Este é um Desafio de Projeto: Redução de Dimensionalidade em Imagens para Redes Neurais da DIO.me com o objetivo de criar um programa em Python que processa imagens de uma URL fornecida pelo usuário e converte para escala de cinza e binarizando-as.

A redução de dimensionalidade é a técnica utilizada para simplificar os dados, eliminando informações irrelevantes ou redundantes.

Imagine que você está lidando com uma base de dados gigante. Essa base pode conter muitas colunas e linhas cheias de valores, mas nem todos esses dados são necessários para o aprendizado do sistema. Às vezes, há informações duplicadas ou até irrelevantes — como a data de nascimento em um banco de dados sobre clientes, que não é tão importante quanto o sexo ou a renda.

Por exemplo: um veículo autônomo detectando pedestres na rua, ele precisa se concentrar nas pessoas que estão realmente atravessando. Mas e se eu reduzir as informações? Pode ser útil para focar apenas nos dados relevantes — como o movimento das pessoas ou a presença de obstáculos.

A principal razão é diminuir a complexidade do processamento. Quanto mais dados você tiver, maior será a carga computacional para analisar e armazenar essas informações - e isso pode até atrapalhar o sistema.

Por exemplo, em um banco de dados sobre clientes:

• A data de nascimento talvez nem seja necessária.
• O sexo também pode ser simplificado (feminino/masculino).
  Mas cuidado: não podemos eliminar tudo! Temos que garantir que as informações essenciais para a tarefa não sejam descartadas.

Um carro autônomo pode estar processando imagens de alta resolução em tempo real, mas nem sempre precisa analisar todos os detalhes com exatidão. Por exemplo:

• Calçadas próximas à rua podem ser ignoradas.
• Detalhes como a marca de um carro ou o número da placa não são tão importantes quanto sua posição e movimento.

Mas quando se trata de placas de trânsito, semáforos ou outros objetos que exigem precisão — então é necessário manter uma resolução maior. O desafio está em identificar quais dados são realmente relevantes para cada caso.

Na robótica, podemos pensar no exemplo de um jogo de futebol com robôs. Os robôs precisam detectar a bola, mas não importa o modelo ou a cor exata — apenas sua localização.

• A imagem pode ser convertida para tons de cinza (redução de dimensionalidade).
• Mesmo em preto e branco, é possível identificar os objetos importantes.

Já no caso da representação facial, como a famosa "Lena", que foi usada historicamente nos primeiros experimentos com computadores:

# Exemplo simplificado usando biblioteca de processamento de imagem
import cv2  # Biblioteca OpenCV

imagem = cv2.imread("lena.jpg")
cinza = cv2.cvtColor(imagem, cv2.COLOR_BGR2GRAY)  # Converte para tons de cinza (redução de dimensionalidade)

# Visualização da imagem original e convertida
cv2.imshow("Original", imagem)
cv2.imshow("Tons de Cinza", cinza)

Um dos exemplos mais comuns é o Binarizador, que reduz a imagem para apenas dois valores — preto ou branco.

# Exemplo de binarização usando OpenCV (biblioteca de visão computacional)
import cv2  # Biblioteca OpenCV

imagem = cv2.imread("foto.jpg")
binaria = cv2.threshold(imagem, 160, 255, cv2.THRESH_BINARY)[1]  # Aplica um limiar para binarizar a imagem

Nesse caso:

• Valores abaixo do limiar (ex: 160) são convertidos em preto.
• Valores acima são convertidos em branco.

Isso permite que o sistema se concentre apenas nas bordas e objetos definidos, ignorando detalhes menores.

Você já deve ter notado isso: quando compartilhamos fotos no WhatsApp ou outras redes sociais, elas são enviadas com menor qualidade. Mas ainda assim conseguimos entender o que está acontecendo na imagem! Isso é possível graças à redução de dimensionalidade.

Outro exemplo:

• Veículos teleguiados (como os usados em Marte) transmitem imagens simplificadas para a Terra.
• A redução ajuda no armazenamento e processamento mais rápido dos dados, sem perder a essência da informação transmitida.

Nesta atividade, é implementada uma função Python que reduza as dimensões das imagens. Isso inclui converter imagens coloridas para tons de cinza e realizar a binarização (conversão para preto e branco).

Converter uma imagem colorida em uma imagem com tons de cinza. Cada pixel da imagem colorida terá três valores de cor (vermelho, verde, azul). Para obter o valor do cinza, podemos usar a média ponderada desses valores.

1. Requisitos

   • A função deve receber uma imagem em formato RGB.
   • Deve retornar uma nova imagem com tons de cinza.

2. Lógica da Conversão
   O valor do pixel em tons de cinza pode ser calculado pela fórmula:

cinza = 0.299 * R + 0.587 * G + 0.114 * B

Substituir cada componente RGB (R, G, B) do pixel pelo valor de cinza.

1. Implementação

   • Ler a imagem e obtenha os valores RGB para cada pixel.
   • Para cada pixel, calcule o valor de cinza usando a fórmula acima.
   • Criar uma nova imagem onde cada pixel tenha apenas um valor (cinza).

2. Exemplo
   Supor um pixel com valores RGB: (70, 120, 50).

cinza = 0.299 * 70 + 0.587 * 120 + 0.114 * 50
      ≈ (20.93) + (70.44) + (5.7)
      ≈ 97

O pixel resultante será (97, 97, 97).

Converta uma imagem de tons de cinza em uma imagem preto e branco (binária). Defina um limiar para converter os pixels abaixo desse valor em preto e os demais em branco.

1. Requisitos

   • A função deve receber uma imagem em tons de cinza.
   • Deve retornar uma imagem binária com apenas dois valores: 0 (preto) ou 255 (branco).

2. Lógica da Binarização Escolha um valor de limiar (threshold). Por exemplo, se o limiar for 128:

   • Valores de cinza abaixo de 128: preto (0)
   • Valores de cinza acima ou igual a 128: branco (255)

3. Implementação

   • Leia a imagem em tons de cinza.
   • Para cada pixel, compare o valor com o limiar definido.
   • Se o valor for menor que o limiar, converta para 0 (preto).
   • Caso contrário, converta para 255 (branco).

Exemplo

Supor uma imagem em tons de cinza com um pixel de valor 97 e outro de 150.

Limiar = 128
Pixel 97: abaixo do limiar → preto (0)
Pixel 150: acima do limiar → branco (255)

• Usar a biblioteca Pillow para manipular imagens, mas se preferir uma abordagem mais básica, pode usar listas e estruturas de dados.
• A função deve manter as dimensões originais da imagem.

• Faz o download de uma imagem a partir de uma URL.
• Converte a imagem original para tons de cinza.
• Realiza a binarização da imagem (preto e branco) com base na média dos valores de pixel.
• Exibe as três versões da imagem (original, escala de cinza, binarizada) lado a lado.

• Python 3.10+
• Bibliotecas:
  • Pillow para manipulação de imagens.
  • numpy para processamento de arrays de pixels.
  • matplotlib para exibição das imagens.
  • requests para realizar o download da imagem.

1. Clone este repositório:

   git clone https://github.com/jocile/reducao-de-dimensionalidade.git
   cd reducao-de-dimensionalidade

2. Instale as dependências:

pip install -r requirements.txt

3. Execute o programa:

python binarizacao_de_imagem.py

4. Siga as instruções no terminal:

• Insira a URL de uma imagem para processar.
• Escolha se deseja processar outra imagem ou encerrar o programa.

Exemplo de Entrada e Saída Entrada URL da imagem: https://example.com/imagem.jpg

Saída: O programa exibirá as três versões da imagem:

1. Original (colorida).
2. Escala de cinza.
3. Preto e branco.

Nesta atividade, foram implementadas funções que realizam a redução de dimensionalidade em imagens. Isso é uma base sólida para entender conceitos mais avançados como processamento de imagem e aprendizado de máquina.