Aula 3 — Filtros de Convolução: blur, realce, bordas, limiarização e blending¶

Nesta aula você vai entender (de verdade) o que é um filtro de convolução e por que quase toda pipeline de Visão Computacional começa com alguma forma de suavização, realce ou detecção de bordas.

Lab03 — Filtros de Convolução (Notebook)

A meta aqui não é “decorar kernels”, e sim enxergar o padrão: kernel + varredura + regra local → efeito global na imagem.

Objetivos de aprendizagem¶

Ao final da aula, você deve ser capaz de:

Explicar o processo genérico de filtragem por kernel no domínio espacial.
Diferenciar convolução e correlação (e saber quando isso importa).
Aplicar e comparar filtros de blurring (média, gaussiano).
Aplicar filtros de sharpening (realce) e entender o papel de valores negativos no kernel.
Usar detectores de bordas (Sobel/Laplaciano) e o Canny (com ajuste de limiares).
Aplicar limiarização (threshold) e interpretar seus modos.
Fazer blending (sobreposição) e combinar com filtros.
Processar vídeo frame a frame aplicando convolução em tempo real.

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

1.1 Imagem como matriz (revisão rápida)¶

Imagem em tons de cinza: img.shape == (H, W)
Imagem colorida (OpenCV): img.shape == (H, W, 3) e ordem BGR (não RGB)

OpenCV usa BGR

Se você pegar um kernel “por canal” ou fizer blending de imagens coloridas, lembre que o OpenCV lê como BGR por padrão.

1.2 `dtype` e saturação (uint8)¶

Filtros podem gerar valores negativos ou maiores que 255. Em uint8, isso pode “estourar” e causar resultado estranho.

Regra de ouro para depurar

Durante testes, converta temporariamente para float32, aplique o filtro e normalize ou faça clip antes de voltar para uint8.

2) A ideia central: kernel + vizinhança + soma ponderada¶

Um kernel (ou máscara) é uma pequena matriz (3×3, 5×5, 7×7…) que define como cada pixel será recalculado com base na sua vizinhança.

Intuição:

O kernel “passa por baixo” da imagem.
Em cada posição, você faz uma soma ponderada (produto elemento a elemento + soma).
O resultado vira o novo valor do pixel central.

Convolução vs correlação (o detalhe que confunde)

Correlação: aplica o kernel “como ele é”.
Convolução: aplica o kernel invertido (espelhado).

Na prática, em PDI muitos kernels são simétricos, então o resultado é o mesmo e as bibliotecas costumam implementar o comportamento como correlação.

3) Parte A — Filtros de Blurring (suavização)¶

O que faz: reduz ruído, “alisa” a imagem, diminui detalhes finos.

3.1 Média (box filter)¶

Kernel típico 3×3:

\[ \frac{1}{9} \begin{bmatrix} 1 & 1 & 1\\ 1 & 1 & 1\\ 1 & 1 & 1 \end{bmatrix} \]

Intuição: todo mundo pesa igual.

3.2 Gaussiano¶

Parecido com média, mas o centro pesa mais.

Intuição: suaviza sem “destruir” tanto as bordas quanto o box filter.

Tamanho do kernel importa

Kernel maior → blur mais forte (mais perda de detalhe)
Kernel menor → blur mais leve

#

Em um kernel de suavização “bem comportado”, a soma dos coeficientes deve ser:

3.3 Exercícios do notebook¶

Desafio 1 — Estudo de blurring¶

Escolha uma imagem.
Compare filtros de borramento e varie o tamanho do kernel.
Escreva 2–3 linhas do que você observou (detalhe, ruído, bordas).

4) Parte B — Sharpening (realce)¶

O que faz: enfatiza detalhes e bordas (aumenta contraste local).

Um kernel clássico 3×3 (exemplo):

\[ \begin{bmatrix} 0 & -1 & 0\\ -1 & 5 & -1\\ 0 & -1 & 0 \end{bmatrix} \]

Intuição: você “pune” vizinhos e “recompensa” o centro.

Sharpening amplifica ruído

Se a imagem já tiver ruído, sharpening pode piorar. Muitas pipelines fazem: 1) blur leve → 2) sharpening → 3) pós-processamento

#

Por que kernels de realce costumam ter valores negativos?

4.1 Exercícios do notebook¶

Desafio 2 — Estudo de contraste/realce¶

Escolha uma imagem.
Teste kernels de realce (sharpen) e varie o tamanho do kernel quando aplicável.
Compare: “ficou mais nítido” vs “ficou mais ruidoso”.

5) Parte C — Detecção de bordas e o Canny¶

5.1 Bordas por derivadas (Sobel/Laplaciano)¶

Sobel: aproxima derivadas em X e Y → destaca transições.
Laplaciano: segunda derivada → destaca regiões onde a intensidade muda rápido.

Quase sempre: blur antes de borda

Uma suavização leve antes do detector tende a estabilizar bordas e reduzir falsos positivos por ruído.

5.2 Canny (robusto e muito usado)¶

O Canny é um pipeline:

1) (normalmente) blur 2) gradiente 3) supressão de não-máximos 4) histerese com dois limiares (threshold1, threshold2)

Intuição dos limiares:

threshold2 (alto): bordas “fortes”
threshold1 (baixo): bordas “fracas” que só entram se conectadas a uma forte

#

No Canny, o que tende a acontecer se você diminuir bastante os dois thresholds?

5.3 Exercícios do notebook¶

Desafio 3 — Ajuste de thresholds no Canny¶

Teste diferentes imagens.
Ajuste threshold1 e threshold2.
Procure um “equilíbrio” entre:
detectar bordas reais
evitar ruído e textura irrelevante

6) Parte D — FILTRO DE LIMIARIZAÇÃO (threshold)¶

Limiarização converte tons de cinza em uma imagem binária (ou quase binária), classificando pixels com base em um limiar.

Principais modos do OpenCV (ideia geral):

THRESH_BINARY: acima do limiar → 255; abaixo → 0
THRESH_BINARY_INV: invertido do binary
THRESH_TRUNC: acima → vira o limiar; abaixo mantém
THRESH_TOZERO: abaixo → 0; acima mantém
THRESH_TOZERO_INV: acima → 0; abaixo mantém

Quando usar limiarização?

Objetos bem destacados do fundo (diferença de intensidade clara)
Pré-processamento para contornos, OCR simples, segmentação inicial

#

Qual modo é o mais “clássico” para transformar uma imagem em preto e branco puro (binária)?

7) Parte E — Sobreposição de imagens (blending)¶

O blending combina duas imagens como uma média ponderada:

\[ g(x) = (1-\alpha)\,f_0(x) + \alpha\,f_1(x) \]

α perto de 0 → aparece mais f0
α perto de 1 → aparece mais f1

Pré-condição para blending

As duas imagens precisam ter mesmo tamanho (H×W) e o mesmo número de canais, ou você deve ajustar (resize/crop).

7.1 Exercícios do notebook¶

Desafio 4 — Blending + filtros¶

Faça blending.
Aplique antes ou depois um blur ou realce.
Compare: “blending → filtro” vs “filtro → blending”.

8) Desafio final — Vídeo em tempo real (portfólio)¶

Desafio 5 — Script `.py` que processa vídeo (webcam ou `.mp4`)¶

Você vai construir um script que:

1) captura frames (cv2.VideoCapture) 2) aplica um filtro por convolução em cada frame 3) exibe o resultado em tempo real (cv2.imshow)

Requisitos mínimos

Escolha e implemente pelo menos uma máscara:
bordas (Sobel/Laplaciano)
blur (média/gaussiano)
Explique no código (comentário curto) o efeito da máscara.
Organize o código em funções (responsabilidades claras).

Checklist de qualidade

main() claro
função apply_filter(frame) (ou similar)
tratamento de tecla para sair (q/esc)
se usar webcam: cheque se abriu corretamente