Upload
hahanh
View
214
Download
0
Embed Size (px)
Citation preview
isep
Processamento de Imagem
Mestrado ISEP/IST emEng. Electrotécnica e Computadores
António Costa ([email protected])
isep
Maio 2005 Processamento de Imagem 2
Índice
• Introdução
• Definições
• Ferramentas
• Amostragem
• Algoritmos
• Técnicas
• Conclusão
• Informação Adicional
isep
Maio 2005 Processamento de Imagem 3
Introdução
• Processamento Digital de Imagem– Desde circuitos simples até sistemas computacionais
• Enquadramento do Processamento de Imagem
• Domínio de aplicação 2D (mais comum)
Processamento de Imagem
Análise de Imagem
Compreensão de Imagem
Síntese de Imagem Descrição
Imagem
Imagem
Imagem
Imagem
Imagem
Medidas
Descrição
Entrada SaídaDesignação
isep
Maio 2005 Processamento de Imagem 4
Definições
• Imagem– É uma função escalar a(x,y): intensidade de qualquer
coisa traduzida num valor inteiro, real ou complexo
– Uma imagem digital a[m,n] resulta de imagem analógica a(x,y) através de amostragem - digitalização
– Uma imagem é formada por N linhas e M colunas, sendo cada elemento de imagem a[m,n] um pixel
– Na realidade a função a() é a(x,y,z,t,,...), mas será abordado apenas o caso 2D, estático e monocromático
isep
Maio 2005 Processamento de Imagem 5
Definições
• Exemplo
– Imagem de 16 linhas e 16 colunas
– Pixel em a[10,3] tem valor inteiro 110 (gama 0-255)
Valor = a(x,y,z,t,)
ColunasL
inh
as
isep
Maio 2005 Processamento de Imagem 6
Definições
• Valores mais comuns– Nº de linhas N: 256, 512, 525, 625, 768, 1024, 1035
– Nº de colunas M: 256, 512, 768, 1024, 1320
– Nº de intensidades: 2, 64, 256, 1024, 65536, 224, 232
– Casos mais comuns: M=N=2K (K=8,9 ou 10)devido a tecnologias de hardware ou algoritmos (FFT)
– O número máximo de intensidades é geralmente potência de 2
• Caso =2: imagem binária (“preto e branco”)
• Caso >2: imagem “em tons de cinzento”
isep
Maio 2005 Processamento de Imagem 7
Definições
• Tipos de operações sobre imagens– Transformação de imagem a[m,n] em imagem b[m,n]
• Pontual: o resultado num pixel apenas depende do valor do pixel de entrada correspondente
• Local: o resultado num pixel depende dos valores da vizinhança de pixels de entrada próximos
• Global: o resultado num pixel depende de todos os valores dos pixels de entrada
• Exemplos
Pontual LocalGlobal
isep
Maio 2005 Processamento de Imagem 8
Definições
• Tipos de vizinhança de pixels– O conceito de vizinhança de pixels é muito importante
– No caso mais comum de amostragem rectangular as vizinhanças mais usadas são a viz4 e a viz8
– Em alguns dispositivos é possível efectuar amostragem hexagonal, de que resulta a vizinhança viz6
– Exemplos
isep
Maio 2005 Processamento de Imagem 9
Ferramentas
• Convolução– Obedece ao princípio da sobreposição
– Permite descrever a saída de um sistema linear, conhecidas a entrada e a função de transferência
– Versão “discreta” c[m,n] = a[m,n] b[m,n] = j k a[j,k] b[m-j,n-k]
• Correlação– Mede o grau de “similaridade” entre dois sinais
– Versão “discreta” c[m,n] = a[m,n] b[m,n] = j k a[j,k] b[m+j,n+k]
isep
Maio 2005 Processamento de Imagem 10
Ferramentas
• Transformada de Fourier– Versão “discreta” (DFT)
A(,) = m n a[m,n] e-j(m + n)
a[m,n] = 1/42 A(,) e+j(m + n) d d
– A transformada de uma imagem pode ser complexa
– Exemplo
a[m,n]
log(|A(,)|)
(,)
Reconstruçãocom (,)=0
Reconstruçãocom log(|A(,)|)=k
isep
Maio 2005 Processamento de Imagem 11
Ferramentas
• Estatísticas– É comum o uso de descrições estatísticas simples
– A função densidade de probabilidade p(a) de uma região de pixels pode ser estimada por contagem das ocorrências de intensidade nessa região
– Essa contagem pode ser descrita pelo histograma h[a]
P(a) - Intensidade h[a] - Intensidadea[m,n]
isep
Maio 2005 Processamento de Imagem 12
Ferramentas
• Estatísticas– Média ma = 1/P j,k a[j,k] (P - nº de pixels da região)
– Desvio padrão sa = 1/(P-1) j,k(a[j,k] - ma)2
– Relação sinal/ruído SNR = 20log10((amax - amin) / sn) (sn - desvio padrão do ruído)
– Exemplo Média: 219.3Desvio padrão: 4.0Mínimo: 202Mediana: 220Máximo: 226Moda: 220SNR: 33.3
isep
Maio 2005 Processamento de Imagem 13
Ferramentas
• Representações de contorno– Chain codes
• Seguimento do contorno em sentido horário com anotação das mudanças de direcção entre pixels sucessivos - exemplo
– Crack codes• Seguimento da linha entre
objecto e fundo (crack)
Pi +7076666544556...
isep
Maio 2005 Processamento de Imagem 14
Ferramentas
• Uma nota de aviso– Não é possível ainda modelar o sistema visual humano
através das técnicas correntes de análise de sistemas
– As ilusões ópticas não se enquadram nesses modelos
Indução de visualização de valores “cinzentos” que se sabe não existem e noção de dinamismo na imagem
Indução de visualização de contornos inexistentes e contraste exagerado
URL: http://www.city.ac.uk/optics/BVTutor/html/ocular_movements_i.html
isep
Maio 2005 Processamento de Imagem 15
Amostragem
• Amostragem de imagem– Ideal
bideal[m,n] = m n a(mX0,nY0) (x-mX0,y-nY0)
– “Real” breal[m,n] = (a(x,y) p(x,y)) m n (x-mX0,y-nY0)
– A função de abertura p(x,y) depende da tecnologia usada na captura da informação e é frequentemente:
• Circular; Quadrada; Gaussiana
– Deve escolher-se a densidade de amostragem com base na teoria de sinal clássica (teoria de Nyquist)
isep
Maio 2005 Processamento de Imagem 16
AlgoritmosBaseados em operações de histograma
• Alargamento do contraste– Muitas imagens são geradas com intensidades que não
aproveitam a gama máxima de intensidades– Corrige-se através do alargamento da gama da imagem
b[m,n] = (2B-1) (a[m,n] - plow%) / (phigh% - plow%) se plow% < a[m,n] < phigh% ; senão 0 ou 2B-1
• plow% - intensidade baixa no histograma (0%, 1%, 5%)
• phigh% - intensidade alta no histograma (100%, 99%, 95%)
originalcontrastealargado
isep
Maio 2005 Processamento de Imagem 17
AlgoritmosBaseados em operações de histograma
• Equalização de histogramas– Normaliza-se o histograma da imagem para um
histograma “padrão” (comparação de imagens, etc)
– O objectivo ideal é obter ocorrências iguais para todas as intensidades - histograma plano
– Pode obter-se algo aproximado usando a função distribuição de probabilidade (normalizada de 0 a 2B-1) como índice de acesso ao histograma “padrão”...
originalhistogramaequalizado
isep
Maio 2005 Processamento de Imagem 18
AlgoritmosBaseados em operações matemáticas
• Operações binárias– Baseadas nas operações booleanas pixel a pixel
– Exemplo
• Operações “aritméticas”– a+b a/b log(a) exp(a) sqrt(a) sin(a) (2B-1)-a, etc
Imagem a Imagem b
NOT(b) OR(a,b) AND(a,b) XOR(a,b) SUB(a,b)[ AND(a,NOT(b)) ]
isep
Maio 2005 Processamento de Imagem 19
AlgoritmosBaseados em convolução
• Enquadramento– Baseia-se na noção de uma janela finita h() operando
sobre a imagem a(), produzindo uma nova imagem c()
– O pixel de saída é igual à soma pesada dos pixels de entrada dentro da janela, em que os pesos são os valores específicos do filtro de convolução h()
• Convolução no domínio espacial– Pode gerar acessos “fora” da imagem a[m,n]
c[m,n] = a[m,n] h[m,n] = j k h[j,k] a[m-j,n-k]• Note-se que m-j ou n-k podem ser negativos• Solução: extender artificialmente a imagem
isep
Maio 2005 Processamento de Imagem 20
AlgoritmosBaseados em suavização
• Objectivos gerais– Tipicamente usados para reduzir o ruído e/ou preparar
imagens para outros processamentos mais complexos
• Filtros lineares– Filtro uniforme:
– Filtro triangular:
– Filtro gaussiano: cada vez mais utilizado (versatilidade)
Rectangular (J=K=5) Circular (J=K=5)
Piramidal (J=K=5) Cónico (J=K=5)
isep
Maio 2005 Processamento de Imagem 21
AlgoritmosBaseados em suavização
• Filtros não-lineares– Estes filtros não podem ser alvo de análises de Fourier
– Filtro de mediana: em cada aplicação da janela h()usa-se a intensidade mediana dentro da referida janela
– Filtro Kuwahara: preserva bem os contornos• Em cada uma das 4 regiões
calcula-se a média e a variância
• O valor atribuído ao pixel centralé o valor médio da região quepossui menor variância
Região 1
Região 2
Região 3
Região 4 Pixelcentral
isep
Maio 2005 Processamento de Imagem 22
AlgoritmosBaseados em suavização
• Exemplos de vários filtros de suavização
Imagem original
Filtro linearUniforme 5x5
Filtro linearGaussiano (=2.5)
Filtro não-linearMediana 5x5
Filtro não-linearKuwahara 5x5
Histograma
isep
Maio 2005 Processamento de Imagem 23
AlgoritmosBaseados em derivação
• Enquadramento– Os algoritmos apresentados são uma aproximação
– Tendem a aumentar o ruído de alta frequência, pelo que geralmente são combinados com filtros de suavização
• Primeira derivada– Filtros de gradiente
a[m,n] = (hx a[m,n])ix + (hy a[m,n])iy• Básicos:
• Prewitt:
isep
Maio 2005 Processamento de Imagem 24
AlgoritmosBaseados em derivação
• Primeira derivada– Filtros de gradiente (continuação)
a[m,n] = (hx a[m,n])ix + (hy a[m,n])iy
• Sobel:
• Construídos à medida:
• Gaussianos:
isep
Maio 2005 Processamento de Imagem 25
AlgoritmosBaseados em derivação
• Primeira derivada– Exemplos de filtros de gradiente
Imagem original
Básico Sobel Gaussiano (=1.5)
isep
Maio 2005 Processamento de Imagem 26
AlgoritmosBaseados em derivação
• Segunda derivada– Desempenham um papel muito importante
– Filtros de Laplaciano 2a[m,n] = (h2x a[m,n])ix + (h2y a[m,n])iy
• Básicos:
• Gaussiano:
• Construídos à medida:
• SDGD: (2ª derivada na direcção do gradiente)
isep
Maio 2005 Processamento de Imagem 27
AlgoritmosBaseados em derivação
• Segunda derivada– Exemplos de filtros de Laplaciano
Imagem original
Básico Gaussiano (=1.5) À medida SDGD (=1.0)
isep
Maio 2005 Processamento de Imagem 28
AlgoritmosBaseados em derivação
• Outros filtros– Há uma infinidade de filtros lineares e não-lineares
– Para se medir a resposta de filtros não convencionais usam-se imagens de teste (padrões sinusoidais, etc)
– Permite avaliar os efeitos em termos de frequências
– Exemplos de resultados com padrão de teste sinusoidal
Filtropassa-baixo
Filtropassa-banda
Filtropassa-alto
isep
Maio 2005 Processamento de Imagem 29
AlgoritmosBaseados em morfologia
• Enquadramento– Uma definição alternativa do conceito de imagem
baseia-se na noção de conjunto de coordenadas que fazem parte dos objectos da imagem
– Exemplo
– Os pixels do objecto A partilham uma propriedade Objecto - A = { a | propriedade(a) = Verdade } Fundo - Ac = { a | a A }
Imagem binária comdois objectos A e B
A
B
isep
Maio 2005 Processamento de Imagem 30
AlgoritmosBaseados em morfologia
• Enquadramento– A noção de objecto implica conectividade de pixels
• Definições– As operações fundamentais sobre objectos são:
• Translação: A + x = { a + x | a A }
• Adição/subtracção: A B = bB(A+b) ; A B = bB(A+b)
• Complemento (fundo)
• Simetria: -A = { -a | a A }
objecto Afundo de A - O objecto A tem conectividade 4- O fundo tem conectividade 12-4(=8)
isep
Maio 2005 Processamento de Imagem 31
AlgoritmosBaseados em morfologia
• Dilatação e Erosão– A dilatação D(A,B) corresponde à adição A B
– A erosão E(A,B) corresponde à subtracção A (-B )
– Exemplos
– Tipicamente A é uma imagem e B é um “estruturante” (equivale ao núcleo de convolução dos filtros lineares)
– Exemplos de estruturantes comuns
B
D(A,B)
-B
E(A,B)
N4 N8
isep
Maio 2005 Processamento de Imagem 32
AlgoritmosBaseados em morfologia
• Dilatação e Erosão– Teorema da Decomposição
• Para um estruturante B finito, simétrico, sem buracos e contendo o seu centro ([0,0] B), verifica-se queD(A,B) = A (A B) [nota: A é o contorno de A]
• Resulta que apenas basta processar os pixels do contorno de A, não sendo necessário processar os pixels do seu interior
• Algoritmo “rápido” de dilatação: para cada pixel do objecto, todos os seus pixels vizinhos (vizC) de fundo passam a pertencer ao objecto
• Algoritmo “rápido” de erosão: cada pixel do objecto que possua um pixel vizinho (vizC) de fundo passa a fundo
isep
Maio 2005 Processamento de Imagem 33
AlgoritmosBaseados em morfologia
• Dilatação e Erosão– Exemplos “rápidos”
– Importante: D(E(A,B),B) A E(D(A,B),B)
• Abertura e Fecho– Abertura: O(A,B) = D(E(A,B),B)
• Tende a suavizar o contorno pelo interior
– Fecho: C(A,B) = E(D(A,-B),-B)• Tende a suavizar o contorno pelo exterior
Dilatação comestrututante N4
Dilatação comestrututante N8
isep
Maio 2005 Processamento de Imagem 34
AlgoritmosBaseados em morfologia
• HitAndMiss– Operador de alto nível
HitMiss(A,B) = E(A,B1) EC(AC,B2)
– B1 e B2 são estruturantes finitos e disjuntos entre si
– Este operador é o equivalente morfológico do template matching (técnica usada para comparar padrões com base na sua correlação)
• B1 funciona como template para o objecto
• B2 funciona como template para o fundo
isep
Maio 2005 Processamento de Imagem 35
AlgoritmosBaseados em morfologia
• Exemplos– Estruturantes
Imagem A Dilatação com 2B Erosão com 2B
Abertura com 2B(separa objectos)
Fecho com 2B(preenche buracos)
HitAndMiss com B1 e B2
[ A = A - E(A,N8) ]
isep
Maio 2005 Processamento de Imagem 36
AlgoritmosBaseados em morfologia
• Esqueleto– Quando realizavel, é uma polilinha que:
• Tem largura de 1 pixel
• Passa pelo “meio” do objecto
• Preserva a topologia do objecto
– Pode ser obtido por um processo iterativo baseado no B8, não se alterando o pixel central para “fundo” se
• 1) o pixel estiver isolado
• 2) a remoção do pixel alterar a conectividade
• 3) a remoção do pixel encurtar a linha
isep
Maio 2005 Processamento de Imagem 37
AlgoritmosBaseados em morfologia
• Propagação (Reconstrução)– Visa reconstruir um objecto parcialmente erodido ou
preencher um objecto definido pelo seu contorno
– Algoritmo iterativo baseado numa imagem “semente”S(0), uma imagem máscara A e um estruturante B S(k) = D(S(k-1),B) A ; repetir até S(k) = S(k-1)
• Em cada iteração a semente cresce dentro dos limites de A
• As conectividades da fronteira de A e de B devem ser iguais
• A implementação iterativa é ineficiente, mas existe uma implementação recursiva muito mais eficiente
isep
Maio 2005 Processamento de Imagem 38
AlgoritmosBaseados em morfologia
• Exemplos
E(A,6N8)
Imagem A
Esqueleto de A Esqueleto de A(sem condição 3)
Propagação com N8
Semente(a preto)
Máscara
isep
Maio 2005 Processamento de Imagem 39
AlgoritmosBaseados em morfologia
• Tratamento de imagens “em tons de cinzento”– Os algoritmos anteriores podem ser extendidos para
imagens com mais de dois níveis (16, 64, 256, etc)
– Formulações para “tons de cinzento”• Dilatação: DG(A,B) = max[j,k]B { a[m-j,n-k] + b[j,k] }
• Erosão: EG(A,B) = min[j,k]B { a[m+j,n+k] - b[j,k] }
• Abertura: OG(A,B) = DG(EG(A,B),B)
• Fecho: CG(A,B) = -OG(-A,-B)
• Suavização: MSmooth(A,B) = CG(OG(A,B),B)
• Gradiente: MGradient(A,B) = 1/2 [DG(A,B) - EG(A,B)]
• Laplaciano: MLaplacian(A,B) = 1/2 [DG(A,B) + EG(A,B) - 2A]
isep
Maio 2005 Processamento de Imagem 40
AlgoritmosBaseados em morfologia
• Exemplos de filtros “em tons de cinzento”Clássicos“Morfológicos”
Suavização
Gradiente
Laplaciano
Imagem A
Dilatação de A Erosão de A
isep
Maio 2005 Processamento de Imagem 41
Técnicas
• Enquadramento– Os algoritmos apresentados anteriormente podem ser
usados para resolver problemas complexos de processamento de imagem
• Correcção de sombreamento– Os métodos de geração de imagem podem fazer com
que as imagens exibam artefactos de sombreamento• Imagem “brilhante” no centro e “escura” nos limites
• Imagem a “escurecer” da esquerda para a direita
• Efeitos de lentes sujas, iluminação não uniforme, etc
isep
Maio 2005 Processamento de Imagem 42
TécnicasCorrecção de sombreamento
• Artefactos de sombreamento– Geralmente indesejados, mas difíceis de evitar
– A sua eliminação é necessária em algumas aplicações
• Estimação do sombreamento– A posteriori
• Filtragem passa-baixo: ae[m,n] = a[m,n] - LowPass(a[m,n])+K
• Filtragem morfológica: ae[m,n] = a[m,n] - MSmooth(a[m,n])+K
– A priori• Recurso a imagens de calibração: Preto[m,n] e Branco[m,n]
ae[m,n] = K (a[m,n]-Preto[m,n]) / (Branco[m,n]-Preto[m,n])
isep
Maio 2005 Processamento de Imagem 43
TécnicasCorrecção de sombreamento
• Exemplos
Linha da imagem original
Passa-baixo Homomórfica Morfológica Calibrada(a melhor)
1. O sombreamento indesejado manifesta-se através de uma rampa linear a crescer da esquerda para a direita2. Os picos são objectos
isep
Maio 2005 Processamento de Imagem 44
TécnicasMelhoria e restauro
• Enquadramento– O processo de aquisição de imagem geralmente
envolve degradação da imagem (inadvertidamente)• Desfocagem; Movimento da câmara; Ruído; etc
– Objectivos• Melhoria visa “embelezar” a imagem
• Restauro visa “repor a verdade” na imagem
– Medição do erro• Usa-se frequentemente uma métrica de erro tipo RMS
E{ae,a} = 1/MN m n | ae[m,n] - a[m,n] |2
isep
Maio 2005 Processamento de Imagem 45
TécnicasMelhoria e restauro
• Aumento de nitidez– Melhorar as silhuetas de uma imagem pode contribuir
para aumentar a sua qualidade visual• Isolam-se as silhuetas de uma imagem
• Amplificam-se essas silhuetas
• Adicionam-se à imagem original
– O Laplaciano é adequado para isolar as silhuetas ae[m,n] = a[m,n] - (K 2a[m,n])
OriginalMelhorada(K=1)
isep
Maio 2005 Processamento de Imagem 46
TécnicasMelhoria e restauro
• Supressão de ruído– Pode ser conseguida através de suavização espacial,
levando contudo a perda de nitidez
– Os algoritmos de suavização são os mais adequados• Exemplos
Imagem original(SNR = 20 dB)
Wiener Gaussiano (=1)
Kuwahara 5x5 Mediana 3x3 MSmooth 3x3
isep
Maio 2005 Processamento de Imagem 47
TécnicasMelhoria e restauro
• Supressão de distorsão– Um modelo simples assume o ruído como única fonte
de distorsão, mas existem modelos mais realistas
– O filtro Wiener (domínio das frequências) é uma boa solução para distorsões baseadas em ruído
– Exemplo
• A imagem Wiener é mais nítida mas exibe artefactos
• A imagem Mediana é mais esbatida mas disfarça artefactos
Imagem distorcida(SNR = 30 dB)
Wiener Mediana 3x3
isep
Maio 2005 Processamento de Imagem 48
TécnicasSegmentação
• Enquadramento– Designa as diversas técnicas capazes de distinguir
“objectos de interesse” do resto (fundo)• Não há uma técnica de segmentação universal ou perfeita
• Limiarização• Recorre a um limiar de intensidade para definir o objecto
• A escolha do limiar de intensidade adequado é fulcral
– Escolha do limiar via histograma• Exemplo
Limiar=155
Imagem a segmentar Histograma de intensidades
isep
Maio 2005 Processamento de Imagem 49
TécnicasSegmentação
• Limiarização– Escolha do limiar pelo algoritmo do triângulo
• ExemploLimiar=152
• Determinação de fronteiras– Uma alternativa à limiarização consiste em encontrar os
pixels que definem as fronteiras do objectos
– Gradiente• Exemplo
Imagem a segmentar Histograma de intensidades
isep
Maio 2005 Processamento de Imagem 50
TécnicasSegmentação
• Determinação de fronteiras– Cruzamento do zero (método LoG)
• Consiste em usar o filtro Laplaciano e processar os “cruzamentos do zero” da 2ª derivada (mudança de sinal)
• Requer suavização para evitar o excesso de ruído gerado
– Método PLUS• Também baseado no “cruzamento o zero” do Laplaciano e no
filtro de suavização SDGD(a)
– Método geral
isep
Maio 2005 Processamento de Imagem 51
TécnicasSegmentação
• Exemplos
– Nota: após se encontrar a fronteira dos objectos, podem usar-se algoritmos de propagação para preenchimento
Imagem original(SNR = 20 db)
LoG PLUS
isep
Maio 2005 Processamento de Imagem 52
TécnicasSegmentação
• Morfologia binária– Filtragem “sal” e “pimenta” (remoção de pixels isolados)
– Determinação de objectos com furos• Exemplo
– Preenchimento de furos em objectos• Exemplo
Imagem segmentada Esqueleto apósfiltro “sal” e “pimenta”
Imagem finalapós propagação
Imagem segmentada e invertida Imagem final apóspropagação e inversão
Máscara
isep
Maio 2005 Processamento de Imagem 53
TécnicasSegmentação
• Morfologia binária– Remoção de objectos nos limites da imagem
• Exemplo
– Geração de exoesqueleto• Exemplo
Imagem segmentada Imagem após propagação eXOR com a imagem máscara
Máscara
Imagem segmentada e invertida Imagem apósgeração de esqueleto
isep
Maio 2005 Processamento de Imagem 54
TécnicasSegmentação
• Morfologia binária– Separação de objectos “que se tocam”
• Segmentar imagem inicial para obter imagem binária
• Efectuar um número “pequeno” de erosões da imagem (N4)
• Calcular o exoesqueleto da imagem erodida
• Inverter a imagem do exoesqueleto erodido
• Combinar imagem final através de AND da imagem inicial com a imagem invertida do exoesqueleto erodido!
Imagem inicial Erosões Exoesqueleto Pormenor daimagem final
isep
Maio 2005 Processamento de Imagem 55
TécnicasSegmentação
• Morfologia de “tons de cinzento”– É uma extensão das técnicas de morfologia binária
– Permite abordar os problemas a alto nível
– Exemplo: método local de alargamento de contraste• Processa informação de contraste a nível local
• Consegue-se obter uma solução mais satisfatória
• Exemplos
Antes | Depois Antes | Depois Antes | Depois
isep
Maio 2005 Processamento de Imagem 56
Conclusão
• Presente– O processamento de imagem cada vez está mais
embebido em aplicações comuns (Ps2+EyeToy, etc)
– Ainda há problemas por resolver satisfatoriamente
• Futuro– O processamento de imagem tenderá a evoluir para
processamento de sequências de imagem (vídeo, etc)
– Irão surgir mais implementações em hardware
– A investigação deslocar-se-á para temas de mais alto nível, que usarão o P. I. como mais uma ferramenta
isep
Maio 2005 Processamento de Imagem 57
Informação Adicional
• Sugestões– Tutoriais
• http://www.google.pt/search?q=image+processing+tutorial
• http://en.wikipedia.org/wiki/Image_processing
– Softwares livres• VIPS - http://www.vips.ecs.soton.ac.uk/
(MS-Windows: http://www.vips.ecs.soton.ac.uk/vips-7.10/)
• GIMP - http://www.gimp.org/(MS-Windows: http://gimp-win.sourceforge.net/)
– Sítios web e documentos• Processamento de imagem em GPU’s (placas gráficas)
– http://www.gpgpu.org/ (seguir ligação “Image and Volume Processing”)
isep
Maio 2005 Processamento de Imagem 58
FIM