A redução de dimensionalidade é um processo que busca diminuir a complexidade de um conjunto de dados e ao mesmo tempo preservar informações importantes. No caso de imagens, elas carregam diversas informações, como sua resolução, formato e pixels. Imagens coloridas são formadas por combinações de pixels com valores RGB (Red, Green, Blue), cada um variando de 0 a 255. Porém, para certas tarefas, esse nível de detalhamento não é necessário. Imagens em níveis de cinza por exemplo, carregam menos informações e geram um menor custo computacional. Por esse motivo, nesse projeto será analisado como reduzir os canais de cores de uma imagem para alcançar uma maior eficiência em projetos de Machine Learning e Análise de Dados.
- Descobrir como reduzir a dimensionalidade de imagens usando a biblioteca Pillow e a linguagem Python
- Implementar um programa para manipular a cor de imagens e analisar o seu funcionamento
- Redução_dimensionalidade.ipynb: Jupyter notebook com o código utilizado e explicações
- Imagens dos resultados: Imagem original, imagem em níveis de cinza e imagem binária
- Linguagem: Python 3.x
- Bibliotecas: pillow 11.3.0 (
pip install pillow)
- Importações
Com a biblioteca Pillow instalada, a importamos juntamente com o nosso sistema operacional (será usado mais adiante).
- Carregar a imagem
Usando o caminho da nossa imagem como argumento, essa função carrega a imagem e a converte para RGB. Essa normalização é importante porque formatos diferentes de imagens podem usar modelos de cor diferentes (PNG usa RGBA, por exemplo). Se houver erro no carregamento a função irá exibir um erro.
- Converter imagem colorida para níveis de cinza
Aqui nós iremos reduzir os canais RGB para um único canal de cor: cinza (0 a 255). Desse modo a imagem se torna mais simples e fácil de ser processada. Para fazer isso poderíamos simplesmente usar o método .convert() do Pillow, mas para fins didáticos eu irei demonstrar o funcionamento de um método como esse passo a passo. A função abaixo percorre cada pixel individualmente, pegando o seu valor RGB e aplicando uma fórmula especial para definir o novo valor de cada pixel. Essa é a fórmula da Luminância Ponderada, a mesma usada pelo Pillow com.convert().
- Converter imagem cinza para binária (preto e branco)
Usando um processo similar, iremos converter a nossa imagem em níveis de cinza para binário: preto e branco. Esta função novamente irá percorrer toda a imagem para obter o valor de cada pixel. Dependendo se um pixel específico estiver acima ou abaixo de um ponto de corte (chamado de limiar, 128 no nosso caso), a função tornará esse pixel totalmente branco (255) ou preto (0).
- Função principal e execução do programa
Por fim, este último bloco de código será responsável por chamar cada uma das funções criadas anteriormente em ordem, e realizar as conversões de cor na nossa imagem.
Esta mensagem de output ilustra o fluxo seguido pelo nosso programa:
Imagens geradas:
Figura: Imagem colorida (RGB), em níveis de cinza (0 a 255) e preto e branca (0 e 255).
Este projeto demonstrou uma implementação prática de técnicas de redução de dimensionalidade para imagens, com foco nos fundamentos por trás de tarefas comuns de pré-processamento. Em vez de usar bibliotecas avançadas como a OpenCV, foi priorizada a implementação manual das funções em Python. Essa decisão tornou possível obter um maior entendimento de como esses processos de manipulação de imagens funcionam. As técnicas exploradas são cruciais para sistemas de visão computacional. Elas servem como base para tarefas como detecção de bordas, segmentação de objetos e a otimização de datasets para o treinamento de redes neurais.
Estou aberto a novas conexões e críticas construtivas! Você pode me encontrar em: