Disciplina Processamento de Sinais Curso Análise e Desenvolvimento de Sistemas Noção da Análise de Fourier e Análise Espectrográfica de sinais, Estudo de Caso do Processamento Sinais Aplicado a Imagens e-mail : [email protected]Prof. Responsáveis Wagner Santos C. de Jesus
68
Embed
e-mail : [email protected] Prof. Responsáveis Wagner ... · Funcionamento da visão 61 30% 59% 11% O olho humano trabalha com comprimento de ondas na faixa visível no intervalo
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Disciplina Processamento de SinaisCurso Análise e Desenvolvimento de Sistemas
Noção da Análise de Fourier e Análise Espectrográfica de sinais, Estudo de Caso do
tau = 3;A = 10omega = pi();t = linspace(0,10,100);y = A * exp(-t./tau).*sin(omega .* t);plot(t,y,'LineWidth',4);grid on;
4A_Atenuacao.m
Conceito da série de Fourier
5
Histórico de Fourier
6
Jean-Baptiste JosephFourier – 1768 a 1830
Matemático e Físico Francês .
Celebrado por iniciar a investigaçãosobre a decomposição de funçõesperiódicas em séries trigonométricasconvergentes chamadas séries deFourier e a sua aplicação aosproblemas da condução do calor.
Fourier - Conceito
Toda função periódica poderiaser escrita e representadacomo a somatória de senos ecossenos.
7
Conversão de um sinal senoidal em onda em
onda Quadrada
8
Aplicação Teorema de Fourier
9
Exemplo
10
Sinal Digital
Considere a cada:
11
]360..181[,0
]180..0[,1
t
t
0
0,2
0,4
0,6
0,8
1
1,2
Sinal Binário
A função f(t) será aproximada
12
Aproximação de uma função retangular por séries de senos
Permite determinar pico de frequência em sinaiscomplexos. Podendo plotar gráficos, exibindo picos defrequências não localizados quando uma determinadaamostra é analisada visualmente.
24
Coeficiente espectral
25
Análise Espectral de Sinais Contínuos no Tempo
26
Sinais Contínuos e periódicos
27
Considere o sinal abaixo
28
Frequência de amostragem
Exemplo
fs = Frequência de amostragem.t = Tempo.f(t) = Sinal a ser processado.fft() = Transformada Rápida de Fourier.
É uma relação que mapeia,para cada valor de intensidadeque um pixel possivelmentepossa ter, o número de vezesem que ela aparece naimagem.
37
Construção do Histograma
O histograma é umatabela de frequência decada valor ou faixa devalores de intensidade nospixels da imagem.
38
Construção do Histograma
1. Dividir o intervalo de dados em classes.2. Contar quantos dados existem em cada classe.
- No caso das imagem usualmente as classes são valores de intensidades presentes.
Imagem de 8 bits = 256 classesImagem de 4 bits = 16 classes
39
Histograma Imagem (Lena)
40
0
1000
2000
3000
4000
5000
6000
1
23
45
67
89
111
133
155
177
199
221
243
0 255
Histograma Imagem (Cone)
41
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
1
25
49
73
97
121
145
169
193
217
241
0 255
Histograma Imagem(Menino)
42
0
5000
10000
15000
20000
1
20
39
58
77
96
115
134
153
172
191
210
229
248
0 255
Implementação de Algoritmo para calculo
de Histograma
43
Calculo Histograma
44
∑=
+=256
0
1k
kkch
h = Valores das somas das intensidades nos pontos da imagem.c = Valor da intensidade em um ponto da Imagem (Cor).k = Coeficiente (índice) de representação das intensidades.
Algoritmo Calculo Histograma1. Obter Im <- (Image)2. Largura L <- (Width)3. Altura A <- (Height)4. Definir h <- [256] posições5. Definir k <- 0 (índice de intensidade)6. Para i de 0 ate L-1 (Largura)7. Para j de 0 ate A-1 (Altura)8. Iv <- Imi,j
Algoritmo de Binarização1. Obter Im <- (Image)2. Largura L <- (Width)3. Altura A <- (Height)4. Para i de 0 ate L5. Para j de 0 ate A6. c <- cor(Im[i,j])7. se(c.pegacorVerm() = 255)8. escrever(i+”,”+j+”-”+”0”)9. senao10. escrever(i+”,”+j+”-”+”1”)11. fim_para12. fim_para
51CarregaImagem.java
Look up Table(Olhe para cima
Tabela)
52
LUTÉ uma técnica utilizada no
processamento de imagem, quesignifica "Look up Table". Suafuncionalidade é criar uma tabelade novos valores para imagemtratada.
53
Tabela - LUT
54
jiimcgf
,)( −=
Seja f(g) uma função de inversão linear;c valor de inversão da imagem em tons decinza e im em um ponto P(i,j) valor daintensidade original da imagem.
Im i,j
f(g)=Im’ i,j
Construção do LUT
55
Dada a função de transferência f(g) e o valormáximo de intensidade; A função T(g) criará oLUT.
Tg <- f(g) se 0 ≤ f(g) ≥ 255Tg <- 0 se f(g) < 0Tg <- 255 se f(g) > 255
Tg <- 0 se f(g) < 0
56
jiimcgf
,)( −=
C = 0
Tg <- f(g) se 0 ≤ f(g) ≥ 255
57
jiimcgf
,)( −=
C = 80
Tg <- 255 se f(g) > 255
58
jiimcgf
,)( −=
C = 256
Algoritmo de LUT
1. Obter Im <- (Image)2. Largura L <- (Width)3. Altura A <- (Height)4. c <- 2565. Para i de 0 ate L6. Para j de 0 ate A7. contraste <- c – Im[i,j]8. novac <- Cor(contraste)9. Im[i,j] <- novac10. fim_para11. fim_para
59CarregaImagem.java
Imagens Gray Level
(Nível de cinza)
60
Funcionamento da visão
61
30%
59%
11%
O olho humano trabalha com comprimento de ondas na faixa visívelno intervalo entre 400 à 800 nm possibilitando uma porcentagem decaptação na faixa do vermelho do verde e azul.
Convertendo imagens coloridas em monocromáticas
(Tons de cinza)
62
ConvertendoPara converter qualquer cor em seu nívelaproximado de cinza, deve-se primeiro obtersuas primitivas vermelho, verde e azul (daescala RGB). Adiciona-se então 30% dovermelho mais 59% do verde mais 11% do azul,independente da escala utilizada (0.0 a 1.0, 0 a255, 0% a 100%.) O nível resultante é o valor decinza desejado. Tais porcentagens estãorelacionadas a própria sensibilidade visual doolho humano convencional para as coresprimárias.
63
Média ponderada das intensidades
Esse tipo de calculo é usado quando não existe omesmo peso para os valores da média.
64
∑= ∑
=k
i i
ii
p
pnMp
0
.
Onde n são os valores da amostra (Imagem) e p pesos em cada faixa de intensidade.
Aplicação na imagem
65
100
11
100
59
100
30bgrgray ++=
Basta aplicar essa equação por toda a matriz da imagem Im[i,j].
Tabela - gray
66
Seja f(g) uma função de conversão depixel todos os elementos da matriz serãoconvertidos para tons de cinza
Im i,j
f(g)=Im’ i,j
100
11
100
59
100
30)( bgrgf ++=
Algoritmo de transformação Gray-Level.
1. Obter Im <- (Image)2. Largura L <- (Width)3. Altura A <- (Height)4. Para i de 0 ate L5. Para j de 0 ate A6. corIm <- Im[i,j].cor()7. verm <- corIm.red() * 0.308. verd <- corIm.green() * 0.599. azul <- corIm.blue() * 0.1110. gray <- verm+verd+azul11. Im[i,j] <- gray