Prática 1

Código Fonte:

[Y, mapa] = imread('canoe.tif');

Y = ind2gray(Y,mapa);

media = mean2(Y);

desvpadrao = std2(Y);

figure;

imhist(Y), title('Histograma da imagem');

figure;

imshow(Y,128), title('Imagem em tons de cinza');

Z = 0.5 * Y + 0.5;

figure;

imshow(Z,128), title('Z = 0.5 * Y + 0.5');

mediaZ = mean2(Z);

desvpadraoZ = std2(Z);

figure;

imhist(Z), title('Histograma');

R1 = imrotate(Y,45);

R2 = imrotate(Y,90,'bicubic');

R3 = imrotate(Y,135,'bilinear');

figure;

subplot(2,2,1), imshow(Y), title('Imagem Original');

subplot(2,2,2), imshow(R1), title('Rotacao Default (Nearest-Neighbor)');

subplot(2,2,3), imshow(R2), title('Rotacao Bicubica');

subplot(2,2,4), imshow(R3), title('Rotacao Bilinear');

RC = imrotate(Y,20,'bicubic','crop');

figure;

imshow(RC), title('Rotacao com Crop');

U = Y';

W = imrotate(U,90);

figure;

imshow(W), title('Flip na vertical');

figure;

[h w] = size(Y)

improfile(Y,[0 w],[round(h/2) round(h/2)])

Média: 0,27637

Desvio Padrão: 0,12121

Média: 0,63818

Desvio Padrão: 0,060604

A operação Y = 0.5 * Y + 0.5 aumentou o brilho da imagem, o histograma ficou mais comprimido e ocupando apenas a região mais clara. Por conseqüência a média aumentou e o desvio padrão diminuiu

Na rotação em 90º a interpolação é desnecessária, visto que os pixels apenas foram rearranjados, mas continuaram todos com o mesmo valor. Nas rotações de 45º e 135º a interpolação bilinear ajuda a diminuir o efeito de aliasing nas bordas da imagem.

Perfil Radiométrico

Prática 2

[Y, mapa] = imread('forest.tif');

Y = ind2gray(Y,mapa);

figure;

imhist(Y,128);

Imagem_Clara = imadjust(Y,[],[0.5 1]);

Imagem_Escura = imadjust(Y,[],[0 0.5]);

Imagem_Eq = histeq(Y,128);

figure;

subplot(2,2,1), imshow(Y), title('Imagem Original');

subplot(2,2,2), imshow(Imagem_Clara), title('Imagem Clara');

subplot(2,2,3), imshow(Imagem_Escura), title('Imagem Escura');

subplot(2,2,4), imshow(Imagem_Eq), title('Imagem Equalizada');

figure;

subplot(2,2,1), imhist(Y,128), title('Imagem Original');

subplot(2,2,2), imhist(Imagem_Clara,128), title('Imagem Clara');

subplot(2,2,3), imhist(Imagem_Escura,128), title('Imagem Escura');

subplot(2,2,4), imhist(Imagem_Eq,128), title('Imagem Equalizada');

[Y2, mapa] = imread('alumgrns.tif');

Y2cores = grayslice(Y2,4);

figure;imshow(Y2), title('Imagem Original');

figure;imshow(Y2cores,jet(4)),colorbar, title('Imagem em Pseudocores');

Y2exp = imadjust(Y2,[0.3 0.6],[])

figure;imshow(Y2exp),title('Inputcropping');

figure;imhist(Y2exp),title('Histograma de Inputcropping');

Y2cmp = imadjust(Y2,[],[0.7 1])

figure;imshow(Y2cmp),title('Outputcropping');

figure;imhist(Y2cmp),title('Histograma de Outputcropping');

A imagem original apresenta um histograma distribuído, mas com maior concentração de tons escuros.

A imagem clara comprime o histograma e o desloca para a parte mais clara.

A imagem escura também comprime o histograma, mas o desloca para parte escura.

A imagem equalizada deixa uma distância muito grande entre os tons mais escuros, e conseqüentemente deixa o ruído mais evidente.

Expansão do histograma com valores 0.3 a 0.6 (inputcropping)

Expansão do histograma com valores 0.7 a 1.0 (outputcropping)

Prática 3

[Y, map] = imread('blood1.tif');

Ya = Filter2([1 1 1; 1 1 1; 1 1 1]/9,Y)

Yb = Filter2([0 -1 0; -1 4 -1; 0 -1 0],Y)

Yc = Filter2([-1 -1 -1; 2 2 2; -1 -1 -1],Y)

Yd = Filter2([-1 2 -1; -1 2 -1; -1 2 -1],Y)

Ye1 = Filter2([-1 -1 2; -1 2 -1; 2 -1 -1],Y)

Ye2 = Filter2([2 -1 -1; -1 2 -1; -1 -1 2],Y)

Yf1 = Filter2([-1 -2 -1; 0 0 0; 1 2 1]/4,Y)

Yf2 = Filter2([1 0 -1; 2 0 -2; 1 0 -1]/4,Y)

figure;imshow(Y,map),title('Imagem Original');

figure;imshow(Ya,map),title('Media (3X3)');

figure;imshow(Yb,map),title('Laplaciano');

figure;imshow(Yc,map),title('Deteccao de linhas horizontais');

figure;imshow(Yd,map),title('Deteccao de linhas verticais');

figure;imshow(Ye1,map),title('Deteccao de linhas em 45 graus');

figure;imshow(Ye2,map),title('Deteccao de linhas em -45 graus');

figure;imshow(Yf1,map),title('Deteccao de bordas horizontais utilizando Sobel');

figure;imshow(Yf2,map),title('Deteccao de bordas verticais utilizando Sobel');

[Y2, map2] = imread('saturn.tif');

Y2n1 = imnoise(Y2,'gaussian',0,0.08);

Y2n1f1 = imfilter(Y2n1,[1/9 1/9 1/9;1/9 1/9 1/9;1/9 1/9 1/9])

Y2n1f2 = MedFilt2(Y2n1);

figure;

subplot(1,3,1), imshow(Y2n1), title('Imagem com ruido');

subplot(1,3,2), imshow(Y2n1f1), title('Filtro Media');

subplot(1,3,3), imshow(Y2n1f2), title('Filtro Mediana');

Y2n2 = imnoise(Y2,'gaussian',0,0.08);

Y2n3 = imnoise(Y2,'gaussian',0,0.08);

Y2media = uint8(imdivide(imadd(imadd(uint16(Y2n1),uint16(Y2n2)),uint16(Y2n3)),3))

figure;

subplot(2,2,1), imshow(Y2n1), title('Imagem ruidosa 1');

subplot(2,2,2), imshow(Y2n2), title('Imagem ruidosa 2');

subplot(2,2,3), imshow(Y2n3), title('Imagem ruidosa 3');

subplot(2,2,4), imshow(Y2media), title('Media das imagens ruidosas');

A média das imagens ruidosas se mostrou um método eficiente para obter uma imagem mais próxima à original.

Prática 4

[Y, map] = imread('cameraman.tif');

imshow(Y,map);

F = fftshift(fft2(Y));

figure

colormap(jet(256)),imagesc(log(1 + abs(F))),title('FFT - Resultado 2D'), colorbar;

figure;

mesh(log(1 + abs(F))),title('FFT - Resultado 3D');

Yr = imrotate(Y,20);

Fr = fftshift(fft2(Yr));

figure;

subplot(1,2,1);imshow(Y),title('Imagem Original');

subplot(1,2,2);imshow(Yr),title('Imagem Rotacionada 20º');

figure;

subplot(1,2,1),colormap(jet(256)),imagesc(log(1 + abs(F))),title('Imagem Original - FFT - Resultado 2D'), colorbar;

subplot(1,2,2),colormap(jet(256)),imagesc(log(1 + abs(Fr))),title('Imagem Rotacionada 20º - FFT - Resultado 2D'), colorbar;

[Y2, map2] = imread('testpat1.tif');

Y2n = imnoise(Y2,'salt & pepper');

figure;

subplot(1,2,1),imshow(Y2,map2),title('Imagem Original');

subplot(1,2,2),imshow(Y2n,map2),title('Imagem com ruido Sal e Pimenta');

C2 = dct2(Y2);

F2 = fftshift(fft2(Y2));

C2n = dct2(Y2n);

F2n = fftshift(fft2(Y2n));

figure;

subplot(2,2,1),colormap(jet(256)),imagesc(log(1 + abs(C2))),title('Transf. Co-Seno da Imagem Original'), colorbar;;

subplot(2,2,2),colormap(jet(256)),imagesc(log(1 + abs(F2))),title('FFT da Imagem Original'), colorbar;;

subplot(2,2,3),colormap(jet(256)),imagesc(log(1 + abs(C2n))),title('Transf. Co-Seno Imagem c/ ruido Sal e Pimenta'), colorbar;;

subplot(2,2,4),colormap(jet(256)),imagesc(log(1 + abs(F2n))),title('FFT Imagem c/ ruido Sal e Pimenta'), colorbar;

Y2media = Filter2([1 1 1; 1 1 1; 1 1 1]/9,Y2n);

Y2mediana = MedFilt2(Y2n);

figure;

subplot(1,3,1), imshow(Y2n,map2), title('Imagem Ruidosa');

subplot(1,3,2), imshow(Y2media,map2), title('Filtro Media');

subplot(1,3,3), imshow(Y2mediana,map2), title('Filtro Mediana');

Comparando a FFT da imagem original com a FFT da imagem rotacionada em 20º percebemos que a FFT também apresenta um certo tipo de rotacionamento

O filtro média melhora um pouco a imagem, mas ela ainda apresenta um pouco de ruído. O filtro mediana apresentou um melhor desempenho, eliminando quase todo o ruído.