Aula 2 — Operações básicas: negativo, recorte (ROI) e segmentação simples¶

Nesta aula você vai aplicar operações fundamentais de manipulação de imagem (pixel a pixel) que aparecem o tempo todo em Visão Computacional.

Lab02 — Manipulação básica (Notebook)

A ideia é entender o que está acontecendo com os valores dos pixels — sem “pular direto” para funções prontas.

Objetivos de aprendizagem¶

Ao final desta aula, você deve ser capaz de:

1. Implementar negativo (inversão de intensidade) em imagem em tons de cinza e em RGB.
2. Aplicar recorte (crop) para extrair uma ROI usando slicing (img[y1:y2, x1:x2]).
3. Realizar uma segmentação simples baseada em um limiar (threshold) em um canal (ex.: canal G).
4. Explicar limitações de operações “na mão” e por que técnicas mais robustas aparecem na próxima aula.

1) Pré-requisitos mínimos (para não errar “besteira”)¶

1.1 Ordem de indexação (y antes de x)¶

Em NumPy/OpenCV, o acesso é sempre:

• img[y, x] em imagem 2D (tons de cinza)
• img[y, x, c] em imagem 3D (colorida)

1.2 dtype e range (por que 255 aparece sempre)¶

A maioria dos exemplos do notebook usa imagens uint8:

• valores inteiros no intervalo 0..255
• 0 = preto, 255 = branco (em tons de cinza)

2) Parte A — Filtro negativo (inversão)¶

2.1 Intuição¶

O negativo troca “claro ↔ escuro”.

Em uma imagem uint8, a inversão explícita é:

• novo = 255 - antigo

Isso vale para:

• tons de cinza (um valor por pixel)
• RGB (três valores por pixel, um por canal)

2.2 Tons de cinza vs RGB¶

• Em tons de cinza, você inverte um único valor.
• Em RGB, você inverte cada canal.

Exemplo conceitual (um pixel):

• antes: (R,G,B) = (20, 120, 200)
• depois: (235, 135, 55)

2.3 Exercícios do notebook¶

Desafio 1 — Negativo em escala de cinza (0..255)¶

Implemente uma função/trecho que inverte uma imagem em tons de cinza pixel a pixel.

Desafio 2 — Negativo em imagem colorida (RGB)¶

Faça o mesmo para uma imagem colorida, invertendo R, G e B.

3) Parte B — Recorte de imagem (Crop / ROI)¶

3.1 O que é ROI?¶

ROI (Region of Interest) é uma sub-região da imagem que você quer analisar.

Recorte por slicing:

• roi = img[y1:y2, x1:x2]

3.2 Dica prática: sempre cheque o shape¶

Depois do recorte, confira:

• roi.shape == (y2 - y1, x2 - x1) (em tons de cinza)
• roi.shape == (y2 - y1, x2 - x1, 3) (em RGB)

3.3 Exercício do notebook¶

Desafio 3 — “Ajude o sayajin!!”¶

Você deve recortar a região correta da imagem, criando uma ROI que resolve o problema proposto no notebook.

4) Parte C — Segmentação simples por limiar (threshold “na mão”)¶

4.1 Ideia: separar “algo” do fundo¶

Segmentar é criar uma regra do tipo:

• se o pixel satisfaz uma condição → pinta de uma cor (ex.: branco)
• senão → pinta de outra (ex.: preto)

No notebook, aparece uma ideia simples (didática):

• olhar o canal G (img[y, x, 1])
• usar um limiar (ex.: > 170)

4.2 Limitações (importante!)¶

Esse tipo de regra:

• depende muito da iluminação
• falha com sombras/reflexos
• não generaliza bem para outras cenas

Isso é intencional: serve para você entender o mecanismo básico.
Na próxima aula, a segmentação vai ficar mais robusta.

4.3 Exercícios do notebook¶

Desafio 4 — Experimente (aperitivo)¶

Modifique parâmetros e lógica do código para observar:

• como o limiar altera o resultado
• como escolher canal (R/G/B) muda tudo
• como pequenos ajustes “quebram” ou “melhoram” a segmentação

Desafio 5 — Faça o contrário: “fundo sem o drone”¶

A ideia é inverter a regra: - em vez de destacar o “fundo”, tente remover o objeto (ou vice-versa)