Processamento de Imagens

1
Processamento de Imagens
SCE 5830
Instituto de Ciências Matemáticas e de
Computação USP
2
Tópicos

• Definições vistas na aula passada
• Fundamentos
• Estudo de Cores
• Formatos de arquivos
• Etc.

3
Fundamentos de Visão Computacional e
Processamento de Imagens

• Computer Imaging Manipulação de imagem por
  computador.
• Aquisição e processamento de informação por
  computador.
• Sentido primário visão
• Uma imagem vale por mil palavras

4
Domício Pinheiro Agência Estado
5
(No Transcript)
6
Computer Imaging duas áreas
7
Visão X Processamento
Em aplicações de visão computacional as imagens
processadas (saídas) são usadas pelo computador.
Em processamento de imagens, são para consumo
humano. Historicamente, o processamento de
imagens evoluiu a partir da Eng. Elétrica (proc.
Sinais). Visão computacional foi resultado dos
desenvolvimentos em Ciência da Computação.
8
Visão Computacional (VC)

• Aplicações não requerem pessoas no ciclo visual,
  ie, imagens são examinadas e manipuladas pelo
  computador.
• O computador é quem usa a informação visual
  diretamente
• reconhecimento e inspeção de objetos
• Análise de imagens (Image Analysis).
• Feature extraction
• Pattern Recognition

9
Aplicações em VC

• Tarefas tediosas para seres humanos
• ambiente hostil
• alta taxa de processamento
• acesso e uso de grandes banco de dados
• Encontrados em ambientes variados
• controle de qualidade em sistemas de manufatura.

10
Aplicações em VC (cont.)

• Ambiente médico
• Detecção automática de tumores
• sistemas de auxílio a neuro-cirurgias
• Identificação de impressões digitais
• Identificação de impressão DNA (DNA fingertips)
• Outros
• Monitoração de rodovias.
• Sistemas de defesa (militares).
• Visão Robô (vision-guided robot)
• Croud control (controle de multidão) em metrô.

11
Metodologia de reconhecimento (deve considerar)

• Condicionamento (conditioning)
  pré-processamento
• Rotulação (Labeling) a informação é um conjunto
  de pixels conectados. Deteçao bordos,
  limiarização
• Agrupamento (grouping) segmentação
• Extração (extraction) lista de propriedades
• Matching (reconhecimento de padrão)
• Computer and Robot Vision. Haralick and Shapiro

12
Processamento de Imagens (PI)

• Aplicações envolvem pessoas no ciclo visual, ie,
  as imagens são examinadas e manipuladas por
  pessoas.
• Necessidade de conhecimento do modo de operação
  do sistema visual humano.

13
PI principais tópicos
Restauração (restoration) Realce
(enhancement) Segmentação compressão
(compression)
14
Restauração de Imagem

• Processo de recuperação da aparência original de
  uma imagem que possui algum grau conhecido (ou
  estimado) de degradação.
• É possível desenvolver um modelo da distorção se
  soubermos algo sobre a degradação
• Modelo degradação aplica processo inverso e
  obtém-se imagem restaurada

15
Restauração X Realce

• Realce
• Subjetivo
• Processo heurístico
• Alargamento de contraste, por exemplo,

• Restauração
• Objetivo
• Conhecimento a priori do fenômeno de degradação
• Remoção de borramento, ao aplicar uma função de
  redução de borramento (deblurring) é restauração.

16
Modelo de Degradação
Restauração dado g(x,y) algum conhecimento
sobre a função de degradação H algum
conhecimento sobre o ruído ? estimar f. g(x,y)
h(x,y) f(x,y) n(x,y)
17
Restauração
Muitas vezes ignoramos H e consideramos o
processo de restauração como algo que lida com
degradações em função do ruído apenas. Neste
caso, como devemos proceder a restauração?
Observe a equação do slide anterior? Será que
basta subtrairmos o ruído, para obter f ???

• Como encontrar H ?
• Observação imagem borrada.. analise uma pequena
  seção retangular dela (gs), identificando o que é
  fundo e o que é objeto. Para reduzir o ruído,
  aplique um processo que gere um resultado menos
  borrado possível (fs) (como?) ? Hs gs/fs .
• Experimentação
• Modelamento matemático

18
Realce de Imagem

• Melhorar uma imagem visualmente, baseado na
  resposta do sistema visual humano.
• Solução ótima depende do problema (problem
  specific techniques)
• exemplo
• Expandir o contraste (contrast stretching)

19
Restauração X Realce

• Ambos levam à melhora na imagem
• Métodos de restauração procuram modelar a
  distorção e aplicar o processo reverso, enquanto
  os métodos de realce utilizam a resposta do
  sistema visual humano para melhorar a imagem
  visualmente.

20
Exemplo de Realce de contraste
Típica operação do tipo s T(r), conhecida como
contrast stretching.
21
Realce eliminação de ruído
22
Compressão de Imagem

• Redução da quantidade expressiva de dados
  necessária para representar uma imagem
• Eliminação do que é visualmente desnecessário
• Imagens apresentam redundância de dados.
• Redução na ordem de 10 a 50 vezes. (wavelets -gt
  65 80 )

23
Compressão de Imagens

• Lossless compression mantém a integridade dos
  dados, utilizada para dados gerais e excetuáveis.
• Lossy compression não mantém a integridade dos
  dados. As imagens são parecidas mas não idênticas.

24
Lossless compression

• Compressão similar ao ZIP, ARJ, etc.
• Tipo Run Length Encoding (RLE) .bmp

Compressed data Expanded data 03 04 04 04 04
05 06 06 06 06 06 06 00 03 45 56 67 00 45 56
67 02 78 78 78 00 02 05 01 Move 5 right and
1 down 02 78 78 78 00 00 End of line 09
1E 1E 1E 1E 1E 1E 1E 1E 1E 1E 00 01 End of
RLE bitmap
25
Lossless compression
P P P P P P P A A A A V V P P
P P P P P P P P P P P P A A V
V V V V A A V V A A A A A A P P P
P P P P
Imagem 24 bits
7P 4A 2 V 4P 10P 2A 5V 2A 2V 6A 7P
Operação reversível
26
Lossy Compression
FFT
DCT
27
Sistemas de Imagem por computador
Monitor
Câmera
Impressora
Scanner
Filme
Sistema de Computador
Reprodutor Vídeo
Gravador Vídeo
28
Digitalização

• Sinal de vídeo analógico é transformado em sinal
  digital através da discretização do sinal
  contínuo à taxa fixa.
• Esse processo é feito muito rapidamente.
• Câmeras CCD
• O resultado é um vetor bi-dimensional de dados,
  onde cada elemento é chamado pixel.
• Isso nos leva a pensar no conceito de resolução.

29
Resolução de Imagem

• Resolução de intensidade
• Cada pixel tem uma profundidade em bits para
  cor ou intensidade
• Resolução Espacial
• Uma imagem tem altura x largura pixeis.
• Resolução Temporal
• Taxa de refresh (retraço) do monitor

30
Digitalização discretização

• Amostragem (sampling)
• discretização espacial
• Imagens uma matriz de pontos.
• Quantização (quantization)
• discretização da amplititude
• Imagens qual a faixa de valores que um ponto é
  capaz de armazenar.

31
Quantization

• Exemplo
• valores de 8 bits para representar voltagens de
  0-10 V.
• 8 bits 256 valores distintos
• 10 V / 256 0.039 V !
• 0 V 00000000 10V 11111111
• Cada mudança de 0.039, indica um novo binário.

32
8 bpp
4 bpp
2 bpp
1 bpp
False Contour
False Contour
33
Como reduzir efeito da quantização ?

• Halftoning
• Dithering

Halftoning
34
(No Transcript)
35
Halftoning Colorido
36
Dithering
Pixel gt padrão branco Pixel lt padrão preto
original
Imagem resultante (binária)
Ruído uniforme
37
(No Transcript)
38
Amostragem (Sampling)
Pixel !
39
Teorema de Nyquist
De acordo com o Teorema de Nyquist, a quantidade
de amostras por unidade de tempo de um sinal,
chamada taxa ou frequência de amostragem, deve
ser maior que o dobro da maior frequência contida
no sinal a ser amostrado, para que possa ser
reproduzido integralmente sem erro de aliasing.
40
Amostragem
Suponha uma frequência de amostragem (fam)
8kHz. A chave se fecha 8000 vezes por segundo
(125 micro segundos). Como a chave se fecha por
um tempo muito curto, temos pulsos muito
estreitos, com Amplitude igual ao valor
instantâneo do sinal (PAM Pulsos Modulados em
Amplitude)
41
Amostragem
Frequencia de amostragem gt duas vezes a freq. do
sinal. Ok.. há amostragem suficiente para que o
sinal seja reproduzido sem aliasing.
Frequencia de amostragem IGUAL a duas vezes a
freq. do sinal. Não é possível reproduzir o
sinal, pois PAM 0. Se houver mudança de fase,
haverá sinal, mas com amplitude errada (a não ser
que caia no pico da senoide !!) daí precisar ser
MAIOR que o dobro !
Frequência de amostragem MENOR que duas vezes a
freq. do sinal. Sinal reproduzido está errado,
revelando o efeito de aliasing.
42
Problemas amostragem Aliasing

• Artefatos devido a sub-amostragem ou reconstrução
  ruim
• Espacial
• Temporal

43
Aliasing espacial
Jagged edges efeito escada
44
Aliasing Temporal
Efeitos de Flickering Monitor filmado na TV !
Strobing (luz estroboscópica) roda do
carro girando para trás na TV ou
à noite !
t2
t1
strobing
45
Quantização e Amostragem

• Resolução Espacial
• Define riqueza de detalhes da imagem
• Resolução de Profundidade
• Define riqueza de meios-tons
• Define cores
• Tamanho da Imagem

46
Processo de Discretização
4x
16x
47
Processo de Discretização
48
640h x 480v em 256 cores
49
320h x 240v em 256 cores
50
160h x 120v em 256 cores
51
80h x 60v em 256 cores
52
40h x 30v em 256 cores
53
640h x 480v em 256 tons de cinza
54
640h x 480v em 8 tons de cinza
55
640h x 480v - imagem binária
56
Resolução Espacial

• 20km/pixel 10km/pixel

57
1 cm 192 pixels, ou seja, 488 dpi
58
Resolução em Profundidade
8 bits
24 bits
2 bits
59
Representação de Imagem

• imagem função bidimensional da intensidade de
  luz recebida
• I f(x,y), taxa de nível de cinza proporcional
  ao brilho da imagem
• Binárias (0 - Preto, 1 - Branco)
• Grey-scale (monocromáticas, one-colour)
• Coloridas, pseudo-colours...

60
Propriedades de uma imagem

• Vizinhança
• 4-vizinhança um pixel p tem 4 vizinhos
• dois horizontais e dois verticais N4(p)
• 8-vizinhança N8(p) N4(p) ? Nd(p), onde Nd(p)
  é o conjunto dos pixels na diagonal.

61
Propriedades de uma imagem

• Conectividade
• dois pixels estão conectados se são adjacentes
  segundo algum critério de vizinhança e se seus
  níveis de cinza satisfazem um critério de
  similaridade.
• 4-conectado p e q são similares e q ? N4(p)
• 8-conectado p e q são similares e q ? N8(p)

62
Propriedades distâncias

• Sejam os pixels p (x,y), q (s,t), z (u,v).
  Uma função de distância D tem as propriedades
• D(p,q) ? 0 (D(p,q) 0, se e somente se p q)
• D(p,q) D(q,p)
• D(p,z) ? D(p,q) D(q,z)
• Distância Euclidiana D(p,q) sqrt
  (x-s)2(y-t)2
• Distância D4 (city-block) D(p,q) x-s y-t
• Distância D8 (Tabuleiro de xadrez)
• D(p,q) max(x-s,y-t)

63
Operações aritméticas e lógicas

• Adição g pq (overflow ?)
• Subtração g p-q (underflow)
• Correção por
• corrigir escala g 255 (f - fmin) /
  (fmax-fmin)
• Truncamento valor máx 255 e valor min 0

64
Operações lógicas

• AND
• OR
• XOR
• NOT
• simples e bastante utilizadas.
• http//www.dai.ed.ac.uk/HIPR2/and.htm

65
Alteração das dimensões

• Scaling
• ampliar ou reduzir a imagem segundo um fator
  (igual para horizontal e vertical, ou não)
• Sizing (ou resizing)
• diz-se o novo tamanho da imagem, ao invés de
  especificar o fator de ampliação/redução.

Ampliação zoom in (um pixel, se torna
4) Redução zoom out (4 pixels se tornam 1)
66
Transformações geométricas

• Seja o pixel de coordenada (x,y)
• Translação (x,y) (x?x, y ?y)
• Rotação ? x x cos (?) y sen (?)
• y y cos (?) - x sen
  (?)
• Espelhamento (flip) reflexão.
• Warping projeção afim conforme um dado template
  ou imagem...
• http//www.dai.ed.ac.uk/HIPR2/reflect.htm

67
Crop, cut e paste

• Cropping selecionar porção de uma imagem
  (rubberband)

68
Percepção Visual Humana

• Envolve componentes fisiológicos e psicológicos
• Por que estudá-lo?
• Projetar algoritmos de compressão (reduzir qtd de
  informação, retendo informação visual)
• algoritmos de realce de imagem (sabendo-se como
  funciona o sistema visual, pode-se aplicar
  técnicas que melhorem as imagens).

69
Sistema visual humano

• Energia luminosa focalizada pelas lentes do olho
  nos sensores da retina
• Estes sensores respondem à energia luminosa por
  uma reação eletro-química que envia um sinal
  elétrico ao cérebro através do nervo óptico
• o cérebro usa esses sinais para criar padrões
  neurológicos que percebemos como imagens.

70
Cores

• Pode ser um poderoso descritor das propriedades
  de um objeto -gt segmentação
• Humanos podem distinguir uma ampla variedade de
  nuances de cores (centenas de milhares), enquanto
  que poucos tons de cinza são perceptíveis (cerca
  de 100)
• full colour ou pseudo-cor

71
Percepção de Cores

• Fenômeno físico-psicológico
• 1666
• Isaac Newton e o prisma de cores
• Do violeta (curta) ao vermelho ( comprida)
  violeta, azul, verde, amarelo, laranja, vermelho

72
O que é cor

• Luz refletida pelo objeto
• Ondas eletromagnéticas 400 700 nm
• Corpo que reflete luz relativamente balanceada em
  todos os comprimentos de onda visível parece
  branco ao observador

73
O que é cor ?

• Cor depende primariamente das propriedades de
  reflexão de um objeto. Vemos os raios que são
  refletidos, enquanto outros são absorvidos.
• Deve-se considerar a cor da fonte de luz também e
  a natureza da visão humana.
• Um objeto que reflete tanto vermelho quanto verde
  vai se revelar verde quando houver luz verde, mas
  nenhuma luz vermelha o iluminando. Ou vai
  aparecer vermelho, na ausência de luz verde.
• Sob luz branca pura, ele se mostrará amarelo (
  vermelhoverde).

74
Luz Visível

• Ondas de 380 - 825 nanômetros
• 10-9 milionésimo do milímetro
• resposta mínima acima de 700...
• Dividas em três bandas
• Azul (400 - 500 nm)
• Verde (500-600 nm)
• Vermelho (600-700 nm)

75
Espectro eletromagnético
1024
1020
1022
104
106
102
1016
1014
Ultra violeta
Near InfraVerm
MicroOndas
Radio
Raios Gama
IV
Visível
Raios X
10-16
106
10-10
10-2
1
violeta
Azul
Verde
Amarelo
Laranja
Vermelho
400
500
600
700
Comprimento em Nanômetros
76
Luz Acromática

• Ausência de cor
• Único atributo intensidade
• Brilho ou nível de cinza ou intensidade
• Nível de cinza medida escalar de intensidade que
  vai do preto (0), passa pelos cinzas, chegando ao
  branco (1) (ou 0 - 255)

77
Luz Cromática

• Comprimentos de onda espectro eletromagnético de
  energia entre 400700 nm (nanômetros)
• Atributos/propriedades importantes
• Luminância
• Radiância
• Brilho

78
Luz Cromáticas (prop.)

• Radiância
• Quantidade total de energia que flui da fonte de
  luz. Medida em Watts (W)
• Luminância
• Quantidade de energia que um observador percebe a
  respeito da fonte de energia. Exemplo luz
  emitida em infra-vermelho com bastante energia
  (radiância) é dificilmente notada por um
  observador humano (baixa luminância). Medida em
  Lúmens (lm)
• Brilho
• Descritor subjetivo, que não é normalmente
  medido. Análogo a noção da intensidade em luz
  acromática, sendo um dos principais fatores na
  descrição da sensação de cores.

79
Outros termos/propriedades

• Matiz
• Três quantidades independentes são usadas para
  descrever qualquer cor. O matiz é determinado
  pelo comprimento de onda dominante. Cores
  visíveis estão entre 400 (violeta) e 700 nm
  (vermelho)
• Saturação
• Determinada pela pureza da excitação e depende da
  quantidade de luz branca misturada ao matiz. Um
  matiz puro é totalmente saturado, ou seja,
  nenhuma luz branca é misturada.
• Cromaticidade
• Matiz e saturação determinam a cromaticidade para
  uma dada cor.

80
Brilho

• Descritor subjetivo, difícil de se medir
• Devido a sua complexidade, CIE definiu o conceito
  de Luminância
• Engloba a noção acromática de intensidade
• Fator chave na sensação de cor
• Ver modelos de cor...
• Deve ser usado em referências não quantitativas a
  sensações fisiológicas e percepção de luz.

81
Cores segundo olho humano

• Cor combinação variável das 3 cores primárias
  vermelho, verde e azul.
• Padrao CIE (Comission Internationale de
  lEclairage) comissão internacional de
  iluminação
• Azul 435.8 nm
• Verde 546.1 nm
• Vermelho 700 nm
• Cores de Luz, não cores de pigmento !

82
Os três tipos de cones existentes na visão humana
e a sensibilidade por cada uma delas. Repare que
absorvemos mais verde do que as outras cores !
83
Diagrama de Cromaticidade do CIE
As cores ao longo da borda são as cores do
espectro de cores como enxergadas pelo ser humano
84
Diagrama de Cromaticidade do CIE
Misturando cores todas as cores sobre a linha
GB podem ser obtidas pela mistura das cores G e
B. Todas as cores no triângulo RGB podem ser
obtidas pela mistura das cores R,G e B.
Z 1 x - y
85
Espaço e modelo de Cores

• O universo de cores que podem ser reproduzidas
  por um sistema é chamado de espaço de cores
  (colour space ou color gamut)
• Um espaço de cores pode ser definido como uma
  representação visual de um modelo de cores
• Modelos de cores aditivos e subtrativos.

86
Cores de Luz adição

• Cores primárias (R,G,B) são adicionadas,
  produzindo as cores secundárias de luz
• Magenta vermelho azul
• Cyan (turquesa) verde azul
• Amarelo vermelho verde
• Branco
• Vermelho verde azul
• Uma secundária sua primária oposta !

São chamadas primárias porque são cores criadas
pela mistura de fontes de luz destas cores. No
caso de uma TV, elementos de fósforos reluzentes.
87
Cores por adição
Cores por adição um exemplo típico são os
televisores
http//www.mwit.ac.th/physicslab/applet_01/librar
y/30-7/index.html
88
Cada tríade de fósforos primários constitui um
único pixel no monitor. A pessoa não vê a tríade,
mas a mistura dos três o pixel ! A manipulação
da intensidade com que as três cores são exibidas
(excitação do fósforo) cria o gamut de cores do
monitor.
89
Cores secundárias e primárias
Movendo-se no círculo de uma primária à outra,
adiciona-se mais da cor de que se aproxima e
menos da que se distancia. Ao se afastar 180
graus de uma primária, não se tem nada desta
misturada. Esta cor é, por esta razão, chamada de
complemento da primária. Estas cores são também
conhecidas como secundárias (ou primárias de
impressão).
90
Cores de pigmento

• Cor definida como aquela que subtrai ou absorve
  uma cor primária de luz e reflete as outras duas.
• Primárias Magenta, Cyan e Amarelo
• Preto
• Combinar as 3 primárias
• Uma secundária sua primária oposta

http//www.glenbrook.k12.il.us/gbssci/Phys/Class/l
ight/u12l2d.html
91
Cores por subtração
Quando uma superfície com a cor Ciano é iluminada
com luz branca, nenhuma luz vermelha é refletida,
ou seja, o pigmento ciano subtrai a luz vermelha
da luz branca refletida. Modelo de cor CMY
Magenta
Cyam (turquesa)
Yellow
Cores são geradas subtraindo-se o comprimento da
onda dominante da luz branca. Por isso, a cor
resultante corresponde à luz que é refletida.
Espaço de cor CMY é subtrativo.
Impressoras utilizam este sistema
92
Cor na paleta de um pintor
Perda de luminância. A cor vai perdendo seu
brilho.
Formação de cores por pigmentação
93
Modelo de cor RGB

• RGB -gt formato baseado na tricromaticidade da
  visão humana, onde temos sensores para ondas
  curtas (azul), médias(verde) e longas(vermelho).

94
No modelo RGB a imagem é constituída por 3 planos
ou canais, de 256 níveis de profundidade. Este
modelo é denominado por true color ou 24bits
pelos programas gráficos (Adobe, GIMP, etc.).
95
Modelo RGB

• Curiosidade o homem é capaz de discernir até 6
  mil cores, o modelo RGB suporta 224, cerca de 16
  milhões de cores
• Problemas do Modelo RGB
• Quantidade de memória ocupada
• Nos anos 70 e 80 as placas de vídeo não eram
  capazes de suportar grandes volumes de memória.
• Solução, utilização de paletas de cores.

96
Imagens coloridas

• Modeladas por 3 bandas monocromáticas de dados
• Cada banda uma cor.
• Dado brilho do espectro de cada banda
• 8 bits por banda 24 bpp
• RGB nem sempre é natural ao homem.

97
Modelo RGB
Preto
B
(0,0,1)
Cyan
Branco
Magenta
G
(0,1,0)
Amarelo
R
(1,0,0)
98
Indexada Pseudocolor
Indexada True color 3 LUT (look up tables)
99
(No Transcript)
100
Modelo Perceptual
A deep, bright orange um laranja claro e
realçado (profundo)
Luminância
Alta intensidade claro
Matiz
Saturação
A cor Laranja Onda dominante
Alta saturação deep (profundo) Diluição de luz
branca na cor
RGB (A deep, bright orange) R-245, G-110, B-20
101
Modelo Perceptual HSV

• H é a cor pura e é expressa em graus de ângulo
  onde 0 é a cor vermelha.
• S é a pureza da cor (saturação) e é medida como
  a distância do eixo V
• V é medido ao longo do eixo do cone hexagonal,
  onde V0 é o preto e V1 é o branco.

102
Modelo HSI

• H (matiz) é a cor pura e é expressa em graus de
  ângulo onde 0 é a cor vermelha.
• S é a pureza da cor (saturação). Diluição da
  cor pura com o branco
• I (Intensidade ou Brilho) nível de cinza. Mais
  intuitivo que HSV uma vez que o pico da saturação
  é representado na intensidade 0.5 e tem máximo
  (1) branco e mínimo (0) em preto.

103
Formatos de arquivos para imagens digitais

• Diversos formatos
• requisitos diferentes, vários tipos de imagens
• razões de mercado
• software proprietário
• falta de coordenação da indústria de imagens
• Computação Gráfica
• imagens bitmap e imagens vetores (vector images)

104
Formatos

• Bitmap (raster images)
• I(r,c) pixel armazena o valor do brilho.
• Vector images
• representação de linhas, curvas e formas
• armazena os pontos chaves
• rendering (renderização)

105
Imagem Vetorial

• Consiste de uma lista de comandos gráficos, que
  quando executados desenham o correspondente à
  imagem
• As imagens são simples, devido ao seu processo de
  formação
• Exemplos Corel Draw (.cdr), Flash, windows
  metafile (.wmf)

LEGAL !
106

• A imagem vetorial é definida através de uma
  linguagem gráfica que representa a estrutura do
  desenho através de formas geométricas círculos,
  pontos, retângulos, triângulos, linhas, etc.
• ex desenho abaixo
• circulo (10,10,300, rgb amarela) (posição, raio,
  cor)
• box (10,20,287,98, rgbvermelha)
• box (10,10,200,210,azul)
• triangulo (10,10,40,40, 59,80,rgbazul)
• text (30,87,tipo de letra, tamanho da letra,
  texto que vai aparecer, rgb)

LEGAL !
107
Imagem Mapa de Bits (raster)

• No formato bitmap a matriz que representa a
  imagem é armazenada na memória.
• Este formato é o mais utilizado em processamento
  de imagens, uma vez que permite representar
  imagens reais ou seja adquiridas por um
  processo de digitalização.
• Exemplos BMP, JPG, TIFF, PCX, GIF, PNG

108

• De que forma o pixel é armazenado?
• Na memória de vídeo a imagem é representada como
  uma matriz, onde cada elemento é um pixel.
• O tamanho das células variam de acordo com a
  profundidade e número de cores.
• Ex uma imagem mapa de bit de 3 x 4 pixels true
  color (RGB)

IMAGEM AMPLIADA
. . . . . . . . . . . .
MATRIZ
255,255,255 255,0,0
255,255,255 0,0,0 0,0,0
0,0,0 0,0,0 0,0,0
0,0,0 0,0,0 255,255,255 0,0,0
109
Imagens Bitmap

• BIN (raw image, sem cabeçalho)
• PPM (raw data cabeçalho simples)
• PBM(binário), PGM(grey-scale), PNM (ambos)
• TIFF (Tagged Image File format) 24 bpp
  compressão (LZW, RLE, JPEG)
• GIF (Graphics Interchange Format) 8 bpp
  compressão LZW.

110
Imagens Bitmap

• JPEG Joint Photographic Experts Group
• JFIF JPEG Interchange Format
• utiliza compressão jpeg
• Sun raster (Sun)
• SGI (Silicon Graphics)

111
Formato geral de um arquivo de imagem
Cabeçalho
Paleta
Dados
112
Imagem indexada de 256 cores
IMAGEM AMPLIADA
. . . . . . . . . . . .
MATRIZ na memória do computador
PALETA de CORES
255,255,255 255,0,0 0,0,0
1 2 3
1 2 3 3 3 3 3 3 3 3 1 3
Dados da Imagem