Ftima Aparecida Tagliaferro

0402007






TCNICAS DE RECONHECIMENTO AUTOMATIZADO DE
PADRES BASEADOS EM IMAGENS DIGITAIS.









Jaguarina
2007

Ftima Aparecida Tagliaferro
0402007






TCNICAS DE RECONHECIMENTO AUTOMATIZADO DE
PADRES BASEADOS EM IMAGENS DIGITAIS.




Monografia apresentada a disciplina Trabalho
de Graduao III do Curso de Cincia da
Computao da Faculdade de Jaguarina, sob
a orientao do Prof. Ms. Peter Jandl Junior,
como exigncia para a concluso do curso de
graduao.



Jaguarina
2007

TAGLIAFERRO, Ftima Aparecida Tagliaferro. Tcnicas de reconhecimento
automatizado de padres baseados em imagens digitais. Monografia defendida e
aprovada na Faculdade de Jaguarina em 13 de dezembro de 2007 pela banca
examinadora constituda pelos professores:







___________________________________
Prof. Ms. Peter Jandl Junior
FAJ Orientador





__________________________________
Prof. Ms. Christiane Novo Barbato
FAJ





____________________________________
Prof. Ms. Ricardo Menezes Salgado
FAJ
























































Dedico este trabalho a Deus e a minha famlia.


AGRADECIMENTOS



Em primeiro lugar agradeo a Deus por tudo porque sem ele, com certeza, eu no
estaria aqui e pela minha famlia que sempre esteve presente.
Agradeo tambm aos meus professores, pela dedicao e empenho, e em especial
ao meu orientador Prof. Ms. Peter Jandl Junior, que me ensinou a buscar solues para o
meu projeto.
Aos funcionrios da FAJ que sempre realizaram um excelente trabalho, em principal s
funcionrias da biblioteca e do Ncleo de Estgios.
Pela compreenso, ajuda e amizade: a turminha do Ncleo de Informtica do Hospital
das Clnicas da Unicamp; ao Prof. Ricardo Menezes Salgado da Faculdade de Jaguarina; e
ao Prof. Konradin Metze, coordenador do Grupo de Patologia Analtica Celular da Unicamp.
Como no poderia deixar de ser, agradeo tambm aos meus colegas de classe, aos
que partiram para novos horizontes e aos que hoje esto aqui partilhando da mesma vitria:
Elis C. M. Garavelli, Jos Antonio Garavelli e Luciani Vilas Boas.
Para evoluirmos e colhermos bons frutos preciso descobrir uma frmula balanceada
que permita desorganizar organizando. Ousando desorganizar nossos pensamentos, ns
nos tornamos capazes de formular novos pensamentos e assim, evolumos e adquirimos
sabedoria, uma sabedoria afogada em informaes e aflorada de dvidas, uma sabedoria
que gera medo, mas que, com um pouco de imaginao, transforma-se em bons frutos.
No entanto, para que seja dado o primeiro passo rumo ao desconhecido, necessrio
um grande sonho, um sonho grande o suficiente que nos leve a superar os desafios
impostos no caminho, e amigos.
No sei se consegui adquirir sabedoria, mas com toda certeza descobri muitas coisas
novas, das quais espero colher bons frutos no futuro.














































Imagination is more important than knowledge.
Albert Einsten

TAGLIAFERRO, Ftima Aparecida. Tcnicas de reconhecimento automatizado de
padres baseados em imagens digitais. 2007. Monografia (Bacharelado em Cincia da
Computao) Curso de Cincia da Computao da Faculdade de Jaguarina, Jaguarina.

RESUMO




O reconhecimento de padres possui aplicaes em muitos domnios, permitindo a
identificao de dados de maneira mais eficaz do que por meio da viso humana, porque
consegue eliminar ou reduzir os erros ocasionados pelo cansao ou fadiga, por exemplo. A
rea dividida em: viso computacional; processamento de dados; computao grfica; e
processamento de imagens. Isto tambm envolve: forma de aquisio da imagem,
identificao de estruturas, quantificao, visualizao e interpretao. Este trabalho
pretendeu estudar as tcnicas de reconhecimento de imagens digitais e realizar a
implementao de algoritmos aplicados ao problema de identificao e contagem de
clulas sangneas. O mtodo escolhido consiste de pesquisa bibliogrfica; estudo das
tcnicas de reconhecimento; codificao e testes de algoritmos escolhidos; e anlise dos
resultados obtidos. A classificao prvia das imagens determina os algoritmos adequados
para o reconhecimento. Softwares como o Scion Image foram usados para o
reconhecimento e contagem de clulas sanguneas especficas em imagens digitais tipo
bitmap. A imagem dada pr-processada para remoo de seu fundo e passa por
transformaes adicionais para adequ-la ao reconhecimento. As clulas desejadas so
parametrizadas por meio de seus tamanhos mnimo e mximo, possibilitando obteno de
sua contagem.
Palavras-chave: RECONHECIMENTO DE PADRES; IMAGENS DIGITAIS; VISO
COMPUTACIONAL.

TAGLIAFERRO, Ftima Aparecida. Tcnicas de reconhecimento automatizado de
padres baseados em imagens digitais. 2007. Monografia (Bacharelado em Cincia da
Computao) Curso de Cincia da Computao da Faculdade de Jaguarina, Jaguarina.

ABSTRACT




The recognition of patterns has applications in many domains, allowing a data identification
in a more efficient way than by human vision, because it can eliminate or reduce the
mistakes caused by tiredness or fadigue for example. The area is divided in: computer
vision; data processing; computer graphics; and image processing. This also involves: way
of acquisition of the image; identification of structures; quantification; visualization and
comprehension. This work intended to study the techniques of recognition of digital images
and hold the implementation of the algorithms applied to the problem of identification and
counting of blood cells. The chosen method consists of a bibliographic research, study
of techniques of recognition, coding and testing of the chosen algorithms and analysis of
results. The previous classification of images determines the adequate algorithms to the
recognition. Softwares as the Scion Image were used to the recognition and counting of
specific blood cells in digital images as bitmap. The given image is pre-processed for
removal of its fund and undergoes additional changes to accommodate it to the recognition.
The desired cells are analyzed through their minimum and maximum sizes making their
counting possible.


Keywords: PATTERN RECOGNITION; DIGITAL IMAGE; COMPUTER VISION.

SUMRIO

LISTA DE FIGURAS......................................................................................................... 10
LISTA DE TABELAS......................................................................................................... 11
1 INTRODUO ............................................................................................................... 12
1.1 Metodologia................................................................................................................ 13
2 CONCEITO DE IMAGEM............................................................................................... 14
2.1 Viso Computacional................................................................................................ 15
2.2 Questes do processamento visual........................................................................ 17
2.3 Imagem Digital........................................................................................................... 19
3 ALGORITMOS................................................................................................................ 22
4 RECONHECIMENTO E INTERPRETAO.................................................................. 24
4.1 Mtodos de deciso................................................................................................... 26
4.2 Classificador de distncia mnima / distncia Euclidiana..................................... 27
4.3 Classificador Bayesiano........................................................................................... 27
4.4 Filtros.......................................................................................................................... 28
4.5 Segmentao da imagem.......................................................................................... 29
5 TECNOLOGIA DE SOFTWARE.................................................................................... 30
5.1 Matlab.......................................................................................................................... 30
5.2 Scion Image................................................................................................................ 32
6 TESTES.......................................................................................................................... 33
6.1 Matlab.......................................................................................................................... 34
6.1.1 Pseudo-cdigo........................................................................................................ 36
6.2 Scion Image................................................................................................................ 37
6.2.1 Pseudo-cdigo........................................................................................................ 39
7 RESULTADOS............................................................................................................... 40
8 REFERNCIAS BIBLIOGRFICAS.............................................................................. 41
9 ASSINATURAS.............................................................................................................. 44


LISTA DE FIGURAS

Figura 1 - Rel. dos trabalhos pub. em congressos pelo Grupo Vision - USP.............. 12
Figura 2 - Velha Moa.................................................................................................. 13
Figura 3 - Macro-reas da imagem digital.................................................................... 14
Figura 4 - Processo e elementos da viso computacional........................................... 15
Figura 5 - Fatos explcitos em imagens....................................................................... 17
Figura 6 - Diagrama de agulhas................................................................................... 17
Figura 7 - Generalizao de volumes.......................................................................... 17
Figura 8 -
Representao numrica de uma imagem ampliada de 10 x 10 com 256
tons de cinza................................................................................................
19
Figura 9 - Vetor de componentes de imagens coloridas (RGB)................................... 19
Figura 10 - Relao entre comprimento e velocidade de onda...................................... 20
Figura 11 - Espectros de luz.......................................................................................... 20
Figura 12 - Espectro eletromagntico............................................................................ 20
Figura 13 - Nvel alto de dificuldade no reconhecimento de imagem............................ 25
Figura 14 - Representao por cadeias......................................................................... 25
Figura 15 - Fronteira das classes usando o classificador bayesiano............................. 28
Figura 16 - Macro Threshold do Software Scion Image................................................. 29
Figura 17 - Tela de abertura do programa Matlab......................................................... 30
Figura 18 - Uso de matrizes no Matlab.......................................................................... 31
Figura 19 - Janela do Software SDC Morphology Toolbox for Matlab........................... 31
Figura 20 - Tela de abertura do programa Scion Image................................................ 32
Figura 21 - Elementos figurados do sangue.................................................................. 33
Figura 22 - Macro utilizada no Matlab............................................................................ 36
Figura 23 - Macro utilizada no Scion Image................................................................... 38

LISTA DE TABELAS

Tabela 1 - Funes da viso humana e da mquina.................................................... 16
Tabela 2 - Classificao das tarefas para sistemas de viso de computadores.......... 18
Tabela 3 - Seqncia de testes realizados no software Matlab................................... 35
Tabela 4 - Seqncia de testes realizados no software Scion Image.......................... 38










12
1 INTRODUO
Se h dcadas atrs, no seria possvel imaginar a robtica, o reconhecimento da fala
e a computao paralela, hoje aceitvel a idia de que um computador possa fazer no
futuro prximo o reconhecimento de pessoas mantendo com elas um dilogo agradvel.
Quando o tema deste trabalho foi escolhido, esperava-se encontrar um mundo ainda
inexplorado, no entanto, surpreendentemente, foi verificado que as tcnicas de viso e
processamento digital encontram aplicaes nos mais diversos domnios, como por
exemplo: medicina, automao industrial, cartografia, geologia, sensoriamento remoto etc.
Estas reas so marcadas por envolverem mtodos, conceitos e algoritmos de vrias
disciplinas, como, matemtica, fsica, engenharia eltrica e computao, sendo objeto de
estudos de diversas universidades de renome h muitos anos.
Em matria sobre sade animal do Jornal da USP, Miguel Glugoski reporta Arthur
Gruber, professor do Departamento de Parasitologia do Instituto de Cincias Biomdicas e
pesquisador da USP:
... a utilizao de algoritmos computacionais para a anlise e
reconhecimento de formas tem sido freqente em vrias aplicaes, como a
identificao de impresses digitais e faces humanas. Contudo, a aplicao
totalmente integrada e automatizada dessa tecnologia para o diagnstico
remoto de agentes patognicos indita no mundo e representa novo
paradigma na rea de diagnstico de parasitas. Em razo desse ineditismo,
um artigo cientfico do grupo da USP, descrevendo o sistema Coccimorph,
acaba de ser publicado no mais importante peridico cientifico da rea de
reconhecimento de padres, a revista Pattern Recognition, nos Estados
Unidos(Gruber apud Glugoski, 2007).
Pode-se ter uma noo do crescimento da rea, ao passar dos anos, atravs da
Figura 1, que mostra um grfico com a relao dos trabalhos publicados, pelo grupo de
pesquisa de viso computacional da USP, em anais de congressos, ele foi obtido atravs de
um script desenvolvido na linguagem perl, fazendo a extrao e compilao das publicaes
de uma lista de cdigos Lattes, do site do CNPq.

Figura 1 Rel. das publicaes em congressos (Mena-Chalco; Csar Jr, 2007).


13
O processo de classificao de imagens visual, feito pelo homem, muito eficaz,
porm sujeito falhas ocasionadas pelo cansao, fadiga etc. Um diagnstico utilizando
viso computacional no elimina ou substitui o profissional porm, ajuda a diminuir
estatsticas de erros em processos crticos.
Um diagnstico mais preciso evitaria estatsticas como essa, revelada em
trabalho da pesquisadora Maryellen Lissak Giger, publicado em 2000 na
revista Computing in Science and Engineering: 10% a 30% das mulheres
que fazem a mamografia e recebem resultado negativo tm, na verdade,
cncer de mama (Angelo apud Moraes, 2007).
Outro fator importante, no processo, que nem sempre profissionais com a mesma
competncia possuem a mesma opinio sobre a mesma imagem. Na Figura 2, possvel
observar uma famosa imagem da qual o Prof. Metze comenta:
primeira vista, trata-se do perfil de uma jovem delicada, com cabelos
longos e uma gargantilha que lhe orna o pescoo. Focando o olhar nos
cabelos, porm, vemos as rugas de uma velha senhora de nariz enorme e
desdentada. uma brincadeira para demonstrar que a mesma imagem,
vista por dois observadores, pode gerar opinies diferentes. Por isso,
experts nem sempre tm a mesma opinio sobre determinada imagem
microscpica, justifica o anatomopatologista (Metze apud Sugimoto,
2007).


Figura 2 - Velha Moa (CCS, 2007).

1.1 Metodologia
O objetivo deste trabalho foi fazer um estudo das tcnicas usadas no reconhecimento
de imagens, alm de um estudo de algoritmos de reconhecimento de imagens e a
implementao na contagem e identificao de clulas sangneas. Como em geral, as
solues do campo de processamento de imagens requerem um extenso trabalho
experimental envolvendo simulaes e teste, para a implementao dos algoritmos foram
utilizados os softwares Scion Image e Matlab.
No trabalho foram realizadas pesquisas bibliogrficas, atravs de livros, revistas e
sites especializados, alm de discusses com profissionais da rea.


14
2 CONCEITO DE IMAGEM
Durante a vida, tudo o que sentido, ouvido e visto relacionado a padres j pr-
estabelecidos, os recursos pticos so os responsveis por fazer o registro e a ampliao
destas sensaes. O primeiro grande passo da humanidade para a evoluo do registro
visual foi descoberta da fotografia e, graas aos computadores, possvel transformar os
dados contidos nas imagens em informaes quantificadas, expressando assim cor, brilho,
estrutura etc.
Os olhos humanos funcionam como se fossem cmeras fotogrficas perfeitas, sendo
que em cada olho tm-se em torno de 125 milhes de receptores visuais, no entanto, as
iluses de tica demonstram que a viso compete por ateno do crebro. (Pinker, 2007;
Menezes, 2007). O mecanismo de funcionamento dos olhos composto de uma abertura
para passagem de luz, de uma lente e um anteparo, onde a imagem recebida e registrada,
e utilizado para a formao dos conceitos das macro-reas da imagem digital.
As macro-reas que trabalham com o conceito de imagem digital podem ser
representadas de acordo com a Figura 3. Dentro do processo de viso computacional, um
marco da computao grfica com o conceito de viso computacional o filme Matrix
1
,
originado da coleo de contos Animatrix, o filme faz uma fuso entre a computao grfica
e o tradicional anime japons. Para Albuquerque (2007), as reas de processamento de
imagens e de computao grfica apesar de serem vistas como totalmente opostas, tem
tcnicas complementares, seno iguais.

SMBOLOS
IMAGENS
PROCESSAMENTO DEIMAGENS
PROCESSAMENTO DE DADOS
COMPUTAO
GRFICA
VISO
COMPUTACIONAL

Figura 3 Macro-reas da Imagem Digital (Csar Jr., 2007).

1
The Matrix; E.U.A.;1999; Mistura de ao e fico cientfica. Direo: Larry e Andy Wachowshi.


15
2.1 Viso computacional
O conceito de imagem envolve todo o processo de viso computacional (Figura 4),
assim, compreender os aspectos de aquisio, processamento e anlise desta, de
extrema importncia para o desenvolvimento de sistemas que envolvam o processamento e
anlise de imagens. De uma forma simplificada um processo de viso computacional
consiste na extrao de caractersticas e no reconhecimento e classificao destas (Jhne,
2000).
Os princpios fsicos que envolvem a formao da imagem so:
Formao: corresponde a aquisio, que pode ser atravs de um tomgrafo, por
exemplo;
Identificao de estruturas: pr-processamento, segmentao, reconhecimento
das imagens;
Quantificao e visualizao: clculos, computao grfica, parametrizaes;
Interpretao: classificao, inteligncia artificial, redes neurais, integrao de
informaes.


Figura 4 Processo e elementos da viso computacional (Gonzaga, 2007).

A viso computacional pode ser entendida, desta forma, como uma multido de
tcnicas usadas para adquirir, processar, analisar e entender dados extremamente
complexos. Seguindo a regra de que mais simples comparar sistemas sobre o ponto de
vista biolgico, podem ser destacados alguns pontos comuns entre os sistemas de viso
biolgico e o computacional, alm de compar-los atravs de sua funo (Tabela 1)(Jhne,
2000):
Campo de radiao: usando a radiao possvel observar uma cena ou objeto;


16
Cmera: realiza a coleta da radiao recebida do objeto fixando tudo em um s
ponto (como as lentes pticas). Pode ser: um tomgrafo ou um espectrmetro;
Sensor: faz a converso do sinal de radiao recebido para um conjunto de dados
que possam ser processados;
Unidade de Processamento: extrai um conjunto de caractersticas de um grande
volume de dados, mensurando e categorizando. Um componente importante a
memria, pois ela permite coletar e armazenar conhecimento de uma cena e
apagar dados sem valor. Para Albuquerque (2007), o processamento de uma
imagem consiste em transform-la de forma a facilitar a extrao de
caractersticas,
Atores: reagem ao resultado da observao de forma ativa, tornando-se parte
essencial da viso do sistema.

VISO HUMANA X VISO DE MQUINA
Tarefa Viso Humana Viso de Mquina
Visualizao.
Passiva, principalmente
pela reflexo da luz do
sobre superfcies opacas.
Passiva e ativa (controle da
iluminao) usando partculas
eletromagnticas e radiao
acstica.
Formao da imagem. Sistema de refrao ptica. Vrios sistemas.
Controle da radiao.
Msculos controlam a
pupila.
Sistemas motorizados que
simulam o movimento da pupila,
com filtros em forma de crculos ou
tneis.
Foco.
Msculos controlam a
mudana de foco.
Sistema de foco automtico
baseado em vrios princpios de
medidas de distncia.
Resoluo da radiao. Sensibilidade logartmica.
Sensibilidade linear, quantificada
em 8 e 16 bits e sensibilidade
logartmica.
Movimento. Altamente mvel.
Scanners e robs montados com
cmeras.
Processamento e
anlise.
Processamento paralelo
organizado
hierarquicamente.
Processamento serial ainda
dominante; processamento
paralelo, no usado geralmente.
Tabela 1 - Funes da viso humana e da mquina (Jhne, 2000).


17
2.2 Questes do processamento visual
Dentre os problemas particulares do processamento visual, os melhores
compreendidos so (Winston, 1988):
Estreo binocular: encontrar a distncia do observador em relao superfcie,
usando dois pontos de observao ligeiramente diferentes;
Sombreamento: determinar a direo da superfcie a cada ponto, em uma
imagem, tirando proveito das partes sombreadas.
Para identificar, descrever e localizar objetos, so necessrias representaes
intermedirias que explicitem vrias espcies de conhecimento revelando vrios tipos de
restries e fatos, entre elas (Winston, 1988):
Valores de brilhncia so explcitos em imagens;
Mudanas de brilhncia, grupos com mudanas similares, bolhas e texturas so
fatos explcitos no espao principal (Figura 5);



Figura 5 Fatos explcitos em imagens (Winston, 1988).
Dados da superfcie ficam explcitos no modelo de mundo 2 D (usando
diagramas de agulhas Figura 6);



Figura 6 - Diagrama de agulhas (Winston, 1988).
Os volumes ficam explcitos no processo, assim como a distncia do observador do
mundo, no modelo de mundo. Atravs do uso do conceito de cilindros
generalizados, um conceito simples assim como grandes idias, consegue-se
distinguir formas variadas fazendo com que a forma bidimensional mova-se
atravs de uma linha chamada de eixo. A linha no precisa necessariamente ser
uma reta e a forma do objeto varia com a movimentao (Figura 7).



Figura 7 - Generalizao de volumes (Winston, 1988).
Desenvolver sistemas de automao, recursos grficos, reconhecimentos de padres
e algoritmos para o tratamento da informao visual e fazer estudos de novos mtodos so
as principais atividades de pesquisa em viso de computadores, concentrando-se em:


18
Arquiteturas e subsistemas dedicados em tempo real;
Determinao de movimento em uma seqncia de imagens;
Fuso de imagens de satlites;
Hipermdia e telesuperviso com o uso redes de computadores;
Inspeo visual automtica, usada para controle de qualidade;
Utilizao de processadores digitais de sinais.
A viso de computadores pode ser categorizada em partes distintas, de acordo com o
problema que busca solucionar (Tabela 2):

REFERNCIA TAREFA
Geometria 2D e 3D.
Posio e distncia;
Tamanho e rea;
Profundidade e metrologia 3D;
Formatos 2D;
Formatos 3D.
Radiometria.
Reflexo;
Cor;
Temperatura;
Fluorescncia;
Espectro.
Movimento.
Movimento 2D;
Movimento 3D.
Estrutura espacial e textura.
Contornos e linhas;
Ondas e escalas;
Orientao local;
Texturas.
Tarefas de alto nvel.
Segmentao;
Identificao de objetos;
Classificao de objetos;
Modelo e base de conhecimento.
Modelagem 3D.
Reconhecimento de objetos 3D;
Sntese de objetos 3D;
Caminhos.
Tabela 2 - Classificao das tarefas para sistemas de viso de computadores (Jhne, 2000).



19
2.3 Imagem Digital
Uma imagem digital pode ser definida, geralmente, como uma funo f(x,y), onde o
valor nas coordenadas x e y correspondem ao brilho (radincia) da imagem nos pontos da
coordenada (Gonzales and Woods, 1992 apud Silva, 2005). A imagem digital corresponde
representao numrica do objeto, uma funo quantificada e amostrada, sendo a sua
menor unidade denominada de pixel (picture element). Na Figura 8, possvel visualizar a
representao de uma imagem com 256 tons de cinza.

Figura 8 Repres. de uma imagem ampliada de 10x10 com 256 tons de cinza (Silva, 2005).

As imagens digitais coloridas so, em geral, funes quantificadas e apresentadas
como um vetor de trs componentes de acordo com o modelo escolhido (Gattass, 2002),
onde cada componente varia de 0 a 255 de acordo com a cor (Figura 9): Segundo
Hashimoto (2003), os modelos so:
Modelo RGB (Red, Blue e Green): formado pelas cores primrias;
Modelo CMY (Cyan, Magenta e Yellow): modelo RGB com cores
secundrias;
Modelo HSI (Hue, Saturation e Intensity): formado por uma cor dominante
(matiz), saturao (diluio da matiz na luz branca) e intensidade (quantidade
de luz refletida).


Figura 9 Vetor de componentes de imagens coloridas (RGB).



20
As cores so sensaes da luz que incide nos olhos. Analisando a luz como uma
onda, pode-se relacionar o seu comprimento

, com a sua freqncia

f
e a sua velocidade
v
, atravs de
f v =
, de acordo com a Figura 10 (Gattass, 2002).

Figura 10 - Relao entre comprimento e velocidade de onda (Gattass, 2002).

De acordo com o comprimento da onda (Figura 11) e o seu espectro possvel obter
uma sensao de cor diferente.

Figura 11 - Espectros de luz (1 nm = 10-9 m) (Gattass, 2002).

Na Figura 12, possvel observar as mudanas de colorao de acordo com o
espectro eletromagntico.

Figura 12 - Espectro eletromagntico (Gattass, 2002).



21
A imagem a qual se quer representar em uma funo, pode seguir diferentes formas
(INCOR-HC, 2007) e segundo a maioria dos estudos (Mller, Dalmolin e Araki, 1999),
feita, principalmente, atravs do reconhecimento de padres em imagens em tom de cinza e
falsa-cor. Dentre as formas de representao tem-se:
Funo contnua:
f(x,y)
f:Rn =>Rp
Funo discreta:
f(i,j)
f:Z+n => Z+p
Pixel (picture element):
f(i,j)
Voxel (volume element):
f(i,j,k)
Spel (space element):
f(i,j,...n)
Representao matricial:
F[i][j]



22
3 ALGORITMOS
A evoluo dos algoritmos para viso de computadores foi por muito tempo
negligenciada e os resultados, por esse motivo, apresentavam muitos erros. O que causou
esta situao foi por um lado, certamente, a dificuldade de tratar os problemas e por outro, o
fato da comunidade ignorar tal problema. Os trs maiores critrios para anlise da
performance destes algoritmos so segundo (Jhne, 2000):

Sucesso na soluo do problema;
Preciso;
Rapidez.

O estudo dos algoritmos pode ser dividido, de acordo com estes critrios (Jhne,
2000), em:

Estudo analtico: este , matematicamente, o caminho mais rigoroso usado
para verificao dos algoritmos, checar erros de propagao e prever falhas
graves;
Teste de performance com imagens geradas por computador: estes
testes so usados para controlar cuidadosamente as condies;
Teste de performance com imagens do mundo real: este o teste final de
uma aplicao.

Os algoritmos de reconhecimento so utilizados de forma conjunta, para melhores
resultados podendo agir de forma totalmente automatizada ou semi-automatizada, em geral,
os de uso comercial so patenteados. Como exemplo, tm-se a seguir algoritmos de
segmentao, que utilizam imagens de referncia para fazer as comparaes:

Algoritmo gentico de segmentao por Quadtree;
Algoritmo gentico com mtodo de segmentao limiar Treshold;
Algoritmo gentico com mtodo de segmentao por crescimento de regies;
Algoritmo Snake, usado para deteco de contorno da imagem e
segmentao.

Pode-se tambm fazer a interpretao de uma imagem atravs da anlise de
agrupamentos (Cluster Analysis), sendo este um mtodo estatstico que identifica grupos


23
atravs de suas caractersticas. O processo de anlise de dados, usando o Cluster Analysis,
dividido em quatro passos (Gonzaga, 2007):

1. Seleo das variveis de agrupamento (caractersticas) e da medida de
distncia (distncia Euclidiana e distncia de Pearson);
2. Seleo do algoritmo de agrupamento (hierrquico (rvores de grupo
cluster tree) ou no-hierrquico (mtodo k-means));
3. Realizao da anlise de agrupamento;
4. Interpretao dos agrupamentos.

Uma outra forma de fazer o reconhecimento de imagens usando autmatos, para
Menezes (2000) a implementao de um autmato finito de reconhecimento consiste
basicamente em um algoritmo que controla a mudana de estado do autmato a cada
smbolo lido da entrada. Assim, o tempo de processamento necessrio para aceitar ou
rejeitar proporcional ao tamanho da entrada de forma exponencial. A construo de
reconhecedores usando autmatos de pilha relativamente simples e imediata, porm no
muito recomendado para entradas de tamanhos considerveis, por consumirem muito
tempo. Os reconhecedores, segundo Menezes (2000) podem ser de dois tipos: Top-Down,
constri-se uma rvore de derivao e ramos para a palavra a ser reconhecida, ou smbolos
terminais que compem a palavra; e Bottom-Up, que o oposto do Top-Down, parte dos
smbolos terminais indo em direo raiz.





24
4 RECONHECIMENTO E INTERPRETAO
O reconhecimento de padres em uma imagem depende muito da qualidade da
prpria imagem, portanto, para que no ocorram erros no reconhecimento necessrio que
a imagem passe por um tratamento anterior, atravs, por exemplo, da correo da
iluminao, e/ou uso de colorantes qumicos.
Outros aspectos importantes para o reconhecimento de uma imagem so:
Definir anteriormente como ser adquirida a imagem, de que tipo ela ser
(bmp, jpeg, tiff etc) e qual ser a sua escala de cores;
Fazer o melhoramento da imagem, pois apesar dos cuidados tomados, a
imagem ainda pode sofrer interferncias que prejudicam ou impossibilitam o
seu reconhecimento. Essas interferncias so chamadas de rudos, e sua
correo feita atravs de filtros (filtro passa baixo, filtro passa alto etc);
Segmentar a imagem ou escolher pedaos relevantes, diminuindo assim a rea
de dados a ser analisada, assim como o tempo gasto para a anlise. Podem
ser usados para isso, por exemplo, os algoritmos de segmentao por
Quadtree;
Estabelecimento de parmetros a serem seguidos e de tipos (rea, permetro,
descrio estrutural, topologia etc).
Somente aps estas etapas feito o reconhecimento e a classificao dos objetos, de
acordo com os padres estabelecidos previamente, para que assim possam ser
minimizados possveis erros no processamento da imagem.
Um padro uma descrio quantitativa (vetores) ou estrutural (strings) de um objeto
ou algum outro ponto de interesse, neste trabalho, referente a uma imagem digital. Um
padro formado por um ou mais descritores, ou caractersticas. O ato de gerar descritores
chamado de Extrao de Caractersticas. Os arranjos de padres so representados da
seguinte forma (Gonzaga, 2007):
Vetores contm informaes quantitativas;
Cadeias e rvores contm informaes estruturais.
Algumas aplicaes so melhores descritas atravs da relao estrutural que
possuem, por exemplo o reconhecimento de digitais, onde no se mensura apenas a
imagem e sim so feitas relaes espaciais entre padres para determinar a qual classe o
membro pertence.
Pode-se dizer assim que o enfoque do reconhecimento de padres pode ser dividido
em duas reas principais: Teoria de deciso e Estrutura. Na primeira categoria, so
utilizados padres quantitativos (comprimento, rea, textura etc), na segunda, so utilizadas
strings que descrevem o relacionamento entre smbolos (Gonzalez, Woods e Eddins, 2004).


25
A rea de reconhecimento de padres trata da classificao de elementos extrados
(Csar Jnior, Barrera e Costa, 2007) e da sua anlise computadorizada ou semi-
computadorizada tornando possvel a deteco de falhas. O processo de reconhecimento de
padres apesar de ser aparentemente simples, envolve muitas variveis, portanto fazer a
seleo das caractersticas que geram o vetor de caractersticas de extrema importncia,
pois influir no desempenho do sistema (Gonzaga, 2007). Exemplos de como fazer a
seleo de caractersticas:
Assinatura: a cada intervalo, gerado um vetor de caractersticas;
Momentos: calculam-se os momentos de um objeto e gera-se um vetor com
os primeiros momentos;
Momentos por pea e vetor de caractersticas: gera-se um vetor com os
primeiros momentos.
Utilizar caractersticas atravs de diferentes mtodos facilita o processo de
reconhecimento, no entanto, em alguns problemas de reconhecimento, necessrio
estabelecer (alm das medidas quantitativas) relaes espaciais. Neste caso, os problemas
so mais bem resolvidos utilizando abordagens estruturais (Gonzaga, 2007).
Na Figura 13, por exemplo, sem um conhecimento prvio da cena, ficaria muito difcil
fazer a identificao do dlmata presente na imagem.


Figura 13 - Nvel alto de dificuldade no reconhecimento de imagem (Csar Jr, 2007).

As representaes por cadeias geram estruturas padronizadas baseadas na
conectividade de primitivas, associadas fronteira, vide exemplo Figura 14.


Figura 14 - Representao por cadeias (Gonzaga, 2007).


26
Para Bonventi Jnior e Costa (2007), na rea de reconhecimento de padres, e
tambm em viso de mquina, vrias tcnicas tm sido desenvolvidas e testadas, sendo a
classificao uma das principais tarefas.
O processo de reconhecimento de padres passa pelas etapas de percepo,
extrao, segmentao e classificao. A etapa de classificao ir variar de acordo com a
linha de pesquisa a ser seguida, porm, podemos dividi-la em: teorias adotadas (Bayer,
classificao linear, classificao no-linear, modelo de Markov etc); padres a serem
reconhecidos (cor, formato, tamanho etc); mtodos usados (estatstico, supervisionado e
no-supervisionado); e tcnicas de reconhecimento utilizadas (gramticas formais, redes
neurais, operadores morfolgicos, geometria diferencial para anlise de contornos, topologia
digital etc).
A seguir sero vistos:
Mtodo de deciso: funo de deciso ou funo discriminante;
Classificao de padres:
Classificador de distncia mnima ou euclidiana;
Classificador Bayesiano.
Filtros: lineares e no-lineares;
Segmentao da imagem: Threshold e Edge.
Existem outros como, por exemplo, os classificadores por Redes Neurais ou por
Lgica Nebulosa (Fuzzy Sets). De acordo com Albuquerque (2007), no existe uma nica
tcnica que seja abrangente e que funcione para todos os problemas devido ao fato desta
estar associada ao reconhecimento e a anlise das informaes, e o processo de
reconhecimento por sua vez, em geral, s ocorre aps uma fase de segmentao e
parametrizao da imagem.
O tema central do conceito de reconhecimento de padres o conceito de aprender,
atravs de exemplos, de forma automtica ou envolvendo no mnimo possvel o homem
(Gonzalez, Woods e Eddins, 2004).

4.1 Mtodos de deciso
Mtodos de deciso (funes de deciso ou funes discriminantes) so para
Gonzaga (2007), x = (x
1,
x
2,
x
3,...,
x
n
)
t
um vetor de caractersticas n-dimensional e w
1,
w
2,
w
3,...,

w
m,
uma classes de padres. O reconhecimento consiste em encontrar funes M de
deciso d
1
(x)
,
d
2
(x)
, ...,
d
m
(x)

tal que:
d
i
(x) > d
j
(x) j = 1, 2, ..., M; j

i
Ou seja: x

w
i
se d
i
(x) o maior valor


27
A fronteira de deciso para w
i
e w
j
dada pelos valores de x para os quais d
i
(x) =
d
j
(x), ou seja:
d
i
(x) - d
j
(x) = 0
Identifica-se fronteira de deciso entre as duas classes atravs da funo:
d
ij
= d
i
(x) - d
j
(x) = 0
Ou seja, se d
ij
(x) > 0 , o padro pertence classe w
i
e se d
ij
(x) < 0 , ento, o padro pertence classe w
j
.


4.2 Classificador de distncia mnima / distncia Euclidiana
Uma classe de padres pode ser representada atravs de um valor mdio ou por um
vetor prottipo, de acordo com Gonzaga (2007).
m
j
=
j N
1

j w x
x
j = 1, 2, ..., M
Para definir, de acordo com Gonzaga (2007), a pertinncia de um vetor de
caractersticas (x) desconhecido, pode-se atribu-lo a classe mais prxima do seu prottipo.
A distncia euclidiana dada por:
D
j
(x) = x - m
j
j = 1, 2, ..., M
Onde: a = (a
t
a)
1/2
a norma euclidiana.
x w
i
se D
i
(x) for a menor distncia
De acordo com Gonzaga (2007), o equivalente:
d
j
(x) = x
t
m
j
- m
t
j
m
j
j= 1, 2, ..., M
x w
i
se d
i
(x) for o maior valor
Sendo a fronteira de deciso entre as duas classes w
i
e w
j
:
d
ij
= d
i
(x) - d
j
(x) = x
t
(m
i
- m
j
)

- (m
i
- m
j
)
t
(m
i
- m
j
) = 0
n = 2 ---- uma reta
n = 3 ---- um plano
n > 3 ---- um hiperplano

4.3 Classificador Bayesiano
De acordo com Gonzaga (2007), para resolver um problema que envolve duas classes
de padres governados por densidades gaussianas, com mdias m
1
e m
2
e desvios padres

1
e
2
, pode-se resolver da seguinte forma:



28
d
j
(x) = p( x / w
j
) P(w
j
) =

j
2
1
exp

2
2
2
) (
j
j
m x

P(w
j
) j = 1,2
Na Figura 15, possvel identificar o ponto x
0
, que equivale fronteira entre as
classes.


Figura 15 - Fronteira das classes classificador bayesiano (Gonzaga, 2007).

4.4 Filtros
A utilizao de filtros permite equalizar a intensidade de tons da imagem, de forma a
obter a reduo de rudos, o mtodo usado para esse processamento chamado de
histograma. O mtodo tem um princpio simples, so considerados momentos de nvel
contnuo que so normalizados dentro de um intervalo [0, 1], atravs de nveis de
intensidade fornecidos para entrada e sada, esse processo permite obter um nvel de
densidade mais uniforme. Espacialmente os filtros podem ser lineares ou no-lineares
(Gonzalez, Woods e Eddins, 2004).
O conceito de filtro linear tem suas razes em Fourier, com o processamento de sinais
em uma freqncia e o conceito espacial de filtros no-lineares esta baseado nas operaes
com a vizinhana. Ou seja, enquanto os filtros lineares trabalham baseados em operaes e
produtos lineares, os filtros no-lineares trabalham com operaes no-lineares que
envolvem pixels vizinhos (Gonzalez, Woods e Eddins, 2004).
Dentre as formas de equalizar histogramas de imagens, atravs de filtros lineares
pode ser citado o filtro de freqncias passa-baixas Gaussiano
2
, e atravs de filtros no-
lineares, o filtro Mediano, que como o prprio nome diz utiliza o valor mediano (Gonzalez,
Woods e Eddins, 2004).

2
Mtodo de Gauss um mtodo que consiste na aplicao de operaes elementares matriz aumentada no
sistema, chegando-se assim a uma matriz escalonada, neste caso ele produz um efeito de desfocagem.


29
4.5 Segmentao da Imagem
A segmentao subdivide uma imagem em regies ou objetos, o nvel desta diviso
depende no entanto do problema a ser resolvido. A segmentao no um processo trivial,
pois pode interferir no processo de anlise da imagem, e um passo essencial no processo
de reconhecimento de padres e anlise do problema. Os algoritmos de segmentao
monocromticos so geralmente baseados em duas propriedades bsicas de intensidade de
valores: continuidade e similaridade (Gonzalez, Woods e Eddins, 2004).
A deteco Edge em particular, foi o principal algoritmo de segmentao por muitos
anos, o mtodo Threshold por sua vez fundamental pois consegue diminuir o tempo de
processamento da imagem (Gonzalez, Woods e Eddins, 2004).
Alm da deteco de ponto e da deteco de linha, certamente a deteco Edge de
longe a mais utilizada para procurar por valores descontnuos. Dentre os diversos tipos de
mscaras para detectores Edge temos: Sobel; Prewitt; Canny e Roberts (Gonzalez, Woods
e Eddins, 2004).
A implementao do mtodo Threshold por suas propriedades intuitivas e simples,
merece uma posio central na aplicao se segmentao das imagens (Gonzalez, Woods
e Eddins, 2004). Na Figura 16 um exemplo de macro que pode ser gerada no software
Scion Image.
Uma outra forma de facilitar o processo de segmentao de uma imagem utilizando
os mtodos: splitting e merging, de forma a atender de forma satisfatria as condies
estabelecidas. Uma particular tcnica de diviso chamada de Quadtree, que divide a
imagem em quadrantes e construindo assim uma rvore, onde cada subdiviso torna-se um
n e a sua raiz a imagem inicial (Gonzalez, Woods e Eddins, 2004).


Figura 16 Macro Threshold do Software Scion Image.



30
5 TECNOLOGIA DE SOFTWARE
No mercado existem vrios softwares que fazem os trabalhos de quantificaes,
amostragens, converses, edies etc, no entanto, os preos e as plataformas disponveis
variam de acordo com o produto escolhido, entre eles tem-se:
AVS (Advanced Visualization System);
IBM Data Explorer;
IDL (Interactive Data Language);
Khoros;
Mathlab;
Paraview:
ProEikon;
Scion Image.

5.1 Matlab
Matlab (Figura 17) um sistema interativo de matrizes (Figura 18) que pode ser usado
tanto para o ensino de matemtica fundamental quanto para clculos complexos de
engenharia. O nome uma abreviao de MATrix LABoratory, e foi originalmente
desenvolvido, com a inteno de facilitar o acesso a matrizes, para os projetos LINPACK
(Linear System Package) e EISPACK (Eigen System Package). Hoje, o Matlab incorpora as
bibliotecas LAPACK (Linear lgebra Package) e BLAS (Basic Linear lgebra Subprograms)
(Gonzalez, Woods e Eddins, 2004).
O Matlab consegue executar uma seqncia de aes atravs de arquivos chamados
de M-files, que possuem a extenso *.m. Os M-files so de 2 tipos, os scripts files, que
so uma seqncia normal de passos do Matlab e os function files, que so funes
criadas para necessidades especficas (Gonzalez, Woods e Eddins, 2004).

Figura 17 Tela de abertura do programa Matlab.


31

Figura 18 Exemplo de uso de matrizes no Matlab.

Uma forma de utilizar o MatLab para anlise e reconhecimento de padres, usando
SDC Morphology Toobox for Matlab (Figura 19), que um software para anlise e
processamento de sinais. Ele composto por uma famlia de filtros chamados de
operadores morfolgicos, que permitem a restaurao, segmentao e anlise das imagens
e sinais de forma quantitativa.


Figura 19 Janela do Software SDC Morphology Toolbox for Matlab.



32
5.2 Scion Image for Windows
O software Scion Image (Figura 20), trabalha com fundamentos de densiometria
3
,
escalonando pixels com concentraes correspondentes. Outros exemplos do uso da
densiometria podem ser encontrados na tica e na eletrnica. Scion Image um programa
que foi baseado na plataforma NIH Image da Macintosh, sendo possvel automatizar rotinas
atravs de macros, usando a linguagem de programao Pascal. Uma vantagem do
software para a rea mdica a possibilidade de importar arquivos DICOM (Digital Imaging
and Communication in Medicine), que um formato padro usado principalmente na rea de
radiologia.


Figura 20 Tela de abertura do programa Scion Image.

3
A densiometria foi descrita como cincia graas a Pierre Bouguer (1729) e Johann Heindrich Lambert (1760)
que descreveram o processo de radiao (ou luz) (Andrade, 2000).


33
6 TESTES
Os testes dos algoritmos de reconhecimento foram implementados utilizando os
softwares: Matlab e Scion Image. Segundo Amabis e Martho (1990), as clulas sangneas,
chamadas tambm de elementos figurados do sangue (Figura 21), so de trs tipos:
hemcias (ou eritrcitos ou glbulos vermelhos), leuccitos (ou glbulos brancos) e
plaquetas (ou tombcitos). Essas clulas ficam mergulhadas em um material intercelular
lquido do sangue, chamado de plasma.
Podem ser identificadas as seguintes caractersticas nestas clulas (Amabis e Martho,
1990; Junqueira e Carneiro, 1999):
Hemcias: so clulas sem ncleo e com formato discides, nos humanos
tem em mdia 7,5 m de dimetro e 2,6 m de espessura;
Glbulos brancos: so maiores que as hemcias e apresentam um ncleo
volumoso. Existem vrios tipos, entre eles: os linfcitos e os neutrfilos. Nos
humanos tem em mdia de 15 m de dimetro variando de acordo com o
tipo;
Plaquetas: so fragmentos de clulas que se formam pelo rompimento dos
megacaricitos. Tm seu tamanho em torno de 3 m.

GLBULOSVERMELHOS
PLAQUETAS
GLBULOS BRANCOS

Figura 21 Clulas sangneas com hemcias, glbulos brancos e plaquetas (Borja, 2007).













34
6.1 Matlab
O Matlab reconhece vrios tipos de extenses de imagens porm, para o estudo das
tcnicas de reconhecimento de imagens, os testes foram realizados com a imagem na
escala de tons cinza e com a extenso bitmap (*.bmp). O Matlab um software completo e
permite a manipulao de matrizes de forma relativamente fcil. Permite fazer interfaces
com linguagens de programao C e Java por exemplo, de forma a tornar o processo de
reconhecimento de imagens o mais automatizado possvel. Na Tabela 3, possvel
visualizar a seqncia de testes realizados no software Matlab.



Seqncia de Testes Matlab

Imagem inicial Matlab, em escala de cinza e com
extenso bitmap.


Imagem com filtro gaussiano (Matriz 7X7). A aplicao
do filtro gaussiano na imagem fez a correo e a
remoo de rudos.


Aplicao da funo Threshold.

Binarizao da imagem e exportao da imagem para
um arquivo tipo texto, necessrio a criao de um
programa para fazer a traduo do arquivo do Matlab.


35

Contornos da imagem atravs da funo Edge.

Threshold da imagem.

Histograma da imagem.
Tabela 3 Seqncia de testes realizados no software MatLab.

Na Figura 22, exibido o arquivo utilizado para gerar a rotina realizada na Tabela 3, a
rotina criada foi executada atravs de um cone na rea de trabalho mapeado para
C:\MATLAB701\bin\win32\MATLAB.exe -nojvm -r celsang. Foram feitas as etapas de
limpeza de rudos, deteco de borda e Threshold, alm de exibir o histograma para anlise
da imagem. Com o software Matlab possvel conseguir mais liberdade na programao,
porm necessrio um conhecimento anterior do software e de suas funcionalidades.
No incio do cdigo executada uma funo que faz o tratamento da imagem para a
escala de cor cinza. Para a limpeza de rudos da imagem utilizado um filtro gaussiano e
utilizada a funo threshold. feita a verificao da imagem para identificar se ela esta em
formato binrio ou no, aps essa rotina a imagem binria salva, no entanto a visualizao
do cdigo binrio s seria possvel com a implementao de um programa que fizesse a
converso do arquivo *.m para um arquivo *.txt .
utilizada a funo edge para deteco de contornos e novamente a funo threshold
para alterar o fundo da imagem. A imagem plotada para visualizao.




36

Figura 22 Macro utilizada no Matlab.

6.1.1 Pseudo-cdigo
1. Incio do programa
2. Ler imagem
3. Se imagem escala de cinza ento
Converte imagem para escala de cinza
Armazena imagem em uma funo y
Seno
Armazena imagem em uma funo y
4. Aplicar filtro na imagem
5. Aplicar funo threshold na imagem
6. Se imagem binrio
Converte imagem para binrio
Salva imagem binria
Seno
Salva imagem binria
7. Aplicar funo edge na imagem
8. Plotar resultado na tela

6.2 Scion Image
Com o intuito de facilitar o reconhecimento e anlise das clulas, a imagem original foi
alterada para a extenso bitmap (*.bmp) com colorao em escala de cinza. Na Tabela 4,
possvel visualizar a seqncia de testes realizada para o reconhecimento e diferenciao
das clulas, usando o programa Scion Image. O software se mostrou eficaz e de simples
utilizao.


37
Seqncia de Testes Scion Image

Imagem inicial Scion Image, em escala de cinza e com
extenso bitmap.


Imagem aps o processo de correo e remoo de
rudos, usando-se um filtro gaussiano (Matriz 7X7)
para a equalizao de valores.

A aplicao da funo Threshold, faz com que o
volume de dados da imagem diminua e neste caso,
trabalha fechando os contornos da imagem de acordo
com a intensidade dos pixels.

A imagem gerada foi exportada para um arquivo tipo
texto.

Contornos da imagem gerados atravs da funo
Edge.

Usando-se a funo Analyze feita a filtragem por
tamanho de partculas com densiometria de 50 a 300
pixels, para reconhecimento de plaquetas na imagem.
A funo Analyse cruza as bordas de uma ponta a
outra at percorrer o objeto inteiro.


38

O mesmo processo de anlise feito filtrando-se o
tamanho de partculas de rea de 500 a 600 pixels,
para reconhecimento de glbulos vermelhos.

Filtragem analisando-se partculas com rea de 610 a
2300 pixels, para reconhecimento de glbulos
brancos.
Tabela 4 Seqncia de testes realizados no software Scion Image.

Na Figura 23, exibida a macro criada para gerar a rotina que far o reconhecimento
das clulas de acordo com a densidade.

Figura 23 Macro utilizada no Scion Image.

A macro da figura 23, faz o reconhecimento e a contagem de clulas sangneas de
acordo a densidade e de forma semi-automtica. Para o seu funcionamento necessrio
carregar a imagem e a macro no software. Alm disso, exibida uma janela de dilogo
para que o usurio possa especificar o tamanho mnimo e o mximo das clulas sangneas
que ele est analisando.


39
No incio do cdigo, so declaradas as variveis min e max" que sero utilizadas na
busca de acordo com o tamanho do componente da imagem (o tamanho dado em pixels),
tambm so zerados os contadores para evitar erros. Aps isso, criada no cdigo uma
matriz gaussiana que servir para a aplicao do filtro na matriz da imagem. Com a
finalidade de diminuir a rea de anlise da imagem utilizada a funo Auto Threshold e
gerada uma imagem binria. Para a aplicao da funo Cross, que determinar a
densiometria dos componentes, chamada a funo TraceEdges que traa os contornos
da imagem. A funo Cross percorre de um ponto da borda at o outro para fazer o clculo
da rea para fazer a densiometria. So exibidas as telas de dilogo para entrada dos
valores mnimo e mximo das partculas que sero analisadas, alm disso so definidos
alguns parmetros que no esto inclusos na funo default da funo AnalyzerParticles.
O resultado exibido na tela atravs da imagem.
Durante os testes, foi observado que na contagem das hemcias, devido
sobreposio das mesmas e a qualidade da imagem (tonalidade), estas eram consideradas
uma nica clula, sendo assim, como a anlise foi feita atravs da densiometria, estas
apareceram na contagem de glbulos brancos ao invs de aparecerem na de glbulos
vermelhos.
6.2.1 Pseudo-cdigo
1. Incio do programa
2. Declarar variveis mnimo e mximo
3. Zerar contador
4. Ler imagem
5. Criar matriz de rudo
6. Aplicar filtro na imagem utilizando a matriz de rudo
7. Aplicar funo threshold
8. Gerar imagem binria
9. Aplicar funo edge na imagem
10. Carregar valores padro para a funo
11. Aplicar funo de anlise nas partculas
12. Plotar resultado na tela


40
7 RESULTADOS
O reconhecimento de padres em imagens em tons de cinza so, geralmente, mais
fceis de serem implementados do que no caso de imagens coloridas, que trabalham com
trs componentes.
Atravs da anlise computadorizada automtica ou semi-automtica de imagens
possvel eliminar, ou ao menos diminuir grande parte dos erros inerentes do processo visual,
tornando possvel deteco de falhas que seriam imperceptveis em uma linha de
produo, por exemplo, e eliminando a subjetividade. O processo de reconhecimento visual
de padres, apesar de ser aparentemente simples, envolve muitas variveis, portanto, foi
realizado um estudo das tcnicas que envolvem o processo, que faz parte da rea de
computao grfica. O estudo mostrou-se no somente importante, mas tambm essencial
para o processo de reconhecimento de padres, pois se as tcnicas no forem bem
utilizadas e definidas o processo no ser eficaz ou ser muito lento.
Os testes foram feitos com o objetivo de fazer o reconhecimento de clulas
sangneas e a sua contagem, embora realizado com sucesso, na prtica essa forma de
reconhecimento mostra-se de pouca eficincia, dado que j existem equipamentos que
fazem a anlise de amostras sanguneas instantaneamente. Devido ao tempo disponvel,
foram feitas opes por mtodos e processos simples, a fim de diminuir a complexidade.
Uma boa implementao de reconhecimento de imagens de clulas sangneas, seria a
identificao de organismos estranhos na imagem, como por exemplo bactrias, com base
em um banco de dados. Fora da rea mdica, um ramo interessante e lucrativo que esta
investindo em sistemas apoiados em imagens digitais o setor bancrio.
Finalmente, este estudo tambm mostrou que a escolha adequada de uma tcnica de
reconhecimento mesmo que simples, depende principalmente da anlise e do conhecimento
anterior do problema.


41
8 REFERNCIAS BIBLIOGRFICAS

ALBUQUERQUE, Marcelo P.; ALBUQUERQUE, Mrcio. Processamento de imagens:
mtodos e anlises. Apostila de Imagens. Centro Brasileiro de Pesquisas
Fsicas CBPF / MCT. CAT. Disponvel em: <
http://mesonpi.cat.cbpf.br/e2002/cursos/NotasAula/Apostila_Imagens.pdf>.
Acesso em: 12 de outubro de 2007.
AMABIS, Jos Mariano; MARTHO, Gilberto Rodrigues. Fundamentos da Biologia
Moderna. So Paulo, S.P.; Editora Moderna, 1990.
ANGELO, Michele Fulvia apud MORAES, Aline. Software pioneiro acessvel via internet
permite anlise mais detalhada de mamografias. Agncia USP de Notcias.
USP. Reportagens 26/04/2007. Ano XXII n 797. Disponvel em: <
http://noticias.usp.br/acontece/obterNoticia?acesso=n&imprimir=s&print=s&cod
ntc=15949&codnucjrn=1>. Acesso em: 16 de maio de 2007.
BONVENTI JNIOR, Waldemar; COSTA, Anna Helena Reali. Classificao por
agrupamento nebuloso de padres de cores em imagens. Departamento
de Engenharia de Computao e Sistemas Digitais, Escola Politcnica da
Universidade de So Paulo, So Paulo. Disponvel em:
<http://www.lti.pcs.usp.br/publicacoes/BonventiCosta02-WORKCOMP.pdf>.
Acesso em: 27 de fevereiro de 2007.
BORJA, Fernando. Histologia. Centro de Sade & Tecnologia Rural, Universidade
Federal de Campina Grande, Campus de Patos, Patos P.B.. Disponvel em: <
http://www.cstr.ufcg.edu.br/histologia/atlas_sangue_linfa.htm>. Acesso em: 05
de outubro de 2007.
CCS USP. Variedades Iluso de tica. Espao Aberto. Coordenadoria de
Comunicao Social. Universidade de So Paulo. Ano IV n32.
janeiro/fevereiro de 1999. Disponvel em: <
http://www.ccs.usp.br/espacoaberto/fevereiro99/variedades.html >. Acesso em:
08 de outubro de 2007.
CESAR JR, Roberto M. Imagens Digitais. Computer Vision Research Group at So
Paulo. Departamento de Cincia da Computao. Instituto de Matemtica e
Estatstica. Universidade de So Paulo. Disponvel em:
<http://www.vision.ime.usp.br/~cesar/talks/mac420/imagensDigitais.pdf>.
Acesso em: 01 de abril de 2007.


42
CESAR JNIOR, Roberto M.; BARRERA, Junior; COSTA, Luciano da F. . Modelagem
por redes (grafos) e tcnicas de reconhecimento de padres: estrutura,
dinmica e aplicaes. Grupo de viso do IME-USP e IFSC-USP.
Universidade de So Paulo, So Paulo. Disponvel em:
<http://www.vision.ime.usp.br/~jb/projects/sumario.pdf>. Acesso em: 27 de
fevereiro de 2007.
GATTASS, Marcelo. Introduo s cores. 21/08/2002. Computer Vision Research Group
at So Paulo. Departamento de Cincia da Computao. Instituto de
Matemtica e Estatstica. Universidade de So Paulo. Disponvel em:
<http://www.vision.ime.usp.br/~ronaldo/mac0417-03/aula_02/02_Cor.pdf>.
Acesso em: 01 de abril de 2007.
GONZAGA, Adilson. Aula 9 Reconhecimento e interpretao de imagens. SEL -
Departamento de Engenharia Eltrica de So Carlos. Universidade de So
Paulo. Disponvel em: <http://iris.sel.eesc.sc.usp.br/sel886>. Acesso em: 25 de
maro de 2007.
GONZALEZ, R. C.; WOODS, R. E. apud SILVA, Renato Ramos da. Reconhecimento de
imagens digitais utilizando redes neurais artificiais. 2005. 51 f. Monografia
(Graduao em Cincia da Computao). Universidade Federal de Lavras,
Lavras MG.
GONZALEZ, Rafael C.; WOODS, Richard E.; EDDINS, Steven L.. Digital Image
Processing using MATLAB. Pearson Education, Inc. , 2004.
GRUBER, Arthur apud GLUGOSKI, Miguel. Diagnstico a distancia mais seguro.
Sade Animal. Jornal da USP. Universidade de So Paulo. 9 a 15 de abril de
2007. ano XXII n 797. Disponvel em:
<http://www.usp.br/jorusp/arquivo/2007/jusp797/pag0405.htm>. Acesso em: 16
de maio de 2007.
HASHIMOTO, Ronaldo Fumio. Viso e processamento de imagens. Primeiro Semestre
de 2003. Aula 02. Disciplinas: MAC0417(Graduao)/ MAC5768(Ps-
graduao). Computer Vision Research Group at So Paulo. Departamento de
Cincia da Computao. Instituto de Matemtica e Estatstica. Universidade de
So Paulo. Disponvel em: <http://www.vision.ime.usp.br/~ronaldo/mac0417-
03/aula_02.html>. Acesso em: 01 de abril de 2007.
INCOR-HC. Tcnicas Avanadas de Processamento de Imagens Mdicas. Induo,
motivao, princpios fsicos e modelos. SF 15/06/2006. Fundao Zerbini.
Universidade de So Paulo. Disponvel em:


43
<http://www.incor.usp.br/spdweb/cursos/downloads/ptc5750_introd_coracao200
6.pdf>. Acesso em: 01 de abril de 2007.
JHNE, Bernd. Computer Vision and Applications A guide for students and
practitioners, Introduction, Academic Press, San Diego, CA, USA, 2000.
JUNQUEIRA, Luiz C.; CARNEIRO, Jos. Histologia Bsica. 9 Edio. Rio de Janeiro,
R.J..; Editora Guanabara Koogan, 1999.
MENA-CHALCO, Jess P.; CESAR JR, Roberto Marcondes. ScriptLattes. Incubadora
Fapesp. CNPq. Disponvel em: <http://scriptlattes.incubadora.fapesp.br/portal>.
Acesso em: 25 de maro de 2007.
MENEZES, Lus Carlos (coord.) et al. Leituras de fsica. GREF ptica para ver, fazer e
pensar. Universidade de So Paulo. Junho-1998. Disponvel em:
<http://axpfep1.if.usp.br/~gref/optica/optica1.pdf. >. Acesso em: 01 de abril de
2007.
MENEZES, Paulo Fernando Blauth. Linguagens formais e autmatos. Instituto de
Informtica da UFRGS. Nmero 3. 4 Edio. Editora Sagra Luzzatto, 2000.
METZE, Konradin apud SUGIMOTO, Luiz. Detectando o imperceptvel, descrevendo o
indescritvel. Sala de Imprensa. Jornal da Unicamp. Universidade Estadual de
Campinas. Edio 278. 28 de fevereiro a 6 de maro de 2005. Disponvel em: <
http://www.unicamp.br/unicamp/unicamp_hoje/ju/fevereiro2005/ju278pag09.htm
l>. Acesso em: 08 de junho de 2007.
MLLER, Sonia Isoldi Marty Gama; DALMOLIN, Quintino; ARAKI, Hideo. Comparao
entre os mtodos de mxima verossimilhana, distncia mnima e o
mtodo de Fisher para reconhecimento de padres em imagens coloridas.
Boletim Cincias Geod. de Curitiba, Universidade Federal do Paran. 1999.
Disponvel em:
<http://calvados.c3sl.ufpr.br/ojs2/index.php/bcg/article/viewPDFInterstitial/1496/
1250>. Acesso em: 27 de fevereiro de 2007.
PINKER, Steven. The mystery of consciousness. Time. 12/02/2007. vol. 169 n7.
SILVA, Renato Ramos da. Reconhecimento de imagens digitais utilizando redes
neurais artificiais. 2005. 51 f. Monografia (Graduao em Cincia da
Computao). Universidade Federal de Lavras, Lavras MG.
WINSTON, Patrick Henry; Inteligncia Artificial, traduo de Carlos Octvio Pavel, Rio
de Janeiro: LTC Livros Tcnicos e Cientficos, 1988.




44
9 ASSINATURAS




________________________________
FTIMA APARECIDA TAGLIAFERRO



________________________________
PETER JANDL JUNIOR