensões entre a imagem colorida (charles_img) e a imagem monocromática (charles_gray_img), pode-se perceber que a segunda imagem possuí apenas duas dimensões, ou seja possuí uma quantidade de dados menor em relação a primeira imagem. Caso o aluno não siga essa estrutura de resolução terá sua nota descontada em até 25%!

O que consiste em somar a probabilidade do nível a cada nova iteração. Considerando o exemplo anterior, podemos calcular a cdf: s0= pr(r0) = 0, s1 = pr(r0) + pr(r1) = 0,068+0,196 = 0, s2=0,560; s3=0,769; s4=0,891; s5=0,939; s6=0,972; s7=1; Em seguida deve-se arredondar os valores s para um múltiplo de 1/7, neste caso: s0≈0; s1≈2/7; s2≈4/7; s3≈5/7; s4≈6/7; s5≈1; s6≈1; s7≈1; Este processamento resulta em: Tabela 2 - Distribuição dos pixels da imagem depois da equalização. Figura 3: Exemplo de Histograma de uma Imagem depois da equalização. Mais informações sobre este processamento, veja a aula prática 1. Com base em histograma e na técnica de equalização resolva os exercícios a seguir: Exercícios de Histograma Para resolver estes exercícios faça a leitura das imagens house.tif, cameraman.tif e lena_color_256.tif utilizando o comando imread. Em todos os exercícios mostre o código, imagens resultantes e apresente explicações.

1. Mostre o histograma de uma destas imagens, explique o formato do histograma, a respeito de níveis de cinza, quantidade de pixels e contraste. I) Apresentação do Código: (COLOCAR CÓDIGO AQUI) II) Apresentação das Imagens Resultantes: (COLOCAR FIGURAS AQUI) Figura 4: (COLOCAR LEGENDA AQUI) III) Explicação: (COLOCAR EXPLICAÇÃO AQUI)

3. Realize a equalização na imagem cameraman.tif, faça uma comparação entre a imagem original e a equalizada. Mostre diferenças dos histogramas (original e equalizado) e explique o processamento realizado pela equalização. I) Apresentação do Código: (COLOCAR CÓDIGO AQUI) II) Apresentação das Imagens Resultantes: (COLOCAR FIGURAS AQUI) Figura 6: (COLOCAR LEGENDA AQUI) III) Explicação: (COLOCAR EXPLICAÇÃO AQUI)

FILTRAGEM ESPACIAL

A filtragem espacial consiste na convolução em duas dimensões (função conv2 do Scilab) de uma máscara pré-determinada e uma imagem. Esta filtragem tem o intuito de dar ênfase a uma determinada característica da imagem. Pode-se utilizar as máscaras para fazer a detecção de características específicas como: pontos, linhas ou bordas. A seguir um quadro com os principais filtros: Tabela 3 - Máscaras para Filtragem Espacial. Filtro Máscara Pontos Isolados ൥

Linha horizontal ൥

Linha vertical ൥

Linha 45° ൥

Linha -45° ൥

Borda – Roberts (^) ቂ−^1 0 1 ቃ ou ቂ

Borda – Prewitt ൥

൩ ou ൥

Borda – Sobel ൥

൩ ou ൥

Mais informações sobre este processamento, veja a aula prática 2. Com base em filtragem espacial, mascaramento e convolução resolva os exercícios a seguir:

5. Em ambas imagens aplique os filtros para detecção de linha: horizontal, vertical, 45° e -45°. Para isto procure uma máscara para cada filtro (tabela anterior) e utilize conv para aplicar o filtro na imagem. Plote o resultado e explique o que aconteceu com a imagem. I) Apresentação do Código: (COLOCAR CÓDIGO AQUI) II) Apresentação das Imagens Resultantes: (COLOCAR FIGURAS AQUI) Figura 8: (COLOCAR LEGENDA AQUI) III) Explicação: (COLOCAR EXPLICAÇÃO AQUI)

6. Em ambas imagens aplique os filtros para detecção de borda: Roberts, Prewitt, Sobel. Para isto procure uma máscara para cada filtro e utilize conv2 para aplicar o filtro na imagem. Plote o resultado e explique o que aconteceu com a imagem. I) Apresentação do Código: (COLOCAR CÓDIGO AQUI) II) Apresentação das Imagens Resultantes: (COLOCAR FIGURAS AQUI) Figura 9: (COLOCAR LEGENDA AQUI) III) Explicação: (COLOCAR EXPLICAÇÃO AQUI)

MODELO DE CORES

Nossos olhos possuem diversas células para detecção tanto de intensidade ou brilho de um objeto, como sua crominância. A percepção de cores depende da reflexão da luz em objetos, estes refletem e absorvem a luz recebida. A luz percebida é a refletida dos objetos da cena. Entretanto nem toda a energia luminosa pode ser convertida em cores para nossos olhos, apenas uma pequena faixa de luzes pode ser vista, as que possuem comprimento de onda de 400 a 700 nm. No Scilab, quando é feita uma leitura de uma imagem colorida, está possui uma componente a mais. Pode-se demonstrar usando a função size na imagem: No código apresentado anteriormente, é mostrado como separar as componentes em imagens monocromáticas que representam cada uma das componentes do RGB. A conversão para o modelo CMY, depende de usar o complementar das cores da imagem. Lembrando que as componentes ciano, magenta e amarelo são complementares ao RGB e são chamados de pigmentos primários. A função imcomplement retorna o complemento da imagem colorida, ou seja, a mesma imagem nos pigmentos primários. O modelo HSI que é representado por Hue (Matiz), Saturation (Saturação) e Intensity (intensidade). Para fazer a conversão usando o Scilab, é usada a função rgb2hsv() como a seguir: Outro processamento interessante com cores é separar inteiramente as cores nos respectivos componentes R, G e B. Para isto, zera-se duas das componentes e se mantêm apenas uma, a seguir um exemplo:

Para aplicar um filtro em uma imagem colorida, basta aplicar nas três componentes de cor. A seguir um exemplo da aplicação de um filtro de mediana. Com base no processamento de imagens coloridas e modelo de cores resolva os exercícios a seguir: Exercícios de Modelo de Cores: Para resolver estes exercícios faça a leitura das imagens baboo_colorido.tif, jupiter.tif e lena_colorida.tif usando o comando imread. Em todos os exercícios mostre o código, imagens resultantes e apresente explicações.