Detecção de objetos

02.a.Plotar o histograma de uma imagem

Neste exemplo vamos medir os tons de cinza da seguinte imagem:

Para plotarmos um histograma, usaremos a biblioteca Matplotlib com o método hist( ) e os seus parâmetros:

• Imagem: imagem em tons de cinza.

1#Mostrando o histograma dos tons de cinza da imagem
2
3plt.hist(imagem_cinza.ravel(), 256, [0,255]);

O resultado irá variar de acordo com a sua imagem, em nosso exemplo da vitamina C é este:

03.a.O que são ruídos em uma imagem

Ruídos em uma imagem são variações aleatórias dos valores dos pixels em uma imagem.

Ruídos podem ter diferentes origens como: poeira no ambiente (ou na lente da câmera), erro no processamento ou na compactação de imagens, etc..

03.b.Filtros para ruído

Existes diferentes tipos de filtros, ou seja kernels com diferentes valores. Cada filtro irá originar um efeito diferente.

Por hora, nosso objetivo e deixar a variação dos pixel “suavizada” para que não tenhamos “ruídos” e assim podermos focar em grandes estruturas/objetos da imagem.

Podemos sar o filtro (kernel) que multiplique os pixels pelos valores médios dos pixels vizinhos usando o método `blur( )` e os seus parâmetros:

• imagem: imagem em tons de cinza.

• tamanho do *kernel*: neste caso usaremos um kernel de cinco linhas por cinco colunas:

  • Quanto maior o valor do kernel maior o efeito de filtro na imagem.

  • É recomendado kernels de tamanhos ímpares como: 1,3,5,7,9.

1#Usar o filtro blur() para suavizar a imagem
2imagem_cinza_suavizada = cv2.blur(imagem_cinza, (5,5))
3
4#Mostrar a imagem
5cv2_imshow(imagem_cinza_suavizada)

Em nosso exemplo veja a diferença de uma imagem para outra:

04.a.Filtro de Sobel

O filtro de Sobel realça as bordas dos objetos, ou seja, regiões da imagem onde há uma diferença de intensidade de valor nos pixels.

• Para isso, ele usa um kernel com valores específicos.

Para usarmos o filtro Sobel com o OpenCV, basta usarmos o método Sobel() e os seus parâmetros:

• imagem: imagem em tons de cinza.

• tipo de valor do pixel: nesce caso será o CV_U8 (valores entre 0-255 armazenados em 8 bytes). Obs: não se preocupe com esta parte mais técnica!.

• realce na vertical: se sim 1, se não 0.

• realce na horizontal: se sim 1, se não 0.

• ksize: tamanho do kernel.

1#Aplicando o filtro de Sobel na imagem
2imagem_cinza_suavizada_sobel = cv2.Sobel(imagem_cinza_suavizada, cv2.CV_8U, 1, 0, ksize=3)
3
4#Visualizando a imagem
5cv2_imshow(imagem_cinza_suavizada_sobel)

Em nosso exemplo esse é o resultado:

04.b.Detector de bordas Canny

É detector de bordas mais usado em OpenCV. Usa ao mesmo tempo:

• Filtro Gaussiano: para suavizar a imagem.

• Filtro Sobel: para detectar as bordas.

Para usarmos o detector de bordas Canny, utilizamod o método Canny( ) e seus parâmetros:

• imagem: imagem em que aplicaremos o detector de bordas Canny.

• Limiar mínimo: valor mínimo do pixel. Todos os pixels iguais ou menores que este valor não serão considerados como parte da borda.

• Limiar superior: valor máximo do pixel. Todos os pixels com valores superiores a este valor serão considerados parte da borda.

1#Aplicar o detector de bordas Canny
2imagem_cinza_canny = cv2.Canny(imagem_cinza,180,210)
3
4#Visualizar a imagem
5cv2_imshow(imagem_cinza_canny)

Em nosso exemplo esse é o resultado:

05.a.Segmentação binária

Segmentar um objeto na imagem basicamente é identificar o que é objeto e o que é o resto da imagem.

Existem diversas formas de segmentar objetos em uma imagem, uma forma muito utilizada é a segmentação binária que basicamente coloca o objeto em uma cor e o resto da imagem na cor oposta (preto e branco).

Para realizar uma segmentação binário usamos o método threshold( ) e seus parâmetros:

• imagem: imagem em tons de cinza já suavizada por filtro.

• limiar/limite: valor dos pixels que queremos segmentar a imagem.

• novo valor dos pixels: novo valor dos pixels que estão acima do valor do limiar.

• tipo de binarização:

  • cv2.THRESH_BINARY: objeto de interesse na cor branaca.

  • cv2.THRESH_BINARY_INV: objeto de interesse na cor preta.

1#Aplicar a segmentação binária
2ret, imagem_binarizada = cv2.threshold(imagem_cinza_suavizada, 100, 255, cv2.THRESH_BINARY)
3
4#Visualizar imagem
5cv2_imshow(imagem_binarizada)

Em nosso exemplo este é o resultado:

05.b.Realizar contornos nos objetos

Realizar contornos é basicamente traçar uma linha em todos os pontos de diviza entre preto (0) e branco (255) na imagem binarizada.

Contorno é muito útil em Visão Computacional, pois com eles podemos fazer processos importantes como destaque e contagem de objetos na imagem.

Para realizarmos os contornos do objeto de interessa usamos o método findContours( ) e seus parâmetros:

• imagem: imagem binarizada.

• mode: modo de recuperar o contorno realizado.

• method: método de realizar o contorno.

 1#Aplicando contornos
 2contornos, hierarquias = cv2.findContours(image=imagem_binarizada,
 3                                    mode=cv2.RETR_TREE,
 4                                    method=cv2.CHAIN_APPROX_NONE)
 5
 6#Realizando uma cópia da imagem original
 7copia_imagem_original = imagem_original.copy()
 8
 9#Desenhar contornos
10cv2.drawContours(image=copia_imagem_original,
11              contours=contornos,
12              contourIdx=-1,
13              color=(0, 255, 0),
14              thickness=2,
15              lineType=cv2.LINE_AA)
16
17
18#Visulizar imagem
19cv2_imshow(copia_imagem_original)

1len(contornos)