Estude fácil! Tem muito documento disponível na Docsity
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Prepare-se para as provas
Estude fácil! Tem muito documento disponível na Docsity
Prepare-se para as provas com trabalhos de outros alunos como você, aqui na Docsity
Os melhores documentos à venda: Trabalhos de alunos formados
Prepare-se com as videoaulas e exercícios resolvidos criados a partir da grade da sua Universidade
Responda perguntas de provas passadas e avalie sua preparação.
Ganhe pontos para baixar
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Comunidade
Peça ajuda à comunidade e tire suas dúvidas relacionadas ao estudo
Descubra as melhores universidades em seu país de acordo com os usuários da Docsity
Guias grátis
Baixe gratuitamente nossos guias de estudo, métodos para diminuir a ansiedade, dicas de TCC preparadas pelos professores da Docsity
Trabalho sobre Visão Computacional
Tipologia: Notas de estudo
1 / 50
Esta página não é visível na pré-visualização
Não perca as partes importantes!
5 ........................................................................................................................................
Figura 44 - Estudo de caso: Tábua com nós 43 Figura 45 - Estudo de caso: Mesma tábua em P&B 43 Figura 46 - Estudo de caso: Histograma 44 Figura 47 - Estudo de caso: Imagem Segmentada por Região 44 Figura 48 - Visão computacional e Robótica 45 Figura 49 - Visão computacional e Robótica 2 46 Figura 50 - Segunda geração. 46 Figura 51 - Cérebro humano em uma ressonância magnética 47 Figura 52 - Ultrassonografia 48
A visão computacional é uma nova disciplina que esta ganhando cada vez mais espaço nos projetos acadêmicos.
Não tem como não falar de robótica ou inteligência artificial sem falar dos sistemas que enxergam e compreende o espaço em que percorre.
Não apenas na robótica e na área de inteligência artificial, a visão computacional tem uma grade missão: a de se tornar ferramenta forte na área de medicina e de produção a fim de eliminar custos e diminuir erros.
Por este motivo, a recente evolução tecnológica dos computadores e dispositivos, a preços acessíveis, têm possibilitado a crescente aplicação de visão computacional nas mais diversas áreas. Como exemplos em visão computacional podemos citar: análise automática de sêmen humano, medição computadorizada do dimensional de peças, rastreio de alvos para detecção de intrusos, análise morfológica de células, reconhecimento e sintetização de faces humanas, entre outras.
A criação de sistemas de visão computacional, seja para aplicações em inspeção industrial ou para navegação de robôs móveis, envolve, quase sempre, a execução de um determinado conjunto de transformações em dados obtidos de sensores como câmeras e sonares. Para esta classe de problemas é possível a determinação de uma arquitetura de software que suporte as principais etapas do desenvolvimento deste tipo de sistemas, enfatizando o reaproveitamento de código e minimizando o esforço despendido em atividades repetitivas.
Uma interessante aproximação para construção de máquinas inteligentes é expandir os sentidos através dos quais o computador pode comunicar-se com o mundo exterior. A utilização da visão de máquina amplia as aplicações em computadores, como por exemplo, navegação móvel por robô, tarefas complexas de manufatura, análise de imagens de satélites e processamento de imagens médicas.
A visão computacional procura oferecer de modo mais eficiente possível uma vasta quantidade de informações ao sistema computacional para que este possa agir como esperado.
Há sempre a necessidade de construir um modelo da imagem processada. Com base nessa necessidade, muitas teorias sobre o objetivo da visão computacional estão baseadas na reprodução das cenas das imagens processadas. (Shapiro e Stockamn, 2001)
A visão computacional abrange um vasto leque de temas e esta relacionada com varias outras disciplinas, portanto, não há uma formula padrão de como fazer, ou estudar, ou pesquisar a visão computacional.
Nas pesquisas cientificas, nos trabalhos acadêmicos, nos produtos comerciais, existe uma diversificada quantidade de métodos para resolver as tarefas atribuídas aos sistemas de visão computacional.
Na disciplina da física, os sistemas de visão computacional permitem contribuir com sensores de imagens que detectam a radiação eletromagnética ou infra-vermelho.
Com os avanços das tecnologias de visão computacional, a medicina se coloca como uma das maiores beneficiadas. O processo de extração de informações das imagens com o objetivo de estabelecer diagnósticos médicos mais precisos vem ganhando força. O avanço das técnicas de processamento de imagens auxilia no resultado de diagnósticos com maior índice de acerto.
1.2. Visão Computacional e Processamento de Imagens
Não é clara a fronteira entre o processamento de imagens e visão computacional. Podemos dizer que processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é um conjunto de valores numéricos, que podem ou não compor outra imagem. A visão computacional procura emular a visão humana, portanto também possui como entrada uma imagem, porém, a saída é uma interpretação da imagem como um todo, ou parcialmente. Como serão demonstrados, os processos de visão computacional geralmente iniciam com o processamento de imagens. Conforme Gonzalez o espectro que vai do processamento de imagens até a visão computacional pode ser dividido em três níveis: baixo-nível, nível-médio e alto-nível.
Os processos de baixo-nível envolvem operações primitivas, tais como a redução de ruído ou melhoria no contraste de uma imagem.
Os processos de nível-médio são operações do tipo segmentação (particionamento da imagem em regiões) ou classificação (reconhecimento dos objetos na imagem).
Os processos de alto-nível estão relacionados com as tarefas de cognição associadas com a visão humana.
2.1. Filtros
Os processos de visão computacional, muitas vezes, necessitam de uma etapa de pré- processamento envolvendo o processamento de imagens. As imagens de onde queremos extrair alguma informação em alguns casos precisam ser convertidas para um determinado formato ou tamanho e precisam ainda ser filtradas para remover ruídos provenientes do processo de aquisição da imagem.
Os ruídos podem aparecer de diversas fontes, como por exemplo, o tipo de sensor utilizado, a iluminação do ambiente, as condições climáticas no momento da aquisição da imagem, a posição relativa entre o objeto de interesse e a câmera. Note que ruído não é apenas interferência no sinal de captura da imagem, mas também interferências que possam atrapalhar a interpretação ou o reconhecimento de objetos na imagem. A Figura 2 mostra imagens de árvores em condições diferentes para exemplificar estes tipos de interferência.
FIGURA 2 - Imagens de árvores obtidas em condições diferentes.
FIGURA 4 - Regiões de vizinhança (máscaras) de tamanhos diferentes, porém, todos com lado impar.
2.3. Transformação da Intensidade
No caso mais simples o operador T é computado em uma vizinhança de tamanho 1x1, isto é, apenas o valor do pixel no ponto é suficiente para determinar o valor na imagem processada. Este tipo de operação é chamada de função de transformação de intensidade, é utilizada para alterar a intensidade da imagem e pode ser aplicada a toda a imagem ou a uma parte dela. Uma operação bastante útil é a binarização de uma imagem, que utiliza um certo valor de corte (k). Este tipo de transformação é definida na equação contida na Figura 5.
FIGURA 5 – Equação para binarização de imagem
FIGURA 6 – Exemplo de binarização Mostra a aplicação da FIGURA 5 para um valor de k=84. Esta técnica é utilizada para encontrar componentes conexos na imagem e isolar objetos de interesse.
Note que na função de binarização o corte é feito de forma abrupta, todos os valores acima de k (valores mais claros ou com a mesma intensidade de k) são mapeados para o valor 1 (branco) e os valores menores que k (mais escuros que k na imagem) são mapeados para 0 (preto). A função de binarização tem o formato apresentado na Figura 7.
FIGURA 7 - Função de binarização para um valor k. Esta transição pode não ser tão abrupta como na função de binarização, por exemplo, a função de realce de contraste é dada pela equação existente na FIGURA 8:
FIGURA 8– Equação para realce de contraste. Onde, m é o valor médio da região que se deseja realçar o contraste, e E define a inclinação da curva, e consequentemente os valores de mapeamento para a imagem de saída. A função de transição é apresentada na Figura 9. Note que os valores de saída não são apenas 0 ou 1 mas, na região de interesse existe uma variação no contraste na imagem de saída.
contraste) e ainda distribuir os pixels ao longo da imagem de forma a obter uma distribuição uniforme de intensidades (embora na prática isso quase sempre não ocorra).
Segue na Figura 12 a expressão que fornece um histograma equalizado.
FIGURA 12 – Equação sobre um histograma equalizado
Nesta figura k é a intensidade no histograma equalizado, L é o valor máximo de intensidade na imagem, M e N são as dimensões da imagem e nj é o número de pixel na imagem com valor de intensidade igual a j. A Figura 13 mostra um exemplo de uma imagem que foi ajustada utilizando equalização de histograma.
FIGURA 13 – Exemplo de Histograma
Topo à esquerda, imagem em nível de cinza, e abaixo dela o histograma da imagem. Topo à direita, a mesma imagem após equalização, e o histograma equalizado da imagem.
2.5. Filtragem no Domínio Espacial
Existem dois conceitos, de certa forma similares, que estão relacionados com a filtragem no domínio de espaço, são eles os de correlação e convolução. As transformações no domínio de espaço dependem de uma vizinhança de influência (máscara) do pixel que está sendo considerado. A idéia destas duas operações é a seguinte: cria-se uma máscara com dimensão d, onde cada posição da máscara possui um determinado valor. Em seguida coloca- se a máscara com sua posição central sobre a imagem na posição (x,y) e, para cada posição da máscara executa-se o produto do valor da máscara pelo valor do pixel, faz-se a somatória destes valores obtidos na multiplicação e substitui-se o valor da posição (x,y) por este resultado. Esta operação é apresentada esquematicamente na Figura 14.
FIGURA 14 - Esquema da operação de Correlação
No topo à esquerda está a imagem e ao centro a máscara utilizada. No topo à direita a indicação dos produtos dos valores da máscara pelos valores dos pixels da imagem, ponto a ponto. Embaixo à direita a somatória dos valores multiplicados e, finalmente, embaixo à esquerda o novo valor do pixel na imagem após a correlação.
A diferença entre a correlação e a convolução está na forma como a máscara é utilizada: na correlação a operação é feita conforme indicado na Figura 14, já na operação de
