Improving the image means enhance the perception of images for human observers. This can reduce the impulse noise, enhance edges with the help of different techniques for image enhancement. The techniques of fuzzy systems can manage uncertainty and imperfection in an image, which can be represented as a set of fuzzy systems.
Projeto Copa do Mundo 2014 Curitiba - Transportes v3
Improvement of Image Using Fuzzy Techniques Networks
1. A Melhoria da Imagem Usando a Técnica de
Redes Nebulosas
Paulo Silveira, Membro IEEE
Abstract—A melhoria da imagem significa enriquecer a
percepção de imagens para os observadores humanos. Isto pode
reduzir o ruído impulsivo, intensificar as bordas com a ajuda de
diferentes técnicas de aprimoramento da imagem. As técnicas de
sistemas nebulosos podem gerenciar a incerteza e imperfeição de
uma imagem, que pode ser representado como um conjunto de
sistemas nebulosos. Um sistema nebuloso pode ser usado para
processar o conhecimento humano sob a forma de regras (if/then)
inseridas nesse sistema. O acúmulo de todas essas abordagens
vem até a teoria de processamento de imagem dos sistemas
nebulosos, que é dividido em três fases: “fuzzification” da
imagem, modificação de valores associados e “defuzzification” da
imagem. Na maioria dos casos, as imagens disponíveis não são de
boa qualidade. Neste trabalho uma técnica de melhoria de
imagem baseado em sistemas nebulosos é examinada e
implementada.
Palavras Chave— Sistemas nebulosos, processamento imagem,
fuzzification, defuzzification. Para obter uma lista de palavras
chave sugeridas envie um email em branco para
paulocezar.silveira@gmail.com .
I. INTRODUÇÃO
N
VISÃO computacional, processamento de imagem é
qualquer forma de processamento de sinal para o qual a
entrada é uma imagem, como fotografias ou quadros de
vídeos. As técnicas de saída de processamento de imagem
podem ser uma imagem ou um conjunto de características ou
parâmetros relacionados à imagem. As técnicas de
processamento de imagem, referem-se a restauração de
imagem, realce da imagem, segmentação de imagens, etc. A
segmentação de imagem refere-se ao processo de
particionamento de uma imagem em vários segmentos com
base nas características da imagem selecionada (conjuntos de
pixels). A segmentação subdivide uma imagem em suas
regiões constituintes ou objetos. O nível a que a subdivisão é
realizada depende do problema a ser resolvido. Ou seja, a
segmentação deve parar quando os objetos de interesse foram
isolados. O objetivo da segmentação é simplificar e alterar a
representação de uma imagem em algo que é mais
A
Artigo submetido em 24 de novembro, 2013; revisado em 08 de dezembro
de 2013. Publicado pela primeira vez em 13 de dezembro de 2013; versão
atual publicada em 13 de dezembro de 2013. Este trabalho não está sujeito a
direitos autorais no Brasil.
P. Silveira, estudante de Mestrado do Departamento de Engenharia
Elétrica, Universidade Federal do Paraná, Curitiba, CEP 80210-340 Brasil
(e-mail: paulocezar.silveira@gmail.com).
significativo e mais fácil de analisar. A segmentação de
imagens é normalmente usada para localizar objetos e limites
em imagens. Mais precisamente, é o processo de atribuição de
um rótulo para cada pixel de uma imagem de tal forma que os
pixels com os mesmos rótulos compartilhem certas
características visuais. Por exemplo, a inspeção automática
tem todo o interesse em analisar as imagens dos produtos com
o objetivo de determinar a presença ou ausência de anomalias
específicas, tais como componentes em falta ou caminhos de
ligações quebradas. As partições e diferentes objetos em
segmentação de imagens é um conjunto de regiões que cobrem
coletivamente toda a imagem. Todos os pixels em uma região
são semelhantes com relação a alguma característica ou
propriedade computada como cor, intensidade, ou textura.
Algumas aplicações práticas de segmentação de imagem são:
processamento
de
imagens,
visão
computacional,
reconhecimento de face, imagens medicas, bibliotecas digitais,
imagem e recuperação de vídeo.
Os métodos de segmentação de imagem são classificados
em quatro categorias:
Segmentação baseada em pontos.
Segmentação baseado na borda.
Segmentação baseada em linhas.
Segmentação baseada em crescentes regiões.
As desvantagens da maior parte dos métodos são que eles
utilizam uma linguagem de alto nível para a codificação. Este
trabalho enfoca o processamento de uma imagem pixel a pixel
e na modificação das regiões de pixels que podem ser
aplicados a toda a imagem. A vantagem objetiva com a
utilização de sistemas nebulosos (fuzzy) com uma interface
gráfica de alto nível faz com que seja muito fácil de manusear,
em relação a outros aplicativos. As diversas aplicações onde à
remoção de ruído, melhoria das bordas e contornos, blurring,
etc., faz com que tenhamos uma melhoria em todos os
parâmetros da imagem.
II. RELATO DO TRABALHO
O processamento de imagem nos sistemas nebulosos é uma
forma de processamento de informação na qual a entrada e a
saída são imagens. É uma coleção de diferentes abordagens
nos sistemas nebulosos que entendem, representam e
processam as imagens, seus segmentos e características como
conjuntos de sistemas nebulosos. O processamento de imagem
nos sistemas nebulosos é dividido em três etapas principais:
fuzzification da imagem, modificação de valores associados, e
defuzzification da imagem se necessário (veja a Figura 1).
2. III. VERIFICAÇÃO EXPERIMENTAL
Fig. 1: Processamento da imagem em fuzzy
Devido à ausência de hardware nos sistemas nebulosos nós
temos que executar as etapas de fuzzification e defuzzification.
Portanto, codificar os dados de imagem (fuzzification) e
decodificar os resultados (defuzzification) para processar as
imagens por meio de técnicas de sistemas nebulosos.
A capacidade de processamento de imagem em sistemas
nebulosos encontra-se na etapa intermediária (modificação de
valores associados) após a primeira fase (fuzzification da
imagem), técnicas apropriadas em sistemas nebulosos (tais
como agrupamento de sistemas nebulosos, abordagem baseada
em regras de sistemas nebulosos, abordagem de integração de
sistemas nebulosos, etc.) modificam os valores associados.
Muitos tipos de métodos de melhoria de imagem nos
sistemas nebulosos têm sido propostos [1] [3] [5] [6]. Por
exemplo:
Ajuste de contraste nos sistemas nebulosos.
Melhoria da imagem subjetiva.
Segmentação da imagem nos sistemas nebulosos.
Detecção de bordas nos sistemas nebulosos.
Melhoria da imagem.
As maiorias destes métodos baseiam-se na apresentação de
dados de uma forma binaria da imagem, enquanto outros
melhoram a imagem diretamente a partir de imagens em
escala de cinza. A abordagem de melhoria de imagens na
escala de cinza incluem os seguintes passos [9]:
A normalização.
A estimativa de orientação local.
A estimativa de frequência local.
A filtragem por filtros projetados.
No primeiro passo, uma imagem de entrada, é normalizada
para diminuir o intervalo dinâmico da escala de cinza entre as
áreas altas (pico) e baixas da estimativa de imagem e a
sintonização dos parâmetros do filtro. A seguir estão alguns
dos métodos usados para a melhoria de imagens de impressões
digitais:
Com base no algoritmo de realce da imagem e
normalização do filtro de Gabor [4].
A filtragem no domínio da serie de Fourier das
imagens de impressões digitais [5].
O aperfeiçoamento da imagem usando filtros do
tipo de Gabor [6].
A melhoria da imagem usando M-Lattice [1].
Com base nas seguintes regras dos sistemas nebulosos, um
algoritmo de melhoria da imagem foi desenvolvido e
implementado:
Se a intensidade do pixel é escura então a saída é
mais escura.
Se a intensidade do pixel é cinza então a saída é
cinza.
Se a intensidade do pixel é brilhante, então a saída
é mais brilhante.
As figuras 2, 3 e 4 mostram a implementação dessas regras no
sistema de inferência dos sistemas nebulosos:
Fig. 2: Editor FIS para a melhoria da imagem
Fig. 3: Editor de função de associação do FIS
O algoritmo de melhoria da imagem foi desenvolvido
contendo os seguintes passos:
A. Capturando uma imagem de entrada e definindo a função
associada para cada nível de cinza:
3. Aonde L, f(x,y), s denotam o nível máximo de cinza, qualquer
nível de cinza e a variação entre os valores de cinza
respectivamente.
B. Obter novos valores associados através de:
C. Obter uma melhoria na imagem final, definindo o método
como:
IV. RESULTADOS
O código em MatLab (Fuzzy Logic toolbox) foi utilizado
para implementar o algoritmo proposto. O experimento foi
feito com várias imagens de baixa qualidade. Alguns dos
resultados são os seguintes:
Fig. 4: Editor de regras do FIS
Imagem Original
Imagem Melhorada
Fig. 7: Melhoria da imagem pela técnica de fuzzy
Fig. 5: Roteiro do sistema de inferência do fuzzy
Imagem Original
Imagem Melhorada
Fig. 8: Melhoria da imagem pela técnica de fuzzy
Fig. 6: representa o mapeamento da imagem no
nível de cinza para a melhoria da imagem
Fig. 9: Melhoria da imagem pela técnica de fuzzy
4. [9]
[10]
[11]
[12]
[13]
Fig. 10: Melhoria da imagem pela técnica de fuzzy
V.
CONCLUSÃO
Este artigo apresenta um método de fuzzy para a melhoria
da imagem. Embora os métodos de melhoria baseados na
lógica de fuzzy sejam suficientes, no futuro os métodos mais
eficientes podem ser desenvolvidos para a melhoria da
imagem proporcionando resultados mais precisos.
A utilização da técnica das regras de fuzzy (if/them), são
uma ponte entre o sofisticado conhecimento humano de um
lado e a estrutura numérica dos computadores por outro lado,
simples e fácil de compreender. A técnica proposta é capaz de
ultrapassar os inconvenientes dos métodos no domínio
espacial como um limiar e métodos no domínio da frequência
como os filtros passa-baixa Gaussiano.
REFERENCIAS
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
Alex Sherstinsky and Rosalind W. Picard, “Restoration and
Enhancement of Fingerprint Images using M-Lattice–A Novel Nonlinear Dynamical System”, IEEE Pattern Recognition, Vol.2, p.p 195200,1994.
Anil K.jain, Salil Prabhakar, Lin Hong, and Sharath Pankanti,
“Filterbank- Based Fingerprint Matching”, IEEE transactions on image
processing, Vol.9,NO.5, 2000.
Sasi G., Madhu S. Nair and Souriar Sebasti, “Approximation Studies on
Image Enhancement Using Fuzzy Technique”, International Journal of
Advanced Science and Technology Vol. 10, 2009.
Ertugrul Saatchi and Vedat Tavsanoglu, “Fingerprint Image
Enhancement using CNN Gahor –type filters Cellular Neural Networks
and their Applications”, proceedings, 7th IEEE International workshop,
p.p 577-782, 2003.
Faisel Saeed, K.M. George, Huizhu Lu “Image Contrast Enhancement
Using Fuzzy Set Theory”, 4th IEEE, International Workshop, p.p 177282, 2009.
H.C.Lee and R.E.Gaensslen, Eds., Advances in Fingerprint Technology,
New York, Vol.7, NO 6, Elsevier, 1991.
H R.Tizhoosh, “Fast fuzzy edge detection,” In proceedings NAFIPS
Annual Meeting of the North American Fuzzy Information Processing
Society, pp. 239-242, 27-29, 2002.
K. Pringle. “Visual perception by a computer”, In Automatic
Interpretation and Classification of Images Academic Press, New York,
p.p 277-284, 1969.
L. Zadeh, ‘Fuzzy “Sets, Information Control”, IEEE Pattern
Recognition, Vol.2, pp. 338-353, 1965.
Lin Hung, Yifei Wan, Anil Jain: “Fingerprint Image Enhancement:
Algorithm and Performance Evaluation”, IEEE Transaction on panem
analysis and machine intelligence”, Vol 20 N.8, p.p. 777-789, 1998.
L. O. Hall and A. Namasivayam, “Using adaptive fuzzy rules for image
segmentation”, in IEEE World Congress on Computational Intelligence,
Vol. 2, pp. 808-825, 1997.
M. Hanmadlu, D. Jha, and R.Sharma, “Color image enhancement using
fuzzy intersification”, Pattern Recognition Letters, Vol.24 (1-3), p.p. 8187, 2003.
Milind Kumar V.Sarode, Dr. S.A.Ladhake, Dr.Prashant R.Deshmukh
“Fuzzy system for color image enhancement” proceedings of world
academy of science, engineering and technology volume 36 December
2008.