Segmentação de Imagens - Limiarização e Watershed

UNIVERSIDADE TECNOL
OGICA FEDERAL DO PARAN
A
DEPARTAMENTO ACAD
EMICO DE INFORM
ATICA
CURSO DE BACHARELADO EM SISTEMAS DE INFORMAC

AO
GUILHERME DA SILVA COSTA
SEGMENTAC

AO DE IMAGENS: CONFRONTO ENTRE AS
T
ECNICAS DE LIMIARIZAC

AO E WATERSHED
CURITIBA
2011
GUILHERME DA SILVA COSTA
SEGMENTAC

AO DE IMAGENS: CONFRONTO ENTRE AS
T
ECNICAS DE LIMIARIZAC

AO E WATERSHED
Trabalho acad emico apresentado para a disciplina
de Metodologia de Pesquisa, do Curso de Bachare-
lado em Sistemas de Informac ao do Departamento
Acad emico de Inform atica da Universidade Tec-
nol ogica Federal do Paran a.
Orientador: Prof
o
Marlon de Oliveira Vaz
CURITIBA
2011
AGRADECIMENTOS
Levei muito tempo para escrever os agradecimentos desta pesquisa. Trabalho difcil este de
descrever sentimentos em palavras. N ao tem uma equac ao, tabela ou gr aco para ajudar...
Assim comeco a encarar essa tarefa com o agradecimento especial ao Prof
o
Marlon de
Oliveira Vaz que al em de meu orientador, foi um amigo que ofereceu sua grande intelig encia e
capacidade ` a servico dessa pesquisa e de meu auxlio.
Minha famlia, e meus amigos todos, em especial a Rosana Rogiski que merece o meu
agradecimento por sua compreens ao, paci encia e carinho mesmo nos momentos de stress maior
e nas correc oes no meio da noite.
Agradeco desde j a os professores que ministram esta mat eria de Metodologia de Pesquisa
da Universidade Tecnol ogica Federal do Paran a, Gustavo Alberto Gimenez Lugo e Marilia
Abrah ao Amaral pelos conselhos, dicas, e paci encia para explicar o que e mais correto a se
fazer em determinadas ocasi oes.
A mente de um homem expandida por uma nova id eia n ao consegue
nunca voltar ` as suas dimens oes originais.(Oliver Wendall Holmes)
RESUMO
. Segmentac ao de Imagens: Confronto entre as t ecnicas de Limiarizac ao e Watershed. 58
f. Curso de Bacharelado em Sistemas de Informac ao, Universidade Tecnol ogica Federal do
Paran a. Curitiba, 2011.
A area de processamento de imagens v em crescendo a cada dia. Possui aplicac oes em muitos
ramos da sociedade: programas espaciais, area m edica, agricultura, pecu aria, entre outros. H a
diversas t ecnicas desenvolvidas para o melhoramento das imagens, cada qual aplicada a um
escopo diferente, dependendo do tipo de resultado almejado. Tendo em vista a grande quanti-
dade de t ecnicas de processamento j a desenvolvidas, o presente trabalho de pesquisa e focado
na comparac ao de eci encia entre as t ecnicas de segmentac ao de Imagens Espaco de Medida
que compreende as t ecnicas de Limiarizac ao e de Watershed. As duas t ecnicas foram aplicadas
a imagens dos bancos de imagens (ARBELAEZ; MARTIN, 2007) e (SOARES, 1998) e os resulta-
dos foram comparados com o obtido em artigos anteriormente publicados. Dessa forma, foi
possvel vericar a aplicabilidade das t ecnicas ou quais os motivos que levam ao insucesso das
aplicac oes das t ecnicas citadas ` as imagens selecionadas dentro do escopo estabelecido.
Palavras-chave: Processamento de Imagens, t ecnicas, segmentac ao, imagens,domnio espaco
e medida, domnio espacial, limiarizac ao, watershed
ABSTRACT
. . 58 f. Curso de Bacharelado emSistemas de Informac ao, Universidade Tecnol ogica Federal
do Paran a. Curitiba, 2011.
The area of image processing are growing every day. It has applications in many branches of
society: the space program, medical, agriculture, livestock, among others. There are several
techniques developed for the improvement of images, each applied to a different scope, depen-
ding on the desired result. Given the large amount of processing techniques already developed,
this research work is focused on the comparison of efciency between the techniques of image
segmentation space as he understands the techniques of thresholding and Watershed. Both te-
chniques were applied to image banks images (ARBELAEZ; MARTIN, 2007) and (SOARES, 1998)
and the results were compared with those obtained in previously published articles. Thus, it
was possible to verify the applicability of the techniques or the reasons that lead to failure of
the applications of the techniques mentioned selected images within the scope established.
Keywords: Image Processing, techniques, segmentation, image, domain space and measure the
spatial domain, thresholding, watershed
LISTA DE FIGURAS
FIGURA 1 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
FIGURA 2 VIS
AO DA IMAGEM DIGITAL EM PLANO CARTESIANO . . . . . . . . . 15

FIGURA3 SEGMENTAC

AOPORHISTOGRAMA; DARLYG. DE SENAJUNIOR;
2003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
FIGURA 4 SEGMENTAC

AO POR LIMIARIZAC

AO; DARLY G. DE SENA JU-
NIOR; 2003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
FIGURA 5 T
ECNICA DE WATERSHED; BRUNO KLAVA; 2009 . . . . . . . . . . . . . . . . 24

FIGURA 6 EROS
AO E DILATAC

AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
FIGURA 7 THE COMPARATIVE RESEARCH ON IMAGE SEGMENTATION AL-
GORITHMS;KANG, W.-X.; YANG, Q.-Q. LIANG, R.-P; 2009 . . . . . . . . . . 33
FIGURA 8 THE COMPARATIVE RESEARCH ON IMAGE SEGMENTATION AL-
GORITHMS;KANG, W.-X.; YANG, Q.-Q. LIANG, R.-P; 2009 . . . . . . . . . . 35
FIGURA 9 SOFTWARES;D.S. LOPES, J.A.C. MARTINS, J.G. CAMPOS E E.B. PI-
RES; 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
FIGURA 10 TUMOR MALIGNO;BANCO DE MAMOGRAFIAS DIGITALIZADAS 41
FIGURA 11 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
FIGURA 12 SEGMENTAC

AO WATERSHED LIMIAR = 15.5 . . . . . . . . . . . . . . . . . . . . 42
FIGURA 13 SEGMENTAC

FIGURA 14 SEGMENTAC

FIGURA 15 TUMOR BENIGNO;BANCO DE MAMOGRAFIAS DIGITALIZADAS 43
FIGURA 17 SEGMENTAC

AO WATERSHED LIMIAR = 5 . . . . . . . . . . . . . . . . . . . . . . . 44
FIGURA 18 HISTOGRAMA GERADO A PARTIR DA IMAGEM ORIGINAL . . . . . . 45
FIGURA19 CONTORNOPORWATERSHED; CONTORNOPROPOSTOPORZHAL;
CONTORNO PROPOSTO PELA BASE DE DADOS BERKLEY . . . . . . . . 46
FIGURA 21 LIMIARIZAC

AO EQUILIBRADA LIMIAR = 0.2980 . . . . . . . . . . . . . . . . . 47

AO COM LIMIAR = 0.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

AO COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

FIGURA 26 HISTOGRAMA CATEGORIA NATUREZA . . . . . . . . . . . . . . . . . . . . . . . . . 49

AO COM LIMIAR = 0.27 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

AO COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

FIGURA 31 PRESENC A DE OUTROS ELEMENTOS SEGMENTADOS . . . . . . . . . . 50

AO COM LIMIAR = 0.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

AO COM LIMIAR = 0.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
FIGURA 34 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
FIGURA 35 FUNC

AO PARA SEGMENTAC

AO DE IMAGENS . . . . . . . . . . . . . . . . . . . 58
LISTA DE TABELAS
TABELA 1 CRONOGRAMA DAS ATIVIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
SUM
ARIO
1 INTRODUC

AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 OBJETO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Objetivos Especcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 MOTIVAC

AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1 T
ECNICAS DE PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.2 SEGMENTAC

AO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 M etodo de Segmentac ao no Domnio Espaco e Medida . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1.1 Segmentac ao Por Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1.2 Segmentac ao Por Limiarizac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 M etodo de Segmentac ao no Domnio Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.2.1 Crescimento de Regi oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.2.2 Watershed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3 Morfologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.3.1 Eros ao e Dilatac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.3.2 Abertura e Fechamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4 SURVEYS DE AVALIAC

OES DAS T
ECNICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5 TECNOLOGIA DE SOFTWARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.1 MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6 RESULTADOS OBTIDOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.1 LIMIARIZAC

AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.2 WATERSHED . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7 AN
ALISE DO PROCESSO DE DESENVOLVIMENTO DA PESQUISA . . . . . . . . 52

7.1 CRONOGRAMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
7.2 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
REFER
ENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
ANEXO A -- C

ODIGO FONTE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
9
1 Introduc ao
A area de processamento de imagens v em crescendo cada dia mais. Possui aplicac oes
em muitos campos, desde programas espaciais para o mapeamento geogr aco de planetas at e
aplicac oes emmedicina, no melhoramento de contraste e brilho de imagens de raios Xutilizadas
no diagn ostico de diferentes doencas.
O primeiro uso do processamento de imagens de que se tem registro foi no melhoramento
de imagens digitalizadas para jornais, que eram transmitidas entre Londres e Nova York por
meio de cabos submersos em alto mar. Em cada extremidade do cabeamento havia um equipa-
mento de impress ao que codicava os dados e os reconstrua. Essa t ecnica apresentava alguns
problemas, especialmente na selec ao e na distribuic ao do nvel de brilho das imagens. Essa
metodologia foi superada com o advento de computadores de grande porte, que tinham suporte
para o processamento digital das imagens e geravam resultados mais satisfat orios (GONZALEZ;
WOODS, 2000).
O processamento de imagens consiste na interpretac ao da imagem digital com o auxlio
de um computador. Podemos denir uma imagem como uma func ao f(x,y), onde x e y s ao as
coordenadas em um plano cartesiano e identicam os pixels da imagem e f e a amplitude da
func ao. Ao par de coordenadas denominamos de nvel de cinza da imagem. Quando os valores
de (x,y) e a intensidade de f s ao nitos, chamamos a imagem de imagem digital (GONZALEZ;
WOODS, 2000).
Cada resultado da func ao f(x,y) e um elemento da imagem, denominado pixel. Uma ima-
gem digital possui um n umero nito de elementos e cada ponto corresponde a uma posic ao em
um valor escalar ou vetorial. Se a imagem for colorida, o processamento ir a trabalhar com o
valor vetorial, obtido pelo uso de tr es dimens oes ou par ametros (Red, Green, Blue) que cor-
respondem a diferentes combinac oes de intensidades das cores citadas. Contudo, se a imagem
for tratada em tons de cinza o comportamento ser a dado, ent ao, por uma escala vetorial de
dimens ao igual a um (FREY, 2003).
H a muitos m etodos utilizados no processamento de imagens, sendo que a escolha adequada
10
e aquela que melhor se adapta ao escopo pr e-denido.
Os m etodos de processamento abordados neste documento trabalham com imagens em tons
de cinza, pois isso facilita a interpretac ao das areas de detecc ao de pontos isolados, linhas e
bordas da imagem, facilitando a aplicac ao das t ecnicas, j a que isso torna desnecess ario o estudo
comparativo entre as tr es dimens oes de intensidades geradas a partir de uma imagem colorida.
1.1 Objeto
Oprocessamento de imagens envolve procedimentos que s ao expressos de forma algortmica.
Dessa forma, as imagens podem ser interpretadas por softwares e manipuladas por computador
(GONZALEZ; WOODS, 2000).
O presente trabalho se dedica ` a comparac ao do processamento de imagens pela t ecnica de
segmentac ao simples, que como aponta Wangenheim, possui diferentes subt ecnicas, baseadas
no m etodo de domnio espacial e no m etodo de domnio de espaco e medida (WANGENHEIM,
2009).
O enfoque ser a o confronto dos resultados obtidos a partir do modelo de agrupamento por
histograma e Limiarizac ao (t ecnica de segmentac ao baseada em Espaco e Medida) e modelo de
Watershed da t ecnica de segmentac ao baseada no conceito de Domnio Espacial.
1.2 Problema
O processamento de imagens e caracterizado por soluc oes e metodologias especcas, pois
t ecnicas que funcionam bem em uma area podem ter comportamento totalmente oposto em ou-
tra, j a que as diferentes formas de manipulac ao das imagens geram resultados dspares. Assim,
a denic ao da t ecnica mais adequada requer pesquisa e estudo que levem em considerac ao os
objetivos pretendidos e gerem imagens adequadas ` a interpretac ao que se faca necess aria (GON-
ZALEZ; WOODS, 2000).
1.3 Objetivos
1.3.1 Objetivo Geral
Confrontar o desempenho das t ecnicas Watershed e Limiarizac ao na segmentac ao de ima-
gens diversas, com o intuito de identicar motivos que levam ` a escolha de uma das t ecnicas em
11
detrimento de outra.
1.3.2 Objetivos Especcos
Utilizando a t ecnica de segmentac ao de Imagens pelo m etodo de Espaco e Medida e pelo
m etodo de Domnio Espacial pretende-se:
Identicar diferencas, semelhancas, pontos fortes e fracos das t ecnicas de Limiarizac ao e
Watershed, referentes aos m etodos acima citados, respectivamente;
Implementar os algoritmos das t ecnicas de Watershed e Limiarizac ao utilizando a ferra-
menta Matlab;
Aplicar as t ecnicas de Watershed e Limiarizac ao a um conjunto de imagens j a estudadas
por outros autores, confrontando os resultados com os obtidos por eles;
Identicar motivos que sugiram a escolha de uma das t ecnicas em relac ao ` a outra.
1.4 Metodologia
Este projeto ser a desenvolvido com base nas seguintes etapas:
1. Estudo dos conceitos b asicos do processamento de imagens:
Pesquisar sobre conceitos b asicos do processamento.
2. Estudo das t ecnicas:
Estudar as diversas t ecnicas de processamentos de imagens.
Estudar as t ecnicas de processamento de imagem Watershed e Limiarizac ao
Denir quando e porque se utilizar determinada t ecnica.
3. An alise dos m etodos selecionados e realizac ao de testes experimentais
4. Interpretac ao dos resultados obtidos:
Estudo dos m etodos Domnio no Espaco e Medida e Domnio Espacial.
Grau de complexidade da t ecnica escolhida dentro do escopo.
12
Realizac ao de testes experimentais utilizando o software MATLAB voltado para
c alculos num ericos.
An alise dos resultados utilizando m etricas adequadas para comparac ao entre t ecnicas
de segmentac ao de imagens.
5. Escrita da monograa
1.5 Justicativa
A area de processamento de imagens vem sendo amplamente estudada, devido ao seu grau
complexidade e a enorme gama de aplicac oes possveis, tendo em vista que a sociedade est a
inteiramente conectada e busca-se a praticidade em tudo, ent ao, nada mais natural que, por
exemplo, o indivduo chegar em um mercado, fotografar um determinado produto e com uma
unica foto ter acesso ` as informac oes deste, simplicando assim a sua vida.
Nossa sociedade vem acumulando dados. Muitas vezes essas informac oes s ao armazena-
das na forma de imagens. A hist oria da humanidade e muitas vezes contada atrav es de registros
hist oricos no formato de imagens. Assim, recuperar e trabalhar com essas imagens, e, ent ao,
uma das grandes areas de aplicac ao do processamento de imagens, pois a imagem permite co-
nectar a informac ao como observador, de forma que elas se transformamemobjetos, facilitando
a extrac ao de dados e a sua manipulac ao.
1.6 Motivac ao
Reconhecimento de imagens e uma area ainda em estudo, e tem um campo de aplicac oes
muito abrangente. Reconhecer uma imagem, ou seja, relacionar uma imagem a um signicado
e um processo muito complexo.

E algo que desenvolvemos a partir das interac oes que temos
com o mundo, e, por isso mesmo, exige conhecimentos pr evios e envolve crencas sobre o que se
est a sendo analisado e o que se pretende fazer com o resultado do processamento das imagens,
uma vez que eles v ao indicar as melhores t ecnicas e os m etodos mais ecazes a serem aplicados
durante o processo de tratamento das imagens.
Quanto a aplicac oes pr aticas, pode ser usado para identicar objetos de interesse em um
ambiente complexo, por exemplo, identicar objetos potencialmente perigosos em um aero-
porto, demonstrando, assim, a import ancia do estudo do processamento de imagens na area de
computac ao.
13
Desenvolver um trabalho na area de processamento de imagens envolve primeiramente
compreender alguns conceitos b asicos que facilitam o entendimento das t ecnicas e m etodos uti-
lizados para a manipulac ao de imagens. Por isso, o pr oximo captulo se dedica a apresentac ao
desses conceitos e t opicos.
14
2 Processamento de Imagens
Segundo Albuquerque, (ALBUQUERQUE; ALBUQUERQUE, 2000) o termo Processamento
de Imagens e derivado do Processamento de Sinais. Estes, assim como as imagens, nada
mais s ao que informac oes. O ato de processar uma imagem consiste em transformar estas
informac oes em objetos para facilitar a extrac ao dos dados. Sendo assim, podemos comparar o
Processamento de Imagens com a Computac ao Gr aca.
O primeiro, parte da imagem geralmente captada por uma c amera, que ap os passar por
etapas de processamento e transformac ao fornece a informac ao, de acordo com o representado
na Figura 1. O segundo parte da informac ao denida e a transforma em imagens ou lmes.
Portanto, ca evidente que o Processamento de Imagens e a Computac ao Gr aca s ao m etodos
at e certo ponto divergentes, mas com um ponto de intersecc ao comum: as t ecnicas pela qual a
imagem e processada para a obtenc ao da informac ao.
Figura 1: Processamento de Imagens
15
Quando observamos uma imagem pelo angulo da otica, temos, ent ao, que a imagem e um
conjunto de pontos que converge para formar a imagem, isto e, a imagem e a base para que haja
a troca de informac oes.
O objetivo de muitas t ecnicas e promover ao observador uma compreens ao da imagem.
Todavia, e necess ario um trabalho b asico em torno do processo de percepc ao visual.
As imagens que as pessoas percebem no dia a dia consistem em luz reetida advinda dos
objetos. Sua natureza b asica de f(x, y) pode ser caracterizada pela quantidade de luz incidindo
na cena observada e tamb em pela quantidade de luz reetida do objeto.
Para ser adequada ao processamento, a func ao f(x,y) e necess ario que a imagem seja di-
gitalizada tanto espacialmente quanto em amplitude,de acordo com o disposto na Figura 2.
Esta digitalizac ao espacial e chamada de amostragem da imagem e a de amplitude chamada
de quantizac ao em nveis de cinza, que ser a enfatizada no decorrer do trabalho (GONZALEZ;
WOODS, 2004)
Figura 2: Vis ao da Imagem Digital em plano cartesiano
16
2.1 T ecnicas de Processamento de Imagens
Na area de detecc ao e reconhecimento de imagens n ao basta apenas representar a ima-
gem com diferentes cores ou graduac oes, tamb em e necess ario identicar e estabelecer dife-
rentes regi oes na imagem. No processamento das imagens usamos t ecnicas para obter essas
informac oes. Uma denic ao mais formal e dada por Russ (RUSS, 1998), que arma que pro-
cessar uma imagem consiste em melhorar a apar encia visual desta para a vis ao humana ou
prepar a-la para an alise e mensurac ao das caractersticas e estruturas presentes.
As t ecnicas dedicadas ` a an alise de imagens podem variar signicativamente com relac ao ` a
complexidade e ` a necessidade em tempo de processamento.

E nesta area que vamos encontrar
um nvel elevado de diculdade no tratamento da informac ao (ALBUQUERQUE; ALBUQUERQUE,
2000).
Pode-se perceber que as t ecnicas mais utilizadas no processamento de imagens segundo
artigos relacionados ao tema (DATTA et al., 2008), (INA, 1996), (YU et al., 2006), (RUDEK, 1999)
entre outros, s ao: Vetor de Comportamento e a de Segmentac ao da Imagem. A segunda t ecnica
ser a abordada na pr oxima sec ao desta monograa.
A t ecnica do Vetor de Comportamento utiliza vetores para a representac ao das imagens, de
forma que o sistema pode operar com um espaco menor de informac oes, facilitando os m etodos
de busca para a comparac ao dos ndices nos processos de selec ao de segmentos ou pontos
especcos (RUDEK, 1999).
Segundo Zhang, (GONG HONGJIANG ZHANG, 1994), a divis ao da imagem em sub areas faci-
lita a localizac ao das informac oes e esta localizac ao pode ser dada pelo vetor de comportamento
V, cujo tamanho e dado por:
V = (M * N) + 1,
no qual M e N representam o n umero de divis oes associadas ` a imagem, fornecendo a quan-
tidade de elementos do vetor de comportamento.
Para que o vetor seja unico e levando emconta que podemhaver vetores iguais para imagens
diferentes, e adicionado um elemento que garanta a manutenc ao dessa consist encia.
A extrac ao da informac ao consiste em uma varredura que analisa os pixels de cada regi ao
da imagem. Nas sub- areas existe uma distribuic ao da frequ encia da variac ao da cor.
Com o auxlio de um processo de varredura sobre os bits da imagem, e possvel determinar
os intervalos usados na construc ao do vetor. Assim, e feita a contagem das ocorr encias das
17
cores da imagem e a separac ao em grupos. O grupo que tiver maior ocorr encia e passado
para o vetor. Ap os o preenchimento do vetor e gerado um ndice unico para ele na posic ao
previamente gravada, como descrito antes. Uma outra facilidade que a utilizac ao de ndices
traz, e a de facilitar a busca da imagem no banco de dados (RUDEK, 2000).
O uso de melhoramentos na imagem se d a nesse ponto, quando se trabalha com os vetores
e n ao com a imagem, como em outras t ecnicas que ser ao citadas no decorrer desde trabalho.
Para a realizac ao da busca dos vetores para posterior recuperac ao da imagem e necess ario
criar outro vetor de comportamento da imagem em amostra, com o ndice unico desse(s) ve-
tor(es) que depois e comparado com os vetores armazenados. A busca e feita com a forma
de uma arvore do tipo top-down. O primeiro elemento a ser comparado e a primeira posic ao
desse vetor, depois s ao feitas ramicac oes equivalentes, e detectados prov aveis candidatos a
serem a resposta. Ap os este passo, compara-se as outras posic oes. Caso a imagem n ao tenha
a combinac ao correta dos vetores presume-se ent ao que a imagem n ao corresponde ` aquelas
armazenadas (RUDEK, 1999).
2.2 Segmentac ao de Imagens
Segundo o dicion ario Aur elio (FERREIRA, 2005), segmentar e Dividir em segmentos. A
t ecnica de segmentac ao subdivide uma imagememregi oes ou objetos proporcionais ao tamanho
do problema a ser resolvido, isto e, a segmentac ao deve parar quando o objeto de interesse na
aplicac ao tiver sido isolado (GONZALEZ; WOODS, 2004).
A segmentac ao n ao e um processo t ao obvio, pois pode interferir na an alise da imagem que
e um passo importante no reconhecimento de padr oes, o que e uma quest ao fundamental na
extrac ao da imagem.
Os algoritmos de segmentac ao s ao geralmente baseados em duas propriedades b asicas de
intensidade de valores: descontinuidade e similaridade. Na primeira, a abordagem consiste em
dividir a imagem com mudancas nos nveis de cinza, para que que mais f acil a interpretac ao
das areas de detecc ao de pontos isolados, linhas e bordas da imagem. As abordagens relativas
` a segunda propriedade, baseiam-se na limiarizac ao, crescimento de regi oes, divis ao e fus ao de
regi oes (GONZALEZ; WOODS, 2000).
Por sua vez, os m etodos mais comuns empregados na segmentac ao podem ser divididos em
tr es grupos principais (MEZARIS V.; KOMPATSIARIS, 2003)
M etodos de Segmentac ao no Domnio Espaco e Medida.
18
M etodos de Segmentac ao no Domnio Espacial.
M etodos de Segmentac ao no Domnio da Frequ encia.
Os dois primeiros grupos ser ao descritos no decorrer dos pr oximos itens. O m etodo de
segmentac ao no domnio da frequ encia e um pouco diferente dos outros dois m etodos, pois tra-
balha em outro espaco que n ao o da imagem propriamente dita, no caso o espaco de frequ encia.
Neste m etodo, utiliza-se a imagem como um sinal e usufrui-se, ent ao, das variac oes no espaco
da imagem com frequ encias, ou seja, observa-se as texturas de uma imagem com seus aspectos
principais (GONZALEZ; WOODS, 2004).
2.2.1 M etodo de Segmentac ao no Domnio Espaco e Medida
No primeiro grupo denominado segmentac ao no Domnio Espaco e Medida, a imagem
e considerada um espaco euclidiano que nada mais e que um espaco vetorial real de dimens ao
nita, munido de uma func ao de dois vetores que satisfaz determinadas hip oteses iniciais (KREI-
DER et al., 1980) que podem ser denidas por:
Dj (x) = x - mj j = 1, 2, ..., M
Onde: a = (ata)
1/2
e a norma euclidiana.
x pertence wi se Di(x) for a menor dist ancia
De acordo com Gonzaga (GONZAGA, 2007) e o equivalente:
dj (x) = x
t
mj
1
2
m
tj
mjj = 1, 2, ..., M
x pertence wi se di(x) for o maior valor
Sendo a fronteira de decis ao entre as duas classes wi e wj :
dij = di(x) - dj(x) = x
t
(mi mj)
1
2
(mi mj)
t
(mi mj) = 0
n = 2 - uma reta
n = 3 - um plano
n > 3 - um hiperplano
Ap os a considerac ao da imagem no espaco euclidiano, executa-se uma transformac ao linear
para outro espaco vetorial, processa-se a imagem e executa-se a transformac ao contr aria. A
imagem e segmentada no espaco de domnio da pr opria imagem com o auxilio de t ecnicas de
agrupamentos especcas para segmentac ao.
19
2.2.1.1 Segmentac ao Por Histograma
A gerac ao de histogramas permite a an alise de caractersticas especcas de cada imagem,
como a distribuic ao das cores. Al em disso, facilita o processo de recuperac ao da imagem
quando se utilizam banco de dados.
Quando se separam as cores da imagem e ocorre a contagem das mesmas e obtido ent ao
o histograma da imagem. Os histogramas denem o conjunto de todas as cores existentes
na imagem. Se duas cores ou mais forem agrupadas, ent ao elas ter ao o mesmo lugar no
gr aco(GONZALEZ; WOODS, 2007). Segundo Ballard, (SWAIN; BALLARD, 1991), esta func ao
equivalente n ao e uma das melhores para o reconhecimento, pois h a muitos intervalos de cores
em que duas cores com intensidades parecidas s ao consideradas iguais, e uma cor depende de
onde est a localizada. Assim, o ideal e que as cores consideradas iguais estejam numa mesma
regi ao, cuja forma esteja relacionada ` as possveis variac oes de rudo e brilho.
O histograma de cores carrega informac oes sobre a distribuic ao destas, sendo que seu ponto
negativo e com relac ao ` a localizac ao das cores. Al em disso, um histograma que compreende
uma imagem por inteiro e possui regi oes pequenas, resulta na perda de detalhes, pois isso
prejudica a produc ao de picos altos no gr aco.
Em suma, existem muitos locais no histograma que n ao apresentam nenhum pixel. Zhang
(GONG HONGJIANG ZHANG, 1994) considera neste caso apenas vinte regi oes do topo da imagem
como relevantes para serem pixels representativos no histograma.
Por este motivo, neste trabalho, quando aplicada a t ecnica de agrupamento por histograma,
para evitar problemas de localizac ao das cores, ser a realizada a convers ao da imagem para es-
cala de cinza, ou seja, a imagem antes colorida que possua um valor vetorial de tr es dimens oes
denominadas RGB (Red, Green, Blue), com a transformac ao para tons de cinza, o estudo do
comportamento da imagem ser a feito numa escala vetorial de uma dimens ao (FREY, 2003).
Dessa maneira, o histograma tem comportamento tal que quando os pixels s ao representados
no gr aco, o eixo X reete os valores da escala de cinza que a imagem pode assumir e o eixo
Y a frequ encia com que estas tonalidades ocorrem, conforme pode ser visualizado na Figura 3,
onde pode ser vericado o gr aco de histograma gerado pela imagem em escala de cinza.
20
Figura 3: Segmentac ao Por Histograma; Darly G. de Sena Junior; 2003
O pico e formado pelos elementos existentes entre os vales e a identicac ao e marcac ao
deles na imagem original forma os segmentos da imagem. Os histogramas podem ter quatro
comportamentos distintos. Se os picos estiverem mais para a esquerda remete que a imagem
est a escura, se mais para a direita ela se encontra mais clara. Uma vez que os picos estejam
mais nos centros e com o eixo y alto, a imagem esta em um contraste baixo, logo se os picos
no eixo y estiverem baixos, a imagem se encontra em um contraste alto (GONZALEZ; WOODS,
2007).
2.2.1.2 Segmentac ao Por Limiarizac ao
A limiarizac ao ou tresholding e uma das mais importantes abordagens para a segmentac ao
de imagens, devido ` as suas propriedades intuitivas, simplicidade de implementac ao e velocidade
computacional. Logo, tem uma posic ao central em aplicac oes de segmentac ao de imagens
(GONZALEZ; WOODS, 2007).
Ap os ser gerado o histograma da imagem, aplica-se a limiarizac ao que analisa os nveis de
cinza an alogos da imagem, extraindo os objetos de interesse atrav es da selec ao de um limiar T
que separa os agrupamentos de nveis de cinza.
Uma imagem limiarizada g(x,y) e denida como:
g(x, y) = 1 sef(x, y)T
0 sef(x, y) T
(GONZALEZ; WOODS, 2004)
onde f(x,y) corresponde ao nvel de cinza do ponto.
21
Os pixels rotulados com 1 correspondem aos objetos e os pixels rotulados com 0 corres-
pondem ao fundo e T e um valor de tom de cinza predenido denominado limiar.
A segmentac ao ent ao e efetuada, varrendo-se a imagem, pixel por pixel, identicando se o
pixel corresponde a um objeto ou fundo da imagem, sempre levando em considerac ao se o nvel
de cinza daquele pixel e maior ou menor que o limiar T.
A Figura 4 mostra o resultado da func ao descrita acima, obtida com base no histograma da
mesma quando em escala de cinza.
Figura 4: Segmentac ao Por Limiarizac ao; Darly G. de Sena Junior; 2003
Na pr atica, espera-se que a limiarizac ao seja perfeita, mas isso depende muito das condic oes
a que a imagem foi exposta, pois como esta t ecnica deriva dos nveis da escala de cinza e um
simples feixe de luz indesejado altera o resultado, espera-se que os ambientes de aplicac ao da
t ecnica sejam altamente controlados. Podemos ter esse controle em ind ustrias, por exemplo,
onde esta t ecnica e aplicada nas inspec oes industriais, onde se tem o controle da iluminac ao no
momento da captura da imagem (GONZALEZ; WOODS, 2004).
2.2.2 M etodo de Segmentac ao no Domnio Espacial
O conceito de domnio espacial refere-se ao pr oprio cen ario da imagem, e as t ecnicas uti-
lizadas nesse m etodo constituem-se na manipulac ao direta dos pixels na imagem, ou seja, o
m etodo de agrupamento no domnio espacial opera diretamente nos pixels das imagens que s ao
expressas pela func ao: g(x,y) = T [f(x, y)]
no qual, a func ao f(x,y) e a imagem de entrada e a func ao g(x,y) e o resultado da imagem,
i.e., a imagem processada. O T e um operador que age sobre f denindo os pixels que comp oem
uma vizinhanca dada por uma coordenada (x,y) na imagem (GONZALEZ; WOODS, 2000).
22
O foco para denir uma vizinhanca em torno de (x,y) se d a usando uma sub-imagem, no
qual o quadrado central e movido pixel a pixel aplicando o operador para cada posic ao (x,y) da
imagem, de forma a obter, ent ao, a func ao g naquele ponto (GONZALEZ; WOODS, 2004).
O T tamb em pode ser da forma mais simples, fazendo com que a func ao g dependa apenas
do valor de f em (x,y), caracterizando assim T uma func ao de transformac ao em nveis de cinza
da forma: S = T(r)
Onde s e r s ao vari aveis que indicam os nveis de cinza nas func oes g e f em qualquer ponto
da imagem.
Como o realce de qualquer ponto da imagem depende estritamente do nvel de cinza do
ponto, denominamos as t ecnicas desta categoria como processamento ponto a ponto (GONZA-
LEZ; WOODS, 2000).
2.2.2.1 Crescimento de Regi oes
Assim como na Limiarizac ao, na segmentac ao orientada a regi oes, analisa-se a similaridade
dos nveis de cinza da imagem. O crescimento de regi oes e um procedimento que agrupa pixels
ou sub-regi oes em regi oes maiores. Uma das mais usadas e simples abordagens e a agregac ao
de pixels, que comeca com a denic ao de um par de coordenadas de pontos denominados se-
mentes e, a partir deles, expandem-se as regi oes anexando a cada ponto somente aqueles pixels
que possuam propriedades similares (como nvel de cinza, textura ou cor) (GONZALEZ; WOODS,
2000).
Umas das diculdades inerentes ` a essa t ecnica e a selec ao das sementes que representam
a regi ao de interesse na imagem, e a selec ao das propriedades de inclus ao dos pontos quando
h a o crescimento das imagens. Portanto, a selec ao das sementes vai depender do problema
a ser processado. Como exemplo da aplicac ao dessa t ecnica, a literatura cita o Processo de
An alise de Imagem Autom atico de Detecc ao de Armas escondidas (GESICK CANER SARITAC,
2009) no qual utilizam-se diversas t ecnicas de processamento de imagens e uma delas e a de
crescimento de regi oes. Neste caso, a semente escolhida e grupo de pixels que corresponde ao
gatilho da arma, j a que normalmente se constitui num padr ao invariante nas armas, permitindo
o reconhecimento do objeto a partir do agrupamento das regi oes e excluindo falsos positivos
devido a formatos parecidos. Cabe ressaltar que, nesta aplicac ao, a simples utilizac ao dos algo-
ritmos para o crescimento de regi oes n ao garantia a correta detecc ao de armas, gerando falsos
positivos. A eci encia do processo foi conquistada a partir do uso combinado deste com os
padr oes do gatilho. Dependendo do percentual de correspond encia da imagem digitalizada com
23
os padr oes estabelecidos, as imagens s ao ent ao totalmente digitalizadas e comparadas com a
linha de base e de rotac ao de uma arma verdadeira, permitindo assim a reduc ao da percentagem
de falsos positivos.
2.2.2.2 Watershed
O m etodo de Watershed consiste basicamente e como o pr oprio nome j a diz na traduc ao
para o portugu es, um divisor de aguas. Pode ser comparado com uma cadeia de montanhas que
divide a agua da chuva em regi oes para onde ela corre (SOILLE, 2003).
Este m etodo utiliza o m odulo dos gradientes, as variac oes da intensidade luminosa, ou seja,
ele calcula o gradiente para todos os pixels da imagem. Uma montanha possui vales e picos.
Se expandirmos essa met afora para os procedimentos adotados pelo m etodo de Watershed,
podemos dizer que esses pontos de interesse s ao denidos pelo gradiente: as regi oes mais baixas
correspondemao menor gradiente e as regi oes altas seriamas de maior gradiente. Ocrescimento
de regi oes seria, ent ao, equivalente ` a inundac oes derivadas de pequenos furos nas regi oes de
gradiente menor. Por conseguinte, a inundac ao atingir a progressivamente os gradientes maiores,
ou seja, todos os pixels da imagem.
Dessa forma, a partir dos limiares da imagem calculam-se as zonas de abrang encia de cada
limiar dentro do pr oximo. Como a imagem a ser processada foi convertida para nveis de
cinza, somente alguns pixels s ao tratados em cada etapa. Dessa maneira, em vez de digitalizar
a imagem inteira para modicar o valor de alguns pixels, um pixel tendo acesso ao outro j a
garante a execuc ao do procedimento (VINCENT; SOILLE, 1991).
Um problema quanto ` a utilizac ao do Watershed que utilizasse de gradientes e o agrupa-
mento de regi oes que possuem o mesmo gradiente mas com homogeneidade diferente, al em de
que a classicac ao dos gradientes e dada ap os a inundac ao, dicultando o desempenho do algo-
ritmo do Watershed. Em func ao disso, h a que se tomar especial cuidado quando da utilizac ao
dessa t ecnica, tendo em vista que ela n ao pode ser aplicada para todas as situac oes, uma vez
que estudos e testes de ec acia pr evios s ao imprescindveis (SOILLE, 2003).
A gura 5 exemplica os passos de execuc ao do algoritmo de Watershed: em (a), visualiza-
se a construc ao dos mnimos e m aximos da func ao, obtidos a partir dos diferentes gradientes da
imagem. O item (b), demonstra o nicio do processo de inundac ao das bacias j a denidas pelo
processo exemplicado em (a). Os passos seguintes, (c), (d) e (e) mostram o crescimento das
regi oes inundadas em (b). Por m, em (f) visualiza-se o resultado nal da segmentac ao pelo
m etodo de Watershed.
24
Figura 5: T ecnica de Watershed; Bruno Klava; 2009
2.2.3 Morfologia
A Morfologia Matem atica consiste em uma abordagem n ao-linear para o processamento
de imagens. Ela e denida a partir de um conjunto de transformac oes que auxiliam na an alise,
segmentac ao e reconhecimento, tendo como base a informac ao da geometria desta imagem e da
forma dos seus objetos. A linguagem da morfologia no ambito do processamento de imagens e
dada pela teoria dos conjuntos, que representam a forma dos objetos na imagem.
25
Quando se trabalha com imagens bin arias, o resultado da junc ao de todos os pixels pretos
da imagem e a descric ao completa dela, que pode ser representada da forma Z
2
, onde cada
elemento do conjunto e um vetor bidimensional cujas coordenadas s ao (x,y). Entretanto, as
imagens em escala de cinza tem o comportamento Z
3
onde dois componentes referem-se ` as
coordenadas e o terceiro corresponde ` a intensidade da escala (GONZALEZ; WOODS, 2007).
2.2.3.1 Eros ao e Dilatac ao
A eros ao e a dilatac ao s ao operac oes de extrema import ancia na morfologia do processa-
mento de imagens, e formam a base para a construc ao das transformac oes mais complexas.
Assim, numa cadeia morfol ogica de processamento de imagens, podemos encontrar um grande
n umero de operadores encadeados, todos denidos a partir destas func oes elementares (GON-
ZALEZ; WOODS, 2004).
A eros ao consiste em provocar efeitos de eros ao nas partes claras da imagem (altos nveis
de cinza), gerando imagens mais escuras, ou seja, encolhe objetos da imagem onde suas formas
e extens oes s ao controladas por um elemento estruturante, como pode ser visualizado na gura
6. Nela o segundo segmento e resultado da eros ao aplicada ao primeiro (GONZALEZ; WOODS,
2007).
Figura 6: Eros ao e Dilatac ao
A func ao matem atica que representa a eros ao e dada A por B, denotado AB, e denida
como:
AB = {x |(B)x A}
26
Onde a eros ao de A por B e o conjunto de todos os locais do elemento estruturante e B n ao
tem sobreposic ao com o fundo (GONZALEZ; WOODS, 2004).
A dilatac ao tem por objetivo provocar efeitos de dilatac ao das partes escuras da imagem
(baixos nveis de cinza), gerando imagens mais claras, isto e, engrossa objetos em uma ima-
gem. O jeito mais f acil e especco de estender essa parte da imagem e usando um elemento
estruturante que geralmente e representado por uma matriz de 0s e 1s, onde, a parte da imagem
em que ser a realizado o espessamento est a codicada em 1s (GONZALEZ; WOODS, 2007).
O resultado desse procedimento pode ser visualizado na gura 6: o terceiro elemento da
imagem e o resultado da aplicac ao da dilatac ao no primeiro elemento.
Matematicamente temos a dilatac ao expressa como:
A B = {z |(B
)z A = }
O processo de dilatac ao comeca na obtenc ao da reex ao de B em torno de sua origem,
seguido da translac ao dessa reex ao por z. A dilatac ao de A por B e ent ao o conjunto de todos
os deslocamentos z tais que A sobreponham-se em pelo menos um elemento n ao nulo.
Uma das aplicac oes para esse tipo de t ecnica e num processo desenvolvido pela Embrapa
(BALD M. F; ABREU, 2010), para o c alculo do peso dos animais, que e estimado a partir do uso de
imagens digitais, nas quais s ao aplicados diversos tratamentos, incluindo a dilatac ao e a eros ao
para uma melhor denic ao da imagem a ser analisada por softwares adequados ` a medic ao de
peso.
2.2.3.2 Abertura e Fechamento
Uma vez que a eros ao reduz a imagem e a dilatac ao a expande, a operac ao morfol ogica
de abertura e fechamento consiste no fato que a abertura ir a suavizar os contornos e eliminar
rudos de menor porte na imagem, enquanto o fechamento provoca a reac ao oposta ` a abertura,
fundindo as quebras da imagem em pedacos nos, eliminando pequenos buracos e preenchendo
fendas em um contorno (GONZALEZ; WOODS, 2000).
Pode-se, ent ao, concluir que a abertura e composta por uma eros ao seguida de uma dilatac ao.
O que acontece e que, apesar de serem operac oes opostas, uma n ao desfaz a outra (MARQUES;
NETO, 1999).
O fechamento e o oposto da abertura: uma dilatac ao seguida por uma eros ao. Algumas
vezes completa uma textura, ou pode unir linhas que estavam pr oximas mas n ao se tocavam
(MARQUES; NETO, 1999).
27
Matematicamente, a abertura de um conjunto A por um elemento estruturante B, implica
A B, que podemos denir como:
A B = (AB) B
Onde representa a abertura, a eros ao e a dilatac ao. Em outras palavras, a
abertura de A por B e a eros ao de A por B seguida de uma dilatac ao do resultado obtido por B.
O fechamento do conjunto A pelo estruturante B resulta em A B, e e denido como:
A B = (A B) B
No qual e o fechamento, e a dilatacao e a eros ao da imagem.
Assim, podemos dizer que ocorre uma dilatac ao de A por B, seguida de uma eros ao do re-
sultado pelo mesmo elemento estruturante B. Estas propriedades auxiliam na interpretac ao dos
resultados obtidos quando as operac oes de abertura e fechamento s ao utilizadas para construir
ltros morfol ogicos (ROERDINK; MEIJSTER, 2000).
Esse captulo demonstrou que h a muitas formas de se trabalhar com as imagens. Sendo
assim, o pr oximo captulo se dedica a apontar alguns trabalhos desenvolvidos na area de pro-
cessamento de imagens, que utilizam os m etodos e t ecnicas descritos no decorrer das ultimas
sec oes.
28
3 Trabalhos Relacionados
Existem v arios trabalhos relacionados com a presente proposta. Neles s ao encontradas
aplicac oes que v ao desde restaurac oes, estudo de doencas em culturas agrcolas at e medic oes
de n ucleos de nuvens e detecc ao de doencas como o c ancer de mama.
Junior et ol (JUNIOR FRANCISCO DE A. DE C. PINTO; TEIXEIRA, 2003), por exemplo, utilizou
a t ecnica de limiarizac ao para estudar as imagens de plantas de milho atacadas por lagartas.
Nesta pesquisa foram utilizadas imagens de plantas atacadas e n ao atacadas, em tr es epocas
distintas e sob a inu encia de luminosidades diferentes, correspondendo a diferentes dias ap os
a infestac ao, de forma que foram criados tr es grupos com dez imagens cada.
A imagem da planta de milho atacada pela lagarta foi processada em escala de cinza o
que neste caso especco e fundamental, pois permitir a que a palha presente no solo, devido ` a
utilizac ao do sistema de plantio direto, apareca em tons mais claros que as folhas das plantas vi-
vas, possibilitando a sua diferenciac ao e, por conseguinte, a n ao interfer encia no processamento.
Assim, foi realizada a limiarizac ao a partir do histograma das imagens.
Apartir do tratamento das imagens por limiarizac ao, tornaram-se visveis os estragos causa-
dos pela praga na planta, j a que as folhas n ao deterioradas pela lagarta caram brancas, em con-
traste com as marcas deixadas pela lagarta que se tornaram pontos negros na imagem. Contudo,
as imagens de plantas atacadas nos est agios mais avancados apresentaram resultados piores em
relac ao aos outros est agios, devido ao maior n umero de objetos na imagem. Consequentemente,
um maior n umero de pixels nas bordas confundindo-se, ent ao, com a cor de fundo da imagem
(JUNIOR FRANCISCO DE A. DE C. PINTO; TEIXEIRA, 2003).
Visando ainda a qualidade, tem-se a restaurac ao de documentos hist oricos, tamb em im-
plementada com o uso da limiarizac ao (BERTHOLDO, 2007). A maioria das t ecnicas utilizadas
para restaurac ao de documentos hist oricos no ambito computacional tem como foco a retirada
de rudos das imagens causados pela degradac ao, de forma a melhorar a legibilidade do docu-
mento.
Uma imagem do documento danicado e gerada e ent ao processada para escala de cinza.
29
Ao gerar o histograma, percebe-se que h a picos intensos de pixels. Isso se deve ` as palavras
escritas, ou seja, o texto e mais escuro que o fundo. Logo, h a um destaque nesses pontos no
histograma correspondente.
Vale ressaltar que para que essas observac oes sejam v alidas, os documentos tem que ser
do tipo textual, onde o fundo e representado por tonalidades claras e o texto por tonalidades
escuras. Com a limiarizac ao da imagem, consegue-se suavizar os rudos dela, tornando-as mais
legveis de forma a possibilitar a extrac ao total do texto, de acordo com o gradiente da imagem
e o limiar denido.
Em suma, a limiarizac ao e capaz de eliminar problemas como rudos, nveis de contraste
e amenizar erros nos caracteres do texto. A aplicac ao do m etodo possibilita a melhoria na
legibilidade e na qualidade visual dos documentos para a leitura (BERTHOLDO, 2007).
Atualmente, o m etodo de segmentac ao de imagens por espaco e medida e utilizado em
sistemas de controle de tr afego, pois fornecem uma t ecnica ecaz para identicac ao de pla-
cas autom oveis pelas c ameras dos radares eletr onicos (MONTEIRO, 2002). Com o apoio da
segmentac ao de imagens e possvel fazer o reconhecimento da posic ao da placa e determinar os
caracteres que a comp oe.
O processo consiste em, tirada a foto do veculo, manipul a-la em uma escala de cinza
para que sejam visveis os caracteres, de modo a separ a-los do fundo da imagem. Gerando o
histograma desse processo tem-se os pontos de pico de pixels que correspondem aos caracteres,
e, por conseguinte o limiar que auxiliar a na pr oxima etapa do processamento.
Com o limiar do histograma denido, aplica-se, ent ao, a t ecnica de limiarizac ao que con-
verte a imagem para tons de preto e branco. O primeiro grupo de cor corresponde aos caracteres
e o segundo ao fundo da imagem.
Segundo Leonardo Hiss Monteiro (MONTEIRO, 2002), com a obtenc ao dos caracteres da
placa j a e possvel a aplicac ao de uma outra t ecnica que cortaria a placa em v arios segmentos,
estes denidos por um intervalo vertical de pixels pretos e brancos, para assim permitir a reti-
rada do caracter especco e compar a-lo com as informac oes contidas num banco de dados de
caracteres. Por m, com os segmentos j a retirados da imagem e devidamente comparados com
os disponveis no banco de dados, s ao visualizados os caracteres que comp oem a placa de modo
que e possvel a identicac ao do dono do autom ovel (MONTEIRO, 2002).
Baseados na t ecnica de Watershed no Domnio Espacial, existem sistemas automatizados
para a medic ao da concentrac ao dos n ucleos de condensac ao de nuvens por vis ao computaci-
onal (PINHEIRO; CORTEZ; MOTA, 2011), que captura uma amostragem do ar atmosf erico dentro
30
de uma c amera de nuvens est aticas. Nestas condic oes, as mol eculas de vapor s ao condensa-
das produzindo gotculas de agua, que ao atravessarem um feixe de raios laser, que denem o
volume da amostragem, tornam-se visveis e prontas para que seja aplicado o processamento e
aplicac ao da t ecnica.
A primeira fase e a convers ao da imagem em tons de cinza para a contagem autom atica do
n umero de condensac ao. A aplicac ao do Watershed consiste em manipular a imagem de modo
que ela se pareca com um relevo topogr aco, onde cada altura deste relevo e relativo a uma
intensidade de cinza. Ao se promover a inundac ao dos vales, a partir de seus mnimos locais
e as construc oes das bordas para evitar o transbordamento, destacam-se as linhas divis oras
de bacias, produzindo desta forma, a segmentac ao dos objetos presentes na imagem. Com a
transformada de Watershed e possvel, ent ao, obter a detecc ao e a contagem das gotculas de
agua formadas dentro do volume de amostragem. O uso desta t ecnica, nesse escopo, e para a
identicac ao das gotculas de agua parcialmente sobrepostas no volume da amostragem, e como
na construc ao do mnimo local por gotcula, favorece a n ao super segmentac ao e possibilita a
contagem e identicac ao (PINHEIRO; CORTEZ; MOTA, 2011).
Na area m edica encontramos o uso da t ecnica de Watershed para a detecc ao de tumores
mam arios de forma automatizada (HUANG; CHEN, 2004). A utilizac ao da t ecnica consiste no
uso de uma topograa que, no caso, j a vem convertida para a escala de cinza. A utilizac ao
do Watershed segmenta a imagem em v arias bacias e as inunda para assim obter a regi ao de
interesse. Neste caso, as bacias s ao os contornos dos tumores mam arios que na topograa
apareceriam como uma bacia de cor mais acentuada.
A detecc ao de tumores mam arios, atualmente, e realizada manualmente pelo m edico. Con-
tudo, a segmentac ao autom atica pode reduzir o tempo necess ario para esbocar um contorno
preciso e com alta precis ao.
As imagens de resson ancia magn etica t em sido utilizadas como um recurso potente na
detecc ao de cardiopatias e an alises do funcionamento cardaco. Para (RONDINA, 2001) este
processo de reconhecimento de imagem pode ser automatizado por meio de t ecnicas de proces-
samento de imagens.
Na pesquisa feita por (RONDINA, 2001), foi utilizada a t ecnica de Watershed para a segmentac ao
do ventrculo esquerdo.
O processamento se d a em tr es passos: pr e processamento, segmentac ao e p os processa-
mento, o que permite a visualizac ao da imagem segmentada. No pr e processamento, a imagem
do corte do exame que se deseja segmentar e tratada para nveis de cinza para uma melhor
31
comparac ao dos pixels. Na etapa de segmentac ao e aplicada a transformada de Watershed que
segmentar a a imagem em bacias, reforcando os contornos ao redor da parte do ventrculo es-
querdo que se deseja estudar. Com isso, obter-se- a uma imagem mais ntida, o que auxiliar a no
processo de an alise das condic oes fsicas do org ao.
A utilizac ao da transformada de Watershed possibilita a automatizac ao do processo de
detecc ao de problemas cardacos, antes feitos manualmente (RONDINA, 2001).
O presente trabalho de pesquisa compromete-se a tracar comparativos entre os resultados
obtidos por outros cientistas com os que ser ao obtidos com a criac ao de algoritmos de autoria
pr opria.
Para tanto, ser a estabelecido um estudo comparativo entre os resultados obtidos por (C.
LEITE J. S. S., 2011) que utilizou a t ecnica de segmentac ao de imagens e o trabalho desenvolvido
por (ZGHAL N.S. MASMOUDI, 2010) com a utilizac ao da t ecnica de Watershed.
No primeiro caso, Leite (C. LEITE J. S. S., 2011) utiliza a t ecnica de Limiarizac ao para me-
lhorar a visualizac ao dos resultados dos exames de mamograa, buscando formas facilitadas
para a detecc ao de possveis tumores mam arios a partir do estudo e processamento das imagens
das mamas. Para tanto, ele utiliza imagens de mamograas que ap os passarem por um processo
de tratamento de imagens com o uso da Limiarizac ao, permite denir as caractersticas dos
tumores percebidos, variando da forma mais regular ` a forma mais espiculada, cujo signicado
m edico indica tratar-se de tumores benignos ou malignos, fornecendo tamb em, formas de medir
o grau do tumor observado.
As imagens coletadas j a est ao em tons de cinza, e portanto, n ao precisam ser converti-
das para esse formato, passando diretamente ` a aplicac ao do algoritimo de limiarizac ao. A
limiarizac ao assume que a imagem se divide em duas classes, o fundo e o objeto procurado.
Assim, o m etodo procura encontrar o nvel de limiarizac ao otimo que divide a imagem dada
em duas classes. Para tanto, o processo aplicado encontra no histograma o ponto onde h a mais
picos de nveis de cinza da imagem, removendo o lado de maior intensidade at e que este -
que em equilbrio. Desta forma, consegue-se eliminar as partes da imagem desnecess arias ao
dign ostico, evidenciando e identicando o tumor (C. LEITE J. S. S., 2011).
A t ecnica de Watershed, utilizada por Zghal (ZGHAL N.S. MASMOUDI, 2010), consiste na di-
vis ao de uma imagem em areas homog eneas. O Watershed e denido como o pico de formac ao
limite entre duas bacias, operando sobre o gradiente da imagem, de forma que os contornos
s ao realcados favorecendo o aparecimento de locais de pontos m aximos na imagem. A altitude
da imagem e dada pelos nveis de cinza que podem ser analisados pelo histograma da imagem.
32
Contudo, em seu trabalho, ela combina a t ecnica de watershed com a t ecnica de Limiarizac ao de
OTSU que consiste em maximizar ou minimizar a vari ancia de intensidades dos pixels da ima-
gem no processo de Limiarizac ao, ou seja, o algoritmo assume que a imagem a ser limiarizada
cont em duas classes de pixels (por exemplo, primeiro plano e fundo), ent ao calcula o limiar
otimo que provoca a melhor separac ao entre essas duas classes de modo que a sua propagac ao
combinada (intra-classe vari ancia) seja mnima.
O algoritmo desenvolvido por Zghal (ZGHAL N.S. MASMOUDI, 2010), portanto, envolve as
duas t ecnicas citadas. O seu trabalho buscou tecer uma comparac ao de seu m etodo com com a
t ecnica pura do watershed. Ambas s ao aplicadas a imagens retiradas no banco de imagens da
Universidade de Berkeley na Calif ornia (ARBELAEZ; MARTIN, 2007). Aintenc ao da comparac ao
e determinar qual das t ecnicas e a mais eciente para segmentar imagens com caractersticas
distintas. O pr oximo captulo e composto por um survey de avaliac oes e comparac oes entre as
t ecnicas de processamento de imagem de comp oe este trabalho.
33
4 Surveys de Avaliac oes das T ecnicas
A segmentac ao de imagens e geralmente denida como a base para o processamento de
imagens, e consiste emsubdividir a imagemdigital emv arios pedacos. Emgeral, na segmentac ao
de imagens, os algoritmos s ao baseados em dois princpios b asicos: a caracterstica dos pixels e
as informac oes das regi oes pr oximas a eles. A maioria dos algoritmos de segmentac ao baseia-se
em dois personagens de pixels em nvel de cinza: descontinuidade e similaridade em torno das
bordas na mesma regi ao (DONG, 1999). A gura 7 lista as principais categorias de segmentac ao,
descrevendo em poucas palavras os diferenciais de cada m etodo, conforme pesquisa desenvol-
vida pela Universidade de Col umbia.
Figura 7: The Comparative Research on Image Segmentation Algorithms;Kang, W.-X.; Yang,
Q.-Q. Liang, R.-P; 2009
O grupo das t ecnicas de segmentac ao baseadas em aresta, descritas na primeira divis ao da
tabela acima e denido como um conjunto de pixels ligados e associados a diferentes regi oes,
34
onde existem descontinuidades intensas, mudancas no tom de cinza e variedades na textura.
Com base nessa teoria, existem as t ecnicas que se utilizam do histograma em escala de cinza de
gradientes de cores para segmentar e processar as imagens. Para esse grupo, a obtenc ao de um
resultado satisfat orio e dependente do equilbrio entre a detecc ao do objeto a ser segmentado e
os rudos presentes na imagem.
J a o grupo de t ecnicas de segmentac ao baseadas em regi oes (grupo 2 da Figura 7), apoia-se
na mudanca brusca da intensidade da imagem e leva em considerac ao os crit erios denidos na
limiarizac ao. Nesse grupo se encontra a t ecnica de limiarizac ao(tresholding), a t ecnica do cres-
cimento de regi oes e o Watershed encontradas na subclasse de Tresholding e Region Operating
e que s ao objetos deste estudo.
O terceiro grupo representa o grupo de t ecnicas e teorias especiais da segmentac ao que
correspondem a t ecnicas derivadas de outros campos de conhecimento como Walvelet, que
utiliza uma determinada func ao capaz de decompor e descrever outras func oes no domnio da
frequ encia, de forma a permitir a an alise destas func oes em diferentes escalas de frequ encia e de
tempo. Este grupo trabalha com morfologias matem aticas, gen etica de algoritmos e intelig encia
articial (KANG; YANG; LIANG, 2009).
A partir destas t ecnicas (KANG; YANG; LIANG, 2009), avaliou e comparou cada algoritmo
de segmentac ao, cujos resultados foram transformados numa refer encia crucial para algoritmos
de segmentac ao de imagens.
Baseado em uma uniformidade de regi ao, (LIPING; XINBO, 2004) aponta que as t ecnicas de
Limiarizac ao, Limiarizac ao Interativa(manual) e a Limiarizac ao de Otsu t em vantagens quando
se trabalha com a uniformidade da imagem e a manutenc ao da forma dos objetos. Al em disso,
foram avaliados e comparados os desempenhos dos algoritmos em experi encias de segmentac ao
de imagens. Os resultados podem ser vistos na Figura 8.
35
Figura 8: The Comparative Research on Image Segmentation Algorithms;Kang, W.-X.; Yang,
Q.-Q. Liang, R.-P; 2009
Embora haja uma innidade de algoritmos de segmentac ao concebidos dia ap os dia, ne-
nhum deles pode ser aplicado a todos os tipos de imagens e t ecnicas de segmentac ao real, pois
cada t ecnica visa uma determinada aplicac ao. O resultado da segmentac ao e afetado por muitos
fatores, tais como: homogeneidade das imagens, o personagem de estrutura espacial na conti-
nuidade da imagem, a textura, o conte udo da imagem e o car ater visual fsico. O melhor m etodo
de segmentac ao de imagem a ser aplicado e aquele que melhor se ajustar ` as caractersticas e ob-
jetivos que se busca alcancar com o processamento das imagens e, portanto, deve levar em
considerac ao todos estes fatores (KANG; YANG; LIANG, 2009).
Vale salientar, tamb em, os pontos fortes e fracos da t ecnica de Watershed, pertencente ao
grupo 2 de regi oes baseadas em segmentac ao, de acordo com a Figura 7 . Segundo (KLAVA,
2009) os pontos fortes da t ecnica de Watershed envolvem a f acil segmentac ao de diversos ob-
jetos com suas m etricas, contrastes, tamanhos e tamb em por ser denida somente no nvel de
precis ao de bacias primitivas implicando em eci encia. Por outro lado, como essa t ecnica e vol-
tada para atuac ao no nvel prim ario das bacias, onde e possvel uma precis ao maior, as partic oes
que correspondem ` as bordas cam decit arias, o que n ao deveria ocorrer, tendo em vista que
estas s ao parte do conjunto das bacias.
Outro problema desta t ecnica, relatado por (KLAVA, 2009), foi a possibilidade de fundir
duas regi oes, pois ao selecionar a bacia de menor grau comum dos v ertices correspondentes,
a t ecnica pode acabar fundindo outras regi oes gerando uma super segmentac ao. Um ponto
que merece bastante atenc ao e que n ao e possvel especicar diretamente a regi ao de interesse,
sendo necess ario que o usu ario navegue na hierarquia das bacias at e que todas sejam mostradas,
retirando assim a opc ao do usu ario de escolher onde ser a feita a divis ao, o que pode gerar o
36
aparecimento de bordas indesej aveis.
Em suma, os resultados da segmentac ao podem ser avaliados por dois m etodos. O primeiro,
denido como m etodo analtico, permite examinar e avaliar diretamente os algoritmos atrav es
da an alise de seus princpios, suposic oes, propriedades, exig encias, utilidade, complexidade,
entre outros itens, n ao dependendo de experimentos e podendo ser aplicado sem que o algoritmo
esteja completamente implementado. A aplicac ao desse m etodo e independente da natureza ou
objetivo da segmentac ao. J a o segundo e o m etodo emprico, que permite examinar e avaliar
um algoritmo de forma indireta, atrav es da aplicac ao de imagens-teste e medic ao da qualidade
do resultado da segmentac ao. Esse m etodo pode ser subdividido em dois tipos: de discrep ancia
e de qualidade (TAVARES, 2011).
O tratamento das imagens pode ser feito com a utilizac ao de diferentes softwares ou ambi-
entes que ser ao descritos com mais detalhes no pr oximo captulo.
37
5 Tecnologia de Software
Este captulo tem como nalidade apresentar a ferramenta que ser a utilizada nos experi-
mentos, discutindo e analisando os resultados que ser ao alcancados.
No mercado existem v arios softwares que fazem os trabalhos de quanticac oes, amostra-
gens, convers oes, edic oes etc. No entanto, os precos e as plataformas disponveis variam de
acordo com o produto escolhido, entre eles tem-se:
IDL (Interactive Data Language) (KRUSE, 2000).
Khorus. (SANDRI GERALD J.F. BANON, 2000).
Matlab (BARROS RODRIGO CARVALHO SOUZA COSTA, 2007).
Paraview (MORAES G. S., 2005).
ProEikon (BUSTOS MARCELINO P. S. SILVA, 2010).
Scion Image (TAKAHAGI et al., 2005).
Al emde seremusados de forma individual para resolver determinados problemas, devido ` as
caractersticas pr oprias de modelagem, as ferramentas, por compartilharem os mesmos blocos
fundamentais para processamento de imagens, a saber, aquisic ao da imagem, processamento
digital da imagem e processamento de malha, podem ser fundidas e utilizadas de forma com-
binada a m de maximizar os resultados (LOPES J.A.C. MARTINS, 2007), como pode ser visuali-
zado na Figura 9, que detalha caractersticas de cada ambiente de desenvolvimento usados no
processmaento de imagens descritos ao longo desta sec ao.
38
Figura 9: Softwares;D.S. Lopes, J.A.C. Martins, J.G. Campos e E.B. Pires; 2007
5.1 Matlab
O Matlab e uma ferramenta de f acil utilizac ao. Conta com interfaces amig aveis e possui
ferramentas poderosas para visualizac ao de dados, bem de acordo com a losoa de um labo-
rat orio de dados: f acil de experimentar e f acil de averiguar.
Oferece a opc ao de escrever os c odigos por linha de comando, j a tendo incorporado em suas
bibliotecas func oes especicas para o processamento de imagens. Permite, tamb em, que sejam
escritas novas func oes, em uma linguagem pr opria, por em muito parecida com a linguagem C
ou FORTRAN.
Como as func oes de processamento de imagens s ao nativas do pacote desta ferramenta,
pode-se optar por n ao escrever c odigos, e simplesmente manipul a-las de acordo com o escopo
denido.
Matlab e um sistema interativo de matrizes que pode ser usado tanto para o ensino de ma-
tem atica fundamental quanto para c alculos complexos de engenharia. O nome e uma abreviac ao
de MATrix LABoratory, e foi originalmente desenvolvido, com a intenc ao de facilitar o acesso
39
a matrizes, para os projetos LINPACK (Linear System Package) e EISPACK (Eigen System
Package). Hoje, o Matlab incorpora as bibliotecas LAPACK (Linear

Algebra Package) e BLAS
(Basic Linear

Algebra Subprograms) (GONZALEZ; WOODS, 2004).
O Matlab consegue executar uma sequ encia de ac oes atrav es de arquivos chamados de M-
les, que possuem a extens ao *.m. Os M-les s ao de dois tipos, os scripts les, que s ao
uma sequ encia normal de passos do Matlab e os function les, que s ao func oes criadas para
necessidades especcas (GONZALEZ; WOODS, 2007).
Uma forma de utilizar o MatLab para an alise e reconhecimento de padr oes, e usando SDC
Morphology Toobox for Matlab, que e um pacote para an alise e processamento de sinais. Ele
e composto por uma famlia de ltros chamados de operadores morfol ogicos, que permitem a
restaurac ao, segmentac ao e an alise das imagens e sinais de forma quantitativa.
No desenvolvimento deste trabalho, o processamento das imagens para comparac ao das
t ecnicas de Watershed e Limiarizac ao, ser a utilizada a ferramenta MatLab, tendo em vista que
esta possui as ferramentas adequadas para a manipulac ao das imagens, o que torna a tarefa mais
intuitiva pelas caractersicas funcionais citadas no decorrer desta sec ao. O resultado obtido com
o processamento das imagens e descrito no pr oximo captulo.
40
6 Resultados Obtidos
Nesta etapa, v arios testes foram realizados com a nalidade de vericar qual o melhor
m etodo para segmentar uma imagem. Para tanto, foram utilizadas imagens de duas bases de
dados (ARBELAEZ; MARTIN, 2007), (SOARES, 1998) tamb em utilizadas nos artigos de (ZGHAL
N.S. MASMOUDI, 2010), (C. LEITE J. S. S., 2011), os quais foram detalhados no captulo 3, sec ao
Trabalhos Relacionados.
A utilizac ao de bases de dados para os testes em segmentac oes de imagens e justicada
pelo fato que imagens s ao muito sensveis a variac oes de luminosidade, angulos e modelos de
m aquinas por exemplo. Por isso e importante usar um conjunto de imagens o menos suscetvel
a essas variac oes, pois do contr ario, a qualidade das imagens poderia prejudicar os resultados.
O banco de imagens de Berkeley (ARBELAEZ; MARTIN, 2007) possui uma s erie de ima-
gens, algoritmos, conjunto de dados(dataset), Benchmark, com o objetivo de fornecer uma base
emprica para a pesquisa sobre segmentac ao de imagem e detecc ao de fronteira. O mesmo
se aplica para o banco de imagens de mamograas (SOARES, 1998), que cont em um conjunto
de imagens digitalizadas de mamograas, como resultado da colaborac oes entre o Instituto de
Computac ao e o Departamento de Radiologia da Universidade Federal Fluminense. O principal
objetivo da disponibilizac ao destas imagens e facilitar pesquisas e desenvolvimentos ligados a
mamograas de rotina.
As mamograas s ao de pacientes diversos e cont em tanto tumores diagnosticados como
benignos quanto malignos. Cada imagem foi previamente diagnosticada pelo Departamento de
Radiologia da UFF, Hospital Universit ario Antonio Pedro e pelo IRSA - Instituto de Radiologia
s.a.. Estas imagens foram escaneadas por Luciana Marinho Soares em torno de 1200 dpi, e 256
tons de cinza e para que a selec ao do tumor que visvel nesta t ecnica, a imagem sofreu por um
processo no qual a imagem em escala de cinza foi transformada em negativo.
41
6.1 Limiarizac ao
Para os testes de identicac ao de tumores pela t ecnica de Limiarizac ao, Leite (C. LEITE J.
S. S., 2011) subdividiu o processo em dois subtestes. O primeiro utilizando uma imagem de
tumor maligno, como pode ser visto na Figura 10; e o outro com uma imagem de um tumor
benigno que ser a melhor detalhado ao longo desta sec ao.
Com o intuito de estabelecer um par ametro de comparac ao foi efetuado o tratamento da
imagempor meio da utilizac ao do m etodo de Watershed, emconfronto como trabalho desenvol-
vido por Leite, que aplicou a Limiarizac ao a estas mesmas imagens. Oc odigo da implementac ao
do processamento da imagem por meio das t ecnicas de Watershed e Limiarizac ao que ser a pos-
teriormente utilizada, est a anexo a esta monograa.
Figura 10: Tumor Maligno;Banco de Mamograas Digitalizadas
Utilizando-se da mesma imagem disponvel no banco de imagens (SOARES, 1998), com
o nome de mal5, neste projeto de pesquisa foi aplicada a t ecnica de Watershed, que e uma
func ao nativa do Matlab utilizada no c odigo dessenvolvido no escopo deste trabalho para o
processamento das imagens. O resultado obtido com a aplicac ao do m etodo de Watershed e
mostrado nas guras 11 e 12.
42
Figura 11: Imagem Original
Figura 12: Segmentac ao Watershed Li-
miar = 15.5
A gura 11 mostra a imagem original retirada do banco de imagens j a citado. J a na Figura
12 e possvel observar o resultado da segmentac ao quando aplicado um limiar = 15.5. Neste
caso, nota-se que o tumor maligno foi encontrado. Contudo, ainda aconteceram segmentac oes
em regi oes sem tumores, gerando, ent ao, falsos positivos. Isto e devido ao foto de que algoritmo
de Watershed trabalha com gradientes. O tumor est a destacado em uma regi ao mais clara,
conforme pode ser observado na Figura 11, onde ca ntido que ainda h a uma diferenca de
gradiente perante o resto da imagem, levando assim ` a segmentac ao dessas regi oes.
Como forma de testar as consequ encias da aplicac ao de diferentes limiares ` a imagem, a
mesma foi segmentada utilizando os limiares nos valores de 15.5, 13.5 e 17.5, conforme pode
ser visto nas guras 12, 13 e 14, respectivamente.
43
miar = 13.5
miar = 17.5
Os melhores resultados foram conseguidos com o limiar em 15.5 (Figura 12). Com o valor
do limiar em 13.5, (Figura 13), ocorre uma super segmentac ao das areas ao redor do contorno
do tumor, ao passo que com o limiar em 17.5 (Figura 14), n ao se consegue mais identicar o
tumor.
Para a segunda bateria de testes foi usada uma imagem do banco de imagens (SOARES,
1998) em que o diagn ostico e de tumor benigno, identicada no banco de imagens com o nome
de bem26. Essa mesma imagemfoi utilizada por (C. LEITE J. S. S., 2011) que no processamento
aplicou a t ecnica de Limiarizac ao e obteve o resultado indicado na Figura 15.
Figura 15: Tumor Benigno;Banco de Mamograas Digitalizadas
Na imagem original utilizada por Leite, (C. LEITE J. S. S., 2011) (Figura 16), neste projeto de
pesquisa foi aplicado o algoritmo de Watershed, cujo resultado obtido est a indicado na Figura
17.
44
miar = 5
Pode-se observar na Figura 17, o algoritmo n ao teve eci encia, pois n ao foi capaz de lo-
calizar e segmentar o contorno do tumor. Isso se deve aos diferentes nveis de intensidade da
imagem, ou seja, o algoritmo de Watershed trabalha com a segmentac ao calculando o gradiente
para todos os pixels da imagem.
O histograma presente na Figura 18 mostra detalhadamente a variac ao dos pixels e do gra-
diente na imagem original, o que explica os motivos pelos quais a t ecnica de segmentac ao pelo
algoritmo de Watershed n ao foi capaz de encontrar o tumor benigno.
45
Figura 18: Histograma gerado a partir da imagem original
Em suma, podemos concluir que a t ecnica de Watershed aplicada aos tumores malignos e
benignos n ao obtiveram resultados sucientemente relevantes para serem colocados ` a frente da
t ecnica de Limiarizac ao utilizada por Leite (C. LEITE J. S. S., 2011), uma vez que o objetivo do
processamento das imagens e permitir uma segmentac ao autom atica que dispense a comparac ao
visual da imagem original com a segmentada, de forma que os resultados apresentem o menor
grau possvel de falsos positivos, resultados estes que n ao foram encontrados na aplicac ao da
t ecnica de Watershed.
6.2 Watershed
Zghal (ZGHAL N.S. MASMOUDI, 2010) utiliza-se da t ecnica de Watershed para a segmentac ao
e detecc ao de uma forma melhor de processamento de imagens. Esta e aplicada ` a imagens retira-
das do banco de imagens (ARBELAEZ; MARTIN, 2007), onde as imagens disponveis j a passaram
por um pr e processamento e disponibilizando o melhor resultado encontrado at e ent ao.
46
Para que as comparac oes n ao sejam parecidas e com a nalidade de se aperfeicoar a t ecnica,
Zhal aplica umalgoritmo pr oprio na imagem. Esse algoritmo consiste na uni ao de duas t ecnicas:
Watershed e Limiarizac ao de OTSU, esta ultima consiste num algoritmo de processamento, no
qual assume-se que a imagem possui dois comportamentos. O primeiro seria relativo ao fundo
da imagem, e o segundo corresponderia ao objeto propriamente dito. O m etodo procura ent ao
um nivel otimo da imagem, pesando o histograma, removendo o peso da intensidade at e que
esta se torne mais leve. Repete-se esse processo n vezes at e que o equilbrio (ponto otimo) da
imagemseja encontrado. AFigura 19 estabelece umcomparativo entre a aplicac ao do algoritmo
de Watershed puro, o contorno proposto por Zghal, e o proposto pela base de dados Berkley.
Figura 19: Contorno por Watershed; Contorno Proposto por Zhal; Contorno Proposto pela Base
de Dados Berkley
Utilizando-se da mesma imagem disponvel no banco de dados de Berkley(ARBELAEZ;
MARTIN, 2007), no escopo desta pesquisa foi aplicada a t ecnica de Limiarizac ao disponvel nas
func oes nativas do Matlab, a m de reunir dados que permitam a comparac ao e determinac ao
47
de qual t ecnica foi mais eciente na segmentac ao quando comparados o resultado obtido pela
base de dados de Berkeley, e o resultado obtido com a aplicac ao da t ecnica de Limiarizac ao
proposta por este trabalho.
Como pode ser observado na Figura 19, Zghal utilizou imagens de tr es categorias dife-
rentes: objeto, natureza e animal. A Figura 20 mostra a imagem original da categoria objeto,
disponvel no banco de dados citado sobre a qual foram aplicados os m etodos de processamento
j a citados.
Figura 21: Limiarizac ao Equilibrada
Limiar = 0.2980
Com a Limiarizac ao equilibrada mostrada na Figura 21, j a e possvel a identicac ao do
objeto, no caso, o avi ao. Contudo, ainda aparecem rudos no canto inferior esquerdo que podem
ser retirados com um limiar mais baixo conforme mostrado na Figura 22, onde apresenta-se a
imagem gerada com a aplicac ao de um limiar = 0.2. J a a Figura 23 mostra o que acontece
quando se aumenta o limiar. Neste caso, percebe-se uma super segmentac ao, o que diculta a
identicac ao do avi ao.
Figura 22: Limiarizac ao com Limiar =
0.2
0.4
Com relac ao ` a categoria Natureza, foi utilizada a imagem presente na Figura 24. Os resul-
tados obtidos com a aplicac ao da Limirizac ao com um limiar equilibrado podem ser vistos na
48
Figura 25.
Limiar = 0.2314
Pode-se observar que a Limiarizac ao segmentou a oresta. Contudo, a lua que fora seg-
mentada pela t ecnica de Watershed aplicada nos testes da base de dados de Berkley (ARBELAEZ;
MARTIN, 2007), e na pesquisa proposta por Zghal (ZGHAL N.S. MASMOUDI, 2010) n ao foi en-
contrada. Este fato decorre de que h a pontos na imagem onde a intensidade luminosa e muito
elevada o que corresponde ` a oresta e ` a lua. Neste caso, a t ecnica assume um limiar ideal,
geralmente encontrado no vale entre estes dois picos e segmenta a imagem em duas classes,
fundo e imagem. A t ecnica com limiar otimo assumiu a oresta como imagem e o restante
como sendo fundo.
A Figura 26 mostra o histograma gerado a partir da imagem original processada.
49
Figura 26: Histograma Categoria Natureza
Se aumentarmos o limiar para 0.27 (Figura 27) e 0.4(Figura 28), pode-se observar que
no primeiro caso houve a sementac ao da lua, por em a imagem sofreu uma alterac ao grande
em relac ao aos rudos, n ao propiciando resultados satisfat orios que justiquem a aplicac ao da
t ecnica de Limiarizac ao. Em relac ao ao segundo limiar, (Figura 29), a imagem obtida apresen-
tou uma super segmentac ao, aparecendo ent ao, apenas a lua, que era um dos picos do histo-
grama. Como o limiar aumentou, o processo de Limiarizac ao destacou os pixels mais claro,
que correspondem aos picos mais ` a direita do histograma visualizado na Figura 26.
0.27
0.4
Na categoria animal, a imagemoriginal utilizada est a evidenciada na Figura 29. Aaplicac ao
50
da Limiarizac ao para comparac ao com a t ecnica de Watershed obteve o resultado expresso na
Figura 30.
Limiar = 0.4314
A aplicac ao da Limiarizac ao, neste caso, n ao obteve muito sucesso, pois mesmo aplicando
um limiar otimo, e possvel observar que al em do animal ter aparecido da imagem, que no caso
era o que queramos, encontramos tamb em outras partes da imagem, como o reexo na agua,
capim, n ao favorecendo o reconhecimento preciso do animal. Contudo, se compararmos com
a imagem segmentada por Zghal (ZGHAL N.S. MASMOUDI, 2010), Figura 31, e a segmentac ao
feita pela base de dados de Berkley (ARBELAEZ; MARTIN, 2007), podemos observar que tamb em
encontramos estes vestgios citados anteriormente.
Figura 31: Presenca de Outros Elementos Segmentados
Para que a presenca desses elementos seja retirada e necess ario que seja aumentado o limiar.
Na Figura 32, apresenta-se o resultado obtido com a aplicac ao de um limiar em 0.7. Neste caso,
conseguimos uma segmentac ao mais focada no animal e n ao nos outros elementos. A gura 33,
por sua vez, mostra o que acontece quando se aumenta o limiar. Neste caso, ocorreu uma perda
signicativa de conte udos da imagem.
51
0.7
0.9
Dessa forma, podemos concluir que e possvel a aplicac ao da t ecnica de Limiarizac ao na
imagem da categoria objeto, pois utilizando-se um limiar = 0.2 (Figura 22), obt em-se resul-
tados satisfat orios, indicando que h a um grande potencial para o uso desta t ecnica ao inv es
da t ecnica de Watershed, Watershed Modicada, apresentadas no trabalho de Zghal (ZGHAL
N.S. MASMOUDI, 2010) e Watershed segmentada pelo banco de imagens de Berkley (ARBELAEZ;
MARTIN, 2007).
A imagem da categoria Animal apresentada na Limiarizac ao otima, (Figura 30), apresentou
um resultado bem pr oximo do que fora conseguido por Zghal (ZGHAL N.S. MASMOUDI, 2010) e
pelo banco de imagens de Berkley. Todavia, os testes demonstraram que com uma limiarizac ao
maior que a ideal, pode-se obter um resultado ainda melhor, retirando alguns elementos que
apareciam a mais na segmentac ao pela t ecnica de Watershed.
O ponto negativo desta t ecnica e relativa ` a imagem da categoria natureza, que n ao obteve
resultados sucientes a ponto de ser considerada uma melhor segmentac ao em relac ao aos teste
realizados pela base de dados de Berkley e pelo autor Zghal (ZGHAL N.S. MASMOUDI, 2010). Fi-
cou evidente que, mesmo com um limiar otimo (Figura 25), ou variando este para mais ou para
menos (guras 27 e 28, respectivamente), a segmentac ao n ao conseguiu um resultado grati-
cante, ora segmentando certas areas, ora n ao, mantendo-se assim inst avel. Neste caso, a melhor
t ecnica para processamento desta imagem, se consideradas as t ecnicas abordadas neste traba-
lho de pesquisa, e a descrita por Zghal, que segmentou por Watershed e aplicou em conjunto a
t ecnica de Limiarizac ao de Otsu, evidenciando ainda mais os contornos que foram previamente
segmentados pela t ecnica de Watershed mostrada nos teste da base de dados de Berkley.
52
7 An alise do Processo de Desenvolvimento da Pesquisa
Neste captulo ser a feita uma an alise do processo de desenvolvimento da pesquisa, eviden-
ciando a forma de trabalho, erros e acertos cometidos.
7.1 Cronograma
1. Revis ao Bibliogr aca
2. Denic ao do grupo de estudo e coleta de informac oes referentes ao tema
3. An alise e escrita das informac oes obtidas na coleta de dados. Implementac ao do estado
da arte.
4. Identicac ao dos pontos negativos decorrentes das informac oes coletadas
5. Escrita e revis ao da monograa, juntamente com a implementac ao da t ecnica escolhida
Tabela 1: Cronograma das atividades
Agosto Setembro Outubro Novembro
ITENS 2
a
3
a
4
a
5
a
1
a
2
a
3
a
4
a
1
a
2
a
3
a
4
a
1
a
2
a
1 [1] [1] [1] [1]
2 [2] [2]
3 [3] [3]
4 [4] [4] [4]
5 [5] [5] [5]
53
7.2 Burn Down Chart
Para a realizac ao do presente trabalho de pesquisa foi utilizado o m etodo agil Burn Down
Chart, como forma de organizar o processo de pesquisa e facilitar a vericac ao semana a se-
mana quanto ao andamento do trabalho. Foram planejadas e executadas 110 horas de trabalho,
distribudas entre os diferentes itens constantes no cronograma proposto, conforme disposto na
Figura 34.
Figura 34: Burn Down Chart
Houveram semanas em que menos horas foram dedicadas ao estudo, mas que foram com-
pensadas nas semanas seguintes, de tal forma a evitar a sobrecarga nas ultimas semanas. Mesmo
com essa tentativa, e natural que haja uma intensicac ao do trabalho nas ultimas etapas, o que
garantiu a compensac ao das eventuais disparidades entre horas planejadas e executadas, de
forma que ao nal do perodo as 110 horas de trabalho foram cumpridas.
A raz ao para o n ao cumprimento semanal das horas planejadas e justicada pela necessi-
dade de cumprir outras atividades acad emicas, o que somado ao fato deste trabalho ter sido feito
individualmente, exigiu que nas semanas mais pr oximas ` as entregas intermedi arias e ` a entrega
nal fossem perodos de maior intensicac ao dos trabalhos.
54
Refer encias
ALBUQUERQUE, M. P. de; ALBUQUERQUE, M. P. de. Processamento de imagens: M etodos
e an alises. Disponvel em: http://www.cbpf.br/cat/pdsi/pdf/ProcessamentoImagens.PDF.
2000.
ARBELAEZ, C. F. P.; MARTIN, D. The Berkeley Segmen-
tation Dataset and Benchmark. June 2007. Disponvel em:
<http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/>.
BALD M. F; ABREU, P. G. d. . D. G. A. V. M. N. C. V. d. T. I. L. C. A. Processamento de
imagens digitais para utilizac ao no desenvolvimento de um software para estimar o peso de
sunos vivos. JINC 4
a
Jornada de Iniciac ao Cientca Embrapa/UnC 21 de outubro de
2010 Conc ordia, SC, v. 0, p. 1, 2010.
BARROS RODRIGO CARVALHO SOUZA COSTA, R. F. F. R. d. S. S. P. C. C. J. M. S.
Antonio Carlos da S. Implementac ao de segmentac ao da pele atrav es matlab/simulink utilizando
o especo de cores irgby. VII Encontro de Pesquisa e P os-Graduac ao (VII ENPPG) / VII
Encontro de Iniciac ao Cientca e Tecnol ogica (VII ENICIT) / I Simp osio de Inovac ao
Tecnol ogica (I SIMPIT), v. 0, p. 9, 2007.
BERTHOLDO, F. A. R. T ecnicas de Limiarizac ao para Melhorar a Qualidade Visual de
Documentos Hist oricos. Tese (Doutorado) UNIVERSIDADE FEDERAL DE MINAS GE-
RAIS, 2007.
BUSTOS MARCELINO P. S. SILVA, C. L. L. B. E. C. R. H. I. A. Predic ao de uidos em um re-
servat orio petrolfero utilizando m etodos de previs ao de s eries temporais. Trig esima Primeira
edic ao do Congresso da Sociedade Brasileira de Computac ao (CSBC 2011), v. 0, p. 8, 2010.
C. LEITE J. S. S., M. F. G. A. S. D. A. S. J. S. a. L. G. A utilizac ao de t ecnicas de limiarizac ao
para auxlio no diagn[ostico de c ancer de mama. 3
a
National Meeting of Biomechanical En-
ginering, v. 1, p. 2, 2011.
DATTA, R. et al. Image retrieval: Ideas, inuences, and trends of the new age. ACM Comput.
Surv., ACM, New York, NY, USA, v. 40, p. 5:15:60, May 2008. ISSN 0360-0300. Disponvel
em: <http://doi.acm.org/10.1145/1348246.1348248>.
DONG, L. X. L. A method of automatic thresholding based on articial intelligence. Microe-
lectronics & Computer, I, p. 25, 1999.
FERREIRA, A. B. de H. Dicion ario. [S.l.]: Positivo, 2005.
FREY, T. P. A. C. Processamento de Imagens em R. [S.l.]: sadsad, 2003.
GESICK CANER SARITAC, C.-C. H. R. Automatic image analysis process for the detection
of concealed weapons. Southern Polytechnic State University, v. 0, p. 12, 2009.
55
GONG HONGJIANG ZHANG, C. C. H. Y. Image database system with fast image indexing
capability based on color histograms. Proceedings of IEEE Region. 10s Ninth Annual In-
ternational Conference, Proceedings of IEEE Region. 10s Ninth Annual International Confe-
rence, v. 0, p. 23123, 1994.
GONZAGA, A. Reconhecimento e interpretac ao de imagens. Aula 9 - Reconhecimento e
interpretac ao de imagens. SEL -Departamento de Engenharia El etrica de S ao Carlos. Universi-
dade de S ao Paulo Disponivel em: http://iris.sel.eesc.sc.usp.br/sel886 2007. 2007.
GONZALEZ, R. C.; WOODS, R. E. Processamento de Imgens Digitais. [S.l.]: EDGARD
BLUCHER, 2000. 509 p aginas p.
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. [S.l.]: EDGARD BLUCHER,
2004. 954 p aginas p.
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing Using MATLAB. [S.l.]: ED-
GARD BLUCHER, 2007. 954 p aginas p.
HUANG, Y.-L.; CHEN, D.-R. Watershed segmentation for breast tumor in 2-d sonography.
Ultrasound in Medicine & Biology, v. 30, n. 5, p. 625 632, 2004. ISSN 0301-5629.
Disponvel em: <http://www.sciencedirect.com/science/article/pii/S0301562903012171>.
INA, S. Presentation of images for the blind. SIGCAPH Comput. Phys. Handicap., ACM,
New York, NY, USA, v. 0, p. 1016, September 1996. ISSN 0163-5727. Disponvel em:
<http://doi.acm.org/10.1145/242574.242576>.
JUNIOR FRANCISCO DE A. DE C. PINTO, R. L. G. Darly G. de S.; TEIXEIRA,
M. M. Avaliac ao de m etodos autom aticos de limiarizac ao para imagens de plantas de
milho atacadas por spodoptera frugiperda. Revista Brasileira de Engenharia Agrcola
e Ambiental, scielo, v. 7, p. 359 366, 08 2003. ISSN 1415-4366. Disponvel em:
<http://www.scielo.br/scielo.php?script=sci
a
rttextpid = S141543662003000200030nrm =
iso.
KANG, W.-X.; YANG, Q.-Q.; LIANG, R.-P. The comparative research on image segmenta-
tion algorithms. Education Technology and Computer Science, International Workshop
on, IEEE Computer Society, Los Alamitos, CA, USA, v. 2, p. 703707, 2009.
KLAVA, B. Segmentac ao interativa de imagens via transformac ao watershed. Tese (Dou-
torado) Instituto de Matem atica e Estatstica da Universidade de S ao Paulo, 2009.
KREIDER, D. et al. Introduc ao ` a An alise Linear. [S.l.]: Unb, 1980.
KRUSE, A. L. F. The spectral image processing system (sips) - interactive visualization and
analysis of imaging spectrometer data. Cooperative Institute for Research in Environmental
Sciences, University of Colorado, Boulder, v. 0, p. 19, 2000.
LIPING, Z.; XINBO, G. Image segmentation via fast fuzzy cmeans clustering[J]. [S.l.]:
Computer Engineering and Application, 2004.
LOPES J.A.C. MARTINS, J. C. e. E. P. D. Modelac ao geom etrica de estruturas humanas base-
ada em imagens de tomograa computadorizada. CMNE/CILAMCE 2007 Porto, 13 a 15 de
Junho, 2007 c APMTAC, Portugal 2007, v. 0, p. 13, 2007.
56
MARQUES

Oge; NETO, H. V. Processamento de Imagens Digitais. [S.l.]: Brasport, 1999.
MEZARIS V.; KOMPATSIARIS, I. S. Still image objective segmentation evaluating using
ground truth. [S.l.]: COST, 2003.
MONTEIRO, L. H. Reconhecimento de Placas de Veculos por Imagem. Tese (Doutorado)
Departamento de Ci encia da Computac ao IC/ UFF - defesa em 22/08/2002., 2002.
MORAES G. S., G. M. Avaliac ao de ambiente para manipulac ao e processamento de imagens
m edicas baseado em sistema livre. Departamento de Inform atica em Sa ude, Escola Paulista
de Medicina, Universidade Federal de S ao Paulo, Brasil, v. 0, p. 5, 2005.
PINHEIRO, F. G. d. M.; CORTEZ, P. C.; MOTA, J. C. M. Sistema autom atico para a
medic ao da concentrac ao dos n ucleos de condensac ao de nuvens por vis ao computacional.
Revista Controle & Automac ao Brasileira, scielo, v. 22, p. 296 307, 06 2011. ISSN
0103-1759. Disponvel em: <http://www.scielo.br/scielo.php?script=sci
a
rttextpid = S0103
17592011000300007nrm = iso.
ROERDINK; MEIJSTER. The watershed transform: Denitions, algorithms and parallelization
strategies. FUNDINF: Fundamenta Informatica, IOS Press, v. 41, p. 40, 2000.
RONDINA, J. M. Segmentac ao Interativa do Ventrculo Esquerdo em Sequ encias de Ima-
gens de Resson ancia Magn etica (Cine MR). Tese (Doutorado) Universidade Estadual de
Campinas, 2001.
RUDEK, M. Indexac ao e Recuperac ao Autom atica de Imagens e Reconhecimento de Che-
ques Banc arios Baseadas no Vetor de Comportamento. Tese (Doutorado) CEFET -
CENTRO FEDERAL DE EDUCAC

AO TECNOL
OGICA DO PARAN
A, 1999. Disponvel
em: http://www.las.pucpr.br/rudek/pdf/parte1.PDF.
RUDEK, M. Uma abordagem para indexac ao e recuperac ao autom atica de ima-
gens baseada em vetor de comportamento para automac ao industrial. Pontifcia
Universidade Cat olica do Paran a PUC PR, v. 1, p. 5, 2000. Disponvel em:
http://www.las.pucpr.br/rudek/pdf/artigoVsbai.pdf.
RUSS, J. C. The Image Processing Handbook. [S.l.]: CRC Press, 1998.
SANDRI GERALD J.F. BANON, R. M. d. M. A. L. C. S. ConcepC

Ao de uma arquitetura
de sistemas especialistas nebulosos para classicaC

Ao de imagens concepc ao de uma arquite-
rura de sistemas especialistas nebulosos para classicac ao de imagens. Instituto Nacional de
Pesquisas Espaciais (INPE), v. 0, p. 6, 2000.
SOARES, L. M. Banco de Mamograas Digitalizadas. March 1998. Disponvel em:
<http://www.ic.uff.br/
SOILLE, P. Morphological Image Analysis. [S.l.]: Springer, 2003. 391 p.
SWAIN, M. J.; BALLARD, D. H. Color Indexing. International Journal of Computer Vi-
sion. [S.l.]: Kluwer Academic Publishers, 1991.
57
TAKAHAGI, R. U. et al. Avaliac ao quantitativa das dimens oes oculo-palpebrais em por-
tadores de cavidade anoft almica em uso de pr otese ocular externa. Arquivos Brasileiros
de Oftalmologia, scielo, v. 68, p. 517 520, 08 2005. ISSN 0004-2749. Disponvel em:
<http://www.scielo.br/scielo.php?script=sci
a
rttextpid = S000427492005000400017nrm =
iso.
TAVARES, E. M. B. C. G. F. G. M. P. R. M. N. J. J. M. R. M etodos de segmentac ao para
modelac ao 3d do ouvido a partir de imagens. FEUP - Artigo em Confer encia Internacional,
I, p. 15, 2011.
VINCENT, L.; SOILLE, P. Watersheds in digital spaces: An efcient algorithm based on
immersion simulations. [S.l.]: Springer, 1991. 583598 p.
WANGENHEIM, P. D. r. E. C. Dr. rer.nat. Aldo von. Vis ao computacional. Disponvel em:
http://www.inf.ufsc.br/ visao/. 2009.
YU, D. et al. Quantication of neural images using grey difference. In: Proceedings of the 2006
workshop on Intelligent systems for bioinformatics - Volume 73. Darlinghurst, Australia,
Australia: Australian Computer Society, Inc., 2006. (WISB 06), p. 7380. ISBN 1-920-68254-
6. Disponvel em: <http://dl.acm.org/citation.cfm?id=1274172.1274184>.
ZGHAL N.S. MASMOUDI, D. An improved otsu based watershed segmentation and its imple-
mentation on virtex ii pro plataform. Systems Signals and Devices (SSD), 2010 7th Interna-
tional Multi-Conference on, v. 1, p. 5, 2010.
58
ANEXO A -- C odigo Fonte
Para a realizac ao deste trabalho foi desenvolvido um c odigo na linguagem do Matlab, que
pode ser visualizado na Figura 35. As func oes que tratam do processamento de imagens tais
como: Transformac ao para cinza, Limiarizac ao, Watershed s ao nativas do pr oprio Matlab,
sendo ent ao possvel chamar estas no decorrer do c odigo. A explicac ao de cada passo est a
comentada no c odigo.
Figura 35: Func ao para Segmentac ao de Imagens

Segmentação de Imagens - Limiarização e Watershed

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Segmentação de Imagens - Limiarização e Watershed

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDADE TECNOL

OGICA FEDERAL DO PARAN

AO DA IMAGEM DIGITAL EM PLANO CARTESIANO . . . . . . . . . 15

ECNICA DE WATERSHED; BRUNO KLAVA; 2009 . . . . . . . . . . . . . . . . 24

ECNICAS DE PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

ALISE DO PROCESSO DE DESENVOLVIMENTO DA PESQUISA . . . . . . . . 52

Anda mungkin juga menyukai