Aula 1 — Fundamentos de Imagem Digital e Representação em Memória (PDI)¶

Nesta aula você vai consolidar a teoria mínima necessária para executar o notebook prático:

Lab01 — Intro PID

O objetivo não é decorar termos, mas entender como a imagem é representada e o que acontece quando você lê, visualiza e altera pixels.

Como usar este handout¶

Objetivos de aprendizagem¶

Ao final desta aula, você deve ser capaz de:

1. Explicar o que significa uma imagem ser um sinal discreto 2D (amostragem + quantização).
2. Interpretar a estrutura de uma imagem em Python como arrays NumPy (H×W×C).
3. Diferenciar BGR (OpenCV) de RGB (Matplotlib) e evitar visualização “com cores erradas”.
4. Identificar dtype (ex.: uint8) e o range de valores que ele suporta.
5. Aplicar operações simples: tons de cinza, resize/amostragem, leitura de pixel, alteração de pixels.
6. Entender por que varrer imagem com for é lento e quando isso faz sentido.

1) Imagem digital: amostragem e quantização¶

Uma imagem digital pode ser vista como um sinal contínuo (mundo real) convertido em uma estrutura discreta:

• Amostragem (sampling): define quantos pixels teremos (resolução).
• Quantização (quantization): define quantos valores possíveis cada pixel pode assumir.

Em termos práticos:

• Mais resolução ⇒ mais detalhes espaciais, mas maior custo de processamento.
• Mais bits por pixel ⇒ mais níveis de intensidade (ex.: 8 bits ⇒ 256 níveis).

2) Como a imagem aparece no código (NumPy)¶

No notebook, após carregar uma imagem, você verá algo como:

• Imagem em tons de cinza: array 2D
  shape = (H, W)
• Imagem colorida: array 3D
  shape = (H, W, C) com C = 3 (canais)

Interpretação:

• H = número de linhas (altura)
• W = número de colunas (largura)
• C = canais de cor

3) BGR vs RGB: por que as cores “ficam erradas”?¶

• OpenCV (cv2) lê imagens em BGR (Blue, Green, Red).
• Matplotlib (plt.imshow) espera RGB.

Se você fizer:

img = cv2.imread("NATUREZA_1.jpg")
plt.imshow(img)

A correção é converter:

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img_rgb)

4) Tons de cinza: o que muda?¶

Uma imagem em tons de cinza pode ser vista como uma única banda de intensidade.

No OpenCV:

• cv2.imread(path, cv2.IMREAD_GRAYSCALE)
• ou cv2.imread(path, 0)

Na visualização com Matplotlib, use:

plt.imshow(img_gray, cmap="gray")

5) Tipos (dtype) e range: por que isso importa?¶

A maioria das imagens lidas com OpenCV vem como:

• dtype = uint8
• valores no range [0, 255]

Isso tem consequências:

• Ao fazer contas, você pode ter overflow ou clipping se não controlar o tipo.
• Para operações matemáticas (ex.: normalização, filtros, gamma), é comum converter para float32, calcular e depois voltar para uint8 com recorte.

Exemplo de boa prática (ideia geral):

img_f = img.astype("float32") / 255.0
# ... processa ...
img_u8 = (img_f * 255).clip(0, 255).astype("uint8")

6) Amostragem na prática: resize e interpolação¶

No notebook, você usa cv2.resize() para mudar o tamanho:

img2 = cv2.resize(img_rgb, (600, 400), cv2.INTER_LINEAR)

Dois pontos importantes:

1. O tamanho é informado como (largura, altura) — atenção: é o inverso do shape.

2. A interpolação define como os novos pixels são estimados:

3. INTER_NEAREST: rápido, pode “pixelar”

4. INTER_LINEAR: padrão, bom para muitos casos
5. INTER_AREA: geralmente bom para reduzir (downsample)

7) Acessando e alterando pixels¶

Acesso a um pixel (colorido):

(b, g, r) = img_bgr[y, x]

Acesso a um pixel (cinza):

v = img_gray[y, x]

Alterar pixels pode ser feito com for, mas isso é caro:

for y in range(img.shape[0]):
    for x in range(img.shape[1]):
        img[y, x] = (255, 0, 0)

Alternativa profissional: usar operações vetorizadas (NumPy) e máscaras. Você verá isso nas próximas aulas.