FERNANDO PORTO CORRA

LEIDMAR MAGNUS FESTA

AVALIAO DE TCNICAS PARA

AFINAMENTO DE IMAGENS DIGITAIS

Trabalho apresentado ao curso de

Bacharelado em Cincia da Computao
da Universidade Federal do Paran, como
requisito parcial obteno do ttulo de
Bacharel em Cincia da Computao.
.
Orientador : Prof. Dr. Hlio Pedrini

CURITIBA
2005

AGRADECIMENTOS
Em primeiro lugar a Cristo que esteve conosco em todos os momentos (naqueles de
cansao, naqueles de muita energia, na desiluso quando o algoritmo no funcionava - e na
alegria); pela sua graa (atravs da qual foi possvel terminar em tempo hbil este estudo).
Ao nosso orientador Prof. Dr. Hlio Pedrini que, aps algumas conversas, nos incentivou a
dar continuidade ao processo de estudo e sanou vrias das dvidas que surgiram nas
implementaes e conceitos dos algoritmos.
Aos nossos familiares e amigos, que demonstraram pacincia em vrios momentos.

SUMRIO
1. INTRODUO...................................................................................................................8
1 PROBLEMA........................................................................................................................9
1.2 OBJETIVOS.....................................................................................................................9
1.3 ORGANIZAO DO TRABALHO.................................................................................10
2. CONCEITOS PRELIMINARES .......................................................................................11
2.1 COMPONENTES CONEXOS..................................................................................................11
2.2 VIZINHANA DE PIXELS........................................................................................................12
2.2.1 Vizinhana-4......................................................................................................................12
2.2.2 Vizinhana-8......................................................................................................................12
2.2.4 Outras vizinhanas............................................................................................................12
2.3 CLCULO DA DISTNCIA ENTRE PIXELS............................................................................13
2.3.1 Mtrica Euclidiana.............................................................................................................13
2.3.2 Mtrica Cityblock...............................................................................................................14
2.3.2 Mtrica Chessboard..........................................................................................................15
2.4 TIPOS DE ALGORITMOS DE AFINAMENTO.........................................................................16
2.4.1 Algoritmos Seqenciais.....................................................................................................17
2.3.2 Algoritmos Paralelos..........................................................................................................18
3. PRINCIPAIS MTODOS DE ESQUELETIZAO (OU AFINAMENTO)....................................20
3.1) Mtodo de Stentiford...........................................................................................................20
3.2) Mtodo de Zhang-Suen.......................................................................................................21
3.3) Mtodo de Holt....................................................................................................................22
3.4) Mtodo de Morfologia Matemtica......................................................................................23
3.5) Mtodo da Poda (Pruning)..................................................................................................24
3.6) Mtodo MB..........................................................................................................................24

4. RESULTADOS EXPERIMENTAIS..................................................................................26
4.1 CONJUNTO DE IMAGENS......................................................................................................26
4.2 PLATAFORMA HARDWARE E SOFTWARE..........................................................................27
4.3 GRFICOS E IMAGENS GERADAS COM O SOFTWARE.....................................................28
4.3.1 Aplicao do Mtodo Zhang-Suen....................................................................................28
4.3.2 Combinao dos Mtodos Zhang-Suen e Mscaras de Holt (staircase removal).............30
4.3.3 Aplicao do Mtodo de Stentiford....................................................................................31
4.3.4 Combinao dos Mtodos de Stentiford e Mscaras de Holt (staircase removal).............33
4.3.5 Aplicao do Mtodo da Morfologia Matemtica...............................................................35
4.3.6 Aplicao do Mtodo MB...................................................................................................37
4.3.7 Combinao dos Mtodos MB e Mscaras de Holt (staircase removal)............................40
4.3.8 Combinao dos Mtodos MB e Stentiford.......................................................................41
4.3.9 Combinao dos Mtodos Morfologia Matemtica e Poda ...............................................42

5. CONCLUSES................................................................................................................44
APENDICE A.......................................................................................................................47
A.1 IMAGEM BINRIA..................................................................................................................47
A.1.1 Formato PBM...................................................................................................................47
A.1.2 Especificao dos formatos PBM.....................................................................................47

NDICE DE ILUSTRAES
Figura 1.1 - Exemplo de afinamento da letra A ......................................................................... 8
Figura 2.1 - Conectividade entre pixels
11
Figura 2.2 - Pixels vizinhos 12
Figura 2.3 - Exemplos de vizinhanas
13
Figura 2.4 - Voxel
13
Figura 2.5 - Efeito da Transformada Euclidiana
14
Figura 2.6 - Distncia Cityblock
15
Figura 2.7 - Distncia Chessboard 16
Figura 2.8 - Afinamentos baseados em MAT
18
Figura 2.9 - Nomenclatura usual dos pixels 19
Figura 2.10 - Preservao da topologia
19
Figura 2.11 - Genealogia do afinamento
19
Figura 3.1 - Exemplo simples de afinamento da letra T
20
Figura 3.3 - Problemas Gerais de Afinamento
21
Figura 3.7 - Mscaras do Mtodo MB
25
Figura 4.1 - Amostra para afinamento 1
26
Figura 4.2 - Amostra para afinamento 2
27
Figura 4.3 - Amostra para Afinamento 3
27
Figura 4.4 - Zhang-Suen afina amostra 2 28
Figura 4.5 - Zhang-Suen Morfologia dos Objetos 29
Figura 4.6 - Zhang-Suen ocorrncia de Tailing
29
Figura 4.7 - Zhang-Suen Falha ao Afinar Algumas Linhas 29
Figura 4.8 - Zhang-Suen com Staircase
30
Figura 4.9- Zhang-Suen e Holt Verificao 1
31
Figura 4.10 - Comparao da Combinao Holt/Zhang-Suen com Zhang-Suen 31
Figura 4.11 - Stentiford Verificao 1
32
Figura 4.12 - Stentiford e a Ocorrncia de Staircase
32
Figura 4.13 - Comparao: Stentiford, Holt e Zhang-Suen 33
Figura 4.14 - Staircase Removal: Comparao Geral
33
Figura 4.15 - Problemas Gerais de Morfologia e Tailing 33
Figura 4.16 - Stentiford e Mscaras de Holt: Verificao 1 34
Figura 4.17 - Stentiford combinado com Holt: Ocorrncia de Necking
34
Figura 4.18 - Stentiford combinado com Holt: uma nova ocorrncia de Necking 35
Figura 4.19 - Aplicao da Morfologia Matemtica: ocorrncia de Tailing e ramificaes
35
Figura 4.20 - Aplicao da Morfologia Matemtica: ocorrncia ramificaes
36
Figura 4.21 - Ocorrncia de ramificaes aps a aplicao da Morfologia Matemtica 36
Figura 4.22 - Comparao entre Stentiford e Morfologia Matemtica
36
Figura 4.23 - Casos extremos de ramificaes
37
Figura 4.24 - Mtodo MB Verificao 1
37
Figura 4.25 - Mtodo MB Verificao 2
38
Figura 4.26 - Problemas com ngulos de 90 com o mtodo MB 38
Figura 4.27 - Incoerncia no afinamento com MB 39
Figura 4.28 - Ilustrao das linhas afinadas em 90 com MB
39
Figura 4.29 - Melhor performance utilizando o mtodo MB
39
Figura 4.30 - Rudos em algumas linhas afinadas 40
Figura 4.31 - Efeito colateral ao combinar MB e Mscaras de Holt
40
Figura 4.32 - Verificao do efeito colateral 41
Figura 4.33 - Combinao dos mtodos MB e Stentiford: Verificao 1 41
Figura 4.34 - MB e Stentiford sem problemas de largura de dois pixels 42
Figura 4.35 - Combinao dos mtodos de Morfologia Matemtica e Poda
42
Figura 4.36 - Morfologia Matemtica e Poda: maior preciso
43
Figura 4.37 - Morfologia Matemtica e Poda eliminao de boa parte das ramificaes
43
Figura 5.1 - Exemplo de uma Pr-Classificao para um complemento deste estudo 44
Figura A.1 - Exemplo do formato PBM em ASCII 48

LISTA DE TABELAS
Tabela 2.1 - Ditncia entre Pixels ................................................................................ ..........17

1. INTRODUO
Desde os primrdios do surgimento da tecnologia dos computadores, foi possvel fazer com
que estas mquinas fossem empregadas no reconhecimento de padres nas mais variadas
reas. Paralelamente a esse fato, havia tambm a necessidade de reduzir o volume de
informaes a serem processadas para o reconhecimento de padres. Os primeiros experimentos
em compresso de dados foram realizados nos anos 50, e utilizavam padres de caracteres
alfanumricos.
O afinamento (ou esqueletizao) uma importante etapa de pr-processamento para
vrios tipos de algoritmos que realizam alguma anlise de imagens. De um modo geral, este
processo envolve a remoo dos pixels dos objetos que formam uma imagem, at que cada um
destes objetos seja representado por uma linha simples, com largura de um nico pixel. O
conjunto de linhas que formado ao final do processamento chamado de esqueleto da imagem.
Durante os anos 50, a criao de muitos algoritmos para compresso de dados utilizando
afinamento fez com que surgisse uma grande variedade de padres para diferentes propsitos.
No incio dos anos 60, rapidamente encontrou-se uma aplicao para a tcnica do afinamento no
campo da biomedicina: tendo como objetivo contar e medir as clulas brancas do sangue, o
algoritmo Shrink foi utilizado para identificar clulas anormais (Preston 1961). Muitas outras
aplicaes nesta rea passaram a existir, desde a anlise de cromossomos, anlise de imagens
de raio-X (Preston e Duff 1979), e de artrias coronrias (Nguyen e Sklansky 1986). Em outras
reas podemos encontrar o afinamento sendo utilizado no processamento de sistemas de
reconhecimento de retina, classificao de impresses digitais (Moayer e Fu 1975), anlise visual
de peas industrializadas (Mundy e Joynson 1977), confeco de placas de circuito impresso (Ye
e Danielsson 1988) e muitas outras aplicaes.
Desta maneira j se pode ter uma idia de como vasta a utilizao do processo de
afinamento de imagens, j que a reduo que ocorre na quantidade de dados a serem
processados ao se afinar uma imagem facilita a anlise desta. Ao se aplicar este processo, por
exemplo, em caracteres alfanumricos, os padres utilizados para a anlise se aproximam muito
da concepo humana e permitem uma anlise estrutural simples com uma representao
apropriada para os algoritmos de reconhecimento. Como exemplo podemos citar uma imagem
que contm uma letra de nosso alfabeto, representada na figura 1.1 (a):

Figura 1.1 Exemplo de afinamento da uma imagem de um caractere de nosso alfabeto. O esqueleto de uma imagem
considerado um grafo (ou ainda uma representao das partes essenciais) da imagem original.

Aps passar por um processo de afinamento, teremos como resultado o esqueleto desta
imagem, figura 1.1 (b), o qual considerado um grafo entre a descrio abstrata desta letra e a
representao fsica deste caractere. Ao obtermos o esqueleto de uma imagem, poderemos
eliminar distores no contorno e ao mesmo tempo mantendo suas propriedades geomtricas e
topolgicas. Em termos mais prticos, pode-se dizer que os esqueletos fazem com que a imagem
fique mais ntida (para que os algoritmos possam analis-la), em especial quando necessrio
extrair algumas caractersticas crticas desta imagem (como, por exemplo, pontos de conexes

entre objetos diferentes). Naturalmente, para que um algoritmo de afinamento seja realmente
eficiente, ele precisa compactar os dados da imagem retendo as caractersticas significativas do
padro e eliminar os rudos sem introduzir distores.
Rosenfeld (Rosenfeld e Pfaltz 1966) classifica os algoritmos de afinamento em dois grupos:
paralelos e seqenciais. No primeiro grupo, a deciso de remover ou no um pixel na iterao
atual baseada somente no resultado da iterao (passo) anterior, tornando este tipo de
algoritmo apropriado para um hardware com mais de um processador. No segundo grupo, para
que um pixel seja processado, leva-se em conta o resultado do passo anterior e tambm do
passo atual. Sem dvida alguma, a resoluo que a imagem possui incrementa tempo e
complexidade significativos aos algoritmos, j que todos os pixels dela so examinados a cada
iterao.
Para que possamos utilizar todas as caractersticas anteriormente citadas e produzir
algoritmos simples e rpidos, h vrios desafios. Vrios artigos foram publicados discutindo os
mais variados aspectos deste assunto, mas mesmo assim pode-se notar que ainda estamos
carentes de uma viso mais elucidativa. Existem alguns artigos nesta rea que tm este fim:
(Tamura 1978, Milditch 1983, Davies 1981). A inteno aqui no se resume somente a
desenvolver um mtodo que contenha as principais caractersticas desejveis, mas tambm
coletar dados (provenientes de testes empricos e comparaes tericas) sobre os principais
algoritmos de afinamento. Tudo isso ser discutido tendo em vista um conjunto consistente de
informaes.

PROBLEMA

A existncia de vrios mtodos de afinamento faz com que a escolha de um destes (como
parte do processamento de uma imagem digital) se torne uma tarefa confusa. Isso se deve ao
fato de que diferentes mtodos afetam diferentes caractersticas da imagem, podendo, por
exemplo, causar perda da forma ou da conectividade dos objetos. Assim sendo, a escolha do
mtodo depender, em especial, da aplicao-fim atravs da qual poderemos saber qual das
caractersticas dos objetos afinados a mais desejada.

1.2 OBJETIVOS
Como j citado anteriormente, vrios estudos e novos mtodos so publicados a cada ano
sobre este assunto, mas ainda preciso uma viso mais elucidativa sobre os resultados obtidos
com cada um dos algoritmos mais conhecidos nesta rea.
A idia inicial aqui, utilizar o mesmo conjunto de imagens e realizar testes concisos e
coerentes, com diversos mtodos de afinamento, buscando assim, destacar as caractersticas
mais marcantes que cada esqueleto resultante apresentar. Desta maneira, ser possvel expor
isto de forma comparativa.

1.3 ORGANIZAO DO TRABALHO

CAPTULO 2: CONCEITOS PRELIMINARES
Nesta seo, esto sendo expostos todos os conceitos utilizados nesta monografia e
grande parte dos conceitos que esto envolvidos no afinamento de imagens. A explanao
motivadora, histrica e explicativa. Iniciamos tudo verificando o conceito de imagem binria, onde
uma viso simples e prtica apresentada (mostrando o formato PBM, as razes de sua criao,
seus respectivos campos, vantagens e desvantagens).
Aps isso, so apresentados os conceitos de pixel em uma imagem binria (obviamente
sem entrar em detalhes profundos como representao do sinal digital, armazenamento dentre
outros). Assim sendo, seguem os conceitos de corpo e borda de uma imagem, aps os quais
possvel introduzir tambm as definies de vizinhana e componentes conexos em imagens.
Existe ainda o conceito da distncia entre pixels, onde esto descritas algumas das distncias
mais utilizadas, visando praticidade voltada para o afinamento.
CAPTULO 3: MTODOS DE ESQUELETIZAO OU AFINAMENTO
Os tipos de algoritmos que realizam afinamento recebem uma ateno especial nesta
seo. Estes so classificados em dois tipos bsicos: seqenciais e paralelos. Existem vrios
mtodos seqenciais e vrios paralelos (os primeiros que se caracterizam por produzirem
esqueletos de melhor qualidade mas se tornam lentos durante a execuo, ao contrrio dos
algoritmos paralelos, os quais so executados mais rapidamente, mas produzem esqueletos com
uma baixa qualidade).
Os mtodos de afinamento mais populares so citados e descritos em detalhes, sendo
mostrados passo a passo, com comentrios sobre como e porque realizam algumas de suas
operaes. Estes mtodos so: Zhang-Suen, Holt, Stentiford e Morfologia Matemtica, os quais
so todos pertencentes ao grupo dos algoritmos seqenciais.
A definio formal de
esqueletizao ento apresentada, incluindo seus principais aspectos e utilizaes.
CAPTULO 4: RESULTADOS EXPERIMENTAIS
A metodologia proposta aplicada no processamento de vrias imagens, de modo a
demonstrar a sua validade. Assim sendo, todas as concluses obtidas sobre o mtodo em
questo neste captulo (principais caractersticas, vantagens, desvantagens, melhores aplicaes
dentre outras) provm de testes empricos, os quais foram realizados exaustivamente com
diferentes imagens. Todo o conjunto de imagens de teste e resultados obtidos, bem como as
especificaes de hardware e software utilizados para gerar estes resultados pr e psprocessamento podem ser visualizados nesta seo.
CAPTULO 5: CONCLUSES
Aqui temos as concluses obtidas aps os testes com os algoritmos e as figuras
escolhidas, bem como sugestes para melhorar o trabalho.

2. CONCEITOS PRELIMINARES
Durante o decorrer deste trabalho, vrios conceitos precisaram ser estudados e adaptados
s necessidades do projeto. Abaixo esto listados estes conceitos para facilitar o entendimento
global do estudo.

2.1 COMPONENTES CONEXOS

Em uma imagem que possui vrios objetos em sua representao, possvel realizar, por
exemplo, a contagem destes objetos, verificar a sua localizao ou ainda quais pixels compem
estes objetos. Estas tarefas acima citadas, possuem aplicaes muito teis no processamento de
uma imagem podendo ser usadas, por exemplo, na contagem de clulas sangneas ou na
localizao de reas especficas em um mapa. Em todos estes casos, o conceito de componentes
conexos pode ser usado.
Este conceito pode ser ilustrado de uma maneira muito simples. Seja uma imagem binria
I, a qual constituda por pixels com valor 1 (cor preta), os quais formam os objetos existentes na
imagem e pixels com valor zero (cor branca) que fazem parte do fundo da imagem. Chamaremos
agora o conjunto de pixels com valor 1 de P e o conjunto de pixels com valor zero de B. Assim
sendo, um componente conexo na imagem I ser um subconjunto de pixels do conjunto P, onde
qualquer par de pixels estar conectado.
Dois pixels estaro conectados se, entre eles, existir um caminho de pixels vizinhos
(haver algumas diferenas para vizinhanas 4 e 8). Expressando isso de uma maneira mais
clara, podemos dizer que dois pixels X e Y estaro conectados se, entre eles, existir um caminho
de pixels (p1, p2, ... pi, ..., pn) onde teremos X = p1, Y = pn e 1 i n. Assim pi-1 e pi so vizinhos
e compartilham de uma mesma propriedade. interessante ressaltar que dependendo do tipo de
vizinhana considerada para o caminho, haver uma classificao diferente para este: caminho-8
(caso consideremos vizinhana-8) e caminho-4 (para vizinhana-4). importante lembrar que um
nico pixel isolado um componente conexo.
Na figura 2.1 (a) podemos ver um exemplo de componente conexo, o qual se enquadra
em ambas as vizinhanas-4 e 8 (j que os pixels que formam o caminho entre X e Y se
encaixam perfeitamente em ambos os conceitos). J na figura 2.1 (b) verifica-se que o caminho
entre X e Y formado somente por pixels de vizinhana-8. Finalmente, em 2.1 (c) temos vrios
pixels isolados uns dos outros (X, Y, Z e W), mas cada um destes faz parte de um objeto e, assim
sendo, cada pixel um componente conexo.

Figura 2.1: (a) Conectividade entre pixels neste caso se enquadra para ambas as vizinhanas. (b) os pixels X e Y
somente estaro conectados no caso de considerarmos uma vizinhana 8. (c) neste ltimo caso, temos vrios pixels
isolados uns dos outros mas, mesmo assim, cada um deles um componente conexo.

Em imagens que no so binrias, a identificao dos componentes conexos pode ser

realizada atravs de caractersticas, tais como intensidade de cinza, cor e textura.

10

2.2 VIZINHANA DE PIXELS

Para facilitar a compreenso deste conceito e dos relacionados a ele, vamos considerar a
figura 2.2 abaixo e ter em mente que o pixel p1 que ser analisado para qualquer fim, um pixel
preto (de valor 1) e que os pixels de sua vizinhana sero nomeados conforme consta na figura
2.2 :

Figura 2.2: Pixels adjacentes a p1

De uma forma resumida, os pixels p2, p3, ... , p9 formam a vizinhana-8 do pixel p1 e so
coletivamente denotados por N(p). Dizemos que eles so os 8-adjacentes a p1. Os pixels p2, p4, p6
e p8 formam a vizinhana-4 de p1 e so os 4-adjacentes a p1. O nmero de pixels pretos em N(p)
denotado por b(p).
Assim, podemos conceituar as vizinhanas como segue abaixo:

2.2.1 Vizinhana-4
A vizinhana 4 de um pixel pi engloba os seus dois vizinhos horizontais e os dois vizinhos
verticais. No caso de um pixel p1 possuir as coordenadas (x , y) , ento seus dois vizinhos
horizontais sero os pixels de coordenadas (x + 1, y) e (x 1, y). Verticalmente teremos os pixels
que possuem as seguintes coordenadas: (x, y + 1) e (x, y - 1). Esta ser a vizinhana 4 do pixel
p1, a qual pode ser observada na figura 2.3 (a).

2.2.2 Vizinhana-8
Neste caso, alm dos dois vizinhos horizontais e dois verticais, estaro envolvidos tambm
os quatro vizinhos diagonais do pixel. Assim sendo, no caso de um pixel p1 possuir as
coordenadas (x, y) ento sua vizinhana 8 engloba todos os pixels indicados na vizinhana 4 mais
os pixels com as seguintes coordenadas: (x-1, y-1), (x-1, y+1), (x+1, y-1) e (x+1, y+1). Isso pode
ser observado na figura 2.3 (b).

2.2.4 Outras vizinhanas

Observando a figura 2.3, pode-se notar que alm das vizinhanas 4 e 8, podemos
identificar tambm vizinhanas 6, 18 e 26 respectivamente figura 2.3 (c), (d) e (e). Estes trs
ltimos conceitos so utilizados em imagens tridimensionais, onde o conceito do voxel, o qual
pode ser visualizado na figura 2.4, pode ser entendido como sendo um pixel de trs dimenses
altura, largura e profundidade.

11

Figura 2.3: (a) Constiuio da vizinhana 4 do pixel p1. (b) constituio da vizinhana 8 do pixel p1. (c) observando esta
a figura podemos notar que ao considerarmos a vizinhana 6 para o voxel de coordenadas (x, y ,z), teremos como vizinhos os voxels de coordenadas: (x - 1, y, z), (x + 1, y, z), (x, y - 1, z), (x, y+1, z), (x, y, z - 1) e (x, y, z + 1). (d) vizinhana 18 de um voxel (e) vizinhana 26 de um voxel.

Figura 2.4: Ilustrao do conceito de voxel de imagens tridimensionais. Pode-se interpretar este conceito como sendo
um pixel com trs dimenses (representadas pelos eixos x, y e z ), e dependendo do tipo de vizinhana que se deseja,
seus vizinhos sero outros voxels que possuem uma mesma face e/ou aresta em comum.

2.3 CLCULO DA DISTNCIA ENTRE PIXELS

As aplicaes do clculo das transformadas de distncia dentro do processamento de
imagens e da computao grfica so variadas, podemos citar como exemplo alguns mtodos de
reconstruo de superfcies, a metamorfose de objetos 3D, e o clculo de esqueletos de objetos.
Algumas dificuldades so encontradas, como por exemplo transferir os dados do mundo
matemtico contnuo para o mundo discreto, j que algumas caractersticas de um mtodo
especfico podem diferir nestes dois mundos. A mtrica de uma distncia (D) entre dois pontos (p
e q) deve satisfazer as seguintes propriedades:
a)
b)
c)
d)

D (p,q) >= 0
(D (p,q) = 0, somente se p=q)
D (p,q) = D (q,p)
D (p,r) <= D (p,q) + D (q,r)

Dentre as vrias mtricas existentes, podemos destacar trs: a Euclidiana, Chessboard e

a Cityblock.

2.3.1 Mtrica Euclidiana

Aqui, temos a distncia entre dois pontos p e q definida pela seguinte equao:

12

onde: p = (p1, p2, ..., pn) e q = (q1, q2, ..., qn) so pontos do espao n-dimensional.
Note que utilizando esta definio, possvel utilizar esta transformada em objetos que se
encontram no mundo contnuo e tambm no mundo discreto (objetos volumtricos). Alguns
problemas surgem ao utilizar este tipo de transformada, comeando pela complexidade de sua
implementao e pelo esforo computacional necessrio para execut-la. A figura 2.5 (a) exibe
uma imagem na qual foi aplicada a transformada de distncia euclediana, e na figura 2.5 (b)
temos o resultado desta operao, onde a cor de cada pixel relativo a sua distncia Euclidiana
borda do objeto.

Figura 2.5: (a) Ilustrao da transformada Euclidiana, onde a cor de cada pixel ser alterada de acordo com a distncia
calculada pela frmula vista anteriormente. (b) resultado da transformada sobre a figura em questo. Note que quanto
mais prximo dos pixels da borda, mais escuros ficaram os pixels analisados.

2.3.2 Mtrica Cityblock

Aqui, temos a distncia entre dois pontos p e q definida pela seguinte equao:

onde: p = (p1, p2, ..., pn) e q = (q1, q2, ..., qn) so pontos do espao n-dimensional.
Quando o campo de aplicao desta mtrica o discreto, ela possui uma interpretao
interessante: considerando uma imagem no plano cartesiano de duas dimenses, assume-se que
para sair de um ponto p e ir para um ponto q, somente pode-se utilizar as direes dos eixos
principais do sistema de coordenadas no qual o objeto est inscrito (ou seja, vizinhana-4).
Assim sendo, se um pixel p possuir 8 vizinhos, a mtrica cityblock determina que a
distncia de p at q (quando q pertence vizinhana-4 do pixel p) igual a distncia (p,q) = 1.
Caso q pertena a alguma das diagonais da vizinhana de p, ento teremos que distncia p,q =
2. Temos ainda que para calcular a distncia entre dois pixels quaisquer, basta encontrar um
caminho entre eles e contar o nmero de pixels percorridos entre a origem e o destino. Na figura
2.6 (a), podemos verificar que os pixels destacados formam a vizinhana-4 de p. Pode-se
visualizar ainda as direes nas quais permitido realizar a contagem de distncia entre dois
pixels, note que neste caso, distncia (p,q) = 5. Na figura 2.6 (b) exibido tambm o resultado do
cityblock aplicado sobre a figura 2.5 (a).

13

Figura 2.6: (a) Destaque para a vizinhana-4 de p , verificao da contagem da distncia entre p e q , a qual igual a
5 e tambm verificao das direes que podem ser utilizadas para realizar a contagem da distncia. (b) resultado da
aplicao da mtrica cityblock imagem 2.5 (a)

No caso de um voxel, podemos notar pelas figuras 2.3 (c), (d) e (e) que este pode ter at
mesmo 26 outros voxels adjacentes, mas somente aqueles que so parte de sua vizinhana-6
que tm distncia 1 (nota-se que neste caso a contagem da distncia feita usando esta
vizinhana).

2.3.2 Mtrica Chessboard

Aqui, teremos a distncia definida como sendo:

onde: p = (p1, p2, ..., pn) e q = (q1, q2, ..., qn) so pontos do espao n-dimensional.
Assim como na cityblock, a mtrica chessboard tem como objetivo substituir a euclidiana e
por este motivo est voltada para as aplicaes discretas. Aqui, considerando uma imagem no
plano cartesiano de duas dimenses, assume-se que para sair de um ponto p e ir para um ponto
q, pode-se utilizar todas as direes nos eixos do sistema de coordenadas no qual o objeto est
inscrito (ou seja: vizinhana-8).
Ento, considerando um pixel p, a mtrica chessboard determina que a distncia de p at
q (quando q pertence vizinhana-8 do pixel p) igual a distncia (p,q) = 1. Temos ainda que
para calcular a distncias entre dois pixels quaisquer, basta encontrar um caminho entre eles e
contar o nmero de pixels percorridos entre a origem e o destino.

14

Figura 2.7: (a) Em destaque a vizinhana-8 de p, vale notar que todos os pixels que fazem parte dela tem distncia 1
de p. A distncia aqui considera as diagonais, sendo que distncia (p,q) = 3. (b) resultado obtido ao aplicar a mtrica
chessboard sobre a imagem 2.5 (a)

Logo acima, na figura 2.7 (a), podemos verificar as direes nas pode-se realizar a
contagem de distncia entre dois pixels, note que neste caso distncia (p,q) = 3. Pode-se ainda
visualizar em destaque a vizinhana-8 de p. Na figura 2.7 (b) exibido o resultado do chessboard
aplicado sobre a figura 2.5 (a).

2.4 TIPOS DE ALGORITMOS DE AFINAMENTO

De acordo com a maneira como os algoritmos examinam os pixels de uma imagem, eles
podem ser classificados como seqenciais ou paralelos. Em um algoritmo seqencial,
realizada uma anlise dos pixels para verificar se estes podem ser excludos. Esta anlise
possui uma seqncia fixa de operaes a cada iterao e o pixel analisado somente ser
excludo na n-sima iterao caso os resultados de todas as operaes que foram realizadas
at aquele momento tenham sido satisfatrios, ou seja, depende do resultado da (n-1)-sima
iterao e tambm dos pixels que j foram processados na n-sima iterao. Em contra-partida
existem tambm os algoritmos paralelos, nos quais excluir um pixel na n-sima iterao
depende apenas dos pixels da iterao (n-1). Assim sendo, todos os pixels podem ser
analisados independentemente e de uma forma paralela a cada iterao. (Lam et al. 1992).

As maiores diferenas que os algoritmos seqenciais e paralelos apresentam se referem

aos testes que garantem a conectividade dos objetos. Esta propriedade definida em termos de
trs caractersticas: nmero de cruzamentos (crossing number), nmero de conexes
(connectivity number) e simplicidade de pixel (pixel simplicity).
Ambos os tipos de algoritmos possuem vantagens, desvantagens, assim sendo devemos
ter em mente que iremos utilizar o tipo que melhor se adaptar nossa necessidade. Para isto, o
ponto de partida saber que as principais caractersticas dos algoritmos seqenciais se resumem
produo de um esqueleto melhor no que diz respeito conectividade e conservao da
topologia dos objetos, mas com um esforo/custo de processamento grande. Ao contrrio dos
algoritmos paralelos que se caracterizam especialmente pela velocidade de processamento, mas
muitas vezes com uma qualidade menor do esqueleto produzido.
A terceira categoria de algoritmos que ser introduzida a dos mtodos no-iterativos, os
quais no so baseados em pixels e geram o esqueleto do objeto em um nico passo sem
examinar todos os pixels.
Por fim, estes algoritmos precisam atender s trs caractersticas bsicas para realizar o

15

afinamento de uma imagem:

1) no remover pontos finais;
2) no desconectar componentes conexos (ou seja, se um componente conexo antes do
afinamento, o esqueleto deve continuar sendo conexo aps o afinamento);
3) no causar eroso excessiva no local est sendo afinado.

2.4.1 Algoritmos Seqenciais

Nesta seo vamos considerar alguns aspectos gerais dos algoritmos iterativos de
afinamento, ou mais precisamente, os algoritmos que excluem sucessivamente camadas de
pixels dos objetos da imagem at que os pixels que restam sejam somente os pertencentes ao
esqueleto. A excluso ou reteno de um pixel preto p ir depender da configurao dos pixels
que esto na vizinhana que contm p.
Usando este tipo de algoritmo, os pixels de borda so analisados para serem excludos em
uma ordem pr-determinada, e isto pode ser realizado de duas maneiras: varredura (raster
scans) ou por verificao do contorno (contour following).
Quando um pixel p analisado, ele poder ser excludo ou no, dependendo de como est
sua N(p). Para evitar a remoo errnea dos pixels (ou seja, para que no haja alteraes em
N(p) ), os algoritmos seqenciais normalmente marcam os pixels que precisam ser eliminados, os
quais sero excludos no final da iterao. Isso faz com que somente uma camada de pixels seja
removida a cada ciclo.
Para evitar repeties nesta discusso, assumiremos que um pixel p que ser analisado
(para posterior excluso) satisfaz todas as propriedades abaixo:
1) p preto
2) p NO isolado ou um ponto final, ou seja: b(p) 2
3) p um pixel de borda, ou seja: p tem no mnimo um pixel, de sua vizinhanca-4, branco.
Um dos meios utilizados para se realizar o afinamento atravs da determinao dos
centros com nmero mximo de blocos (determination of centers of maximal blocks), ou como
chamada: Transformaes de Eixo Mdio (Medial Axis Transformation - MAT), onde a reduo
dos objetos de uma imagem para uma linha nica (com largura de um pixel) considerada como
afinamento.
Na definio deste conceito, temos que um objeto O formado por pixels pi (onde i = 1,
2, ..., n) tem uma borda B formada pelos pixels pb (onde i = 1, 2, ..., m). Devemos verificar a
distncia de cada pi at o pb mais prximo. Todos os pi que possurem mais do que um pb prximo
na mesma distncia, ento estes pi pertencem ao eixo mdio, ou seja, ao esqueleto de O.
Existem vrios conceitos para se calcular a distncia de pi at pn, na figura 2.8 (a), (b) e (c)
temos a representao do esqueleto (linhas pontilhadas) de trs objetos utilizando-se a distncia
Euclidiana.

16

Figura 2.8: Resultados esperados para um algoritmo de afinamento, baseados na tcnica MAT e utilizando-se a
distncia euclidiana. A linha pontilhada representa o esqueleto do objeto.

Este tipo de algoritmo tem um custo alto, j que preciso realizar o clculo da distncia pi
at pn. Note que este clculo feito para todos os pi em relao a todos os pn, ou seja, so
realizados os clculos das seguintes distncias:
DISTNCIAS
Pi
Pn
p1
P1
P1
p2
P1

P1
pm
p1
P2
P2

P2
pm

p1
pn
pn

pn
pm
Tabela 2.1: Distncias entre pixels pi a pn.

Esta anlise ainda feita em todos os objetos existentes na imagem.

2.3.2 Algoritmos Paralelos

Neste tipo de algoritmo, os pixels so examinados para excluso com base nos resultados
da iterao anterior. Assim, estes algoritmos so apropriados para uma implementao em
sistemas de processamento paralelo, onde os pixels que satisfizerem um conjunto de condies
podem ser removidos simultaneamente. Infelizmente, os algoritmos que utilizam somente
processos paralelos tm dificuldade em preservar a conectividade, como exemplo podemos citar
o fato de que um retngulo horizontal que possui dois pixels de largura pode vir a desaparecer
durante o processo de afinamento destes algoritmos. Por este motivo, o mais comum utilizar a
vizinhana 3 x 3, mas dividir cada iterao em duas sub-iteraes (ou sub-ciclos) nas quais
somente um subconjunto dos pixels da borda so considerados para remoo. Ao final de cada
sub-iterao, a imagem atualizada com as novas alteraes introduzidas pela sub-iterao.
Normalmente, quatro sub-ciclos so utilizados para remover os pixels de borda, ou seja, um subciclo para cada pixel de vizinhana-4 (Stefanelli e Rosenfeld, 1971) e (Davis e Rosenfeld, 1976)
(estes pixels so tambm nomeados conforme mostra a figura 2.9: norte, sul, leste e oeste). Isto
tambm pode ser feito em duas sub-iteraes, (Stefanelli e Rosenfeld, 1971), (Zhang e Suen,

17

1984), onde uma sub-iterao exclui os pixels de contorno norte e leste, e a outra exclui os
restantes, por exemplo. Outra abordagem de algoritmos que utilizam dois sub-ciclos foi criada
para processar imagens mapeadas em forma de sub-reas (subfields), semelhantes a um
tabuleiro de damas. Recentemente, algoritmos com uma sub-iterao foram implementados, mas
estes invariavelmente utilizam uma grande quantidade de informaes para preservar a
conectividade dos objetos (Lam et al, 1992).

Figura 2.9 Nomenclatura usual dos pixels em relao p1 (o pixel central), onde cada pixel da vizinhana-4
chamado conforme sua posio: p2 o pixel Leste, p4 o Norte, p6 o Oeste e p8 o Sul.

Os algoritmos paralelos que utilizam duas ou quatro sub-iteraes so implementados, em

parte, pelas mscaras mostradas na figura 2.10. Stefanelli e Rosenfeld (1971) implementaram
dois algoritmos desta maneira e provaram que estes preservam a topologia. Em cada subiterao, os pixels marcados (do esqueleto) so armazenados. Para evitar a excluso dos pixels
de contorno, os quais tambm so pontos finais, todos os pixels de contorno so excludos
primeiramente, logo aps isso, os pontos finais so inseridos.

Figura 2.10 (a) e (b) Condies para preservao da topologia. Os pixels indicados por x ou y podem ter valor 1 ou
0.

A genealogia de alguns mtodos de afinamento apresentada na figura 2.11.

Figura 2.11 Genealogia dos mtodos de afinamento.

18

3. PRINCIPAIS MTODOS DE ESQUELETIZAO (OU

AFINAMENTO)
A operao denominada esqueletizao (ou afinamento) de objetos, tem como objetivo
remover todos os pixels redundantes de uma imagem produzindo uma simplificao dos objetos,
a qual tem largura de um nico pixel. Assim, podemos verificar que o maior problema para os
algoritmos de afinamento determinar, com exatido, quais so os pixels redundantes em uma
imagem.
A gerao de um esqueleto digital freqentemente um dos primeiros passos em
sistemas de viso computacional, quando o objetivo extrair caractersticas de um objeto em
uma imagem. Um esqueleto de um objeto visa representar a forma do objeto em um nmero
menor de pixels no qual todos eles so necessrios. Com essa idia, o esqueleto deve ter todas
as informaes contidas na imagem original (tais como posio, orientao e comprimento dos
segmentos). Um exemplo ilustrativo mostrado na figura 3.1.

Figura 3.1 (a) Representao do objeto original (b) visualizao do esqueleto do objeto de (a).

Apesar de parecido (e algumas vezes confundido) com o processo de eroso, o

afinamento possui algumas caractersticas que o tornam mais eficiente e at mesmo mais preciso
do que o primeiro. Resumidamente este mtodo (que consiste em sucessivas remoes de
pixels dos objetos), executado da seguinte forma:
a) marcar os pixels do objeto a serem removidos;
b) remover os pixels marcados;
c) repetir os passos A e B at que no hajam mais pixels redundantes, ou seja, at o momento
em que os pixels remanescentes sejam aqueles que pertencem ao esqueleto do objeto.
O esqueleto do objeto precisa permanecer intacto e deve respeitar as seguintes
propriedades:
1) As regies afinadas precisam ter um pixel de largura;
2) Os pixels que formam o esqueleto precisam permanecer prximos do centro da regio de
cruzamento de regies;
3) necessrio que os pixels do esqueleto formem o mesmo nmero de regies que a imagem
original apresentava.
O algoritmo dever respeitar as seguintes propriedades:
1) Deve manter a conectividade dos objetos
2) No deve remover pontos extremos
3) No deve causar eroso excessiva
A seguir, estaremos apresentando a descrio dos principais mtodos de afinamento
(Zhang-Suen, Holt, Stentiford e Morfologia Matemtica), suas principais carctersticas, vantagens
e desvantagens.

3.1) Mtodo de Stentiford

Como acontece na maioria dos algoritmos de afinamento, o algoritmo de Stentiford se
baseia na remoo de pixels por camadas. Vrias iteraes so feitas para remoo de cada
camada. Estas iteraes ocorrem at no existirem mais camadas a serem retiradas. O processo
de remoo (como e qual o pixel que ser removido) definido atravs de algumas regras e
mscaras.

19

X
X
X

1
0
0

X
X
X M1

X
0
X

X
1
X

X
1
X M2

X
X
X

1
1
0

X
X
X M3

X
1
X

X
1
X

X
0
X M4

Figura 3.2 Mscaras do mtodo de Stentiford.

As mscaras acima percorrem a imagem na seguinte ordem:

M1 esquerda para direita e cima para baixo
M2 esquerda para direita e baixo para cima
M3 direita para esquerda e baixo para cima
M4 direita para esquerda e cima para baixo
O algoritmo segue da maneira abaixo:
1. A mscara M1 percorre a imagem at encontrar um pixel coincidente.
2. Este pixel marcado para remoo caso no seja um ponto final, ou seja, um pixel
preto com apenas um vizinho preto, e seu nmero de conectividade seja 1. Para
maiores informaes sobre nmero de conectividade, ver o algoritmo de Zhang-Suen.
3. Mscara M1 continua a percorrer a imagem, eliminando os pixels que satisfizerem as
condies acima.
4. A seguir, as mscaras M2, M3 e M4, nesta ordem, percorrem a imagem, cada uma
sua maneira.
5. Remover todos os pixels marcados para remoo, alterando seus valores para 0.
6. Se algum ponto foi removido na etapa acima, recomear o algoritmo com imagem
resultante. Caso contrrio, algoritmo termina.
Este algoritmo possui alguns problemas:
a) O sentido em que as mscaras percorrem a imagem no importa, j que os pontos so
removidos apenas depois;
b) Algumas imagens resultantes apresentam problema de descontinuidade, provavelmente
por alguma falha no processo que verifica o nmero de conectividade dos pixels.
c) Necking: uma interseco de duas linhas, a qual ao ser afinada produz um segmento
relativamente longo - figura 3.3 (a).
d) Tailing: quando temos duas linhas que se unem, e o ngulo entre estas relativamente
pequeno, surge um segmento reto que no corresponde a nenhuma parte da imagem
figura 3.3 (b).
e) Line Fuzz: qualquer pixel que esteja conectado borda do objeto que est sendo
afinado, pode criar um segmento que ser considerado como pertencente ao esqueleto
figura 3.3 (c).

Figura 3.3 Aqui, podemos observar os problemas que normalmente ocorrem com os algoritmos de afinamento de
imagens: (a) Necking: onde a interseco de duas linhas, ao ser afinada, produz um segmento relativamente longo, o
qual no pertence imagem real. (b) Tailing: risco do surgimento de um segmento que no pertence imagem ao
afinar linhas que se cruzam e com ngulo muito pequeno entre elas. (c) Line Fuzz: um pixel qualquer conectado
borda da imagem pode produzir um segmento estranho, que no deveria pertencer ao esqueleto.

3.2) Mtodo de Zhang-Suen

Para realizar o afinamento pelo mtodo de Zhang e Suen (1984), toma-se por base a
comparao do pixel que o candidato ser eliminado sobre os seus oito vizinhos. Existem
dois passos a serem seguidos, e dentro de cada um deste passos, h quatro regras que devem

20

ser aplicadas. Se e somente se as quatro regras forem satisfeitas, o pixel poder ser eliminado.
As quatro regras asseguram que:
a) se o pixel em questo for eliminado no far com que diferentes regies ligadas por ele
passem a ficar separadas (manuteno da conectividade);
b) a eliminao de pixels sempre ocorrer nas bordas do objeto (evita eroso excessiva).
A idia bsica do mtodo Zhang-Suen decidir se um determinado pixel ser eliminado
realizando uma verificao em seus oito vizinhos (vizinhana 8). Antes da descrio do algoritmo,
preciso introduzir duas novas definies:
1) Definio de N(p):
N(p) o nmero de vizinhos no nulos de p, ou seja N(p) = p2 + p3 + p4 + p5 + p6 + p7 + p8 +
p9
2) Definio de S(p):
S(p) o nmero de transies de branco para preto (0-1) na seqncia ordenada: p2, p3, p4,
p5, p6, p7 p8, p9 e p2. Ou seja, nos pixels que circundam p1.
Existem dois passos para decidir se o pixel deve ou no ser removido, e estes esto descritos
abaixo:
PASSO 1: aqui, o pixel somente pode ser removido se satisfizer as seguintes condies:
a) N(p) maior ou igual a dois e menor ou igual a seis (esta condio verifica se existem ao
menos dois pixels vizinhos pretos ao pixel p1, e no mais do que seis. Esta condio procura
remover sucessivamente pixels da borda do objeto, ao invs de suas partes internas);
b) S(p) igual a 1 (esta condio verifica se o nmero de conectividade do pixel p1 igual a 1.
Esta condio assegura que um pixel a ser removido pertence a apenas um nico objeto);
c) A operao p2 * p4 * p6 resulta em zero ( esta condio verifica se ao menos um dos pixels
vizinhos p2, p4 ou p6 fundo (branco) da imagem);
d) A operao p4 * p6 * p8 resulta em zero (esta condio verifica se ao menos um dos pixels
p4, p6 ou p8 fundo da imagem).
PASSO 2: aqui, um pixel p1 eliminado se todas as condies abaixo forem satisfeitas:
a) N(p) maior ou igual a dois e menor ou igual a seis;
b) S(p) igual a 1;
c) A operao p2 * p4 * p8 resulta em zero;
d) A operao p2 * p6 * p8 resulta em zero.
Se um ponto satisfizer todas as condies (de a at d), ele deve ser marcado para ser
removido. No entanto, o ponto no deve ser efetivamente eliminado at que todos os pontos em
cada passo tenham sido processados. Uma vez que o PASSO 1 tenha sido aplicado a todos os
pontos, aqueles que tiverem sido marcados para remoo recebero o valor 0 (fundo). Em
seguida, o PASSO 2 deve ser aplicado aos pontos resultantes exatamente da mesma maneira
que o PASSO 1. Esse procedimento deve ser repetido at que no hajam mais pontos a serem
apagados, produzindo o esqueleto do objeto.

3.3) Mtodo de Holt

O efeito chamado serrilhamento (staircase) , o qual consiste na formao de degraus

21

durante o afinamento de uma imagem. Este efeito indesejado pois prejudica a morfologia do
esqueleto da imagem. Uma das fases do mtodo implementado por Holt (1987) chamada de
staircase removal e elimina este problema atravs da aplicao de quatro mscaras sobre o
esqueleto de imagem. Este tratamento vantajoso pois pode ser aplicado a qualquer esqueleto
(resultante de qualquer mtodo) desde que este possua casos de staircase.
Esta fase se trata de um processo relativamente simples, onde o pixel central das
mscaras mostradas a seguir ser eliminado caso qualquer um dos pixels indicados por X tiver
valor 0 (zero) assim sendo, no causar problemas no formato ou na conectividade do objeto.

0
1
X

1
1
X

X
X
0

X
X
0

1
1
X

0
1
X

0
X
X

X
1
1

X
1
0

X
1
0

X
1
1

0
X
X

Figura 3.4 Mscaras do mtodo de Holt as quais implementam o staircase removal. Estas mscaras so aplicadas
aps um pr-processamento feito na imagem, no qual a imagem afinada e aps isso estas mscaras so aplicadas
para retirar os pixels excedentes.

3.4) Mtodo de Morfologia Matemtica

Esse mtodo, talvez o mais eficaz entre os tratados at aqui, segue a aplicao do
operador morfolgico de afinamento, que implica primeiro em passar uma srie de elementos
estruturantes pela imagem, transformando o pixel central em 1, se o padro do elemento foi
encontrado, ou em 0, caso no o seja, tambm conhecido como Transformada Hit or Miss. Aps
isto, aplicado o operador diferena da imagem original para a imagem transformada. O
resultado final deste processo obtido tambm pelo algoritmo. A frmula a seguir demonstra o
raciocnio utilizado:

Existe ainda um operador para esqueletizao, no usado aqui, pois este operador
implica apenas na aplicao sucessiva do operador de eroso, at que reste apenas o esqueleto
da imagem. Logo abaixo est o algoritmo de morfologia matemtica:
1) Antes de tudo, uma srie de oito elementos estruturantes percorrer a imagem no sentido
convencional, ou seja, da esquerda para direita, de cima para baixo. Os elementos so
apresentados a seguir:
0
X
1
M1
1
X
0
M5

0
1
1

1
1
0

0
X
1

1
X
0

X
1
X
M2

0
1
1

0
0
X

1
1
1
M3

X
1
X

0
0
0

X
1
X
M4

1
1
0

X
0
0

X
0
0
M6

1
1
0

X
1
X

0
0
0
M7

X
1
X

1
1
1

0
0
X
M8

0
1
1

X
1
X

Figura 3.5 Elementos estruturantes da morfologia matemtica

2) O primeiro elemento percorrer a imagem. Caso a situao do elemento coincida com o

pixel analisado, este pixel se torna 1. Caso contrrio, torna-se 0. O X de cada elemento
significa que o valor deste pixel no importa;

22

3) Realiza-se a operao lgica AND entre o pixel original e o pixel transformado;

4) Os dois primeiros passos se repetem para os pixels restantes da imagem;
5) O segundo elemento ser aplicado sobre o resultado da aplicao do primeiro;
6) O terceiro elemento ser aplicado sobre o resultado da aplicao do segundo e assim
sucessivamente at o oitavo elemento;
7) Os pixels alterados so modificados na imagem original;
8) Se houveram alteraes, recomea o algoritmo. Caso contrrio, foi alcanado o esqueleto
da imagem.

3.5) Mtodo da Poda (Pruning)

Como citado na seo anterior, os esqueletos resultantes da Morfologia Matemtica
possuem ramificaes indesejadas as quais foram produzidas por pequenas irregularidades na
borda do objeto original. Estas ramificaes podem ser removidas atravs do mtodo da Poda, o
qual na verdade no passa de outro meio de afinamento. Os elementos estruturantes para esta
operao so mostrados abaixo juntamente com outros dois tipos de elementos:

(a)

1
1

1
1
(b)

0
(c)

0
(d)

Figura 3.6 Os elementos estruturantes para o mtodo da Poda.

Na figura 3.6 (a) a mscara somente encontra a borda do objeto analisado e exclui
qualquer pixel que pertena ao foreground que no possua no mnimo um vizinho pertencente ao
background. Note que a deteco da borda, leva em conta a vizinhana-8. Na figura 3.6 (b),
temos o mesmo caso da anterior, mas com vizinhana-4. Finalmente, na figura 3.6 (c) e (d) temos
os elementos utilizados para realizar a Poda. Em cada iterao, cada um destes elementos deve
ser utilizado em todas as rotaes que sejam mltiplos de 90.
Normalmente a Poda responsvel por apenas algumas iteraes extra para conseguir
eliminar as ramificaes

3.6) Mtodo MB
Este mtodo foi desenvolvido por Manzera et al (1999) e consiste em aplicar trs
mscaras sobre todos os pixels de valor igual a 1 (pretos) da imagem. Aps isso, basta eliminar
aqueles que satisfizerem as condies especificadas. Durante os testes foi possvel notar que nos
esqueletos resultantes houve a preservao da conectividade dos objetos, os quais apresentaram
robustez e baixo nvel de rudo.
Abaixo apresentamos as mscaras do algoritmo, bem como a maneira de aplica-las
imagem:

23

Figura 3.7 Padro das mscaras do algoritmo MB - elas devem ser aplicadas sobre o pixel nesta forma (normal) e
aps isso devem ser rotacionadas em todos os ngulos mltiplos de 90.

O algoritmo MB iterativo e exclui os pontos que correspondem a certas condies de

vizinhana. Todo o procedimento baseado nos padres de mscaras mostrados na figura 3.7.
Nestes padres, o pixel p1 e os pixels da cor cinza tm valor 1 e fazem parte dos objetos. Os
pixels hachurados tm valor zero (brancos) e fazem parte do fundo (background) da imagem.
Dada uma certa imagem A, onde a um pixel qualquer e a pertence A diz-se que o pixel a
corresponde aos padres se posicionando as mscaras sobre a imagem, com o pixel p1 sobre
a, existe uma coincidncia exata da imagem com a mscara naqueles pontos. Esta verificao
tambm deve ser realizada rotacionando-se estas trs mscaras por todos os mltiplos de 90.
Estas trs mscaras devem ser passadas por toda a figura. A iterao deste mtodo
simples: consiste em remover simultaneamente todos os pixels que condizerem com as mscaras
Alfa 1 e Alfa 2 mas NO com Beta.

24

4. RESULTADOS EXPERIMENTAIS
Este captulo apresenta os experimentos realizados atravs dos mtodos de afinamento
descritos no captulo 3, bem como uma comparao de seus resultados em imagens sintticas e
reais.

4.1 CONJUNTO DE IMAGENS

Para realizar estas comparaes, sero utilizadas trs figuras, as quais so mostradas
abaixo. Dentro de todo o captulo 4 estaremos utilizando fragmentos destas imagens (4.1, 4.2 e
4.3) e colocando-os lado a lado com fragmentos dos resultados dos afinamentos para que tudo
possa ser melhor visalizado.

Figura 4.1 Amostra 1 para afinamento

25

Figura 4.2 Amostra 2 para afinamento

Figura 4.3 Amostra 3 para afinamento

4.2 PLATAFORMA HARDWARE E SOFTWARE

Para visualizao das imagens originais e resultantes, foram utilizados os softwares
Display (Linux) e Able Graphic Manager (verso 2.4 - Demonstrativa for Windows). Os
equipamentos usados para processar e visualizar os modelos foram um computador Intel Pentium
III 850 MHz com 192 Mbytes de memria RAM/DIMM 133Mhz, os terminais e servidores dos
laboratrios deste curso.
A imagem 4.1 foi gerada a partir do programa Xfig, exportada para o formato JPG e aps
isso, convertida para o formato PBM atavs do software Xv (ambos os programas em Linux). A
imagem 4.2 foi editada manualmente atravs do editor de textos Vim (em Linux Debian).
Os mtodos foram implementados em linguagem C utilizando os editores Vim e Nedit (em
Linux). O compilador utilizado foi o Gcc verso 2.5.3

26

4.3 GRFICOS E IMAGENS GERADAS COM O SOFTWARE

4.3.1 Aplicao do Mtodo Zhang-Suen
O mtodo de Zhang-Suen, quando comparado com outros (como o MB ou Stentiford) se
torna muito custoso nvel de processamento. Apesar de sua facilidade de implementao, o fato
de analisar pixel a pixel verificando cada uma das condies e excluindo os pixels marcados
somente ao final da confirmao de todas elas o torna efetivamente ineficiente para uma carga
muito grande de arquivos. Abaixo se encontra ao resultado de sua aplicao sobre a figura 4.2:

Figura 4.4 Afinamento realizado utilizando-se o mtodo Zhang-Suen sobre a figura 4.2. Neste resultado pode-se
observar algumas desformidades no esqueleto de alguns dos objetos, como por exemplo o desaparecimento da linha
central da letra E ou ainda a linha reta que surgiu do lado direito da letra X.

O inconveniente mais aparente deste mtodo a perda da morfologia de alguns objetos,

ou seja, a forma do objeto foi alterada durante o processo de afinamento e o esqueleto acabou
no o representando com muita fidelidade. Isso ocorreu de diversas formas, como por exemplo :
a) a excluso de algumas partes essenciais dos objetos durante o processo de
afinamento. Como ilustrao, podemos citar o objeto E, que aparece com mais detalhes
na figura 4.13 (o qual aps ser processado, passou a assemelhar-se a um caractere C,
note que a linha central que desapareceu tinha largura de dois pixels). possvel verificar
na figura 4.7 (a) e (b) que uma reta vertical (que deveria estar cruzando a reta horizontal
para representar o losango) e na figura 4.7 (c) e (d) a parte superior do nmero 1 (o qual
assemelha-se agora ao nmero 7) foram eliminadas durante o processamento da
imagem;
b) O efeito staircase consiste na formao de um estrutura semelhante uma escada no
esqueleto do objeto afinado. Isto pode ser melhor observado na figura 4.14 (b).
c) o algoritmo teve problemas para afinar algumas linhas retas seguidas de curvas. Estas
ocorrncias passaram a ser representadas, no esqueleto, por curvas irregulares como
possvel observar na figura 4.5, onde a letra D passou a ser semelhante a um nmero
0;

27

Figura 4.5 Exemplo de problemas que podem ocorrer na morfologia dos objetos com o mtodo de Zhang-Suen
(a) objeto extrado da figura 4.2 (b) esqueleto, do objeto, extrado da figura 4.3.

d) surgimento de um segmento de linha reta (a qual no pertence a parte alguma do

objeto) quando o ngulo entre duas linhas relativamente fechado. possvel visualizar
este caso atravs da figura 4.6, onde os objetos 2 e X e a linha com curvas aparecem
respectivamente em sua forma normal e logo aps afinados. Note que os ngulos entre as
duas linhas inferiores do 2, entre as duas linhas do lado direito do X e a curva
assinalada em (c), so igualmente fechados. O lado esquerdo do X que tem um ngulo
levemente mais aberto (diferena de um pixel) no sofreu tamanha alterao.

Figura 4.6 (a), (b) e (c) Exemplos do problema da insero de uma linha reta no esqueleto dos objetos com o
mtodo de Zhang-Suen. O afinamento de linhas que se cruzam pode causar o surgimento deste efeito colateral
indesejado. (a) e (b) so o resultado do afinamento da figura 4.2 e (c) o resultado do afinamento da figura 4.1.

Figura 4.7 Fragmentos da figura 4.1 e seu afinamento por Zhang-Suen. (a) o losango original (b) afinamento do
losango, possvel notar que deveriam existir duas linhas representando este objeto: uma horizontal e outra
vertical (c) e (d) temos respectivamente os objetos e seus afinamentos. possvel verificar a falha indicada na
figura, onde a parte superior do objeto 1 foi excluda por completo e agora este objeto se assemelha a um
nmero 7.

Finalmente, ao aplicarmos este mtodo sobre a figura 4.3, possvel observar que o
afinamento foi realizado de uma forma satisfatria e que apesar do esqueleto do objeto 4
apresentar um aspecto distorcido, o maior problema aqui foi a ocorrncia da staircase. Isto pode
ser visto na figura 4.8:

28

Figura 4.8 O staircase acabou sendo o problema mais ntido desta vez no resultado de Zhang-Suen

4.3.2 Combinao dos Mtodos Zhang-Suen e Mscaras de Holt (staircase

removal)
A nfase aqui ser dada s mscaras de Holt, as quais tratam do staircase removal e
podem ser utilizadas como ps-processamento sobre o esqueleto resultante de outros mtodos.
Encontramos nestes resultados vrias semelhanas, mas com um diferencial: aps a aplicao
das mscaras, as formas semelhantes a uma escada, so removidas sem afetar o formato ou a
conectividade dos objetos. A frmula de Holt com a staircase removal constitui uma poderosa
ferramenta para afinamento, superando os resultados da simples aplicao do algoritmo de
Zhang Suen.
Mas todas as outras caractersticas dos esqueletos do mtodo anterior so mantidas,
como por exemplo: a excluso de partes essenciais do objeto durante o processamento da
imagem, que pode ser observado na figura 4.13 (b), onde a barra mediana horizontal da letra E
sumiu. Outro problema, apesar de mais suave, o aparecimento de linhas retas ao se afinar
linhas inclinadas que se cruzam com um ngulo relativamente fechado (tailing).
Na figura 4.10 (a) temos um exemplo que mostra como as mscaras de Holt tm um efeito
poderoso ao tratar o staircase, note que a morfologia da letra D foi mantida e o problema
ocorrido anteriormente mostrado na figura 4.5 foi eliminado. Na figura 4.10 (b), verificamos os
pixels excludos pelo tratamento feito atravs das mscaras, a qual pode ser comparada com a
figura 4.6 (a).

29

Figura 4.9 Resultado do afinamento da figura 4.2 com o mtodo de Holt

Figura 4.10 A ao das mscaras de Holt pode ser vista ao se comparar este esqueleto com o das figuras 4.5 e 4.6
(a). Ambos os fragmentos (original e esqueleto) foram extrados das figuras 4.2 e 4.9 respectivamente.

4.3.3 Aplicao do Mtodo de Stentiford

Aqui podemos observar claramente que dentre as opes de mtodos acima citados o de
Stentiford o que preservou a melhor morfologia dos objetos da imagem, ou seja, aquele que fez
com que o esqueleto representasse melhor o objeto original. Isso pode ser observado na figura
4.13 (a), na qual o objeto E foi afinado com este mtodo e teve sua morfologia preservada.
Apesar disso, existe uma grande inconvenincia no uso deste algoritmo a qual se deve ao fato de
que ao realizar o afinamento de um objeto que contm partes arredondadas ocorre o problema da
staircase. Pode-se ver este fato na figura 4.14 (d). Aqui, este efeito colateral qual ser um pouco
diferente do encontrado no mtodo de Zhang-Suen, pois neste caso ao afinar as partes
arredondadas, os degraus que se formam podero se tornar um pouco maiores do que os
anteriores. Pode-se notar isso olhando-se para o esqueleto do objeto B na figura 4.12 (a), o qual
ficou parcialmente deformado como indicado.

30

Figura 4.11 Resultado do afinamento realizado pelo mtodo de Stentiford na figura 4.2

Aqui tivemos tambm mais um problema para afinar as partes arredondadas, onde ocorre
o surgimento uma linha reta para represent-las, como pode ser visto na figura 4.12 (a). No
entanto, isso tudo no representa uma perda muito significativa quando comparado s vantagens
deste algoritmo, o qual mais rpido que os anteriores. possvel verificar na figura 4.12 (b) e (c)
a deficincia denominada Line Fuzz, onde qualquer pixel que esteja conectado borda do objeto
que est sendo afinado, pode criar um segmento que ser considerado como pertencente ao
esqueleto. Estes segmentos surgem em forma de ramificaes, as quais esto indicadas nesta
figura. Apesar de tudo, temos uma boa morfologia dos esqueletos.

Figura 4.12 (a) Segmentos da figura 4.11 - aqui uma exemplificao do problema de staircase que o afinamento de
Stentiford causa no esqueleto (b) e (c) segmentos da figura 4.1 e seus respectivos afinamentos utilizando o mtodo de
Stentiford - mostra-se certa deficincia de afinamento, j que no esqueleto surgem segmentos indesejados e que no
fazem parte do objeto.

Outra deficincia que ocorre, o surgimento de um linha reta (tailing) na interseco de

duas linhas quando o ngulo entre elas muito pequeno. Observando-se a parte inferior do
objeto 2 na figura 4.12 (a) poderemos verificar isso.

31

Figura 4.13 Fragmentos da figura 4.2 (a) afinamento por Stentiford (b) afinamento por Holt (c) afinamento por ZhangSuen at aqui, a melhor morfologia apresentada na maioria dos objetos foi a do mtodo de Stentiford, apesar de
inserir escadas ao afinar partes as arredondadas dos objetos.

Figura 4.14 - (a) Objeto original, extrado da figura 4.2 (b) afinado por Zhang-Suen (c) afinado por Holt (d) afinado por
Stentiford aqui, temos apresentado o problema da staircase . Nota-se que em (c) este problema foi tratado.

Analisando a figura 4.15 (a), (b) e (c), pode-se notar as dificuldades ao afinar: os crculos
da imagem cujo esqueleto foi sempre uma pequena cruz, a ocorrncia da staircase e de
segmentos retos que no pertencem ao esqueleto e a perda da morfologia do objeto 0. Apesar
disso, no geral foi possvel manter uma boa forma dos objetos.

Figura 4.15 (a) O afinamento dos crculos resultou em uma pequena cruz (b) Ao afinar alguns objetos, ocorreu o
aparecimento de alguns segmentos de retas que no pertencem ao esqueleto, bem como a staircase (c) Perda da
morfologia ao afinar o objeto 0.

4.3.4 Combinao dos Mtodos de Stentiford e Mscaras de Holt (staircase

removal)
Como citado anteriormente, ao utilizar o mtodo de Stentiford, haver um problema de
staircase nos afinamentos realizados em objetos que possurem partes arredondadas. Sabendo
disso, podemos realizar um ps-processamento do esqueleto resultante deste mtodo utilizando
uma ferramenta j conhecida: as mscaras de Holt. Como visto na seo 3.3, estas mscaras
realizam a remoo de pontos que se assemelham a uma escada sem afetar o formato ou
mesmo a conectividade do objeto.
Como resultado desta primeira operao (aplicao do Stentiford), teremos primeiramente
um esqueleto com todas as deficincias citadas no item 4.3.3: staircase, tailing, a insero de
algumas retas ao realizar o afinamento de partes arredondadas dentre outros. Ao aplicar as
mscaras de Holt sobre o esqueleto resultante, teremos a remoo das escadas, e uma

32

melhora significativa da morfologia dos objetos, como pode ser observado na figura 4.16, a qual
o resultado desta mescla de mtodos sobre a figura 4.2:

Figura 4.16 - Resultado da aplicao do mtodo de Stentiford seguido das mscaras de Holt figura 4.2

Pode-se observar um certo problema no afinamento desta imagem no que diz respeito
letra B (vide figura 4.16) a qual perdeu um pouco de sua morfologia e agora se assemelha a um
nmero 8, ou seja, pode-se notar assim que em caso do objeto possuir muitos degraus um
aps o outro e em direes opostas, as mscaras de Holt podem comprometer o seu formato.
Outro problema que aparece (vide destaques da figura 4.17) o line fuzz (j comentado
anteriormente).

Figura 4.17 Combinao dos mtodos de Stentiford e Holt: fragmento da figura 4.1 afinada

Na figura 4.18, fica visvel que, aplicando Stentiford+Holt agora na figura 4.3, mais uma
vez foi possvel resolver o problema da staircase, mas alguns problemas persistem no esqueleto
como por exemplo: os segmentos extra que aparecem conectados ao esqueleto e que no
representam parte alguma da figura original.

33

Figura 4.18 (a) e (b) Demonstrao dos problemas de segmentos de retas que apareceram conectados ao
esqueleto.

4.3.5 Aplicao do Mtodo da Morfologia Matemtica

Aqui, visvel a distoro causada pelo algoritmo quando objetos bem representados
tornam-se de difcil reconhecimento. o caso do objeto N da figura 4.19, o qual ficou deformado
pois ocorreu o que chamamos de tailing. Este problema, que consiste na insero de uma reta
onde deveria haver apenas a interseco de duas linhas, ocorre vrias vezes durante a aplicao
deste mtodo. Isto acontece duas vezes no objeto N.

Figura 4.19 - Resultado da aplicao do mtodo da morfologia em trs objetos distintos da figura 4.2. Em (a), temos os
objetos originais e em (b) seu esqueleto.

Percebe-se tambm que o nmero 2 acabou no seguindo seu tracejado original

tambm por ocorrncia de tailing e na letra H as retas foram corrompidas onde deveria haver
um simples encontro entre as duas retas. Alm disso, todas as figuras apresentam ramificaes a
mais nas extremidades das retas, como visto na figura 4.19:

34

Figura 4.20 (a) Fragmento extrado da figura 4.2 (b) pequenos traos a mais no esqueleto da imagem, este o efeito
colateral de se utilizar o afinamento baseado em Morfologia Matemtica

Estas deformaes so causadas provavelmente pela aplicao dos elementos

estruturantes. Uma possvel alterao nestes elementos poderia resolver estas deficincias do
algoritmo. O aparecimento destes traos nas extremidades pode ser consertado com a aplicao
do algoritmo de Poda (Pruning) visto na seo 4.3.7, eliminando estas ramificaes (que
tambm aparecem na figura 4.21).
Apesar destes defeitos, o algoritmo de morfologia matemtica bastante til pois mantm
boa parte da constituio da imagem intacta, principalmente se compararmos com os mtodos
anteriores. Um dos principais problemas do mtodo de Stentiford, o mais eficaz at ento, a
ocorrncia de staircase solucionada apenas com a aplicao das mscaras de Holt. Com a
morfologia matemtica, esse problema no ocorre. Na figura 4.22, uma comparao entre os
resultados do mtodo de Stentiford com Morfologia Matemtica.

Figura 4.21 Resultado da aplicao da Morfologia sobre alguns objetos da figura 4.1.

Figura 4.22 (a) Objeto original, extrados da figura 4.2 (b) esqueleto aps a aplicao do mtodo de Stentiford (c)
esqueleto aps aplicao do mtodo de Morfologia Matemtica - apesar dos defeitos, os resultados da Morfologia
Matemtica conservam melhor a forma da imagem, ou seja, criam um esqueleto melhor.

35

Na figura 4.23 (a) e (b) pode-se verificar nos esqueletos dos objetos o aparecimento de
ramificaes que no fazem parte da imagem e que no a representam. O caso mais crtico
aconteceu com esqueleto do objeto J, o qual acabou recebendo em um dos pontos vrias subramificaes. Como j mencionado anteriormente, mesmo assim a melhor morfologia dos objetos
foi deste algoritmo.

Figura 4.23 - (a) e (b) Ramificaes que aparecem nos esqueletos ao utilizarmos este mtodo

4.3.6 Aplicao do Mtodo MB

Nos resultados deste algoritmo foi possvel observar, em especial, uma certa dificuldade
de afinamento em objetos que possuem poucas linhas em curvas, como pode ser observado
nos exemplos especficos baseados nas imagens afinadas:

Figura 4.24 Resultado do afinamento com o mtodo MB realizado na figura 4.2

36

Figura 4.25 Resultado do afinamento do mtodo MB realizado na figura 4.1

Note que objetos como X e W sofreram um bom processo de afinamento, mas em

casos extremos, como mostrado na figura 4.26 podemos notar que os objetos E, A e H ainda
possuem largura de dois pixels na maior parte de sua extenso. Pode-se notar ainda que este
problema aparece quando preciso afinar linhas que se cruzam (e/ou encontram) formando um
ngulo que se aproxima de 90.

Figura 4.26 Afinamento com MB resultou em problemas de afinamento, em especial quando existe a juno em 90
de duas linhas (conforme indicado na figura)

Observando a figura 4.27 (a) e (b), respectivamente o polgono o resultado do MB,

possvel verificar que houve uma pequena incoerncia no afinamento deste objeto (assim como
tambm houve no afinamento de Zhang Suen), pois onde existe somente uma pequena reta
vertical deveria haver o cruzamento de duas retas (uma vertical e outra horizontal vide figura
4.12 (b) e (c): afinamento realizado nestes mesmos objetos utilizando Stentiford). Na figura 4.28
(b) observa-se que o problema de manter a largura de dois pixels am alguns segmentos da figura
(onde existe a interseco de duas linhas com um ngulo de 90) inerente este mtodo.

37

Figura 4.27 (a)Polgono original (b) afinamento usando o mtodo MB - pequena incoerncia no resultado do
afinamento do polgono: somente uma linha reta vertical passou a represent-lo, no entanto deveria haver uma linha
horizontal a cruzando.

Figura 4.28 (a) Segmento da figura 4.1 (b) o mesmo segmento da figura 4.1 afinado com o mtodo MB. Aqui temos o
efeito colateral inerente ao mtodo MB quando este afina linhas que se cruzam formando um ngulo de
aproximadamente 90, neste caso ento o esqueleto dos segmentos de reta prximos ao encontro passam a ter dois
pixels de largura.

Ainda possvel destacar a boa atuao deste mtodo ao afinar os objetos abaixo
mostrados. Note que, diferentemente de Stentiford, aqui foi possvel obter um esqueleto sem
ramificaes em sua extenso, assim sendo, os objetos ficaram melhor representados.

Figura 4.29 Desempenho deste mtodo ao afinar objetos sem deixar as ramificaes indesejadas que aparecem no
Stentiford

Como pode-se notar na figura 4.30 (a) e (b), o segmento central do esqueleto do objeto
H possui um pouco de rudo e os esqueletos de alguns dos objetos (como J) ficaram com
alguns segmentos de reta que no fazem parte do objeto. Na letra (c), podemos ainda observar
que a letra T ficou com sua parte superior distorcida.

38

Figura 4.30 (a) Rudos na parte central do esqueleto do objeto H (b) Segmentos de reta no pertencentes
imagem original (c) parte superior do esqueleto do objeto T com incoerncia.

Como sempre, a largura de dois pixels em alguns pontos dos esqueletos inerente ao
algoritmo, isto pode tambm ser observado na figura 4.30 (a) e (b). Apesar disso, note que a
morfologia dos objetos foi mantida e que j possvel realizar um reconhecimento dos objetos
sem maiores problemas com a aplicao de mscaras.
Nos demais casos, o algoritmo reagiu bem e produziu esqueletos sem deformaes no
que diz respeito morfologia dos objetos, com poucos rudos e com uma boa qualidade.

4.3.7 Combinao dos Mtodos MB e Mscaras de Holt (staircase removal)

Nesta mescla de mtodos, obtivemos um resultado interessante, onde todos os
segmentos de figuras que possuem largura de dois pixels foram processados e passaram a ter
uma forma de dente-de-serra, ou seja, a conectividade foi mantida somente atravs dos pixels
que se conectam pelas diagonais. Este resultado mostrado na figura 4.31:

Figura 4.31 Mtodo de afinamento MB seguido das mscaras de staircase removal de Holt aplicados figura 4.24

Na figura 4.32 (a) e (b), podemos observar melhor o efeito descrito anteriormente. Note
que todos os segmentos do esqueleto que esto na forma de dente-de-serra (ou zigue-zague)
possuam uma largura de dois pixels anteriormente. Este efeito abaixo mostrado, e que foi gerado
pela lgica da staircase removal, possui uma soluo relativamente simples: basta aplicar
algumas mscaras as quais eliminam os pixels em diagonais e repe pixels em linha reta.

39

Obviamente, muito mais prtico evitar que este efeito ocorra.

Figura 4.32 - (a) e (b) Segmentos da imagem 4.31, a qual foi afinada utilizando-se esta mesma mescla de mtodos
(afinamento com o mtodo MB seguido da aplicao das mscaras de Holt). Note que em ambos os casos, os objetos
sofreram uma transformao interessante, porm indesejada.

4.3.8 Combinao dos Mtodos MB e Stentiford

Novamente, uma alternativa para eliminar as deficincias particulares de cada mtodo
(largura de dois pixels do MB e ramificaes indesejadas do Stentiford) realizar a mescla (ou
mix) destes mtodos de afinamento. Para isto, basta aplicar um ps-processamento imagem
resultante do algoritmo MB utilizado o mtodo de Stentiford. A figura 4.33 a resultante deste
ps-processamento, utilizamos como matriz a figura 4.1:

Figura 4.33 Afinamento da figura 4.2 utilizando-se o mtodo MB seguido de Stentiford: isso vem sanar a maioria dos
problemas enfrentados at agora em Stentiford, mas permanece um deles: o staircase

Todos os problemas de segmentos com largura de dois pixels e ramificaes indesejadas

foram eliminados e o esqueleto passou a ser mais ntido e robusto. Apesar disso, voltamos a um
problema que est sempre presente em objetos afinados atravs de Stentiford: o staircase. Assim
sendo, como possvel ser visto na prxima seo, a aplicao das mscaras de Holt no
resultado do mtodo acima bem vinda.
Apesar da manuteno da morfologia dos objetos (ou seja, os segmentos de retas
conectadas ao esqueleto ainda persistem), foi possvel solucionar o problema da largura de dois

40

pixels e facilitar um possvel ps-processamento da imagem resultante.

Figura 4.34 (a) e (b) em ambas as figuras, esquerda est o afinamento por MB2 e direita a combinao do MB2
com Stentiford. possvel notar claramente a largura de dois pixels esquerda de (a) e (b), com como o refinamento
disto direita.

4.3.9 Combinao dos Mtodos Morfologia Matemtica e Poda

Como citado anteriormente, na seo 4.3.4, o mtodo da Morfologia causa um problema
bem visvel ao esqueleto da imagem: as ramificaes. Mas este inconveniente pode ser
amenizado atravs do mtodo da Poda (Pruning). Durante os testes realizados, os resultados
obtidos foram satisfatrios e proporcionaram uma das melhores solues obtidas neste estudo.
Na figuras 4.35 (a), (b) e (c) e 4.36 (a) e (b) podemos comparar os alguns dos resultados.
possvel notar que aps o uso da Poda, todas as caractersticas do mtodo da Morfologia foram
mantidas, menos as ramificaes indesejadas. Apesar da ocorrncia de tailing (efeito inerente ao
mtodo morfolgico), a forma dos objetos foi mantida em um bom padro e sem rudos.

Figura 4.35 (a), (b) e (c) Afinamento da figura 4.2, esquerda de cada figura temos somente com o mtodo da
Morfologia e direita temos este mesmo afinamento utilizando o ps-processamento da Poda.

41

Figura 4.36 Afinamento da imagem 4.1 utilizando a mescla destes mtodos (a) imagem afinada somente com a
Morfologia (b) utilizando a mescla dos mtodos.

Ao verificar as imagens, pode-se notar que em alguns casos as ramificaes no so

completamente eliminadas, neste caso no h o que fazer, j que:
so algumas excesses que ocorrem ao algoritmo.
estas ramificaes remanescentes no influem de maneira impactante em uma ps-anlise.
Ao remover as ramificaes, possvel obter um bom resultado, isso pode ser visto nos
esqueletos dos objetos g e 9 na figura 4.37, os quais ainda apresentam a ocorrncia de
staircase (uma aplicao das mscaras de Holt resolve sem maiores problemas). Na indicao da
figura 4.37 (a) podemos notar que persiste o aparecimento de um pequeno segmento de reta, o
qual j foi formado no afinamento da Morfologia. No destaque da figura 4.37 (b) um segmento
quadrado, o qual proveniente do afinamento anterior ao pruning.

Figura 4.37 (a) e (b) Aparecem na seqncia a imagem original, o afinamento por Morfologia e o afinamento de
Morfologia seguido por Poda

42

5. CONCLUSES
O processamento de imagens o estudo da representao e manipulao de informaes
pitorescas. Este processo realizado em computadores digitais, os quais manipulam imagens,
representando-as em forma de arrays ou matrizes de valores discretos. Os avanos na tecnologia
dos computadores tm facilitado cada vez mais a utilizao deste tipo de processamento e
anlise em reas nas quais seria impossvel anteriormente devido sua alta complexidade, custo
computacional, resoluo de vdeo e eficincia dos algoritmos dentre outros fatores. Podemos
citar algumas destas novas reas: diagnsticos mdicos, controle de qualidade industrial, viso
robtica, astronomia, veculos inteligentes / sistemas de auto-estradas computadorizadas.
Muitas tcnicas complexas foram desenvolvidas e novos objetivos, que antes no eram
tangveis, podem agora ser alcanados. As novas mquinas passaram a utilizar mais
eficientemente as tcnicas matemticas para solucionar problemas complexos, os mtodos de
convoluo passaram a ser mais rpidos atravs da aplicao das Transformadas de Fourrier.
Com este estudo foi possvel observar que as melhores solues para o afinamento so
obtidas na verdade com a mescla (ou combinao) de mtodos j existentes, j que assim, um
pode compensar as deficincias do outro. As melhores solues foram obtidas com os seguintes
combinaes de mtodos:
- Stentiford seguido das Mscaras de Holt
- Morfologia Matemtica seguido do Pruning
- MB seguido de Stentiford
Para o complemento deste estudo sugerimos a implementao de um Afinamento
Seletivo, ou seja, define-se uma classificao prvia de tipos de objetos a serem afinados e os
respectivos mtodos a serem utilizados para este afinamento, por exemplo:

- TIPO 1:
Objetos que possuem at 4 cantos quadriculados e nenhuma parte arredondada
Afinamento por Zhang-Suen
- TIPO 2:
Objetos que possuem at 4 cantos quadriculados e 4 partes arredondadas
Afinamento por Stentiford e Holt
- TIPO 3:
Objetos com mais de 5 cantos quadriculados e/ou mais de 5 partes arredondadas
Afinamento por MB e Stentiford
Atravs da aplicao de mscaras sobre a imagem realiza-se uma classificao de todos
os objetos a serem afinados (estes objetos sero enquadrados em um dos tipos exemplificados
acima). Aps esta etapa, basta aplicar o mtodo de afinamento pr-definido para um daqueles
tipos. Como exemplo, podemos extrair alguns objetos da figura 4.1 e sua classificao seria como
a mostrada na figura 5.1:

Figura 5.1 Exemplo de uma pr-classificao para alguns dos objetos da figura 4.1. Note que em (a) temos um
objeto do TIPO 3, em (b) temos dois objetos do TIPO 1 e em (c) um objeto do TIPO 2.

43

REFERNCIAS BIBLIOGRFICAS
Chauhan, M. S., Hindi Character Recognition, Department of Computer Science & Engineering
Indyan Inst. of Technology Kanpur, 2001
Davies E.R., Plummer A.P.N. , Thinning Algorithms: A Critique and a New Methodology, Pattern
Recogn. , vol 14, n 1, pp 53-63, 1981.
Gonzalez R. and Woods R., Digital Image Processing, Second Edition, Prentice-Hall, 2002.
Hilditch C. J., Comparison of a Thinning Algorithm in a Parallelprocessor, Image Vision Comput,
vol 1, n 3, pp 115-132, 1983.
Holt, C. M. et al, An Improved Parallel Thinning Algorithm, Communications of the ACM, vol. 30,
n 2, pp 156-160, 1987
Lam L. et al, Thinning Methodologies A Comprehensive Survey, IEEE Trans. On Patt. Analisys
and Mach. Intell., vol 4, n 9, september, 1992.
Manzera A. et al, Ultra-fast Skeleton Based on Isotropic Fully Parallel Algorithm, Proc. Of
Discrete Geometry for Compuiter Imagery, 1999.
Moayer B. and Fu K.S., A Sintactic Approach to Fingerprint Pattern Recognition,
Recogn., vol 7 pp. 1-23, 1975.

Pattern

Mundy J. L. and Joynson R. E., Automatic Visual Inspection Using Syntatic Analisys in Proc. Int.
Conf. Patt. Recogn. Image Processing, pp144-147, 1977.
Niblack C.W. et al, Generating Skeletons and Centerlines from the Distance Transform,
Graphical Models and Image Processing. 54, 5, 420-437, 1992
Nguyen T. V. and Sklansky J., A Fast Skeleton-Finder for Coronary Arteries in Proc. 8th Int. Conf.
Patt. Recogn. (Paris, France), pp 481 483, 1986.
Peixoto A, e Velho L., Transformadas de Distncia , PUC Rio. Inf.. MCC 35/00, 2000
Preston K., The Cellscan System A Leucocyte Pattern Analyzer, In Proc. West Join Comput.
Conf. (Los Angeles C. A), pp 173-183, 1961
Preston K. and Duff M.J.B., Basies of Cellular Logic With Some Applications in Medical Image
Processing, Proc IEEE, vol 67 n 5 , pp 826-857, 1979
Rosenfeld A. and Davis L.S., A Note for Thinning , IEEE Trans Syst. Man. Cybern., vol 25, pp
226-228, 1976
Rosenfeld A. and Pfaltz J.L., Sequential Operations in a Digital Picture Processing, J. ACM 13,
4 , pp 471-494, October, 1966.
Stefanelli R. and Rosenfeld A., Some Parallel Thinning Algorithms for Digital Images, J. ACM,
vol. 18 , n 2, pp 225-264, 1971
Stentiford F.W.M. and Mortimer R.G., New heuristics for thinning binary handprinted characters
for OCR., IEEE TRANS. SYS. MAN AND CYBER. Vol. SMC-13, no. 1, pp. 81-84, 1983.
Tamura H., A Comparison of Line Thinning Algoritms From a Digital Geometry Viewpoint, in
Proc. 4th Int. Conf. Patt. Recogn. (Kyoto Japan), pp 715-719, 1978.
Ye Q. Z. and Danielsson P. E., Inspection of Printed Circuit Boards by Connectivity Preserving

44

Shirinking, IEEE Trans. Pattern Anal. Mach. Intell. , vol 10, n 5, pp 737-742, 1988.
Zhang T.Y. and Suen C.Y., A Fast Parallel Algorithm for Thinning Digital Patterns, Comm.
ACM. ,vol 27, n 3, pp 236-239, 1984.

45

APENDICE A
A.1 IMAGEM BINRIA
O conceito bsico de imagem binria diz que esta uma coleo de valores discretos um
ou zero (os quais significam respectivamente preto ou branco). Esta coleo melhor
representada por uma matriz A , onde cada clula Ai,j possui apenas um nico valor discreto.
Neste tipo de imagem, os pixels que fazem parte dos objetos so representados pelo valor 1
(preto) e os pixels que compem o fundo da imagem so os que possuem o valor zero (branco) .

A.1.1 Formato PBM

Dentro do conceito de imagem PBM (Portable Bitmap) podemos identificar trs tipos de
formatos: preto e branco, escala de tons de cinza e em cores. Nenhum destes formatos
comprimido, mas todos apresentam uma estrutura comum1. Os trs tipos de formato de imagens
so:
PBM (Portable BitMap) imagens em preto e branco (sem tons de cinza)
PGM (Portable GrayMap) imagens em tons de cinza
PPM (Portable PixMap) imagens em cores
Originalmente, o objetivo destes formatos foi simplesmente o de possibilitar a transmisso
de imagens via e-mail (j que h algum tempo atrs os servios de correio eletrnico no
permitiam anexar qualquer tipo de arquivo, fossem estes binrios ou no). Isso foi feito de uma
maneira muito simples, pois a representao das imagens no formato PBM, PGM e PPM feita
por meio de caracteres ASCII, assim sendo, as imagens podiam ser inseridas nas mensagens de
e-mail como se estas fossem um texto comum. Sem dvida alguma, o maior problema deste tipo
de imagem o seu tamanho relativamente grande (pois como j dito anteriormente, no h
compresso). Com o passar do tempo, a definio do formato foi modificada para que fosse
possvel representa-las de forma binria.

A.1.2 Especificao dos formatos PBM

Um arquivo de imagem no formato PBM, constitudo dos campos abaixo especificados
(inclusive nesta mesma ordem):
a) Identificador do tipo de formato: tambm chamado de magic number, e varia de acordo
com o tipo da imagem:
Tipo
ASCII
Binrio
PBM
P1
P4
PGM
P2
P5
PPM
P3
P6
b) Espao em branco2
c) Largura da imagem: dada em pixels (e em notao decimal). Est formatada em caracteres
ASCII
d) Espao em branco
e) Altura da imagem: dada em pixels (e em notao decimal). Est formatada em caracteres
ASCII
f) Espao em branco
1

Por isso, estes formatos so muitas vezes todos designados (erroneamente), por PPM.

Este espao pode ser constitudo por qualquer nmero de caracteres em branco, fim de linha ou tabulao. Alguns
softwares de interpretao podem no suportar caracteres de tabulao.

46

-- Se a imagem for dos tipos PGM ou PPM, ela possuir os campos g e h:

g) Valor mximo dos tons de cinza (PGM) ou das componentes de cor (PPM) : no formato
PGM, este campo dado em notao decimal e no formato PPM ele se encontra em caracteres
ASCII.
h) Espao em branco
--

Para todos os trs tipos de formato segue-se:

i) Corpo da imagem: so os valores de cada um dos pixels da imagem. O nmero total de pixels
dado pela altura da imagem vezes a sua largura, para os tipos PBM e PGM. Nos tipos PPM
temos trs vezes este nmero, j que cada pixel representado pelas trs componentes R(red),
G(green) e B(blue) da respectiva cor.
Os programas que realizam a exibio do arquivo de imagem, fazem a leitura (ou
varredura) deste comeando da esquerda para a direita e de cima para baixo, linha a linha. Na
figura A.1 (a), possvel verificar como o formato de um arquivo (em ASCII) de uma imagem
PBM e, na figura A.1 (b) podemos verificar (em uma escala ampliada) como esta imagem fica ao
ser exibida em um programa de visualizao de imagens.
Observando a figura A.1 (a), pode-se notar na primeira linha que o magic number tem o
valor P1, indicando o tipo PBM. Na segunda linha, pode-se observar que a largura (8) e a altura
(10) da imagem so dadas em notao decimal e separadas por um espao em branco (o qual
pode ser substitudo por marcas de tabulao ou marcas de fim de linha). As partes restantes do
arquivo mostram o valor de cada pixel do corpo da imagem, sendo que cada valor 1 (um) indica
um pixel da cor preta, os quais fazem parte dos objetos, e cada valor 0 (zero) indica um pixel da
cor branca, ou seja, do fundo da imagem.

Figura A.1 (a) imagem em formato ASCII, sendo magic number = P1 (indicando o tipo PBM), largura = 8 e altura = 10
(ambas indicadas em notao decimal e equivalendo ao nmero de pixels). Na terceira linha, tem incio a
representao do corpo da imagem, onde o valor um indica um pixel preto (que faz parte de um objeto) e o valor zero
indica um pixel branco (que faz parte do fundo da imagem).

Para os formatos PGM e PPM, o corpo da imagem armazenado em caracteres

contguos, ou seja, sem separadores entre os valores consecutivos. No formato PBM, realizada
a combinao dos valores de cada 8 pixels consecutivos em um nico caractere (byte). No
formato PGM, faz corresponder um caractere a cada pixel e o PPM trs caracteres 3.
3

Um caractere (byte) por cada componente RGB do pixel, restringindo assim o valor mximo dos tons de cinza e das
componentes de cor a 255.

47

-- Para as variantes ASCII dos trs tipos de formato, aplicam-se ainda as seguintes regras:
possvel realizar a insero de qualquer comentrio em qualquer parte do arquivo. Para isto,
basta fazer a indicao do incio do comentrio utilizando o caractere #, assim todo o texto,
incluindo este caractere at a indicao de fim de linha ser reconhecido como parte do
comentrio;
Existe uma limitao no tamanho mximo de cada linha, a qual no deve possuir mais de 70
caracteres 4.

Esta limitao deriva da especificao inicial visando a transmisso de imagens por e-mail.

48