CS Fundamentals Trainer · Guias

Receitas de melhoria de imagem: sombreamento, contraste, nitidez e ruído

Cinco receitas com sintoma, etapas, parâmetros e modos de falha: iluminação irregular (dividir por uma estimativa gaussiana), imagens escuras ou de baixo contraste, fotos macias (máscara de nitidez e seus halos), imagens médicas ruidosas (laplaciano mascarado por gradiente suavizado) e manchas em digitalizações (mediana). Dois exemplos de código executáveis.

9 min de leitura

Conhecer as operações isoladas não é o mesmo que saber consertar uma imagem. Problemas reais pedem duas ou três etapas na ordem certa, com parâmetros ligados ao que há na imagem. Este guia dá cinco receitas. Cada uma tem o sintoma, as etapas, como escolher os números, como conferir o resultado e o que costuma dar errado. Os dois trechos de código foram executados e dão os números citados. Todo parâmetro aqui é um ponto de partida: os valores certos dependem do conteúdo da imagem, do ruído, da resolução e da implementação, então olhe sempre a saída.

Receita 1: iluminação irregular (sombreamento)

Sintoma. Um lado da imagem é mais escuro, por exemplo uma página digitalizada ou uma lâmina de microscópio iluminada de um lado, e medições ou limiares automáticos falham porque o mesmo objeto tem valores de cinza diferentes em lugares diferentes.

Ideia. A iluminação varia devagar, os objetos variam rápido. Um passa-baixa muito forte guarda só a parte lenta, que é uma estimativa do sombreamento. Dividir a imagem por essa estimativa o remove.

Etapas.

  1. Escolha a abertura do gaussiano, σ, a partir do tamanho dos objetos, e depois um tamanho de kernel que contenha uma parte suficiente dele. São dois números diferentes. No exemplo clássico, os quadrados do tabuleiro têm 128 pixels de largura e σ = 128 (igual a um quadrado). O livro-texto usou um kernel 512 × 512, que tem só cerca de 4σ de largura: ele corta o gaussiano em cerca de ±2σ, e isso bastou para apagar os quadrados em uma estimativa suave de sombreamento (um kernel de três vezes o quadrado, 384, era pequeno demais). A regra mais segura é um suporte de ⌈6σ⌉, que é 769 pixels para σ = 128, arredondado para um tamanho ímpar.
  2. Filtre a imagem com ele. O resultado é a estimativa do sombreamento.
  3. Divida a imagem pela estimativa e multiplique pela média da estimativa, para que o brilho geral não mude.
import numpy as np
from scipy import ndimage as ndi

def flat_field(img, feature_px):
    f = img.astype(float)
    est = ndi.gaussian_filter(f, sigma=feature_px, mode="reflect")
    return f / est * est.mean()

Em um tabuleiro sintético 50/150 com quadrados de 32 pixels e uma rampa de sombreamento de 0,5 a 1,0 ao longo da imagem, a média de três faixas verticais de 32 pixels de largura, tomadas nas mesmas linhas, foi 57,0, 74,2 e 94,6 antes e 74,3, 75,0 e 75,4 depois, com feature_px=32.

Parâmetros. σ próximo do tamanho do maior objeto (não do menor) e um suporte de kernel de ⌈6σ⌉ quando você quer o gaussiano completo; um suporte menor, como 4σ, é comum nas bibliotecas (o padrão do SciPy corta em ±4σ, ou seja, cerca de 8σ de largura) e um suporte muito curto distorce a estimativa. O gaussiano separável é essencial aqui: um kernel 512 × 512 custa 256 vezes mais se aplicado diretamente (30 s contra cerca de 2 horas no exemplo do livro-texto), e um 769 × 769 cerca de 385 vezes mais.

Dá errado quando. σ é pequeno demais (a estimativa acompanha os objetos e também os divide), quando a imagem tem objetos uniformes muito grandes (a estimativa os vê como sombreamento) e na borda, se você preencher com zeros (use preenchimento por espelho).

Receita 2: imagem escura ou de baixo contraste

Sintoma. O histograma está apertado em uma ponta ou em uma faixa estreita.

Etapas.

  1. Olhe o histograma primeiro. Uma faixa estreita no meio pede um esticamento de contraste; aperto na ponta escura pede gama abaixo de 1 ou um log; usar toda a faixa mas mal distribuída é trabalho da equalização de histograma.
  2. Aplique a operação pontual. Para o gama, normalize para 0 a 1, eleve à potência e volte à escala: com γ = 0,5, uma entrada de 64 vira 255 × (64/255)^0,5 ≈ 128.
  3. Se regiões diferentes pedem tratamentos diferentes, use equalização local (adaptativa) com limite de contraste.

Escolher entre elas. A equalização global deixa o histograma inteiro plano e pode deixar áreas claras desbotadas ou "superexpostas", pois também estica as pontas que estavam boas. O gama mantém a forma do histograma e só move os níveis escuros, então o resultado parece mais natural. A abordagem fuzzy baseada em regras (pixels escuros mais escuros, cinzas cinza, claros mais claros) também mantém a forma do histograma, ao preço de mais processamento.

Dá errado quando. A região escura é ruidosa, porque as operações que esticam os níveis escuros (inclinação acima de 1) tornam o ruído ali mais visível; uma operação pontual não distingue ruído de detalhe (veja o guia de processamento pontual versus de vizinhança: remova o ruído primeiro). Também dá errado ao equalizar uma imagem com grandes partes escuras e grandes partes claras: o resultado pode parecer pouco natural, e um gama com expoente escolhido à mão costuma ser melhor.

Receita 3: uma fotografia macia

Sintoma. As bordas estão lá, mas sem mordida, como em uma imagem levemente desfocada ou redimensionada.

Ideia. Máscara de nitidez: borre a imagem, subtraia o borrado para obter a máscara (o detalhe que o borramento removeu) e some k vezes a máscara de volta.

Etapas e os números por trás delas.

  1. Escolha σ para a escala do borramento que você está desfazendo. Um σ maior aguça características mais largas.
  2. Escolha k: 1 é a máscara de nitidez simples, acima de 1 é reforço (highboost), abaixo de 1 é mais suave. Experimente de 0,5 a 2.
  3. Calcule f + k(f − borrada) e corte para a faixa válida.
def unsharp(img, sigma, k):
    f = img.astype(float)
    blur = ndi.gaussian_filter(f, sigma=sigma, mode="reflect")
    return np.clip(f + k * (f - blur), 0, 255)

Confira os halos. Em um degrau de 60 para 160, com σ = 2 e k = 1,5, a saída em torno da borda é 60, 58, 54, 45, 26, 0, 220, 194, 175, 166, 162, 160. A borda agora ultrapassa o limite dos dois lados: o lado escuro cai a 0 (cortado; teria sido negativo) e o lado claro chega a 220. Isso é um halo escuro e claro visível. Reduza k ou σ até o excesso ser pequeno, ou limite o reforço onde o contraste local já é alto.

Dá errado quando. k é grande, a imagem tem ruído (a máscara contém ruído, que é amplificado) ou a imagem é um JPEG com artefatos de bloco (eles também são aguçados). Em fotografias ruidosas, suavize levemente antes, ou use um limiar para que o reforço só valha onde a máscara é maior que o ruído.

Receita 4: uma imagem médica ruidosa com detalhe tênue

Sintoma. Uma cintilografia óssea de corpo inteiro ou um raio X: ampla faixa de intensidades, boa parte escura, ruidosa, com detalhes importantes que são tênues.

Ideia. O laplaciano é o melhor em detalhes finos, mas é muito sensível ao ruído. O gradiente de Sobel é menos sensível ao ruído. Suavize-o e use-o como máscara que mantém o laplaciano só onde há bordas fortes.

Etapas.

  1. Calcule o laplaciano do original (atenção à convenção de sinal).
  2. Calcule o módulo do gradiente de Sobel do original.
  3. Suavize o gradiente com um filtro de caixa 5 × 5. Essa é a máscara.
  4. Multiplique o laplaciano pelo gradiente suavizado, pixel a pixel. As bordas fortes mantêm o detalhe; as áreas planas ruidosas ficam calmas.
  5. Some o produto ao original.
  6. A imagem aguçada tem aproximadamente a mesma faixa dinâmica do original, então termine com uma lei de potência com γ < 1 (0,5 no exemplo) para espalhar os níveis escuros. A equalização de histograma não é boa escolha para imagens cujos histogramas têm componentes escuras e claras separadas.

Dá errado quando. O sinal do laplaciano está errado (as bordas esmaecem), quando a etapa de gama é pulada (o detalhe escuro continua invisível) e quando o gama final é levado longe demais, pois também realça o ruído.

Melhorar a imagem não é diagnosticar. Este pipeline torna a imagem mais fácil de olhar. É um exemplo de técnica, não um método clínico. Nitidez, mascaramento e uma lei de potência podem esconder características reais, exagerar as tênues, criar halos nas bordas e transformar ruído em estruturas que parecem reais. Os parâmetros do exemplo do livro-texto (uma caixa 5 × 5 e γ = 0,5) foram achados por tentativa em uma imagem e não se transferem. Qualquer uso em imagens médicas deve guardar o original, seguir o processamento validado e aprovado da aplicação e deixar a interpretação a leitores qualificados, que olhem também os dados sem processamento.

Receita 5: página digitalizada com manchas

Sintoma. Pontos pretos e brancos sobre um documento digitalizado ou uma imagem, de poucos pixels cada um.

Etapas.

  1. Filtro de mediana com janela 3 × 3. Remove pontos de um ou dois pixels de largura e mantém as bordas do texto. Se os pontos forem maiores, use 5 × 5, mas isso começa a remover traços finos.
  2. Se o texto parecer macio depois da mediana, aplique uma máscara de nitidez leve (σ cerca de 1, k cerca de 1).

Por que não um gaussiano. A média espalha cada mancha em um borrão cinza e também borra o texto. A mediana remove a mancha por completo porque a mancha é um valor atípico na sua janela; ela só sobrevive se mais da metade da janela estiver corrompida.

Dá errado quando. A janela é mais larga que os traços mais finos que você quer manter (eles são removidos) ou as manchas cobrem grande parte da página.

Uma rotina geral para qualquer imagem nova

  1. Olhe a imagem e seu histograma. Dê nome ao problema em uma frase.
  2. Como ponto de partida, corrija primeiro o problema maior e de menor frequência (sombreamento), depois o ruído, depois o tom, depois o detalhe; se seus dados disserem outra coisa, siga os dados.
  3. Escolha os tamanhos a partir da imagem: kernel maior que o que você remove, menor que o que você mantém, e reescalado se a resolução mudar.
  4. Escolha o preenchimento (espelho, a menos que haja motivo).
  5. Confira uma área plana, uma borda e uma área escura na saída, e compare com a entrada lado a lado.
  6. Guarde o original e registre os parâmetros. Um pipeline que você não consegue reproduzir não pode ser melhorado.

Leitura complementar

Pratique este tema: Computer Vision

Mais guias