Visão Computacional - Filtragem espacial

Fundamentos de Filtragens Espaciais

Visão Geral da Seção: Nesta seção, o professor aborda os fundamentos das filtragens espaciais e fala sobre alguns filtros de suavização e aguçamento.

Filtragem Espacial

• A filtragem espacial é uma operação que considera a vizinhança dos pixels para alterar seus valores.

• As operações podem ser feitas pixel a pixel ou com base em máscaras.

• As máscaras definem a vizinhança que será considerada na operação.

Filtros de Suavização

• Os filtros de suavização são usados para reduzir ruído ou borrar a imagem original.

• Eles podem ser lineares ou não lineares.

• Um exemplo de filtro linear é o filtro de média, que utiliza uma máscara com pesos iguais para todos os pixels da vizinhança.

• Um exemplo de filtro não linear é o filtro mediano, que substitui cada pixel pela mediana dos valores da sua vizinhança.

Filtros de Aguçamento

• Os filtros de aguçamento são usados para realçar bordas e detalhes na imagem.

• Eles são baseados na primeira ou segunda ordem da derivada dos pixels.

• Um exemplo é o filtro Laplaciano, que utiliza uma máscara com pesos negativos no centro e positivos nos arredores.

Filtro Linear

Visão geral da seção: Nesta seção, o palestrante discute a diferença entre um filtro linear e como calcular uma média ponderada.

Diferença entre um filtro linear e cálculo de média ponderada

• Um filtro linear é mais eficiente em termos computacionais do que o cálculo de média ponderada.

Exemplos de máscaras para filtragem

• Existem dois exemplos de máscaras lineares que podem ser utilizadas.

• A primeira máscara representa uma média ponderada dos elementos.

• A segunda máscara representa pesos diferentes para cada pixel na janela.

Cálculo da média ponderada

• O cálculo da média ponderada envolve a utilização de uma função ponderada para fazer a filtragem.

• Cada valor na máscara representa um peso diferente, ou seja, alguns pixels têm um valor mais importante do que outros.

• No final, a soma desses pesos é usada para computar a média ponderada.

Utilização de filtros lineares para suavização e eliminação de regiões pequenas

• Os filtros lineares podem ser utilizados para suavizar imagens e eliminar regiões pequenas.

• Uma janela maior pode ser usada para eliminar regiões menores enquanto mantém as maiores.

Filtragem não linear

Visão geral da seção: Nesta seção, o palestrante discute a filtragem não linear e como ela difere da filtragem linear. Ele também fala sobre o algoritmo de ordenação e como ele é usado na filtragem de ruído.

Filtragem não linear

• Métodos de filtragem não linear são usados para cálculos que não podem ser realizados com funções lineares.

• O algoritmo utilizado para a filtragem não-linear é pelo menos O(n), o que significa que pode ser mais lento do que os métodos lineares.

• A mediana ponderada é uma função linear utilizada para calcular a mediana em vez da média, pois é mais eficaz na redução de ruídos na forma de impulso.

• Não existe um algoritmo conhecido para calcular moda, máximo ou mínimo em tempo polinomial. É necessário usar um algoritmo de ordenação, o que pode levar a uma complexidade maior.

Exemplo prático

• Uma imagem corrompida por ruído sal e pimenta é usada como exemplo para demonstrar a redução de ruído usando filtros lineares e não-lineares.

• A filtragem por mediana é mostrada como uma opção eficaz para reduzir o ruído na imagem.

Diferença entre filtros de primeira e segunda ordem

Visão geral da seção: Nesta seção, o palestrante discute a diferença entre filtros de primeira e segunda ordem e como levar em conta os sinais ao trabalhar com aguçamento.

Sinais invertidos

• Os sinais devem ser levados em conta ao trabalhar com aguçamento.

• Quando combinados com outros sinais, eles podem ser invertidos.

Comportamento dos filtros aplicados

• A máscara de filtragem é dada pelo intervalo discreto.

• As máscaras são definidas por termos diagonais e intensidade máxima finita.

• Existem duas definições de filtro laplaciano: uma para derivada de primeira ordem e outra para derivada de segunda ordem.

Opções para filtragem

• As opções incluem adicionar uma imagem laplaciana à imagem original ou subtrair a imagem laplaciana da imagem original.

• A constante c define o valor da máscara de filtragem.

• As máscaras são usadas na soma da laplaciana com os termos diagonais.

Exemplos de imagens filtradas

• O filtro laplaciano torna pretas as regiões sem arestas.

• Algumas opções incluem imagens borradas do polo norte da lua e janelas para filtragem de aguçamento.

Imagens de Gradiente e Filtros

Visão geral da seção: Nesta seção, o palestrante discute a aplicação de filtros em imagens para detectar defeitos de fabricação.

Gradiente de Primeira Derivada

• O aguçamento de primeira derivada é um exemplo de agrupamento que pode ser usado para detectar defeitos em uma imagem.

• Os filtros de primeira derivada são definidos por um vetor que aponta na direção do gradiente.

• A magnitude da derivada é dada pela soma dos módulos Gx e Gy.

Aplicação de Múltiplos Filtros

• Vários filtros podem ser aplicados a uma imagem para detectar defeitos.

• Um exemplo é o gradiente de Sobel, que usa uma máscara 5x5 para suavizar a imagem antes da detecção do gradiente.

• Outro exemplo é a suavização com filtro mediano 5x5 seguida pelo laplaciano da imagem original.

Imagem de Gradiente

• A imagem resultante após a detecção do gradiente pode ser borrada e chamada de "imagem de gradiente".

• Essa técnica pode ser usada para facilitar a detecção automática de defeitos em imagens, como os encontrados na fabricação industrial.

Imagem escura

Visão geral da seção: Nesta seção, o locutor menciona que a imagem está mais escura e sem contraste.

Problema de qualidade de imagem

• A imagem está mais escura do que o normal.

• Não há contraste na imagem.