Processamento de Dados: É toda vez que partimos de uma informação, sob a forma de dados (por exemplo números em planilha eletrônica) e obtemos uma nova informação, através de um processamento automático.  
Computação Gráfica: É toda vez que partimos de uma informação, e geramos uma imagem ou uma seqüência de imagens. O exemplo claro desta área são as vinhetas realizadas na televisão.    
Processamento de Imagens: É toda vez que partimos de uma "imagem" e criamos uma nova imagem, através de algoritmos que se preocupam somente com a qualidade da imagem. Normalmente não estamos interessados no conteúdo (informação) que ela carrega em si.  
Visão Computacional: É toda vez que partimos de uma "imagem" e nos preocupamos em extrair a informação nela presente, exatamente com é realizado pelo ser humano em seu complexo Sistema Visual. O Objetivo principal desta área é construir a maquina dedicada ao "reconhecimento". 

Quando falamos em Computação Gráfica ou em Processamento de Imagens, podemos dizer que a imagem é a materialização dos processos de cálculo e geração destas imagens.  

Uma imagem digital (2D) é composta por pixels ("picture - elements") que, em seu caso mais comum, representam a intensidade luminosa no ponto. A estes valores associamos tabelas de cores (LUT) ou níveis de cinza. No caso ao lado podemos ver esquematicamente ampliado uma imagem digital e podemos  dizer que valores perto de zero significam a cor preta, e valores perto de 255 significam a cor branca.  
Uma imagem digital é discretizada espacialmente, i.e., em x e y, e também em amplitude (intensidade luminosa). A discretização espacial é normalmente dada em dpi (dots-per-inch - pontos por polegada). A discretização em amplitude é conhecida como níveis de cinza, cores indexadas, ou cores reais (RGB - Full Color). Estas variações implicam em uma melhor qualidade na representação da imagem, mas também implicam no aumento dos mega-bytes dos arquivos digitais. Não descreveremos aqui as técnicas de compressão das imagens. Porem estas são importantíssimas na estocagem e na transmissão das mesmas (no caso de uso de imagens em  redes de computadores).

Nas 4 próximas transparências pretendemos mostrar, de forma básica, a evolução do tratamento da informação em um processo de visão por computador.  Vamos partir de uma cena real e mostrar o caminho necessário para o tratamento da informação até chegarmos na possibilidade de tomarmos uma decisão.  

Pode-se considerar que em uma cena real a quantidade de informação existente é da ordem de 10 elevada a 10 potência. 

A câmera de vídeo adquire esta imagem e transforma a intensidade luminosa em sinal analógico de vídeo.  Esta  nova representação da "mesma" informação consiste em uma quantidade de informação de 10 elevado a 8 potência. Para saber mais detalhes sobre a representação de um sistema de processamento, veja no artigo aqui. 

O sinal analógico é adquirido através de "placas de aquisição de imagens" e é convertido em sinal digital. Nos casos mais simples a intensidade luminosa é representada em uma escala de 256 níveis de cinza (8 bits). Existem hoje câmeras de maior precisão para a representação da intensidade luminosa de uma imagem. A partir desta aquisição a imagem é constituída de um "array" de pixels organizados sob a forma de uma matriz. Outros dispositivos podem ser utilizados na aquisição de uma imagem. O Scanner é um dispositivo clássico que não adquire a imagem a partir de um " sinal de vídeo" e sim diretamente da cena real (página a ser digitalizada). Existem 10^6 quantidades de informações nesta representação. 

A partir desta imagem digital realizamos a tarefa mais "complexa" nos passos iniciais de todo processo de Análise da Imagem: A separação dos Objetos.  O leitor deve atentar para a subjetividade da palavra "objeto" neste ponto do processamento. Esta etapa é conhecida como "SEGMENTAÇÃO DA IMAGEM" onde os objetos são isolados do "resto" da imagem. A complexidade neste processo é muito grande. Esta área é em si só uma grande área de pesquisa em processamento e visão computacional. Podemos considerar que existem 10^4 quantidades de informações nesta representação da imagem original.

A partir destes parâmetros devemos identificar em uma "base de dados" o objeto que mais se aproxima destes parâmetros. No caso ao lado podemos dizer que o objeto "Homem", da Base de Dados, foi associado ao label número 2; o objeto "Sol" foi associado ao label número 1 e finalmente o objeto "Casa" foi associado ao número 3. Você deve mais uma vez atentar para a complexidade de tal Base de Dados. Muito do esforço em pesquisa em Visão computacional está voltado para esta "Base de Dados" e em como organizar este reconhecimento do objeto. Podemos supor, neste momento, que a quantidade de informação presente na "imagem" e de 1000.  
 

Enfim, existem inúmeros procedimentos de análise e reconhecimento envolvido na construção deste processo de Visão. As complexidades são imensas e muito associadas ao tipo de informação que queremos tratar.  

Podemos neste momento realizar uma analise quantitativa da imagem, como vamos descrever nas transparências abaixo. A análise quantitativa é a análise que normalmente interessa quando aplicamos a ferramenta "TRATAMENTO DA IMAGEM' a um fenômeno físico, pois estamos buscando caracterizar o fenômeno usando a imagem como meio de aquisição de dados..

Quando agora falamos em usar a metodologia descrita acima como ferramenta e desenvolver algoritmos de reconhecimento como ponto de pesquisa em "Analise de Imagens", devemos ter em mente os nossos objetivos, i.e., os objetivos voltados ao "o que estudar no fenômeno físico?".  
As imagens a serem analisadas podem ter diversas origens, conforme descrita na transparência ao lado. Destas imagens estamos interessados em realizar normalmente uma análise que seja quantitativa, i.e., na imagem das figuras ao lado, obtemos (após um algoritmo de análise) o seguinte resultado quantitativo: 3 círculos, 1 quadrado e 1 retângulo (Poderíamos obter, é claro, mais informações sobre Área, perímetro, fatores de forma, etc - tudo depende do que estamos querendo). Na pratica a escolha destes parâmetros esta diretamente associada ao fenômeno que estamos observando através da imagem.    

É muito comum que realizemos ações fora da imagem, i.e., no próprio objeto. Podemos em Medicina colocar ou adicionar um colorante químico que realce certas células em detrimento de outras, e assim melhorar o contraste da imagem (pensando na separação das células como objetos) para a fase de segmentação. 

Os resultados obtidos são apresentados em uma tabela abaixo: Para cada um 13 objetos foram medidos Área e o Centro de Gravidade (X,Y). A maior célula é a célula 5 com 4274 pixels de área. 
 

Aqui fazemos uma rápida parada para apresentar números do Sistema de Visão Humana. O cérebro apresenta uma biblioteca de imagens da ordem de 60 mil imagens e o olho é capaz de diferenciar até 64 níveis de cinza. 

O Cerebelo Humano representa a informação em diferentes níveis e já é considerado por muitos como uma "maquina" especializada em reconhecimento humano.  

No entanto é fácil verificar que a "Base deDados" dependerá da quantidade de conhecimento adquirido pelo ser humano.  

Existem hoje diversas pesquisas onde o objetivo é criar uma máquina especializada em reconhecer, independentemente da aplicação do sistema visual, exatamente como o Sistema Visual Humano. 
 

Existem normalmente duas fases em ambiente de reconhecimento: A fase de aprendizado e a fase de reconhecimento propriamente dita. Durante a fase de aprendizado devemos acertar alguns parâmetros no Sistema de Reconhecimento. Para cada objeto apresentado verificamos se ele corresponde a classe correta e acertamos, corrigindo os valores dos "Parâmetros de Ajuste para Aprendizado". As redes Neurais são um sistema de reconhecimento eficiente, capaz de reconhecer com relativa eficácia objetos, mesmo com ligeiras diferenças. Para saber mais sobre redes Neurais veja a pagina do Laboratório de Processamento de Sinais da UFRJ.

É claro que este sistemas de reconhecimento não é o mais eficiente e dependerá evidentemente da Área dos objetos apresentados na imagem. Porem ele é independente da rotação que o objeto (Quadrado) sofra na imagem. Outro aspecto importante é que não discutimos aqui. é como é realizado o cálculo do perímetro. Este é normalmente realizado usando filtros de detecção de borda e contando os pixels detectados. O resultado é dado em número de pixels.

Se você chegou até aqui, espero que você agora entenda um pouco melhor os conceitos básicos em visão por computador.  
O potencial de aplicação desta técnica é muito grande, pois as imagens, como forma de suporte a informação, estão por toda a parte e todas áreas do conhecimento humano. Porem esta característica também é um grande limitador de sua aplicação pois um sistema genérico como o SVH é muito difícil de ser realizado por uma máquina. Hoje a Visão por Computador esta totalmente dependente do sistema no qual ela esta inserida. Logo os sistemas comerciais ainda estão longe de resolver problemas genéricos de visão.