2018/1
UFSC – Campus Joinville
Joinville – Santa Catarina
COLIPE 2014/2
Análise de Imagens com ImageJ
esso de LigaçõesGiovani
Permanentes
Silveira de Magalhães Martins, giovani.martins@t2f.ufsc.br
1
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina
O intuito da função Filters>Median é reduzir o ruído na imagem ativa, substituindo cada pixel
pela mediana dos valores de pixels vizinhos. Para efeito de teste, definiu-se primeiramente um raio
de aplicação do filtro de 2 pixels, e posteriormente 4, como ilustra a Figura 2.
Nota-se que tanto a média como o valor de maior ocorrência, não apresentaram variações
significativas. Entretanto, o desvio padrão começa a apresentar redução significativa. Quando
aumentado muito este raio, a imagem começa a apresentar muito ruído, prejudicando análises visuais,
como demonstra a Figura 3.
2
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina
Desta forma, deve-se atentar para correta seleção dos raios de aplicação do filtro.
3
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina
40% 50%
56% 60%
70% 80%
a) Utilize o filtro Non-local means para eliminar o ruído. Qual é o efeito dos parâmetros Sigma
e Smoothing Factor sobre o histograma?
O parâmetro sigma reduz o ruído da imagem, deixando as regiões do sólido e do poro com as
cores mais homogêneas. Consultando o “User Guide”, é possível entender que este parâmetro denota
raio de decaimento do desvio padrão, fazendo com que os pixels das bordas tenham maior peso sobre
os de dentro da imagem. Assim, ao suavizar com sigmas muito elevados, a saída será dominada pelos
pixels da borda e especialmente pelos pixels do canto. Desta forma, o desvio padrão do histograma
reduz drasticamente com o aumento deste parâmetro.
O parâmetro smoothing fator é utilizado para suavizar a imagem, para isto, deve-se utilizar
valores maiores que 1. Entretanto, o aumento deste fator acaba desfocando a imagem, substituindo
cada pixel pela média da sua vizinha 3x3. Por isso, aconselha-se mantê-lo igual a 1, preservando a
nitidez e boa interpretação da imagem.
5
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina
6
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina
Como pode ser visto na Tabela 3, a porosidade pelo método manual deu aproximadamente
24,07%, enquanto no método de Otsu resultou em 25,07%.
Para determinar a distribuição de tamanho de grãos, foi necessário ajustar o ImageJ para
milímetros, com a função Set Scale. Posteriormente, realizou-se a análise de distribuição de grãos
com a função Analyze Particules, resultando na Figura 4.
7
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina
80
70
NÚMERO DE OCORRÊNCIAS
60
50
40
30
20
10
0
80
70
60
50
40
30
20
10
0
8
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina
d) Qual é o tamanho de grão mais provável? Uma distribuição Gaussiana (Normal) se ajusta
bem aos dados obtidos?
O tamanho de grão mais provável para o método manual é de 1.629mm², enquanto para o
método de Otsu 0,5107mm². Se analisarmos o comportamento da distribuição de grão, pode-se
perceber – principalmente no método Otsu – que ele se assemelha ao comportamento da distribuição
gaussiana.
O próprio ImageJ tem funções de interpretação de dados de grão com a função Gaussiana (curve
fitting), que se apresenta como um método iterativo, procedimento de “tentativa e erro”, no qual os
parâmetros do modelo de ajuste são ajustados de forma sistemática até que a equação ajuste os dados
o mais próximo possível. O “User Guide” mostra os passos que o software realiza para obter os
resultados:
1) Fazendo as primeiras estimativas de todos os parâmetros não lineares;
2) Calcular o modelo, comparando-o com o conjunto de dados e calculando um erro de ajuste;
3) Se o erro de ajuste for grande, o CurveFitter alterará sistematicamente os parâmetros e
retornará ao passo 2). O loop pára quando a precisão de ajuste é alcançada, o que em casos
difíceis nunca acontece. No último caso, o procedimento termina após um número imposto de
iterações ou reinicia.