Introdução ao Processamento Digital de Imagens

Introduo ao Processamento Digital de Imagens
Jos Eustquio Rangel de Queiroz 1, Herman Martins Gomes 1
Resumo: O objetivo desse tutorial fornecer uma viso introdutria para a rea de
Processamento Digital de Imagens (PDI) de modo que possa servir como base de
estudo para iniciantes na rea ou como referncia para estudos mais avanados. O
tutorial est dividido em duas partes: uma parte principal contemplando os fundamentos
e uma parte complementar descrevendo aplicaes. A parte de fundamentos apresenta o
processo de formao de imagens, incluindo uma sucinta apresentao da estrutura do
olho humano e sua analogia com uma cmera digital, bem como comentrios sobre um
sistema tpico de PDI. O ncleo do tutorial aborda as principais operaes sobre
imagens, tais como, operaes sobre cores, filtragem espacial, segmentao,
transformaes em escala e resoluo, dentre outras. Na parte de aplicaes, so
apresentados exemplos de aplicaes envolvendo segmentao de imagens,
reconhecimento de palavras manuscritas e recuperao de imagens por contedo.
Palavras-chave: processamento digital de imagens, operaes sobre imagens,

aplicaes de processamento de imagens
Abstract: The goal of this tutorial is to provide an introductory view of the Digital
Image Processing (IP) area that can be used as a study guide for beginners or as basic
reference for more advanced studies. The tutorial is divided into two parts: the main
part is about the IP fundamentals and a complementary part discusses some application
examples. The main part presents the image formation process, including a succinct
description of the human eye structure and its relation to a digital camera, as well as
comments about a typical IP system. The core of the tutorial is about image operations,
such as color operations, spatial filtering, segmentation, scale and resolution transforms,
among others. The applications part contains a number of examples, involving image
segmentation, handwritten word recognition and content-based image retrieval.
Keywords: digital image processing, image operations, image processing applications
1 Departamento de Sistemas e Computao, UFCG, Caixa Postal 10106

{rangel,hmg}@dsc.ufcg.edu.br.br
Revista RITA: instrues para preparao de documentos em Word
Consideraes Iniciais
1.1
Entendendo o Processamento Digital de Imagens
O Processamento Digital de Imagens (PDI) no uma tarefa simples, na realidade envolve um

conjunto de tarefas interconectadas (vide Fig. 1). Tudo se inicia com a captura de uma imagem, a
qual, normalmente, corresponde iluminao que refletida na superfcie dos objetos, realizada
atravs e um sistema de aquisio. Aps a captura por um processo de digitalizao, uma imagem
precisa ser representada de forma apropriada para tratamento computacional. Imagens podem ser
representadas em duas ou mais dimenses. O primeiro passo efetivo de processamento
comumente conhecido como pr-processamento [1][2][3], o qual envolve passos como a
filtragem de rudos introduzidos pelos sensores e a correo de distores geomtricas causadas
pelo sensor.
Objetos
2D, 3D
Iluminao
Formao de
Imagem 2-D
Imagens
2D, 3D
Visualizao
Quantitativa
Formao de
Imagem 3-D
Integrao,
Filtragem de
Rudos
Imagens de
Caractersticas
Segmentao
de Regies
Imagens de
Regies
Deteco
de Bordas
Extrao de
Estruturas
Simples
Determinao
do Movimento
Calibrao
Radiomtrica e
Geomtrica
Imagem
Digital
Descrio de
Texturas
Regularizao,
Restaurao e
Modelagem
Anlise de
Formas
Descries de
Objetos
Digitalizao
Morfologia
Matemtica
Classificao
de Pixels ou
Objetos
Classes de
Objetos
Fig. 1 - Uma hierarquia de tarefas de processamento de imagens (adaptada de [1]).
Uma cadeia maior de processos necessria para a anlise e identificao de objetos.

Primeiramente, caractersticas ou atributos das imagens precisam ser extrados, tais como as
RITA Volume VIII Nmero 1 2001
bordas, texturas e vizinhanas. Outra caracterstica importante o movimento. Em seguida,

objetos precisam ser separados do plano de fundo (background), o que significa que
necessrio identificar, atravs de um processo de segmentao, caractersticas constantes e
descontinuidades [2]. Esta tarefa pode ser simples, se os objetos so facilmente destacados da
imagem de fundo, mas normalmente este no o caso, sendo necessrias tcnicas mais
sofisticadas como regularizao e modelagem. Essas tcnicas usam vrias estratgias de
otimizao para minimizar o desvio entre os dados de imagem e um modelo que incorpora
conhecimento sobre os objetos da imagem. Essa mesma abordagem matemtica pode ser
utilizada para outras tarefas que envolvem restaurao e reconstruo [1]. A partir da forma
geomtrica dos objetos, resultante da segmentao, pode-se utilizar operadores morfolgicos
[1][2][3] para analisar e modificar essa forma bem como extrair informaes adicionais do
objeto, as quais podem ser teis na sua classificao. A classificao considerada como
uma das tarefas de mais alto nvel e tem como objetivo reconhecer, verificar ou inferir a
identidade dos objetos a partir das caractersticas e representaes obtidas pelas etapas
anteriores do processamento. Como ltimo comentrio, deve-se observar que, para problemas
mais difceis, so necessrios mecanismos de retro-alimentao (feedback) entre as tarefas de
modo a ajustar parmetros como aquisio, iluminao, ponto de observao, para que a
classificao se torne possvel. Esse tipo de abordagem tambm conhecido como viso ativa
[4][5]. Em um cenrio de agentes inteligentes, fala-se de ciclos de ao-percepo.
1.2
Relao entre Processamento de Imagens e Computao Grfica
Em geral, autores de livros em Computao Grfica (CG) e Processamento de Imagens

(PDI) vm tratando as duas reas como distintas. O conhecimento em ambas as reas
tem crescido consideravelmente, o que tem permitido a resoluo de problemas cada vez
mais complexos. Numa viso simplificada, CG busca imagens fotos-realsticas de cenas
tridimensionais geradas por computador, enquanto PDI tenta reconstruir uma cena
tridimensional a partir de uma imagem real, obtida atravs de uma cmera. Neste
sentido, PDI busca um procedimento inverso ao de CG, anlise ao invs de sntese, mas
ambas as reas atuam sobre o mesmo conhecimento, o qual inclui, dentre outros
aspectos, a interao entre iluminao e objetos e projees de uma cena tri-dimensional
em um plano de imagem. O cenrio envolvendo todas as disciplinas que tenham algum
ingrediente de processamento da informao visual, dentre as quais a CG e o PDI
ocupam posio de destaque, definido por alguns autores como Computao Visual.
1.3
Natureza Interdisciplinar do Processamento de Imagens
A rea de Processamento de Imagens incorpora fundamentos de vrias cincias, como

Fsica, Computao, Matemtica. Conceitos como ptica, Fsica do Estado Slido,
Projeto de Circuitos, Teoria dos Grafos, lgebra, Estatstica, dentre outros, so
comumente requeridos no projeto de um sistema de processamento de imagens. Existe
tambm uma interseco forte entre PDI e outras disciplinas como Redes Neurais,
Inteligncia Artificial, Percepo Visual, Cincia Cognitiva. H igualmente um nmero
de disciplinas as quais, por razes histricas, se desenvolveram de forma parcialmente

independente do PDI, como Fotogrametria, Sensoriamento Remoto usando imagens
areas e de satlite, Astronomia e Imageamento Mdico.
1.4
Organizao do Tutorial
O tutorial est estruturado em duas partes: a primeira parte (principal) trata dos fundamentos
de PDI e a segunda (complementar) apresenta exemplos de aplicaes. As prximas duas
sees contemplam a parte de fundamentos, incluindo o processo de formao da imagem e
uma seleo de operaes tpicas sobre imagens. A Seo 4 apresenta alguns exemplos de
aplicaes. Finalmente, na Seo 5 esto as consideraes finais.
2.
Conceitos Fundamentais
2.1
Natureza da luz
Sendo radiao eletromagntica, a luz apresenta um comportamento ondulatrio

caracterizado por sua freqncia (f) e comprimento de onda (). A faixa do espectro
eletromagntico qual o sistema visual humano sensvel se estende aproximadamente de
400 a 770 nm e denomina-se luz visvel [2]. Radiao eletromagntica com comprimentos de
onda fora desta faixa no percebida pelo olho humano. Dentro dessa faixa, o olho percebe
comprimentos de onda diferentes como cores distintas, sendo que fontes de radiao com um
nico comprimento de onda denominam-se monocromticas e a cor da radiao denomina-se
cor espectral pura [3][4]. O espectro eletromagntico a distribuio da intensidade da radiao
eletromagntica com relao ao seu comprimento de onda e/ ou freqncia [6]. Na Fig. 2,
apresenta-se uma sntese do espectro eletromagntico, destacando-se a faixa de luz visvel.
Comprimento
de Onda (m)
10 3
10 2
10
10 -1
10 -2
10 -3
10 -4
10 -5
10 -6
10 -7
Ponto
Campo de Futebol
Bola de Baseball
Casa
Bactria
INFRAVERMELHO
Rdio AM
10 6
Cavidade
Forno de
de RF Rdio FM Microondas
10 7
10 8
10 9
10 11
Seres
Lmpadas
Humanos Incandescentes
10 12
10 13 10 14
Mais curtos
RAIOS X PESADOS
RAIOS
RAIOS X LEVES
RADAR
10 10
Molcula de gua
Vrus
ULTRAVIOLETA
MICROONDAS
Freqncia
(Hz)
10 -9 10 -10 10 -11 10 -12
Protena
Clula
ONDAS DE RDIO
10 -8
10 15 10 16
ALS
10 17
Elementos
Equipamentos Radioativos
de Raios X
10 18 10 19 10 20
Mais altas
Radia
Radia o Vis
Visvel
Comprimento de Onda (nm)
700 600
500
Radia
Radia o
Infravermelha (IR)
400
Radia
Radia o
Ultravioleta (UV)
Fig. 2 - Espectro eletromagntico.
2.2
Estrutura do Olho Humano
De conformao aproximadamente esfrica, o olho humano possui um dimetro mdio

aproximado variando de 2 a 2,5 cm [2][3][4]. A radiao luminosa advinda de objetos do
mundo real penetra no olho a partir de uma abertura frontal na ris, denominada pupila, e de
uma lente denominada cristalino, atingindo ento a retina, que constitui a camada interna
posterior do globo ocular [3] (vide Fig. 3).
Conjuntiva
Humor v
vtreo
Crnea
ris
Nervo ptico
Esclertica
Coride
Msculos
Ciliares
Tnicas da retina
Eixo Visual
ris
Fvea
Cmara
Anterior
Crnea
Ponto
Cego
Lente
Cmara Posterior
com Humor
Vtreo
Ligamentos
Vasos sang
neos Suspensrios
sangneos
do Cristalino
Esclera
Ner
vo
e F p ti c
V a s e ixe o
cul
ar
Cristalino
Pupila
Tnicas
Retina
C
Ci o r p
li a o
r
Fig. 3 - Olho humano: (A) viso geral; e (B) detalhamento dos componentes.
A focalizao apropriada da cena implica a formao ntida de sua imagem invertida

sobre a retina. A retina contm dois tipos de fotossensores, os cones (sensveis a cores e com
alta resoluo, operantes apenas em cenas suficientemente iluminadas) e os bastonetes,
(insensveis a cores, com baixa resoluo, operantes em condies de baixa luminosidade),
encarregados do processo de converso da energia luminosa em impulsos eltricos que sero
transmitidos ao crebro, para posterior interpretao. A visualizao de um objeto consiste
do posicionamento do olho pela estrutura muscular que o controla, implicando a projeo da
imagem do objeto sobre a fvea [3]. Em essncia, toda cmara fotogrfica uma cmara
escura, projetada para apreender a energia luminosa proveniente de uma cena, produzindo
uma imagem adequada para propsitos os mais diversificados. Trata-se de uma extenso do
olho humano, o qual compe imagens a partir de excitao luminosa e as transmite ao
crebro sob a forma de impulsos bioeltricos. A plpebra do olho tem uma funo anloga
quela do obturador da cmara. O diafragma (ou ris) de uma cmera funciona analogamente
ris do olho humano, controlando a quantidade de luz que atravessa a lente. A lente da cmera
anloga ao conjunto formado pelo cristalino do olho, a crnea e, em menor grau, o humor
aquoso e o humor vtreo. Ambos tm o propsito de focalizar a luz, de modo a tornar ntidas as
imagens que se formaro invertidas no plano focal [6]. A diferena que o cristalino se
deforma para focalizar a imagem, enquanto a lente dotada de um mecanismo manual ou
automtico para o ajuste da distncia focal, exceo das lentes das cmaras de foco fixo,
projetadas para dar foco a partir de uma distncia mnima (usualmente a partir de 1,5m). A
coride funciona como a cmara escura de uma cmara fotogrfica. A retina corresponde ao
sensor da cmara fotogrfica (componente digital ou filme). A Fig. 4 ilustra essa analogia.

Coride
Retina
Plpebra
Eixo Visual
ris
Cmara Anterior
Crnea
Fvea
Cristalino
Sensor
ris
Cmara Posterior
com Humor Vtreo
Cmara escura
Obturador
Diafragma
Lente
Fig. 4 Analogia olho humano-cmara digital.
2.3
Modelos Cromticos
Branco
Branco
Objetos que emitem luz visvel so percebidos em funo da soma das cores espectrais
emitidas. Tal processo de formao denominado aditivo. O processo aditivo pode ser
interpretado como uma combinao varivel em proporo de componentes monocromticas
nas faixas espectrais associadas s sensaes de cor verde, vermelho e azul, as quais so
responsveis pela formao de todas as demais sensaes de cores registradas pelo olho
humano. Assim, as cores verde, vermelho e azul so ditas cores primrias. Este processo de
gerao suscitou a concepo de um modelo cromtico denominado RGB (Red, Green, e
Blue) [2][3], para o qual a Comisso Internacional de Iluminao (CIE) estabeleceu as
faixas de comprimento de onda das cores primrias [7]. A combinao dessas cores, duas a
duas e em igual intensidade, produz as cores secundrias, Ciano, Magenta e Amarelo (ver
Fig. 5).
G
(0,1,0)
(0,1,1)
(1,1,1)
(0,0,0)
(1,1,0)
(1,0,0)
(0,0,1)
Preto
Preto
(1,0,1)
Primria
(nm)
Combinao de Primrias
Vermelho
700,0
Vermelho + Verde
Amarelo
Verde
546,1
Vermelho + Azul
Magenta
Azul
435,8
Verde + Azul
Secundria Resultante
Ciano
Fig. 5 - Modelo cromtico RGB.
A cor oposta a uma determinada cor secundria a cor primria que no entra em sua
composio. Assim, o verde oposto ao magenta, o vermelho ao ciano e o azul ao amarelo.
A cor branca gerada pela combinao balanceada de vermelho, verde e azul, assim como
pela combinao de qualquer cor secundria com sua oposta. Objetos que no emitem
radiao eletromagntica visvel prpria so, em contraposio, percebidos em funo dos
pigmentos que os compem [3]. Assim sendo, objetos diferentemente pigmentados absorvem (ou
subtraem) da radiao eletromagntica incidente uma faixa do espectro visvel, refletindo o
restante [6]. O processo de composio cromtica pode ser interpretado como a absoro ou
reflexo, em propores variveis, das componentes verde, vermelho e azul da radiao
eletromagntica visvel incidente. Tome-se como exemplo um objeto amarelo. As componentes
vermelha e verde da luz branca incidente so refletidas, enquanto a componente azul subtrada
por absoro pelo objeto. Assim, a cor amarela pode ser encarada como o resultado da subtrao
do azul da cor branca. As cores primrias no modelo CMY so definidas em funo da
absoro de uma cor primria da luz branca incidente e da reflexo das demais
componentes, ou seja, as cores primrias so as secundrias do modelo RGB - Ciano,
Magenta e Amarelo (Fig. 6).
Preto
M
(0,1,0)
(1,1,0)
Branco
(0,1,1)
(1,1,1)
(0,0,0)
(0,0,1)
(1,0,0)
(1,0,1)
Combinao de Primrias
Ciano + Magenta
Magenta + Amarelo
Amarelo + Ciano
Secundria Resultante
Azul
Vermelho
Verde
Fig. 6 - Modelo cromtico CMY.
A formao de imagens em um terminal de vdeo se d por emisso de radiao

eletromagntica visvel, em um processo que integra, em diferentes propores, as cores verde,
vermelha e azul. J os dispositivos de impresso coloridos (e.g. impressoras e traadores
grficos) adotam o sistema CMY (Cyan, Magenta, Yellow). Uma vez que os pigmentos
empregados (tintas em cartuchos ou toners) no produzem o preto quando combinados de
modo balanceado, necessrio acrescent-lo como um quarto pigmento, o novo sistema
cromtico denominado CMYK (Cyan, Magenta, Yellow, blacK). H vrios outros modelos
cromticos nos quais a caracterizao da cor no se d conforme o comportamento
fisiolgico da retina humana, mas sim em funo de outros atributos de percepo cromtica
empregados por seres humanos [2][3][6]. Ao invs da caracterizao da cor a partir de
combinaes de vermelho, verde e azul, tais modelos adotam outros atributos, tais como a
intensidade, o matiz ou tonalidade (hue) e a saturao ou pureza.
2.4 Modelo de Imagem Digital

Uma imagem monocromtica uma funo bidimensional contnua f(x,y), na qual x e y so
coordenadas espaciais e o valor de f em qualquer ponto (x,y) proporcional intensidade
luminosa (brilho ou nvel de cinza) no ponto considerado [1][2][4][6][8]. Como os
computadores no so capazes de processar imagens contnuas, mas apenas arrays de
nmeros digitais, necessrio representar imagens como arranjos bidimensionais de pontos.
Cada ponto na grade bidimensional que representa a imagem digital denominado
elemento de imagem ou pixel. Na Fig. 7, apresenta-se a notao matricial usual para a
localizao de um pixel no arranjo de pixels de uma imagem bidimensional. O primeiro
ndice denota a posio da linha, m, na qual o pixel se encontra, enquanto o segundo, n,
denota a posio da coluna. Se a imagem digital contiver M linhas e N colunas, o ndice m
variar de 0 a M-1, enquanto n variar de 0 a N-1. Observe-se o sentido de leitura (varredura)
e a conveno usualmente adotada na representao espacial de uma imagem digital.
Coluna
(n)
( n)
Pixel
N-1
N-1
0
0
Linha
(m)
(m)
Preto
Tons
de
Cinza
M-1
M -1
255
Branco
Fig. 7 Representao de uma imagem digital bidimensional.
A intensidade luminosa no ponto (x,y) pode ser decomposta em: (i) componente de
iluminao, i(x,y), associada quantidade de luz incidente sobre o ponto (x,y); e a
componente de reflectncia, r(x,y), associada quantidade de luz refletida pelo ponto (x,y)
[3]. O produto de i(x,y) e r(x,y) resulta em:
f(x,y) = i(x,y).r(x,y)
(1)
na qual 0 < i(x,y) < e 0 < r(x,y) < 1, sendo i(x,y) dependente das caractersticas da fonte
de iluminao, enquanto r(x,y) dependente das caractersticas das superfcies dos objetos.
Em uma imagem digital colorida no sistema RGB, um pixel pode ser visto como um
vetor cujas componentes representam as intensidades de vermelho, verde e azul de sua cor. A
imagem colorida pode ser vista como a composio de trs imagens monocromticas, i.e.:
f (x, y) = fR(x,y) + fG(x,y) + fB(x,y),
8
(2)
na qual fR(x,y), fG(x,y), fB(x,y) representam, respectivamente, as intensidades luminosas das

componentes vermelha, verde e azul da imagem, no ponto (x,y).
Na Fig. 8, so apresentados os planos monocromticos de uma imagem e o resultado
da composio dos trs planos. Os mesmos conceitos formulados para uma imagem digital
monocromtica aplicam-se a cada plano de uma imagem colorida [3][6][8].
Fig. 8 Representao de uma imagem digital bidimensional.
2.5
Amostragem e Quantizao
Como j foi anteriormente mencionado, para que uma imagem possa ser armazenada e/ ou
processada em um computador, torna-se necessria sua discretizao tanto em nvel de
coordenadas espaciais quanto de valores de brilho. O processo de discretizao das
coordenadas espaciais denomina-se amostragem, enquanto a discretizao dos valores de
brilho denomina-se quantizao [1][2][3][4][5][6]. Usualmente, ambos os processos so
uniformes, o que implica a amostragem da imagem f(x,y) em pontos igualmente espaados,
distribudos na forma de uma matriz M x N, na qual cada elemento uma aproximao do
nvel de cinza da imagem no ponto amostrado para um valor no conjunto {0, 1, ..., L - 1}.
f (0,0) f (0,1) L
f (0, N 1
f
(
1
,
0
)
f
(
1
,
1
)
L
f
(1, N 1)
F
M
M
M
M
f (0, M) f (1, M) L f (M 1, N 1)
(3)
Costuma-se associar o limite inferior (0) da faixa de nveis de cinza de um pixel ao

preto e ao limite superior (L1) ao branco. Pixels com valores entre 0 e L-1 sero
visualizados em diferentes tons de cinza, os quais sero to mais escuros quanto mais
prximo de zero forem seus valores [1][2][3].
Uma vez que os processos de amostragem e quantizao implicam a supresso de
informao de uma imagem analgica, seu equivalente digital uma aproximao, cuja
qualidade depende essencialmente dos valores de M, N e L. Usualmente, o nmero de valores
de brilho, L, associado a potncias de 2:
L = 2l
(4)
com l . Assim sendo, o nmero de bits necessrio para representar uma imagem digital
de dimenses M x N ser:
b=MxNxl
(5)
Percebe-se, a partir da Eq. 5, que embora o aumento de M, N e l implique a elevao

da qualidade da imagem, isto tambm implica o aumento do nmero de bits necessrios para
a codificao binria da imagem e, por conseguinte, o aumento do volume de dados a serem
armazenados, processados e/ou transmitidos. O Quadro 1 contm o nmero de bytes
empregado na representao de uma imagem digital monocromtica para alguns valores
tpicos de M e N, com 2, 5 e 8 nveis de cinza.
Quadro 1 Nmero de bytes para uma imagem monocromtica.
M
480
600
768
1200
640
800
1024
1600
L=2
Nmero de Bytes (L)

L = 32
L = 256
38400
60000
98304
240000
192000
300000
491520
1200000
307200
480000
786432
1920000
O nmero de amostras e o nmero de nveis de cinza necessrios para a representao

de uma imagem digital de qualidade adequada funo tanto de caractersticas da imagem,
tais como suas dimenses e a complexidade dos alvos nela contidos, quanto da aplicao
qual se destina. Nas Figs. 9(A) a (D), ilustra-se a influncia dos parmetros de digitalizao
na qualidade visual de uma imagem monocromtica.
Fig. 9 Influncia da variao do nmero de amostras e de nveis de quantizao

na qualidade de uma imagem digital: (A) 200 x 200 pixels/ 256 nveis;
(B) 100 x 100 pixels/ 256 nveis; (C) 25 x 25 pixels/ 256 nveis; e (D) 200
x 200 pixels/ 2 nveis.
10
Em geral, costuma-se amostrar de forma idntica os diferentes planos de uma imagem

colorida [1][2]. O nmero de cores que um pixel pode assumir em uma imagem RGB com LR
nveis de quantizao no plano R, LG no plano G e LB no plano B LR x LG x LG.
Considerando a Eq. (6), se lR = log2(LR), lG = log2 (LG)e lB = log2 (LB), o nmero de bits por
pixel necessrios para representar as cores ser igual a lR + lG + lB e o nmero de bits
necessrio para representar uma imagem digital de dimenses M x N ser:
b = M x N x (lR + lG + lB)
(6)
Seja, por exemplo, LR = LG = LG = 2 = 256 nveis de cinza possveis em cada banda.

Assim sendo, cada pixel da imagem colorida poder assumir uma das 16.777.216 cores da
paleta, uma vez que ser representado por 3 x 8 = 24 bits. O Quadro 2 contm o nmero de
bytes empregado na representao de uma imagem digital colorida para alguns valores
tpicos de M e N, com 2, 5 e 8 nveis de cinza.
Quadro 2 Nmero de bytes para uma imagem colorida.
2.6
480
600
Nmero de Bytes (LR = LG = LB = L)

L=2
L = 32
L = 256
640
115200
576000
921600
800
180000
900000
1440000
768
1024
294912
1474560
2359296
1200
1600
720000
3600000
5760000
Sistema Tpico para Processamento Digital de Imagens
Vrios modelos de sistemas para processamento de imagens tm sido propostos e

comercializados no mundo inteiro nas duas ltimas dcadas. Entre meados das dcadas de 80
e 90, com a progressiva reduo nos custos das tecnologias de hardware, as tendncias de
mercado voltaram-se para placas projetadas, segundo padres industriais, para uso em
computadores pessoais e estaes de trabalho [3]. Assim, surgiram diversas empresas que se
especializaram no desenvolvimento de software dedicado ao processamento de imagens. Nos
dias atuais, o extenso uso dos sistemas para processamento de imagens desta natureza ainda
um fato, sobretudo em aplicaes de sensoriamento remoto (processamento de produtos
aerofotogramtricos e orbitais) [7] e imageamento biomdico (processamento de imagens
geradas a partir de MR, CT, PET/ SPEC, tomografia ptica, ultra-sonografia e raios X) [8].
Todavia, tendncias recentes apontam para a miniaturizao e integrao do hardware
especializado para processamento de imagens a computadores de pequeno porte de uso geral.
A representao do hardware e o diagrama em blocos da Fig. 10 ilustram os
componentes de um sistema de uso geral tipicamente utilizado para o processamento digital
de imagens. O papel de cada componente ser discutido, em linhas gerais, a seguir. No
tocante aquisio (tambm referida como sensoriamento) de imagens digitais, afiguram-se
relevantes dois elementos, a saber: (i) o dispositivo fsico sensvel faixa de energia irradiada
pelo alvo de interesse; e (ii) o dispositivo conversor da sada do o dispositivo fsico de
11
sensoriamento em um formato digital (usualmente referido como digitalizador) [1][2][3]. Tomese como exemplo uma cmara de vdeo digital. Os sensores CCD so expostos luz refletida
pelo alvo de interesse, o feixe de radiao eletromagntica capturada convertido em impulsos
eltricos proporcionais intensidade luminosa incidente nos diferentes pontos da superfcie do
sensor e, finalmente, o digitalizador converte os impulsos eltricos em dados digitais.
Rede
Sensores
de imagem
Hardware para
processamento
de imagens
Software para
processamento
de imagens
Computador
Hardware de
visualiza
visualizao
Hardware
de impresso
Fig. 10 - Diagrama em blocos de um sistema tpico para processamento de imagens.
Em geral, o hardware especializado para processamento de imagens consiste de um

digitalizador integrado a um hardware destinado execuo de outras operaes primitivas,
e.g. uma unidade lgico-aritmtica (ULA) para a realizao de operaes aritmticas e
lgicas em imagens inteiras, medida que so digitalizadas. O diferencial do hardware desta
natureza, tambm denominado subsistema front-end, a velocidade de processamento em
operaes que requerem transferncias rpidas de dados da entrada para a sada, e.g.,
digitalizao e remoo de rudo em sinais de vdeo capturados a uma taxa de 30 quadros/s,
tarefa que um computador tpico no consegue realizar com o mesmo desempenho.
Em nvel do processamento propriamente dito, o computador em um sistema para
processamento de imagens um hardware de uso geral que pode ser desde um PDA at um
supercomputador, em funo da capacidade de processamento exigida pela tarefa. Embora
aplicaes dedicadas possam requerer computadores especialmente projetados e
configurados para atingir o grau de desempenho exigido pela tarefa de interesse, os sistemas
de uso geral para processamento de imagens utilizam computadores pessoais tpicos para a
execuo de tarefas offline [3].
O armazenamento um dos grandes desafios para a rea de processamento de
imagens, uma vez que os sistemas de aquisio vm sendo cada vez mais aprimorados para a
captura de volumes de dados cada vez maiores, o que requer dispositivos com capacidades
de armazenamento cada vez maiores, alm de taxas de transferncia de dados mais elevadas
e maiores ndices robustez e confiabilidade do processo de armazenamento. Costuma-se
discriminar a etapa de armazenamento em trs nveis, a saber: (i) armazenamento de curta
durao (memria RAM), durante o uso temporrio das imagens de interesse em diferentes
etapas de processamento; (ii) armazenamento online ou de massa, tpico em operaes
12
relativamente rpidas de recuperao de imagens; e (iii) arquivamento de imagens, com

fins ao acesso infreqente e recuperao quando o uso se fizer necessrio [2][3][8].
No mbito da sada do sistema de processamento de imagens, so tpicas duas alternativas, a
saber: (i) a visualizao de dados; e (ii) a impresso de dados. A visualizao requer tipicamente
monitores de vdeo coloridos e preferencialmente de tela plana, que recebem dados de placas
grficas comerciais ou dedicadas [2][3][8]. H circunstncias em que se torna necessrio o uso de
visualizadores estreo, e.g. em aplicaes que lidam com pares estereoscpicos de produtos
aerofotogramtricos [6]. No tocante impresso, costuma-se utilizar diferentes dispositivos de
impresso de pequeno, mdio e grande porte - impressoras e/ou traadores grficos (plotters) de jato
de tinta, sublimao de cera ou laser [2][3][8]. Costuma-se tambm incluir nesta etapa a gerao de
produtos em filme, que oferecem a mais alta resoluo possvel [6].
O software para processamento de imagens consiste, em geral, de mdulos destinados
realizao de tarefas especficas (e.g. operaes de processamento radiomtrico e/ou
geomtrico de imagens monocromticas ou coloridas, mono ou multiespectrais). H pacotes
que incluem facilidades de integrao de mdulos e gerao de cdigo em uma ou mais
linguagens de programao. Por fim, faz-se pertinente comentar que a conexo em rede de
sistemas para processamento de imagens parece ser uma funo tpica nos dias atuais, uma
vez que, para diversas aplicaes, se faz necessria a transmisso de grandes volumes de
dados. Para tais aplicaes, a considerao mais relevante a largura de faixa, uma vez que a
comunicao com sites remotos via Internet pode constituir um obstculo para a
transferncia eficiente de dados de imagens.
Operaes sobre Imagens
3.1 Operaes no Domnio do Espao

As operaes no domnio do espao so caracterizadas pela manipulao direta dos pixels da
imagem [1][2][3][4][5][6][8]. Pode-se representar uma operao genrica O sobre uma seqncia
de n imagens, fe1, fe2, ..., fen (vide Fig. 13(A), produzindo uma imagem de sada fs, i.e.:
fs = O(fe1, fe2, ..., fen)
(7)
Operaes desta natureza so denominadas n-rias, uma vez que a imagem de sada
resulta de uma combinao de duas ou mais imagens de entrada. Quando n = 1, uma
operao unria, a partir da qual uma nica imagem de entrada produz uma imagem de sada
(vide Fig. 11(B)), sendo representada de forma simplificada como:
fs = O(fe)
(8)
As operaes no domnio do espao podem ser classificadas, no tocante ao escopo de

ao, como pontuais (ou ponto-a-ponto) ou locais (ou localizadas). Nas operaes pontuais, cada
pixel da imagem de sada depende apenas do mesmo correspondente na imagem de entrada.
Assim, qualquer operao pontual pode ser interpretada como um mapeamento de pixels da
13
imagem de entrada para a imagem de sada. A Fig. 12 ilustra genericamente uma operao
pontual unria.
fe1
fe2
fs
fs = O(fe1, fe2, ..., fen)
fen
fe
fs
fs = O(fe)
Fig. 11 Operaes no domnio do espao: (A) m-rias; e (B) unrias.
(x,y)
(x,y)
ie(x,y)
is(x,y)
Fig. 12 Operao pontual unria.
Cada ponto da imagem de sada, fs(x,y), obtido por: (i) uma operao O entre os
pontos de coordenadas homlogas das imagens de entrada, fe1(x,y), fe2(x,y),..., fen(x,y); ou (ii)
uma transformao T do ponto de coordenadas homlogas da imagem de entrada, fe(x,y). No
tocante operao O, esta pode ser qualquer operao aritmtica, lgica, de comparao,
etc., admitida pela natureza dos valores dos pontos das imagens. A transformao T dever
ser uma funo unvoca com um domnio equivalente faixa de valores permitidos para a
imagem de entrada. Transformaes dessa natureza so comumente realizadas a partir de
tabelas de transformao (LUT - Look-Up Tables) e interpretadas a partir de diagramas como
aquele ilustrado na Fig. 13.
LUT
fe(x,y)
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
fs(x,y)
fs(x,y)
0
0
0
0
0
2
4
6
8
10
12
13
15
15
15
15
L-1
T2
T1
6
5
T3
1
0
L-1
fe(x,y)
Fig. 13 Exemplo de LUT e diagramas de transformao.
14
Por outro lado, nas operaes locais, o valor de sada em uma coordenada
especfica depende de valores de entrada daquela coordenada e sua vizinhana
[1][2][3][4]. Os tipos de vizinhos de um pixel podem ser assim definidos: (i) os vizinhos
mais prximos de um pixel p, de coordenadas (i,j), os pixels de coordenadas (i+1,j), (i-1,j),
(i,j+1) e (i,j-1); (ii) os vizinhos mais distantes, os pixels de coordenadas (i-1,j-1), (i-1,
j+1), (i+1,j-1) e (i+1,j+1). As vizinhanas tipicamente utilizadas em operaes locais esto
na Fig. 14. A vizinhana 4-conectada envolve os vizinhos mais prximos do pixel
considerado, enquanto a vizinhana 8-conectada envolve tanto os vizinhos mais prximos
quanto os mais distantes do pixel considerado. conveniente mencionar possvel processar
grades de pixels hexagonais, , que neste caso, operaes locais envolvero apenas os 6
vizinhos mais prximos (vizinhana 6-conectada).
Tipos de Vizinhan
Vizinhana
(x,y)
4-conectada
6-conectada
ie(x,y)
is(x,y)
8-conectada
Fig. 14 Exemplo de LUT e diagramas de transformao.
Nas subsees seguintes, so apresentadas algumas operaes pontuais e locais

tipicamente conduzidas no domnio do espao.
3.2 Modificao Histogrmica
O realce de contraste visa o melhoramento da qualidade das imagens sob o ponto de vista
subjetivo do olho humano, sendo usualmente empregada como uma etapa de prprocessamento em aplicaes de reconhecimento de padres [1][2][3][6]. O contraste entre
dois alvos de uma cena pode ser definido como a razo entre os seus nveis de cinza mdios.
Fundamentada neste conceito, a manipulao do contraste dos objetos presentes em uma
imagem digital consiste em um remapeamento radiomtrico de cada pixel da imagem, a fim
de aumentar a discriminao visual entre eles. Embora a escolha do mapeamento adequado
seja, em princpio, essencialmente emprica, uma anlise prvia do histograma da imagem se
afigura, em muitos casos, bastante til.
O histograma de uma imagem traduz a distribuio estatstica dos seus nveis de cinza.
Trata-se, pois, de uma representao grfica do nmero de pixels associado a cada nvel de
cinza presente em uma imagem, podendo tambm ser expressa em termos do percentual do
nmero total de pixels na imagem [3][6]. Assim sendo, dada uma imagem digital f(x,y) com
M linhas e N colunas, seu histograma, Hf(C), pode ser definido por:
Hf(C) = nC/M.N,
(9)
15
sendo nC o nmero de vezes em que o nvel de cinza C se apresenta na imagem. A Fig. 15

ilustra alguns exemplos de histogramas.
nveis de cinza
255
nveis de cinza
255
3
C
percentual de pixels
2
B
A
1
nveis de cinza
255
Fig. 15 Histogramas: (A) imagem com baixo contraste; (B) imagem usando toda a faixa de tons
de cinza, com dois tons de cinza dominantes; e (C) imagem usando toda a faixa de tons
de cinza, com componentes ocupando a faixa de modo mais eqidistante.
Muitas operaes pontuais usam o histograma como parmetro de deciso para fornecer
resultados para o pixel da imagem processada, como se pode ver nas subsees a seguir.
3.2.1 Inverso da Escala de Cinza
A inverso da escala de cinza de uma imagem pode ter diversas aplicaes. Uma delas que,
em se tratando do negativo da imagem, aps o registro fotogrfico a partir de uma cmera
convencional, a revelao do negativo do filme produzir uma imagem positiva, passvel de
uso como slide. Adicionalmente, o negativo de uma imagem pode possibilitar melhor
discriminao de alvos em determinados tipos de imagens (e.g. imagens mdicas). Na
Fig. 16(A), representa-se o efeito da inverso de contraste sobre o histograma, enquanto
que na Fig. 16(B), um exemplo de resultado do processo.
h(nce)
255
ncs
255
0
ncs
255
255
nce
Imagem original
Imagem com escala

de cinza invertida
255
h(ncs)
B
0
255
nce
Fig. 16 Inverso de contraste: (A) representao grfica do processo; e (B) exemplo.
16
3.2.2 Expanso de Contraste
ncs
LUT
6 8 10 12 14
ncs
Iluminao deficiente no instante da aquisio da imagem, abertura insuficiente do

diafragma da cmera, tempo de exposio demasiadamente curto ou problemas de natureza
diversa no processo de digitalizao so responsveis pela gerao de imagens de baixo
contraste [3]. A reduo no contraste de uma cena dificulta o discernimento de seus
componentes. O propsito da expanso de contraste redistribuir os tons de cinza dos
pixels de uma imagem de modo a elevar o contraste na faixa de nveis possvel (vide
Fig. 17(A)). Nos casos em que a faixa de tons de cinza j se encontra totalmente utilizada, a
expanso de contraste por partes, linear ou no, possibilita melhor discriminao da poro
realada da imagem, conforme ilustrado na Fig. 17(B).
)
h(n
s cs
8 10 12 14
nce
)
h(n
e ce
A
0
nce
ncs
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0
0
0
0
0
2
4
6
8
10
12
13
15
15
15
15
8 10 12 14
nce
ncs
255
Assntotas
ncs
255
ncs =C2.log(Knce)+C1
C1
Imagem original
255
nce
0 1/
255
nce
Imagem com expanso

linear de contraste das
componentes escuras
Imagem com expanso

no linear de contraste
Fig. 17 Expanso de contraste: (A) representao grfica do processo tpico;

(B) Exemplos de expanso de contraste linear por partes e no linear.
17
3.2.3 Equalizao Histogrmica

O processo de equalizao de histograma visa o aumento da uniformidade da distribuio de
nveis de cinza de uma imagem, sendo usualmente empregado para realar diferenas de
tonalidade na imagem e resultando, em diversas aplicaes, em um aumento significativo no
nvel de detalhes perceptveis [1][2][3][6][8]. Um modo simples de equalizar o histograma
de uma imagem de dimenses M x N com L nveis de cinza advm da transformao:
T(nce) = rnd[((L-1)/M.N).Hf(nce)],
(10)
na qual rnd representa o arredondamento do resultado da expresso para o inteiro mais

prximo. Na Fig. 18, exemplifica-se processo da equalizao histogrmica.
Fig.18 Exemplo de equalizao histogrmica.
3.3
Filtragem Espacial
Imagens apresentam reas com diferentes respostas espectrais, delimitadas por reas
geralmente estreitas denominadas bordas. Tais limites usualmente ocorrem entre objetos ou
feies distintas presentes na imagem (e.g. regies de um rosto, feies naturais ou artificiais
em imagens multiespectrais da superfcie terrestre, estruturas de um corpo em imagens
mdicas), podendo tambm representar o contato entre reas com diferentes condies de
iluminao, em funo dos ngulos formados entre a radiao incidente e os planos da cena
imageada. Assim sendo, as bordas representam, em imagens monocromticas, alteraes
bruscas entre intervalos de nveis de cinza [3]. Sua representao grfica caracterizada por
gradientes acentuados. Correspondem usualmente a feies de alta freqncia - limites entre
reas iluminadas e sombreadas, redes naturais (e.g. drenagem) e artificiais (e.g. de
transporte), dentre outras. Em contraponto, os alvos que variam mais uniformemente com a
18
distncia apresentam-se, em geral, sob a forma de regies homogneas, correspondendo a

feies de baixa freqncia (reas uniformes em imagens).
Similarmente as tcnicas de manipulao de contraste, as tcnicas de filtragem de uma
imagem implicam transformaes pixel a pixel. Todavia, diferem daquelas medida que a
alterao efetuada em um pixel da imagem filtrada depende no apenas do nvel de cinza do
pixel correspondente na imagem original, mas tambm dos valores dos nveis de cinza dos
pixels situados em sua vizinhana. Sendo uma operao local, a filtragem espacial uma
transformao dependente do contexto em que se insere cada pixel considerado.
A filtragem espacial se fundamenta em uma operao de convoluo de uma mscara
(mask, kernel ou template) e da imagem digital considerada. A mscara um arranjo
matricial de dimenses inferiores s da imagem a ser filtrada e, em geral, quadrado, cujos
valores so definidos como fatores de ponderao (pesos) a serem aplicados sobre pixels da
imagem. A operao executada progressivamente sobre os pixels da imagem, coluna a
coluna, linha a linha, como ilustrado na Fig. 19.
M-1N-1
p1
p2
p3
p4
p5
p6
p7
p8
p9
Is ( x ,y) = Ie(x, y) m(i , j) =
Ie (x i , y j ).m (i , j)
i =0 j = 0
Transforma
Transformao
Parmetros
Preto
Tons
de
cinza
255
Branco
Fig. 19 Representao grfica do processo de filtragem espacial.
Dentre os filtros mais comuns utilizados em processamento digital de imagens

encontram-se os da mdia, da mediana e da moda [2], todos destinados suavizao da
imagem. Esses filtros atenuam variaes abruptas nos nveis de cinza da imagem, o que
possibilita sua aplicao reduo de rudo de origens diversas.
O filtro da mdia de ordem n produz como valor do pixel processado, a cada iterao da
convoluo da mscara de filtragem com a matriz de imagem original, a mdia aritmtica dos
valores dos pixels em uma vizinhana de (i, j) contendo n pixels. Assim sendo, a suavizao
produzida funo do tamanho da vizinhana considerada: quanto maiores as dimenses da
mscara utilizada, mais forte ser a suavizao das bordas das regies na imagem filtrada. Na Fig.
20, ilustra-se o efeito de filtragem de uma imagem ruidosa com mscaras 3x3 e 5x5.
19
Fig. 20 Filtro da mdia: (A) imagem original; (B) imagem ruidosa; (C) imagem filtrada
com mscara 3x3; e (D) imagem filtrada com mscara 5x5.
Analogamente operao da mdia aritmtica no filtro da mdia, o filtro da mediana de

ordem n produz como valor do pixel de sada a mediana dos valores dos pixels da imagem de
entrada em uma vizinhana de (i, j) contendo n pixels. Vale ressaltar que a mediana de um
conjunto de n pixels ordenados por valor o valor do pixel na posio central da lista
ordenada, se n for mpar, ou a mdia dos valores dos dois pixels nas posies centrais da
lista, se n for par. No caso de uma vizinhana 3 x 3 com os valores 21, 22, 17, 21, 19, 17, 21,
20, 23, aps a ordenao a seqncia ser 17, 17, 19, 20, 21, 21, 21, 22, 23. Deste modo, a
mediana ser o valor central da seqncia ordenada, i.e., o valor do quinto elemento da lista,
21. Embora o filtro da mediana tambm tenda a produzir uma suavizao proporcional ao
tamanho da vizinhana considerada, a preservao da definio das bordas das regies na
imagem filtrada tende a ser superior do que no filtro da mdia. Na Fig. 21, ilustra-se uma
comparao dos efeitos produzidos pelo filtro da mdia 3x3 (Fig. 21(C)) e da mediana 3x3
(Fig. 21(D)) sobre uma imagem ruidosa (Fig. 21(B)).
Fig. 21 Filtros da mdia e mediana: (A) imagem original; (B) imagem ruidosa;
(C) mdia 3x3; e (D) mediana 3x3.
O filtro da moda de ordem n produz como valor do pixel de sada a moda dos valores
dos pixels da imagem de entrada em uma vizinhana de (i, j) contendo n pixels (a moda de
uma srie de valores o valor mais freqente da srie). Se a seqncia contiver dois ou mais
valores com a mesma freqncia de ocorrncia, pode-se definir a mdia ou mediana dos
valores em questo como valor de g(i, j).
Enquanto os filtros da mdia, da moda e da mediana so empregados na suavizao
de imagens, outra categoria de filtros espaciais, tais como os operadores de gradiente [3],
produzem a acentuao ou aguamento de regies de uma imagem nas quais ocorrem
variaes significativas de nveis de cinza. Define-se como gradiente de uma funo f,
20
contnua em (i, j), o vetor:

f
G[ f (i, j )] = i
f
j
(11)
O vetor G[f(i, j)] aponta no sentido da maior taxa de variao de f(i, j), sendo sua
amplitude, G[f(i, j)], dada pela expresso:
f
G[ f (i, j )] =
i
f
+
j
1
2 2
(12)
que uma representao da taxa de variao de f(i, j) por unidade de distncia no sentido de
G. A equao (11) embasa uma srie de abordagens de diferenciao de imagens digitais.
Uma propriedade importante da amplitude do gradiente a sua isotropia, i.e., a
independncia em relao direo do gradiente, o que possibilita a deteco de bordas
independentemente da sua orientao. As desvantagens apresentadas por este operador so
ser no-linear e perder a informao da direo das bordas (devido ao clculo dos
quadrados).
O clculo do gradiente pode ser obtido atravs de aproximaes numricas. Na
horizontal, a aproximao dada pela diferena dos nveis de cinza de dois pixels
consecutivos, i.e., Gx = f(i, j) f(i+1, j) e, similarmente, na vertical por Gy = f(i,j+1) f(i, j).
A estimao do gradiente a partir de aproximaes numricas apresenta como desvantagem o
clculo da derivada horizontal e a vertical em pontos diferentes:
G x = [1 1]
G y = 1
1 ,
(13)
o que pode ser contornado a partir da utilizao de janelas quadradas:

G x = 1 1
1 1
G y = 1
1
1
1 ,
(14)
Pode-se obter a 2 derivada a partir do Laplaciano dos nveis de cinza da imagem f(x,y):
2 f =
Borda suavizada
2 f
i 2
2 f
(15)
j 2
1 derivada
2 derivada
Mximo
Cruzamento por zero
Fig. 22 Verificao da existncia de uma borda a partir do gradiente e do Laplaciano.
21
Alm da isotropia, a 2 derivada possibilita a preservao da informao de qual o lado

mais claro/escuro da borda. Contrariamente ao gradiente, cujas amplitudes elevadas
traduzem a existncia de bordas, no Laplaciano so os cruzamentos por zero (alternncia de
sinal entre pixels adjacentes) que o fazem (vide Fig. 22).
No espao 2-D, as aproximaes numricas resultam na seguinte janela de convoluo:
0
2 = 1
0
1
4
1
0
1
1
(16)
Embora haja uma grande variedade de operadores de gradiente, sero mencionados aqui
apenas os operadores de Roberts, Prewitt e Sobel. O operador de Roberts (2 x 2) executa o
gradiente cruzado, i.e.,o clculo das diferenas dos nveis de cinza executado em uma
direo rotacionada de 45, ao invs do clculo nas direes horizontal e vertical.
G x = 1
0
0
G y = 0
1 e
1
1
0
(17)
Alm da diferenciao, sem o enviesamento do gradiente digital, o operador de Prewitt

suaviza a imagem, atenuando o rudo.
1
G x = 1
1
0
0
0
1
1
1
e Gy = 0
1
0
1
1
0
1
(18)
Similar ao operador de Prewitt, o operador de Sobel difere apenas no tocante aos

pesos conferidos aos vizinhos mais prximos no nulos do pixel central, apresentando sobre
aquele a vantagem de produzir bordas diagonais menos atenuadas.
1
G x = 2
1
3.4
0
0
0
1
1
2 e Gy = 0
1
1
2
0
2
1
0
1
(19)
Morfologia Matemtica
Morfologia digital ou matemtica [13] uma modelagem destinada descrio ou anlise da

forma de um objeto digital. O modelo morfolgico para a anlise de imagens fundamenta-se
na extrao de informaes a partir de transformaes morfolgicas, nos conceitos da
lgebra booleana e na teoria dos conjuntos e reticulados. O princpio de morfologia digital se
embasa no fato de que a imagem um conjunto de pontos elementares (pixels ou voxels) que
formam subconjuntos elementares bi ou tridimensionais. Os subconjuntos e a inter-relao
entre eles formam estruturalmente a morfologia da imagem.
As operaes bsicas da morfologia digital so: (i) a eroso, a partir da qual so
removidos da imagem os pixels que no atendem a um dado padro; e (ii) a dilatao, a
22
partir da qual uma pequena rea relacionada a um pixel alterada para um dado padro.
Todavia, dependendo do tipo de imagem sendo processada (preto e banco, tons de cinza ou
colorida) a definio destas operaes muda, de forma que cada tipo deve ser considerado
separadamente. As demais operaes e transformaes baseiam-se nos operadores bsicos
dos conjuntos, algumas interativas, e nos dois operadores bsicos da morfologia matemtica.
Seja a imagem da Fig. 23, na qual h dois objetos ou conjuntos de pixels A e B.
Considere-se que os valores que os pixels podem assumir so binrios, i.e., 0 ou 1, o que
2
permite restringir a anlise ao espao discreto Z .
n
Fig. 23 - Imagem binria contendo 2 objetos, i.e.,2 conjuntos de pontos.
O objeto A consiste dos pontos com pelo menos uma propriedade em comum, a saber:
Objeto A: A = { propriedad e ( ) = Verdade }
(20)
Assim sendo, o objeto B da Fig. 23 consistir de {[-2,0][-1,0][0,0][0,1]}. O fundo da

imagem de A, denominado AC (complemento de A), consistir de todos os pontos que no
pertencem ao objeto A:
Fundo:
AC = { A}
(21)
As operaes fundamentais associadas com um objeto so o conjunto padro de

C
operaes: unio ({}), interseo ({}) e complemento ({ }) com translao. Dado um
vetor x e um conjunto A, a translao, A + x, definida como:
Translao: A + x = { + x A }
(22)
O conjunto bsico de operaes de Minkowski [12], adio e subtrao, pode ser

definido em funo das consideraes anteriores. Dados dois conjuntos A e B contidos em um
conjunto C, a soma de Minkowski de A e B o subconjunto de C, denotado A B, dado por:
A B = x C : a A e b B , x = a + b
(23)
A diferena de Minkowski entre A e B o subconjunto de C, denotado A B, dado por:

AB = {y C : b B ,( a A, y = a b}
(24)
23
Como mencionado anteriormente, as transformaes singulares so realizadas atravs

dos operadores elementares, os quais foram denominados por [10] e [11] de transformaes
de dilatao e eroso s quais foram incorporadas, posteriormente, mais duas
transformaes denominadas de anti-dilatao e anti-eroso [12]. Dilataes e eroses so
usadas para a criao de transformaes mais sofisticadas, as quais conduzem a vrios
resultados relevantes quanto anlise de imagens, dentre os quais se citam os filtros
morfolgicos, o preenchimento de buracos, a extrao de contornos e o reconhecimento de
padres. Os operadores de dilatao e eroso invariante por translao, sobre imagens
binrias, advieram originalmente das operaes de adio e subtrao de Minkowski, cada
um dos quais pode, em geral, ser caracterizado por um subconjunto denominado elemento
estruturante.
Via de regra, a construo de sistemas morfolgicos implementada a partir da
concepo do problema e da seleo dos operadores mais adequados soluo de interesse.
A adequao de operadores constitui um dos grandes problemas encontrados na
especificao dos elementos estruturantes. A criao de um mecanismo capaz de encontrar
os elementos estruturantes adequados realizao da transformao de interesse uma
possvel soluo para tal problema. A partir das operaes bsicas de Minkowski, podem-se
definir as operaes bsicas da morfologia matemtica, dilatao e eroso:
Dilatao: D(A, B) = A B = A B = {x E | Bx A }
(25)
Eroso: E (A, B) = A B = {x E | Bx A}
(26)
Tanto o conjunto A quanto o conjunto B podem ser considerados como sendo

imagens. Todavia, A costuma ser considerado com sendo a imagem sob anlise e B como o
elemento estruturante, o qual est para a morfologia como a mscara (mask, template ou
kernel) est para teoria de filtragem linear. Os elementos estruturantes mais comuns so os
conjuntos 4-conexes e 8-conexes, N4 e N8 (Fig. 24).
n
Fig. 24 - Elementos estruturantes: (A) padro N4; e (B) padro N8.
A dilatao, em geral, faz com que o objeto cresa no tamanho. Buracos menores do
que o elemento estruturante so eliminados e o nmero de componentes pode diminuir. Por
sua vez, a eroso reduz as dimenses do objeto. Objetos menores do que o elemento
estruturante so eliminados e o nmero de componentes pode aumentar. O modo e a
magnitude da expanso ou reduo da imagem dependem necessariamente do elemento
estruturante B. A aplicao de uma transformao de dilatao ou eroso a uma imagem sem
a especificao de um elemento estruturante, no produzir nenhum efeito.
24
3.5
Segmentao
Em processos de anlise de imagens, faz-se necessria a extrao de medidas,

caractersticas ou informao de uma dada imagem por mtodos automticos ou semiautomticos. A primeira etapa da anlise de imagem , em geral, caracterizada por sua
segmentao [3], que consiste na subdiviso da imagem em partes ou objetos constituintes.
Algoritmos de segmentao possibilitam a identificao de diferenas entre dois ou mais
objetos, assim como a discriminao das partes, tanto entre si quanto entre si e o
background. No tocante segmentao de imagens monocromticas, os algoritmos
fundamentam-se, em essncia, na descontinuidade e na similaridade dos nveis de cinza. A
fundamentao na descontinuidade consiste no particionamento da imagem em zonas
caracterizadas por mudanas bruscas dos nveis de cinza. O interesse recai usualmente na
deteco de pontos isolados, de linhas e de bordas da imagem. Por outro lado, a
fundamentao na similaridade consiste na limiarizao e no crescimento de regies.
3.5.1 Limiarizao (Thresholding)
Limiarizao uma abordagem para a segmentao fundamentada na anlise da
similaridade de nveis de cinza, de modo a extrair objetos de interesse mediante a definio
de um limiar T que separa os agrupamentos de nveis de cinza da imagem. Uma das
dificuldades do processo reside na determinao do valor mais adequado de limiarizao,
i.e., do ponto de separao dos pixels da imagem considerada. Atravs da anlise do
histograma da imagem, possvel estabelecer um valor para T na regio do vale situado entre
picos que caracterizam regies de interesse na imagem. H diversas variantes de
limiarizao. A mais simples delas a tcnica do particionamento do histograma da imagem
por um limiar nico T. A segmentao se d varrendo-se a imagem, pixel a pixel, e
rotulando-se cada pixel como sendo do objeto ou do fundo, em funo da relao entre o
valor do pixel e o valor do limiar. O sucesso deste mtodo depende inteiramente de quo
bem definidas esto as massas de pixels no histograma da imagem a ser segmentada.
3.5.2 Segmentao orientada a regies
A segmentao orientada a regies se fundamenta na similaridade dos nveis de cinza
da imagem. O crescimento de regies um procedimento que agrupa pixels ou sub-regies
de uma imagem em regies maiores. A variante mais simples da segmentao orientada a
regies a agregao de pixels, que se fundamenta na definio de uma semente, i.e., um
conjunto de pontos similares em valor de cinza, a partir do qual as regies crescem com a
agregao de cada pixel semente qual estes apresentem propriedades similares (e.g. nvel
de cinza, textura ou cor). A tcnica apresenta algumas dificuldades fundamentais, se
afigurando como problemas imediatos (i) a seleo de sementes que representem
adequadamente as regies de interesse; e (ii) a seleo de propriedades apropriadas para a
incluso de pontos nas diferentes regies, durante o processo de crescimento. A
disponibilidade da informao apropriada possibilita, em cada pixel, o clculo do mesmo
25
conjunto de propriedades que ser usado para atribuir os pixels s diferentes regies prdefinidas, durante o processo de crescimento. Caso o resultado de tal clculo implique
agrupamentos de valores das propriedades, os pixels cujas propriedades se localizarem mais
perto do centride desses agrupamentos podero ser usados como sementes.
3.5.3 Segmentao Baseada em Bordas
A deteco de bordas, anteriormente discutida, possibilita a anlise de descontinuidades
nos nveis de cinza de uma imagem. As bordas na imagem de interesse caracterizam os
contornos dos objetos nela presentes, sendo bastante teis para a segmentao e identificao
de objetos na cena. Pontos de borda podem ser entendidos como as posies dos pixels com
variaes abruptas de nveis de cinza. Os pontos de borda caracterizam as transies entre
objetos diferentes. Vrias tcnicas de segmentao baseiam-se na deteco de bordas, sendo as
mais simples aquelas nas quais as bordas so detectadas pelos operadores de gradiente (e.g.
Sobel, Roberts, Laplaciano), seguida de um processo de limiarizao.
3.6
Extrao de Caractersticas e Reconhecimento
A prxima tarefa aps a segmentao o reconhecimento dos objetos ou regies

resultantes. O objetivo do reconhecimento de padres identificar objetos na cena a partir de um
conjunto de medies. Cada objeto um padro e os valores medidos so as caractersticas desse
padro. Um conjunto de objetos similares, com uma ou mais caractersticas semelhantes,
considerado como pertencente mesma classe de padres. H diversos tipos de caractersticas,
cada uma das quais obtida a partir de uma tcnica especfica. Alm disso, caractersticas de
ordem mais alta advm da combinao de caractersticas mais simples, e.g. cada letra do alfabeto
composta por um conjunto de caractersticas como linhas verticais, horizontais e inclinadas,
bem como segmentos curvilneos. Enquanto a letra A pode ser descrita por duas linhas inclinadas
e outra horizontal, a letra B pode ser descrita por uma linha vertical e 2 curvilneas conectadas em
pontos especficos. Outras caractersticas relevantes para um objeto 2D ou 3D so a rea, volume,
permetro, superfcie, dentre outras, as quais podem ser medidas a partir da contagem de pixels.
Analogamente, a forma de um objeto pode ser descrita em termos de suas bordas.
Outros atributos mais especficos para a forma podem ser obtidos atravs de invariantes de
momentos, descritores de Fourier, eixos medianos dos objetos, dentre outros [1][2][3][14]. Para
realizar o reconhecimento de objeto, existe uma grande variedade de tcnicas de classificao.
Uma representao geral para o processo de classificao ilustrada na Fig. 25.
Padro
de Teste
Extrao de
Caractersticas
Classificador
Padro
da Amostra
Extrao de
Caractersticas
Aprendizagem
Sada
Classificada
Fig. 25 - Representao geral para o processo de classificao.
26
As tcnicas de reconhecimento de padres podem ser divididas em 2 tipos principais:

classificao baseada em aprendizagem supervisionada e no-supervisionada. Por sua vez, os
algoritmos de classificao supervisionada subdividem-se em paramtricos e no-paramtricos.
O classificador paramtrico treinado com uma grande quantidade de amostras rotuladas
(conjunto de treinamento, padres cujas classes se conhecem a priori) para que possa estimar
os parmetros estatsticos de cada classe de padro (e.g. mdia, varincia). Exemplos de
classificadores supervisionados so os de distncia mnima e o de mxima verossimilhana.
Na classificao no-paramtrica, os parmetros estimados do conjunto de treinamento no
so levados em considerao. Um exemplo de classificador no paramtrico o dos Kvizinhos mais prximos. Na classificao no supervisionada, o classificador particiona o
conjunto de dados de entrada a partir de algum critrio de similaridade, resultando em um
conjunto de clusters ou grupos, cada um dos quais normalmente associado a uma classe. Na
rea de reconhecimento de objetos, destacam-se os algoritmos e tcnicas baseadas em redes
neurais [15] (com variantes tanto para classificao supervisionada como para classificao
no-supervisionada). Outro importante exemplo so os classificadores bayesianos [3]. Uma
viso mais aprofundada da rea de classificao de padres pode ser encontrada em [16].
Exemplos de Aplicaes
O objetivo desta seo fornecer exemplos que abordem alguns dos conceitos e operaes
apresentadas nas sees anteriores. Com o fim de promover a disseminao da rea no Brasil, os
exemplos de aplicaes apresentados a seguir foram selecionados dos anais do principal evento
nacional da rea, o Simpsio Brasileiro de Computao Grfica e Processamento de Imagens.
4.1
Segmentao de imagens
Conforme visto na Seo 3.5, a segmentao de imagens tem como principal objetivo a
separao de objetos de interesse do background da imagem. Na segmentao por limiarizao, a
escolha de um limiar normalmente depende de caractersticas intrnsecas da imagem, e.g. entropia
e outras estatsticas, no levando usualmente em conta a percepo humana do processo de
segmentao. Numa abordagem alternativa para realizar a limiarizao de imagens em tons de
cinza, foi proposto em [17] um mtodo de modelagem perceptiva que aprende a deciso
humana na limiarizao atravs de uma rede de funes de base radial (RBFN), uma mquina
de aprendizagem que permite aproximar a funo que mapeia caractersticas globais da
imagem (e.g. desvio padro dos tons de cinza) em limiares escolhidos por humanos. A partir de
imagens de treinamento, o usurio seleciona o limiar (nvel de cinza) que melhor separa os
pixels do background daqueles do objeto. As decises so armazenadas em uma tabela de 2
colunas, a primeira coluna armazena o limiar escolhido e a outra armazena uma caracterstica
global da imagem. Essa tabela ento utilizada para o treinamento da RBFN. Como resultado da
comparao da modelagem perceptiva com trs outros mtodos automticos de segmentao por
limiarizao, verificou-se que as respostas humanas possuam alta correlao com alguns dos
mtodos automticos avaliados, demonstrando a viabilidade da abordagem proposta.
27
Uma abordagem para a segmentao dos blocos de endereo em envelopes postais,

baseada em histogramas 2D e a operao morfolgica de watershed, foi apresentada por [18].
Considerem-se uma imagem digital F = [f(x,y)] e sua verso G = [g(x,y)] filtrada atravs de um
filtro de mdia ou, conforme proposto pelos autores, filtrada atravs de uma reconstruo
morfolgica. Ambas as imagens possuem dimenses M N e com [0,...,L-1] tons de cinza. O
histograma 2D C = [cij] de dimenses L L computado a partir de quaisquer pares de pixels
f(x,y) e g(x,y) que possuem os tons de cinza iguais a i e j, respectivamente, podendo ser
formalizado como segue: cij = #{( f(x,y), g(x,y) ) | f(x,y) = i, f(x,y) = j }, em que o operador #
denota a cardinalidade do conjunto operando.
A partir do histograma 2-D realizado um processo de agrupamento das regies da
imagem que correspondem a 3 classes: blocos de endereo e carimbos postais, selos e
background do envelope. Esse agrupamento conduzido atravs da operao de watershed.
Uma vez que o histograma 2-D pode ser visto como uma topografia na qual os maiores valores
correspondem a picos e os menores a vales, se uma gota de gua depositada em um ponto
qualquer da regio do histograma, ela ir escoar para um vale (ponto de mnimo local). A rea
da watershed associada ao mnimo M definida como sendo o agrupamento de todos esses
pontos de mnimo cuja elevao tem valor igual a M. O ponto de encontro entre duas reas de
watershed gera uma borda que o resultado final da operao. A complexidade das imagens de
envelope gerou histogramas 2-D com um nmero muito elevado de vales (tipicamente mais de
25). Para evitar uma supersegmentao da imagem, realizou-se uma seqncia de eroses
morfolgicas de modo a reduzir o nmero de regies para apenas 3, correspondendo
exatamente ao nmero de classes a serem segmentadas. Uma avaliao experimental
demonstrou que o bloco de endereo com carimbos postais foi segmentado corretamente em
75% dos casos, o que demonstra uma significativa robustez.
4.2
Reconhecimento de Manuscritos
Diferentemente da escrita mecnica, na qual h uma grande regularidade na forma,

intensidade e posicionamento das palavras e caracteres, apesar das diferentes fontes e estilos, os
manuscritos apresentam enorme variao em todos esses aspectos, alm de serem dependentes do
autor. Aplicaes tpicas envolvem a verificao de assinaturas e o reconhecimento de textos
manuscritos na forma de caracteres isolados e palavras inteiras, dentre outros.
No trabalho de [19], foi apresentada uma avaliao de duas abordagens para o
reconhecimento de palavras isoladas dos meses do ano: uma baseada em Redes Neurais (RN) e a
outra baseada em Modelos de Markov Escondidos (MME). O primeiro estgio do processamento
consistiu de 3 etapas: (i) correo da inclinao geral dos caracteres; (ii) deteco e correo de
inclinaes na linha de base da palavra inteira; e (iii) utilizao de um filtro para atenuao de
imperfeies e falhas nos manuscritos. O estgio seguinte foi especfico para cada classificador
utilizado. Para o classificador neural, dividiu-se a imagem dos manuscritos em 8 sub-regies
fixas, correspondendo a aproximadamente o nmero mdio de letras no conjunto de palavras a
serem reconhecidas (meses do ano). Para cada uma das sub-regies, um total de 10 caractersticas
perceptivas foi extrado, produzindo um padro com 80 caractersticas para cada palavra. As
28
caractersticas perceptivas foram obtidas a partir da anlise direcional dos pixels e incluram as
posies e tamanho das linhas ascendentes, descendentes e loops fechados, alm dos ngulos das
concavidades e uma estimativa para o tamanho da palavra. A ausncia de uma essas
caractersticas numa sub-regio particular foi indicada pelo valor 1. Para o classificador de
Modelos de Markov Escondidos, a partir do histograma de projeo horizontal dos pixels da
imagem do manuscrito, trs zonas foram definidas: ascendente, corpo e descendente. Um
processo de segmentao varivel, dependente das transies escuro-claro presentes na linha
central da palavra, aplicado. Em seguida, para cada segmento, foram identificadas
caractersticas perceptivas e caractersticas baseadas em deficincias na concavidade/
convexidade dos traos encontrados nesses segmentos. Na avaliao experimental, 3600
imagens de manuscritos contendo os meses do ano foram utilizadas para treinamento, 1200
para teste e 1200 para validao dos classificadores. Como resultado, verificou-se que a
melhor taxa de reconhecimento ocorreu para o classificador neural utilizando caractersticas
perceptivas (81,8%), enquanto foi possvel obter uma taxa de reconhecimento muito superior
combinando 3 classificadores (um baseado em Modelos de Markov Escondidos e 2 baseados
em Redes Neurais), com um resultado de 90.4% de correta classificao.
4.3
Classificao e Recuperao de Imagens por Contedo
A classificao e recuperao de imagens por contedo tm forte relao com as reas

de sistemas de informao e banco de dados. Uma consulta tradicional a um banco de dados
normalmente envolve a utilizao de chaves textuais ou numricas como parte de expresses
relacionais e lgicas. O prximo passo lgico justamente incluir campos e operaes (e.g.
classificao, segmentao, etc.) sobre imagens na consulta. Atualmente existem vrios
sistemas de banco de dados comerciais (e.g. Oracle) e no-comercias (e.g. Postgres) que
permitem algumas funcionalidades envolvendo imagens.
Um sistema para a classificao de imagens coletadas da Web em duas classes
semnticas, grficos e fotografias, foi apresentado por [20]. O sistema utilizou um mtodo de
classificao baseado em rvores de deciso (ID3, um algoritmo de induo de rvores de
deciso a partir de exemplos, popular na rea de IA). Foi identificado um conjunto de
caractersticas adequadas separao entre as duas classes semnticas escolhidas.
Caractersticas marcantes de fotografias identificadas no trabalho foram: (i) existncias de
objetos reais com uma tendncia a texturas e ausncia de regies com cores constantes; (ii)
pequenas diferenas na proporo (altura x largura); (iii) poucas ocorrncias de regies com
alta saturao de cores; e (iv) presena de um grande nmero de cores utilizadas. As
caractersticas identificadas como marcantes de grficos foram: (i) presena de objetos
artificiais com bordas bem definidas bem como a presena de regies cobertas com cores
saturadas; e (ii) grandes diferenas na proporo e tendncia a serem menores em tamanho
do que fotografias. Assim, foram definidas mtricas sobre o nmero de cores, a cor
predominante, o vizinho mais distante, a saturao, o histograma de cores, o histograma do
vizinho mais distante, a proporo das dimenses e a menor dimenso.
As duas primeiras mtricas, diretas, no sero mencionadas neste texto. A mtrica do
29
vizinho mais distante baseada nas transies entre cores. Para dois pixels p1 e p2, de cores
(r1,g1,b1) e (r2,g2,b2), foi definida uma medida de distncia d como sendo: d = | r1- r2| + | g1g2| + |b1- b2|. Considerando que cada componente de cor varia de 0 a 255, ento d varia de 0 a
765. A partir de uma vizinhana de 4 pixels (acima, abaixo, esquerda e direita), um vizinho p2
de p1 considerado como sendo o vizinho mais distante se a medida d para p2 for a maior de
todas as distncias dentro da vizinhana. A mtrica de saturao de um pixel p = (r,g,b)
definida como |m - n|, em que m e n so os valores mnimo e mximo entre os valores de r,g e
b, respectivamente. A mtrica do histograma de cores definida a partir da correlao entre o
histograma de uma imagem t de teste e os histogramas mdios para um conjunto de referncia f
de fotografias e outro conjunto de referncia g para grficos. Supondo a = C(Ht, Hf) e b = C(Ht,
Hg), em que C a correlao (produto interno) entre dois histogramas, a mtrica do histograma
de cores foi definida como s = b / (a + b). Claramente, a medida que a aumenta, s tambm
aumenta, e, medida em que b aumenta, s diminui. Assim, espera-se que fotografias tenham
uma resposta maior em s quando comparadas a grficos. A mtrica do histograma do vizinho
mais distante baseou-se nas mesmas premissas da mtrica do vizinho mais distante, mas
fornece uma forma diferente de testar a imagem. A mtrica da proporo definida como m /
l, em que m o valor mximo entre a altura e a largura da imagem e l o valor mnimo.
Finalmente, a mtrica da menor dimenso simplesmente o valor de l.
Na fase experimental, foram definidos dois conjuntos de treinamento, contendo
grficos e fotografias nos formatos e imagem GIF (3058 grficos e 1350 fotografias) e JPEG
(1434 grficos e 4763 fotografias). Para cada conjunto de treinamento, foram extradas as
mtricas discutidas acima e cada vetor de caractersticas de uma dada imagem recebeu um
rtulo (grfico ou fotografia) atravs de inspeo visual da imagem. A aplicao do
algoritmo ID3 gerou uma rvore de deciso para a classificao de cada conjunto. As taxas
mdias de classificao correta em imagens de teste, no utilizadas durante o treinamento,
corresponderam a 97,3% para imagens GIF e 93,9% para imagens JPEG, com desvios
padro de 1,6 e 2,6, respectivamente.
Consideraes Finais
O presente tutorial forneceu uma viso geral da rea de PDI, tendo como um dos objetivos
despertar, por parte de alunos brasileiros de nvel tcnico e superior, o interesse pela rea. Outro
objetivo foi o de permitir uma reciclagem ou um primeiro contato de profissionais dos diferentes
setores da economia, cujas atividades envolvam alguma informao baseada em imagens. Por se
tratar de uma rea bastante ampla, no foi possvel incluir todos os possveis tpicos relevantes,
mas procurou-se fornecer um mnimo de detalhes associados a cada etapa de processamento em
um sistema tpico de PDI, da aquisio classificao. Para aqueles interessados em se
aprofundar nos tpicos pouco explorados, e.g. segmentao, extrao de caractersticas e
classificao, ou em outros tpicos igualmente importantes que no puderam ser includos neste
documento por restries de espao, e.g. transformaes geomtricas, representao no domnio
da freqncia (transformada de Fourier e Wavelets), tcnicas de compresso, dentre muitos
outros, podero faz-lo consultando as referncias apresentadas a seguir.
30
Referncias
[1] JHNE, B. Digital Image Processing. Springer-Verlag, 2002.
[2] ACHARYA, T., RAY, A. K. Image Processing- Principles and Applications. John
Wiley & Sons, Inc. 2005.
[3] GONZALEZ, R., WOODS, P. Digital Image Processing. Prentice Hall, 2002, 2nd ed.
[4] FORSYTH, D., PONCE, J. Computer Vision: A modern approach. Prentice Hall, 2001.
[5] JHNE, B., HAUSSECKER, H. (Eds.) Handbook of Computer Vision and
Applications. Academic Press, 2000.
[6] RENCZ, A. N., RYERSON. R. A. (Eds.) Manual of Remote Sensing, Remote Sensing
for the Earth Sciences. John Wiley & Sons, Inc. 1999, 3rd ed.
[7] HANSEN, C. D., JOHNSON, C. R. Visualization Handbook. Elsevier, 2005.
[8] RUSS, J. C. The image processing handbook. CRC Press LLC, 2000 3rd ed.
[9] BANKMAN, I. (Ed.) Handbook of Medical Imaging: Processing and Analysis.
Academic Press. 2000.
[10] MATHERON, G. Random sets and integrated geometry. Wiley, 1975.
[11] SERRA, J. Introduction to mathematical morphology, Computer Vision, Graphics and
Image Processing, 35(3):283305, September 1986.
[12] SERRA, J. Image analysis and mathematical morphology. Academic Press, London, 1988.
[13] DOUGHERTY, E. R., LOTUFO, R. A. Hands-on Morphological Image Processing,
SPIE Press, Bellingham, 2003, 1st ed.
[14] CESAR JR, R. M., COSTA, L. F. Shape Analysis and Classification Theory and
Practice. CRC Press, 2001.
[15] HAYKIN, S. Neural Networks: A Comprehensive Foundation. Prentice Hall. 1998. 2nd ed.
[16] DUDA, R. O. Pattern Classification, John Wiley & Sons, Inc., 2000, 2nd ed.
[17] LOPES, L. M., CONSULARO, L. A. A RBFN Perceptive Model for Image
Thresholding, Proc. of SIBGRAPI, pp 225-232, 2005.
[18] YONEKURA, E., FACON, A. J. 2-D Histogram-based Segmentation of Postal
Envelopes, Proc. of SIBGRAPI, pp 247-251, 2003.
[19] OLIVEIRA JR., J. J., CARVALHO, J. M., FREITAS, C. O. A., SABOURIN, R.
Evaluating NN and HMM Classifiers for Handwritten Work Recognition, Proc. of
SIBGRAPI, pp 210-217, 2002.
[20] OLIVEIRA, C. J. S., ARAJO, A. A., SEVERIANO JR, C. A.., GOMES, D. R.
Classifying Images Collected on the World Wide Web, Proc. of SIBGRAPI, pp 327334, 2002.
31

Introdução ao Processamento Digital de Imagens

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Introdução ao Processamento Digital de Imagens

Uploaded by

Copyright:

Available Formats

Introduo ao Processamento Digital de Imagens

Jos Eustquio Rangel de Queiroz 1, Herman Martins Gomes 1

Palavras-chave: processamento digital de imagens, operaes sobre imagens,

Keywords: digital image processing, image operations, image processing applications

1 Departamento de Sistemas e Computao, UFCG, Caixa Postal 10106

Revista RITA: instrues para preparao de documentos em Word

Entendendo o Processamento Digital de Imagens

O Processamento Digital de Imagens (PDI) no uma tarefa simples, na realidade envolve um

Fig. 1 - Uma hierarquia de tarefas de processamento de imagens (adaptada de [1]).

Uma cadeia maior de processos necessria para a anlise e identificao de objetos.

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

bordas, texturas e vizinhanas. Outra caracterstica importante o movimento. Em seguida,

Relao entre Processamento de Imagens e Computao Grfica

Em geral, autores de livros em Computao Grfica (CG) e Processamento de Imagens

Natureza Interdisciplinar do Processamento de Imagens

A rea de Processamento de Imagens incorpora fundamentos de vrias cincias, como

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

de disciplinas as quais, por razes histricas, se desenvolveram de forma parcialmente

Sendo radiao eletromagntica, a luz apresenta um comportamento ondulatrio

10 -9 10 -10 10 -11 10 -12

Fig. 2 - Espectro eletromagntico.

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

Estrutura do Olho Humano

De conformao aproximadamente esfrica, o olho humano possui um dimetro mdio

A focalizao apropriada da cena implica a formao ntida de sua imagem invertida

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

Fig. 4 Analogia olho humano-cmara digital.

Fig. 5 - Modelo cromtico RGB.

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

Fig. 6 - Modelo cromtico CMY.

A formao de imagens em um terminal de vdeo se d por emisso de radiao

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

2.4 Modelo de Imagem Digital

Fig. 7 Representao de uma imagem digital bidimensional.

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

na qual fR(x,y), fG(x,y), fB(x,y) representam, respectivamente, as intensidades luminosas das

Fig. 8 Representao de uma imagem digital bidimensional.

Costuma-se associar o limite inferior (0) da faixa de nveis de cinza de um pixel ao

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

Percebe-se, a partir da Eq. 5, que embora o aumento de M, N e l implique a elevao

Nmero de Bytes (L)

O nmero de amostras e o nmero de nveis de cinza necessrios para a representao

Fig. 9 Influncia da variao do nmero de amostras e de nveis de quantizao

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

Em geral, costuma-se amostrar de forma idntica os diferentes planos de uma imagem

Seja, por exemplo, LR = LG = LG = 2 = 256 nveis de cinza possveis em cada banda.

Nmero de Bytes (LR = LG = LB = L)

Sistema Tpico para Processamento Digital de Imagens

Vrios modelos de sistemas para processamento de imagens tm sido propostos e

RITA Volume VIII Nmero 1 2001

Revista RITA: instrues para preparao de documentos em Word

Fig. 10 - Diagrama em blocos de um sistema tpico para processamento de imagens.

Em geral, o hardware especializado para processamento de imagens consiste de um