Segmentação de Imagens: Confronto Entre As Técnicas de Limiarização e Watershed

UNIVERSIDADE TECNOLOGICA
FEDERAL DO PARANA
DEPARTAMENTO ACADEMICO
DE INFORMATICA
CURSO DE BACHARELADO EM SISTEMAS DE INFORMACAO
GUILHERME DA SILVA COSTA
DE IMAGENS: CONFRONTO ENTRE AS

SEGMENTAC
AO
E WATERSHED
TECNICAS
DE LIMIARIZAC
AO
CURITIBA
2011
GUILHERME DA SILVA COSTA
DE IMAGENS: CONFRONTO ENTRE AS

SEGMENTAC
AO
E WATERSHED
TECNICAS
DE LIMIARIZAC
AO
Trabalho academico apresentado para a disciplina

de Metodologia de Pesquisa, do Curso de Bacharelado em Sistemas de Informaca o do Departamento
Academico de Informatica da Universidade Tecnologica Federal do Parana.
Orientador:
Profo Marlon de Oliveira Vaz
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.
A mente de um homem expandida por uma nova ideia nao consegue

nunca voltar a` s suas dimensoes originais.(Oliver Wendall Holmes)
RESUMO
. Segmentaca o de Imagens: Confronto entre as tecnicas de Limiarizaca o e Watershed. 58

f. Curso de Bacharelado em Sistemas de Informaca o, Universidade Tecnologica Federal do
Parana. Curitiba, 2011.
A a rea de processamento de imagens vem crescendo a cada dia. Possui aplicaco es em muitos
ramos da sociedade: programas espaciais, a rea medica, agricultura, pecuaria, entre outros. Ha
diversas tecnicas desenvolvidas para o melhoramento das imagens, cada qual aplicada a um
escopo diferente, dependendo do tipo de resultado almejado. Tendo em vista a grande quantidade de tecnicas de processamento ja desenvolvidas, o presente trabalho de pesquisa e focado
na comparaca o de eficiencia entre as tecnicas de segmentaca o de Imagens Espaco de Medida
que compreende as tecnicas de Limiarizaca o e de Watershed. As duas tecnicas foram aplicadas
a imagens dos bancos de imagens (ARBELAEZ; MARTIN, 2007) e (SOARES, 1998) e os resultados foram comparados com o obtido em artigos anteriormente publicados. Dessa forma, foi
possvel verificar a aplicabilidade das tecnicas ou quais os motivos que levam ao insucesso das
aplicaco es das tecnicas citadas a` s imagens selecionadas dentro do escopo estabelecido.
Palavras-chave: Processamento de Imagens, tecnicas, segmentaca o, imagens,domnio espaco
e medida, domnio espacial, limiarizaca o, watershed
ABSTRACT
. . 58 f. Curso de Bacharelado em Sistemas de Informaca o, Universidade Tecnologica Federal

do Parana. Curitiba, 2011.
The area of image processing are growing every day. It has applications in many branches of
society: the space program, medical, agriculture, livestock, among others. There are several
techniques developed for the improvement of images, each applied to a different scope, depending on the desired result. Given the large amount of processing techniques already developed,
this research work is focused on the comparison of efficiency between the techniques of image
segmentation space as he understands the techniques of thresholding and Watershed. Both techniques were applied to image banks images (ARBELAEZ; MARTIN, 2007) and (SOARES, 1998)
and the results were compared with those obtained in previously published articles. Thus, it
was possible to verify the applicability of the techniques or the reasons that lead to failure of
the applications of the techniques mentioned selected images within the scope established.
Keywords: Image Processing, techniques, segmentation, image, domain space and measure the
spatial domain, thresholding, watershed
LISTA DE FIGURAS
FIGURA 1 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

DA IMAGEM DIGITAL EM PLANO CARTESIANO . . . . . . . . . 15
FIGURA 2 VISAO
POR HISTOGRAMA; DARLY G. DE SENA JUNIOR;
FIGURA 3 SEGMENTACAO
2003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
POR LIMIARIZACAO;
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 15 TUMOR BENIGNO;BANCO DE MAMOGRAFIAS DIGITALIZADAS 43
WATERSHED LIMIAR = 5 . . . . . . . . . . . . . . . . . . . . . . . 44
FIGURA 18 HISTOGRAMA GERADO A PARTIR DA IMAGEM ORIGINAL . . . . . . 45
FIGURA 19 CONTORNO POR WATERSHED; CONTORNO PROPOSTO POR ZHAL;
CONTORNO PROPOSTO PELA BASE DE DADOS BERKLEY . . . . . . . . 46
EQUILIBRADA LIMIAR = 0.2980 . . . . . . . . . . . . . . . . . 47
FIGURA 21 LIMIARIZACAO
COM LIMIAR = 0.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
FIGURA 26 HISTOGRAMA CATEGORIA NATUREZA . . . . . . . . . . . . . . . . . . . . . . . . . 49
COM LIMIAR = 0.27 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
FIGURA 31 PRESENCA DE OUTROS ELEMENTOS SEGMENTADOS . . . . . . . . . . 50
COM LIMIAR = 0.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
COM LIMIAR = 0.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
FIGURA 34 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
PARA SEGMENTACAO
DE IMAGENS . . . . . . . . . . . . . . . . . . . 58
FIGURA 35 FUNCAO
LISTA DE TABELAS
TABELA 1
CRONOGRAMA DAS ATIVIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

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).
O processamento de imagens consiste na interpretaca o da imagem digital com o auxlio

de um computador. Podemos definir uma imagem como uma funca o f(x,y), onde x e y sao as
coordenadas em um plano cartesiano e identificam os pixels da imagem e f e a amplitude da
funca o. Ao par de coordenadas denominamos de nvel de cinza da imagem. Quando os valores
de (x,y) e a intensidade de f sao finitos, chamamos a imagem de imagem digital (GONZALEZ;
WOODS,
2000).
Cada resultado da 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
e aquela que melhor se adapta ao escopo pre-definido.

Os metodos de processamento abordados neste documento trabalham com imagens em tons
de cinza, pois isso facilita a interpretaca o das a reas de detecca o de pontos isolados, linhas e
bordas da imagem, facilitando a aplicaca o das tecnicas, ja que isso torna desnecessario o estudo
comparativo entre as tres dimensoes de intensidades geradas a partir de uma imagem colorida.
1.1
Objeto
O processamento de imagens envolve procedimentos que sao expressos de forma algortmica.

Dessa forma, as imagens podem ser interpretadas por softwares e manipuladas por computador
(GONZALEZ; WOODS, 2000).
O presente trabalho se dedica a` comparaca o do processamento de imagens pela tecnica de
segmentaca o simples, que como aponta Wangenheim, possui diferentes subtecnicas, baseadas
no metodo de domnio espacial e no metodo de domnio de espaco e medida (WANGENHEIM,
2009).
O enfoque sera o confronto dos resultados obtidos a partir do modelo de agrupamento por
histograma e Limiarizaca o (tecnica de segmentaca o baseada em Espaco e Medida) e modelo de
Watershed da tecnica de segmentaca o baseada no conceito de Domnio Espacial.
1.2
Problema
O processamento de imagens e caracterizado por soluco es e metodologias especficas, pois

tecnicas que funcionam bem em uma a rea podem ter comportamento totalmente oposto em outra, ja que as diferentes formas de manipulaca o das imagens geram resultados dspares. Assim,
a definica o da tecnica mais adequada requer pesquisa e estudo que levem em consideraca o os
objetivos pretendidos e gerem imagens adequadas a` interpretaca o que se faca necessaria (GONZALEZ; WOODS,
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
Utilizando a tecnica de segmentaca o de Imagens pelo metodo de Espaco e Medida e pelo

metodo de Domnio Espacial pretende-se:
Identificar diferencas, semelhancas, pontos fortes e fracos das tecnicas de Limiarizaca o e
Watershed, referentes aos metodos acima citados, respectivamente;
Implementar os algoritmos das tecnicas de Watershed e Limiarizaca o utilizando a ferramenta Matlab;
Aplicar as tecnicas de Watershed e Limiarizaca o a um conjunto de imagens ja estudadas
por outros autores, confrontando os resultados com os obtidos por eles;
Identificar motivos que sugiram a escolha de uma das tecnicas em relaca o a` outra.
1.4
Metodologia
Este projeto sera desenvolvido com base nas seguintes etapas:

1. Estudo dos conceitos basicos do processamento de imagens:
Pesquisar sobre conceitos basicos do processamento.
2. Estudo das tecnicas:
Estudar as diversas tecnicas de processamentos de imagens.
Estudar as tecnicas de processamento de imagem Watershed e Limiarizaca o
Definir quando e porque se utilizar determinada tecnica.
3. Analise dos metodos selecionados e realizaca o de testes experimentais
4. Interpretaca o dos resultados obtidos:
Estudo dos metodos Domnio no Espaco e Medida e Domnio Espacial.
Grau de complexidade da tecnica escolhida dentro do escopo.
12
Realizaca o de testes experimentais utilizando o software MATLAB voltado para

calculos numericos.
Analise dos resultados utilizando metricas adequadas para comparaca o entre tecnicas
de segmentaca o de imagens.
5. Escrita da monografia
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
Reconhecimento de imagens e uma a rea ainda em estudo, e tem um campo de aplicaco es

muito abrangente. Reconhecer uma imagem, ou seja, relacionar uma imagem a um significado
e um processo muito complexo. E algo que desenvolvemos a partir das interaco es que temos
com o mundo, e, por isso mesmo, exige conhecimentos previos e envolve crencas sobre o que se
esta sendo analisado e o que se pretende fazer com o resultado do processamento das imagens,
uma vez que eles vao indicar as melhores tecnicas e os metodos mais eficazes a serem aplicados
durante o processo de tratamento das imagens.
Quanto a aplicaco es praticas, pode ser usado para identificar objetos de interesse em um
ambiente complexo, por exemplo, identificar objetos potencialmente perigosos em um aeroporto, demonstrando, assim, a importancia do estudo do processamento de imagens na a rea de
computaca o.
13
Desenvolver um trabalho na a rea de processamento de imagens envolve primeiramente

compreender alguns conceitos basicos que facilitam o entendimento das tecnicas e metodos utilizados para a manipulaca o de imagens. Por isso, o proximo captulo se dedica a apresentaca o
desses conceitos e topicos.
14
Processamento de Imagens
Segundo Albuquerque, (ALBUQUERQUE; ALBUQUERQUE, 2000) o termo Processamento

de Imagens e derivado do Processamento de Sinais. Estes, assim como as imagens, nada
mais sao que informaco es. O ato de processar uma imagem consiste em transformar estas
informaco es em objetos para facilitar a extraca o dos dados. Sendo assim, podemos comparar o
Processamento de Imagens com a Computaca o Grafica.
O primeiro, parte da imagem geralmente captada por uma camera, que apos passar por
etapas de processamento e transformaca o fornece a informaca o, de acordo com o representado
na Figura 1. O segundo parte da informaca o definida e a transforma em imagens ou filmes.
Portanto, fica evidente que o Processamento de Imagens e a Computaca o Grafica sao metodos
ate certo ponto divergentes, mas com um ponto de intersecca o comum: as tecnicas pela qual a
imagem e processada para a obtenca o da informaca o.
Figura 1: 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)
Figura 2: Visao da Imagem Digital em plano cartesiano
16
2.1
Tecnicas de Processamento de Imagens
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
Segundo o dicionario Aurelio (FERREIRA, 2005), segmentar e Dividir em segmentos. A

tecnica de segmentaca o subdivide uma imagem em regioes ou objetos proporcionais ao tamanho
do problema a ser resolvido, isto e , a segmentaca o deve parar quando o objeto de interesse na
aplicaca o tiver sido isolado (GONZALEZ; WOODS, 2004).
A segmentaca o nao e um processo tao o bvio, pois pode interferir na analise da imagem que
e um passo importante no reconhecimento de padroes, o que e uma questao fundamental na
extraca o da imagem.
Os algoritmos de segmentaca o sao geralmente baseados em duas propriedades basicas de
intensidade de valores: descontinuidade e similaridade. Na primeira, a abordagem consiste em
dividir a imagem com mudancas nos nveis de cinza, para que fique mais facil a interpretaca o
das a reas de detecca o de pontos isolados, linhas e bordas da imagem. As abordagens relativas
a` segunda propriedade, baseiam-se na limiarizaca o, crescimento de regioes, divisao e fusao de
regioes (GONZALEZ; WOODS, 2000).
Por sua vez, os metodos mais comuns empregados na segmentaca o podem ser divididos em
tres grupos principais (MEZARIS V.; KOMPATSIARIS, 2003)
Metodos de Segmentaca o no Domnio Espaco e Medida.
18
Metodos de Segmentaca o no Domnio Espacial.

Metodos de Segmentaca o no Domnio da Frequencia.
Os dois primeiros grupos serao descritos no decorrer dos proximos itens. O metodo de
segmentaca o no domnio da frequencia e um pouco diferente dos outros dois metodos, pois trabalha em outro espaco que nao o da imagem propriamente dita, no caso o espaco de frequencia.
Neste metodo, utiliza-se a imagem como um sinal e usufrui-se, entao, das variaco es no espaco
da imagem com frequencias, ou seja, observa-se as texturas de uma imagem com seus aspectos
principais (GONZALEZ; WOODS, 2004).
2.2.1
Metodo de Segmentaca o no Domnio Espaco e Medida
No primeiro grupo denominado segmentaca o no Domnio Espaco e Medida, a imagem

e considerada um espaco euclidiano que nada mais e que um espaco vetorial real de dimensao
finita, munido de uma funca o de dois vetores que satisfaz determinadas hipoteses iniciais (KREIDER et al.,
1980) que podem ser definidas por:
Dj (x) = x - mj j = 1, 2, ..., M
Onde: a = (ata)1/2 e a norma euclidiana.
x pertence wi se Di(x) for a menor distancia
De acordo com Gonzaga (GONZAGA, 2007) e o equivalente:
dj (x) = 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
Segmentaca o Por Histograma
A geraca o de histogramas permite a analise de caractersticas especficas de cada imagem,

como a distribuica o das cores. Alem disso, facilita o processo de recuperaca o da imagem
quando se utilizam banco de dados.
Quando se separam as cores da imagem e ocorre a contagem das mesmas e obtido entao
o histograma da imagem. Os histogramas definem o conjunto de todas as cores existentes
na imagem. Se duas cores ou mais forem agrupadas, entao elas terao o mesmo lugar no
grafico(GONZALEZ; WOODS, 2007). Segundo Ballard, (SWAIN; BALLARD, 1991), esta funca o
equivalente nao e uma das melhores para o reconhecimento, pois ha muitos intervalos de cores
em que duas cores com intensidades parecidas sao consideradas iguais, e uma cor depende de
onde esta localizada. Assim, o ideal e que as cores consideradas iguais estejam numa mesma
regiao, cuja forma esteja relacionada a` s possveis variaco es de rudo e brilho.
O histograma de cores carrega informaco es sobre a distribuica o destas, sendo que seu ponto
negativo e com relaca o a` localizaca o das cores. Alem disso, um histograma que compreende
uma imagem por inteiro e possui regioes pequenas, resulta na perda de detalhes, pois isso
prejudica a produca o de picos altos no grafico.
Em suma, existem muitos locais no histograma que nao apresentam nenhum pixel. Zhang
(GONG HONGJIANG ZHANG, 1994) considera neste caso apenas vinte regioes do topo da imagem
como relevantes para serem pixels representativos no histograma.
Por este motivo, neste trabalho, quando aplicada a tecnica de agrupamento por histograma,
para evitar problemas de localizaca o das cores, sera realizada a conversao da imagem para escala de cinza, ou seja, a imagem antes colorida que possua um valor vetorial de tres dimensoes
denominadas RGB (Red, Green, Blue), com a transformaca o para tons de cinza, o estudo do
comportamento da imagem sera feito numa escala vetorial de uma dimensao (FREY, 2003).
Dessa maneira, o histograma tem comportamento tal que quando os pixels sao representados
no grafico, o eixo X reflete os valores da escala de cinza que a imagem pode assumir e o eixo
Y a frequencia com que estas tonalidades ocorrem, conforme pode ser visualizado na Figura 3,
onde pode ser verificado o grafico de histograma gerado pela imagem em escala de cinza.
20
Figura 3: Segmentaca o Por Histograma; Darly G. de Sena Junior; 2003
O pico e formado pelos elementos existentes entre os vales e a identificaca o e marcaca o

deles na imagem original forma os segmentos da imagem. Os histogramas podem ter quatro
comportamentos distintos. Se os picos estiverem mais para a esquerda remete que a imagem
esta escura, se mais para a direita ela se encontra mais clara. Uma vez que os picos estejam
mais nos centros e com o eixo y alto, a imagem esta em um contraste baixo, logo se os picos
no eixo y estiverem baixos, a imagem se encontra em um contraste alto (GONZALEZ; WOODS,
2007).
2.2.1.2
Segmentaca o Por Limiarizaca o
A limiarizaca o ou tresholding e uma das mais importantes abordagens para a segmentaca o

de imagens, devido a` s suas propriedades intuitivas, simplicidade de implementaca o e velocidade
computacional. Logo, tem uma posica o central em aplicaco es de segmentaca o de imagens
(GONZALEZ; WOODS, 2007).
Apos ser gerado o histograma da imagem, aplica-se a limiarizaca o que analisa os nveis de
cinza analogos da imagem, extraindo os objetos de interesse atraves da seleca o de um limiar T
que separa os agrupamentos de nveis de cinza.
Uma imagem limiarizada g(x,y) e definida como:
g(x, y) = 1 sef (x, y)T
0 sef (x, y) T
(GONZALEZ; WOODS, 2004)
onde f(x,y) corresponde ao nvel de cinza do ponto.
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.
Figura 4: Segmentaca o Por Limiarizaca o; Darly G. de Sena Junior; 2003
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
Metodo de Segmentaca o no Domnio Espacial
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
Assim como na Limiarizaca o, na segmentaca o orientada a regioes, analisa-se a similaridade

dos nveis de cinza da imagem. O crescimento de regioes e um procedimento que agrupa pixels
ou sub-regioes em regioes maiores. Uma das mais usadas e simples abordagens e a agregaca o
de pixels, que comeca com a definica o de um par de coordenadas de pontos denominados sementes e, a partir deles, expandem-se as regioes anexando a cada ponto somente aqueles pixels
que possuam propriedades similares (como nvel de cinza, textura ou cor) (GONZALEZ; WOODS,
2000).
Umas das dificuldades inerentes a` essa tecnica e a seleca o das sementes que representam
a regiao de interesse na imagem, e a seleca o das propriedades de inclusao dos pontos quando
ha o crescimento das imagens. Portanto, a seleca o das sementes vai depender do problema
a ser processado. Como exemplo da aplicaca o dessa tecnica, a literatura cita o Processo de
Analise de Imagem Automatico de Detecca o de Armas escondidas (GESICK CANER SARITAC,
2009) no qual utilizam-se diversas tecnicas de processamento de imagens e uma delas e a de
crescimento de regioes. Neste caso, a semente escolhida e grupo de pixels que corresponde ao
gatilho da arma, ja que normalmente se constitui num padrao invariante nas armas, permitindo
o reconhecimento do objeto a partir do agrupamento das regioes e excluindo falsos positivos
devido a formatos parecidos. Cabe ressaltar que, nesta aplicaca o, a simples utilizaca o dos algoritmos para o crescimento de regioes nao garantia a correta detecca o de armas, gerando falsos
positivos. A eficiencia do processo foi conquistada a partir do uso combinado deste com os
padroes do gatilho. Dependendo do percentual de correspondencia da imagem digitalizada com
23
os padroes estabelecidos, as imagens sao entao totalmente digitalizadas e comparadas com a

linha de base e de rotaca o de uma arma verdadeira, permitindo assim a reduca o da percentagem
de falsos positivos.
2.2.2.2
Watershed
O metodo de Watershed consiste basicamente e como o proprio nome ja diz na traduca o

para o portugues, um divisor de a guas. Pode ser comparado com uma cadeia de montanhas que
divide a a gua da chuva em regioes para onde ela corre (SOILLE, 2003).
Este metodo utiliza o modulo dos gradientes, as variaco es da intensidade luminosa, ou seja,
ele calcula o gradiente para todos os pixels da imagem. Uma montanha possui vales e picos.
Se expandirmos essa metafora para os procedimentos adotados pelo metodo de Watershed,
podemos dizer que esses pontos de interesse sao definidos pelo gradiente: as regioes mais baixas
correspondem ao menor gradiente e as regioes altas seriam as de maior gradiente. O crescimento
de regioes seria, entao, equivalente a` inundaco es derivadas de pequenos furos nas regioes de
gradiente menor. Por conseguinte, a inundaca o atingira progressivamente os gradientes maiores,
ou seja, todos os pixels da imagem.
Dessa forma, a partir dos limiares da imagem calculam-se as zonas de abrangencia de cada
limiar dentro do proximo. Como a imagem a ser processada foi convertida para nveis de
cinza, somente alguns pixels sao tratados em cada etapa. Dessa maneira, em vez de digitalizar
a imagem inteira para modificar o valor de alguns pixels, um pixel tendo acesso ao outro ja
garante a execuca o do procedimento (VINCENT; SOILLE, 1991).
Um problema quanto a` utilizaca o do Watershed que utilizasse de gradientes e o agrupamento de regioes que possuem o mesmo gradiente mas com homogeneidade diferente, alem de
que a classificaca o dos gradientes e dada apos a inundaca o, dificultando o desempenho do algoritmo do Watershed. Em funca o disso, ha que se tomar especial cuidado quando da utilizaca o
dessa tecnica, tendo em vista que ela nao pode ser aplicada para todas as situaco es, uma vez
que estudos e testes de eficacia previos sao imprescindveis (SOILLE, 2003).
A figura 5 exemplifica os passos de execuca o do algoritmo de Watershed: em (a), visualizase a construca o dos mnimos e maximos da funca o, obtidos a partir dos diferentes gradientes da
imagem. O item (b), demonstra o nicio do processo de inundaca o das bacias ja definidas pelo
processo exemplificado em (a). Os passos seguintes, (c), (d) e (e) mostram o crescimento das
regioes inundadas em (b). Por fim, em (f) visualiza-se o resultado final da segmentaca o pelo
metodo de Watershed.
24
Figura 5: Tecnica de Watershed; Bruno Klava; 2009
2.2.3
Morfologia
A Morfologia Matematica consiste em uma abordagem nao-linear para o processamento

de imagens. Ela e definida a partir de um conjunto de transformaco es que auxiliam na analise,
segmentaca o e reconhecimento, tendo como base a informaca o da geometria desta imagem e da
forma dos seus objetos. A linguagem da morfologia no a mbito do processamento de imagens e
dada pela teoria dos conjuntos, que representam a forma dos objetos na imagem.
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).
Figura 6: Erosao e Dilataca o
A funca o matematica que representa a erosao e dada A por B, denotado AB, e definida
como:
AB = {x |(B)x A}
26
Onde a erosao de A por B e o conjunto de todos os locais do elemento estruturante e B nao

tem sobreposica o com o fundo (GONZALEZ; WOODS, 2004).
A dilataca o tem por objetivo provocar efeitos de dilataca o das partes escuras da imagem
(baixos nveis de cinza), gerando imagens mais claras, isto e , engrossa objetos em uma imagem. O jeito mais facil e especfico de estender essa parte da imagem e usando um elemento
estruturante que geralmente e representado por uma matriz de 0s e 1s, onde, a parte da imagem
em que sera realizado o espessamento esta codificada em 1s (GONZALEZ; WOODS, 2007).
O resultado desse procedimento pode ser visualizado na figura 6: o terceiro elemento da
imagem e o resultado da aplicaca o da dilataca o no primeiro elemento.
Matematicamente temos a dilataca o expressa como:
A B = {z |(B 0 )z A 6= }
O processo de dilataca o comeca na obtenca o da reflexao de B em torno de sua origem,
seguido da translaca o dessa reflexao por z. A dilataca o de A por B e entao o conjunto de todos
os deslocamentos z tais que A sobreponham-se em pelo menos um elemento nao nulo.
Uma das aplicaco es para esse tipo de tecnica e num processo desenvolvido pela Embrapa
(BALD M. F; ABREU, 2010), para o calculo do peso dos animais, que e estimado a partir do uso de
imagens digitais, nas quais sao aplicados diversos tratamentos, incluindo a dilataca o e a erosao
para uma melhor definica o da imagem a ser analisada por softwares adequados a` medica o de
peso.
2.2.3.2
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
Matematicamente, a abertura de um conjunto A por um elemento estruturante B, implica

A B, que podemos definir como:
A B = (AB) B
Onde representa a abertura, a erosao e a dilataca o. Em outras palavras, a
abertura de A por B e a erosao de A por B seguida de uma dilataca o do resultado obtido por B.
O fechamento do conjunto A pelo estruturante B resulta em A B, e e definido como:
A B = (A B) B
No qual e o fechamento, e a dilatacao e a erosao da imagem.
Assim, podemos dizer que ocorre uma dilataca o de A por B, seguida de uma erosao do resultado pelo mesmo elemento estruturante B. Estas propriedades auxiliam na interpretaca o dos
resultados obtidos quando as operaco es de abertura e fechamento sao utilizadas para construir
filtros morfologicos (ROERDINK; MEIJSTER, 2000).
Esse captulo demonstrou que ha muitas formas de se trabalhar com as imagens. Sendo
assim, o proximo captulo se dedica a apontar alguns trabalhos desenvolvidos na a rea de processamento de imagens, que utilizam os metodos e tecnicas descritos no decorrer das u ltimas
seco es.
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
comparaca o dos pixels. Na etapa de segmentaca o e aplicada a transformada de Watershed que

segmentara a imagem em bacias, reforcando os contornos ao redor da parte do ventrculo esquerdo que se deseja estudar. Com isso, obter-se-a uma imagem mais ntida, o que auxiliara no
processo de analise das condico es fsicas do o rgao.
A utilizaca o da transformada de Watershed possibilita a automatizaca o do processo de
detecca o de problemas cardacos, antes feitos manualmente (RONDINA, 2001).
O presente trabalho de pesquisa compromete-se a tracar comparativos entre os resultados
obtidos por outros cientistas com os que serao obtidos com a criaca o de algoritmos de autoria
propria.
Para tanto, sera estabelecido um estudo comparativo entre os resultados obtidos por (C.
LEITE J. S. S., 2011) que utilizou a tecnica de segmentaca o de imagens e o trabalho desenvolvido
por (ZGHAL N.S. MASMOUDI, 2010) com a utilizaca o da tecnica de Watershed.

No primeiro caso, Leite (C. LEITE J. S. S., 2011) utiliza a tecnica de Limiarizaca o para melhorar a visualizaca o dos resultados dos exames de mamografia, buscando formas facilitadas
para a detecca o de possveis tumores mamarios a partir do estudo e processamento das imagens
das mamas. Para tanto, ele utiliza imagens de mamografias que apos passarem por um processo
de tratamento de imagens com o uso da Limiarizaca o, permite definir as caractersticas dos
tumores percebidos, variando da forma mais regular a` forma mais espiculada, cujo significado
medico indica tratar-se de tumores benignos ou malignos, fornecendo tambem, formas de medir
o grau do tumor observado.
As imagens coletadas ja estao em tons de cinza, e portanto, nao precisam ser convertidas para esse formato, passando diretamente a` aplicaca o do algoritimo de limiarizaca o. A
limiarizaca o assume que a imagem se divide em duas classes, o fundo e o objeto procurado.
Assim, o metodo procura encontrar o nvel de limiarizaca o o timo que divide a imagem dada
em duas classes. Para tanto, o processo aplicado encontra no histograma o ponto onde ha mais
picos de nveis de cinza da imagem, removendo o lado de maior intensidade ate que este fique em equilbrio. Desta forma, consegue-se eliminar as partes da imagem desnecessarias ao
dignostico, evidenciando e identificando o tumor (C. LEITE J. S. S., 2011).
A tecnica de Watershed, utilizada por Zghal (ZGHAL N.S. MASMOUDI, 2010), consiste na divisao de uma imagem em a reas homogeneas. O Watershed e definido como o pico de formaca o
limite entre duas bacias, operando sobre o gradiente da imagem, de forma que os contornos
sao realcados favorecendo o aparecimento de locais de pontos maximos na imagem. A altitude
da imagem e dada pelos nveis de cinza que podem ser analisados pelo histograma da imagem.
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
Surveys de Avaliaco es das Tecnicas
A segmentaca o de imagens e geralmente definida como a base para o processamento de

imagens, e consiste em subdividir a imagem digital em varios pedacos. Em geral, na segmentaca o
de imagens, os algoritmos sao baseados em dois princpios basicos: a caracterstica dos pixels e
as informaco es das regioes proximas a eles. A maioria dos algoritmos de segmentaca o baseia-se
em dois personagens de pixels em nvel de cinza: descontinuidade e similaridade em torno das
bordas na mesma regiao (DONG, 1999). A figura 7 lista as principais categorias de segmentaca o,
descrevendo em poucas palavras os diferenciais de cada metodo, conforme pesquisa desenvolvida pela Universidade de Columbia.
Figura 7: The Comparative Research on Image Segmentation Algorithms;Kang, W.-X.; Yang,

Q.-Q. Liang, R.-P; 2009
O grupo das tecnicas de segmentaca o baseadas em aresta, descritas na primeira divisao da

tabela acima e definido como um conjunto de pixels ligados e associados a diferentes regioes,
34
onde existem descontinuidades intensas, mudancas no tom de cinza e variedades na textura.

Com base nessa teoria, existem as tecnicas que se utilizam do histograma em escala de cinza de
gradientes de cores para segmentar e processar as imagens. Para esse grupo, a obtenca o de um
resultado satisfatorio e dependente do equilbrio entre a detecca o do objeto a ser segmentado e
os rudos presentes na imagem.
Ja o grupo de tecnicas de segmentaca o baseadas em regioes (grupo 2 da Figura 7), apoia-se
na mudanca brusca da intensidade da imagem e leva em consideraca o os criterios definidos na
limiarizaca o. Nesse grupo se encontra a tecnica de limiarizaca o(tresholding), a tecnica do crescimento de regioes e o Watershed encontradas na subclasse de Tresholding e Region Operating
e que sao objetos deste estudo.
O terceiro grupo representa o grupo de tecnicas e teorias especiais da segmentaca o que
correspondem a tecnicas derivadas de outros campos de conhecimento como Walvelet, que
utiliza uma determinada funca o capaz de decompor e descrever outras funco es no domnio da
frequencia, de forma a permitir a analise destas funco es em diferentes escalas de frequencia e de
tempo. Este grupo trabalha com morfologias matematicas, genetica de algoritmos e inteligencia
artificial (KANG; YANG; LIANG, 2009).
A partir destas tecnicas (KANG; YANG; LIANG, 2009), avaliou e comparou cada algoritmo
de segmentaca o, cujos resultados foram transformados numa referencia crucial para algoritmos
de segmentaca o de imagens.
Baseado em uma uniformidade de regiao, (LIPING; XINBO, 2004) aponta que as tecnicas de
Limiarizaca o, Limiarizaca o Interativa(manual) e a Limiarizaca o de Otsu tem vantagens quando
se trabalha com a uniformidade da imagem e a manutenca o da forma dos objetos. Alem disso,
foram avaliados e comparados os desempenhos dos algoritmos em experiencias de segmentaca o
de imagens. Os resultados podem ser vistos na Figura 8.
35
Figura 8: The Comparative Research on Image Segmentation Algorithms;Kang, W.-X.; Yang,

Q.-Q. Liang, R.-P; 2009
Embora haja uma infinidade de algoritmos de 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
aparecimento de bordas indesejaveis.

Em suma, os resultados da segmentaca o podem ser avaliados por dois metodos. O primeiro,
definido como metodo analtico, permite examinar e avaliar diretamente os algoritmos atraves
da analise de seus princpios, suposico es, propriedades, exigencias, utilidade, complexidade,
entre outros itens, nao dependendo de experimentos e podendo ser aplicado sem que o algoritmo
esteja completamente implementado. A aplicaca o desse metodo e independente da natureza ou
objetivo da segmentaca o. Ja o segundo e o metodo emprico, que permite examinar e avaliar
um algoritmo de forma indireta, atraves da aplicaca o de imagens-teste e medica o da qualidade
do resultado da segmentaca o. Esse metodo pode ser subdividido em dois tipos: de discrepancia
e de qualidade (TAVARES, 2011).
O tratamento das imagens pode ser feito com a utilizaca o de diferentes softwares ou ambientes que serao descritos com mais detalhes no proximo captulo.
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
Package). Hoje, o Matlab incorpora as bibliotecas LAPACK (Linear Algebra

Package) e BLAS
(Basic Linear Algebra

Subprograms) (GONZALEZ; WOODS, 2004).
O Matlab consegue executar uma sequencia de aco es atraves de arquivos chamados de Mfiles, que possuem a extensao *.m. Os M-files sao de dois tipos, os scripts files, que sao
uma sequencia normal de passos do Matlab e os function files, que sao funco es criadas para
necessidades especficas (GONZALEZ; WOODS, 2007).
Uma forma de utilizar o MatLab para analise e reconhecimento de padroes, e usando SDC
Morphology Toobox for Matlab, que e um pacote para analise e processamento de sinais. Ele
e composto por uma famlia de filtros chamados de operadores morfologicos, que permitem a
restauraca o, segmentaca o e analise das imagens e sinais de forma quantitativa.
No desenvolvimento deste trabalho, o processamento das imagens para comparaca o das
tecnicas de Watershed e Limiarizaca o, sera utilizada a ferramenta MatLab, tendo em vista que
esta possui as ferramentas adequadas para a manipulaca o das imagens, o que torna a tarefa mais
intuitiva pelas caractersicas funcionais citadas no decorrer desta seca o. O resultado obtido com
o processamento das imagens e descrito no proximo captulo.
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.,
2011) subdividiu o processo em dois subtestes. O primeiro utilizando uma imagem de
tumor maligno, como pode ser visto na Figura 10; e o outro com uma imagem de um tumor
benigno que sera melhor detalhado ao longo desta 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.
Figura 10: Tumor Maligno;Banco de Mamografias Digitalizadas
Utilizando-se da mesma imagem disponvel no banco de imagens (SOARES, 1998), com

o nome de mal5, neste projeto de pesquisa foi aplicada a tecnica de Watershed, que e uma
funca o nativa do Matlab utilizada no codigo dessenvolvido no escopo deste trabalho para o
processamento das imagens. O resultado obtido com a aplicaca o do metodo de Watershed e
mostrado nas figuras 11 e 12.
42
Figura 12: Segmentaca o Watershed LiFigura 11: Imagem Original
miar = 15.5
A figura 11 mostra a imagem original retirada do banco de imagens ja citado. Ja na Figura

12 e possvel observar o resultado da segmentaca o quando aplicado um limiar = 15.5. Neste
caso, nota-se que o tumor maligno foi encontrado. Contudo, ainda aconteceram segmentaco es
em regioes sem tumores, gerando, entao, falsos positivos. Isto e devido ao foto de que algoritmo
de Watershed trabalha com gradientes. O tumor esta destacado em uma regiao mais clara,
conforme pode ser observado na Figura 11, onde fica ntido que ainda ha uma diferenca de
gradiente perante o resto da imagem, levando assim a` segmentaca o dessas regioes.
Como forma de testar as consequencias da aplicaca o de diferentes limiares a` imagem, a
mesma foi segmentada utilizando os limiares nos valores de 15.5, 13.5 e 17.5, conforme pode
ser visto nas figuras 12, 13 e 14, respectivamente.
43
Figura 13: Segmentaca o Watershed Li-
Figura 14: Segmentaca o Watershed Li-
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.
Figura 15: Tumor Benigno;Banco de Mamografias Digitalizadas
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
Figura 17: Segmentaca o Watershed LiFigura 16: Imagem Original
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
Figura 18: Histograma gerado a partir da imagem original
Em suma, podemos concluir que a tecnica de Watershed aplicada aos tumores malignos e
benignos nao obtiveram resultados suficientemente relevantes para serem 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
Utilizando-se da mesma imagem disponvel no banco de dados de Berkley(ARBELAEZ;

MARTIN, 2007), no escopo desta pesquisa foi aplicada a tecnica de Limiarizaca o disponvel nas
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.
Figura 21: Limiarizaca o Equilibrada

Figura 20: Imagem Original
Limiar = 0.2980
Com a Limiarizaca o equilibrada mostrada na Figura 21, ja e possvel a identificaca o do

objeto, no caso, o aviao. Contudo, ainda aparecem rudos no canto inferior esquerdo que podem
ser retirados com um limiar mais baixo conforme mostrado na Figura 22, onde apresenta-se a
imagem gerada com a aplicaca o de um limiar = 0.2. Ja a Figura 23 mostra o que acontece
quando se aumenta o limiar. Neste caso, percebe-se uma super segmentaca o, o que dificulta a
identificaca o do aviao.
Figura 22: Limiarizaca o com Limiar =
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
Figura 26: Histograma Categoria Natureza
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
da Limiarizaca o para comparaca o com a tecnica de Watershed obteve o resultado expresso na

Figura 30.

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.
Figura 31: Presenca de Outros Elementos Segmentados
Para que a presenca desses elementos seja retirada e necessario que seja aumentado o limiar.
Na Figura 32, apresenta-se o resultado obtido com a 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
Dessa forma, podemos concluir que e possvel a aplicaca o da tecnica de Limiarizaca o na

imagem da categoria objeto, pois utilizando-se um limiar = 0.2 (Figura 22), obtem-se resultados satisfatorios, indicando que ha um grande potencial para o uso desta tecnica ao inves
da tecnica de Watershed, Watershed Modificada, apresentadas no trabalho de Zghal (ZGHAL
N.S. MASMOUDI, 2010) e Watershed segmentada pelo banco de imagens de Berkley (ARBELAEZ;
MARTIN,
2007).
A imagem da categoria Animal apresentada na Limiarizaca o o tima, (Figura 30), apresentou

um resultado bem proximo do que fora conseguido por Zghal (ZGHAL N.S. MASMOUDI, 2010) e
pelo banco de imagens de Berkley. Todavia, os testes demonstraram que com uma limiarizaca o
maior que a ideal, pode-se obter um resultado ainda melhor, retirando alguns elementos que
apareciam a mais na segmentaca o pela tecnica de Watershed.
O ponto negativo desta tecnica e relativa a` imagem da categoria natureza, que nao obteve
resultados suficientes a ponto de ser considerada uma melhor segmentaca o em relaca o aos teste
realizados pela base de dados de Berkley e pelo autor Zghal (ZGHAL N.S. MASMOUDI, 2010). Ficou evidente que, mesmo com um limiar o timo (Figura 25), ou variando este para mais ou para
menos (figuras 27 e 28, respectivamente), a segmentaca o nao conseguiu um resultado gratificante, ora segmentando certas a reas, ora nao, mantendo-se assim instavel. Neste caso, a melhor
tecnica para processamento desta imagem, se consideradas as tecnicas abordadas neste trabalho de pesquisa, e a descrita por Zghal, que segmentou por Watershed e aplicou em conjunto a
tecnica de Limiarizaca o de Otsu, evidenciando ainda mais os contornos que foram previamente
segmentados pela tecnica de Watershed mostrada nos teste da base de dados de Berkley.
52
Analise do Processo de Desenvolvimento da Pesquisa
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
Tabela 1: Cronograma das atividades
Agosto
Setembro
Outubro
Novembro
ITENS 2a 3a 4a 5a 1a 2a 3a 4a 1a 2a 3a 4a 1a
1
2
3
4
5
2a
[1] [1] [1] [1]

[2] [2]
[3] [3]
[4] [4] [4]
[5] [5]
[5]
53
7.2
Burn Down Chart
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.
Figura 34: Burn Down Chart
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
ALBUQUERQUE, M. P. de; ALBUQUERQUE, M. P. de. Processamento de imagens: Metodos

e analises. Disponvel em: http://www.cbpf.br/cat/pdsi/pdf/ProcessamentoImagens.PDF.
2000.
ARBELAEZ,
C.
F.
P.;
MARTIN,
D.
The
Berkeley
Segmentation
Dataset
and
Benchmark.
June
2007.
Disponvel
em:
<http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/>.
BALD M. F; ABREU, P. G. d. . D. G. A. V. M. N. C. V. d. T. I. L. C. A. Processamento de
imagens digitais para utilizaca o no desenvolvimento de um software para estimar o peso de
sunos vivos. JINC 4a Jornada de Iniciaca o Cientfica Embrapa/UnC 21 de outubro de
2010 Concordia, SC, v. 0, p. 1, 2010.
BARROS RODRIGO CARVALHO SOUZA COSTA, R. F. F. R. d. S. S. P. C. C. J. M. S.
Antonio Carlos da S. Implementaca o de segmentaca o da pele atraves matlab/simulink utilizando
o especo de cores irgby. VII Encontro de Pesquisa e Pos-Graduaca o (VII ENPPG) / VII
Encontro de Iniciaca o Cientfica e Tecnologica (VII ENICIT) / I Simposio de Inovaca o
Tecnologica (I SIMPIT), v. 0, p. 9, 2007.
BERTHOLDO, F. A. R. Tecnicas de Limiarizaca o para Melhorar a Qualidade Visual de
Documentos Historicos. Tese (Doutorado) UNIVERSIDADE FEDERAL DE MINAS GERAIS, 2007.
BUSTOS MARCELINO P. S. SILVA, C. L. L. B. E. C. R. H. I. A. Predica o de fluidos em um reservatorio petrolfero utilizando metodos de previsao de series temporais. Trigesima Primeira
edica o do Congresso da Sociedade Brasileira de Computaca o (CSBC 2011), v. 0, p. 8, 2010.
C. LEITE J. S. S., M. F. G. A. S. D. A. S. J. S. a. L. G. A utilizaca o de tecnicas de limiarizaca o
para auxlio no diagn[ostico de cancer de mama. 3a National Meeting of Biomechanical Enginering, v. 1, p. 2, 2011.
DATTA, R. et al. Image retrieval: Ideas, influences, and trends of the new age. ACM Comput.
Surv., ACM, New York, NY, USA, v. 40, p. 5:15:60, May 2008. ISSN 0360-0300. Disponvel
em: <http://doi.acm.org/10.1145/1348246.1348248>.
DONG, L. X. L. A method of automatic thresholding based on artificial intelligence. Microelectronics & Computer, I, p. 25, 1999.
FERREIRA, A. B. de H. Dicionario. [S.l.]: Positivo, 2005.
FREY, T. P. A. C. Processamento de Imagens em R. [S.l.]: sadsad, 2003.
GESICK CANER SARITAC, C.-C. H. R. Automatic image analysis process for the detection
of concealed weapons. Southern Polytechnic State University, v. 0, p. 12, 2009.
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
medicas baseado em sistema livre. Departamento de Informatica em Saude,

Escola Paulista
de Medicina, Universidade Federal de Sao Paulo, Brasil, v. 0, p. 5, 2005.
PINHEIRO, F. G. d. M.; CORTEZ, P. C.; MOTA, J. C. M. Sistema automatico para a
medica o da concentraca o dos nucleos de condensaca o de nuvens por visao computacional.
Revista Controle & Automaca o Brasileira, scielo, v. 22, p. 296 307, 06 2011. ISSN
0103-1759. Disponvel em: <http://www.scielo.br/scielo.php?script=scia rttextpid = S0103
17592011000300007nrm = iso.
ROERDINK; MEIJSTER. The watershed transform: Definitions, algorithms and parallelization
strategies. FUNDINF: Fundamenta Informatica, IOS Press, v. 41, p. 40, 2000.
RONDINA, J. M. Segmentaca o Interativa do Ventrculo Esquerdo em Sequencias de Imagens de Ressonancia Magnetica (Cine MR). Tese (Doutorado) Universidade Estadual de
Campinas, 2001.
RUDEK, M. Indexaca o e Recuperaca o Automatica de Imagens e Reconhecimento de Cheques Bancarios Baseadas no Vetor de Comportamento. Tese (Doutorado) CEFET
TECNOLOGICA
1999. Disponvel
CENTRO FEDERAL DE EDUCACAO
DO PARANA,
em: http://www.las.pucpr.br/rudek/pdf/parte1.PDF.
RUDEK, M. Uma abordagem para indexaca o e recuperaca o automatica de imagens baseada em vetor de comportamento para automaca o industrial. Pontifcia
Universidade Catolica do Parana PUC PR, v. 1, p. 5, 2000. Disponvel em:
http://www.las.pucpr.br/rudek/pdf/artigoVsbai.pdf.
RUSS, J. C. The Image Processing Handbook. [S.l.]: CRC Press, 1998.
de uma arquitetura
SANDRI GERALD J.F. BANON, R. M. d. M. A. L. C. S. ConcepCAo
de imagens concepca o de uma arquitede sistemas especialistas nebulosos para classificaCAo
rura de sistemas especialistas nebulosos para classificaca o de imagens. Instituto Nacional de
Pesquisas Espaciais (INPE), v. 0, p. 6, 2000.
SOARES, L. M. Banco de Mamografias Digitalizadas. March 1998. Disponvel em:
<http://www.ic.uff.br/
SOILLE, P. Morphological Image Analysis. [S.l.]: Springer, 2003. 391 p.
SWAIN, M. J.; BALLARD, D. H. Color Indexing. International Journal of Computer Vision. [S.l.]: Kluwer Academic Publishers, 1991.
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
ANEXO A -- Codigo Fonte
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.
Figura 35: Funca o para Segmentaca o de Imagens

Segmentação de Imagens: Confronto Entre As Técnicas de Limiarização e Watershed

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Segmentação de Imagens: Confronto Entre As Técnicas de Limiarização e Watershed

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE TECNOLOGICA

CURSO DE BACHARELADO EM SISTEMAS DE INFORMACAO

GUILHERME DA SILVA COSTA

DE IMAGENS: CONFRONTO ENTRE AS

GUILHERME DA SILVA COSTA

DE IMAGENS: CONFRONTO ENTRE AS

Trabalho academico apresentado para a disciplina

Profo Marlon de Oliveira Vaz

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

. Segmentaca o de Imagens: Confronto entre as tecnicas de Limiarizaca o e Watershed. 58

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

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

CRONOGRAMA DAS ATIVIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

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

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

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

O processamento de imagens e caracterizado por soluco es e metodologias especficas, pois

Utilizando a tecnica de segmentaca o de Imagens pelo metodo de Espaco e Medida e pelo

Este projeto sera desenvolvido com base nas seguintes etapas:

Realizaca o de testes experimentais utilizando o software MATLAB voltado para

Reconhecimento de imagens e uma a rea ainda em estudo, e tem um campo de aplicaco es

Desenvolver um trabalho na a rea de processamento de imagens envolve primeiramente

Segundo Albuquerque, (ALBUQUERQUE; ALBUQUERQUE, 2000) o termo Processamento

Figura 1: Processamento de Imagens

Figura 2: Visao da Imagem Digital em plano cartesiano

Tecnicas de Processamento de Imagens

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

Metodos de Segmentaca o no Domnio Espacial.

Metodo de Segmentaca o no Domnio Espaco e Medida

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

1980) que podem ser definidas por:

Segmentaca o Por Histograma

A geraca o de histogramas permite a analise de caractersticas especficas de cada imagem,

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

O pico e formado pelos elementos existentes entre os vales e a identificaca o e marcaca o

Segmentaca o Por Limiarizaca o

A limiarizaca o ou tresholding e uma das mais importantes abordagens para a segmentaca o

Figura 4: Segmentaca o Por Limiarizaca o; Darly G. de Sena Junior; 2003

Metodo de Segmentaca o no Domnio Espacial

Assim como na Limiarizaca o, na segmentaca o orientada a regioes, analisa-se a similaridade

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

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

Figura 5: Tecnica de Watershed; Bruno Klava; 2009

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

Figura 6: Erosao e Dilataca o

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

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

comparaca o dos pixels. Na etapa de segmentaca o e aplicada a transformada de Watershed que

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

Surveys de Avaliaco es das Tecnicas

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

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

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

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

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

aparecimento de bordas indesejaveis.

Package). Hoje, o Matlab incorpora as bibliotecas LAPACK (Linear Algebra

(Basic Linear Algebra

2011) subdividiu o processo em dois subtestes. O primeiro utilizando uma imagem de

Figura 10: Tumor Maligno;Banco de Mamografias Digitalizadas

Utilizando-se da mesma imagem disponvel no banco de imagens (SOARES, 1998), com

Figura 12: Segmentaca o Watershed LiFigura 11: Imagem Original

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