Visão computacional: como as máquinas enxergam
Represente imagens como grades de números, deslize filtros para detectar bordas e combine convoluções em uma CNN.
- Descrever uma imagem em tons de cinza como uma matriz de valores de brilho
- Aplicar um filtro de convolução manualmente
- Explicar como uma rede convolucional constrói representações de bordas a objetos
Para um computador, uma foto é apenas uma grade de números. Em uma imagem em tons de cinza, cada pixel guarda um valor de brilho entre 0 (preto) e 255 (branco). Uma imagem colorida guarda três grades: vermelho, verde e azul. Uma foto de celular pode ter cerca de 12 milhões de pixels — 36 milhões de números.
Tudo o que a visão computacional faz — reconhecer rostos, ler placas, identificar tumores em exames — começa com esses números.
Experimente
Até 15 XPPinte com números
Cada célula representa um pixel; o número indica seu brilho. Escolha um pincel e clique nas células para redesenhar o rosto: acrescente um nariz ou apague o sorriso. Observe a lista Python abaixo da imagem mudar a cada clique: para o computador, aquela lista é a imagem.
image = [
[0, 0, 255, 255, 255, 255, 0, 0],
[0, 255, 0, 0, 0, 0, 255, 0],
[255, 0, 192, 0, 0, 192, 0, 255],
[255, 0, 0, 0, 0, 0, 0, 255],
[255, 0, 128, 0, 0, 128, 0, 255],
[255, 0, 0, 128, 128, 0, 0, 255],
[0, 255, 0, 0, 0, 0, 255, 0],
[0, 0, 255, 255, 255, 255, 0, 0],
]Convolução: deslizando uma pequena janela
Como detectar uma borda em uma grade de números? Uma borda aparece onde o brilho muda de repente, então comparamos cada pixel com seus vizinhos. Um filtro (ou kernel) é uma pequena grade de pesos, muitas vezes 3 × 3. A convolução desliza esse filtro por cada posição da imagem; em cada posição, multiplicamos os pesos pelos pixels correspondentes e somamos:
É mais um produto escalar — entre o filtro e uma região da imagem. Filtros diferentes detectam padrões diferentes: um filtro de desfoque calcula a média dos vizinhos; um filtro de bordas subtrai um lado do outro. Áreas uniformes resultam em zero, enquanto bordas geram valores maiores.
Experimente
Até 15 XPExperimente filtros diferentes
Escolha um filtro e clique em qualquer pixel da saída para ver a multiplicação e a soma que produziram aquele valor. Qual filtro destaca apenas os lados esquerdo e direito do quadrado? Qual detecta melhor a linha diagonal?
Saída na linha 6, coluna 6 = soma de (pixel × peso) na janela destacada 3×3 (pixels fora da imagem valem 0):
220×.11 + 220×.11 + 220×.11 + 20×.11 + 20×.11 + 20×.11 + 20×.11 + 20×.11 + 220×.11 = 108.89
1image = [
2 [10, 10, 10, 200, 200],
3 [10, 10, 10, 200, 200],
4 [10, 10, 10, 200, 200],
5]
6kernel = [[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]] # mudança da esquerda para a direita
7
8row = 0 # uma linha de saída: o canto superior esquerdo do filtro percorre a linha 0
9outputs = []
10for column in range(len(image[0]) - 2):
11 total = 0
12 for i in range(3):
13 for j in range(3):
14 total += kernel[i][j] * image[row + i][column + j]
15 outputs.append(total)
16print(outputs)[0, 570, 570]
Redes neurais convolucionais
No exercício, você escolheu filtros criados por pessoas. Uma rede neural convolucional (CNN) aprende os pesos dos filtros com descida do gradiente e descobre quais ajudam na tarefa. Como o mesmo filtro pequeno percorre a imagem toda, são necessários apenas 9 pesos, e não um por pixel (pesos compartilhados). Assim, ele encontra um padrão onde quer que apareça.
Uma CNN combina camadas:
- Camadas convolucionais aplicam vários filtros aprendidos; cada um produz um mapa de características.
- Camadas de pooling reduzem cada mapa, por exemplo mantendo o maior valor de cada bloco 2 × 2, para que as camadas seguintes considerem uma região maior.
- Camadas totalmente conectadas transformam as características em uma resposta final, como “gato: 94%”.
Principais conclusões
Uma imagem é uma matriz de valores de pixel (três matrizes para uma imagem colorida).
A convolução desliza um pequeno filtro pela imagem e calcula uma soma ponderada em cada posição.
Uma CNN aprende seus filtros, reduz mapas com pooling e combina bordas → formas → objetos.
Quiz da aula
6 perguntas · aprovação com 5 acertos · até 50 XP
Ao passar, você conclui a aula e mantém sua sequência. As perguntas erradas voltarão em sessões de revisão.
Pratique: escreva código em Python
Escreva código Python no editor e execute os testes com exemplos. O Python roda localmente no navegador usando WebAssembly.
Faça a convolução de uma imagem
As três primeiras linhas formam um filtro 3 × 3. As linhas seguintes formam uma imagem (números separados por espaços). Deslize o filtro por todas as posições em que ele caiba por completo (sem preenchimento) e imprima a imagem de saída, uma linha por vez, com valores separados por espaços. Formate os números com :g.
- Borda vertical
- Desfoque em caixa
O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.
Aplique max pooling a um mapa de características
Cada linha de entrada é uma linha do mapa de características, com quantidade par de linhas e colunas. Aplique max pooling 2 × 2: divida em blocos 2 × 2 sem sobreposição e mantenha o maior valor de cada bloco. Imprima o mapa reduzido, uma linha por vez, com valores separados por espaços.
- Quatro por quatro
- Dois por seis
O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.
Dúvidas sobre esta lição
Travou em algum ponto? Pergunte. Descobriu algo? Compartilhe. Explicar também é uma ótima forma de aprender.
Carregando publicações…