Conteúdo do Curso

Fundamentos de Visão Computacional

1. Introdução à Visão Computacional

O Que É Visão Computacional?Fundamentos do Processamento de Imagens Álgebra Linear para Manipulação de Imagens

2. Processamento de Imagens com OpenCV

Transformações Básicas Transformada de Fourier Filtros Passa-Baixa e Passa-Alta Redução de Ruído e Suavização Equalização de Histograma Técnicas de Super-Resolução Detecção de Bordas Detecção de Cantos e Blobs

3. Redes Neurais Convolucionais

Introdução às Redes Neurais Convolucionais Camadas de Convolução Camadas de Pooling Achatamento Funções de Ativação Visão Geral dos Principais Modelos de CNN Desafio: Construindo uma CNN

4. Detecção de Objetos

Localização de Objetos Detecção de Objetos Previsões de Caixas Delimitadoras Interseção Sobre União (IoU) e Métricas de Avaliação Supressão Não Máxima (NMS)Caixas Âncora Visão Geral do Modelo YOLO Desafio: Detecção de Objetos com Modelo Personalizado e YOLO

5. Visão Geral de Tópicos Avançados

Aprendizado por Transferência em Visão Computacional Visão Geral do Reconhecimento Facial Visão Geral da Geração de Imagens

Fundamentos do Processamento de Imagens

Modelos de Cor

Computadores armazenam e exibem imagens usando pixels, que são pequenos quadrados que compõem uma imagem. Cada pixel contém informações de cor e, ao reunir milhões deles, obtém-se uma imagem nítida. A forma como as cores são representadas depende de diferentes modelos de cor:

• Escala de cinza: em vez de cor, este modelo utiliza diferentes tons de cinza (de 0 a 255), do branco ao preto. É frequentemente utilizado em fotografia em preto e branco ou em imagens médicas;

• RGB (vermelho, verde, azul): o modelo mais comum, utilizado em telas e câmeras. Combina diferentes níveis de 0 a 255 de luz vermelha, verde e azul para criar todas as cores possíveis, permitindo um total de mais de 16 milhões (256 × 256 × 256) de cores distintas;

• HSV (matiz, saturação, valor): um modelo que representa a cor de forma mais próxima à percepção humana. Divide as cores em seu tipo (matiz, de 0˚ a 360˚), intensidade (saturação, de 0% a 100%) e brilho (valor, de 0% a 100%).

Imagens Vetoriais vs. Imagens Rasterizadas

Ao trabalhar com imagens, é importante compreender os dois principais tipos: imagens rasterizadas e imagens vetoriais. Cada uma possui sua própria forma de armazenar dados visuais e é utilizada para finalidades distintas.

Imagens Rasterizadas (Baseadas em Pixels)

Imagens rasterizadas são compostas por pequenos quadrados chamados pixels, organizados em uma grade. Cada pixel possui um valor de cor e, juntos, formam a imagem completa. Imagens rasterizadas são comumente usadas em fotografia e exibições digitais, pois capturam detalhes e cores com precisão.

• Formatos comuns: JPEG, PNG, BMP, TIFF;

• Vantagens: riqueza de detalhes e profundidade de cor;

• Desvantagens: perdem qualidade ao serem redimensionadas (pixelização).

Imagens Vetoriais (Formas Matemáticas)

Imagens vetoriais, por outro lado, não são compostas por pixels, mas por equações matemáticas que definem linhas, curvas e formas. Por esse motivo, podem ser redimensionadas infinitamente sem perda de qualidade. Essas imagens são ideais para logotipos, ícones e ilustrações.

• Formatos comuns: SVG, EPS, PDF;

• Vantagens: escaláveis sem perda de nitidez;

• Desvantagens: não são adequadas para fotos detalhadas.

Cada formato atende a um propósito diferente, seja para economizar espaço, preservar qualidade ou suportar efeitos especiais como transparência. Compreender como as imagens são armazenadas e representadas auxilia na escolha do formato adequado para cada tarefa.