Fundamentos de Dot Pitch e Visão Computacional
Dot Pitch
Outra característica importante é o tamanho do ponto (Dot Pitch), que pode ser apresentado na tela (pixel). Sendo assim, quanto menor o tamanho da tela, menor deverá ser o dot pitch.
Fórmula: dot pitch = ndh / horiz_res
Exemplo: Num monitor de 14", o comprimento horizontal de sua área útil era de 253 mm. Logo, seu dot pitch em 640 x 480 será: 253 / 640 = 0,39 mm.
Conceitos Importantes
- Amostragem da imagem (sampling): Número de pontos amostrados de uma imagem digitalizada.
- Quantização de pixels (quantization): Quantidade de níveis de tons que pode ser atribuído a cada ponto digitalizado.
As imagens reais possuem um número ilimitado de cores ou tons. No processamento computacional, é necessário limitar esses valores. Quanto mais níveis tonais, mais próxima da imagem real a representação ficará. Também é necessário definir a resolução (quantidade de pontos): quanto maior, mais detalhada será a imagem, porém maior será o espaço de armazenamento. No processo de digitalização, ocorrem distorções conhecidas como aliasing.
Visão Computacional
A Visão Computacional (VC) é dividida basicamente em seis etapas sequenciais:
- Aquisição / Digitalização
- Restauração / Realce
- Segmentação
- Extração de atributos / características
- Classificação / Reconhecimento
- Decisão
1. Aquisição de Imagens
Uma cena real tridimensional é convertida para uma imagem eletrônica bidimensional. O dispositivo utilizado atualmente é a câmera CCD (Charge Couple Device), que possui uma matriz de células semicondutoras fotossensíveis que atuam como capacitores, armazenando carga elétrica proporcional à energia luminosa incidente. Para obter imagens coloridas, utilizam-se prismas e filtros que decompõem a imagem no padrão RGB.
2. Restauração e Realce
O realce destaca detalhes de interesse ou corrige deteriorações. Técnicas de restauração buscam compensar deficiências geradas na aquisição ou transmissão, utilizando modelos matemáticos para reverter deformações como falta de contraste, erros de foco ou borrões por movimento.
3. Segmentação
Técnicas que isolam regiões de pixels pertencentes a objetos. A operação mais simples é a limiarização (thresholding), que separa o objeto do fundo com base em um "tom de corte". Para funcionar, é necessário que o objeto e o fundo possuam contraste suficiente.
4. Extração de Atributos de Características
Após a segmentação, obtêm-se dados relevantes dos objetos:
- Dimensões: Área, perímetro, centro de gravidade, larguras, etc.
- Geometria: Circularidade, retilinidade, concavidade, etc.
- Luminosidade e Textura: Cores e níveis de intensidade média.
5. Classificação e Reconhecimento
Consiste em distinguir objetos agrupando-os por semelhança. O processo ocorre em dois momentos: primeiro, extraem-se características para agrupar objetos em classes; segundo, novos objetos são comparados com essas classes estabelecidas. O processo pode ser supervisionado ou não.
6. Decisão
O objetivo final da VC é tomar decisões baseadas na extração de informações. Muitas vezes, isso exige a confrontação de dados com bancos de dados (BDs) de imagens. A Descoberta de Conhecimento em BDs (DCBD) identifica padrões úteis, e a mineração de dados seleciona os métodos para localizar essas informações relevantes para a tomada de decisão.