Análise ANATRO e Determinação de Volume a partir de Imagens de Anéis de

Crescimento

Lúcio André de Castro Jorge

Embrapa Instrumentação Agropecuária
Rua 15 de Novembro, 1452, C.P. 741, 13560-970, São Carlos, SP - Brasil
lucio@cnpdia.embrapa.br

Alex Jésus Cuadros Vargas

Departamento de Ciência da Computação e Matemática Computacional, ICMC-USP
Av Trabalhador São-carlense, 400 - 13566-590 - São Carlos, SP, Brasil
alexj@icmc.usp.br

Fabio Cassarotti Parronchi Navarro

Embrapa Instrumentação Agropecuária
Rua 15 de Novembro, 1452, C.P. 741, 13560-970, São Carlos, SP - Brasil
fabiocpn@gmail.br

Maria Augusta Rossot

Embrapa Florestas
Estrada, da Ribeira, Km 111, C.P. 319, 83411-000, Colombo, PR - Brasil
augusta@cnpf.embrapa.br

Valentin Obac Roda

Departamento de Engenharia Elétrica, EESC-USP
Av Trabalhador São-carlense, 400 - 13566-590 - São Carlos, SP, Brasil
valentin@sel.eesc.usp.br

Resumo fotografados com uma máquina fotográfica digital

O objetivo deste artigo é descrever o método de cálculo
de volume a partir da análise de troncos de árvores. As
técnicas para estimativa e análise de volume de árvores
a partir dos anéis de crescimento não são de interesse
apenas desta aplicação, mas sim em qualquer aplicação
que utiliza cálculo de volume a partir de seções
planares. Um método digital foi desenvolvido para
detectar anéis (contornos) de crescimento para a
análise de tronco. Foi utilizada uma técnica baseada na
triangulação de Delaunay tridimensional a qual permite
estabelecer a correspondência entre seções planares
adjacentes. Foram utilizados trinta discos de Pinus
elliottii de várias alturas ao longo do tronco
enquanto ainda na floresta. Foram calculados volumes
por idade usando o modelo tridimensional (3D)
reconstruído e comparado com a análise convencional.
Abstract
The purpose of this paper is to describe a volume
determination and reconstruction method applied to
tree volume calculation for stem analysis. The issues
involved in the detection and analysis of tree volume
from the rings are not unique to the application, but
are likely of interest to anyone developing volume
calculation from planar sections. A digital method was
developed to detect growth rings (contours) to stem
analysis. Then, it was used a technique based on a
tridimensional Delaunay triangulation which establish
the correspondence between adjacent planar sections.
Thirty discs of Pinus elliottii were taken at various
heights along the stem and photographed with a digital
camera while still at the forest. Volumes per age were
estimated using the 3D model reconstructed and
compared with conventional analysis.
1. Introdução
A análise de tronco (ANATRO) é uma técnica que
possibilita "o registro do crescimento passado de uma
árvore" [42], mediante a contagem e medição dos anéis
de crescimento de seções transversais tomadas a
diversas alturas no tronco. Nagel e Athari [43]
consideram a análise de tronco uma importante fonte
de dados para investigação sobre a reação do
crescimento em relação a fatores ambientais (bióticos,
abióticos) e ao manejo do povoamento (adubação,
desrama, desbaste); avaliação das alterações de forma
das árvores; sincronização das medidas dos anéis de
crescimento e determinação do número de anéis
ausentes como indicadores do grau de danos sofridos
pelas árvores e elaboração de modelos de produção.
Alguns trabalhos utilizam a análise ANATRO, para
estimar o volume das plantas, estimando assim a
produção. São utilizados vários cálculos por
triangulação para se estimar o volume, conforme
descrito por [43]. No entanto, muitos algoritmos para
reconstruir modelos tridimensionais a partir de seções
planares têm sido desenvolvidos em computação
gráfica visando a determinação do volume. Muitos
destes algoritmos usam os limites de regiões de
interesse para obter modelos tridimensionais [27].
Em geral, descobrir as regiões de interesse
automaticamente pode não ser fácil, se fazendo
necessário a segmentação da estrutura de interesse em
cada fatia. Com as estruturas já segmentadas, é natural
fazer uso de reconstrução de contornos para gerar os
modelos. No caso deste trabalho, as estruturas de
interesse são os anéis de crescimento.
Os algoritmos que reconstroem modelos
tridimensionais a partir de contornos têm que controlar
os problemas intrínsecos relacionados à significa que a diferença entre os diâmetros extremos é
correspondência, principalmente quando existem
ramificações ou divisões de estruturas de interesse. O
problema de correspondência surge quando é
necessário decidir quais regiões em fatias adjacentes
devem ser conectados. No caso do crescimento de um
galho, caso a fatia do tronco seja feita e também do
galho, pode ser necessário saber como o galho se
ligaria à estrutura. Quase toda técnica de reconstrução
ou supõe que o usuário define a correspondência
previamente ou assume a existência de um critério de
proximidade para decidir como conectar regiões
automaticamente contidas em seções de planares
adjacentes. Neste trabalho, é feita a separação dos
anéis a serem reconstruídos por morfologia matemática
e somente os adjacentes e correspondentes são levados
em consideração. Para a reconstrução 3D é utilizado o
método beta-Connection descrito por Nonato et al. [27]
justamente pelo critério automático de seleção das
seções planares a serem conectadas.
2. Revisão de Literatura
Tradicionalmente a análise de tronco tem sido
realizada para se obter a variação de altura em função
da idade na classificação de sítio, na elaboração de
tabelas de produção ou para se estudar o crescimento
em situações onde não há remedições extensivas de
parcelas permanentes [44]. No entanto, outros estudos
têm, também, utilizado essa técnica. No Brasil, citam-
se aqueles desenvolvidos para estudar a influência do
ritmo de crescimento na qualidade da madeira de Pinus
elliottii Engelm var. elliottii, os efeitos do desbaste na
madeira de Pinus elliottii e Pinus taeda, assim como o
efeito da desrama artificial em Pinus taeda L. [44].
Através da análise de tronco, além da reconstituição
do crescimento das árvores ao longo do tempo, é
possível avaliar uma série de características capazes de
fornecer informações sobre a qualidade das toras e da
madeira. Entre elas, citam-se a forma da seção
transversal e a conicidade das toras, a largura dos anéis
de crescimento, a proporção de lenhos inicial e tardio e
de alburno e cerne. Uma vez incorporada a medição
das dimensões das fibras, é possível estimar, também,
as proporções de madeira juvenil e adulta.
No que diz respeito à forma da seção transversal
das toras, a maior ou menor regularidade pode ser
expressa quantitativamente através dos parâmetros
ovalidade e excentricidade. O quociente entre o menor
e o maior diâmetro (d/D) determina a ovalidade,
enquanto o quociente entre o menor e o maior raio
(r/R) determina a excentricidade. Em termos práticos,
um valor de 0,90 para a ovalidade, por exemplo,
de 10%. A excentricidade diz respeito ao afastamento
da medula em relação ao centro geométrico da seção.
Quanto mais baixos os valores para ambos os
quocientes, mais oval e mais excêntrica será a seção
[44].
De forma oposta à ovalidade, a circularidade das
seções transversais do fuste é uma característica
extremamente desejável na produção de madeira
serrada e afeta diretamente a produtividade da unidade
industrial [44].
A forma das seções transversais depende de fatores
mais ou menos aleatórios, tais como a orientação das
raízes ou inserção dos galhos, mas, sobretudo, da
regularidade estática, que é função da unilateralidade
da copa, determinada pela direção e intensidade dos
ventos e declividade do terreno, entre outros fatores.
A análise de tronco é, no entanto, um procedimento
laborioso e caro. Todavia, com o avanço dos recursos
nas áreas de informática, especialmente digitalização e
análise de imagens, é possível e imprescindível o
aprimoramento da metodologia em curto período de
tempo. Alguns estudos já vêm sendo realizados, como
aqueles de Rosot et al. [44]. Alguns sistemas têm sido
apresentados na literatura visando processar a
informação oriunda de imagens.
Rosot et al. [43] utilizaram a imagem escanerizada
de uma fatia de Araucaria angustifolia (Bert.) O. Ktze.
para testar a viabilidade do uso de técnicas de análise
de imagem na estimativa de áreas transversais.
Em nenhum destes trabalhos foi utilizado a
estimativa de volume por reconstrução 3D, como
proposto neste trabalho.
Técnicas de reconstrução tridimensional (3D) para
análise de dados a partir de imagens 2D têm sido
aplicadas a diversas áreas [1], [7], [10] , abrindo
possibilidades enormes. O benefício de obter os
mesmos dados em 3D está na geração de modelos que
podem simular situações através de técnicas de
visualização 3D.
Para a reconstrução 3D a partir de imagens 2D
deve-se primeiramente obter as imagens, efetuar a
segmentação das mesmas, de tal forma que as
estruturas de interesse sejam identificadas e separadas,
extrair os contornos destas áreas segmentadas e a partir
dos contornos alinhados gerar o modelo 3D e a
posterior visualização e cálculos de volumes. Existem
vários métodos de gerar modelos 3D a partir de dados
2D encontrados na literatura, principalmente para
aplicações em medicina. Dentre estes, destacam-se
Fitzpatrick e Sonka [10], Kim e Horii [19] e Van
Metter et al. [22]. Neste trabalho foi utilizado o método
beta-Connection descrito por Nonato et al. [27], pela
possibilidade de se avaliar num futuro estruturas com
ramificações.
Três etapas são necessárias para gerar modelos 3D:
aquisição das imagens [1], segmentação [40], [29], e
reconstrução 3D [26]. A descrição de cada uma das
etapas é apresentada a seguir.
3 Aquisição e Segmentação dos Anéis de
Crescimento
As imagens foram obtidas diretamente no campo
através das fatias coletadas a 0,0m; 0,3m; 0,7m; 1,3m e
de 1 em 1 metro ou entre os verticilos ao longo do fuste
até a altura total. A direção Norte também foi marcada
nos discos para, posteriormente, organizar as fatias
com a mesma orientação em relação umas às outras.
Após o corte, a superfície das fatias foi escovada com
álcool com a finalidade de remover resíduos de
serragem, sujeira e excesso de resina. Em seguida cada
fatia foi colocada sobre a plataforma de um tripé,
recebendo uma etiqueta auto-adesiva para
identificação, colada na porção da casca, onde
constavam o número da árvore e da seção. Junto à fatia
foi colocada uma escala, fazendo-se coincidir o plano
da régua com o plano da superfície da fatia. Ainda na
floresta cada fatia foi fotografada com uma câmera
digital da marca Sony, modelo DSC-S85, CCD de 4,1
Megapixeis, resolução máxima de 2272 colunas por
1704 linhas, acoplada ao tripé e equipada com objetiva
de lentes Carl Zeiss, de distância focal variando de 34 a
102 mm em escala equivalente à das câmeras
convencionais, conforme montagem apresentada na
figura 1.
Figura 1: Obtenção das imagens no campo
Um exemplo de imagem obtida pode ser visto na
Figura 2. Observa-se um detalhe mostrando os anéis de
crescimento em destaque, evidenciando a qualidade da
imagem.
A segunda etapa da metodologia, a segmentação, é
o processamento das imagens com o objetivo de
identificar e selecionar elementos de interesse nas
imagens. Existem muitas técnicas de segmentação
descritas na literatura [40] e, em geral, podem ser
agrupadas nas seguintes categorias: baseadas em
bordas [5], [24], em regiões [2], texturas [18], [4],
modelos deformáveis [39], e técnicas híbridas [16].
 (a) (b)

Figura 2: Imagem de um anel digitalizado

A segmentação de imagens é um processo que

tipicamente particiona o domínio espacial de uma
imagem em subconjuntos mutuamente exclusivos,
chamados regiões, onde cada região é uniforme e
homogênea com respeito a algumas propriedades como (c) (d)
tom ou textura e cujos valores diferem, em alguns Figura 3: a) Imagem original separada do fundo. b)
aspectos e significados, das propriedades de cada Imagem dos anéis de crescimento segmentada por
região vizinha. Um bom processo de segmentação deve limiarização. c) Aplicação de filtragem morfológica. d)
resultar em regiões que sejam uniformes e homogêneas Detecção dos contornos dos anéis de crescimento.
com respeito a alguma característica. Por exemplo,
nível de cinza ou textura. Regiões adjacentes devem ter
valores significativamente diferentes com respeito à
característica segmentada.
Neste trabalho, foram utilizados os métodos de
limiarização de Otsu [41] para separar a madeira do
fundo, depois disso, a limiarização para segmentar os
anéis de crescimento. Como a textura da imagem
dificulta a aplicação da técnica de limiarização, os
resultados são filtrados posteriormente com uma
filtragem morfológica usando uma combinação de
aberturas e fechamentos na tentativa de retirar os Figura 4: Identificação e rotulação dos anéis de
artefatos e tornar mais uniforme os anéis [8]. Uma vez crescimento
filtradas as imagens, foram rotulados os anéis de
crescimento em cada uma. Estas técnicas de obtenção de modelos incluem a
Na figura 3, são apresentadas as imagens obtidas geração de modelos ótimos [32], [23], deformáveis
em cada um dos processos e um exemplo de anéis [34], e heurísticos [9], [3]. Estas técnicas usam teoria
rotulados pode ser visualizado sobre a imagem original dos grafos, geometria e métricas de proximidade para
conforme apresentado na figura 4. encontrar o modelo satisfatório a partir do contorno
que define a região de interesse na imagem. Também é
possível construir as malhas para geração do modelo a
4. Reconstrução e Visualização 3D
partir dos dados originais detectando isosuperfícies no
conjunto de dados, isto é, sem a extração de contornos.
A última etapa do processo é a reconstrução 3D,
Neste tipo de abordagem, as imagens das fatias formam
construção de modelos a partir de imagens
os dados do volume e cada unidade de volume é
segmentadas. No caso da reconstrução 3D conhecida
testada pela intersecção da superfície [20], [35]. Os
por geração de malha (GM), um modelo é definido por
modelos resultantes a partir de isosuperfícies
um número de células, as quais podem ser planares,
apresentam problemas adicionais quando comparadas
como triângulos, ou volumétricas, como os tetraedros.
com os modelos gerados a partir dos contornos. As
malhas são muito grandes, e os detalhes se perdem, o
que dificulta a definição se uma face da malha está posteriormente, sendo este o método manual de
dentro ou fora de uma superfície particular [28]. referência utilizado convencionalmente. Além desta,
foram obtidos por processamento de imagem os
O algoritmo Beta-connection começa criando uma diâmetros de forma semi-automática a partir das fotos
triangulação de Delaunay 3D [11] a partir dos conforme descrito em [44].
contornos orientados. Em seguida, é realizada uma
classificação do conjunto de tetraedros, onde são
identificados, por exemplo, tetraedros internos,
externos e reversos. A existência de um tetraedro
reverso descreve, em termos geométricos, uma boa
sobreposição entre dois contornos de níveis
consecutivos [26]. Este fato é utilizado como uma
heurística para identificar ramificações ou junções.
Após as conexões serem identificadas, tetraedros
externos, fora das ramificações importantes, são
eliminados. A técnica também inclui procedimentos
para checar a consistência do modelo gerado em
relação ao contorno original [30]. Versões anteriores
ao algoritmo Beta-Connection foram comparadas com
a construção tradicional de iso-superfícies [28] e outras
técnicas de reconstrução baseadas em Delaunay [27],
mostrando que para o caso de bifurcações este Figura 5: Interface para estudo de dendrocronologia e
algoritmo obtém uma boa resposta. Os testes realizados aferição dos anéis.
neste trabalho não utilizaram bifurcações o que
significa que o parâmetro beta não foi importante,
porém o interesse no algoritmo foi para os estudos
futuros e já serviu para entender o algoritmo utilizado.
A reconstrução foi realizada para cada anel
individualmente, selecionando-se, automaticamente,
em cada uma das fatias nas diferentes alturas da planta,
o anel correspondente. Ou seja, foram reconstruídos
todos os anéis 1, depois todos os 2, e assim por diante.
Para conferir os anéis de crescimento e também (a) (b)
proporcionar o estudo de dendrocronologia, foi
Figura 6: (a) Anéis selecionados, (b) tetraedros
desenvolvida uma interface de controle, conforme
reconstruídos no modelo 3D.
apresentado na Figura 5. Através desta interface era
possível visualizar um histograma em linha ao longo do
Os valores encontrados por [44] foram comparados
diâmetro para se conferir a idade da planta evitando os
com os volumes determinados pelo modelo 3D
falsos anéis.
reconstruído. Um exemplo de curva dos valores para
Os volumes reconstruídos podem ser visualizados
cada um dos anéis de crescimento pode ser observado
na figura 6, onde se apresenta os anéis de número 5 em
na figura 7. Os valores manuais e semi-automáticos
cada fatia e os tetraedros reconstruídos no modelo 3D.
baseados nos diâmetros medidos nas imagens descritos
em [44] foram comparados com o método proposto
5 Volume neste trabalho utilizando o algoritmo Beta-connection.
No gráfico da figura 7a, estão os valores de altura
Convencionalmente a altura total da árvore na idade da árvore medidos manualmente na floresta, os valores
correspondente ao anel é obtida somando-se a altura de calculados pelo método semi-automático obtido a partir
tomada da fatia inferior à altura estimada do término do dos diâmetros digitais [44] a partir dos anéis de
anel. Os volumes das seções foram calculados pelo crescimento e pelo método proposto a partir do
método de método do paralelismo ao anel algoritmo Beta-connetion. No gráfico da figura 7b, são
imediatamente anterior ou Smalian, descrito por Rosot apresentados os resultados para o volume estimado a
et al. [44], A somatória forneceu o volume total sem partir de medida manual, interpolação a partir das
casca a cada idade. Em [44] foram determinados os medidas de diâmetros de forma semi-automática e pelo
diâmetros manualmente com uma régua e
método de reconstrução 3D proposto neste trabalho 4. Bouman, C., 1995. Markov Random Fields and
usando o algoritmo Beta-Connection. Stochastic Image Models. Tutorial presented at IEEE
Inter. Conf. on Image Processing, Washington, 23-25.
30 5. Canny, J., 1986. A computational approach to
25 edge detection. IEEE Trans. Pattern Anal. Machine
Altura Estim ada (m )

20 Intell., 8, 679-698.
15 6. Clark, C.J., Burmeister, D.M., 1999. Magnetic
10 resonance imaging of browning development in
5
'Braeburn' apple during controlled-atmosphere storage
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
under high CO2. Hortscience, 34(5), 915-919.
Idade da árvore (anos) 7. Clark, C.J., Hockings, P.D., Joyce, D.C.,
Beta Connection Estimativa pelos Diâmetros Medida Manual Mazucco, R.A., 1997. Application of magnetic
resonance imaging to pre and post-harvest studies of
(a)
0,6
fruits and vegetables. Post-harvest Biol and Technol,
0,5
11, 1-21.
8. Facon, J. Morfologia matemática. 1998.
0,4
Volume (m)

9. Ekoule, A. B., Peyrin, F. C., Odet, C. L., 1991.

0,3
0,2
0,1
0
1 2 3 4 5 6
Beta Connection
(b)
Figura 7: (a) Alturas em metro para os 16 anéis de
crescimento e (b) volumes calculados a cada tronco de
cone partir dos métodos: manual, estimativa pelos
diâmetros e pelo proposto neste trabalho
8 Conclusões
Esta medotologia é inovadora e contribui para
aplicação de reconstrução 3D para cálculo de volume a
partir de imagens 2D.
Os resultados mostraram que o método é factível e
evita uma grande quantidade de cálculos efetuados
convencionalmente de forma manual, além de mostrar
uma forma de integração das ferramentas 3D de
modelagem e visualização nos estudos de
dedrocronologia e análise ANATRO.
References
1. Beutel, J., Kundel, H., Van Metter, R. L. (Eds.),
2000, Handbook of Medical Imaging, 1, Physics and
Psychophysics, SPIE Press.
2. Baraldi A., Parmiggiani F., 1996. Single linkage
region growing algorithms based on the vector degree
of match. IEEE Trans. on Geoscience and Remote
Sensing, 34(1), 137-148.
3. Boissonnat, J-D., 1988. Shape reconstruction
from planar cross sections, Computer Vision, Graphics
and Image Processing, 44, 1-29.
A Triangulation Algorithm from Arbitrary Shaped
Multiple Planar Contours, ACM Trans. on Graph.,
10(2), 182-199.
7 8 9 10 11 12 13 14 15 16
10. Fitzpatrick, J. M., Sonka, M. (Eds.), 2000.
Idade da planta Handbook of Medical Imaging, Volume 2, Medical
Calculado pelos Diâmetros Medida Manual Image Processing and Analysis, SPIE Press,
Washington DC, USA.
11. Fortune, S., 1994. Voronoi Diagrams and
Delaunay Triangulation. Computing in Euclidean
Geometry. Du, D-Z., Hwang, F.K. (Eds.), World
Scientific Pub. Co., 193-233.
12. Foster, M.A., 1984. Magnetic resonance in
medicine and biology. Pergamon, Oxford, U.K.
15. Hamann B., Chen J-L., 1994. Data point
selection for piecewise linear curve approximation.
Computer Aided Geometric Design, 11, 289-301.
16. Haris K., Efstratiadis S., 1998. Hybrid Image
Segmentation Using watersheds and Fast Region
17. Merging. IEEE. Trans. on Image Processing,
7(12), 1684-1699.
18. Kato Z., 1994. Multi-scale Markovian
Modelisation in Computer Vision with Application to
SPOT Image Segmentation, PhD Thesis, Universtity of
Nice.
19. Kim, Y., Horii, S. C. (Eds.), 2000. Handbook of
Medical Imaging, Volume 3, Display and PACS, SPIE
Press, Washington DC, USA.
20. Lorensen, W. E., Cline, H. E., 1987. Marching
Cubes: A high-resolution 3D surface construction
algorithm. ACM SIGGRAPH Computer Graphics
21(4), 163-168.
21. Mansfield, P., Morris, P.G., 1982. NMR
imaging in biomedicine. Academic Press, New York.
22. Van Metter, R. L., Beutel, J., Kundel, H. L.
(Eds.), 2000. Handbook of Medical Imaging, Volume
1. Physics and Psychophysics, SPIE Press, Washington
DC, USA.
23. Meyers D., Skinner, S., Sloan, K., 1992.
Surface from Contours, ACM Trans. on Graphics,
11(3), 228-258.
24. Monga, O., Deriche, R., Malandain, G.,
Cocquerez, J.P., 1991. Recursive filtering and edge
tracking: Two primary tools for 3D edge detection.
Image Vis. Comput., 9(4), 203-214.
25. Morris, P.G., 1986. Nuclear magnetic resonance
in medicine and biology. Oxford Univ. Press, Oxford,
U.K.
26. Nonato, L.G., Minghim, R., Oliveira, M. C. F.,
Tavares, G., 2001a. A Novel Approach for Delaunay
3D Reconstruction with a comparative analysis in the
Light of Applications. Computer Graphics Forum.,
20(2), 161-174.
27. Nonato, L.G., Cuadros-Vargas, A.J., Minghim,
R., Oliveira, M.C.F., 2005. Beta-connection:
Generating a family of models from planar cross
sections. ACM Transactions On Graphics. 24(4),1239-
1258.
28. Nonato, L.G., Minghim, R., Shimabukuro,
M.H., 2000. Qualitative Analysis of two
Reconstruction Techniques and their application in
Dentistry. Journal of Electronic Imaging, 9(4), 385-
393.
29. Pal, N., Pal, S., 1993. A review on image
segmentation techniques. Pattern Recognition, 26,
1277-1294.
30. Shewchuk, J. R., 1998. Tetrahedral Mesh
Generation by Delaunay Refinement. Proceeding of
14th. Annual Simposium on Computational Geometry,
ACM Press, 86-96.
31. Shimabukuro, M. H., Minghim, R., Licciardi,
P.R.D.B., 1998. Implementing Visualization
Procedures in Dental Applications, Proceedings of
Information Visualization '98, London, UK, IEEE CS
Press, pp.25-31.
32. Shinagawa, Y., Kunii, T. L., 1991. The
homotopy model: a generalized model for smooth
surface generation from cross sectional data, The
Visual Computer, 7, 72-86, 1991.
33. Schröeder, W.J., Martin, K., Lorensen, W.,
1998. The Visualization Toolkit, An Object-Oriented
Approach to 3D Graphics. 2nd ed. Prentice-Hall,
Englewood Cliffs, NJ.
34. Singh, A. Goldgof, E., Terzopoulos, E. (Eds.),
1998. Deformable Models in Medical Image Analysis,
IEEE CS Press.
35. Treece, G. M, Prager, R. W., Gee, A. H., 1998.
Regularised Marching Tetrahedra: Improved
Esosurface Extraction, CUED/F-INFENG Technical
Report 333, Cambridge University Engineering
Department.
36. Thomas, P., Kannan, A., Dgwekar, V.H.,
Ramamurthy, M.S., 1995. Non-destructive detection of
seed weevil-infested mango fruits by X-ray imaging.
Post-harvest Biol and Technol, 5, 161-165.
37. Wang, C.Y., Wang, P.C., 1989. Nondestructive
detection of core breakdown in “Bartlett” pears with
nuclear magnetic resonance imaging. Hortscience,
24(1), 106-109.
38. Wang, C.Y., Wang, P.C., Faust, M., 1988. Non-
destructive detection of watercore in apple with nuclear
magnetic resonance imaging. Scientia Horticulturae,
35, 227-234.
39. Xu, C., Pham, D.L. and Prince, J.L., 2000.
Image Segmentation using Deformable Models. in
Fitzpatrick, J. M., Sonka, M. (Eds.), Handbook of
Medical Imaging, 2, chapt. 3. SPIE Press.
40. Cuadros-Vargas, A.J.; Nonato, L.G.
Bidimensional delaunay mesh generation from images.
In: XXV CILAMCE, Iberian latin American Congress
on computacional Methods, 2004.
41. OTSU, N. ”A Threshold Selection Method from
Gray-level Histograms”. IEEE Transactions on
Systems, Man and Cybernetics, New York, v. SMC 9,
no 1, pp. 62-66, 1979.
42. HUSCH, B.; MILLER, C. I.; BEERS, T. W.
Forest mensuration. New York: Ronald Press Co.,
1982. 410 p.
43. NAGEL, J.; ATHARI, S. Stammanalyse und
ihre Durchführung. Allgemeine Forst- und Jagdzeitung,
Frankfurt am Main, v. 153, n. 9/10, p. 179-182, 1982.
44. ROSOT, M. A. D.; DISPERATI, A. A.;
FIGUEIREDO FILHO, A. F. Medição da área de anéis
de crescimento usando imagens digitais. Revista
Árvore, Viçosa, v. 25, n. 1, p. 79-88, 2001.