1) É um operador que encontra o pixel e o raio que definem a circunferência na imagem com maior variação de intensidade, na escala de cinza, com relação ao raio. Ele faz isso analisando circuferências de diferentes raios para cada pixel da imagem. Serve para encontrar a região circular que apresenta mais detalhes, sendo essa região a íris, no caso do olho.


2) Um filtro Gabor é uma senóide complexa multiplicada (limitada) por uma gaussiana. A imagem da íris é "desenrolada" e, para cada coluna de pixels, aplica-se o filtro Gabor. Se um valor dentro do vetor é maior que zero, ele é considerado 1, caso contrário, 0. O iriscode é a imagem gerada pelos resultados das iterações, tendo uma iriscode real e outra imaginária.


3) Detecção facial é o problema de, dada uma imagem, localizar rostos humanos presentes nela. Os principais problemas são iluminação (presente em aplicações que envolvem processamento de imagens em geral), oclusão do rosto por cabelo, óculos etc e orientação, isto é, o rosto poder estar de frente na imagem, de lado etc. Para a iluminação, pode-se usar filtros baseados em análise de histograma para melhorar a iluminação ou ainda usar o sistema em um ambiente com iluminação controlada. Para oclusão

4) O AdaBoost é um algoritmo usado em conjunto com outros algoritmos de aprendizado de máquina para aumentar a performance deles. O AdaBoost treina classificadores, sendo que os padrões usados nos treinamento têm pesos associados, que dá importância maior ou menor para o padrão no treinamento. Inicialmente todos os padrões têm peso igual, mas quando um é classificado incorretamente, ele tem seu peso aumentado, se tornando mais relevante para a próxima iteração. O AdaBoost Viola-Jones possui vários classificadores encadeados, de modo que quando um deles rejeita a entrada, ela é descartada sem passar pelos classificadores seguintes. Os classificadores são treinados para classificarem corretamente todas as entradas da classe desejada e ter uma taxa de falsos positivos igual ou menor que 50% (ou seja, melhor que uma escolha aleatória para os padrões da classe que se deseja rejeitar). Pelo AdaBoost, os falsos positivos de um classificador, por terem peso maior, são considerados mais relevantes para o próximo, diminuindo a quantidade total de falsos positivos. Por estarem em cadeia, cada um classificando corretamente todos os padrões da classe desejada, com taxa de falsos positivos
 menor que 50% e dando ênfase aos falsos positivos do classificador anterior, a taxa de verdadeiros positivos é de 100% e a de falsos positivos tende a ser muito baixa. As características usadas nos classificadores são a soma de pixels de áreas retangulares.


5) O problema de aliasing é o de, ao discretizar o sinal, uma frequência mais alta que a máxima possível (pelo Teorema da Amostragem) ser discretizada como outra frequência (menor). O filtro anti-aliasing é um filtro aplicado ao sinal antes dele ser amostrado. Ele suprime componentes de alta frequência que seriam insuficientemente amostrados, ou seja, é um tipo de filtro passa-baixa.


6) Três. Os códigos são 0 (para o mais frequente), 10 e 11. A árvore fica [[A]raiz[[B]sub[C]]], onde [[F]E[G]] quer dizer que a subárvore tem E na raiz, F à esquerda e G à direita.


7) A transformada de cosseno é similar à transformada de Fourier, decompondo o sinal em componentes senoidais de frequência e amplitude diferentes, só que as componentes da DCT são apenas funções de cosseno e os valores são reais. Com isso, diminui-se a correlação entre pixels na imagem, além de que, normalmente, as frequências mais baixas, localizadas no mais à esquerda e mais acima na matriz, concentram a maior parte da energia, com frequências mais altas tendo energia pequena ou inexistente, podendo até eliminar algumas para fazer compressão com perdas, dependendo do caso. Na compressão com DCT, ela é aplicada à imagem, podendo ter frequências, especialmente as altas, descartadas ou suprimidas, depois o resultado é quantizado e então é feita a codificação desse resultado.

[2,1,2,1,3,4,3,3,6,7;9,8,6,6,3,3,2,2,3,3;15,3,12,4,3,3,11,10,2,2;11,2,1,0,0,2,13,2,3,4;9,2,1,14,1,3,11,3,7,5;1,3,0,1,0,3,3,3,2,9;6,7,5,3,11,2,5,6,4,4;0,2,2,3,2,4,7,11,2,10;15,3,1,3,3,3,2,1,4,9;12,4,5,7,0,4,8,9,8,11]


8) a) A dilatação, aplicada repetidas vezes, faz com que os detalhes da borda da imagem sejam perdidos.
   b) Dois pontos separados. Ao aplicar dilatações com elemento estruturante que faça pelo menos um dos pontos ser extendido na direção do outro.


9)


10)




http://www.mathworks.com/help/toolbox/images/ref/dct2.html

http://www.ams.org/samplings/feature-column/fcarc-image-compression

http://ethesis.nitrkl.ac.in/1119/1/Image_Compression_using_DCT_%26_DWT.pdf

http://planetmath.org/?op=getobj&from=objects&id=1469

http://www.wisnet.seecs.nust.edu.pk/publications/tech_reports/DCT_TR802.pdf

http://www.patentstorm.us/patents/6990506/description.html

http://www.youtube.com/watch?v=qimAmSd5RFI