🖼️ Aula 05 — Representação Digital da Informação, Dados Matriciais e Imagens

Navegação Rápida

📍 Disciplina: 02 Pensamento Computacional | 🗺️ Área: 06 Computação e Telecomunicações | 🏠 Hub Principal ⬅️ Aula Anterior: Aula 04 - Projeto de Algoritmos e Big-O | ➡️ Próxima Aula: Aula 06 - Aplicações em Engenharia Elétrica

---

📌 Sumário da Aula

1. 🧠 1. Fundamentos da Digitalização: Amostragem e Quantização
2. 📐 2. Estrutura Matricial e Modelos Cromáticos (RGB, CMYK, YCbCr)
3. 🔍 3. Processamento Digital de Imagens: Convolução e Detecção de Bordas
4. 🔥 4. Termografia Infravermelha em Subestações e Detecção de Hotspots
5. 📊 5. Diagrama de Dados Matriciais e Processamento de Termografia
6. 📝 6. Questões de Concursos e Problemas Avançados Resolvidos
7. 🔗 7. Conexões e Referências Cruzadas

---

🧠 1. Fundamentos da Digitalização: Amostragem e Quantização

No mundo físico, imagens e padrões ópticos são distribuições bidimensionais contínuas de irradiância eletromagnética $f(x,y)\in {\mathbb{R}}^{+}$, onde $(x,y)$ denotam coordenadas espaciais euclidianas no plano focal do sensor e $f$ representa a intensidade de energia radiante incidente.

Para que essa informação possa ser armazenada, manipulada e interpretada por agentes computacionais, ela deve ser convertida para o domínio discreto mediante duas operações ortogonais:

flowchart LR
    SinalContinuo["Cena Óptica Contínua<br/>f(x, y) no Espaço R²"] --> Amostragem["1. Amostragem Espacial (Sampling)<br/>Discretização das coordenadas (x, y)<br/>Gera Grade Retangular de M × N Pixels"]
    Amostragem --> Quantizacao["2. Quantização Radiométrica<br/>Discretização da amplitude contínua de luz<br/>L = 2^b níveis discretos de cinza"]
    Quantizacao --> MatrizDigital["Matriz Numérica Digital<br/>I[r, c] ∈ {0, 1, ..., L-1}"]

1.1 Amostragem Espacial (Sampling)

Consiste em discretizar o plano contínuo em uma malha regular com intervalos espaciais $\Delta x$ e $\Delta y$. Cada elemento elementar resultante da partição geométrica é denominado pixel (picture element). Pelo Teorema de Nyquist-Shannon Bidimensional, para reconstruir perfeitamente detalhes de uma cena que contenha frequências espaciais máximas $(u_{\text{maˊx}},v_{\text{maˊx}})$ expressas em ciclos por milímetro, as frequências de amostragem devem satisfazer:

$f_{s,x}=\frac{1}{\Delta x}\ge 2u_{\text{maˊx}},f_{s,y}=\frac{1}{\Delta y}\ge 2v_{\text{maˊx}}$

Se essa condição for violada, surge o fenômeno de serrilhamento espacial (aliasing), gerando padrões espúrios de Moiré em isoladores de linha ou condutores de alta tensão.

1.2 Quantização Radiométrica (Quantization)

Consiste em mapear o valor contínuo de irradiância óptica em cada pixel para um conjunto finito de $L$ níveis discretos de intensidade. Utilizando uma codificação binária de $b$ bits por pixel:

$L=2^b$

Para uma imagem monocromática de $b=8\text{ bits}$, os níveis de intensidade variam no intervalo discreto: $I(r,c)\in [0,255]$ Onde $0$ representa a ausência total de irradiância (preto absoluto) e $255$ representa a saturação máxima do sensor óptico (branco puro).

---

📐 2. Estrutura Matricial e Modelos Cromáticos (RGB, CMYK, YCbCr)

2.1 Representação Matricial e Cálculo de Tamanho de Memória

Uma imagem monocromática digital é formalizada como uma matriz bidimensional $\mathbf{I}\in {\mathcal{M}}_{M\times N}(\mathbb{Z})$ de $M$ linhas (altura) por $N$ colunas (largura):

$\mathbf{I}=\left[\begin{array}{cccc}I(0,0)& I(0,1)& \cdots & I(0,N-1)\\ I(1,0)& I(1,1)& \cdots & I(1,N-1)\\ ⋮& ⋮& \ddots & ⋮\\ I(M-1,0)& I(M-1,1)& \cdots & I(M-1,N-1)\end{array}\right]$

O volume total de dados brutos não compactados (raw bitmap) em bytes ($S_{\text{bytes}}$) para uma imagem contendo $N_{\text{canais}}$ e profundidade de cor de $b$ bits por canal é dado por:

$\boxed{S_{\text{bytes}}=M\times N\times N_{\text{canais}}\times \frac{b}{8}}$

2.2 Modelos Cromáticos

1. Modelo Aditivo RGB (Red, Green, Blue): Utilizado em sensores eletrônicos (câmeras CMOS/CCD) e monitores de vídeo. Cada pixel é um vetor tridimensional no espaço $[0,255{]}^3$: $\mathbf{p}(r,c)=[R(r,c),G(r,c),B(r,c){]}^T$ Com 8 bits por canal, obtém-se o padrão True Color de 24 bits, totalizando $2^{24}=16777216$ cores distintas possíveis.

2. Modelo Subtrativo CMYK (Cyan, Magenta, Yellow, Black): Baseado na reflexão e absorção seletiva da luz incidente em superfícies físicas, adotado na impressão de pranchas de engenharia e diagramas unifilares.

3. Conversão Fotométrica para Escala de Cinza (Luminância $Y$): O olho humano possui sensibilidade espectral altamente desigual aos três comprimentos de onda básicos (devido à maior concentração de cones do tipo M e L na fóvea). A conversão padronizada pela norma ITU-R BT.601 para calcular a luminância percebida $Y$ utiliza uma média ponderada estrita:

   $\boxed{Y=0,299\cdot R+0,587\cdot G+0,114\cdot B}$

A maior sensibilidade recai sobre o componente verde ($58,7\%$), seguido pelo vermelho ($29,9\%$), com o azul contribuindo com apenas $11,4\%$.

---

🔍 3. Processamento Digital de Imagens: Convolução e Detecção de Bordas

3.1 Convolução Espacial Bidimensional Discreta

A operação fundamental de filtragem espacial no domínio da imagem consiste na aplicação de uma máscara ou núcleo matricial (kernel) $h(s,t)$ de dimensões ímpares $(2a+1)\times (2b+1)$, como $3\times 3$ ou $5\times 5$:

$g(x,y)=f(x,y)\ast h(x,y)={\sum }_{s=-a}^a{\sum }_{t=-b}^{b}h(s,t)\cdot f(x-s,y-t)$

• Filtro de Média (Passa-Baixas): Suaviza ruído gaussiano de alta frequência espalhando a energia entre vizinhos: ${\mathbf{H}}_{\text{meˊdia}}=\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$

3.2 Detecção de Bordas por Operadores Diferenciais de Sobel

Em inspeções automatizadas por drones em linhas de transmissão, trincas em isoladores de vidro ou porcelana caracterizam-se por descontinuidades locais abruptas na função de intensidade luminosa $f(x,y)$.

O gradiente espacial de uma imagem contínua é o vetor: $\nabla f=\left[\begin{array}{c}\frac{\partial f}{\partial x}\\ \frac{\partial f}{\partial y}\end{array}\right]$

No domínio discreto, o gradiente é aproximado pelos operadores convolucionais de Sobel em máscaras $3\times 3$:

${\mathbf{S}}_x=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right],{\mathbf{S}}_y=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ +1& +2& +1\end{array}\right]$

A magnitude do gradiente $|G|$ e a direção da descontinuidade $\theta$ em cada pixel são dadas por:

$\boxed{|G(x,y)|=\sqrt{G_x(x,y{)}^2+G_y(x,y{)}^2}\approx |G_x|+|G_y|}$ $\theta (x,y)=\arctan \left(\frac{G_y(x,y)}{G_x(x,y)}\right)$

Pixels onde $|G(x,y)|>\text{Threshold}$ indicam as fronteiras estruturais e fissuras do equipamento elétrico.

---

🔥 4. Termografia Infravermelha em Subestações e Detecção de Hotspots

4.1 Radiação de Corpo Negro e Lei de Stefan-Boltzmann

Todos os corpos físicos com temperatura termodinâmica acima do zero absoluto ($T>0\text{ K}$) emitem radiação eletromagnética na faixa do infravermelho termal ($7,5\text{ a }14\mu \text{m}$).

A potência total irradiada por unidade de área superficial $E$ (em ${\text{W/m}}^2$) é governada pela Lei de Stefan-Boltzmann:

$\boxed{E=ϵ\cdot \sigma \cdot T^4}$

Onde:

• $ϵ\in (0,1]$ é a emissividade superficial do material (para barramentos de cobre altamente oxidados, $ϵ\approx 0,85$; para alumínio polido limpo, $ϵ\approx 0,05$);
• $\sigma =5,670374\times 10^{-8}\text{ W}/({\text{m}}^2\cdot {\text{K}}^4)$ é a constante universal de Stefan-Boltzmann;
• $T$ é a temperatura absoluta em Kelvin ($\text{K}{=}^{\circ }\text{C}+273,15$).

4.2 Critérios Normativos de Diagnóstico Térmico (NBR 15572 / IEEE)

Em conexões aparafusadas de barramentos de subestações de alta tensão, o afrouxamento mecânico ou a corrosão galvânica eleva a resistência de contato de transição $R_{\text{contato}}$. Pelo Efeito Joule, a potência dissipada na junção cresce com o quadrado da corrente:

$P_{\text{Joule}}=R_{\text{contato}}\cdot I_{\text{carga}}^2$

A severidade da anomalia térmica é diagnosticada a partir do gradiente de temperatura medido pela matriz radiométrica do termovisor ($\Delta T$ em relação à temperatura ambiente $T_{\text{amb}}$ ou componente homólogo são):

Diferencial Térmico ($\Delta T$)	Classificação de Risco	Ação Recomendada na Manutenção
$\Delta T\le 10^{\circ }\text{C}$	Aquecimento Inicial (Alerta Leve)	Monitorar tendência térmica na próxima rota programada
$10^{\circ }\text{C}<\Delta T\le 35^{\circ }\text{C}$	Deficiência Térmica Moderada	Programar reaperto e limpeza mecânica em parada de rotina
$\Delta T>35^{\circ }\text{C}$	Ponto Quente Crítico (Hotspot)	Intervenção Imediata / Desligamento de Emergência

---

📊 5. Diagrama de Dados Matriciais e Processamento de Termografia

O diagrama técnico abaixo apresenta a estrutura matricial multicanal de imagens digitais, o mecanismo de filtragem convolucional e o diagnóstico termográfico de pontos quentes em subestações:

---

📝 6. Questões de Concursos e Problemas Avançados Resolvidos

Questão 1 (Banca CESPE/CEBRASPE - Perito Criminal Federal / Engenharia Elétrica)

Uma câmera termográfica radiométrica instalada em um robô autônomo de inspeção de subestações captura imagens térmicas com resolução espacial de $640\times 480\text{ pixels}$. Cada pixel registra a irradiância calibrada em um ponto flutuante de precisão simples (padrão IEEE 754 de 32 bits, equivalente a 4 bytes por pixel). A câmera opera a uma taxa contínua de amostragem de 30 quadros por segundo (fps). Calcule:

1. O volume de dados gerado por um único quadro estático de imagem em kibibytes ($\text{KiB}$).
2. A taxa de transferência de dados bruta contínua gerada pelo sensor em mebibytes por segundo ($\text{MiB/s}$).

Resolução Passo a Passo:

1. Volume de um Quadro Único ($S_{\text{quadro}}$): Número total de pixels por imagem: $N_{\text{pixels}}=640\times 480=307200\text{ pixels}$ Como cada pixel armazena 4 bytes (32 bits): $S_{\text{bytes}}=307200\times 4\text{ bytes}=1228800\text{ bytes}$

   Convertendo para Kibibytes ($1\text{ KiB}=1024\text{ bytes}$): $S_{\text{KiB}}=\frac{1228800}{1024}=1200\text{ KiB}$

2. Taxa de Transferência Contínua ($R$ a 30 fps): $R_{\text{bytes/s}}=S_{\text{bytes}}\times 30=1228800\times 30=36864000\text{ bytes/s}$

   Convertendo para Mebibytes por segundo ($1\text{ MiB}=2^{20}\text{ bytes}=1048576\text{ bytes}$): $R_{\text{MiB/s}}=\frac{36864000}{1048576}\approx 35,156\text{ MiB/s}$

$\boxed{S_{\text{quadro}}=1200\text{ KiB};R\approx 35,16\text{ MiB/s}}$

---

Questão 2 (ENADE / Concurso Público - Furnas Eletrobras)

Um pixel de uma imagem colorida digital em formato RGB possui os seguintes valores discretos de intensidade de cor codificados em 8 bits por canal: $R=200,G=150,B=50$ Calcule o valor exato da intensidade de luminância $Y$ resultante desse pixel quando convertido para escala de cinza conforme o padrão radiométrico oficial ITU-R BT.601.

Resolução Passo a Passo: A fórmula de conversão padronizada de luminância ponderada é dada por: $Y=0,299\cdot R+0,587\cdot G+0,114\cdot B$

Substituindo os valores numéricos dos canais: $Y=(0,299\times 200)+(0,587\times 150)+(0,114\times 50)$

• Parcela do Vermelho: $0,299\times 200=59,8$
• Parcela do Verde: $0,587\times 150=88,05$
• Parcela do Azul: $0,114\times 50=5,7$

Somando as três contribuições: $Y=59,8+88,05+5,7=153,55$

Como os níveis digitais de imagem são inteiros discretos, arredonda-se para o inteiro mais próximo: $\boxed{Y=154}$

Comentário Didático: Observe que, embora o componente vermelho ($R=200$) possuísse maior valor absoluto do que o verde ($G=150$), o componente verde forneceu a maior contribuição individual de luminância ($88,05$ contra $59,8$), refletindo fielmente a fotossensibilidade da visão biológica humana.

---

Questão 3 (Problema Prático de Engenharia - Convolução Discreta de Sobel)

Uma vizinhança $3\times 3$ de pixels de uma imagem de isolador polimérico apresenta os seguintes níveis de cinza: $\mathbf{A}=\left[\begin{array}{ccc}50& 50& 180\\ 50& 50& 180\\ 50& 50& 180\end{array}\right]$ Calcule o gradiente horizontal de Sobel $G_x$ no pixel central através da máscara ${\mathbf{S}}_x=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right]$ e interprete fisicamente o resultado.

Resolução Passo a Passo:

A convolução discreta centrada no elemento central é a soma dos produtos elemento a elemento: $G_x={\sum }_{i=1}^3{\sum }_{j=1}^3{S}_x(i,j)\cdot A(i,j)$

Multiplicando as posições correspondentes:

• Linha 1: $(-1\times 50)+(0\times 50)+(+1\times 180)=-50+0+180=+130$
• Linha 2: $(-2\times 50)+(0\times 50)+(+2\times 180)=-100+0+360=+260$
• Linha 3: $(-1\times 50)+(0\times 50)+(+1\times 180)=-50+0+180=+130$

Somando todas as linhas: $G_x=130+260+130=+520$

$\boxed{G_x=+520}$

Interpretação: O valor elevado de $G_x=+520$ detecta com altíssima magnitude a presença de uma borda vertical abrupta entre a coluna 2 ($50$) e a coluna 3 ($180$). Se calculássemos $G_y$, o resultado seria rigorosamente zero (pois todas as linhas são idênticas), confirmando que a borda é perfeitamente orientada no sentido vertical ($\theta =\arctan (0/520)=0^{\circ }$).

---

🔗 7. Conexões e Referências Cruzadas

Disciplinas Vinculadas:

• Aula 04: Complexidade assintótica de algoritmos de convolução bidimensional.
• Aula 06: Integração de visão computacional em Smart Grids.
• 01 Instalações Elétricas Industriais: Ensaios termográficos preditivos em quadros de distribuição e barramentos blindados (Busway).
• 09 Sistemas de Proteção e Medição: Ensaios de aquecimento em disjuntores e transformadores de instrumento.

Materiais Didáticos Oficiais da Disciplina:

• Arquivo de Curso: 04 - Representação de Imagens em Computadores.pdf
• Arquivo de Curso: 05 - Noções de Programação - Exemplos Com Manipulação de Imagens Digitais.pdf
• Arquivo de Prática: 07 - Praticando.pdf