Prática1_PDI

Prévia do material em texto

Histograma 
 
 
2018 
Histograma 
CHARLES WAY HUN FUNG 
 
 
 
Histograma 1 Eng. Charles Way Hun Fung MSc. 
Sumário 
Ferramenta matemática SciLab ...................................................................................................... 2 
Instalação da Toolbox de Processamento de Imagens ................................................................... 2 
Primeiros passos de PDI usando o SciLab ..................................................................................... 3 
Histograma ..................................................................................................................................... 6 
Equalização de Histograma ............................................................................................................ 8 
Limiarização .................................................................................................................................. 11 
Referências ................................................................................................................................... 12 
 
 
 
 
 
Histograma 2 Eng. Charles Way Hun Fung MSc. 
Ferramenta matemática SciLab 
SciLab é um ambiente de programação voltado a resolver problemas matemáticos, há 
diversos softwares que foram desenvolvidos com este fim, exemplo: Matlab e Octave. Este software 
foi desenvolvido em 1990 por pesquisadores do INRIA – Institut de Recherche em Informatique et 
en Automatique. SciLab é gratuito e pode ser baixado no site: 
https://www.scilab.org/en/download/6.0.1. 
Os objetivos da ferramenta são: 
- Geração de gráficos de uma, duas ou três dimensões; 
- Manipulação de vetores e matrizes; 
- Permite trabalhar com sistemas de equações, polinômios, sistemas e funções de 
transferência; 
- Definição de funções; 
- Processamento de sinais contínuos e discretos; 
Instalação da Toolbox de Processamento de Imagens 
Deve-se acessar o gerenciador automático de módulos (ATOMS) que é usado para baixar os 
módulos externos ao SciLab de seu repositório. Para isto use o comando: 
 
Aparecerá uma interface na qual é possível acessar todas as categorias de módulos externos 
que existem no repositório do SciLab. 
 
Figura 1: Categorias principais - ATOMS 
 
 
 
Histograma 3 Eng. Charles Way Hun Fung MSc. 
Clique em “Image processing” e em seguida “Image processing and Computer Vision 
Toolbox”. 
Clique em “instalar”, o módulo será instalado no SciLab. 
Não esqueça de marcar a caixa de texto “Autoload”, para que este módulo seja iniciado assim 
que o SciLab for iniciado. 
Reinicie o SciLab. 
Deve aparecer esta mensagem na inicialização: 
 
Figura 2 – Mensagem de inicialização do SciLabs. 
Se esta mensagem aparecer desta forma mostrada na figura 2, o módulo de processamento 
de imagens já está pronto para o uso. 
Primeiros passos de PDI usando o SciLab 
Para começarmos, devemos fazer a leitura de uma imagem. Para isto o comando: 
Variável = imread(<nome_do_arquivo ou url>) 
Este comando retorna para uma variável a matriz da imagem que foi especificada no 
parâmetro, como nome do arquivo com extensão ou o endereço url da imagem. Exemplo: 
 
Neste caso, a imagem está no diretório direcionado na interface do SciLab. Foi realizada a 
leitura da imagem house.tif. Perceba que a matriz resultante desta leitura é bidimensional e cada 
pixel é representado por cada posição da matriz, com sua intensidade igual ao valor da respectiva 
posição. 
 
Figura 3 – Matriz bidimensional que representa a imagem. 
 
 
 
Histograma 4 Eng. Charles Way Hun Fung MSc. 
Fazendo a leitura de uma imagem colorida temos: 
 
Perceba que a interface do SciLab não apresenta diferenças entre as duas imagens, porém 
deve-se a imagem colorida é composta por três componentes: Vermelho (R), verde (G) e azul (B). 
Para verificar esta diferença deve usar o comando: 
 
Este comando retorna as dimensões reais da imagem colorida: 
 
Da mesma forma que fazemos a leitura da imagem, há um comando para mostrar a matriz da 
imagem que foi armazenada em uma variável. O comando é: 
imshow(<variável>) 
Exemplo: 
 
 
Figura 3 – Imagem armazenada em uma variável. 
 
 
 
 
Histograma 5 Eng. Charles Way Hun Fung MSc. 
É possível também mostrar imagens coloridas usando o comando imshow: 
 
 
Figura 4 – Mostrando uma imagem colorida com imshow. 
 
Para converter uma imagem colorida em níveis de cinza (Gray Scale) deve-se usar o 
comando: 
Variável = rgb2gray(<Imagem>) 
Esta função retorna a matriz da imagem colorida convertida para níveis de cinza. O parâmetro 
<imagem> é uma variável com o conteúdo de uma imagem colorida. Exemplo: 
 
O resultado desta conversão pode ser mostrado usando a função imshow: 
 
 
 
 
Histograma 6 Eng. Charles Way Hun Fung MSc. 
 
Figura 5 – Imagem colorida convertida para níveis de cinza. 
 
Histograma 
O histograma de uma imagem consiste em um gráfico que apresenta a quantidade de pixels 
por nível de cinza. Através deste é possível determinar algumas características da imagem, como 
por exemplo o contraste ou se a imagem é predominantemente escura ou clara. 
Para determinar o histograma usando o SciLab é necessário primeiramente usar apenas 
imagens em níveis de cinza, então inicialmente deve-se converter a imagem colorida para níveis de 
cinza. Em seguida para determinar o histograma deve-se usar o seguinte comando: 
[<quantidade>,<niveis>] = imhist(<imagem>) 
Onde <níveis> são os níveis de cinza, <quantidade> é a quantidade de pixels por nível de 
cinza e <imagem> é uma variável que contém uma imagem em níveis de cinza. 
Exemplo: 
 
 
A seguir o histograma da imagem plotado, lembrando que plot2d3 é uma plotagem discreta 
dos valores, o que pode equivaler neste caso a uma barra para cada nível de cinza. 
 
 
 
Histograma 7 Eng. Charles Way Hun Fung MSc. 
 
Figura 6 – Imagem e seu histograma da imagem 
Neste caso pode-se perceber que há uma grande quantidade de pontos com valor igual e 
próximo ao valor 200, isto indica que há muitos pixels claros. Mas pode-se perceber que não há um 
grande contraste na imagem, porque há outra concentração de pixels pela região do 100. 
Vamos agora utilizar a imagem colorida, convertê-la para níveis de cinza e depois plotar o 
histograma. 
 
 
 
 
Histograma 8 Eng. Charles Way Hun Fung MSc. 
 
Figura 7 – Histograma de uma imagem colorida convertida para níveis de cinza. 
 
Equalização de Histograma 
A equalização de histograma é um processamento usado para redistribuir os pixels nos níveis 
de cinza, de forma a diminuir o contraste da imagem e uniformizar a distribuição de intensidade da 
imagem. 
No SciLab, o comando para fazer a equalização de histograma de uma imagem é: 
Variável = imhistequal(<imagem>) 
Onde <imagem> é uma variável que contém uma imagem e retorna uma matriz da imagem 
equalizada. Exemplo: 
 
 
 
Histograma 9 Eng. Charles Way Hun Fung MSc. 
 
 
Figura 8 – Equalização de histograma 
 
 
 
 
Histograma 10 Eng. Charles Way Hun Fung MSc. 
Para outro exemplo de equalização, vamos usar a imagem em níveis de cinza ‘house.tif’ e 
seguiremos o mesmo processo descrito anteriormente: 
 
Resultando nas seguintes imagens com seus histogramas: 
 
Figura 9 – Segundo exemplo de equalização de histograma. 
 
 
 
Histograma 11 Eng. Charles Way Hun Fung MSc. 
Limiarização 
Também conhecido como “threasholding” é uma metodologia de segmentação que separa a 
imagem em duas regiões bem definidas com base em um limiar ou “threashold”. No SciLab para 
implementar a limiarização deve-se utilizar a função: 
Variável = im2bw(<imagem>,<limiar>); 
Onde <imagem> é uma variável que contém uma imagem em níveis de cinza, <limiar> é um 
valor que varia no intervalo fechado de zero a um, onde este valor implicará na imagem binária 
resultante, na qual os valores binários maiores que a porcentagem explicita pelo limiar serão 
brancos e o resto preto, por exemplo 0.5 corresponde a 50% do valor máximo da matriz.Exemplo: 
 
 
 
 
 
Histograma 12 Eng. Charles Way Hun Fung MSc. 
 
Figura 10 – Limiarização da esquerda para direita: (a) Original, (b)20%, (c)50% e (d)70%. 
 
 
 
Referências 
 
[1] R. C. Gonzalez e R. E. Woods, Processamento Digital de Imagens, São Paulo: 
Pearson, 2010.