Pixels e Canais RGB
Ir para notas que citam estaPixels e canais RGB são a forma como uma imagem chega ao computador: uma grade de pontos (pixels) em que cada ponto guarda três números, a intensidade de vermelho, de verde e de azul, cada um entre 0 e 255.
Para a máquina, uma foto não é uma cena, é uma grade de números. Toda a Visão Computacional parte daí: identificar alguma coisa numa imagem é transformar esses números em significado.
Um pixel, três números
Cada pixel combina três canais. Um magenta forte, por exemplo, é R 230, G 0 e B 126: muito vermelho, nenhum verde e azul pela metade. Com 256 valores possíveis por canal, a combinação dos três cobre as cores que uma tela consegue mostrar.
Outra forma de ver a mesma imagem é separar os canais. A foto vira três camadas do mesmo tamanho, uma só com o vermelho, uma só com o verde e uma só com o azul; sobrepostas, elas recompõem a imagem original. É nessa forma de camadas que muitos modelos recebem a imagem.
O tamanho do problema
Os números crescem rápido. Uma foto de 12 megapixels, comum em celular, tem 12 milhões de pixels e, portanto, 36 milhões de números. Nenhuma regra escrita à mão dá conta de encontrar um carro ou uma fruta nessa massa de valores, e é por isso que a área depende de modelos que aprendem padrões a partir de exemplos.
Dos números ao significado
Depois de virar números, a imagem passa pelas perguntas básicas de reconhecimento: o que tem na imagem, onde está e quais pixels pertencem a cada objeto. Essas perguntas estão em Tarefas de Reconhecimento Visual.