Anda di halaman 1dari 8

Anlise do Espao de Escala da Equao da Curvatura Mdia no Processo de Eliminao de Rudos

Resumo: A utilizao de equaes diferenciais parciais (EDPs) no processamento de imagens digitais d a soluo esperada u(x,y,t), que a imagem restaurada, com soluo da equao diferencial parcial quando t . Um fato comum a todos os modelos envolvendo equaes diferenciais, sejam eles isotrpicos ou anisotrpicos, lineares ou no lineares, a gerao de estruturas de dados que nos permitem uma conceituao de significado evolutivo no parmetro tempo denominados espaos de escalas. Essas estruturas so de carter dinmico pois estabelecem a evoluo das EDPs na escala temporal t. A soluo u(x,y,t), ser obtida quando t vai para infinito, porm, para uso prtico faz-se necessrio parar o processo evolutivo. Seguindo as idias de tempo timo, introduzidas em [1], de parada para o processo evolutivo de t = T, apresentamos nesse trabalho uma anlise do tempo timo T para a equao de difuso degenerada [2]: u ut = |u| div|u| conhecida como equao da curvatura mdia, no processo de eliminao de rudo. Como o objetivo geral encontrar um tempo T que seja suficiente para retirar rudos Gaussianos de uma imagem, apresentamos uma proposta de escolha do tempo T que depende da quantidade de rudos da imagem inicial. Sero apresentados vrios resultados experimentais exemplificando a performance da equao da curvatura aplicada utilizando o tempo timo de suavizao. Palavras Chave: Eliminao de Rudos, Equao da Curvatura. I A curvatura mdia Nos ltimos anos, a utilizao de equaes diferenciais parciais (EDPs), tem crescido no campo de processamento de imagens. Objetiva-se modificar uma dada imagem, superfcie ou curva atravs da equao diferencial parcial para obter resultados esperados como soluo dessa equao. A seguinte equao diferencial parcial u ut = |u| div|u| u(x,0) = I(x) em em

x R+

(1.1)

conhecida como equao de fluxo da curvatura mdia, cuja importncia est em sua interpretao geomtrica. Se temos uma curva fechada e convexa, ento a curva se move para dentro e (1.1) transforma a curva em um ponto. Desta forma, as bordas das imagens processadas no so preservadas. Na figura 1, apresentamos a suavizao das imagens (b), (c) e (d), a partir da imagem original (a) atravs do mtodo da curvatura mdia para valores crescentes de t.

(a)

(b)

(c)

(d)

Figura 1 (a) imagem original; (b) t = 100; (c) t = 600 e (d) t = 1200 iteraes respectivamente; II Combinando Deteco de Bordas e Suavizao O modelo da curvatura mdia, dada pela equao (1.1), no capaz de preservar a localizao das bordas na imagem (veja figura 1). Deste modo, combinando a idia de difuso direcionada, introduzida no mtodo da curvatura mdia, com o processo de deteco de bordas possvel suavizar imagens de forma que as bordas da imagem sejam preservadas. Isto tornou-se possvel, atravs da aplicao de um modelo de equao de difuso no linear dada por: u ut = g|u| div|u| (2.1)

onde g uma funo suave, no crescente e, tal que g(0) =1, g(|u|) 0 e g(|u|) 0 quando |u| . A idia efetuar uma difuso fraca nos pontos u onde o |u| for grande, preservando, com isso, a localizao exata de um ponto de borda. Dessa forma, a imagem suavizada em ambos os lados das bordas, com suavizao mnima nas bordas. Essa suavizao feita com baixa velocidade nas vizinhanas das bordas e alta velocidade no interior de regies homogneas.

A funo g que ser utilizada neste trabalho dada por: 1 g(|u|) =1 + k|u|2 onde k uma constante. O termo |u|2 dado por: |u|2 = ux2 + uy2 (2.3) (2.2)

Na figura 2, apresentamos os resultados obtidos com a aplicao da equao (2.1) a partir da imagem original (a) podendo ser observado a preservao das bordas da imagem para valores crescentes de t.

(a)

(b)

Figura 2 (a) imagem original; (b) t = 600 iteraes III Equao da Curvatura sobre a Circunferncia Uma outra experincia computacional obtida com a aplicao da equao da curvatura mostrou que conhecido o valor do raio R da circunferncia possvel determinar um valor T tal que a circunferncia se reduza a um ponto. Verificou-se atravs de testes computacionais que o tempo T que a circunferncia de raio R leva para se reduzir a um ponto igual a R2. Esse resultado dado pela soluo da seguinte equao diferencial: dR(t) 1 =dt R(0) (3.1)

O numero de iteraes necessrias para reduzir a circunferncia de raio R a um ponto dada atravs da soluo da seguinte equao: nt = T (3.2)

onde n = 1, 2, 3, ... iteraes e t o tamanho do passo da evoluo temporal. A ttulo de ilustrao, se tomarmos uma circunferncia de raio R = 6 pixels e t = 0.4, sero necessrias 90 iteraes para que a mesma se reduza a um ponto, como pode ser visto na figura 3.

(a)

(b)

Figura 3 (a) imagem original; (b) imagem processada; IV Tempo timo T para a retirada de rudo da imagem via equao da curvatura O modelo de Equao Diferencial Parcial (EDP) utilizado neste trabalho consiste na aplicao seletiva da equao (2.1), suavizando adequadamente a imagem, sem perder as bordas e feies de interesse. A suavizao geralmente utilizada na fase inicial do processamento da imagem, com o objetivo de minimizar (ou at mesmo eliminar) a presena de rudos na imagem. Aqui enfocaremos a aplicao de tcnicas de processamento de imagens baseadas em equaes diferenciais parciais para a eliminao de rudos. Atravs do modelo proposto na equao (2.1), temos como objetivo primordial introduzir o conceito de tempo timo de suavizao da imagem ruidosa para a minimizao do ruido sem perder as bordas e outros detalhes de interesse da imagem. Diante dos resultados obtidos a partir do modelo descrito em II e seguindo a mesma idia do modelo descrito em III, verificamos atravs de testes computacionais que o tempo T timo de suavizao de uma imagem ruidosa dado por: T = r2 (4.1)

onde r representa o desvio padro da imagem resultante da subtrao da imagem ruidosa pela imagem original. Apartir deste resultado, possvel encontrar o nmero de iteraes adequadas para a melhor minimizao de rudos ou informaes irrelevantes contida na imagem atravs da equao (3.2). Nas figuras 4 e 5, podem ser vistos alguns exemplos de imagens processadas usando a equao (2.1) com tempo timo de suavizao.

(a)

(b)

(c)

Figura 4 (a) imagem inicial; (b) imagem processada via equao da curvatura; (c) mapa de borda da imagem suavizada; Na suavizao de (b) foi utilizado r = 13.63, t = 0.4 e k = 0.4.

(a)

(b)

(c)

Figura 5 (a) imagem inicial; (b) imagem processada via equao da curvatura; (c) mapa de borda da imagem suavizada; Na suavizao de (b) foi utilizado r = 16.61, t = 0.4 e k = 0.4. Entretanto, existem na literatura outros modelos para o clculo do termo u. Em particular, gostaramos mencionar uma outra alternativa usada para o clculo do termo u que auxilia no processo de deteco de bordas com alta variao de seu gradiente. Este modelo, permite o desenvolvimento de choques, os quais indicam a presena de bordas. O clculo do termo u feito usando diferenas finitas progressivas e regressivas: |u|2 = u,u = max{i uij , 0}i uij + min{i+ uij , 0}i uij + max{j uij , 0}j uij + min{j+ uij , 0}j uij (4.2)

onde i, i+ e i correspondem aos operadores de diferenas finitas centrais, progressivas e regressivas, respectivamente, na primeira varivel espacial x e os operadores j, j+ e j correspondem varivel espacial y. Usando o mtodo das diferenas finitas centradas, a discretizao dos operadores i uij, i+ uij, i uij, j uij, j uij e j+ uij podem ser aproximadas por: ui+1 j ui -1 j ui j+1 ui j -1 i uij = j uij = 2 2 i+ uij = ui+1 j ui j j+ uij = ui j+1 ui j

i uij = ui j ui -1 j j uij = ui j ui j -1 Como o nosso objetivo suavizar a imagem sem perder as bordas e outros detalhes de interesse, foram realizados vrios testes experimentais utilizando-se das duas equaes descritas em (2.3) e (4.2) com as equaes (2.1) e (2.2). Os resultados obtidos computacionalmente com a aplicao do termo |u|2 definido na equao (4.2) no apresentaram os resultados esperados. Tal procedimento, no mostrou grande vantagem sobre os resultados extrados com a aplicao da equao (2.3) como podem ser visto na figura 6.

(a)

(b)

(c)

(d)

(e) Figura 6 (a) imagem inicial; (b) imagem suavizada pela aplicao da equao (2.1) com a equao (2.2); (c) imagem suavizada por meio da equao (2.1) com a equao (4.2); (d) (e) mapas de bordas das figuras dadas em (b) (c), respectivamente.

Observamos que a suavizao da imagem via equao da curvatura dada em (2.1) usando a o termo |u|2 de (4.2) apresentaram algumas perdas nas bordas, tornando assim um modelo menos vantajoso. Outro detalhe importante que foi observado na aplicao do modelo descrito em II, est relacionado escolha da constante k. Os melhores resultados obtidos, mostraram que os valores de k devem estar na vizinhana do tamanho do passo da evoluo temporal t tomado. Isto pode ser visto na figura 7. (a) (b) (c)

Figura 7 (a) imagem inicial; (b) imagem processada via equao da curvatura; (c) mapa de borda da imagem suavizada; Na suavizao de (b) foi utilizado t = 0.4 e k = 0.05 (compare estes resultados com a figura 4). Note que, na figura 7 b as bordas da imagem apresentaram algumas deteriorizaes devido a escolha da constante k afastada da vizinhana de t. V Implementao da equao da curvatura mdia As solues numricas das equaes de evoluo so obtidas usando mtodos das diferenas finitas. Imagens so representadas por matrizes 256 x 256, de valores u(x,y) que representam a intensidade do tom de cinza da imagem u na posio (x,y). Assim, para cada funo u(x,y), a notao uij denota o valor de u(xi ,yj), i, j = 1,2,...,256. A soluo da equao diferencial obtida em cada tempo (escala) tn = n t, n = 1, 2, ... . Denota-se u(xi ,yj ,tn) por uni j . A equao (1.1) aproximada pelo mtodo das diferenas finitas expressa da seguinte forma: ux2uyy 2uxuyuxy + uy2uxx u ut = |u| div |u| = (5.2) ux2 + uy2 A forma discreta da equao (1.2) dada por: uijn+1 = uijn + tF(uijn), unx2unyy 2unxunyunxy + uny2unxx em que F(uij ) = unx2 + uny2
n

e uij0 = u(xi , yj).

Usando o mtodo das diferenas finitas centradas, podemos aproximar as expresses unx, uny, unxx, unxy e unyy por:

unx2unyy 2unxunyunxy + uny2unxx unx2 + uny2

ui+1 j ui -1 j 2 u unx = i j+1 ui j -1 2 uny = unxx = ui+1 j 2ui j + ui -1 j unxy =ui+1 j+1 ui+1 j -1 ui -1 j +1 + ui -1 j -1 unyy = ui j+1 2ui j + ui j4 -1 VI Referncias [1] C.A.Z. Barcelos, M. Boaventura, E.C.Silva Jr., A well-balanced flow equation for noise re-moval and edge detection", IEEE Transactions on Image Processing, 12(7), pp.751-763, 2003. [2] C.A.Z. Barcelos, Restaurao e Anlise de Imagens Via Equaes Diferenciais Parciais, Tendncias em Matemtica Aplicada e Computacional, 3, n 2 (2002). 1 13. [3] J. Malik and P. Perona, Scale-space and edge detection using anisotropic diffusion, IEEE TPAMI, 12(7), (1990) 629-639.

Anda mungkin juga menyukai