Processamento de Imagens: Mtodos e Anlises

Mrcio Portes de Albuquerque e Marcelo Portes de Albuquerque

mpa@cbpf.br e marcelo@cbpf.br


Centro Brasileiro de Pesquisas Fsicas CBPF/MCT
Coordenao de Atividades Tcnicas - CAT
Rua Dr. Xavier Sigaud n.150 22290-180 Rio de Janeiro - Brasil

Resumo

Neste artigo procuramos dar uma viso da rea de processamento digital de imagens e suas aplicaes. Abordamos
conceitos importantes sobre a representao espacial de um pixel, a medida de distncias, a segmentao de uma
imagem e o reconhecimento de formas. Utilizamos situaes reais para exemplificarmos as tcnicas apresentadas.
nosso objetivo abordar de forma introdutria e simplificada o tema. Ao final discutimos sobre os diversos pacotes
existentes para processamento digital de imagens e apresentamos uma bibliografia til para se aprofundar em
processamento de imagens e viso por computador.

I. Introduo
O Processamento de imagens certamente uma rea em crescimento. Diversos temas
cientficos so abordados e em alguns casos de carter interdisciplinar. Entre eles podemos citar: a
compreenso de imagens, a anlise em multi-resoluo e em multi-frequncia, a anlise estatstica, a
codificao e a transmisso de imagens, etc. Mas o que faz do processamento de imagens uma
disciplina to particular e complexa ? O que faz com que no tenhamos ainda sistemas de alta
performance de reconhecimento de caracteres ou de formas mais complexas ? A resposta a estas
questes sero discutidas ao longo deste artigo onde apresentaremos problemas e aplicaes que
demandam tcnicas especializadas de processamento de imagens com o intuito de compreender e
responder a estas questes.
A disciplina Processamento de Imagens vem na realidade do Processamento de Sinais. Os
sinais, como as imagens, so na realidades um suporte fsico que carrega no seu interior uma
determinada INFORMAO. Esta INFORMAO pode estar associada a uma medida (neste caso falamos
de um sinal em associao a um fenmeno fsico), ou pode estar associada um nvel cognitivo (neste
caso falamos de conhecimento). Processar uma imagem consiste em transform-la sucessivamente
com o objetivo de extrair mais facilmente a INFORMAO nela presente. Cabe neste momento fazer uma
comparao entre o Processamento de Imagem e rea de Computao Grfica, tcnica que
encontramos freqentemente aplicadas atravs de seqncias 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 camera) ou de uma seqncia de imagens para obtermos a INFORMAO. Deste ponto de
vista o Processamento 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 [1, 2 e 3]. evidente que neste sentido processar uma imagem, como feito
pelo sistema visual humano (SVH), extremamente complexo [4, 5, 6 e 7]. Realizar as mesmas tarefas
que o SVH, 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.
A analise quantitativa e a interpretao de imagens representa atualmente um ponto de apoio
importante em diversas disciplinas cientficas. Tal o caso por exemplo na cincia dos materiais, na
biofsica, na medicina, na fsica da matria condensada, etc. Na realidade a diversidade de aplicaes
2
do processamento de imagens, est associada diretamente a anlise da INFORMAO que falamos
acima. Pois em todas estas disciplinas estamos na realidade em busca de informaes quantitativas
que representem um fenmeno estudado. Quando observamos do ponto de vista da tica, uma
imagem um conjunto de pontos que convergem para formar um todo, mas podemos dizer de uma
maneira mais ampla que uma imagem o suporte para efetuarmos troca de INFORMAES. O termo
imagem estava inicialmente associado ao domnio da luz visvel, porm atualmente muito freqente
ouvirmos falar de imagens quando uma grande quantidade de dados esto representados sob a forma
bidimensional (por exemplo: as imagens acsticas, ssmicas, de satlites, infravermelhas, magnticas
etc). Os mtodos recentes de explorao automtica desta informao permitiu o desenvolvimento de
tcnicas complexas, que podem ser globalmente classificadas em duas grandes linhas. A primeira est
associada a uma ANLISE da informao e a segunda representa as tcnicas que permitam obter uma
MELHORIA (do termo em ingls ENHANCEMENT) significativa da imagem. Nos pargrafos posteriores
vamos discutir cada uma destas linhas.
I.1 - Anlise
O termo anlise est relacionada a parte do tratamento onde existe uma descrio da
INFORMAO presente na imagem. Esta parte chamada de parametrizao e nela que vrias
medidas quantitativas (parmetros) so utilizadas para descrever diferentes informaes dentro de uma
imagem. Algumas aplicaes tpicas so: a determinao do nmero de clulas presentes em um
tecido biolgico, o clculo das formas dos contornos de uma clula ou ainda a determinao da
distribuio de uma populao especfica de um conjunto de clulas. As tcnicas dedicadas a anlise
de imagens podem variar significativamente segundo a sua complexidade e a necessidade em tempo
de processamento. E nesta rea que vamos encontrar um nvel elevado de complexidade no
tratamento da informao. Um exemplo prtico e quando da classificao automtica de clulas
doentes dentro de um conjunto de clulas observadas em microscopia. Esta anlise especfica
demanda solues dadas pelas tcnicas de CLASSIFICAO E RENCONHECIMENTO DE FORMAS, que
discutiremos brevemente posteriormente neste artigo. Neste caso devemos rapidamente medir vrios
parmetros, pertinentes ao problema, na imagem, como por exemplo: a superfcie, a forma de cada
clula, sua quantidade, o nmero de clulas vizinhas a uma dada clula e a densidade de clulas em
uma dada regio. Em seguida comparamos estas medidas com vrias classes de clulas organizadas
em uma base de dados, catalogadas anteriormente. Obteremos ento uma classificao das clulas
com uma dada probabilidade de serem clulas doentes ou normais.

I.2 - Image Enhancement
O termo enhancement esta associado a melhoria da qualidade de uma imagem, com o
objetivo posterior de ser julgado por um observador humano. De uma forma geral ns vamos trabalhar
nos nveis de cinza da imagem, transformando-os para aumentar o contraste ou para colocar em
evidncia alguma regio de interesse particular. Alguns exemplos deste tipo de tcnica a subtrao
da imagem por uma imagem referncia, a utilizao de cores-falsas, a utilizao de filtros espaciais, a
correo de deformaes espaciais devido a tica ou devido a uma variao de inomogeneidade da
iluminao de fundo. Os sistemas dedicados a melhorar a qualidade da imagem trabalham geralmente
muito rpido, pois so construdos em hardware ou firmeware, permitindo rapidamente ao usurio
um julgamento sobre vrias imagens processadas, segundo o tipo de tratamento. Esta tcnica
3
encontrada na maioria dos programas de tratamento de imagens ou fotografias que esto atualmente
no mercado, mas com algoritmos implementados em software, para computadores do tipo PC.

I.3 - Sistema Geral de Viso
Um sistema geral de viso, isto , um sistema que deve responder a todas as situaes, como
o caso do Sistema Visual Humano, extremamente desenvolvido e complexo. O interesse em se
compreender um tal sistema fundamentalmente de orientar a pesquisa de uma mquina de
reconhecimento genrica com as mesmas caractersticas do SVH. Atualmente algumas correntes
cientficas consideram o crebro humano uma mquina com grande capacidade de explorar as
informaes sensoriais. Filosoficamente no se pretende, com estas linhas de pesquisas, retirar as
qualidades humanas associadas ao crebro ou aos homens. Mas devemos atentar para alguns pontos
fundamentais: os computadores atuais so extremamente eficientes para trabalharem com base de
dados, clculos numricos e formais, mas eles no conseguem realizar eficientemente algumas tarefas
simples realizadas por animais e seres-humanos. Fica ento uma questo, que parte integrante das
linhas de pesquisas modernas em processamento de imagens: Seria realmente o computador a
maquina mais adaptada para resolver estes problemas ? Um exemplo prtico o processo de
reconhecimento de uma pessoa pelo SVH. O trabalho realizado pelo crebro nos parece muito simples
e bastante elementar; porm uma anlise detalhada mostra que o crebro humano capaz, a partir de
uma grande quantidade de informaes de luminncia e crominncia (captada pelos olhos) de realizar
esta tarefa de reconhecimento em apenas 150ms. Os computadores atuais so na pratica sistemas
experimentais que nos ajudam a melhor compreender estas tarefas e consequentemente modeliz-las
e reproduz-las.

I.4 - Sistemas Experimentais
Quando o sistema se restringe a sistemas experimentais, isto , ele orientado para a soluo
de um problema especfico, a tarefa prtica de uma certa forma simplificada, pois poderemos
controlar alguns parmetros que um sistema geral de viso no tem acesso. A dificuldade est no fato
de que devemos dar uma descrio objetiva ao problema e para aquelas anlises que so cientficas
ainda importante que esta descrio seja quantitativa. O objetivo neste caso desenvolver um sistema
de tratamento da informao onde cada fase vai exigir mtodos para retirar da imagem os parmetros
que exprimam esta informao. Fica assim evidente que o processamento de imagens, quando
associado a sistemas experimentais, bastante dependente do problema a ser resolvido. Neste
instante as fases de pr-tratamento (seja na imagem ou fora dela, como por exemplo o controle da
iluminao externa) podem ter um peso importante quando queremos aumentar a performance
computacional do sistema. Um sistema de processamento de imagens pode ser de uma maneira geral
dividido nas seguintes etapas:








4
ETAPA DESCRIO
1. Tratamento fora da imagem
Correo de iluminao, uso de colorantes qumicos,
etc.
2. Aquisio da imagem Amostragem, armazenamento e compactao.
3. Melhoramento (image enhancement) * Pr-tratamento digital da imagem.
4. Segmentao da informao * Extrao dos objetos do fundo da imagem
5. Parametrizao *
Determinao de grandezas sobre cada objeto:
rea, permetro, forma, descrio estrutural,
topologia, etc
6. Reconhecimento * Classificao dos objetos
7.
Anlise Quantitativa: *
Aplicao da ferramenta a outras reas
cientficas.
Associao das grandezas ao problema:
determinao de funes de correlao espacial ou
temporal, anlise de seqncia de imagens, etc.

*
- Fases com extrema dependncia ao problema onde o Proc. de Imagens est aplicado.

Discutimos at aqui questes importantes e essenciais para a compreenso de um sistema de
processamento de imagens quando utilizado como ferramenta para a soluo de um determinado
problema. Nos pontos seguintes vamos entrar mais em detalhes nas tcnicas de processamento e em
especial discutiremos os elementos principais de um sistema digital de processamento de imagens.
Discutiremos tambm as tcnicas e os problemas que podemos encontrar na implementao de
sistemas de processamento de imagens: como a discretizao, a medida de distncias em imagens
digitais, a conectividade entre pixels etc. Veremos ao final tcnicas de filtragem espacial, segmentao
de imagem e reconhecimento de formas.

II - Sistema de Processamento de Imagens

Um sistema de processamento de imagens pode ser dividido em diversos componentes
independentes, como mostrados na figura 1.


Figura 1 - Diagrama em blocos de um sistema genrico de processamento de imagens. O retngulo
pontilhada indica as partes encontradas atualmente nos sistemas de processamento de imagens comercializados. O
poder do processamento esta associado a potencialidade do processador grfico e a capacidade de estocagem de
imagens na memria principal. A organizao desta memria pode variar segundo a resoluo ou a necessidade de
estocagem de grande quantidades de imagens. Veja o texto para maiores detalhes.
5

O mdulo de entrada constitudo por uma camera que capta a imagem real de uma cena.
Esta camera envia a informao sob a forma de sinal analgico de vdeo, um conversor analgico
digital. A imagem ento representada na forma digital. Uma imagem digital discretizada
espacialmente (ou seja em x e y) e em luminncia (nveis de cinza). A ttulo de exemplo, uma imagem
tpica de 640x480 por 256 nveis-de-cinza tem 307.200 bytes. Alguns exemplos de mdulos de
aquisio so: as cameras tubo (Vidicom) ou CCD, os scanners ou ainda alguns sensores dedicados
(como sistemas de infravermelho, mapeamento magntico de uma superfcie, sensoriamento de
radares, etc). A camera de vdeo o sensor de aquisio de imagem mais freqentemente utilizado.
Uma camera de vdeo apresenta caractersticas de sensibilidade, resoluo e funo de transferncia
(entre a imagem captada da cena e a intensidade do sinal de vdeo fornecido). Algumas cameras mais
sofisticadas permitem ainda controlar o offset ou ganho do sinal de vdeo, possibilitando uma correo
do contraste da imagem em tempo real. Em alguns casos podemos encontrar mdulos que permitem o
ajuste da iluminao de fundo ou ainda realar os contornos dos objetos atravs da execuo de
funes especficas [2].

O sinal de vdeo gerado pelo dispositivo de aquisio convertido em sinal discreto pelo
conversor A/D. Este conversor um dispositivo de converso especial para sinais de vdeo, onde a
aquisio realizada segundo a padronizao do sinal de vdeo (linha a linha). Aps a converso da
imagem pelo mdulo de converso analgica digital, cada intensidade indexa uma tabela de converso.
Esta tabela conhecida como "Look-up table" ou simplesmente LUT. As LUTs so na realidade
memrias que possibilitam a modificao das intensidades adquiridas por valores pr-programados.
Podemos por exemplo configurar uma LUT com uma funo especfica e corrigir, em tempo real, o
contraste de uma imagem que esta sendo adquirida pelo ADC. A imagem digital em seguida
armazenada em uma memria principal de acesso exclusivo de um processador grfico. Este
processador bastante dependente do sistema de processamento de imagens utilizado. Em alguns
casos, por questes de custos, ele pode mesmo no existir, deixando todo o processamento para o
processador principal no computador de controle.

Neste texto considerarmos somente imagens em nveis de cinza, pois grande parte dos
algoritmos de anlise de imagens coloridas so feitas recombinando as componentes de cores e
trabalhando com a informao de luminncia somente. No caso de imagens coloridas cada
componente da imagem ("Red", "Green" e "Blue") armazenada separadamente na memria principal.

A imagem de sada geralmente reconstruda atravs de conversores digitais /Analgicos
(DAC), onde so somados pulsos de sincronizao para gerao do sinal de vdeo. Este formato de
sinal bastante utilizado por ser padro adotado por todos os fabricantes de equipamentos de vdeo.
Antes de ser reconvertido o sinal pode passar por outra LUT, desta vez a LUT de sada, que uma
tabela de indexao dos nveis de cinza na imagem para os nveis de sado enviado ao display grfico.
Podemos por exemplo configurar esta tabela com falsas cores e observarmos "on-line" diferentes
regies com cores diferentes. A figura 2 apresenta um exemplo da tcnica de "falsas cores" usada em
uma imagem de aglomeraes de lquidos magnticos. As clulas observadas na figura correspondem
a uma maior densidade do lquido magntico, observada atravs de uma tcnica conhecida como
Densimetria. A fonte luminosa envia um feixe de luz atravs do lquido. Cada pixel na imagem digital
6
representa na realidade uma medida da absoro da luz pelo lquido. Nas regies mais escuras a
absoro da luz maior, nas mais claras esta menor. As falsas cores permitem rapidamente
relacionar as regies equivalentes (em intensidade luminosa) em diferentes partes da imagem.

Figura 2 - Uso de falsas cores : A imagem da esquerda corresponde a uma estrutura hexagonal de um
liquido magntico semi-transparente observada em detalhes. Cada clula apresenta aproximadamente 0.5cm de
dimetro. Cada ponto da imagem corresponde a uma medida de absoro da luz. A absoro maior no centro das
clulas que nas suas bordas. Numa imagem em nveis de cinza praticamente impossvel identificar as mesmas
intensidades (absoro) em diferentes objetos. A imagem da direita corresponde a mesma da esquerda, mas com
uma LUT de cores. Cada nvel, ou regies contguas so associadas a diferentes cores, indo do preto ao amarelo,
passando pelo vermelho.

III - Pixel e Conectividade.

Um pixel ("picture element" ou "pel") o elemento bsico em uma imagem. A forma mais
comum para o pixel a forma retangular ou quadrada. O pixel tambm um elemento de dimenses
FINITAS na representao de uma imagem digital. Freqentemente, a organizao de uma imagem
sob a forma de uma matriz de pixels feita em uma simetria quadrada, i.e., na forma de um tabuleiro
de xadrez. Isto se deve a facilidade de implementao eletrnica, seja dos sistemas de aquisio seja
dos sistemas de visualizao de imagens. importante lembrar que este tipo de organizao provoca o
aparecimento de dois problemas importantes nas tcnicas de processamento. Em primeiro lugar um
pixel no apresenta as mesmas propriedades em todas as direes, i.e., ele anisotrpico. Esta
propriedade faz com que um pixel tenha 4 vizinhos de borda e 4 vizinhos de diagonal. Esta propriedade
nos fora a definir o tipo de conectividade que vamos trabalhar, ou D4 (onde levamos em considerao
apenas os vizinhos de borda) ou em D8 (onde levamos em considerao os vizinhos de borda e os de
diagonal). O segundo problema conseqncia direta do primeiro, ou seja as distncias entre um
ponto e seus vizinhos no a mesma segundo o tipo de vizinho (ela igual a 1 para vizinhos de borda
e 2 para aqueles na diagonal). Alguns tipos de algoritmos que so sensveis a este problema so : as
operaes morfolgicas que usam uma matriz de anlise do tipo 3x3, as operaes de esqueletizao
em anlise de formas e principalmente as transformaes de Distncias (na transformao de distncia
cada ponto da imagem ao invs de representar uma intensidade luminosa, representa uma distncia de
um dado ponto referncia ao ponto calculado). A soluo para este tipo de representao discreta da
imagem, a correo dos valores calculados atravs de mscaras (pequenas matrizes) que ajustam ou
ponderam estas distncias em funo da direo. O leitor deve atentar para as possveis complicaes
em medidas de distncias quando trabalhamos com um pixel que no seja de forma quadrada.

Regio de Interesse

Um conceito importante em processamento de imagens a Regio de Interesse. Entende-se
como Regio de Interesse (ROI - "Region Of Interest" ou AOI - "Area Of Interest") a regio definida
7
automaticamente a partir de parmetros obtidos na prpria imagem (ou por um usurio) onde o
processamento estar totalmente concentrado. Podemos, por exemplo, definir uma regio de interesse
onde sabemos por antecedncia que a iluminao de fundo constante ou foi corrigida. Normalmente,
nas tcnicas de processamento de imagens iremos sempre encontrar problemas no tratamento das
bordas da imagem. A criao de regies de interesse faz com que apaream tambm problemas nas
bordas das regies de interesse. A soluo deste problema completamente dependente do problema
ao qual o processamento de imagens esta associado, i.e., ao que conhecemos e podemos levar em
considerao anteriormente ao processamento.


IV - Distncias

Quando trabalhamos com imagens muito freqente medirmos distncias. Em muitos casos
usamos a definio clssica de distncia euclidiana entre dois pontos. Porem devido aos problemas
apresentados no pargrafo anterior se torna evidente que a simetria quadrada interfere na execuo de
alguns algoritmos. Existem diferentes medidas de distncia em funo da conectividade utilizada. Por
exemplo se considerarmos dois pontos p(x,y), q(s,t), da figura 3, teremos as seguintes definies de
distncia.

Figura 3 - Conexo entre dois pontos p(x,y) e q(s,t). A distncia entre estes dois pontos pode
ser determinada de diversas maneiras. Os nmeros 1 e 2 representam os pixels que seriam percorridos
somente uma vez nas duas representaes possveis quando samos de p para q. O nmero 3 indica
os pixels percorridos pelos dois caminhos.

Distncia Euclidiana : De p q x s y t ( , ) ( ) ( ) = +
2 2

D4 ou Distncia Manhattan : D p q x s y t 4( , ) = + . importante lembrar que em
D4 s podemos nos movimentar para a horizontal e para vertical. Os caminhos mostrados
pela figura 3 no servem para D4.
D8 ou Distncia Tabuleiro de Xadrez: D p q Max x s y t 8( , ) ( , ) = . Veja os dois
caminhos representados na figura 3.
Por exemplo, considere a medida do permetro de uma determinada forma, como aquela
mostrada na figura 4. Em uma imagem digital o permetro de uma determinada forma corresponde a
contagem dos pixels pertencente a borda do objeto. importante lembrar que em alguns casos, antes
de realizarmos a medida de distncias devemos antes isolar a forma do resto da image (discutiremos
este tpico no capitulo dedicado a Segmentao). Devemos conectar todos os pixels que pertenam ao
seu contorno para em seguida podermos medir o seu permetro. Na forma representada na figura 4
estamos supondo j conhecermos todos os pontos que pertenam a sua borda, para em seguida
calcularmos o seu permetro.

8

Figura 4 - Determinao do permetro de uma forma usando conectividade D8. Aps isolar o objeto do
fundo da imagem, devemos identificar os pontos que pertenam ao seu contorno. Escolhemos um ponto inicial ao
acaso e em seguida estes pontos devem ser conectados para efetuarmos o clculo do seu comprimento. O leitor
deve atentar para o fato de que segundo o tipo de conectividade adotada (D4 ou D8) teremos valores diferentes
para o permetro.

V - Filtragem

Em processamento de imagens, os filtros lineares so geralmente descritos atravs de
matrizes de "convoluo". No iremos aqui entrar em detalhes de filtros lineares, pois este assunto foge
ao escopo deste artigo, mas apenas descrever basicamente alguns pontos importantes em filtragens.
Maiores detalhes sobre este assunto pode ser encontrado em [1, 8 e 9]. Um filtro numrico vai
influenciar a variao da freqncia espacial em uma imagem. Na freqncia temporal a escala usada
geralmente o Hertz (s
-1
), em uma imagem usamos o 1/metro (m
-1
) ou 1/pels (pix
-1
). O termo
freqncia espacial anlogo ao termo freqncia temporal e ela descreve a velocidade de
modificao de uma luminosidade em uma direo em uma imagem.
Na prtica, para realizarmos uma operao de filtragem espacial, devemos escolher uma
matriz de dimenso n x n com valores que dependem do filtro que queremos usar, seja ele passa baixa
(filtrando as altas freqncias), passa faixa (filtrando uma regio especfica de freqncias espaciais)
ou passa alta (filtrando as baixas freqncias). Em uma imagem, as altas freqncias correspondem as
modificaes abruptas dos nveis de cinza, i.e., as bordas dos objetos. As baixas freqncias
correspondem as variaes suaves dos nveis de cinza. Logo quando queremos evidenciar os
contornos de um determinado objeto podemos usar filtros do tipo passa-alta. Em outros casos podemos
estar interessado na forma da iluminao de fundo, onde devemos usar filtros passa-baixa para
eliminarmos todas as altas freqncias correspondendo a borda dos objetos, e chegar a iluminao de
fundo.
Resumidamente na figura 5 apresentamos 3 filtros clssicos representados em uma pequena
matriz 3x3 e seu efeito numa imagem exemplo (Fig. 5a). Toda as operaes realizadas consistem em
gerar uma nova imagem onde cada ponto desta imagem corresponde a uma soma dos produtos termo
a termo da matriz 3x3 com imagem original. Por exemplo a aplicao do filtro Mdio (todos os
elementos iguais a 1 - Fig. 5b) em uma imagem, eqivale a um imagem final onde cada pixel
corresponde a media local, na imagem original, dele com os 8 pixels vizinhos. Veja o seu efeito na
figura 5b. Considere agora o efeito do filtro passa-alta da figura 5c. Todas as variaes fortes
horizontais, que correspondem as bordas horizontais do objeto, ficaram na imagem final filtrada. No
detalhamos aqui os problemas de representao em nmeros inteiro dos nveis de cinza e de
operaes em "ponto flutuante", como mdia ou mdias ponderadas. Neste caso os valores da nova
imagem devem ser truncados ou renormalizados em funo dos valores mximos e mnimos
trabalhados.
9


1 1 1
1 1 1
1 1 1

- 1 -1 -1
0 0
+1 +1

0 - 1 0
- 1 +5 - 1
0 - 1
0
1 0 +

(a) (b) (c) (d)
Figura 5 - Matrizes para Filtragem de uma imagem. (a) - Imagem original. (b) - A imagem eqivale um filtro
Mdio (passa-baixas). Os contornos perdem ligeiramente a nitidez. (c) - Filtro de deteco de variaes bruscas no
sentido horizontal (Passa-Alta). (d) - Filtro tambm Passa-Alta que melhora o contraste da imagem realando os
contornos do objeto.
VI - Segmentao

A segmentao consiste na primeira etapa de processamento da imagem quando
consideramos uma anlise do ponto de vista da INFORMAO nela presente. O termo segmentao
vem do termo em ingls "image segmentation", criado durante os anos 80 [11]. Esta rea representa
at hoje uma linha de pesquisa importante do processamento de imagens, principalmente por ela estar
na base de todo o processamento da informao em uma imagem.
Segmentar consiste na realidade em dividir a imagem em diferentes regies, que sero
posteriormente analisadas por algoritmos especializados em busca de informaes ditas de "alto-nvel".
Por exemplo cada pixel na imagem da figura 2 poderia ser segmentadas em duas regies: aqueles
pertencentes as clulas e aqueles pertencentes ao fundo da imagem. A imagem obtida neste caso
composta por apenas duas regies, por exemplo uma regio branca (fundo) e outra preta
(clulas/objeto). Esta imagem, com 2 nveis de cinza, conhecida como Imagem Binria. Devido as
grandes facilidades na manipulao deste tipo de imagens, principalmente porque reduzimos
significativamente a quantidade de dados, elas so freqentemente utilizadas no processo de
tratamento da informao.
Existem diversas tcnicas de segmentao de imagens, mas no existe nenhum mtodo nico
que seja capaz de segmentar todos os tipos de imagem. Globalmente, uma imagem em nveis de cinza
pode ser segmentada de duas maneiras: ou consideramos a semelhana entre os nveis de cinza ou
consideramos as sua diferenas. A deteco de um contorno de um objeto, atravs de matrizes do tipo
Passa-Alta, um exemplo de tcnicas baseado nas diferenas. Neste caso estamos segmentando as
imagens em regies que pertencem a borda do objeto.

VII - Reconhecimento

Reconhecimento a parte do processamento que vai classificar os objetos a partir de
informaes encontradas na imagem, geralmente tendo como apoio uma base de conhecimento
previamente estabelecida [6]. Esta fase normalmente aplicada aps uma fase de segmentao e
10
parametrizao da imagem. A fase de parametrizao identifica e calcula parmetros nos objetos
segmentados. Um exemplo de parmetros pertinentes a um objeto o seu permetro ou sua rea [12].
A figura 6a apresenta uma imagem onde esto presentes duas classes, facilmente
identificadas pelo SVH. Para construir um sistema de deciso que seja capaz de identificar estes dois
objetos devemos segmentar a imagem em regies: objeto e fundo. Os objetos da imagem
correspondem s reas dos pixels situados na regio escura da imagem. O fundo correspondem
aqueles pixels situados nas reas claras da imagem. Esta etapa realizada atravs da criao de uma
imagem binria onde classificamos dois nveis, aqueles correspondentes ao objeto e ao fundo. Em
seguida devemos atribuir a cada regio contgua de pixels, na rea pr-classificada objeto, um
indicador (label) que os identifica, figura 6b. Nestes objetos, definidos ainda por uma rea contgua de
pixels, podemos aplicar algoritmos que executem medidas especficas, como rea (A), permetro (P),
posio na imagem (xc,yc), nmero de furos, retngulo ou elipse que melhor se adapta a figura, etc.
Adotamos aqui dois parmetros especficos para criar um espao de medias, so eles: a relao entre
os eixos menor (b) e maior (a) da ELIPSE que melhor se aproxima do objeto e o FATOR DE FORMA (FF). O
fator de forma um parmetro definido pela equao:
FF = P
2
/(4p A)
O valor de FF tender para 1 toda vez que a figura se aproximar de um circulo ideal. A figura
6c apresenta este espao de medida para dois tipos de parmetros. Os pontos presentes na figura
representam diversos objetos da mesma classe, sendo os apresentados em negrito aqueles da figura
6a. A realizao de medidas, destes parmetros na imagem, pode se tornar imprecisa, principalmente
devido ao processo de binarizao da imagem. A qualidade final da imagem binria diretamente
dependente da qualidade de iluminao da mesma. Um bom espao de medidas significa na prtica
um eficiente sistema de reconhecimento de formas, e este deve ser o mais independente possvel dos
erros provenientes da segmentao ou da parametrizao. A figura 6c apresenta uma funo
discriminante que permite separar as duas populaes de pontos. No caso de utilizao de mais
parmetros para auxiliar a identificao esta funo ser um hiper-plano no espao.
importante ressaltar que para diferenciarmos as duas classes da figura 6 poderamos utilizar
apenas um dos dois parmetros, reduzindo o espao 2D em um nico eixo. Porem as duas nuvens de
pontos passariam a estar muito prximas uma da outra podendo o resultado ser comprometido pela por
esta reduo. Devemos ressaltar que espaos de medidas so muito importantes e utilizados em
reconhecimento de formas, seja por mtodos clssicos ou aqueles que usam mtodos baseados em
Redes Neurais.



(a) (b)
11
4 5 6 7 8 9 10 11 12
2
4
6
8
10
12
Classe dos
Alicates
Classe das
Canetas
E
l
i
p
s
e

(
a
/
b
)
Fator de Forma

(c)
Figura 6 - Uso de espao de medidas no reconhecimento de duas Formas. (a) Imagem original com a
presena de duas classes de objetos: canetas e alicate. (b) A imagem foi binarizada e os objetos receberam um
identificador (label). (c) Os parmetros so obtidos de cada um dos objetos identificados e o espao de medidas
separa as duas classes. Na imagem observamos uma populao de pontos que caracterizam a regio que
corresponde a classe. Os trs pontos em destaque identificam os trs objetos da figura original. Veja o texto para
maiores detalhes.

VIII - Concluso

Neste artigo discutimos tcnicas bsicas e introdutrias de processamento de imagens e
quando foi o caso exemplificando-as diretamente em uma imagem. Devemos lembrar que na prtica o
processamento de imagens uma tcnica extremamente dependente do problema que queremos
resolver. Muitos dos procedimentos usados em processamento de imagens ou viso por computador
podem ser caracterizados de rudimentares ou mesmo artezanais quando comparados ao complexo
sistema visual humano, pois sero especficos para cada aplicao.
Normalmente as tcnicas de processamento 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 topolgico so convenientes. Em
cada objeto definido em um espao 2D ns podemos efetuar medidas de superfcie, permetros,
comprimentos, espessura, posio, etc, e em seguida deduzir grandezas estatsticas de uma forma
automtica. importante ressaltar que a anlise automtica imprescindvel quando queremos efetuar
transformaes sucessivas na imagem.

Informaes sobre equipamentos: O investimento em equipamento de processamento de
imagens so ainda muito caros. Um hardware dedicado de processamento de imagens com um bom
software de anlise pode custar mais de R$100.000, (e so dificilmente encontrados no Brasil). Alguns
fabricantes importantes de sistemas de processamento de imagens so: Data Translation, Matrox e a
Hamamatsu. Do ponto de vista do grande pblico podemos encontrar sistemas de processamento de
imagens mais simples, mas em geral muito dependente do processador do computador onde esta
associado a placa de processamento. Um sistema barato pode custar na faixa de R$3.000, permitindo
apenas a aquisio e alguns tratamentos que visam melhorar a qualidade visual da imagem.
importante lembrar que existe, para o ambiente Mac-OS e Unix, sistemas de boa qualidade de domnio
pblico. Para o Macinstosh o software o NIH-Image do Instituto Americano de Sade ("National
12
Institute of Health") ver : ftp anonymous : zippy.nimh.nih.gov (pub/nih-image). Para o Unix existe o
sistema Khoros, desenvolvido pela Universidade do Novo Mxico, ver http://www.khoros.unm.edu/.

IX - Referencias:

1. "Digital Image Processing" - R.C.Gonzalez / R.Woods - Addison Wesley - 1992.
2. "Video Microscopy" - S. Inou - Plenun Press Nova Iorque - 4
Th
edition 1989
3. Computao Grfica: Imagem J. Gomes e L.Velho Ed. IMPA 1994
4. Vision D. Marr Freeman Nova Iorque 1982
5. Image Analysis and Computer Vision A. Rosenfeld Computer Vision Graphics and Image
Processing vol 59, p.367-404 1993
6. Neural Networks and application tutorial I. Guyon Physics Reports vol207, p.215-259
1991
7. Ignorance, Myopia and naivet in Computer Vision Systems T.O. Binford e R.C. Jain
Computer Vision Graphics and Image Processing vol.53 p.112-117 1991
8. The Scientist and Engineers Guide to Digital Signal Processing 2
nd
Edition - 1999
9. Precis danalyse dimages M. Coster e J.L. Chermant Editora do CNRS 1989
10. Fundamentals of Digital Image Processing. A. K. Jain Prentice Hall 1989
11. A survey on image segmentation K.S. Fu e J. K. Mui Pattern Recognition vol. No. 13 p.3-
16 1980.
12. Visual Language and software development environment for image processing J. Rasure,
D.Argiro, T.Sauer e C.Williams Jour. of Imaging System and Technology vol.2, p. 183-199
1990