Digital Image Processing, 2nd ed. © 2002 R. C. Gonzalez & R. E. Woods Melhoramento de Imagens Paulo Sérgio Rodrigues PEL205

Digital Image Processing, 2nd ed.Digital Image Processing, 2nd ed.www.imageprocessingbook.com

© 2002 R. C. Gonzalez & R. E. Woods

Melhoramento de Imagens

Paulo Sérgio Rodrigues

PEL205



Chapter 3Image Enhancement in the

Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain



Melhoramento no Domínio Espacial

Alguns tipos simples de transformações de intensidade

• Negativo

• Stretching

• Compressão

• Slicing

Uma maneira de realizar algumas dessas operações é atravésda função de transformação g(x,y) = c f(x,y)y




Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain




Spatial Domain


Spatial Domain




Spatial Domain: Bit-Plane Slicing


















Processamento Baseado em Histograma: Equalização

O objetivo é usar uma função de transformação que torne o histograma o mais uniforme possível, criando uma imagemcom maior contraste.

Se usarmos como função de transformação o histograma cumulativoo resultado será uma distribuição mais uniforme (equalizada)

• Calcular o Histograma original• Calcular o Histograma cumulativo• Equalizar a imagem com o Histograma cumulativo





1,...,1,0 10 )( Lkrn

nrp k

kkr

onde: pr(rk) é a probabilidade da intensidade rk

nk é o número de ocorrências de rk

n é o número total de ocorrências





A função cumulativa é calculada como:

1,......,1,0 1,0

)(

)()(

1

00

Lksr

sTr

rpn

nrTs

kk

kk

k

jjr

k

j

jkk





)(rpr )()( 1 sTsps

r s




Spatial Domain


Spatial Domain




Spatial Domain: Enhancing with Arithmetic/Logic Operations


Spatial Domain: Enhancing with Arithmetic/Logic Operations




Spatial Domain: Image Averaging



a) Originalb) Original + ruídoc) Média de 8 imagensd) Média de 16 imagens e) Média de 32 imagensf) Média de 64 imagens

(a) (b)

(c) (d)

(e) (f)







Diferença de imagens

a) Original slide 23 – (c) slide 24 b) Original slide 23 – (d) slide 24(c) Original slide 23 – (e) slide 24(d) Original slide 23 – (f) slide 24

(a)

(b)

(c)

(d)



Chapter 3Image Enhancement in theSpatial Domain: Filtering


Mecanismo parafiltragem no domínioespacial





Representação da máscarade convolução





Exemplo de máscaras de suavização





(a) (b)

(c) (d)

(e) (f)

Exemplo de suavização

a)Imagem original

(b) a (f) Resultados de suavização com máscaras de tamanho 3, 5, 9,15 e 35





a) Imagem do telescópio Hubble; b) suavização com máscara 15 x 15; c) Limiarização de (b)

(a) (b) (c)




Spatial Domain: Edge Detection


Spatial Domain: Edge Detection

(a)

(c)

(b)

(d)

a) Máscara para o Laplaciano;

b) Extensão incluindo as diagonais;

c) Outra implementação para (a)

d) Outra implementação para (b)




Spatial Domain: Edge Detection/Filtering



a) Imagem original;b) Laplaciano;c) (b) escalonado;d) Melhoramento

usando a equação abaixo

(a) (b)

(c)(d)







(a) (b)

(c) (d)

a) Filtros Laplacianos;b) Imagem microscópicac) Filtragem com (a)

superiord) Filtragem com (a)

inferior




Spatial Domain: Popular Masks


Spatial Domain: Popular Masks

a) Máscara 3 x 3;b) Máscara 2 x 2 sensível

a diagonal;c) Filtro Sobel horizontald) Filtro Sobel Vertical

(a)

(b)

(c) (d)




Spatial Domain: Edge with Sobel


Spatial Domain: Edge with Sobel

(a) (b)

a) Imagem de Lentes de Contato; (b) Aplicação do Gradiente Sobel




Filtragem com função Sigmoid

Se uma escala de reflectância das regiões de interesse são conhecidas, pode-se usar uma função que se adapte aos valoresconhecidos para direcionar a suavização. Exemplo: região em torno da mama





Em caso de tumores de mama, um estudo de tais regiões, produz a seguinte escala:





Tal escala, pode ser utilizada em uma função sigmoid como a seguinte:

Min

e

MinMaxII

1

1)(

~

onde ....



Melhoramento no Domínio EspacialFiltragem com função Sigmoid

interesse de faixa da mínimo e máximo valoresos são e

dacentraliza está interesse de faixa a qual do tornoem valor o é

interesse de faixa da largura a é

original luminância de valor o é

suavizado luminância de valor o é ~

1

1)(

~

MinMax

I

I

Min

e

MinMaxII

Documents

Digital Image Processing, 2nd ed. © 2002 R. C. Gonzalez & R. E. Woods Melhoramento de Imagens Paulo Sérgio Rodrigues PEL205