Você está na página 1de 257

PONTIFCIA UNIVERSIDADE CATLICA DE MINAS GERAIS

Programa de Ps-graduao em Engenharia Mecnica





















ANLISE DA TCNICA MOIR DE SOMBRA COM DESLOCAMENTO
DE FASE USANDO GENERALIZAO DO ALGORITMO DE CARR









Pedro Amrico Almeida Magalhes Jnior


















Belo Horizonte
2009
Pedro Amrico Almeida Magalhes Jnior












ANLISE DA TCNICA MOIR DE SOMBRA COM DESLOCAMENTO
DE FASE USANDO GENERALIZAO DO ALGORITMO DE CARR









Tese apresentada ao Programa de Ps-
Graduao em Engenharia Mecnica da
Pontifcia Universidade Catlica de Minas
Gerais, como requisito parcial para obteno
do ttulo de Doutor em Engenharia Mecnica.


Orientador: Perrin Smith Neto

Co-orientador: Clvis Sperb de Barcellos














Belo Horizonte
2009



























FICHA CATALOGRFICA
Elaborada pela Biblioteca da Pontifcia Universidade Catlica de Minas Gerais


Magalhes Jnior, Pedro Amrico Almeida
M188a Anlise da tcnica Moir de sombra com deslocamento de
fase usando generalizao do algoritmo de Carr / Pedro Amrico
Almeida Magalhes Jnior. Belo Horizonte, 2009.
257f. : il.

Orientador: Perrin Smith Neto
Co-Orientador: Clvis Sperb de Barcellos
Tese (Doutorado) - Pontifcia Universidade Catlica de Minas
Gerais. Programa de Ps-Graduao em Engenharia Mecnica.

1. Mtodo de Moir. 2. Topografia de Moir. 3. Fsica tica.
4. Medio. I. Smith Neto, Perrin. II. Barcellos, Clvis Sperb de. III.
Pontifcia Universidade Catlica de Minas Gerais. Programa de
Ps-Graduao em Engenharia Mecnica. IV. Ttulo.

CDU: 620.17








































Aos meus pais Pedro Amrico e Maria das Graas,
pelo dedicado incentivo;
a minha esposa Marta,
pelo amor e compreenso;
aos meus filhos
Ana Laura, Pedro Henrique e Gabriel,
pelo tempo furtado de convvio;
e aos meus irmos
Afonso, Marcos, Rodrigo, Rafael e Cristina,
pelo apoio e carinho.



AGRADECIMENTOS



A meu orientador, Professor Doutor Perrin Smith Neto, pela minuciosa
orientao que tornou possvel a realizao deste trabalho.
Ao meu co-orientador, Professor Doutor Clvis Sperb de Barcellos, pela
importante ajuda na construo da tese.
Aos professores Doutor Denlson Laudares Rodrigues, Doutor Ernani Sales
Palma e Doutor Jnes Landre Jnior, que, alm de conhecimento e dedicao ao
programa, ofereceram irrestrito incentivo alm de seguras e preciosas orientaes
tcnicas e cientficas.
Aos colegas e amigos, pelos incentivos demonstrados.
E a todos que, de alguma forma, contriburam para a realizao desta
pesquisa cientfica e, tambm a aqueles que, de alguma maneira, puderem se
beneficiar desta modesta contribuio.




RESUMO


A anlise de formas tridimensionais de grande importncia para uma vasta
variedade de reas. Diversos mtodos vm sendo empregados para a determinao
de perfis. As tcnicas utilizadas diferem de vrias formas e apresentam
caractersticas e margens de erro variadas. Topografia de superfcie pode ser
convenientemente investigada pela clssica Tcnica Moir de Sombra. Moir uma
tcnica sem contato e no destrutiva, com um rpido processo de digitalizao. Os
fenmenos de Franjas de Moir so o resultado da projeo de franjas
predominantes em certo objeto. Possui medio precisa comparvel com a de outros
sistemas e tambm um baixo custo. O presente trabalho oferece novos algoritmos
para a avaliao de fase em medidas ticas. Vrios algoritmos usando
deslocamento de fase com um arbitrrio, mas constante passo de fase entre os
quadros de intensidade capturados so propostos. Os algoritmos so similarmente
derivados do ento chamado Algoritmo de Carr. A ideia desenvolver uma
generalizao do Algoritmo de Carr que no fique restrita a quatro imagens. Erros e
rudos aleatrios nas imagens no podem ser eliminados, mas as incertezas devido
a estes efeitos podem ser reduzidas com o aumento do nmero de observaes.
Uma anlise experimental dos erros da tcnica foi realizada, assim como uma
anlise detalhada de erros da medio.

Palavras-chave: Deslocamento de Fase - Moir de Sombra - Algoritmo de Carr
Perfilometria Mtodos Experimentais.

ABSTRACT


The analysis of three-dimensional shapes is of great importance for a vast
variety of areas. Several methods have been used for the determination of profiles.
The used techniques differ in several ways and they present characteristics and
varied margins of error. Surface topography can be conveniently investigated by
Classical Shadow Moire technique. Moire is a non contact and non destructive
technique, with a fast digitization process. The phenomena of Moire Fringes are the
result of the projection of the predominant fringes on a certain object. This low cost
technique is accurate as compared to others. The presented work proposes new
algorithms for phase evaluation in optics measurements. Several phase-shifting
algorithms with an arbitrary but constant phase-shift between captured intensity
frames are proposed. The algorithms are similarly derived as so called Carre
algorithm. The idea is to develop a generalization of Carre that is not restricted to four
images. Errors and random noise in the images cannot be eliminated, but the
uncertainty due to its effects can be reduced by increasing the number of
observations. An experimental analysis of the erros associated with the technique
was made, as well as a detailed analysis of measurement errors.

Key-words: Phase Shifting - Shadow Moire - Carre Algorithm
Profilometry - Experimental Methods.
LISTA DE ILUSTRAES E FIGURAS


FIGURA 1 Classificao das tcnicas para aquisio da superfcie de contorno ............. 19
FIGURA 2 Classificao das tcnicas ticas para aquisio da superfcie de contorno .. 19
FIGURA 3 Franjas de Moir produzidas pela sobreposio de dois retculos ................... 58
FIGURA 4 Formao das franjas de Moir pela sobreposio de retculos constitudos
de linhas paralelas ..................................................................................................

59
FIGURA 5 Formao das franjas de Moir pela transmisso da luz atravs de dois
retculos constitudos de linhas paralelas superpostos .....................................

60
FIGURA 6 Desempacotamento de fases. a) Mapa de Fases empacotadas de um perfil;
b) Fases desempacotadas no mesmo perfil .......................................................

63
FIGURA 7 Formao das franjas no Moir de Sombra ......................................................... 64
FIGURA 8 Sistema experimental para Moir de Sombra com iluminao.
a) Com observador localizado a um ngulo em relao posio normal ao
plano que contm o retculo de referncia; b) Com observador localizado
perpendicularmente ao plano que contm o retculo de referncia...................



64
FIGURA 9 Telas (Entrada e Sada) do programa em MatLab que implementa Moir de
Sombra com Deslocamento de Fase ....................................................................

67
FIGURA 10 Tela do programa comercial Rinsing-Sun Moir para a mesma entrada da
Figura 9 do programa desenvolvido em MatLab ..............................................

68
FIGURA 11 Grfico da tangente de um arco em radianos ...................................................... 99
FIGURA 12 Algoritmo para tese numrico-matemtico das novas equaes do clculo
de fase. A funo Aleatorio() retorna um nmero real randmico (aleatrio)
entre 0 (zero) e 1 (um), diferente a cada chamada da funo .............................


103
FIGURA 13 Tempo gasto na execuo do Mtodo Branch-and-Bound para se obter uma
equao do clculo de fase, usando o Modelo Matemtico 3.19 com
microcomputador Pentium CPU Intel Core2 Quad Q6600 2.4GHz com 2GB
Memria, e escutando o programa em Delphi/Pascal que implementa o
mtodo de Otimizao ............................................................................................




106
FIGURA 14 Simetrias no numerador e no denominador dos coeficientes ........................... 109
FIGURA 15 Algoritmo que completa as matrizes de coeficientes do numerador e do
denominador usando simetrias e dados do primeiro um quarto da matriz de
coeficientes do numerador, e a primeira metade do vetor de coeficientes do
denominador ...........................................................................................................



110
FIGURA 16 Algoritmo para zerar os coeficientes do numerador e do denominador das
equaes do clculo de fase .................................................................................

118
FIGURA 17 Algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o
primeiro caso onde N par; N divisvel por 4 e N tambm divisvel por 8 .


120
FIGURA 18 Algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o
segundo caso onde N par; N divisvel por 4, mas N no divisvel por 8 ..


122
FIGURA 19 Algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o
terceiro caso N par, N+2 divisvel por 4 e N+2 divisvel por 8 ...................


124
FIGURA 20 Algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o
quarto caso onde N par, N+2 divisvel por 4, mas N+2 no divisvel por



8 ............................................................................................................................... 126
FIGURA 21 Algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o
quinto caso onde N mpar; N-1 divisvel por 4 e N-1 divisvel por 8 ........


128
FIGURA 22 Algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o
sexto caso onde N mpar; N-1 divisvel por 4, mas N-1 no divisvel por
8 ...............................................................................................................................



131
FIGURA 23 Algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o
stimo caso onde N mpar; N+1 divisvel por 4 e N+1 divisvel por 8 .......


134
FIGURA 24 Algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o
oitavo caso onde N mpar; N+1 divisvel por 4, mas N+1 no divisvel
por 8 ........................................................................................................................



137
FIGURA 25 Algoritmo completo para gerao de equaes de clculo com nmero de
imagens (N) maior que 15 .....................................................................................

138
FIGURA 26 Montagem da Tcnica Moir de Sombra para obteno das medidas de Z,
que a distncia entre o objeto e o retculo em cada pixel da fotografia .......

154
FIGURA 27 Um conjunto com 16 imagens de Franjas de Moir de um megapixel geradas
no computador. [A-P]. Nas imagens, usou-se uma resoluo grfica de um
megapixel com 1280 pixis na horizontal e 960 pixis na vertical ...................


156
FIGURA 28 direita, imagem gerada pelo computador do seio de um manequim, e
esquerda, fotografia digital tirada dos seios do mesmo manequim .................

161
FIGURA 29 Exemplo de rudos e imperfeies de fotografias de Moir ............................... 167
FIGURA 30 Equipamento para deslocamento de fase ........................................................... 172
FIGURA 31 Fluxograma do processamento da Tcnica Moir de Sombra com
Deslocamento de Fase .........................................................................................

173
FIGURA 32 Um conjunto com 16 fotografias de Franjas de Moir de um megapixel. [A-
P]. Fase empacotado[Q]. Fotografia do cilindro real de branco [R]. Resultado
em 3-D [S]. (Semi-cilindro de um motor com dimetro de 6 cm e
comprimento de 12 cm) .........................................................................................



185
FIGURA 33 Um conjunto com 16 fotografias de Franjas de Moir de um megapixel. [A-
P]. Fase empacotado[Q]. Globo usado como objeto a ser medido [R].
Resultado em 3-D [S]. (Metade de uma esfera com dimetro de 6 cm) .............


189
FIGURA 34 Montagem para calibrao e blocos padres utilizados ................................... 193
FIGURA 35 Um conjunto com 16 fotografias de Franjas de Moir de trs megapixis. [A-
P]. Fase empacotado[Q]. Resultado em 3-D [R]. (Bloco Padro inclinado com
altura de 1 cm) ........................................................................................................


194
FIGURA 36 Em [A] manequim pintado de branco fotografado. Em [B] Franjas de Moir
nos seios do manequim. Em [C] malha usada para fazer as medidas fsicas
com paqumetro das profundidades dos seios. Em [D-G] 4 fotografias de
Franjas de Moir defasadas dos seios. Em [H] comparao entre a fotografia
e as medidas. Em [I] reconstruo em 3-D das medidas ....................................




198
FIGURA 37 Em [A] montagem para fazer as fotografias das costa do manequim. Em [B]
costas do manequim a ser fotografado. Em [C] malha usada para fazer as
medidas fsicas com paqumetro das profundidades das costas. Em [D-E]
duas fotografias de Franjas de Moir defasadas das costas. Em [H] fase
empacotada (Wrapped). Em [G-I] reconstruo em 3-D das medidas ..............




202
FIGURA 38 Incerteza padro combinada u( *) em radianos em funo do valor de fase
( ) tambm em radianos para as novas equaes clculo de fases
desenvolvidas na tese. Nota-se o maior valor da incerteza em equao com
nmero de imagens pequeno ................................................................................


216
FIGURA 39 Incerteza padro combinada u( *) em radianos em funo do valor de fase
( ) tambm em radianos para as novas equaes clculo de fases
desenvolvidas na tese. Nota-se claramente o menor valor da incerteza em
equao com nmero de imagens grande. Assim para N=4 e N=5 tm-se
valores altos de u( *) e para N=15 e N=16 tm-se valores mais baixos ............




217
FIGURA 40 Grfico em trs dimenses de todas as equaes do clculo de fase
desenvolvidos da incerteza padro combinada u( *) em radianos em funo
do valor de fase ( ) em radianos ...........................................................................


218
FIGURA 41 Incerteza padro combinada u( *) em radianos em funo do valor
deslocamento de fase ( ) tambm em radianos para as novas equaes
clculo de fases desenvolvidas na tese. Nota-se o maior valor da incerteza
em equao com nmero de imagens pequeno. Observa-se que para entre
85 e 115, o valor da incerteza em todas as equaes menor .......................




219
FIGURA 42 Incerteza padro combinada u( *) em radianos em funo do valor
deslocamento de fase ( ) tambm em radianos para as novas equaes
clculo de fases desenvolvidas na tese. Nota-se claramente o menor valor
da incerteza em equao com nmero de imagens grande. Assim para N=4 e
N=5 tm-se valores altos de u( *) e para N=15 e N=16 tm-se valores mais
baixos .......................................................................................................................





220
FIGURA 43 Grfico em trs dimenses de todas as equaes do clculo de fase
desenvolvidos da incerteza padro combinada u( *) em radianos em funo
do valor deslocamento de fase ( ) em radianos ..................................................


221
FIGURA 44 Grfico da mdia da incerteza padro de todas as equaes do clculo de
fase testadas. Destaca-se o menor valor da incerteza em equao com
nmero de imagens grande ...................................................................................


222
FIGURA 45 Uma implementao em Linguagem Pascal para o clculo dos coeficientes
do numerador e do denominador para N na faixa de 4 at 90.000.512
(realizado o teste numrico matemtico). As equaes designadas com (a)
foram geradas por este programa ........................................................................



257

LISTA DE TABELAS


TABELA 1 Expresses para o clculo de fase com 5 imagens deduzidas por NOVAK
(2003) ......................................................................................................................

74
TABELA 2 Expresses proporcionais a seno e cosseno da fase para cada equao
proposta por NOVAK .............................................................................................

76
TABELA 3 Matriz de coeficientes do numerador e do denominador para N=4 (Carr) e
para N=5 (Novak) ....................................................................................................

80
TABELA 4 Equaes encontradas resolvendo o Modelo Matemtico 3.19 usando o
Mtodo Branch-and-Bound para N (nmero de imagens) igual a 6 .................

93
TABELA 5 Equaes encontradas resolvendo o Modelo Matemtico 3.19 usando o
Mtodo Branch-and-Bound para N (nmero de imagens) igual a 7 .................

94
TABELA 6 Equaes encontradas resolvendo o Modelo Matemtico 3.19 usando o
Mtodo Branch-and-Bound para N (nmero de imagens) igual a 8 .................

95
TABELA 7 Produto das Imagens I
1
, I
2
, I
3
, I
4
, I
5
e I
6
................................................................. 100
TABELA 8 Equaes com nmero de imagem (N) igual 4 e 5 .......................................... 174
TABELA 9 Equaes com nmero de imagem (N) igual 6,7,8,9,10,11 e 12 ..................... 175
TABELA 10 Equaes com nmero de imagem (N) igual 13,14,15 e 16 ............................ 176
TABELA 11 Estrutura dos dados de uma amostra pareada .................................................. 180
TABELA 12 Erro mdio em m dos 21 conjuntos de imagens aplicadas s equaes
selecionadas ..........................................................................................................

186
TABELA 13 Valor P das comparaes dos erros mdios das equaes aplicadas ............. 187
TABELA 14 Erro mdio em m dos 19 conjuntos de imagens aplicadas s equaes
selecionadas ..........................................................................................................

190
TABELA 15 Valor P das comparaes dos erros mdios das equaes aplicadas na
esfera ......................................................................................................................

191
TABELA 16 Erro mdio em m dos 25 conjuntos de imagens aplicadas s equaes
selecionadas ..........................................................................................................

195
TABELA 17 Valor P das comparaes dos erros mdios das equaes aplicadas no
plano inclinado ......................................................................................................

196
TABELA 18 Erro mdio em m dos 12 conjuntos de imagens aplicadas s equaes
selecionadas............................................................................................................

199
TABELA 19 Valor P das comparaes dos erros mdios das equaes aplicadas aos
seios .......................................................................................................................

200
TABELA 20 Erro mdio em m dos 12 conjuntos de imagens aplicadas s equaes
selecionadas para as costas de um manequim...................................................

203
TABELA 21 Valor P das comparaes dos erros mdios das equaes aplicadas s
costas .....................................................................................................................

204
TABELA 22 Erro mdio em m dos 25 conjuntos de imagens aplicadas s equaes
selecionadas para as curvas geradas no computador........................................

206
TABELA 23 Valor P das comparaes dos erros mdios das equaes aplicadas s
curvas geradas no computador ...........................................................................

207
TABELA 24 Erro mdio em m dos 25 conjuntos de imagens aplicadas s equaes
selecionadas para imagens geradas no computador com rudos aleatrios ...

209

TABELA 25 Valor P das comparaes dos erros mdios das equaes aplicadas s
imagens geradas no computador com rudo aleatrio .....................................

210
TABELA 26 Equaes encontradas para N (nmero de imagens) igual a 9 ........................ 249
TABELA 27 Equaes encontradas para N (nmero de imagens) igual a 10 ...................... 250
TABELA 28 Equaes encontradas para N (nmero de imagens) igual a 11 ...................... 251
TABELA 29 Equaes encontradas para N (nmero de imagens) igual a 12 ...................... 252
TABELA 30 Equaes encontradas para N (nmero de imagens) igual a 13 ....................... 253
TABELA 31 Equaes encontradas para N (nmero de imagens) igual a 14 ...................... 254
TABELA 32 Equaes encontradas para N (nmero de imagens) igual a 15 ...................... 255
TABELA 33 Equaes encontradas para N (nmero de imagens) igual a 16 ....................... 256
LISTA DE SIGLAS E TERMOS


x = Mdia Aritmtica da Amostra
= = preciso numrica = dimenso ou ordem do erro numrico (adimensional)
= Deslocamento ou mudana de fase (rad)
= Mapa de fase (Distribuio de fase) = [0, /2] (rad)
= Mdia Aritmtica da Populao
* = = = Mapa de fase (Distribuio de fase) = * [-, ] (rad)
ABNT = Associao Brasileira de Normas Tcnicas o rgo responsvel pela normalizao
tcnica no pas, fornecendo a base necessria ao desenvolvimento tecnolgico brasileiro
ANSI = American National Standards Institute ("Instituto Nacional Americano de
Padronizao")
ASA = American Standards Association (americano) = Associao de Padronizao
Americana
BIPM = Bureau international ds poids et mesures = International Bureau of Weights and
Measures
bit = Unidade de medida da informao (Binary digIT)
byte = Conjunto de 8 bits (BinarY TErm)
Calibrao = Aferio = Conjunto de operaes que estabelece, sob condies especificadas,
a relao entre os valores indicados por um instrumento de medio ou sistema de medio
ou valores representados por uma medida materializada ou um material de referncia, e os
valores correspondentes das grandezas estabelecidos por padres.
CCD = Charge Coupled Device (Dispositivo de Carga Acoplada) de cmeras digitais
d

r
= coeficiente da primeira metade do vetor do denominador de ordem r
Dem = vetor de coeficientes do denominador das equaes do clculo de fase
Dem

= primeira metade do vetor de coeficientes do denominador da equao do clculo de
fase
Deslocamento de Fase = Mudana de Fase = Phase Shifting
DIV = div = quociente da diviso inteira [ DIV(r,s) = r/s ] (resultado sempre menor ou igual
diviso exata em real) = Quociente_Inteiro(r,s)
dpi = dots per inch (pontos por polegada)
d
r
= coeficiente do vetor do denominador de ordem r
Erro Aleatrio = Resultado de uma medio menos a mdia que resultaria de um infinito
nmero de medies do mesmo mensurando efetuadas sob condies de repetitividade.
(Random Error).
Erro de arredondamento = a diferena entre a representao de um nmero e o seu valor
matemtico exato, especialmente quando se usa uma quantidade finita de dgitos para
representar nmeros reais que tem uma quantidade infinita ou muito grande de dgitos.

Erro de Medio = Resultado de uma medio menos o valor verdadeiro do mensurando.
(Measurement Error).
Erro Relativo = Erro da medio dividido por um valor verdadeiro do objeto da medio.
(Relative Error).
Erro Sistemtico = Mdia que resultaria de um infinito nmero de medies do mesmo
mensurando, efetuadas sob condies de repetitividade, menos o valor verdadeiro do
mensurando. (Systematic Error).
Estabilidade = Aptido de um instrumento de medio em conservar constantes suas
caractersticas metrolgicas ao longo do tempo. (Stability).
Exatido de Medio = Acurcia = Grau de concordncia entre o resultado de uma medio e
um valor verdadeiro do mensurando. (Measurement Accuracy).
FFT = Fast Fourier Transform (Transformada Rpida de Fourier)
Frames = Quadros = Imagens
I = Intensidade de luz
I(x,y) = Intensidade de luz em um pixel da imagem, posio (x,y)
I
a
(x,y) = intensidade de modulao em cada ponto da imagem
I
k
= Intensidade de luz da imagem de ordem k
I
m
(x,y) = intensidade luminosa do fundo em cada ponto da imagem
Incerteza de Medio (u) = Parmetro, associado ao resultado de uma medio, que
caracteriza a disperso dos valores que podem ser fundamentadamente atribudos a um
mensurando. (Uncertainty of Measurement).
Incerteza expandida (U) = obtida, multiplicando-se a incerteza padro combinada por um
fator de abrangncia. A finalidade pretendida fornecer um intervalo em torno do resultado
de uma medio, com o qual se espera abranger uma grande frao da distribuio de valores
que poderiam razoavelmente ser atribudos ao mensurando.
Incerteza padro = u( ) = incerteza do resultado de uma medio expressa como um desvio
padro.
Incerteza padro combinada (u
c
) = a incerteza padro do resultado de uma medio, quando
este resultado obtido de valores de um nmero de outras grandezas.
INMETRO = Instituto Nacional de Metrologia, Normalizao e Qualidade Industrial
ISO = International Organization for Standardization = Organizao Internacional de
Padronizao
LPU = Lei da Propagao da Incerteza
M = metade do nmero de imagens (N) para N par e metade do nmero de imagens mais um
(N+1) para N mpar [ N par => M=N/2 e para N mpar => M=(N+1)/2 ]
Medio = Conjunto de operaes que tem por objetivo determinar um valor de uma
grandeza. (measurement).
Metrologia = Cincia da medio. (metrology).
MOD = mod = resto da diviso inteira [ MOD(r,s) = r/s ] = Resto_Diviso(r, s)
N = nmero de imagens
n

r,s
= coeficiente do primeiro um quarto da matriz do numerador de linha r e coluna s
n
r,s
= coeficiente da matriz do numerador de linha r e coluna s
Num = matriz de coeficientes do numerador das equaes do clculo de fase
Num

= primeiro um quarto da matriz de coeficientes do numerador da equao do clculo


de fase
p = pitch = passo = distncia entre as linhas do retculo de referncia = frequncia do retculo
= frequncia espacial do retculo (mm)
PDF = Probability Density Function = Funo de Densidade de Probabilidade = funo
utilizada para representar a distribuio de probabilidade.
pixel = Picture element (elemento da imagem)
PME = Princpio da Mxima Entropia
Preciso da Medio = Preciso = grau de concordncia entre indicaes ou valores de
quantidades medidas obtidas por repetidas medies sobre o mesmo ou objetos similares em
condies especificadas. (Measurement Precision).
Preciso numrica = refere-se ao quo prximo est uma representao numrica de um
nmero do seu valor verdadeiro. estabelecido principalmente pela quantidade de dgitos
usado na sua representao. (Nmero de algarismos significativos).
Rm = Retculo do Modelo
Rr = Retculo de Referncia
s = Desvio Padro da Amostra
Sensibilidade = Variao da resposta de um instrumento de medio dividida pela
correspondente variao do estmulo. (Sensitivity).
Teste t = Teste Student = Teste T-Student = Teste Estatstico de Comparao de Duas
Mdias com Dados Emparelhados
u = incerteza de medio = incerteza padro (desvio padro)
U
95
= incerteza expandida com intervalo de confiana de 95% (infinitos graus de liberdade)
Unwrapping = Unwrapped = Desempacotamento
Valor verdadeiro = Valor consistente com a definio de uma dada grandeza especfica.
um valor que seria obtido por uma medio perfeita.
Valor verdadeiro convencional = Valor atribudo a uma grandeza especfica e aceito, s
vezes por conveno, como tendo uma incerteza apropriada para uma dada finalidade.
X = x = posio do pixel na direo horizontal da imagem (mm)
Y = y = posio do pixel na direo vertical da imagem (mm)
Z = profundidade mxima a ser medida = distncia vertical do retculo plano para o ponto do
objeto (mm)
= ordem de franja multiplicada por 2 (adimensional)
SUMRIO




CAPTULO I INTRODUO .................................................................... 18
1.1 Introduo do captulo ....................................................................... 18
1.2 Justificativa ......................................................................................... 22
1.3 Problema ............................................................................................. 24
1.4 Hiptese .............................................................................................. 25
1.5 Objetivos gerais ................................................................................. 26
1.6 Objetivos especficos ......................................................................... 27
1.7 Reviso de literatura .......................................................................... 27
1.7.1 Estado da Arte ................................................................................. 28
1.7.2 Comentrios da bibliografia consultada ........................................ 32
1.8 Metodologia ........................................................................................ 45
1.9 Recursos ............................................................................................. 48
1.10 Procedimentos ................................................................................ 51
1.11 Tpicos ............................................................................................. 53
1.12 Concluso do captulo .................................................................... 54


CAPTULO II - TCNICA DE MOIR ........................................................ 56
2.1 Introduo do captulo ...................................................................... 56
2.2 A Tcnica de Moir ............................................................................ 57
2.3 Comparao de valores medidos ..................................................... 66
2.4 Concluso do captulo ...................................................................... 69


CAPTULO III - NOVAS EQUAES DEDUZIDAS .................................. 71
3.1 Introduo do captulo ...................................................................... 71
3.2 O Algoritmo de Carr e o Algoritmo de Novak ................................ 72
3.3 Novo modelo matemtico proposto nesta pesquisa ....................... 76
3.4 Modelo matemtico ............................................................................ 80
3.5 Mtodo Branch-and-Bound ............................................................... 84
3.6 Mtodo de Programao No-linear ................................................ 89
3.7 Principais equaes do clculo de fase obtidas ............................ 92
3.8 Testes das equaes obtidas ........................................................... 96
3.8.1 Teste numrico matemtico das equaes obtidas .................... 98
3.8.2 Testes de Moir das equaes obtidas ........................................ 104
3.9 Simetria nas equaes do clculo de fase ....................................... 105
3.10 Matrizes esparsas nas equaes do clculo de fase ................... 114
3.11 Equaes do clculo de fase para muitas imagens ..................... 117
3.12 Quantas imagens usar no clculo de fase .................................... 139
3.13 Concluso do captulo .................................................................... 141


CAPTULO IV - TRATAMENTO DE IMAGENS ......................................... 144
4.1 Introduo do captulo ...................................................................... 144
4.2 Passagem da fase de [0, /2] para [- , ] ......................................... 145
4.3 Algoritmos de desempacotamento (Unwrapping) .......................... 149
4.4 Gerao de imagens de Moir no computador ............................... 154
4.5 Acrscimos de rudos nas imagens ................................................. 157
4.6 Filtros Iniciais antes do clculo de fase .......................................... 161
4.7 Concluso do captulo ...................................................................... 164


CAPTULO V - ANLISE DE ERROS ....................................................... 165
5.1 Introduo do captulo ...................................................................... 165
5.2 Equipamentos utilizados nos experimentos ................................... 168
5.3 Equaes de clculo a serem testadas ........................................... 174
5.4 Inferncias a partir de amostras emparelhadas ............................. 177
5.5 Experincias com cilindros slidos ................................................. 183
5.6 Experincias com esferas slidas de metal ..................................... 188
5.7 Experincias com blocos padro em ao ........................................ 192
5.8 Experincias com seios de manequim ............................................. 197
5.9 Experincias com costas de manequim ............................................ 201
5.10 Experincias com imagens geradas no computador .................... 205
5.11 Anlises de incertezas para algoritmos do clculo de fase ......... 211
5.12 Anlises de erros das medies ..................................................... 223
5.13 Concluses do captulo ................................................................... 226


CAPTULO VI - CONCLUSES ................................................................ 228


REFERNCIAS .......................................................................................... 234


APNDICE A - EQUAES DESENVOLVIDAS COM O MODELO 3.19 .. 249

APNDICE B - EQUAES DESENVOLVIDAS COM O MODELO 3.51 .. 253

APNDICE C - EQUAES DESENVOLVIDAS COM O MODELO 3.53 .. 255

APNDICE D PROGRAMA DE GERAO DE EQUAES ................. 257


18
CAPTULO I - INTRODUO


1.1 Introduo do captulo


A medio da forma de objetos tridimensionais tem recebido uma grande
ateno da comunidade cientfica, devido sua ampla gama de aplicaes. Como
exemplo, pode-se citar aplicaes no controle de qualidade de componentes
industriais, na medio do corpo humano para aplicaes de ergonomia, no
sensoriamento de ambientes para a robtica, na indstria do cinema e muitas outras.
A utilizao de tcnicas perfilomtricas de grande importncia para diversos
segmentos da indstria e de cincias como a Biologia, Medicina e Engenharia,
principalmente, no que se refere a prticas de controle de qualidade, modelagem
matemtica e diagnsticos clnicos. Assim, as tcnicas de medio da superfcie de
contorno ou perfilometria tm sido utilizadas em um grande nmero de aplicaes na
indstria, na Biologia e Medicina e na Engenharia Civil e Robtica. Na indstria,
representa uma poderosa ferramenta na manufatura, controle de qualidade,
engenharia reversa e na modelagem dos esforos estticos e dinmicos a que esto
submetidos os componentes mecnicos. Em Medicina e Engenharia Biomdica, so
usadas em diagnsticos, modelagem de movimentos, estudos sobre materiais
utilizados em prteses e previso de resultados cirrgicos. Na Engenharia Civil, seu
uso ocorre na inspeo de grandes estruturas como pontes, edifcios, estradas e
tneis. E finalmente, na Robtica, so utilizadas, principalmente, na implementao
da viso automtica de mquina.
As tcnicas usadas para a medio do perfil topogrfico de objetos so
classificadas em dois grupos: tcnicas de contato e tcnicas sem contato (Figura 1).

19

Figura 1 - Classificao das tcnicas para aquisio da superfcie de contorno.
Fonte: CURLESS, 2001.

J as tcnicas perfilomtricas ticas podem ser classificadas em passivas ou
ativas, dependendo da aplicao de luz, sendo ativas, as que obrigam a iluminao
especial do objeto; e passivas, as que utilizam apenas a iluminao ambiente
(Figura 2).

Figura 2 - Classificao das tcnicas ticas para aquisio da superfcie de contorno.
Fonte: CURLESS, 2001.

As tcnicas passivas se caracterizam por utilizarem apenas a luz ambiente
para iluminar a cena. A informao de distncia extrada a partir de uma ou mais
imagens de intensidade da cena. As tcnicas passivas procuram extrair a
informao de distncia a partir de uma ou mais imagens monoculares de
20
intensidade, obtidas com uma cmara fixa. De um modo geral, essas tcnicas
permitem apenas obter informaes acerca da orientao das superfcies ou da
distncia relativa entre os pontos da cena, no possibilitando medir distncias
absolutas. No entanto, existem tcnicas de medida de distncia absoluta que usam
imagens monoculares: o exemplo mais conhecido o das tcnicas de focagem que
recorrem equao das lentes para determinar a distncia das regies bem focadas
de uma ou mais imagens de intensidade. Das tcnicas passivas, a mais conhecida
a estereoscopia, permitindo obter informao de distncia a partir de duas ou mais
imagens de intensidade da cena, tomadas com uma ou mais cmaras colocadas em
posies diferentes, recorrendo ao principio da triangulao.
As tcnicas ativas de aquisio de informao tridimensional so
caracterizadas pela projeo direta e controlada de energia sobre a cena,
recorrendo a um ou mais projetores e a um ou mais sensores. A energia projetada,
geralmente sob a forma de luz ou ultra-sons, refletida pelos objetos da cena,
sendo detectada por sensores que, de forma mais ou menos direta, fornecem a
informao de distncia. Entre as tcnicas ativas est a Tcnicas de Moir, onde a
informao de distncia obtida a partir da interao entre um padro de luz
projetado sobre uma cena e um padro de referncia.
As tcnicas ticas tm como vantagem a rapidez e o fato de no ter contato
fsico com os objetos em estudo, sendo, portanto, indicadas para o trabalho com
materiais biolgicos sensveis, tais como o corpo humano.
As tcnicas ticas podem ainda ser classificadas em dois grupos: tcnicas
com escaneamento e sem escaneamento. As tcnicas com escaneamento so
representadas por triangulao, tcnicas de luz estruturadas e radar laser. As duas
primeiras so baseadas em princpios de triangulao, e o radar laser baseado na
medio do tempo de viagem do pulso de laser. Esses mtodos, geralmente,
resultam em complicados sistemas computacionais e, normalmente, consomem
muito tempo para cobrir toda a superfcie. Uma tcnica sem escaneamento tpica a
Tcnica de Moir.
A Tcnica de Moir consiste na projeo de um conjunto de linhas paralelas
sobre a cena e na aquisio de uma imagem da mesma, recorrendo a uma cmara
deslocada em relao ao projetor, em frente da qual est colocado um retculo
idntico ao usado para projetar as linhas. O padro de Moir um padro de
interferncia de baixa frequncia formado pela sobreposio de dois retculos com
21
padres regularmente espaados de frequncia espacial mais elevada. O resultado
um padro constitudo por franjas alternadamente brilhantes e escuras, chamadas
Franjas de Moir.
Existe uma variante desta tcnica, designada por Moir de Sombra (Shadow
Moir), que usa um nico retculo colocada em frente de toda a extenso da
superfcie em estudo, to prxima desta quanto possvel. A unio das linhas do
retculo com as suas sombras na superfcie do objeto do origem ao conjunto de
Franjas de Moir. Conhecido o espaamento das linhas do retculo projetado, a
distncia entre o projetor e a cmara, a distncia do projetor/cmara ao retculo e o
nmero de ordem da superfcie de contorno, possvel determinar a variao de
distncia entre os pontos de duas franjas consecutivas.
Moir de Sombra tem a vantagem de ser mais simples de implementar, mas
no pode ser aplicada em cenas de grandes dimenses devido necessidade de
um retculo do tamanho da cena. Outras dificuldades so a de permitir apenas obter-
se informao da distncia relativa entre as franjas e a determinao exata da linha
central de cada franja.
Nas Tcnicas de Moir tradicionais, muitas informaes contidas entre duas
franjas vizinhas so perdidas. Por isso a partir dos anos 70, foram desenvolvidas
vrias tcnicas de medio de fase, que aplicadas s Tcnicas de Moir aumentam
grandemente sua resoluo, preciso e repetibilidade.
A Tcnica Moir de Sombra necessita basicamente de uma fonte de luz, um
retculo mestre e, em geral, uma cmera fotogrfica ou de vdeo como observador. A
sensibilidade em uma abordagem ordinria da ordem do passo do padro do
retculo utilizada. Em vista disso, tcnicas para o aumento da preciso foram
desenvolvidas, como a Tcnica Deslocamento de Fase (Phase Shifting).
A Tcnica Deslocamento de Fase necessita normalmente de 3, 4 ou 5
imagens com pequenos deslocamentos do retculo entre elas. Estas mudanas no
retculo provocam alteraes nas franjas geradas, deslocando assim a chamada
fase entre as imagens. Usando estas diferenas nas franjas obtidas em cada
imagem, a tcnica consegue medir a superfcie de contorno dos objetos estudados.
Essa tcnica tambm pode ser aplicada a outras tcnicas ticas alm das Tcnicas
de Moir.
Quando se olha atravs de dois retculos sobrepostas, nota-se a formao de
padres ou franjas, que so resultado da combinao das linhas dessas telas. Esse
22
fenmeno chamado de fenmeno ou efeito de Moir. A literatura relata muitos
trabalhos de sucesso usando a Tcnica Moir de Sombra, com tima preciso.
Trata-se de uma tcnica de baixo custo e alta sensibilidade.


1.2 Justificativa


A anlise de formas tridimensionais de elevada importncia para uma
variedade de reas. Na rea de sade, por exemplo, a avaliao de profundidade e
formas tridimensionais deve ser realizada constantemente durante a avaliao e o
tratamento de um grande nmero de patologias. Em Engenharia Mecnica, a
quantificao do desgaste de peas e mudanas de formas por vrios fatores, tais
como temperatura ou carga, torna imprescindvel a presena de uma anlise
quantitativa segura. Na Engenharia Agrcola, fazem-se necessrios estudos em
perfis topogrficos de superfcies irregulares como rgos vegetais, superfcie do
solo, elementos de mquinas etc.
A utilizao de uma tcnica de medio sem contato, visando interferir o
mnimo possvel no que se deseja medir, rpida e com nveis de erro baixos o
suficiente para a aplicao especfica desejada, se torna necessria. Medies por
tcnicas ticas so cada vez mais empregadas na Engenharia e na indstria.
Dentre das tcnicas ticas, a Tcnica Moir especialmente interessante, por
se tratar de um fenmeno tico utilizado em um grande nmero de processos de
medio para a obteno de valores de profundidade, forma, deslocamento,
desgaste, vibrao, entre outros. Uma das formas de se utilizar a Moir na medio
de profundidade e reconstruo de formas em trs dimenses atravs de uma
tcnica chamada Moir de Sombra. As principais vantagens da Tcnica Moir de
Sombra so a simplicidade, o baixo custo e a margem de erro pequena.
A medio continua presente no desenvolvimento tecnolgico. atravs da
medio do desempenho de um sistema que se avalia e se realimenta o seu
aperfeioamento. A qualidade, a segurana, o controle de um elemento ou processo
so sempre assegurados atravs de uma operao de medio. Medir uma forma
de descrever o mundo. As grandes descobertas cientficas e as grandes teorias
clssicas foram, e ainda so, formuladas a partir de observaes experimentais.
23
Uma boa teoria aquela que se verifica na prtica. A descrio das quantidades
envolvidas em cada fenmeno se d atravs da medio.
Do ponto de vista tcnico, a medio empregada para monitorar, controlar
ou investigar um processo ou fenmeno fsico. Qualquer sistema de controle envolve
um sistema de medio como elemento sensor, compondo um sistema capaz de
manter uma grandeza ou processo dentro de certos limites. O valor da grandeza a
controlar medido e comparado com o valor de referncia estabelecido, e uma ao
tomada pelo controlador, visando aproximar a grandeza sob controle deste valor
de referncia.
Os recursos experimentais foram, e ainda so, uma ferramenta indispensvel
com as quais diversas descobertas cientficas tornaram-se possveis. Problemas nas
fronteiras do conhecimento requerem, frequentemente, considerveis estudos
experimentais em funo de no existir ainda nenhuma teoria adequada. Estudos
tericos e resultados experimentais so complementares e no antagnicos. A
anlise combinada de teoria e experimentao pode levar ao conhecimento de
fenmenos com muito maior profundidade e em menor tempo do que cada uma das
frentes em separado. Atravs da experimentao possvel, por exemplo, testar a
validade de teorias e de suas simplificaes, testar relacionamentos empricos, e
determinar propriedades de materiais, componentes, sistemas ou o seu
desempenho.
Em todas as reas da atividade humana h uma busca contnua e ininterrupta
por novos mtodos, novos procedimentos que superem ou melhorem, em certo
sentido, aqueles j existentes. A pesquisa de novas tcnicas de medies de
fundamental importncia para a cincia e a Engenharia. Medies mais precisas e
com erros e incertezas menores uma constante na evoluo da tecnologia.
Qualquer tcnica que tenha a possibilidade de produzir melhores resultados de
Metrologia deve ser investigada e estudada. Esta a principal motivao desta
pesquisa.
Em ensaios de Engenharia, assim como em vrias outras reas, o
conhecimento dessa incerteza imprescindvel visto que em muitos casos
necessrio fazer medies repetidas da mesma superfcie para efeito de
comparao. Com o desconhecimento da margem de incerteza fica difcil confiar no
resultado da comparao.

24

1.3 Problema


Tendo em vista as dificuldades e complexidades dos mtodos convencionais
para a determinao de dimenses, perfil, tenses, deformaes, movimentos e
posies relativas de objetos em trs dimenses, torna-se necessrio concentrar
esforos na pesquisa de mecanismos alternativos para a anlise experimental
desses objetos. A vantagem de se utilizar as Tcnicas Moir de Sombra que elas
dispensam equipamentos e tcnicas sofisticadas de aquisio de imagens.
Entretanto, comum em algumas reas, principalmente na rea da sade, as
avaliaes serem realizadas apenas de forma qualitativa, ou ainda, se quantitativas,
no apresentarem dados acerca da incerteza do resultado de medio. A
apresentao de dados experimentais sem estimar suas incertezas ou, pior, sem
conhecer suas fontes de erro, torna qualquer tcnica pouco confivel.
Toda medio est afetada por erros. Esses erros so provocados pela ao
isolada ou combinada de vrios fatores que influenciam o processo de medio,
envolvendo o sistema de medio, o procedimento de medio, a ao de
grandezas de influncia e o operador.
A repetio da operao de medio sobre o mesmo objeto leva mais tempo
e exige clculos adicionais, mas justificvel em duas situaes: quando se deseja
reduzir a incerteza da medio ou quando se trata de um mensurando varivel. No
primeiro caso, a influncia do erro aleatrio diminui quando so efetuadas vrias
medidas, o que pode vir a reduzir a incerteza da medio, portanto, a parcela de
dvida ainda presente no resultado. Tratando-se de um mensurando varivel, deve-
se necessariamente efetuar vrias medies, visando coletar um nmero suficiente
de indicaes que permitam caracterizar a faixa de variao do mensurando. A rigor,
em termos preciosistas, no existem mensurandos invariveis.
Surgem ento questes de como repetir as medies quanto estas so
obtidas a partir de imagens fotogrficas. A resposta apresentada pela Tcnica
Deslocamento de Fase est em obter vrias imagens fotogrficas do mesmo objeto
deslocando o retculo de referncia, ou dizendo de outra forma, alterando sua fase, e
assim, mudando as disposies das franjas projetadas no objeto.
25
A Tcnica Deslocamento de Fase tradicional extremamente dependente do
valor da mudana de fase entre as imagens. Qualquer erro no valor do
deslocamento de fase pode acarretar falhas e erros nas medies com esta tcnica.
Uma alternativa interessante o Algoritmo de Carr, que utiliza quatro imagens para
realizar uma medida sem necessidade de conhecimento do valor do deslocamento
de fases, que pode ser arbitrrio, necessitando apenas que o passo do
deslocamento de fase seja constante entre cada imagem.
Pode ser interessante utilizar este algoritmo com mais de quatro imagens.
Uma vez que cada fotografia uma observao ou medida obtida
experimentalmente. O nmero de medidas pode influenciar o erro ou a incerteza do
processo de medio. Ainda mais se sabendo que normalmente as imagens contm
muitos rudos e imperfeies de origens diversas que podem alterar os valores das
medies ticas.


1.4 Hipteses


Com base em reviso bibliogrfica e estudo de outras pesquisas realizadas
por diversos autores, o presente trabalho de pesquisa considera as seguintes
hipteses:

possvel utilizar as Tcnicas Moir de Sombra para determinar, com
a necessria preciso, dimenses, perfis, deslocamentos e posies
relativas de objetos. Ou seja, a Tcnica de Moir pode ser aplicada
com resultados satisfatrios na gerao de Modelos Digitais de
Elevao ou Topogrficos de superfcies irregulares;
as imagens fotogrficas contm rudos e imperfeies que vo produzir
erros nas medidas realizadas pela Tcnica de Moir. H inmeras
fontes de erro provenientes de vibraes mecnicas, variaes de
temperatura, sombras e reflexos nas imagens, pequenos
deslocamentos e inclinaes das montagens experimentais, m
calibrao dos instrumentos de medio, alm de muitas outras;
26
quanto maior a quantidade de medidas menor a influncia do erro
aleatrio nas medies, melhorando, assim, a preciso do processo.
Em termos estatsticos, um aumento no nmero de medies reduz a
incerteza das medidas;
possvel generalizar o Algoritmo de Carr para mais de quatro
imagens, deduzindo novas equaes matemticas para estes
processos e, tambm, estimar suas incertezas e suas fontes de erro
para tornar as tcnicas confiveis;
podem-se usar mtodos numricos e estatsticos para se obter e testar
as novas equaes da generalizao do Algoritmo de Carr. Um
grande nmero de testes numricos pode avaliar ou verificar essas
novas equaes ou, pelo menos, tornar mnimas ou remotas a chance
delas estarem erradas ou serem falsas.

A finalidade da pesquisa desenvolver uma generalizao do Algoritmo de
Carr, para que no fique mais restrita a quatro amostras. A razo para o fim da
restrio o princpio de que quanto maior o nmero de imagens obtidas para uma
medio, menor a influncia de erros aleatrios no processo. O Algoritmo de Carr
utilizado em vrios campos da Engenharia, mas, nesta tese, ser aplicado a Tcnica
Moir de Sombra com Deslocamento de Fase.
Na imagem fotogrfica est presente certa quantidade de rudos e
imperfeies. Tais rudos so as principais causas de erros nas medies realizadas
pela Tcnica de Moir. Acredita-se que com o aumento do nmero de observaes
ou imagens com a generalizao do Algoritmo de Carr, seja possvel reduzir esta
falha e melhorar a preciso das medidas perfilomtricas.


1.5 Objetivo geral


Esta tese tem como objetivo desenvolver uma generalizao do Algoritmo de
Carr, para que no fique mais restrita a quatro amostras ou imagens. Alm disso,
visa comparar estes novos algoritmos desenvolvidos de forma metrolgica, usando a
Tcnica Moir de Sombra com Deslocamento de Fase.
27
1.6 Objetivos especficos


Desenvolver modelos matemticos para se obter novas variantes do
Algoritmo de Carr, tendo o deslocamento do passo da fase desconhecido,
mas constante, para quatro ou mais imagens;
utilizar mtodos numricos para a obteno dessas novas equaes da
generalizao do Algoritmo de Carr, alterando o enfoque do problema at
ento tratado como analtico e algbrico;
analisar e testar, de forma metrolgica, usando a Tcnica Moir de Sombra
com Deslocamento de Fase, as novas equaes desenvolvidas, por meio de
anlise de incerteza e de caracterizao e estimao das provveis fontes de
erro;
comparar as novas equaes do clculo de fase e, usando de Inferncia
Estatstica, determinar, na mdia, qual a mais precisa e apresenta menor
incerteza nas medies.


1.7 Reviso de literatura


A reviso de literatura pode ser dividida em trs principais grupos: o primeiro,
sobre a Tcnica de Moir; o segundo, sobre a Tcnica Deslocamento de Fase com
nfase no Algoritmo de Carr, e o terceiro, sobre mtodos numricos, mais
especificamente, sobre mtodos de Otimizao Inteira No-linear.
Todos os trs grupos tratam de tpicos bens abrangentes, com aplicao em
vrios campos da Engenharia. interessante notar que, apesar da importncia
desses temas, eles so, em geral, desconhecidos pela maioria dos engenheiros no
Brasil. A tese ganha relevncia ao discutir temas como a Tcnica de Moir, os
mtodos de Otimizao Inteira No-linear, a Tcnica Deslocamento de Fase e o
Algoritmo de Carr.



28
1.7.1 Estado da Arte


A Tcnica de Moir ganha importncia devido ao grande avano ocorrido com
o desenvolvimento da memria Flash, que uma memria de computador do tipo
EEPROM, que permite que mltiplos endereos sejam apagados ou escritos numa
s operao. De maneira simplificada, trata-se de um chip reescrevvel que, ao
contrrio de uma RAM, preserva o seu contedo sem a necessidade de fonte de
alimentao. Essa memria comumente usada em cartes de memria drives
flash, USB, em iPod e cmeras digitais. Atualmente, as cmeras digitais substituram
as antigas cmeras com filme e, hoje em dia, apresentam um baixo custo e uma alta
resoluo na imagem. Alm disso, nas cmeras digitais mais modernas, parece
existir uma preocupao em reduzir o rudo e as distores nas imagens obtidas e
aumentar a resoluo em nmero de pixis.
Alm das cmeras digitais, a Tcnica de Moir beneficiria da evoluo das
tcnicas de Processamento Digital de Imagens pelo surgimento dos
microcomputadores populares de alta performance e baixo custo, o que viabiliza o
tratamento de imagens de alta resoluo em um tempo extremamente pequeno,
questo de segundos.
Esta melhora no tempo de processamento gerou o surgimento de diversos
filtros com a inteno de melhorar as imagens das fotografias tiradas antes do
processamento. A ideia principal deixar as imagens quase sem rudo e, com isso,
obter medidas mais precisas. Uma novidade atual o uso de filtros direcionais auto-
adaptativos. Nestes filtros, uma determinada direo em um bloco da imagem
priorizada na melhora das franjas.
O Processamento Digital de Imagens certamente uma rea em crescimento.
O Processamento de Imagens vem, na realidade, do Processamento de Sinais. Os
sinais, como as imagens, so, na realidade, um suporte fsico que carrega no seu
interior uma determinada informao. Esta informao pode estar associada a uma
medida (neste caso, fala-se de um sinal em associao a um fenmeno fsico), ou
pode estar associada a um nvel cognitivo (neste caso, fala-se de conhecimento).
Processar uma imagem consiste em transform-la sucessivamente com o objetivo
de extrair mais facilmente a informao ou medida nela presente. Cabe, neste
momento, fazer uma comparao entre o Processamento Digital de Imagem e a
29
rea de Computao Grfica, tcnica encontrada frequentemente aplicada nas
sequncias animadas na televiso ou em filmes de cinema. A Computao Grfica
parte de uma informao precisa para obter uma imagem ou um filme. O
Processamento de Imagens parte da imagem (de uma informao inicial que
geralmente captada por uma cmera) ou de uma sequncia de imagens para se
obter as informaes ou medidas. Deste ponto de vista, o Processamento Digital de
Imagens e a Computao Grfica so exatamente mtodos opostos, mas isto no
quer dizer que as tcnicas envolvidas em cada caso no possam ser as mesmas ou,
pelo menos, complementares. evidente que, neste sentido, processar uma
imagem, como realizado pelo sistema visual humano, extremamente complexo.
Realizar as mesmas tarefas que o sistema visual humano, com a ajuda de
mquinas, exige, por antecedncia, uma compreenso filosfica do mundo ou dos
conhecimentos humanos. Esta caracterstica faz com que o processamento de
imagens seja, atualmente, uma disciplina com extrema dependncia do sistema no
qual ele est associado, no existindo, no entanto, uma soluo nica e abrangente
para todos os problemas. Da a no existncia, at o momento, de sistemas de
anlise de imagens complexos e que funcionem para todos os casos.
Normalmente, as tcnicas de Processamento Digital de Imagens esto
baseadas em mtodos matemticos que permitem descrever quantitativamente
imagens das mais diversas origens. Uma imagem pode, de alguma forma, ser
descrita, independentemente do que ela representa e, a princpio, todos os
parmetros que tem uma caracterstica bidimensional ou topolgica so
convenientes. Em cada objeto definido em um espao, podem-se efetuar medidas
de superfcie, permetros, comprimentos, espessura, posio etc., para, em seguida,
deduzir grandezas estatsticas de uma forma automtica. importante ressaltar que
a anlise automtica imprescindvel quando se quiser efetuar transformaes
sucessivas na imagem.
Outra evoluo sentida recentemente est nas tcnicas de
desempacotamento (unwrapping), processo pelo qual o valor absoluto do ngulo de
fase de uma funo contnua que se estende alm de 2 (relativo a um ponto inicial
predefinido) recuperado. Esse valor absoluto perdido quando o termo de fase
coberto por si mesmo com distncias repetidas de 2, que tenham natureza senoidal
das funes de onda usada nas medies de propriedades fsicas.
30
A determinao da fase um problema geral e clssico, fundamental para a
interpretao de todo interferograma envolvendo a interferncia de duas funes de
onda senoidais. A chave para se criar um algoritmo robusto de desempacotamento
de fase se preocupar com a correta deteco dos saltos de fase. Em qualquer
padro Moir, as partes de mesma altura no objeto esto representadas nas franjas
como formas de colinas ou selas. O formato de sela aparece comumente nos pontos
de interseco de mesma altura, e deve-se ter muito cuidado ao se interpretar esta
regio na hora de somar ou subtrair a ordem de franja, principalmente, em mapas de
franja que apresentem rudos.
A evoluo atual est em tratar o processo de desempacotamento pelo
Mtodo das Diferenas Finitas, como uma soluo da equao de equilbrio de
Laplace com condies de contorno de Newmann. Com esta tcnica, so reduzidas
falhas na deteco dos saltos de fase, embora seja empregada a resoluo de
grandes sistemas lineares, o que cria a necessidade de computadores modernos e
rpidos.
Vive-se, tambm, um grande desenvolvimento na Informtica. Tanto em
hardware como em software, os microcomputadores so providos de enorme
capacidade de processamento (dezenas de MIPs milhes de instrues por
segundo) e de quantidades, cada vez maiores, de memria principal (RAM com
dezenas de gigabytes) e secundria (discos e fitas de milhares de gigabytes). Isso
permite a aplicao eficiente de mtodos numricos complexos, que exigem enorme
volume de operaes matemticas com minimizao dos erros cometidos na
resoluo de problemas, viabilizada pelo surgimento de uma grande variedade de
programas computacionais, que implementam tais mtodos e facilitam sua utilizao
por parte de engenheiros, tcnicos e estudantes.
A utilizao da Estatstica cada vez mais acentuada em qualquer atividade
profissional da vida moderna. Nos seus diversificados ramos de atuao, as pessoas
esto frequentemente expostas Estatstica, utilizando-a com maior ou menor
intensidade. Isto se deve s mltiplas aplicaes que o mtodo proporciona queles
que dele necessitam. Estatstica Indutiva ou Inferncia Estatstica (induo,
consequncia, concluso) a parte da Estatstica que, baseando-se em resultados
obtidos da anlise de uma amostra da populao, procura inferir, induzir ou estimar
as leis de comportamento da populao da qual a amostra foi retirada. Portanto, a
Estatstica Indutiva refere-se a um processo de generalizao, a partir de resultados
31
particulares. Consiste em obter e generalizar concluses, ou seja, inferir
propriedades para o todo com base na parte, no particular. A Inferncia Estatstica
implica, pois, um raciocnio muito mais complexo do que o restante da Estatstica.
Entretanto, bem compreendida e utilizada, pode converter-se em um instrumento
muito importante para o desenvolvimento de uma disciplina cientfica. O processo de
generalizao, que caracterstico do mtodo indutivo, est associado a uma
margem de incerteza. A existncia da incerteza deve-se ao fato de que a concluso,
que se pretende obter para o conjunto de todos os indivduos analisados quanto a
determinadas caractersticas comuns, baseia-se em uma parcela do total de
observaes. A medida da incerteza tratada mediante tcnicas e mtodos que se
fundamentam na Teoria da Probabilidade.
Na Engenharia, a Anlise Numrica torna-se fundamental para a concepo,
desenvolvimento e anlise de equipamentos e projetos, uma vez que as aplicaes
tm de satisfazer um conjunto maior de requisitos, como: baixos custos, alta
eficincia e eficcia, elevada confiabilidade e melhoria da qualidade e performance.
Para atender consumidores mais exigentes e a competitividade caracterstica do
mundo globalizado, torna-se economicamente invivel, na Engenharia moderna, o
uso do mtodo de tentativa e erro. As solues analticas e algbricas ficaram
impossibilitadas pela necessidade crescente de melhores equipamentos e projetos,
aliada a uma grande complexidade geomtrica, efeitos tridimensionais e de
fenmenos fsicos e qumicos (que devem ser considerados pelo engenheiro) e
presena de diferentes materiais. Restam, praticamente, como nico recurso, os
mtodos numricos de alta preciso e de adequada implementao computacionais.
Numa viso simplificada, o engenheiro transforma um problema fsico em um
modelo matemtico, utilizando o conhecimento das leis da Fsica e Qumica. Este
modelo precisa passar por uma fase de resoluo, para se chegar soluo. Nesta
fase, os mtodos numricos atuam de forma predominante, uma vez que existem
grandes limitaes nos mtodos matemticos analticos e algbricos. Em problemas
prticos, encontrados hoje em dia, que apresentam uma alta complexidade,
somadas a um aumento da exigncia e eficcia dos projetos de Engenharia
modernos, as solues numricas so as nicas alternativas disponveis na
resoluo dos modelos matemticos.
32
1.7.2 Comentrios da bibliografia consultada


Inicialmente, sero comentados trabalhos e dissertaes atuais sobre o tema,
realizados no Brasil.
Sobre Tcnica de Moir, destaca-se no Brasil trabalho de pesquisa de LINO
(2002), que aplica duas tcnicas Moir de Sombra, Multiplicao de Franjas e
Deslocamento de Fase, como metodologias para a gerao de modelos digitais
topogrficos de superfcies irregulares. Para tanto, utilizou-se um modelo de uma
pra confeccionado em parafina, que foi pintado com tinta ltex branca fosca, com a
finalidade de evidenciar as franjas de Moir. Montou-se um esquema experimental
constitudo de uma cmera fotogrfica digital, um sistema de iluminao, um sistema
manual para micro deslocamentos do objeto e um retculo constitudo de linhas
claras e escuras com espessura de 1,0 mm. Foram tomadas 4 imagens do objeto
com as franjas de Moir, sendo que o objeto em estudo foi deslocado (afastado)
uma pequena distncia do retculo, de maneira que as franjas se deslocassem de
fase entre cada uma delas. Utilizando-se estas imagens, aps tratamento para a
remoo das linhas de Moir, gerou-se um modelo digital da superfcie da pra. Para
validao, estas tcnicas foram comparadas com o outro modelo digital gerado por
um Scanner 3-D Laser, que serviu como padro. Os resultados mostram que as
Tcnicas de Moir estudadas obtiveram altas preciso e exatido quando
comparados ao padro. Ficou comprovado que a Tcnica de Moir tambm pode
ser aplicada com resultados satisfatrios na perfilometria de objetos com superfcie
irregular, tais como rgos vegetais, fornecendo resultados consistentes e
confiveis. A Tcnica Moir de sombra com Multiplicao de Franjas bastante
acessvel a usurios com poucos recursos, pois embora trabalhosa, simples de ser
executada, e utiliza programas computacionais de uso comum. A Tcnica de Moir
com Deslocamento de Fase bastante rpida de ser executada, porm exige rotinas
computacionais especficas.
Em relao aos ensaios dinmicos com a Tcnica de Moir, especial ateno
dada a MAZZETI (2004), que usa um sistema que utiliza uma fonte de luz comum
para iluminao do disco em movimento, retculos obtidos atravs de tcnicas
comercialmente disponveis e uma cmera fotogrfica digital. As imagens de um
disco flexvel em movimento sobre um perfil que simula a ao do solo foram
33
registradas e processadas em aplicativos computacionais, fornecendo informaes
relativas s deformaes provocadas pelo movimento e ao do perfil. A anlise
dessas informaes indicou viabilidade e elevada preciso da Tcnica Moir de
Sombra para determinar as posies relativas de um disco giratrio flexvel, ao
acompanhar um dado perfil que simule a ao do solo nas operaes de corte basal
de plantas e um excelente desempenho de varredura do perfil, pelo disco, nas
velocidades e inclinaes usualmente empregadas no corte mecanizado de cana-
de-acar.
Em SCALDAFERRI (2000), tem-se uma interessante e inovadora proposta
sobre o sistema de aquisio e processamento de imagens digitais obtidas a partir
da Tcnica de Moir. Trata-se de um dos primeiros trabalhos de pesquisa nacional
voltado para a criao de um programa computacional que implemente a Tcnica de
Moir sem utilizar softwares comerciais prontos. Esta pesquisa inspirou o autor desta
tese em desenvolver rotinas computacionais de simples e fcil entendimento e
manuteno, para a anlise automtica das franjas de fotografias de Moir e sua
transformao em medidas cientficas.
RIBEIRO (2006) apresentou o princpio tico de Moir de Sombra, abordando
suas qualidades e deficincias. Foi realizada, ainda, uma comparao de diversas
tcnicas de remoo de salto de fase, onde uma delas foi eleita no final, sendo a
mesma utilizada em um experimento-exemplo. Uma anlise experimental dos erros
da tcnica foi realizada, assim como uma anlise detalhada de erros da medio, de
forma numrica e prtica. Discusses detalhadas dos diversos parmetros do
sistema so apresentadas no final, complementando anlise metrolgica da Tcnica
Moir de Sombra.
Em COSTA (2006), realizada uma anlise de incerteza do sistema de
medio do arco medial plantar, usando Moir de Sombra com Deslocamento de
Fase. Os resultados de medio desse sistema so imagens do perfil do p, onde
cada pixel representa uma profundidade especfica, obtendo-se uma incerteza de
medio da ordem de 5% do valor medido, significativamente menor se comparado
aos sistemas mais comumente usados. Conclui-se que a tcnica pode ser usada
para a medio do arco medial plantar, visto que um mtodo sem contato e com
ndice de incerteza adequado.
Em GOMES (2005), tem-se a proposta de uma metodologia para
investigaes perfilomtricas usando duas tcnicas ticas: a interferometria e a
34
Tcnica de Moir. A perfilometria uma tcnica amplamente utilizada na construo
de mapas e grficos de relevos aplicados a uma vasta rea do conhecimento. Os
ensaios de Moir foram realizados na Universidade Federal de Lavras (UFLA) e no
Instituto Agronmico de Campinas (IAC), em Jundia-SP. Foram usados um disco de
retculo, um mouse e um cone como corpos de prova para a determinao da
topografia e para as calibraes da metodologia. Uma vez realizada a calibrao da
configurao experimental, foi promovido um mapeamento de uma lmina elstica
imposta a ensaios de compresso. Os ensaios de interferometria foram realizados
no Centro de Investigaes ticas (CIOp) em La Plata, Argentina, utilizando-se a
lmina elstica. A metodologia proposta para a calibrao da Tcnica de Moir
geomtrico mostrou-se capaz de realizar os mapeamentos com resoluo mxima,
na ordem de centsimos de milmetros, confirmando-se que pode ser usada em
aplicaes com nveis de preciso inferiores a esta ordem. Os ensaios com a
interferometria conseguiram resoluo na ordem de 0,5 micrometros, atendendo a
faixas de deformaes bem inferiores ao da Tcnica de Moir, podendo ser utilizada,
assim, em atividades que exijam maior nvel de preciso e exatido.
Em OLIVEIRA (2006), v-se que a anlise e recuperao de superfcies e
slidos irregulares tm se tornado cada vez mais importantes nas mais diversas
reas cientficas e comerciais. As Tcnicas de Moir destacam-se como um mtodo
tico no invasivo, rpido e muito preciso de medio aplicvel em diversas
situaes. Entretanto, elas apresentam deficincias como sensibilidade a sombras e
dificuldade de recuperao de slidos como um todo. Desta forma, prope-se com o
presente trabalho uma nova abordagem das Tcnicas de Moir para a recuperao
de formas tridimensionais que minimizem essas deficincias, confirmando a
importncia de tais mtodos no estudo e determinao de superfcies e volumes
dentro de suas inmeras reas de aplicao.
HERTZ (2005) desenvolveu uma tcnica alternativa, fidedigna e de custo
reduzido aos raios-X, para avaliar a postura humana e problemas posturais. O
mtodo baseado em um tipo de Tcnica de Moir que usa sombra para definir
diferentes padres de imagens. Foram construdos, testados e comparados trs
prottipos para padronizar as variveis importantes inerentes a esta tcnica. Testes
preliminares realizados com os prottipos 1 e 2 demonstraram suas limitaes e
conduziram ao desenvolvimento do prottipo final, que possibilitou visualizar a regio
torcica dorsal do indivduo com melhor qualidade. A preciso desse terceiro
35
prottipo, alcanada atravs dos clculos de calibrao, apresentou um desvio
padro de 0,051mm, indicando uma baixa variao entre as franjas. Acredita-se que
este estudo motiva o uso desta tcnica como alternativa de baixo custo para uso em
diferentes avaliaes relacionadas postura humana e doenas associadas.
DEL-VECCHIO (2006) desenvolveu uma metodologia capaz de realizar o
mapeamento topogrfico tridimensional de contornos livres e de contornos
biomecnicos, criando um sistema de medio sem partes mveis compacto, com
um nmero reduzido de componentes ticos mecnicos e, portanto, simples,
permitindo a sua aplicao em indstrias, consultrios mdicos e instituies de
ensino, por exemplo. O sistema desenvolvido foi composto por um projetor LCD
(display de cristal lquido), uma cmera fotogrfica digital CCD (dispositivo de carga
acoplada) e um microcomputador. A configurao do sistema foi tal que a unidade
de projeo iluminou a superfcie em estudo (contorno livre) sob um ngulo oblquo,
enquanto a cmera fotogrfica observou a mesma superfcie ortogonalmente.
Padres de franjas compostos por linhas verticais brancas e pretas foram gerados
digitalmente e projetados sobre o contorno a ser medido. A Tcnica Deslocamento
de Fase foi incorporada Tcnica de Moir de Projeo, de forma a viabilizar
medies automticas, ou seja, sem a interveno do usurio. Para tais medies foi
desenvolvido um programa dedicado de processamento de imagens, que rene
todos os algoritmos necessrios ao clculo do perfil tridimensional do contorno, a
partir de imagens bidimensionais em escala de cinza. Este trabalho apresentou os
resultados obtidos pelo sistema de medio proposto para diferentes contornos de
dimenses diversas. Uma breve anlise metrolgica das possveis fontes de
incerteza do sistema medio foi apresentada e a incerteza de medio do sistema
proposto estimada. Os resultados de medio obtidos com o sistema de medio
proposto demonstram a sua aplicabilidade na indstria e na Bioengenharia.
Em termos de livros publicados sobre a Tcnica de Moir, destacam-se as
publicaes abaixo citadas.
Uma competente reviso bibliogrfica sobre a Tcnica de Moir iniciada
com uma consulta a CLOUD (1998), cujo processo de pesquisa comea com um
estudo sobre anlise experimental de tenso e uso de tcnicas ticas de anlise em
Engenharia Mecnica. O autor cita diversos mtodos ticos e, entre eles, a Tcnica
Moir de Sombra. Trata-se de um timo ponto de partida, por detalhar muitas
36
aplicaes em Engenharia. Referncia universal da Tcnica de Moir, esta pesquisa
muito usada em medies ticas.
Outra pesquisa que faz uma introduo Tcnica de Moir, a realizada por
DURELLI et al. (1970), que aplica Moir na anlise de tenses e deformaes.
Trata-se de um dos primeiros registros acadmicos do uso dessa tcnica tica,
constituindo-se numa referncia histrica do incio da anlise automtica de franjas.
interessante notar como o mtodo era aplicado e como as medies eram
processadas.
A pesquisa de DALLY et al. (1991) sobre anlise experimental de tenso traz
tambm uma introduo didtica sobre a Tcnica de Moir, e revela a intima ligao
entre medio de tenso, deformao e Moir. Depois de uma explicao terica, o
estudo mostra uma srie de aplicaes em Engenharia com ilustraes e
detalhamento dos experimentos. Outras tcnicas ticas so tambm citadas e
comparadas.
Na sequncia natural das referncias sobre Moir, vem PATORSKI (1993),
que realizou um estudo que traz, em detalhes, a descrio de experimentos e
montagens dessa tcnica tica. O estudo apresenta, tambm, uma forte base terica
sobre o tema, sendo, sem dvida, uma referncia de consulta para qualquer
profissional que opte por utilizar a Tcnica de Moir.
Em POST et al. (1994), verificam-se avanos na Tcnica de Moir, atravs de
uma busca por mtodos de alta sensibilidade e preciso. O estudo todo voltado
para essa tcnica tica, e traz descries de resultados muito bons com erros da
ordem de micrometros e nanmetros. Apresenta montagens com custos,
sofisticao e equipamentos bem diferentes da realizada nesta tese, mas mostra a
evoluo que se est atingindo e o estado da arte em Moir.
A pesquisa de RASTOGI (2001) mostra analogias de tcnicas usadas em
Moir e em interferometria. O autor realiza tambm um interessante estudo sobre
erros e incertezas em medidas ticas, com um forte apelo implementao dos
mtodos de medies.
Em ASUNDI (2002), podem ser vistas implementaes completas em
MatLab com cdigo-fonte da Tcnica de Moir de Sombra com Deslocamento de
Fase. Esse estudo foi a base para se fazer o programa em MatLab que
implementa a Tcnica de Moir. Acompanha a obra de ASUNDI um CDROM com as
listagens das rotinas. Trata-se de excelente consulta para quem deseja usar,
37
implementar ou programar Moir em MatLab. As rotinas so todas documentadas
e o texto mostra sua utilizao e execuo, apresentando, alm disso, exemplos
comentados.
Cita-se, ainda, ROBINSON et al. (2003), sobre anlise interferomtrica e
tcnicas ticas comuns a Moir. A pesquisa detalha as tcnicas ticas e traz
inmeras aplicaes. O autor considera o estado da arte em interferometria, o que
faz desta obra uma consulta obrigatria para os atuais pesquisadores da rea de
medies ticas.
Com relao a teses e dissertaes internacionais sobre a Tcnica de Moir
gostaria de citar as referncias abaixo.
Em WANG (2003), tem-se o estudo da tese do criador do software Rising-Sun
Moir (detalha a construo do programa computacional), que foi orientado por um
dos mais importantes pesquisadores da rea BONGTAE HAN, um dos autores de
POST et al. (1994). Essa pesquisa de WANG (2003) detalha tambm os filtros
direcionais. bem possvel que, segundo o autor, em 2011, o programa Rising-Sun
Moir se torne um software livre (Freeware) com cdigo-fonte aberto.
Outra interessante pesquisa internacional de HAN (2005), que traz um
importante estudo sobre erro aplicado a Moir Interferomtrico, que pode ser
expandido para Moir de Sombra. interessante notar, neste estudo, o alto nvel
das pesquisas internacionais sobre a Tcnica de Moir e a linha de pesquisa
seguida atualmente. A busca por preciso e sensibilidade uma constante neste
trabalho.
Em termos de artigos nacionais sobre Moir, destacam-se, nesta tese, os
abaixo citados.
O estudo de SMITH et al. (2000) traz detalhes de como gerar imagens de
Franjas de Moir no computador e realizar medies usando as imagens geradas e
implementando a Tcnica Moir de Sombra com Deslocamento de Fase. O artigo
muito didtico e constitui uma tima referncia para quem est se iniciando no tema.
Nesta tese, o referido estudo embasou a criao de imagens por computador.
Cita-se, tambm, o estudo de RODRIGUES et al. (2003) sobre a utilizao de
Moir para detectar alteraes posturais na coluna vertebral de pacientes, de fcil
entendimento e com aplicao na rea de sade. A pesquisa detalha o mtodo
usado e os resultados obtidos, alm de mostrar uma importante aplicao da
Tcnica de Moir com uso prtico e imediato.
38
Com relao aos artigos cientficos internacionais sobre Moir, foram
catalogados, no planejamento de pesquisa desta tese, aproximadamente, mais de
100 estudos, obtidos, sem custo, em site da Internet
1
, usando-se a rede de
computadores da Pontifcia Universidade Catlica de Minas Gerais. Destacam-se,
entre eles, os artigos abaixo citados.
CREATH (1988) realizou um importante estudo sobre erro na medio tica
de imagens, sendo o mesmo utilizado no presente trabalho de pesquisa para a
formulao da anlise de erro. interessante notar que a autora segue escrevendo
dezenas de artigos, avanando o estudo do tema. O artigo uma referncia
consagrada na discusso inicial sobre incerteza nas medies.
DIRKX et al. (1990) elaborou a descrio de como a Tcnica Deslocamento
de Fase melhora a preciso da aplicao pura e simples de Moir com uma nica
imagem. No referido estudo, aparece, pela primeira vez, a ideia de que se
aumentando o nmero de imagens se aumenta a preciso das medidas. Vale
salientar que a Tcnica Deslocamento de Fase uma alterao do mtodo padro
Moir de Sombra, com o intuito de melhorar a preciso. No mtodo padro de Moir
com uma nica imagem, a preciso muito dependente do espaamento do retculo.
Na elaborao desta tese, o citado pesquisador colaborou gentilmente com este
autor, eliminando, por meio de correspondncia, algumas dvidas de natureza
tcnica.
GASVIK (1983) foi utilizado, nesta tese, para o aprendizado e compreenso
da tcnica. Sua pesquisa abrange o fundamento da Tcnica Moir de Sombra,
constituindo-se na base terica para o desenvolvimento de implementaes
computacionais. Trata tambm do uso de Processamento Digital de Imagens com
Moir. Constituiu-se numa importante referncia histrico-evolutiva das medies
ticas.
Em LU et al. (2002), tm-se estudos e variantes da Tcnica de Moir na
medio de objetos em trs dimenses. O estudo se baseia na intensidade de fase e
em sua modulao. Nota-se que existe atualmente uma grande variedade e
diversidade de Tcnicas de Moir em uso e com aplicaes das mais diversas, o
que complica, at mesmo, sua classificao e sistematizao didtica.

1
http://www.sciencedirect.com/
39
Constantemente, observam-se novas e diferentes formas de aplicar, utilizar e medir
usando Moir. A criatividade e engenhosidade demonstradas so fantsticas.
Com relao ao Algoritmo de Carr, faz-se importante citar os principais
artigos internacionais utilizados na elaborao desta tese.
Em CARRE (1966), tem-se a descrio da criao do algoritmo e de seu uso
em um microscpio fotoeltrico. interessante notar que o criador da tcnica no
tinha a ideia da importncia e do vasto campo de aplicao que o seu algoritmo
alcanaria. O autor trabalha na anlise de quatro frequncias defasadas entre si de
um valor desconhecido, mas igualmente espaados.
NOVAK (2003) apresenta a expanso do Algoritmo de Carr para cinco
imagens e uma profunda anlise de erros nas medidas obtidas. O autor cita
inmeras equaes com cinco imagens obtidas por meio de relaes
trigonomtricas, e tenta encontrar a melhor delas: a que apresenta o menor erro.
Em novo estudo, NOVAK et al. (2008) mostra a expanso do Algoritmo de
Carr para seis, sete e oito imagens, fazendo uma anlise de erros nas medidas. As
vrias equaes obtidas por meio de relaes trigonomtricas so citadas.
interessante notar que o autor no segue uma regra de formao nas equaes
testadas, e que seu desenvolvimento todo algbrico. NOVAK aplica as equaes e
as testa em interferometria.
CAI et al. (2004) aplicou a Tcnica Deslocamento de Fase para fases
desconhecidas e desenvolveu mtodos numricos para descobrir tais fases. A
preocupao do autor no com a melhora da preciso das medidas, mas aplicar a
Tcnica Deslocamento de Fase, quando se tem muitas imagens com os
deslocamentos de fase aleatrios.
WANG et al. (2007) tambm aplicou a Tcnica Deslocamento de Fase para
fases desconhecidas e desenvolveram mtodos numricos para se descobrir as
fases. Da mesma forma que CAI et al. (2004), a preocupao do autor no com a
melhora da preciso das medidas, mas com a aplicao da Tcnica Deslocamento
de Fase quando se tem muitas imagens (3, 4 e 5) com os deslocamentos de fase
aleatrios.
Com relao ao algoritmo de desempacotamento (unwrapping) so
destacadas, nesta pesquisa, as referncias abaixo.
GHIGLIA et al. (1998) fundamenta a teoria de desempacotamento,
apresentando um algoritmo para se realizar o processo, tornando-se um dos
40
precursores da aplicao prtica da tcnica. Seu estudo basicamente didtico, e
traz, passo a passo, a implementao do algoritmo proposto, sugerindo, tambm,
um modelo matemtico.
PRITT et al. (1994) traz um algoritmo de desempacotamento em duas
dimenses, usando um modelo matemtico dos Mnimos Quadrados e
Transformadas Rpidas de Fourier (FFT Fast Fourier Transform). O autor mostra
detalhes de sua implementao computacional e exemplifica todo o processo.
HUNTLEY (1989) mostra como os algoritmos de desempacotamento so
sensveis a rudos e distores, iniciando a busca por mtodos que sejam imunes
ou, no mnimo, menos sensveis a rudos nas imagens. interessante citar que, em
todas as etapas das aplicaes das Tcnicas de Moir, existe uma busca constante
na eliminao de rudo e falhas nas imagens. A ideia sempre tentar melhorar a
preciso das medidas.
MARROQUIN et al. (1995) traz um algoritmo alternativo para o
desempacotamento de imagens em duas dimenses, usando funes quadrticas.
Atualmente, o que existe uma comparao entre os diversos algoritmos de
desempacotamento para verificar qual apresenta maior imunidade a rudos e qual
computacionalmente mais eficiente e robusto. Vrios modelos matemticos so
apresentados e comparados.
Com relao s publicaes sobre Processamento Digital de Imagens, optou-
se, neste estudo, pelas referncias abaixo citadas.
GONZALEZ et al. (2000) traz uma tima introduo ao Processamento Digital
de Imagens, trabalhando, inclusive, com filtros que so usados nesta pesquisa,
como os filtros Passa Baixo e os filtros Gaussianos, utilizando, tambm, filtros no
domnio da frequncia e transformadas de Fourier. Trata-se, sem dvida, de uma
referncia consagrada em Processamento Digital de Imagens.
Em GONZALEZ et al. (2004), toda a teoria discutida sobre Processamento
Digital de Imagens implementada com rotinas em MatLab. Tais rotinas foram
usadas no presente trabalho de pesquisa, e podem ser obtidas pela Internet. So
filtros que tratam inicialmente as imagens antes do clculo de fase. O uso dessas
rotinas estendido gerao de imagens de franjas de Moir, para dar veracidade e
realidade a elas.
Em GOMES (2003), tem-se uma introduo sobre Computao Grfica de
fundamental importncia para a fcil compreenso da presente tese. Trata-se de
41
pesquisa de perfil didtico sobre os princpios da anlise de imagens, sendo uma
excelente referncia em lngua portuguesa.
BOVIK (2003) desenvolveu estudo sobre o estado da arte no plano do
Processamento Digital de Imagens, apresentando uma modelagem matemtica
sobre rudos e distores nas imagens. Modelos matemticos e estatsticos simulam
falhas em fotografias digitais.
PEDRINI et al. (2008) apresenta os fundamentos do tratamento de imagens
digitais. Modelagens matemticas de rudos so estudadas, sendo realizado,
tambm, um aprofundamento da teoria de filtros no domnio da frequncia. A
pesquisa aborda o estado da arte em termos de transformadas de imagens e
mtricas de qualidade em fotografias digitais. Erros em imagens so tratados em
detalhes.
Com relao Otimizao e referncia sobre o Mtodo Branch-and-Bound,
destacam-se os estudos abaixo citados.
HILLIER et al. (2006) elaborou uma introduo Pesquisa Operacional e
Otimizao, apresentando o Mtodo Branch-and-Bound para Programao Inteira
Linear, e detalhando o Mtodo Simplex de Programao Linear. Neste mesmo
estudo, desenvolveu uma introduo Programao No-linear. Trata-se de uma
referncia universal sobre Programao Matemtica e Otimizao.
MAHEY (1987) desenvolveu pesquisa sobre Programao No-linear,
trazendo algoritmos prontos para sua implementao, alm de fazer uma reviso
didtica sobre a sua matemtica. Seu estudo de fcil compreenso, mas
inquestionavelmente desafiante, porque apresenta mtodos cada vez mais
sofisticados para resolver os problemas de Otimizao No-linear.
GOLDBARG et al. (2005) realiza uma introduo Otimizao Discreta. Seu
estudo apresenta, tambm, um histrico da evoluo dos mtodos de Otimizao,
fornecendo uma rica referncia bibliogrfica sobre novos mtodos de Programao
Matemtica. Algoritmos e pseudo-algoritmos so apresentados em detalhes.
BERTSEKAS (2003) apresenta um aprofundamento das tcnicas de
Programao No-linear. Nesta tese, sua pesquisa foi utilizada como base para a
implementao e programao de mtodos de Otimizao No-linear acoplado com
o Mtodo Branch-and-Bound, que minimiza e reduz a avaliao da funo objetiva.
O Mtodo Branch-and-Bound realiza uma pesquisa inteligente em uma estrutura de
rvore na busca de solues timas, tendo como base o Mtodo Simplex de
42
Programao Linear ou Mtodo dos Gradientes Conjugados de Programao No-
linear.
BAZARAA et al. (1993) tambm realizou estudo sobre Programao No-
linear, completando a teoria sobre o tema. Algoritmos so detalhados e explicados
passo a passo. O autor se valeu de uma interessante aproximao das derivadas
por diferenas finitas e de uma extrapolao dessas, objetivando uma melhor
preciso dos clculos das derivadas atravs de mtodos numricos.
TAHA (2007) finalizou o estudo sobre pesquisa operacional e otimizaes.
Em sua pesquisa, o autor implementou e testou vrias das tcnicas de Programao
Inteira No-linear. Nota-se que os mtodos de Otimizao Inteira No-linear, dentre
eles, o Mtodo Branch-and-Bound, so relativamente novos, e sua programao
computacional de forma eficiente apresenta certa complexidade e dificuldade.
Com relao aos mtodos numricos, foram consultadas as referncias
citadas a seguir.
KHARAB et al. (2002) pesquisou os principais mtodos numricos de clculo
implementados em MatLab. Seu estudo foi fundamental para a elaborao desta
tese, j que boa parte dos programas e rotinas nela desenvolvidos so em MatLab.
Nele tambm foram colhidas rotinas como a do Mtodo de Newton-Raphson para
sistemas no lineares. De perfil didtico, o estudo apresenta exemplos e
implementaes documentados e comentados.
HOFFMAN (2001) elabora uma competente introduo sobre as disciplinas de
Mtodos Numricos e Clculo Numrico. Uma vasta teoria sobre erros, preciso
numrica, estabilidade e convergncia das tcnicas numricas pode ser encontrada
em seu estudo, altamente indicado para pesquisadores que esto se iniciando na
anlise numrica e pretendem implementar e usar mtodos numricos.
CHAPRA et al. (1998), por sua vez, estudou os mtodos numricos usando o
MatLab e o Microsoft Excel. Sua pesquisa conquistou o prmio de melhor obra
em Anlise Numrica, no ensino da Engenharia. Detalhes sobre erros de
arredondamento e sua propagao em operaes matemticas podem ser vistos em
seu estudo. Regras e sugestes de como reduzir a propagao de erro de
arredondamento tambm so tratados pelo autor. Como exemplo, o autor explica
que: se multiplicar um nmero por um valor muito alto, o erro de arredondamento do
nmero tambm multiplicado por este mesmo valor; logo, os mtodos numricos
43
devem ser desenvolvidos de forma a no permitir multiplicaes por valores grandes
ou divises por valores muito pequenos.
CLAUDIO et al. (2000) estudou os algoritmos dos principais e mais comuns
mtodos de Clculo Numrico. Sua pesquisa foi utilizada nesta tese como referncia
para implementao das tcnicas de soluo de sistemas lineares usadas nos
algoritmos de desempacotamento. O Mtodo de Gauss com Pivotao Parcial
mostrou-se muito eficiente e eficaz na soluo de sistemas lineares com milhares ou
at mesmo milhes de equaes e incgnitas onde a maior parte dos coeficientes
eram zero, apresentando sistemas esparsos. Como a maioria dos termos era zero e
a pivotao se baseia no escalonamento de matrizes, a soluo de tais sistemas
lineares com milhes de equaes e incgnitas foi realizada pelo computador de
maneira bem rpida e precisa. Portanto, esse estudo foi de fundamental importncia
para o sucesso dos mtodos implementados nesta tese.
CARNAHAN et al. (1969) desenvolveu estudo sobre a utilizao do Mtodo
das Diferenas Finitas na resoluo da equao de Laplace, teoria utilizada nos
algoritmos de desempacotamento testados nesta tese. Apesar de antiga, sua
pesquisa uma das melhores referncias em termos de Clculo Numrico e Anlise
Numrica, pois apresenta implementaes muito simples na Linguagem Fortran,
possibilitando que seja facilmente transformada em Linguagem Pascal. A teoria e
aplicao de diversos mtodos numricos podem ser estudados e pesquisados
nesta obra.
Com relao Estatstica e Inferncia, foram utilizadas nesta tese as
pesquisas abaixo citadas.
TRIOLA (2008) apresenta uma introduo sobre Estatstica bsica, alm de
tcnicas que descrevem o uso do mtodo estatstico e da inferncia na comparao
de tratamentos. O livro ensina como utilizar o software Minitab para clculos e
anlise de dados experimentais, teoria aplicada nesta tese, visando comparao
das medidas obtidas com as vrias equaes novas do clculo de fase criadas. O
texto traz informaes de como usar a parte Estatstica do Microsoft Excel,
constituindo-se numa referncia consagrada e mundialmente usada em Estatstica e
Probabilidade. Para facilitar ainda mais a vida do pesquisar, o estudo apresenta
algoritmos e fluxogramas a serem seguidos na anlise e comparao dos dados.
WALPOLE et al. (2007) elaborou uma introduo sobre Estatstica, mas
detalhando muito mais a parte matemtica e numrica. Como exemplo, tem-se o
44
clculo numrico dos valores de P ( a probabilidade de que a amostra podia ter
sido tirada de uma populao sendo testada, supondo que a hiptese nula seja
verdadeira; um valor de 0,05, por exemplo, indica que existe uma probabilidade de
5% de que a amostra que se est a testar possa ser tirada, supondo que a hiptese
nula verdadeira), aonde se chega resoluo numrica de uma integral. Este
estudo mostra como fazer este tipo de clculo usando quadratura numrica. O autor
utiliza conhecimento de Clculo Diferencial e Integral no estudo da Estatstica.
MANN (2006) apresenta vrios exemplos do teste da hiptese e da
comparao de duas mdias usando o Teste T-Student. O texto traz a teoria e
prtica juntas, atravs de exerccios resolvidos que auxiliam a compreenso do
assunto. Trata-se de uma referncia excelente para estudantes de Estatstica e
Probabilidade.
MONTGOMERY et al. (2004) elabora uma introduo Estatstica voltada
para a Engenharia. Medies e aplicaes prticas de Engenharia so apresentadas
e resolvidas. O autor se utiliza de uma matemtica um pouco mais avanada, que
exige o conhecimento de clculo diferencial e integral, complementando o estudo de
probabilidade e de distribuies contnuas.
FARIAS et al. (2003) apresenta uma tima referncia para uma introduo
Estatstica. Com uma explanao resumida e rpida, o autor aborda os principais
tpicos da Inferncia Estatstica e do mtodo estatstico, atravs de exemplos
interessantes como o uso do Teste T-Student para se comprovar a teoria da
evoluo de Darwin. Este mesmo teste usado neste trabalho de pesquisa.
Com relao Metrologia e estudo de medidas, foram utilizadas nesta tese as
pesquisas abaixo citadas.
GONALVES (1996) apresenta a base da Metrologia, alm de cuidados que
devem ser tomados ao se realizar medidas. Trata-se de uma introduo s
medies em Engenharia. Com uma linguagem muito simples e clara, o autor
aborda conceitos sobre erros nas medies, incertezas e a diferena entre preciso
e exatido, e explica porque se devem realizar vrias medidas repetidas para chegar
a um resultado melhor e mais confivel.
GUIMARES (1999) realiza um estudo da Metrologia direcionado ao campo
da indstria, apresentando regras prticas que devem ser seguidas para se obter
uma melhor medida. Vrios mtodos experimentais so descritos e detalhados, e
tcnicas experimentais so apresentadas.
45
LIRA (2007) realiza um estudo detalhado dos mtodos experimentais. Citando
normas do INMETRO, da ABNT e da ISO, o autor explica como seguir as normas e
quais so a mais adequada para cada caso. Um glossrio de termos tcnicos e
definies rigorosas em Metrologia so anexados ao estudo. Trata-se de uma
referncia indispensvel para estudantes e pesquisadores.
CORDERO et al. (2007) propem uma metodologia para a anlise de
incerteza em algoritmos do clculo de fase. Usando de bases Estatsticas, esta
pesquisa analisa e testa equaes que utilizam muitas imagens e com deslocamento
de fase conhecidos e determinados. Chega-se a importante concluso que se
utilizado equaes com um elevado o nmero de imagens tem-se uma reduo da
incerteza da medio. Assim, o uso de um maior nmero de imagens no clculo de
fase melhora a preciso das medidas quanto o deslocamento de fase conhecido.
Alm de todas as referncias citadas, foram consultados manuais de software
e programas computacionais, referncias histricas e evolutivas de mtodos e
tcnicas cientficas, acrescidas de textos sobre Programao Estruturada de
Computadores, Orientao a Objetos, Anlise de Sistemas e Engenharia de
Software. A Computao e Desenvolvimento de Sistemas tm presena marcante
nesta pesquisa cientfica. A Informtica foi parte integrante do seu desenvolvimento,
contribuindo de forma crucial para a execuo de uma enorme quantidade de
clculos e tarefas.


1.8 Metodologia


No desenvolvimento deste estudo, foi utilizada a bibliografia pertinente ao
tema, de uso comum nas redes pblicas e particulares de ensino, livros encontrados
em livrarias e bibliotecas, alm de vasta pesquisa na Internet. Formou-se, assim, um
grande levantamento bibliogrfico sobre Tcnica de Moir, Algoritmo de Carr e
Mtodo de Otimizao No-linear de Branch-and-Bound. Alm disso, foi realizada
uma anlise dos livros, trabalhos cientficos, artigos e textos complementares que
poderiam ser usados na pesquisa.
A fim de se verificar a capacidade da Tcnica Moir de Sombra em
determinar a topografia de objetos (perfilometria) com superfcie irregular, foi
46
realizada a montagem dos equipamentos e uma srie de experimentos na medio
de objetos (manequim, frutas, peas de madeira pintadas de branco, objetos
cilndricos ou esfricos, planos inclinados e blocos de padres mtricos) e
programas de computador em MatLab que implementam o Moir de Sombra com
Deslocamento de Fase. Tambm foram realizadas anlises de incerteza e erro nas
medidas e a comparao dos resultados com softwares comerciais que
implementam a Tcnica de Moir, como o Rising-Sun Moir (WANG, 2008) e o Fran
(JUDGE, 1996).
Aps os testes de medio de topografia usando a tcnica padro Moir de
Sombra, implementou-se o Algoritmo de Carr, onde o deslocamento de fase
desconhecido e o passo constante entre cada fase utilizando quatro imagens. A
ideia era testar o programa em MatLab com o Algoritmo de Carr. E em seguida,
adapt-lo para utilizar a generalizao do Algoritmo de Carr, que no fica restrito a
quatro imagens. Para tal, desenvolveu-se um programa em Delphi/Pascal, para
implementar o mtodo de Otimizao Inteira No-linear de Branch-and-Bound.
Com a implementao computacional de Branch-and-Bound foram criadas
centenas de equaes para o clculo de fase, onde o deslocamento de fase
desconhecido, mas o passo constante entre cada fase, utilizando-se mais de
quatro imagens. Essas equaes foram testadas matematicamente para verificar
sua validade e veracidade. Usou-se, tambm, o software comercial de Otimizao
Lingo, para confirmar essas mesmas equaes do clculo de fase. Tanto o Lingo
como a implementao de Branch-and-Bound obtiveram sucesso no encontro de
novas equaes do clculo de fase, usando-se o modelo matemtico da
generalizao do Algoritmo de Carr.
Trabalhando com essas centenas de equaes inditas do clculo de fase,
verificou-se que, em muitas delas, havia regras de formao e simetrias. Usando
estas regras, tentou-se chegar a um esquema (algoritmo) para a criao de
equaes do clculo de fase sem a utilizao de qualquer tcnica numrica. Este
esquema foi testado computacionalmente com o nmero de imagens variando de
quatro at alguns milhes de frames (quadros ou imagens), usando-se muitos
valores gerados aleatoriamente e clculos numricos.
Utilizando-se as rotinas dos programas feitos em MatLab que implementam
a Tcnica Moir de Sombra, as medidas da topografia de objetos foram realizadas
com as novas equaes do clculo de fase desenvolvidas anteriormente. Usando
47
objetos com dimenses conhecidas ou de fcil estimao, obteve-se o erro em
milmetros da aplicao da Tcnica Moir de Sombra com cada uma destas novas
equaes. Para comparao das medidas e dos erros encontrados nas medies
usou-se a Inferncia Estatstica. As melhores equaes obtidas foram selecionadas.
Alm disso, foi realizado um estudo com o tratamento de imagens, onde, em
vez do uso de fotografias reais de Franjas de Moir, as imagens foram criadas no
computador. Usando-se o conhecimento de Processamento Digital de Imagens,
rudos e distores foram acrescidos as imagens geradas, a fim de torn-las o mais
prximo possvel do real.
Utilizando-se novamente as rotinas em MatLab que implementam a Tcnica
de Moir de Sombra com as novas equaes do clculo de fase, foram realizadas
medies e anlises de erros com essas imagens geradas no computador, usando
objetos imaginrios (funes matemticas da superfcie de uma curva). O objetivo
desse trabalho foi testar e comparar as novas equaes do clculo de fase criadas
com o Mtodo Branch-and-Bound.
A simulao, ou Moir inverso, consiste na produo de imagens Moir de
Sombra correspondente a um dado campo de deslocamentos terico. A utilizao de
Moir inverso tem se mostrado particularmente til na verificao da validade das
novas tcnicas para processamento automtico de padres Moir de Sombra,
tornando-se uma ferramenta indispensvel na verificao dos erros computacionais,
diferentes dos erros experimentais, presentes em qualquer mtodo computacional
para anlise de padres Moir de Sombra que utilize Processamento Digital de
Imagens.
Alm disso, foram desenvolvidos programas em Delphi/Pascal para analisar
de forma metrolgica o erro e a incerteza padro e expandidas das novas equaes
do clculo de fase criadas na tese. Esta anlise possibilitou uma comparao entre
os algoritmos de clculo e verificar quais apresentavam melhor preciso.
Ao final da pesquisa, h uma anlise comparativa das medidas experimentais,
usando-se as Tcnicas de Moir com as novas equaes do clculo de fase criadas.
Concluses e aproximaes foram ento construdas com base nesta Anlise
Estatstica, e a sugesto de propostas para futuros trabalhos.
48
1.9 Recursos


Todos os recursos materiais utilizados nesta pesquisa pertencem ao
Laboratrio de Anlise Estrutural da Pontifcia Universidade Catlica de Minas
Gerais, e foram cedidos para que a tese pudesse ser elaborada. Do material
utilizado, destacam-se, com especial ateno, alguns itens descritos a seguir.
O retculo de franjas foi confeccionada com o uso de uma transparncia
afixada a uma placa de vidro. A placa de vidro tem 3 mm de espessura, com 260
mm de comprimento e 220 mm de altura. O vidro foi cuidadosamente limpo, ficando
sem arranhados ou trincas. Foi utilizada uma impressora de jato de tinta para a
impresso do retculo na transparncia. O padro de impresso utilizado foi o
fotogrfico, com uma resoluo equivalente a 1280 x 960 dpi.
A transparncia foi ento cortada no tamanho da placa de vidro, de forma que
as franjas cobrissem todo o vidro. Posteriormente, a transparncia com o padro de
franjas foi afixada na placa de vidro evitando, ao mximo, a formao de bolhas de
ar entre a placa e a transparncia. A fixao da transparncia na placa de vidro foi
realizada com papel contact transparente colado nas laterais da transparncia.
Micrmetros foram montados no retculo, para possibilitar o deslocamento de
fase entre as vrias imagens fotogrficas, de forma precisa e exata, e esta estrutura
foi presa a um suporte mvel.
O passo (pitch) de um retculo de Moir a distncia entre os pontos
correspondentes nas barras (ou franjas) adjacentes, e a frequncia de um retculo
o nmero de barras por unidade de medida (POST et al., 1994), sendo o passo,
nesta pesquisa, utilizado como unidade de medida o milmetro.
Para escolha da cmera foram analisados os seguintes critrios: custo,
resoluo, facilidade de controle e automao. A cmera utilizada foi Sony Digital
DSC-H1 de 5 megapixis. Foi usada, tambm, uma fonte de luz de Fiber Optic Light
Source de 300 watts de luz branca incandescente.
Para o processamento foram utilizados os microcomputadores com
processador Pentium da Intel tipo PC com sistema operacional Windows XP da
Microsoft, do Laboratrio de Anlise Estrutural, dando-se preferncia a programas
e softwares j utilizados pela Pontifcia Universidade Catlica de Minas Gerais.
Foram usados os seguintes softwares:
49
Rising-Sun Moir (WANG, 2008) programa comercial que implementa
vrias tcnicas automticas de anlise de franjas de Moir, e se encontra
disponvel no site http://faculty.cua.edu/wangz/download_moire.htm;
FRAN The Automatic Analysis of Interferometric Data by T. R. Judge outro
programa comercial que implementa a anlise automtica de franjas. Seu uso
principal em interferometria. Informaes sobre o software podem ser
obtidas no site:
http://www.eng.warwick.ac.uk/oel/courses/undergrad/lec9/FRAN%20Instructio
ns.pdf;
IDEA Interferometric Data Evaluation Algorithms programa comercial que
implementa a anlise automtica de franjas. Seu uso principal em
interferometria. Nesta pesquisa, este software e os dois anteriores foram
usados para comparao e teste da implementao desenvolvida da Tcnica
Moir de Sombra com Deslocamento de Fase. Informaes no site:
http://www.optics.tu-graz.ac.at/idea/idea.html;
SURFER 32 (Golden Software, INC, 1995) software usado para construir e
analisar grficos em trs dimenses. Dado um arquivo texto com as
coordenadas x y z, este programa traa vrios tipos de grficos. Informaes
e detalhes maiores sobre o software, no site:
http://www.goldensoftware.com/products/surfer/surfernew.shtml;
MatLab 6.5, 2004 by The MathWorks, Inc. programa comercial de
matemtica computacional que trabalha muito bem com matrizes e imagens,
sendo que vrias rotinas e filtros de Processamento Digital de Imagens j
esto prontas para serem usadas. Nesta pesquisa, optou-se por este software
pela simplicidade e facilidade de programao, e por ser o adotado nos
cursos de Engenharia da Pontifcia Universidade Catlica de Minas Gerais.
Informaes sobre o software esto disponveis no site:
http://www.mathworks.com/;
Lingo 11.0, Copyright 2008 LINDO SYSTEMS software comercial de
Otimizao Linear, No-linear, Inteira e Global, que implementa o Mtodo
Branch-and-Bound, sendo usado, nesta pesquisa, para comparar e verificar a
veracidade do programa em Linguagem Pascal desenvolvido, que implementa
50
o Mtodo Branch-and-Bound. Informaes podem ser obtidas no site:
http://www.lindo.com/;
Maple 7.0 e 9.0, Maplesoft, a division of Waterloo Maple Inc. 2007
programa de matemtica computacional que implementa manipulaes
algbricas e trigonomtricas de funes e equaes, adotado no
Departamento de Matemtica e Estatstica da Pontifcia Universidade Catlica
de Minas Gerais. Na tese, este software foi usado para verificar
analiticamente as novas equaes do clculo de fase desenvolvidas usando
relaes trigonomtricas elementares e procedimentos algbricos.
Informaes e maiores detalhes sobre o software esto disponveis no site:
http://www.maplesoft.com/;
Delphi/Pascal 6.0, Borland Software Corporation compilador da
Linguagem Pascal e ambiente de desenvolvimento de aplicaes Windows
(IDE, do ingls Integrated Development Environment ou Ambiente Integrado
de Desenvolvimento), adotado pelo Instituto de Informtica de Pontifcia
Universidade Catlica de Minas Gerais. Maiores informaes sobre o
compilador so encontradas no site: http://www.borland.com/;
DEV-C++, Copyright Bloodshed Software compilador gratuito das
Linguagens C e C++ com ambiente de desenvolvimento de aplicaes
Windows. Utiliza o padro ANSI (American National Standards Institute) da
Linguagem de Programao C. adotado pelo Instituto de Informtica de
Pontifcia Universidade Catlica de Minas Gerais. Maiores informaes sobre
o compilador so encontradas no site: http://www.bloodshed.net/devcpp.html;
Minitab 15.0, Copyright 2008 Minitab Inc. programa de Matemtica
Estatstica para anlise e inferncia de dados, adotado pelo Departamento de
Matemtica e Estatstica da Pontifcia Universidade Catlica de Minas Gerais.
Informaes sobre o software no site: http://www.minitab.com/;
Microsoft Excel, 2008 Microsoft Corporation programa de manipulao de
planilhas eletrnicas, equaes matemticas e estatsticas, usado, nesta
pesquisa, para clculos numricos e verificao de equaes desenvolvidas.
Informaes sobre o software no site: http://www.microsoft.com/brasil/.


51
1.10 Procedimentos


Nesta pesquisa, foram realizadas as seguintes atividades:
1 Reviso bibliogrfica:
1.1 pesquisa bibliogrfica;
1.2 reviso de literatura.
2 Montagem dos experimentos:
2.1 montagens dos equipamentos (Projetor de Luz, cmera, suporte
e retculo);
2.2 implementao em MatLab da Tcnica de Moir com
Deslocamento de Fase e programao usando o Algoritmo de
Carr;
2.3 aquisio de imagens por fase at 4 imagens (Manequim, frutas,
peas de madeira, objetos cilndricos, esfricos e planos
inclinados com blocos de padres mtricos);
2.4 calibrao e medies da topografia de objetos (perfilometria)
com superfcie irregular utilizando a Tcnica de Moir;
2.5 medies da topografia dos objetos com os programas em
MatLab;
2.6 medies da topografia dos objetos com os softwares comerciais
Rising-Sun e Fran;
2.7 comparao dos resultados das rotinas desenvolvidas no
MatLab com as dos softwares comerciais e trabalhos
anteriores sobre a Tcnica de Moir;
3 Deduo de novas equaes para clculo de fase:
3.1 proposta de uma nova generalizao do Algoritmo de Carr;
3.2 implementao em Delphi/Pascal do mtodo de Otimizao de
Branch-and-Bound;
3.3 deduo das novas equaes usando o programa em
Delphi/Pascal;
3.4 implementao em Delphi/Pascal de um programa para teste
matemtico e validao das novas equaes obtidas;
52
3.5 implementao em Lingo de rotinas para obter novas
equaes do clculo de fase;
3.6 comparaes entre as equaes obtidas no programa em
Delphi/Pascal e as obtidas em Lingo;
3.7 expanso e criao de regras (esquemas) para gerar equaes
para muitas imagens;
3.8 implementao computacional e teste matemtico das regras
(esquemas e algoritmos) para gerar equaes para muitas
imagens em Delphi/Pascal;
3.9 seleo das equaes que apresentaram melhores resultados
no teste matemtico;
4 Teste das novas equaes do clculo de fase:
4.1 alteraes do programa em MatLab da Tcnica de Moir com
Deslocamento de Fase usando o Algoritmo de Carr para
incorporar as novas equaes de clculo;
4.2 aquisio de Imagens por Fase at 16 imagens (manequim,
frutas, peas de madeira, objetos cilndricos, esfricos, planos
inclinados e blocos de padres mtricos);
4.3 calibrao, execuo e aplicao do programa em MatLab com
as novas equaes nas imagens adquiridas, realizao de
medidas pela Tcnica de Moir;
4.4 obteno da medio correta dos objetos por mtodos
mecnicos de contato pelo uso de paqumetros;
4.5 levantamento do erro em milmetros das medies realizadas
com o programa em MatLab com as novas equaes do
clculo de fase;
4.6 gerao de imagens de Franjas de Moir usando o computador
em MatLab, com criao de imagens com e sem rudos
aleatrios;
4.7 teste das novas equaes do clculo de fase com as imagens
geradas no computador;
4.8 desenvolvimento de programas computacionais em
Delphi/Pascal para a anlise da incerteza;
53
4.9 teste das novas equaes do clculo de fase usando a anlise
de incerteza;
5 Anlise dos resultados:
5.1 comparao do erro entre as novas equaes do clculo de fase
e uso da Inferncia Estatstica;
5.2 anlise dos erros e comparao dos resultados;
5.3 concluses e proposta de futuros trabalhos.


1.11 Tpicos


Esta tese iniciada com um primeiro captulo que contm uma introduo
sobre o assunto, alm das justificativas, problemas, hipteses, objetivos do trabalho
de pesquisa desenvolvido e reviso de literatura. O objetivo informar, em detalhes,
a temtica da pesquisa, e como a mesma foi planejada e executada.
O segundo captulo detalha a Tcnica de Moir, dando nfase Tcnica
Deslocamento de Fase. Uma reviso bibliogrfica sobre a referida tcnica apresenta
um carter didtico. O objetivo oferecer, ao leitor, uma base de conhecimento que
o permita compreender todo o estudo.
O terceiro captulo mostra dedues das equaes para o clculo de fase
quando o passo de fase desconhecido, usando mais de quatro imagens. Trata-se
de uma expanso do Algoritmo de Carr e uma complementao do trabalho de
NOVAK (2008). Considera-se esta contribuio como indita e muito importante,
pois mostra como as novas equaes do clculo de fase foram obtidas usando-se
mtodos numricos e programas computacionais. Este captulo forma o corpo
principal da tese.
O quarto captulo traz uma reviso do tratamento de imagens, abordando a
etapa de desempacotamento (unwrapping), gerao de imagens de franjas de Moir
no computador e acrscimo de rudos e distores, alm de uma discusso sobre
filtros iniciais nas fotografias de Moir. Este captulo complementa uma reviso
terica sobre a Tcnica de Moir iniciada no Captulo II. Alm disso, detalha o
tratamento dado s imagens e fotografias utilizadas na pesquisa.
54
No quinto captulo, so apresentados os testes e comparaes das novas
equaes do clculo de fase criadas. Para tal, utilizada uma anlise de incerteza e
Inferncia Estatstica na comparao. O objetivo testar o erro obtido com as rotinas
computacionais que implementam a Tcnica Moir de Sombra com Deslocamento
de Fase, quando se usa, em vez da equao original de Carr para quatro imagens,
uma das novas equaes desenvolvidas com mais imagens. Este captulo justifica o
desenvolvimento destas novas equaes e sua aplicao prtica.
Por fim, a tese culmina com uma concluso onde elementos, medidas e
comparaes so confrontadas. Propostas de futuros trabalhos so sugeridas.


1.12 Concluso do captulo


Todas as tcnicas de medies ticas apresentam dificuldades e limitaes,
por essa razo no existe uma tcnica que possa ser considerada a melhor em
geral. O que vai realmente definir a tcnica ideal para a medio que se pretende
realizar, vai depender de uma grande quantidade de fatores, tais como o preo do
sistema, a velocidade, a automao, a resoluo desejada etc.
Conclui-se, pois, que a Tcnica Moir de Sombra pode ser usada em diversas
reas, mostrando-se capaz de ser usada amplamente dentro das reas industriais e
automotivas, por ser uma tcnica sem contato, com alta capacidade de automao,
e com ndices de erro aceitveis. Entretanto, um empreendimento pode ser
realizado, principalmente, na elaborao de novas tcnicas e processos que
melhorem a preciso e reduzam os erros.
So ainda importantes mais estudos testando diversas possibilidades para a
Tcnica de Moir, a fim de refin-la e descobrir possveis erros, os quais, muitas
vezes, no esto descritos claramente na literatura, ou apenas so citados de forma
muito superficial. A Tcnica Moir de Sombra com Deslocamento de Fase e o
Algoritmo de Carr pode ser usada para uma infinidade de aplicaes, o que
demonstra a validade de se investir esforos para aprimorar seu uso.
Destaca-se, ainda, que esta tese s foi possvel, graas formao, mesmo
que informal, de um grupo de pesquisa sobre Moir no Laboratrio de Anlise
Estrutural da Pontifcia Universidade Catlica de Minas Gerais, grupo este formado
55
por professores do Programa de Ps-graduao em Engenharia Mecnica, alunos
de mestrado e doutorado, bolsista de iniciao cientifica e estudantes de graduao
de Engenharia Mecnica e Mecatrnica da PUC-Minas. Assim, este estudo conta um
pouco o trabalho desenvolvido por este grupo de pesquisa e mostra a importncia
deste tipo de estrutura para o desenvolvimento de bons trabalhos cientficos.
Este captulo apresentou a proposta desta tese de doutorado, definindo, de
forma clara, a sua relevncia, sua justificativa, seu escopo, seus objetivos, sua
metodologia e sua contribuio. Uma vez definido o plano de trabalho, os captulos
seguintes vo desenvolver a proposta, seguindo seus objetivos e delimitando seu
desenvolvimento pelo escopo do trabalho de pesquisa.

56
CAPTULO II TCNICA DE MOIR


2.1 Introduo do captulo


Objetivando introduzir o tema desta tese, elabora-se, neste capitulo, uma
reviso da Tcnica de Moir, apresentando os fundamentos tericos deste trabalho
de pesquisa.
Atualmente, os equipamentos de descrio da superfcie de objetos e
componentes aplicados ao cotidiano da Engenharia, de modo geral, ainda possuem
limitaes. Isso se deve ao fato de que, em alguns casos, necessrio o contato
entre o sensor e a superfcie, dificultando o processo de anlise de prottipos. Dessa
forma, o estudo de "tcnicas no invasivas" que possam vir a suprir essas
deficincias de suma importncia.
Para estudos de avaliaes em prottipos de mquinas e de outras
aplicaes na Engenharia, a aquisio de medies das superfcies de peas e
equipamentos frente a diferentes situaes um dos temas mais importantes na
atualidade.
A perfilometria uma tcnica capaz de mostrar o relevo de uma superfcie
qualquer, possibilitando seu estudo de formas variadas. Trata-se de uma linha de
aplicao multidisciplinar amplamente utilizada na Medicina, na Biomedicina, na
Engenharia Mecnica, na Robtica, nas Cincias Agrrias etc. LINO (2002) define a
perfilometria como um conjunto de tcnicas utilizadas para a medio da superfcie
de contorno.
Para a construo da perflometria de uma superfcie existem os mtodos
convencionais de medio, como o perfilmetro, o rugosmetro, alm de medidores
de deformao eltricos, como o strain gauge. Geralmente, a maioria desses
sensores, principalmente os eletrnicos, est sujeita a condies fsico-qumicas
ambientais (temperatura, presso, umidade, pH etc.), que podem interferir na
medio das variveis, alm de trabalharem dentro de faixas limitadas de medidas.
De outro lado, esto as tcnicas ticas que possibilitam estudos da perfilometria de
objetos em geral sob situao esttica e, mais recentemente, sob situaes
dinmicas. Dentre as mais utilizadas esto as Tcnicas de Moir.
57
LINO (2002) levantou a hiptese de que a Tcnica de Moir pode ser aplicada
com resultados satisfatrios na gerao de modelos digitais de elevao ou
topogrficos de superfcies irregulares, como, por exemplo, os rgos vegetais.
Relata, ainda, que as tcnicas ticas possuem a vantagem de serem rpidas e de
no necessitarem um contato fsico com o objeto em estudo, sendo indicadas para
estudos com materiais sensveis como, por exemplo, as frutas.
Assim, segundo POST et al. (1994), as Tcnicas de Moir tm se mostrado
favorveis no que diz respeito versatilidade, agilidade e facilidade de coleta e
tratamento dos dados, alm de oferecer relativa confiabilidade. Podendo ser
desenvolvido em estudos de vibraes de peas sob condio dinmica,
determinao de tenses e deformaes, portam-se como eficientes ferramentas
para medies de deslocamentos fora do plano, rotaes e deslocamentos de
pontos de uma superfcie observada em relao a uma superfcie de referncia ou,
ainda, a inclinao de uma superfcie observada em relao a um estado de
referncia, mostrando deslocamentos da ordem de at fraes de micrometros (m).
Numa descrio simplificada, as Tcnicas de Moir consistem na comparao
de dois retculos peridicos, quando um segue o comportamento da superfcie do
objeto (retculo modelo - Rm) e outro no est deformado, seguindo o
comportamento de um plano de referncia (retculo de referncia - Rr). A luz que
passa entre os retculos se sobrepe, formando padres de Moir ou Franjas de
Moir que se comportam como ondas senoidais ou cosenoidais.


2.2 A Tcnica de Moir


A palavra moir de origem francesa, quer dizer molhado, e d nome a
um tecido de seda importado da antiga China (chamalote: tecido sedoso tipo tafet
com reflexos ondulantes; tambm, nome vulgar da madressilva). Esse tecido
composto de duas camadas, e quando ocorre um movimento relativo entre estas
camadas aparecem padres semelhantes a ondas, denominadas, ento, Franjas de
Moir.
O fenmeno de Moir foi estudado primeiramente pelo fsico ingls LORD
RAYLEIGH (1874), que sugeriu que ele poderia ser usado para testar a perfeio de
58
grades de difrao. Em 1945, estudando o fenmeno, D. TOLLENAR descobriu que
as Franjas de Moir so na verdade magnificadoras de movimento, e que poderiam
dar uma alta sensibilidade a medies de movimentos relativos. A partir da,
empregou-se o fenmeno para estudar deslocamento, deformao e tenso.
Subsequentemente, o mtodo foi refinado e aplicado numa grande variedade de
circunstncias. TAKASAKI (1970; 1973) utilizou a sobreposio de um retculo sobre
a sua prpria sombra (Moir de Sombra) para medir o relevo de objetos e pessoas.
Neste caso, as franjas de Moir formadas so constitudas por um conjunto de
pontos de mesma cota, semelhantes s curvas de nvel de mapas topogrficos.
As franjas ou padres de Moir so produzidos quando se sobrepe duas
estruturas peridicas chamadas retculos ou grades (Figura 3). Esses retculos
podem constituir-se de linhas paralelas ou radiais, crculos ou elipses concntricas
ou mesmo pontos espaados, equidistantemente ou no.
Os retculos mais comumente utilizados so constitudos por linhas ou faixas
claras (transparentes) e escuras (opacas), paralelas e equidistantes. O centro das
faixas (claras ou escuras) chamado linha do retculo, e a distncia entre os centros
de linhas do retculo de duas faixas escuras (ou duas faixas claras) contguas o
perodo ou passo (p) do retculo, e o inverso do perodo a frequncia do retculo (f),
geralmente dado em linhas por milmetro (l/mm).
Quando essa superposio ocorre, formando um pequeno ngulo de
interseo entre as linhas dos dois retculos, pequeno deslocamento em um dos dois
retculos provocar grandes deslocamentos nas Franjas de Moir, isto , o
deslocamento ser magnificado.



Figura 3 - Franjas de Moir produzidas pela sobreposio de dois retculos.
Fonte: LINO, 2002.


LINO (2002) cita o caso de dois retculos que possuem linhas
equidistantemente espaadas, um deles (retculo R1), que possui linhas paralelas ao
59
eixo y com perodo p1, sobreposto pelo outro (retculo R2) com linhas com
perodo p2, diferente de p1, formando um ngulo entre as linhas dos dois
retculos. Observa-se o aparecimento de um terceiro retculo (Franjas de Moir)
formado pela interseo das linhas dos retculos R1 e R2 (Figura 4).


Figura 4 Formao das Franjas de Moir pela sobreposio de retculos
constitudos de linhas paralelas.
Fonte: CLOUD, 1988, p. 149.

LINO (2002) cita ainda um aspecto relevante sobre a formao das Franjas
de Moir que a visualizao dessas franjas se comporta, na maioria das vezes,
como ondas senoidais (Figura 5). A intensidade luz observada na verdade a mdia
da luz transmitida atravs dos retculos 1 e 2, e onde a luz transmitida mxima
tm-se o centro das franjas claras, e onde a luz transmitida tende a zero, tem-se o
centro das franjas escuras.

60

Figura 5 - Formao das Franjas de Moir pela transmisso da
luz atravs de dois retculos constitudos de linhas
paralelas superpostas.
Fonte: CLOUD, 1988, p. 152.

Para todas as Tcnicas de Moir so necessrios dois retculos, sendo que
um deles segue o contorno do objeto e chamado de retculo deformado ou retculo
do modelo (Rm), e o outro permanece indeformado e serve como referncia, sendo
chamado, por isso, de retculo indeformado ou de referncia (Rr). Esses dois
retculos podem significar tanto dois retculos fisicamente separados quanto dois
registros do mesmo retculo, um antes e outro depois da deformao.
Para a Tcnica Moir de Sombra o Rr, cujas faixas claras so transparentes,
colocado frente do objeto. Quando este iluminado por uma fonte, a sombra
dele projetada sobre a superfcie do objeto (Rm). As Franjas de Moir so
formadas pela interferncia dos dois retculos quando o observador olha atravs do
Rr, oferecendo como vantagem a observao instantnea das Franjas de Moir.
A sensibilidade da Tcnica Moir de Sombra depende principalmente do
perodo do retculo; um perodo menor fornece uma preciso maior, o que
desejvel para medies de deformaes no plano, quando se necessita medir
deslocamentos muitos pequenos. O perodo (p) mais comumente usado nas
aplicaes de trabalhos normais com Moir varia de 1 a 40 linhas/mm, porm uma
maior densidade pode ser utilizada. Franjas produzidas por baixas densidades de
linhas podem ser observadas a olho nu, utilizando-se luz comum. No entanto, para
altas densidades de linhas, como o efeito de difrao da luz se torna dominante,
necessrio usar luz coerente (luz coerente aquela formada por ondas de mesma
frequncia, fase e direo).
61
O passo (pitch) de um retculo de Moir a distncia entre os pontos
correspondentes nas barras (ou franjas) adjacentes. Algumas literaturas trazem
frequncia espacial do retculo ao invs do passo. Frequncia o recproco do
passo, ou seja, o nmero de barras por unidade de medida (POST et al., 1994).
Frequentemente as barras dos retculos so chamadas de linhas, ento o passo de
um retculo p a distncia entre as linhas adjacentes e a frequncia o nmero linhas
por unidades de medida.
ONUMA et al. (1996) desenvolveram um mtodo que, aplicado
interferometria, pode aumentar grandemente as resolues espacial e vertical
quando comparado interferometria convencional. Os autores utilizam mltiplos
interferogramas, nos quais as fases so mudadas ou deslocadas entre um e outro.
Da a denominao Tcnica Deslocamento de Fase.
DIRKX et al. (1988) aplicaram a Tcnica Deslocamento de Fase em Moir de
Sombra, obtendo uma preciso, na prtica, no mnimo 10 vezes maior que a simples
medio de franjas para um dado arranjo experimental. Alm disso, o mtodo mais
rpido e capaz de determinar automaticamente a concavidade e a convexidade da
superfcie.
WANG (2001), descrevendo a Tcnica Deslocamento de Fase aplicado
Moir de Sombra, usa 4 imagens das Franjas de Moir. Em cada uma delas, o
objeto aproximado ou afastado do Retculo de Referncia (Rr), de maneira a
produzir deslocamentos das Franjas de Moir em 0, (1/2), 1 e (3/2) da fase.
A intensidade luminosa em cada uma das imagens de resoluo grfica x por
y (xy) descrita pelas equaes:

[ ]
[ ]
[ ]
[ ] 2 / 3 ) , ( cos ) , ( ) , ( ) , (
) , ( cos ) , ( ) , ( ) , (
2 / ) , ( cos ) , ( ) , ( ) , (
) , ( cos ) , ( ) , ( ) , (
4
3
2
1


+ + =
+ + =
+ + =
+ =
y x y x I y x I y x I
y x y x I y x I y x I
y x y x I y x I y x I
y x y x I y x I y x I
a m
a m
a m
a m
(2.1)

onde:
I
m
(x,y) = intensidade luminosa do fundo em cada ponto da imagem;
I
a
(x,y) = intensidade de modulao em cada ponto da imagem;
= a fase a ser determinada;
(x,y): componentes das posies horizontais(x) e verticais(y) da imagem.
62
Resolvendo as 4 equaes simultaneamente com deslocamento de fase /2,
pode-se obter o termo fase () para cada ponto da imagem:

(

=
) , ( ) , (
) , ( ) , (
) , (
3 1
2 4
y x I y x I
y x I y x I
arctg y x (2.2)

O clculo da fase realizado pelo computador resulta em valores que variam
de -/2 a /2, por isso a imagem resultante, que chamada de Mapa de Fases
Empacotadas, possui descontinuidades.
Para 3 imagens com deslocamento de fase de 2/3, tem-se:

(

=
) , ( ) , ( ) , ( 2
) , ( ) , (
3 ) , (
3 1 2
3 1
y x I y x I y x I
y x I y x I
arctg y x (2.3)

Para 5 imagens com deslocamento de fase de 2/5, tem-se:

(

=
) , ( ) , ( ) , ( 2
) , ( ) , (
) , (
5 1 3
4 2
y x I y x I y x I
y x I y x I
arctg y x (2.4)

Uma tcnica melhorada, na qual no necessrio conhecer o passo do
deslocamento de fase para 4 imagens e, assim, podem-se evitar erros de calibrao,
o Algoritmo de Carr com deslocamento de fase desconhecido (=?):

(

+ + = =
(

+ + = =
(

+ = =
(

+ = =




2
3
) , ( cos ) , ( ) , ( ) , (
2
1
) , ( cos ) , ( ) , ( ) , (
2
1
) , ( cos ) , ( ) , ( ) , (
2
3
) , ( cos ) , ( ) , ( ) , (
4 4
3 3
2 2
1 1
y x y x I y x I y x I I
y x y x I y x I y x I I
y x y x I y x I y x I I
y x y x I y x I y x I I
a m
a m
a m
a m
(2.5)

63
( )
( )
[ ][ ]
( )

)

+ +
+
=
(

+ +
+
|

\
|
=
) (
) ( ) .( 3 . ) ( ) (
) (
) (
.
2
4 1 3 2
4 1 3 2 3 2 4 1
4 1 3 2
3 2 4 1
I I I I
I I I I I I I I
arctg
ou
I I I I
I I I I
tg arctg

(2.6)

Novamente o ngulo resulta em valores que variam de -/2 a /2,
possuindo, pois, descontinuidades. Estas descontinuidades so removidas por um
processo chamado desempacotamento de fase (Phase Unwrapping). A Figura 6
mostra o perfil de um objeto com mapa de fases empacotadas (a) e o mesmo perfil
com as fases desempacotadas (b).


Figura 6 Desempacotamento de fases. a) Mapa de Fases Empacotadas de um perfil.
b) Fases Desempacotadas no mesmo perfil.
Fonte: LINO, 2002, p. 16.

DIRKX et al. (1988) desenvolveram um mtodo chamado Tcnica
Deslocamento de Fase baseado em Moir de Sombra, para a reconstruo de
superfcies 3-D. Nesse arranjo experimental, so tomadas imagens do objeto ou alvo
com as Franjas de Moir, sendo que, entre cada imagem, o objeto foi aproximado ou
afastado do retculo distncias de frao do perodo deste retculo. Aps a
digitalizao, as imagens foram subtradas e, atravs de um programa
computacional, a reconstruo da superfcie do objeto foi obtida.
A formao das Franjas de Moir se deve interferncia tica entre o retculo
de referncia (Rr) e a sua sombra (o que chamado de Retculo do Modelo [Rm]),
projetada sobre o componente a analisar. CLOUD (1988) demonstra a formao das
Franjas de Moir de Sombra. O Retculo do Modelo (Rm) acompanha a topografia
do objeto e observado atravs do Retculo de Referncia (Rr). Em algumas reas,
64
as linhas de Rm, sob a perspectiva do observador, se encontrarem com as linhas de
Rr, permitindo a transmisso dos raios luminosos refletidos pela superfcie do objeto,
formando as franjas claras. Em outras reas, as linhas de Rm esto alinhadas com
as linhas de Rr, no havendo, portanto, a transmisso para o observador dos raios
luminosos, formando, ento, as franjas escuras. A Figura 7 mostra um ciclo
completo, que vai das franjas claras para as escuras e das escuras para as claras.


Figura 7 Formao das franjas no Moir de Sombra.
Fonte: LINO, 2002, p. 22.


O esquema experimental apresentado na Figura 8 mostra a montagem usada
pela Tcnica Moir de Sombra com a fonte de luz, o observador (cmera), o retculo,
e o objeto a ser medido.


Figura 8 Sistema experimental para Moir de Sombra com iluminao. a) Com
observador localizado a um ngulo em relao normal ao plano que contm o
retculo de referncia; b) Com observador localizado perpendicularmente ao
plano que contm o retculo de referncia.
Fonte: LINO, 2002, p. 22.

65
importante destacar que se tem como finalidade principal medir o
deslocamento perpendicular do retculo em relao ao objeto ou o deslocamento do
objeto em relao ao retculo. Um feixe de luz paralela incide sobre o retculo de
referncia de passo (pitch p - sendo o pitch a distncia entre linhas adjacentes) em
um ngulo entre a normal e o plano do retculo de referncia. O perfil a ser medido
deve estar logo atrs do retculo de referncia. As sombras geradas na pea pelo
retculo de referncia so observadas atravs do prprio retculo de referncia pela
cmera, a um ngulo entre a normal e o retculo de referncia. Tem-se n como a
ordem de franja formada no objeto e com n=/(2) onde a fase em radianos. Em
outras palavras, uma ordem inteira de franja representa uma fase 2 radianos ou
360
o
. E Z a distncia vertical a ser medida do retculo plana ao objeto. PATORSKI
(1993) mostra que:

) tan( ) tan(

+
=
p n
Z (2.7)

Um caso especial de interesse, quando o observador (ou cmera) est
normal ao plano do retculo (Figura 8 b). Neste caso, = 0, e tem-se:

) tan(

p n
Z = (2.8)

Estas so as equaes que tm sido usadas para a maioria dos estudos de
Moir de Sombra. A suposio do observador (ou cmera) estar no infinito no a
nica prtica. Entretanto, se a estrutura pequena e o observador (ou cmera) est
suficientemente distante, isso pode ser considerado, que justamente o caso da
montagem experimental realizada na tese.
Deve-se citar que comum uma etapa de pr-processamento nas imagens
fotogrficas para eliminar rudo. Normalmente, as fotografias so capturadas de
forma colorida e transformadas em 256 nveis de cinza (8bits). As fotografias,
quando em tons de cinza, apresentam valores de pixis que variam de 0 (preto) a
255 (branco). A ideia de transformar as imagens em tons de cinza ajuda a
economizar tempo de processamento sem prejudicar a qualidade do resultado de
66
medio. Um pixel o menor ponto que forma uma imagem digital, sendo que os
conjuntos de milhares de pixis formam a imagem inteira, e quanto maior for o
nmero de pixis, melhor a resoluo que a imagem ter.
HUANG et al. (2008) desenvolveu um esquema de captura de imagens de
Moir de Sombra que utiliza o Algoritmo de Carr no qual o deslocamento de fase
pode ser arbitrrio, mas que permanece completamente constante entre todas as
imagens. Diminuindo sensivelmente o erro e aumentando significativamente a
preciso. Isso mostra com o tema atual em muitas pesquisas.
A literatura relata muitos trabalhos e pesquisas de sucesso usando a Tcnica
Moir Sombra com preciso tima, comprovando ser a mesma uma tcnica de baixo
custo e alta aplicabilidade em Engenharia.


2.3 Comparao de valores medidos


Nesta pesquisa, foi criado um software computacional em MatLab para
implementar a Tcnica de Moir com Deslocamento de Fase, seguindo o esquema
mostrado no item anterior, e usando a Equao 2.2 para 4 imagens, a Equao 2.3
em 3 imagens, a Equao 2.4 com 5 imagens e a Equao 2.6 para 4 imagens,
segundo o Algoritmo de Carr. O programa criado em MatLab possui o seguinte
algoritmo:
entrada de dados e aquisio das imagens;
transformao das imagens para monocromtica com pixis de 8 bits (0-255
tons de cinza);
aplicao de filtros passa baixa e Gaussiana;
clculo de fase em cada pixel de [0; /2];
passagem da fase de [0; /2] para [-; ];
desempacotamento de fase (unwrapping);
clculo da altura (Z) e clculo das coordenadas (x e y) no plano.
Nesse programa, entram as imagens ou fotografias de Moir para cada
deslocamento de fase, o valor de p em milmetros (passo = pitch = distncia entre as
linhas do retculo de referncia), o ngulo em graus (ngulo entre a normal e o
67
feixe de luz) e o ngulo em graus (ngulo entre a normal e o ponto de
observao). Alternativamente, em vez de entrar com e , o programa permite que
se entre com a distncia d em milmetros (distncia entre a fonte de luz e a cmera
fotogrfica) e a distncia h em milmetros (distncia perpendicular reta entre o
retculo e a fonte de luz). Como sada do sistema tem-se um arquivo com as alturas
Z em milmetros (distncia entre o retculo e o objeto a ser medido) em cada pixel da
imagem e um grfico em 3-D destas medidas (Figura 9).
Cita-se, ainda, que implementaes usando a Tcnica de Moir no so
inditas e rotinas e fontes prontas em MatLab podem ser encontradas em ASUNDI
(2002). Optou-se, neste estudo, em fazer uma nova implementao, em razo de
testes particulares e especficos com outras equaes do clculo de fase que sero
desenvolvidas nos captulos seguintes.





Figura 9 Telas (entrada e sada) do programa em MatLab que implementa Moir de Sombra com
Deslocamento de Fase.
Fonte: Resultados da pesquisa.

As medidas fornecidas pelo programa desenvolvido em MatLab so ento
comparadas com os resultados de softwares comerciais que implementam a Tcnica
de Moir, como o Rising-Sun Moir de WANG (2008), onde so colocados os
mesmos dados de entrada e comparada s medidas dos arquivos de sada de cada
68
programa (Figura 10). O resultado, para vrios exemplos, foi um erro relativo menor
que 10% dos valores medidos. Ou seja, parece que a rotina em MatLab est
processando corretamente as medidas das imagens fotogrficas de Moir. Este
mesmo processo de comparao foi realizado entre o programa em MatLab e
outro software comercial IDEA Interferometric Data Evaluation Algorithms (2005),
com resultados bem semelhantes.



Figura 10 Tela do programa comercial Rising-Sun Moir para a mesma entrada da Figura 9
do programa desenvolvido em MatLab.
Fonte: Resultados da pesquisa.

Nesta tese o erro relativo calculado como o resultado de uma medio
menos o valor verdadeiro do mensurando dividido por este valor verdadeiro. Uma
vez que o valor verdadeiro no pode ser determinado, utiliza-se, na prtica, um valor
verdadeiro convencional. O resultado normalmente expresso como uma
porcentagem do valor verdadeiro. Isso realizado para cada pixel da imagem (com
resoluo grfica M
x
M
y
) segundo a Equao 2.9 abaixo:

=
=
= =
= =

=
M
i
e
i
M
i
e
i i
Mx
i
My
j
e
j i
Mx
i
My
j
e
j i j i
Z
Z Z
Z
Z Z
Erro
1
1
1 1
,
1 1
, ,
(%) Relativo (2.9)

onde:
Mx o nmero de pixis na horizontal da imagem;
69
My o nmero de pixis na vertical da imagem;
M=(Mx My) o nmero total de pixis da imagem;
Z o valor medido pela Tcnica de Moir por meio das fotografias;
Z
e
o valor de referncia tido como correto do perfil do objeto medido.

Compararam-se as medidas obtidas com o programa criado em MatLab
com as medidas conhecidas de objetos com geometrias simples como cilindros,
esferas e planos inclinados. claro que o erro no uso da Tcnica de Moir depende
de uma enorme quantidade de variveis como largura do retculo, resoluo grfica
da mquina fotogrfica, potncia da fonte de luz etc.
Porm, utilizando montagens de Moir nos experimentos realizados no
Laboratrio de Anlise Estrutural da PUC-Minas, e usando o programa desenvolvido,
obtm-se erros da ordem de 2% a 9% do valor da altura do objeto medido com 4
imagens usando o Algoritmo de Carr. Esse resultado muito parecido com o de
outros pesquisadores que usam a Tcnica de Moir, podendo ser citado: LINO
(2002), RIBEIRO (2006), DEL-VECCHIO (2006), COSTA (2006) e GOMES (2005).
Todos estes pesquisadores, trabalhando independentemente, obtiveram erros
semelhantes aos obtidos no decorrer desta pesquisa. Mais detalhes dos
experimentos realizados so mostrados no Captulo IV.
Nota-se que um erro relativo da ordem de 2% a 9% dos valores medidos
considerado alto em nveis metrolgicos. Esforos e estudos devem ser realizados
para tentar reduzi-lo, tornando a Tcnica de Moir mais precisa e com uma maior
aplicabilidade prtica.


2.4 Concluso do captulo


Neste captulo, procurou-se fazer uma reviso sucinta da Tcnica Moir de
Sombra com Deslocamento de Fase e apresentar o Algoritmo de Carr. Essa
introduo importante para a compreenso deste trabalho de pesquisa. Criou-se,
tambm, um programa computacional, e se construiu, em laboratrio, uma
montagem experimental para implementar a medio perfilomtrica de objetos
usando a Tcnica de Moir. O erro obtido foi bem semelhante ao encontrado por
70
outros pesquisados, usando essa mesma tcnica, com montagens experimentais
parecidas.
A ideia foi usar a Tcnica de Moir para introduzir o Algoritmo de Carr que
utilizada em vrios campos da cincia e da Engenharia, como a Interferometria e
Metrologia tica. Nota-se ainda que neste trabalho de pesquisa vai-se usar a
Tcnica de Moir com a inteno de testar e avaliar experimentalmente as novas
equaes do clculo de fase desenvolvidas no captulo seguinte.
At este ponto no h nada de original ou indito nesta pesquisa. Pelo
contrrio, uma vasta, ampla e detalhada bibliografia pode ser encontrada sobre este
assunto e citada neste captulo. Mas este estudo introdutrio importante e forma
a base para o salto que se vai dar nos captulos seguintes, onde este mesmo
processo vai ser generalizado para um nmero maior de imagens fotogrficas com
inteno de reduzir as incertezas da medio e melhorar a preciso da Tcnica de
Moir.
71
CAPTULO III - NOVAS EQUAES DEDUZIDAS


3.1 Introduo do captulo


O fenmeno Franja de Moir o resultado da interferncia de luz pela
superposio de uma rede de linhas. O padro de regies claras e escuras que se
observa chamado de Padro de Moir. Somente um estudo mais detalhado
capaz de revelar a caracterstica mais relevante e til do efeito de Moir, por meio do
qual uma grande mudana no padro obtida, a partir de, apenas, um pequeno
movimento relativo entre as redes sobrepostas. A concluso lgica que o
fenmeno de Moir uma espcie de amplificador de movimento que permite
medies de alta sensibilidade de movimento relativo.
As Tcnicas de Moir usam um sinal tico que pode produzir os resultados
desejados de medio tica atravs de algumas tcnicas de processamento desse
sinal. As tcnicas de processamento, normalmente, envolvem a identificao e o
acompanhamento de franjas em uma fotografia, atribuindo-lhe um correto nmero de
ordem de franja, e aplicando as operaes necessrias para extrair os dados de
medio. H muitos anos, o tratamento das imagens de Moir resumido na
identificao das franjas manualmente. A principal desvantagem do tratamento
manual que as resolues da franja so demasiado baixas, e por isso,
inadequadas para a medio exata. Com o desenvolvimento e diminuio dos
custos de equipamento de Processamento Digital de Imagem, um grande esforo
tem sido realizado para automatizar as tcnicas de medies das franjas. Um dos
principais motivos desse esforo o de se obter uma melhor preciso, a fim de
aumentar a velocidade e automatizar o processo. H muitas tcnicas para o
desenvolvimento de processos semi-automticos e automticos do processamento
de sinal tico.
A Tcnica Deslocamento de Fase baseada na avaliao de valores de fases
de diversas medies cada uma, deslocando-se uma fase da outra. necessrio
realizar pelo menos trs medies de intensidade de fase deslocada, a fim de
determinar a fase, sem ambiguidade e com muita preciso, em todos os pontos do
plano do detector. Essa tcnica oferece um clculo totalmente automtico o clculo
72
de fase usando as intensidades luminosas defasadas. Existem diversos algoritmos
para o clculo da defasagem que diferem quanto ao nmero de etapas de fases, ao
passo entre as capturas de imagens, e a sua sensibilidade para os fatores que
influenciam a prtica durante as medies.


3.2 O Algoritmo de Carr e o Algoritmo de Novak


O padro de franja uma funo cossenoidal que representa a intensidade
luminosa em cada ponto de imagens I(x,y), conforme POST et al. (1994). Essa
funo pode ser escrita na forma geral como:

] ) , ( cos[ ) , ( ) , ( ) , ( + + = y x y x I y x I y x I
a m
(3.1)

onde:
I
m
(x,y): intensidade luminosa do fundo em cada ponto da imagem.
I
a
(x,y): intensidade de modulao em cada ponto da imagem.
(x,y): fase a ser determinada em cada ponto da imagem.
: deslocamento de fase com respeito origem.
(x,y): componentes das posies horizontais(x) e verticais(y) da imagem.

Se desconhecido o deslocamento de fase so necessrias um mnimo de
quatro imagens para se determinar a fase e os termos I
m
, I
a
, . A Tcnica
Deslocamento de Fase a tcnica preferida sempre que as condies experimentais
permanecem constantes ao longo do tempo necessrio para se obter todas as
imagens deslocadas de fases.
CARR (1965), trabalhando em um microscpio fotoeltrico, prope uma
nova tcnica que utiliza quatro frequncias com o deslocamento de fase
desconhecido (), mas constante entre elas.
Neste estudo, utilizam-se quatro imagens monocromticas com os padres de
Franjas de Moir em pixis de tons cinza que variam em nmeros inteiros de 0
73
(preto) a 255 (branco). Trata-se o deslocamento de fase como desconhecido e as
quatro imagens com as fases deslocadas so representadas por:

[ ]
[ ]
[ ]
[ ]

+ + =
+ + =
+ =
+ =
2
3
) , ( cos ) , ( ) , ( ) , (
2
) , ( cos ) , ( ) , ( ) , (
2
) , ( cos ) , ( ) , ( ) , (
2
3
) , ( cos ) , ( ) , ( ) , (
4
3
2
1

y x y x I y x I y x I
y x y x I y x I y x I
y x y x I y x I y x I
y x y x I y x I y x I
a m
a m
a m
a m
(3.2)

Supondo-se que o defasamento constante e no muda durante as
medies, o montante do passo de cada fase pode ser calculado como:

(
(

+ + +

=

) ( ) (
) ( ) ( 3
tan 2
4 1 3 2
4 1 3 2 1
I I I I
I I I I
(3.3)

e da fase em cada ponto (x,y) determinada com:

+ +
+
=

) ( ) (
) ( ) (
)
2
tan( tan
4 1 3 2
3 2 4 1 1
I I I I
I I I I

(3.4)

ou

[ ][ ]

+ +
+
=
) ( ) (
) ( ) ( 3 ) ( ) (
arctan
4 1 3 2
4 1 3 2 3 2 4 1
I I I I
I I I I I I I I
(3.5)

A vantagem do Algoritmo de Carr est clara, pois este no requer
mecanismo de calibrao do passo deslocamento de fase (), que pode ser qualquer
valor; apenas deve ser constante durante a medio.
NOVAK (2003) prope uma pesquisa de generalizao do Algoritmo de Carr
para cinco imagens. Na sua proposta trabalha-se com a seguinte formulao:

74
[ ]
[ ]
[ ]
[ ]
[ ]

+ + =
+ + =
+ =
+ =
+ =



2 ) , ( cos ) , ( ) , ( ) , (
) , ( cos ) , ( ) , ( ) , (
) , ( cos ) , ( ) , ( ) , (
) , ( cos ) , ( ) , ( ) , (
2 ) , ( cos . , ( ) , ( ) , (
5
4
3
2
1
y x y x I y x I y x I
y x y x I y x I y x I
y x y x I y x I y x I
y x y x I y x I y x I
y x y x I y x I y x I
a m
a m
a m
a m
a m
(3.6)

NOVAK (2003) deduz oito equaes analiticamente, trabalhando com
relaes trigonomtricas elementares. Para simplificar o estudo, NOVAK define
somas e diferenas de imagens como:

+ =
=
k j jk
k j jk
I I b
I I a
(3.7)

As equaes deduzidas por NOVAK (2003) so mostradas na Tabela 1,
abaixo:
TABELA 1
Expresses para o clculo de fase com 5 imagens deduzidas por NOVAK (2003).

Fonte: NOVAK, 2003, p. 63-68.
2




2
http://www.urbanfischer.de/journals/optik
75
Existem muitas fontes de erro potenciais que podem afetar a preciso da
medio. Na prtica, por exemplo, verificam-se erros: (a) na alterao da fase; (b)
nos detectores no lineares; (c) na discretizao em tons de cinza; (d) no rudo da
imagem; (e) na estabilidade da fonte de energia; (f) nas vibraes e turbulncia do
ar; (g) nas variaes da temperatura; (h) no reflexo e claridade da luz etc. Algumas
das fontes de erro podem ser eliminadas com antecedncia. Os principais elementos
tico-eletrnicos que podem afetar a preciso do algoritmo para a avaliao da fase,
so os defasamentos dos dispositivos e do detector da intensidade da luz. O
algoritmo ideal para o clculo da fase deve ter baixa sensibilidade para a maioria dos
erros de medio, especialmente, os erros do deslocamento de fase e erros na
deteco de intensidade de luz.
Segundo NOVAK (2003), o erro no clculo da fase () depende do ngulo
deslocamento de fase (), sendo que cada equao deduzida tem um ngulo de
deslocamento de fase timo. Aps um estudo de anlise de erro, estabilidade e
performance computacional, concluiu que a melhor equao para cinco imagens o
Algoritmo A1, que pode ser reescrita como a Equao 3.8:


5 1 3
2
5 1
2
4 2
15 3
2
15
2
24
2
) ( ) ( 4
2
4
) tan(
I I I
I I I I
b I
a a


=

= (3.8)


Outro detalhe importante do trabalho de NOVAK (2003), o de se usar o
clculo de valores proporcionais a seno e cosseno da fase (), para eliminar a
ambiguidade dos valores de [-/2; /2] para
*
[-; ], usando a Tabela 2,
abaixo:
76

TABELA 2
Expresses proporcionais a seno e cosseno da fase para cada equao proposta por NOVAK.

Fonte: NOVAK, 2003, p. 63-68.
3


NOVAK (2000) prope um modelo matemtico que permite analisar a
preciso e a estabilidade das Tcnicas Deslocamento de Fase em relao a fatores
que afetam negativamente a preciso das medies das tcnicas interferomtricas.


3.3 Novo modelo matemtico proposto nesta pesquisa


Quase todas as Tcnicas Deslocamento de Fase existentes so baseados no
pressuposto de que o deslocamento de fase () em todos os pixis da imagem tem
intensidade igual e conhecida. No entanto, pode ser muito difcil de alcanar, na
prtica, esta concluso. Tcnicas de medio de fase so mais ou menos sensveis
a alguns tipos de erros que podem ocorrer durante as medies experimentais.
Nesta pesquisa, entende-se que o deslocamento de fase () tem um valor
desconhecido, mas se aceita que sua alterao constante entre as vrias imagens
do campo de interferncia observado. Considerando N o nmero de imagens
observadas com esta caracterstica, pode-se generalizar a distribuio de
intensidade de cada imagem I
k,
segundo a Equao 3.9, onde k varia de 1 at N:

3
http://www.urbanfischer.de/journals/optik
77
N k com
N k
y x y x I y x I y x I
a m k
.. 1
2
1 2
) , ( cos ) , ( ) , ( ) , ( =
(

\
|
+ + = (3.9)

onde:
I
m
(x,y): intensidade luminosa do fundo em cada ponto da imagem.
I
a
(x,y): intensidade de modulao em cada ponto da imagem.
(x,y): fase a ser determinada em cada ponto da imagem.
: deslocamento de fase com respeito origem.
N: nmero de imagens ou quadros.
(x,y): componentes das posies horizontais(x) e verticais(y) da imagem.

Assim, para N = 6, tem-se:

=
(

+ + =
=
(

+ + =
=
(

+ + =
=
(

+ =
=
(

+ =
=
(

+ =
6
2
5
) , ( cos ) , ( ) , ( ) , (
5
2
3
) , ( cos ) , ( ) , ( ) , (
4
2
1
) , ( cos ) , ( ) , ( ) , (
3
2
1
) , ( cos ) , ( ) , ( ) , (
2
2
3
) , ( cos ) , ( ) , ( ) , (
1
2
5
) , ( cos ) , ( ) , ( ) , (
6
5
4
3
2
1
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
a m
a m
a m
a m
a m
a m






(3.10)

Assim, tambm para N = 7, tem-se:

[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]

= + + =
= + + =
= + + =
= + =
= + =
= + =
= + =
7 3 ) , ( cos ) , ( ) , ( ) , (
6 2 ) , ( cos ) , ( ) , ( ) , (
5 ) , ( cos ) , ( ) , ( ) , (
4 ) , ( cos ) , ( ) , ( ) , (
3 ) , ( cos ) , ( ) , ( ) , (
2 2 ) , ( cos ) , ( ) , ( ) , (
1 3 ) , ( cos ) , ( ) , ( ) , (
7
6
5
4
3
2
1
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
k se y x y x I y x I y x I
a m
a m
a m
a m
a m
a m
a m





(3.11)

78
Comparando o Algoritmo de Carr para quatro imagens com o melhor
Algoritmo de Novak para cinco imagens, observa-se que ambas as equaes
calculam a tangente da fase usando a diviso de um numerador (que a raiz
quadrada da soma de constantes inteiras multiplicada por duas imagens I
k
) pela de
um denominador (que a soma de constantes inteiras multiplicadas por imagens I
k
).
Reescrevendo essas equaes, obtm-se, para Carr:

4 3 2 1
2
4
4 3
2
3
4 2 3 2
2
2
4 1 3 1 2 1
2
1
2 3
2 6 3
2 2 2
) tan(
I I I I
I
I I I
I I I I I
I I I I I I I
+ +

+ +
+
+ +
= (3.12)

ou, enfatizando e mostrando somente a matriz de coeficientes do numerador
e do denominador:
[ ]
[ ]

=
(
(
(
(



=
=
(
(
(
(

=
=

=
= =
1 1 1 1
1
2 3
2 6 3
2 2 2 1
) tan(
4 3 2 1
4 , 4
4 , 3 3 , 3
4 , 2 3 , 2 2 , 2
4 , 1 3 , 1 2 , 1 1 , 1
4
1
4
1
4
,
Dem Num
d d d d Dem
n
n n
n n n
n n n n
Num
I d
I I n
r
r r
r r s
s r s r

(3.13)

Para o melhor Algoritmo de Novak, tem-se:

5 3 1
2
5
2
4
4 2
2
2
5 1
2
1
2
4
8 4
2
) tan(
I I I
I
I
I I I
I I I
+

+
+
+
= (3.14)

ou, enfatizando e mostrando somente a matriz de coeficientes do numerador
e do denominador:
79
[ ]
[ ]

=
(
(
(
(
(
(

=
=
(
(
(
(
(
(

=
=

=
= =
1 0 2 0 1
1
0 4
0 0 0
0 8 0 4
2 0 0 0 1
) tan(
5 4 3 2 1
5 , 5
5 , 4 4 , 4
5 , 3 4 , 3 3 , 3
5 , 2 4 , 2 3 , 2 2 , 2
5 , 1 4 , 1 3 , 1 2 , 1 1 , 1
5
1
5
1
5
,
Dem Num
d d d d d Dem
n
n n
n n n
n n n n
n n n n n
Num
I d
I I n
r
r r
r r s
s r s r

(3.15)

O smbolo | | representa o valor absoluto, uma vez que s se est interessado
em valores positivos com [0; /2]. Sua expanso para valores de [-, ] ser
tratada no captulo seguinte desta tese. O uso do valor absoluto ou mdulo simplifica
as equaes, uma vez que a raiz quadrada s definida para nmeros positivos.
Propem-se, ento, uma equao geral para o clculo da fase para qualquer
valor de N (Nmero de Imagens ou quadros), como sendo:

=
= =
=
N
r
r r
N
r
N
r s
s r s r
I d
I I n
1
1
,
) tan( (3.16)

ou expandindo os somatrios, e colocando o numerador disposto em linhas:

N N N N
N N N
N N
N N
N N
N N
I d I d I d I d I d I d
I n
I I n I n
I I n I I n I n
I I n I I n I I n I n
I I n I I n I I n I I n I n
+ + + + + +
+
+ +
+ + +
+ + + +
+ + + +
==
1 1 4 4 3 3 2 2 1 1
2
,
4 , 4
2
4 4 , 4
3 , 3 4 3 4 , 3
2
3 3 , 3
2 , 2 4 2 4 , 2 3 2 3 , 2
2
2 2 , 2
1 , 1 4 1 4 , 1 3 1 3 , 1 2 1 2 , 1
2
1 1 , 1
...
... ...
...
...
...
...
) tan( (3.17)

ou enfatizando e mostrando somente a matriz de coeficientes do numerador e
do denominador:
80

=
(
(
(
(
(
(
(
(

=
=

=
= =

] ... [
... ...
...
...
...
...
) tan(
1 4 3 2 1
,
, 4 4 , 4
, 3 4 , 3 3 , 3
, 2 4 , 2 3 , 2 2 , 2
, 1 4 , 1 3 , 1 2 , 1 1 , 1
1
1
,
N N
N N
N
N
N
N
N
r
r r
N
r
N
r s
s r s r
d d d d d d Dem
n
n n
n n n
n n n n
n n n n n
Num
onde
I d
I I n
(3.18)

Trabalhando com esse formato nas equaes, podem-se expressar as
equaes utilizando apenas os coeficientes do numerador e do denominador. Assim,
os algoritmos de Carr e Novak podem ser representados pela Tabela 3, abaixo:

TABELA 3
Matriz de coeficientes do numerador e do denominador para N=4 (Carr) e para N=5 (Novak)
N = 4 Num -1 2 -2 2
3 -6 -2
3 2
-1
Dem -1 1 1 -1
N = 5 Num -1 0 0 0 2
4 0 -8 0
0 0 0
4 0
-1
Dem -1 0 2 0 -1

Fonte: Resultado da pesquisa.

interessante notar que as equaes calculam o valor da fase () em cada
ponto da imagem (cada pixel), usando os valores da intensidade luminosa I
k
das
diversas imagens da amostra naquele ponto, independente do valor do
deslocamento de fase () dos quadros.


3.4 Modelo matemtico


A ideia agora como obter ou deduzir equaes matemticas semelhantes
de Carr e Novak para um nmero qualquer de imagens (N). Este estudo faz uma
81
inovao ao tentar isso, mas no atravs de manipulaes algbricas e relaes
trigonomtricas, e sim, por meios de mtodos numricos.
A mudana de enfoque do problema de obteno de equaes do clculo de
fase de um problema analtico para uma viso numrica uma grande inovao e
quebra um paradigma at ento usado por diversos autores anteriormente.
Aps vrias tentativas de formulao numrica do problema, obtm-se o
modelo matemtico em 3.19:

( )

=
(

\
|
+ + =

=
= =
=
= =
= +
= +
(

+
+
= = |

\
|
=
+



=
=
= = =
= = =
real e leatrio ] 20 ; 20 [
real e leatrio ] ; [
real e leatrio ] 127 ; 0 [
real e leatrio ] 128 ; 0 [
.. 1 ,
2
1 2
) , ( cos ) , ( ) , ( ) , (

: cada para onde
.. 1 inteiros so
.. 1 inteiros so
.. 1 2 2
.. , .. 1 2 2
imagens as das incluir to , .. 1 1
imagens as das incluir to , .. 1 1
2
1
.. 1 ) ( tan
is varave de nmero | Dem | |)/ Num Sqrt(| ) tan(
) 7
) 6
) 5
) 4
) 3
) 2
) 1

,
,
,
1
,
2
1
2
1 1
,
a
a
a I
a I
N k
N k
y x y x I y x I y x I
v
N r d
N r ..N,s r n
N r N d N
N r s N r N n N
N r d n
N r d n
N
N N
v I I n I d
a sujeito
d n Mnimizar
v
v
v
a
v
m
v v v v v
k
r
rs
r
s r
r
N
r s
r s
r
N
r s
s r
N
r
N
r s
v
s
v
r s r
N
r
v
r r
v
N
r
N
r
r
N
r s
s r
a m


(3.19)

Os coeficientes das matrizes do numerador (n
r,s
) e denominador (d
r
) devem
ser inteiros, com o objetivo de aumentar a performance computacional do algoritmo,
uma vez que os valores da intensidade das imagens (I
k
) so tambm inteiros,
variando de 0 at 255. Os computadores modernos realizam clculos matemticos
(adies e multiplicaes) inteiros muito mais rpido do que com nmeros reais (com
ponto flutuante). Deve-se lembrar que, atualmente, as cmeras fotogrficas digitais
comerciais j apresentam resoluo grfica acima de 12 megapixis, e que o clculo
82
de fase () deve ser realizado pixel a pixel. Outra razo o uso de memria; os
valores inteiros podem ser armazenados em um nico byte enquanto os valores
reais em pontos flutuantes gastam pelo menos 4 bytes, ficando apenas em real com
ponto flutuante uma raiz quadrada do numerador, a diviso pelo denominador e o
arcotangente de toda a operao. Nota-se que as variveis r, s e so apenas
ndices usados como contadores pelo modelo.
A ideia de se obter um mnimo do somatrio dos valores absolutos ou mdulo
dos coeficientes das matrizes do numerador (n
r,s
) e denominador (d
r
) vem da
tentativa de forar que estes coeficientes sejam zero, para acelerar o clculo
computacional e reduzir a memria utilizada, uma vez que o zero em matrizes
esparsas no necessita ser armazenado. importante, tambm, que estes
coeficientes no sejam muito grandes, para que os valores do somatrio do
numerador e do denominador no tenham valor muito alto e, assim, caibam em uma
varivel inteira. Existe tambm uma razo numrica para que os coeficientes sejam
em mdulo o menor possvel, pois se multiplica um nmero por um valor muito alto,
o erro de arredondamento (
a
) do nmero tambm aumentado, propagando-se e
reduzindo a preciso numrica. Na equao do clculo de fase, esses coeficientes
vo multiplicar, justamente, os valores da intensidade das imagens (I
k
) que contm
erros devido a rudos e a sua discretizao em pixis e em tons de cinza. Em
CHAPRA (1988), a propagao numrica do erro de arredondamento estudada em
detalhes.
A restrio (1) do Modelo 3.19 vem da Equao 3.16, que elevada ao
quadrado e representa o formato da equao que est se buscando. Nota-se que o
resultado da resoluo do Modelo Matemtico 3.19 so os coeficientes das matrizes
do numerador (n
r,s
) e denominador (d
r
); assim, o nmero de incgnitas dado por
N(nmero de imagens). Para garantir que se tenha um problema hiper-restrito,
sugere-se que o nmero de restries seja maior ou, pelo menos, igual ao nmero
de variveis. As restries do modelo so obtidas atravs da escolha aleatria de
valores para I
m
(intensidade luminosa do fundo), I
a
(intensidade de modulao),
(fase) e (deslocamento de fase), e usando a Equao 3.9, calculam-se os
I
k
(intensidade luminosa). Testes mostraram que, mesmo para outros valores
menores de , o modelo matemtico funciona apenas na busca por soluo tima,
porm, mais demorada. Na verdade, os valores de I
m
, I
a
, e podem ser qualquer
83
nmero real, mas para manter uma compatibilidade com o problema de Moir de
Sombra, optou-se por limitar I
m
entre 0 e 128, e I
a
entre 0 e 127, para que I
k
fique
entre 0 e 255. Limita-se tambm entre - e valores usado na etapa seguinte de
desempacotamento. Limita-se entre -20 e 20, sabendo-se que, normalmente, os
valores do deslocamento de fase entre as imagens so bem menores que isso,
quando se usa as Tcnicas de Moir.
As restries (2) e (3) do Modelo 3.19 vem da ideia que todas as imagens
I
k
(intensidade luminosa) devem estar presentes na equao. O aumento da
quantidade de amostras deve diminuir o rudo aleatrio das imagens. Para isso,
necessrio que todas as imagens da amostragem entrem na equao do clculo de
fase. Isso conseguido, impondo-se que a soma dos valores absolutos dos
coeficientes de cada linha ou de cada coluna da matriz do numerador (n
r,s
) mais o
mdulo do coeficiente correspondente quela imagem no denominador (d
r
) seja
maior ou igual a 1. Assim os coeficientes na equao do clculo de fase para uma
dada imagem I
k
no sero todos zeros, garantindo sua participao na equao.
Podem ser usadas apenas uma das duas restries (2) ou (3), mas para garantir a
entradas de todas as amostras e simplificaes de simetrias vistas mais na frente,
opta-se por usar as duas juntas.
As restries (4) e (5) do Modelo 3.19 so usadas para acelerar a resoluo
desse modelo matemtico. Esta limitao no valor dos coeficientes das matrizes do
numerador (n
r,s
) e denominador (d
r
) representa uma significativa reduo do
universo de busca e pesquisa da soluo do modelo de Otimizao. Tal reduo no
universo de busca traz solues mais rpidas e com menos esforo computacional,
para resolver este modelo de Otimizao Inteira No-linear. Para grandes valores de
N (nmero de imagens), quando N maior que 16, podem-se limitar os coeficientes
das matrizes do numerador (n
r,s
) e denominador (d
r
) ao intervalo de [-4..4].
Para o caso em questo, que a busca por equaes vlidas para o clculo
de fase (), no existe a preocupao de que o modelo de Otimizao atinja um
mnimo global, uma vez que um mnimo local (pontos de mnimo de uma funo em
alguma vizinhana do ponto contido no domnio da funo) j atende aos objetivos
desejados. At mesmo achar uma soluo vivel qualquer j pode satisfazer a
pesquisa por novas equaes. Logo, a procura se restringe a coeficientes das
matrizes do numerador (n
r,s
) e denominador (d
r
), que sejam inteiros e de valor
84
pequeno, e que atendam as restries do modelo, no necessitando serem
minimizados (desejvel, mas no necessrio).
Uma vez encontrada uma equao com o Modelo 3.19, esta pode se tornar
uma restrio, para que, usando novamente o modelo, uma nova equao diferente
seja achada. Isso permite que o Modelo 3.19 encontre vrias equaes para um
dado valor de N(nmero de imagens), tornando bastante flexvel e abrangente o
modelo matemtico.


3.5 Mtodo Branch-and-Bound


Para resolver numericamente o Modelo Matemtico 3.19, optou-se pelo uso
do Mtodo Branch-and-Bound. A proposta apresentar apenas uma reviso didtica
do referido mtodo. Um detalhamento mais aprofundado pode ser encontrado em
HILLIER (2006). Este mesmo mtodo tambm usado pelo software comercial
LINGO

11.0 (2008) da LINDO Systems Inc.


4
.
Uma vez que qualquer problema de Programao Inteira limitada tenha
somente um nmero finito de solues viveis, natural que se considere o uso de
algum tipo de procedimento de enumerao para encontrar uma soluo tima.
Infelizmente, este nmero finito pode ser, e normalmente , muito grande. Por
exemplo, se houver somente 10 variveis, e cada uma tiver 10 valores viveis, ento
podero haver 10
10
solues viveis. Apesar do fato de alguns computadores
digitais de hoje poderem executar diversos milhes de operaes aritmticas
elementares (adies e subtraes) por segundo, a enumerao exaustiva
consumiria um tempo proibitivo em problemas do tamanho deste. Por isso,
imperativo que qualquer procedimento de enumerao seja inteligentemente
estruturado, para que apenas uma frao muito pequena das solues viveis,
realmente, precise ser examinada. Por exemplo, a Programao Matemtica
Dinmica fornece um tipo de procedimento como esse para muitos problemas que
tenham um nmero finito de solues viveis (embora no seja particularmente
eficiente para a maioria dos problemas de Programao Inteira). Outra abordagem

4
http://www.lindo.com
85
desse tipo fornecida pelo Mtodo Branch-and-Bound (Ramificar-e-Limitar). Essa
tcnica, e variaes dela, tm sido aplicadas, com algum sucesso, a diversos
problemas, inclusive, problemas de Programao Inteira No-linear.
A ideia bsica do Mtodo Branch-and-Bound passa a ser descrita. Suponha-
se (para ser especfico) que a funo-objetivo deva ser minimizada. Suponha-se,
tambm, que um limite superior ao valor timo da funo-objetivo esteja disponvel
(usualmente, este o valor da funo-objetivo para a melhor soluo vivel
identificada at o momento). O primeiro passo subdividir o conjunto de todas as
solues viveis em diversos subconjuntos, e obter, para cada um deles, um limite
inferior para o valor da funo-objetivo das solues dentro do respectivo
subconjunto. Aqueles subconjuntos cujos limites inferiores excedam o limite superior
corrente no valor da funo-objetivo sero, ento, excludos de futuras
consideraes (um subconjunto que seja excludo por esta ou outras razes
legtimas dito ser sondado). Um dos subconjuntos remanescentes, diga-se, aquele
com o menor limite inferior, ser, ento, novamente subdividido em diversos
subconjuntos. Seus limites inferiores sero obtidos, um de cada vez, e sero usados,
como anteriormente, para excluir alguns desses subconjuntos de futuras
consideraes. Dentre todos os subconjuntos remanescentes, outro selecionado
para nova subdiviso, e assim por diante. Esse processo repetido seguidamente,
at que seja encontrada uma soluo vivel tal, que o valor correspondente da
funo-objetivo no seja maior que o limite inferior para qualquer subconjunto. Tal
soluo ter que ser tima, uma vez que nenhum dos subconjuntos pode conter
uma soluo melhor.
Em resumo, o Mtodo Branch-and-Bound segue os passos descritos abaixo:

Passo de inicializao Faa Z
s
= (limite superior da funo-objetivo).
Comece com o conjunto completo de solues em considerao
(incluindo quaisquer solues inviveis que no possam ser
convenientemente eliminadas) como o nico subconjunto
remanescente. Antes de comear as iteraes regulares pelos passos
abaixo, aplique apenas o passo de ramificao (bound), o passo de
sondagem e a regra de parada a este subconjunto (referindo-se a isto
como iterao 0)
86
Passo de ramificao use alguma regra de ramificao para
selecionar um dos subconjuntos remanescentes (aqueles nem
sondados, nem subdivididos), e subdivida-o em dois ou mais
subconjunto de solues.
Passo de limitao para cada novo subconjunto, obtenha um limite
inferior Z
l
, no valor da funo-objetivo para as solues viveis no
subconjunto.
Passo de sondagem para cada novo subconjunto, exclua-o de futuras
consideraes, isto , faa a sondagem se:
o Teste 1 de Sondagem: Z
l
Z
s
, ou
o Teste 2 de Sondagem: descobre-se que o subconjunto no
contm solues viveis; ou
o Teste 3 de Sondagem: a melhor soluo vivel no subconjunto
foi identificada (ento, Z
l
corresponde a seu valor da funo-
objetivo): se isto ocorrer e Z
l
< Z
s
, ento faa Z
s
= Z
l
, armazene
esta soluo como a soluo incumbida, e reaplique o Teste 1
de Sondagem a todos os subconjuntos remanescentes.
Regra de parada pare quando no houver nenhum subconjunto
remanescente insondado; a soluo incumbida corrente tima (se
no houver nenhuma soluo incumbida isto , Z
s
ainda for igual a ,
ento o problema no possuir solues viveis.). Caso contrrio, volte
para o passo de ramificao.

Se o objetivo for maximizar em vez de minimizar a funo-objetivo, o
procedimento no mudar, exceto que os papis dos limites superiores e inferiores
sero inversos. Assim, Z
s
seria substitudo por Z
l
e vice-versa, se tornaria - e as
direes das desigualdades seriam invertidas.
Os passos de ramificao e limitao permitem uma considervel flexibilidade
quanto ao projeto de um algoritmo especifico para o problema em questo, e eles
tm um efeito importante na eficincia computacional do algoritmo. As duas regras
de ramificao mais populares para selecionar o subconjunto a subdividir so a
regra do melhor limite e a regra do limite mais novo. A regra do melhor limite diz para
selecionar o subconjunto que tenha o limite mais favorvel (o menor limite inferior no
caso de minimizao) porque este subconjunto pareceria ser o mais promissor para
87
conter uma soluo tima. A regra do limite mais novo diz para selecionar o
subconjunto mais recentemente criado que no tenha sido sondado, desempatando
entre subconjuntos que tenham sido criados ao mesmo tempo, tomando-se aquele
que tenha o limite mais favorvel. As vantagens dessas regras so de ter uma
manuteno de dados menos incmoda e de dar uma grande oportunidade para se
obter, eficientemente, os limites. O mtodo selecionado para se obter os limites
deveria representar um compromisso cuidadoso entre o aperto dos limites e o
esforo computacional. Considera-se, agora, como exemplo, o problema geral de
Programao Linear Inteira Mista, onde algumas das variveis (diga-se, I delas)
esto restritas a valores inteiros, porm as restantes so variveis contnuas
comuns. Na forma de minimizao, este problema :

=
=
=
=

=
=
. 2 1 para , 0
, 2 1 para inteiro, seja
e
, 2 1 para ,
1
1
,...,m , i x
n) ,...,I(I , j x
,...,m , i b x a
a sujeito
x c Z Minimizar
j
j
n
j
i j ij
n
j
j j
(3.20)

quando I=n, este se torna um problema de Programao Linear Pura. Uma
estrutura especial usada para se obter um limite inferior, Z
l
, razovel, e para se
construir testes de sondagem fortes, com pouco esforo computacional. Essa
informao obtida de uma maneira razoavelmente eficiente, usando-se
Programao Linear (o Mtodo Simplex ou Simplex Dual). Para a verso
desenvolvida neste estudo, usa-se a regra do limite mais novo para selecionar o
prximo subconjunto de solues a subdividir. O algoritmo, ento, subdivide este
subconjunto em dois novos subconjuntos. Entretanto, como as variveis podem ter
muitos valores possveis, esta subdiviso realizada dividindo os valores possveis
de alguma varivel em dois intervalos. Consequentemente, a mesma varivel pode,
eventualmente, ser subdividida mais de uma vez.
O algoritmo comea (iterao 0) ignorando a restrio de inteiro, e usando o
Mtodo Simplex para resolver o problema de Programao Linear correspondente.
Se a soluo resultante tiver valores inteiros para todos os x
j
, ento, para j=1,2,...,I
88
ela a soluo tima desejada. Caso contrrio, o passo de ramificao (a cada
iterao) encontra a primeira dessas variveis que no tem valor inteiro, diga-se x
j

tal que k<x
j
<k+1, onde k um nmero inteiro. O Mtodo Branch-and-Bound ento,
subdivide o subconjunto de solues correntes em dois novos subconjuntos:

1 Solues em que x
j
k,
2 Solues em que x
j
k+1,

onde essas solues tambm tm que satisfazer todas as restries que
definem o subconjunto corrente (ou seja, quaisquer limites similares em cada uma
das variveis de subdivises anteriores, mais as restries originais do problema). O
passo de limitao obtm, ento, o limite inferior Z
l
, para cada um desses
subconjuntos, ignorando, novamente, a restrio de inteiro, e resolvendo o problema
de Programao Linear resultante (incluindo a nova restrio limitante x
j
), para obter
o valor timo da funo-objetivo. Entretanto, em lugar de resolver cada um destes
problemas desde o comeo, o Mtodo Branch-and-Bound apenas usa o
procedimento de anlise de sensibilidade, aplicando o Mtodo Simplex Dual,
comeando pela soluo bsica que era tima antes da introduo da nova
restrio. Note-se que a regra do limite mais novo aumenta a oportunidade para
reotimizar eficientemente dessa maneira. O passo de sondagem, ento,
simplesmente verifica a nova soluo de Programao Linear tima obtida pelo
Mtodo Simplex Dual. Em particular, o novo subconjunto ser sondado se
Teste 1 de Sondagem: Z
i
Z
s
, ou
Teste 2 de Sondagem: o Mtodo Simplex Dual descobre que no existe
soluo vivel, ou
Teste 3 de Sondagem: a soluo tima obtida tiver valores inteiros para todos
os x
j
tais que j=1,2,...,I.
Se o Teste 3 de Sondagem tiver sucesso e Z
l
<Z
s
, ento refaa Z
s
=Z
l
e
armazene esta soluo como a soluo incumbida. Entretanto, o Teste 1 de
Sondagem no precisa ser reaplicado aos subconjuntos remanescentes, at que
sejam selecionados pela regra do limite mais novo. Quando todos os subconjuntos
no-subdivididos tiverem sido sondados, a soluo incumbida corrente ser tima
desejada.
89
Faz-se importante esclarecer que o Modelo Matemtico proposto 3.19 um
modelo no linear. Logo, em vez de se usar o Mtodo Simplex como descrido acima,
deve-se usar um mtodo para Otimizao No-linear, descrito a seguir.


3.6 Mtodo de Programao No-linear


Nesta pesquisa, usa-se uma variao do Mtodo Branch-and-Bound com a
Tcnica de Minimizao Irrestrita da Sequncia, descrida em detalhas por HILLIER
(2006) e por MAHEY (1987), que um mtodo de Programao No-linear.
Acredita-se que outros algoritmos de Programao No-linear tenham tambm
sucesso. Optou-se por este mtodo, em razo da facilidade de sua implementao
computacional. A Tcnica de Minimizao Irrestrita da Sequncia supe que se
tenha um modelo matemtico como o mostrado abaixo:

= . 2 1 para , 0 ) ,.., , , (
) ,.., , , (
3 2 1
3 2 1
,...,m , i x x x x h
a sujeito
x x x x g Minimizar
n i
n
(3.21)

O procedimento usado por esta tcnica muito simples. Ela lida
simultaneamente com a funo-objetivo e com as restries, combinando-as dentro
de uma nica funo:

,
) ,.., , , (
1
) ,.., , , ( ) ; ,.., , , (
1 3 2 1
3 2 1 3 2 1
=
+ =
m
i n i
n n
x x x x h
r x x x x g r x x x x P (3.22)

onde r um escalar estritamente positivo. Comeando com uma soluo-tentativa
inicial vivel, a tcnica usa, repetidamente, o procedimento de busca pelo gradiente
(ou Algoritmos de Gradiente Conjugado ou um mtodo similar) para minimizar
P(x
1
,x
2
,x
3
,...,x
n
;r) com valores sucessivamente menores que r se aproximando de
zero. As solues de minimizao resultantes convergem para uma soluo tima
para o problema original.
90
A chave desta tcnica que cada 1/h
i
(x
1
,x
2
,x
3
,...,x
n
) se aproxima do infinito
medida que h
i
(x
1
,x
2
,x
3
,...,x
n
) se aproxima de zero decrescendo. Portanto, comeando
com uma soluo-tentativa inicial tal que h
i
(x
1
,x
2
,x
3
,...,x
n
)>0, para todo i, garantido
que o procedimento de busca pelo gradiente encontrar uma soluo de
minimizao de P(x
1
,x
2
,x
3
,...,x
n
;r) que seja vivel para o problema original. Com
efeito, o termo de r em 3.22 um termo de repulso do limite (tambm chamado de
funo de penalidade) que previne o procedimento de busca pelo gradiente de
atravessar (ou mesmo alcanar) os limites da regio vivel onde um ou mais
h
i
(x
1
,x
2
,x
3
,...,x
n
)=0.
Entretanto, se uma soluo tima para o problema original cair ou estiver
suficientemente prxima dos limites da soluo vivel, o termo de repulso do limite
tambm ir prevenir essa soluo de ser a soluo de minimizao de
P(x
1
,x
2
,x
3
,...,x
n
;r). Esta a razo para minimizar, repetidamente, P(x
1
,x
2
,x
3
,...,x
n
;r)
para valores sucessivamente menores que r. medida que r se aproxima de zero,
P(x
1
,x
2
,x
3
,...,x
n
;r) aproxima-se de g(x
1
,x
2
,x
3
,...,x
n
), de modo que a soluo de
minimizao de P(x
1
,x
2
,x
3
,...,x
n
;r) convergir para a soluo tima desejada.
Portanto, apenas precisaro ser obtidas solues de minimizao suficientes para
permitir a extrapolao para esta soluo de limite.
Esto disponveis informaes teis para guiar a deciso de quando esta
extrapolao dever ser realizada. Em particular, quando se tem uma soluo de
minimizao de P(x
1
,x
2
,x
3
,...,x
n
;r), esta maior ou igual soluo tima
(desconhecida) para o problema original. Assim, g(x
1
,x
2
,x
3
,...,x
n
) no pode exceder o
valor de g na soluo tima mais que o valor do termo de repulso. Para isso seria
razovel extrapolar para a soluo tima, sempre que o erro mximo resultante for
considerado suficientemente pequeno.
O procedimento de busca pelo gradiente para problema irrestrito multivariado
baseia-se em alcanar, eventualmente, um ponto onde todas as derivadas parciais
sejam essencialmente zero. Isso envolve usar o gradiente da funo-objetivo.
Suponha-se X=(x
1
,x
2
,x
3
,...,x
n
) e f(X) a funo-objetivo, uma vez que suposta ser
diferencivel com um gradiente denotado por f(X). Em particular, o gradiente num
ponto especifico X=X o vetor cujos elementos so respectivas derivadas parciais
avaliadas em X=X, de modo que

91
'. ,..., , , ) ' (
3 2 1
X X para
x
f
x
f
x
f
x
f
X f
n
=
|
|

\
|

= (3.23)

O significado do gradiente que a mudana (infinitesimal) em X, que
minimiza a taxa qual f(X) aumenta, a mudana que proporcional a f(X). Para
expressar essas ideias geometricamente, a direo do gradiente, f(X),
interpretada como a direo do segmento de linha direcionada (seta) da origem
(0,0,...,0) para o ponto (f/x
1
, f/x
2
,..., f/x
n
) onde f/x
j
avaliado para x
j
=x
j
. Por
isso, pode-se dizer que a taxa que f(X) diminuir ser maximizada se as mudanas
(infinitsimas) em X forem na direo inversa do gradiente f(X). Como o objetivo
encontrar a soluo vivel que minimize f(X), pareceria conveniente tentar mover o
mais possvel na direo contrria a do gradiente (mesma direo e sentido
contrrio).
Como as restries foram acrescidas funo-objetivo, o problema resultante
fica sem restries. Esta interpretao do gradiente sugere que um procedimento de
busca eficiente deveria se manter em movimento na direo do mesmo, at que ele
alcance (essencialmente) uma soluo tima X
*
, onde f(X
*
)=0. Entretanto,
normalmente no seria prtico mudar X continuamente na direo de f(X), porque
isso requereria a reavaliao continua de f/x
j
e a mudana da direo do caminho.
Por isso, a melhor abordagem continuar movendo o gradiente numa direo fixa a
partir da soluo-tentativa atual, no parando at que f(X) pare de diminuir. Este
ponto de parada seria a prxima soluo-tentativa, de modo que o gradiente seria,
ento, recalculado, para determinar a nova direo para a qual deve mover. Com
esta abordagem, cada iterao envolve a mudana da soluo-tentativa atual, X,
como se segue: Refaa X = X t
*
f(X), onde t
*
o valor positivo de t que minimiza
f[X - t f(X)]. As iteraes desse procedimento de busca pelo gradiente continuariam
at que f(X)=0 dentro de uma pequena tolerncia de erro.
A parte mais difcil desse procedimento , normalmente, encontrar t
*
, o valor
de t que minimize f na direo do gradiente, a cada iterao. Como X e f(X) tm
valores fixos para a minimizao, pode ser usado, para isso, um mtodo de
procedimento de busca unidimensional como o Mtodo da Seo urea ou da
Aproximao Quadrtica ou o Mtodo de Newton descrito em CHAPRA (1988).
O resumo do procedimento de busca pelo gradiente segue:
92
Passo de inicializao selecione a preciso numrica () e qualquer
soluo-tentativa inicial X. V, primeiramente, para a Regra de Parada.
Passo Iterativo 1 use o procedimento de busca unidimensional (Mtodo da
Seo urea) para entrar t=t
*
minimizando f[X - t f(X)] onde t 0.
Passo Iterativo 2 refaa X = X t
*
f(X). Ento v para a Regra de Parada.
Regra de parada avalie f(X) para X= X. Verifique se |f/x
j
| para todo
j=1,2,...,n. Se a resposta positiva, pare com o X atual como a aproximao
desejada da soluo tima X
*
. Caso contrrio, v para o Passo Iterativo 1.

No caso da implementao computacional do Modelo 3.19, os valores
absolutos foram substitudos pelo quadrado para simplificar a matemtica, em vez
de se usar o mdulo como a raiz quadrada do quadrado(
2
x x = ). Neste estudo,
tambm no se preocupou se o mnimo achado era local ou global.


3.7 Principais equaes do clculo de fase obtidas


Aplicando-se a soluo descrita nas sees anteriores ao Modelo 3.19, por
meio do programa computacional desenvolvido, obtiveram-se vrias equaes do
clculo de fase que so generalizaes do Algoritmo de Carr. Muitas dessas
mesmas equaes do clculo de fase podem tambm ser obtidas, usando-se o
software comercial LINGO

11.0 (2008) da LINDO Systems Inc.


5
com as rotinas de
implementao. Ambos os programas chegaram a resultados semelhantes. Para
forar outras solues eram impostas aos programas certas restries. Observa-se
que N o nmero de imagens ou frames, e que as equaes do clculo de fase
seguem a Equao 3.18.
Uma vez obtida a Equao (a) da Tabela 4, o programa deve ser executado
novamente para que outra soluo seja obtida. Como se trata de mnimos locais e
os valores de I
m
, I
a
, e so aleatrios e diferentes para cada execuo, basta
rodar o programa de novo que, possivelmente, uma nova equao diferente vai ser

5
http://www.lindo.com
93
calculada. Se equaes repetidas comearem a aparecer, inclua alguma restrio
como n
12
<0 ou n
12
=-2, para que diferentes coeficientes sejam encontrados.

TABELA 4

Equaes encontradas resolvendo o Modelo Matemtico 3.19, usando o Mtodo Branch-and-Bound
para N (nmero de imagens) igual a 6
N = 6 Num -1 0 -3 3 0 2 -1 -2 -2 2 2 2 -1 2 -6 6 -2 2
5 -1 1 -10 0 5 6 -6 -10 2 5 -6 6 -10 -2
-2 4 1 3 2 -4 -6 2 -2 4 6 6
a) -2 -1 -3 b) 2 6 -2 c) -2 -6 -6
5 0 5 -2 5 2
-1 -1 -1
Dem -1 0 1 1 0 -1 -1 -1 2 2 -1 -1 -1 1 0 0 1 -1
Num -1 0 -1 1 0 2 -1 0 0 0 0 2 -4 4 -7 7 -4 8
3 1 -1 -6 0 2 2 -2 -4 0 10 -5 5 -20 -4
0 0 -1 1 1 -2 -2 0 0 0 5 7
d) 0 1 -1 e) 1 2 0 f) 0 -5 -7
3 0 2 0 10 4
-1 -1 -4
Dem -1 0 1 1 0 -1 -1 0 1 1 0 -1 2 -1 -1 -1 -1 2
Num -1 4 -11 11 -4 2 -1 0 -2 2 0 2 -1 2 -2 2 -2 2
5 -9 9 -10 -4 4 0 0 -8 0 1 -2 2 -2 -2
2 -4 9 11 -1 2 0 2 2 -4 2 2
g) 2 -9 -11 h) -1 0 -2 i) 2 -2 -2
5 4 4 0 1 2
-1 -1 -1
Dem -1 2 -1 -1 2 -1 -1 0 1 1 0 -1 -1 1 0 0 1 -1
Num -1 -2 -3 3 2 2 -1 2 0 0 -2 2 -1 4 -5 5 -4 2
6 5 -5 -12 2 -1 0 0 2 -2 -1 -3 3 2 -4
1 -2 -5 3 4 -8 0 0 8 -16 3 5
j) 1 5 -3 k) 4 0 0 l) 8 -3 -5
6 -2 -1 2 -1 4
-1 -1 -1
Dem -1 -1 2 2 -1 -1 -1 1 0 0 1 -1 -1 2 -1 -1 2 -1
Num -1 0 1 -1 0 2 -1 2 -1 1 -2 2 -1 0 0 0 0 2
1 3 0 -5 0 0 -1 0 1 -2 2 2 -1 -5 0
-1 -1 -3 2 4 -7 1 0 0 -1 -2 1
m) 2 0 -2 n) 3 0 0 o) 1 1 -1
4 0 -1 2 3 0
-1 -1 -1
Dem -1 0 1 1 0 -1 -1 1 0 0 1 -1 -1 0 1 1 0 -1
Num -1 2 -1 2 -3 2 -1 0 0 0 0 2
0 -2 4 -3 -1 2 2 0 -6 0
1 -3 1 3 -1 0 -2 2
p) 2 -3 -4 q) 1 0 -2
3 2 4 0
-1 -1
Dem -1 1 0 0 1 -1 -1 0 1 1 0 -1

Fonte: Resultados da pesquisa.

Na Tabela 4 acima so mostrados apenas os coeficientes do numerador e do
denominador, por exemplo, a Equao da Tabela 4 (a) fica, na verdade, escrita
como a Equao 3.24 abaixo:
94
6 4 3 1
2
6
2
5
6 4 5 4
2
4
6 3 5 3 4 3
2
3
5 2 4 2 3 2
2
2
6 1 4 1 3 1
2
1
5
3 2
3 4 2
10 5
2 3 3
) tan(
I I I I
I
I
I I I I I
I I I I I I I
I I I I I I I
I I I I I I I
+ +

+

+ + +
+ +
+ +
= (3.24)

TABELA 5
Equaes encontradas resolvendo o Modelo Matemtico 3.19, usando o Mtodo Branch-and-Bound
para N (nmero de imagens) igual a 7


N = 7 Num -1 -2 0 0 0 2 2 -1 2 -5 0 5 -2 2 -1 -2 -4 0 4 2 2
1 6 0 -6 -2 2 6 -6 0 6 -12 -2 5 6 0 -6 -10 2
5 0 -10 -6 0 0 0 0 6 5 1 0 -2 -6 4
a) 0 0 0 0 b) 0 0 0 0 c) 0 0 0 0
5 6 0 0 -6 -5 1 6 -4
1 -2 6 2 5 -2
-1 -1 -1
Dem -1 -1 1 2 1 -1 -1 -1 1 1 -2 1 1 -1 -1 -1 1 2 1 -1 -1
Num -1 -2 1 0 -1 2 2 -1 -2 -5 0 5 2 2 -1 -2 -1 0 1 2 2
0 6 0 -6 0 2 6 6 0 -6 -12 2 2 6 0 -6 -4 2
6 0 -12 -6 -1 0 0 0 -6 5 4 0 -8 -6 1
d) 0 0 0 0 e) 0 0 0 0 f) 0 0 0 0
6 6 1 0 6 -5 4 6 -1
0 -2 6 -2 2 -2
-1 -1 -1
Dem -1 -1 1 2 1 -1 -1 -1 -1 1 2 1 -1 -1 -1 -1 1 2 1 -1 -1
Num -1 -2 -3 0 3 2 2 -1 2 0 0 0 -2 2 -1 0 0 0 1 -1 2
4 6 0 -6 -8 2 1 -6 0 6 -2 -2 2 0 0 0 -5 1
2 0 -4 -6 3 5 0 -10 6 0 0 1 -1 0 0
g) 0 0 0 0 h) 0 0 0 0 i) 0 -1 0 0
2 6 -3 5 -6 0 1 0 -1
4 -2 1 2 3 0
-1 -1 -1
Dem -1 -1 1 2 1 -1 -1 -1 1 1 -2 1 1 -1 -1 0 1 0 1 0 -1

Fonte: Resultados da Pesquisa

Novamente, na Tabela 5 acima, so mostrados apenas os coeficientes do
numerador e do denominador para N=7. Por exemplo, a Equao da Tabela 5 (a)
fica, na verdade, escrita como a Equao 3.25 abaixo:


7 6 5 4 3 2 1
2
7
7 6
2
6
6 5
2
5
6 3 5 3
2
3
7 2 6 2 5 2 3 2
2
2
7 1 6 1 2 1
2
1
2
2
6 5
6 10 5
2 2 6 6
2 2 2
) tan(
I I I I I I I
I
I I I
I I I
I I I I I
I I I I I I I I I
I I I I I I I
+ + +

+
+ +
+
+ + +
+ +
= (3.25)
95
TABELA 6

Equaes encontradas resolvendo o Modelo Matemtico 3.19, usando o Mtodo Branch-and-Bound
para N (nmero de imagens) igual a 8


N = 8 Num -1 0 -5 0 0 5 0 2 -1 0 -9 2 -2 9 0 2 -1 2 -6 0 0 6 -2 2
7 0 3 -3 0 -14 0 7 2 5 -5 -2 -14 0 7 -4 0 0 4 -14 -2
-4 0 0 8 0 5 0 -2 2 0 -2 9 -1 0 0 2 4 6
a) 0 0 0 -3 0 b) 0 0 2 -5 -2 c) -1 2 0 0 0
0 0 3 0 0 -2 5 2 -1 0 0 0
-4 0 -5 0 2 -9 -1 -4 -6
7 0 7 0 7 2
-1 -1 -1
Dem -1 0 1 0 0 1 0 -1 -1 0 -1 2 2 -1 0 -1 -1 1 1 -1 -1 1 1 -1
Num -1 0 0 0 0 0 0 2 -1 0 -5 0 0 5 0 2 -1 0 -1 0 0 1 0 2
2 0 -1 1 0 -4 0 7 0 1 -1 0 -14 0 3 0 0 0 0 -6 0
0 1 -1 0 0 0 -2 -2 2 4 0 5 -1 1 -1 2 0 1
d) 1 -2 -1 1 0 e) -2 4 2 -1 0 f) 1 -2 -1 0 0
1 1 -1 0 -2 -2 1 0 1 1 0 0
0 0 0 -2 0 -5 -1 0 -1
2 0 7 0 3 0
-1 -1 -1
Dem -1 0 1 0 0 1 0 -1 -1 0 1 0 0 1 0 -1 -1 0 1 0 0 1 0 -1
Num -1 0 0 2 -2 0 0 2 -1 -2 -6 -2 2 6 2 2 -1 2 -8 -2 2 8 -2 2
2 -2 -2 2 2 -4 0 7 6 6 -6 -6 -14 2 7 2 2 -2 -2 -14 -2
3 0 0 -6 2 0 -5 2 -2 10 -6 6 -4 -6 6 8 -2 8
g) -2 4 0 2 -2 h) 3 -6 -2 -6 2 i) 0 0 6 -2 2
-2 0 -2 2 3 2 6 -2 0 -6 2 -2
3 -2 0 -5 6 -6 -4 2 -8
2 0 7 -2 7 2
-1 -1 -1
Dem -1 0 1 0 0 1 0 -1 -1 -1 1 1 1 1 -1 -1 -1 1 0 0 0 0 1 -1
Num -1 2 -10 2 -2 10 -2 2 -1 -2 -10 -2 2 10 2 2 -1 2 -6 2 -2 6 -2 2
7 2 2 -2 -2 -14 -2 7 6 6 -6 -6 -14 2 7 -6 6 -6 6 -14 -2
-1 -10 10 2 -2 10 3 6 -6 -6 -6 10 -5 6 -6 10 6 6
j) -1 2 10 -2 -2 k) 3 -6 -6 -6 2 l) 3 -6 -6 -6 -2
-1 -10 2 2 3 6 6 -2 3 6 6 2
-1 2 -10 3 6 -10 -5 -6 -6
7 2 7 -2 7 2
-1 -1 -1
Dem -1 1 -1 1 1 -1 1 -1 -1 -1 -1 3 3 -1 -1 -1 -1 1 1 -1 -1 1 1 -1
Num -1 2 -8 2 -2 8 -2 2 -1 -2 -4 2 -2 4 2 2 -1 -2 -4 4 -4 4 2 2
7 -2 2 -2 2 -14 -2 7 2 -2 2 -2 -14 2 7 0 0 0 0 -14 2
0 -6 6 0 2 8 0 -2 2 0 -2 4 0 0 0 0 0 4
m) -4 8 6 -2 -2 n) 0 0 2 2 -2 o) 0 0 0 0 -4
-4 -6 2 2 0 -2 -2 2 0 0 0 4
0 -2 -8 0 2 -4 0 0 -4
7 2 7 -2 7 -2
-1 -1 -1
Dem -1 1 0 0 0 0 1 -1 -1 -1 2 0 0 2 -1 -1 -1 -1 2 0 0 2 -1 -1
Num -1 0 0 1 -1 0 0 2 -1 0 -1 0 0 1 0 2 -1 0 0 0 0 0 0 2
0 1 0 0 -1 0 0 3 0 -1 1 0 -6 0 0 2 0 0 -2 0 0
3 0 0 -6 -1 0 0 0 0 0 0 1 2 0 0 -4 -2 0
p) 0 0 0 0 -1 q) 0 0 0 1 0 r) 1 -2 0 0 0
0 0 0 1 0 0 -1 0 1 0 0 0
3 1 0 0 0 -1 2 2 0
0 0 3 0 0 0
-1 -1 -1
Dem -1 0 0 1 1 0 0 -1 -1 0 1 0 0 1 0 -1 -1 0 0 1 1 0 0 -1
Num -1 0 0 -1 1 0 0 2 -1 0 1 0 0 -1 0 2 -1 4 -6 -6 6 6 -4 2
2 1 -1 1 -1 -4 0 1 0 -2 2 0 -2 0 4 -2 -6 6 2 -8 -4
-1 1 -1 2 -1 0 1 1 -1 -2 0 -1 3 2 -2 -6 2 6
s) 2 -4 -1 1 1 t) 1 -2 -1 2 0 u) 4 -8 -2 6 6
2 1 -1 -1 1 1 -2 0 4 2 -6 -6
-1 1 0 1 0 1 3 -2 -6
2 0 1 0 4 4
-1 -1 -1
Dem -1 0 1 0 0 1 0 -1 -1 0 1 0 0 1 0 -1 -1 2 1 -2 -2 1 2 -1

Fonte: Resultados da pesquisa.

96
De novo, na Tabela 6, so mostrados apenas os coeficientes do numerador e
do denominador para N=8. Por exemplo, a Equao da Tabela 6 (a) fica na verdade
escrita como a Equao 3.26 abaixo:


8 6 3 1
2
8
2
7
8 6
2
6
7 5
7 4
8 3 6 3
2
3
7 2 5 2 4 2
2
2
8 1 6 1 3 1
2
1
7
5 4
3
3
5 8 4
14 3 3 7
2 5 5
) tan(
I I I I
I
I
I I I
I I
I I
I I I I I
I I I I I I I
I I I I I I I
+ +

+

+

+ +
+ +
+ +
= (3.26)

Destaca-se que estas equaes so importantes resultados inditos e
originais obtidos neste estudo, sendo generalizaes do Algoritmo de Carr. Mais
frente, no Captulo V, ser realizada uma anlise de incerteza sobre algumas delas.
Outras equaes do clculo de fase podem ser encontradas no Apndice A.


3.8 Testes das equaes obtidas


Uma vez obtidas as novas equaes do clculo de fase, passa-se
realizao de vrios testes com as mesmas, com o objetivo de verificar se podem
ser usadas e se no apresentam erros ou falhas. Neste estudo, so propostos
quatro testes ou ensaios para avaliar as equaes.
O primeiro teste uma verificao numrica matemtica onde so atribudos
valores aleatrios a I
m
(intensidade luminosa do fundo em cada ponto da imagem), I
a

(intensidade de modulao em cada ponto da imagem), (fase) e (deslocamento
de fase), e ento, utilizada a Equao 3.9 para se calcular os valores de I
k

(intensidade luminosa) onde k=1,2,3,..N e N o nmero de imagens. Uma vez
obtido I
k
, usa-se as novas equaes em teste para se calcular a tan() e comparar
com o valor de escolhido aleatoriamente.
97
No segundo teste, so geradas no computador N imagens de Moir para uma
curva ou funo matemtica de superfcie [Z=f(x,y)]. A forma como as imagens so
geradas detalhada no Captulo IV. Usa-se um programa desenvolvido em
MatLab (da MathWorks, Inc.)
6
, que processa essas imagens aplicando a Tcnica
Moir de Sombra com Deslocamento de Fase. Esse software foi desenvolvido e
testado usando o Algoritmo de Carr para 4 imagens, mas modificado para usar N
imagens e as novas equaes desenvolvidas para retornar as medidas dos objetos.
Essas medidas so ento comparadas com as dimenses conhecidas, e aplicada
uma tolerncia de 20% (verificar apenas a forma do objeto) no erro relativo das
mesmas (assim se a altura de uma curva tem o valor de 10 cm vai-se tolerar um erro
relativo de 20% ou seja, 2 cm; com isso, vai se admitir uma medio com intervalos
entre 8 e 12 cm neste ponto da imagem). A ideia verificar se as novas equaes
funcionam de forma semelhante ao Algoritmo de Carr aplicada Moir de Sombra.
Vale notar que as imagens geradas tm entre 0,3 a 5 megapixis.
No terceiro teste, as imagens geradas no computador so acrescidas de erros
aleatrios e rudos que, normalmente so encontrados em fotografias reais de Moir.
Como so geradas estas imagens com erros so detalhados no Captulo IV desta
tese, e podem ser encontrados em GONZALEZ (2004). O mesmo programa
computacional usado no segundo teste usado no terceiro, e a mesma tolerncia de
20% nos erros relativos das medidas.
No quarto teste, usado o mesmo processo do segundo e terceiro testes, s
que, nele, as imagens so fotografias reais usando a Tcnica Moir de Sombra com
Deslocamento de Fase. Essas fotografias foram tiradas no Laboratrio de Anlise
Estrutural da PUC-Minas, usando-se a montagem descrita no Captulo V.
A ideia desse testes no fazer um estudo mtrico das novas equaes
desenvolvidas, mas apenas verificar a validade, funcionalidade e performance
dessas novas equaes do clculo de fase. Uma anlise de forma metrolgica
realizada no Captulo V com as melhores equaes que foram selecionadas nestes
testes iniciais.


6
http://www.matlab.com
98
3.8.1 Teste numrico matemtico das equaes obtidas


Como as novas equaes obtidas foram desenvolvidas por meio de mtodos
numricos de clculo, e no de demonstraes analticas de relaes
trigonomtricas, necessrio verific-las. Acredita-se que um grande nmero de
testes numricos pode verificar ou comprovar essas novas equaes ou, pelo
menos, tornar mnimas ou remotas a chance delas estarem erradas ou serem falsas.
O objetivo aqui verificar se as novas equaes calculam realmente a tangente da
fase [tan()].
Para isso, so atribudos valores reais aleatrios a I
m
(intensidade luminosa
do fundo em cada ponto da imagem), que variam de 0 a 128, sendo tambm
atribudos valores reais e aleatrios a I
a
(intensidade de modulao em cada ponto
da imagem), que variam de 0 a 127. Assim, como o cosseno varia de -1 at 1, os
valores da intensidade luminosa I
k
ficaro entre 0 e 255, que o intervalo de valores
dos pixis obtidos em fotografias monocromticas digitais de Moir. interessante
notar que, nas imagens digitais, os valores so inteiros, e aqui, para ampliar mais os
testes, estes so realizados como reais. So tambm atribudos valores reais
aleatrios a (fase), que variam de - a , faixa comum usada nos principais
algoritmos de desempacotamento (unwrapped). E so atribudos valores reais e
aleatrios a (deslocamento de fase), que variam de -20 a 20, faixa bem ampla
de valores possveis de deslocamento de fase.
Usa-se, ento, a Equao 3.27, que uma reescrita sem (x, y) de cada ponto
da imagem da Equao 3.9, para se calcular os valores de I
k
(intensidade luminosa
da imagem) com k variando de 1 at N.

N k com
N k
I I I
a m k
.. 1
2
1 2
cos =
(

\
|
+ + = (3.27)

Aplicam-se, ento, as novas equaes com os valores de I
k,
e obtm-se a
tan(), que deve ser comparado com o valor da fase atribudo aleatoriamente ().
Essa comparao se d por meio de uma preciso numrica bem pequena, em
razo de erros numricos de arredondamento que podem ocorrer nos clculos, diga-
99
se preciso numrica () de 0,000001 ou 10
-6
(10
-6
). Logo, testa-se | - |10
-6
.
Informaes sobre preciso numrica e propagao numrica de erros de
arredondamento, podem ser obtidas em CLUDIO (2000).
Um cuidado especial deve ser tomado, pois como as equaes contm uma
raiz quadrada, calculado o valor absoluto da soma no numerador e denominador;
logo, a tan() ser positiva, e o valor de estar entre 0 e /2. Observando a Figura
11, v-se uma simetria e anti-simetria no grfico da tangente de um arco em
radianos. Assim como o valor de est entre - e , e o valor de est entre 0 e
/2, na verdade, quatro testes devem ser realizados, ou seja, comparado com ,
-, - e -+, bastando que um deles esteja correto, portanto, se | - |10
-6
ou | -
(-)|10
-6
ou | - (-)|10
-6
ou | - (-+)|10
-6,
para que a equao seja verificada e
considerada correta.



Figura 11 Grfico da tangente de um arco em radianos.

Vai-se mostrar este processo usando um exemplo: suponha que se deseje
testar a Equao (d) da Tabela 4 para N = 6, escrita abaixo:

6 4 3 1
2
6
2
5
6 4 5 4
6 3 5 3
5 2 4 2 3 2
2
2
6 1 4 1 3 1
2
1
3
6 3
2
) tan(
I I I I
I
I
I I I I
I I I I
I I I I I I I
I I I I I I I
+ +

+
+
+
+ +
+ +
= (3.28)

100
Escolhe-se aleatoriamente I
m
=3,5; I
a
=2,4; =1,2 e =0,3, calcula-se ento I
1
,
I
2
, I
3
, I
4
, I
5
e I
6
usando a Equao 3.27, e tem-se ento:

= =
(

+ + =
(

+ + =
= =
(

+ + =
(

+ + =
= =
(

+ + =
(

+ + =
= =
(

+ =
(

+ =
= =
(

+ =
(

+ =
= =
(

+ =
(

+ =
6 611566 , 2 3 , 0
2
5
2 , 1 cos 4 , 2 5 , 3
2
5
cos
5 310110 , 3 3 , 0
2
3
2 , 1 cos 4 , 2 5 , 3
2
3
cos
4 025616 , 4 3 , 0
2
1
2 , 1 cos 4 , 2 5 , 3
2
1
cos
3 694171 , 4 3 , 0
2
1
2 , 1 cos 4 , 2 5 , 3
2
1
cos
2 256053 , 5 3 , 0
2
3
2 , 1 cos 4 , 2 5 , 3
2
3
cos
1 661073 , 5 3 , 0
2
5
2 , 1 cos 4 , 2 5 , 3
2
5
cos
6
5
4
3
2
1
k se I I I
k se I I I
k se I I I
k se I I I
k se I I I
k se I I I
a m
a m
a m
a m
a m
a m






(3.29)

Monta-se ento uma tabela com o produto das imagens, a Tabela 7:


TABELA 7
Produto das Imagens I
1
, I
2
, I
3
, I
4
, I
5
e I
6
I1 I2 I3 I4 I5 I6
5,661073 5,256053 4,694171 4,025616 3,310110 2,611566
I1 5,661073 32,047748 29,754902 26,574042 22,789307 18,738774 14,784266
I2 5,256053 27,626096 24,672810 21,158852 17,398114 13,726530
I3 4,694171 22,035237 18,896928 15,538220 12,259136
I4 4,025616 16,205585 13,325231 10,513162
I5 3,310110 10,956827 8,644570
I6 2,611566 6,820277
Produto

Fonte: Clculos da pesquisa.

Substituindo na Equao 3.28, tem-se:

611566 , 2 025616 , 4 694171 , 4 661073 , 5
820277 , 6
95683 , 10 3
51316 , 10 32523 , 13
25914 , 12 53822 , 15
39811 , 17 6 15885 , 21 67281 , 24 6261 , 27 3
78427 , 14 2 78931 , 22 57404 , 26 04775 , 32
) tan(
6
+ +

+
+
+
+ +
+ +
=
(3.30)

101
Efetuando a soma no numerador e no denominador, chega-se em:

572152 , 2
447148 , 0
322802 , 1
) tan( = = (3,31)

Calculando o arcotangente de 2,572152, obtm-se que =1,2 igual ao
atribudo aleatoriamente. Esse procedimento deve ser ento realizado milhares ou
milhes de vezes para verificar as novas equaes.
Em outro exemplo, mostra-se esse processo de teste para valores inteiros.
Suponha que se deseje testar a Equao (e) da Tabela 5 para N = 7, escrita abaixo:

7 6 5 4 3 2 1
2
7
7 6
2
6
7 5 6 5
7 3 6 3
7 2 6 2 5 2 3 2
2
2
7 1 6 1 5 1 3 1 2 1
2
1
2
2 6
5 6
5 6
2 12 6 6 6
2 2 5 5 2
) tan(
I I I I I I I
I
I I I
I I I I
I I I I
I I I I I I I I I
I I I I I I I I I I I
+ + +

+
+
+
+ + +
+ + +
= (3.32)

Escolhe-se aleatoriamente I
m
=6; I
a
=4; = e =/2, calcula-se ento I
1
, I
2
, I
3
,
I
4
, I
5
, I
6
e I
7
usando a Equao 3.27, e tem-se:

[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]

= = + + = + + =
= = + + = + + =
= = + + = + + =
= = + = + =
= = + = + =
= = + = + =
= = + = + =
7 6 ] 2 / 3 cos[ 4 6 3 cos
6 10 ] 2 / 2 cos[ 4 6 2 cos
5 6 ] 2 / cos[ 4 6 cos
4 2 ] cos[ 4 6 cos
3 6 ] 2 / cos[ 4 6 cos
2 10 ] 2 / 2 cos[ 4 6 2 cos
1 6 ] 2 / 3 cos[ 4 6 3 cos
7
6
5
4
3
2
1
k se I I I
k se I I I
k se I I I
k se I I I
k se I I I
k se I I I
k se I I I
a m
a m
a m
a m
a m
a m
a m







(3.33)

Substituindo na Equao 3.32, tem-se:

102
6 10 6 2 2 6 10 6
6
6 10 2 10 6
6 6 5 10 6 6
6 6 5 10 6 6
6 10 2 10 10 12 6 10 6 6 10 6 10 6
6 6 2 10 6 2 6 6 5 6 6 5 10 6 2 6
) tan(
2
2
2
2
+ + +

+
+
+
+ + +
+ + +
= (3.34)

Efetuando a soma no numerador e no denominador, chega-se em:

0
16
0
) tan( =

= (3.35)

Calculando o arcotangente de 0, obtm-se que =0, mas = que foi atribudo
aleatoriamente. Portanto deve ser comparado com -+. Esse procedimento deve
ser ento realizado milhares ou milhes de vezes para verificar as novas equaes.
Acredita-se que o teste anterior realizado com valores reais seja mais geral e
abrangente e, portanto, ser usado no restante da pesquisa.
Um algoritmo para teste das novas equaes mostrado na Figura 12, onde
se entra com N (Nmero de Imagens), NUM[r,s] (matriz de coeficientes do
numerador), DEM[r] (vetor de coeficientes do denominador), o NTESTE (nmero de
testes) e a preciso numrica (por exemplo 10
-6
). Na sada, tem-se o nmero de
acertos e o nmero de erros. A funo aleatria retorna um valor randmico real
entre 0 e 1.

103

Figura 12 Algoritmo para teste numrico-matemtico das novas equaes do clculo de fase.
A funo Aleatorio() retorna um nmero real randmico (aleatrio) entre 0 (zero) e
1 (um), diferente a cada chamada da funo.
Fonte: Resultados da pesquisa.

Nota-se que todas as equaes apresentadas nesta pesquisa passaram pelo
teste numrico matemtico acima descrito. Para isso, foi criado um programa em
Delphi 6.0/Pascal da Borland Software Corporation
7
, onde cada equao foi
testada pelo menos um milho de vezes, e apresentou acerto em 99,9% dos testes.
Alguns erros ocorrem em razo do valor do numerador e do denominador serem
muito pequenos, gerando uma propagao do erro de arredondamento muito
grande, maior que a preciso numrica definida. Com esta enorme quantidade de
testes e a preciso numrica bem pequena, torna-se improvvel, estatisticamente,
que as equaes estejam erradas.


7
http://www.borland.com
Algoritmo
|Entre com N
|Entre com NUM[r,s] e DEM[r]
|Entre com NTESTE e PRECISAO
|CONTADOR = 0
|ACERTOS = 0
|ERROS = 0
|Pi = 3.1415926535897932
|Repita
||CONTADOR = CONTADOR + 1
||NUMERADOR = 0
||DENOMUNADOR = 0
||Im = 128 * Aleatorio()
||Ia = 127 * Aleatorio()
||Phi' = 2 * Pi * (Aleatorio() - 0,5)
||Delta = 2 * Pi * 5 (Aleatorio() - 0,5)
||Varie r de 1 at N
|| | DENOMINADOR=DENOMINADOR+DEM[r]* {Im + Ia * cos(Phi' +(2*r-N-1)/2 * Delta)}
|| | Varie s de r at N
|| | | NUMERADOR=NUMERADOR+NUM[r,s]*{Im + Ia * cos(Phi' +(2*r-N-1)/2 * Delta)}
|| | | *{Im + Ia * cos(Phi' +(2*s-N-1)/2 * Delta)}
|| | Fim Varie
||Fim Varie
||Se DENOMINADOR = 0
||| Ento Phi = Pi / 2
||| Seno Phi = Arctan( Sqrt(Abs(NUMERADOR)) / Abs(DENOMINADOR) )
||Fim Se
||Se Abs(Phi' - Phi) < PRECISAO ou
||| Abs(Phi' - (-Phi)) < PRECISAO ou
||| Abs(Phi' - (Phi-Pi)) < PRECISAO ou
||| Abs(Phi' - (-Phi+Pi)) < PRECISAO
||| Ento ACERTO = ACERTO + 1
||| Seno ERRO = ERRO + 1
||Fim Se
|At CONTADOR = NTESTE
Fim algoritmo
104
3.8.2 Testes de Moir das equaes obtidas


Os demais testes so realizados usando uma rotina em MatLab (da
MathWorks, Inc.
8
, que implementa a Tcnica Moir de Sombra, descrita no Captulo
II, com o Algoritmo de Carr. A diferena que se usa N imagens (N 4), e para o
clculo da fase utiliza-se as novas equaes deduzidas. Aplica-se, ainda, uma
tolerncia de 20% no erro dos valores medidos. Ou seja, dada a medida conhecida
em um dado pixel da imagem, vai-se aceitar um erro relativo de 20% desse valor;
assim, se a altura medida de um objeto de 10 cm, tolera-se um erro de 2 cm no
algoritmo da Tcnica de Moir. A ideia verificar se a equao funciona para Moir
de Sombra.
Trs tipos de imagens so testados. As primeiras so imagens geradas pelo
computador sem rudo de Franjas de Moir. Nota-se que, como os valores da
intensidade da imagem so inteiros de 0 a 255, aplicando as equaes
desenvolvidas, pode acontecer que, para alguns pixis, o valor do denominador seja
zero. Neste caso, a medida realizada por interpolao dos pontos vizinhos. Esse
fenmeno acontece, tambm, na equao original de Carr e de Novak.
Todas as equaes do clculo de fase mostradas na pesquisa com N 16
foram verificadas por esse processo. Cita-se, ainda, que no incio so geradas
apenas quatro imagens, sendo aplicada a equao original de Carr (3.12); em
seguida, gerada mais uma imagem defasada, sendo aplicada a equao original
de Novak (3.14). Para N = 6 gerada mais uma imagem defasada, sendo que o
processo continua para cada valor de N (nmero de imagens ou frames).
No teste seguinte, usam-se imagens geradas por Computao Grfica, s
que, neste caso, elas contm pequenas quantidades de erros aleatrios e rudos. A
ideia tentar simular uma fotografia real de Franjas de Moir. So adicionados e
subtrados pequenos valores aleatoriamente nos pixis das imagens. O objetivo
testar a estabilidade e sensibilidade das equaes do clculo de fase a esses erros.
O ltimo teste seria o de aplicar as novas equaes em casos reais de
fotografias tiradas no Laboratrio de Anlise Estrutura da PUC-Minas ou em sites da
Internet. Destaca-se que este teste foi realizado para equao com N 16, em razo

8
http://www.matlab.com
105
do trabalho de se obter as fotografias reais, e a dificuldade prtica apresentada, na
montagem, em se manter o deslocamento de fase () constante.


3.9 Simetria nas equaes do clculo de fase


No Modelo Matemtico 3.19 de Programao Inteira No-linear, observa-se
que para N (nmero de imagens) tem N*(N+1)/2 variveis que so os coeficientes no
numerador (n
r,s
), e mais N variveis que so os coeficientes no denominador (d
r
).
Acontece que medida que se aumenta N, o nmero de variveis vai aumentando
na ordem ao quadrado O(N
2
) com N + N*(N+1)/2 variveis [ou (N
2
+3N)/2 variveis].
Para complicar, o Mtodo Branch-and-Bound da ordem ao cubo do nmero de
variveis, o que resulta em busca de soluo da ordem sexta de N, ou seja, a busca
de novas equaes do clculo de fase de O(N
6
). Quer dizer, se N dobra, de se
esperar que o tempo de processamento computacional aumente 2
6
=64 vezes.
ZIVIANI (2004) uma tima referncia para estudo da avaliao do
desempenho de algoritmos. Nota-se, ainda, que o nmero de restries () do
Modelo Matemtico 3.19 varia na ordem de O(N
2
), e que o espao de busca dos
coeficientes tambm dependem de N e varia de -2N at 2N(intervalo mximo
observado em todas as equaes de clculo).
O certo que, com o aumento de N, torna-se computacionalmente mais
trabalhoso, obter novas equaes do clculo de fase. Isso mostrado no grfico da
Figura 13, onde se tem o tempo gasto em minutos, para se obter uma equao
versus o nmero de imagens (N).

106
0,0
200,0
400,0
600,0
800,0
1000,0
1200,0
1400,0
1600,0
1800,0
2000,0
6 7 8 9 10 11 12
M
i
n
u
t
o
s
Nmero de Imagens
Tempo de Processamento Gasto em Minutos
(min)

Figura 13 Tempo gasto na execuo do Mtodo Branch-and-Bound, para se obter uma
equao do clculo de fase usando o Modelo Matemtico 3.19, com microcomputador
Pentium CPU Intel Core2 Quad Q6600 2.4GHz com 2GB Memria. Executando o
programa em Delphi/Pascal que implementa o mtodo de Otimizao.
Fonte: Resultados da pesquisa.

Destaca-se que o software comercial LINGO

11.0 (2008) da LINDO Systems


Inc.
9
, utilizado pelo Departamento de Matemtica e Estatstica da PUC-Minas, era
limitado a 150 variveis inteiras e no lineares. O que permitiu obter equaes com
N 15.
Para resolver essa questo de tempo de processamento e nmero de
variveis, usa-se uma observao importante: na maioria das equaes obtidas
havia simetrias na matriz de coeficientes do numerador (n
r,s
) e do denominador (d
r
).
Por exemplo, para N=6, pode-se observar a Equao (h) da Tabela 4, ou a
Equao 3.36, para notar as simetrias:

6 5 4 3 2 1
2
6
6 5
2
5
6 4 5 4
2
4
6 3 5 3 4 3
2
3
6 2 5 2 4 2 3 2
2
2
6 1 4 1 4 1 3 1 2 1
2
1
2 2
2 6
3 5
3 5 2
2 12 5 5 6
2 2 3 3 2
) tan(
I I I I I I
I
I I I
I I I I I
I I I I I I I
I I I I I I I I I
I I I I I I I I I I I
+ +

+
+ +
+ +
+ + +
+ + +
= (3.36)

Para melhor visualizao, vo-se traar as linhas da diagonal principal, da
diagonal secundria, do eixo vertical central e do eixo horizontal central no

9
http://www.lindo.com
107
numerador, e uma linha do eixo vertical central no denominador, como mostrado em
3.37:

(3.37)

Pode-se notar, inicialmente, que a diagonal secundria igual diagonal
principal multiplicada por menos dois na metade superior dos coeficientes do
numerador, como mostrado em 3.38:

4 3 3 , 3
2
3 3 , 3
5 2 2 , 2
2
2 2 , 2
6 1 1 , 1
2
1 1 , 1
2
2
2
) tan(
I I n I n
I I n I n
I I n I n
+
+

=
(3.38)

Pode-se notar uma anti-simetria na metade superior da matriz de coeficientes
do numerador em relao ao eixo vertical central, como mostrado em 3.39:

4 2 23 3 2 23
5 1 12 4 1 13 3 1 13 2 1 12
) tan(
I I num I I num
I I num I I num I I num I I num
+
+ +
=
(3.39)

Pode-se, tambm, notar uma simetria em relao diagonal secundria nos
coeficientes do numerador, como mostrado em 3.40:
108
2
6 1 , 1
6 5 2 , 1
2
5 2 , 2
6 4 3 , 1 5 4 3 , 2
2
4 3 , 3
6 3 3 , 1 5 3 3 , 2
2
3 3 , 3
6 2 2 , 1 4 2 3 , 2 3 2 3 , 2
2
2 2 , 2
5 1 2 , 1 4 1 3 , 1 3 1 3 , 1 2 1 2 , 1
2
1 1 , 1
) tan(
I n
I I n I n
I I n I I n I n
I I n I I n I n
I I n I I n I I n I n
I I n I I n I I n I I n I n
+
+ +
+ + +
+
+ +
+ +
=
(3.40)

Tem-se, ainda, uma simetria nos coeficientes do denominador em relao ao
eixo vertical central, como mostrado em 3.41:

6 1 5 2 4 3 3 3 2 2 1 1
) tan(
I d I d I d I d I d I d + + + + +
=
(3.41)

Assim, tm-se, ao todo, as simetrias e anti-simetrias mostradas em 3.42:

6 1 5 2 4 3 3 3 2 2 1 1
2
6 1 , 1
6 5 2 , 1
2
5 2 , 2
6 4 3 , 1 5 4 3 , 2
2
4 3 , 3
6 3 3 , 1 5 3 3 , 2 4 3 3 , 3
2
3 3 , 3
6 2 2 , 1 5 2 2 , 2 4 2 3 , 2 3 2 3 , 2
2
2 2 , 2
6 1 1 , 1 5 1 2 , 1 4 1 3 , 1 3 1 3 , 1 2 1 2 , 1
2
1 1 , 1
2
2
2
) tan(
I d I d I d I d I d I d
I n
I I n I n
I I n I I n I n
I I n I I n I I n I n
I I n I I n I I n I I n I n
I I n I I n I I n I I n I I n I n
+ + + + +
+
+ +
+ + +
+
+ +
+ +
=
(3.42)

Ou seja, as seguintes igualdades podem ser observadas:

109
) 2 , ( _ Re ) 2 , ( _
1 .. ; .. 1 ,
1 .. ; .. 1 ,
1 1 .. ; ... 1 ,
1 .. 1 , 2
1 .. 1 ,
geral mais maneira uma de ou
; ;
; ; ;
; ; ;
; ; ;
; ; ;
; 2 ; 2 ; 2
, 1 ,
, 1 ,
, 1 , 1
, 1 ,
1
1 6 2 5 3 4
1 , 1 6 , 6 2 , 1 6 , 5 2 , 2 5 , 5
3 , 1 6 , 4 3 , 2 5 , 4 3 , 3 4 , 4
3 , 1 6 , 3 3 , 2 5 , 3 3 , 1 6 , 2
3 , 2 4 , 2 2 , 1 5 , 1 3 , 1 4 , 1
3 , 3 4 , 3 2 , 2 5 , 2 1 , 1 6 , 1
N Diviso sto N Inteiro Quociente M
r N s and r s and M r s M r n n
s N s and r s and M r s M r n n
r N s and s N r and M r s M r n n
r N r and M r n n
r N r and M r d d
d d d d d d
n n n n n n
n n n n n n
n n n n n n
n n n n n n
n n n n n n
s r r N s
s r s N r
s r r N s N
r r r N r
r N r
+ =

+ > = = =
+ > = = =
+ + = = =
+ = =
+ = =

= = =
= = =
= = =
= = =
= = =
= = =
+
+
+ +
+
+
(3.43)

Ilustrando esquematicamente, como se tivesse as figuras abaixo nas
equaes: no numerador, tm-se quatro tringulos retngulos issceles, dois
positivos e dois negativos de coeficientes iguais; no denominador, os coeficientes
so simtricos como um espelho (Figura 14).




Figura 14: Simetrias no numerador e no denominador dos coeficientes.
Fonte: Resultados da pesquisa.

Simetrias semelhantes podem ser observadas para os valores mpares de N,
como em N igual a 7, e ilustrado em 3.44:

110
7 1 6 2 5 3 4 4 3 3 2 2 1 1
2
7 1 , 1
7 6 2 , 1
2
6 2 , 2
7 5 3 , 1 6 5 3 , 2
2
5 3 , 3
7 4 4 , 1 6 4 4 , 2 5 4 4 , 3
2
4 4 , 4
7 3 3 , 1 6 3 3 , 2 5 3 3 , 3 4 3 4 , 3
2
3 3 , 3
7 2 2 , 1 6 2 2 , 2 5 2 3 , 2 4 2 4 , 2 3 2 3 , 2
2
2 2 , 2
7 1 1 , 1 6 1 2 , 1 5 1 3 , 1 4 1 4 , 1 3 1 3 , 1 2 1 2 , 1
2
1 1 , 1
2
2
2
) tan(
I d I d I d I d I d I d I d
I n
I I n I n
I I n I I n I n
I I n I I n I I n I n
I I n I I n I I n I I n I n
I I n I I n I I n I I n I I n I n
I I n I I n I I n I I n I I n I I n I n
+ + + + + +
+
+ +
+ + +
+ + + +
+ +
+ + +
+ + +
=
(3.44)
Para todos os valores de nmeros de imagens (N) obtiveram-se equaes
com as simetrias descritas acima. Para essas equaes com simetrias nos
coeficientes do numerador e do denominador, bastar saber o primeiro um quarto da
matriz de coeficientes do numerador e a primeira metade do vetor do denominador,
para se poder calcular o resto do numerador e do denominador.
Um algoritmo foi desenvolvido para que, dado o primeiro um quarto da matriz
de coeficientes do numerador e a primeira metade do vetor de coeficientes do
denominador, se possa obter todo o numerador e o denominador, como mostrado na
Figura 15.

Figura 15 Algoritmo que completa as matrizes de coeficientes do numerador e do denominador,
usando simetrias, dado o primeiro um quarto da matriz de coeficientes do numerador
e a primeira metade do vetor de coeficientes do denominador.
Fonte: Resultados da pesquisa.
Algoritmo Simetria
|Entre com N
|
|Metade = Quociente_Inteiro(N,2) + Resto_Diviso(N,2) //(N DIV 2) + (N MOD 2)
|
|Varie r de 1 at Metade
| | Varie s de r at Metade
| | | Entre com NUM[r,s]
| | Fim Varie
|Fim Varie
|Varie r de 1 at Metade
| | Entre com DEM[r]
|Fim Varie
|
|Varie r de 1 at Metade
| | Se (N + 1 - r) > r
| | | Ento DEM[N + 1 - r] = DEM[r] //Preenche segunda metade do denominador
| | | NUM[r, N + 1 - r] := -2 * NUM[r, r] //Diagonal secundria do numerador
| | Fim Se
| | Varie s de r at Metade
| | | Se (s > r) e ((N + 1 - s) > s)
| | | | Ento NUM[r, N + 1 - s] := -NUM[r, s] //Triangulo superior direito
| | | Fim Se //ou triangulo acima da diagonal secundria
| | | Se (s > r) e ((N + 1 - r) > s)
| | | | Ento NUM[s, N + 1 - r] := -NUM[r, s]
| | | Fim Se //Triangulo abaixo da diagonal secundria
| | | Se ((N + 1 - s) > r) e ((N + 1 - r) > s)
| | | | Ento NUM[N + 1 - s, N + 1 - r] := NUM[r, s] //ltimo triangulo inferior
| | | Fim Se
| | Fim Varie
|Fim Varie
Fim algoritmo
111

Assim, podem-se representar os coeficientes do numerador e do
denominador, usando apenas o primeiro um quarto da matriz de coeficientes do
numerador e a primeira metade do vetor de coeficientes do denominador. Se a
equao segue a simetria descrita acima:
ento, para N = 6, usando simetria, basta representar:

[ ]
3 2 1
2
1
3 , 3
3 , 2 2 , 2
3 , 1 2 , 1 1 , 1
4
1
6 d d d Dem
n
n n
n n n
Num N =
(
(
(

= = (3.45)

Ento, para N = 7, usando simetria, basta representar:

[ ]

=
(
(
(
(

=
=
4 3 2 1
2
1
4 , 4
4 , 3 3 , 3
4 , 2 3 , 2 2 , 2
4 , 1 3 , 1 2 , 1 1 , 1
4
1
7
d d d d Dem
n
n n
n n n
n n n n
Num
N (3.46)

Assim, a Equao (g) da Tabela 4 ou a Equao 3.47 mostrada abaixo:

6 5 4 3 2 1
2
6
6 5
2
5
6 4 5 4
2
4
6 3 5 3 4 3
2
3
6 2 5 2 4 2 3 2
2
2
6 1 4 1 4 1 3 1 2 1
2
1
2 2
4 5
11 9 2
11 9 4 2
4 10 9 9 5
2 4 11 11 4
) tan(
I I I I I I
I
I I I
I I I I I
I I I I I I I
I I I I I I I I I
I I I I I I I I I I I
+ +

+ +
+
+ + +
+ +
+ + +
= (3.47)

poderia ser representada, usando simetria por 3.48:

[ ] 1 2 1
2
9 5
11 4 1
2
1
4
1
=
(
(
(


= Dem Num (3.48)
112

Assim, tambm a Equao (c) da Tabela 5 ou a Equao 3.49, mostrada
abaixo:

7 6 5 4 3 2 1
2
7
7 6
2
6
7 5 6 5
2
5
7 3 6 3 5 3
2
3
7 2 6 2 5 2 3 2
2
2
7 1 6 1 5 1 3 1 2 1
2
1
2
2 5
4 6
4 6 2
2 10 6 6 5
2 2 4 4 2
) tan(
I I I I I I I
I
I I I
I I I I I
I I I I I I I
I I I I I I I I I
I I I I I I I I I I I
+ + +

+
+ +
+ +
+ + +
+ + +
= (3.49)

poderia ser representada usando simetria por 3.50:

[ ] 2 1 1 1
0
0 1
0 6 5
0 4 2 1
2
1
4
1
=
(
(
(
(


= Dem Num (3.50)

A vantagem do uso de simetrias que o nmero de variveis para solucionar
o Modelo Matemtico 3.9 reduz praticamente a quarta parte da quantidade original
de variveis. Isso acelera tremendamente a soluo, usando Branch-and-Bound.
Suponha que DIV(N,2) seja o resultado da diviso inteira de N por 2, e
MOD(N,2) o resto da diviso inteira de N por 2. Define-se M como a soma de
DIV(N,2)+MOD(N,2). No problema original, a matriz de coeficientes do numerador e
o vetor do denominador so da ordem N, e para o problema com simetria da
ordem de M = [DIV(N,2)+MOD(N,2)]. Enquanto para o problema original o nmero
de variveis [N + N*(N+1)/2], para o problema com simetria a quantidade de
variveis cai para [M + M*(M+1)/2].
Assim, o Modelo Matemtico 3.19 pode ser alterado adicionando as restries
de simetria, resultando no Modelo 3.51. Nota-se que, para restringir ainda mais o
universo de busca, limitaram-se os valores do primeiro um quarto dos coeficientes
113
do numerador e a primeira metade dos coeficientes do denominador entre -4 e 4,
tornando a obteno das equaes do clculo de fase mais rpidas.
( )

=
(

\
|
+ + =

> +
> +
= = =
> + + = = =
> + + = = =
> + = =
> + = =
=
= =
=
= =
= +
= +
(

+
+
= = |

\
|
=
+ =
+
+ +
+
+
+
+
=
=
= = =
= = =



real e leatrio ] 20 ; 20 [
real e leatrio ] ; [
real e leatrio ] 127 ; 0 [
real e leatrio ] 128 ; 0 [
.. 1 ,
2
1 2
) , ( cos ) , ( ) , ( ) , (

: cada para onde
1
1
, .. , .. 1 , n
inferior lo triangu ltimo o para Restries
) 1 ( , .. 1 , .. 1 ,
secundria diagonal da abaixo lo triangu o para Restries
) 1 ( , .. 1 , .. 1 ,
) secundria diagonal da (acima direito superior Triangulo
) 1 ( , .. 1 ,
numerador do secundria diagonal a para Restries
) 1 ( , .. 1 , d
r denominado do metade segunda a para Restries
) 8
.. 1 inteiros, so
.. 1 inteiros, so
.. 1 , 4 4
.. , .. 1 , 4 4
imagens as das incluir to , .. 1 , 1
imagens as das incluir to , .. 1 , 1
2
1
.. 1 , ) ( tan
is varave de nmero | Dem | |)/ Num Sqrt(| ) tan(
) 7
) 6
) 5
) 4
) 3
) 2
) 1

) 2 , ( _ Re ) 2 , ( _
, r - 1 N s, - 1 N
, 1 ,
, 1 ,
, 1 ,
r - 1 N
,
,
,
1
,
2
1
2
1 1
,
a
a
a I
a I
N k
N k
y x y x I y x I y x I
v
s r N
e
r s N
com M r s M r n
s r N com M r s M r n n
s s N com M r s M r n n
r r N com M r n n
r r N com M r d
Simetrias
N r d
N r ..N,s r n
M r d
M r s M r n
N r d n
N r d n
M
M M
v I I n I d
a sujeito
N Diviso sto N Inteiro Quociente M
d n Mnimizar
v
v
v
a
v
m
v v v v v
k
s r
s r r N s
s r s N r
r r r N r
r
r
rs
r
s r
r
N
r s
r s
r
N
r s
s r
N
r
N
r s
v
s
v
r s r
N
r
v
r r
v
N
r
N
r
r
N
r s
s r
a m


(3.51)

Usando o programa que implementa o Mtodo Branch-and-Bound, e
reduzindo o nmero de variveis com a insero de simetrias nas matrizes de
114
coeficientes do numerador e do denominador, pode-se, ento, encontrar novas
equaes para nmero de imagens (N) maiores, como mostrado no Apndice B.


3.10 Matrizes esparsas nas equaes do clculo de fase


Em muitas das equaes do clculo de fase desenvolvidas no item anterior,
nota-se que a maior parte dos coeficientes do numerador e do denominador zero.
E ainda mais no caso do primeiro um quarto dos coeficientes do numerador, os
termos diferentes de zero esto na diagonal principal e nas trs diagonais mais
prximas desta; assim, s os quatro primeiros coeficientes de cada linha so
diferentes de zero. Na primeira metade dos coeficientes do denominador, apenas os
quatro primeiros e o ltimo termo so diferentes de zero. Matrizes onde a maior
parte dos termos zero so normalmente chamadas de matrizes esparsas.
Pode-se, ento, no Modelo Matemtico 3.51 acrescentar a restrio de
esparsividade 3.52, transformando-o no Modelo Matemtico 3.53 com simetria e
esparsividade. Onde M a parte inteira da diviso do nmero de imagens (N) por
dois mais o resto da diviso do nmero de imagens (N) por dois [ M = DIV(N, 2) +
MOD(N, 2)].

+ > + = = =
= =
3 s , .. 4 , 5 .. 1 , 0
1 .. 5 , 0

4
1
,
2
1
r com M r s M r n
M r d
ade Esparsivid
s r
r
(3.52)

Observa-se que tanto as restries de simetrias quanto as restries de
esparsividade so equaes de igualdade lineares que vo diminuir o nmero de
incgnitas do Modelo Matemtico 3.9 e, com isso, tornar a sua soluo mais rpida e
fcil. Restries lineares so facilmente tratadas pelo Mtodo Branch-and-Bound,
que normalmente incorpora o Mtodo Simplex de Programao Linear. O problema
delas que agora se est encontrando equaes menos gerais e com condies
que no so naturais do problema original do clculo de fase.

115

=
(

\
|
+ + =

+ > + = = =
= =

> +
> +
= = =
> + + = = =
> + + = = =
> + = =
> + = =
=
= =
=
= =
= +
= +
= = |

\
|
=
+ =
+
+ +
+
+
+
+
=
=
= = =
= = =



real e leatrio ] 20 ; 20 [
real e leatrio ] ; [
real e leatrio ] 127 ; 0 [
real e leatrio ] 128 ; 0 [
.. 1 ,
2
1 2
) , ( cos ) , ( ) , ( ) , (

: cada para onde
3 s , .. 4 , 5 .. 1 , 0
1 .. 5 , 0
) 9
1
1
, .. , .. 1 , n
inferior lo triangu ltimo o para Restries
) 1 ( , .. 1 , .. 1 ,
secundria diagonal da abaixo lo triangu o para Restries
) 1 ( , .. 1 , .. 1 ,
) secundria diagonal da (acima direito superior Triangulo
) 1 ( , .. 1 ,
numerador do secundria diagonal a para Restries
) 1 ( , .. 1 , d
r denominado do metade segunda a para Restries
) 8
.. 1 inteiros, so
.. 1 inteiros, so
.. 1 , 4 4
.. , .. 1 , 4 4
imagens as das incluir to , .. 1 , 1
imagens as das incluir to , .. 1 , 1
) 2 4 ..( 1 , ) ( tan
is varave de nmero | Dem | |)/ Num Sqrt(| ) tan(
) 7
) 6
) 5
) 4
) 3
) 2
) 1

) 2 , ( _ Re ) 2 , ( _
,
r - 1 N s, - 1 N
, 1 ,
, 1 ,
, 1 ,
r - 1 N
,
,
,
,
1
,
2
1
2
1 1
,
a
a
a I
a I
N k
N k
y x y x I y x I y x I
v
r com M r s M r n
M r d
ade Esparsivid
s r N
e
r s N
com M r s M r n
s r N com M r s M r n n
s s N com M r s M r n n
r r N com M r n n
r r N com M r d
Simetrias
N r d
N r ..N,s r n
M r d
M r s M r n
N r d n
N r d n
M v I I n I d
a sujeito
N Diviso sto N Inteiro Quociente M
d n Mnimizar
v
v
v
a
v
m
v v v v v
k
s r
r
rs
s r r N s
s r s N r
r r r N r
r
r
s r
r
s r
r
N
r s
r s
r
N
r s
s r
N
r
N
r s
v
s
v
r s r
N
r
v
r r
v
N
r
N
r
r
N
r s
s r
a m


(3.53)

116
O primeiro um quarto dos coeficientes do numerador e a primeira metade dos
coeficientes do denominador, usando este conceito de matrizes esparsas, esto
representados como mostrado em 3.54.

[ ]

=
(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
+ =




m
mm
m m m m
m m m m m m
m m m m m m m m
m m m m m m m m
d d d d d Dem
n
n n
n n n
n n n n
n n n n
n n n n
n n n n
n n n n
n n n n
Num
N Diviso sto N Inteiro Quociente m
0 ... 0
0
... ... ... ... ... ...
0 ... 0
0 ... 0 0
0 ... 0 0 0
0 ... 0 0 0 0
) 2 , ( _ Re ) 2 , ( _
4 3 2 1
2
1
, 1 1 , 1
, 2 1 , 2 2 , 2
, 3 1 , 3 2 , 3 3 , 3
1 , 4 2 , 4 3 , 4 4 , 4
7 , 4 6 , 4 5 , 4 4 , 4
6 , 3 5 , 3 4 , 3 3 , 3
5 , 2 4 , 2 3 , 2 2 , 2
4 , 1 3 , 1 2 , 1 1 , 1
4
1
(3.54)

O nmero de variveis para este novo modelo fica 4(M-3)+6+5=4M-
12+11=4M-1, pois como mostrado em 3.54, tem-se M-3 linhas com 4 incgnitas
cada uma, mais 3 incgnitas da linha M-2, mais 2 incgnitas da linha M-1, mais uma
incgnita da ltima linha no numerador e mais 5 incgnitas no denominador. O total
de variveis 4M-1, uma reduo considervel em relao ao modelo anterior.
Novamente, para diminuir o universo de busca, fazem-se os coeficientes do primeiro
um quarto do numerador e os da primeira metade do denominador variarem entre -4
e 4, inclusive.
De novo, usando o programa que implementa o Mtodo Branch-and-Bound, e
reduzindo o nmero de variveis com a insero da restrio de esparsividade nas
matrizes de coeficientes do numerador e do denominador, pode-se, ento, encontrar
novas equaes para nmero de imagens (N) maiores, como mostrado no Apndice
C.
Com as restries de simetria e de espasividade, o nmero de variveis
torna-se bastante reduzido e o Modelo Matemtico 3.53 passa a ser resolvido com
facilidade. Assim, o tempo de processamento para se encontrar uma equao do
clculo de fase fica muito pequeno (cerca de alguns minutos). Com isso, pode-se
usar 3.53 para se obter equaes para grandes valores de nmero de imagens (N).
117
Cita-se, ainda, que se obtm sucesso na alterao do Modelo Matemtico
3.53, se as restries 4 e 5 forem mudadas, para que os coeficientes do primeiro um
quarto do numerador e a primeira metade do denominador sejam restringidos mais
ainda entre -2 e 2, inclusive, para N12. Pode-se, tambm, fazer com que os valores
aleatrios de I
m
, I
a
e no necessitem ser limitados e possam assumir qualquer
valor real de - a +. Outra questo interessante que o valor de , que d o
nmero de equaes com a restrio 1 em 3.53, pode tambm variar. Conseguiu-se
obter novas equaes do clculo de fase simplesmente variando o valor de entre 3
e 10N (dez vezes o nmero de imagens).
O importante que a resoluo no Modelo Matemtico 3.53 gera novas e
eficientes equaes do clculo de fase. Como a maior parte dos coeficientes tanto
do numerador como do denominador so zero, a aplicao destas novas equaes
fica bem rpida e o volume de operaes matemticas reduzido, pois como os
termos so zero no h necessidade de se multiplicar os valores da intensidade
luminosa I
k
por estes coeficientes, uma vez que qualquer nmero multiplicado por
zero dar valor nulo (zero).


3.11 Equaes do clculo de fase para muitas imagens


Observando as equaes deduzidas, tentou-se obter uma regra de formao
para elas ou um algoritmo que fornecesse valores vlidos de coeficientes do
numerador e do denominador para equaes do clculo de fase para grandes
quantidades de imagens (N 16).
Estas regras de formao foram obtidas e as equaes do clculo de fase
geradas pelas regras foram testadas atravs do teste numrico matemtico descrito
no Item 3.8.1. Este foi realizado milhares de vezes (pelo menos 10.000 vezes) para
cada equao do clculo de fase gerada, e apresentou acerto de pelo menos 99,9%
das vezes com uma preciso numrica de 10
-6
. Com isso, acredita-se que tornaram
mnimas ou remotas as chances delas estarem erradas ou serem falsas.
Usando o conceito de simetria e esparsividade das sees anteriores, busca-
se uma regra de formao para os quatro primeiros termos de cada linha de um
118
quarto dos coeficientes do numerador e para os cinco termos que podem ser
diferentes de zero para a metade do denominador.
A primeira coisa a fazer zerar todos os coeficientes do numerador e do
denominador, seguindo o algoritmo mostrado na Figura 16 dado o valor de N
(nmero de imagens). A matriz dos coeficientes do numerador (NUM) uma matriz
quadrada triangular superior de ordem N e o vetor dos coeficientes do denominador
(DEM) tem N elementos.


Figura 16 Algoritmo para zerar os coeficientes do numerador e do denominador das equaes
do clculo de fase.
Fonte: Resultados da pesquisa.

A regra de formao criada dividida em oito casos dependendo do valor de
nmero de imagens (N):
1) N par, N divisvel por 4 e N tambm divisvel por 8;
2) N par, N divisvel por 4, mas N no divisvel por 8;
3) N par, N+2 divisvel por 4 e N+2 divisvel por 8;
4) N par, N+2 divisvel por 4, mas N+2 no divisvel por 8;
5) N mpar, N-1 divisvel por 4 e N-1 divisvel por 8;
6) N mpar, N-1 divisvel por 4, mas N-1 no divisvel por 8;
7) N mpar, N+1 divisvel por 4 e N+1 divisvel por 8;
8) N mpar, N+1 divisvel por 4, mas N+1 no divisvel por 8.
Para cada caso tem-se uma regra de formao com mostrado a seguir.
No primeiro caso, onde N par, N divisvel por 4 e N tambm divisvel por
8, o primeiro um quarto dos coeficientes do numerador e a primeira metade dos
coeficientes do denominador apresentam a forma mostrada em 3.55:

Algoritmo Zera
|
|Varie r de 1 at N
| | Varie s de r at N
| | | NUM[r,s]=0
| | Fim Varie
| | DEM[r] = 0
|Fim Varie
|
Fim algoritmo
119
[ ]
Metade Metade Metade Coluna
Dem
Metade
Metade
Metade
Quarta
Quarta
Num
Linha
) Inteiro(N, Quociente_ Quarta
) o(N, sto_Divis ) Inteiro(N, Quociente_ Metade
1 2 ... 6 5 4 3 2 1 :
0 0 0 ... 0 0 0 1 0 1
1
2
...
Repete
Repete
2
1
...
Repete
Repete
4
3
2
1
1
1 1
1 0 1
... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... ... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... 0 1 0 1
... 0 1 0 1
:
4
2 Re 2
2
1
4
1

=

+
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
=
+ =
(3.55)

A regra de formao funciona assim: na primeira linha do numerador: os
coeficientes diferentes de zero so n
11
=-1 e n
13
=1; na segunda linha, os coeficientes
diferentes de zero so n
22
=1 e n
24
=-1; a partir da terceira linha, tem-se apenas o
terceiro termo da linha igual a 1; e na quarta linha apenas o primeiro termo da linha
igual a -1, sendo que esse processo se repete com uma linha com apenas o terceiro
termo igual a 1, e a linha seguinte com o primeiro termo igual a -1, at atingir a linha
de nmero N/4 (Quarta). A partir da linha N/4 + 1, tem-se apenas o terceiro termo da
linha igual a -1, e na linha seguinte, o primeiro termo da linha igual a, sendo que
esse processo se repete com uma linha com apenas o terceiro termo igual a -1, e a
linha seguinte, com o primeiro termo igual a 1 at atingir a linha de nmero N/2 3.
Ai, na linha de nmero N/2 2, os coeficientes diferentes de zero so o primeiro com
o valor de um e o terceiro com valor de -1; na linha seguinte, o primeiro e o segundo
coeficientes so iguais a 1 e o termo da ltima linha tambm igual a 1. Na primeira
metade dos coeficientes do denominador, apenas o primeiro termo -1, e o terceiro
termo 1, e todos os outros termos so iguais a zero.
120
Seja DIV(p,q) uma funo que retorna o quociente da diviso inteira de p por
q e MOD(p,q) uma funo que retorna o resto da diviso inteira de p por q. Assim, o
algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o primeiro caso onde N
par, N divisvel por 4 e N tambm divisvel por 8, como mostrado na Figura 17.


Figura 17 Algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o primeiro caso onde N par;
N divisvel por 4 e N tambm divisvel por 8.
Fonte: Resultados da pesquisa.

No segundo caso, onde N par, N divisvel por 4, mas N no divisvel por
8; o primeiro um quarto dos coeficientes do numerador e a primeira metade dos
coeficientes do denominador apresenta a forma mostrada em 3.56:


Algoritmo Caso 1) N par, N divisvel por 4 e N tambm divisvel por 8.
|
|Se MOD(N,2)=0 e MOD(N,4)=0 e MOD(N,8)=0
| | ento METADE = DIV(N,2)
| | QUARTO = DIV(N,4)
| | DEM[1] = -1
| | DEM[3] = 1
| | NUM[1,1] = -1
| | NUM[1,3] = 1
| | NUM[2,2] = 1
| | NUM[2,4] = -1
| | Varie r de 3 at QUARTO
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = 1
| | | | seno NUM[r,r] = -1
| | | Fim Se
| | Fim Varie
| | Varie r de QUARTO+1 at METADE-3
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = -1
| | | | seno NUM[r,r] = 1
| | | Fim Se
| | Fim Varie
| | NUM[ METADE-2, METADE-2 ] = 1
| | NUM[ METADE-2, METADE ] = -1
| | NUM[ METADE-1, METADE-1 ] = 1
| | NUM[ METADE-1, METADE ] = 1
| | NUM[ METADE, METADE] = 1
| Fim Se
|
Fim algoritmo
121
[ ]
Metade Metade Metade Coluna
Dem
Metade
Metade
Quarta
Quarta
Num
Linha
) Inteiro(N, Quociente_ Quarta
) o(N, sto_Divis ) Inteiro(N, Quociente_ Metade
1 2 ... 6 5 4 3 2 1 :
0 0 0 ... 0 0 0 1 0 1
1
...
Repete
Repete
1
...
Repete
Repete
4
3
2
1
1
1 0
... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... ... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... 0 1 0 1
... 0 1 0 1
:
4
2 Re 2
2
1
4
1

=

+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
=
+ =
(3.56)

A regra de formao funciona assim: na primeira linha do numerador, os
coeficientes diferentes de zero so n
11
=-1 e n
13
=1; na segunda linha, os coeficientes
diferentes de zero so n
22
=1 e n
24
=-1; a partir da terceira linha, tem-se apenas o
terceiro termo da linha igual a um e na quarta linha apenas o primeiro termo da linha
igual a -1. Esse processo se repete com uma linha com apenas o terceiro termo
igual a 1, e a linha seguinte, com o primeiro termo igual a -1 at atingir a linha de
nmero N/4 -1. A partir da linha N/4 (Quarta), tem-se apenas o terceiro termo da
linha igual a -1 e, na linha seguinte, o primeiro termo da linha igual a 1, e esse
processo se repete com uma linha com apenas o terceiro termo igual a -1, e a linha
seguinte, com o primeiro termo igual a 1 at atingir a linha de nmero N/2 2. Na
linha de nmero N/2 1, o coeficiente diferente de zero apenas o segundo ou
ltimo termo com o valor de um, sendo que o termo da ltima linha tambm igual a
um. Na primeira metade dos coeficientes do denominador, apenas o primeiro termo
-1, e o terceiro termo 1, e todos os outros termos so iguais a zero.
122
Assim, o algoritmo de formao do primeiro um quarto dos coeficientes do
numerador, e a primeira metade dos coeficientes do denominador para o primeiro
caso onde N par, N divisvel por 4, mas N no divisvel por 8, como mostrado
na Figura 18.


Figura 18 Algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o segundo caso onde N par;
N divisvel por 4, mas N no divisvel por 8.
Fonte: Resultados da pesquisa.

No terceiro caso, onde N par, N+2 divisvel por 4 e N+2 divisvel por 8, o
primeiro um quarto dos coeficientes do numerador e a primeira metade dos
coeficientes do denominador apresenta a forma mostrada em 3.57.

Algoritmo Caso 2) N par, N divisvel por 4, mas N no divisvel por 8.
|
|Se MOD(N,2)=0 e MOD(N,4)=0 e MOD(N,8)0
| | ento METADE = DIV(N,2)
| | QUARTO = DIV(N,4)
| | DEM[1] = -1
| | DEM[3] = 1
| | NUM[1,1] = -1
| | NUM[1,3] = 1
| | NUM[2,2] = 1
| | NUM[2,4] = -1
| | Varie r de 3 at QUARTO-1
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = 1
| | | | seno NUM[r,r] = -1
| | | Fim Se
| | Fim Varie
| | Varie r de QUARTO at METADE-2
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = -1
| | | | seno NUM[r,r] = 1
| | | Fim Se
| | Fim Varie
| | NUM[ METADE-1, METADE ] = 1
| | NUM[ METADE, METADE] = 1
| Fim Se
|
Fim algoritmo
123
[ ]
Metade Metade Metade Coluna
Dem
Metade
Metade
Metade
Metade
Quarta
Quarta
Num
Linha
) , Inteiro(N Quociente_ Quarta
) o(N, sto_Divis ) Inteiro(N, Quociente_ Metade
1 2 ... 6 5 4 3 2 1 :
0 0 0 ... 0 0 0 1 0 1
1
2
3
...
Repete
Repete
2
1
...
Repete
Repete
4
3
2
1
1
1 1
1 0 1
0 1 0 1
... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... ... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... 0 1 0 1
... 0 1 0 1
:
4 2
2 Re 2
2
1
4
1

=

+
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
+ =
+ =
(3.57)

A regra de formao funciona assim na primeira linha do numerador: os
coeficientes diferentes de zero so n
11
=-1 e n
13
=1; na segunda linha, os coeficientes
diferentes de zero so n
22
=1 e n
24
=-1; a partir da terceira linha, tem-se apenas o
terceiro termo da linha igual a um; e na quarta linha apenas o primeiro termo da linha
igual a -1. Esse processo se repete com uma linha com apenas o terceiro termo
igual a 1, e a linha seguinte com o primeiro termo igual a -1 at atingir a linha de
nmero (N+2)/4 (Quarta). A partir da linha (N+2)/4 + 1, tem-se apenas o terceiro
termo da linha igual a -1, e na linha seguinte, o primeiro termo da linha igual a 1.
Esse processo se repete com uma linha com apenas o terceiro termo igual a -1, e a
linha seguinte com o primeiro termo igual a 1 at atingir a linha de nmero N/2 4.
Assim, na linha de nmero N/2 -3, os coeficientes diferentes de zero so o primeiro
com o valor de 1 e o terceiro com -1; na linha de nmero N/2 2, os coeficientes
diferentes de zero so o primeiro com o valor de 1 e o terceiro com valor de -1; na
linha seguinte, o primeiro e o segundo coeficientes so iguais a 1 e o termo da
ltima linha tambm igual a 1. Na primeira metade dos coeficientes do
124
denominador, apenas o primeiro termo -1 e o terceiro termo 1, e todos os outros
termos so iguais a zero.
Assim, o algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o terceiro
caso onde N par, N+2 divisvel por 4 e N+2 divisvel por 8, como mostrado na
Figura 19.


Figura 19 Algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o terceiro caso onde N par;
N+2 divisvel por 4 e N+2 divisvel por 8.
Fonte: Resultados da pesquisa

No quarto caso, onde N par, N+2 divisvel por 4, mas N+2 no divisvel
por 8, o primeiro um quarto dos coeficientes do numerador e a primeira metade dos
coeficientes do denominador apresenta a forma mostrada em 3.58.

Algoritmo Caso 3) N par, N+2 divisvel por 4 e N+2 divisvel por 8.
|
|Se MOD(N,2)=0 e MOD(N+2,4)=0 e MOD(N+2,8)=0
| | ento METADE = DIV(N,2)
| | QUARTO = DIV(N+2,4)
| | DEM[1] = -1
| | DEM[3] = 1
| | NUM[1,1] = -1
| | NUM[1,3] = 1
| | NUM[2,2] = 1
| | NUM[2,4] = -1
| | Varie r de 3 at QUARTO
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = 1
| | | | seno NUM[r,r] = -1
| | | Fim Se
| | Fim Varie
| | Varie r de QUARTO+1 at METADE-4
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = -1
| | | | seno NUM[r,r] = 1
| | | Fim Se
| | Fim Varie
| | NUM[ METADE-3, METADE-3 ] = 1
| | NUM[ METADE-3, METADE-1 ] = -1
| | NUM[ METADE-2, METADE-2 ] = 1
| | NUM[ METADE-2, METADE ] = -1
| | NUM[ METADE-1, METADE-1 ] = 1
| | NUM[ METADE-1, METADE ] = 1
| | NUM[ METADE, METADE] = 1
| Fim Se
|
Fim algoritmo
125
[ ]
Metade Metade Metade Coluna
Dem
Metade
Metade
Metade
Metade
Quarta
Quarta
Num
Linha
) , Inteiro(N Quociente_ Quarta
) o(N, sto_Divis ) Inteiro(N, Quociente_ Metade
1 2 ... 6 5 4 3 2 1 :
0 0 0 ... 0 0 0 1 0 1
1
2
3
...
Repete
Repete
1
...
Repete
Repete
4
3
2
1
1
1 0
0 0 1
0 1 0 1
... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... ... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... 0 1 0 1
... 0 1 0 1
:
4 2
2 Re 2
2
1
4
1

=

+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
+ =
+ =
(3.58)

A regra de formao funciona assim: na primeira linha do numerador, os
coeficientes diferentes de zero so n
11
=-1 e n
13
=1; na segunda linha, os coeficientes
diferentes de zero so n
22
=1 e n
24
=-1; a partir da terceira linha, tem-se apenas o
terceiro termo da linha igual a 1; e na quarta linha, apenas o primeiro termo da linha
igual a -1. Esse processo se repete com uma linha com apenas o terceiro termo
igual a 1, e a linha seguinte com o primeiro termo igual a -1 at atingir a linha de
nmero (N+2)/4 -1. A partir da linha (N+2)/4 (Quarta), tem-se apenas o terceiro
termo da linha igual a -1, e na linha seguinte, o primeiro termo da linha igual a 1.
Esse processo se repete com uma linha com apenas o terceiro termo igual a -1, e a
linha seguinte com o primeiro termo igual a 1 at atingir a linha de nmero N/2 3.
Assim, na linha de nmero N/2 -3, os coeficientes diferentes de zero so o primeiro
com valor de 1, e o terceiro com -1; na linha de nmero N/2 2, o coeficiente
diferente de zero apenas o primeiro com valor de 1; na linha de nmero N/2 1, o
coeficiente diferente de zero apenas o segundo ou ltimo termo com o valor de
um, sendo o termo da ltima linha tambm igual a um. Na primeira metade dos
126
coeficientes do denominador, apenas o primeiro termo -1 e o terceiro termo 1;
todos os outros termos so iguais a zero.
Assim, o algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o quarto caso
onde N par, N+2 divisvel por 4, mas N+2 no divisvel por 8, como mostrado
na Figura 20.


Figura 20 Algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o quarto caso onde N par;
N+2 divisvel por 4, mas N+2 no divisvel por 8.
Fonte: Resultados da pesquisa.

No quinto caso, onde N mpar, N-1 divisvel por 4 e N-1 divisvel por 8, o
primeiro um quarto dos coeficientes do numerador e a primeira metade dos
coeficientes do denominador apresenta a forma mostrada em 3.59.

Algoritmo Caso 4) N par, N+2 divisvel por 4, mas N+2 no divisvel por 8.
|
|Se MOD(N,2)=0 e MOD(N+2,4)=0 e MOD(N+2,8)0
| | ento METADE = DIV(N,2)
| | QUARTO = DIV(N,4)
| | DEM[1] = -1
| | DEM[3] = 1
| | NUM[1,1] = -1
| | NUM[1,3] = 1
| | NUM[2,2] = 1
| | NUM[2,4] = -1
| | Varie r de 3 at QUARTO-1
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = 1
| | | | seno NUM[r,r] = -1
| | | Fim Se
| | Fim Varie
| | Varie r de QUARTO at METADE-2
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = -1
| | | | seno NUM[r,r] = 1
| | | Fim Se
| | Fim Varie
| | NUM[ METADE-3, METADE-3 ] = 1
| | NUM[ METADE-3, METADE-1 ] = -1
| | NUM[ METADE-2, METADE-2 ] = 1
| | NUM[ METADE-1, METADE ] = 1
| | NUM[ METADE, METADE] = 1
| Fim Se
|
Fim algoritmo
127
[ ]
Metade Metade Metade Coluna
Dem
Metade
Metade
Metade
Quarta
Quarta
Quarta
Num
Linha
) , Inteiro(N Quociente_ Quarta
) o(N, sto_Divis ) Inteiro(N, Quociente_ Metade
1 2 ... 6 5 4 3 2 1 :
2 0 0 ... 0 0 1 0 1 1
1
2
...
...
Repete
Repete
2
1
...
Repete
Repete
3
2
1
0
0 2
0 2 0
... ... ... ...
... ... ... ...
... 0 0 1 0
... 1 0 0 0
... 0 0 2 0
... 2 0 2 2
. 2 2 0 0
... ... ... ... ...
... 0 0 1 0
... 1 0 0 0
... 0 1 0 2
... 0 0 2 0
... 0 1 2 1
:
4 1
2 Re 2
2
1
4
1

=

+
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(


=
=
+ =
(3.59)

A regra de formao para o primeiro um quarto dos termos do numerador
funciona assim: na primeira linha do numerador, os coeficientes diferentes de zero
so n
11
=-1, n
12
=2 e n
13
=-1; na segunda linha; o coeficiente diferente de zero n
23
=-
2; na terceira linha; os coeficientes diferentes de zero so n
33
=2 e n
35
=-1; a partir da
quarta linha, tem-se apenas o quarto termo da linha igual a 1; e na quinta linha,
apenas o segundo termo da linha igual a -1. Esse processo se repete com uma linha
com apenas o quarto termo igual a 1, e a linha seguinte com o segundo termo igual
a -1 at atingir a linha de nmero (N-1)/4 - 1. A linha de nmero (N-1)/4 (Quarta) tem
o terceiro termo igual a 2 e o quarto termo igual a -2 e todos os outros com valor
zero. A linha seguinte de nmero (N-1)/4 + 1, o primeiro termo igual a 2, o segundo
igual a -2 e o quarto termo igual a 2. A linha de nmero (N-1)/4 + 2, apenas o
segundo termo da linha igual a 2. A partir da linha (N-1)/4 + 3, tem-se apenas o
quarto termo da linha igual a -1, e na linha seguinte, o segundo termo da linha igual
a 1. Esse processo se repete com uma linha com apenas o quarto termo igual a -1, e
a linha seguinte com o segundo termo igual a 1 at atingir a linha de nmero (N+1)/2
128
3 (ou linha de nmero [DIV(N,2)+MOD(N,2)] - 3). Assim, na linha de nmero
(N+1)/2 2, o coeficiente diferente de zero o segundo com o valor de -2; na linha
seguinte, o primeiro coeficiente igual a 2; e o termo da ltima linha igual a zero.
Observa-se que toda a ltima coluna do primeiro um quarto do numerador tem os
coeficientes iguais a zero. Na primeira metade dos coeficientes do denominador, o
primeiro termo -1, o segundo termo 1, o quarto termo -1, o ltimo termo 2, e
todos os outros termos so iguais a zero.
Assim, o algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o primeiro
caso onde N mpar, N-1 divisvel por 4, e N-1 divisvel por 8, como mostrado na
Figura 21.


Figura 21 Algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o quinto caso onde N
mpar; N-1 divisvel por 4 e N-1 divisvel por 8.
Fonte: Resultados da pesquisa.

Algoritmo Caso 5) N mpar, N-1 divisvel por 4 e N-1 divisvel por 8.
|
|Se MOD(N,2)=1 e MOD(N-1,4)=0 e MOD(N-1,8)=0
| | ento METADE = DIV(N,2)+MOD(N,2)
| | QUARTO = DIV(N-1,4)
| | DEM[1] = -1
| | DEM[2] = 1
| | DEM[4] = -1
| | DEM[ METADE ] = 2
| | NUM[1,1] = -1
| | NUM[1,2] = 2
| | NUM[1,3] = -1
| | NUM[2,3] = -2
| | NUM[3,3] = 2
| | NUM[3,5] = -1
| | Varie r de 4 at QUARTO - 1
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+1] = -1
| | | | seno NUM[r,r+3] = 1
| | | Fim Se
| | Fim Varie
| | NUM[ QUARTO, QUARTO+2 ] = 2
| | NUM[ QUARTO, QUARTO+3 ] = -2
| | NUM[ QUARTO+1,QUARTO+1 ] = 2
| | NUM[ QUARTO+1,QUARTO+2 ] = -2
| | NUM[ QUARTO+1,QUARTO+4 ] = 2
| | NUM[ QUARTO+2,QUARTO+3 ] = 2
| | Varie r de QUARTO+3 at METADE-3
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+3] = -1
| | | | seno NUM[r,r+1] = 1
| | | Fim Se
| | Fim Varie
| | NUM[ METADE-2, METADE-1 ] = -2
| | NUM[ METADE-1, METADE-1 ] = 2
| Fim Se
|
Fim algoritmo
129
No sexto caso, onde N mpar, N-1 divisvel por 4, mas N-1 no divisvel
por 8, o primeiro um quarto dos coeficientes do numerador e a primeira metade dos
coeficientes do denominador apresenta a forma mostrada em 3.60.

[ ]
Metade Metade Metade Coluna
Dem
Metade
Metade
Metade
Quarta
Quarta
Quarta
Num
Linha
) , Inteiro(N Quociente_ Quarta
) o(N, sto_Divis ) Inteiro(N, Quociente_ Metade
1 2 ... 6 5 4 3 2 1 :
2 0 0 ... 0 0 1 0 1 1
1
2
...
Repete
Repete
2
1
...
Repete
Repete
4
3
2
1
0
0 1
0 2 1
... ... ... ...
... 0 0 1
... 0 1 0 0
... 0 0 2 0
... 2 0 2 2
... 2 2 0 0
. ... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 0
... 0 1 0 2
... 0 0 2 0
... 0 1 2 1
:
4 1
2 Re 2
2
1
4
1

=

+
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(


=
=
+ =
(3.60)

A regra de formao para o primeiro um quarto dos termos do numerador
funciona assim: na primeira linha do numerador, os coeficientes diferentes de zero
so n
11
=-1, n
12
=2 e n
13
=-1; na segunda linha; o coeficiente diferente de zero n
23
=-
2; na terceira linha; os coeficientes diferentes de zero so n
33
=2 e n
35
=-1; na quarta
linha, todos os coeficientes so zero; a partir da quinta linha, tem-se apenas o
terceiro termo da linha igual a 1; e na sexta linha, apenas o primeiro termo da linha
igual a -1. Esse processo se repete com uma linha com apenas o terceiro termo
igual a 1, e a linha seguinte com o primeiro termo igual a -1 at atingir a linha de
nmero (N-1)/4 - 1. A linha de nmero (N-1)/4 (Quarta) tem o terceiro termo igual a 2
e o quarto termo igual a -2 e todos os outros com valor zero. A linha seguinte de
nmero (N-1)/4 + 1, o primeiro termo igual a 2, o segundo igual a -2 e o quarto
termo igual a 2. A linha de nmero (N-1)/4 + 2, apenas o segundo termo da linha
130
igual a 2. A partir da linha (N-1)/4 + 3, tem-se apenas o terceiro termo da linha igual
a -1, e na linha seguinte, o primeiro termo da linha igual a 1. Esse processo se
repete com uma linha com apenas o terceiro termo igual a -1, e a linha seguinte com
o primeiro termo igual a 1 at atingir a linha de nmero (N+1)/2 3 (ou linha de
nmero [DIV(N,2)+MOD(N,2)] - 3). Assim, na linha de nmero (N+1)/2 2, os
coeficientes diferentes de zero so o primeiro igual a 1 e o segundo com o valor de -
2; na linha seguinte, o primeiro coeficiente igual a 1; e o termo da ltima linha
igual a zero. Observa-se que toda a ltima coluna do primeiro um quarto do
numerador tem os coeficientes iguais a zero. Na primeira metade dos coeficientes do
denominador, o primeiro termo -1, o segundo termo 1, o quarto termo -1, o
ltimo termo 2, e todos os outros termos so iguais a zero.
Assim, o algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o primeiro
caso onde N mpar, N-1 divisvel por 4, mas N-1 no divisvel por 8, como
mostrado na Figura 22.
131

Figura 22 Algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o sexto caso onde N mpar;
N-1 divisvel por 4, mas N-1 no divisvel por 8.
Fonte: Resultados da pesquisa.

No stimo caso, onde N mpar, N+1 divisvel por 4 e N+1 divisvel por 8,
o primeiro um quarto dos coeficientes do numerador e a primeira metade dos
coeficientes do denominador apresenta a forma mostrada em 3.61.
Algoritmo Caso 6) N mpar, N-1 divisvel por 4, mas N-1 no divisvel por 8.
|
|Se MOD(N,2)=1 e MOD(N-1,4)=0 e MOD(N-1,8)0
| | ento METADE = DIV(N,2)+MOD(N,2)
| | QUARTO = DIV(N-1,4)
| | DEM[1] = -1
| | DEM[2] = 1
| | DEM[4] = -1
| | DEM[ METADE ] = 2
| | NUM[1,1] = -1
| | NUM[1,2] = 2
| | NUM[1,3] = -1
| | NUM[2,3] = -2
| | NUM[3,3] = 2
| | NUM[3,5] = -1
| | Varie r de 5 at QUARTO - 1
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = 1
| | | | seno NUM[r,r] = -1
| | | Fim Se
| | Fim Varie
| | NUM[ QUARTO, QUARTO+2 ] = 2
| | NUM[ QUARTO, QUARTO+3 ] = -2
| | NUM[ QUARTO+1,QUARTO+1 ] = 2
| | NUM[ QUARTO+1,QUARTO+2 ] = -2
| | NUM[ QUARTO+1,QUARTO+4 ] = 2
| | NUM[ QUARTO+2,QUARTO+3 ] = 2
| | Varie r de QUARTO+3 at METADE-3
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r] = 1
| | | | seno NUM[r,r+2] = -1
| | | Fim Se
| | Fim Varie
| | NUM[ METADE-2, METADE-2 ] = 1
| | NUM[ METADE-2, METADE-1 ] = -2
| | NUM[ METADE-1, METADE-1 ] = 1
| Fim Se
|
Fim algoritmo

132
[ ]
Metade Metade Metade Coluna
Dem
Metade
Metade
Metade
Quarta
Quarta
Quarta
Num
Linha
) , Inteiro(N Quociente_ Quarta
) o(N, sto_Divis ) Inteiro(N, Quociente_ Metade
1 2 ... 6 5 4 3 2 1 :
2 0 0 ... 0 0 0 1 1 1
1
2
...
Repete
Repete
1
1
Repete
Repete
5
4
3
2
1
0
0 1
0 1 0
... ... ...
... 0 0 1
... 0 1 0 0
... 0 0 2 2
... 0 2 2 2 0
... 0 2 0 1
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... 0 0 0 0
... 0 0 1 1 1
... 0 1 0 2 1
:
4 1
2 Re 2
2
1
4
1

=

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(


=
+ =
+ =
(3.61)

A regra de formao para o primeiro um quarto dos termos do numerador
funciona assim: na primeira linha do numerador, os coeficientes diferentes de zero
so NUM
11
=-1, NUM
12
=-2 e NUM
14
=1; na segunda linha, os coeficientes diferentes
de zero so NUM
22
=1, NUM
23
=1 e NUM
24
=-1; a terceira linha, tem todos os
coeficientes iguais zero; na quarta linha, apenas o terceiro termo igual a -1; e na
quinta linha, apenas o primeiro termo igual a 1 se ainda no atingiu a linha de
ordem (N+1)/4 1, tem-se que a partir da sexta linha, apenas o terceiro termo da
linha igual a um, e na stima linha, apenas o primeiro termo da linha igual a -1. Esse
processo se repete com uma linha com apenas o terceiro termo igual a 1, e a linha
seguinte, com o primeiro termo igual a -1 at atingir a linha de nmero (N+1)/4 - 2.
Na linha de nmero (N+1)/4 -1, se (N+1)/4 1 for menor que seis, o primeiro termo
igual a 1, caso contrrio, igual a -1, e o terceiro coeficiente sempre igual a 2. A
linha de nmero (N-1)/4 (Quarta) tem o segundo e o terceiro termos iguais a 2, e o
quarto igual a -2. A linha seguinte de nmero (N+1)/4 + 1 tem o primeiro termo igual
a 2, e o segundo coeficiente igual a -2. A partir da linha (N+1)/4 + 2, tem-se apenas
o terceiro termo da linha igual a -1, e na linha seguinte, o primeiro termo da linha
133
igual a 1. Esse processo se repete com uma linha com apenas o terceiro termo igual
a -1, e a linha seguinte com o primeiro termo igual a 1 at atingir a linha de nmero
(N+1)/2 3 (ou linha de nmero [DIV(N,2)+MOD(N,2)] - 3). Assim, na linha de
nmero (N+1)/2 2, o coeficiente diferente de zero o segundo com valor de um; na
linha de nmero (N+1)/2 1, o coeficiente diferente de zero o primeiro com o valor
de um, e o termo da ltima linha igual a zero. Observa-se que toda a ltima coluna
do primeiro um quarto do numerador tem os coeficientes iguais a zero. Na primeira
metade dos coeficientes do denominador, o primeiro e o segundo termos so iguais
a -1, o terceiro coeficiente igual a um, o ltimo termo 2, e todos os outros termos
so iguais a zero.
Assim, o algoritmo de formao do primeiro um quarto dos coeficientes do
numerador e a primeira metade dos coeficientes do denominador para o primeiro
caso onde N mpar, N+1 divisvel por 4 e N+1 divisvel por 8, como mostrado
na Figura 23.
134

Figura 23 Algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o stimo caso onde N
mpar, N+1 divisvel por 4 e N+1 divisvel por 8.
Fonte: Resultados da pesquisa.

No oitavo caso, onde N mpar, N+1 divisvel por 4, mas N+1 no
divisvel por 8, o primeiro um quarto dos coeficientes do numerador e a primeira
metade dos coeficientes do denominador apresenta a forma mostrada em 3.62.
Algoritmo Caso 7) N mpar, N+1 divisvel por 4 e N+1 divisvel por 8.
|
|Se MOD(N,2)=1 e MOD(N+1,4)=0 e MOD(N+1,8)=0
| | ento METADE = DIV(N,2)+MOD(N,2)
| | QUARTO = DIV(N+1,4)
| | DEM[1] = -1
| | DEM[2] = -1
| | DEM[3] = 1
| | DEM[ METADE ] = 2
| | NUM[1,1] = -1
| | NUM[1,2] = -2
| | NUM[1,4] = 1
| | NUM[2,2] = 1
| | NUM[2,3] = 1
| | NUM[2,4] = -1
| | Varie r de 4 at QUARTO - 1
| | | Se r < 6
| | | | ento Se MOD(r,2)=1
| | | | | ento NUM[r,r] = 1
| | | | | seno NUM[r,r+2] = -1
| | | | Fim Se
| | | | seno Se MOD(r,2)=1
| | | | | ento NUM[r,r] = -1
| | | | | seno NUM[r,r+2] = 1
| | | | Fim Se
| | | Fim Se
| | Fim Varie
| | NUM[ QUARTO-1,QUARTO+2 ] = 2
| | NUM[ QUARTO, QUARTO+1 ] = 2
| | NUM[ QUARTO, QUARTO+2 ] = 2
| | NUM[ QUARTO, QUARTO+3 ] = -2
| | NUM[ QUARTO+1,QUARTO+1 ] = 2
| | NUM[ QUARTO+1,QUARTO+2 ] = -2
| | Varie r de QUARTO+2 at METADE-3
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r] = 1
| | | | seno NUM[r,r+2] = -1
| | | Fim Se
| | Fim Varie
| | NUM[ METADE-2, METADE-1 ] = 1
| | NUM[ METADE-1, METADE-1 ] = 1
| Fim Se
|
Fim algoritmo
135
[ ]
Metade Metade Metade Coluna
Dem
Metade
Metade
Quarta
Quarta
Quarta
Num
Linha
) , Inteiro(N Quociente_ Quarta
) o(N, sto_Divis ) Inteiro(N, Quociente_ Metade
1 2 ... 6 5 4 3 2 1 :
2 0 0 ... 0 0 0 1 1 1
1
...
Repete
Repete
1
1
...
Repete
Repete
4
3
2
1
0
0 1
... ... ...
... 0 0 1
... 0 1 0 0
... 0 0 2 2
... 0 2 2 2 0
... 0 2 0 1
... ... ... ... ...
... 0 0 0 1
... 0 1 0 0
... 0 0 0 1
... 0 1 0 0
... 0 0 1 2 1
... 0 0 0 2 1
:
4 1
2 Re 2
2
1
4
1

=

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(


=
+ =
+ =
(3.62)

A regra de formao para o primeiro um quarto dos termos do numerador
funciona assim: na primeira linha do numerador, os coeficientes diferentes de zero
so n
11
=-1 e n
12
=-2; na segunda linha, os coeficientes diferentes de zero so n
22
=1,
n
23
=2 e n
24
=-1; a terceira linha tem apenas o terceiro coeficientes iguais a -1; na
quarta linha, apenas o primeiro termo igual a 1; se ainda no atingiu a linha de
ordem (N+1)/4 -, tem-se que a partir da quinta linha apenas o terceiro termo da linha
igual a um; e na sexta linha, apenas o primeiro termo da linha igual a -1. Esse
processo se repete com uma linha com apenas o terceiro termo igual a 1, e a linha
seguinte, com o primeiro termo igual a -1 at atingir a linha de nmero (N+1)/4 - 2.
Na linha de nmero (N+1)/4 -1, se (N+1)/4 1 for menor que cinco, o primeiro termo
igual a 1, caso contrrio, igual a -1, e o terceiro coeficiente sempre igual a 2. A
linha de nmero (N-1)/4 (Quarta) tem o segundo e o terceiro termos iguais a 2, e o
quarto igual a -2. A linha seguinte de nmero (N+1)/4 + 1, tem o primeiro termo igual
a 2 e o segundo coeficiente igual a -2. A partir da linha (N+1)/4 + 2, tem-se apenas o
terceiro termo da linha igual a -1, e na linha seguinte, o primeiro termo da linha igual
a 1. Esse processo se repete com uma linha com apenas o terceiro termo igual a -1,
136
e a linha seguinte com o primeiro termo igual a 1 at atingir a linha de nmero
(N+1)/2 2 (ou linha de nmero [DIV(N,2)+MOD(N,2)] - 2). Assim, na linha de
nmero (N+1)/2 1, o coeficiente diferente de zero o primeiro com o valor de 1, e
o termo da ltima linha igual a zero. Observa-se que toda a ltima coluna do
primeiro um quarto do numerador tem os coeficientes iguais a zero. Na primeira
metade dos coeficientes do denominador, o primeiro e o segundo termos so iguais
a -1, o terceiro coeficiente igual a 1, o ltimo termo 2, e todos os outros termos
so iguais a zero. Assim, o algoritmo de formao do primeiro um quarto dos
coeficientes do numerador e a primeira metade dos coeficientes do denominador
para o primeiro caso onde N mpar, N+1 divisvel por 4, mas N+1 no divisvel
por 8, como mostrado na Figura 24.


137

Figura 24 Algoritmo de formao do primeiro um quarto dos coeficientes do numerador e a
primeira metade dos coeficientes do denominador para o oitavo caso onde N
mpar, N+1 divisvel por 4, mas N+1 no divisvel por 8.
Fonte: Resultados da pesquisa.

Ao final, tem-se o algoritmo completo para gerao de equaes do clculo
de fase para o nmero de imagens (N) maior que 15, como mostrado na Figura 25.
Inicialmente, executado o algoritmo que zera os coeficientes; em seguida, cada
caso executado na sequncia e, no final, roda-se o algoritmo de simetria.

Algoritmo Caso 8) N mpar, N+1 divisvel por 4, mas N+1 no divisvel por 8.
|
|Se MOD(N,2)=1 e MOD(N+1,4)=0 e MOD(N+1,8)0
| | ento METADE = DIV(N,2)+MOD(N,2)
| | QUARTO = DIV(N+1,4)
| | DEM[1] = -1
| | DEM[2] = -1
| | DEM[3] = 1
| | DEM[ METADE ] = 2
| | NUM[1,1] = -1
| | NUM[1,2] = -2
| | NUM[2,2] = 1
| | NUM[2,3] = 2
| | NUM[2,4] = -1
| | Varie r de 3 at QUARTO - 1
| | | Se r < 5
| | | | ento Se MOD(r,2)=1
| | | | | ento NUM[r,r+2] = -1
| | | | | seno NUM[r,r] = 1
| | | | Fim Se
| | | | seno Se MOD(r,2)=1
| | | | | ento NUM[r,r+2] = 1
| | | | | seno NUM[r,r] = -1
| | | | Fim Se
| | | Fim Se
| | Fim Varie
| | NUM[ QUARTO-1,QUARTO+2 ] = 2
| | NUM[ QUARTO, QUARTO+1 ] = 2
| | NUM[ QUARTO, QUARTO+2 ] = 2
| | NUM[ QUARTO, QUARTO+3 ] = -2
| | NUM[ QUARTO+1,QUARTO+1 ] = 2
| | NUM[ QUARTO+1,QUARTO+2 ] = -2
| | Varie r de QUARTO+2 at METADE-2
| | | Se MOD(r,2)=1
| | | | ento NUM[r,r+2] = -1
| | | | seno NUM[r,r] = 1
| | | Fim Se
| | Fim Varie
| | NUM[ METADE-1, METADE-1 ] = 1
| Fim Se
|
Fim algoritmo
138

Figura 25 Algoritmo completo para gerao de equaes de clculo com nmero de
imagens (N) maior que 15.
Fonte: Resultado da pesquisa.

Foi realizado ento o teste numrico matemtico, descrito no item 3.8.1,
usando o algoritmo completo para N variando de 16 at 90.000.000 (90 milhes) de
imagens. Para cada valor de N, as equaes geradas foram testadas mais de
10.000 vezes, com ndice de acerto superior a 99,9% e preciso numrica
(diferena) entre a fase () gerada aleatoriamente e a fase calculada usando as
novas equaes de 10
-6
.
A ideia desse teste foi verificar o esquema de regra criado para gerar
equaes do clculo de fase e tornar mnima ou remota as chances destas
equaes geradas estarem erradas ou serem falsas. Nota-se que no se tem um
acerto de 100%, porque pode acontecer que os valores do numerador e do
denominador fiquem muito pequenos, aumentando tremendamente a propagao do
erro numrico de arredondamento e, neste caso, a diferena entre o valor de fase ()
gerado aleatoriamente e o calculado com a nova equao fica maior que 10
-6
. Vale
citar que para N na ordem de milhes, a propagao de erro de arredondamento
tambm cresce devido ao grande nmero de operaes matemticas realizadas.
Para armazenar na memria matrizes de ordem to grande, utilizou-se um
esquema simples de matrizes esparsas. Para o numerador, foi criado um vetor de
ponteiros de 1 at 90.000.000; o ndice deste enorme vetor representa o nmero da
linha da matriz de coeficientes do numerador. Esses ponteiros vo apontar um
registro que armazena o nmero da coluna, o valor do coeficiente que deve ser
diferente de zero e o ponteiro para o prximo registro da linha. Nota-se que o
nmero de coeficientes diferentes de zero em cada linha do numerador no supera
doze valores. Na matriz do denominador, so armazenados o nmero da coluna e o
Algoritmo Completo para Gerao de Equaes do Clculo de Fase.
|
|Algoritmo Zera
|Algoritmo Caso 1) N par, N divisvel por 4 e N tambm divisvel por 8;
|Algoritmo Caso 2) N par, N divisvel por 4, mas N no divisvel por 8;
|Algoritmo Caso 3) N par, N+2 divisvel por 4 e N+2 divisvel por 8;
|Algoritmo Caso 4) N par, N+2 divisvel por 4, mas N+2 no divisvel por 8;
|Algoritmo Caso 5) N mpar, N-1 divisvel por 4 e N-1 divisvel por 8;
|Algoritmo Caso 6) N mpar, N-1 divisvel por 4, mas N-1 no divisvel por 8;
|Algoritmo Caso 7) N mpar, N+1 divisvel por 4 e N+1 divisvel por 8;
|Algoritmo Caso 8) N mpar, N+1 divisvel por 4, mas N+1 no divisvel por 8.
|Algoritmo Simetria
|
Fim algoritmo
139
valor do coeficiente diferente de zero; nota-se, ento, que o nmero mximo de
coeficientes diferentes de zero no denominador apenas 9 termos.
Outros esquemas e receitas de gerao de equaes podem ser obtidos. O
interessante do algoritmo mostrado na Figura 25, que ele atende o Modelo
Matemtico 3.19, e gera equaes corretas para o clculo de fase, contendo muitos
termos iguais a zero, o que o torna bem eficiente para a implementao
computacional.


3.12 Quantas imagens usar no clculo de fase


Uma imagem de Franjas de Moir tem, geralmente, milhares ou, at mesmo,
milhes de pixis. Se imaginar agora um nico pixel individual desta imagem e se
observar a Equao 3.9, tem-se para este pixel quatro incgnitas: I
m
, I
a
, e , uma
vez que para todas as imagens o deslocamento de fase(), apesar de desconhecida,
constante. Teoricamente, para 4 incgnitas, necessita-se de quatro equaes para
chegar-se ao Algoritmo de Carr.
O problema surge, quando nas imagens existem rudos e imperfeies que
atrapalham o processo de medio na Tcnica de Moir. Se o erro aparecer
somente em uma nica imagem, usando o algoritmo de Carr e de Novak, poderia
se determinar este rudo, pois os valores calculados da fase () dariam valores
diferentes.
Na realidade, o que acontece que o rudo aparece em todas as imagens,
sendo modelado como um fenmeno estatstico inerente ao processo de medio.
Neste caso, o nmero de imagens deve ser aumentado expressivamente.
Em qualquer deciso que se toma, baseando-se em poucos dados, corre-se o
risco de que ela seja errada. Por exemplo, quando se sai de casa, carregando ou
no um guarda-chuva, coletam-se certos dados: olha-se o cu, l-se a previso do
tempo do jornal, escuta-se a televiso. Depois de avaliar rapidamente todos estes
dados disponveis, incluindo a previso do rdio de "30% de probabilidade de haver
chuva", toma-se uma deciso. De qualquer modo, faz-se o compromisso entre a
inconvenincia de carregar um guarda-chuva e a possibilidade de tomar uma chuva,
sujando-se a roupa e pegando um resfriado. Neste exemplo, tomou-se uma deciso
140
baseando-se na incerteza. A incerteza no implica falta de conhecimento, mas
somente que o resultado exato no completamente previsvel.
A importncia da incerteza da medio que ela obscurece a habilidade de
se obter a informao que se quer: o valor verdadeiro da varivel medida. Por causa
dos erros, a exatido de uma medio nunca certa. A Estatstica mostra que o
valor verdadeiro conseguido em um conjunto de medies dado por sua mdia
aritmtica e a incerteza neste valor. Os erros aleatrios no podem ser antecipados
e evitados. O mximo que o operador pode fazer minimizar seus efeitos, fazendo
um tratamento estatstico de todas as medies replicadas.
Medies confiveis devem ser vlidas, precisas, exatas e consistentes, por
definio e verificao. Medidas vlidas so realizadas por procedimento corretos,
resultando no valor que se quer medir. Medidas precisas so repetitivas e
reprodutivas, com pouca disperso em torno do valor esperado. Medidas exatas
esto prximas do valor verdadeiro ideal. Medidas consistentes so aquelas cujos
valores ficam cada vez mais prximos do valor verdadeiro, quando se aumenta o
nmero de medies replicadas.
impossvel fazer uma medio sem erro ou incerteza. Na realidade, o que
se procura manter os erros dentro de limites tolerveis e estimar seus valores com
preciso aceitvel. Cada medio influenciada por muitas incertezas, que se
combinam para produzir resultados espalhados. As incertezas da medio nunca
podem ser completamente eliminadas, pois o valor verdadeiro para qualquer
quantidade desconhecido. O erro a diferena algbrica entre a indicao e o
valor verdadeiro convencional.
Erros aleatrios aparecem das variaes aleatrias das observaes. A cada
momento que a medio tomada sob as mesmas condies, efeitos aleatrios de
vrias fontes afetam o valor medido. Uma srie de medies produz um
espalhamento em torno de um valor mdio. Um nmero de fontes pode contribuir
para a variabilidade, cada vez que uma medio tomada e sua influncia pode
estar continuamente mudando. Elas no podem ser eliminadas, mas a incerteza
devido a seus efeitos pode ser reduzida, aumentando o nmero de observaes e
aplicando Anlise Estatstica.
Aumentando o nmero de imagens (N), aumenta-se a quantidade de
informao e a quantidade de observao. Isso pode ser uma importante soluo
para os erros aleatrios provenientes de rudos nas fotografias de Moir. A Tcnica
141
Moir de Sombra prejudicada tremendamente com a degradao da qualidade da
imagem, principalmente, devido reduo do campo visual em virtude de se ter um
retculo de linhas na frente do objeto e devido discretizao em pixis e tons de
cinza no seguirem corretamente as linhas negras dos retculos. Assim, uma linha
do retculo pode estar dividida no meio de pixel da imagem. Mesmo aplicando filtro e
outros artifcios, o efeito de rudos danoso para se obter medidas corretas e
precisas com a Tcnica de Moir.
No se v atualmente uma utilidade prtica para equaes do clculo de fase
com centenas, milhares ou milhes de imagens, principalmente, porque o passo do
deslocamento de fase (), apesar de desconhecido, deve ser constante, o que pode
ser complicado de se obter com uma grande quantidade de imagens. Mas como a
evoluo da Informtica surpreendente e o Algoritmo de Carr pode ser usado em
vrios campos da Engenharia, neste trabalho de pesquisa, desenvolveram-se tais
equaes.
Cita-se, tambm, a possibilidade de criao de dispositivos eletrnicos que
possam projetar a iluminao com o deslocamento de fase automtica e, assim,
captar dezenas de quatros por segundo. A Tcnica de Moir tem um importante
carter de magnificao do movimento, que pode ser usado na medio de objetos
muito pequenos e em microscpios eletrnicos tridimensionais. difcil prever
aplicaes futuras em Engenharia. Neste contexto, se justifica o esforo, neste
estudo, em desenvolver equaes do clculo de fase para uma grande quantidade
de imagens (N), alm de complementar, de maneira definitiva, a generalizao do
Algoritmo de Carr.


3.13 Concluso do captulo


Destaca-se, finalmente, o carter indito e original das novas equaes do
clculo de fase desenvolvidas neste captulo. Este o principal resultado desta tese
at este ponto: a generalizao do Algoritmo de Carr para permitir mais de quatro
imagens vai possibilitar um processo de medio com um maior nmero de
observao e, com isso, espera-se uma diminuio da incerteza e do erro aleatrio
no uso da Tcnica Moir de Sombra e, assim, uma maior preciso.
142
Cita-se, como importante, a verificao de que o Mtodo Branch-and-Bound
consegue solucionar com sucesso o modelo de Programao Inteira No-linear
proposta nesta pesquisa. interessante observar que centenas de testes foram
realizados executando-se a implementao do mtodo e obtiveram grande sucesso.
Esta classe de problemas apresenta, em geral, muita dificuldade na resoluo e
apenas em um pequeno nmero de casos consegue ser resolvido. O modelo
proposto um desses casos.
Uma razo para o sucesso do Mtodo Branch-and-Bound pode ser atribuda
ideia do mtodo numrico em obter a soluo tima com uma reduzida quantidade
de avaliaes das equaes, restringindo o universo de busca. Acredita-se que
outros mtodos numricos tambm poderiam obter sucesso.
As observaes das novas equaes do clculo de fase permitiram evoluir o
modelo para se obter equaes com um nmero muito grande de imagens. Foi
importante a criao de teste para verificar e confirmar a veracidade dessas
equaes. Enfatiza-se, ainda, que em todo esse trabalho foram utilizados mtodos
numricos de clculo.
A implementao computacional desenvolvida neste projeto de pesquisa foi
um dos trabalhos mais desafiantes. So mtodos de grande complexidade e que
necessitam de flexibilidade para alterao de restries e evoluo do modelo
matemtico. O uso de programao orientada a objetos, classes e mtodos bem
definidos foi de fundamental importncia para o sucesso dos softwares.
Destaca tambm que se tentou no captulo fazer um relato histrico, temporal
e sequencial de como as novas equaes do clculo de fase foram sendo
desenvolvidas. Como se trata de um trabalho cientifico, a ideia foi de registrar como
o trabalho foi sendo executado, o mais prximo possvel da realidade.
A ttulo de exemplo, foram realizadas demonstraes analticas de equaes
do clculo de fase, usando-se o software de matemtica computacional Maple. O
trabalho analtico considervel e, por isso, foi utilizado um programa de
computador, embora mostre que as novas equaes podem ser demonstradas
matematicamente por relaes trigonomtricas, apesar de ser um processo bem
trabalhoso e demorado. Nota-se, ainda, que muito mais fcil comprovar
analiticamente a veracidade da equao do clculo de fase, uma vez que esta j foi
obtida e conhecida, do que tentar deduzi-la analiticamente por meio de relaes
trigonomtricas e desenvolvimentos algbricos.
143
A principal preocupao neste captulo da tese foi tornar fcil o entendimento
do processo de desenvolvimento das novas equaes do clculo de fase. Assim,
priorizou-se uma notao matemtica mais didtica e usual em tica aplicada
Engenharia, que fosse utilizada comumente por outras referncias bibliogrficas
sobre o assunto.
144
CAPTULO IV - TRATAMENTO DE IMAGENS


4.1 Introduo do captulo


Alm do clculo de fase usando as equaes desenvolvidas no captulo
anterior, as imagens de Franjas de Moir passam por outros processamentos
descritos neste Captulo IV. H que se esclarecer, porm, que seu contedo
informativo serve apenas de resumo introdutrio para a compreenso desta tese,
uma vez que no se constitui no foco principal deste estudo.
Inicialmente, ressalta-se uma determinao da ambiguidade do ngulo de
fase empacotado (wrapped). Nas equaes anteriores, trabalhou-se com apenas o
mdulo dos valores das distribuies de fase; logo [0, /2], mas os principais
algoritmos de desempacotamento (unwrapped) trabalham com * [-, ]. A
transformao de em * o tema de abertura.
Em seguida, tem-se a abordagem do processo de desempacotamento (phase
unwrapping) que o processo pelo qual o valor absoluto do ngulo de fase de uma
funo contnua, que se estende alm de 2 (relativo a um ponto inicial predefinido)
recuperado. Esse valor absoluto perdido, quando o termo de fase coberto por
si mesmo com distncias repetidas de 2, que tenham natureza senoidal das
funes de onda usada nas medies de propriedades fsicas. Alguns algoritmos
so citados com este objetivo.
A seguir desenvolvida a teoria de gerao pelo computador das imagens de
Franjas de Moir. Com o desenvolvimento do Processamento Digital de Imagens,
podem-se criar Franjas de Moir para uma determinada superfcie. Tal mtodo ajuda
na anlise de erro e no teste do sistema computacional para anlise automtica das
fotografias de Moir. Um estudo de gerao de rudos em imagens tambm
realizado, uma vez que em fotografias reais as imperfeies esto presentes.
O captulo finalizado com o estudo dos principais filtros utilizados
inicialmente nas imagens de Moir antes do clculo de fase ser aplicado. Nesta
pesquisa foram utilizados, propositalmente, filtros muito simples como os filtros
Passa Baixo e Gaussiano. No processo evolutivo da teoria dos filtros, a novidade
145
so os filtros direcionais, aplicados diretamente nas fotografias para a eliminao de
rudos e imperfeies.


4.2 Passagem da fase de [0, /2] para [- , ]


As novas equaes do clculo de fase desenvolvidas nesta pesquisa tm a
forma da Equao 3.18. Como envolve uma raiz quadrada e valores absolutos do
numerador e do denominador, o valor da tan() sempre ser um nmero positivo.
Quanto se aplica o arcotangente para se descobrir o valor da fase (), tem-se um
nmero entre 0 e /2, ou seja, [0, /2]. O problema que a maioria dos
algoritmos de desempacotamento (unwrapping) trabalha com ngulos entre - e
radianos. Na literatura, podem ser encontradas algumas solues para este
problema que tambm aparece na equao original de Carr, conforme apontam
CREATH (1985) e NOVAK (2003).
Nesta tese, optou-se por solues alternativas e diferentes. Observando o
grfico da tangente de um ngulo em radianos, v-se que o valor absoluto da
tangente de o mesmo para quatro ngulos entre - e ; estes ngulos so: , -,
- e -+. Tem-se a ideia de que, uma vez obtida fase , testa-se as quatro
possibilidades para se achar * [-, ], e poder aplicar os algoritmos de
desempacotamento (unwrapping).
O teste se baseia em cada pixel que, segundo posio (x,y) das imagens, so
somados e subtrados os valores das intensidades de luz I
k
, e usando de relaes
trigonomtricas objetivando verificar para qual dos quatros ngulos , -, - e -+
as sentenas ficam verdadeiras.
Uma primeira tentativa foi realizada, trabalhando-se com relaes
trigonomtricas e deduzindo equaes como as mostradas abaixo. Por exemplo,
para N=4 ou nmero de imagens par, tem-se:

146
( )
( )
( )
( )
( )

+ = +
+ = +
=
=

=
=
2
cos ) cos( 2 2
2
3
cos ) cos( 2 2
2
sin ) sin( 2
2
3
sin ) sin( 2
1
2
cos 4
4
*
3 2
*
4 1
*
3 2
*
4 1
3 2
4 1 2

a m
a m
a
a
I I I I
I I I I
I I I
I I I
I I
I I
N Par
(4.1)

Observa-se que da primeira sentena da Equao 4.1 se pode calcular o
valor do deslocamento de fase (). Com este valor testam-se os quatro ngulos , -,
- e -+, verificando-se qual torna verdadeira ou com um erro de preciso
numrica muito pequena, tipo 10
-6,
as outras quatro sentenas da Equao 4.1. O
ngulo encontrado o valor de *. Esse processo deve ser realizado para cada pixel
das fotografias de Moir.
Em outro exemplo, para N=5 ou nmero de imagens mpar, tem-se:

= +
= +
=
=

=
=
] 1 ) )[cos( cos( 2 2
] 1 ) 2 )[cos( cos( 2 2
) sin( ) sin( 2
) 2 sin( ) sin( 2
) ( 2
) cos(
5
*
3 4 2
*
3 5 1
*
4 2
*
5 1
4 2
5 1



a
a
a
a
I I I I
I I I I
I I I
I I I
I I
I I
N mpar
(4.2)

Observa-se que, novamente, da primeira sentena da Equao 4.2 se pode
calcular o valor do deslocamento de fase (). Com este valor testam-se os quatro
ngulos , -, - e -+, verificando-se qual torna verdadeira ou com um erro de
preciso numrica muito pequena, tipo 10
-6,
as outras quatro sentenas da Equao
4.2. O ngulo encontrado o valor de *. Esse processo deve ser repetido para
cada pixel das fotografias de Moir. A ideia, nesse processo, sempre somar e
subtrair as imagens com ndices (k) centrais ou do meio. Generalizando para
qualquer nmero de imagens (N), tem-se:

147
( )
( )
( )
( )
( )

+ = +
+ = +
=
=

=
|

\
|
+ |

\
|
|

\
|
+ |

\
|

|

\
|
+ |

\
|
|

\
|
+ |

\
|

|

\
|
+ |

\
|
|

\
|
+ |

\
|

2
cos ) cos( 2 2
2
3
cos ) cos( 2 2
2
sin ) sin( 2
2
3
sin ) sin( 2
1
2
cos 4
*
1
2 2
*
2
2
1
2
*
1
2 2
*
2
2
1
2
1
2 2
2
2
1
2 2

a m N N
a m N N
a N N
a N N
N N
N N
I I I I
I I I I
I I I
I I I
I I
I I
N Par (4.3)
Ou
( )
( )
( ) [ ]
( ) [ ]

= +
= +
=
=
|
|

\
|

=
|

\
| +
|

\
| +
|

\
|
|

\
| +
|

\
| +
|

\
|
|

\
| +
|

\
|
|

\
| +
|

\
|
|

\
| +
|

\
|
|

\
| +
|

\
|
1 cos ) cos( 2 2
1 2 cos ) cos( 2 2
sin ) sin( 2
2 sin ) sin( 2
2
) cos(
*
2
1
2
3
2
1
*
2
1
2
5
2
3
*
2
3
2
1
*
2
5
2
3
2
3
2
1
2
5
2
3



a N N N
a N N N
a N N
a N N
N N
N N
I I I I
I I I I
I I I
I I I
I I
I I
N mpar
(4.4)

As equaes 4.3 e 4.4 foram obtidas atravs de relaes trigonomtricas bem
simples. Apesar de interessante, esse mtodo apresenta dificuldades na
implementao, uma vez que pode acontecer que o denominador da primeira
sentena na Equao 4.3 e 4.4 pode ser zero e, neste caso, o mtodo falha.
Uma alternativa melhor e com formulao bem mais simples descrita
abaixo. A partir da Equao 3.9, que pode ser reescrita como 4.5, para um dado
pixel (x,y) da imagem de Franja de Moir:

N k com
N k
I I I
a m k
.. 1
2
1 2
cos =
(

\
|
+ + = (4.5)

148
Para cada uma dos quatro ngulos de teste , -, - e -+, monta-se um
sistema no linear com 3 equaes das N de 4.5. Nota-se que, como se sabe o valor
de , tm-se apenas trs incgnitas, I
m
, I
a
e ; assim o sistema no linear fica:

=
(

\
|
+ + =
=
(

\
|
+ + =
=
(

\
|
+ + =
3
3
2
2
1
1
2
1 2
* cos
2
1 2
* cos
2
1 2
* cos
3
2
1
k k para
N k
I I I
k k para
N k
I I I
k k para
N k
I I I
a m k
a m k
a m k



(4.6)

Aplica-se, ento, o Mtodo de Newton-Raphson para resolver rapidamente o
sistema no linear, onde se conhece os valores da intensidade de luz I
k
, e se deseja
descobrir os valores de I
m
, I
a
e em cada pixel (ou seja, apenas 3 incgnitas e 3
equaes). As trs equaes acima tm derivadas simples e a convergncia do
Mtodo de Newton-Raphson bem rpida. Uma vez calculado I
m
, I
a
e para cada
um dos quatro ngulos de teste , -, - e -+, escolhe-se o ngulo que tiver
menor erro calculado pela Equao 4.7. Ou seja, verifica-se se os valores de I
m
, I
a
e
atendem todas as N equaes de 4.5.

=
)
`

\
|
+ + =
N
k
a m k
N k
I I I Absoluto Erro
1
2
1 2
* cos (4.7)

O ngulo encontrado que apresentar o menor erro o valor de *. Especial
ateno deve ser tomada, pois para um dos quatro ngulos de teste , -, - e -+,
tm-se valores diferentes de I
m
, I
a
e obtidos pelo Mtodo de Newton-Raphson, mas
os valores de intensidade de luz I
k
(k=1..N) so os mesmos. Outro detalhe que
esse processo deve ser realizado para cada pixel na posio (x,y) das imagens de
franjas de Moir. Testes prticos mostraram que esta tcnica no incrementa
consideravelmente o tempo de processamento, uma vez que o Mtodo de Newton-
Raphson converge para a soluo em poucas iteraes.
Nesta pesquisa, optou-se por esta ltima tcnica para fazer a passagem da
fase de [0, /2] para [-, ], em razo da facilidade de implementao computacional
149
e do uso bem conhecido do Mtodo de Newton-Raphson, alm da utilizao na tese
de grandes valores de N (nmero de imagens). O valor de * [-, ] obtido est
pronto para ser a entrada nos algoritmos de desempacotamento (unwrapping)
descrito a seguir.


4.3 Algoritmos de desempacotamento (unwrapping)


Segundo ROBINSOM & RAID (2003), desempacotamento de fase (phase
unwrapping) o processo pelo qual o valor absoluto do ngulo de fase de uma
funo contnua que se estende alm de 2 (relativo a um ponto inicial predefinido)
recuperado. Esse valor absoluto perdido, quando o termo de fase coberto por si
mesmo com distncias repetidas de 2, que tenham natureza senoidal das funes
de onda usada nas medies de propriedades fsicas.
Partindo do princpio de que o processo para determinao do ngulo de fase
* j removeu ambiguidades, agora, quando uma fase acrescentada de 2, a
inclinao da funo positiva, e o contrrio ocorre ao se diminuir uma fase de 2
(PATORSKI, 1993).
Em qualquer padro Moir, as partes de mesma altura no objeto esto
representadas nas franjas com formas de colinas ou selas. O formato de colinas ou
sela aparece nos pontos de interseco com a mesma altura, e deve-se ter muita
ateno ao se interpretar essa regio para se somar ou subtrair a ordem de franja,
principalmente, em mapas de franja gerados de imagens com rudos e imperfeies.
Importante fonte de erro que ocorre na fase de deteco e resoluo dos
saltos de fase se d em funo da presena de rudos. Um aspecto desse tipo de
anlise que a fase determinada independente de cada ponto, ou seja, no
necessria a comparao de dados de outras partes da imagem. Isso significa que
descontinuidades que possam aparecer no padro de franjas sero corretamente
interpretadas, e ambiguidades sero resolvidas automaticamente. Uma grande
vantagem ao se utilizar a Tcnica Deslocamento de Fase juntamente com Moir de
Sombra, que, por essa tcnica, o conhecimento, a priori, do perfil medido, no se
faz necessrio (POST et al., 1994).
150
A ideia central da tcnica de anlises de franja que, se um padro de linhas,
geralmente paralelas entre si, se projeta sobre a superfcie de um objeto e visto de
ngulo deslocado, a franja observada distorcida na forma da superfcie do objeto.
A distoro da franja padro contm informaes sobre a altura do objeto
perpendicular ao plano da imagem. As Tcnicas de Moir obtm informaes dessa
altura atravs da computao das diferenas de fase. Desde que a fase
computada no intervalo entre - e , uma das mais crticas etapas do mtodo o
processo de desempacotamento, ou seja, o processo de eliminao das
descontinuidades 2. Imagens reais de franjas so afetadas por muitos distrbios,
como a aquisio do rudo, problemas de iluminao, sombras e reflexos etc. A base
em uma dimenso do algoritmo de desempacotamento trabalha apenas com um
pixel da linha da imagem de cada vez e, em caso de imagens corrompidas, no
garante um correto processo de desempacotamento. O processo de
desempacotamento em 2-D o problema central na anlise de interferometria tica,
em ressonncia magntica de uso mdico, em fsica do estado slido, e em vrias
outras reas de aplicao. Por essa razo, muitos algoritmos de desempacotamento
tm sido propostos. Uma boa introduo em 2-D dada por GHIGLIA et al. (1998),
que um dos principais algoritmos encontrados na literatura.
O princpio bsico da Remoo de Salto de Fase integrar a fase com
descontinuidades ao longo de uma trajetria pelos dados amostrados. Em cada pixel
o gradiente de fase calculado pela diferena:

1
* * *

=
q q

(4.8)

onde q o nmero do pixel. Se |*| exceder certo limiar como , por
exemplo, ento uma descontinuidade identificada. Este salto de fase corrigido
adicionando-se ou subtraindo-se 2, de acordo com o sinal de *.
Embora a Remoo de Saltos de Fase possa ser desenvolvida por circuitos
analgicos como parte de um processo de medio de fase eletrnico, muitos
pesquisadores empregam tcnicas de Processamento Digital de Imagem. O
princpio mais comumente utilizado baseado no fato de que a diferena de fase
entre quaisquer dois pontos medidos por integrao da fase ao longo de um
caminho entre estes dois pontos independente da trajetria escolhida, se esta
151
trajetria no passa atravs de uma descontinuidade. Assim, os Mtodos de
Remoo do Salto de Fase podem ser divididos em mtodos dependentes e
independentes do caminho.
O mtodo mais simples de Remoo do Salto de Fase o mtodo
dependente do caminho, que envolve o escaneamento sequencial ao longo dos
dados amostrados, linha por linha. Ao final de cada linha, a diferena de fase entre o
ltimo pixel e o pixel da linha abaixo determinado, e a linha posterior escaneada
na direo inversa. Esta tcnica amplamente aplicvel para dados de alta
qualidade, porm, variaes mais complexas so necessrias na presena de
rudos. Uma maneira utilizada para se evitar a propagao de erros ao longo da
matriz de dados realizar a Remoo do Salto de Fase primeiramente nas regies
de pixis bons. Os pixis ruins, com grandes incertezas de medio, tm suas
descontinuidades removidas posteriormente, todavia, a propagao de erros fica
confinada a pequenas regies (DEL-VECCHIO, 2006).
O mtodo independente do caminho desenvolvido a partir de uma mscara
33, na qual as diferenas de fase, *, do pixel central e de seus quatro pixis
vizinhos mais prximos, nas direes verticais e horizontais, so calculadas. Se uma
das diferenas maior, em valor absoluto, que , +2 ou -2, adicionado a *,
dependendo da maioria das quatro diferenas ser positiva ou negativa. Quando duas
diferenas so positivas e duas so negativas, uma deciso arbitrria tomada para
adicionar 2. Quando nenhuma das diferenas absolutas excede , ento *
permanece imutvel. Essas iteraes se processam ao longo de toda a imagem at
que repeties sequenciais no mais resultem em alteraes do valor inicial para
cada matriz (array). Nesse estgio, uma iterao global realizada, substituindo-se
cada valor de pixel pela mdia de cada par de pixis na matriz (array) corrente e na
matriz (array) anterior. Esse algoritmo requer um processamento intensivo, sendo,
no entanto, imune a rudos e artefatos (DEL-VECCHIO, 2006).
Uma forma de se evitar a propagao de erros a partir de vazios ao longo de
toda a imagem aplicar a Remoo de Salto de Fase Temporal. A ideia principal
acerca deste mtodo que a fase em cada pixel medida como uma funo do
tempo. Este mtodo aplicvel em situaes em que o deslocamento de fase ocorre
ao longo do tempo, por exemplo, em anlise de deformaes na qual o
deslocamento de fase proporcional ao deslocamento da superfcie.
152
As opes de algoritmos de desempacotamento so muitas e vrias
alternativas poderiam ser usadas, inclusive, tcnicas que dispensam a fase de
passagem de [0, /2] para [-, ], descrita no item anterior. Nesta pesquisa, optou-se
por uma implementao conservadora, bastante trabalhada e consolidada na
literatura, uma vez que este no o foco principal deste estudo, descrito em
GHIGLIA et al. (1994), e mostrada a seguir.
A fase * obtida da Tcnica Deslocamento de Fase uma fase empacotada
(wrapped phase), que varia de - at radianos. Uma fase empacotada tem de ser
desempacotada (unwrapping), tal que o valor da fase incrementado por um fator
de 2h. O relacionamento entre a fase empacotada (*) e a fase desempacotada ()
estabelecida como:

+ =
=
h W
W

2 * *) (
*) (
(4.9)

onde W a funo de desempacotamento (unwrapping) e h um nmero
inteiro, * a fase empacotada (wrapped) e a fase desempacotada. Logo, para
toda a imagem, tem-se:

) , ( . 2 ) , ( * ) , ( y x h y x y x + = (4.10)

No processo de desempacotamento, vrios dos valores de fase so
deslocados (adicionados e subtrados) por um mltiplo inteiro de 2. Este processo
ento resumido com adio e subtrao de 2 em cada descontinuidade encontrada
na distribuio de fase (*) da imagem. O procedimento de desempacotamento
consiste em achar o correto nmero de ordem para cada fase medida. O nmero de
ordem tem apenas trs possibilidades em cada pixel, h(x,y)=0 ou h(x,y)=1 ou
h(x,y)=-1.
Este mtodo supe que a fase da imagem contnua, e que a amostragem
densa bastante, tal que o verdadeiro valor da fase entre dois pontos adjacentes no
possa diferenciar mais que . A fase empacotada tambm chamada de principal
denotada por *, e o valor verdadeiro da fase. As diferenas das fases na
direo horizontal e na direo vertical podem ser estimadas por (ndice i para o
153
deslocamento de pontos na horizontal [x] e ndice j para deslocamento de pontos na
vertical [y]):

( )
( )

=
=
+
+
j i j i
y
j i
j i j i
x
j i
W
W
, 1 , ,
, , 1 ,
* *
* *


(4.11)

O quadrado do erro para uma imagem com resoluo grfica de M
x
M
y
:

( ) ( )
2
1
1
1
, , 1 ,
2
1
1 1
, , , 1
* * * *

=

=
+

= =
+
+ =
x
y
x
y M
i
M
j
y
j i j i j i
M
i
M
j
x
j i j i j i
S
(4.12)
Aplicando-se o critrio dos mnimos quadrados chega-se a:


+ =
+
=
=

+ +
+ +
+ +
y
j i j i j i
y
j i j i j i
x
j i j i j i
x
j i j i j i
j i j i j i j i j i j i j i j i
j i j i j i j i j i j i j i j i j i
C
Q
onde
C Q
1 ,
2
1 ,
2
,
,
2
,
2
1 , , 1
2
, 1
2
, ,
2
,
2
, 1
1 , ,
2
1 ,
2
, , 1 ,
2
,
2
1 ,
, 1 ,
2
, 1
2
, , , 1
2
,
2
, 1 ,
) * ; * min(
) * ; * min( ). * ; * min( ) * ; * min(
) )( * ; * min( ) )( * ; * min(
) )( * ; * min( ) )( * ; * min(




(4.13)

onde min(r,s) funo que retorna o menor dos dois valores r ou s. Chega-se
a um sistema linear que pode ser resolvido pelo Mtodo de Gauss com Pivotao
Parcial para se obter o valor de . Matematicamente, a formulao 4.13 pode
tambm se vista como uma soluo por Diferenas Finitas da equao diferencial de
Laplace com condies de contorno do tipo de Neumann, para se ter uma
continuidade dos valores da fase (). Mais detalhes podem ser encontrados tambm
em HUNT (1979).
A modulao de fase () obtida no processo de desempacotamento
representa fisicamente a frao do nmero de ordem de franja nas imagens de
Moir, multiplicada por 2. A forma do objeto pode, ento, ser determinada e
medida, aplicando-se a equao abaixo deduzida da Equao 2.7:

154
) tan (tan
2
,
,

+
|

\
|
=
j i
j i
p
Z (4.14)

onde Z
i,j
profundidade a ser medida, que a distncia vertical do retculo
plano para o ponto do objeto em cada pixel; p o passo ou distncia entre as linhas
do retculo de referncia ou frequncia do retculo ou, ainda, frequncia espacial do
retculo; o ngulo entre a normal e o feixe de luz (iluminao), e o ngulo
entre a normal e o ponto de observao (observador). Isso mostrado na Figura 26
abaixo:

Figura 26 Montagem da Tcnica Moir de Sombra para obteno das medidas
de Z que a distncia entre o objeto e o retculo em cada pixel da
fotografia.
Fonte: Resultados da pesquisa.



4.4 Gerao de imagens de Moir no computador


Outra proposta deste estudo, para se testar a preciso das novas equaes
de clculo desenvolvidas, substituir as fotografias das franjas de Moir pela
gerao destas imagens no computador. Usando o conhecimento de
Processamento Digital de Imagens possvel criar, dada uma funo matemtica
Z=f(x,y), vrias imagens de Moir, uma para cada fase, e testar o processo de
medio atravs da Tcnica Deslocamento de Fase. O processo de gerao de
imagens descrito a seguir.
Inicialmente, define-se a resoluo grfica das imagens a serem geradas,
nmeros de pixis na horizontal e na vertical. Aplica-se, ento, a regra numrica de
discretizao de funes, para se calcular o incremento de passo na horizontal
x=h
x
e o incremento de passo na vertical y=h
y
.
155

= =

= =
) 1 (
) 1 (
y
i f
y
x
i f
x
n
Y Y
h y
n
X X
h x
(4.15)
onde X
f
o maior valor da distncia mtrica na horizontal, X
i
o menor valor
da distncia mtrica na horizontal, Y
f
o maior valor da distncia mtrica na vertical,
Y
i
o menor valor da distncia mtrica na vertical, n
x
o nmero de pixis da
imagem na horizontal e n
y
o nmero de pixis na imagem vertical. Assim, para
cada pixel da imagem, pode-se obter sua posio mtrica (x,y). Com o valor de x e
y, usando a funo matemtica f(x,y), calcula-se a altura Z=f(x,y).
A ordem de franja pode ser obtida, alterando-se a Equao 4.14 reescrita em
4.16 abaixo:
p
y x Z y x
) tan (tan
) , ( 2 ) , (

+
= (4.16)
onde Z(x,y) a profundidade a ser medida, que a distncia vertical do
retculo plano para o ponto do objeto em cada pixel; p o passo (pitch) ou distncia
entre as linhas do retculo de referncia ou frequncia do retculo ou, ainda,
frequncia espacial do retculo; o ngulo entre a normal e o feixe de luz
(iluminao); o ngulo entre a normal e o ponto de observao (observador); e
(x,y) a ordem de franja em cada pixel da imagem multiplicada por 2.
Para imagens monocromticas (preto e branco) onde cada pixel
armazenado usando um byte de 8 bits, onde os tons de cinza variam de 0(preto) a
255(branco) e dado um deslocamento de fase arbitrria, pode-se calcular os
valores destes pixis pelas equaes:

N k com
N k
y x y x I
k
.. 1
2
1 2
) , ( 2 cos
2
255
2
255
) , ( =
(

\
|
+ + = (4.17)
onde N o nmero de imagens a serem geradas, uma para cada
deslocamento de fase; I
k
a intensidade luminosa da imagem em um dado pixel,
que arredondado para o valor inteiro mais prximo, uma vez que cada pixel
armazenado em um byte de 8 bits, variando de 0 a 255; k a ordem da imagem
gerada, variando de 1(primeira imagem) at N(ltima imagem).
156
Nota-se que as imagens geradas por este processo no tm rudo, e as
nicas distores so provenientes das discretizaes em pixis horizontal e vertical
e das discretizaes em tons de cinza provenientes do arredondamento para inteiro
no byte dos pixis. A Figura 27 ilustra este processo para a equao:
5 5 , 5 5 ,
100
) (
2 3

= y x com
y x
z (4.18)

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Figura 27 Um conjunto com 16 imagens de Franjas de Moir de um megapixel geradas no
computador. [A-P]. Nas imagens, usou-se uma resoluo grfica de um megapixel
com 1280 pixis na horizontal e 960 pixis na vertical.
Fonte: Resultados da pesquisa.

Estas imagens geradas no computador podem agora ser usadas para testar o
algoritmo de medio da Tcnica Moir de Sombra com Deslocamento de Fase.
157
Uma vez que se conhece a altura Z, em cada pixel, pelo valor da funo matemtica
f(x,y), o erro e a preciso podem ser obtidos com facilidade. Isso realizado no
Captulo V deste estudo.
Em outro estudo, a funo f(x,y) calculada por interpolao polinomial de
pontos medidos de um objeto com a geometria simples, usa-se uma malha
desenhada em uma transparncia com 49 pontos formando uma malha com 7
pontos na horizontal e 7 pontos na vertical. Essa transparncia colada em um vidro
transparente, e usando-se um paqumetro medida a distncia do objeto at o vidro
nos 49 pontos da malha. Com os 49 pontos tabelados de x, y e z, aplicam-se uma
interpolao polinomial de Lagrange bidimensional multivariada, para se obter um
polinmio que passa por esses 49 pontos medidos. Detalhes desse procedimento
podem ser encontrados em HOFFMAN (2001).
O polinmio encontrado passa a ser a funo matemtica Z=f(x,y)=P(x,y), que
pode ser usada para a gerao das imagens das Franjas de Moir descritas
anteriormente neste item. Malhas maiores foram confeccionadas onde o
espaamento horizontal e vertical no era de apenas um centmetro, mas de dois e
trs centmetros. Assim, foram desenhadas malhas de 36 cm
2
(6x6), 144 cm
2
(12x12)
e 324 cm
2
(18x18), que foram usadas para objetos de diversos tamanhos.
No prximo item, as imagens geradas vo ganhar muito mais veracidade com
o acrscimo de rudo, imperfeies e das sombras das linhas verticais do retculo,
ficando muito difcil distinguir o que fotografia de imagem real do que imagem
criada no computador.


4.5 Acrscimos de rudos nas imagens


Aqui apresentado um resumo introdutrio sobre rudos em imagens digitais.
A ideia mostrar como as fotografias reais sempre contm erros e distores que
afetam o processo de medio, usando a Tcnica de Moir. Mais detalhes podem
ser encontrados em GONZALEZ et al. (2000, 2004).
O rudo o equivalente digital dos gros dos filmes utilizados em cmeras
de filme. Outra forma de ilustrar o que rudo, pensar nele como o equivalente ao
sutil chiado que se percebe quando uma msica ouvida num volume muito alto de
158
voz. Para as fotografias digitais, esse rudo aparece como manchas aleatrias em
uma superfcie normalmente lisa, e compromete significativamente a qualidade das
fotos. Apesar de o rudo ser considerado um defeito de uma foto, ele pode ser
causado propositalmente, j que pode conferir s fotos um aspecto antigo que
remeta aos filmes. Um pouco de rudo tambm pode aumentar a nitidez da imagem.
O rudo aumenta proporcionalmente sensibilidade escolhida (ISO) e tempo de
exposio. A quantidade de rudo tambm varia muito dependendo da cmera
utilizada. Cmeras profissionais de alto nvel costumam ter muito menos rudo que
cmeras compactas comuns.
Algum nvel de rudo sempre existe em qualquer aparelho eletrnico que
transmite ou recebe um sinal. Para as televises esse sinal so os dados da
transmisso enviados por cabo ou recebidos pela antena da TV; para as cmeras
digitais, o sinal a luz que atinge o sensor da cmera. Mesmo sendo inevitvel, o
rudo pode se tornar to pequeno relativamente ao sinal, que pode ser considerado
inexistente. A razo entre o sinal e o rudo (SNR, do ingls signal to noise ratio)
uma maneira til e universal de comparar as quantidades relativas de sinal e rudo
para qualquer sistema eletrnico; razes altas tero pouco rudo visvel, enquanto o
oposto vale para baixas razes.
O ISO de uma cmera (em ingls ISO setting ou ISO speed) um padro que
descreve a sensibilidade absoluta da luz. O ISO normalmente apresentado em
razes de 2, como ISO 50, ISO 100, ISO 200 e ISO 400, e pode ter uma grande
variedade de valores. Valores mais elevados representam maior sensibilidade, e a
razo entre dois valores de ISO representa a sensibilidade relativa entre elas, ou
seja, uma foto com ISO 200 demorar a metade do tempo que uma foto com ISO
100 para atingir o mesmo nvel de exposio (se todos os outros parmetros da
cmera forem fixados). O ISO das cmeras digitais a mesma coisa que a ASA
encontrada nos filmes para cmeras analgicas. A diferena, sem dvida, que uma
nica cmera digital pode fotografar em diferentes ISO sem troca de filmes. O
aumento do ISO possvel, amplificando-se o sinal do sensor da cmera, mas isso
tambm amplifica o rudo. Assim, quanto maior o ISO, mais rudo a imagem ter.
Vrios tipos de rudos podem ser encontrados nas imagens digitais. Cmeras
digitais produzem trs tipos de rudo bsicos: aleatrio, de padro fixo e de bandas.
O rudo aleatrio caracterizado por flutuaes de intensidade e tom de cor
em relao imagem real. Sempre haver alguma quantidade de rudo aleatrio em
159
qualquer durao de exposio, pois ela ser muito influenciada pelo ISO. O padro
do rudo aleatrio muda mesmo quando as propriedades da exposio so as
mesmas ( exatamente por isso que ele chamado de aleatrio).
O rudo de padro fixo inclui o que se costuma chamar de hot pixis (do
ingls: pixis quentes), que so chamados assim, quando a intensidade de um
pixel ultrapassa muito a das flutuaes de rudo aleatrio. O rudo de padro fixo
geralmente aparece em situaes de exposies longas, e exacerbado por
temperaturas altas. Uma caracterstica importante que ele mostra
aproximadamente a mesma distribuio, se as condies nas quais a imagem
produzida so repetidas (temperatura, exposio e ISO).
O rudo em banda depende muito da cmera utilizada, e introduzido pela
prpria cmera quando ela l dados provenientes do sensor digital. Ele mais
visvel, quando so usados ISO altos e nas reas de baixa luz, ou quando uma
imagem foi editada / clareada excessivamente. Dependendo da cmera, ele tambm
pode ser aumentado em funo do balano de branco escolhido.
Apesar de parecer ser o mais intrusivo, o rudo de padro fixo normalmente
o mais fcil de ser removido, em razo da sua natureza repetitiva. A eletrnica da
cmera tem que, simplesmente, saber o padro e subtra-lo da imagem capturada,
para revelar a imagem verdadeira. O rudo de padro fixo um problema muito
menor que o rudo aleatrio em cmeras de ltima gerao, apesar de pequenas
quantidades serem ainda mais facilmente percebidas que o rudo aleatrio.
O rudo aleatrio muito mais complicado de ser removido sem que a
imagem seja danificada. Os algoritmos criados para isso ainda lutam para conseguir
discernir entre o rudo e texturas reais, como as que ocorrem na terra ou folhas.
Assim, tentativas de remover o rudo acabam, tambm, removendo essas texturas.
A mudana do rudo no depende somente da exposio da foto e da
cmera, j que pode variar dentro de uma mesma imagem. Em cmeras digitais,
regies mais escuras tero mais rudo que regies mais claras, e com o filme
acontece o contrrio. A magnitude do rudo, normalmente, descrita pelo desvio
padro, que quantifica a variao tpica que um pixel tem de seu valor real.
Aumentar o ISO sempre produz mais rudo em uma cmera, mas a variao
de rudo na troca de ISO muda muito de cmera para cmera. Quanto maior a rea
de um pixel no sensor da cmera, maior ser a capacidade de receber luz -
produzindo assim um sinal mais forte. Como resultado, cmeras com pixis
160
fisicamente maiores, geralmente, vo aparentar ter menos rudos, j que o sinal
maior em relao ao rudo. por isso, que cmeras com mais megapixis
espremidos em uma mesma rea no, necessariamente, produzem imagens
melhores. Por outro lado, um sinal mais forte, necessariamente, ter um rudo
menos visvel, j que a quantidade relativa de rudo e sinal que determina quo
ruidosa ser uma imagem.
Imagens reais, frequentemente, sofrem degradaes durante seu processo de
aquisio, transmisso ou processamento. Essa degradao normalmente
chamada de rudo. O rudo pode ser considerado uma varivel aleatria z,
caracterizada por uma funo-densidade de probabilidade p(z). Os tipos de rudo
mais comumente modelados so rudos impulsivo, Gaussiano, uniforme, Erlang,
exponencial, Rayleigh e Poisson (GONZALEZ et al., 2004).
Observa-se que em todos os modelos, o rudo considerado como uma
distribuio estatstica na imagem. Isso refora a ideia de que a repetitividade e o
aumento do nmero de observaes vai atenuar o rudo das imagens.
Neste trabalho de pesquisa, os modelos acima de rudo foram aplicados nas
fotografias com um percentual de 10% a 20% dos pixis de uma imagem, ou seja,
cerca de um quinto dos pixis de uma imagem contm algum tipo de rudo.
Para tornar as imagens geradas mais realistas, foi tambm aplicado nelas um
processo de suavizao (smoothing). A suavizao linear aplicada para gerar
novas imagens com aspecto mais suave, pois calculam o novo valor de intensidade
luminosa de um dado ponto, a partir de uma mdia linear dos valores de intensidade
dos pontos vizinhos, de acordo com o tamanho da mscara de convoluo usada
(chama-se de convoluo o processo de calcular a intensidade de um determinado
pixel em funo da intensidade de seus vizinhos). Numa configurao de mscara
3X3, com todos os vizinhos sendo levados em conta da mesma maneira, a operao
se resumiria na troca do valor do pixel central pela mdia aritmtica dos pixis mais
prximos (Filtro Passa Baixa). Porm, possvel adotar uma mscara que priorize
ou conceda maior peso para vizinhos especficos, buscando um comportamento
mais adequado para a aplicao (GONZALEZ et al., 2000).
interessante notar que, na maior parte dos trabalhos encontrados na
literatura, se est tentando tirar o rudo e, neste estudo, a ideia acrescent-lo na
imagem gerada por computador, para torn-la o mais real possvel. Uma rotina em
MatLab foi desenvolvida, gerando aleatoriamente rudo as diversas imagens
161
geradas pelo programa. Alm disso, foi aplicada uma suavizao linear, e foram
tambm acrescidas as sombras das linhas verticais do retculo. O resultado visto
na Figura 28.






Figura 28: direita imagem gerada pelo computador do seio de um manequim, e esquerda,
fotografia digital tirada dos seios do mesmo manequim.
Fonte: Resultados da pesquisa.

difcil perceber qual a imagem real e qual a imagem criada no
computador. Nota-se, que no caso dos seios do manequim, foi usada uma funo
f(x,y) obtida por interpolao polinomial com base em 49 medidas realizadas com
um paqumetro.


4.6 Filtros Iniciais antes do clculo de fase


Uma vez que se obteve a fotografia das Franjas de Moir, esta deve,
inicialmente, ser tratada com o objetivo de remover as linhas do retculo de Moir,
para atenuar os rudos e as distores. Neste estudo, foi aplicado, apenas,
recursivamente, filtro passa baixa e filtro gaussiano; mais nenhum tratamento foi
dado inicialmente s imagens digitais fotografadas.
Filtragem digital um conjunto de tcnicas destinadas a corrigir e realar uma
imagem. A correo a remoo de caractersticas indesejveis, e a melhoria/realce
a acentuao de caractersticas. O clculo baseado em ponderao, isto ,
utilizam-se pesos diferentes para pixis vizinhos diferentes. A matriz de pesos
162
chamada de kernel (ncleo) da convoluo. Para obter o novo valor do pixel,
multiplica-se o kernel pelo valor da imagem original em torno do pixel, elemento a
elemento, e soma-se o produto, obtendo-se o valor do pixel na nova imagem.
As tcnicas de filtragem so transformaes da imagem pixel a pixel, que no
dependem apenas do nvel de cinza de um determinado pixel, mas tambm, do valor
dos nveis de cinza dos pixis vizinhos, na imagem original. Os filtros funcionam
como janelas ou mscaras mveis que se deslocam sobre a imagem. Por exemplo,
uma janela de trs por trs pixis (nove ao todo) que percorre a imagem.
Inicialmente, ela colocada no canto superior esquerdo da imagem, sendo que o
valor do pixel central dessa janela na imagem dado pela soma dos valores dos 9
pixis da imagem multiplicados pelas 9 celas da janela. Essa janela se desloca, pixel
a pixel, e essa operao repetida, atribuindo-se novos valores aos pixis.
Outra opo de filtragem, o processamento no domnio frequncia
semelhante ao realizado no domnio espacial, porm os operadores utilizados nas
tarefas de filtragem mudam significativamente, tendo em vista que, agora, a busca
pelas caractersticas da imagem se d no plano da frequncia, que , na verdade,
uma nova estrutura de representao das informaes da imagem original. O que
antes era analisado no domnio espacial de f(x,y), agora analisado em F(u,v), que
a representao da imagem f no domnio da frequncia. A ferramenta utilizada
para mapear os dados de f do domnio espacial para F no domnio da frequncia a
Transformada Discreta de Fourier (DFT). Essa ferramenta mapeia as caractersticas
do sinal no tempo (espao) para um somatrio de senos e cossenos com seus
respectivos pesos, de forma a traduzir perfeitamente o sinal para o domnio da
frequncia. Para retornar ao domnio do tempo, sem perdas de informaes, basta
aplicar a transformada inversa ao sinal da frequncia. A teoria matemtica por trs
desta ferramenta extensa e possui rica literatura, no fazendo parte do escopo
deste estudo aprofundar-se em maiores detalhes de seu funcionamento.
O processamento no domnio da frequncia costuma ser mais custoso e
demorado, devido ao nmero maior de etapas de processamento a serem
cumpridas, e pela natureza das mscaras de convoluo de frequncias, que so
bem maiores do que as utilizadas no processamento espacial. O processamento de
uma imagem no domnio da frequncia, segue os seguintes passos (GONZALEZ et
al., 2000) :

163
1 multiplicar a imagem no domnio espacial por um fator (1)x+y, para
auxiliar o clculo posterior da DFT (pois centraliza as informaes da
transformada na imagem);
2 calcular a DFT da imagem f propriamente dita, gerando F(u,v);
3 aplicar uma funo de filtragem H(u,v) sobre a imagem F, de acordo
com as caractersticas que se deseja realar na imagem, gerando uma
nova imagem: G(u,v) = H(u,v)F(u,v);
4 calcular a DFT inversa do resultado da filtragem (G) realizada no passo
3, trazendo a imagem de volta ao domnio espacial com as
modificaes da filtragem;
5 extrair apenas a parte real do resultado obtido da DFT inversa no
passo 4;
6 multiplicar esta parte real novamente por (1)x+y, para rearranjar a
imagem corretamente no domnio espacial e possibilitar a visualizao
dos resultados.
Na tese utilizou-se somente um filtro passa baixa e um filtro Gaussiano no
domnio espacial aplicado diversas vezes sobre as imagens fotogrficas. Mas uma
alternativa muito usada descrita a seguir. Para maiores referncia consultar
COSTA (2006).
Aps as fotos adquiridas j terem sido introduzidas no computador, pode-se
dividir a fase de processamento em sete etapas:
1 transformao das fotos em tons de cinza;
2 mdia das fotos de mesmo ngulo de fase (1 filtragem);
3 clculo da componente senoidal e cossenoidal da fase;
4 filtragem das componentes senoidal e cossenoidal da fase atravs de
Fourier (2 filtragem);
5 clculo da fase (com saltos 2);
6 remoo do salto de fase;
7 clculo do perfil e visualizao em 3-D.
A diferena est nas etapas 2, 3 e 4, pois o restante igual ao desenvolvido
neste estudo, onde se optou por substituir as 3 etapas por simples filtragem Passa
Baixo e Gaussiano, pela simplicidade e velocidade de implementao
computacional. Mas acredita-se que esse processo alternativo descrito aqui possa
164
produzir um resultado melhor e mais preciso. Variaes desta tcnica podem ser
encontradas em DEL-VECCHIO (2006) e RIBEIRO (2006).
Uma grande inovao nesta rea de filtros iniciais citada por WANG (2003),
que desenvolveu uma teoria de filtros direcionais que utilizam o desvio padro para
determinar a direo das franjas e, ento, aplicar um filtro nessa direo. Com isso,
obtida uma imagem muito melhor e com menos erros. Nessa mesma pesquisa,
so tambm citados novos filtros auto-adaptativos para imagens de Franjas de
Moir.


4.7 Concluso do captulo


Apesar do tratamento de imagens no ser o foco principal desta pesquisa,
esta temtica muito importante para a compreenso e entendimento da tese ora
defendida. Vale destacar que muitas tcnicas e novos algoritmos so encontrados
na literatura cientfica. Neste captulo foi apresentado apenas um resumo introdutrio
do tema, sendo altamente recomendvel a consulta de outras referncias
bibliogrficas, tambm porque foi muito interessante constatar a recente e
expressiva evoluo da Informtica e do Processamento Digital de Imagens.
Importante observar, que a opo adotada nem sempre foi a mais precisa,
uma vez que se objetivou, neste estudo, a simplicidade e a facilidade de
implementao computacional em MatLab. A ideia da Tcnica Moir de Sombra
com Deslocamento de Fase objetivou testar, verificar e comparar as novas equaes
do clculo de fase desenvolvidas pela generalizao do Algoritmo de Carr, que se
traduz no foco principal da tese.
A presena de rudos nas imagens e erros da ordem de milmetros nas
medies usando a Tcnica de Moir sero importantes para testar, verificar e
comparar a utilidade das novas equaes do clculo de fase desenvolvidas. Assim
sendo, no se optou por uma busca extrema de tratamento de imagens de alta
preciso, pois, justamente a comparao dos erros e incertezas que so visveis e
facilmente detectveis que justificar o desenvolvimento de equaes de clculo
usando muitas imagens. Essa temtica ser tratada no prximo captulo.
165
CAPTULO V - ANLISE DE ERROS


5.1 Introduo do captulo


Em quase todas as reas da atividade humana h uma busca contnua e
ininterrupta por novos mtodos, novos procedimentos que superem ou melhorem,
em certo sentido, aqueles j existentes. Assim que, na agricultura, buscam-se
variedades mais adequadas e mais produtivas de cereais; no setor de transporte,
procuram-se motores de maior rendimento e de menor rudo; na Medicina procuram-
se drogas com maior poder de cura e o mnimo possvel de efeitos colaterais; e na
Engenharia, criam-se mtodos de medidas experimentais mais precisos e sujeitos e
menos erros e falhas.
Em todas essas situaes, preciso comparar as tcnicas usuais com os
mtodos alternativos. A comparao da eficincia de duas drogas, de dois mtodos
de produo de ao, de dois procedimentos de laboratrio ou, em geral, de dois
tratamentos , pois, uma questo importante que surge frequentemente no trabalho
de pesquisa e desenvolvimento. A escolha entre dois tratamentos diferentes no
uma tarefa to simples como, a princpio, possa parecer. necessrio realizar
experimentos, coletar informaes e fazer inferncias a partir da evidncia
experimental.
Tome-se o caso de duas terapias alternativas. Se todos os portadores de
determinada doena se comportassem de maneira idntica em relao aos
tratamentos utilizados, bastaria examinar o comportamento de um, no mximo dois
deles, frente s alternativas existentes, j que a deciso sobre qual o melhor deles
seria bvia. Seria lgico, pois, inferir que nenhuma Anlise Estatstica seria
necessria. Tal, entretanto, no o caso. A reao a um tratamento varia de
indivduo para indivduo e, via de regra, no h um tratamento timo para todos.
Como, em geral, no se conhece, a priori, a reao de cada indivduo, prescreve-se
o tratamento que, em mdia, d os melhores resultados (TRIOLA, 2008).
O procedimento para determinar qual de dois tratamentos , em mdia, o
mais eficiente envolve a seleo de duas amostras e a comparao dos resultados
obtidos. Neste captulo, discute-se como comparar a preciso mdia de duas
166
equaes do clculo de fase para variveis quantitativas ou dicotmicas, com os
dados de forma emparelhados.
Uma forma bastante eficiente de se coletar dados para a comparao de dois
tratamentos consiste em medir o valor da varivel de interesse em diversos pares de
amostras, tomando-se cuidado para que as caractersticas das amostras que
integram um mesmo par sejam to semelhantes quanto possvel. O tratamento
administrado a somente um dos elementos do par. A esta amostra refere-se como
tratamento. A amostra que no recebeu tratamento, denominada controle. A
vantagem do procedimento clara: as amostras no par so idnticas, exceto no que
se refere ao tratamento recebido (TRIOLA, 2008).
Neste estudo, foram tiradas vrias fotografias, pela Tcnica Moir de Sombra,
de um objeto com dimenses muito bem conhecidas, e cada imagem apresentou
uma defasagem arbitrria em relao s outras. Em vista disso, aplicaram-se, ento,
as novas equaes de clculo para se obter o perfil do objeto. Assim, para a
equao com 4 imagens, foram usadas as quatro primeiras fotografias; para a
equao com 5 imagens usou-se as cinco primeiras fotografias (as quatro anteriores
mais uma); para as equaes com 6 imagens, usaram-se as seis primeiras
fotografias (as cinco anteriores e mais uma), para as equaes com 7 imagens,
usaram-se as sete primeiras fotografias (as seis anteriores e mais uma), e assim por
diante. Para cada nova equao do clculo de fase testada, calculou-se o erro
mdio que a soma das diferenas entre as dimenses conhecidas do objeto e as
dimenses do objeto fornecido pela Tcnica Moir de Sombra em cada pixel. Com
este resultado, aplicou-se o teste estatstico de hiptese em inferncia a partir de
amostras emparelhadas.
interessante notar que na literatura internacional sobre a Tcnica de Moir o
erro da ordem de micrometros ou nanmetros. No entanto, na montagem
experimental realizada neste estudo cientfico, que pretende medir objetos da ordem
de dez centmetros e utiliza um retculo com espaamento de um milmetro, luz no-
colinear e placa de vidro e cmeras digitais comuns, o erro da ordem de
milmetros, ou seja, um erro visvel a olho nu e facilmente perceptvel. Ressalta-se,
pois, que o importante no mbito da tese ora defendida comparar as novas
equaes de clculo, uma vez que essas novas equaes do clculo de fase podem
ser aplicadas a qualquer montagem da Tcnica de Moir, inclusive, nas de alta
preciso e de elevados custo financeiros.
167
A Figura 29 abaixo mostra alguns exemplos de rudos em fotografias reais de
Moir encontradas na literatura atualmente. Notam-se na figura os mais variados
tipos de defeitos, imperfeies, sujeiras e distores nas fotografias obtidas em
ambientes extremos reais.





Figura 29 Exemplo de rudos e imperfeies de fotografias de Moir.
Fonte: WALKER, 2004, p. 436-439.

168
Para se obter medidas nestes tipos de imagens, deve se utilizar um grande
nmero de tcnicas de Processamento Digital de Imagens para contornar os efeitos
dos rudos. Alm disso, as etapas da Tcnica de Moir devem apresentar imunidade
aos erros na fotografia e no deixar com que as imperfeies se propagem ou sejam
aumentadas. Vale lembrar que em alguns casos a Tcnica de Moir utilizada como
uma alternativa de medio onde outras tcnicas fracassaram ou se tornaram
inviveis.
Por outro lado, POST et al. (1994) cita medidas utilizando a Tcnica de Moir
com erro da ordem de nanmetros (10
-9
m), mas para isso uma serie de cuidados
deve ser tomada. Usa retculos da ordem de 10.000 linhas por milmetros
(linhas/mm) geradas por meio de microscpio eletrnico de varredura (SEM
Scanning Electron Microscope). A luz visvel substituda por poderosas fontes de
raios X ou raios de nutrons, sendo estes de ondas coerentes (aquela formada por
ondas de mesma frequncia, fase e direo). Os objetos medidos so bem
pequenos (ordem de micrometros: 10
-6
m) e com superfcies bem comportadas (sem
grandes inclinaes e continuamente suaves, aproximadamente superfcies
Lambertianas refletem a luz em. uma nica direo). Utilizao de ambientes
especiais, sem vibraes, sem rudos de som ou luz, com ar limpo e sem poeira
(cmeras emerticamente fechadas). Mquinas fotogrficas de alta resoluo acima
de 24 megapixis acoplada a microscpios ticos.


5.2 Equipamentos utilizados nos experimentos


A escolha dos equipamentos foi efetuada da forma a aproveitar o que j
existe no Laboratrio de Anlise Estrutural da PUC-Minas, e concentrar os esforos
na parte de processamento das informaes. A simplicidade dos equipamentos
tambm reflete a inexistncia de projetos especficos, podendo o experimento ser
facilmente reproduzido em futuras aplicaes.
So seis os principais componentes fsicos deste experimento:

o projetor de luz estruturada;
o dispositivo de captura de imagens (cmera digital);
169
o sistema de processamento e armazenamento das informaes;
objetos a serem medidos (devem ser brancos);
o retculo com listas verticais espaadas de 1 mm;
micrmetro preso ao retculo com uma mola para alterao da fase.

Dezesseis fotografias foram tiradas com deslocamento de fase aleatrio entre
elas, mas constante nas dezesseis imagens. O arranjo utilizado para esse
experimento-exemplo foi o seguinte: da cmera fotogrfica at o retculo de franjas a
distncia foi de 1000 mm; da cmera fotogrfica at a fonte de luz a distncia foi de
250 mm.
O passo (pitch) utilizado foi de 1 mm, e antes de cada fotografia o retculo foi
cuidadosamente deslocada, ou seja, aps ser retirada uma fotografia, o retculo foi
deslocada algumas fraes de milmetros em direo mquina fotogrfica para a
segunda foto ser tirada. Esse mesmo deslocamento foi realizado para a obteno
das outras fotos, o deslocamento sempre o mesmo em cada conjunto de
dezesseis fotografias.
Visando uma melhora nos resultados obtidos, foi proposto um sistema para
calibrao do sistema de medio. Inicialmente, foi pensado em se calibrar o
sistema atravs da medio de um plano. Aps a aquisio dos valores de um plano
conhecido e sem deformidades (uma placa de vidro pintada de branco, por
exemplo), poder-se-ia corrigir os resultados obtidos na medio de outro objeto
qualquer (no caso, a medio do plano inclinado) atravs de um mapa de tendncias
encontrado na medio do plano (desde que se utilizem as mesmas distncias e
passo da medio do plano).
Atravs do plano inclinado foi realizada uma correo para os erros
sistemticos encontrados no plano reto. Isso foi feito, pois os resultados encontrados
ao se medir o plano inclinado se apresentaram confiveis e as imagens resultantes
da medio por Moir de Sombra do plano inclinado tiveram melhor qualidade. Ou
seja, agora, a imagem conseguida do plano inclinado atravs da Tcnica Moir de
Sombra passa a ser o mapa de tendncias. Aps serem realizadas as devidas
correes com as tendncias encontradas na medio do plano inclinado (que foi
utilizado como padro), conseguiu-se uma melhora visvel no resultado da medio.
O retculo de franjas foi confeccionada com o uso de uma transparncia
afixada a uma placa de vidro. A placa de vidro tem 3 mm de espessura, com 260
170
mm de comprimento e 220 mm de altura. O vidro foi cuidadosamente limpo, ficando
sem arranhados ou trincas. Foi utilizada uma impressora de jato de tinta para a
impresso do retculo na transparncia. O padro de impresso utilizado foi o
fotogrfico, com uma resoluo equivalente a 1280 x 960 dpi. A transparncia foi
ento cortada no tamanho da placa de vidro, de forma que as franjas cobrissem todo
o vidro. Posteriormente, a transparncia com o padro de franjas foi afixado na placa
de vidro, evitando, ao mximo, a formao de bolhas de ar entre a placa e a
transparncia. A fixao da transparncia placa de vidro foi feita atravs de papel
contact transparente colado nas laterais da transparncia.
O passo de um retculo de Moir a distncia entre os pontos
correspondentes nas barras (ou franjas) adjacentes, e a frequncia de um retculo
o nmero de barras por unidade de medida (POST et al., 1994), sendo utilizado,
neste caso, como unidade de medida, o milmetro. POST et al. (1994) descreve uma
relao entre a profundidade mxima a ser medida, o passo do retculo de Moir e o
comprimento de onda da luz utilizada, dada na Equao 5.1. Atravs dessa equao
foi calculado o passo do retculo de Moir, sendo ainda realizados clculos para
diversos arranjos diferentes:

2
%. 5
p
W = (5.1)

onde:
W = profundidade mxima a ser medida.
p = passo (pitch) do retculo fsica em mm.
= comprimento de onda da luz utilizada em mm.

Utilizando uma mdia para o comprimento de onda da luz branca igual a
0,00055 mm, e uma profundidade mxima, para o objeto, de 100 mm, chegou-se a
um passo de 1,05mm. Para facilitar a construo do retculo foi, ento, escolhido um
passo de 1 mm para a realizao da medio. Esse valor foi escolhido baseado em
diversas medies realizadas anteriormente e com diversos padres de franjas
diferentes. Com esse valor, conseguiu-se melhor qualidade das imagens. As barras
do retculo foram orientadas de forma vertical, em funo do arranjo geomtrico do
experimento, que utiliza a fonte de luz ao lado da cmera fotogrfica.
171
Para escolha da cmera foram analisados os seguintes critrios: custo,
resoluo, facilidade de controle e automao. A cmera escolhida foi a Cyber-shot
DSC-H1 da fabricante Sony, tendo apresentado uma boa relao custo benefcio.
Esta cmera apresenta vrios recursos ticos como ampliao da imagem (Zoom
at 12 vezes), flash ajustvel, carto de memria stick de 512 megabytes, equilbrio
do branco, fotografias monocromticas (branco/preto), focagem automtica e disparo
de at 16 quadros (frames) em intervalos de tempo iguais. A cmera apresenta uma
resoluo grfica ajustvel at o mximo de 5 megapixis (2592 x 1944 = 5.038.848
pixis). Na pesquisa por uma questo de tempo de processamento e memria
utilizada no disco rgido (Hard Disk HD) no foi usada esta resoluo mxima. A
mquina fotogrfica tem alta sensibilidade ISO (unidade de medida da sensibilidade
que avalia a quantidade de luz que recebe um equipamento de captao de
imagem, com isso ela grava uma imagem clara mesmo quando filma num local
escuro). Alm disso, a mquina tem obturador de alta velocidade, assim objetos em
movimentos aparecem parados na fotografia e gera arquivos de imagens em vrios
formatos (Bitmap [.bmp]) e em conformidade com as normas universais DCF (Design
rule for Camera File system) estabelecidas pela JEITA (Japan Electronics and
Information Technology Industries Association). Todas estas caractersticas so
vantajosas e facilitam a realizao dos experimentos.
A escolha da fonte de luz para aplicaes da Tcnica de Moir envolve trs
principais variveis: o comprimento de onda da luz, a rea da regio de emisso da
fonte de luz e a potncia utilizada. Foi utilizada, nos experimentos deste estudo, uma
fonte Fiber Optic da Strainoptic Technologies, Inc. de luz branca de 300 watts de
potncia. O aparelho produz brilho de at 1500 ANSI lumens.
Esta pesquisa s foi viabilizada graas ao equipamento desenvolvido no
Laboratrio de Anlise Estrutural da PUC-Minas. Este equipamento consiste de um
micrmetro preso a uma mola. Com este micrmetro possvel alterar, com grande
preciso, a fase em cada imagem, deslocando o retculo algumas fraes de
milmetros. A Figura 30, a seguir, ilustra a montagem desenvolvida:

172


Figura 30 Equipamento para deslocamento de fase.
Fonte: Resultados da pesquisa.

Na montagem, o micrmetro foi desmontado na haste de medio e fixado a
uma mola presa no retculo. A operao desse equipamento bem simples, uma
vez batida uma fotografia, ajusta-se o micrmetro, de forma a se deslocar o retculo
algumas fraes de milmetros, alterando a fase das Franjas de Moir e, em
seguida, uma nova fotografia realizada. Esse equipamento apresentou grande
preciso a um custo muito baixo.
O sistema de processamento de dados consiste de um microcomputador do
Laboratrio de Anlise Estrutural com o MatLab 6.5. Aps a aquisio das
imagens, todo o trabalho de processamento das mesmas foi realizado a partir de um
software criado sob a plataforma MatLab, especificamente, para o propsito do
trabalho. Aps as fotos adquiridas j terem sido descarregadas no computador,
pode-se dividir o processamento em 7 etapas:

1 transformao das fotos em tons de cinza;
2 filtros iniciais das imagens (filtro Passa Baixo e filtro Gaussiano);
3 clculos das fases (usando as novas equaes desenvolvidas);
4 passagem da fase de [0; /2] para [-; ];
5 algoritmos de desempacotamento (remoo do salto de fase);
6 clculo do perfil (profundidades em milmetros);
7 visualizao em 3-D e armazenamento das medies.

O programa computacional em MatLab usado era sempre o mesmo, apenas
na etapa 3 que se alterava o procedimento, pois eram utilizadas vrias equaes
do clculo de fase diferentes, que foram desenvolvidas no Captulo III. As fotografias
que foram capturadas de forma colorida, foram agora transformadas em 256 nveis
173
de cinza (8bits). As fotografias, quando em tons de cinza, apresentam valores de
pixis que variam de 0 (preto) a 255 (branco). A ideia de transformar as imagens em
tons de cinza ajuda a economizar tempo de processamento, sem prejudicar a
qualidade do resultado de medio.
Nesse software desenvolvido, entra-se com as imagens das Franjas de Moir
com uma dada resoluo grfica, nmero de pixis na horizontal e na vertical. Todas
as imagens devem ter a mesma resoluo grfica e a diferena apenas a fase de
cada imagem. O programa retorna para cada pixel um valor Z(x,y), que representa a
medida da profundidade em milmetros do objeto at o retculo (Figura 31). A
visualizao em 3-D simplesmente um grfico onde x,y so a resoluo da
imagem, e Z a profundidade obtida por meio do processamento das fotografias.
Usou-se o MatLab com o intuito de fazer uma programao bem simples e
didtica, e que pudesse ser utilizada em outros projetos.

Figura 31 Fluxograma do processamento da Tcnica Moir de Sombra com Deslocamento de
Fase.
Fonte: Resultados da pesquisa.

Uma vez obtidos os valores de Z(x,y) para cada pixel, essas medidas so
comparadas com um valor que se admite como sendo o valor exato do perfil do
objeto Z
e
(x,y). Esse valor obtido por meio de medies mecnicas, usando
paqumetros e interpolado para se obter o valor exato em cada posio dos pixis
das imagens. A princpio, os objetos tm dimenses conhecidas e formatos bem
simples (como cilindros, esferas, etc.). Uma interpolao numrica polinomial
realizada apenas para se determinar essas dimenses na posio em cada pixel da
174
imagem. bvio que algum erro vai ocorrer nesse processo, mas acredita-se que
esse erro seja muito menor que o erro das medidas de perfil obtidas pela Tcnica de
Moir. Calcula-se, ento, o erro mdio, usando a Equao 5.2 abaixo.

M
Z Z
Z Z
E Mdio Erro
M
i
e
i i
Mx
i
My
j
Mx
i
My
j
e
j i j i

=
= =
= =

=
1
1 1
1 1
, ,
1
) ( (5.2)
onde:
Mx o nmero de pixis na horizontal da imagem;
My o nmero de pixis na vertical da imagem;
M=(Mx My) o nmero total de pixis da imagem;
Z o valor medido pela Tcnica de Moir por meio das fotografias;
Z
e
o valor de referncia tido como correto do perfil do objeto medido.
Nota-se que a ideia comparar as novas equaes do clculo de fase, e que
para todas elas se usou o mesmo programa computacional com os mesmos valores
de Z
e
para cada objeto medido. Vrias resolues grficas de imagens foram
utilizadas dos experimentos at o limite de 5 megapixis da cmera digital utilizada.


5.3 Equaes de clculo a serem testadas

Uma vez que a quantidade de equaes obtidas no Capitulo III muito
grande (mais de 200 equaes), optou-se por escolher algumas para teste e Anlise
Estatstica. As equaes seguem o padro da Equao 3.18. As seguintes equaes
do clculo de fase foram selecionadas (Tabelas 8,9 e 10):
TABELA 8
Equaes com nmero de imagem (N) igual 4 e 5
N = 4 Num -1 2 -2 2
3 -6 -2
a) 3 2
-1
Dem -1 1 1 -1
N = 5 Num -1 0 0 0 2
4 0 -8 0
a) 0 0 0
4 0
-1
Dem -1 0 2 0 -1

Fonte: Resultados da pesquisa.

175
TABELA 9
Equaes com nmero de imagem (N) igual 6,7,8,9,10,11 e 12
N = 6 Num -1 0 -1 1 0 2 -1 0 0 0 0 2 -1 0 -2 2 0 2 -1 2 -2 2 -2 2 -1 2 0 0 -2 2
3 1 -1 -6 0 2 2 -2 -4 0 4 0 0 -8 0 1 -2 2 -2 -2 -1 0 0 2 -2
0 0 -1 1 1 -2 -2 0 -1 2 0 2 2 -4 2 2 4 -8 0 0
a) 0 1 -1 b) 1 2 0 c) -1 0 -2 d) 2 -2 -2 e) 4 0 0
3 0 2 0 4 0 1 2 -1 2
-1 -1 -1 -1 -1
Dem -1 0 1 1 0 -1 -1 0 1 1 0 -1 -1 0 1 1 0 -1 -1 1 0 0 1 -1 -1 1 0 0 1 -1
N = 7 Num -1 -2 -3 0 3 2 2 -1 2 -5 0 5 -2 2 -1 -2 1 0 -1 2 2 -1 -2 0 0 0 2 2
4 6 0 -6 -8 2 6 -6 0 6 -12 -2 0 6 0 -6 0 2 1 6 0 -6 -2 2
2 0 -4 -6 3 0 0 0 6 5 6 0 -12 -6 -1 5 0 -10 -6 0
a) 0 0 0 0 b) 0 0 0 0 c) 0 0 0 0 d) 0 0 0 0
2 6 -3 0 -6 -5 6 6 1 5 6 0
4 -2 6 2 0 -2 1 -2
-1 -1 -1 -1
Dem -1 -1 1 2 1 -1 -1 -1 1 1 -2 1 1 -1 -1 -1 1 2 1 -1 -1 -1 -1 1 2 1 -1 -1
N = 8 Num -1 0 1 0 0 -1 0 2 -1 0 0 0 0 0 0 2 -1 0 0 1 -1 0 0 2 -1 0 0 0 0 0 0 2
1 0 -2 2 0 -2 0 2 0 -1 1 0 -4 0 0 1 0 0 -1 0 0 2 0 -2 2 0 -4 0
1 1 -1 -2 0 -1 0 1 -1 0 0 0 3 0 0 -6 -1 0 1 0 0 -2 0 0
a) 1 -2 -1 2 0 b) 1 -2 -1 1 0 c) 0 0 0 0 -1 d) 0 0 0 2 0
1 1 -2 0 1 1 -1 0 0 0 0 1 0 0 -2 0
1 0 1 0 0 0 3 1 0 1 0 0
1 0 2 0 0 0 2 0
-1 -1 -1 -1
Dem -1 0 1 0 0 1 0 -1 -1 0 1 0 0 1 0 -1 -1 0 0 1 1 0 0 -1 -1 0 1 0 0 1 0 -1
N = 9 Num -1 2 -1 1 0 -1 1 -2 2 -1 2 -1 0 0 0 1 -2 2 -1 -2 -2 0 0 0 2 2 2
0 -3 1 0 -1 3 0 -2 0 -2 0 0 0 2 0 -2 1 2 2 0 -2 -2 -2 2
5 -5 0 5 -10 3 1 6 -6 0 6 -12 2 1 4 6 0 -6 -8 -2 2
a) 1 0 -2 5 -1 -1 b) 0 0 0 6 0 0 c) 1 0 -2 -6 -2 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 -5 1 1 0 -6 0 0 1 6 2 0
5 -3 -1 6 -2 -1 4 2 -2
0 2 0 2 1 -2
-1 -1 -1
Dem -1 1 0 -1 2 -1 0 1 -1 -1 1 0 -1 2 -1 0 1 -1 -1 -1 0 1 2 1 0 -1 -1
N = 10 Num -1 0 1 0 0 0 0 -1 0 2 -1 0 -1 0 0 0 0 1 0 2 -1 0 0 0 0 0 0 0 0 2
1 0 -1 0 0 1 0 -2 0 1 0 1 1 -1 -1 0 -2 0 2 0 -1 0 0 1 0 -4 0
0 0 -1 1 0 0 0 -1 1 1 0 0 -1 -2 0 1 0 0 0 0 0 0 0 0
a) 1 1 -1 -2 0 1 0 b) 1 0 0 -2 -1 -1 0 c) 0 1 -1 0 0 1 0
1 -2 -1 1 0 0 0 0 0 0 -1 0 1 -2 -1 0 0 0
1 1 -1 0 0 0 0 0 1 0 1 1 0 0 0
1 0 -1 0 1 1 1 0 0 0 -1 0
0 0 1 1 0 -1 0 0 0
1 0 1 0 2 0
-1 -1 -1
Dem -1 0 1 0 0 0 0 1 0 -1 -1 0 0 0 1 1 0 0 0 -1 -1 0 1 0 0 0 0 1 0 -1
N = 11 Num -1 0 -1 -2 0 0 0 2 1 0 2 -1 0 -1 -1 0 0 0 1 1 0 2 -1 -2 0 0 0 0 0 0 0 2 2
1 0 0 2 0 -2 0 0 -2 0 1 -1 0 1 0 -1 0 1 -2 0 1 2 -2 2 0 -2 2 -2 -2 2
2 2 0 0 0 -2 -4 0 1 2 3 0 0 0 -3 -4 1 1 1 2 2 0 -2 -2 -2 -2 0
a) 1 0 0 0 -2 -2 0 2 b) 1 0 0 0 -2 -3 0 1 c) 2 -2 0 2 -4 -2 2 0
2 0 -4 0 0 -2 0 2 0 -4 0 0 -1 0 2 0 -4 2 -2 -2 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 2 0 2 0 0 1 0 2 -2 2 2 0
1 2 0 -2 1 3 0 -1 2 2 -2 0
2 0 -1 2 -1 -1 1 2 0
1 0 1 0 1 -2
-1 -1 -1
Dem -1 0 0 -1 1 2 1 -1 0 0 -1 -1 0 0 -1 1 2 1 -1 0 0 -1 -1 -1 1 0 0 2 0 0 1 -1 -1
N = 12 Num -1 0 1 0 0 0 0 0 0 -1 0 2 -1 0 1 0 0 0 0 0 0 -1 0 2
1 0 -1 0 0 0 0 1 0 -2 0 1 0 -1 0 0 0 0 1 0 -2 0
0 0 -1 0 0 1 0 0 0 -1 0 0 0 0 0 0 0 0 0 -1
a) 1 0 0 0 0 -2 0 1 0 b) 0 0 -1 1 0 0 0 1 0
0 1 -1 0 0 1 0 0 1 1 -1 -2 0 0 0 0
1 -2 -1 0 0 0 0 1 -2 -1 1 0 0 0
1 1 0 0 0 0 1 1 -1 0 0 0
0 0 -1 0 0 1 0 0 0 0
1 0 -1 0 0 0 -1 0
0 0 1 0 0 1
1 0 1 0
-1 -1
Dem -1 0 1 0 0 0 0 0 0 1 0 -1 -1 0 1 0 0 0 0 0 0 1 0 -1

Fonte: Resultados da pesquisa.
176
TABELA 10
Equaes com nmero de imagem (N) igual 13,14,15 e 16

N = 13 Num -1 2 -2 -2 0 1 0 -1 0 2 2 -2 2 -1 2 -1 0 0 0 0 0 0 0 1 -2 2
1 0 0 -1 1 0 -1 1 0 0 -2 -2 0 -2 0 -2 0 0 0 2 0 2 0 -2
2 0 0 -1 0 1 0 0 -4 0 2 2 2 1 -2 0 2 -1 -2 -4 2 1
a) 2 -2 -1 0 1 2 -4 0 0 2 b) 2 -2 -1 0 1 2 -4 -2 0 0
2 -2 0 2 -4 2 0 1 0 1 -2 0 2 -2 2 -1 2 0
-1 0 2 2 1 1 -1 -1 1 0 -2 2 1 2 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
-1 -2 -1 -1 1 1 1 -2 -1 -2 0 0
2 -2 0 -1 0 1 -2 1 -2 0
2 0 0 -2 2 2 0 0
2 0 -2 2 -2 -1
1 2 0 2
-1 -1
Dem -1 1 0 -1 0 0 2 0 0 -1 0 1 -1 -1 1 0 -1 0 0 2 0 0 -1 0 1 -1
N = 14 Num -1 0 1 0 0 0 0 0 0 0 0 -1 0 2 -1 0 -1 0 0 0 0 0 0 0 0 1 0 2
1 0 -1 0 0 0 0 0 0 1 0 -2 0 1 0 1 0 0 0 0 0 0 -1 0 -2 0
0 0 1 0 0 0 0 -1 0 0 0 -1 1 0 0 0 0 0 0 0 0 -2 0 1
a) -1 0 -1 0 0 1 0 2 0 1 0 b) 0 0 -1 0 0 1 0 0 0 -1 0
1 0 -1 1 0 -2 0 -1 0 0 0 2 0 0 -2 0 0 0 0 0
1 1 -1 -2 0 1 0 0 0 0 -1 1 0 -2 1 0 0 0
1 -2 -1 1 0 0 0 0 1 -2 1 0 0 0 0 0
1 1 -1 0 0 0 0 1 -1 0 0 0 0 0
1 0 -1 0 0 0 0 2 -1 0 0 0
1 0 1 0 0 0 0 0 0 0
-1 0 -1 0 0 0 1 0
0 0 1 1 0 -1
1 0 1 0
-1 -1
Dem -1 0 1 0 0 0 0 0 0 0 0 1 0 -1 -1 0 0 0 1 0 0 0 0 1 0 0 0 -1
N = 15 Num -1 -2 -1 1 0 0 0 0 0 0 0 -1 1 2 2 N = 16 Num -1 0 1 0 0 0 0 0 0 0 0 0 0 -1 0 2
2 1 -2 -1 0 0 0 0 0 1 2 -1 -4 2 1 0 -1 0 0 0 0 0 0 0 0 1 0 -2 0
1 1 -1 2 0 0 0 -2 1 -1 -2 -1 1 0 0 1 0 0 0 0 0 0 -1 0 0 0 -1
a) 1 2 2 -2 0 2 -2 -2 -2 -1 2 -1 a) -1 0 0 0 0 0 0 0 0 2 0 1 0
2 -2 1 0 -1 2 -4 -2 1 1 0 0 0 -1 0 0 1 0 0 0 -1 0 0
-1 0 0 0 2 2 -2 -2 0 0 1 0 -1 1 0 -2 0 0 0 0 0
1 0 -2 0 -1 2 0 0 0 1 1 -1 -2 0 1 0 0 0 0
0 0 0 0 0 0 0 0 1 -2 -1 1 0 0 0 0 0
1 0 1 -2 0 0 0 1 1 -1 0 0 0 0 0
-1 -2 2 2 0 0 1 0 -1 0 0 0 0
2 2 -1 -1 0 1 0 0 0 0 0
1 1 -2 1 0 0 1 0 0
1 1 -1 -1 0 -1 0
2 -2 0 0 1
-1 1 0
Dem -1 -1 1 0 0 0 0 2 0 0 0 0 1 -1 -1 -1
Dem -1 0 1 0 0 0 0 0 0 0 0 0 0 1 0 -1

Fonte: Resultados da pesquisa.
Essas equaes foram escolhidas por usarem uma quantidade de imagens
(N) at de 16 e pelos valores dos coeficientes serem pequenos. Uma questo
interessante que as equaes designadas com (a) foram geradas pela regra do
programa computacional em Linguagem Pascal da Figura 45 do Apndice D. Esta
rotina tem como entrada com o valor de N e como sada a matriz de coeficientes do
numerador (Por exemplo - Num:TMATRIX=array [1..4000, 1..4000] of integer) e o
vetor de coeficientes do denominador (Por exemplo - Dem:TVECTOR=array
[1..4000] of integer). As equaes geradas por esse programa foram testadas
matematicamente para N, variando de 4 at 90.000.064 (90 milhes) de imagens.
Para cada valor de N, as equaes geradas foram testadas mais de 10.000 vezes
com ndice de acerto superior a 99,9% e preciso numrica (diferena) entre a fase
() gerada aleatoriamente e a fase calculada, usando as novas equaes de 10
-6
. Os
referidos testes so descritos na Seo 3.8.1.
177
5.4 Inferncias a partir de amostras emparelhadas


Faz-se importante apresentar um resumo das Inferncias Estatsticas sobre
amostras emparelhadas. Mais detalhes sobre o tema podem ser encontrados em
TRIOLA (2008). A inteno mostrar qual teste estatstico foi realizado e como foi
aplicado.
No mbito de pesquisas, com muita frequncia, tem-se que tomar decises
acerca de populaes baseadas em informaes de amostras. Tais decises so
denominadas decises estatsticas. Assim, pode-se decidir, com base em dados
amostrais, se um novo soro realmente eficaz na cura de uma doena, se um
processo educacional melhor do que outro, se certa moeda viciada etc.
Ao se tentar chegar a decises, conveniente a formulao de hipteses ou
de conjecturas acerca das populaes interessadas. Essas suposies, que podem
ser ou no verdadeiras, so denominadas hipteses estatsticas e, em geral, so
afirmaes acerca das distribuies de probabilidade das populaes. Em alguns
casos, formula-se uma hiptese estatstica com o nico propsito de rejeit-la ou
invalid-la.
Admite-se uma hiptese particular como verdadeira, se verificar que os
resultados observados em uma amostra aleatria diferem acentuadamente dos
esperados para aquela hiptese. Com base na probabilidade simples mediante a
utilizao da teoria da amostragem, pode-se concluir que as diferenas observadas
so significativas, e ficar-se inclinado a rejeitar a hiptese (ou, pelo menos, a no
aceit-la com base nas provas obtidas). Os processos que habilitam a decidir se
aceita ou se rejeita as hipteses, ou a determinar se as amostras observadas
diferem, de modo significativo, dos resultados esperados, so denominados testes
de hiptese ou de significncia, ou regras de deciso.
A distribuio t de Student um modelo de distribuio contnua que se
assemelha distribuio normal padro, sendo utilizada para Inferncias
Estatsticas, particularmente, como j foi dito, quando se tem amostras com
tamanhos inferiores a 30 elementos. O nome t de Student tem origem no seu
descobridor William Gosset (1876 - 1937), que era empregado da cervejaria
Guinness e precisava de uma distribuio que pudesse ser utilizada com pequenas
amostras. Como a cervejaria irlandesa para a qual ele trabalhava no permitia a
178
publicao de resultados de pesquisa, Gosset publicou-os com o pseudnimo de
Student, durante a primeira parte do sculo XX.
Amostras pareadas so consideradas em planejamentos nos quais so
realizadas duas medidas na mesma unidade amostral, ou seja, dados pareados,
onde a unidade o seu prprio controle. Refere-se a observaes pareadas,
tambm, como amostras dependentes. O teste apropriado para a diferena entre
mdias de amostra pareadas consiste em determinar, primeiro, a diferena entre
cada par de valores e, ento, testar se as mdias das diferenas so iguais a zero.
O nmero de graus de liberdade para um conjunto de dados corresponde ao nmero
de valores que podem variar aps terem sido impostas certas restries a todos os
valores. Para as aplicaes da distribuio, o nmero de graus de liberdade
simplesmente o tamanho da amostra menos um graus de liberdade = n 1.
A regio crtica (ou regio de rejeio) o conjunto de todos os valores da
estatstica de teste que faz rejeitar a hiptese nula.
O nvel de significncia (representado por ) a probabilidade de a estatstica
de teste cair na regio crtica, quando a hiptese nula for realmente verdadeira. Se a
estatstica de teste cair na regio crtica, rejeita-se a hiptese nula, de modo que
a probabilidade de cometer o erro de rejeitar a hiptese nula, quando ela
verdadeira.
Um valor crtico qualquer valor que separa a regio crtica (onde se rejeita a
hiptese nula) dos valores da estatstica de teste que no levam rejeio da
hiptese nula. Os valores crticos dependem da natureza da hiptese nula, da
distribuio amostral que se aplica e do nvel de significncia .
O valor P (ou valor p ou valor de probabilidade) a probabilidade de se obter
um valor da estatstica de teste que seja, no mnimo, to extremo quanto aquele que
representa os dados amostrais, supondo que a hiptese nula seja verdadeira. A
hiptese nula rejeitada, se o valor P for muito pequeno, tal como 0,05 ou menos.
As caudas em uma distribuio so as regies extremas limitadas pelos
valores crticos. No teste bilateral, a regio crtica est nas duas regies extremas
(caudas) sob a curva.
Ao se testar uma hiptese nula, chega-se concluso de rejeit-la ou no
rejeit-la. Tanto a primeira quanto a segunda opo pode ser s vezes correta ou s
vezes errada (mesmo quando se faz tudo certo). Distingue entre os dois tipos de
179
erro, chamando-os de erros tipo I e erros tipo II. O erro tipo I o erro de se
rejeitar a hiptese nula quando ela , de fato, verdadeira. O smbolo (alfa) usado
para representar a probabilidade de um erro tipo I. No erro tipo II o erro de se
aceitar a hiptese nula quando ela , de fato, falsa. O smbolo (beta) usado para
representar a probabilidade de um erro tipo II.
O poder de um teste de hiptese a probabilidade (1-) de se rejeitar uma
hiptese nula falsa, que calculada usando-se um nvel de significncia particular
e um valor particular do parmetro populacional que seja uma alternativa ao valor
assumido na hiptese nula. Isto , o poder de um teste de hiptese a probabilidade
de se apoiar uma hiptese alternativa verdadeira.
Podem-se testar afirmativas sobre parmetros populacionais, usando o
mtodo do valor P, atravs dos passos:
identifique afirmativa ou hiptese especfica a ser testada, e expresse-a em
forma simblica;
d a forma simblica que tem que ser verdadeira, quando a afirmativa original
falsa;
das duas expresses simblicas obtidas at agora, faa da que no contm a
igualdade a hiptese alternativa H
1
, de modo que H
1
use o smbolo < ou > ou
. Deixe a hiptese nula H
0
ser expresso simblica que iguala o parmetro
ao valor fixo sendo considerado;
selecione o nvel de significncia baseado na gravidade do erro tipo I. Faa
pequeno, se as consequncias de se rejeitar uma H
0
verdadeira forem
graves. Os valores 0,05 e 0,01 so muito comuns;
identifique a estatstica de teste relevante para esse teste, e determine a
distribuio amostral (tal como T-Student);
ache a estatstica de teste e o valor P. Desenhe um grfico e mostre a
estatstica de teste e o valor P;
rejeite H
0
, se o valor de P for menor do que ou igual ao nvel de significncia.
Deixe de rejeitar H
0,
se o valor de P for maior que o nvel de significncia ;
expresse a deciso anterior em termos simples e no-tcnicos, remetendo
afirmativa original.
A hiptese nula deve expressar igualdade e a hiptese alternativa no pode
incluir igualdade, de modo que se tem: H
0
:
d
=0 versus H
1
:
d
0. Onde d
j
so as
180
diferenas individuais entre os dois valores em um nico par (Tabela 11);
d
o valor
mdio das diferenas d
j
para a populao de todos os pares; n o nmero de pares
de dados.

TABELA 11

Estrutura dos dados de uma amostra pareada
UNIDADE
AMOSTRAL
1 MEDIDA
(antes)
2 MEDIDA
(depois)
Diferena entre as
medidas
1 x
11
x
12
d
1

2 x
21
x
22
d
2

. . . .
. . . .
n x
n1
x
n2
d
n

Mdia x
1
x
2

d
Desvio padro s
1
s
2
s
d



Fonte: TRIOLA 2008

onde:

x
x x x
n
j
j j nj
i
n
=
+ + +
=
1 2
1
L
(5.3)
e
s
x x
n
j
ij j
i
n
=

( )
2
1
1
(5.4)

sendo j=1 para a 1 medida e j=2 para a 2 medida.

d
d d d
n
n
i
n
=
+ + +
=
1 2
1
L
(5.5)
e
s
d d
n
d
i
i
n
=

( )
2
1
1
(5.6)

Considerando que as medidas tenham distribuio normal, a diferena entre
elas tambm ter distribuio normal. Portanto, as distribuies t so apropriadas
181
para testar a hiptese nula de que a mdia das diferenas igual a zero. Os graus
de liberdade so o nmero de unidades amostrais menos um e a estatstica utilizada
para testar a hiptese de que no existe diferena entre as condies antes e
depois, :

n s
d
n s
d
d d
/ /
0
=

= (5.7)

Se
2 / , 1 2 / , 1
ou



< >
n n
t t , rejeita-se a hiptese nula, ou seja, existe
diferena significativa entre as condies antes e depois. Se
2 / , 1 2 / , 1



n n
t t ,
no se rejeita a hiptese nula, ou seja, a amostra no fornece evidncia estatstica
de diferena entre as condies antes e depois.
Em Estatstica, e especificamente no campo dos testes de hipteses, o valor
P, ou tambm valor-p ou ainda P-valor, a probabilidade de que a amostra podia ter
sido tirada de uma populao sendo testada, supondo que a hiptese nula seja
verdadeira. Um valor de 0,05, por exemplo, indica que existe uma probabilidade de
5% de que a amostra que est a testar possa ser tirada, supondo que a hiptese
nula verdadeira. Valor P prximo de 0 um indicador de que a hiptese nula
falsa. Com o valor P prximo de 1 no h evidncia suficiente para rejeitar a
hiptese nula. Normalmente, considera-se um valor P de 0,05 como o patamar para
avaliar a hiptese nula. Se o valor P for inferior a 0,05 pode-se rejeitar a hiptese
nula. Em caso contrrio, no se tem evidncia que permita rejeitar a hiptese nula (o
que no significa automaticamente que seja verdadeira). Em situaes de maior
exigncia usado um valor P inferior a 0,05.
Em Estatstica, um resultado significante, se for improvvel que tenha
ocorrido por acaso, caso uma determinada hiptese nula seja verdadeira, mas no
sendo improvvel caso a hiptese base seja falsa. Mais concretamente, no teste de
hipteses com base em frequncia estatstica, a significncia de um teste a
probabilidade mxima de rejeitar acidentalmente uma hiptese nula verdadeira (uma
deciso conhecida como erro de tipo I). O nvel de significncia de um resultado
tambm chamado de e no deve ser confundido com o valor P (p-value), que
igual a 1 e chamado poder do teste. Por exemplo, pode-se escolher um nvel
de significncia de 5%, e calcular um valor crtico de um parmetro (por exemplo, a
182
mdia), de modo que a probabilidade de ela exceder esse valor, dada a verdade da
hiptese nula, ser 5%. Se o valor estatstico calculado (ou seja, o nvel de 5% de
significncia anteriormente escolhido) exceder o valor crtico, ento significante "ao
nvel de 5%".
Se o nvel de significncia (ex: 5% anteriormente dado) menor, o valor
menos provavelmente um extremo em relao ao valor crtico. Deste modo, um
resultado que "significante ao nvel de 1%" mais significante do que um resultado
que significante "ao nvel de 5%". No entanto, um teste ao nvel de 1% mais
susceptvel de padecer do erro de tipo II do que um teste de 5% e, por isso, ter
menos poder estatstico. Ao divisar um teste de hipteses, o tcnico dever tentar
maximizar o poder de uma dada significncia, mas, ultimamente, tem de reconhecer
que o melhor resultado que se pode obter um compromisso entre significncia e
poder, em outras palavras, entre os erros de tipo I e tipo II.
Na tese, vai-se usar a comparao de duas mdias com dados
emparelhados. A ideia comparar duas equaes do clculo de fase diferentes
atravs da comparao do erro mdio Equao (5.2) de vrios conjuntos de 16
imagens de Franjas de Moir tiradas de objetos com as dimenses conhecidas. O
uso de dados emparelhados se deve ao fato das mesmas imagens serem usadas
em ambas as equaes do clculo de fase e, por este tipo de teste, exigir uma
quantidade de amostra menor.
A mdia terica das diferenas dos erros mdios dos diversos conjuntos de
16 imagens,
d
, representa o ganho de preciso de uma equao de clculo em
relao outra. Est interessado em saber se
d
ou no igual a zero? Essa
deciso tomada atravs do teste das hipteses H
0
:
d
=0 versus H
1
:
d
0. A hiptese
nula H
0
deve ser rejeitada para um nvel de significncia =5%. Ou seja, se o valor P
for menor que 5%, deve-se rejeitar a hiptese na qual H
0
:
d
=0 ou H
0
:
1
=
2
. Com
isso, conclui-se que uma equao do clculo de fase melhor ou mais precisa que a
outra. Se o valor P for maior ou igual a 5%, deve-se aceitar a hiptese na qual
H
0
:
d
=0 ou H
0
:
1
=
2
. Com isso, conclui-se que as duas equaes de clculo tm a
mesma preciso ou o mesmo erro mdio na aplicao da Tcnica de Moir.
Como alternativa, sob a suposio de simetria da distribuio dos dados,
pode-se utilizar o teste no paramtrico conhecido na literatura como teste de
Wilcoxon. Na ausncia da suposio de normalidade, e assumindo que os dados
183
so provenientes de uma distribuio simtrica, uma alternativa ao Teste T-Student
o Teste de Wilcoxon. Em problemas reais, quando no razovel supor que os
dados so provenientes de uma distribuio simtrica ou normal, pode-se recorrer
ao Teste do Sinal como alternativa aos Testes T-Student e Wilcoxon. Vale lembrar
que, na prtica, em geral, mais fcil garantir a simetria do que a normalidade, o
que torna o teste de Wilcoxon uma boa alternativa no paramtrica ao Teste T-
Student. Nesta pesquisa, como se trata de comparao de mdias de medidas
mtricas, a suposio de normalidade parece bem razovel e, por isso, optou-se
pelo Teste T-Student.


5.5 Experincias com cilindros slidos


Para testar as novas equaes do clculo de fase, foram realizados 21
conjuntos com 16 fotografias de Franjas de Moir com defasagens arbitrrias, mas
constantes no deslocamento de fase. O objeto usado era um semi-cilindro metlico
pintado de branco com 12 centmetros de comprimento e 6 centmetros de dimetro.
Foram tiradas fotografias de um megapixel (Figura 32). Utilizou uma resoluo de
1.228.800 pixis (1280x960), uma vez que se vai fazer um estudo comparativo e
com isso se obteve um tempo de processamento bem menor com menos memria
utilizada.
Para cada conjunto de 16 imagens, aplicou-se o programa em MatLab para
se medir o perfil do objeto. Quanto se roda o programa implementando uma
equao que utiliza 4 imagens, as primeiras quatro imagens de cada conjunto so
usadas. Quando se executa o programa implementando uma equao que utiliza 5
imagens, as primeiras cinco imagens (as 4 anteriores e mais uma) de cada conjunto
so usadas, e assim por diante at as equaes que utilizam as 16 imagens do
conjunto.
Para cada conjunto de imagem, toda a montagem era novamente preparada,
com ajustes mecnicos e um novo processo de medio era executado. Com isso,
era zerado o micrmetro e um novo passo com deslocamento de fase era escolhido.
Em seguida, era novamente acertada a verticalidade do retculo e realizadas novas
184
medidas da distncia entre a fonte de luz e a cmera fotogrfica, e da distncia
perpendicular entre a cmera e o retculo.
A montagem atrs do retculo permanecia intacta, para que no se alterasse o
objeto medido, e para que se pudessem usar os mesmos dados de referncia das
dimenses medidas mecanicamente com um paqumetro, e interpolada nas
posies de cada pixel da imagem do objeto nos 21 conjuntos de 16 frames
analisados.
Especial cuidado foi tomado no deslocamento de fase, de modo a tornar
constante o passo de fase entre as 16 imagens de um conjunto. O passo ser
constante de fundamental importncia e garante a correta aplicao da Tcnica
Moir de Sombra com a generalizao do Algoritmo de Carr. Deve-se lembrar que
o deslocamento de fase pode ser aleatrio, mas uma vez definido seu valor, deve
ser constante nas 16 imagens, no devendo variar entre as fotografias tiradas. Da a
importncia do equipamento desenvolvido com o micrmetro que possibilita uma
tima preciso nesse processo. Sugere-se que, em futuros trabalhos, este
deslocamento de fase seja realizado eletronicamente em vez de mecanicamente,
como nesta pesquisa.






185

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

S



Figura 32 Um conjunto com 16 fotografias de Franjas de Moir de um megapixel. [A-P]. Fase
empacotado[Q]. Fotografia do cilindro real de branco [R]. Resultado em 3-D [S].
(Semi-cilindro com dimetro de 6 cm e comprimento de 12 cm).
Fonte: Resultados da pesquisa.



186

TABELA 12
Erro mdio em m dos 21 conjuntos de imagens aplicadas s equaes selecionadas.
N
mer
o
de
Ima
gen
s
4 a 1006 1011 1018 1028 1014 1017 1015 1006 1010 1004 1008 1010 1033 1006 1033 1001 1015 1003 1031 1026 1022
5 a 969 978 967 976 998 999 972 989 990 981 981 994 999 986 994 999 984 994 995 982 999
a 950 961 946 939 963 948 949 955 949 953 955 961 965 940 937 939 943 949 962 940 946
b 942 955 959 937 938 945 962 959 966 946 962 951 957 949 952 939 961 962 936 940 938
c 962 958 962 964 946 964 938 964 949 941 964 952 960 963 943 939 949 956 946 938 963
d 941 942 967 946 959 953 959 936 935 940 943 941 961 951 956 942 939 957 953 951 938
e 949 966 939 936 936 962 966 963 948 940 964 935 943 942 952 956 937 944 953 937 956
a 910 931 905 902 914 909 923 918 910 904 918 933 924 919 913 930 926 932 913 932 916
b 912 912 924 910 925 924 919 914 922 921 913 900 928 915 921 926 926 920 909 905 919
c 926 910 926 912 922 905 921 913 911 910 919 902 912 915 926 907 908 904 906 920 912
d 916 922 917 910 925 932 904 923 906 912 912 922 925 914 929 932 905 904 909 903 921
a 867 870 882 895 895 871 875 885 883 877 878 887 887 884 880 878 899 892 895 883 890
b 877 872 898 900 871 873 900 887 898 870 898 892 867 887 898 889 877 897 890 869 898
c 878 871 888 872 876 882 883 885 870 886 894 868 891 874 871 887 878 878 893 896 898
d 881 880 892 882 882 886 899 867 875 892 884 878 873 886 869 894 882 893 873 871 883
a 846 842 841 841 848 834 837 854 852 847 864 863 858 860 862 866 838 847 851 857 856
b 860 851 850 844 834 863 857 847 834 847 853 862 865 850 843 838 852 850 848 840 849
c 862 854 852 858 856 852 838 834 857 855 862 837 852 833 837 857 848 834 863 837 841
a 814 833 832 817 807 802 816 820 832 806 825 812 830 827 819 816 805 831 825 823 802
b 824 828 805 823 808 816 811 803 805 826 821 821 805 827 815 813 800 809 818 821 832
c 803 812 823 815 828 821 812 820 811 829 828 801 815 810 822 815 819 801 818 828 833
a 782 777 790 781 781 772 780 782 776 794 799 788 793 795 793 783 788 778 783 780 785
b 783 795 775 797 788 793 773 768 780 768 785 771 776 789 800 787 771 795 782 782 783
c 776 775 790 768 790 776 771 792 791 792 793 785 774 774 797 781 772 781 772 799 799
a 742 763 737 766 745 764 760 749 734 744 758 747 753 747 749 751 754 754 748 748 739
b 754 740 742 740 753 741 748 755 741 740 750 744 750 745 758 734 763 748 763 760 744
a 716 729 708 708 714 710 727 702 703 726 730 719 704 729 731 715 727 731 731 711 720
b 731 724 718 718 711 731 710 712 702 702 711 714 724 722 705 722 731 732 704 728 731
a 668 696 673 698 693 695 683 681 677 672 671 672 687 691 672 681 688 695 677 669 686
b 691 673 686 696 696 669 676 691 681 679 682 696 690 688 695 670 671 674 692 674 672
15 a 667 656 661 659 679 683 669 666 681 657 659 677 683 654 657 676 665 671 653 660 672
16 a 623 623 637 630 629 621 629 621 649 647 617 649 640 617 642 631 626 649 633 627 641
14
Erro
Mdio
em m
6
7
8
9
F
r
m
ul
as
6 7 20 9
12
13
15 17
10
11
Conjunto de Imagens
1 2 3 4 5 18 19 8 16 21 10 11 12 13 14

Fonte: Dados da pesquisa.

Uma vez realizadas s medies, estas so comparadas com a referncia
que representa as medidas corretas do cilindro, usando-se a Equao 5.2 para se
calcular o erro mdio, por meio de cada uma das novas equaes de clculo
selecionadas para o teste, como mostrado na Tabela 12. O passo seguinte
calcular o valor P dos 21 conjuntos, comparando entre si cada par de diferentes
equaes selecionadas e mostradas na Tabela 13.
187
TABELA 13

Valor P das comparaes dos erros mdios das equaes aplicadas.
a a a b c d e a b c d a b c d a b c a b c a b c a b a b a b a
4 a
5 a 0%
a 0% 0%
b 0% 0% 92%
c 0% 0% 23% 30%
d 0% 0% 49% 47% 10%
e 0% 0% 68% 62% 14% 83%
a 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 75%
c 0% 0% 0% 0% 0% 0% 0% 16% 11%
d 0% 0% 0% 0% 0% 0% 0% 55% 70% 31%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 41%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 57% 25%
d 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 61% 18% 99%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 66%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 53% 80%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 38%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 69% 59%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 53%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 57% 89%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 47%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 90%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 74%
15 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
16 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
14
Valor
P
6
7
8
9
10
Nmer
o de
Image
ns e
Frmul
as de
Clcul
o de
Fase
10 11
11
12
12
13
13 14 15
Nmero de Imagens e Frmulas de Clculo de Fase
4 5 6 7 8 9

Fonte: Dados da pesquisa.

interessante notar, na Tabela 13, que o valor P, quando comparado a
equaes com nmero de imagens diferentes, 0%, o que faz rejeitar-se a hiptese
nula de que as mdias dos erros so iguais. Com isso, conclui-se que as equaes
que utilizam mais imagens produzem um erro menor. Quando se compara equaes
com o mesmo nmero de imagens, o valor de P maior que 5%, o que faz com que
se deixe de rejeitar a hiptese nula de que as mdias dos erros so iguais. Com
isso, conclu-se que as equaes que utilizam o mesmo nmero de imagens tm
preciso semelhante.

188
5.6 Experincias com esferas slidas de metal


Novamente, para testar as novas equaes do clculo de fase, foram feitos
19 conjuntos com 16 fotografias de Franjas de Moir com defasagens arbitrrias,
mas constantes no deslocamento de fase. O objeto usado foi uma semi-esfera
metlica pintada de branco com 6 centmetros de dimetro (Figura 33). Foram
tiradas fotografias de 1.228.800 pixis (1280x960). Apesar de se ter uma mquina
fotogrfica com resoluo de cinco megapixis, utilizou-se uma resoluo menor nas
imagens, uma vez que se vai fazer apenas um estudo estatstico comparativo e com
isso se obteve um tempo de processamento bem menor e sem gastar muito
memria do computador.
Um detalhe importante o sistema de coordenadas cartesianas em trs
dimenses (destro) usadas na tese. Neste sistema de coordenadas o eixo Z
perpendicular ao retculo e serve para medir o perfil dos objetos, o eixo Y paralelo
as linhas verticais (pretas) do retculo com o retculo desenhado e o eixo X
horizontal no retculo com o retculo desenhado, perpendicular as linhas verticais. A
origem do sistema de coordenadas um ponto no canto inferior esquerdo do retculo
onde se inicia as linhas verticais, o plano XY o plano que contm o retculo e o
eixo Z fura perpendicularmente este plano em direo ao objeto a ser medido. As
fotografias na posio do retculo com linhas paralelas verticais tiradas apresentam
os pixis em duas dimenses, a horizontal (X) e a vertical (Y) com a origem (pixel na
posio x=0 e y=0) no canto inferior esquerdo. Esta conveno utilizada em todo
este trabalho de pesquisa.
189

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

S


Figura 33 - Um conjunto com 16 fotografias de Franjas de Moir de um megapixel. [A-P]. Fase
empacotado[Q]. Globo usado como objeto a ser medido [R]. Resultado em 3-D [S].
(Metade de uma esfera com dimetro de 6 cm).
Fonte: Resultados da pesquisa.


190
TABELA 14
Erro mdio em m dos 19 conjuntos de imagens aplicadas s equaes selecionadas.
N
mer
o
de
Ima
gen
s
4 a 757 756 778 770 765 773 758 763 772 760 758 769 756 764 757 768 763 765 773
5 a 726 742 731 729 754 732 742 730 742 754 737 751 727 727 747 750 740 726 750
a 728 714 716 715 715 701 707 716 707 708 715 724 706 721 728 718 726 714 727
b 707 729 701 728 709 705 723 729 724 718 730 712 713 714 705 723 727 709 701
c 712 703 710 726 705 724 704 701 716 729 707 704 721 703 717 729 708 705 717
d 706 725 729 713 713 712 725 724 731 710 712 731 715 701 711 728 701 717 726
e 726 729 711 726 724 725 706 731 712 709 722 709 715 726 712 706 704 708 707
a 681 692 702 686 686 684 696 685 704 693 691 705 698 682 690 681 698 683 705
b 679 699 689 699 685 691 696 689 687 705 677 685 684 698 691 687 680 700 704
c 706 699 679 701 693 702 693 683 688 678 693 698 690 695 705 689 683 681 683
d 686 690 701 696 679 688 692 679 705 680 696 695 690 680 691 693 697 680 686
a 670 666 660 674 665 672 669 676 681 653 666 669 661 679 668 652 675 674 660
b 679 673 666 669 666 674 670 677 676 660 657 675 669 653 664 668 655 658 653
c 680 662 671 672 651 669 660 658 668 659 672 678 670 663 679 669 652 666 651
d 665 661 666 659 681 668 660 661 676 664 668 655 680 668 673 665 658 659 656
a 655 640 631 655 631 628 633 632 655 646 651 628 629 643 652 650 635 626 647
b 655 646 628 642 628 646 634 654 644 640 646 639 654 628 631 628 638 641 639
c 625 645 637 642 642 639 653 647 635 654 651 655 640 646 632 645 646 654 642
a 612 608 623 604 627 605 627 607 623 618 620 630 618 609 611 629 602 613 615
b 613 615 605 628 626 609 609 626 622 612 611 618 606 615 630 614 620 619 606
c 611 608 627 629 627 617 622 612 602 627 627 615 601 627 627 607 625 613 604
a 583 585 582 580 592 580 599 585 575 590 590 590 576 578 584 604 580 605 596
b 597 586 588 596 576 590 588 586 593 588 605 584 586 579 597 587 579 590 583
c 599 590 587 604 603 586 578 584 583 583 582 596 603 599 602 590 586 590 605
a 551 575 581 555 577 562 579 575 571 572 578 579 568 556 574 575 577 561 566
b 573 572 564 569 553 551 560 570 558 569 551 579 578 581 558 568 559 577 555
a 534 533 539 546 550 531 550 534 529 546 528 529 542 555 552 546 531 540 549
b 534 534 546 532 539 542 544 536 544 556 549 536 533 553 549 552 529 548 528
a 522 507 501 529 524 511 524 515 521 525 506 507 525 503 514 514 521 503 527
b 529 518 504 516 531 512 521 517 527 501 500 503 510 502 504 511 509 517 526
15 a 505 494 506 518 506 501 500 512 505 513 489 515 491 498 508 516 496 493 507
16 a 487 490 480 488 473 489 487 467 477 493 489 470 466 471 478 492 477 488 473
14
Erro
Mdio
em m
6
7
8
9
F
r
m
ul
as
9
12
13
15 17
10
11
4 5 18 19 8 16 6 7
Conjunto de Imagens
10 11 12 13 14 1 2 3

Fonte: Dados da pesquisa.

Uma vez realizadas s medies, estas so comparadas com a referncia
que representa as medidas corretas da metade da esfera, usando-se a Equao 5.2
para se calcular o erro mdio, por meio de cada uma das novas equaes de clculo
selecionadas para o teste, como mostrado na Tabela 14. O passo seguinte
calcular o valor P dos 19 conjuntos, comparando entre si cada par de diferentes
equaes selecionadas e mostradas na Tabela 15.
191
TABELA 15

Valor P das comparaes dos erros mdios das equaes aplicadas na esfera.
a a a b c d e a b c d a b c d a b c a b c a b c a b a b a b a
4 a
5 a 0%
a 0% 0%
b 0% 0% 96%
c 0% 0% 29% 30%
d 0% 0% 68% 72% 16%
e 0% 0% 98% 98% 31% 73%
a 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 72%
c 0% 0% 0% 0% 0% 0% 0% 95% 80%
d 0% 0% 0% 0% 0% 0% 0% 25% 73% 47%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 55%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 44% 76%
d 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 37% 72% 93%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 95%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 36% 24%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 96%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 66% 60%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 62%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 12% 20%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 21%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 64%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 34%
15 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
16 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
14
Valor
P
6
7
8
9
10
Nmer
o de
Image
ns e
Frmul
as de
Clcul
o de
Fase
10 11
11
12
12
13
13 14 15
Nmero de Imagens e Frmulas de Clculo de Fase
4 5 6 7 8 9

Fonte: Dados da pesquisa.

interessante notar que, na Tabela 15, o valor P, quando comparado a
equaes com nmero de imagens diferentes, 0%, o que faz rejeitar a hiptese
nula de que as mdias dos erros so iguais. Com isso, conclui-se que as equaes
que utilizam mais imagens produzem um erro menor. Quando se compara equaes
com o mesmo nmero de imagens, o valor de P maior que 5%, o que faz com que
se deixe de rejeitar a hiptese nula de que as mdias dos erros so iguais. Com
isso, conclu-se que as equaes que utilizam o mesmo nmero de imagens tm
preciso semelhante.

192
5.7 Experincias com blocos padro em ao


Aps a montagem dos equipamentos para os experimentos e a calibrao de
todo o sistema de medio, os seguintes procedimentos so seguidos:
1. Tiram-se vrios conjuntos com 16 fotografias de Moir cada um. Para
cada conjunto alteram-se o ngulo do deslocamento de fase (), a
distncia entre a fonte de luz e o observador (d) e a distncia entre o
observador e o retculo de referncia (h). Obtm-se assim para cada
conjunto 16 arquivos bitmaps de imagens (.bmp) para cada conjunto.
2. Para cada conjunto de 16 fotografias calcula-se o perfil do objeto
usando o programa em MatLab que implementa a Tcnica de Moir
alterando as equaes do clculo de fase (4a, 5a, 6a, 6b, 6c, 6d, 6e,
7a, 7b, 7c, 7d, 8a, 8b, 8c, 8d, 9a, 9b, 9c, 10a, 10b, 10c, 11a, 11b, 11c,
12a, 12b, 13a, 13b, 14a, 14b, 15a, 16a). Usando a resoluo grfica da
fotografia e as dimenses do retculo o programa gera para cada
conjunto de 16 fotografias e cada equao de calculo de fase testada
uma arquivo texto com os resultados das medies [x y z] para cada
pixel.
3. Usando uma pequena rotina em Linguagem Delphi/Pascal, prepara-
se um arquivo texto com as dimenses que se acredita correta e exata
com as coordenadas de referncia [x y z] (em cada ponto dos pixis
das imagens) do objeto medido fisicamente com paqumetros.
4. Outra rotina em Linguagem Dephi/Pascal implementa a Equao 5.2
que calcula o erro mdio em milmetros usando os arquivos textos
gerados nos itens 2 e 3 para cada conjunto de 16 fotografias e cada
equao do clculo de fase testada. Obtm-se uma tabela do conjunto
de imagens versus equao de clculo testada dos erros mdios (mm).
5. Calcula-se o valor P aplicando o teste de comparao de mdias
emparelhadas t-Sdudent usando o Microsoft Excel e comparando o
erro mdio obtido no item 4 entre duas equaes do clculo de fase
qualquer. Obtm-se uma tabela de equao de clculo testada versus
outra equao de clculo dos valores P do teste estatstico.
193
Para testar as novas equaes de clculo de Franjas de Moir com
defasagens arbitrrias, mas constantes no deslocamento de fase. O objeto usado foi
um bloco padro de ao para calibrao de micrmetros pintado de branco e
inclinado sobre outro bloco com um centmetro de altura. Foram tiradas fotografias
de 3.145.728 pixis (2048x1536). Esta montagem foi criada para ser o mais precisa
possvel e bem fcil de medir mecanicamente. Este tipo de montagem tambm
ideal para a calibrao do sistema de medio da Tcnica de Moir (medio de um
plano inclinado) e evitar os erros sistemticos nos experimentos cientficos. A Figura
34 ilustra a montagem e a Figura 35 as fotografias de entrada com filtros:


Figura 34 Exemplo da montagem para calibrao (planos inclinados) e de blocos padres
utilizada.
Fonte: Resultados da pesquisa.
194
Com esta montagem, conseguiram-se as melhores precises e os menores
erros. Foram utilizados, nesses experimentos, os blocos padro do Laboratrio de
Medidas e Metrologia da Pontifcia Universidade Catlica de Minas Gerais.

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

Figura 35 Um conjunto com 16 fotografias de Franjas de Moir de trs megapixis. [A-P]. Fase
empacotado[Q]. Resultado em 3-D [R]. (Bloco Padro inclinado com altura de 1 cm).
Medio de um plano inclinado para a calibrao do sistema experimental.
Fonte: Resultados da pesquisa.
195
TABELA 16

Erro mdio em m dos 25 conjuntos de imagens aplicadas s equaes selecionadas.
N
mer
o
de
Ima
gen
s
4 a 107 110 109 107 110 108 108 108 111 109 108 110 108 110 109 109 109 109 110 110 109 110 108 108 110
5 a 105 107 105 105 107 105 104 106 104 106 107 104 105 104 107 107 104 104 106 106 105 104 107 107 105
a 102 101 102 101 103 103 104 103 101 100 104 101 102 100 101 101 102 102 101 100 104 101 101 101 103
b 103 101 102 101 103 101 104 103 102 102 103 103 101 102 100 101 102 100 102 102 100 101 103 103 103
c 101 100 101 102 103 102 102 101 100 102 103 101 103 100 103 103 102 101 101 103 101 103 101 101 103
d 100 102 100 103 103 100 100 101 101 103 102 101 102 103 101 101 101 101 103 102 101 101 101 103 103
e 101 103 103 101 100 101 103 101 103 101 102 101 102 101 103 102 100 102 100 100 101 102 103 100 102
a 99 97 98 100 100 100 100 97 97 99 99 98 99 98 97 98 97 97 97 98 98 99 99 99 99
b 99 99 97 98 97 100 100 98 99 99 97 99 97 98 97 98 100 98 98 97 98 99 97 98 98
c 100 97 97 100 98 99 99 98 100 97 98 100 97 96 98 99 99 98 99 99 98 99 99 98 99
d 98 99 98 97 97 97 97 98 100 96 97 97 99 99 100 97 97 96 99 98 97 99 99 98 99
a 96 94 96 94 95 96 95 95 95 93 95 95 96 93 95 95 93 94 94 94 96 96 95 96 95
b 96 96 95 94 96 93 96 96 94 96 95 96 94 95 96 96 94 94 95 94 93 94 94 95 95
c 96 95 96 94 96 96 95 94 94 94 96 95 95 95 96 95 93 93 94 95 95 93 95 94 96
d 96 96 95 95 95 93 96 93 96 96 95 94 94 95 93 96 93 95 93 96 95 94 94 94 96
a 92 92 91 90 90 91 92 90 90 90 90 91 93 90 92 92 90 92 90 92 93 90 91 91 90
b 91 92 90 90 92 92 89 91 91 93 92 91 90 92 90 91 91 90 93 92 93 91 93 92 92
c 91 93 93 90 93 89 92 91 92 90 91 92 92 93 90 90 91 92 92 90 90 92 92 92 90
a 87 87 87 88 87 87 87 89 87 87 87 87 89 87 88 89 89 87 86 87 86 89 88 86 88
b 88 86 86 87 88 88 88 87 88 88 88 88 89 87 89 88 89 87 87 86 89 87 87 89 89
c 86 88 87 89 87 88 87 89 86 86 87 86 87 86 86 88 87 88 87 88 88 87 89 86 86
a 84 82 83 82 85 84 83 85 84 83 84 85 84 84 85 84 83 83 84 85 83 82 85 83 85
b 83 83 83 84 84 83 85 82 85 85 84 83 83 83 86 84 86 85 85 85 83 83 85 83 85
c 85 83 86 84 83 85 84 85 86 82 84 85 85 82 84 82 84 82 85 86 84 85 84 84 82
a 81 82 80 82 80 79 81 79 81 82 80 79 80 81 80 82 79 82 82 79 79 82 80 80 80
b 80 79 79 79 81 82 80 82 82 80 81 81 81 80 81 79 81 82 80 81 79 82 79 80 79
a 77 77 76 78 76 76 75 77 77 79 77 77 77 75 77 78 78 75 77 77 77 77 76 75 78
b 77 77 78 78 75 77 75 78 78 76 78 76 77 76 76 77 76 77 77 77 78 77 76 76 77
a 73 74 74 74 72 73 74 75 72 72 73 74 74 75 72 72 72 73 72 75 74 73 74 73 73
b 73 72 75 73 73 73 74 73 75 74 73 75 73 73 75 73 73 75 73 72 73 74 74 73 74
15 a 73 73 72 71 72 70 70 72 72 72 71 73 73 71 71 71 72 71 70 71 70 73 72 71 70
16 a 67 68 69 68 67 67 69 67 67 66 66 68 67 68 68 69 69 67 67 69 68 68 67 68 68
14
Erro
Mdio
em m
6
7
8
9
Fr
mul
as
20 9
12
13
15 17
10
11
18 19 8 16 6 7 14 1 2 3 4 5 22 23 24 25
Conjunto de Imagens
21 10 11 12 13

Fonte: Dados da pesquisa.

Uma vez realizadas s medies, estas so comparadas com a referncia
que representa as medidas corretas dos blocos inclinados, usando-se a Equao 5.2
para se calcular o erro mdio, por meio de cada uma das novas equaes de clculo
selecionadas para o teste, como mostrado na Tabela 16. O passo seguinte
calcular o valor P dos 25 conjuntos, comparando entre si cada par de diferentes
equaes selecionadas e mostradas na Tabela 17.
196
TABELA 17

Valor P das comparaes dos erros mdios das equaes aplicadas no plano inclinado.
a a a b c d e a b c d a b c d a b c a b c a b c a b a b a b a
4 a
5 a 0%
a 0% 0%
b 0% 0% 75%
c 0% 0% 57% 45%
d 0% 0% 31% 15% 43%
e 0% 0% 36% 31% 70% 79%
a 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 84%
c 0% 0% 0% 0% 0% 0% 0% 65% 44%
d 0% 0% 0% 0% 0% 0% 0% 55% 66% 26%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 79%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 75% 53%
d 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 73% 50% 87%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 24%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 39% 66%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 26%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 36% 11%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 54%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 25% 60%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 88%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 92%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 54%
15 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
16 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
14
Valor
P
6
7
8
9
10
Nmer
o de
Image
ns e
Frmul
as de
Clcul
o de
Fase
10 11
11
12
12
13
13 14 15
Nmero de Imagens e Frmulas de Clculo de Fase
4 5 6 7 8 9

Fonte: Dados da pesquisa.

interessante notar que, na Tabela 17, o valor P, quando comparado a
equaes com nmero de imagens diferentes, 0%, e isso faz rejeitar a hiptese
nula de que as mdias dos erros so iguais. Com isso, conclui-se que as equaes
que utilizam mais imagens produzem um erro menor. Quando se compara equaes
com o mesmo nmero de imagens, o valor de P maior que 5%, e isso faz com que
se deixe de rejeitar a hiptese nula de que as mdias dos erros so iguais. Com
isso, conclu-se que as equaes que utilizam o mesmo nmero de imagens tm
preciso semelhante.
197
5.8 Experincias com seios de manequim


Novamente, para testar as novas equaes do clculo de fase, foram feitos
12 conjuntos com 16 fotografias de Franjas de Moir com defasagens arbitrrias,
mas constantes no deslocamento de fase. O objeto usado foi os seios de um
manequim pintados de branco (Figura 36). Foram tiradas fotografias de 307.200
pixis (640x480). Novamente, utilizou-se uma resoluo menor nas imagens, uma
vez que se vai fazer apenas um estudo comparativo e com isso se obteve um tempo
de processamento bem menor e sem gastar muito memria do computador.
A determinao dos valores de referncia foi obtida atravs de 49 medies
realizadas por um paqumetro, em uma rea de 36(6x6) centmetros quadrados com
espaamentos iguais de 1 cm, na regio dos seios do manequim. Inicialmente, foram
feitas 7 medidas em linha reta na horizontal espaadas por um centmetro. Em
seguida, desceu-se um centmetro na vertical e fez-se mais 7 medidas em linha
horizontal espaadas por um centmetro. A seguir, desceu-se mais um centmetro e
assim por diante. Ao final, tinha-se 49 profundidades medidas entre os seios do
manequim e o retculo. Os valores intermedirios foram calculados usando
interpolao polinomial bidimensional por Lagrange.
Para se eliminar o erro sistemtico do sistema de medio, a calibrao do
sistema foi realizada pela medio de um plano inclinado (blocos padro de ao). O
sistema se mostrou capaz de avaliar superfcies com geometria e refletncia
variveis. Verifica-se a calibrao com a medio do plano inclinado encontrando um
erro relativo mdio de medio menor que 1% (Equao 2.9). Para que se tornasse
possvel a calibrao do sistema proposto e a avaliao de possveis incertezas nos
dados de medio obtidos devido a distores ticas e geomtricas, foram utilizadas
vrias inclinaes da superfcie plana para a avaliao do sistema de medio.
198

A)
B)
C)






De 1 em 1 cm.
D)

E)

F)

G)

H)
I)


Figura 36 Em [A], manequim pintado de branco fotografado. Em [B], Franjas de Moir nos
seios do manequim. Em [C], malha usada para fazer as medidas fsicas com
paqumetro das profundidades dos seios. Em [D-G], 4 fotografias de Franjas de
Moir defasadas dos seios. Em [H], comparao entre a fotografia e as medidas.
Em [I], reconstruo em 3-D das medidas.
Fonte: Resultados da pesquisa.


199
TABELA 18

Erro mdio em m dos 12 conjuntos de imagens aplicadas s equaes selecionadas.
Nmero
de
Imagens
4 a 1016 1018 1033 1017 1020 1005 1002 1000 1007 1008 1018 1018
5 a 993 982 971 998 976 973 971 999 992 974 991 987
a 953 933 964 942 966 960 940 956 951 949 935 950
b 934 953 952 952 935 964 935 951 960 962 951 949
c 944 939 952 936 960 946 957 940 946 960 937 956
d 937 953 954 946 962 945 960 939 962 941 951 938
e 956 946 937 939 959 949 945 936 959 962 945 940
a 910 920 915 923 913 904 932 911 928 906 910 933
b 906 907 921 901 905 911 933 929 930 915 929 913
c 901 913 926 909 914 909 929 912 904 907 917 932
d 931 927 919 921 926 900 920 918 914 917 914 924
a 870 887 880 885 877 887 878 895 883 885 894 885
b 868 892 878 896 894 887 875 872 885 867 881 873
c 888 869 890 893 883 891 895 875 880 879 889 883
d 874 871 898 879 884 872 872 899 898 869 899 872
a 851 865 841 846 851 866 866 841 836 865 846 855
b 835 845 849 837 852 863 846 849 848 841 864 865
c 847 850 863 867 851 844 835 858 861 843 837 847
a 828 816 819 827 807 815 823 816 823 822 801 806
b 824 808 811 804 825 809 824 832 820 825 819 805
c 825 808 809 823 811 827 811 832 829 811 825 816
a 798 788 798 783 769 769 772 783 783 786 771 798
b 782 799 796 781 780 771 769 779 784 790 769 778
c 774 771 795 794 793 799 775 795 778 793 791 772
a 742 740 767 744 765 755 752 749 763 760 735 735
b 756 766 750 748 748 765 735 748 766 755 747 737
a 701 707 723 731 716 721 708 711 724 732 718 708
b 722 713 709 704 726 721 701 708 720 702 716 733
a 672 669 688 695 697 670 692 686 685 675 691 677
b 680 669 683 668 674 698 669 684 667 672 669 690
15 a 654 663 677 673 660 677 657 669 665 669 668 674
16 a 619 643 626 638 628 633 630 637 622 634 644 645
Conjunto de Imagens
10 11 12 1 2 3 8 6 7 9
12
13
10
11
4 5
14
Erro Mdio em m
6
7
8
9
Frmulas

Fonte: Dados da pesquisa.

Uma vez realizadas s medies, estas so comparadas com a referncia
que representa as medidas corretas dos seios do manequim, usando-se a Equao
5.2 para calcular o erro mdio, por meio de cada uma das novas equaes de
clculo selecionadas para o teste, como mostrado na Tabela 18. O passo seguinte
calcular o valor P dos 12 conjuntos, comparando entre si cada par de diferentes
equaes selecionadas e mostradas na Tabela 19.
200
TABELA 19

Valor P das comparaes dos erros mdios das equaes aplicadas aos seios
a a a b c d e a b c d a b c d a b c a b c a b c a b a b a b a
4 a
5 a 0%
a 0% 0%
b 0% 0% 96%
c 0% 0% 47% 65%
d 0% 0% 83% 88% 70%
e 0% 0% 56% 62% 99% 69%
a 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 92%
c 0% 0% 0% 0% 0% 0% 0% 34% 52%
d 0% 0% 0% 0% 0% 0% 0% 51% 60% 19%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 37%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 82% 31%
d 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 67% 72% 61%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 47%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 70% 85%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 95%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 60% 64%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 51%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 66% 37%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 78%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 66%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 23%
15 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
16 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
13 14 15
Nmero de Imagens e Frmulas de Clculo de Fase
4 5 6 7 8 9 10 11
11
12
12
13
14
Valor
P
6
7
8
9
10
Nmer
o de
Image
ns e
Frmul
as de
Clcul
o de
Fase

Fonte: Dados da pesquisa.

interessante notar que, na Tabela 19, o valor P, quando se compara
equaes com nmero de imagens diferentes, 0%, o que faz rejeitar a hiptese
nula de que as mdias dos erros so iguais. Com isso, conclui-se que as equaes
que utilizam mais imagens produzem um erro menor. Quando se compara equaes
com o mesmo nmero de imagens, o valor de P maior que 5%, o que faz com que
se deixe de rejeitar a hiptese nula de que as mdias dos erros so iguais. Com
isso, conclu-se que as equaes que utilizam o mesmo nmero de imagens tm
preciso semelhante.
201
5.9 Experincias com costas de manequim


Novamente, para testar as novas equaes do clculo de fase, foram feitos
12 conjuntos com 16 fotografias de Franjas de Moir com defasagens arbitrrias,
mas constantes na fase. O objeto usado foi s costas de um manequim pintado de
branco (Figura 37). Foram tiradas fotografias de 1.228.800 pixis (1280x960).
A determinao dos valores de referncia foi obtida por meio de 49 medies
realizadas por um paqumetro em uma rea de 324(18x18) centmetros quadrados,
com espaamentos iguais de 3 centmetros, na regio das costas do manequim.
Inicialmente, foram medidos 7 valores em linha reta na horizontal espaados por trs
centmetros. Em seguida, desceram-se trs centmetros na vertical, e fez-se mais 7
medidas em linha horizontal espaadas por trs centmetros. Novamente, desceram-
se mais trs centmetros, e assim por diante. Ao final, tinha-se 49 profundidades
medidas entre as costas do manequim e o retculo. Os valores intermedirios foram
calculados, usando-se interpolao polinomial bidimensional por Lagrange.















202
A)
B)
C)






De 3 em 3 cm.
D)

E)

F)

G)

H) I)

Figura 37 Em [A], montagem para fazer as fotografias das costa do manequim. Em [B], costas
do manequim a ser fotografado. Em [C], malha usada para fazer as medidas fsicas
com paqumetro das profundidades das costas. Em [D-E], duas fotografias de Franjas
de Moir defasados das costas. Em [F], fase empacotada (Wrapped).
Em [G-I], reconstruo em 3-D das medidas.
Fonte: Resultados da pesquisa.
203
TABELA 20

Erro mdio em m dos 12 conjuntos de imagens aplicadas s equaes
selecionadas para as costas de um manequim
Nmero
de
Imagens
4 a 1322 1302 1312 1302 1313 1331 1304 1305 1321 1319 1312 1334
5 a 1290 1266 1262 1283 1283 1287 1289 1285 1259 1290 1264 1291
a 1246 1217 1229 1222 1215 1219 1236 1230 1235 1217 1244 1238
b 1219 1244 1229 1233 1230 1244 1214 1226 1221 1249 1249 1244
c 1242 1221 1239 1221 1240 1242 1213 1220 1236 1215 1228 1241
d 1221 1245 1235 1245 1234 1223 1243 1215 1249 1227 1242 1214
e 1229 1223 1239 1243 1224 1217 1244 1219 1247 1229 1242 1224
a 1188 1187 1183 1173 1171 1181 1181 1201 1175 1204 1204 1171
b 1173 1202 1206 1197 1196 1204 1182 1184 1196 1177 1188 1184
c 1192 1173 1195 1193 1187 1198 1179 1171 1191 1193 1170 1200
d 1195 1197 1174 1200 1194 1190 1182 1186 1194 1193 1181 1187
a 1132 1151 1129 1159 1159 1149 1145 1162 1150 1152 1139 1127
b 1150 1162 1158 1135 1135 1129 1150 1141 1160 1149 1130 1148
c 1139 1148 1139 1128 1143 1149 1138 1159 1154 1134 1138 1133
d 1134 1141 1149 1154 1141 1130 1152 1130 1133 1151 1136 1133
a 1112 1108 1112 1104 1116 1111 1089 1096 1113 1094 1115 1115
b 1092 1109 1097 1091 1119 1109 1093 1114 1087 1107 1103 1089
c 1103 1090 1117 1087 1096 1109 1087 1118 1111 1097 1109 1116
a 1051 1069 1054 1069 1066 1044 1059 1066 1062 1048 1071 1048
b 1047 1066 1050 1068 1054 1047 1071 1075 1073 1072 1041 1042
c 1062 1047 1041 1071 1057 1073 1056 1052 1066 1073 1075 1059
a 1011 1004 1004 1001 1002 1014 1019 1027 1016 1006 1033 1006
b 1015 1008 1018 1031 1008 1014 1000 1012 1024 1021 1004 1020
c 1019 1015 1012 1026 1014 1014 1028 1006 1005 1012 1031 1024
a 987 987 954 976 979 963 973 973 966 967 984 984
b 964 969 968 983 980 980 970 978 988 973 988 974
a 917 912 934 937 932 927 946 939 929 914 934 911
b 921 939 922 932 936 924 929 918 938 932 913 922
a 885 897 869 873 875 878 876 870 893 889 879 886
b 888 868 897 876 885 888 881 875 893 875 898 882
15 a 879 849 851 853 878 865 850 851 880 863 877 847
16 a 825 823 829 810 825 823 824 836 820 834 813 803
Conjunto de Imagens
10 11 12 1 2 3 8 6 7 9
12
13
10
11
4 5
14
Erro Mdio em m
6
7
8
9
Frmulas

Fonte: Dados da pesquisa.

Uma vez realizadas s medies, estas so comparadas com a referncia
que representa as medidas corretas das costas do manequim, usando-se a Equao
5.2 para calcular o erro mdio, por meio de cada uma das novas equaes de
clculo selecionadas para o teste, como mostrado na Tabela 20. O passo seguinte
calcular o valor P dos 12 conjuntos, comparando entre si cada par de diferentes
equaes selecionadas e mostradas na Tabela 21.
204
TABELA 21

Valor P das comparaes dos erros mdios das equaes aplicadas s costas
a a a b c d e a b c d a b c d a b c a b c a b c a b a b a b a
4 a
5 a 0%
a 0% 0%
b 0% 0% 43%
c 0% 0% 81% 49%
d 0% 0% 46% 91% 62%
e 0% 0% 44% 75% 74% 66%
a 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 32%
c 0% 0% 0% 0% 0% 0% 0% 73% 38%
d 0% 0% 0% 0% 0% 0% 0% 34% 74% 51%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 94%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 24% 34%
d 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 18% 19% 75%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 17%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 29% 61%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 100%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 63% 68%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 58%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 16% 53%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 60%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 93%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 48%
15 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
16 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
13 14 15
Nmero de Imagens e Frmulas de Clculo de Fase
4 5 6 7 8 9 10 11
11
12
12
13
14
Valor
P
6
7
8
9
10
Nmer
o de
Image
ns e
Frmul
as de
Clcul
o de
Fase

Fonte: Dados da pesquisa.

interessante notar que na Tabela 21, o valor P, quando comparado a
equaes com nmero de imagens diferentes, 0%, o que faz rejeitar a hiptese
nula de que as mdias dos erros so iguais. Com isso, conclui-se que as equaes
que utilizam mais imagens produzem um erro menor. Quando se compara equaes
com o mesmo nmero de imagens, o valor de P maior que 5%, o que faz com que
se deixe de rejeitar a hiptese nula de que as mdias dos erros so iguais. Com
isso, conclu-se que as equaes que utilizam o mesmo nmero de imagens tm
preciso semelhante.
205
Com a montagem realizada no laboratrio, onde a alterao de fase feita
mecanicamente, fica difcil e trabalhoso testar equaes de clculo que usam muitas
imagens. Por esta razo, testaram-se equaes com nmero de imagens at
dezesseis. O deslocamento de fase era realizado manualmente, por meio de ajustes
no micrmetro, o que torna susceptvel a erros e no assegura que o passo do
deslocamento de fase seja exatamente constante e com o mesmo valor entre todas
as imagens.
Faz-se importante observar que as fotografias possuam alta taxa de rudos e
imperfeies, em consequncia de poeira no ar, na lente da cmera fotogrfica e na
placa de vidro; de vibraes mecnicas presentes no laboratrio; de variaes na
temperatura da sala; de reflexo da luz branca no vidro do retculo, pelo fato do
laboratrio no ser completamente escuro; de erros no processo de deslocamento
de fase, que devia ser absolutamente constante entre as imagens; de reduo das
imagens em razo das linhas verticais do retculo; de erro no paralelismo do retculo,
que deve formar um ngulo reto perfeito em relao fonte de luz e a cmera; de
erro na medio da distncia entre o retculo e a cmera e entre a cmera e a fonte
de luz; e de erros na discretizao da imagem em pixis e em tons de cinza. Apesar
dos cuidados e da antecipao de vrias medies de calibrao usando planos
inclinados com blocos padres mtricos, as fotografias apresentam muitos pequenos
erros. Na literatura sobre a Tcnica de Moir esses erros so tambm citados e
estudados em detalhes, como nas referncias de POST (1994) e PATORSKI (1993).


5.10 Experincias com imagens geradas no computador


Na sequncia da pesquisa, em vez de fazer as fotografias com cmera digital,
seguiu-se a proposta mostrada em SMITH (2000), onde as imagens so geradas
pelo computador. Assim, foram criados 25 conjuntos com 16 imagens de Franjas de
Moir com defasagens arbitrrias, mas constantes na fase. Cada conjunto difere do
outro apenas pelo valor do deslocamento de fase. Usou-se, nas imagens, o Modelo
5.8:

206
5 5 , 5 5 ,
100
) (
2 3

= y x com
y x
z (5.8)

Assim, obtiveram-se imagens com resoluo grfica de aproximadamente um
megapixel com 1280 pixis na horizontal e 960 pixis na vertical (total de 1.228.800
pixis). Para ger-las, foram utilizadas as seguintes equaes de passo:

= = = + =
= = = + =
1024 , 5 , 5 , ) 1 (
1024 , 5 , 5 , ) 1 (
y i f y y i f
x i f x x i f
n Y Y h n Y Y
n X X h n X X
(5.9)
TABELA 22


Erro mdio em m dos 25 conjuntos de imagens aplicadas s equaes
selecionadas para as curvas geradas no computador
N
mer
o
de
Ima
gen
s
4 a 96 95 98 99 97 97 96 97 97 97 96 96 97 95 97 99 96 96 98 96 98 98 98 97 97
5 a 97 96 97 99 97 98 97 97 97 98 98 98 96 97 96 98 98 98 98 95 97 96 98 99 97
a 98 96 95 97 96 98 98 95 99 96 99 98 97 96 98 98 95 99 97 99 96 98 97 97 97
b 96 96 99 98 98 96 98 96 96 96 98 96 99 98 96 98 99 97 97 97 99 99 97 97 96
c 98 97 98 96 97 95 98 96 99 99 99 95 97 98 95 99 95 98 99 96 97 96 96 99 97
d 98 98 97 97 99 97 96 97 97 97 96 97 96 99 96 99 96 99 98 96 96 98 97 97 97
e 95 99 97 96 95 99 97 96 96 97 96 98 96 96 99 97 98 99 96 97 98 96 98 98 98
a 99 97 98 97 96 97 96 99 98 98 97 97 98 97 98 98 97 98 95 96 98 96 96 96 97
b 97 97 98 96 96 96 97 98 98 98 99 98 98 97 96 98 97 98 98 97 98 95 97 98 98
c 99 99 96 98 97 96 97 98 97 96 97 96 99 97 99 95 99 98 96 99 96 98 96 96 99
d 97 96 97 97 98 98 97 98 98 95 96 98 98 97 99 98 98 98 97 97 96 96 96 99 99
a 97 97 97 95 98 96 98 97 99 96 96 99 99 98 98 97 98 96 96 96 99 98 98 98 99
b 99 97 96 96 99 99 98 95 99 97 98 98 97 97 99 98 96 97 98 97 95 95 96 98 97
c 96 97 99 99 99 98 96 96 97 96 96 97 96 98 98 99 96 97 99 97 96 96 98 99 97
d 96 98 96 96 96 98 97 97 96 96 96 97 98 97 98 99 99 97 96 98 96 96 98 98 96
a 98 98 99 96 99 97 98 97 96 97 98 98 99 99 98 98 98 97 96 97 96 96 97 98 96
b 98 97 98 98 96 97 99 97 98 98 97 96 98 96 97 98 97 97 97 98 98 99 98 96 95
c 98 97 98 99 99 96 96 97 98 98 96 98 96 98 99 96 96 96 97 95 98 99 98 97 98
a 97 98 97 97 97 97 99 97 96 96 99 95 98 99 97 97 98 98 98 98 96 96 97 98 98
b 96 97 96 96 98 99 98 95 96 97 96 99 99 96 95 97 96 97 97 99 98 99 98 96 97
c 98 98 97 99 98 99 98 96 99 95 97 97 96 98 97 98 99 97 96 97 97 99 98 99 96
a 98 96 96 98 97 97 98 98 98 95 98 96 99 98 98 98 96 99 96 98 95 98 96 96 98
b 98 96 97 96 96 96 98 99 96 98 98 96 97 97 96 97 96 97 96 98 96 97 97 99 95
c 98 96 96 98 96 97 98 99 97 97 98 98 98 97 98 97 97 95 99 95 99 98 98 97 98
a 97 97 98 99 96 96 97 98 96 95 97 97 96 97 98 96 96 98 97 96 96 96 98 99 98
b 96 99 98 97 99 97 97 99 95 98 95 96 97 96 99 97 98 97 97 95 97 98 98 99 98
a 96 97 96 98 99 98 97 96 96 98 97 99 98 96 98 99 96 97 97 97 98 96 96 98 98
b 97 97 97 99 96 96 95 96 97 97 97 95 98 98 99 98 99 97 96 98 96 96 96 96 98
a 96 98 99 99 97 96 99 96 96 99 96 96 96 95 98 97 97 99 98 99 97 97 98 96 98
b 98 97 99 96 98 96 98 98 98 96 95 96 98 98 98 96 99 97 99 99 99 97 95 99 96
15 a 95 98 97 96 98 95 97 98 98 96 98 98 99 98 97 98 96 97 96 97 99 98 99 96 96
16 a 95 96 98 97 97 98 99 98 98 97 99 97 99 98 97 99 97 97 98 96 97 95 98 98 96
14
Erro
Mdio
em m
6
7
8
9
Fr
mul
as
20 9
12
13
15 17
10
11
18 19 8 16 6 7 14 1 2 3 4 5 22 23 24 25
Conjunto de Imagens
21 10 11 12 13

Fonte: Dados da pesquisa.

207
Uma vez realizadas as medies com as imagens geradas
computacionalmente, estas so comparadas com a referncia que a Equao 5.8
das curvas geradas no computador, usando-se a Equao 5.2 para se calcular o
erro mdio, por meio de cada uma das novas equaes de clculo selecionadas
para o teste, como mostrado na Tabela 22. Nas imagens, no existe erros ou rudos,
a no ser pela discretizao dos tons de cinza e discretizao em pixis. O passo
seguinte calcular o valor P dos 25 conjuntos, comparando entre si cada par de
diferentes equaes selecionadas e mostradas na Tabela 23.

TABELA 23

Valor P das comparaes dos erros mdios das equaes aplicadas s curvas geradas no
computador
a a a b c d e a b c d a b c d a b c a b c a b c a b a b a b a
4 a
5 a 25%
a 55% 88%
b 55% 76% 89%
c 58% 81% 94% 94%
d 64% 64% 82% 94% 85%
e 68% 67% 83% 96% 90% 99%
a 77% 56% 72% 84% 76% 90% 89%
b 25% 74% 69% 55% 47% 50% 52% 28%
c 38% 84% 71% 59% 71% 57% 56% 40% 99%
d 42% 93% 93% 83% 89% 73% 73% 61% 74% 75%
a 28% 77% 68% 49% 64% 49% 52% 42% 93% 95% 68%
b 51% 97% 89% 83% 85% 72% 76% 63% 79% 81% 97% 74%
c 31% 90% 96% 84% 90% 72% 79% 71% 74% 79% 98% 72% 95%
d 91% 30% 44% 58% 58% 58% 46% 67% 22% 24% 26% 19% 34% 38%
a 24% 60% 58% 41% 49% 35% 45% 23% 79% 85% 57% 89% 55% 57% 9%
b 16% 78% 66% 49% 62% 52% 57% 34% 99% 100% 77% 95% 79% 75% 24% 83%
c 25% 86% 79% 65% 74% 55% 63% 48% 96% 95% 82% 88% 85% 77% 37% 81% 95%
a 34% 81% 71% 53% 64% 53% 54% 46% 98% 97% 75% 92% 78% 75% 17% 75% 97% 98%
b 84% 57% 64% 76% 77% 83% 82% 93% 44% 43% 63% 32% 61% 66% 75% 33% 35% 49% 44%
c 10% 34% 36% 25% 40% 18% 25% 25% 62% 63% 39% 66% 42% 35% 6% 74% 57% 56% 57% 19%
a 65% 76% 79% 98% 93% 95% 97% 82% 58% 46% 74% 56% 76% 83% 55% 43% 53% 65% 54% 79% 28%
b 83% 23% 40% 49% 38% 54% 56% 56% 9% 26% 37% 25% 39% 41% 92% 9% 10% 31% 14% 72% 10% 49%
c 9% 51% 54% 37% 49% 41% 42% 22% 71% 80% 55% 82% 62% 58% 17% 96% 75% 72% 75% 29% 81% 40% 11%
a 67% 14% 37% 44% 42% 45% 37% 50% 11% 15% 19% 17% 35% 21% 80% 12% 16% 14% 10% 65% 6% 40% 87% 5%
b 34% 100% 91% 77% 86% 68% 66% 62% 83% 82% 94% 76% 97% 92% 31% 66% 81% 85% 83% 60% 45% 78% 33% 62% 17%
a 35% 96% 91% 79% 86% 70% 70% 59% 73% 78% 97% 70% 100% 95% 30% 56% 75% 82% 79% 45% 41% 76% 35% 55% 26% 97%
b 91% 38% 48% 52% 56% 63% 60% 59% 22% 13% 36% 29% 44% 43% 99% 15% 23% 34% 21% 80% 12% 50% 94% 17% 81% 40% 35%
a 24% 80% 72% 59% 67% 55% 49% 47% 98% 99% 78% 96% 82% 74% 27% 87% 99% 94% 97% 39% 65% 60% 25% 83% 13% 80% 74% 21%
b 30% 75% 67% 45% 58% 52% 52% 38% 88% 88% 65% 94% 71% 68% 23% 95% 88% 86% 85% 41% 74% 55% 18% 91% 18% 74% 71% 24% 91%
15 a 31% 94% 83% 65% 78% 61% 67% 50% 82% 86% 89% 72% 92% 87% 27% 66% 83% 90% 88% 47% 49% 68% 25% 61% 21% 95% 90% 34% 86% 76%
16 a 15% 62% 63% 48% 52% 48% 52% 35% 87% 94% 65% 98% 69% 63% 17% 89% 91% 89% 88% 39% 69% 52% 9% 85% 12% 75% 67% 26% 94% 97% 73%
14
Valor
P
6
7
8
9
10
Nmer
o de
Image
ns e
Frmul
as de
Clcul
o de
Fase
10 11
11
12
12
13
13 14 15
Nmero de Imagens e Frmulas de Clculo de Fase
4 5 6 7 8 9

Fonte: Dados da pesquisa.
208
interessante notar que, na Tabela 23, o valor P, quando comparado a
equaes independentes do nmero de imagens, maior ou igual a 5%, o que faz
deixar de se rejeitar a hiptese nula de que as mdias dos erros so iguais. Com
isso, conclui-se que as equaes para este caso tm erros semelhantes. Ou seja,
todas as equaes tm a mesma preciso. Isso se deve ao fato das imagens no
apresentarem rudos aleatrios ou imperfeies randmicas. As imagens so
relativamente perfeitas e os erros mdios so muito pequenos, em razo, apenas,
do processo de discretizao em pixis e em tons de cinza.
Para verificar este resultado, sero gerados, nas imagens anteriores, rudos
aleatrios, como descritos no Captulo IV. A quantidade de imperfeies deve ser
grande, para se obter o efeito desejado at as equaes com dezesseis imagens. As
tabelas seguintes mostram o referido processo.
209
TABELA 24

Erro mdio em m dos 25 conjuntos de imagens aplicadas s equaes selecionadas
para imagens geradas no computador com rudos aleatrios
N
mer
o
de
Ima
gen
s
4 a 865 862 879 862 866 865 860 881 864 859 872 873 862 859 873 859 868 862 861 870 876 862 873 868 874
5 a 835 830 851 843 836 829 840 851 832 846 831 835 831 835 846 839 850 830 832 835 851 833 851 842 850
a 819 816 802 808 811 802 808 803 802 806 815 823 812 814 814 812 816 820 808 807 801 821 802 820 809
b 811 813 819 808 805 815 801 805 821 815 815 819 821 822 800 821 822 811 814 819 816 801 814 811 811
c 814 809 810 806 815 806 818 807 823 809 818 817 810 815 809 818 802 804 818 821 823 811 807 806 804
d 804 818 813 808 812 811 805 803 805 817 816 801 806 802 818 802 808 816 814 818 807 808 802 807 823
e 821 805 817 815 816 800 813 805 820 803 801 809 811 818 815 807 803 807 801 803 820 822 811 809 811
a 783 778 778 777 789 785 791 781 789 780 774 781 786 777 778 775 792 783 790 781 772 784 787 782 795
b 775 774 785 787 779 787 780 777 779 787 772 778 774 774 779 778 792 794 783 789 783 785 788 778 789
c 780 779 794 772 778 778 776 794 790 784 782 792 794 774 791 784 776 778 775 774 773 793 791 791 778
d 776 789 784 785 792 778 789 792 784 773 790 783 780 781 785 781 793 784 791 779 775 781 782 774 791
a 749 759 755 743 747 756 750 746 762 757 754 751 753 750 745 766 765 746 761 762 763 751 754 746 764
b 757 762 749 748 766 761 761 754 751 758 760 764 748 744 749 755 749 757 751 755 754 747 763 756 765
c 751 763 760 746 752 766 763 753 762 762 762 751 759 763 752 757 752 762 764 750 756 762 746 745 745
d 745 743 761 744 757 747 765 759 751 752 760 760 750 757 765 746 755 761 766 755 756 761 755 756 753
a 729 727 734 738 715 724 730 721 716 738 737 730 718 728 734 719 717 719 724 728 719 729 716 726 716
b 732 724 726 738 733 722 733 726 719 718 725 735 731 715 720 718 729 715 731 733 718 729 732 726 720
c 714 735 722 723 722 732 723 731 728 721 718 729 722 721 717 728 730 735 717 734 716 732 734 716 727
a 704 688 703 705 708 707 699 705 696 709 696 686 697 690 702 699 694 704 704 691 701 695 697 709 702
b 696 704 702 694 692 691 703 694 703 708 689 690 707 699 694 708 698 708 706 694 709 708 709 699 707
c 704 696 695 692 700 701 690 694 706 696 687 689 688 705 686 691 700 705 691 694 687 703 690 702 698
a 678 665 664 673 662 679 658 673 678 659 658 663 668 661 668 674 668 659 660 660 662 668 680 658 675
b 673 664 659 675 671 677 664 667 662 662 664 680 667 679 667 660 669 666 665 664 665 668 674 673 674
c 676 670 674 675 670 676 663 668 681 664 659 677 668 676 661 662 667 664 662 664 680 660 680 676 666
a 650 631 635 641 647 637 642 643 642 643 650 647 634 643 639 647 636 645 650 640 633 650 646 635 631
b 652 637 641 645 633 633 638 643 631 641 640 637 641 640 643 650 652 644 634 641 631 641 646 637 644
a 621 612 622 605 616 608 607 602 611 618 614 619 602 612 621 612 611 613 612 611 623 602 620 622 611
b 616 611 609 608 618 621 602 613 602 615 602 601 605 624 624 608 600 624 605 619 612 614 610 600 606
a 578 586 579 593 576 593 574 586 584 573 591 590 582 586 585 584 592 576 575 573 572 593 581 592 580
b 574 573 595 577 572 594 587 584 582 583 577 573 587 574 585 580 580 578 572 591 581 575 580 589 588
15 a 565 580 578 580 565 571 563 567 560 573 578 569 563 571 570 581 562 558 569 574 575 561 574 570 560
16 a 551 532 550 542 539 537 539 539 530 532 545 545 536 550 550 549 552 546 533 549 545 535 534 547 547
14
Erro
Mdio
em m
6
7
8
9
Fr
mul
as
20 9
12
13
15 17
10
11
18 19 8 16 6 7 14 1 2 3 4 5 22 23 24 25
Conjunto de Imagens
21 10 11 12 13

Fonte: Dados da pesquisa.

Uma vez realizadas as medies (de imagens geradas), estas so
comparadas com a referncia das dimenses corretas da curva, usando-se a
Equao 5.2 para se calcular o erro mdio, por meio de cada uma das novas
equaes de clculo selecionadas para o teste, como mostrado na Tabela 24. O
passo seguinte calcular o valor P dos 25 conjuntos, comparando entre si cada par
de diferentes equaes selecionadas e mostradas na Tabela 25.
210
TABELA 25

Valor P das comparaes dos erros mdios das equaes aplicadas
s imagens geradas no computador com rudo aleatrio
a a a b c d e a b c d a b c d a b c a b c a b c a b a b a b a
4 a
5 a 0%
a 0% 0%
b 0% 0% 27%
c 0% 0% 54% 52%
d 0% 0% 57% 10% 25%
e 0% 0% 85% 23% 33% 74%
a 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 58%
c 0% 0% 0% 0% 0% 0% 0% 89% 64%
d 0% 0% 0% 0% 0% 0% 0% 39% 27% 68%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 54%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 29% 68%
d 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 66% 93% 58%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 72%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 91% 62%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 71%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 2% 1%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 38%
c 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 11% 36%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 57%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 27%
a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
b 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 39%
15 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
16 a 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
14
Valor
P
6
7
8
9
10
Nmer
o de
Image
ns e
Frmul
as de
Clcul
o de
Fase
10 11
11
12
12
13
13 14 15
Nmero de Imagens e Frmulas de Clculo de Fase
4 5 6 7 8 9

Fonte: Dados da pesquisa.

interessante notar que, na Tabela 25, o valor P, quando comparado a
equaes com nmero de imagens diferentes, 0%, o que faz rejeitar a hiptese
nula de que as mdias dos erros so iguais. Com isso, conclui-se que as equaes
que utilizam mais imagens produzem um erro menor. Quando se compara as
equaes com o mesmo nmero de imagens, o valor de P maior que 5%, o que
faz com que se deixe de rejeitar a hiptese nula de que as mdias dos erros so
iguais. Com isso, conclui-se que as equaes que utilizam o mesmo nmero de
211
imagens tm preciso semelhante. Isso ocorre porque as imagens tm bastantes
rudos e imperfeies aleatrias.
Observa-se que nas medies realizadas a maior parte do erro cometido vem
do deslocamento de fase entre as imagens que deve ser constante. Com o
deslocamento de fase realizada por meio de ajuste mecnicos no micrmetro,
pequenos erros so cometido nesta regulagem manual do micrmetro. Alm, da
substituio deste ajuste manual por um dispositivo eletrnico automtico melhor,
cita-se como fontes de erros e sugestes de melhoria: (a) retculo com passo menor
que 1 mm (entre 0,01 e 0,2mm); (b) uso de fonte de luz completamente coerente; (c)
fonte de luz mais potente (acima de 500 watts); (d) resoluo fotogrfica maiores
(acima de 5 megapixis); (e) melhor regulagem do retculo para ficar perfeitamente
paralela ao plano de referncia do objeto medido; (f) acertos finos em colocar
cmera, fonte de luz, retculo e objeto no mesmo plano geomtrico; (g) sala
completamente escura; (h) eliminao de vibraes mecnicas e rudos sonoros de
motores no laboratrio; (i) substituio da discretizao monocromtica em tons de
cinza de 8 bits (256 tons) para 16 bits (65536 tons); (j) implementao de melhores
filtros iniciais de Processamento Digital de Imagens nas fotografias; (k) evitar
contaminao de poeira e sujeira nos equipamento e na sala; (l) aperfeioamentos
no sistema de calibrao da montagem experimental da Tcnica Moir de Sombra;
(m) em vez de fazer o ajuste em trs micrmetros na direo de z, trocar o sistema
pelo ajuste de um nico micrmetro na direo x para o deslocamento de fase; (n)
utilizao de objetos para medio menores e mais planos; e (o) controlar as
variaes na temperatura e umidade do ar durante os experimentos.


5.11 Anlises de incertezas para algoritmos do clculo de fase


Em CORDERO et al. (2007) desenvolvida uma metodologia para a anlise
de incertezas de algoritmos do clculo de fase. Esse estudo segue as
recomendaes da ISO (International Organization for Standardization) sobre a
expresso da incerteza em medies. Segue-se a aplicao desta metodologia nas
novas equaes do clculo de fase mostrada nas Tabelas 8, 9 e 10.
212
A incerteza associada ao resultado de uma medio um parmetro que
caracteriza a disperso dos valores que podem razoavelmente ser atribudos ao
mensurando. Operacionalmente, a disperso dos valores de alguma quantidade Q
descrita por uma funo densidade de probabilidade (PDF Probability density
function), f(q). O domnio da PDF constituda por todos os possveis valores de Q,
e sua faixa o intervalo (0, 1). Se o PDF est disponvel, a estimativa do Q obtida
atravs da avaliao do valor esperado e sua incerteza padro considerada como
sendo igual ao desvio-padro.
Embora a obteno do PDF mais adequado para uma determinada aplicao
particular no seja simples, se o mensurando Q est relacionado a um conjunto de
outras quantidades P=(P
1
,P
2
,P
3
,...,P
p
)
t
atravs de um modelo de medio Q = M(P),
linear ou fracamente no-linear, a incerteza padro de Q pode ser expressos em
termos das incertezas dos padres das quantidades de entrada (P
1
,P
2
,P
3
,...,P
p
)
usando a chamada lei de propagao de incertezas (LPU Law of propagation of
uncertainties). Em vez da LPU, a tcnica baseada no Mtodo de Monte Carlo pode
ser aplicada a modelos lineares, bem como aos modelos no lineares.
A tcnica baseada no Mtodo de Monte Carlo requer que primeiro seja
atribuindo funes densidade de probabilidades (PDF) para cada quantidade de
entrada. A seguir, um algoritmo de computador, criado para gerar um vetor de
entrada p=(p
1
,p
2
, p
3
,...,p
p
)
t
; cada elemento p
j
deste vetor gerado de acordo com as
especificidades da PDF atribuda quantidade correspondente P
j
. Ao aplicar o vetor
gerado p ao modelo Q = M(P), um correspondente valor de sada q pode ser
computado. Se o processo repetido simulando n vezes (n muito maior que 1), o
resultado uma srie de indicaes (q
1
,q
2
,q
3
,...,q
n
), cuja a distribuio de frequncia
permite identificar o PDF de Q, f(q). Ento, independentemente da forma do
presente PDF, a estimativa q
e
e seu associado padro de incerteza u(q
e
) pode ser
calculado por:

=
=
n
l
l e
q
n
q
1
,
1
(5.10)

e

213

=
n
l
e l e
q q
n
q u
1
2
) (
) 1 (
1
) ( . (5.11)

As quantidades de entrada (P
1
,P
2
,P
3
,...,P
p
) no modelo Q = M(P) so
normalmente primrias. Isto significa que a sua correspondente PDF deve ser
determinada a partir das informaes obtidas atravs das medies. Por exemplo,
se P
j
uma varivel de quantidade no-estveis, sua PDF pode ser inferida pela
medio direta e repetidamente em condies de repetibilidade P
j
com um
instrumento que mostra insignificante sua variao durante o perodo de
observao. Se estas condies no podem ser alcanadas, uma situao de
escassez de informao surge e outras informaes de dados experimentais devem
ser consideradas para atribuir o PDF para P
j
e avaliar a sua incerteza.
No contexto de escassez de informaes, existe um critrio
internacionalmente aceito para a atribuio de um PDF a uma quantidade, que
referenciado como Princpio da Mxima Entropia (PME Principle of Maximum
Entropy) e composto por uma seleo do que mais provvel, entre todas as
possveis PDFs que cumpram com as restries impostas pelas informaes
disponveis. Por exemplo, se apenas uma faixa de erro d
j
pode ser associado com o
nico dado disponvel p
j
da quantidade P
j
, recomenda-se que a PDF para p
j
seja
retangular no intervalo (p
j
-d
j
, p
j
+d
j
); em seguida, a incerteza padro associada p
j
:

3
) (
j
e
d
q u = . (5.12)

Note que, embora as PME ofeream uns critrios objetivos para a atribuio
do tipo da PDF, ele continua a ser desconhecido se o atual dado p
j
no fornece
qualquer informao sobre sua faixa de erro associado d
j
. Nesse caso, o valor de d
j

considerado como sendo igual ao erro mximo que pode razoavelmente atribudo
ao valor medido p
j
. Esta abordagem permite inclusive no processo de avaliao da
incerteza, algumas fontes de erro que caso contrario dificilmente seriam
consideradas explicitamente no contexto da falta de informao.
CORDERO et al. (2007) sugere que as influencias das fontes de erro que
afetam os valores de fase sejam considerados no modelo por meio dos valores de
214
intensidade I
k
. Isso realizado pela modificao da Equao 3.9, mostrado a seguir
onde k varia de 1 at N (nmero de imagens):

( ) ) , (
2
1 2
) , ( cos ) , ( ) , ( ) , ( y x
N k
y x y x I y x I y x I
k k a m k
+
(

+ +
|

\
|
+ + = (5.13)

Comparando-se as Equaes 3.9 e 5.13, pode-se observar que foram
includas trs novas quantidades [,
k
,
k
(x,y)]. permite considerar a propagao de
incerteza proveniente de um erro sistemtico na calibrao do deslocamento de fase
(). Considera que tenha valor mximo de /10. Assim a faixa do erro designado
para seja um PDF retangular variando no intervalo de [-/10, /10].
k
permite
considerar influncia de perturbaes no ambiente devido a vibraes que alterao
para cada imagem (k) capturada. Estas vibraes so de alta frequncia e a faixa do
erro um PDF retangular variando no intervalo de [-/20, /20], tendo valores
diferentes para imagem capturada pela cmera fotogrfica.
k
(x,y) permite
considerar a propagao de incerteza devido a rudos ticos aleatrios. Estes rudos
assumem valores diferentes para cada imagem (k) e para cada pixel (x,y) de uma
imagem.Estes rudos
k
(x,y) de intensidade luminosa variam no intervalo de [-10, 10]
para frames monocromticos com pixis de 8 bits com os tons de cinza entre 0 e
255. Todas estas consideraes acima so sugeridas por CORDERO et al. (2007) e
foram seguidas.
Nota-se que a distribuio de fase * variou-se de [-, ] radianos e que o
deslocamento de fase () oscilou-se no intervalo de [0, ] que so os valores mais
comumente utilizados na Tcnica Moir de Sombra. Assim o modelo, Q=M(P),
permite calcular as quantidades de sada Q = (*) dos valores das quantidades de
entrada P=[(x,y), , ,
k
,
k
(x,y)]
t
. Este processo de simulao e a correspondente
clculo de fase repetido 10.000 vezes (10
4
). Assim foram geradas entradas
segundo as PDF de todas as quantidades [(x,y), , ,
k
,
k
(x,y)] e obtidas s sadas
(*
1
, *
2
, *
3
,..., *
10000
). Com as sadas (*
1
, *
2
, *
3
,..., *
10000
) e usando as
Equaes 5.10 e 5.11, a incerteza padro de *, u(*), igual ao desvio padro da
srie de sada.
Em razo do modelo de medio Q=M(P) ser fortemente no linear, a
incerteza padro das quantidades de sadas * devem ser expressas em termos das
215
incertezas padres das quantidades de entrada [(x,y), , ,
k
,
k
(x,y)] pelo uso da
tcnica de propagao de incerteza baseada no Mtodo de Monte Carlo. Os
resultados da aplicao desta metodologia desenvolvida por CORDERO (2007) para
as novas equaes do clculo de fase desenvolvidas na tese so apresentadas a
seguir. Foram desenvolvidos programas computacionais para se realizar tais
anlises de incerteza.
CORDERO et al. (2007) realiza o estudo para dois algoritmos, o convencional
N-bucket e o de auto-calibrao (N+1)-bucket, que admite o uso de N imagens (N
4), mas que exige o deslocamento de fase () seja fixa e igual a 2/N. Como as
novas equaes do clculo de fase desenvolvidas na tese so derivadas do
Algoritmo de Carr onde o deslocamento de fase () pode ser arbitrrio, a incerteza
padro de todas as equaes do clculo de fase em relao s variaes de so
u(*)=0. Nota-se que este um resultado terico proveniente da metodologia
proposta, onde o deslocamento de fase somado quantidade ou, seja (+), pois
na prtica pode haver erros devido ao deslocamento de fase () no ser constante
entre as imagens.
Optou-se na tese por uma questo de simplicidade e sintetizao de estudar
e analisar todas as fontes de erros combinados. Assim nos resultados mostrados
so a soma das fontes de erro proveniente das perturbaes do ambiente
k
mais as
influencias causadas pelos rudos aleatrios
k
(x,y). Dando-se maior importncia a
distino da incerteza padro u(*) para um dado valor de fase e tambm para um
valor do deslocamento de fase especfico. Foram assim testadas 32 equaes do
clculo de fase (4a, 5a, 6a, 6b, 6c, 6d, 6e, 7a, 7b, 7c, 7d, 8a, 8b, 8c, 8d, 9a, 9b, 9c,
10a, 10b, 10c, 11a, 11b, 11c, 12a, 12b, 13a, 13b, 14a, 14b, 15a, 16a) mostradas nas
Tabelas 8, 9 e 10. Na aplicao da metodologia de propagao da incerteza, levou-
se tambm em conta o processo de troca de [0,/2] para *[-,].
O grfico da Figura 38 mostra a incerteza padro u(*) em funo do valor da
fase usando todas as fontes de erros combinados. Observa-se no grfico como a
incerteza padro menor para equaes com valores alto do nmero de imagens
(N). Nota-se, tambm que a incerteza padro maior quanto o valor da fase se
aproxima de /2 e de seus mltiplos (-3/2, -/2, 0, /2, 3/2). Uma possvel
explicao para este fenmeno pode estar na avaliao do arcotangente de valores
muito grandes para esta faixa de ngulos.
216
0,000
0,050
0,100
0,150
0,200
0,250
Equao 4a Equao 5a Equao 6a Equao 6b Equao 6c Equao 6d Equao 6e Equao 7a
Equao 7b Equao 7c Equao 7d Equao 8a Equao 8b Equao 8c Equao 8d Equao 9a
Equao 9b Equao 9c Equao 10a Equao 10b Equao 10c Equao 11a Equao 11b Equao 11c
Equao 12a Equao 12b Equao 13a Equao 13b Equao 14a Equao 14b Equao 15a Equao 16a
I
n
c
e
r
t
e
z
a
P
a
d
r

o

u
(

*
)

r
a
d
i
a
n
o
s
Valor da Fase () radianos

Figura 38 Incerteza padro combinada u(*) em radianos em funo do valor de fase () tambm
em radianos para as novas equaes clculo de fases desenvolvidas na tese. Nota-se o
maior valor da incerteza em equao com nmero de imagens pequeno.
Fonte: Resultados da pesquisa.

A Figura 39 mostra mais claramente o efeito do uso de equaes com um
nmero de imagens maior sobre a incerteza padro. Foram escolhidas apenas
algumas equaes de clculo nos extremos da quantidade de imagens para no
sobrecarregar visualmente o grfico.

217
0,000
0,050
0,100
0,150
0,200
0,250
-3,20 -2,58 -1,96 -1,34 -0,72 -0,10 0,52 1,14 1,76 2,38 3,00
Equao 4a
Equao 5a
Equao 6a
Equao 8a
Equao 12a
Equao 15a
Equao 16a
Valor da Fase () radianos
I
n
c
e
r
t
e
z
a

P
a
d
r

o

u
(

*
)

r
a
d
i
a
n
o
s

Figura 39 Incerteza padro combinada u(*) em radianos em funo do valor de fase () tambm
em radianos para as novas equaes clculo de fases desenvolvidas na tese. Nota-se
claramente o menor valor da incerteza em equao com nmero de imagens grande.
Assim para N=4 e N=5 tm-se valores altos de u(*) e para N=15 e N=16 tm-se valores
mais baixos.
Fonte: Resultados da pesquisa.

A Figura 40 mostra um grfico em trs dimenses da incerteza padro versos
a fase para todas as equaes de clculo testas segundo o modelo proposto por
CORDERO et al. (2007). interessante que como as equaes de clculo tm o
mesmo formado matemtico, a variao (forma da curva) em funo do valor de fase
aproximadamente a mesma. Nota-se que as equaes com maiores valores de
nmeros de imagens as curvas ficam levemente mais achatadas, mostrando uma
oscilao menor nos valores da incerteza padro. Observa-se o decrescimento do
valor da incerteza padro com o aumento do valor do nmero de imagens (N) usado
na equao do clculo de fase.
218
0,00
0,05
0,10
0,15
0,20
0,25
I
n
c
e
r
t
e
z
a

P
a
d

o

u
(

*
)

r
a
d
Valores
de Fase
() rad

Figura 40 Grfico em trs dimenses de todas as equaes do clculo de fase desenvolvidos da
incerteza padro combinada u(*) em radianos em funo do valor de fase () em
radianos.
Fonte: Resultados da pesquisa.

Na Figura 41 mostrada a variao da incerteza padro combinada u(*) em
funo do ngulo do deslocamento de fase . Novamente, nota-se que a incerteza
padro menor para equaes com valores alto do nmero de imagens (N).
Observa-se tambm que a incerteza menor quanto o deslocamento de fase est
prxima de /2 ou levemente acima deste valor. Parece existir um ngulo timo do
deslocamento de fase em que a incerteza padro mnima que no o mesmo
para todas as equaes de clculo, mas que em todas as equaes testadas esta
prxima de 90 (/2 rad).
219
0,000
0,050
0,100
0,150
0,200
0,250
0,000 0,196 0,393 0,589 0,785 0,982 1,178 1,374 1,571 1,767 1,963 2,160 2,356 2,553 2,749 2,945 3,142
Equao 4a Equao 5a Equao 6a Equao 6b Equao 6c Equao 6d Equao 6e Equao 7a
Equao 7b Equao 7c Equao 7d Equao 8a Equao 8b Equao 8c Equao 8d Equao 9a
Equao 9b Equao 9c Equao 10a Equao 10b Equao 10c Equao 11a Equao 11b Equao 11c
Equao 12a Equao 12b Equao 13a Equao 13b Equao 14a Equao 14b Equao 15a Equao 16a
I
n
c
e
r
t
e
z
a

P
a
d
r

o

u
(

*
)
r
a
d
i
a
n
o
s
Deslocamento de Fase () radianos

Figura 41 Incerteza padro combinada u(*) em radianos em funo do valor deslocamento de fase
() tambm em radianos para as novas equaes clculo de fases desenvolvidas na
tese. Nota-se o maior valor da incerteza em equao com nmero de imagens pequeno.
Observa-se que para entre 85 e 115, o valor da incerteza em todas as equaes
menor.
Fonte: Resultados da pesquisa.

Na Figura 42 tem-se uma viso mais clara do efeito do uso de equaes com
um nmero de imagens maior sobre a incerteza padro. Foram escolhidas apenas
algumas equaes de clculo nos extremos da quantidade de imagens para no
sobrecarregar visualmente o grfico. Observa-se que para o deslocamento de fase
entre 85 (1,48 rad) e 115 (2,00 rad), o valor da incerteza em todas as equaes
menor. Parece ser possvel usando esta anlise de propagao de incerteza,
determinar para cada equao de clculo um valor timo de que certamente no
o mesmo para todas as equaes; em KEMAO et al. (2000) pode ser encontrado
material que auxilie o desenvolvimento deste estudo. Por uma questo de no se
abandonar o foco da tese, esta busca por um valor timo de sugerida para
trabalhos futuros.
220
0,000
0,050
0,100
0,150
0,200
0,250
0,00 0,31 0,63 0,94 1,26 1,57 1,88 2,20 2,51 2,83 3,14
Equao 4a
Equao 5a
Equao 6a
Equao 8a
Equao 12a
Equao 15a
Equao 16a
I
n
c
e
r
t
e
z
a

P
a
d
r

o

d
o
a

v
a
l
o
r
e
s

d
e

f
a
s
e

u
(

*
)
r
a
d
i
a
n
o
s
Deslocamentode Fase () radianos

Figura 43 Incerteza padro combinada u(*) em radianos em funo do valor deslocamento de fase
() tambm em radianos para as novas equaes clculo de fases desenvolvidas na
tese. Nota-se claramente o menor valor da incerteza em equao com nmero de
imagens grande. Assim para N=4 e N=5 tm-se valores altos de u(*) e para N=15 e
N=16 tm-se valores mais baixos.
Fonte: Resultados da pesquisa.

A Figura 43 mostra um grfico em trs dimenses da incerteza padro u(*)
versos o deslocamento de fase para todas as equaes de clculo testas segundo
o modelo proposto por CORDERO et al. (2007). interessante que como as
equaes de clculo tm o mesmo formado matemtico, a variao (forma da curva)
em funo do valor deslocamento de fase aproximadamente a mesma. Nota-se
novamente a queda da incerteza com o aumento do nmero de imagens (N).

221
0,00
0,05
0,10
0,15
0,20
0,25
I
n
c
e
r
t
e
z
a

P
a
d

o

u
(

*
)

r
a
d
i
a
n
o
s
Deslocamento
de Fase
() radianos

Figura 43 Grfico em trs dimenses de todas as equaes do clculo de fase desenvolvidos da
incerteza padro combinada u(*) em radianos em funo do valor deslocamento de fase
() em radianos.
Fonte: Resultados da pesquisa.

A Figura 44 mostra as mdias das incertezas padro combinadas para todas
as equaes do clculo de fase testadas. Nota-se que as equaes com o mesmo
nmero de imagens apresentam incertezas semelhantes. E que com aumento do
nmero de imagens a incerteza diminui. Em Metrologia, a diminuio da incerteza
padro esta relacionada com o aumento da preciso das medidas (grau de
concordncia entre indicaes ou valores de quantidades medidas obtidas por
repetidas medies sobre o mesmo ou objetos similares em condies
especificadas).
Observa-se que as equaes com a letra (a) se apresentam um pouco
melhores (menor incerteza) e parecem serem mais robustas experimentalmente em
aplicaes prticas. Deve ser dito que das centenas de novas equaes de clculo
desenvolvidas na tese seguindo o modelo descrito no Captulo 3, foi escolhida para
esta anlise de incerteza as que se acreditavam serem melhores e que
apresentaram excelentes resultados experimentais com Moir de Sombra.

222
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
E
q
u
a

o


4
a
E
q
u
a

o


5
a
E
q
u
a

o


6
a
E
q
u
a

o


6
b
E
q
u
a

o


6
c
E
q
u
a

o


6
d
E
q
u
a

o


6
e
E
q
u
a

o


7
a
E
q
u
a

o


7
b
E
q
u
a

o


7
c
E
q
u
a

o


7
d
E
q
u
a

o


8
a
E
q
u
a

o


8
b
E
q
u
a

o


8
c
E
q
u
a

o


8
d
E
q
u
a

o


9
a
E
q
u
a

o


9
b
E
q
u
a

o


9
c
E
q
u
a

o

1
0
a
E
q
u
a

o

1
0
b
E
q
u
a

o

1
0
c
E
q
u
a

o

1
1
a
E
q
u
a

o

1
1
b
E
q
u
a

o

1
1
c
E
q
u
a

o

1
2
a
E
q
u
a

o

1
2
b
E
q
u
a

o

1
3
a
E
q
u
a

o

1
3
b
E
q
u
a

o

1
4
a
E
q
u
a

o

1
4
b
E
q
u
a

o

1
5
a
E
q
u
a

o

1
6
a
Mdia da Incerteza Padro u( *) em radianos

Figura 44 Grfico da mdia da incerteza padro de todas as equaes do clculo de fase testadas.
Destaca-se o menor valor da incerteza em equao com nmero de imagens grande.
Fonte: Resultados da pesquisa.

O erro de quantizao devido limitao da resoluo da cmera usada
para capturar as imagens. A resoluo R a menor diferena entre indicaes de
que pode ser destacada e que , obviamente, limitada, no caso dos instrumentos
digitais. O efeito de uma resoluo limitada o arredondamento da intensidade de
vrios valores. Este efeito geralmente significante em imagens. Mas se o desvio
padro esperado de um conjunto de medidas for igual ou superior a R/2, o efeito da
resoluo insignificante. Por exemplo, se uma cmera CCD de 8-bits utilizada, a
intensidade de uma imagem capturada como um nvel de cinza monogramtico
com valores discretos entre 0 e 255; neste caso, a resoluo R igual a um, e
independentemente da tcnica tica usada nas imagens, como o desvio padro do
rudo aleatrio
k
(x,y) de cerca de 10/3, usando a Equao (5.12). Isto significa
que, ao aplicar a lei de propagao de incertezas (LPU Law of Propagation of
Uncertainties), o desvio padro mnimo de I
k
deve ser prximo de 10/3. Este valor
claramente superior a R/2 e, portanto, conclu-se que o erro de quantizao da
intensidade pode ser negligenciado neste caso.
Deve notar que CORDERO et al. (2007) chega s mesmas concluses que a
anlise de incerteza desenvolvida na tese em que usando equao do clculo de
fase com um maior nmero de imagens (N) e incerteza padro u(*) diminuir. A
223
diferena que CORDERO et al. (2007) realiza o estudo para os algoritmos de N-
bucket e o de (N+1)-bucket.


5.12 Anlises de erros das medies


Seguindo o estudo realizado em RIBEIRO (2006), e visando estimar os erros
de medio do sistema descrito acima, uma expanso da srie de Taylor foi aplicada
para a Equao 2.17 ou Equao 4.14 e reescrita na Equao 5.14 da equao
principal da Tcnica Moir de Sombra para distncias infinitas, extradas tambm de
KEPRT et al. (1998), supondo uma distribuio normal e estatisticamente
independente de cada varivel do sistema. Os dados aplicados para a anlise do
erro foram os mesmos utilizados para as medies dos objetos descritos nos itens
anteriores.

( )
) tan (tan
2
tan tan

=
+
=
p
Z ou
p n
Z (5.14)

onde p = passo (pitch) = distncia entre as linhas do retculo de referncia =
frequncia do retculo = frequncia espacial do retculo; = ngulo entre a normal e
o feixe de luz; = ngulo entre a normal e o ponto de observao (observador); n =
/ (2) ou / (2) = ordem de franja e Z = profundidade mxima a ser medida =
distncia vertical do plano do retculo para o ponto do objeto.
Na anlise de incerteza, consideram-se uma distribuio retangular, infinitos
graus de liberdade e intervalo de confiana de 95%. Ento, a incerteza de medio
pode ser simplificada para L = distncia perpendicular da fonte de luz do retculo =
(100010)mm; D
0
= L tan = (02,5)mm; D
s
= L tan =(2502,5)mm; p=(10,01)mm
e =(2/10)radianos = (6,280,314)rad. O valor da incerteza expandida para a
fase (), foi escolhida conforme YATAGAI (1993). Os demais valores correspondem
s incertezas dos instrumentos de medio utilizados na montagem do sistema
proposto.

224
) ( 2

2

tan tan
o S o S o S
D D
L p
L
D
L
D
p
L
D
L
D
np np
Z
+
=
|

\
|
+
=
|

\
|
+
=
+
=


(5.15)

A Equao 5.16 ilustra a incerteza expandida para o mapa de profundidade(Z)
usando a lei de propagao de incertezas (LPU Law of propagation of
uncertainties). Abaixo, segue o clculo para se encontrar a incerteza combinada do
sistema, onde U
95
representa a incerteza expandida de cada varivel:

2
95
2
2
95
2
2
95
2
95
2
95
2
95
) (
) ( 2
) (
) ( 2
) (
) ( 2
) (
) ( 2
) (
) ( 2
) (
(

+
+
(

+
+
(

+
+
(

+
+
(

+
=
o
o S
S
o S o S
o S o S
D U
D D
pL
D U
D D
pL
L U
D D
p
p U
D D
L
U
D D
pL
Z U

(5.16)

Onde:

6369 , 0
1570
1000
) 0 250 ( 28 , 6
1000 1
) ( 2 ) (
) (
= =
+

=
+
=

o S
D D
pL Z

(5.17)
0000 , 4
1570
6280
) 0 250 ( 28 , 6
1000 28 , 6
) ( 2

) (
) (
= =
+

=
+
=

o S
D D
L
p
Z

(5.18)
0040 , 0
1570
28 , 6
) 0 250 ( 28 , 6
1 28 , 6
) ( 2

) (
) (
= =
+

=
+
=

o S
D D
p
L
Z

(5.19)
0160 , 0
392500
6280
) 0 250 ( 28 , 6
1000 1 28 , 6
) ( 2

) (
) (
2 2
= =
+

=
+
=

o S S
D D
L p
D
Z

(5.20)
0160 , 0
392500
6280
) 0 250 ( 28 , 6
1000 1 28 , 6
) ( 2

) (
) (
2 2
= =
+

=
+
=

o S o
D D
L p
D
Z

(5.21)

Logo:

2 2 2
2 2 2
95
) 5 , 2 016 , 0 ( ) 5 , 2 016 , 0 ( ) 10 004 , 0 (
) 01 , 0 4 ( ) 314 , 0 / 6369 , 0 ( ) (
mm mm mm
mm rad rad mm Z U
+ +
+ + =
(5.22)
mm Z U 0464 , 0 ) (
2
95
= (5.23)
mm Z U 2154 , 0 ) (
95
= (5.24)
225

Abaixo, segue o clculo para se encontrar a incerteza relativa expandida do
sistema, segundo modelo proposto por YATAGAI (1993):

2
95
2
95
2
95
2
95
2
95
2
95
) (
) (
) (
) ( ) ( ) ( ) ( ) (
(

+
+
(

+
+
(

+
(

+
(

=
(

o S
o
o S
S
D D
D U
D D
D U
L
L U
p
p U U
Z
Z U

(5.25)
2 2 2 2 2 2
95
250
5 , 2
250
5 , 2
1000
10
0 , 1
01 , 0
28 , 6
314 , 0 ) (
(

+
(

+
(

+
(

+
(

=
(

Z
Z U
(5.26)
0028 , 0
) (
2
95
=
(

Z
Z U
(5.27)
% 3 , 5 0529 , 0
) (
95
= =
Z
Z U
(5.28)

Com isso, a incerteza expandida relativa do sistema de 5,3% do valor
medido aproximadamente, onde a Equao 5.29 mostra as incertezas expandidas
relativa a cada varivel:

= =
+
= =
+
= =
= =
= =
01 , 0 % 1
) (
) (
01 , 0 % 1
) (
) (
01 , 0 % 1
) (
01 , 0 % 1
) (
05 , 0 % 5
) (
95
95
95
95
95
o S
o
o S
S
D D
D U
D D
D U
p
p U
L
L U
U

(5.29)

Nota-se que esta anlise de erro elaborada, usando-se a equao do
clculo de fase com 4 imagens. A incerteza expandida em relao fase bem
maior que todas as outras, mas com o aumentando do nmero de imagens
possivelmente a incerteza em relao fase U
95
() ir cair sensivelmente. Da a
importncia de se ter novas equaes de clculo que do uma preciso maior no
valor da fase.
Experimentalmente, esta anlise aproximada, pois difcil estimar o valor
da incerteza expandida de com um dado intervalo de confiana. Acredita-se que a
226
principal fonte erro esteja em manter o deslocamento de fase () constante entre as
N imagens que vo ser usadas no clculo de fase. O deslocamento de fase nos
experimentos realizados foi feito manualmente, ajustando-se o micrmetro.
Melhorias na montagem do experimento poderiam diminuir o erro
significativamente, como um sistema que possibilitasse um movimento contnuo do
retculo com velocidade constante, e que a mquina fotogrfica tirasse dezenas de
fotografias em intervalos de tempos iguais, como se fosse uma filmagem. Isso
possibilitaria a aplicao de equaes de clculo com muitas imagens e de alta
preciso, em HUANG et al. (2008) pode ser encontrado alternativas para este
desenvolvimento.


5.13 Concluses do captulo


Com base na Inferncia Estatstica, pode-se concluir que para fotografias
reais da Tcnica Moir de Sombra e imagens geradas por computador com erros e
rudos aleatrios, quanto maior o nmero de imagens nas equaes do clculo de
fase, menor o erro nas medies e maior a preciso no uso da Tcnica de Moir.
Todas as equaes com o mesmo nmero de imagens apresentam preciso
semelhante, no se podendo concluir que uma melhor que a outra.
A concluso que se conseguiu extrair, estatisticamente, que as equaes do
clculo de fase, utilizando-se maior nmero de imagens, tm melhor preciso e
possivelmente menor erro do que as equaes que utilizam uma quantidade menor
de imagens. Uma possvel razo para isso seria porque com mais imagens tem-se
mais informao e maior redundncia de medies, o que reduz os erros aleatrios
das medidas obtidas por meios das fotografias.
A inteno deste captulo foi testar as novas equaes do clculo de fase que
utilizam mais de quatro imagens, comprovando-se que sua utilizao vivel e
indicada para compor algoritmos melhores e com maior preciso na implementao
da Tcnica Moir de Sombra com Deslocamento de Fase.
Aps inmeras tentativas, no se conseguiu determinar o quanto o erro
diminui com o aumento do nmero de imagens. Talvez a Tcnica Moir de Sombra
no seja a mais indicada para isso, pelo fato do erro ser dependente de um grande
227
nmero de variveis como o espaamento do retculo, o valor do ngulo
deslocamento de fase, a iluminao usada, o tamanho do objeto a ser medido, a
resoluo em pixis da cmera etc.
Nota-se ainda que, com quatro imagens fotogrficas reais, e aplicando a
Tcnica Moir de Sombra com Deslocamento de Fase, obteve-se um erro relativo
em torno de 2% a 9% dos valores medidos, e que na medida em que se aumenta o
nmero de imagens, este erro relativo cai, ficando em torno de 0,1% a 5% para
dezesseis imagens (Equao 2.9).
Observa-se que nenhuma das metodologias de testes usadas neste captulo
so inditas. Mas que existe uma vasta bibliografia sobre elas e vrios exemplos dos
seus usos na verificao de outros algoritmos do clculo de fase. De original na tese
so as novas equaes de clculo desenvolvidas e a aplicao destas conhecidas
metodologias de Estatsticas e de Metrologia para testar estas inditas equaes do
clculo de fase criadas neste trabalho cientfico.

228
CAPTULO VI - CONCLUSES


Como proposto em seu objetivo geral, desenvolveu-se, nesta pesquisa, uma
generalizao do Algoritmo de Carr, comprovando que a mesma no est mais
restrita a quatro amostras ou imagens. Com estas novas tcnicas, conseguiram-se
obter medidas mais precisas e com menores incertezas. Estas novas equaes do
clculo de fase foram testadas na Tcnica Moir de Sombra com Deslocamento de
Fase, com o passo de deslocamento de fase desconhecido para quatro ou mais
imagens.
Mtodos numricos foram utilizados para a obteno dessas novas equaes
de generalizao do Algoritmo de Carr, alterando o enfoque do problema tratado,
at ento, como analtico e algbrico. Por essa razo, consideram-se essas novas
equaes inditas como um dos mais importantes resultados desta pesquisa. De
forma criteriosa, as novas equaes desenvolvidas foram analisadas e testadas
metrologicamente, por meio de anlise de erro e da caracterizao e estimao das
provveis fontes de incerteza. A anlise de incerteza permitiu comparar as novas
equaes do clculo de fase desenvolvidas.
O captulo III apresenta o processo de desenvolvimento das equaes do
clculo de fase inditas e totalmente originais, descrevendo, passo a passo, como as
novas equaes foram encontradas cronologicamente. No se obteve sucesso em
estimar como o erro mdio mtrico nas medidas do perfil dos objetos diminui
medida que se aumenta o nmero de imagens. Uma razo para este fracasso foi
enorme quantidade de variveis que influenciaram as medies, utilizando-se Moir
de Sombra. Mas de grande importncia que estas novas equaes do clculo de
fase sejam mais estudadas e trabalhadas no futuro.
A prpria Tcnica Deslocamento de Fase usando 3,4 ou 5 imagens j uma
forma de melhorar a preciso das medies com Moir de Sombra, uma vez que
com uma nica fotografia de franjas e aplicando FFT, podem-se realizar as medidas
perfilomtricas de objetos. Usa-se 3 imagens, no mnimo na tcnica padro, pois se
tem trs incgnitas I
m
, I
a
e . O Algoritmo de Carr usa quatro imagens, uma vez que
se tem 4 incgnitas I
m
, I
a
, e . A generalizao de Carr apresentada neste estudo
pauta-se numa viso mais ampla, que considera rudos nas imagens e usa
equaes com um grande nmero de imagens para melhorar a preciso das
229
medies. A questo dessa abordagem no o nmero de incgnitas, mas a
melhoria das medidas obtidas com o aumento da quantidade de observao ou
informaes sobre o perfil de um objeto. A hiptese da existncia de grande
quantidade de rudos nas imagens parece ser verdadeira. Os erros randmicos
podem ser reduzidos com maior nmero de medidas, e os erros sistemticos, s
com calibrao.
No processo de comparao das novas equaes do clculo de fase, usou-se
a inferncia estatstica atravs do Teste T-Student, para determinar, pela mdia,
qual era a mais precisa e qual apresentava menor incerteza nas medies.
Observou-se que, quanto maior o nmero de imagens reais (fotografias digitais) ou
com rudos aleatrios, menores os erros mdios em milmetros das medidas
realizadas com a aplicao da Tcnica de Moir.
O teste estatstico T-Student emparelhado mostrou, claramente, que quando
se aumenta o nmero de imagens para se realizar a medio, tem-se uma melhor
preciso e um menor erro mdio mtrico nas medidas do perfil dos objetos. Com a
alterao da equao do clculo de fase, mantendo-se do nmero de imagens, no
se nota melhoria na preciso e o erro mdio mtrico nas medidas do perfil bem
semelhante. Este fenmeno se deve presena de erros aleatrios nas fotografias
de Moir, que foi comprovada, usando-se imagens geradas pelo computador.
Quando, nas imagens geradas, no se acrescentava os erros aleatrios, o erro
mdio mtrico nas medidas do perfil dos objetos era praticamente o mesmo para
qualquer nmero de imagens. Por outro lado, quando nas imagens geradas por
computador se acrescentava os erros aleatrios, o erro mdio mtrico nas medidas
do perfil dos objetos diminua com o aumento do nmero de imagens.
Dentre as vantagens das novas equaes do clculo de fase propostas nesta
tese est melhoria na preciso das medidas obtidas, como mostrado pelo Teste T-
Student no Captulo V, e a maior imunidade a rudos aleatrios presentes nas
imagens fotogrficas das Franjas de Moir. Entre as desvantagens, est maior
quantidade de imagens necessrias para realizar as medies e a obrigatoriedade
do deslocamento de fase entre as imagens serem as mesmas e constantes. O
deslocamento de fase pode ser qualquer valor, mas este valor deve ser exatamente
o mesmo entre todas as imagens, o que dificulta a suas aquisies.
O Algoritmo de Carr foi expandido nesta pesquisa, podendo as novas
equaes deduzidas serem aplicadas em diversos campos da Engenharia.
230
Constatou-se, pois, que seu uso transcende a Tcnica de Moir e da interferometria,
podendo ser usado na anlise de sinais, em telecomunicaes e em microscopia
eletrnica. Desta forma, conclui-se que possvel a utilizao da generalizao do
Algoritmo de Carr na ampliao e visualizao em trs dimenses de objetos muito
pequenos, pelo uso de vrias imagens e observaes.
A implementao computacional de fcil utilizao e entendimento da Tcnica
Moir de Sombra com Deslocamento de Fase e de tcnicas numricas de
Otimizao Inteira No-linear se fizeram necessria para o desenvolvimento da
pesquisa. Tambm uma reviso bibliogrfica sobre a Tcnica Moir de Sombra com
Deslocamento de Fase e mtodos numricos de Programao Inteira No-linear se
imps, gerando um material didtico consistente e de fcil compreenso.
Nota-se ainda que a Tcnica Moir de Sombra com Deslocamento de Fase foi
usada apenas para se comparar as novas equaes desenvolvidas. Em vista disso,
no houve necessidade de se estimar detalhadamente e minuciosamente todas as
possveis fontes de erros e incertezas nas montagens experimentais. Uma vez que
as mesmas imagens fotogrficas eram usadas em todas as equaes de clculo de
fase desenvolvidas. Isso facilitou tremendamente o trabalho experimental da tese.
A principal contribuio indita da tese so as novas equaes de clculo de
fase desenvolvidas. Estas equaes devem ser aplicadas quanto o passo do
deslocamento de fase desconhecido, mas constante entre as imagens. Destaca-
se, tambm o modelo matemtico criado para o desenvolvimento destas novas
equaes e o uso de mtodos numricos para a resoluo deste modelo. Outro fato
importante a observao de que usando equaes para o clculo de fase com um
nmero crescente de imagens nota-se uma diminuio na incerteza e no erro das
medies experimentais com a Tcnica Moir de Sombra com Deslocamento de
Fase.
Acredita-se que a tese seja uma contribuio importante no uso do Algoritmo
de Carr que no fica mais restrito a quatro observaes ou medidas. Alm disso, a
tese representa avanos em medies ou mtodos experimentais usando a Tcnica
de Moir com Deslocamento de Fase, buscando mais preciso e exatido nas
medidas com maior imunidade a rudos e robustez na sua aplicao.
Dentre os resultados obtidos, a Tcnica Moir de Sombra com Deslocamento
de Fase mostrou-se perfeitamente utilizvel em muitas aplicaes prticas da
indstria automobilstica, sendo possvel melhorar, ainda mais, a sua preciso,
231
diminuindo a margem de erro na medio do perfil de objetos. Pelo que foi
assimilado durante os testes, acredita-se que muitos avanos podem ser realizados
no sentido de tornar esta tcnica uma das mais importantes nas medies ticas em
trs dimenses.
Os objetivos da tese ora defendida foram plenamente alcanados, embora o
sucesso de qualquer estudo cientfico se ratifique, efetivamente, na sua
continuidade. Logo, de grande importncia que as pesquisas sobre as Tcnicas de
Moir e o Algoritmo de Carr permaneam includas no Programa de Ps-graduao
em Engenharia Mecnica e no Laboratrio de Anlise Estrutura da Pontifcia
Universidade Catlica de Minas Gerais.
Antes do trmino deste estudo, faz-se necessrio apresentar a proposta de
evoluo da tese ora defendida, que representa um esforo significativo e muito
importante no mbito das pesquisas sobre o Algoritmo de Carr e a Tcnica de
Moir, que dever ter prosseguimento como parte do Programa de Ps-graduao
em Engenharia Mecnica da Pontifcia Universidade de Minas Gerais, dada a
existncia de um substancial legado de pesquisas anteriores, como experimentos
montados, equipamentos, programas e tcnicas j desenvolvidas.
Acredita-se que j houve um substancial avano sobre este tema no
Laboratrio de Anlise Estrutural da PUC-Minas, mas pode-se alcanar um patamar
bem mais elevado no seu processo evolutivo, atravs de importantes aplicaes
prticas para a indstria automobilsticas como, por exemplo, a criao de um
sistema automtico de controle de qualidade por meio da medio de peas e
componentes, usando a Tcnica de Moir pela comparao com um padro ou
modelo desejado.
Verificou-se que a construo de equipamentos de medio e controle de
qualidades dimensionais de peas industriais podem ser feitos pela Tcnica de
Moir, onde as peas produzidas so medidas oticamente e comparadas a um
padro previamente estabelecido, constatando-se que o sistema computacional
rejeita ou aceita a pea, em funo das medies realizadas atravs das suas
fotografias das Franjas de Moir.
Aplicaes nas reas de Medicina e Odontologia tambm podem ser
desenvolvidas com o uso da Tcnica de Moir na medio e anlise da coluna
vertebral, planta dos ps e arcada dentria, auxiliando no diagnstico de doenas e
preveno de problemas futuros para a sade das pessoas.
232
Utilizar as Tcnicas Moir de Sombra para determinar, com a necessria
preciso, deslocamentos e posies relativas de corpos em movimento, como na
presente proposta, a capacidade de um disco ou prato giratrio flexvel que se
deforma sobre a ao de foras inerciais. Ou seja, a Tcnica de Moir poderia ser
aplicada com resultados satisfatrios na gerao de Modelos Digitais de Elevao
ou Topogrficos de superfcies irregulares em movimento.
Desenvolver um sistema para inspecionar a qualidade dos vidros utilizados
em automveis, usando a Tcnica de Moir. Propem-se o desenvolvimento de um
processo de computador para deteco de pontos de defeitos e distores
presentes em vidros usados em automveis como pra-brisas, utilizando
Processamento Digital de Imagens em fotos obtidas por meios de cmeras digitais,
pela Tcnica Moir de Sombra com Deslocamento de Fases.
Uma importante proposta de pesquisa seria o desenvolvimento de
equipamentos para melhorar e aumentar a preciso da Tcnica de Moir. Usando a
oficina do Programa de Ps-graduao em Engenharia Mecnica da Pontifcia
Universidade Catlica de Minas Gerais e com a aquisio de outros equipamentos,
poder-se-ia criar novos processos no uso da Tcnica Deslocamento de Fase.
Uma ideia seria um sistema que movesse o retculo com velocidade constante
e uma cmera digital pudesse capturar dezenas de imagens por segundo em
intervalos de tempos iguais. Com isso seria possvel testar as novas equaes
criadas, nesta pesquisa, para muitas imagens usando Moir de Sombra. Outra ideia
seria a implementao da Tcnica de Moir de Projeo, mas para isso seriam
necessrios projetores de luz (tipo Data Show), onde se projetaria os retculos j
com o deslocamento de fase para, automaticamente, capturar as imagens com uma
cmera digital.
Usando equipamentos com um custo maior como fontes de luz com feixes
paralelos de alta potncia e retculos com milhares de linhas por mm, seria possvel
fazer medies de alta preciso com erro da ordem de micrometros ou at
nanmetros com diversas aplicaes prticas e industriais. Muitos objetos,
equipamentos e projetos que podem ser aproveitados esto disponveis no
Laboratrio de Anlise Estrutural, inclusive, softwares prontos e testados para as
medies de Moir.
Propem estudos melhores e mais detalhados das novas equaes de
clculo desenvolvidos nesta tese, principalmente das equaes com grande
233
quantidade de imagens. Estas no foram estudadas experimentalmente por
limitao da montagem experimental realizada, que dificultava o trabalho com um
nmero grande de deslocamentos de fase controlada por meio de ajustes manuais
no micrmetro fixado no retculo.
Propem, tambm estudos quantitativos de como o erro mdio mtrico
diminui medida que se usa as novas equaes do clculo de fase aumentando a
quantidade de imagens. Na tese conseguiu-se mostrar por meio do Teste T-Student
para pequenos nmeros de imagens (at 16) que quando se utilizava para clculo
da fase equaes com quantidades de imagens maiores, o erro mdio mtrico das
medies diminua. Mas no se conseguiu determinar a evoluo deste decrscimo
no erro devido enorme quantidade de variveis que influncia a Tcnica Moir de
Sombra. Talvez utilizar a generalizao de Carr em outros campos da Engenharia
possam se obter mais sucesso que nesta pesquisa.
Propem, ainda o desenvolvimento de novas regras e esquemas de gerao
de equaes do clculo de fase sem o uso do Mtodo Branch-and-Bound. Alm
disso, fazer uma comparao mais detalhada entre equaes com o mesmo nmero
de imagens para verificar se existem vantagens em usar alguma preferencialmente
do que outras. Estudos estatsticos e numricos de erros podem colaborar neste
trabalho.

234
REFERNCIAS


AFFONSO, E. A.; FABBRO, I. M.; DEMARZO, M. A. Application of a moir
technique in studying wooden structural connections. In: INTERNATIONAL
CONGRESS ON INFORMATION TECHNOLOGY IN AGRICULTURE,
FOOD AND ENVIRONEMENT, 2003, Izmir. Itafe 03. Izmir, Turkey: vKamil
Okyay Sindir, 2003. p. 608-611.

ALBERTAZZI, Armando; SOUSA, Andr Roberto de. Fundamentos de metrologia
cientfica e industrial/ Armando Albertazzi, Andr Roberto de Sousa. Barueri, SP:
Manole, 2008. xiv, 407 p. ISBN 9788520421161.

ARENALES, Marcos Nereu et al. Pesquisa operacional. Rio de Janeiro: Elsevier,
2007. 523 p. (Coleo CAMPUS-ABEPRO. Engenharia de produo) ISBN
8535214542.

ASUNDI, A.; YUNG, K. H. Logical moir and its application. Experimental
Mechanics. London, v. 31, n. 3, p. 236-242, set. 1991.

ASUNDI, A. Novel techniques in reflection moir. Experimental Mechanics.
London, v. 34, n. 5, p. 230-242, sept. 1994.

ASUNDI, A. MATLAB For photomechanics-A primer. 1 ed. Elsevier Science,
dez. 1, 2002. ISBN-13: 978-0080440507.

ASUNDI, A. Computer aided moir methods. 1998. Disponvel em:
<http://www.ntu.edu.sg/mpe./reserch/Prigrammes/sensors/sensors/Moir/camm.
html>. Acesso em: 15 abr. 2007.

ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. INMETRO. Guia para a
expresso da incerteza de medio. 3. ed. Rio de Janeiro: ABNT, 2003. 120 p.
ISBN 850700251X.

AUTODESK, INC. AUTOCAD 2000 users guide. San Rafael, Autodesk, Inc. 1999.

BATALHA, Mrio Otvio (Org.). Introduo engenharia de produo. Rio de
Janeiro: Elsevier, Campus, 2008. 312 p. (Campus - Abepro. Engenharia de
produo) ISBN 9788535223309.

BATOUCHE, M.; BENLAMRI, R.; KOLLADI, M. K. A computer vision system for
diagnosing scoliosis using moir images. Computation in Biology and Medicine. v.
26, n. 4, p. 339-353, mar., 1996.

BAZARAA, M. S.; SHERALI, Hanif, D.; SHETTY, C. M. Nonlinear programming:
theory and algorithms. 2. ed. New York: J. Wiley & Sons, 1993. 638 p. ISBN
0471557935.

BEER, Ferdinand Pierre; JOHNSTON, E. Russell. Resistncia dos materiais. 3. ed.
So Paulo: Makron Books, 1995. 1255 p. ISBN 8534603448.
235

BENOSTAN. Moir topography theory. 1997. Disponvel em:
<http://www.otenet.gr/benostan/MOIRE.html>. Acesso em: 18 mai. 2007.

BERTSEKAS, Dimitri P. Nonlinear programming. 2. ed. Belmont: Athena Scientific,
2003. 786 p. ISBN 1886529000.

BICALHO, Gustavo Incio. Simulao numrica de molas especiais atravs do
mtodo de elementos finitos. 2001. 94 f. Projeto de Pesquisa (Doutorado em
Engenharia Mecnica) Faculdade de Engenharia, Pontifcia Universidade
Catlica de Minas Gerais, Belo Horizonte, 2001.

BON, D. J. Fourier fringe analysis: the two-dimensional phase unwrapping problem.
Appl. Opt., v. 30, p. 362-363, 1991.

BORESI, A.; CHONG, K. Elasticity in engineering mechanics. John Wiley & Sons,
2000.

BOVIK, Alan C. Handbook of image and video processing. 2. ed. Amsterdam:
Elsevier Academic, 2005. 1372 p. ISBN 0121197921.

BRASIL. Sistema internacional de unidades. SI. 2. ed. Duque de Caxias, 1979.
p.68.

BREQUE, C.; DUPRE, J. C.; BREMAND, F. Calibration of a system of projection
moir for relief measuring: biomechanical applications. Optics and Laser in
Engineering, v. 41, n. 2, p. 241-260, fev. 2004.

BUDYNAS, Richard G. Advanced strength and applied stress analysis. 2. ed.
Boston: WCB: McGraw-Hill, 1999. 935 p. ISBN 007008985X.

CAI L, LIU Q.; YANG, X. Phase-shift extraction and wave-front reconstruction in
phase-shifting interferometry with arbitrary phase steps. Opt Lett, n. 28, p. 1808-
1810, 2003.

CAI L, LIU Q.; YANG, X. Generalized phase-shifting interferometry with arbitrary
unknown phase steps for diffraction objects. Opt Lett, v. 29, p. 183-185, 2004.

CANT, Marco. Dominando o delphi 6: a bblia. So Paulo: Makron Books, 2002.
934 p. ISBN 8534614083.

CANT, Marco. Dominando o Delphi 7: "a bblia ". So Paulo: Pearson Education
do Brasil, 2003. 801 p. ISBN 8534615187.

CARNAHAN, Brice; LUTHER, H. A.; WILKES, James O. Applied numerical
methods. New York: J. Wiley, 1969. 604 p. ISBN 0894644866.

CARR, P. Installation et utilisation du comparateur photoelectrique et interferential
du bureau international despoids de mesures. Metrologia, v. 2, p. 13, 1966.

236
CHAPRA, Steven C.; CANALE, Raymond P. Numerical methods for engineers.
2. ed. New York: McGraw-Hill, 1988. 839 p. ISBN 0079099440.

CHEN, Lujie; QUAN, Chenggen. Fringe projection profilometry with nonparallel
illumination: a least-squares approach. Optics Letters. Published by OSA 30, p.
2101-2103, 2005.

CLAUDIO, Dalcidio Moraes; MARINS, Jussara Maria. Clculo nmerico
computacional: teoria e prtica. 3. ed. So Paulo: Atlas, 2000. 464 p. ISBN
8522424853.

CLOUD, G. Optical methods of engineering analysis. Cambridge: Cambridge
University Press, 1998.

COELHO, Cndida Pinto; TAVARES, Joo Manuel R. S. Introduo s Tcnicas
para Levantamento de Formas Tridimensional sem Contacto. Faculdade de
Engenharia da Universidade do Porto, Departamento de Engenharia Mecnica e
Gesto Industrial, 2002. Disponvel em : <http://www.fe.up.pt/~tavares>. Acesso em
10 dez 2007.

CORDERO R. Raul; MOLIMARD J.; MARTINEZ A.; LABBE F., Uncertainty analysis
of temporal phase stepping algorithms for interferometry, Optics Communications,
275, p. 144-155, 2007.

COSTA, Rodrigo Franco Corra da; SESSELMANN, Meinhard. Medio do arco
medial plantar usando Shadow Moir com deslocamento de fase. 2006.
Dissertao (Mestrado em Engenharia Mecnica). Escola de Engenharia,
Universidade Federal de Minas Gerais, Belo Horizonte, 2006.

CREATH, K., Phase-shifting speckle interferometry, Appl. Opt. 24, p. 3053-3058,
1985.

CREATH, K. Phase measurement interferometry techniques. In WOLF, E. (Ed.).
Progress in Optics. Elsevier Science, Amsterdam, v. XXVI. p. 349-393, 1988.

CURLESS, B. SIGGRAPH 99 - Course on 3D Photography: overview of active
vision techniques, 2001. Disponvel em:
<http://www.cs.cmu.edu/~seitz/course/SIGG99/slides/curless-active.pdf.> . Acesso
em: 08 dez. 2007.

DALE, Nell B.; JOYCE, Daniel T.; WEEMS, Chip. Object-oriented data structures
using Java. 2. ed. Sudbury: Jones and Bartlett, 2006. 779 p. ISBN 9780763737467.

DALLY, James W.; RILEY, William F. Experimental stress analysis. 3. ed. New
York: McGraw-Hill, 1991. 639 p. (Schaum's outline series in mechanical
engineering).

DEL-VECCHIO, Sara; BARBOSA, Marcos Pinotti; SESSELMANN, Meinhard.
Medio de superfcies livres tridimensionais a partir da tcnica de moir de
237
projeo. 2006, Dissertao (Mestrado em Engenharia Mecnica) Escola de
Engenharia, Universidade Federal de Minas Gerais, Belo Horizonte, 2006.

DIRKX, J. J. J.; DECRAEMER, W. F.; DIELIS, G. Phase shift method based on
object translation for full field automatic 3-D surface reconstruction from moir
topograms. Applied Optics. Washington, v. 27, n. 6, p. 1164-1169, mar. 1988.

DIRKX, J. J. J.; DECRAEMER, W. F. Automatic calibation method for phase shift
shadow moir interferometry. Applied Optics. Washington, v. 29, n. 10, p. 1474-
1476, abr. 1990.

DOEBELIN, Ernest O. Measurement systems: application and design. 4. ed. New
York: McGraw-Hill, 1990. 960 p. ISBN 0070173389.

DURELLI, A. J.; PARKS, V. J. Moir analysis of strain. Englewwod Cliffs: Prentice-
Hall, 1970 apud CLOUD, G. Optical methods of engineering analysis. Cambridge:
Cambridge University Press, 1998.

ELETRONIC PACKAGING SERVICES. Shadow moir. Disponvel em:
<http://www.warpfinder/shadowmoire.html>. Acesso em: 22 mar. 2007.

EASTMAN, J. R. IDRISI 32: guide to GIS and image processing. Worcester: Clark
University, 1999. v. 1.

EASTMAN KODAK COMPANY. Kodak digital science DC120 zoom digital
camera: users guide for camera and software. Rochester: Eastman Kodak
Company, 1997.

EGLIT, Margarita E.; HODGES, Dewey H. Continuum mechanics via problems
and exercises. Singapore: World Scientific, 1996. v. 2. ISBN 9810225466.

FARIAS, Alfredo Alves de; SOARES, Jos Francisco; CSAR, Cibele Comini.
Introduo estatstica. 2. ed. Rio de Janeiro: LTC - Livros Tcnicos e Cientficos,
2003. 340 p. ISBN 8521612931.

FARRER, Harry et al. Algoritmos estruturados. 3. ed. Rio de Janeiro: LTC - Livros
Tcnicos e Cientficos, 1999. 284 p. (Programao Estruturada de Computadores).
ISBN 8521611803.

FARRER, Harry et al. Pascal estruturado. 3. ed. Rio de Janeiro: LTC - Livros
Tcnicos e Cientficos, 1999. 279 p. (Programao Estruturada de Computadores )

FAUPEL, J. H.; FISHER, F. E. Engineering design. 1981. (A systhesis of stress
analysis and materials engineering).

FRANA, Michelle Cruz. Uma simulao numrica de evoluo do dano. 2005.
198 f. Dissertao (Mestrado em Engenharia Mecnica) Faculdade de Engenharia,
Pontifcia Universidade Catlica de Minas Gerais, Belo Horizonte, 2005.

238
FRIEDLANDER, B.; FRANCOS, J. M. Model based phase unwrapping of 2-D
signals. IEEE Transition Signal Processing, v. 44, p. 2999-3007, 1996.

FROTA, Maurcio N.; OHAVON, Pierre. Padres e unidades de medida:
Referncias Metrolgicas da Frana e do Brasil. INMETRO/LNM, 1998.

FUNNELL, W. R. J.; DECRAEMER, W. F. Moir shape measurements in eardrum
models. 2000. Disponvel em:
<http://funsn.biomed.mcgill.ca/~funnell/AudiLab/drumsh.html> . Acesso em: 10 abr.
2007.

GALBIATI, L. J. J. R. Machine vision and digital image processing
fundamentals. 1. ed. New Jersey: Prentice Hall Inc, 1990. 164 p.

GASVIK, K. J. Moir techniques by means of digital image processing. Applied
Optics. Washington, v. 22, n. 23, p. 3543-3548, set. 1983.

GERE, James M. Mecnica dos materiais. So Paulo: Thomson, 2003. 698 p.
ISBN 8522103135.

GHIGLIA D. C.; ROMERO, L. A. Robust two-dimensional weighted and unweighted
phase unwrapping that uses fast transforms and iterative methods. J. Opt. Soc.
Amer A, v. 11, p. 107117, 1994.

GHIGLIA D. C.; PRITT M. D. Two-dimensional phase unwrapping: Theory,
algorithms and software. New York: John Wiley & Sons, 1998.

GOLDBARG, Marco Cesar; LUNA, Henrique Pacca L. Otimizao combinatria e
programao linear: modelos e algoritmos. 2. ed. rev. e atual. Rio de Janeiro:
Campus, 2005. 518 p. ISBN 9788535215205.

GOLDEN SOFTWARE, INC. SURFER 32 users guide. Golden - Golden Software,
Inc, 1995.

GOMES, Jonas de Miranda; VELHO, Luiz. Fundamentos da computao grfica.
Rio de Janeiro: IMPA, 2003. 603 p. (Srie de Computao e Matemtica). ISBN
8524402008.

GOMES, Tlio Seabra. Interferometria Speckle e Moir geomtrico aplicados
perfilometria de prottipos mecnicos. 2005. 69 p. Dissertao (Mestrado em
Engenharia Agrcola) Faculdade de Engenharia, Universidade Federal de Lavras,
Lavras, 2005.

GONALVES JNIOR, Armando Albertazzi. Metrologia. Florianpolis: UFSC,
Departamento de Engenharia Mecnica, 1996. v. 1.

GONZALEZ, Rafael C.; WOODS, Richard E. Processamento de imagens digitais.
So Paulo: E. Blcher, 2000. 509 p. ISBN 8521202644.

239
GONZALEZ, Rafael C.; WOODS, Richard E.; EDDINS, Steven L. Digital image
processing using MATLAB. Upper Saddle River: Pearson-Prentice Hall, 2004. 609
p. ISBN 0130085197.

GUILD, John. The interference systems of crossed diffraction gratings: theory of
moire fringes. Oxford: Clarendon, 1956. 152 p.

GUIMARES, Vagner A. Controle dimensional e geomtrico: uma introduo
metrologia industrial. Passo Fundo: Editora da Universidade de Passo Fundo, 1999.

HAN, Chang Woon. Shadow moir using non-zero talbot distance and
application of diffraction theory to moir interferometry. 2005. Tese (Doutorado).
University of Maryland, College Park, 2005.

HANSELMAN, Duane C.; LITTLEFIELD, Bruce. Mastering MATLAB 7. Upper
Saddle River: Pearson Prentice Hall, c2005. 852 p. ISBN 0131430181.

HERTZ Hellen, et al. Desenvolvimento da tcnica moir de sombra como alternativa
de baixo custo para anlise postural. Scientia Medica. Porto Alegre: PUCRS, v. 15,
n. 4, out./dez. 2005.

HIBBELER, R. C. Resistncia dos materiais. 5. ed. So Paulo: Pearson Education
do Brasil, 2004. 670 p. ISBN 8587918672.

HILLIER, Frederick S.; LIEBERMAN, Gerald J. Introduction to operations
research. 8. ed. McGraw-Hill, 2005. 1 CD-ROM.

HILLIER, Frederick S.; LIEBERMAN, Gerald J. Introduo pesquisa
operacional. So Paulo: McGraw-Hill, 2006. 828 p. ISBN 8586804681.

HOFFMAN, Joe D. Numerical methods for engineers and scientists. 2. ed. rev.
New York: Marcel Dekker, 2001. 823 p. ISBN 0824704436.

HU, Q. 3-D Shape measurement techniques. 2001. Disponvel em:
<http://www.sinc.sunysb.edu/Stu/qhu/Chapter1.htm>. Acesso em: 06 set. 2007.

HUANG, Peisen S.; GUO, Hong. Phase-shifting shadow moir using the Carr
algorithm. Two- and Three-Dimensional Methods for Inspection and Metrology VI.
Edited by Huang, Peisen S.; Yoshizawa, Toru; Harding, Kevin G. Proceedings of
the SPIE, Volume 7066, pp. 70660B-70660B-7 (2008).

HUNT, B. R. Matrix formulation of the reconstruction of phase values from phase
differences. J. Opt. Soc. Amer. A, v. 69, p. 393399, 1979.

HUNTLEY J. M. Noise imune phase unwrapping algorithm. Appl. Opt. n. 28, p.
3268-3270, 1989.

IDEA. Software IDEA: interferometric data evaluation algorithms. Disponvel em:
<http://www.optics.tu-graz.ac.at/idea/idea.html >. Acesso em: 10 jul. 2007.

240
INMETRO. Vocabulrio internacional de termos fundamentais e gerais de
metrologia. 2. ed. Braslia: SENAI/DN: INMETRO, 2000. 75 p. ISBN 8587090909.

ISO 3538. International standard: ooad vehicles safety glazing materials test
methods for optical properties. 2. ed. 1997.

ISO Guide to the Expression of Uncertainty in Measurement, Supplement 1:
Numerical Methods for the Propagation of Distributions, ISO, Geneva, 2004, p.
38.

ISO GUM. Guide to the Expression of Uncertainty in Measurements,
International Organization for Standardization, Genebra. (www.iso.org) 1995.

JARVIS. R. A. A Perspective on Range Finding Techniques for Computer Vision.
IEEE Trans. PAMI. v. 5, n. 2, p. 122-139, 1983.

JOINT COMMITTEE FOR GUIDES IN METROLOGY (JCGM), Bureau International
des Poids et Mesures (BIPM), Evaluation of measurement data Guide to the
expression of uncertainty in measurement, GUM 1995 with minor corrections,
JCGM 100:2008, 2008. Disponvel em:
<http://www.bipm.org/utils/common/documents/jcgm/JCGM_100_2008_E.pdf> .
Acesso em 25 nov.2008.

JOINT COMMITTEE FOR GUIDES IN METROLOGY (JCGM), Bureau International
des Poids et Mesures (BIPM), Evaluation of measurement data Supplement 1
to the Guide to the expression of uncertainty in measurement Propagation
of distributions using a Monte Carlo method, JCGM 101:2008, 2008. Disponvel
em: <http://www.bipm.org/utils/common/documents/jcgm/JCGM_101_2008_E.pdf> .
Acesso em 25 nov.2008.

JOINT COMMITTEE FOR GUIDES IN METROLOGY (JCGM), Bureau International
des Poids et Mesures (BIPM), International vocabulary of metrology Basic and
general concepts and associated terms (VIM), JCGM 200:2008, 2008. Disponvel
em: <http://www.bipm.org/utils/common/documents/jcgm/JCGM_200_2008.pdf> .
Acesso em 25 nov.2008.

JUDGE, T. R. FRANSYS fringe analysis system documentation. Optical
Engineering Laboratory. Dept. of Eng., University of Warwick. 1996. Disponvel em:
<http://www.eng.warwick.ac.uk/oel/courses/undergrad/lec9/FRAN%20Instructions.pd
f > Acesso em: 20 mai. 2007.

JUVINALL, Robert C. Engineering considerations of stress, strain and strength.
New York: McGraw-Hill, 1967. 580 p.

JUVINALL, Robert C.; MARSHEK, Kurt M. Fundamentals of machine component
design. 4. ed. New Jersey: John Wiley, 2006. 832 p. ISBN 9780471661771.

KHARAB, Abdelwahab; GUENTHER, Ronald B. An introduction to numerical
methods: a MATLAB approach. Boca Raton: CRC Press, 2002. 431 p. ISBN
158488281.
241

KAK, Avinash C. Programming with objects: a comparative presentation of object-
oriented programming with C++ and Java. Hoboken: Wiley-Interscience, 2003. 1115
p. ISBN 0471268526.

KATSUKI, T.; GOTO, M.; KAWANO, Y.; TASHIRO, H. Quantification of symmetry of
the nose using an analysis of moir photographs of a face. In: VON BALLY, G.;
GREGUSS, P. (Eds). Optical in biomedical sciences: spring Series. Optical Science,
v. 20, p. 267-269, 1982.

KAWAMURA, Mrcio Seiti; RONCONI, Dbora Pretti. Aplicao do mtodo branch
and bound na programao de tarefas em uma nica mquina com data de
entrega comum sob penalidades de adiantamento e atraso. So Paulo: EPUSP,
2006. 24 p. (Boletim Tcnico da Escola Politcnica da USP - 606).

KEMAO, Q.; FANGJUN, S.; and XIAOPING, Xiaoping, Determination of the best
phase step of the Carr algorithm in phase shifting interferometry, Meas. Sci.
Technol. 11, 1220-1223, 2000.

KENT, Jeffrey A. C++ desmistificado: formao tcnica : um guia de aprendizado.
Rio de Janeiro: Alta Books, c2004. 261p. ISBN 8576080575.

KERNIGHAN, Brian W.; RITCHIE, Dennis M. C : a linguagem de programao
padro ANSI. Rio de Janeiro: Elsevier, c1989. 289 p. ISBN 8570015860

KEPRT, J.; VYHNNKOV, R.; BARTONEK, L. Shadow moir topography: theory
and application. Physica, v. 37, p. 137-159, 1988.

KERATRON, Cornel, Moir fringe: comparing moir fringes to Placido based
topography. 1999. Disponvel em: <http://209.155.2.106/keratron.html> . Acesso em
5 mai.2007.

KNACKFUSS, Irocy Guedes et al. A utilizao da estereofotografia de moir na
deteco de escolioses. Fisioterapia Brasil. Rio de Janeiro, v. 5, n. 5 , p. 357-361,
set./out. 2004.

KREYSZIG, Erwin; NORMINTON, Edward J. Maple computer guide: a self -
contained introduction for Erwin Kreyszig - advanced engineering mathematics. 8 ed.
New York: J. Willey, 2001. 245 p. ISBN 0471386685.

LACHTERMACHER, Gerson. Pesquisa operacional na tomada de decises:
modelagem em Excel. 3. ed. rev. e atual. Rio de Janeiro: Elsevier, Campus, 2007.
213 p. ISBN 8535220879.

LI, J. L.; SU, X. Y.; SU, H. J.; CHA, S. S. Removal of carrier frequency in phase-
shifting techniques. Optics and Laser in Engineering. v. 30, p.107-115, jan. 1998.

LIANG, Z. P. A model-based method for phase unwrapping. IEEE Transation Med.
Imag., v. 15, n. 6, p. 893-897, 1996.

242
LINDO. Optimization modeling with LINGO. 6. ed. Chicago, IL: LINDO Systems
Inc., 2006.

LINGO, LINGO users manual. Chicago, IL: LINDO Systems Inc., 2006.

LINK, Walter. Metrologia mecnica: expresso da incerteza de medio.
Programa RH-Metrologia. 2002.

LINO, A. C. L. Tcnica ptica de moir visando a aplicao no estudo de
superfcies irregulares. 2002. 85 p. Dissertao (Mestrado em Engenharia
Agrcola) Faculdade de Engenharia, Universidade Estadual de Campinas,
Campinas, 2002.

LIRA, Francisco Adval de. Metrologia na indstria. 6. ed. So Paulo: rica, 2007.
246 p. ISBN 9788571947832.

LORD RAYLEIGH, Phil. Mag. v. 47, 1874 apud SCHIAMMARELLA, Cesar A. The
moir method: a review. Experimental mechanics, v. 44, n. 8, p. 418-433, nov.,
1982.

LU, C.; YAMAGUCHI, A.; INOKUCHI, S. 3D measurement based on intensity phase
analysis of intensity modulated Moir. Electronics and communications in Japan,
v. 85, n. 1, p. 71-80, 2002.

LUENBERGER, David G. Linear and nonlinear programming. 2. ed. Boston:
Kluwer Academic, 2003. 491 p. ISBN. 1402075936.

MAHEY, Philippe. Programao no-linear: introduo teoria e aos mtodos. Rio
de Janeiro: Campus-LNCC, 1987. 237 p. ISBN 8570014651.

MALACARA, D. (Ed.): Optical shop testing. New York: John Wiley and Son, 1992.

MANN, Prem S. Introduo estatstica. Rio de Janeiro: LTC - Livros Tcnicos e
Cientficos, 2006. 758 p. ISBN 852161506X.

MANZANO, Jos Augusto N. G. C++ ANSI (ISO/IEC 14882: 1998): programao
de computadores : guia prtico de orientao e desenvolvimento. So Paulo: rica,
2003. 340 p. ISBN 8571949778.

MARROQUIN, J. L.; RIVERA, M. Quadratic regularization functionals for phase
unwrapping. J. Opt. Soc. Amer. A., v. 12, p. 23932400, 1995.

MATSUMOTO, lia Yathie. MATLAB 7: fundamentos. 2. ed. So Paulo: rica,
2006. 376p. ISBN 8536500328.

MAZZETI FILHO, V. M. Utilizao da intreferometria de moir na caracterizao
de rotores de mquinas agrcolas. 2004. 112 p. Dissertao (Mestrado em
Engenharia Agrcola) Faculdade de Engenharia,Universidade Estadual de
Campinas, Campinas, 2004.

243
MEADOWS, D. M.; JONHSON, W.O.; ALLEN, J. B. Generation of surface contours
by moir patterns. Applied Optics. Washington. v. 9, n. 4, p. 942-47, mar., 1970.

MELCONIAN, Sarkis. Mecnica tcnica e resistncia dos materiais. 12. ed. So
Paulo: Livros Erica, 2001. 360 p. ISBN 8571940010 (broch.).

MIKS, A.; NOVAK, J. Application of multi-step algorithms for deformation
measurement. SPIE Proc. 4398, p. 280288, 2001.

MIKS, A.; NOVAK, J. Fringe tracing technique in the process of optical testing.
Physical and Material Engineering. Prague, 2002.

MONTGOMERY, Douglas C.; RUNGER, George C.; HUBELE, Norma Faris.
Estatstica aplicada engenharia. Rio de Janeiro: LTC - Livros Tcnicos e
Cientficos, 2004. 335p. ISBN 8521613989.

MOORE, D. T.; TRUAX, B. E. Phase-locked moir fringe analysis for automatic
contouring of diffuse surface. Applied Optics. Washington, v. 18, n. 4, p. 91-96,
mar., 1979.

MULOT, M. Application of moir to the study of mica deformation. Rev.
DOptique. Washington. v. 4,. p. 252-259, mai., 1925 apud SCHIAMMARELLA,
Cesar A. The moir method: a review. Experimental Mechanics, v. 44, n. 8, p. 418-
433, nov., 1982.

NATIONAL COOPERATIVE HIGHWAY RESEARCH PROGRAM - INNOVATION
DESERVING EXPLORATORY ANALYSIS PROGRAM, 2000. Surface condition
assessment and profiler system for pavements using shadow moir
interferometry. 2000. Disponvel em: http://www.nas.edu/trb/about/nchrp-i12.html .
Acesso em: 03 fev. 2007.

NEUGEBAUER, H.; WINDISCHBAUER, G. Moir topography in scoliosis research.
In: VON BALLY, G.; GREGUSS, P. Optical in biomedical sciences: spring series in
optical science. p. 250-253, 1982.

NISHIJIMA, Y. Moir patterns: their application to refractive index and refractive
index gradient measurements. Journal of the Optical Society of America.
Washington, v. 54, n. 1, p. 1-5, 1964.

NOVAK, J. Error analysis of three-frame algorithms for evaluation of
deformations. Interferometry of speckle light: theory and applications. Berlim:
Springer Verlag, 2000. 439 p.

NOVAK, J. Analysis and evaluation of interference patterns. MATLAB, Prague.
Anais Prague, 2001.

NOVAK, J. Computer simulation of phase evaluation process with phase shifting
technique. Physical and Material Engineering. Prague, 2002.

244
NOVAK, Jiri. Five-step phase-shifting algorithms with unknown values of phase shift.
Optik - International Journal for Light and Electron Optics, v. 114, Issue 2, 2003,
p. 63-68.

NOVAK, Jiri; NOVAK, P.; MIKS, Antonin. Multi-step phase-shifting algorithms
insensitive to linear phase shift errors. Optics Communications, 2008.

OLIVEIRA, Bruno Silva de. Imagens tridimensionais por meio da tcnica de
moir: uma nova proposta. 2006. Monografia. (Graduao em Cincia da
Computao) Departamento de Cincia da Computao, Universidade Federal de
Lavras, Lavras, 2006.

ONUMA, K.; NAKAMURA, T.; KUWASHIMA, S. Development of a new real-time
phase shift interferometry for the investigation of crystal growth knetics.
Journal of Crystal Growth. Washington. v. 167, p. 387-390, 1996.

OSTER, G.; NISHIJIMA, Y. Moir patterns. Scientific American Resource Library.
Washington, v. 3, p. 54-63, 1964.

OSTER, G.; WASSERMAN, M.; ZWERLIG, C. Theoretical interpretation of moir
patterns. Journal Optical Society of America. Washington, v. 54, n. 2, p. 169-175,
1964.

PATORSKI, K. Handbook of the moir fringe technique. Netherlands: Elsevier
Science Publishers, 1993. ISBN: 0 444 88823 3.

PEDRINI, Hlio; SCHWARTZ, William Robson. Anlise de imagens digitais:
princpios, algoritmos e aplicaes. So Paulo: Thomson, 2008. 508 p. ISBN
9788522105953.

PICINI, A. G. Desenvolvimento e testes de modelos agrometeorolgicos para
estimativa de produtividade do cafeeiro (Coffea arabida L.) a partir do
monitoramento da disponibilidade hdrica do solo. 1998. 132 p. Dissertao
(Mestrado em Geocincias) Escola Superior de Agricultura Luiz de Queiroz,
Universidade de So Paulo, Piracicaba, 1998.

POST, D.; HAN, B.; IFJU, P. High sensitivity moir: experimental analysis for
mechanics and materials. New York: Spring-Verlag, 1994.

PRITT, M. D.; SHIPMAN, J. S. Least-squares two-dimensional phase unwrapping
using FFTs. IEEE Transation Geoscience Remote Sensing, v. 32, p. 706708,
1994.

RAO, Singiresu S. Engineering optimization: theory and practice. 3. ed. New York:
Wiley-Interscience, 1996. 903 p. ISBN 0471550345.

RASTOGI P. K. Digital speckle pattern interferometry and related techniques.
New York: John Wiley & Sons Inc., 2001.

245
REDNER, A. S. and BHAT, G. K. Moir Distortiometry for the Quantitative Evaluation
of Optical Quality of Glass. Glass Processing Days, 1316 June 1999. p. 166-168

RIBEIRO, Elaine Maria; SESSELMANN, Meinhar. Anlise metrolgica da tcnica
Shadow Moire. 2006. Dissertao (Mestrado em Engenharia Mecnica) Escola de
Engenharia, Universidade Federal de Minas Gerais, Belo Horizonte, 2006.

RILEY, W. F.; DURELLI, A. J. Application of moir methods to the determination of
transient stress and strain distributions. Journal of Applied Mechanics, v. 29, n. 4,
1962.

ROBINSON, D. W.; REID G. T. Interferogram analysis. Philadelphia: Institute of
Physics Publishing, 2003.

RODRIGUES, Luciane Fernanda et al. Utilizao da tcnica de moir para detectar
alteraes posturais. Revista de Fisioterapia da Universidade de So Paulo. So
Paulo , v. 10, n. 1, p. 16-23, jan./jun., 2003.

SADD, Martin H. Elasticity: theory, applications and numerics. Academic Press,
ago. 2004.

SANTOS, Angela Rocha dos; BIANCHINI, Waldecir. Aprendendo clculo com
Maple: clculo de uma varivel. Rio de Janeiro: LTC - Livros Tcnicos e Cientficos,
2002. 408 p. ISBN 8521612923.

SCALDAFERRI, Denis Henrique Bianchi; PALMA, Ernani Sales. Sistema de
aquisio e processamento de imagens digitais obtidas a partir da Tcnica de
Moir. 2000, 124 f., Dissertao (Mestrado em Engenharia) Escola de Engenharia,
Universidade Federal de Minas Gerais, Belo Horizonte, 2000.

SEGEL, Lee A; HANDELMAN, G. H. Mathematics applied to continuum
mechanics. New York: Dover, 1987. 590 p. ISBN 0486653692 : (broch.)

SHAPIRA, I.; VOLOSHIN, A. S. Fractional moir fringe analysis by optimization.
Optical Engineering. v. 31, n. 4, p. 838-845. jan. 1992.

SMITH NETO, Perrin. Departamento de Engenharia Mecnica. Desenvolvimento
de um software para avaliar deformaes em peas utilizando a tcnica
Shadow Moir. 1999. 129 f. Monografia (Especializao) Pontifcia Universidade
Catlica de Minas Gerais, Belo Horizonte, 1999.

SMITH NETO, Perrin. Anlise experimental de tenses: uma valiosa ferramenta para
a engenharia de projetos. Cadernos de Engenharia. Belo Horizonte, v. 8, n. 10, p.
5-16, dez. 1999.

SMITH NETO, Perrin; COELHO, Guilherme Cremasco. The Shadow Moir Method
using the Phase Shifting Technique and digital image processing: computational
implementation and application to the 3D-Reconstruction of a Buckled Plate. J. Braz.
Soc. Mech. Sci, v. 22, n. 3. Rio de Janeiro, 2000.

246
SMITH NETO, Perrin. Anlise de tenses e deformaes em eixos de manivelas
de motores utilizando tcnicas fotoelsticas e de elementos finitos. 2001. 41f.
Projeto de pesquisa (Mestrado em Engenharia Mecnica) Faculdade de
Engenharia, Pontifcia Universidade Catlica de Minas Gerais, Belo Horizonte, 2001.

SMITH NETO, Perrin. Anlise de tenses e otimizao de peas mecnicas
atravs de modelagem numrico-experimental. 2002. 21f. Projeto de Pesquisa
(Mestrado em Engenharia Mecnica) Faculdade de Engenharia, Pontifcia
Universidade de Minas Gerais, Belo Horizonte, 2002.

SCHIAMMARELLA, C. A. The moir method: a review. Experimental Mechanics, v.
44, n. 8, p. 418-433, nov., 1982.

SOCIEDADE BRASILEIRA DE METROLOGIA; INMETRO; ASSOCIAO
BRASILEIRA DE NORMAS TECNICAS. Guia para a expresso da incerteza de
medio. 2. ed. brasileira. Rio de Janeiro: ABNT: INMETRO: SBM, 1998. 121 p.
ISBN 8586768030.

SOILLE, P. Morphological phase unwrapping. Optical and Lasers in Engineering,
v. 32, p. 339-352, jan., 2000.

SU, X.; CHEN, W. Fourier transform profilometry: a review. Optical and Lasers in
Engineering, v. 35, p. 263-284, 2001.

TAHA, Hamdy A. Operations research: an introduction. 8. ed. Upper Saddle River:
Pearson Prentice Hall, 2007. 813 p. ISBN 0131889230.

TAKASAKI, H. Moir topography. Applied Optics. Washington, v. 9, n. 6, p. 1457-
1452, out., 1970.

TAKASAKI, H. Moir topography. Applied Optics. Washington, v. 12, n. 4, p. 845-
850, abr., 1973.
TENENBAUM, Aaron M.; AUGENSTEIN, Moshe. Data structures using PASCAL.
2. ed. Englewood Cliffs, N. J. Prentice-Hall, 1986. 774p. ISBN 0131966685.

THEOCARIS, P. S. Moir fringes in strain analysis. New York: Pergamon Press,
1969 apud CLOUD, Gary. Optical methods of engineering analysis. Cambridge,
Cambridge University Press, 1998. 405 p.

TRIOLA, Mrio F. Introduo estatstica. Rio de Janeiro: LTC - Livros Tcnicos
e Cientficos, 2008. 696 p. ISBN 9788521615866.

ULRICH PINGEL. New Moir-Fringe-Method to Inspect Transmitted Distortion and
Point-Defects in Sheet-Glass. Glass Processing Days, 1315 Sept. 1997. P. 120-
124.

VALENTE, Rmulo Crzio. Determinao de concentrao de tenses em discos
tronco-cnicos utilizando tcnica numrico-experimental. 2003. 132 f.
Dissertao (Mestrado) Faculdade de Engenharia, Pontifcia Universidade Catlica
de Minas Gerais, Belo Horizonte, 2003.
247

VALERIANO, M. de M. Estimativas de variveis topogrficas por
geoprocessamento para modelagem da perda de solo. 1990. 156 p. Tese
(Doutorado em Geocincias) Faculdade de Geografia, Universidade Estadual
Paulista, Rio Claro, 1999.

WALKER, C. A. Handbook of Moir Measurement. Institute of Physics Publishing.
Bristol and Philadelphia, IOP, 2004. ISBN 0 7503 0522 3.

WANG, Y.; HASSELL, P. Measurement of thermally induced warpage of BGA
packages/substrates using phase-stepping shadow. 2000. Disponvel em:
<http://www.warpfinder.com /IPC.pdf>. Acesso em: 20 jul. 2007.

WANG, Y. Shadow Moir sensitivity increase by fringe shifting: phase-stepping.
2001. Disponvel em: <http://www.warpfinder.com/phase.html>. Acesso em: 03 set.
2007.

WANG, Zhaoyang. Development And Application Of Computer-Aided Fringe
Analysis. 2003. Tese (Doutorado) College Park, University of Maryland, Maryland,
2003. Disponvel em: <https://drum.umd.edu/dspace/handle/1903/31>. Acesso em:
04 out. 2007.

WANG, Zhaoyang; MA, Huanfeng. Advanced continuous wavelet transform
algorithm for digital interferogram analysis and processing. Optical Engineering, v.
45-4, n. 045601, april 2006.

WANG, Zhaoyang; HAN, Bongtae. Advanced iterative algorithm for phase extraction
of randomly phase-shifted interferograms. Optics Letters, v. 29, n. 14, p. 1671-
1673, jul. 2004.

WANG, Zhaoyang; HAN, Bongtae. Advanced iterative algorithm for randomly phase-
shifted interferograms with intra and inter-frame intensity variations.
Optics and Lasers in Engineering, v. 45, Issue 2, p. 274-280, fev. 2007.

WANG, Zhaoyang. Rinsing-Sun Moir Software. 2008. Disponvel em:
<http://faculty.cua.edu/wangz/software_moire.htm>. Acesso em: jan. de 2008.

WATERS, J. P. Holographic nondestructive testing. East Harford-Connecticut:
United Aircraft Research Laboratories, 1974. p. 87-103.

WALKER, C. A. A historical review of moir Interferometry. Experimental
Mechanics, London, v. 34, n. 4, p. 281-299, dez. 1994.

WALPOLE, Ronald, E. et al. Probability & statistics for engineers & scientists. 8.
ed. Upper Saddle River: Pearson Prentice Hall, 2007. 816 p. ISBN 0131877119.

WINDISCHBAUER, G. Survey on application of moir-techniques in medicine and
biology. In: VON BALLY, G.; GREGUSS, P. Optical in biomedical sciences: spring
Series. Optical Science, v. 20, p. 245-249,1982.

248
WILLMOT, C. J.; ACKLESON, S. G.; DAVIS, J. J.; FEDDEMA, K. M.; KLINK, D. R.
Statistics for the evaluation and comparison of models. Journal Geograph
Research, v. 90, p. 8995-9005, 1985.

WIDISCHBAUER, G. Survey on application of moir-techniques in medicine and
biology. In: VON BALLY, G.; GREGUSS, P. (Ed.). Optical in biomedical sciences.
Spring series in optical science, Berlin, v. 20, p. 245-249, 1982.

WHITEHOUSE, D. J. Handbook of surface metrology. Bristol - IOP Publishing,
1994.

YATAGAI, T. Intensity based analysis methods. In: Editado por David W. Robinson &
Graeme T. Reid. Interferogram Analysis: Digital fringe pattern measurements
technique. 1. ed. Institute of Physics Publishing, 1993, cap. 3, p. 72-93.

YONEYAMA, S.; MORIMOTO, Y.; FUJIGAKI, M.; IKEDA, Y. Scanning moir and
spatial offset phase stepping for surface inspection of structures. Optics and Lasers
in Engineering, v. 43, n. 6, p. 659-670, jun. 2005.

ZEXIAO, X.; JIANGUO, W.; QUIUMEI, Z. Complete 3D measurement in reverse
engineering using a multi-probe system. Machine Tools & Manufacture, v. 45, n.
12-13, p. 1474-1486, out. 2005.

ZIVIANI, Nivio. Projeto de algoritmos: com implementaes em Pascal e C. 2. ed.
rev. e ampl. So Paulo: Pioneira Thomson Learning, 2004. 552 p. ISBN
8522103909.

ZIVIANI, Nivio. Projeto de algoritmos: com implementaes em Java e C++. So
Paulo: Thomson Learning, c2007. 621 p. ISBN 8522105251.

ZWEMER, D.; HASSELL, P.; MAZEIKA, W.; PETERSKI, L.; HOLMES, R. Shadow
moir based printed wiring board flatness inspection. 2000. Disponvel em:
<http://www.warpfinder.com/IPC.pdf>. Acesso em: 20 jul. 2007.

249
APNDICE A EQUAES DESENVOLVIDAS COM O MODELO 3.19

TABELA 26

Equaes encontradas para N (nmero de imagens) igual a 9

N = 9 Num -1 0 -10 0 0 0 10 0 2 -1 0 -4 0 0 0 4 0 2
8 0 4 0 -4 0 -16 0 8 0 -6 0 6 0 -16 0
3 0 0 0 -6 0 10 -2 0 0 0 4 0 4
a) 0 0 0 0 -4 0 b) 2 0 -4 0 6 0
0 0 0 0 0 0 0 0 0 0
0 0 4 0 2 0 -6 0
3 0 -10 -2 0 -4
8 0 8 0
-1 -1
Dem -1 0 -1 0 4 0 -1 0 -1 -1 0 2 0 -2 0 2 0 -1
Num -1 0 -6 0 0 0 6 0 2 -1 0 -1 0 0 0 1 0 2
6 0 5 0 -5 0 -12 0 1 0 2 0 -2 0 -2 0
-1 0 0 0 2 0 6 2 0 0 0 -4 0 1
c) -1 0 2 0 -5 0 d) 1 0 -2 0 -2 0
0 0 0 0 0 0 0 0 0 0
-1 0 5 0 1 0 2 0
-1 0 -6 2 0 -1
6 0 1 0
-1 -1
Dem -1 0 0 0 2 0 0 0 -1 -1 0 0 0 2 0 0 0 -1
Num -1 -2 -2 0 0 0 2 2 2 -1 0 -10 0 0 0 10 0 2
1 2 2 0 -2 -2 -2 2 8 0 0 0 0 0 -16 0
4 6 0 -6 -8 -2 2 7 0 0 0 -14 0 10
e) 1 0 -2 -6 -2 0 f) -4 0 8 0 0 0
0 0 0 0 0 0 0 0 0 0
1 6 2 0 -4 0 0 0
4 2 -2 7 0 -10
1 -2 8 0
-1 -1
Dem -1 -1 0 1 2 1 0 -1 -1 -1 0 -1 0 4 0 -1 0 -1
Num -1 0 -4 0 0 0 4 0 2 -1 0 1 0 0 0 -1 0 2
8 0 0 0 0 0 -16 0 -1 0 0 0 0 0 2 0
-8 0 0 0 16 0 4 4 0 0 0 -8 0 -1
g) 8 0 -16 0 0 0 h) 1 0 -2 0 0 0
0 0 0 0 0 0 0 0 0 0
8 0 0 0 1 0 0 0
-8 0 -4 4 0 1
8 0 -1 0
-1 -1
Dem -1 0 2 0 -2 0 2 0 -1 -1 0 0 0 2 0 0 0 -1

Fonte: Resultados da pesquisa.
250
TABELA 27

Equaes encontradas para N (nmero de imagens) igual a 10

N = 10 Num -1 0 -5 0 -1 1 0 5 0 2 -1 -2 -6 0 0 0 0 6 2 2
9 0 -2 -3 3 2 0 -18 0 9 4 -4 0 0 4 -4 -18 2
-3 0 0 0 0 6 0 5 0 0 0 0 0 0 -4 6
a) 1 1 -1 -2 0 2 0 b) 0 -6 6 0 0 4 0
0 0 -1 0 3 1 -2 4 6 0 0 0
0 1 0 -3 -1 -2 -6 0 0 0
1 0 -2 0 0 0 -4 0
-3 0 -5 0 4 -6
9 0 9 -2
-1 -1
Dem -1 0 2 0 -1 -1 0 2 0 -1 -1 -1 2 0 0 0 0 2 -1 -1
Num -1 0 1 1 0 0 -1 -1 0 2 -1 0 -2 0 0 0 0 2 0 2
-1 1 0 0 0 0 -1 2 0 2 2 0 -2 2 0 -2 -4 0
0 0 -1 1 0 0 -1 -1 0 2 0 0 -2 0 -2 2
c) 3 0 0 -6 0 0 -1 d) -1 -2 2 2 -2 0 0
1 -2 0 1 0 0 2 -4 2 0 2 0
1 0 -1 0 0 2 -2 0 -2 0
3 0 0 1 -1 2 0 0
0 1 1 0 2 -2
-1 0 2 0
-1 -1
Dem -1 0 0 1 0 0 1 0 0 -1 -1 0 0 1 0 0 1 0 0 -1
Num -1 -2 -6 6 2 -2 -6 6 2 2 -1 -2 -6 6 2 -2 -6 6 2 2
9 0 -6 0 0 6 0 -18 2 9 -2 2 -2 2 -2 2 -18 2
0 -6 6 -6 6 0 0 6 -8 4 -4 4 -4 16 2 6
e) 3 6 -6 -6 6 6 -6 f) 8 -4 4 -16 -4 -2 -6
-3 6 -6 -6 0 -2 -2 4 4 4 2 -2
-3 6 6 0 2 -2 -4 -4 -2 2
3 -6 -6 6 8 4 2 6
0 0 -6 -8 -2 -6
9 -2 9 -2
-1 -1
Dem -1 -1 2 1 -1 -1 1 2 -1 -1 -1 -1 2 0 0 0 0 2 -1 -1
Num -1 -2 -6 6 2 -2 -6 6 2 2 -1 0 0 0 0 0 0 0 0 2
9 -2 0 -2 2 0 2 -18 2 2 0 -1 0 0 1 0 -4 0
-6 4 -4 4 -4 12 2 6 0 0 0 0 0 0 0 0
g) 8 -6 6 -16 -4 0 -6 h) 0 1 -1 0 0 1 0
-4 8 6 4 2 -2 1 -2 -1 0 0 0
-4 -6 -4 -2 2 1 1 0 0 0
8 4 0 6 0 0 -1 0
-6 -2 -6 0 0 0
9 -2 2 0
-1 -1
Dem -1 -1 2 0 0 0 0 2 -1 -1 -1 0 1 0 0 0 0 1 0 -1
Num -1 0 -1 0 0 0 0 1 0 2 -1 0 1 0 0 0 0 -1 0 2
1 0 1 1 -1 -1 0 -2 0 1 0 -1 0 0 1 0 -2 0
1 1 0 0 -1 -2 0 1 0 0 -1 1 0 0 0 -1
i) 1 0 0 -2 -1 -1 0 j) 1 1 -1 -2 0 1 0
0 0 0 0 -1 0 1 -2 -1 1 0 0
0 0 0 1 0 1 1 -1 0 0
1 1 1 0 1 0 -1 0
1 0 -1 0 0 1
1 0 1 0
-1 -1
Dem -1 0 0 0 1 1 0 0 0 -1 -1 0 1 0 0 0 0 1 0 -1

Fonte: Resultados da pesquisa.
251
TABELA 28

Equaes encontradas para N (nmero de imagens) igual a 11

N = 11 Num -1 0 -1 2 0 0 0 -2 1 0 2 -1 -2 0 1 0 0 0 -1 0 2 2
1 0 0 -2 0 2 0 0 -2 0 1 1 -1 3 0 -3 1 -1 -2 2
2 -2 0 0 0 2 -4 0 1 0 1 0 0 0 -1 0 -1 0
a) 1 -1 0 1 -2 2 0 -2 b) 4 0 0 0 -8 -1 1 -1
2 0 -4 1 0 2 0 1 0 -2 0 0 -3 0
0 0 0 0 0 0 0 0 0 0 0 0
2 -1 0 -2 0 1 0 0 3 0
1 -2 0 2 4 1 -1 1
2 0 -1 0 1 0
1 0 1 -2
-1 -1
Dem -1 0 0 1 1 -2 1 1 0 0 -1 -1 -1 1 0 0 2 0 0 1 -1 -1
Num -1 0 -1 -2 0 0 0 2 1 0 2 -1 0 -1 -1 0 0 0 1 1 0 2
1 0 0 2 0 -2 0 0 -2 0 1 -1 0 1 0 -1 0 1 -2 0
2 2 0 0 0 -2 -4 0 1 2 3 0 0 0 -3 -4 1 1
c) 1 0 0 0 -2 -2 0 2 d) 1 0 0 0 -2 -3 0 1
2 0 -4 0 0 -2 0 2 0 -4 0 0 -1 0
0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 2 0 2 0 0 1 0
1 2 0 -2 1 3 0 -1
2 0 -1 2 -1 -1
1 0 1 0
-1 -1
Dem -1 0 0 -1 1 2 1 -1 0 0 -1 -1 0 0 -1 1 2 1 -1 0 0 -1
Num -1 -2 0 0 -2 0 2 0 0 2 2 -1 0 -1 2 0 0 0 -2 1 0 2
1 2 0 4 0 -4 0 -2 -2 2 1 0 0 -2 0 2 0 0 -2 0
1 0 0 0 0 0 -2 -2 0 2 -2 0 0 0 2 -4 0 1
e) 2 0 0 0 -4 0 0 0 f) 1 0 0 0 -2 2 0 -2
2 0 -4 0 0 -4 2 2 0 -4 0 0 2 0
0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 4 -2 2 0 0 -2 0
2 0 0 0 1 -2 0 2
1 2 0 2 0 -1
1 -2 1 0
-1 -1
Dem -1 -1 1 0 0 2 0 0 1 -1 -1 -1 0 0 1 1 -2 1 1 0 0 -1
Num -1 0 -2 -1 -1 0 1 1 2 0 2 -1 0 -1 -2 0 0 0 2 1 0 2
2 -1 1 2 0 -2 -1 1 -4 0 1 0 0 2 0 -2 0 0 -2 0
2 2 -2 0 2 -2 -4 1 2 2 2 0 0 0 -2 -4 0 1
g) 2 1 0 -1 -4 -2 -1 1 h) 1 0 0 0 -2 -2 0 2
0 0 0 -1 2 -2 1 2 0 -4 0 0 -2 0
0 0 0 0 0 0 0 0 0 0 0 0
0 1 -2 2 -1 2 0 0 2 0
2 2 1 -1 1 2 0 -2
2 -1 -2 2 0 -1
2 0 1 0
-1 -1
Dem -1 0 0 -1 1 2 1 -1 0 0 -1 -1 0 0 -1 1 2 1 -1 0 0 -1

Fonte: Resultados da pesquisa.
252
TABELA 29

Equaes encontradas para N (nmero de imagens) igual a 12

N = 12 Num -1 0 -7 0 -4 0 0 4 0 7 0 2 -1 -2 -8 0 -2 0 0 2 0 8 2 2
11 0 0 -2 0 0 2 0 0 -22 0 11 4 0 2 0 0 -2 0 -4 -22 2
0 0 0 0 0 0 0 0 0 7 -2 -2 0 0 0 0 2 4 -4 8
a) -2 0 3 -3 0 4 0 0 0 b) 0 -2 2 -2 2 0 2 0 0
-1 0 0 2 0 0 2 4 0 -2 2 0 2 0 -2 2
-1 2 0 -3 0 0 0 -2 4 2 -2 0 0 0
-1 0 3 0 0 0 -2 -2 2 0 0 0
-1 0 0 -2 -4 0 -2 0 2 -2
-2 0 0 0 0 -2 0 0
0 0 -7 -2 4 -8
11 0 11 -2
-1 -1
Dem -1 0 2 0 0 -1 -1 0 0 2 0 -1 -1 -1 2 0 0 0 0 0 0 2 -1 -1
Num -1 0 0 0 0 0 0 0 0 0 0 2 -1 -2 2 0 6 -2 2 -6 0 -2 2 2
2 0 -1 0 0 0 0 1 0 -4 0 1 2 -12 2 0 0 -2 12 -2 -2 2
0 0 -1 -1 1 1 0 0 0 0 0 6 0 0 0 0 -6 0 -2 -2
c) 1 1 0 0 -1 -2 0 1 0 d) 1 4 -2 2 -4 -2 -6 12 0
-1 0 0 2 -1 1 0 0 0 -8 8 0 -4 0 -2 -6
1 -2 0 0 1 0 0 7 -14 8 2 0 0 2
1 0 0 -1 0 0 7 -8 -2 0 0 -2
-1 1 -1 0 0 0 4 0 2 6
1 0 -1 0 1 6 -12 0
0 0 0 0 2 2
2 0 1 -2
-1 -1
Dem -1 0 1 0 0 0 0 0 0 1 0 -1 -1 -1 2 -1 0 1 1 0 -1 2 -1 -1
Num -1 0 1 0 0 0 0 0 0 -1 0 2 -1 0 1 0 0 0 0 0 0 -1 0 2
1 0 -1 0 0 0 0 1 0 -2 0 1 0 -1 0 0 0 0 1 0 -2 0
0 0 -1 0 0 1 0 0 0 -1 0 0 0 0 0 0 0 0 0 -1
e) 1 0 0 0 0 -2 0 1 0 f) 0 0 -1 1 0 0 0 1 0
0 1 -1 0 0 1 0 0 1 1 -1 -2 0 0 0 0
1 -2 -1 0 0 0 0 1 -2 -1 1 0 0 0
1 1 0 0 0 0 1 1 -1 0 0 0
0 0 -1 0 0 1 0 0 0 0
1 0 -1 0 0 0 -1 0
0 0 1 0 0 1
1 0 1 0
-1 -1
Dem -1 0 1 0 0 0 0 0 0 1 0 -1 -1 0 1 0 0 0 0 0 0 1 0 -1

Fonte: Resultados da pesquisa.
253

APNDICE B EQUAES DESENVOLVIDAS COM O MODELO 3.51

TABELA 30

Equaes encontradas para N (nmero de imagens) igual a 13

Num -1 0 -6 0 -9 0 0 0 9 0 6 0 2 -1 0 -6 0 -6 0 0 0 6 0 6 0 2
12 0 -1 0 0 0 0 0 1 0 -24 0 12 0 -4 0 0 0 0 0 4 0 -24 0
-1 0 0 0 0 0 0 0 2 0 6 -1 0 2 0 0 0 -2 0 2 0 6
a) 2 0 0 0 0 0 -4 0 1 0 b) 0 0 2 0 -2 0 0 0 4 0
0 0 0 0 0 0 0 0 9 1 0 0 0 -2 0 -2 0 6
1 0 -2 0 0 0 0 0 2 0 -4 0 -2 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 2 0 2 0 0 0
0 0 0 0 -9 1 0 2 0 -6
2 0 -1 0 0 0 -4 0
-1 0 -6 -1 0 -6
12 0 12 0
-1 -1
Dem -1 0 3 0 -1 0 -2 0 -1 0 3 0 -1 -1 0 3 0 -1 0 -2 0 -1 0 3 0 -1
Num -1 0 1 0 0 0 0 0 0 0 -1 0 2 -1 0 -1 0 0 0 0 0 0 0 1 0 2
-1 0 0 0 0 0 0 0 0 0 2 0 1 0 0 0 1 0 -1 0 0 0 -2 0
4 0 -3 0 0 0 3 0 -8 0 -1 0 0 2 0 0 0 -2 0 0 0 1
c) -1 0 0 0 0 0 2 0 0 0 d) 1 0 0 0 0 0 -2 0 0 0
0 0 0 0 0 0 3 0 0 1 0 0 0 -2 0 -2 0 0
6 0 -12 0 0 0 0 0 1 0 -2 0 0 0 -1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 1 0 0 0 1 0
0 0 -3 0 0 1 0 2 0 0
-1 0 0 0 1 0 0 0
4 0 1 0 0 -1
-1 0 1 0
-1 -1
Dem -1 0 0 0 2 0 -2 0 2 0 0 0 -1 -1 0 0 0 0 0 2 0 0 0 0 0 -1

Fonte: Resultados da pesquisa.
254
TABELA 31

Equaes encontradas para N (nmero de imagens) igual a 14

Num -1 0 -7 -1 0 0 0 0 0 0 1 7 0 2 -1 0 -1 0 0 0 0 0 0 0 0 1 0 2
13 1 -7 -2 3 5 -5 -3 2 7 -1 -26 0 1 0 1 0 0 0 0 0 0 -1 0 -2 0
-4 0 1 0 0 0 0 -1 0 8 -1 7 1 0 0 0 0 0 0 0 0 -2 0 1
a) 2 1 1 -2 2 -1 -1 -4 0 7 1 b) 0 0 -1 0 0 1 0 0 0 -1 0
1 1 0 0 -1 -2 -1 -1 2 0 0 2 0 0 -2 0 0 0 0 0
0 0 0 0 -1 -1 0 -3 0 0 -1 1 0 -2 1 0 0 0
1 -2 0 0 2 0 -5 0 1 -2 1 0 0 0 0 0
1 0 0 -2 0 5 0 1 -1 0 0 0 0 0
0 1 1 0 3 0 0 2 -1 0 0 0
1 1 1 -2 0 0 0 0 0 0
2 0 -7 -1 0 0 1 0
-4 1 -7 1 0 -1
13 0 1 0
-1 -1
Dem -1 0 3 0 -1 -1 0 0 -1 -1 0 3 0 -1 -1 0 0 0 1 0 0 0 0 1 0 0 0 -1
Num -1 0 -1 0 0 0 0 0 0 0 0 1 0 2 -1 0 -2 0 -2 0 2 -2 0 2 0 2 0 2
1 0 0 1 0 0 0 0 -1 0 0 -2 0 2 2 2 0 0 6 -6 0 0 -2 -2 -4 0
0 1 0 0 0 0 0 0 -1 0 0 1 -2 0 -2 0 4 -4 0 2 0 4 -2 2
c) 0 0 1 0 0 -1 0 0 -1 0 0 d) 1 0 0 0 0 0 0 -2 0 -2 0
1 0 0 0 0 -2 0 0 -1 0 1 -2 0 0 2 -2 0 2 0 2
0 0 0 0 0 -1 0 0 0 2 0 0 -4 2 0 0 0 0
1 -2 0 0 0 0 0 0 1 -2 0 0 0 -4 -6 -2
1 0 0 0 0 0 0 1 0 0 0 4 6 2
0 0 1 0 0 0 2 -2 0 0 0 0
1 0 0 1 0 1 0 -2 0 -2
0 1 0 0 1 0 2 0
0 0 -1 -2 2 -2
1 0 2 0
-1 -1
Dem -1 0 0 0 0 1 0 0 1 0 0 0 0 -1 -1 0 0 1 -1 0 1 1 0 -1 1 0 0 -1
Num -1 0 -1 0 0 0 0 0 0 0 0 1 0 2 -1 0 1 0 0 0 0 0 0 0 0 -1 0 2
1 0 1 0 0 0 0 0 0 -1 0 -2 0 1 0 -1 0 0 0 0 0 0 1 0 -2 0
1 0 0 0 0 0 0 0 0 -2 0 1 0 0 0 0 0 0 0 0 0 0 0 -1
e) 0 0 0 1 -1 0 0 0 0 -1 0 f) 0 0 -1 0 0 1 0 0 0 1 0
-1 1 0 0 -1 2 0 0 0 0 1 0 0 0 0 -2 0 0 0 0
1 0 0 -2 -1 0 0 0 0 0 1 -1 0 0 1 0 0 0
1 -2 0 0 -1 0 0 0 1 -2 -1 0 0 0 0 0
1 0 0 1 0 0 0 1 1 0 0 0 0 0
1 1 0 0 0 0 0 0 -1 0 0 0
-1 0 0 0 0 1 0 0 0 0
0 0 1 0 0 0 -1 0
1 0 -1 0 0 1
1 0 1 0
-1 -1
Dem -1 0 0 0 1 0 0 0 0 1 0 0 0 -1 -1 0 1 0 0 0 0 0 0 0 0 1 0 -1
Num -1 0 1 0 0 0 0 0 0 0 0 -1 0 2 -1 0 1 0 0 0 0 0 0 0 0 -1 0 2
1 0 -1 0 0 0 0 0 0 1 0 -2 0 1 0 -1 0 0 0 0 0 0 1 0 -2 0
0 0 1 0 0 0 0 -1 0 0 0 -1 0 0 -1 0 0 0 0 1 0 0 0 -1
g) -1 0 -1 0 0 1 0 2 0 1 0 h) 1 0 1 0 0 -1 0 -2 0 1 0
1 0 -1 1 0 -2 0 -1 0 0 -1 0 -1 1 0 2 0 1 0 0
1 1 -1 -2 0 1 0 0 0 1 1 -1 -2 0 -1 0 0 0
1 -2 -1 1 0 0 0 0 1 -2 -1 1 0 0 0 0
1 1 -1 0 0 0 0 1 1 -1 0 0 0 0
1 0 -1 0 0 0 1 0 1 0 0 0
1 0 1 0 0 -1 0 -1 0 0
-1 0 -1 0 1 0 -1 0
0 0 1 0 0 1
1 0 1 0
-1 -1
Dem -1 0 1 0 0 0 0 0 0 0 0 1 0 -1 -1 0 1 0 0 0 0 0 0 0 0 1 0 -1

Fonte: Resultados da pesquisa.
255
APNDICE C EQUAES DESENVOLVIDAS COM O MODELO 3.53

TABELA 32

Equaes encontradas para N (nmero de imagens) igual a 15

N = 15 Num -1 -2 -13 0 -4 3 0 0 0 -3 4 0 13 2 2
14 0 1 0 0 0 0 0 0 0 -1 0 -28 2
0 1 1 1 0 0 0 -1 -1 -1 0 0 13
a) 0 1 6 1 0 -1 -6 -1 0 -1 -1 0
0 0 1 0 -1 0 0 -1 -1 0 4
0 -2 0 2 0 0 -6 -1 0 -3
-6 0 12 2 -1 -1 0 0 0
0 0 0 0 0 0 0 0
-6 -2 1 1 0 0 0
0 0 6 1 0 3
0 1 1 0 -4
0 1 1 0
0 0 -13
14 -2
-1
Dem -1 -1 1 -1 0 1 0 2 0 1 0 -1 1 -1 -1
Num -1 -2 -1 0 0 0 0 0 0 0 0 0 1 2 2
0 0 0 0 0 0 0 0 0 0 0 0 0 2
2 2 0 2 0 0 0 -2 0 -2 -4 0 1
b) 0 2 0 0 0 0 0 -2 0 -2 0 0
3 0 0 0 0 0 -6 -2 0 0 0
2 0 0 0 -4 0 0 -2 0 0
-1 0 2 0 0 0 0 0 0
0 0 0 0 0 0 0 0
-1 0 0 0 0 0 0
2 0 0 2 0 0
3 2 0 0 0
0 2 0 0
2 0 -1
0 -2
-1
Dem -1 -1 0 0 1 0 0 2 0 0 1 0 0 -1 -1
Num -1 0 0 0 -2 0 0 0 0 0 2 0 0 0 2
2 2 2 0 0 -4 0 4 0 0 -2 -2 -4 0
-1 -2 0 0 0 0 0 0 0 2 2 -2 0
c) -1 0 -2 0 0 0 2 0 2 2 -2 0
2 0 0 0 0 0 -4 0 0 0 2
2 2 0 -2 -4 0 2 0 0 0
2 0 -4 -2 0 0 0 4 0
0 0 0 0 0 0 0 0
2 2 0 0 0 -4 0
2 0 -2 0 0 0
2 0 0 0 -2
-1 -2 2 0
-1 2 0
2 0
-1
Dem -1 0 1 1 0 0 0 -2 0 0 0 1 1 0 -1
Num -1 -2 -1 0 0 0 0 0 0 0 0 0 1 2 2
0 0 0 0 -1 0 0 0 1 0 0 0 0 2
2 2 1 2 0 0 0 -2 -1 -2 -4 0 1
d) 0 2 1 0 0 0 -1 -2 0 -2 0 0
2 0 0 0 0 0 -4 -2 -1 0 0
1 0 0 0 -2 0 -1 -2 1 0
1 0 -2 0 0 0 0 0 0
0 0 0 0 0 0 0 0
1 0 0 0 0 0 0
1 0 1 2 -1 0
2 2 1 0 0
0 2 0 0
2 0 -1
0 -2
-1
Dem -1 -1 0 0 1 0 0 2 0 0 1 0 0 -1 -1

Fonte: Resultados da pesquisa.
256
TABELA 33

Equaes encontradas para N (nmero de imagens) igual a 16

N = 16 Num -1 0 -1 0 0 0 0 0 0 0 0 0 0 1 0 2
1 0 1 0 -1 0 0 0 0 1 0 -1 0 -2 0
1 0 0 0 0 0 0 0 0 0 0 -2 0 1
a) 1 0 -1 0 0 0 0 1 0 -2 0 -1 0
0 0 0 0 0 0 0 0 0 0 0 0
0 1 1 -1 -1 0 0 1 0 1 0
-1 0 0 2 -1 0 0 0 0 0
1 -2 0 -1 0 0 0 0 0
1 0 1 0 0 0 0 0
-1 1 0 0 0 0 0
0 0 -1 0 -1 0
0 0 0 0 0
1 0 1 0
1 0 -1
1 0
-1
Dem -1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 -1
Num -1 0 -13 2 -3 0 0 4 -4 0 0 3 -2 13 0 2
15 0 3 -3 1 0 0 0 0 -1 3 -3 0 -30 0
-1 -3 5 0 5 0 0 -5 0 -5 3 2 0 13
b) -5 0 1 -1 -6 6 1 -1 0 10 3 -3 -2
0 1 -1 -1 1 1 -1 0 0 -5 3 3
-1 0 0 0 0 2 -1 -1 0 -1 0
0 1 -1 0 0 1 1 -5 0 0
1 -2 -1 0 1 6 0 0 -4
1 1 0 -1 -6 0 0 4
0 0 -1 -1 5 0 0
-1 1 1 0 1 0
0 0 5 -3 -3
-5 -3 3 2
-1 0 -13
15 0
-1
Dem -1 0 1 1 0 -2 1 0 0 1 -2 0 1 1 0 -1
Num -1 2 -2 0 2 0 -2 0 0 2 0 -2 0 2 -2 2
1 2 -4 -2 0 -2 0 0 2 0 2 4 -2 -2 -2
0 0 2 2 0 2 -2 0 -2 -2 0 0 -2 2
c) 1 0 2 -2 -4 4 2 -2 0 -2 0 4 0
0 -2 0 0 0 0 2 0 0 -2 2 -2
1 0 0 0 0 -2 2 -2 -2 0 0
0 -2 2 0 0 0 2 0 2 2
2 -4 2 0 0 4 -2 0 0
2 -2 0 0 -4 2 0 0
0 0 0 -2 0 -2 -2
1 -2 2 2 0 0
0 0 2 -2 2
1 0 -4 0
0 2 -2
1 2
-1
Dem -1 1 0 1 0 -1 0 0 0 0 -1 0 1 0 1 -1

Fonte: Resultados da pesquisa.

257
APNDICE D PROGRAMA DE GERAO DE EQUAES


Figura 45 Uma implementao em Linguagem Pascal para o clculo dos coeficientes do
numerador e do denominador para N na faixa de 4 at 90.000.512 (realizado o teste
numrico matemtico). As equaes designadas com (a) foram geradas por
este programa.
Fonte: Resultados da pesquisa.

PROCEDURE CALCULA_MATRIZ(N: INTEGER; VAR num:TMATRIX; VAR dem:TVECTOR);
VAR r, s, h, f : integer;
BEGIN
FOR r:=1 TO N DO BEGIN dem[r]:=0; FOR s:=r TO N DO num[r,s]:=0; END; { Zera os coeficientes }
h:=(N DIV 2)+(N MOD 2); dem[1]:=-1; num[1,1]:=-1;
{Caso 1) N par, N divisvel por 4 e tambm, N divisvel por 8}
IF (N MOD 4=0) AND (N MOD 8=0) THEN BEGIN
f:=N DIV 4; dem[3]:=1; num[1,3]:=1; num[2,2]:=1; num[2,4]:=-1; num[h-2,h-2]:=1; num[h-2,h-2+2]:=-1;
num[h-1,h-1]:=1; num[h-1,h-1+1]:=1; num[h, h]:=1;
IF N=8 THEN num[2,4]:=-2;
FOR r:=3 TO f DO IF (r MOD 2)=1 THEN num[r,r+2]:=1 ELSE num[r,r]:=-1;
FOR r:=f+1 TO h-3 DO IF (r MOD 2)=1 THEN num[r,r+2]:=-1 ELSE num[r,r]:=1;
END;
{Caso 2) N par, N divisvel por 4, mas N no no divisvel por 8}
IF (N MOD 4=0) AND (N MOD 8<>0) THEN BEGIN
f:=N DIV 4;
IF N=4 THEN BEGIN num[1,2]:=2; num[2,2]:=3; dem[2]:=1; END
ELSE BEGIN dem[3]:=1; num[1,3]:=1; num[2,2]:=1; num[2,4]:=-1; num[h-1,h-1+1]:=1; num[h,h]:=1; END;
FOR r:=3 TO f-1 DO IF (r MOD 2)=1 THEN num[r,r+2]:=1 ELSE num[r,r]:=-1;
FOR r:=f TO h-2 DO IF (r MOD 2)=1 THEN num[r,r+2]:=-1 ELSE num[r,r]:=1;
END;
{Caso 3) N par, N+2 divisvel por 4 e N+2 divisvel por 8}
IF ((N+2) MOD 4=0) AND ((N+2) MOD 8=0) THEN BEGIN
f:=(N+2) DIV 4; dem[3]:=1;
IF N=6 THEN BEGIN num[1,3]:=-1; num[2,2]:=3; num[2,3]:=1; END
ELSE BEGIN num[1,3]:=1; num[2,2]:=1; num[2,4]:=-1; num[h-3,h-3]:=1; num[h-3,h-3+2]:=-1; num[h-2,h-2]:=1;
num[h-2,h-2+2]:=-1; num[h-1,h-1]:=1; num[h-1,h-1+1]:=1; num[h,h]:=1; END;
FOR r:=3 TO f DO IF (r MOD 2)=1 THEN num[r,r+2]:=1 ELSE num[r,r]:=-1;
FOR r:=f+1 TO h-4 DO IF (r MOD 2)=1 THEN num[r, r+2]:=-1 ELSE num[r,r]:=1;
END;
{Caso 4) N par, N+2 divisvel por 4, mas N+2 no divisvel por 8}
IF ((N+2) MOD 4=0) AND ((N+2) MOD 8<>0) THEN BEGIN
f:=(N+2) DIV 4; dem[3]:=1; num[1,3]:=1; num[2,2]:=1; num[2,4]:=-1; num[h-3,h-3]:=1; num[h-3,h-3+2]:=-1;
num[h-1,h-1+1]:=1; num[h,h]:=1;
IF N=10 THEN BEGIN num[h-2,h-2+2]:=-1; num[h-1,h-1]:=1; END ELSE num[h-2,h-2]:=1;
FOR r:=3 TO f-1 DO IF (r MOD 2)=1 THEN num[r,r+2]:=1 ELSE num[r,r]:=-1;
FOR r:=f TO h-4 DO IF (r MOD 2)=1 THEN num[r,r+2]:=-1 ELSE num[r,r]:=1;
END;
{Caso 5) N mpar, N-1 divisvel por 4 e tambm, N-1 divisvel por 8}
IF ((N-1) MOD 4=0) AND ((N-1) MOD 8=0) THEN BEGIN
f:=(N-1) DIV 4; dem[2]:=1; dem[4]:=-1; dem[h]:=2; num[1,2]:=2; num[1,3]:=-1;
IF N<>9 THEN BEGIN num[2,3]:=-2; num[3,3]:=2; num[3,5]:=-1; num[f,f+2]:=2; num[f,f+3]:=-2;
num[f+1,f+1]:=2; num[f+1,f+1+1]:=-2; num[f+1,f+1+3]:=2; num[f+2,f+2+1]:=2;
num[h-2,h-2+1]:=-2; num[h-1,h-1]:=2;
END ELSE BEGIN num[1,4]:=1; num[2,3]:=-3; num[2,4]:=1; num[3,3]:=5; num[3,4]:=-5; num[4,4]:=1; END;
FOR r:=4 TO f-1 DO IF (r MOD 2)=1 THEN num[r,r+1]:=-1 ELSE num[r,r+3]:=1;
FOR r:=f+3 TO h-3 DO IF (r MOD 2)=1 THEN num[r,r+3]:=-1 ELSE num[r,r+1]:=1;
END;
{Caso 6) N mpar, N-1 divisvel por 4, mas N-1 no divisvel por 8}
IF ((N-1) MOD 4=0) AND ((N-1) MOD 8<>0) THEN BEGIN
f:=(N-1) DIV 4; dem[h]:=2;
IF N<>5 THEN BEGIN dem[2]:=1; dem[4]:=-1; num[1,2]:=2; num[3,3]:=2; num[f+1,f+1]:=2; num[f+1,f+1+1]:=-2;
IF N=13 THEN BEGIN num[1,3]:=-2; num[1,4]:=-2; num[1,6]:=1; num[2,2]:=1; num[2,5]:=-1; num[2,6]:=1;
num[3,6]:=-1; num[4,6]:=-1; num[5,5]:=2; num[5,6]:=-2; num[6,6]:=-1; END
ELSE BEGIN num[1,3]:=-1; num[2,3]:=-2; num[3,5]:=-1; num[f,f+2]:=2; num[f,f+3]:=-2; num[f+1,f+1+3]:=2;
num[f+2,f+2+1]:=2; num[h-2,h-2]:=1; num[h-2,h-2+1]:=-2; num[h-1,h-1]:=1; END;
END ELSE num[2,2]:=4;
FOR r:=5 TO f-1 DO IF (r MOD 2)=1 THEN num[r,r+2]:=1 ELSE num[r,r]:=-1;
FOR r:=f+3 TO h-3 DO IF (r MOD 2)=1 THEN num[r,r]:=1 ELSE num[r,r+2]:=-1;
END;
{Caso 7) N mpar, N+1 divisvel por 4 e tambm, N+1 divisvel por 8}
IF ((N+1) MOD 4=0) AND ((N+1) MOD 8=0) THEN BEGIN
f:=(N+1) DIV 4; dem[2]:=-1; dem[3]:=1; dem[h]:=2; num[1,2]:=-2;
IF N=7 THEN BEGIN num[1,3]:=-3; num[2,2]:=4; num[2,3]:=6; num[3,3]:=2; END
ELSE BEGIN num[1,4]:=1; num[2,3]:=1; num[f-1,f-1+3]:=2; num[f,f+1]:=2; num[f,f+2]:=2;
num[f,f+3]:=-2; num[f+1,f+1]:=2; num[f+1,f+1+1]:=-2; num[h-1,h-1]:=1;
IF N=15 THEN BEGIN num[1,3]:=-1; num[2,2]:=2; num[2,4]:=-2; num[2,5]:=-1; num[3,3]:=1; num[3,4]:=1;
num[3,5]:=-1; num[4,4]:=1; num[h-2,h-2]:=-1; num[h-3,h-3+2]:=1; END
ELSE BEGIN num[2,2]:=1; num[2,4]:=-1; num[h-2,h-2+1]:=1; END; END;
FOR r:=4 TO f-1 DO IF r < 6 THEN IF (r MOD 2)=1 THEN num[r,r]:=1 ELSE num[r,r+2]:=-1
ELSE IF (r MOD 2)=1 THEN num[r,r]:=-1 ELSE num[r,r+2]:=1;
FOR r:=f+2 TO h-3 DO IF (r MOD 2)=1 THEN num[r,r]:=1 ELSE num[r,r+2]:=-1;
END;
{Caso 8) N mpar, N+1 divisvel por 4, mas N+1 no divisvel por 8}
IF ((N+1) MOD 4=0) AND ((N+1) MOD 8<>0) THEN BEGIN
f:=(N+1) DIV 4; dem[h]:=2; num[2,2]:=1; num[f-1,f-1+3]:=2; num[f,f+1]:=2;
IF N=11 THEN BEGIN dem[4]:=-1; dem[5]:=1; dem[h+1]:=1; dem[h+2]:=-1; num[1,3]:=-1; num[1,4]:=-2;
num[f-1,f-1]:=1; num[f,f]:=2; num[f+1,f+1]:=1; num[h-1,h-1]:=2; END
ELSE BEGIN dem[2]:=-1; dem[3]:=1; num[1,2]:=-2; num[2,3]:=2; num[2,4]:= -1; num[f,f+3]:=-2;
num[f,f+2]:=2; num[f+1,f+1]:=2; num[f+1,f+1+1]:=-2; num[h-1,h-1]:=1; END;
FOR r:=3 TO f-1 DO IF r < 5 THEN IF (r MOD 2)=1 THEN num[r,r+2]:=-1 ELSE num[r,r]:=1
ELSE IF (r MOD 2)=1 THEN num[r,r+2]:=1 ELSE num[r,r]:=-1;
FOR r:=f+2 TO h-2 DO IF (r MOD 2)=1 THEN num[r,r+2]:=-1 ELSE num[r,r]:=1;
END;
dem[N]:=dem[1]; dem[N-1]:=dem[2]; IF N>5 THEN BEGIN dem[N-2]:=dem[3]; dem[N-3]:=dem[4]; END; { Simetria Triangular }
FOR r := 1 TO h DO BEGIN IF (N+1-r)<>r THEN num[r,N+1-r]:=-2*num[r,r];
FOR s := r TO r+5 DO BEGIN
IF ((N+1-s)<>r) AND ((N+1-r)<>s) AND (s<=h) then num[N+1-s,N+1-r]:=num[r,s];
IF (s>r) AND ((N+1-s)<>s) AND (s<=h) THEN num[r,N+1-s]:=-num[r,s];
IF (s>r) and ((N+1-r)<>s) AND (s<=h) THEN num[s,N+1-r]:=-num[r,s];
END;
END;
END;