Antes de apresentarmos sobre espaços e filtros de cores é necessário entender o que são cores e quais cores nós conseguimos enxergar para melhor entender como representá-las computacionalmente. Nesta primeira parte, serão explicados conceitos básicos sobre frequência de cores.

Caso você queira visualizar os efeitos que filtros de cores podem ter na área de visão computacional, vá para o final deste artigo.

Tudo o que sabemos sobre cores hoje em dia, iniciou em 1660, quando o cientista britânico Isaac Newton descobriu que, ao atravessar um feixe de luz solar num prisma de vidro, o feixe de luz sofria decomposição em uma gama de cores similares às do arco-íris. Newton concluiu que as cores que visualizou, faziam parte da luz solar branca. Logo em seguida, conseguiu demonstrar que, após decompor a luz branca com um prisma, poderia recompor as cores dispersadas com outro prisma invertido obtendo novamente a luz branca. [C] A ilustração da Fig.1, apresenta o espectro de cores produzido neste experimento, dividido em 7 regiões: vermelho, laranja, amarelo, verde, azul, anil, e violeta.

No experimento de Newton, conclui-se, que a cor branca é composta por todas as demais, com o violeta em uma extremidade ao vermelho na outra [GW]. As  cores são formadas, por frequências da radiação eletromagnética e todas estas variações de frequência compõem o espectro eletromagnético conforme ilustrado na Fig. 2.

Por muito tempo, achou-se que a luz era a  única parte conhecida deste espectro, porém ela representa uma parte muito pequena dele. O espectro se estende desde as ondas de baixa frequência, ondas de rádio, até as de maior frequência como as da radiação gama. Todas estas variações de frequências, servem como áreas de aplicação do processamento de imagens.

Uma forma fácil, de compreender a extensão de aplicações de processamento de imagens e possibilidades que um computador consegue enxergar, é categorizar estes espectros como, espectro de luz visível humana, raio x, infravermelho e assim por diante. Porém, ao categorizá-los não devemos esquecer que podemos utilizar mais de uma categoria ao mesmo tempo, como extração de informação.

Espectro visível da luz

Se observarmos a Fig. 2, percebemos que a variedade de cores que enxergamos é muito pequena, comparada a todo o espectro eletromagnético. Os espaços e filtros de cores apresentados a seguir foram criados para representar essa faixa do espectro de luz, também conhecida como espectro de luz visível humano.

Espaço de cores

Um espaço de cor, é uma fórmula/modelo matemática que descrever a cor. Existem vários espaços de cores diferentes, cada um foi pensado para um propósito diferente. Dentre eles os mais conhecidos são o RGB, CMYK, HSV e HSL.

Cores aditivas RGB (Red, Blue e Green)

O espaço de cor RBG, criado por James C Maxwell, e provavelmente o mais conhecido, é uma representação 3D das cores vermelho, azul, e verde, conforme Figura 4. Este espaço é associado a reprodução de cores em dispositivos eletrônicos, como monitor, celulares e TVs.

O RGB é um padrão de cores aditivas, elas são chamadas “aditivas” porque ao serem adicionadas, a soma dessas três cores, resulta na luz branca. Ao combinar apenas duas dessas cores primárias obtemos as cores secundárias: magenta, amarelo e ciano, conforme representado na Figura 3. O ciano é a união do azul com o verde. Já o amarelo, é a mistura do vermelho e do verde. Por fim, o magenta é resultado do azul mais o vermelho. Observer que as cores primarias no sistema aditivo é diferente das cores primarias no sistema subtrativo, visto na próxima seção.

Na Figura 5 outras demonstrações da mistura de cores no sistema aditivo. No cubo à esquerda, notar que o preto é obtido a partir da auxência de todas as cores, e no cubo a direita, a cor branca é o resultado da soma de todas as cores.

Uma consideração, o sistema RGB utilizado em monitores e televisões é o sistema sRGB, existem outros modelos RGB como o Adobe RGB, bastante utilizado na industria de impressão.

Cores Substrativas CMYK

O sistema CMYK CMYK (Cyan, Magenta, Yellow e Black) é utilizado em impressão, pois trabalha com pigmentos. Diferente do modelo aditivo, o sistema subtrativo funciona pela absorção de luz: quanto mais cores são misturadas, menos luz é refletida, ou seja, quanto mais cores diferentes é misturado, menos cor ela ira refletir.

A cor branca, ou tinta branca, no sistema subtrativo, é a cor que menos absorve cores, logo refletindo todas elas. A cor preta, por sua vez, é a que mais absorve cores, não refletindo nenhuma, conforme ilustrado na Figura 6.

No modelo subtrativo, uma tinta vermelha, por exemplo, absorve verde e azul, refletindo apenas o vermelho.

Sistema RYB (Red, Yellow, Blue)

Muito utilizado por artistas, o modelo RYB (Red, Yellow, Blue) define as cores primárias tradicionais ensinadas no ensino básico.

A partir das cores RYB, obtemos o círculo cromático, uma representação, simplificada e em círculo, das cores percebidas pelo olho humano. Esta representação é muito útil para designer, arquitetos, pintores e outras artistas, pois a partir dela, é possível identificar cores complementares e contrastantes, cores contrastante sem perda de harmonia.

No artigo Círculo Cromático: Veja Como Usar e Evite Erros na Escolha das Cores, são apresentados diversos exemplos de combinações de cores utilizando o círculo cromático.

Representação HSV e HSB

HSV é a abreviatura para o sistema de cores formadas pelos componentes Hue (matiz), Saturation (saturação) e Value (valor). O sistema de cor HSV é uma representação cilindrica das cores conforme Figuras 10 e 11.. O HSV também é conhecido como HSB (hue, saturation e brightness — matiz, saturação e brilho, respectivamente) [WK].

A cor, no sistema HSV, é definida conforme descrito abaixo:

• Matiz (tonalidade): Define o tipo de cor, abrangendo todas as cores do espectro, desde o vermelho até o violeta, mais o magenta. Atinge valores de 0 a 360, em algumas aplicações, esse valor é normalizado de 0 a 100% ou entre 0 e 1.
• Saturação: Também chamado de “pureza”. Quanto menor esse valor, mais com tom de cinza aparecerá a imagem. Quanto maior o valor, mais “pura” é a imagem. Atinge valores de 0 a 100% entre 0 e 1.
• Valor (brilho): Define o brilho da cor. Atinge valores de 0 a 100% ou entre 0 e 1.

Este espectro de cor é muito útil no processamento de imagens e visão computacional, pois é mais simples extrair um faixa ou tipo de cor com este modelo.

Representação HSL

HSL é a abreviatura para o sistema de cores formado pelos componentes Hue (matiz), Saturation (saturação) e Lightness (luminosidade). O sistema de cor HSL é uma representação cilíndrica (ou biconica) das cores, semelhante ao HSV, porém com uma forma diferente de representar a variação de brilho.

A cor, no sistema HSL, é definida conforme descrito abaixo:

• Matiz (Hue) -Define o tipo de cor, abrangendo todas as cores do espectro visível, desde o vermelho até o violeta, incluindo o magenta. Seus valores variam de 0 a 360 graus, podendo também ser normalizados entre 0 e 1 ou 0% e 100%.
• Saturação (Saturation) -Representa a intensidade ou pureza da cor. Quanto menor o valor, mais próxima a cor estará de tons de cinza. Quanto maior, mais intensa e “pura” será a cor. Seus valores variam entre 0 e 100% ou entre 0 e 1.
• Luminosidade (Lightness) – Define o grau de iluminação da cor. Diferente do modelo HSV, a luminosidade no HSL varia entre preto, cor pura e branco:
  • 0% representa preto
  • 50% representa a cor em sua intensidade normal
  • 100% representa branco

Esse modelo permite um controle mais intuitivo da iluminação da cor, sendo bastante utilizado em design gráfico e interfaces visuais.

Assim como o HSV, o sistema HSL também é útil no processamento de imagens e visão computacional, especialmente quando se deseja manipular ou analisar cores levando em consideração sua luminosidade de forma mais equilibrada.

RGB para HSV e HSL

O HSV e o HSL são modelos de cores semelhantes, porém distintos. Ambos utilizam representações baseadas em geometrias cilíndricas para organizar as cores, facilitando sua interpretação e manipulação. No entanto, eles diferem na forma como essa geometria é construída.
O modelo HSV é baseado no chamado “hexcone” (um cone hexagonal), enquanto o modelo HSL é baseado em um “bi-hexcone” (duplo cone hexagonal), o que resulta em diferentes formas de representar o brilho e a intensidade das cores.
Na Figura 12, é possível observar as diferenças entre essas duas representações cilíndricas. A ilustração apresenta:

• A estrutura geométrica de cada modelo (HSV e HSL);
• A visualização das cores quando a saturação está em 100%, evidenciando apenas cores puras;
• A visualização das cores quando luminosidade (no HSL) ou valor/brilho (no HSV) estão em 100%, mostrando como cada modelo trata regiões mais claras;
• Cortes verticais no cilindro para valores de matiz em 0° e 180°, permitindo observar como as cores se distribuem internamente em cada modelo.

Essas diferenças estruturais influenciam diretamente na forma como as cores são ajustadas e percebidas em cada sistema, especialmente em aplicações de design gráfico e processamento de imagens.

Nos Vídeos 1 e 2, abaixo, são demonstrados como são realizados as conversões de um cubo RGB para as representações HSV/HSV e HSL.

Na Figura 13, ilustração da fórmula base para conversão entre estas representações. Ná página HSL and HSV da Wikipédia, contém a explanação completa destes cálculos.

Filtros

A seguir, serão apresentados alguns filtros locais (ou espaciais), com o objetivo de demonstrar como, por meio de operações simples, é possível extrair regiões específicas de uma imagem ou isolar determinados tipos de objetos.

Os filtros apresentados aqui são considerados os mais básicos no processamento de imagens. Eles funcionam analisando individualmente o valor de cada pixel da imagem de entrada e, com base em determinados critérios, geram uma nova imagem contendo apenas as informações de interesse.

Esse processo permite destacar características específicas da imagem original, como cores, bordas ou regiões específicas, facilitando etapas posteriores de análise. O funcionamento geral desse tipo de filtro pode ser observado de forma ilustrativa na Figura 14.

Filtro de cor HSV.

No experimento apresentado no Vídeo 3, é possível observar como a aplicação simples de um filtro baseado em uma faixa de cores permite extrair objetos ou regiões de interesse de uma imagem.

Nesse experimento, são extraídas seis regiões distintas. Cada uma dessas regiões corresponde a uma faixa de cor específica, permitindo a separação dos elementos da imagem com base em suas cores. As faixas utilizadas representam as seguintes cores: vermelho, amarelo, verde, azul, roxo e ciano.

No caso apresentado no Vídeo 3, o objetivo principal é extrair as regiões da imagem que contêm morangos. Para isso, é aplicado um filtro correspondente à faixa de cor vermelha, permitindo isolar esses elementos do restante da imagem de entrada.

É importante observar que, para isolar completamente os morangos, foram utilizadas duas faixas de cor vermelha. Isso ocorre porque, na representação HSV, a cor vermelha está localizada tanto no início quanto no final do intervalo de matiz, devido à natureza cíclica dessa representação.

Apesar de sua simplicidade, esse tipo de filtro pode ser utilizado de forma eficiente em ambientes controlados como um primeiro estágio de detecção de objetos. Isso se deve ao seu baixo custo computacional, o que permite seu uso em conjunto com métodos mais avançados, como algoritmos de inteligência artificial, formando uma abordagem encadeada de processamento.

Filtro de cor NDVI

Uma outra forma de extrair informações de uma imagem utilizando apenas filtros de cores é por meio da comparação da diferença, ou distância, entre duas ou mais bandas de cor em cada pixel. Esse tipo de abordagem permite extrair informações relevantes, como a presença de água, a saúde da vegetação, entre outras características específicas da cena.

O Índice de Vegetação por Diferença Normalizada (NDVI) é um exemplo desse tipo de técnica. Ele consiste em um indicador simples que representa a quantidade de biomassa fotossinteticamente ativa, ou seja, fornece uma estimativa da saúde da vegetação. Em termos mais intuitivos, o NDVI mede o estado das plantas com base em como elas refletem e absorvem a luz em diferentes frequências do espectro eletromagnético.

De forma simplificada, plantas saudáveis tendem a absorver mais luz na faixa do vermelho visível e refletir mais luz na faixa do infravermelho próximo. Já superfícies não vegetais apresentam comportamentos diferentes nessas faixas.

O NDVI funciona justamente comparando essas duas respostas espectrais, utilizando a seguinte fórmula:

Fórmula: NDVI = (Infravermelho Próximo - Vermelho) / (Infravermelho Próximo + Vermelho)

O resultado desse cálculo é um valor normalizado que varia tipicamente entre -1 e 1, permitindo diferenciar diferentes tipos de cobertura do solo.

Observe a imagem à esquerda da Figura 14: ela foi gerada a partir do cálculo do NDVI, utilizando a diferença entre dois canais de cor — o vermelho e o infravermelho próximo. Nessa representação, elementos como troncos de árvores, grama seca e rochas apresentam valores baixos de NDVI, pois não realizam fotossíntese. Em contrapartida, áreas com vegetação saudável apresentam valores elevados de NDVI, destacando-se claramente na imagem.

Mais sobre NDVI e outros Índices você pode ler em NDVI e NDWI – Índice de Vegetação e Índice de Água, e em Experimento – NDVI e NDWI com o Google Earth Engine um exemplo de como detectar água e vegetação saudável utilizando o Google Maps, utilizando apenas filtros de cores.

Outros índices

Existem diversos outros índices, capazes de diferenciar nuvens de neve, queimadas, entre outros como:

• Índice de Diferença Normalizada da Água (NDWI)
• Índice De Queima Por Razão Normalizada (NBR), Índice De Clorofila Verde (GCI);
• Índice De Neve de Diferença Normalizada (NDSI);
• Índice De Clorofila de Borda Vermelha (RECl);
• Índice De Vegetação Ajustado ao Solo Modificado (MSAVI);
• Índice De Vegetação da Diferença De Verde Normalizado (GNDVI);
• Índice De Vegetação Ajustado ao Solo (SAVI);
• Índice De Vegetação Resistente À Atmosfera (ARVI);
• Índice De RedEdge por Diferença Normalizada (NDRE);

melhores detalhados no artigo Indices de Vegetação da Earth Observation System.

Comentários finais

Uma das melhores formas de entender melhor os efeitos destes filtro é testando operações e funções que alteram a imagem, pois uma mesma operações pode produzir diversos efeitos diferentes dependendo da imagem utilizada.

Referências:

[C] CALDAS, J. Museu Interativo da Física da UFPA: Ação educativa com ênfase em divulgação e popularização da História e da Filosofia da Ciência para o ensino de Física. 2015. Trabalho de Conclusão de Curso. Faculdade de Física. Universidade Federal do Pará, Belém, 2015.

[GW] GONZALEZ, R. C., WOODS, R. E. Processamento de Imagens Digitais.
Editora Edgard Blucher, ISBN 978-85-8143-586-2, 3 ed., São Paulo, 2010

[GKPB] CMYK, RGB e RYB: conheça os diferentes sistemas de cores primárias. Acessado 12 de agosto de 2024.

[GC] Gerenciamento de cor. Cores – sistema aditivo e substrativo. Acessado em 12/08/2024.

[WK] Wikipédia . HSV. Acessado em 29/08/2024.

[WK2] Wikipédia. HSL and HSV. Acessado em 30/08/2024.

[EOS-2] Earth Observation System, Índice De Água De Diferença Normalizada. Acessado em 18 fev 2024.

The post Espaço e Filtros de Cores HSV, RGB, CMYK, HSB, HSL e RYB appeared first on Visão Computacional.