Matéria Visão Computacional 2

Prévia do material em texto

1
Prof. Leonardo Gomes
Visão Computacional
Aula 2
Conversa Inicial
Nesta aula, vamos debater a etapa de pré-
processamento no pipeline dos algoritmos de 
visão computacional
Acessando pixels
Histograma de cores
Transformações geométricas em imagens
Operações aritméticas
Ruído em imagens
Acessando pixels
import cv2
imagem = cv2.imread("mario.jpg")
valorPixel = imagem[100,200]
print(valorPixel)
Leitura de dados
import cv2
imagem = cv2.imread("mario.jpg")
imagem[100,200] = [50,100,150]
imagem[100,200,2] = 250
valorPixel = imagem[100,200]
print(valorPixel)
Modificando pixel
2
import cv2
imagem = cv2.imread("mario.jpg")
print(imagem.shape) # linhas colunas cores
print(imagem.size) # tamanho
print(imagem.size/imagem.shape[2])#total pixels
print(imagem.shape[0]*imagem.shape[1])#total pixels
Acessando dados da imagem
Histograma de cores
Histograma
Contabilizar ocorrências dentro de um 
intervalo
Por exemplo: as vendas de uma loja nos 
meses do ano
Histograma de cores Histograma – preto e branco
Imagem binária e seu histograma.
800000 –
700000 –
600000 –
500000 –
400000 –
300000 –
200000 –
100000 –
0 – | | | | | | 
0 50 100 150 200 250
Fonte: Gomes, 2021
0 50 100 150 200 250
Histograma – tons de cinza
60000 –
50000 –
40000 –
30000 –
20000 –
10000 –
0 – | | | | | | 
Goran Jakus/Shutterstock
Histograma – cores
Goran Jakus/Shutterstock
250000 –
200000 –
150000 –
100000 –
50000 –
0 –
0 50 100 150 200 250
| | | | | | 
70000 –
60000 –
50000 –
40000 –
30000 –
20000 –
10000 –
0 –
0 50 100 150 200 250
| | | | | | 
70000 –
60000 –
50000 –
40000 –
30000 –
20000 –
10000 –
0 –
0 50 100 150 200 250
| | | | | | 
3
Histograma – subexposta
70000 –
60000 –
50000 –
40000 –
30000 –
20000 –
10000 –
0 –
0 50 100 150 200 250
| | | | | | 
20000 –
20000 –
10000 –
5000 –
0 –
0 50 100 150 200 250
| | | | | | 
4-life-2-b/Shutterstock
Histograma – superexposta
Ezp/Shutterstock
50000 –
40000 –
30000 –
20000 –
10000 –
0 –
0 50 100 150 200 250
| | | | | | 
17500 –
15000 –
12500 –
10000 –
7500 –
5000 –
2500 –
0 –
0 50 100 150 200 250
| | | | | | 
Transformações geométricas em 
imagens
Rotação: girar a imagem, tendo como base um 
eixo
Translação: mover a imagem horizontalmente e 
verticalmente
Escala: esticar ou encolher a imagem nos eixos X 
e Y
Perspectiva: uma combinação das outras 
transformações, para dar a ilusão de que a 
imagem está sendo observada de outro ponto de 
vista
Transformações
Rotação
Fonte: Gomes, 2021
matriz = cv2.getRotationMatrix2D(
(colunas / 2, linhas / 2), 90, 1)
imgNova = cv2.warpAffine(
imgOrig,matriz,(colunas, linhas))
Rotação
4
Translação
Fonte: Gomes, 2021
matriz = np.float32([[1, 0, 100], [0, 1, 200]])
imgNova = cv2.warpAffine(
imgOrig,matriz,(colunas, linhas))
Translação
Escala
Fonte: Gomes, 2021
imgNova = cv2.resize(imgOrig, (200,400))
Escala
Perspectiva
Imagem de uma placa de carro com correção de perspectiva.
Blue Corner Studio/Shutterstock.
pontosOrigem = np.float32(
[[13,1], [193,61], [13,51], [185,111]])
pontosDestino = np.float32(
[[0,0], [200,0], [0,50], [200,50]])
matriz = cv2.getPerspectiveTransform(
pontosOrigem, pontosDestino)
imgNova = cv2.warpPerspective(
imgOrig, matriz, (200, 50))
Perspectiva
5
Operações aritméticas
Adição
Imagem da esquerda e do meio somadas na imagem resultante da direita.
Fonte: Gomes, 2021
Adição de um valor fixo
4-life-2-b/Shutterstock
import cv2
imagem1 = cv2.imread("marioEsquerda.jpg")
imagem2 = cv2.imread("marioDireita.jpg")
imagemResultado = cv2.add(imagem1, imagem2)
cv2.imshow("Resposta", imagemResultado)
cv2.waitKey(0)
Adição
Subtração
Fonte: Gomes, 2021
import cv2
imagem1 = cv2.imread("marioEsquerda.jpg")
imagem2 = cv2.imread("marioDireita.jpg")
imagemResultado = cv2.subtract(imagem1,
imagem2)
cv2.imshow("Resposta", imagemResultado)
cv2.waitKey(0)
Subtração
6
Combinação
Fonte: Gomes, 2021
import cv2
imagem1 = cv2.imread("marioDireita.jpg")
imagem2 = cv2.imread("marioEsquerda.jpg")
imagemResultado = cv2.addWeighted(
imagem1, 0.2, imagem2, 0.8, 0)
cv2.imshow("Resultado", imagemResultado)
cv2.waitKey(0)
Combinação
Ruído em imagens
Ruído gaussiano
Imagem original, ruído gaussiano e imagem somada ao ruído.
Goran Jakus/Shutterstock
Ruído sal e pimenta
Fonte: Gomes, 2021
Ruído por codificação de imagem
Goran Jakus/Shutterstock
7
Oclusões na imagem
Fonte: Takada; Hotta, 2015.