Trabalho 1

Quantização de imagens

Quantização de imagens é um processo de amostragem das cores de uma imagem digital. Partindo de uma imagem original, deseja-se obter uma imagem similar porém com k cores (ou níveis de cinza), sendo k um valor pré-determinado. No exemplo abaixo, a imagem quantizada (à direita) possui apenas 6 (seis) cores.

Objetivo

O presente trabalho consiste da implementação e documentação de uma estratégia de quantização de imagens. Para este trabalho, você pode implementar um algoritmo novo (pontuação extra considerando a criatividade) ou um algoritmo mencionado conhecido na literatura (pontuação extra considerando nível de dificuldade). Consulte os materiais indicados, utilizem conhecimento de outras áreas (ciência da informação, estatítica, ...), e discuta com o professor.

Submissão

A forma de submissão para este trabalho será na forma de artigo/tutorial web (site, blog, etc.). Você deve se basear no exemplo dado em http://glowingpython.blogspot.com.br/2012/07/color-quantization.html. Observe que no exemplo indicado foi utilizado o algoritmo de k-means para realizar a seleção das cores.

O artigo deve ser postado até às 23h59m do dia 29/11 (Sexta-feira). O trabalho poderá ser feito em duplas (no máximo). Elementos indispensáveis do artigo:

• Cabeçalho: nome dos autores, professor, curso, disciplina, semestre/ano.
• Justificativa: escrever, resumidamente, a importância desse procedimento em PDI.
• Código-fonte: o código deve ser entremeado de explicação, conforme o exemplo citado.
• Resultados: experimentos com 2, 8, 16, ..., 128 cores. Apresentar imagens originais e imagens processadas, juntamente com os respectivos histogramas. Apresentar o gráfico do erro quadrático médio. Utilizar imagem da lena:

>>> import scipy.misc >>> lena = scipy.misc.lena()

• Conclusão: explicar o que foi feito no artigo, justificar eventuais falhas do algoritmo, como pode ser melhorado, trabalhos futuros (caso se aplique).
• Referências

Critérios de avaliação (em pontos)

• Código
  • Comentários [0,5]
  • Legibilidade [0,5]
• Texto
  • Justificativa [0,5]
  • Explicação do algoritmo [1,5].
  • Conclusão [1,0]
  • Referências [0,5]
• Resultados
  • Apresentação das imagens [1,5].
  • Apresentação dos histogramas [1,5].
  • Apresentação do gráfico [1,5].
• Pontuação extra
  • Melhor desempenho (considerando o gráfico de erro) [0,5]
  • Nível de dificuldade da implementação [0,5]
  • Criatividade [0,5]

O histogramas das imagens original e quantizada são apresentados em preto e vermelho, respectivamente, logo abaixo:

Para saber mais:

1. http://en.wikipedia.org/wiki/Color_quantization
2. http://web.cs.wpi.edu/~matt/courses/cs563/talks/color_quant/CQindex.html
3. S.S. Dixit. Quantization of color images for display/printing on limited color output devices. Computer & Graphics, 15 (4) (1991), pp. 561–567.
4. P. Heckbert. Color image quantization for frame buffer display. Computer Graphics, 16 (3) (1982), pp. 297–307
5. Asla Medeiros e Sé, Paulo Cezar Pinto Carvalho; Color quantization by pairwise clustering using a reduced graph. Electronic Notes in Discrete Mathematics, Volume 7, April 2001, Pages 138-141.
6. Yi Xiao, Chi-Sing Leung, Ping-Man Lam, and Tze-Yui Ho. 2012. Self-organizing map-based color palette for high-dynamic range texture compression. Neural Comput. Appl. 21, 4 (June 2012), 639-647.