Segmentação de Imagens - limiarização e Watershed

7/21/2019 Segmentao de Imagens - limiarizao e Watershed

1/59

UNIVERSIDADE TECNOLOGICA FEDERAL DO PARANA

DEPARTAMENTO ACADEMICO DE INFORMATICA

CURSO DE BACHARELADO EM SISTEMAS DE INFORMACAO

GUILHERME DA SILVA COSTA

SEGMENTAC AO DE IMAGENS: CONFRONTO ENTRE AS

TECNICAS DE LIMIARIZAC AO E WATERSHED

CURITIBA

2011


2/59

GUILHERME DA SILVA COSTA

SEGMENTAC AO DE IMAGENS: CONFRONTO ENTRE AS

TECNICAS DE LIMIARIZAC AO E WATERSHED

Trabalho academico apresentado para a disciplina

de Metodologia de Pesquisa, do Curso de Bachare-

lado em Sistemas de Informacao do Departamento

Academico de Informatica da Universidade Tec-

nologica Federal do Parana.

Orientador: Profo Marlon de Oliveira Vaz

CURITIBA

2011


3/59

AGRADECIMENTOS

Levei muito tempo para escrever os agradecimentos desta pesquisa. Trabalho difcil este de

descrever sentimentos em palavras. Nao tem uma equacao, tabela ou grafico para ajudar...

Assim comeco a encarar essa tarefa com o agradecimento especial ao Profo Marlon de

Oliveira Vaz que alem de meu orientador, foi um amigo que ofereceu sua grande inteligencia 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 compreensao, paciencia e carinho mesmo nos momentos de stress maior

e nas correcoes no meio da noite.

Agradeco desde ja os professores que ministram esta materia de Metodologia de Pesquisa

da Universidade Tecnologica Federal do Parana, Gustavo Alberto Gimenez Lugo e Marilia

Abrahao Amaral pelos conselhos, dicas, e paciencia para explicar o que e mais correto a se

fazer em determinadas ocasioes.


4/59

A mente de um homem expandida por uma nova ideia nao consegue

nunca voltaras suas dimensoes originais.(Oliver Wendall Holmes)


5/59

RESUMO

. Segmentacao de Imagens: Confronto entre as tecnicas de Limiarizacao e Watershed. 58

f. Curso de Bacharelado em Sistemas de Informacao, Universidade Tecnologica Federal do

Parana. Curitiba, 2011.

A area de processamento de imagens vem crescendo a cada dia. Possui aplicacoes em muitos

ramos da sociedade: programas espaciais, area medica, agricultura, pecuaria, entre outros. Ha

diversas tecnicas 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 tecnicas de processamento ja desenvolvidas, o presente trabalho de pesquisa e focado

na comparacao de eficiencia entre as tecnicas de segmentacao de Imagens Espaco de Medida

que compreende as tecnicas de Limiarizacao e de Watershed. As duas tecnicas 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 verificar a aplicabilidade das tecnicas ou quais os motivos que levam ao insucesso das

aplicacoes das tecnicas citadasas imagens selecionadas dentro do escopo estabelecido.

Palavras-chave: Processamento de Imagens, tecnicas, segmentacao, imagens,domnio espaco

e medida, domnio espacial, limiarizacao, watershed


6/59

ABSTRACT

. . 58 f. Curso de Bacharelado em Sistemas de Informacao, Universidade Tecnologica Federal

do Parana. 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 efficiency between the techniques of imagesegmentation 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


7/59

LISTA DE FIGURAS

FIGURA 1 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

FIGURA 2 VISAO DA IMAGEM DIGITAL EM PLANO CARTESIANO . . . . . . . . . 15

FIGURA 3 SEGMENTACAO POR HISTOGRAMA; DARLY G. DE SENA JUNIOR;

2003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

FIGURA 4 SEGMENTACAO POR LIMIARIZACAO; DARLY G. DE SENA JU-

NIOR; 2003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

FIGURA 5 TECNICA DE WATERSHED; BRUNO KLAVA; 2009 . . . . . . . . . . . . . . . . 24

FIGURA 6 EROS

AO E DILATAC AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25FIGURA 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 SEGMENTACAO WATERSHED LIMIAR = 15.5 . . . . . . . . . . . . . . . . . . . . 42



FIGURA 15 TUMOR BENIGNO;BANCO DE MAMOGRAFIAS DIGITALIZADAS 43


FIGURA 17 SEGMENTACAO WATERSHED LIMIAR = 5 . . . . . . . . . . . . . . . . . . . . . . . 44

FIGURA 18 HISTOGRAMA GERADO A PARTIR DA IMAGEM ORIGINAL . . . . . . 45

FIGURA 19 CONTORNO POR WATERSHED; CONTORNO PROPOSTO POR ZHAL;

CONTORNO PROPOSTO PELA BASE DE DADOS BERKLEY . . . . . . . . 46


FIGURA 21 LIMIARIZACAO EQUILIBRADA LIMIAR = 0.2980 . . . . . . . . . . . . . . . . . 47

FIGURA 22 LIMIARIZACAO COM LIMIAR = 0.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

FIGURA 23 LIMIARIZACAO COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47FIGURA 24 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48


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

FIGURA 27 LIMIARIZACAO COM LIMIAR = 0.27 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49




FIGURA 31 PRESENCA DE OUTROS ELEMENTOS SEGMENTADOS . . . . . . . . . . 50



FIGURA 34 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

FIGURA 35 FUNCAO PARA SEGMENTACAO DE IMAGENS . . . . . . . . . . . . . . . . . . . 58


8/59

LISTA DE TABELAS

TABELA 1 CRONOGRAMA DAS ATIVIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52


9/59

SUMARIO

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 Especficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.4 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.5 JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121.6 MOTIVACAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.1 TECNICAS DE PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.2 SEGMENTACAO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2.1 Metodo de Segmentacao no Domnio Espaco e Medida . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.2.1.1 Segmentacao Por Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.2.1.2 Segmentacao Por Limiarizacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.2.2 Metodo de Segmentacao no Domnio Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.2.2.1 Crescimento de Regioes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.2.2.2 Watershed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232.2.3 Morfologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.2.3.1 Erosao e Dilatacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.2.3.2 Abertura e Fechamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4 SURVEYSDE AVALIAC OES DAS TECNICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5 TECNOLOGIA DE SOFTWARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

5.1 MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

6 RESULTADOS OBTIDOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

6.1 LIMIARIZACAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

6.2 WATERSHED . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

7 ANALISE DO PROCESSO DE DESENVOLVIMENTO DA PESQUISA . . . . . . . . 527.1 CRONOGRAMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

7.2 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

REFERENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

ANEXO A -- CODIGO FONTE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58


10/59

9

1 Introducao

A area de processamento de imagens vem crescendo cada dia mais. Possui aplicacoes

em muitos campos, desde programas espaciais para o mapeamento geografico de planetas ate

aplicacoes em medicina, no melhoramento de contraste e brilho de imagens de raios X utilizadasno diagnostico 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 impressao que codificava os dados e os reconstrua. Essa tecnica apresentava alguns

problemas, especialmente na selecao e na distribuicao 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 satisfatorios (GONZALEZ;

WOODS, 2000).

O processamento de imagens consiste na interpretacao da imagem digital com o auxlio

de um computador. Podemos definir uma imagem como uma funcao f(x,y), onde x e y sao as

coordenadas em um plano cartesiano e identificam os pixels da imagem e fe a amplitude da

funcao. Ao par de coordenadas denominamos de nvel de cinza da imagem. Quando os valores

de (x,y) e a intensidade de f sao finitos, chamamos a imagem de imagem digital (GONZALEZ;

WOODS, 2000).

Cada resultado da funcao f(x,y)e um elemento da imagem, denominado pixel. Uma ima-

gem digital possui um numero finito de elementos e cada ponto corresponde a uma posicao em

um valor escalar ou vetorial. Se a imagem for colorida, o processamento ira trabalhar com o

valor vetorial, obtido pelo uso de tres dimensoes ou parametros (Red, Green, Blue) que cor-

respondem a diferentes combinacoes de intensidades das cores citadas. Contudo, se a imagem

for tratada em tons de cinza o comportamento sera dado, entao, por uma escala vetorial de

dimensao igual a um (FREY, 2003).

Ha muitos metodos utilizados no processamento de imagens, sendo que a escolha adequada


11/59

10

e aquela que melhor se adapta ao escopo pre-definido.

Os metodos de processamento abordados neste documento trabalham com imagens em tons

de cinza, pois isso facilita a interpretacao das areas de deteccao de pontos isolados, linhas ebordas da imagem, facilitando a aplicacao das tecnicas, ja que isso torna desnecessario o estudo

comparativo entre as tres dimensoes de intensidades geradas a partir de uma imagem colorida.

1.1 Objeto

O processamento de imagens envolve procedimentos que sao expressos de forma algortmica.

Dessa forma, as imagens podem ser interpretadas porsoftwarese manipuladas por computador

(GONZALEZ; WOODS, 2000).

O presente trabalho se dedica a comparacao do processamento de imagens pela tecnica de

segmentacao simples, que como aponta Wangenheim, possui diferentes subtecnicas, baseadas

no metodo de domnio espacial e no metodo de domnio de espaco e medida (WANGENHEIM,

2009).

O enfoque sera o confronto dos resultados obtidos a partir do modelo de agrupamento por

histograma e Limiarizacao (tecnica de segmentacao baseada em Espaco e Medida) e modelo deWatershed da tecnica de segmentacao baseada no conceito de Domnio Espacial.

1.2 Problema

O processamento de imagense caracterizado por solucoes e metodologias especficas, pois

tecnicas que funcionam bem em uma area podem ter comportamento totalmente oposto em ou-

tra, ja que as diferentes formas de manipulacao das imagens geram resultados dspares. Assim,

a definicao da tecnica mais adequada requer pesquisa e estudo que levem em consideracao os

objetivos pretendidos e gerem imagens adequadas a interpretacao que se faca necessaria (GON-

ZALEZ; WOODS, 2000).

1.3 Objetivos

1.3.1 Objetivo Geral

Confrontar o desempenho das tecnicas Watershed e Limiarizacao na segmentacao de ima-

gens diversas, com o intuito de identificar motivos que levam a escolha de uma das tecnicas em


12/59

11

detrimento de outra.

1.3.2 Objetivos Especficos

Utilizando a tecnica de segmentacao de Imagens pelo metodo de Espaco e Medida e pelo

metodo de Domnio Espacial pretende-se:

Identificar diferencas, semelhancas, pontos fortes e fracos das tecnicas de Limiarizacao e

Watershed, referentes aos metodos acima citados, respectivamente;

Implementar os algoritmos das tecnicas de Watershed e Limiarizacao utilizando a ferra-

menta Matlab;

Aplicar as tecnicas de Watershed e Limiarizacao a um conjunto de imagens ja estudadas

por outros autores, confrontando os resultados com os obtidos por eles;

Identificar motivos que sugiram a escolha de uma das tecnicas em relacaoa outra.

1.4 Metodologia

Este projeto sera desenvolvido com base nas seguintes etapas:

1. Estudo dos conceitos basicos do processamento de imagens:

Pesquisar sobre conceitos basicos do processamento.

2. Estudo das tecnicas:

Estudar as diversas tecnicas de processamentos de imagens.

Estudar as tecnicas de processamento de imagem Watershed e Limiarizacao

Definir quando e porque se utilizar determinada tecnica.

3. Analise dos metodos selecionados e realizacao de testes experimentais

4. Interpretacao dos resultados obtidos:

Estudo dos metodos Domnio no Espaco e Medida e Domnio Espacial.

Grau de complexidade da tecnica escolhida dentro do escopo.


13/59

12

Realizacao de testes experimentais utilizando o software MATLAB voltado para

calculos numericos.

Analise dos resultados utilizando metricas adequadas para comparacao entre tecnicasde segmentacao de imagens.

5. Escrita da monografia

1.5 Justificativa

Aarea de processamento de imagens vem sendo amplamente estudada, devido ao seu grau

complexidade e a enorme gama de aplicacoes possveis, tendo em vista que a sociedade esta

inteiramente conectada e busca-se a praticidade em tudo, entao, nada mais natural que, por

exemplo, o indivduo chegar em um mercado, fotografar um determinado produto e com uma

unica foto ter acessoas informacoes deste, simplificando assim a sua vida.

Nossa sociedade vem acumulando dados. Muitas vezes essas informacoes sao armazena-

das na forma de imagens. A historia da humanidade e muitas vezes contada atraves de registros

historicos no formato de imagens. Assim, recuperar e trabalhar com essas imagens,e, entao,

uma das grandesareas de aplicacao do processamento de imagens, pois a imagem permite co-nectar a informacao com o observador, de forma que elas se transformam em objetos, facilitando

a extracao de dados e a sua manipulacao.

1.6 Motivacao

Reconhecimento de imagens e umaarea ainda em estudo, e tem um campo de aplicacoes

muito abrangente. Reconhecer uma imagem, ou seja, relacionar uma imagem a um significado

e um processo muito complexo. E algo que desenvolvemos a partir das interacoes que temos

com o mundo, e, por isso mesmo, exige conhecimentos previos e envolve crencas sobre o que se

esta sendo analisado e o que se pretende fazer com o resultado do processamento das imagens,

uma vez que eles vao indicar as melhores tecnicas e os metodos mais eficazes a serem aplicados

durante o processo de tratamento das imagens.

Quanto a aplicacoes praticas, pode ser usado para identificar objetos de interesse em um

ambiente complexo, por exemplo, identificar objetos potencialmente perigosos em um aero-

porto, demonstrando, assim, a importancia do estudo do processamento de imagens na area de

computacao.


14/59

13

Desenvolver um trabalho na area de processamento de imagens envolve primeiramente

compreender alguns conceitos basicos que facilitam o entendimento das tecnicas e metodos uti-

lizados para a manipulacao de imagens. Por isso, o proximo captulo se dedica a apresentacao

desses conceitos e topicos.


15/59

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 sao que informacoes. O ato de processar uma imagem consiste em transformar estasinformacoes em objetos para facilitar a extracao dos dados. Sendo assim, podemos comparar o

Processamento de Imagens com a Computacao Grafica.

O primeiro, parte da imagem geralmente captada por uma camera, que apos passar por

etapas de processamento e transformacao fornece a informacao, de acordo com o representado

na Figura 1. O segundo parte da informacao definida e a transforma em imagens ou filmes.

Portanto, fica evidente que o Processamento de Imagens e a Computacao Grafica sao metodos

ate certo ponto divergentes, mas com um ponto de interseccao comum: as tecnicas pela qual a

imageme processada para a obtencao da informacao.

Figura 1: Processamento de Imagens


16/59

15

Quando observamos uma imagem pelo angulo da otica, temos, entao, que a imagem e um

conjunto de pontos que converge para formar a imagem, istoe, a imageme a base para que haja

a troca de informacoes.

O objetivo de muitas tecnicas e promover ao observador uma compreensao da imagem.

Todavia,e necessario um trabalho basico em torno do processo de percepcao visual.

As imagens que as pessoas percebem no dia a dia consistem em luz refletida advinda dos

objetos. Sua natureza basica de f(x, y) pode ser caracterizada pela quantidade de luz incidindo

na cena observada e tambem pela quantidade de luz refletida do objeto.

Para ser adequada ao processamento, a funcao f(x,y) e necessario que a imagem seja di-

gitalizada tanto espacialmente quanto em amplitude,de acordo com o disposto na Figura 2.Esta digitalizacao espacial e chamada de amostragem da imagem e a de amplitude chamada

de quantizacao em nveis de cinza, que sera enfatizada no decorrer do trabalho (GONZALEZ;

WOODS, 2004)

Figura 2: Visao da Imagem Digital em plano cartesiano


17/59

16

2.1 Tecnicas de Processamento de Imagens

Na area de deteccao e reconhecimento de imagens nao basta apenas representar a ima-

gem com diferentes cores ou graduacoes, tambeme necessario identificar e estabelecer dife-

rentes regioes na imagem. No processamento das imagens usamos tecnicas para obter essas

informacoes. Uma definicao mais formal e dada por Russ (RUSS, 1998), que afirma que pro-

cessar uma imagem consiste em melhorar a aparencia visual desta para a visao humana ou

prepara-la para analise e mensuracao das caractersticas e estruturas presentes.

As tecnicas dedicadasa analise de imagens podem variar significativamente com relacaoa

complexidade e a necessidade em tempo de processamento. E nesta area que vamos encontrar

um nvel elevado de dificuldade no tratamento da informacao (ALBUQUERQUE; ALBUQUERQUE,

2000).

Pode-se perceber que as tecnicas 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, sao: Vetor de Comportamento e a de Segmentacao da Imagem. A segunda tecnica

sera abordada na proxima secao desta monografia.

A tecnica do Vetor de Comportamento utiliza vetores para a representacao das imagens, de

forma que o sistema pode operar com um espaco menor de informacoes, facilitando os metodos

de busca para a comparacao dos ndices nos processos de selecao de segmentos ou pontos

especficos (RUDEK, 1999).

Segundo Zhang, (GONG HONGJIANG ZHANG, 1994), a divisao da imagem em subareas faci-

lita a localizacao das informacoes e esta localizacao pode ser dada pelo vetor de comportamento

V, cujo tamanho e dado por:

V = (M * N) + 1,

no qual M e N representam o numero de divisoes associadasa imagem, fornecendo a quan-

tidade de elementos do vetor de comportamento.

Para que o vetor seja unico e levando em conta que podem haver vetores iguais para imagens

diferentes,e adicionado um elemento que garanta a manutencao dessa consistencia.

A extracao da informacao consiste em uma varredura que analisa os pixels de cada regiao

da imagem. Nas sub-areas existe uma distribuicao da frequencia da variacao da cor.

Com o auxlio de um processo de varredura sobre os bits da imagem,e possvel determinar

os intervalos usados na construcao do vetor. Assim,e feita a contagem das ocorrencias das


18/59

17

cores da imagem e a separacao em grupos. O grupo que tiver maior ocorrencia e passado

para o vetor. Apos o preenchimento do vetor e gerado um ndice unico para ele na posicao

previamente gravada, como descrito antes. Uma outra facilidade que a utilizacao de ndices

traz,e a de facilitar a busca da imagem no banco de dados (RUDEK, 2000).

O uso de melhoramentos na imagem se da nesse ponto, quando se trabalha com os vetores

e nao com a imagem, como em outras tecnicas que serao citadas no decorrer desde trabalho.

Para a realizacao da busca dos vetores para posterior recuperacao da imageme necessario

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 buscae feita com a forma

de uma arvore do tipo top-down. O primeiro elemento a ser comparado e a primeira posicao

desse vetor, depois sao feitas ramificacoes equivalentes, e detectados provaveis candidatos a

serem a resposta. Apos este passo, compara-se as outras posicoes. Caso a imagem nao tenha

a combinacao correta dos vetores presume-se entao que a imagem nao corresponde aquelas

armazenadas (RUDEK, 1999).

2.2 Segmentacao de Imagens

Segundo o dicionario Aurelio (FERREIRA, 2005), segmentare Dividir em segmentos. A

tecnica de segmentacao subdivide uma imagem em regioes ou objetos proporcionais ao tamanho

do problema a ser resolvido, isto e, a segmentacao deve parar quando o objeto de interesse na

aplicacao tiver sido isolado (GONZALEZ; WOODS, 2004).

A segmentacao naoe um processo taoobvio, pois pode interferir na analise da imagem que

e um passo importante no reconhecimento de padroes, o que e uma questao fundamental na

extracao da imagem.

Os algoritmos de segmentacao sao geralmente baseados em duas propriedades basicas de

intensidade de valores: descontinuidade e similaridade. Na primeira, a abordagem consiste em

dividir a imagem com mudancas nos nveis de cinza, para que fique mais facil a interpretacao

dasareas de deteccao de pontos isolados, linhas e bordas da imagem. As abordagens relativas

a segunda propriedade, baseiam-se na limiarizacao, crescimento de regioes, divisao e fusao de

regioes (GONZALEZ; WOODS, 2000).

Por sua vez, os metodos mais comuns empregados na segmentacao podem ser divididos em

tres grupos principais (MEZARIS V.; KOMPATSIARIS, 2003)

Metodos de Segmentacao no Domnio Espaco e Medida.


19/59

18

Metodos de Segmentacao no Domnio Espacial.

Metodos de Segmentacao no Domnio da Frequencia.

Os dois primeiros grupos serao descritos no decorrer dos proximos itens. O metodo de

segmentacao no domnio da frequenciae um pouco diferente dos outros dois metodos, pois tra-

balha em outro espaco que nao o da imagem propriamente dita, no caso o espaco de frequencia.

Neste metodo, utiliza-se a imagem como um sinal e usufrui-se, entao, das variacoes no espaco

da imagem com frequencias, ou seja, observa-se as texturas de uma imagem com seus aspectos

principais (GONZALEZ; WOODS, 2004).

2.2.1 Metodo de Segmentacao no Domnio Espaco e Medida

No primeiro grupo denominado segmentacao no Domnio Espaco e Medida, a imagem

e considerada um espaco euclidiano que nada mais e que um espaco vetorial real de dimensao

finita, munido de uma funcao de dois vetores que satisfaz determinadas hipoteses iniciais (KREI-

DER et al., 1980) que podem ser definidas 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 distancia

De acordo com Gonzaga (GONZAGA, 2007)e o equivalente:

dj (x) = xtmj 12mtjmjj = 1, 2,...,M

x pertence wi se di(x) for o maior valor

Sendo a fronteira de decisao entre as duas classes wi e wj :

dij = di(x) - dj(x) = xt(mimj) 12

(mimj)t(mimj) = 0

n = 2 - uma reta

n = 3 - um plano

n> 3 - um hiperplano

Apos a consideracao da imagem no espaco euclidiano, executa-se uma transformacao linear

para outro espaco vetorial, processa-se a imagem e executa-se a transformacao contraria. Aimageme segmentada no espaco de domnio da propria imagem com o auxilio de tecnicas de

agrupamentos especficas para segmentacao.


20/59

19

2.2.1.1 Segmentacao Por Histograma

A geracao de histogramas permite a analise de caractersticas especficas de cada imagem,

como a distribuicao das cores. Alem disso, facilita o processo de recuperacao da imagem

quando se utilizam banco de dados.

Quando se separam as cores da imagem e ocorre a contagem das mesmas e obtido entao

o histograma da imagem. Os histogramas definem o conjunto de todas as cores existentes

na imagem. Se duas cores ou mais forem agrupadas, entao elas terao o mesmo lugar no

grafico(GONZALEZ; WOODS, 2007). Segundo Ballard, (SWAIN; BALLARD, 1991), esta funcao

equivalente naoe uma das melhores para o reconhecimento, pois ha muitos intervalos de cores

em que duas cores com intensidades parecidas sao consideradas iguais, e uma cor depende de

onde esta localizada. Assim, o ideal e que as cores consideradas iguais estejam numa mesma

regiao, cuja forma esteja relacionadaas possveis variacoes de rudo e brilho.

O histograma de cores carrega informacoes sobre a distribuicao destas, sendo que seu ponto

negativo e com relacao a localizacao das cores. Alem disso, um histograma que compreende

uma imagem por inteiro e possui regioes pequenas, resulta na perda de detalhes, pois isso

prejudica a producao de picos altos no grafico.

Em suma, existem muitos locais no histograma que nao apresentam nenhum pixel. Zhang

(GONG HONGJIANG ZHANG, 1994) considera neste caso apenas vinte regioes do topo da imagem

como relevantes para serem pixels representativos no histograma.

Por este motivo, neste trabalho, quando aplicada a tecnica de agrupamento por histograma,

para evitar problemas de localizacao das cores, sera realizada a conversao da imagem para es-

cala de cinza, ou seja, a imagem antes colorida que possua um valor vetorial de tres dimensoes

denominadas RGB (Red, Green, Blue), com a transformacao para tons de cinza, o estudo do

comportamento da imagem sera feito numa escala vetorial de uma dimensao (FREY, 2003).Dessa maneira, o histograma tem comportamento tal que quando os pixels s ao representados

no grafico, o eixo X reflete os valores da escala de cinza que a imagem pode assumir e o eixo

Y a frequencia com que estas tonalidades ocorrem, conforme pode ser visualizado na Figura 3,

onde pode ser verificado o grafico de histograma gerado pela imagem em escala de cinza.


21/59

20

Figura 3: Segmentacao Por Histograma; Darly G. de Sena Junior; 2003

O pico e formado pelos elementos existentes entre os vales e a identificacao e marcacao

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

esta 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 Segmentacao Por Limiarizacao

A limiarizacao outresholding e uma das mais importantes abordagens para a segmentacao

de imagens, devido as suas propriedades intuitivas, simplicidade de implementacao e velocidade

computacional. Logo, tem uma posicao central em aplicacoes de segmentacao de imagens

(GONZALEZ; WOODS, 2007).

Apos ser gerado o histograma da imagem, aplica-se a limiarizacao que analisa os nveis de

cinza analogos da imagem, extraindo os objetos de interesse atraves da selecao de um limiar T

que separa os agrupamentos de nveis de cinza.

Uma imagem limiarizada g(x,y) e definida como:

g(x, y) = 1sef(x, y)T

0sef(x, y) T

(GONZALEZ; WOODS, 2004)

onde f(x,y) corresponde ao nvel de cinza do ponto.


22/59

21

Os pixels rotulados com 1 correspondem aos objetos e os pixels rotulados com 0 corres-

pondem ao fundo e Te um valor de tom de cinza predefinido denominado limiar.

A segmentacao entaoe efetuada, varrendo-se a imagem, pixel por pixel, identificando se opixel corresponde a um objeto ou fundo da imagem, sempre levando em consideracao se o nvel

de cinza daquele pixele maior ou menor que o limiar T.

A Figura 4 mostra o resultado da funcao descrita acima, obtida com base no histograma da

mesma quando em escala de cinza.

Figura 4: Segmentacao Por Limiarizacao; Darly G. de Sena Junior; 2003

Na pratica, espera-se que a limiarizacao seja perfeita, mas isso depende muito das condicoes

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 aplicacao da

tecnica sejam altamente controlados. Podemos ter esse controle em industrias, por exemplo,

onde esta tecnicae aplicada nas inspecoes industriais, onde se tem o controle da iluminacao no

momento da captura da imagem (GONZALEZ; WOODS, 2004).

2.2.2 Metodo de Segmentacao no Domnio Espacial

O conceito de domnio espacial refere-se ao proprio cenario da imagem, e as tecnicas uti-

lizadas nesse metodo constituem-se na manipulacao direta dos pixels na imagem, ou seja, o

metodo de agrupamento no domnio espacial opera diretamente nos pixels das imagens que sao

expressas pela funcao: g(x,y) = T[f(x, y)]

no qual, a funcao f(x,y)e a imagem de entrada e a funcao g(x,y)e o resultado da imagem,

i.e., a imagem processada. O Te um operador que age sobre f definindo os pixels que compoem

uma vizinhanca dada por uma coordenada (x,y) na imagem (GONZALEZ; WOODS, 2000).


23/59

22

O foco para definir uma vizinhanca em torno de (x,y) se da usando uma sub-imagem, no

qual o quadrado centrale movido pixel a pixel aplicando o operador para cada posicao (x,y) da

imagem, de forma a obter, entao, a funcao g naquele ponto (GONZALEZ; WOODS, 2004).

O T tambem pode ser da forma mais simples, fazendo com que a funcao g dependa apenas

do valor de f em (x,y), caracterizando assim T uma funcao de transformacao em nveis de cinza

da forma: S = T(r)

Onde s e r sao variaveis que indicam os nveis de cinza nas funcoes 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 tecnicas desta categoria como processamento ponto a ponto (GONZA-

LEZ; WOODS, 2000).

2.2.2.1 Crescimento de Regioes

Assim como na Limiarizacao, na segmentacao orientada a regioes, analisa-se a similaridade

dos nveis de cinza da imagem. O crescimento de regioese um procedimento que agrupa pixels

ou sub-regioes em regioes maiores. Uma das mais usadas e simples abordagens e a agregacao

de pixels, que comeca com a definicao de um par de coordenadas de pontos denominados se-

mentes e, a partir deles, expandem-se as regioes anexando a cada ponto somente aqueles pixels

que possuam propriedades similares (como nvel de cinza, textura ou cor) (GONZALEZ; WOODS,

2000).

Umas das dificuldades inerentes a essa tecnica e a selecao das sementes que representam

a regiao de interesse na imagem, e a selecao das propriedades de inclusao dos pontos quando

ha o crescimento das imagens. Portanto, a selecao das sementes vai depender do problema

a ser processado. Como exemplo da aplicacao dessa tecnica, a literatura cita o Processo deAnalise de Imagem Automatico de Deteccao de Armas escondidas (GESICK CANER SARITAC,

2009) no qual utilizam-se diversas tecnicas de processamento de imagens e uma delas e a de

crescimento de regioes. Neste caso, a semente escolhida e grupo de pixels que corresponde ao

gatilho da arma, ja que normalmente se constitui num padrao invariante nas armas, permitindo

o reconhecimento do objeto a partir do agrupamento das regioes e excluindo falsos positivos

devido a formatos parecidos. Cabe ressaltar que, nesta aplicacao, a simples utilizacao dos algo-

ritmos para o crescimento de regioes nao garantia a correta deteccao de armas, gerando falsos

positivos. A eficiencia do processo foi conquistada a partir do uso combinado deste com os

padroes do gatilho. Dependendo do percentual de correspondencia da imagem digitalizada com


24/59

23

os padroes estabelecidos, as imagens sao entao totalmente digitalizadas e comparadas com a

linha de base e de rotacao de uma arma verdadeira, permitindo assim a reducao da percentagem

de falsos positivos.

2.2.2.2 Watershed

O metodo de Watershed consiste basicamente e como o proprio nome ja diz na traducao

para o portugues, um divisor deaguas. Pode ser comparado com uma cadeia de montanhas que

divide aagua da chuva em regioes para onde ela corre (SOILLE, 2003).

Este metodo utiliza o modulo dos gradientes, as variacoes da intensidade luminosa, ou seja,

ele calcula o gradiente para todos os pixels da imagem. Uma montanha possui vales e picos.

Se expandirmos essa metafora para os procedimentos adotados pelo metodo de Watershed,

podemos dizer que esses pontos de interesse sao definidos pelo gradiente: as regioes mais baixas

correspondem ao menor gradiente e as regioes altas seriam as de maior gradiente. O crescimento

de regioes seria, entao, equivalente a inundacoes derivadas de pequenos furos nas regioes de

gradiente menor. Por conseguinte, a inundacao atingira progressivamente os gradientes maiores,

ou seja, todos os pixels da imagem.

Dessa forma, a partir dos limiares da imagem calculam-se as zonas de abrangencia de cadalimiar dentro do proximo. Como a imagem a ser processada foi convertida para nveis de

cinza, somente alguns pixels sao tratados em cada etapa. Dessa maneira, em vez de digitalizar

a imagem inteira para modificar o valor de alguns pixels, um pixel tendo acesso ao outro j a

garante a execucao do procedimento (VINCENT; SOILLE, 1991).

Um problema quanto a utilizacao do Watershed que utilizasse de gradientes e o agrupa-

mento de regioes que possuem o mesmo gradiente mas com homogeneidade diferente, al em de

que a classificacao dos gradientese dada apos a inundacao, dificultando o desempenho do algo-

ritmo do Watershed. Em funcao disso, ha que se tomar especial cuidado quando da utilizacao

dessa tecnica, tendo em vista que ela nao pode ser aplicada para todas as situacoes, uma vez

que estudos e testes de eficacia previos sao imprescindveis (SOILLE, 2003).

A figura 5 exemplifica os passos de execucao do algoritmo de Watershed: em (a), visualiza-

se a construcao dos mnimos e maximos da funcao, obtidos a partir dos diferentes gradientes da

imagem. O item (b), demonstra onicio do processo de inundacao das bacias ja definidas pelo

processo exemplificado em (a). Os passos seguintes, (c), (d) e (e) mostram o crescimento das

regioes inundadas em (b). Por fim, em (f) visualiza-se o resultado final da segmentacao pelo

metodo de Watershed.


25/59

24

Figura 5: Tecnica de Watershed; Bruno Klava; 2009

2.2.3 Morfologia

A Morfologia Matematica consiste em uma abordagem nao-linear para o processamento

de imagens. Elae definida a partir de um conjunto de transformacoes que auxiliam na analise,

segmentacao e reconhecimento, tendo como base a informacao da geometria desta imagem e daforma dos seus objetos. A linguagem da morfologia noambito do processamento de imagense

dada pela teoria dos conjuntos, que representam a forma dos objetos na imagem.


26/59

25

Quando se trabalha com imagens binarias, o resultado da juncao de todos os pixels pretos

da imagem e a descricao completa dela, que pode ser representada da forma Z2 , onde cada

elemento do conjunto e um vetor bidimensional cujas coordenadas sao (x,y). Entretanto, as

imagens em escala de cinza tem o comportamento Z3 onde dois componentes referem-se as

coordenadas e o terceiro corresponde a intensidade da escala (GONZALEZ; WOODS, 2007).

2.2.3.1 Erosao e Dilatacao

A erosao e a dilatacao sao operacoes de extrema importancia na morfologia do processa-

mento de imagens, e formam a base para a construcao das transformacoes mais complexas.

Assim, numa cadeia morfologica de processamento de imagens, podemos encontrar um grande

numero de operadores encadeados, todos definidos a partir destas funcoes elementares (GON-

ZALEZ; WOODS, 2004).

A erosao consiste em provocar efeitos de erosao nas partes claras da imagem (altos nveis

de cinza), gerando imagens mais escuras, ou seja, encolhe objetos da imagem onde suas formas

e extensoes sao controladas por um elemento estruturante, como pode ser visualizado na figura

6. Nela o segundo segmentoe resultado da erosao aplicada ao primeiro (GONZALEZ; WOODS,

2007).

Figura 6: Erosao e Dilatacao

A funcao matematica que representa a erosaoe dada A por B, denotado AB, e definida

como:

AB ={x |(B)x A}


27/59

26

Onde a erosao de A por B e o conjunto de todos os locais do elemento estruturante e B nao

tem sobreposicao com o fundo (GONZALEZ; WOODS, 2004).

A dilatacao tem por objetivo provocar efeitos de dilatacao das partes escuras da imagem(baixos nveis de cinza), gerando imagens mais claras, isto e, engrossa objetos em uma ima-

gem. O jeito mais facil e especfico de estender essa parte da imagem e usando um elemento

estruturante que geralmentee representado por uma matriz de 0s e 1s, onde, a parte da imagem

em que sera realizado o espessamento esta codificada em 1s (GONZALEZ; WOODS, 2007).

O resultado desse procedimento pode ser visualizado na figura 6: o terceiro elemento da

imageme o resultado da aplicacao da dilatacao no primeiro elemento.

Matematicamente temos a dilatacao expressa como:

A B={z|(B)z A=}

O processo de dilatacao comeca na obtencao da reflexao de B em torno de sua origem,

seguido da translacao dessa reflexao por z. A dilatacao de A por Be entao o conjunto de todos

os deslocamentos z tais que A sobreponham-se em pelo menos um elemento nao nulo.

Uma das aplicacoes para esse tipo de tecnica e num processo desenvolvido pela Embrapa

(BALD M. F; ABREU, 2010), para o calculo do peso dos animais, quee estimado a partir do uso de

imagens digitais, nas quais sao aplicados diversos tratamentos, incluindo a dilatacao e a erosao

para uma melhor definicao da imagem a ser analisada por softwares adequadosa medicao de

peso.

2.2.3.2 Abertura e Fechamento

Uma vez que a erosao reduz a imagem e a dilatacao a expande, a operacao morfologica

de abertura e fechamento consiste no fato que a abertura ira suavizar os contornos e eliminar

rudos de menor porte na imagem, enquanto o fechamento provoca a reacao opostaa abertura,

fundindo as quebras da imagem em pedacos finos, eliminando pequenos buracos e preenchendo

fendas em um contorno (GONZALEZ; WOODS, 2000).

Pode-se, entao, concluir que a aberturae composta por uma erosao seguida de uma dilatacao.

O que acontece e que, apesar de serem operacoes opostas, uma nao desfaz a outra (MARQUES;

NETO, 1999).

O fechamento e o oposto da abertura: uma dilatacao seguida por uma erosao. Algumas

vezes completa uma textura, ou pode unir linhas que estavam proximas mas nao se tocavam

(MARQUES; NETO, 1999).


28/59

27

Matematicamente, a abertura de um conjunto A por um elemento estruturante B, implica

A B, que podemos definir como:

A B = (AB) B

Onde representa a abertura, a erosao e a dilatacao. Em outras palavras, a

abertura de A por Be a erosao de A por B seguida de uma dilatacao do resultado obtido por B.

O fechamento do conjunto A pelo estruturante B resulta emA B, e e definido como:

A B = (AB) B

No qual e o fechamento, e a dilatacao e a erosao da imagem.

Assim, podemos dizer que ocorre uma dilatacao de A por B, seguida de uma erosao do re-

sultado pelo mesmo elemento estruturante B. Estas propriedades auxiliam na interpretacao dos

resultados obtidos quando as operacoes de abertura e fechamento sao utilizadas para construir

filtros morfologicos (ROERDINK; MEIJSTER, 2000).

Esse captulo demonstrou que ha muitas formas de se trabalhar com as imagens. Sendo

assim, o proximo captulo se dedica a apontar alguns trabalhos desenvolvidos na area de pro-

cessamento de imagens, que utilizam os metodos e tecnicas descritos no decorrer das ultimas

secoes.


29/59

28

3 Trabalhos Relacionados

Existem varios trabalhos relacionados com a presente proposta. Neles sao encontradas

aplicacoes que vao desde restauracoes, estudo de doencas em culturas agrcolas ate medicoes

de nucleos de nuvens e deteccao de doencas como o cancer de mama.

Junioret ol(JUNIOR FRANCISCO DE A. DE C. PINTO; TEIXEIRA, 2003), por exemplo, utilizou

a tecnica de limiarizacao para estudar as imagens de plantas de milho atacadas por lagartas.

Nesta pesquisa foram utilizadas imagens de plantas atacadas e nao atacadas, em tres epocas

distintas e sob a influencia de luminosidades diferentes, correspondendo a diferentes dias apos

a infestacao, de forma que foram criados tres grupos com dez imagens cada.

A imagem da planta de milho atacada pela lagarta foi processada em escala de cinza o

que neste caso especficoe fundamental, pois permitira que a palha presente no solo, devido autilizacao do sistema de plantio direto, apareca em tons mais claros que as folhas das plantas vi-

vas, possibilitando a sua diferenciacao e, por conseguinte, a nao interferencia no processamento.

Assim, foi realizada a limiarizacao a partir do histograma das imagens.

A partir do tratamento das imagens por limiarizacao, tornaram-se visveis os estragos causa-

dos pela praga na planta, ja que as folhas nao deterioradas pela lagarta ficaram brancas, em con-

traste com as marcas deixadas pela lagarta que se tornaram pontos negros na imagem. Contudo,

as imagens de plantas atacadas nos estagios mais avancados apresentaram resultados piores em

relacao aos outros estagios, devido ao maior numero de objetos na imagem. Consequentemente,

um maior numero de pixels nas bordas confundindo-se, entao, com a cor de fundo da imagem

(JUNIOR FRANCISCO DE A. DE C. PINTO; TEIXEIRA, 2003).

Visando ainda a qualidade, tem-se a restauracao de documentos historicos, tambem im-

plementada com o uso da limiarizacao (BERTHOLDO, 2007). A maioria das tecnicas utilizadas

para restauracao de documentos historicos noambito computacional tem como foco a retirada

de rudos das imagens causados pela degradacao, de forma a melhorar a legibilidade do docu-

mento.

Uma imagem do documento danificadoe gerada e entao processada para escala de cinza.


30/59

29

Ao gerar o histograma, percebe-se que ha picos intensos de pixels. Isso se deve as palavras

escritas, ou seja, o texto e mais escuro que o fundo. Logo, ha um destaque nesses pontos no

histograma correspondente.

Vale ressaltar que para que essas observacoes sejam validas, os documentos tem que ser

do tipo textual, onde o fundo e representado por tonalidades claras e o texto por tonalidades

escuras. Com a limiarizacao da imagem, consegue-se suavizar os rudos dela, tornando-as mais

legveis de forma a possibilitar a extracao total do texto, de acordo com o gradiente da imagem

e o limiar definido.

Em suma, a limiarizacaoe capaz de eliminar problemas como rudos, nveis de contraste

e amenizar erros nos caracteres do texto. A aplicacao do metodo possibilita a melhoria na

legibilidade e na qualidade visual dos documentos para a leitura (BERTHOLDO, 2007).

Atualmente, o metodo de segmentacao de imagens por espaco e medida e utilizado em

sistemas de controle de trafego, pois fornecem uma tecnica eficaz para identificacao de pla-

cas automoveis pelas cameras dos radares eletronicos (MONTEIRO, 2002). Com o apoio da

segmentacao de imagense possvel fazer o reconhecimento da posicao da placa e determinar os

caracteres que a compoe.

O processo consiste em, tirada a foto do veculo, manipula-la em uma escala de cinza

para que sejam visveis os caracteres, de modo a separa-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 auxiliara na proxima etapa do processamento.

Com o limiar do histograma definido, aplica-se, entao, a tecnica de limiarizacao 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 obtencao dos caracteres daplaca ja e possvel a aplicacao de uma outra tecnica que cortaria a placa em varios segmentos,

estes definidos por um intervalo vertical de pixels pretos e brancos, para assim permitir a reti-

rada do caracter especfico e compara-lo com as informacoes contidas num banco de dados de

caracteres. Por fim, com os segmentos ja retirados da imagem e devidamente comparados com

os disponveis no banco de dados, sao visualizados os caracteres que compoem a placa de modo

que e possvel a identificacao do dono do automovel (MONTEIRO, 2002).

Baseados na tecnica de Watershed no Domnio Espacial, existem sistemas automatizados

para a medicao da concentracao dos nucleos de condensacao de nuvens por visao computaci-

onal (PINHEIRO; CORTEZ; MOTA, 2011), que captura uma amostragem do ar atmosferico dentro


31/59

30

de uma camera de nuvens estaticas. Nestas condicoes, as moleculas de vapor sao condensa-

das produzindo gotculas deagua, que ao atravessarem um feixe de raios laser, que definem o

volume da amostragem, tornam-se visveis e prontas para que seja aplicado o processamento e

aplicacao da tecnica.

A primeira fasee a conversao da imagem em tons de cinza para a contagem automatica do

numero de condensacao. A aplicacao do Watershed consiste em manipular a imagem de modo

que ela se pareca com um relevo topografico, onde cada altura deste relevo e relativo a uma

intensidade de cinza. Ao se promover a inundacao dos vales, a partir de seus mnimos locais

e as construcoes das bordas para evitar o transbordamento, destacam-se as linhas divisoras

de bacias, produzindo desta forma, a segmentacao dos objetos presentes na imagem. Com a

transformada de Watershede possvel, entao, obter a deteccao e a contagem das gotculas de

agua formadas dentro do volume de amostragem. O uso desta tecnica, nesse escopo, e para a

identificacao das gotculas deagua parcialmente sobrepostas no volume da amostragem, e como

na construcao do mnimo local por gotcula, favorece a nao super segmentacao e possibilita a

contagem e identificacao (PINHEIRO; CORTEZ; MOTA, 2011).

Na area medica encontramos o uso da tecnica de Watershed para a deteccao de tumores

mamarios de forma automatizada (HUANG; CHEN, 2004). A utilizacao da tecnica consiste no

uso de uma topografia que, no caso, ja vem convertida para a escala de cinza. A utilizacao

do Watershed segmenta a imagem em varias bacias e as inunda para assim obter a regiao de

interesse. Neste caso, as bacias sao os contornos dos tumores mamarios que na topografia

apareceriam como uma bacia de cor mais acentuada.

A deteccao de tumores mamarios, atualmente,e realizada manualmente pelo medico. Con-

tudo, a segmentacao automatica pode reduzir o tempo necessario para esbocar um contorno

preciso e com alta precisao.

As imagens de ressonancia magnetica tem sido utilizadas como um recurso potente na

deteccao de cardiopatias e analises do funcionamento cardaco. Para (RONDINA, 2001) este

processo de reconhecimento de imagem pode ser automatizado por meio de tecnicas de proces-

samento de imagens.

Na pesquisa feita por (RONDINA, 2001), foi utilizada a tecnica de Watershed para a segmentacao

do ventrculo esquerdo.

O processamento se da em tres passos: pre processamento, segmentacao e pos processa-

mento, o que permite a visualizacao da imagem segmentada. No pre processamento, a imagem

do corte do exame que se deseja segmentar e tratada para nveis de cinza para uma melhor


32/59

31

comparacao dos pixels. Na etapa de segmentacao e aplicada a transformada de Watershed que

segmentara 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 auxiliara no

processo de analise das condicoes fsicas doorgao.

A utilizacao da transformada de Watershed possibilita a automatizacao do processo de

deteccao 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 serao obtidos com a criacao de algoritmos de autoria

propria.

Para tanto, sera estabelecido um estudo comparativo entre os resultados obtidos por ( C.

LEITE J. S. S., 2011) que utilizou a tecnica de segmentacao de imagens e o trabalho desenvolvido

por (ZGHAL N.S. MASMOUDI, 2010) com a utilizacao da tecnica de Watershed.

No primeiro caso, Leite (C. LEITE J. S. S., 2011) utiliza a tecnica de Limiarizacao para me-

lhorar a visualizacao dos resultados dos exames de mamografia, buscando formas facilitadas

para a deteccao de possveis tumores mamarios a partir do estudo e processamento das imagens

das mamas. Para tanto, ele utiliza imagens de mamografias que apos passarem por um processo

de tratamento de imagens com o uso da Limiarizacao, permite definir as caractersticas dos

tumores percebidos, variando da forma mais regular a forma mais espiculada, cujo significado

medico indica tratar-se de tumores benignos ou malignos, fornecendo tambem, formas de medir

o grau do tumor observado.

As imagens coletadas ja estao em tons de cinza, e portanto, nao precisam ser converti-

das para esse formato, passando diretamente a aplicacao do algoritimo de limiarizacao. A

limiarizacao assume que a imagem se divide em duas classes, o fundo e o objeto procurado.

Assim, o metodo procura encontrar o nvel de limiarizacao otimo que divide a imagem dada

em duas classes. Para tanto, o processo aplicado encontra no histograma o ponto onde ha mais

picos de nveis de cinza da imagem, removendo o lado de maior intensidade ate que este fi-

que em equilbrio. Desta forma, consegue-se eliminar as partes da imagem desnecessarias ao

dignostico, evidenciando e identificando o tumor (C. LEITE J. S. S., 2011).

A tecnica de Watershed, utilizada por Zghal (ZGHAL N.S. MASMOUDI, 2010), consiste na di-

visao de uma imagem em areas homogeneas. O Watershed e definido como o pico de formacao

limite entre duas bacias, operando sobre o gradiente da imagem, de forma que os contornos

sao realcados favorecendo o aparecimento de locais de pontos maximos na imagem. A altitude

da imageme dada pelos nveis de cinza que podem ser analisados pelo histograma da imagem.


33/59

32

Contudo, em seu trabalho, ela combina a tecnica de watershed com a tecnica de Limiarizacao de

OTSU que consiste em maximizar ou minimizar a variancia de intensidades dos pixels da ima-

gem no processo de Limiarizacao, ou seja, o algoritmo assume que a imagem a ser limiarizada

contem duas classes de pixels (por exemplo, primeiro plano e fundo), entao calcula o limiar

otimo que provoca a melhor separacao entre essas duas classes de modo que a sua propagacao

combinada (intra-classe variancia) seja mnima.

O algoritmo desenvolvido por Zghal (ZGHAL N.S. MASMOUDI, 2010), portanto, envolve as

duas tecnicas citadas. O seu trabalho buscou tecer uma comparacao de seu metodo com com a

tecnica pura do watershed. Ambas sao aplicadas a imagens retiradas no banco de imagens da

Universidade de Berkeley na California (ARBELAEZ; MARTIN, 2007). A intencao da comparacao

e determinar qual das tecnicas e a mais eficiente para segmentar imagens com caractersticas

distintas. O proximo captulo e composto por umsurveyde avaliacoes e comparacoes entre as

tecnicas de processamento de imagem de compoe este trabalho.


34/59

33

4 Surveysde Avaliacoes das Tecnicas

A segmentacao de imagens e geralmente definida como a base para o processamento de

imagens, e consiste em subdividir a imagem digital em varios pedacos. Em geral, na segmentacao

de imagens, os algoritmos sao baseados em dois princpios basicos: a caracterstica dos pixels eas informacoes das regioes proximas a eles. A maioria dos algoritmos de segmentacao baseia-se

em dois personagens de pixels em nvel de cinza: descontinuidade e similaridade em torno das

bordas na mesma regiao (DONG, 1999). A figura 7 lista as principais categorias de segmentacao,

descrevendo em poucas palavras os diferenciais de cada metodo, conforme pesquisa desenvol-

vida pela Universidade de Columbia.

Figura 7: The Comparative Research on Image Segmentation Algorithms;Kang, W.-X.; Yang,

Q.-Q. Liang, R.-P; 2009

O grupo das tecnicas de segmentacao baseadas em aresta, descritas na primeira divisao da

tabela acimae definido como um conjunto de pixels ligados e associados a diferentes regi oes,


35/59

34

onde existem descontinuidades intensas, mudancas no tom de cinza e variedades na textura.

Com base nessa teoria, existem as tecnicas que se utilizam do histograma em escala de cinza de

gradientes de cores para segmentar e processar as imagens. Para esse grupo, a obtencao de um

resultado satisfatorioe dependente do equilbrio entre a deteccao do objeto a ser segmentado e

os rudos presentes na imagem.

Ja o grupo de tecnicas de segmentacao baseadas em regioes (grupo 2 da Figura 7), apoia-se

na mudanca brusca da intensidade da imagem e leva em consideracao os criterios definidos na

limiarizacao. Nesse grupo se encontra a tecnica de limiarizacao(tresholding), a tecnica do cres-

cimento de regioes e o Watershed encontradas na subclasse de Tresholding e Region Operating

e que sao objetos deste estudo.

O terceiro grupo representa o grupo de tecnicas e teorias especiais da segmentacao que

correspondem a tecnicas derivadas de outros campos de conhecimento como Walvelet, que

utiliza uma determinada funcao capaz de decompor e descrever outras funcoes no domnio da

frequencia, de forma a permitir a analise destas funcoes em diferentes escalas de frequencia e de

tempo. Este grupo trabalha com morfologias matematicas, genetica de algoritmos e inteligencia

artificial (KANG; YANG; LIANG, 2009).

A partir destas tecnicas (KANG; YANG; LIANG, 2009), avaliou e comparou cada algoritmo

de segmentacao, cujos resultados foram transformados numa referencia crucial para algoritmos

de segmentacao de imagens.

Baseado em uma uniformidade de regiao, (LIPING; XINBO, 2004) aponta que as tecnicas de

Limiarizacao, Limiarizacao Interativa(manual) e a Limiarizacao de Otsu tem vantagens quando

se trabalha com a uniformidade da imagem e a manutencao da forma dos objetos. Alem disso,

foram avaliados e comparados os desempenhos dos algoritmos em experiencias de segmentacao

de imagens. Os resultados podem ser vistos na Figura 8.


36/59

35

Figura 8: The Comparative Research on Image Segmentation Algorithms;Kang, W.-X.; Yang,

Q.-Q. Liang, R.-P; 2009

Embora haja uma infinidade de algoritmos de segmentacao concebidos dia apos dia, ne-

nhum deles pode ser aplicado a todos os tipos de imagens e tecnicas de segmentacao real, pois

cada tecnica visa uma determinada aplicacao. O resultado da segmentacao e afetado por muitos

fatores, tais como: homogeneidade das imagens, o personagem de estrutura espacial na conti-

nuidade da imagem, a textura, o conteudo da imagem e o carater visual fsico. O melhor metodo

de segmentacao de imagem a ser aplicadoe aquele que melhor se ajustar as caractersticas e ob-

jetivos que se busca alcancar com o processamento das imagens e, portanto, deve levar em

consideracao todos estes fatores (KANG; YANG; LIANG, 2009).

Vale salientar, tambem, os pontos fortes e fracos da tecnica de Watershed, pertencente ao

grupo 2 de regioes baseadas em segmentacao, de acordo com a Figura 7 . Segundo (KLAVA,

2009) os pontos fortes da tecnica de Watershed envolvem a facil segmentacao de diversos ob-

jetos com suas metricas, contrastes, tamanhos e tambem por ser definida somente no nvel de

precisao de bacias primitivas implicando em eficiencia. Por outro lado, como essa tecnicae vol-tada para atuacao no nvel primario das bacias, onde e possvel uma precisao maior, as particoes

que correspondemas bordas ficam deficitarias, o que nao deveria ocorrer, tendo em vista que

estas sao parte do conjunto das bacias.

Outro problema desta tecnica, relatado por (KLAVA, 2009), foi a possibilidade de fundir

duas regioes, pois ao selecionar a bacia de menor grau comum dos vertices correspondentes,

a tecnica pode acabar fundindo outras regioes gerando uma super segmentacao. Um ponto

que merece bastante atencaoe que naoe possvel especificar diretamente a regiao de interesse,

sendo necessario que o usuario navegue na hierarquia das bacias ate que todas sejam mostradas,

retirando assim a opcao do usuario de escolher onde sera feita a divisao, o que pode gerar o


37/59

36

aparecimento de bordas indesejaveis.

Em suma, os resultados da segmentacao podem ser avaliados por dois metodos. O primeiro,

definido como metodo analtico, permite examinar e avaliar diretamente os algoritmos atravesda analise de seus princpios, suposicoes, propriedades, exigencias, utilidade, complexidade,

entre outros itens, nao dependendo de experimentos e podendo ser aplicado sem que o algoritmo

esteja completamente implementado. A aplicacao desse metodoe independente da natureza ou

objetivo da segmentacao. Ja o segundoe o metodo emprico, que permite examinar e avaliar

um algoritmo de forma indireta, atraves da aplicacao de imagens-teste e medicao da qualidade

do resultado da segmentacao. Esse metodo pode ser subdividido em dois tipos: de discrepancia

e de qualidade (TAVARES, 2011).

O tratamento das imagens pode ser feito com a utilizacao de diferentes softwares ou ambi-

entes que serao descritos com mais detalhes no proximo captulo.


38/59

37

5 Tecnologia de Software

Este captulo tem como finalidade apresentar a ferramenta que sera utilizada nos experi-

mentos, discutindo e analisando os resultados que serao alcancados.

No mercado existem varios softwares que fazem os trabalhos de quantificacoes, amostra-

gens, conversoes, edicoes 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).

Alem de serem usados de forma individual para resolver determinados problemas, devidoas

caractersticas proprias de modelagem, as ferramentas, por compartilharem os mesmos blocos

fundamentais para processamento de imagens, a saber, aquisicao da imagem, processamento

digital da imagem e processamento de malha, podem ser fundidas e utilizadas de forma com-

binada a fim 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 secao.


39/59

38

Figura 9: Softwares;D.S. Lopes, J.A.C. Martins, J.G. Campos e E.B. Pires; 2007

5.1 Matlab

O Matlabe uma ferramenta de facil utilizacao. Conta com interfaces amigaveis e possui

ferramentas poderosas para visualizacao de dados, bem de acordo com a filosofia de um labo-

ratorio de dados: facil de experimentar e facil de averiguar.

Oferece a opcao de escrever os codigos por linha de comando, ja tendo incorporado em suas

bibliotecas funcoes especificas para o processamento de imagens. Permite, tambem, que sejam

escritas novas funcoes, em uma linguagem propria, porem muito parecida com a linguagem C

ou FORTRAN.

Como as funcoes de processamento de imagens sao nativas do pacote desta ferramenta,

pode-se optar por nao escrever codigos, e simplesmente manipula-las de acordo com o escopo

definido.

Matlabe um sistema interativo de matrizes que pode ser usado tanto para o ensino de ma-

tematica fundamental quanto para calculos complexos de engenharia. O nomee uma abreviacao

de MATrix LABoratory, e foi originalmente desenvolvido, com a intencao de facilitar o acesso


40/59

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 sequencia de acoes atraves de arquivos chamados de M-

files, que possuem a extensao *.m. Os M-files sao de dois tipos, os scripts files, que sao

uma sequencia normal de passos do Matlab e os function files, que sao funcoes criadas para

necessidades especficas (GONZALEZ; WOODS, 2007).

Uma forma de utilizar o MatLab para analise e reconhecimento de padroes,e usando SDC

Morphology Toobox for Matlab, quee um pacote para analise e processamento de sinais. Ele

e composto por uma famlia de filtros chamados de operadores morfologicos, que permitem a

restauracao, segmentacao e analise das imagens e sinais de forma quantitativa.

No desenvolvimento deste trabalho, o processamento das imagens para comparacao das

tecnicas de Watershed e Limiarizacao, sera utilizada a ferramenta MatLab, tendo em vista que

esta possui as ferramentas adequadas para a manipulacao das imagens, o que torna a tarefa mais

intuitiva pelas caractersicas funcionais citadas no decorrer desta secao. O resultado obtido com

o processamento das imagense descrito no proximo captulo.


41/59

40

6 Resultados Obtidos

Nesta etapa, varios testes foram realizados com a finalidade de verificar qual o melhor

metodo para segmentar uma imagem. Para tanto, foram utilizadas imagens de duas bases de

dados (ARBELAEZ; MARTIN, 2007), (SOARES, 1998) tambem utilizadas nos artigos de (ZGHALN.S. MASMOUDI, 2010), (C. LEITE J. S. S., 2011), os quais foram detalhados no captulo 3, secao

Trabalhos Relacionados.

A utilizacao de bases de dados para os testes em segmentacoes de imagens e justificada

pelo fato que imagens sao muito sensveis a variacoes de luminosidade,angulos e modelos de

maquinas por exemplo. Por issoe importante usar um conjunto de imagens o menos suscetvel

a essas variacoes, pois do contrario, a qualidade das imagens poderia prejudicar os resultados.

O banco de imagens de Berkeley (ARBELAEZ; MARTIN, 2007) possui uma serie de ima-gens, algoritmos, conjunto de dados(dataset), Benchmark, com o objetivo de fornecer uma base

emprica para a pesquisa sobre segmentacao de imagem e deteccao de fronteira. O mesmo

se aplica para o banco de imagens de mamografias (SOARES, 1998), que contem um conjunto

de imagens digitalizadas de mamografias, como resultado da colaboracoes entre o Instituto de

Computacao e o Departamento de Radiologia da Universidade Federal Fluminense. O principal

objetivo da disponibilizacao destas imagense facilitar pesquisas e desenvolvimentos ligados a

mamografias de rotina.

As mamografias sao de pacientes diversos e contem tanto tumores diagnosticados como

benignos quanto malignos. Cada imagem foi previamente diagnosticada pelo Departamento de

Radiologia da UFF, Hospital Universitario 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 selecao do tumor fique visvel nesta tecnica, a imagem sofreu por um

processo no qual a imagem em escala de cinza foi transformada em negativo.


42/59

41

6.1 Limiarizacao

Para os testes de identificacao de tumores pela tecnica de Limiarizacao, 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 sera melhor detalhado ao longo desta secao.

Com o intuito de estabelecer um parametro de comparacao foi efetuado o tratamento da

imagem por meio da utilizaca odometodo de Watershed, em confronto com o trabalho desenvol-

vido por Leite, que aplicou a Limiarizacao a estas mesmas imagens. O codigo da implementacao

do processamento da imagem por meio das tecnicas de Watershed e Limiarizacao que sera pos-

teriormente utilizada, esta anexo a esta monografia.

Figura 10: Tumor Maligno;Banco de Mamografias 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 tecnica de Watershed, que e uma

funcao nativa do Matlab utilizada no codigo dessenvolvido no escopo deste trabalho para o

processamento das imagens. O resultado obtido com a aplicacao do metodo de Watershed e

mostrado nas figuras 11 e 12.


43/59

42

Figura 11: Imagem Original

Figura 12: Segmentacao Watershed Li-

miar = 15.5

A figura 11 mostra a imagem original retirada do banco de imagens ja citado. Ja na Figura

12e possvel observar o resultado da segmentacao quando aplicado um limiar = 15.5. Neste

caso, nota-se que o tumor maligno foi encontrado. Contudo, ainda aconteceram segmentacoesem regioes sem tumores, gerando, entao, falsos positivos. Istoe devido ao foto de que algoritmo

de Watershed trabalha com gradientes. O tumor esta destacado em uma regiao mais clara,

conforme pode ser observado na Figura 11, onde fica ntido que ainda ha uma diferenca de

gradiente perante o resto da imagem, levando assim a segmentacao dessas regioes.

Como forma de testar as consequencias da aplicacao 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 figuras 12, 13 e 14, respectivamente.


44/59

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 segmentacao dasareas ao redor do contorno

do tumor, ao passo que com o limiar em 17.5 (Figura 14), n ao se consegue mais identificar otumor.

Para a segunda bateria de testes foi usada uma imagem do banco de imagens (SOARES,

1998) em que o diagnosticoe de tumor benigno, identificada no banco de imagens com o nome

de bem26. Essa mesma imagem foi utilizada por (C. LEITE J.S. S., 2011) que no processamento

aplicou a tecnica de Limiarizacao e obteve o resultado indicado na Figura 15.

Figura 15: Tumor Benigno;Banco de Mamografias Digitalizadas

Na imagem original utilizada por Leite, (C. LEITE J. S. S., 2011) (Figura 16), neste projeto depesquisa foi aplicado o algoritmo de Watershed, cujo resultado obtido esta indicado na Figura

17.


45/59

44



miar = 5

Pode-se observar na Figura 17, o algoritmo nao teve eficiencia, pois nao 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 segmentacao calculando o gradiente

para todos os pixels da imagem.

O histograma presente na Figura 18 mostra detalhadamente a variacao dos pixels e do gra-

diente na imagem original, o que explica os motivos pelos quais a tecnica de segmentacao pelo

algoritmo de Watershed nao foi capaz de encontrar o tumor benigno.


46/59

45

Figura 18: Histograma gerado a partir da imagem original

Em suma, podemos concluir que a tecnica de Watershed aplicada aos tumores malignos e

benignos nao obtiveram resultados suficientemente relevantes para serem colocadosa frente da

tecnica de Limiarizacao utilizada por Leite (C. LEITE J. S. S., 2011), uma vez que o objetivo do

processamento das imagense permitir uma segmentacao automatica que dispense a comparacao

visual da imagem original com a segmentada, de forma que os resultados apresentem o menor

grau possvel de falsos positivos, resultados estes que nao foram encontrados na aplicacao da

tecnica de Watershed.

6.2 Watershed

Zghal (ZGHAL N.S. MASMOUDI, 2010) utiliza-se da tecnica de Watershed para a segmentacao

e deteccao de uma forma melhor de processamento de imagens. Estae aplicadaa imagens retira-

das do banco de imagens (ARBELAEZ; MARTIN, 2007), onde as imagens disponveis ja passaram

por um pre processamento e disponibilizando o melhor resultado encontrado ate entao.


47/59

46

Para que as comparacoes nao sejam parecidas e com a finalidade de se aperfeicoar a tecnica,

Zhal aplica um algoritmo proprio na imagem. Esse algoritmo consiste na uniao de duas tecnicas:

Watershed e Limiarizacao de OTSU, estaultima 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 metodo procura entao

um nivel otimo da imagem, pesando o histograma, removendo o peso da intensidade ate que

esta se torne mais leve. Repete-se esse processo n vezes ate que o equilbrio (pontootimo) da

imagem seja encontrado. A Figura 19 estabelece um comparativo entre a aplicacao 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 tecnica de Limiarizacao disponvel nas

funcoes nativas do Matlab, a fim de reunir dados que permitam a comparacao e determinacao


48/59

47

de qual tecnica foi mais eficiente na segmentacao quando comparados o resultado obtido pela

base de dados de Berkeley, e o resultado obtido com a aplicacao da tecnica de Limiarizacao

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 metodos de processamento

ja citados.


Figura 21: Limiarizacao Equilibrada

Limiar = 0.2980

Com a Limiarizacao equilibrada mostrada na Figura 21, ja e possvel a identificacao doobjeto, no caso, o aviao. 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 aplicacao de um limiar = 0.2. Ja a Figura 23 mostra o que acontece

quando se aumenta o limiar. Neste caso, percebe-se uma super segmentacao, o que dificulta a

identificacao do aviao.

Figura 22: Limiarizacao com Limiar =

0.2


0.4

Com relacaoa categoria Natureza, foi utilizada a imagem presente na Figura 24. Os resul-

tados obtidos com a aplicacao da Limirizacao com um limiar equilibrado podem ser vistos na


49/59

48

Figura 25.



Limiar = 0.2314

Pode-se observar que a Limiarizacao segmentou a floresta. Contudo, a lua que fora seg-

mentada pela tecnica 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) nao foi en-

contrada. Este fato decorre de que ha pontos na imagem onde a intensidade luminosa e muito

elevada o que corresponde a floresta e a lua. Neste caso, a tecnica assume um limiar ideal,

geralmente encontrado no vale entre estes dois picos e segmenta a imagem em duas classes,

fundo e imagem. A tecnica com limiar otimo assumiu a floresta como imagem e o restantecomo sendo fundo.

A Figura 26 mostra o histograma gerado a partir da imagem original processada.


50/59

49

Figura 26: Histograma Categoria Natureza

Se aumentarmos o limiar para 0.27 (Figura 27) e 0.4(Figura 28), pode-se observar queno primeiro caso houve a sementacao da lua, porem a imagem sofreu uma alteracao grande

em relacao aos rudos, nao propiciando resultados satisfatorios que justifiquem a aplicacao da

tecnica de Limiarizacao. Em relacao ao segundo limiar, (Figura 29), a imagem obtida apresen-

tou uma super segmentacao, aparecendo entao, apenas a lua, que era um dos picos do histo-

grama. Como o limiar aumentou, o processo de Limiarizacao 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 imagem original utilizada esta evidenciada na Figura 29. A aplicacao


51/59

50

da Limiarizacao para comparacao com a tecnica de Watershed obteve o resultado expresso na

Figura 30.



Limiar = 0.4314

A aplicacao da Limiarizacao, neste caso, nao obteve muito sucesso, pois mesmo aplicando

um limiarotimo,e possvel observar que alem do animal ter aparecido da imagem, que no caso

era o que queramos, encontramos tambem outras partes da imagem, como o reflexo na agua,

capim, nao favorecendo o reconhecimento preciso do animal. Contudo, se compararmos com

a imagem segmentada por Zghal (ZGHAL N.S. MASMOUDI, 2010), Figura 31, e a segmentacao

feita pela base de dados de Berkley (ARBELAEZ; MARTIN, 2007), podemos observar que tambemencontramos estes vestgios citados anteriormente.

Figura 31: Presenca de Outros Elementos Segmentados

Para que a presenca desses elementos seja retirada e necessario que seja aumentado o limiar.

Na Figura 32, apresenta-se o resultado obtido com a aplicacao de um limiar em 0.7. Neste caso,

conseguimos uma segmentacao mais focada no animal e nao nos outros elementos. A figura 33,

por sua vez, mostra o que acontece quando se aumenta o limiar. Neste caso, ocorreu uma perdasignificativa de conteudos da imagem.


52/59

51


0.7


0.9

Dessa forma, podemos concluir que e possvel a aplicacao da tecnica de Limiarizacao naimagem da categoria objeto, pois utilizando-se um limiar = 0.2 (Figura 22), obtem-se resul-

tados satisfatorios, indicando que ha um grande potencial para o uso desta tecnica ao inves

da tecnica de Watershed, Watershed Modificada, 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 Limiarizacaootima, (Figura 30), apresentou

um resultado bem proximo 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 limiarizacao

maior que a ideal, pode-se obter um resultado ainda melhor, retirando alguns elementos que

apareciam a mais na segmentacao pela tecnica de Watershed.

O ponto negativo desta tecnica e relativaa imagem da categoria natureza, que nao obteve

resultados suficientes a ponto de ser considerada uma melhor segmentacao em relacao 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 limiarotimo (Figura 25), ou variando este para mais ou para

menos (figuras 27 e 28, respectivamente), a segmentacao nao conseguiu um resultado gratifi-

cante, ora segmentando certas areas, ora nao, mantendo-se assim instavel. Neste caso, a melhor

tecnica para processamento desta imagem, se consideradas as tecnicas abordadas neste traba-

lho de pesquisa,e a descrita por Zghal, que segmentou por Watershed e aplicou em conjunto a

tecnica de Limiarizacao de Otsu, evidenciando ainda mais os contornos que foram previamente

segmentados pela tecnica de Watershed mostrada nos teste da base de dados de Berkley.


53/59

52

7 Analise do Processo de Desenvolvimento da Pesqui

Documents

Segmentação de Imagens - limiarização e Watershed