O documento descreve o Índice de Qualidade Universal (UIQ), uma métrica proposta para avaliar a qualidade de imagens digitais. A UIQ modela distorções em imagens como uma combinação de perda de correlação, distorções na luminância e no contraste. O índice é calculado usando janelas deslizantes e mede esses três fatores em cada janela, fornecendo uma métrica matematicamente definida, de baixa complexidade e aplicável a diferentes tipos de distorção.

1. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
A Universal Image Quality Index
Métrica de Avaliação da Qualidade em Imagens Digitais
Michel Alves dos Santos
Pós-Graduação em Engenharia de Sistemas e Computação
Universidade Federal do Rio de Janeiro - UFRJ - COPPE
Cidade Universitária - Rio de Janeiro - CEP: 21941-972
Docente Responsável: Prof. Dsc. Ricardo Marroquim
{michel.mas, michel.santos.al}@gmail.com
03 de Maio de 2013
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

2. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Como Medir a Qualidade de Imagens?
Figura: Avaliação de Imagens. (A) Imagem original “Lena”, 512x512, 8
bits/pixel; (B) Imagem contaminada com ruído gaussiano aditivo.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

3. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Métricas de Qualidade
Métricas de Qualidade Subjetivas e Objetivas.
Figura: Organograma exibindo alguns tipos de métricas de qualidade.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

4. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Métricas de Qualidade
Classificação Referencial das Métricas
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

5. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Métricas de Qualidade
Empregabilidade das Métricas de Qualidade
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

6. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Aplicações das Métricas de Qualidade
Áreas nas quais essas métricas podem atuar.
Aplicações na Área Geológica;
Aplicações na Área Metereológica;
Aplicações na Área Médica;
Aplicações na Área Militar;
Aplicações na Área de Transmissão de Vídeo, etc.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

7. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Previamente...
Antes do “Índice de Qualidade Universal”.
Abordaremos, apenas a título de comparação,
outras métricas que são amplamente utilizadas.
As métricas abordadas serão:
MSE Mean Squared Error;
NRMSE Normalized Root Mean Squared Error;
PSNR Peak Signal-To-Noise Ratio.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

8. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
MSE - Mean Squared Error
Sejam x = {xi |i = 1, 2, . . . , N} e y = {yi |i = 1, 2, . . . , N} os
sinais de duas imagens e N é o número de sinais das imagens.
O MSE entre as imagens x e y será dado por:
MSE(x, y) =
1
N
N
i=1
(xi − yi)2
É largamente usado em tarefas de otimização e
problemas de deconvolução, porém possui limitações
quando usado na predição da percepção humana de
qualidade e fidelidade de imagens.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

9. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
NRMSE - Normalized Root Mean Squared Error
Sejam x = {xi |i = 1, 2, . . . , N} e y = {yi |i = 1, 2, . . . , N} os
sinais de duas imagens e N é o número de sinais das imagens.
O NRMSE entre as imagens x e y será dado por:
NRMSE(x, y) =


N
i=1
(xi − α · yi)2




N
i=1
x2
i


Onde α será dado por:
α =


N
i=1
(xi · yi)




N
i=1
y2
i


Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

10. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
PSNR - Peak Signal-To-Noise Ratio
O PSNR é uma relação entre o máximo possível de
potência de um sinal, pela potência do ruído, quando
comparamos um sinal antes e depois de um processo de
degradação. Sua unidade é o dB (decibel).
O índice de qualidade é definido como:
PSNR = 10 · log10


MAX2
p
MSE

 = 20 · log10
MAXp
√
MSE
Onde MAXp é o valor máximo possível de um pixel e
MSE é o erro quadrático médio do conjunto avalidado.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

11. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Peak Signal-To-Noise Ratio
Aplicando o conceito de PSNR em vídeos e imagens,
podemos observar que o mesmo é a relação entre a
entrada e a saída de um processo de compressão com
perdas, que avalia o quanto o processo introduziu
ruídos na imagem ou frame original.
Quanto maior o valor do PSNR, maior é a relação entre
a potência do sinal pela potência do ruído, o que
significa melhor qualidade.
Valores de PSNR acima de 42dB correspondem à
compressões que introduzem perdas imperceptíveis ao
olho humano, o que significa uma qualidade
excepcional.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

12. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Peak Signal-To-Noise Ratio
Quadro de Qualidade dos Valores PSNR
Qualidade Valores
Qualidade Excepcional Acima de 42dB
Bastante Aceitável Acima de 36dB
Qualidade Mediana Entre 30dB e 36dB
Baixa Qualidade Abaixo de 30dB
Tabela: Quadro com as faixas de qualidade para o índice PSNR.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

13. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
A Universal Image Quality Index
Movidos pela necessidade de uma métrica que fosse
fácil de se obter e de ser empregada em várias
aplicações de processamento de imagens, Zhou Wang e
Alan Bovik propuseram um novo índice.
Diferente dos métodos tradicionais de avaliação de
erro, o índice proposto foi concebido para modelagem
de quaisquer distorções em imagens como uma
combinação de 3 fatores:
Perda de Correlação;
Distorções na Luminância;
Distorções no Contraste.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

14. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Características da “Nova” Métrica
Principais Características do Índice de Qualidade
Matematicamente definido;
Baixa complexidade computacional;
Modelado para lidar com diferentes tipos de distorção;
Independente de avaliação humana
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

15. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Definição do Novo Índice de Qualidade
Sejam x = {xi |i = 1, 2, . . . , N} e y = {yi |i = 1, 2, . . . , N} os
sinais das imagens original e de teste, respectivamente.
O novo índice de qualidade proposto será definido
como:
Q =
4 σxy x y
(σ2
x + σ2
y)[(x)2 + (y)2]
Os valores assumidos por Q variam no intervalo [−1, 1]
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

16. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Detalhamento do Novo Índice de Qualidade
Q =
4 σxy x y
(σ2
x + σ2
y )[(x)2 + (y)2]
x = 1
N
N
i=1
xi y = 1
N
N
i=1
yi
σ2
x = 1
N−1
N
i=1
(xi − x)2
σ2
y = 1
N−1
N
i=1
(yi − y)2
σxy = 1
N−1
N
i=1
(xi − x)(yi − y)
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

17. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Os Três Fatores que Compõem o Índice
Q =
4 σxy x y
(σ2
x + σ2
y)[(x)2 + (y)2]
O novo índice de qualidade pode ser reescrito como o
produto de três fatores ou componentes:
Q =
σxy
σxσy
·
2 x y
(x)2 + (y)2
·
2 σxσy
σ2
x + σ2
y
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

18. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Entendendo Melhor a Composição de Fatores.
Q =
σxy
σxσy
·
2 x y
(x)2 + (y)2
·
2 σxσy
σ2
x + σ2
y
σxy
σx σy
=⇒ Coeficiente de correlação entre x e y.
2 x y
(x)2 + (y)2
=⇒ Coeficiente de luminância entre x e y.
2 σx σy
σ2
x + σ2
y
=⇒ Coeficiente de constraste entre x e y.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

19. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro de Avaliação dos Fatores.
Q =
σxy
σxσy
·
2 x y
(x)2 + (y)2
·
2 σxσy
σ2
x + σ2
y
Fator Intervalo Melhor Caso
Coeficiente de Correlação [−1, 1] yi = axi + b, ∀ i = 1, 2, . . . , N
Coeficiente de Luminância [0, 1] x = y
Coeficiente de Contraste [0, 1] σx = σy
Tabela: Quadro comparativo entre os fatores que compõem o índice.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

20. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Finalmente... Como Funciona o Algoritmo?
Usando a abordagem de janelas deslizantes!
Começamos pelo canto superior esquerdo da imagem
com uma janela deslizante de tamanho B × B.
Movemos a janela pixel a pixel, de maneira horizontal e
vertical através de todas as linhas e colunas da imagem
até alcançar o canto inferior da mesma.
A cada passo computamos o índice de qualidade local
Qj levando em consideração apenas os valores internos
da janela.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

21. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Ilustrando...
Passo 1
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

22. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Ilustrando...
Passo 2
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

23. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Ilustrando...
Passo 3
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

24. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Ilustrando...
Passo 20
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

25. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Ilustrando...
Passo 21
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

26. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Ilustrando...
J-ésimo
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

27. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Ao Final do Processo...
Ao término do processo:
Teremos executado um total de M passos.
O índice de qualidade global da imagem será dado por:
Q =
1
M
M
j=1
Qj
E além disso teremos acesso ao mapa de índices de
qualidade da imagem.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

28. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Mapa de Índices de Qualidade
Admitindo um bloco de avaliação de dimensão B × B:
Map.Width = Image.Width - B + 1
Map.Height = Image.Height - B + 1
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

29. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Fluxograma - Obtenção do Índice de Qualidade
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

30. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Exemplo - Obtido Através da Plataforma R
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

31. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Mapas - Obtidos Através da Plataforma R
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

32. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Índices - Obtidos Através da Plataforma R.
Índices Relativos ao Exemplo Anterior.
Índice Valor Encontrado
Universal Image Quality Index (UIQI) 0.60898
Mean Squared Error (MSE) 81.3293
Normalized Root Mean Squared Error (NRMSE) 0.00469
Peak Signal-To-Noise Ratio (PSNR) 29.0283
Tabela: Quadro com os índices encontrados utilizando a plataforma R
para a imagem “Lena”, 512x512, 8bits/pixel. Observe que um simples
desfoque gaussiano levemente aplicado faz com que o PSNR atinja o
limiar de qualidade que é dito como bastante aceitável quando seu valor
se encontra acima de 36dB e mediano entre 30dB e 36dB.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

33. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Codificação da Função Média em R
Exibindo a função que computa a média dos
blocos original e de teste.
x = 1
N
N
i=1
xi y = 1
N
N
i=1
yi
Implementada na Plataforma R.
§ ¤
1 MyMeanFunction <− f u n c t i o n (my . block . or . matrix )
2 {
3 return (mean(my . block . or . matrix ) )
4 }
¦ ¥
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

34. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Codificação da Função Variância em R
Exibindo a função que computa a variância
dos blocos original e de teste.
σ2
x = 1
N−1
N
i=1
(xi − x)2
σ2
y = 1
N−1
N
i=1
(yi − y)2
Implementada na Plataforma R.
§ ¤
1 MySquaredSigmaFunction <− f u n c t i o n (my . block . or . matrix , my . mean . v a l u e )
2 {
3 N <− length (my . block . or . matrix )
4 return ( sum ((my . block . or . matrix − my . mean . v a l u e ) ^2)/ (N − 1) )
5 }
¦ ¥
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

35. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Codificação da Função Covariância em R
Exibindo a função que computa a covariância.
σxy = 1
N−1
N
i=1
(xi − x)(yi − y)
Implementada na Plataforma R.
§ ¤
1 MyDoubleSigmaFunction <− f u n c t i o n ( block . x , mean . x , block . y , mean . y )
2 {
3 # Resgatando o tamanho do bloco , podemos usar o v a l o r de x ou y
4 N <− length ( block . x )
5
6 # Retornando v a l o r
7 return (sum (( block . x − mean . x )*( block . y − mean . y ) ) / (N − 1) )
8 }
¦ ¥
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

36. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Codificação do Índice em R
§ ¤
1 MyUniversalImageQualityIndexPerBlock <− f u n c t i o n (my . block . x , my . block . y )
2 {
3 # Mapeando os v a l o r e s dos b l o c o s x e y para i d e n t i f i c a d o r e s menos verbosos
4 x <− my . block . x
5 y <− my . block . y
6
7 # Mean
8 x_bar <− MyMeanFunction ( x )
9 y_bar <− MyMeanFunction ( y )
10
11 # Covariance
12 double_sigma <− MyDoubleSigmaFunction ( x , x_bar , y , y_bar )
13
14 # Variance
15 squared_sigma_x <− MySquaredSigmaFunction ( x , x_bar )
16 squared_sigma_y <− MySquaredSigmaFunction ( y , y_bar )
17
18 # Numerator
19 numerador <− 4*double_sigma*x_bar*y_bar
20
21 # Denominator
22 denominador <− ( squared_sigma_x + squared_sigma_y )*( x_bar ^2 + y_bar ^2)
23
24 # Index block v a l u e r e t u r n
25 return ( numerador/ denominador )
26 }
¦ ¥
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

37. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Codificação do Mapa em R
§ ¤
1 MyUniversalImageQualityIndexMap <− f u n c t i o n ( o r i g i n a l , te s t , my . block . s i z e = 8)
2 {
3 bs <− my . block . s i z e # Diminuindo a v e r b o s i d a d e
4
5 # Resgatando as tamanhos
6 my . rows <− dim ( o r i g i n a l ) [ 1 ] ; my . c o l s <− dim ( o r i g i n a l ) [ 2 ]
7
8 # Definindo o tamanho do mapa
9 my . map . h <− my . rows − bs + 1; my . map .w <− my . c o l s − bs + 1
10 my . q u a l i t y . map <− matrix (0 , nrow = my . map . h , ncol = my . map .w)
11
12 # Looping que v a r r e a imagem
13 f o r ( i i n 1 : (my . rows − bs + 1) )
14 {
15 f o r ( j i n 1 : (my . c o l s − bs + 1) )
16 {
17 # Resgatando os b l o c o s
18 tmp_ o r i g i n a l <− o r i g i n a l [ i : ( i + bs − 1) , j : ( j + bs − 1) ]
19 tmp_t e s t <− t e s t [ i : ( i + bs − 1) , j : ( j + bs − 1) ]
20
21 # Armazenando r e s u l t a d o do bloco c o r r e n t e .
22 MyQ <− MyUniversalImageQualityIndexPerBlock (tmp_o r i g i n a l , tmp_t e s t )
23 my . q u a l i t y . map [ i , j ] <− i f ( i s . nan (MyQ) ) 1 e l s e MyQ
24 }
25 }
26 return ( my . q u a l i t y . map )
27 }
¦ ¥
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

38. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Alguns Cuidados Devem Ser Tomados!
Devemos prestar atenção ao cálculo das componentes
do Índice de Qualidade!
O que acontece com o índice se o seguinte bloco for
avaliado?














132 132 132 132 132 132 132 132
132 132 132 132 132 132 132 132
132 132 132 132 132 132 132 132
132 132 132 132 132 132 132 132
132 132 132 132 132 132 132 132
132 132 132 132 132 132 132 132
132 132 132 132 132 132 132 132
132 132 132 132 132 132 132 132














Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

39. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro Comparativo.
Estimativas Fornecidas e Encontradas.
Distorção Artigo Encontrado MSEA MSEE
Mean Shift 0.9894 0.98939 225 225.032
Contrast Stretching 0.9372 0.93389 225 225.244
Impulsive Salt-Pepper Noise 0.6494 0.64889 225 225.472
Multiplicative Speckle Noise 0.4408 0.44048 225 225.769
Additive Gaussian Noise 0.3891 0.38898 225 226.283
Blurring 0.3461 0.34302 225 224.741
Jpeg Compression 0.2876 0.28725 215 215.603
Tabela: Quadro comparativo entre os índices fornecidos pelo artigo e
encontrados através de implementação do algoritmo utilizando a
plataforma R para a imagem “Lena”, 512x512, 8bits/pixel. MSEA -
fornecido no artigo. MSEE - encontrado através de implementação.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

40. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro Comparativo - Mean Shift.
Figura: Comparação entre imagens: “Lena”, 512x512, 8 bits/pixel.
Avaliação Utilizando Imagem Original e Mean Shift
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

41. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Comparativo Detalhado - Mean Shift.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

42. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro Comparativo - Contrast Stretching.
Figura: Comparação entre imagens: “Lena”, 512x512, 8 bits/pixel.
Avaliação Utilizando Imagem Original e Contrast Stretching
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

43. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Comparativo Detalhado - Contrast Stretching.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

44. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro Comparativo - Impulsive Salt-Pepper Noise.
Figura: Comparação entre imagens: “Lena”, 512x512, 8 bits/pixel.
Avaliação Utilizando Imagem Original e Salt-Pepper Noise
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

45. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Comparativo Detalhado - Impulsive Salt-Pepper Noise.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

46. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro Comparativo - Multiplicative Speckle Noise.
Figura: Comparação entre imagens: “Lena”, 512x512, 8 bits/pixel.
Avaliação Utilizando Imagem Original e Speckle Noise
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

47. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Comparativo Detalhado - Multiplicative Speckle Noise.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

48. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro Comparativo - Additive Gaussian Noise.
Figura: Comparação entre imagens: “Lena”, 512x512, 8 bits/pixel.
Avaliação Utilizando Imagem Original e Gaussian Noise
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

49. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Comparativo Detalhado - Additive Gaussian Noise.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

50. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro Comparativo - Blurring.
Figura: Comparação entre imagens: “Lena”, 512x512, 8 bits/pixel.
Avaliação Utilizando Imagem Original e Blurring
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

51. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Comparativo Detalhado - Blurring.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

52. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Quadro Comparativo - Jpeg Compression.
Figura: Comparação entre imagens: “Lena”, 512x512, 8 bits/pixel.
Avaliação Utilizando Imagem Original e Jpeg Compression
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

53. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Comparativo Detalhado - Jpeg Compression.
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

54. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Isso é tudo pessoal !!!
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756

55. Universidade Federal do Rio de Janeiro - COPPE / PESC Pós-Graduação em Engenharia de Sistemas e Computação
Agradecimentos
Grato Pela Atenção!
Michel Alves dos Santos - michel.mas@gmail.com
Michel Alves - Laboratório de Computação Gráfica - LCG Introdução ao Processamento Digital de Imagens - COS756