isep

Processamento de Imagem
Mestrado ISEP/IST em
Eng. Electrotcnica e Computadores
Antnio Costa (acc@dei.isep.ipp.pt)
isep
Maio 2004 Processamento de Imagem 2
ndice
Introduo
Definies
Ferramentas
Amostragem
Algoritmos
Tcnicas
Concluso
Informao Adicional
isep
Maio 2004 Processamento de Imagem 3
Introduo
Processamento Digital de Imagem
Desde circuitos simples at sistemas computacionais
Enquadramento do Processamento de Imagem





Domnio de aplicao 2D (mais comum)
Processamento de Imagem
Anlise de Imagem
Compreenso de Imagem
Sntese de Imagem Descrio
Imagem
Imagem
Imagem
Imagem
Imagem
Medidas
Descrio
Entrada Sada Designao
isep
Maio 2004 Processamento de Imagem 4
Definies
Imagem
uma funo escalar a(x,y): intensidade de qualquer
coisa traduzida num valor inteiro, real ou complexo
Uma imagem digital a[m,n] resulta de imagem analgica
a(x,y) atravs de amostragem - digitalizao
Uma imagem formada por N linhas e M colunas,
sendo cada elemento de imagem a[m,n] um pixel
Na realidade a funo a() a(x,y,z,t,,...), mas ser
abordado apenas o caso 2D, esttico e monocromtico
isep
Maio 2004 Processamento de Imagem 5
Definies
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,)
Colunas
L
i
n
h
a
s

isep
Maio 2004 Processamento de Imagem 6
Definies
Valores mais comuns
N de linhas N: 256, 512, 525, 625, 768, 1024, 1035
N de colunas M: 256, 512, 768, 1024, 1320
N de intensidades: 2, 64, 256, 1024, 65536, 2
24
, 2
32

Casos mais comuns: M=N=2
K
(K=8,9 ou 10)
devido a tecnologias de hardware ou algoritmos (FFT)
O nmero mximo de intensidades geralmente
potncia de 2
Caso =2: imagem binria (preto e branco)
Caso >2: imagem em tons de cinzento
isep
Maio 2004 Processamento de Imagem 7
Definies
Tipos de operaes sobre imagens
Transformao 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
vizinhana de pixels de entrada prximos
Global: o resultado num pixel depende de todos os valores
dos pixels de entrada
Exemplos
Pontual Local
Global
isep
Maio 2004 Processamento de Imagem 8
Definies
Tipos de vizinhana de pixels
O conceito de vizinhana de pixels muito importante
No caso mais comum de amostragem rectangular as
vizinhanas mais usadas so a viz
4
e a viz
8

Em alguns dispositivos possvel efectuar amostragem
hexagonal, de que resulta a vizinhana viz
6

Exemplos
isep
Maio 2004 Processamento de Imagem 9
Ferramentas
Convoluo
Obedece ao princpio da sobreposio
Permite descrever a sada de um sistema linear,
conhecidas a entrada e a funo de transferncia
Verso discreta
c[m,n] = a[m,n] b[m,n] =
j

k
a[j,k] b[m-j,n-k]
Correlao
Mede o grau de similaridade entre dois sinais
Verso discreta
c[m,n] = a[m,n] b[m,n] =
j

k
a[j,k] b[m+j,n+k]
isep
Maio 2004 Processamento de Imagem 10
Ferramentas
Transformada de Fourier
Verso discreta (DFT)
A(e,v) =
m

n
a[m,n] e
-j(em + vn)

a[m,n] = 1/4t
2

e

v
A(e,v) e
+j(em + vn)
de dv
A transformada de uma imagem pode ser complexa
Exemplo
a[m,n]
log(|A(e,v)|)
m(e,v)
Reconstruo
com m(e,v)=0
Reconstruo
com log(|A(e,v)|)=k
isep
Maio 2004 Processamento de Imagem 11
Ferramentas
Estatsticas
comum o uso de descries estatsticas simples
A funo densidade de probabilidade p(a) de uma
regio de pixels pode ser estimada por contagem das
ocorrncias de intensidade nessa regio
Essa contagem pode ser descrita pelo histograma h[a]

P(a) - Intensidade h[a] - Intensidade
a[m,n]
isep
Maio 2004 Processamento de Imagem 12
Ferramentas
Estatsticas
Mdia m
a
= 1/P
j,k
a[j,k] (P - n de pixels da regio)
Desvio padro s
a
= \ 1/(P-1)
j,k
(a[j,k] - m
a
)
2
Relao sinal/rudo SNR = 20log
10
((a
max
- a
min
) / s
n
)
(s
n
- desvio padro do rudo)
Exemplo
Mdia: 219.3
Desvio padro: 4.0
Mnimo: 202
Mediana: 220
Mximo: 226
Moda: 220
SNR: 33.3
isep
Maio 2004 Processamento de Imagem 13
Ferramentas
Representaes de contorno
Chain codes
Seguimento do contorno em sentido horrio com anotao
das mudanas de direco entre pixels sucessivos - exemplo




Crack codes
Seguimento da linha entre
objecto e fundo (crack)
P
i
+7076666544556...
isep
Maio 2004 Processamento de Imagem 14
Ferramentas
Uma nota de aviso
No possvel ainda modelar o sistema visual humano
atravs das tcnicas correntes de anlise de sistemas
As iluses pticas no se enquadram nesses modelos
Induo de visualizao de
valores cinzentos que se
sabe no existem e noo
de dinamismo na imagem
Induo de visualizao
de contornos inexistentes
e contraste exagerado
URL: http://www.city.ac.uk/optics/BVTutor/html/ocular_movements_i.html
isep
Maio 2004 Processamento de Imagem 15
Amostragem
Amostragem de imagem
Ideal
b
ideal
[m,n] =
m

n
a(mX0,nY0) o(x-mX0,y-nY0)
Real
b
real
[m,n] = (a(x,y) p(x,y))
m

n
o(x-mX0,y-nY0)
A funo de abertura p(x,y) depende da tecnologia
usada na captura da informao e frequentemente:
Circular; Quadrada; Gaussiana
Deve escolher-se a densidade de amostragem com
base na teoria de sinal clssica (teoria de Nyquist)
isep
Maio 2004 Processamento de Imagem 16
Algoritmos
Baseados em operaes de histograma
Alargamento do contraste
Muitas imagens so geradas com intensidades que no
aproveitam a gama mxima de intensidades
Corrige-se atravs do alargamento da gama da imagem
b[m,n] = (2
B
-1) (a[m,n] - p
low%
) / (p
high%
- p
low%
)
se p
low%
< a[m,n] < p
high%
; seno 0 ou 2
B
-1
p
low%
- intensidade baixa no histograma (0%, 1%, 5%)
p
high%
- intensidade alta no histograma (100%, 99%, 95%)

original
contraste
alargado
isep
Maio 2004 Processamento de Imagem 17
Algoritmos
Baseados em operaes de histograma
Equalizao de histogramas
Normaliza-se o histograma da imagem para um
histograma padro (comparao de imagens, etc)
O objectivo ideal obter ocorrncias iguais para todas
as intensidades - histograma plano
Pode obter-se algo aproximado usando a funo
distribuio de probabilidade (normalizada de 0 a 2
B
-1)
como ndice de acesso ao histograma padro...
original
histograma
equalizado
isep
Maio 2004 Processamento de Imagem 18
Algoritmos
Baseados em operaes matemticas
Operaes binrias
Baseadas nas operaes booleanas pixel a pixel
Exemplo






Operaes aritmticas
a+b a/b log(a) exp(a) sqrt(a) sin(a) (2
B
-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 2004 Processamento de Imagem 19
Algoritmos
Baseados em convoluo
Enquadramento
Baseia-se na noo de uma janela finita h() operando
sobre a imagem a(), produzindo uma nova imagem c()
O pixel de sada igual soma pesada dos pixels de
entrada dentro da janela, em que os pesos so os
valores especficos do filtro de convoluo h()
Convoluo no domnio 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
Soluo: extender artificialmente a imagem
isep
Maio 2004 Processamento de Imagem 20
Algoritmos
Baseados em suavizao
Objectivos gerais
Tipicamente usados para reduzir o rudo 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) Cnico (J=K=5)
isep
Maio 2004 Processamento de Imagem 21
Algoritmos
Baseados em suavizao
Filtros no-lineares
Estes filtros no podem ser alvo de anlises de Fourier
Filtro de mediana: em cada aplicao da janela h()
usa-se a intensidade mediana dentro da referida janela
Filtro Kuwahara: preserva bem os contornos
Em cada uma das 4 regies
calcula-se a mdia e a varincia
O valor atribudo ao pixel central
o valor mdio da regio que
possui menor varincia
Regio 1
Regio 2
Regio 3
Regio 4
Pixel
central
isep
Maio 2004 Processamento de Imagem 22
Algoritmos
Baseados em suavizao
Exemplos de vrios filtros de suavizao
Imagem original
Filtro linear
Uniforme 5x5
Filtro linear
Gaussiano (o=2.5)
Filtro no-linear
Mediana 5x5
Filtro no-linear
Kuwahara 5x5
Histograma
isep
Maio 2004 Processamento de Imagem 23
Algoritmos
Baseados em derivao
Enquadramento
Os algoritmos apresentados so uma aproximao
Tendem a aumentar o rudo de alta frequncia, pelo que
geralmente so combinados com filtros de suavizao
Primeira derivada
Filtros de gradiente
Va[m,n] = (h
x
a[m,n])i
x
+ (h
y
a[m,n])i
y
Bsicos:

Prewitt:
isep
Maio 2004 Processamento de Imagem 24
Algoritmos
Baseados em derivao
Primeira derivada
Filtros de gradiente (continuao)
Va[m,n] = (h
x
a[m,n])i
x
+ (h
y
a[m,n])i
y



Sobel:


Construdos medida:

Gaussianos:
isep
Maio 2004 Processamento de Imagem 25
Algoritmos
Baseados em derivao
Primeira derivada
Exemplos de filtros de gradiente
Imagem original
Bsico Sobel Gaussiano (o=1.5)
isep
Maio 2004 Processamento de Imagem 26
Algoritmos
Baseados em derivao
Segunda derivada
Desempenham um papel muito importante
Filtros de Laplaciano
V
2
a[m,n] = (h
2x
a[m,n])i
x
+ (h
2y
a[m,n])i
y

Bsicos:

Gaussiano:

Construdos medida:

SDGD:
(2 derivada na direco do gradiente)
isep
Maio 2004 Processamento de Imagem 27
Algoritmos
Baseados em derivao
Segunda derivada
Exemplos de filtros de Laplaciano
Imagem original
Bsico Gaussiano (o=1.5) medida SDGD (o=1.0)
isep
Maio 2004 Processamento de Imagem 28
Algoritmos
Baseados em derivao
Outros filtros
H uma infinidade de filtros lineares e no-lineares
Para se medir a resposta de filtros no convencionais
usam-se imagens de teste (padres sinusoidais, etc)
Permite avaliar os efeitos em termos de frequncias
Exemplos de resultados com padro de teste sinusoidal
Filtro
passa-baixo
Filtro
passa-banda
Filtro
passa-alto
isep
Maio 2004 Processamento de Imagem 29
Algoritmos
Baseados em morfologia
Enquadramento
Uma definio alternativa do conceito de imagem
baseia-se na noo 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 - A
c
= { a | a e A }
Imagem binria com
dois objectos A e B
A
B
isep
Maio 2004 Processamento de Imagem 30
Algoritmos
Baseados em morfologia
Enquadramento
A noo de objecto implica conectividade de pixels



Definies
As operaes fundamentais sobre objectos so:
Translao: A + x = { a + x | a e A }
Adio/subtraco: A B =
beB
(A+b) ; A B =
beB
(A+b)
Complemento (fundo)
Simetria: -A = { -a | a e A }
objecto A fundo de A
- O objecto A tem conectividade 4
- O fundo tem conectividade 12-4(=8)
isep
Maio 2004 Processamento de Imagem 31
Algoritmos
Baseados em morfologia
Dilatao e Eroso
A dilatao D(A,B) corresponde adio A B
A eroso E(A,B) corresponde subtraco A (-B )
Exemplos


Tipicamente A uma imagem e B um estruturante
(equivale ao ncleo de convoluo dos filtros lineares)
Exemplos de estruturantes comuns
B
D(A,B)
-B
E(A,B)
N
4
N
8

isep
Maio 2004 Processamento de Imagem 32
Algoritmos
Baseados em morfologia
Dilatao e Eroso
Teorema da Decomposio
Para um estruturante B finito, simtrico, sem buracos e
contendo o seu centro ([0,0] e B), verifica-se que
D(A,B) = A (cA B) [nota: cA o contorno de A]
Resulta que apenas basta processar os pixels do contorno de
A, no sendo necessrio processar os pixels do seu interior
Algoritmo rpido de dilatao: para cada pixel do objecto,
todos os seus pixels vizinhos (viz
C
) de fundo passam a
pertencer ao objecto
Algoritmo rpido de eroso: cada pixel do objecto que
possua um pixel vizinho (viz
C
) de fundo passa a fundo
isep
Maio 2004 Processamento de Imagem 33
Algoritmos
Baseados em morfologia
Dilatao e Eroso
Exemplos rpidos



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
Dilatao com
estrututante N
4

Dilatao com
estrututante N
8

isep
Maio 2004 Processamento de Imagem 34
Algoritmos
Baseados em morfologia
HitAndMiss
Operador de alto nvel
HitMiss(A,B) = E(A,B
1
) E
C
(A
C
,B
2
)
B
1
e B
2
so estruturantes finitos e disjuntos entre si
Este operador o equivalente morfolgico do template
matching (tcnica usada para comparar padres com
base na sua correlao)
B
1
funciona como template para o objecto
B
2
funciona como template para o fundo
isep
Maio 2004 Processamento de Imagem 35
Algoritmos
Baseados em morfologia
Exemplos
Estruturantes
Imagem A Dilatao com 2B Eroso com 2B
Abertura com 2B
(separa objectos)
Fecho com 2B
(preenche buracos)
HitAndMiss com B
1
e B
2

[ cA = A - E(A,N
8
) ]
isep
Maio 2004 Processamento de Imagem 36
Algoritmos
Baseados em morfologia
Esqueleto
Quando realizavel, 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
B
8
, no se alterando o pixel central para fundo se
1) o pixel estiver isolado
2) a remoo do pixel alterar a conectividade
3) a remoo do pixel encurtar a linha
isep
Maio 2004 Processamento de Imagem 37
Algoritmos
Baseados em morfologia
Propagao (Reconstruo)
Visa reconstruir um objecto parcialmente erodido ou
preencher um objecto definido pelo seu contorno
Algoritmo iterativo baseado numa imagem semente
S
(0)
, uma imagem mscara A e um estruturante B
S
(k)
= D(S
(k-1)
,B) A ; repetir at S
(k)
= S
(k-1)
Em cada iterao a semente cresce dentro dos limites de A
As conectividades da fronteira de A e de B devem ser iguais
A implementao iterativa ineficiente, mas existe uma
implementao recursiva muito mais eficiente
isep
Maio 2004 Processamento de Imagem 38
Algoritmos
Baseados em morfologia
Exemplos
E(A,6N
8
)
Imagem A
Esqueleto de A Esqueleto de A
(sem condio 3)
Propagao com N
8

Semente
(a preto)
Mscara
isep
Maio 2004 Processamento de Imagem 39
Algoritmos
Baseados em morfologia
Tratamento de imagens em tons de cinzento
Os algoritmos anteriores podem ser extendidos para
imagens com mais de dois nveis (16, 64, 256, etc)
Formulaes para tons de cinzento
Dilatao: D
G
(A,B) = max
[j,k]eB
{ a[m-j,n-k] + b[j,k] }
Eroso: E
G
(A,B) = min
[j,k]eB
{ a[m+j,n+k] - b[j,k] }
Abertura: O
G
(A,B) = D
G
(E
G
(A,B),B)
Fecho: C
G
(A,B) = -O
G
(-A,-B)
Suavizao: MSmooth(A,B) = C
G
(O
G
(A,B),B)
Gradiente: MGradient(A,B) = 1/2 [D
G
(A,B) - E
G
(A,B)]
Laplaciano: MLaplacian(A,B) = 1/2 [D
G
(A,B) + E
G
(A,B) - 2A]
isep
Maio 2004 Processamento de Imagem 40
Algoritmos
Baseados em morfologia
Exemplos de filtros em tons de cinzento
Clssicos Morfolgicos
Suavizao
Gradiente
Laplaciano
Imagem A
Dilatao de A Eroso de A
isep
Maio 2004 Processamento de Imagem 41
Tcnicas
Enquadramento
Os algoritmos apresentados anteriormente podem ser
usados para resolver problemas complexos de
processamento de imagem
Correco de sombreamento
Os mtodos de gerao 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, iluminao no uniforme, etc
isep
Maio 2004 Processamento de Imagem 42
Tcnicas
Correco de sombreamento
Artefactos de sombreamento
Geralmente indesejados, mas difceis de evitar
A sua eliminao necessria em algumas aplicaes
Estimao do sombreamento
A posteriori
Filtragem passa-baixo: a
e
[m,n] = a[m,n] - LowPass(a[m,n])+K
Filtragem morfolgica: a
e
[m,n] = a[m,n] - MSmooth(a[m,n])+K
A priori
Recurso a imagens de calibrao: Preto[m,n] e Branco[m,n]
a
e
[m,n] = K (a[m,n]-Preto[m,n]) / (Branco[m,n]-Preto[m,n])
isep
Maio 2004 Processamento de Imagem 43
Tcnicas
Correco de sombreamento
Exemplos
Linha da imagem original
Passa-baixo Homomrfica Morfolgica Calibrada
(a melhor)
1. O sombreamento indesejado
manifesta-se atravs de uma
rampa linear a crescer da
esquerda para a direita
2. Os picos so objectos
isep
Maio 2004 Processamento de Imagem 44
Tcnicas
Melhoria e restauro
Enquadramento
O processo de aquisio de imagem geralmente
envolve degradao da imagem (inadvertidamente)
Desfocagem; Movimento da cmara; Rudo; etc
Objectivos
Melhoria visa embelezar a imagem
Restauro visa repor a verdade na imagem
Medio do erro
Usa-se frequentemente uma mtrica de erro tipo RMS
E{a
e
,a} = 1/MN
m

n
| a
e
[m,n] - a[m,n] |
2

isep
Maio 2004 Processamento de Imagem 45
Tcnicas
Melhoria 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 imagem original
O Laplaciano adequado para isolar as silhuetas
a
e
[m,n] = a[m,n] - (K V
2
a[m,n])
Original
Melhorada
(K=1)
isep
Maio 2004 Processamento de Imagem 46
Tcnicas
Melhoria e restauro
Supresso de rudo
Pode ser conseguida atravs de suavizao espacial,
levando contudo a perda de nitidez
Os algoritmos de suavizao so os mais adequados
Exemplos
Imagem original
(SNR = 20 dB)
Wiener Gaussiano (o=1)
Kuwahara 5x5 Mediana 3x3 MSmooth 3x3
isep
Maio 2004 Processamento de Imagem 47
Tcnicas
Melhoria e restauro
Supresso de distorso
Um modelo simples assume o rudo como nica fonte
de distorso, mas existem modelos mais realistas
O filtro Wiener (domnio das frequncias) uma boa
soluo para distorses baseadas em rudo
Exemplo



A imagem Wiener mais ntida mas exibe artefactos
A imagem Mediana mais esbatida mas disfara artefactos
Imagem distorcida
(SNR = 30 dB)
Wiener Mediana 3x3
isep
Maio 2004 Processamento de Imagem 48
Tcnicas
Segmentao
Enquadramento
Designa as diversas tcnicas capazes de distinguir
objectos de interesse do resto (fundo)
No h uma tcnica de segmentao universal ou perfeita
Limiarizao
Recorre a um limiar de intensidade para definir o objecto
A escolha do limiar de intensidade adequado fulcral
Escolha do limiar via histograma
Exemplo
Limiar=155
Imagem a segmentar
Histograma de intensidades
isep
Maio 2004 Processamento de Imagem 49
Tcnicas
Segmentao
Limiarizao
Escolha do limiar pelo algoritmo do tringulo
Exemplo
Limiar=152


Determinao de fronteiras
Uma alternativa limiarizao consiste em encontrar os
pixels que definem as fronteiras do objectos
Gradiente
Exemplo
Imagem a segmentar
Histograma de intensidades
isep
Maio 2004 Processamento de Imagem 50
Tcnicas
Segmentao
Determinao de fronteiras
Cruzamento do zero (mtodo LoG)
Consiste em usar o filtro Laplaciano e processar os
cruzamentos do zero da 2 derivada (mudana de sinal)
Requer suavizao para evitar o excesso de rudo gerado
Mtodo PLUS
Tambm baseado no cruzamento o zero do Laplaciano e no
filtro de suavizao SDGD(a)
Mtodo geral

isep
Maio 2004 Processamento de Imagem 51
Tcnicas
Segmentao
Exemplos







Nota: aps se encontrar a fronteira dos objectos, podem
usar-se algoritmos de propagao para preenchimento
Imagem original
(SNR = 20 db)
LoG PLUS
isep
Maio 2004 Processamento de Imagem 52
Tcnicas
Segmentao
Morfologia binria
Filtragem sal e pimenta (remoo de pixels isolados)
Determinao de objectos com furos
Exemplo



Preenchimento de furos em objectos
Exemplo
Imagem segmentada
Esqueleto aps
filtro sal e pimenta
Imagem final
aps propagao
Imagem segmentada e invertida Imagem final aps
propagao e inverso
Mscara
isep
Maio 2004 Processamento de Imagem 53
Tcnicas
Segmentao
Morfologia binria
Remoo de objectos nos limites da imagem
Exemplo




Gerao de exoesqueleto
Exemplo
Imagem segmentada Imagem aps propagao e
XOR com a imagem mscara
Mscara
Imagem segmentada e invertida
Imagem aps
gerao de esqueleto
isep
Maio 2004 Processamento de Imagem 54
Tcnicas
Segmentao
Morfologia binria
Separao de objectos que se tocam
Segmentar imagem inicial para obter imagem binria
Efectuar um nmero pequeno de eroses da imagem (N
4
)
Calcular o exoesqueleto da imagem erodida
Inverter a imagem do exoesqueleto erodido
Combinar imagem final atravs de AND da imagem inicial
com a imagem invertida do exoesqueleto erodido!
Imagem inicial Eroses Exoesqueleto Pormenor da
imagem final
isep
Maio 2004 Processamento de Imagem 55
Tcnicas
Segmentao
Morfologia de tons de cinzento
uma extenso das tcnicas de morfologia binria
Permite abordar os problemas a alto nvel
Exemplo: mtodo local de alargamento de contraste
Processa informao de contraste a nvel local
Consegue-se obter uma soluo mais satisfatria
Exemplos
Antes | Depois Antes | Depois Antes | Depois
isep
Maio 2004 Processamento de Imagem 56
Concluso
Presente
O processamento de imagem cada vez est mais
embebido em aplicaes sofisticadas e intuitivas
Ainda h problemas por resolver satisfatoriamente
Futuro
O processamento de imagem tender a evoluir para
processamento de sequncias de imagem (vdeo, etc)
Iro surgir mais implementaes em hardware
A investigao deslocar-se- para temas de mais alto
nvel, que usaro o P. I. como mais uma ferramenta
isep
Maio 2004 Processamento de Imagem 57
Informao Adicional
Sugestes
Tutoriais
http://www.google.pt/search?q=image+processing+tutorial
Softwares livres
VIPS - http://www.vips.ecs.soton.ac.uk/
(MS-Windows: http://www.vips.ecs.soton.ac.uk/vips-7.8/nip-7.8.14.zip)
GIMP - http://www.gimp.org/
(MS-Windows:http://www.gimp.org/~tml/gimp/win32)
Stios web e documentos
Processamento de imagem em GPUs (placas grficas)
http://www.gpgpu.org/ (seguir ligao Image and Volume Processing)
http://www.vis.uni-stuttgart.de/eng/research/pub/pub2000/vmv00-hopf.pdf
isep
Maio 2004 Processamento de Imagem 58
FIM