1 / 55

Fundamentos da cor

7. Color Image Processing. Fundamentos da cor Embora os processo de percepção de cor utilizado pelo ser humano seja um fenômeno psicológico que ainda não totalmente entendido, a natureza física da cor pode ser expressa sobre uma base formal suportada por resultados teóricos e experimentais.

verdad
Download Presentation

Fundamentos da cor

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. 7. Color Image Processing Fundamentos da cor Embora os processo de percepção de cor utilizado pelo ser humano seja um fenômeno psicológico que ainda não totalmente entendido, a natureza física da cor pode ser expressa sobre uma base formal suportada por resultados teóricos e experimentais. Em 1666, Isaac Newton descobriu que quando um feixe de luz do sol passa através de um prisma, a luz que sai não é branca mas sim formada pela faixa do espectro que vai do violeta ao vermelho.

  2. 7. Color Image Processing

  3. 7. Color Image Processing A cor que os seres humanos percebem no objeto são determinados pela natureza da luz refletida a partir do objeto. Um corpo que reflete luz relativamente balanceada em todo o espectro visível aparece como branca ao observador. Corpos que refletem luz num intervalo limitado do espectro visível exibe alguma cor. Ex: objetos verdes refletem luz com comprimentos de onda entre 500 nm e 570 mn e absorve a maioria da energia nos outros comprimentos de onda.

  4. 7. Color Image Processing • Caracterização da luz: • Luz acromática (sem cor) – possui apenas o atributo de intensidade (exemplo aparelho de TV monocromático). O termo níveis de cinza refere-se a uma medida escalar que varia de preto para o branco passando por tons intermediários de cinza. • Luz cromática – se estende pelo espectro de energia eletromagnética no intervalo aproximado de 400 a 700 nm ( 1 nm = 10 –9 m).

  5. 7. Color Image Processing • A qualidade de uma fonte de luz cromática é medida por: • Radiância – soma total de energia que é emitida da fonte luminosa ( watts); • Luminância – dá uma medida da soma de energia percebida por um observador a partir de uma fonte de luz (lumen). Ex: luz emitida por uma fonte operando na região do infravervelho possui alta radiância e baixa luminância • Brilho – descritor subjetivo praticamente impossível de medir. Incorpora a noção monocromática de intensidade e é um fator importante na descrição da sensação de cor

  6. 7. Color Image Processing De acordo com a estrutura do olho humano todas as cores são vistas como combinações das três cores chamadas básicas: vermelho, verde e azul.

  7. 7. Color Image Processing Para efeito de padronização a CIE – Comission Internacionale de l’Eclairage – Comissão Internacional de Iluminação definiu em 1931 comprimentos para as cores primárias: B = 435,8nm; G= 546,1nm e R= 700nm. É importante notar que a partir das três componentes RGB fixadas não é possível gerar todo o espectro de cores.

  8. 7. Color Image Processing • Formação das cores • Processo aditivo – as cores primárias podem ser somadas para produzir as cores secundárias de luz: magenta (azul + vermelho), cyan ( verde + azul) e amarelo ( vermelho + verde). Misturando as três cores primárias ou as três cores secundarias temos o branco. Ex. monitor RGB • Processo de pigmentação ou coloração – neste processo partículas chamadas pigmentos absorvem ou subtraem uma cor primária da luz e reflete ou transmite as outras duas. • Ex: magenta – absorveu verde e refletiu azul e vermelho. As cores primárias de pigmentos são magenta, cyan e amarelo.

  9. 7. Color Image Processing

  10. 7. Color Image Processing • Características para Distinguir entre Diferentes Cores • Brilho – intensidade da luz • Tonalidade ou matiz (Hue) – é o comprimento da onda dominante • Saturação ou pureza – corresponde à pureza ou a quantidade de luz branca misturada à matiz. O espectro de cores puras são completamente saturados. Cores como o rosa (vermelho e branco são menos saturados. O grau de saturação é inversamente proporcional à quantidade de luz branca misturada à matiz.. • Saturação e matiz juntos são chamados de cromaticidade. Portanto uma cor pode ser caracterizada por seu brilho e pela sua cromaticidade.

  11. 7. Color Image Processing Considerando R, G, e B vermelho, verde e azul (valores tri-estímulos) respectivamente uma cor é especificada por seus coeficientes trichromatic: r= R/(R+G+B) g=G/(R+G+B) e b=B/(R+G+B), onde r+g+b=1 Dada uma cor, uma maneira para especificar os valores tristimulus é o diagrama de cromaticidade que mostra a composição da cor como uma função de x(vermelho) e y (verde). Para obter o valor de z (azul) para qualquer valor x e y bastar fazer z = 1 – (x+y). Ex: o ponto GREEN marcado no diagrama tem aproximadamente 62% de verde, 25% de vermelho e 13%de azul

  12. 7. Color Image Processing

  13. 7. Color Image Processing O diagrama de cromaticidade é útil para mistura de cores porque traçando uma linha reta entre duas cores do diagrama é possível definir todas as variações de cores que podem ser obtidas pela combinação aditivas destas duas cores. A extensão para três cores é direta. Para obter o intervalo de cores que pode ser obtido a partir de três cores dadas no DC, basta desenhar um triangulo. As cores dentro do triangulo podem ser obtidas pela combinação dos seus vértices.

  14. 7. Color Image Processing • Aplicações do diagrama de cromaticidade: • Medir o comprimento de onda domiante e a pureza de qualquer cor obtida pela mistura das cores primárias x, y e z (através de fotómetros) • Definir gamutes de cores ( ou intervalos de cores) para diferentes dispositivos. • Comparar gamutes de cor entre vários dispositivos de exibição (monitor, filme, impressora) • O gamute da impressora é menor que do gamute do video, se quisermos uma reprodução exata da imagem de vídeo na impressora então o gamute de cores do video deve ser reduzido. • Nota: os fabricantes de monitor informam as coordenadas de cromaticidade do monitor. Ex: red -> x = 0.62 y = 0.33 • green -> x = 0.21 y = 0.685 • blue -> x = 0.15 y = 0.063

  15. 7. Color Image Processing • Modelos de Cor • O objetivo do modelo de cor é facilitar a especificação de cores em algum padrão. É uma especificação de um sistema de coordenadas 3D no qual cada cor é representada por um único ponto. • Modelo de cor RGB • No modelo RGB, cada cor aparece em suas componentes espectrais primárias verde, azul e vermelho. Este modelo é baseado no sistema de coordenadas Cartesianas

  16. 7. Color Image Processing O sub-espaço de interesse é o cubo mostrado abaixo. Neste modelo os níveis de cinza se estendem do preto para o branco na linha pontilhada que liga estes dois pontos. As cores são pontos dentro do cubo definidos por vetores que partem da origem. O cubo é normalizado tal que os valores R,G e B variam no intervalo entre [0,1].

  17. 7. Color Image Processing

  18. 7. Color Image Processing Imagens no modelo RGB constituem 3 planos diferentes um para cada cor primária. Em monitores RGB este três planos são combinados na tela de fósforo para produzir a imagem colorida.

  19. 7. Color Image Processing Em processamento digital de imagens o melhoramento (ou realce) de imagens coloridas no modelo RGB pode não apresentar resultados satisfatórios quando os 3 planos são processados independentemente uma vez que as intensidades em cada plano são alteradas diferentemente resultando numa alteração das intensidades relativas entre eles. (ex: equalização). Outros modelos de cor são mais adequados para o propósito de processamento.

  20. 7. Color Image Processing • Modelo de cor HSI – Hue, Saturation, Intensity • reflete a maneira como os seres humanos vêem a cor; • Separa a cor em cromaticidade e intensidade • oferece vantagens para métodos de processamento de imagens coloridas • Como transformar modelo RGB em HSI???

  21. 7. Color Image Processing Para determinar a componente de intensidade de qualquer cor basta passar um plano perpendicular ao eixo de intensidade contendo o ponto da cor de interesse. A intensidade varia no intervalo de 0 a 1 e a saturação da cor aumenta à medida que aumenta a distancia do eixo de intensidade (saturação no eixo de intensidade é zero uma vez que todos os pontos neste eixo é cinza). Todos os pontos contidos no segmento de plano definidos pelo eixo de intensidade e pelos limites do cubo têm a mesma matiz (cyan). Rotacionando o plano sobre o eixo de intensidade podemos obter diferentes matizes

  22. 7. Color Image Processing O espaço HSI consiste de um eixo de intensidade vertical e um plano perpendicular com este eixo. À medida que o plano move para cima e para baixo em relação ao eixo de intensidade, a intersecção do plano com as faces do cubo tem a forma de triângulo ou hexágono.

  23. 7. Color Image Processing • Neste plano as cores primária são separadas entre si por um ângulo de 120o e das cores secundária por 60o. • Componentes HSI de um ponto de cor: • H é determinado pelo ângulo a partir um ponto de referencia ( em geral eixo vermelho). • S é determinado pelo tamanho do vetor. • - I pela posição do plano em relação ao eixo de intensidade.

  24. 7. Color Image Processing Modelo HSI baseado em planos triangulares e circulares. Note que dependendo do deslocamento do plano com relação ao eixo de intensidade, altera apenas o brilho, mantendo a cromaticidade.

  25. 7. Color Image Processing Conversão de cores do modelo RGB para HSI Dada uma imagem em RGB com valores normalizados em [0,1] e que H seja medido com relação ao eixo Red do espaço HSI, as componentes H, S e I de cada pixel RGB são obtidos pelas equações:  se B  G H = 360o –  se B > G Para normalizar H basta dividir o resultado por 360o. Se S = 0 então H não está definido ( não há matiz no eixo de intensidade)

  26. 7. Color Image Processing Conversão de HSI para RGB Dados os valores de HSI no intervalo [0,1]. A conversão leva em conta três setores de interesse. A conversão começa multiplicando H por 360o para retornar ao intervalo original [0o,360o]. Setor RG ( 0o <= H < 120o): Setor GB (120o <= H < 240o): H = H – 120o Setor BR (240o <= H < 360o): H = H – 240o

  27. 7. Color Image Processing Os valores r, g e b são normalizados de acordo com o plano de normalização. Para obter R a partir de r, temos que: r = R/(R+G+B), então , mas O mesmo vale para G e B:

  28. 7. Color Image Processing

  29. 7. Color Image Processing

  30. 7. Color Image Processing • Técnicas de processamento de imagens coloridas: • Transformação de cores – trabalha com o processamento dos pixels de cada plano de cor baseando-se apenas em seus valores • b) Filtragem espacial usando planos de cores individuiais – trabalha com filtragem espacial (basendo-se numa vizinhança) de planos de cores individuais

  31. 7. Color Image Processing a) Tranformações de Cores - Transformação de imagem colorida em imagem colorida (transformação full-color): Onde ri e si são componentes de cor das imagens de entrada e saida, n é a dimensão (nro de componentes) do espaço de cor ri e Ti é a função de transformação. - Transformação de imagem monocromática em imagem colorida ( transformação pseudo coloração) Onde r denota os níveis de cinza da imagem de entrada, n é o nro de componentes de si

  32. 7. Color Image Processing Processamento de imagens pseudo-color - quando uma imagem é representada no espaço de cor RGB e as suas componentes são mapeadas independentemente a transformação resulta em uma imagem pseudo-colorida na qual os níveis de cinza foram substituídos por cores arbitrárias. Este tipo de transformação é útil porque o olho humano pode distinguir entre entre milhões de cores mas relativamente poucos níveis de cinza. Mapeamentos para pseudo-coloração são úteis para tornar pequenas mudanças em níveis de cinza visíveis para o olho humano ou para realçar importantes regiões representadas em níveis de cinza. O principal uso da pseudo-coloração é a visualização humana

  33. 7. Color Image Processing • Intensity slicing • - é uma das técnicas mais simples; • - se a imagem é vista como uma função de intensidade 2D, o método pode ser interpretado como a colocação de planos paralelos (slices) ao plano de coordenadas da imagem. • - diferentes cores são associadas aos pixels que estão acima e abaixo do plano de corte. • - a idéia de planos é útil para uma interpretação geométrica, mas podemos pensar em uma função que mapeia os níveis de cinza para uma dada cor.

  34. 7. Color Image Processing

  35. 7. Color Image Processing

  36. 7. Color Image Processing

  37. 7. Color Image Processing

  38. 7. Color Image Processing • Transformação de níveis de cinza para cor – a idéia por trás desta técnica é executar 3 transformações independentes sobre níveis de cinza dos pixels de uma imagem de entrada. • Cada cor é transformada independentemente e dedois alimentam um sistema que as combina formando uma cor (ex: monitor de tv colorido). • As funções de transformação neste caso são não lineares, o que torna o método mais flexível que o anterior.

  39. 7. Color Image Processing

  40. 7. Color Image Processing

  41. 7. Color Image Processing • Transformação de imagem colorida em imagem colorida • O uso de uma função de transformação pode ser aplicada a todos os componentes RGB, CMYK ou a componentes individuais

  42. 7. Color Image Processing • Transformação de cor - Modificando todas as componentes de uma imagem usando uma mesma função de transformação nos três modelos (RGB, HSI, CMYK)

  43. 7. Color Image Processing • Mapeamento inverso ou negativo – útil para realçar detalhes que estão contidos em regiões escuras da imagem, em particular quando estas regiões dominam a imagem em tamanho. • A imagem abaixo mostra os complementos das matizes

  44. 7. Color Image Processing

  45. 7. Color Image Processing Exemplos do uso de funções de transformação em imagens coloridas. Note que cada componente da imagem é mapeada pela função de transformação.

  46. 7. Color Image Processing • Balanceamento de cor ou correção de cor – permite mapear componentes de cor da imagem independentemente. • É um processamento importante no realce de fotos. • O desbalanceamento de cor ocorre quando uma imagem é adquirida e sensibilidades diferentes nos três canais de cor produzem uma transformação linear diferente nas três componentes da imagem durante a digitalização. O resultado é uma imagem com suas cores primárias sem balanceamento. • Embora o desbalanceamento de cor possa ser medido objetivamente, a percepção visual pode ser utilizada em cores conhecidas (em regiões brancas onde as componentes RGB ou CMYK deveriam ser iguais)

  47. 7. Color Image Processing

  48. 7. Color Image Processing • Equalização de hlistogramas – é um processamento que mapeia imagem em níveis de cinza produzindo um imagem cujo histograma apresenta intensidades uniformes (em teoria). • Como as imagens coloridas têm vários componentes, , a técnica em níveis de cinza deve ser modificada para trabalhar com cada componente e seu histograma associado. O processamento independente de cada cor resultará numa imagem com as cores modificadas. • A técnica mais lógica é modificar a intensidade da cor sem alterar a sua matiz. Para tanto a imagem é representada no espaço de cor HSI, a equalização realizada sobre a intensidade I, e o resultado convertido para RGB.

  49. 7. Color Image Processing

  50. 7. Color Image Processing • b) Filtragem espacial de imagens • Suavização de imagens coloridas – o processo é formulado da mesma maneira que para imagens em níveis de cinza, exceto que agora nós trabalhamos com vetores de valores e não mais com níveis de cinza. Cada componente do vetor é processada individualmente: onde K é o número de pixels definido pela vizinhança

More Related