Escolar Documentos
Profissional Documentos
Cultura Documentos
Segmentação de Imagens: Confronto Entre As Técnicas de Limiarização e Watershed
Segmentação de Imagens: Confronto Entre As Técnicas de Limiarização e Watershed
FEDERAL DO PARANA
DEPARTAMENTO ACADEMICO
DE INFORMATICA
TECNICAS
DE LIMIARIZAC
AO
CURITIBA
2011
TECNICAS
DE LIMIARIZAC
AO
CURITIBA
2011
AGRADECIMENTOS
Levei muito tempo para escrever os agradecimentos desta pesquisa. Trabalho difcil este de
descrever sentimentos em palavras. Nao tem uma equaca o, tabela ou grafico para ajudar...
Assim comeco a encarar essa tarefa com o agradecimento especial ao Profo Marlon de
Oliveira Vaz que alem de meu orientador, foi um amigo que ofereceu sua grande inteligencia e
capacidade a` servico dessa pesquisa e de meu auxlio.
Minha famlia, e meus amigos todos, em especial a Rosana Rogiski que merece o meu
agradecimento por sua compreensao, paciencia e carinho mesmo nos momentos de stress maior
e nas correco es no meio da noite.
Agradeco desde ja os professores que ministram esta materia de Metodologia de Pesquisa
da Universidade Tecnologica Federal do Parana, Gustavo Alberto Gimenez Lugo e Marilia
Abrahao Amaral pelos conselhos, dicas, e paciencia para explicar o que e mais correto a se
fazer em determinadas ocasioes.
RESUMO
ABSTRACT
LISTA DE FIGURAS
FIGURA 4 SEGMENTACAO
DARLY G. DE SENA JUNIOR; 2003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
FIGURA 5 TECNICA
DE WATERSHED; BRUNO KLAVA; 2009 . . . . . . . . . . . . . . . . 24
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
FIGURA 6 EROSAO E DILATACAO
FIGURA 7 THE COMPARATIVE RESEARCH ON IMAGE SEGMENTATION ALGORITHMS;KANG, W.-X.; YANG, Q.-Q. LIANG, R.-P; 2009 . . . . . . . . . . 33
FIGURA 8 THE COMPARATIVE RESEARCH ON IMAGE SEGMENTATION ALGORITHMS;KANG, W.-X.; YANG, Q.-Q. LIANG, R.-P; 2009 . . . . . . . . . . 35
FIGURA 9 SOFTWARES;D.S. LOPES, J.A.C. MARTINS, J.G. CAMPOS E E.B. PIRES; 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
FIGURA 10 TUMOR MALIGNO;BANCO DE MAMOGRAFIAS DIGITALIZADAS 41
FIGURA 11 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
WATERSHED LIMIAR = 15.5 . . . . . . . . . . . . . . . . . . . . 42
FIGURA 12 SEGMENTACAO
WATERSHED LIMIAR = 13.5 . . . . . . . . . . . . . . . . . . . . 43
FIGURA 13 SEGMENTACAO
WATERSHED LIMIAR = 17.5 . . . . . . . . . . . . . . . . . . . . 43
FIGURA 14 SEGMENTACAO
FIGURA 15 TUMOR BENIGNO;BANCO DE MAMOGRAFIAS DIGITALIZADAS 43
FIGURA 16 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
WATERSHED LIMIAR = 5 . . . . . . . . . . . . . . . . . . . . . . . 44
FIGURA 17 SEGMENTACAO
FIGURA 18 HISTOGRAMA GERADO A PARTIR DA IMAGEM ORIGINAL . . . . . . 45
FIGURA 19 CONTORNO POR WATERSHED; CONTORNO PROPOSTO POR ZHAL;
CONTORNO PROPOSTO PELA BASE DE DADOS BERKLEY . . . . . . . . 46
FIGURA 20 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
EQUILIBRADA LIMIAR = 0.2980 . . . . . . . . . . . . . . . . . 47
FIGURA 21 LIMIARIZACAO
COM LIMIAR = 0.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
FIGURA 22 LIMIARIZACAO
COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
FIGURA 23 LIMIARIZACAO
FIGURA 24 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
EQUILIBRADA LIMIAR = 0.2314 . . . . . . . . . . . . . . . . . 48
FIGURA 25 LIMIARIZACAO
FIGURA 26 HISTOGRAMA CATEGORIA NATUREZA . . . . . . . . . . . . . . . . . . . . . . . . . 49
COM LIMIAR = 0.27 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
FIGURA 27 LIMIARIZACAO
COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
FIGURA 28 LIMIARIZACAO
FIGURA 29 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
EQUILIBRADA LIMIAR = 0.4314 . . . . . . . . . . . . . . . . . 50
FIGURA 30 LIMIARIZACAO
FIGURA 31 PRESENCA DE OUTROS ELEMENTOS SEGMENTADOS . . . . . . . . . . 50
COM LIMIAR = 0.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
FIGURA 32 LIMIARIZACAO
COM LIMIAR = 0.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
FIGURA 33 LIMIARIZACAO
FIGURA 34 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
PARA SEGMENTACAO
DE IMAGENS . . . . . . . . . . . . . . . . . . . 58
FIGURA 35 FUNCAO
LISTA DE TABELAS
TABELA 1
SUMARIO
1 INTRODUC
AO
..............................................................
1.1 OBJETO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Objetivos Especficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6 MOTIVACAO
...............................................................
2 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1 TECNICAS
DE PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . .
DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 SEGMENTACAO
2.2.1 Metodo de Segmentaca o no Domnio Espaco e Medida . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1.1 Segmentaca o Por Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1.2 Segmentaca o Por Limiarizaca o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Metodo de Segmentaca o no Domnio Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2.1 Crescimento de Regioes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2.2 Watershed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.3 Morfologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.3.1 Erosao e Dilataca o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.3.2 Abertura e Fechamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 SURVEYS DE AVALIAC
OES
DAS TECNICAS
................................
5 TECNOLOGIA DE SOFTWARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1 MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6 RESULTADOS OBTIDOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1 LIMIARIZACAO
............................................................
6.2 WATERSHED . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7 ANALISE
DO PROCESSO DE DESENVOLVIMENTO DA PESQUISA . . . . . . . .
7.1 CRONOGRAMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
REFERENCIAS
.................................................................
ANEXO A -- CODIGO
FONTE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
10
10
10
10
11
11
12
12
14
16
17
18
19
20
21
22
23
24
25
26
28
33
37
38
40
41
45
52
52
53
54
58
Introduca o
A a rea de processamento de imagens vem crescendo cada dia mais. Possui aplicaco es
em muitos campos, desde programas espaciais para o mapeamento geografico de planetas ate
aplicaco es em medicina, no melhoramento de contraste e brilho de imagens de raios X utilizadas
no diagnostico de diferentes doencas.
O primeiro uso do processamento de imagens de que se tem registro foi no melhoramento
de imagens digitalizadas para jornais, que eram transmitidas entre Londres e Nova York por
meio de cabos submersos em alto mar. Em cada extremidade do cabeamento havia um equipamento de impressao que codificava os dados e os reconstrua. Essa tecnica apresentava alguns
problemas, especialmente na seleca o e na distribuica o do nvel de brilho das imagens. Essa
metodologia foi superada com o advento de computadores de grande porte, que tinham suporte
para o processamento digital das imagens e geravam resultados mais satisfatorios (GONZALEZ;
WOODS,
2000).
2000).
Cada resultado da funca o f(x,y) e um elemento da imagem, denominado pixel. Uma imagem digital possui um numero finito de elementos e cada ponto corresponde a uma posica o em
um valor escalar ou vetorial. Se a imagem for colorida, o processamento ira trabalhar com o
valor vetorial, obtido pelo uso de tres dimensoes ou parametros (Red, Green, Blue) que correspondem a diferentes combinaco es de intensidades das cores citadas. Contudo, se a imagem
for tratada em tons de cinza o comportamento sera dado, entao, por uma escala vetorial de
dimensao igual a um (FREY, 2003).
Ha muitos metodos utilizados no processamento de imagens, sendo que a escolha adequada
10
1.1
Objeto
1.2
Problema
1.3
1.3.1
2000).
Objetivos
Objetivo Geral
Confrontar o desempenho das tecnicas Watershed e Limiarizaca o na segmentaca o de imagens diversas, com o intuito de identificar motivos que levam a` escolha de uma das tecnicas em
11
detrimento de outra.
1.3.2
Objetivos Especficos
1.4
Metodologia
12
1.5
Justificativa
A a rea de processamento de imagens vem sendo amplamente estudada, devido ao seu grau
complexidade e a enorme gama de aplicaco es possveis, tendo em vista que a sociedade esta
inteiramente conectada e busca-se a praticidade em tudo, entao, nada mais natural que, por
exemplo, o indivduo chegar em um mercado, fotografar um determinado produto e com uma
u nica foto ter acesso a` s informaco es deste, simplificando assim a sua vida.
Nossa sociedade vem acumulando dados. Muitas vezes essas informaco es sao armazenadas na forma de imagens. A historia da humanidade e muitas vezes contada atraves de registros
historicos no formato de imagens. Assim, recuperar e trabalhar com essas imagens, e , entao,
uma das grandes a reas de aplicaca o do processamento de imagens, pois a imagem permite conectar a informaca o com o observador, de forma que elas se transformam em objetos, facilitando
a extraca o de dados e a sua manipulaca o.
1.6
Motivaca o
13
14
Processamento de Imagens
15
Quando observamos uma imagem pelo a ngulo da o tica, temos, entao, que a imagem e um
conjunto de pontos que converge para formar a imagem, isto e , a imagem e a base para que haja
a troca de informaco es.
O objetivo de muitas tecnicas e promover ao observador uma compreensao da imagem.
Todavia, e necessario um trabalho basico em torno do processo de percepca o visual.
As imagens que as pessoas percebem no dia a dia consistem em luz refletida advinda dos
objetos. Sua natureza basica de f(x, y) pode ser caracterizada pela quantidade de luz incidindo
na cena observada e tambem pela quantidade de luz refletida do objeto.
Para ser adequada ao processamento, a funca o f(x,y) e necessario que a imagem seja digitalizada tanto espacialmente quanto em amplitude,de acordo com o disposto na Figura 2.
Esta digitalizaca o espacial e chamada de amostragem da imagem e a de amplitude chamada
de quantizaca o em nveis de cinza, que sera enfatizada no decorrer do trabalho (GONZALEZ;
WOODS,
2004)
16
2.1
Na a rea de detecca o e reconhecimento de imagens nao basta apenas representar a imagem com diferentes cores ou graduaco es, tambem e necessario identificar e estabelecer diferentes regioes na imagem. No processamento das imagens usamos tecnicas para obter essas
informaco es. Uma definica o mais formal e dada por Russ (RUSS, 1998), que afirma que processar uma imagem consiste em melhorar a aparencia visual desta para a visao humana ou
prepara-la para analise e mensuraca o das caractersticas e estruturas presentes.
As tecnicas dedicadas a` analise de imagens podem variar significativamente com relaca o a`
complexidade e a` necessidade em tempo de processamento. E nesta a rea que vamos encontrar
um nvel elevado de dificuldade no tratamento da informaca o (ALBUQUERQUE; ALBUQUERQUE,
2000).
Pode-se perceber que as tecnicas mais utilizadas no processamento de imagens segundo
artigos relacionados ao tema (DATTA et al., 2008), (INA, 1996), (YU et al., 2006), (RUDEK, 1999)
entre outros, sao: Vetor de Comportamento e a de Segmentaca o da Imagem. A segunda tecnica
sera abordada na proxima seca o desta monografia.
A tecnica do Vetor de Comportamento utiliza vetores para a representaca o das imagens, de
forma que o sistema pode operar com um espaco menor de informaco es, facilitando os metodos
de busca para a comparaca o dos ndices nos processos de seleca o de segmentos ou pontos
especficos (RUDEK, 1999).
Segundo Zhang, (GONG HONGJIANG ZHANG, 1994), a divisao da imagem em sub a reas facilita a localizaca o das informaco es e esta localizaca o pode ser dada pelo vetor de comportamento
V, cujo tamanho e dado por:
V = (M * N) + 1,
no qual M e N representam o numero de divisoes associadas a` imagem, fornecendo a quantidade de elementos do vetor de comportamento.
Para que o vetor seja u nico e levando em conta que podem haver vetores iguais para imagens
diferentes, e adicionado um elemento que garanta a manutenca o dessa consistencia.
A extraca o da informaca o consiste em uma varredura que analisa os pixels de cada regiao
da imagem. Nas sub-areas existe uma distribuica o da frequencia da variaca o da cor.
Com o auxlio de um processo de varredura sobre os bits da imagem, e possvel determinar
os intervalos usados na construca o do vetor. Assim, e feita a contagem das ocorrencias das
17
cores da imagem e a separaca o em grupos. O grupo que tiver maior ocorrencia e passado
para o vetor. Apos o preenchimento do vetor e gerado um ndice u nico para ele na posica o
previamente gravada, como descrito antes. Uma outra facilidade que a utilizaca o de ndices
traz, e a de facilitar a busca da imagem no banco de dados (RUDEK, 2000).
O uso de melhoramentos na imagem se da nesse ponto, quando se trabalha com os vetores
e nao com a imagem, como em outras tecnicas que serao citadas no decorrer desde trabalho.
Para a realizaca o da busca dos vetores para posterior recuperaca o da imagem e necessario
criar outro vetor de comportamento da imagem em amostra, com o ndice u nico desse(s) vetor(es) que depois e comparado com os vetores armazenados. A busca e feita com a forma
de uma a rvore do tipo top-down. O primeiro elemento a ser comparado e a primeira posica o
desse vetor, depois sao feitas ramificaco es equivalentes, e detectados provaveis candidatos a
serem a resposta. Apos este passo, compara-se as outras posico es. Caso a imagem nao tenha
a combinaca o correta dos vetores presume-se entao que a imagem nao corresponde a` quelas
armazenadas (RUDEK, 1999).
2.2
Segmentaca o de Imagens
18
2.2.1
Dj (x) = x - mj j = 1, 2, ..., M
Onde: a = (ata)1/2 e a norma euclidiana.
x pertence wi se Di(x) for a menor distancia
De acordo com Gonzaga (GONZAGA, 2007) e o equivalente:
dj (x) = xt mj 21 mtj mjj = 1, 2, ..., M
x pertence wi se di(x) for o maior valor
Sendo a fronteira de decisao entre as duas classes wi e wj :
dij = di(x) - dj(x) = xt (mi mj) 21 (mi mj)t (mi mj) = 0
n = 2 - uma reta
n = 3 - um plano
n > 3 - um hiperplano
Apos a consideraca o da imagem no espaco euclidiano, executa-se uma transformaca o linear
para outro espaco vetorial, processa-se a imagem e executa-se a transformaca o contraria. A
imagem e segmentada no espaco de domnio da propria imagem com o auxilio de tecnicas de
agrupamentos especficas para segmentaca o.
19
2.2.1.1
20
21
Os pixels rotulados com 1 correspondem aos objetos e os pixels rotulados com 0 correspondem ao fundo e T e um valor de tom de cinza predefinido denominado limiar.
A segmentaca o entao e efetuada, varrendo-se a imagem, pixel por pixel, identificando se o
pixel corresponde a um objeto ou fundo da imagem, sempre levando em consideraca o se o nvel
de cinza daquele pixel e maior ou menor que o limiar T.
A Figura 4 mostra o resultado da funca o descrita acima, obtida com base no histograma da
mesma quando em escala de cinza.
Na pratica, espera-se que a limiarizaca o seja perfeita, mas isso depende muito das condico es
a que a imagem foi exposta, pois como esta tecnica deriva dos nveis da escala de cinza e um
simples feixe de luz indesejado altera o resultado, espera-se que os ambientes de aplicaca o da
tecnica sejam altamente controlados. Podemos ter esse controle em industrias, por exemplo,
onde esta tecnica e aplicada nas inspeco es industriais, onde se tem o controle da iluminaca o no
momento da captura da imagem (GONZALEZ; WOODS, 2004).
2.2.2
O conceito de domnio espacial refere-se ao proprio cenario da imagem, e as tecnicas utilizadas nesse metodo constituem-se na manipulaca o direta dos pixels na imagem, ou seja, o
metodo de agrupamento no domnio espacial opera diretamente nos pixels das imagens que sao
expressas pela funca o: g(x,y) = T [f (x, y)]
no qual, a funca o f(x,y) e a imagem de entrada e a funca o g(x,y) e o resultado da imagem,
i.e., a imagem processada. O T e um operador que age sobre f definindo os pixels que compoem
uma vizinhanca dada por uma coordenada (x,y) na imagem (GONZALEZ; WOODS, 2000).
22
O foco para definir uma vizinhanca em torno de (x,y) se da usando uma sub-imagem, no
qual o quadrado central e movido pixel a pixel aplicando o operador para cada posica o (x,y) da
imagem, de forma a obter, entao, a funca o g naquele ponto (GONZALEZ; WOODS, 2004).
O T tambem pode ser da forma mais simples, fazendo com que a funca o g dependa apenas
do valor de f em (x,y), caracterizando assim T uma funca o de transformaca o em nveis de cinza
da forma: S = T(r)
Onde s e r sao variaveis que indicam os nveis de cinza nas funco es g e f em qualquer ponto
da imagem.
Como o realce de qualquer ponto da imagem depende estritamente do nvel de cinza do
ponto, denominamos as tecnicas desta categoria como processamento ponto a ponto (GONZALEZ; WOODS,
2.2.2.1
2000).
Crescimento de Regioes
23
Watershed
24
2.2.3
Morfologia
25
Quando se trabalha com imagens binarias, o resultado da junca o de todos os pixels pretos
da imagem e a descrica o completa dela, que pode ser representada da forma Z 2 , onde cada
elemento do conjunto e um vetor bidimensional cujas coordenadas sao (x,y). Entretanto, as
imagens em escala de cinza tem o comportamento Z 3 onde dois componentes referem-se a` s
coordenadas e o terceiro corresponde a` intensidade da escala (GONZALEZ; WOODS, 2007).
2.2.3.1
Erosao e Dilataca o
A erosao e a dilataca o sao operaco es de extrema importancia na morfologia do processamento de imagens, e formam a base para a construca o das transformaco es mais complexas.
Assim, numa cadeia morfologica de processamento de imagens, podemos encontrar um grande
numero de operadores encadeados, todos definidos a partir destas funco es elementares (GONZALEZ; WOODS,
2004).
A erosao consiste em provocar efeitos de erosao nas partes claras da imagem (altos nveis
de cinza), gerando imagens mais escuras, ou seja, encolhe objetos da imagem onde suas formas
e extensoes sao controladas por um elemento estruturante, como pode ser visualizado na figura
6. Nela o segundo segmento e resultado da erosao aplicada ao primeiro (GONZALEZ; WOODS,
2007).
A funca o matematica que representa a erosao e dada A por B, denotado AB, e definida
como:
AB = {x |(B)x A}
26
Abertura e Fechamento
Uma vez que a erosao reduz a imagem e a dilataca o a expande, a operaca o morfologica
de abertura e fechamento consiste no fato que a abertura ira suavizar os contornos e eliminar
rudos de menor porte na imagem, enquanto o fechamento provoca a reaca o oposta a` abertura,
fundindo as quebras da imagem em pedacos finos, eliminando pequenos buracos e preenchendo
fendas em um contorno (GONZALEZ; WOODS, 2000).
Pode-se, entao, concluir que a abertura e composta por uma erosao seguida de uma dilataca o.
O que acontece e que, apesar de serem operaco es opostas, uma nao desfaz a outra (MARQUES;
NETO,
1999).
O fechamento e o oposto da abertura: uma dilataca o seguida por uma erosao. Algumas
vezes completa uma textura, ou pode unir linhas que estavam proximas mas nao se tocavam
(MARQUES; NETO, 1999).
27
28
Trabalhos Relacionados
Existem varios trabalhos relacionados com a presente proposta. Neles sao encontradas
aplicaco es que vao desde restauraco es, estudo de doencas em culturas agrcolas ate medico es
de nucleos de nuvens e detecca o de doencas como o cancer de mama.
Junior et ol (JUNIOR FRANCISCO DE A. DE C. PINTO; TEIXEIRA, 2003), por exemplo, utilizou
a tecnica de limiarizaca o para estudar as imagens de plantas de milho atacadas por lagartas.
Nesta pesquisa foram utilizadas imagens de plantas atacadas e nao atacadas, em tres e pocas
distintas e sob a influencia de luminosidades diferentes, correspondendo a diferentes dias apos
a infestaca o, de forma que foram criados tres grupos com dez imagens cada.
A imagem da planta de milho atacada pela lagarta foi processada em escala de cinza o
que neste caso especfico e fundamental, pois permitira que a palha presente no solo, devido a`
utilizaca o do sistema de plantio direto, apareca em tons mais claros que as folhas das plantas vivas, possibilitando a sua diferenciaca o e, por conseguinte, a nao interferencia no processamento.
Assim, foi realizada a limiarizaca o a partir do histograma das imagens.
A partir do tratamento das imagens por limiarizaca o, tornaram-se visveis os estragos causados pela praga na planta, ja que as folhas nao deterioradas pela lagarta ficaram brancas, em contraste com as marcas deixadas pela lagarta que se tornaram pontos negros na imagem. Contudo,
as imagens de plantas atacadas nos estagios mais avancados apresentaram resultados piores em
relaca o aos outros estagios, devido ao maior numero de objetos na imagem. Consequentemente,
um maior numero de pixels nas bordas confundindo-se, entao, com a cor de fundo da imagem
(JUNIOR FRANCISCO DE A. DE C. PINTO; TEIXEIRA, 2003).
Visando ainda a qualidade, tem-se a restauraca o de documentos historicos, tambem implementada com o uso da limiarizaca o (BERTHOLDO, 2007). A maioria das tecnicas utilizadas
para restauraca o de documentos historicos no a mbito computacional tem como foco a retirada
de rudos das imagens causados pela degradaca o, de forma a melhorar a legibilidade do documento.
Uma imagem do documento danificado e gerada e entao processada para escala de cinza.
29
Ao gerar o histograma, percebe-se que ha picos intensos de pixels. Isso se deve a` s palavras
escritas, ou seja, o texto e mais escuro que o fundo. Logo, ha um destaque nesses pontos no
histograma correspondente.
Vale ressaltar que para que essas observaco es sejam validas, os documentos tem que ser
do tipo textual, onde o fundo e representado por tonalidades claras e o texto por tonalidades
escuras. Com a limiarizaca o da imagem, consegue-se suavizar os rudos dela, tornando-as mais
legveis de forma a possibilitar a extraca o total do texto, de acordo com o gradiente da imagem
e o limiar definido.
Em suma, a limiarizaca o e capaz de eliminar problemas como rudos, nveis de contraste
e amenizar erros nos caracteres do texto. A aplicaca o do metodo possibilita a melhoria na
legibilidade e na qualidade visual dos documentos para a leitura (BERTHOLDO, 2007).
Atualmente, o metodo de segmentaca o de imagens por espaco e medida e utilizado em
sistemas de controle de trafego, pois fornecem uma tecnica eficaz para identificaca o de placas automoveis pelas cameras dos radares eletronicos (MONTEIRO, 2002). Com o apoio da
segmentaca o de imagens e possvel fazer o reconhecimento da posica o da placa e determinar os
caracteres que a compoe.
O processo consiste em, tirada a foto do veculo, manipula-la em uma escala de cinza
para que sejam visveis os caracteres, de modo a separa-los do fundo da imagem. Gerando o
histograma desse processo tem-se os pontos de pico de pixels que correspondem aos caracteres,
e, por conseguinte o limiar que auxiliara na proxima etapa do processamento.
Com o limiar do histograma definido, aplica-se, entao, a tecnica de limiarizaca o que converte a imagem para tons de preto e branco. O primeiro grupo de cor corresponde aos caracteres
e o segundo ao fundo da imagem.
Segundo Leonardo Hiss Monteiro (MONTEIRO, 2002), com a obtenca o dos caracteres da
placa ja e possvel a aplicaca o de uma outra tecnica que cortaria a placa em varios segmentos,
estes definidos por um intervalo vertical de pixels pretos e brancos, para assim permitir a retirada do caracter especfico e compara-lo com as informaco es contidas num banco de dados de
caracteres. Por fim, com os segmentos ja retirados da imagem e devidamente comparados com
os disponveis no banco de dados, sao visualizados os caracteres que compoem a placa de modo
que e possvel a identificaca o do dono do automovel (MONTEIRO, 2002).
Baseados na tecnica de Watershed no Domnio Espacial, existem sistemas automatizados
para a medica o da concentraca o dos nucleos de condensaca o de nuvens por visao computacional (PINHEIRO; CORTEZ; MOTA, 2011), que captura uma amostragem do ar atmosferico dentro
30
de uma camera de nuvens estaticas. Nestas condico es, as moleculas de vapor sao condensadas produzindo gotculas de a gua, que ao atravessarem um feixe de raios laser, que definem o
volume da amostragem, tornam-se visveis e prontas para que seja aplicado o processamento e
aplicaca o da tecnica.
A primeira fase e a conversao da imagem em tons de cinza para a contagem automatica do
numero de condensaca o. A aplicaca o do Watershed consiste em manipular a imagem de modo
que ela se pareca com um relevo topografico, onde cada altura deste relevo e relativo a uma
intensidade de cinza. Ao se promover a inundaca o dos vales, a partir de seus mnimos locais
e as construco es das bordas para evitar o transbordamento, destacam-se as linhas divisoras
de bacias, produzindo desta forma, a segmentaca o dos objetos presentes na imagem. Com a
transformada de Watershed e possvel, entao, obter a detecca o e a contagem das gotculas de
a gua formadas dentro do volume de amostragem. O uso desta tecnica, nesse escopo, e para a
identificaca o das gotculas de a gua parcialmente sobrepostas no volume da amostragem, e como
na construca o do mnimo local por gotcula, favorece a nao super segmentaca o e possibilita a
contagem e identificaca o (PINHEIRO; CORTEZ; MOTA, 2011).
Na a rea medica encontramos o uso da tecnica de Watershed para a detecca o de tumores
mamarios de forma automatizada (HUANG; CHEN, 2004). A utilizaca o da tecnica consiste no
uso de uma topografia que, no caso, ja vem convertida para a escala de cinza. A utilizaca o
do Watershed segmenta a imagem em varias bacias e as inunda para assim obter a regiao de
interesse. Neste caso, as bacias sao os contornos dos tumores mamarios que na topografia
apareceriam como uma bacia de cor mais acentuada.
A detecca o de tumores mamarios, atualmente, e realizada manualmente pelo medico. Contudo, a segmentaca o automatica pode reduzir o tempo necessario para esbocar um contorno
preciso e com alta precisao.
As imagens de ressonancia magnetica tem sido utilizadas como um recurso potente na
detecca o de cardiopatias e analises do funcionamento cardaco. Para (RONDINA, 2001) este
processo de reconhecimento de imagem pode ser automatizado por meio de tecnicas de processamento de imagens.
Na pesquisa feita por (RONDINA, 2001), foi utilizada a tecnica de Watershed para a segmentaca o
do ventrculo esquerdo.
O processamento se da em tres passos: pre processamento, segmentaca o e pos processamento, o que permite a visualizaca o da imagem segmentada. No pre processamento, a imagem
do corte do exame que se deseja segmentar e tratada para nveis de cinza para uma melhor
31
32
Contudo, em seu trabalho, ela combina a tecnica de watershed com a tecnica de Limiarizaca o de
OTSU que consiste em maximizar ou minimizar a variancia de intensidades dos pixels da imagem no processo de Limiarizaca o, ou seja, o algoritmo assume que a imagem a ser limiarizada
contem duas classes de pixels (por exemplo, primeiro plano e fundo), entao calcula o limiar
o timo que provoca a melhor separaca o entre essas duas classes de modo que a sua propagaca o
combinada (intra-classe variancia) seja mnima.
O algoritmo desenvolvido por Zghal (ZGHAL N.S. MASMOUDI, 2010), portanto, envolve as
duas tecnicas citadas. O seu trabalho buscou tecer uma comparaca o de seu metodo com com a
tecnica pura do watershed. Ambas sao aplicadas a imagens retiradas no banco de imagens da
Universidade de Berkeley na California (ARBELAEZ; MARTIN, 2007). A intenca o da comparaca o
e determinar qual das tecnicas e a mais eficiente para segmentar imagens com caractersticas
distintas. O proximo captulo e composto por um survey de avaliaco es e comparaco es entre as
tecnicas de processamento de imagem de compoe este trabalho.
33
34
35
Embora haja uma infinidade de algoritmos de segmentaca o concebidos dia apos dia, nenhum deles pode ser aplicado a todos os tipos de imagens e tecnicas de segmentaca o real, pois
cada tecnica visa uma determinada aplicaca o. O resultado da segmentaca o e afetado por muitos
fatores, tais como: homogeneidade das imagens, o personagem de estrutura espacial na continuidade da imagem, a textura, o conteudo da imagem e o carater visual fsico. O melhor metodo
de segmentaca o de imagem a ser aplicado e aquele que melhor se ajustar a` s caractersticas e objetivos que se busca alcancar com o processamento das imagens e, portanto, deve levar em
consideraca o todos estes fatores (KANG; YANG; LIANG, 2009).
Vale salientar, tambem, os pontos fortes e fracos da tecnica de Watershed, pertencente ao
grupo 2 de regioes baseadas em segmentaca o, de acordo com a Figura 7 . Segundo (KLAVA,
2009) os pontos fortes da tecnica de Watershed envolvem a facil segmentaca o de diversos objetos com suas metricas, contrastes, tamanhos e tambem por ser definida somente no nvel de
precisao de bacias primitivas implicando em eficiencia. Por outro lado, como essa tecnica e voltada para atuaca o no nvel primario das bacias, onde e possvel uma precisao maior, as partico es
que correspondem a` s bordas ficam deficitarias, o que nao deveria ocorrer, tendo em vista que
estas sao parte do conjunto das bacias.
Outro problema desta tecnica, relatado por (KLAVA, 2009), foi a possibilidade de fundir
duas regioes, pois ao selecionar a bacia de menor grau comum dos vertices correspondentes,
a tecnica pode acabar fundindo outras regioes gerando uma super segmentaca o. Um ponto
que merece bastante atenca o e que nao e possvel especificar diretamente a regiao de interesse,
sendo necessario que o usuario navegue na hierarquia das bacias ate que todas sejam mostradas,
retirando assim a opca o do usuario de escolher onde sera feita a divisao, o que pode gerar o
36
37
Tecnologia de Software
Este captulo tem como finalidade apresentar a ferramenta que sera utilizada nos experimentos, discutindo e analisando os resultados que serao alcancados.
No mercado existem varios softwares que fazem os trabalhos de quantificaco es, amostragens, conversoes, edico es etc. No entanto, os precos e as plataformas disponveis variam de
acordo com o produto escolhido, entre eles tem-se:
IDL (Interactive Data Language) (KRUSE, 2000).
Khorus. (SANDRI GERALD J.F. BANON, 2000).
Matlab (BARROS RODRIGO CARVALHO SOUZA COSTA, 2007).
Paraview (MORAES G. S., 2005).
ProEikon (BUSTOS MARCELINO P. S. SILVA, 2010).
Scion Image (TAKAHAGI et al., 2005).
Alem de serem usados de forma individual para resolver determinados problemas, devido a` s
caractersticas proprias de modelagem, as ferramentas, por compartilharem os mesmos blocos
fundamentais para processamento de imagens, a saber, aquisica o da imagem, processamento
digital da imagem e processamento de malha, podem ser fundidas e utilizadas de forma combinada a fim de maximizar os resultados (LOPES J.A.C. MARTINS, 2007), como pode ser visualizado na Figura 9, que detalha caractersticas de cada ambiente de desenvolvimento usados no
processmaento de imagens descritos ao longo desta seca o.
38
Figura 9: Softwares;D.S. Lopes, J.A.C. Martins, J.G. Campos e E.B. Pires; 2007
5.1
Matlab
O Matlab e uma ferramenta de facil utilizaca o. Conta com interfaces amigaveis e possui
ferramentas poderosas para visualizaca o de dados, bem de acordo com a filosofia de um laboratorio de dados: facil de experimentar e facil de averiguar.
Oferece a opca o de escrever os codigos por linha de comando, ja tendo incorporado em suas
bibliotecas funco es especificas para o processamento de imagens. Permite, tambem, que sejam
escritas novas funco es, em uma linguagem propria, porem muito parecida com a linguagem C
ou FORTRAN.
Como as funco es de processamento de imagens sao nativas do pacote desta ferramenta,
pode-se optar por nao escrever codigos, e simplesmente manipula-las de acordo com o escopo
definido.
Matlab e um sistema interativo de matrizes que pode ser usado tanto para o ensino de matematica fundamental quanto para calculos complexos de engenharia. O nome e uma abreviaca o
de MATrix LABoratory, e foi originalmente desenvolvido, com a intenca o de facilitar o acesso
39
a matrizes, para os projetos LINPACK (Linear System Package) e EISPACK (Eigen System
40
Resultados Obtidos
Nesta etapa, varios testes foram realizados com a finalidade de verificar qual o melhor
metodo para segmentar uma imagem. Para tanto, foram utilizadas imagens de duas bases de
dados (ARBELAEZ; MARTIN, 2007), (SOARES, 1998) tambem utilizadas nos artigos de (ZGHAL
N.S. MASMOUDI,
2010), (C. LEITE J. S. S., 2011), os quais foram detalhados no captulo 3, seca o
Trabalhos Relacionados.
A utilizaca o de bases de dados para os testes em segmentaco es de imagens e justificada
pelo fato que imagens sao muito sensveis a variaco es de luminosidade, a ngulos e modelos de
maquinas por exemplo. Por isso e importante usar um conjunto de imagens o menos suscetvel
a essas variaco es, pois do contrario, a qualidade das imagens poderia prejudicar os resultados.
O banco de imagens de Berkeley (ARBELAEZ; MARTIN, 2007) possui uma serie de imagens, algoritmos, conjunto de dados(dataset), Benchmark, com o objetivo de fornecer uma base
emprica para a pesquisa sobre segmentaca o de imagem e detecca o de fronteira. O mesmo
se aplica para o banco de imagens de mamografias (SOARES, 1998), que contem um conjunto
de imagens digitalizadas de mamografias, como resultado da colaboraco es entre o Instituto de
Computaca o e o Departamento de Radiologia da Universidade Federal Fluminense. O principal
objetivo da disponibilizaca o destas imagens e facilitar pesquisas e desenvolvimentos ligados a
mamografias de rotina.
As mamografias sao de pacientes diversos e contem tanto tumores diagnosticados como
benignos quanto malignos. Cada imagem foi previamente diagnosticada pelo Departamento de
Radiologia da UFF, Hospital Universitario Antonio Pedro e pelo IRSA - Instituto de Radiologia
s.a.. Estas imagens foram escaneadas por Luciana Marinho Soares em torno de 1200 dpi, e 256
tons de cinza e para que a seleca o do tumor fique visvel nesta tecnica, a imagem sofreu por um
processo no qual a imagem em escala de cinza foi transformada em negativo.
41
6.1
Limiarizaca o
Para os testes de identificaca o de tumores pela tecnica de Limiarizaca o, Leite (C. LEITE J.
S. S.,
tumor maligno, como pode ser visto na Figura 10; e o outro com uma imagem de um tumor
benigno que sera melhor detalhado ao longo desta seca o.
Com o intuito de estabelecer um parametro de comparaca o foi efetuado o tratamento da
imagem por meio da utilizaca o do metodo de Watershed, em confronto com o trabalho desenvolvido por Leite, que aplicou a Limiarizaca o a estas mesmas imagens. O codigo da implementaca o
do processamento da imagem por meio das tecnicas de Watershed e Limiarizaca o que sera posteriormente utilizada, esta anexo a esta monografia.
42
miar = 15.5
43
miar = 13.5
miar = 17.5
Os melhores resultados foram conseguidos com o limiar em 15.5 (Figura 12). Com o valor
do limiar em 13.5, (Figura 13), ocorre uma super segmentaca o das a reas ao redor do contorno
do tumor, ao passo que com o limiar em 17.5 (Figura 14), nao se consegue mais identificar o
tumor.
Para a segunda bateria de testes foi usada uma imagem do banco de imagens (SOARES,
1998) em que o diagnostico e de tumor benigno, identificada no banco de imagens com o nome
de bem26. Essa mesma imagem foi utilizada por (C. LEITE J. S. S., 2011) que no processamento
aplicou a tecnica de Limiarizaca o e obteve o resultado indicado na Figura 15.
Na imagem original utilizada por Leite, (C. LEITE J. S. S., 2011) (Figura 16), neste projeto de
pesquisa foi aplicado o algoritmo de Watershed, cujo resultado obtido esta indicado na Figura
17.
44
miar = 5
Pode-se observar na Figura 17, o algoritmo nao teve eficiencia, pois nao foi capaz de localizar e segmentar o contorno do tumor. Isso se deve aos diferentes nveis de intensidade da
imagem, ou seja, o algoritmo de Watershed trabalha com a segmentaca o calculando o gradiente
para todos os pixels da imagem.
O histograma presente na Figura 18 mostra detalhadamente a variaca o dos pixels e do gradiente na imagem original, o que explica os motivos pelos quais a tecnica de segmentaca o pelo
algoritmo de Watershed nao foi capaz de encontrar o tumor benigno.
45
Em suma, podemos concluir que a tecnica de Watershed aplicada aos tumores malignos e
benignos nao obtiveram resultados suficientemente relevantes para serem colocados a` frente da
tecnica de Limiarizaca o utilizada por Leite (C. LEITE J. S. S., 2011), uma vez que o objetivo do
processamento das imagens e permitir uma segmentaca o automatica que dispense a comparaca o
visual da imagem original com a segmentada, de forma que os resultados apresentem o menor
grau possvel de falsos positivos, resultados estes que nao foram encontrados na aplicaca o da
tecnica de Watershed.
6.2
Watershed
Zghal (ZGHAL N.S. MASMOUDI, 2010) utiliza-se da tecnica de Watershed para a segmentaca o
e detecca o de uma forma melhor de processamento de imagens. Esta e aplicada a` imagens retiradas do banco de imagens (ARBELAEZ; MARTIN, 2007), onde as imagens disponveis ja passaram
por um pre processamento e disponibilizando o melhor resultado encontrado ate entao.
46
Para que as comparaco es nao sejam parecidas e com a finalidade de se aperfeicoar a tecnica,
Zhal aplica um algoritmo proprio na imagem. Esse algoritmo consiste na uniao de duas tecnicas:
Watershed e Limiarizaca o de OTSU, esta u ltima consiste num algoritmo de processamento, no
qual assume-se que a imagem possui dois comportamentos. O primeiro seria relativo ao fundo
da imagem, e o segundo corresponderia ao objeto propriamente dito. O metodo procura entao
um nivel o timo da imagem, pesando o histograma, removendo o peso da intensidade ate que
esta se torne mais leve. Repete-se esse processo n vezes ate que o equilbrio (ponto o timo) da
imagem seja encontrado. A Figura 19 estabelece um comparativo entre a aplicaca o do algoritmo
de Watershed puro, o contorno proposto por Zghal, e o proposto pela base de dados Berkley.
Figura 19: Contorno por Watershed; Contorno Proposto por Zhal; Contorno Proposto pela Base
de Dados Berkley
funco es nativas do Matlab, a fim de reunir dados que permitam a comparaca o e determinaca o
47
de qual tecnica foi mais eficiente na segmentaca o quando comparados o resultado obtido pela
base de dados de Berkeley, e o resultado obtido com a aplicaca o da tecnica de Limiarizaca o
proposta por este trabalho.
Como pode ser observado na Figura 19, Zghal utilizou imagens de tres categorias diferentes: objeto, natureza e animal. A Figura 20 mostra a imagem original da categoria objeto,
disponvel no banco de dados citado sobre a qual foram aplicados os metodos de processamento
ja citados.
Limiar = 0.2980
0.2
0.4
Com relaca o a` categoria Natureza, foi utilizada a imagem presente na Figura 24. Os resultados obtidos com a aplicaca o da Limirizaca o com um limiar equilibrado podem ser vistos na
48
Figura 25.
Limiar = 0.2314
Pode-se observar que a Limiarizaca o segmentou a floresta. Contudo, a lua que fora segmentada pela tecnica de Watershed aplicada nos testes da base de dados de Berkley (ARBELAEZ;
MARTIN,
2007), e na pesquisa proposta por Zghal (ZGHAL N.S. MASMOUDI, 2010) nao foi en-
contrada. Este fato decorre de que ha pontos na imagem onde a intensidade luminosa e muito
elevada o que corresponde a` floresta e a` lua. Neste caso, a tecnica assume um limiar ideal,
geralmente encontrado no vale entre estes dois picos e segmenta a imagem em duas classes,
fundo e imagem. A tecnica com limiar o timo assumiu a floresta como imagem e o restante
como sendo fundo.
A Figura 26 mostra o histograma gerado a partir da imagem original processada.
49
Se aumentarmos o limiar para 0.27 (Figura 27) e 0.4(Figura 28), pode-se observar que
no primeiro caso houve a sementaca o da lua, porem a imagem sofreu uma alteraca o grande
em relaca o aos rudos, nao propiciando resultados satisfatorios que justifiquem a aplicaca o da
tecnica de Limiarizaca o. Em relaca o ao segundo limiar, (Figura 29), a imagem obtida apresentou uma super segmentaca o, aparecendo entao, apenas a lua, que era um dos picos do histograma. Como o limiar aumentou, o processo de Limiarizaca o destacou os pixels mais claro,
que correspondem aos picos mais a` direita do histograma visualizado na Figura 26.
0.27
0.4
Na categoria animal, a imagem original utilizada esta evidenciada na Figura 29. A aplicaca o
50
Limiar = 0.4314
A aplicaca o da Limiarizaca o, neste caso, nao obteve muito sucesso, pois mesmo aplicando
um limiar o timo, e possvel observar que alem do animal ter aparecido da imagem, que no caso
era o que queramos, encontramos tambem outras partes da imagem, como o reflexo na a gua,
capim, nao favorecendo o reconhecimento preciso do animal. Contudo, se compararmos com
a imagem segmentada por Zghal (ZGHAL N.S. MASMOUDI, 2010), Figura 31, e a segmentaca o
feita pela base de dados de Berkley (ARBELAEZ; MARTIN, 2007), podemos observar que tambem
encontramos estes vestgios citados anteriormente.
Para que a presenca desses elementos seja retirada e necessario que seja aumentado o limiar.
Na Figura 32, apresenta-se o resultado obtido com a aplicaca o de um limiar em 0.7. Neste caso,
conseguimos uma segmentaca o mais focada no animal e nao nos outros elementos. A figura 33,
por sua vez, mostra o que acontece quando se aumenta o limiar. Neste caso, ocorreu uma perda
significativa de conteudos da imagem.
51
0.7
0.9
2007).
52
Neste captulo sera feita uma analise do processo de desenvolvimento da pesquisa, evidenciando a forma de trabalho, erros e acertos cometidos.
7.1
Cronograma
1. Revisao Bibliografica
2. Definica o do grupo de estudo e coleta de informaco es referentes ao tema
3. Analise e escrita das informaco es obtidas na coleta de dados. Implementaca o do estado
da arte.
4. Identificaca o dos pontos negativos decorrentes das informaco es coletadas
5. Escrita e revisao da monografia, juntamente com a implementaca o da tecnica escolhida
Agosto
Setembro
Outubro
Novembro
ITENS 2a 3a 4a 5a 1a 2a 3a 4a 1a 2a 3a 4a 1a
1
2
3
4
5
2a
[5]
53
7.2
Para a realizaca o do presente trabalho de pesquisa foi utilizado o metodo a gil Burn Down
Chart, como forma de organizar o processo de pesquisa e facilitar a verificaca o semana a semana quanto ao andamento do trabalho. Foram planejadas e executadas 110 horas de trabalho,
distribudas entre os diferentes itens constantes no cronograma proposto, conforme disposto na
Figura 34.
Houveram semanas em que menos horas foram dedicadas ao estudo, mas que foram compensadas nas semanas seguintes, de tal forma a evitar a sobrecarga nas u ltimas semanas. Mesmo
com essa tentativa, e natural que haja uma intensificaca o do trabalho nas u ltimas etapas, o que
garantiu a compensaca o das eventuais disparidades entre horas planejadas e executadas, de
forma que ao final do perodo as 110 horas de trabalho foram cumpridas.
A razao para o nao cumprimento semanal das horas planejadas e justificada pela necessidade de cumprir outras atividades academicas, o que somado ao fato deste trabalho ter sido feito
individualmente, exigiu que nas semanas mais proximas a` s entregas intermediarias e a` entrega
final fossem perodos de maior intensificaca o dos trabalhos.
54
Referencias
55
GONG HONGJIANG ZHANG, C. C. H. Y. Image database system with fast image indexing
capability based on color histograms. Proceedings of IEEE Region. 10s Ninth Annual International Conference, Proceedings of IEEE Region. 10s Ninth Annual International Conference, v. 0, p. 23123, 1994.
GONZAGA, A. Reconhecimento e interpretaca o de imagens. Aula 9 - Reconhecimento e
interpretaca o de imagens. SEL -Departamento de Engenharia Eletrica de Sao Carlos. Universidade de Sao Paulo Disponivel em: http://iris.sel.eesc.sc.usp.br/sel886 2007. 2007.
GONZALEZ, R. C.; WOODS, R. E. Processamento de Imgens Digitais. [S.l.]: EDGARD
BLUCHER, 2000. 509 paginas p.
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. [S.l.]: EDGARD BLUCHER,
2004. 954 paginas p.
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing Using MATLAB. [S.l.]: EDGARD BLUCHER, 2007. 954 paginas p.
HUANG, Y.-L.; CHEN, D.-R. Watershed segmentation for breast tumor in 2-d sonography.
Ultrasound in Medicine & Biology, v. 30, n. 5, p. 625 632, 2004. ISSN 0301-5629.
Disponvel em: <http://www.sciencedirect.com/science/article/pii/S0301562903012171>.
INA, S. Presentation of images for the blind. SIGCAPH Comput. Phys. Handicap., ACM,
New York, NY, USA, v. 0, p. 1016, September 1996. ISSN 0163-5727. Disponvel em:
<http://doi.acm.org/10.1145/242574.242576>.
JUNIOR FRANCISCO DE A. DE C. PINTO, R. L. G. Darly G. de S.; TEIXEIRA,
M. M. Avaliaca o de metodos automaticos de limiarizaca o para imagens de plantas de
milho atacadas por spodoptera frugiperda. Revista Brasileira de Engenharia Agrcola
e Ambiental, scielo, v. 7, p. 359 366, 08 2003. ISSN 1415-4366. Disponvel em:
<http://www.scielo.br/scielo.php?script=scia rttextpid = S141543662003000200030nrm =
iso.
KANG, W.-X.; YANG, Q.-Q.; LIANG, R.-P. The comparative research on image segmentation algorithms. Education Technology and Computer Science, International Workshop
on, IEEE Computer Society, Los Alamitos, CA, USA, v. 2, p. 703707, 2009.
KLAVA, B. Segmentaca o interativa de imagens via transformaca o watershed. Tese (Doutorado) Instituto de Matematica e Estatstica da Universidade de Sao Paulo, 2009.
KREIDER, D. et al. Introduca o a` Analise Linear. [S.l.]: Unb, 1980.
KRUSE, A. L. F. The spectral image processing system (sips) - interactive visualization and
analysis of imaging spectrometer data. Cooperative Institute for Research in Environmental
Sciences, University of Colorado, Boulder, v. 0, p. 19, 2000.
LIPING, Z.; XINBO, G. Image segmentation via fast fuzzy cmeans clustering[J]. [S.l.]:
Computer Engineering and Application, 2004.
LOPES J.A.C. MARTINS, J. C. e. E. P. D. Modelaca o geometrica de estruturas humanas baseada em imagens de tomografia computadorizada. CMNE/CILAMCE 2007 Porto, 13 a 15 de
c APMTAC, Portugal 2007, v. 0, p. 13, 2007.
Junho, 2007
56
MARQUES Oge;
NETO, H. V. Processamento de Imagens Digitais. [S.l.]: Brasport, 1999.
MEZARIS V.; KOMPATSIARIS, I. S. Still image objective segmentation evaluating using
ground truth. [S.l.]: COST, 2003.
MONTEIRO, L. H. Reconhecimento de Placas de Veculos por Imagem. Tese (Doutorado)
Departamento de Ciencia da Computaca o IC/ UFF - defesa em 22/08/2002., 2002.
MORAES G. S., G. M. Avaliaca o de ambiente para manipulaca o e processamento de imagens
57
TAKAHAGI, R. U. et al. Avaliaca o quantitativa das dimensoes o culo-palpebrais em portadores de cavidade anoftalmica em uso de protese ocular externa. Arquivos Brasileiros
de Oftalmologia, scielo, v. 68, p. 517 520, 08 2005. ISSN 0004-2749. Disponvel em:
<http://www.scielo.br/scielo.php?script=scia rttextpid = S000427492005000400017nrm =
iso.
TAVARES, E. M. B. C. G. F. G. M. P. R. M. N. J. J. M. R. Metodos de segmentaca o para
modelaca o 3d do ouvido a partir de imagens. FEUP - Artigo em Conferencia Internacional,
I, p. 15, 2011.
VINCENT, L.; SOILLE, P. Watersheds in digital spaces: An efficient algorithm based on
immersion simulations. [S.l.]: Springer, 1991. 583598 p.
WANGENHEIM, P. D. r. E. C. Dr. rer.nat. Aldo von. Visao computacional. Disponvel em:
http://www.inf.ufsc.br/ visao/. 2009.
YU, D. et al. Quantification of neural images using grey difference. In: Proceedings of the 2006
workshop on Intelligent systems for bioinformatics - Volume 73. Darlinghurst, Australia,
Australia: Australian Computer Society, Inc., 2006. (WISB 06), p. 7380. ISBN 1-920-682546. Disponvel em: <http://dl.acm.org/citation.cfm?id=1274172.1274184>.
ZGHAL N.S. MASMOUDI, D. An improved otsu based watershed segmentation and its implementation on virtex ii pro plataform. Systems Signals and Devices (SSD), 2010 7th International Multi-Conference on, v. 1, p. 5, 2010.
58
Para a realizaca o deste trabalho foi desenvolvido um codigo na linguagem do Matlab, que
pode ser visualizado na Figura 35. As funco es que tratam do processamento de imagens tais
como: Transformaca o para cinza, Limiarizaca o, Watershed sao nativas do proprio Matlab,
sendo entao possvel chamar estas no decorrer do codigo. A explicaca o de cada passo esta
comentada no codigo.