INPE-15330-TDI/1370

USO DO SOFTWARE IMAGE J PARA ANALISE QUANTITATIVA DE IMAGENS DE MICROESTRUTURAS DE MATERIAIS

Felipe da Cruz Dias

Dissertaao de Mestrado do Curso de Ps-Graduaao em Engenharia e Tecnologia c o c Espaciais/Cincia e Tecnologia de Materiais e Sensores, orientada pelos Drs. e Maur Fabbri e Maria do Carmo de Andrade Nono, aprovada em 4 de junho de cio 2008.

Registro do documento original: <http://urlib.net/sid.inpe.br/mtc-m17@80/2008/04.30.20.23>

INPE So Jos dos Campos a e 2008

PUBLICADO POR: Instituto Nacional de Pesquisas Espaciais - INPE Gabinete do Diretor (GB) Servio de Informao e Documentao (SID) c ca ca Caixa Postal 515 - CEP 12.245-970 So Jos dos Campos - SP - Brasil a e Tel.:(012) 3945-6911/6923 Fax: (012) 3945-6919 E-mail: pubtc@sid.inpe.br CONSELHO DE EDITORACAO: Presidente: Dr. Gerald Jean Francis Banon - Coordenao Observaao da Terra (OBT) ca c Membros: Dra Maria do Carmo de Andrade Nono - Conselho de Ps-Graduaao o c Dr. Haroldo Fraga de Campos Velho - Centro de Tecnologias Especiais (CTE) Dra Inez Staciarini Batista - Coordenaao Cincias Espaciais e Atmosfricas (CEA) c e e Marciana Leite Ribeiro - Servio de Informao e Documentaao (SID) c ca c Dr. Ralf Gielow - Centro de Previso de Tempo e Estudos Climticos (CPT) a a Dr. Wilson Yamaguti - Coordenaao Engenharia e Tecnologia Espacial (ETE) c BIBLIOTECA DIGITAL: Dr. Gerald Jean Francis Banon - Coordenao de Observaao da Terra (OBT) ca c Marciana Leite Ribeiro - Servio de Informao e Documentaao (SID) c ca c Jeerson Andrade Ancelmo - Servio de Informaao e Documentao (SID) c c ca Simone A. Del-Ducca Barbedo - Servio de Informaao e Documentao (SID) c c ca REVISAO E NORMALIZACAO DOCUMENTARIA: Marciana Leite Ribeiro - Servio de Informao e Documentaao (SID) c ca c Marilcia Santos Melo Cid - Servio de Informao e Documentaao (SID) u c ca c Yolanda Ribeiro da Silva Souza - Servio de Informao e Documentaao (SID) c ca c EDITORACAO ELETRONICA: Viveca SantAna Lemos - Servio de Informao e Documentaao (SID) c ca c

INPE-15330-TDI/1370

USO DO SOFTWARE IMAGE J PARA ANALISE QUANTITATIVA DE IMAGENS DE MICROESTRUTURAS DE MATERIAIS

Felipe da Cruz Dias

Dissertaao de Mestrado do Curso de Ps-Graduaao em Engenharia e Tecnologia c o c Espaciais/Cincia e Tecnologia de Materiais e Sensores, orientada pelos Drs. e Maur Fabbri e Maria do Carmo de Andrade Nono, aprovada em 4 de junho de cio 2008.

Registro do documento original: <http://urlib.net/sid.inpe.br/mtc-m17@80/2008/04.30.20.23>

INPE So Jos dos Campos a e 2008

Dados Internacionais de Catalogaao na Publicaao (CIP) c c

D543u Dias, Felipe da Cruz. Uso do software Image J para anlise quantitativa de a imagens de microestruturas de materiais/ Felipe da Cruz Dias. So Jos dos Campos: INPE, 2008. a e 145p. ; (INPE-15330-TDI/1370) Dissertaao (Mestrado em Engenharia e Tecnologia Esc paciais/Cincia e Tecnologia de Materiais e Sensores) Inse tituto Nacional de Pesquisas Espaciais, So Jos dos Cama e pos, 2008. 1. Anlise de imagens. 2. Tamanho de gro. 3. Microesa a truturas cermicas. 4. Anlise de microestruturas. 5. Nora a mas ASTM. . Image J. I. T tulo. CDU 544.016.5

Copyright c 2008 do MCT/INPE. Nenhuma parte desta publicao pode ser reca produzida, armazenada em um sistema de recuperao, ou transmitida sob qualquer ca forma ou por qualquer meio, eletrnico, mecnico, fotogrco, microf o a a lmico, reprogrco ou outros, sem a permisso escrita da Editora, com exceao de qualquer a a c material fornecido especicamente no propsito de ser entrado e executado num o sistema computacional, para o uso exclusivo do leitor da obra. Copyright c 2008 by MCT/INPE. No part of this publication may be reproduced, stored in a retrieval system, or transmitted in any form or by any means, eletronic, mechanical, photocopying, microlming, recording or otherwise, without written permission from the Publisher, with the exception of any material supplied specically for the purpose of being entered and executed on a computer system, for exclusive use of the reader of the work.

Ningum pode construir em teu lugar as pontes que precisars passar, para atravessar o rio da vida ningum, exceto tu, s tu. Existem, por certo, atalhos sem nmeros, e pontes, e semi-deuses que se oferecero para levar-te alm do rio; mas isso te custaria a tua prpria pessoa; tu te hipotecarias e te perderias. Existe no mundo um nico caminho por onde s tu podes passar. Onde leva? No perguntes, segue-o.

FRIEDRICH WILHELM NIETZSCHE

Dedico este trabalho a meus pais, Alfredo e Mrcia, a meu av, Antnio e, a meu irmo Gabriel, pelo apoio incondicional e por acreditarem e me ensinarem o valor dos estudos e da dedicao. Dedico tambm minha namorada, amiga, confidente e mulher, Danielle, que sempre est ao meu lado e me completa.

AGRADECIMENTOS

Ao Software de Ps-graduao em Engenharia e Tecnologias Espaciais e ao Laboratrio Associado de Materiais e Sensores (LAS), do Instituto Nacional de Pesquisas Espaciais (INPE), pela oportunidade de realizao deste curso de mestrado e pela utilizao de suas instalaes. Ao Conselho Nacional de Desenvolvimento Cientfico e Tecnolgico - CNPq, pelo auxilio financeiro de dois anos de bolsa de mestrado. Aos professores do INPE pelo conhecimento compartilhado em especial aos meus orientadores Prof. Dr. Maurcio Fabbri e Prof Dra. Maria do Carmo de Andrade Nono, pelo conhecimento passado, pela orientao e apoio na realizao deste trabalho e to importante quanto as lies, a pacincia e boa vontade que tiveram para a realizao deste trabalho mesmo com as adversidades enfrentadas. Aos meus companheiros de sala: Ana, Danilo, Ricardo, Rodrigo e Solange pelo excelente convvio. A todos os meus amigos pelo apoio, incentivo, motivao e sugestes, que foram muito importantes nos momentos difceis. Em especial aos meus amigos Danilo, Lus Andr, Gustavo, Rodrigo e Thiago sejam pelos momentos de descontrao, sejam pelas discusses homricas e filosofais ou mesmo por suas idias e sugestes. Ao Dr. Vitor pela amizade, apoio e sugestes ao longo do trabalho. s pessoas da informtica, Felcio e Stela pela ateno dispensada; A meus pais por sempre acreditarem em mim e na importncia dos estudos.

RESUMO No presente trabalho so comparadas duas formas de realizar anlise de imagens: por contagem manual de tamanho de gros e por anlise automtica, realizadas em imagens de cermicas densas usadas em sensores para monitoramento de oxignio, obtidas por microscopia eletrnica de varredura. A distribuio de tamanhos de gros em microestruturas de materiais afeta a maioria das propriedades de interesse tecnolgico. Desta forma, o uso de anlise de imagens na caracterizao de microestruturas de materiais assume uma grande importncia na pesquisa e desenvolvimento de aplicaes especficas. A contagem manual feita utilizando a norma tcnica da ASTM para garantir a reprodutibilidade dos testes e intervalos de confiana dos resultados e a anlise automtica foi realizada pelo software livre de anlise de imagens Image J. Os resultados obtidos por estas tcnicas foram comparados utilizando o mtodo estatstico de significncia da diferena das mdias.

IMAGE J SOFTWARE USAGE FOR QUANTITATIVE IMAGE ANALYSYS OF MATERIALS MICROSTRUCTURE

ABSTRACT In this present work are compared two ways to carry out image analysis: by manual counting of grain size and by automatic analysis, done in dense ceramics images, obtained by scanning electron microscopy. This ceramics are employed for oxygen monitoring sensors. The grain size distribution in materials microstructure affects a great number of properties that are technologically important. Thus, the use of image analysis in the microstructure characterization of materials assumes a importance in research and development of specifics applications. The manual counting was done using a ASTM technical norm to guarantee the tests reproducibility and the results confidence intervals and the automatic image analysis was done by the free license image analysis software, Image J. The obtained results were compared using statistical method of significance of means difference.

SUMRIO

LISTA DE FIGURAS LISTA DE TABELAS LISTA DE SMBOLOS LISTA DE SIGLAS E ABREVIATURAS CAPTULO 1 - INTRODUO ................................................................................. 29 CAPTULO 2 - FUNDAMENTAO TERICA ................................................... 33 2.1 Modelo de Imagem................................................................................................... 33 2.2 Microscopia Eletrnica de Varredura (MEV) e Aquisio de Imagens................... 36 2.3 Processamento e Anlise de Imagens e sua Importncia ......................................... 40 2.4 Mtodos aplicados no Pr-Processamento ............................................................... 42 2.4.1 Tcnicas de Realce por Modificao de Histograma ............................................ 43 2.4.2 Tcnicas de Realce por Operaes de Filtragem................................................... 48 2.4.2.1 Mtodos no Domnio Espacial ........................................................................... 48 2.4.2.2 Mtodos no Domnio de Freqncia .................................................................. 50 2.5 Mtodos aplicados na Anlise de Imagens............................................................... 53 2.5.1 Mtodos de Segmentao de Imagens................................................................... 54 2.5.2 Morfologia Matemtica ......................................................................................... 62 2.5.2.1 Dilatao............................................................................................................. 64 2.5.2.2 Eroso ................................................................................................................. 66 2.5.2.3 Abertura e Fechamento Morfolgicos................................................................ 68 2.5.3 Mtodos de Classificao ...................................................................................... 70 2.6 Sensores Cermicos Baseados em Conduo Inica no Estado Slido ................... 73 2.6.1 Obteno das Microestruturas Cermicas ............................................................. 73 2.6.2 Condutividade Inica em Cermicas..................................................................... 74 CAPTULO 3 - MATERIAIS E MTODOS ............................................................ 77 3.1 Materiais Cermicos Utilizados................................................................................ 77 3.2 Mtodos de contagem de gros ................................................................................ 80 3.2.1 Mtodos de Anlise de Imagens por Contagem Manual de Gros........................ 82 3.3 Mtodos de anlise de imagens automtica.............................................................. 84 3.3.1 Softwares de anlise de imagens ........................................................................... 85 3.3.2 O software estatstico R......................................................................................... 89 3.4 Comparao dos resultados por mtodos estatsticos............................................... 89 3.4.1 Conceitos de estatstica.......................................................................................... 90 CAPTULO 4 - RESULTADOS E DISCUSSES .................................................... 93

4.1 Resultados obtidos para o mtodo de contagem manual.......................................... 93 4.2 Resultados obtidos pelo mtodo de contagem automtica ....................................... 98 4.3 Comparao entre os mtodos................................................................................ 125 4.3.1 Comparao entre os mtodos de contagem manual e automtica ..................... 125 4.3.2 Comparao entre os mtodos de contagem realizados no trabalho anterior e no presente trabalho........................................................................................................... 126 CAPTULO 5 - CONCLUSES ............................................................................... 129 REFERNCIAS BIBLIOGRFICAS ..................................................................... 133 APNDICE A ............................................................................................................. 137 APNDICE B.............................................................................................................. 143

LISTA DE FIGURAS 2.1 - Volume de interao do feixe de eltrons do microscpio eletrnico de varredura 40 2.2 - Relao entre Viso por Computador, Processamento Digital de Imagens e Computao Grfica.... 41 2.3 - Histogramas correspondentes a quatro tipos de imagens... 2.4 - Exemplo de vizinhanas entre pixels: (a) 4-vizinhana e (b) 8vizinhana 2.5 - Vizinhana 3 x 3 ao redor de um ponto de coordenadas (x, y) em uma imagem... 50 2.6 - Representao esquemtica da aplicao de filtros de Domnio de Freqncias 2.7 Efeito da amostragem sobre regies de borda. (a) Borda Ideal, (b) Efeito da quantizao, borda com aparncia de escada.... 56 2.8 (a) uma regio 3x3 de uma imagem. (b) mscara do operador de Roberts.horizontal e (c) vertical. (d) Mscara do operador de Prewitt horizontal e (e) vertical. (f) Mscara do operador de Sobel horizontal e (g) vertical. (h) Mscara usada para calcular o Laplaciano 2.9 - O histograma de u,a imagem pode ser particionado por (a) thresholding simples e (b) thresholding mltiplo.. 2.10 (a) Dois conjuntos A e B, (b) a unio de A e B. (c) A interseco de A e B. (d) O complementar de A e B. (e) A diferena de A e B. 64 2.11 Exemplos de dilatao de um conjunto por dois elementos estruturantes distintos: (a) conjunto original A, (b) elemento estruturante B, (c) resultado da dilatao de A por B, (d) elemento estruturante, (e) resultado da dilatao de A pelo outro elemento estruturante... 65 2.12 - Exemplos de eroso de um conjunto por dois elementos estruturantes distintos: (a) conjunto original A, (b) elemento estruturante B, (c) resultado da eroso de A por B, (d) elemento estruturante, (e) resultado da eroso de A pelo outro elemento estruturante.. 67 62 59 53 49 45

2.13 Abertura e Fechamento morfolgico. O elemento estruturante o pequeno crculo mostrado na figura (b). A seqncia de (b) a (e) ilustra a operao de abertura da figura representada em (a) pelo elemento estruturante. A seqncia de (f) a (i) ilustra o fechamento morfolgico da mesma figura pelo mesmo elemento estruturante. 2.14 Exemplo da tcnica de Connected Component Labeling em uma imagem binria, onde cada quadrado representa um pixel e, os quadrados sem marcao tm valor zero. (a) imagem antes da varredura e (b) imagem aps uso da tcnica... 2.15 Seqncia esquemtica da operao durante medio de tamanho de intercepto em uma microestrutura... 72 2.16 Representao esquemtica do processo de coalescncia de gro durante a sinterizao.. 74 2.17 Dependncia da condutividade eltrica pela temperatura 75 3.1 Microestruturas de cermicas base de zircnia dopadas com composto de trio e de terras raras, em porcentagem de peso com aumento de 2000 vezes: (a) 15%; (b) 17%; (c) 18,5% e (d) 19%....... 78 3.2 Representao do teste de hipteses para uma distribuio normal.. 4.1 Imagens Binarizadas a partir das fotomicrografias originais, apresentadas no captulo 3: (a) Amostra I; (b) Amostra II; (c) Amostra III; (d)Amostra IV... 98 4.2 Imagens geradas pela software para realizar a anlise: (a) Amostra I; (b) Amostra II; (c) Amostra III; (d)Amostra IV 4.3 Histogramas de frequncia para a rea dos gros em cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV 104 101 92 71 69

4.4 Histograma de frequncias com curva normal ajustada para a rea de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. 106 4.5 Teste de Normalidade para a distribuio da rea dos gros de cada

amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV... 4.6 Histogramas de frequncia para o permetro dos gros em cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. 4.7 Histograma de frequncias com curva normal ajustada para as distribuies do permetro de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. 4.8 Teste de Normalidade para a distribuio do permetro dos gros de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV.. 4.9 Histogramas de frequncia para o dimetro dos gros em cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV.. 4.10 Histograma de frequncias com curva normal ajustada para a distribuio dos dimetros de gros de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV.. 4.11 Teste de Normalidade para a distribuio do dimetro dos gros de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV.... 123 121 118 116 114 111 109

A.1 Caixa de dilogo da ferramenta de calibrao do software Image 138 A.2 Caixa de dilogo da funo Set Measurements. A.3 Caixa de dilogos da funo Analyze Particle.. A.4 Exemplo dos tipos de seleo (a) imagem original, (b) Threshold na imagem original, (c) imagem com contornos Outlines, (d) imagem com contornos Masks e (e) imagem com contorno Ellipses 141 139 140

LISTA DE TABELAS 3.1 - Equaes relacionando os parmetros calculados ao tamanho de gro ASTM (G) 3.2 Comparao entre os softwares de domnio pblico para anlise e processamento de imagens: Image Tool e Image J 86 3.3 Valores do limite de confiana para diversos nveis de confiana 91 4.1 Descrio das amostras. 93 84

4.2 Nmero de interseces em cada contagem para cada amostra 94 4.3 Clculo do nmero de interseces por unidade de comprimento da linha de teste 4.4 Mdia e desvio padro do intercepto linear mdio... 4.5 - Multiplicadores para intervalo de confiana de 95%................................ 4.6 Intervalo de Confiana e Acurcia Relativa a 95% das amostras 4.7 Nmero de gro ASTM calculado 4.8 Tabela de valores do tamanho de gros ASTM 4.9 Mdia e desvio padro das distribuies de rea para as diferentes amostras obtidas por contagem automtica 4.10 Mdia e desvio padro das distribuies de dimetro para as diferentes amostras obtidas por contagem automtica. 4.11 Mdia e desvio padro das distribuies de dimetro (em m) para as diferentes amostras obtidas por contagem automtica....... 4.12 Comparao entre os mtodos manual e automtico para o clculo de dimetro ......... 127 127 125 125 94 95 95 96 96 96

LISTA DE SMBOLOS f(x, y) Funo bi-dimensional de intensidade de luz que representa uma imagem

i ( x, y )

Iluminncia Reflectncia

r ( x, y )
g Lmin Lmax M, N k, m, n b hf(f) nf g(x, y)

Nvel de cinza Limite mnimo do nvel de cinza Limite mximo do nvel de cinza Dimenses de uma matriz ndices Nmero de bits de uma imagem Histograma de uma imagem Nmero de pixels com um determinado nvel de cinza Funo bi-dimensional de intensidade de luz que representa uma imagem

T[f(x, y)] Hg(f) L P

( f ( x, y ) )

Operao aplicada a uma imagem Histograma cumulatigo de uma imagem Nmero de tons de cinza na imagem Operador de uma imagem Transformada de Fourrier de uma imagem Transformada de Fourrier inversa de uma imagem Gradiente de uma imagem

1 ( f ( x , y ) )

f f , x y
2 f 2 f f = 2 + 2 x y
2

Derivadas parciais de uma imagem para clculo do gradiente

Laplaciano de uma imagem

Valor de limiarizao para a operao de Threshold Plano bi-dimensional Malha ortogonal bi-dimensional de valores inteiros Operao de dilatao de um conjunto A por um elemento

2
2
A B

estruturante B AB Operao de eroso de um conjunto A por um elemento estruturante B

A oB A B i J z e c v E D k T t A Ea PL Pi LT M NL Ni -

Operao de abertura de um conjunto A por um elemento

estruturante B

Operao de fechamento de um conjunto A por um elemento estruturante B

Condutividade Eltrica Fluxo de Carga Valncia da espcie Carga do eltron Concentrao Velocidade Mobilidade Eltrica Campo Eltrico Difusividade Constante de Boltzmann Temperatura Absoluta Nmero de Transferncia Fator pr-exponencial Energia de Ativao Resistividade Nmero de interseces por unidade de comprimento da linha de teste

Nmero de interseces contadas Comprimento total das linhas de teste Magnificao do microscpio Nmero de interceptos por unidade de comprimento da linha de teste

Nmero de interceptos contados Intercepto linear mdio

Limite de confiana Intervalo de confiana a 95 % Acurcia relativam em %

95% CI %RA

LISTA DE SIGLAS E ABREVIATURAS

LAS SUCERA

Laboratrio Associado de Materiais e Sensores Grupo de Pesquisas e Engenharia de Superfcies e Cermicas Avanadas e Nanoestruturadas

RGB ASTM MEV

Red Green - Blue American Society for Testing Materials Microscopia Eletrnica de Varredura

CAPTULO 1 INTRODUO

Dispositivos sensores tm sido grandes responsveis pela automao e controle de processos industriais e monitoramento ambiental. Frente grande importncia e relevncia de tais dispositivos, h um crescente avano em nmero de desenvolvimento e de estudos relacionados a esta rea: desde o emprego de novos materiais ao emprego de novas de tcnicas de processamento e de caracterizao, com intuito da compreenso das propriedades e domnio dos processos de fabricao de sensores mais baratos e mais eficientes [1]. Os materiais cermicos base de zircnia (ZrO2) e de titnia (TiO2) representam um papel de destaque na fabricao de dispositivos sensores devido s suas propriedades eltricas, grande potencialidade e aplicabilidade como sensores de gases e de umidade [1, 2, 3]. O Laboratrio Associado de Sensores e Materiais (LAS) do Instituto Nacional de Pesquisas Espaciais (INPE) tem se firmado, ao longo dos ltimos anos, no desenvolvimento e caracterizao de materiais para aplicao como sensores e sistemas sensores de parmetros ambientais, de gases e de umidade. Para a fabricao destes utiliza-se a matria-prima na forma de p, o que exige um processamento cuidadoso, desde a mistura dos ps e compactao at a sua sinterizao, possibilitando assim se obter uma cermica com densidade alta, maior homogeneidade da sua microestrutura e uma distribuio de tamanhos de gros adequada. O controle de caractersticas da microestrutura destes materiais (a fase cristalina e os tamanhos de gros e de poros, principalmente) um fator de suma importncia para o desenvolvimento e o estudo de seu uso em dispositivos microeletrnicos, uma vez que as propriedades eltricas e a resistncia mecnica esto intrinsecamente relacionadas a estes fatores [4, 5, 6, 7]. No caso apresentado acima, o controle e o estudo da microestrutura dos materiais so imprescindveis para as suas aplicaes e a compreenso das suas

29

propriedades. Dentre as diversas tcnicas utilizadas neste estudo podemos citar a anlise de imagens como uma importante ferramenta, com seu uso em pleno crescimento apoiado pelo desenvolvimento de tcnicas confiveis e modernas aliadas evoluo dos sistemas automatizados e dos computadores. Atravs desta anlise possvel quantificar e determinar reas e quantidades de fases e elementos microestruturais presentes na microestrutura dos materiais A rea de processamento e anlise de imagens objeto de crescente interesse devido a grande aplicabilidade principalmente no aprimoramento de informaes para interpretao humana e anlise automtica por computador de informaes extradas de uma cena. Com o desenvolvimento de tcnicas computacionais diversas reas do conhecimento se beneficiaram da anlise de imagens, dentre elas a cincia dos materiais, na qual as informaes representam um dado fenmeno ou propriedade do material a ser estudado [8, 9, 10]. Ainda que a anlise de imagens represente uma importante ferramenta no estudo de materiais e dispositivos sensores, necessrio que o software se adapte s diferentes geometrias apresentadas na imagem, e um pr-processamento eficiente essencial como etapa anterior anlise, visto que nesta etapa defeitos indesejveis na amostra sero eliminados e caractersticas sero realadas. Tamanha a importncia do prprocessamento, deve-se levar em conta que um determinado critrio utilizado para uma imagem pode no ser o mais eficiente para outra. Tal implicao torna o prprocessamento um conceito um tanto quanto subjetivo, dependente da caracterstica a ser estudada e do operador, que preferencialmente deve possuir um conhecimento prvio da amostra em questo [8 - 14]. Diversos softwares existentes, sejam eles freewares ou no, se propem a realizar anlise quantitativa de imagens, porm em muitos ocorrem problemas e discrepncias nas medies quando comparadas com anlises experimentais, devido s hipteses simplificadoras utilizadas, principalmente se a geometria encontrada na amostra apresentar alguma complexidade. Portanto, para fins de validao dos resultados da anlise de imagens necessrio que o software realize as operaes da

30

maneira mais precisa o possvel e critrios estatsticos sejam respeitados para que haja representatividade da anlise. Os pesquisadores e tcnicos necessitam de uma ferramenta prtica que auxilie no estudo da microestrutura de materiais e de dispositivos microeletrnicos, desde que o software utilizado realize as medies quantitativas de forma que os resultados, levando em considerao as respectivas medidas de disperso estatstica, sejam condizentes com as anlises experimentais e apresentem reprodutibilidade (ou seja, um grau de concordncia entre os resultados de medies sucessivas) [15, 16]. Tendo em vista a importncia do tema, o presente trabalho tem como objetivos: 1. Testar e validar o software Image J desenvolvido por Wayne Rasband do Research Services Branch, National Institute of Mental Health, Bethesda, Maryland, atravs de microscopias de cermicas densas para anlise quantitativa de microestruturas de materiais em comparao com outras tcnicas de anlise de imagens; 2. Comparar os resultados obtidos em microestruturas com dados experimentais dos materiais em estudo, ou seja, quantidade e distribuio de tamanhos de gros para cermicas densas policristalinas, ambas desenvolvidas no LAS/CTE/INPE; 3. Escrever um manual de auxlio que permita o uso por diversos usurios, em diferentes tipos de microestruturas e de anlise a serem realizadas, para que o software sirva de ferramenta de caracterizao de materiais para uso em microeletrnica e outras aplicaes. Os testes de validao da metodologia proposta foram feitos com fotomicrografias, a partir de medies realizadas por outros mtodos, tal como o mtodo dos interceptos, ou mesmo com medies realizadas com outros softwares. A partir dos resultados dos testes de validao, o softwares ser testado com fotomicrografias de materiais cermicos utilizados na fabricao de sensores de gases e

31

de umidade produzidos pelo Grupo de Pesquisas e Engenharia de Superfcies e Cermicas Avanadas e Nanoestruturadas (SUCERA), que um grupo credenciado ao CNPq. Os resultados apresentados sero comparados com anlises experimentais e correlacionados com as propriedades dos dispositivos. Futuramente, espera-se que este trabalho seja utilizado como um material de apoio ao usurio, que possibilite o uso independente do software pelo pesquisador interessado, sem que haja um longo perodo de treinamento.

32

CAPTULO 2 FUNDAMENTAO TERICA

2.1 Modelo de Imagem

Imagem (do latim imago) significa representao visual de um objeto. Para fins computacionais, imagem uma representao em 2 dimenses de um objeto como um conjunto finito de valores digitais inteiros, onde cada valor chamado de picture element, ou pixel. Assim sendo, uma imagem refere-se a uma funo bi-dimensional de intensidade de luz, denotada por f(x, y), onde o valor ou amplitude de f em coordenadas espaciais d a intensidade (brilho) da imagem no ponto [8, 9]. Como luz uma forma de energia, f(x, y) deve ser diferente de zero e finita, isto , 0 < f ( x, y ) < (2.1)

As imagens que percebemos no dia-a-dia normalmente consistem da luz refletida dos objetos. A natureza bsica de f(x, y) deve ser caracterizada por duas componentes: A quantidade de luz incidente na cena; A quantidade de luz refletida pelo objeto na cena.

Apropriadamente, estes componentes so chamados de componentes de iluminncia e de reflectncia e, so denotados por i ( x, y ) e r ( x, y ) , respectivamente. A funo f ( x, y ) representa o produto da interao entre a iluminncia e as propriedades de reflectncia ou de transmitncia. Matematicamente: f ( x, y ) = i ( x, y ) r ( x, y ) onde, (2.2)

33

0 < i(x, y)< e, 0 < r(x, y)< 1

(2.3)

(2.4)

A equao (2.4) indica que a reflectncia limitada por 0 (absoro total) e 1 (reflectncia total). A natureza de i ( x, y ) determinada pela fonte de luz que incide sobre o objeto, enquanto r ( x, y ) exprime a frao de luz que o objeto vai transmitir ou refletir no ponto ( x, y ) . Os valores dados nas equaes (2.3) e (2.4) so limites tericos. A intensidade de uma imagem monocromtica f nas coordenadas ( x, y ) chamada de nvel de cinza (g) da imagem no ponto. Das equaes (2.2) a (2.4), podese afirmar que l est situado entre: Lmin g Lmax (2.5)

Na teoria, a nica exigncia acerca Lmin que ele seja positivo, e sobre Lmax que seja finito, ambos nmeros inteiros. Na prtica, Lmin = imin rmin e Lmax = imax rmax . O intervalo [ Lmin , Lmax ] chamado de escala de cinza. Uma prtica comum deslocar numericamente este intervalo a [ Lmin , Lmax ] , onde g = 0 considerado preto e g = L-1 considerado branco na escala. Todos os valores intermedirios de cinza variam do preto ao branco. No caso de uma imagem possuir informaes em intervalos ou bandas distintas de freqncia, necessria uma funo f(x, y) para cada banda. o caso de imagens coloridas padro RGB, que so formadas pela informao de cores primrias aditivas, o vermelho (R red), verde (G green) e azul (B blue) [8, 9]. Uma imagem de um objeto real , em princpio, contnua tanto na variao espacial como nos nveis de cinza. Para que uma representao dessa imagem possa ser feita num computador digital necessrio discretizar a imagem tanto no espao quanto

34

na amplitude. O processo de discretizao espacial chama-se amostragem e, o de discretizao em amplitude denomina-se quantizao. Basicamente, a amostragem converte a imagem analgica em uma matriz de M por N pontos, pixels. Maiores valores de M e N implicam em uma imagem com maior resoluo: f (0, 0) f (1, 0) f ( x, y ) = M f ( N 1, 0) f (0,1) f (1,1) M f ( N 1,1) L L O L f (0, M 1) f (1, M 1) M f ( N 1, M 1)

(2.6)

A resoluo, grau de discernimento de detalhes de uma imagem depende muito dos valores de M e N e o nmero de tons de cinza da imagem, representado anteriormente pela letra g. O processo de digitalizao requer a deciso de valores para M, N e o nmero de nveis discretos de cinza associados a cada pixel. Uma prtica comum no processamento de imagens digitais tomar estes valores como mltiplos inteiros de potncias de dois, isto , N = 2k, M = 2m Nveis de cinza = 2n onde n o nmero de bits usados para representar os nveis de cinza. Assim, a quantizao faz com que cada um dos pixels assuma um valor inteiro, na faixa de 0 a 2n - 1. Quanto maior o valor de n, maior o nmero de nveis de cinza presentes na imagem digitalizada. Usando as equaes (2.7) e (2.8) tem-se como resultado o nmero b, de bits necessrios para armazenar a imagem digitalizada:
b = N M n

(2.7) (2.8)

(2.9)

Se M = N,

35

b = N2 n

(2.10)

Por exemplo, uma imagem 128x128 com 64 nveis de cinza requer 12288 bytes ou 12 megabytes, para armazenamento. Para obter-se uma imagem digital de qualidade semelhante de uma imagem de televiso Preto e Branco, por exemplo, so necessrios 512 x 512 pixels e de 16 a 32 nveis de cinza no mximo. A maioria dos sistemas de viso artificial utiliza imagens com 256 nveis de cinza, convm lembrar que quanto maior for N, M e nveis de cinza, mais a equao acima se aproxima da imagem original, e maiores sero os custos de digitalizao e armazenamento desta imagem. Convm lembrar ainda que uma boa imagem muito difcil de definir, visto que qualidade alm de ser um critrio subjetivo tambm fortemente dependente da aplicao na qual ser utilizada [8, 9, 17].
2.2 Microscopia Eletrnica de Varredura (MEV) e Aquisio de Imagens

Nos processos de estudo, desenvolvimento e pesquisa de materiais de grande relevncia o estudo de sua microestrutura, visto que a partir do seu entendimento possvel inferir sobre as correlaes da microestrutura e as propriedades do material. Neste intuito as tcnicas de microscopia ptica e de varredura so as mais utilizadas. Com o avano e processamento de materiais em escala nanomtrica, a microscopia ptica tornou-se limitada devido a possibilidades de aumento de at 2000 vezes. Porm, com o desenvolvimento da eletrnica, da mecnica fina e a utilizao de conceitos de varredura, os mesmos utilizados em radares e monitores de TV, em meados do sculo XX, tornou-se possvel a construo do microscpio eletrnico de varredura, cujo aumento pode chegar a 100 000 vezes. Tamanha potencialidade fez da Microscopia Eletrnica de Varredura (MEV) imprescindvel no estudo no somente de Cincia e Engenharia de Materiais como em diversas reas, tal como Geologia, Microeletrnica e at Cincias Forenses [18]. A partir da utilizao dos conceitos de varredura, a imagem gerada mediante uma varredura do espao objeto e posterior mapeamento dos sinais obtidos em um plano imagem, estabelecendo uma relao temporal entre objeto e imagem. A formao

36

da imagem se d pela interao de um feixe de eltrons com o material a ser estudado. A superfcie varrida por um feixe de eltrons colimado (eltrons primrios), este feixe de eltrons deve ser estvel e com intensidade suficiente para que ao atingir a amostra possa produzir um bom sinal. O dimetro do feixe produzido diretamente pelo canho de eltrons muito grosseiro para produzir uma boa imagem em grandes aumentos e por isso precisa ser reduzido pelas condensadoras (lentes eletromagnticas). A maioria dos aparelhos de MEV capaz de produzir um feixe de eltrons que ao atingir a amostra tenha um dimetro da ordem de 10 nm (100 ) e que ainda possua corrente suficiente para formar uma imagem com boa resoluo [18, 19]. O feixe de eltrons incidente defletido sobre a amostra por um par de bobinas eletromagnticas situadas numa depresso dentro da objetiva, acima da abertura final. O feixe defletido sobre a amostra na direo x e y. A varredura do feixe de eltrons pelas bobinas defletoras tambm acompanhada pela deflexo de sua imagem no vdeo. O aumento da varredura da imagem simplesmente a relao entre o tamanho da imagem no vdeo pelo tamanho da rea varrida na amostra. Como o tamanho da imagem do vdeo no varia, as bobinas de deflexo que sero as responsveis pelo aumento da amostra. Quanto maior o aumento, menor a regio varrida e menor a deflexo do feixe. muito importante do fato de se poder variar o aumento da imagem somente variando a rea varrida sem ter que modificar outros parmetros do MEV. Uma conseqncia a possibilidade de selecionar um aumento maior do que o desejado para a imagem, podendo ento focar adequadamente o feixe na amostra e com isso obter uma correta focagem. O tamanho do feixe considerado ideal, para um determinado aumento, aquele cujas bordas do feixe tocam levemente a linha anteriormente varrida. Se o dimetro do feixe muito grande, ocorre uma sobreposio das linhas varridas e o resultado uma imagem fora de foco. A outra situao quando o dimetro do feixe muito pequeno. Neste caso ao reduzir o dimetro do feixe pelo ajuste da corrente nas lentes condensadoras, conforme visto anteriormente, o nmero de eltrons no feixe, e, conseqentemente, o nmero de eltrons que iro interagir com a amostra tambm reduzido. Isto significa que para obter o mesmo brilho na imagem, como seria com o 37

feixe ideal, o sinal reduzido precisa ser amplificado, resultando em aumento de rudo eletrnico. Resumindo, a resoluo do MEV depende do dimetro do feixe de eltrons incidente. Existe uma relao fundamental entre a corrente do feixe e seu dimetro e, o aumento de um geralmente leva ao aumento do outro. Baixas correntes de feixe de eltrons originam sinais mais fracos, e o rudo se torna cada vez mais significativo. O rudo se forma de flutuaes na prpria corrente do feixe, na interao dos eltrons com a amostra e na deteco e amplificao dos sinais pelos detectores. A versatilidade da microscopia eletrnica de varredura e da microanlise se encontra na possibilidade de se poder captar e medir as diversas radiaes provenientes das interaes eltron-matria. O MEV tem sua maior aplicao no exame de superfcies rugosas, devido a fcil visualizao e interpretao das imagens, embora a utilizao de diversas formas de interao entre eltrons e a matria permitam a aquisio de muitas outras informaes, tal como diferenciao entre elementos, orientao cristalina, potenciais eltricos e magnticos entre outros [18, 19]. O MEV tem as seguintes caractersticas que se destacam: obteno de imagens de superfcies polidas ou rugosas, com grande profundidade e alta resoluo; fcil interpretao das imagens, com aparncia tridimensional; aquisio de sinal digital, possibilitando processamento dos sinais, e manipulao e processamento das imagens; A interao entre eltrons e matria tambm fator determinante na diferenciao entre MEV e outras tcnicas de microscopia. Enquanto que na microscopia eletrnica de transmisso (MET) e na microscopia fotnica (MF) as imagens so ditas diretas, visto que os raios atravessam a amostra e passam por lentes, formando uma imagem real em uma tela ou virtual em uma ocular, o MEV origina imagens indiretas, isto , no existe um caminho tico entre a amostra e a imagem, sendo os sistemas de gerao e visualizao da imagem separados [18, 19].

38

Na projeo de uma imagem por varredura, a relao entre objeto e imagem dada em tempo real, ou seja, depende diretamente do mapeamento do espao ponto a ponto do espao objeto, enquanto na projeo paralela existe uma relao geomtrica entre o objeto e sua imagem, atravs da lente. Outra vantagem da formao de imagens por varredura est na formao serial da imagem, que permite diretamente o arquivamento e processamento eletrnico da mesma, com reduo de rudo e melhoria de contraste. A formao da imagem depende do mapeamento das interaes que ocorrem entre eltrons e a superfcie da amostra. Para tal, a superfcie varrida por um feixe de eltrons colimado (eltrons primrios) e, a intensidade dos sinais secundrios originados medida por um tubo de raios catdicos, formando assim a imagem. Os sinais do MEV no so gerados apenas na superfcie da amostra. O limite de resoluo determinado pelo dimetro da regio da amostra que, excitado pelo feixe primrio, emite o sinal considerado. Os eltrons primrios penetram na amostra a partir da rea de incidncia do feixe e so progressivamente espalhados, interagindo num determinado volume de interao. Os eltrons primrios penetram em todo o volume de interao, gerando diferentes sinais secundrios usados para obter informao. A energia de cada eltron secundrio determina a sua profundidade de escape. Este volume de interao depende da tenso de acelerao dos eltrons primrios, do nmero atmico dos constituintes da amostra e, sobretudo do dimetro do feixe primrio. Uma representao do volume de iterao mostrada na Figura 2.1 [18, 19].

39

FIGURA 2.1 Volume de interao do feixe de eltrons do microscpio eletrnico de varredura[18]

2.3 Processamento e Anlise de Imagens e sua Importncia

Imagens so de grande importncia na evoluo da humanidade: desde tempos remotos informaes e registros so transmitidos atravs de imagens. Com o avano da tecnologia, a significncia de imagens encontrada, principalmente, em sistemas de informaes. Viso por Computador, Processamento Digital de Imagens e Computao Grfica so processos que lidam com imagens e informaes nela contida. A diferena entre estes processos pode ser vista na representao dos dados de entrada e sada de cada um dos processos, mostrados na Figura 2.2 [17]. As reas de Viso por Computador, Processamento de Imagens e Computao Grfica vm apresentando expressivo desenvolvimento nas ltimas dcadas. Tal crescimento pode ser detectado na rea acadmica, onde o assunto objeto de 40

pesquisas, teses e dissertaes; na esfera industrial, onde a cada dia aumenta o nmero de empresas que produzem, comercializam e utilizam solues de Processamento Digital de Imagens em seus processos; e na vida cotidiana, com a popularizao dos computadores pessoais e das aplicaes multimdia [9].

FIGURA 2.2 - Relao entre Viso por Computador, Processamento Digital de Imagens e Computao Grfica[17]

A rea de processamento de imagens objeto de crescente interesse devido a grande aplicabilidade em duas categorias: aprimoramento de informaes para interpretao humana e anlise automtica por computador de informaes extradas de uma cena. Uma das primeiras aplicaes para o aprimoramento de imagens foi melhorar a qualidade de imagens transmitidas atravs de telgrafos entre Londres e Nova Iorque atravs do sistema Bartlane na dcada 20. Porm as limitaes deste sistema eram muito grandes [8, 9]. Grande impulso foi dado com os primeiros computadores digitais de grande porte e o software espacial norte americano, no uso de tcnicas de realce de imagens com tcnicas computacionais, corrigindo imagens captadas pela Sonda Ranger, em 1964. A partir desta data, as tcnicas de processamento digital de imagens se difundiram em diversas reas, sendo utilizadas para resolver uma grande variedade de problemas,

41

por exemplo, em medicina, imagens de raios-X e outras imagens biomdicas, passam por um realce de contraste para facilitar a interpretao. Embora frequentemente no seja relatado, a maioria dos problemas requer mtodos capazes de realar informaes para interpretao humana [8, 9]. O processamento digital de imagens atua em imagens e resulta em outras imagens e pode ser dividido da seguinte forma:
Codificao de Imagens (Image Coding): usado para armazenamento e

transporte de imagens;
Otimizao de Imagens (Image Enhancement): usado para facilitar

e/ou auxiliar a viso humana a perceber determinadas caractersticas na imagem;

Restaurao de Imagens (Image Restoration): so as operaes

utilizadas para tentar corrigir distores advindas dos sistemas de aquisio de imagens, tal como borres e rudo;
Extrao de Caractersticas de Imagens (Image Feature Extraction):

como o nome j prope, trata-se das tcnicas que transformam uma dada imagem em outra, na qual medies podem ser extradas com maior facilidade. O item que trata de extrao de informaes da imagem conhecido tambm como Anlise de Imagens (Image Analysis). Antes de realizar a anlise quantitativa de imagens, ou seja, extrair informaes de forma a inferir quantitativamente nos elementos presentes na imagem, necessrio uma etapa de pr-processamento para remover defeitos presentes e realar as caractersticas desejadas, que podem ser resultantes da aquisio da imagem e tratam-se desde pixels ruidosos a borres. Dentre as operaes mais comuns na etapa de pr-processamento podemos destacar a equalizao de histograma e filtragens [8, 9, 17, 20].
2.4 Mtodos aplicados no Pr-Processamento

Antes que seja realizada a anlise quantitativa de uma imagem, faz-se necessrio o pr-processamento da imagem, visto que a imagem resultante do processo de 42

aquisio pode conter imperfeies, tais como presena de pixels ruidosos, contraste e/ou brilho inadequado, entre outras. A funo de uma etapa de pr-processamento aprimorar a qualidade da imagem para anlises posteriores. Desta afirmao decorrem duas importantes implicaes: a interpretao de que um resultado mais adequado, ou no, normalmente subjetivo e depende do conhecimento prvio do observador a respeito da imagem analisada; uma determinada tcnica de realce de imagens orientada a um problema que se deseja resolver. Logo, no existem tcnicas capazes de resolver 100% dos problemas que uma imagem possa apresentar ou mesmo produzir bons resultados em imagens diferentes. As operaes efetuadas na etapa de pr-processamento so ditas de baixo nvel, pois trabalham diretamente com os valores de intensidade de cada pixel, levando em conta um prvio conhecimento sobre a imagem em si. Dentre as etapas de prprocessamento mais relevantes podemos destacar a modificao de histograma e a filtragem. O objetivo principal das tcnicas de realce de imagens processar uma imagem para torn-la adequada para uma aplicao especfica. Neste trabalho, espera-se com estas tcnicas eliminar rudos e defeitos advindos da aquisio da imagem e realar detalhes para aplicar tcnicas de anlise de imagem e facilitar a extrao de informaes e interpretao dos resultados.
2.4.1 Tcnicas de Realce por Modificao de Histograma

O histograma de uma imagem uma representao grfica de quantos pixels possuem um determinado nvel de cinza. Sua interpretao revela a qualidade de uma imagem em relao ao contraste e ao brilho. A modificao de um histograma modifica a imagem, visto que sua intensidade ser modificada, podendo realar detalhes de interesse visto que os nveis de cinza presentes em uma imagem podem ser facilmente modificados para realar a interpretao visual da imagem. 43

Em uma formulao matemtica, supondo que f(x, y) uma imagem com valores inteiros e dimenso N x M, com n = 0, 1,..., N 1 e m = 0, 1,..., M 1 e os nveis de cinza representados por G ={0,1,..., L -1}; o nmero de pixels com um determinado nvel de cinza denotado por nf, ento, o histograma de f(x, y) denotado por: hf ( f ) = nf N M para os nveis de cinza indo de G = 0,1,..., L 1

(2.11)

O histograma d uma rpida impresso da ocupao dos nveis de cinza, um exemplo, a utilizao do histograma para verificar os ajustes de captao de imagem. Uma outra caracterstica importante do histograma de uma imagem, que o local representado pelo pico do histograma descreve o brilho relativo da imagem, enquanto a altura deste pico revela detalhes sobre o contraste: em histogramas cuja maioria dos pixels esto mais prximos de zero (ou seja, o pico est prximo mais prximo de zero) significa uma imagem mais escura; ao contrrio se a maioria dos pixels encontram-se mais prximos dos ltimos valores do nvel de cinza, ento a imagem muito mais brilhante; em histogramas onde a maioria dos pixels encontram-se em um ponto mdio na escala de nveis de cinza, ocupando uma pequena regio do histograma, significa uma imagem com baixo contraste; pixels bem distribudos ao longo dos nveis de cinza representam imagens com brilho normal e alto contraste, conforme pode ser visto na Figura 2.3 [8, 9, 17, 20, 21].

44

(a)

(b)

(c)

(d)

Figura 2.3 Histogramas correspondentes a quatro tipos de imagens. (a) imagem escura; (b) imagem Clara; (c) imagem de baixo contraste e (d) imagem de alto contraste[8].

Uma funo transformao que opera pixel a pixel sobre a imagem, do tipo: g ( x, y ) = T [ f ( x, y )] (2.12)

modifica o histograma da imagem como um todo, ou seja, altera os valores de brilho e contraste em todos os pixels da imagem. Este tipo de transformao a chave para diversas tcnicas de realce de imagens, dentre elas o esticamento de contraste ou histograma (contrast ou histogram stretching).

45

Em imagens com baixo contraste, a tcnica de esticamento, tambm conhecida como autoscaling, os pixels da imagem so distribudos de maneira linear, do menor ao maior nvel de cinza utilizado pelo sistema de imagens ou pelo monitor. O efeito demonstrado na imagem o aumento do brilho e do contraste em todos os pixels na imagem. Um exemplo de funo de transformao de autoscaling para um sistema de 256 nveis de cinza dado pela equao (2.13):
g ( x, y ) = 255 ( f f min ) f max f min

(2.13)

Pela equao acima, todos os pixels da imagem so utilizados no clculo e uma nova imagem obtida, porm no mais com valores inteiros e sim com valores reais (floating points), forando uma converso depois da operao. Embora a operao de autoscaling seja muito til e melhore efetivamente o contraste da imagem, a operao mais importante e difundida no realce de imagens a equalizao de histogramas. A equalizao modifica o histograma da imagem original de tal forma que a imagem transformada tenha um histograma uniforme, ou seja, todos os nveis de cinza devem aparecer na imagem com a mesma freqncia. Considerando que uma operao T(.) aplicada a imagem f(x, y) ento evidente que o histograma hf(f) da imagem ir mudar. Se T(.) uma operao monotonicamente crescente, ento o histograma da imagem resultante pode ser facilmente calculado. Para isso, define-se histograma cumulativo da imagem:
H f ( f ) = h f (G )
G =0 f

(2.14)

O histograma cumulativo a porcentagem de pixels com nvel de cinza menor ou igual a f. Consideremos agora a imagem g(x, y) resultante de uma operao mondica. O histograma cumulativo desta imagem Hg(g). Como T(.) monotonicamente crescente,

46

a porcentagem de pixels em gx,y possuindo um nvel de cinza menor ou igual a g igualase a Hf(f) com g = T(f) ou f = T-1(g). Ento:
H g ( g ) = H f (T 1 ( g )) e H g (T ( f )) = H f ( f )

(2.15)

O histograma de gx,y segue de:

se g = 0 H g (0) hg ( g ) = H g ( g ) H g ( g 1) demais valores

(2.16)

As equaes (2.14) e (2.15) podem ser usadas para construir uma operao mondica na qual a imagem resultante tem a forma acima descrita. Suponha-se que seja desejado uma imagem gx,y que tenha seu histograma nivelado:

hg =

1 para g G L

(2.17)

Ento, o histograma cumulativo de gx,y ser linearmente crescente: H g (g) = g L 1

(2.18)

Substituindo g pela equao (15), resulta: H g (T ( f )) = Conseqentemente, T( f ) = Hf (f ) L 1

(2.19)

T ( f ) = ( L 1) H f ( f ) ou, T ( f ) = ( L 1) h f (G )
G =0 f

(2.20)

(2.21)

47

A equao (21) representa a transformao que converte uma imagem em uma imagem com histograma equalizado, onde L o nmero de tons de cinza na imagem original. Na prtica, a obteno de um histograma perfeitamente uniforme no possvel devido natureza das imagens digitais, cujos pixels podem assumir somente valores discretos. O processo de equalizao pode levar a falsos contornos na imagem, pois o nmero de nveis de cinza pode ser reduzido. A equalizao pode ter um efeito de realce notvel da imagem, mas o contraste pode ser muito forte e, por isto a equalizao de histograma deve ser usada com muito cuidado [17, 20, 21, 22].
2.4.2 Tcnicas de Realce por Operaes de Filtragem

Alm das tcnicas de modificao de histogramas, operaes de filtragem tambm so utilizadas para realar imagens. As tcnicas de filtragem podem ser divididas em duas abordagens: tcnicas que se aplicam ao domnio espacial e tcnicas que se aplicam ao domnio de freqncia [8, 9].
2.4.2.1 Mtodos no Domnio Espacial

Um pixel p com coordenadas (x, y) possui quatro vizinhos horizontais e verticais cujas coordenadas so dadas por: ( x + 1, y ), ( x 1, y ), ( x, y + 1), ( x, y 1) Este conjunto de pixels chamado de 4-vizinhana de p e denotado por N4(p). Cada pixel uma unidade de distncia de (x, y), e caso o pixel p esteja na borda da imagem alguns de seus vizinhos ficaro fora da imagem. Os quatro pixels da diagonal de p tem as coordenadas ( x + 1, y + 1), ( x + 1, y 1), ( x 1, y + 1), ( x 1, y 1) e so denotados por ND(p). Estes pontos juntos da 4-vizinhana so chamados de 8vizinhana de p, e so denotados por N8(p). Assim como na 4-vizinhana, quando o

48

ponto p estiver na borda da figura, alguns pontos de ND(p) e N8(p) ficaro fora da imagem [17, 20].

(a)

(b)

Figura 2.4 - Exemplo de vizinhanas entre pixels: (a) 4-vizinhana e (b) 8-vizinhana[17]

Os mtodos que trabalham no domnio espacial operam diretamente sobre a matriz de pixels que a imagem digitalizada, normalmente usando operaes de convoluo, que a combinao de duas imagens, sendo uma das imagens menor do que a outra (chamada de mscara ou filtro espacial), atravs de operaes de deslocamento, multiplicao e adio. Logo as funes de processamento de imagens no domnio espacial podem ser expressas como: g(x, y) = P[f(x, y)] (2.22)

onde g(x, y) a imagem processada, f(x, y) a imagem original e P um operador em f, definido em uma certa vizinhana de (x, y). Operaes de filtragem espacial tratam-se ento de operaes de vizinhana local, na qual a cada pixel da imagem de sada atribudo um valor de tom de cinza dependente da vizinhana local correspondente na imagem de entrada. A vizinhana normalmente definida ao redor de (x, y) a 8-vizinhana do pixel de referncia, o que equivale a uma regio 3x3, na qual o pixel central o de referncia.

49

O centro dessa regio ou sub-imagem movido pixel a pixel, iniciando no canto superior esquerdo da imagem e aplicando a cada localidade o operador P para calcular o valor de g naquele ponto (Figura 2.5). Nos casos em que a vizinhana 1x1, o operador P torna-se uma funo de transformao (ou mapeamento), do tipo: s = P(r) (2.23)

onde r o nvel de cinza de f(x, y) e s o nvel de cinza de g(x, y) em um certo ponto. As tcnicas de processamento de imagens pertencentes a este caso so frequentemente denominadas tcnicas ponto-a-ponto. Nesta tcnica, o efeito da transformao produz um aumento no contraste original da imagem.

FIGURA 2.5 - Vizinhana 3 x 3 ao redor de um ponto de coordenadas (x, y) em uma imagem[8].

2.4.2.2 Mtodos no Domnio de Freqncia

Fourier formulou no incio do sculo XVIII a teoria de que qualquer funo que se repete periodicamente pode ser representada como uma soma de senos e/ou cossenos de freqncias diferentes, cada um multiplicado por um coeficiente prprio (Sries de

50

Fourier). Mesmo funes no-peridicas podem ser representadas por integrais de senos e/ou cossenos, desde que a rea sob a curva da funo seja finita (Transformadas de Fourier). A Transformada Discreta de Fourier bi-dimensional ( uma ferramenta matemtica de grande aplicabilidade na soluo dos problemas de processamento digital de imagens (sinais bi-dimensionais) pois, muitas vezes, conveniente a mudana do domnio do tempo ou espao (x, y) para o domnio da freqncia facilitando, assim, o seu processamento [8, 17, 22]. A representao de um sinal no domnio do tempo est presente, naturalmente, no nosso dia a dia. Contudo, certas operaes tornam-se muito mais simples e esclarecedoras se trabalhadas no domnio da freqncia, domnio este conseguido atravs das Transformadas de Fourier. muito importante observar o que ocorre em um domnio, quando efetuamos certas operaes no outro domnio. A transformada de Fourier discreta de uma funo bi-dimensional dada por:
1 { f ( x, y )} = F (u , v) = MN
M 1 N 1 x =0 y =0

f ( x, y )e

ux vy j 2 + M N

(2.24)

onde u= 0, 1,..., M -1 e v= 0, 1,..., N -1. Os valores de x e y correspondem a amostragem espacial, assim, o valor da funo para os eixos x e y resulta em f(x0+xx, y0+yy) para x=0, 1,..., M -1 e y= 0, 1,..., N -1. Similarmente, os incrementos da transformada de Fourier so: u = 1 M x

(2.25)

e
v = 1 N y

(2.26)

51

Conhecendo o F(u, v), pode-se obter f(x, y) usando a Transformada de Fourier Inversa:
1{F (u , v)} = f ( x, y ) = F (u, v)e
x =0 y =0 M 1 N 1
ux vy j 2 + M N

(2.27)

Os mtodos que atuam no domnio da freqncia se baseiam na modificao da transformada de Fourier da imagem. Estas tcnicas se fundamentam no teorema da convoluo. Seja g(x, y) a imagem formada pela convoluo (denotada pelo smbolo *) da imagem f(x, y) com um operador linear h(x, y), ou seja, g(x, y) = f(x, y) * h(x, y) (2.28)

Ento, pelo teorema da convoluo, a seguinte multiplicao no domnio das freqncias tambm vlida: G(u, v) = F(u, v)* H(u, v) (2.29)

onde G, F e H so as transformadas de Fourier de g, f e h, respectivamente. Na terminologia de sistemas lineares, a transformada H(u, v) denominada funo de transferncia do filtro. Inmeros problemas de processamento de imagens podem ser expressos na forma da equao acima. Em uma aplicao de suavizao de imagens, por exemplo, dada f(x, y), o objetivo aps calcular F(u, v), selecionar H(u, v) de tal maneira que a imagem desejada:
1 g(x, y) = [ F (u, v) H (u, v)]

(2.30)

no possua componentes de uma determinada freqncia de f(x, y). Isso poderia ser obtido usando um filtro que se adeque s condies desejadas. De fato, toda idia de filtragem linear de imagem consideravelmente mais intuitiva e atraente no domnio de freqncia. Porm na prtica, pequenas mscaras (filtragem espacial) so mais utilizadas que a Transformada de Fourier devido a fcil 52

implementao e rapidez da operao. Na Figura 2.6 apresentado uma representao esquemtica da utilizao de filtros de domnio de freqncias [8, 17, 20].

FIGURA 2.6 - Representao esquemtica da aplicao de filtros de Domnio de Freqncias[17]

2.5 Mtodos aplicados na Anlise de Imagens

Um dos objetivos do processamento de imagens a extrao de informaes da imagem, na qual um programa fornece parmetros da imagem que possibilitaro a descrio, interpretao ou entendimento da cena pode ser fornecida pelo computador. Assim sendo, anlise de imagens difere de outras tcnicas de processamento de imagem, tal como restaurao e realce, onde a imagem de sada outra imagem [8, 17, 20,
21, 22]

. Geralmente, o primeiro passo em anlise de imagens a segmentao da

imagem. A segmentao subdivide a imagem em suas partes constituintes ou objetos. O nvel da subdiviso depende do problema a ser resolvido, ou seja, a segmentao iterativa e deve parar quando o problema de interesse em uma aplicao estiver isolado. Algoritmos de segmentao podem ser baseados em duas diferentes abordagens: descontinuidade e similaridade. Abordagens baseadas em descontinuidades detectam mudanas abruptas nos nveis de cinza da imagem. J abordagens por similaridade so baseadas em principalmente por operaes de Thresholding [22](Soile 1999).

53

Os mtodos de extrao de caractersticas so baseados em reconhecimento de padres que fornecem um arranjo espacial de eventos ou caractersticas que se repetem ao longo da imagem, produzindo conjuntos de pixels conectados. Esta tcnica conhecida como Connected Component Labeling. A classificao determinar em qual tipo de evento cada pixel participar, por exemplo, a seleo de pixels com altos valores ou baixos valores por Thresholding. Algoritmos de extrao de caractersticas podem ser implementados em conjunto com a etapa de classificao, o caso de algoritmos de anlise quantitativa para avaliao de forma ou contagem de objetos de interesse na imagem. A classificao pode ser automatizada ou semi-automatizada, de acordo com o sistema e com as tcnicas utilizadas, alm da finalidade que a anlise de imagem ter .
2.5.1 Mtodos de Segmentao de Imagens

Conforme dito acima a segmentao pode ser dividida em duas abordagens: por descontinuidades ou por similaridade. Embora os modelos de descontinuidades possam ser aplicados a pontos, linhas e contornos de regies, certamente a deteco de descontinuidades de bordas so as mais utilizadas pela sua importncia em anlise de imagens, mesmo porque pontos isolados e linhas estreitas no so freqentes. A formulao bsica de bordas em imagens auxilia a compreenso dos conceitos utilizados. Uma borda o contorno entre duas regies com nveis de cinza relativamente distintos. Quando os nveis de cinza das regies no so suficientemente homogneas, ou seja, no possvel determinar a regio de contorno somente atravs dos nveis de cinza, tcnicas de Thresholding so mais indicadas. Basicamente a idia de muitas tcnicas de deteco de bordas o clculo do operador derivativo local. Podemos inferir que: Deve-se notar que a transio entre regies apresenta uma curva suave devido ao processo de amostragem da imagem;

54

A primeira derivada do nvel de cinza positiva na direo da transio pixels escuros-claros, negativa conforme se afasta desta regio e zero na regio de nveis constantes;

A segunda derivada positiva na parte da transio associada ao lado escuro da borda, negativa para a parte da transio associada ao lado claro, passando pelo zero exatamente no ponto de transio entre parte escura e clara, e zero na regio de nveis constantes.

O problema ocorrido devido a amostragem da imagem pode ser melhor interpretado a partir da Figura 2.7. Uma borda ideal, tipo degrau nunca ocorre realmente, pois: i) raramente possuem diferenas de nveis abruptos; ii) devido ao rudo. Pode-se concluir ainda que operadores baseados na primeira derivada podem ser usados para detectar a presena de uma borda na imagem, enquanto o sinal da segunda derivada pode ser usado para determinar se um pixel da borda est numa regio clara ou escura da fronteira. Como a definio de bordas trata-se da mudana de nveis de cinza, um operador que seja sensvel a estas mudanas poder funcionar como um detector de bordas. Um operador derivativo faz isso a partir da interpretao da derivada como uma taxa de variao no valor da funo, no caso, esta variao trata-se da mudana nos nveis de cinza de uma imagem, que abrupta prximo a borda e pequena em relao a rea estudada [8, 17, 21, 22].

55

(a)

(b)

FIGURA 2.7 Efeito da amostragem sobre regies de borda. (a) Borda Ideal, (b) Efeito da quantizao, borda com aparncia de escada[21].

Como imagens so funes bi-dimensionais, importante considerar nveis de mudanas em diferentes regies, por esta razo, derivadas parciais so usadas neste intuito em relao aos eixos x e y, assim sendo, o operador utilizado o gradiente. O gradiente de uma imagem f(x, y) no ponto (x, y) o vetor:

56

 f Gx x f = = G y f y

(2.31)

O vetor gradiente contm informaes sobre a intensidade do valor da borda e qual a sua direo. O mdulo do vetor gradiente ou resposta da borda (edge response), tambm chamado de magnitude, dado por:
f f = + x y
2 2

f = Gmag

(2.32)

e a direo dada por: f = tan 1 x f y

( x, y ) = Gdir

(2.33)

De fato, o gradiente de uma imagem no pode ser obtido de maneira usual, visto que uma imagem no uma funo contnua. Como uma imagem trata-se de valores discretos, ento o gradiente calculado usando diferenas, isto , o gradiente de cada pixel calculado como a diferena dos pixels da regio. Graficamente torna-se mais claro os conceitos acima. Considerando a Figura 2.8(a), onde z denota o valor de nveis de cinza, as aproximaes de gradiente ficariam:
f [( z5 z8 ) 2 + ( z5 z6 ) 2 ] 2 z5 z8 + z5 z6 Uma outra aproximao pode formulada a partir da equao (30): f [( z5 z9 ) 2 + ( z6 z8 ) 2 ] 2 z5 z9 + z6 z8
1 1

(2.34)

(2.35)

As equaes (2.34) e (2.35) podem ser implementadas usando mscaras de tamanho 2x2. Por exemplo, a Figura 2.8 (a) e (b) so as equaes (2.34) e (2.35)

57

implementadas, tomando os valores absolutos da resposta das duas mscaras e somando o resultado. Estas mscaras so chamadas de Operadores de gradiente cruzado de Roberts (Filtro de Roberts). No caso 3x3, a discretizao do gradiente ficaria:
f ( z7 + z8 + z9 ) ( z1 + z2 + z3 ) + ( z3 + z6 + z9 ) ( z1 + z4 + z7 )

(2.36)

A diferena entre a terceira e primeira linha aproxima a derivada na direo x, enquanto a diferena entre a terceira e a primeira coluna aproxima a derivada na direo y. As mscaras mostradas na Figura 2.8(c) e (d) so chamadas de Operadores de Prewitt (Filtro de Prewitt), e so usadas para implementar a equao (2.36). Ainda h uma outra forma de discretizar o gradiente de imagens: Gx = ( z7 + 2 z8 + z9 ) ( z1 + 2 z2 + z3 ) G y = ( z3 + 2 z6 + z9 ) ( z1 + 2 z4 + z7 )

(2.37)

Apesar das diversas formas de se calcular o gradiente de uma imagem no ponto (x, y), o mtodo descrito pela equao (2.37), tambm chamados de Operadores de Sobel (Filtro de Sobel) apresenta a vantagem de providenciar alm da diferenciao o efeito de suavizao. A Figura 2.8 (g) e (h) apresentam as mscaras do Operador de Sobel. Ainda usando a idia de operadores derivativos, podemos calcular o Laplaciano de uma funo a fim de estudar a segunda derivada da funo como detector de bordas. O Laplaciano de uma funo definido por:
2 f = 2 f 2 f + x 2 y 2

(2.38)

Assim com no caso do gradiente, existem vrias maneiras de se implementar a equao (2.34). Para uma regio3x3, a forma mais freqentemente utilizada :

58

 2 f = 4 z5 ( z2 + z4 + z6 + z8 )

(2.39)

onde z representa os nveis de cinza. O requerimento bsico para o clculo do Laplaciano que o coeficiente do pixel central da mscara seja positivo enquanto os coeficientes dos demais sejam negativos. Como o Laplaciano um operador derivativo, a somatria dos coeficientes dever ser zero, isso porque a derivada de funes constantes deve igual a zero assim sendo, quando o ponto em questo e sua vizinhana tiverem o mesmo valor a resposta do filtro ser igual a zero. A propriedade de cruzar o zero (zero-crossings) no exato ponto da borda usada para encontrar a localizao exata da borda, embora o laplaciano seja pouco utilizado neste sentido por produzir bordas duplas e ser incapaz de detectar a direo da borda [17,
21]

. Em geral, deteco de bordas por operaes de gradiente tende a trabalhar bem

em casos envolvendo imagens com mudanas abruptas de intensidade e baixo rudo, enquanto operadores derivativos de segunda ordem, como o laplaciano, oferecem uma alternativa confivel de localizao das bordas quando estas esto borradas e a imagem possui altos rudos: a propriedade de suavizao do laplaciano reduz o efeito do rudo
[17]

. A Figura 2.8 (h) mostra uma mscara espacial que pode ser usada para

implementar a equao (2.39).

(a) FIGURA 2.8 (a) uma regio 3x3 de uma imagem. (b) mscara do operador de Roberts.horizontal e (c) vertical. (d) Mscara do operador de Prewitt horizontal e (e) vertical. (f) Mscara do operador de Sobel horizontal e (g) vertical. (h) Mscara usada para calcular o Laplaciano[8]. Continua

59

o) (b) (c)

(d)

(e)

(f)

(g)

(h) FIGURA 2.8 - Concluso Outra tcnica muito utilizada na segmentao de imagens o Thresholding (Limiarizao), que uma tcnica baseada na similaridade de regies. A segmentao por nveis de cinza, ou Limiarizao (Thresholding), a converso de uma imagem com nveis de cinza em uma imagem monocromtica (branco e preto), que deve conter todas as informaes relevantes da imagem: nmero, posio e forma dos objetos. A grande vantagem de se classificar pixels de uma imagem por seus nveis de cinza indica, em regies prximas, que estes pixels pertencem ao mesmo objeto e, a reduo da complexidade dos dados simplifica muitos procedimentos de reconhecimento e classificao (Soile 1999). A operao de Thresholding essencial antes de operaes vetorizao e operaes morfolgicas, devido binarizao da imagem. A forma mais simples de se realizar limiarizao da imagem, convertendo-a m uma imagem binria selecionar um valor T de limiar (threshold value). Suponha uma

60

imagem f(x, y) composta por objetos claros em um fundo escuro (background), de forma que os objetos e o fundo tenham os valores de seus pixels agrupados em dois modos dominantes de valores. Um meio bvio de extrair os objetos do fundo da imagem selecionar um valor T de limiar (threshold) que separa estes dois modos. Assim, para um ponto (x, y) no qual f(x, y) T, o ponto ser um ponto do objeto e ter valor 1 (branco), caso contrrio, ou seja, f(x, y) < T, o ponto ser um ponto do fundo da imagem (background) e ter valor 0 (preto). Desta forma, a imagem limiarizada definida por: 1 g ( x, y ) = 0 se f ( x, y ) T se f ( x, y ) < T

(2.40)

O conceito de limiarizao pode ainda ser expandido a vrios nveis de limiarizao para imagens em tons de cinza, sendo conhecido por multilevel thresholding. A imagem, ao invs de possuir somente dois modos dominantes, pode possuir os pixels agrupados em trs ou mais modos dominantes, por exemplo, dois tipos de objetos claros. A idia utilizada para classificar um dado ponto (x, y) como pertencente a uma classe de objetos a mesma: se T1< f(x, y) T2 pertencer a uma classe de objetos, se f(x, y) > T2 pertencer a outra classe e se f(x, y) T1 o ponto ser do fundo da imagem. Desta forma teramos:
se f ( x, y ) > T2 G2 , g ( x, y ) = G1 , se T1 < f ( x, y ) T2 0, se f ( x, y ) T1

(2.41)

onde G1 e G2 so diferentes tons de cinza. A Figura 2.9 ilustra a partio de histogramas de imagens com as duas formas de limiarizao.

61

(a)

(b)

FIGURA 2.9 O histograma de u,a imagem pode ser particionado por (a) thresholding simples e (b) thresholding mltiplo[8]

A segmentao ento efetuada realizando-se uma varredura na imagem, pixel a pixel, classificando os pixels como objetos ou background, de acordo com o nvel de cinza em relao ao valor de limiarizao T. Quando o valor de T depende somente do valor de f(x, y), a limiarizao chamada de global (global thresholding). Se T depender do valor de f(x, y) e de alguma propriedade local do ponto ento a limiarizao chamada de local (local thresholding). E, caso T dependa de valores das coordenadas espaciais x e y, a limiarizao chamada de dinmica (dynamic thresholding) [8, 17, 20, 21,
22]

. A maior dificuldade desta tcnica de segmentao est na escolha do valor de

limiarizao T, visto que o sucesso da operao est justamente na partio do histograma. Aps esta etapa, alguns algoritmos podem ser usados para realar ou corrigir fatores de forma na imagem e auxiliar a extrao de caractersticas da imagem; o caso das operaes morfolgicas.
2.5.2 Morfologia Matemtica

A morfologia matemtica a teoria que descreve estruturas geomtricas em duas, trs ou mais dimenses, e tem sido vastamente aplicada anlise de imagens por

62

oferecer mtodos capazes de modificar a estrutura dos objetos na imagem e extrair componente da imagem que so teis na representao e descrio das formas de uma regio, tais como fronteiras de objetos. A morfologia matemtica est baseada na teoria de conjuntos. Os conjuntos de interesse representam as formas contidas na imagem e, em geral, so conjuntos em espaos Euclidianos, tais como 2 e o 3. A geometria de objetos em 3-dimenses pode ser representada como um conjunto de pontos em 2dimenses. Na anlise de imagens, tais objetos so observados em uma certa posio em um plano de imagem bi-dimensional, isto A 2, alm de que muitas das tcnicas utilizadas so baseadas em discretizaes em uma malha ortogonal de 2, o que torna as representaes A 2 [17, 22]. Outra representao tambm utilizada na morfologia matemtica representao de um objeto como uma imagem binria ou um bitmap. Uma imagem binria uma representao definida em 2, que mapeia cada pixel do espao no domnio {0,1}. Para cada elemento em A, assinalado o valor 1, caso contrrio assinalado 0, ou seja, o conjunto de objetos na imagem torna-se um subconjunto do plano imagem. Muitas das tcnicas utilizadas por operadores morfolgicos so teis desde o pr-processamento at a anlise de imagens, tal como filtragens morfolgicas, thinning e pruning. Antes de se definir as operaes morfgicas necessrio definir algumas operaes bsicas sobre conjuntos. Sejam A e B conjuntos em 2, com elementos a = (a1, a2) e b = (b1, b2)., respectivamente. A translao de A por x = (x1, x2), denotada por Ax, definida por:

Ax = {c | c = a + x, para a A}
A reflexo de B, denotada por B, definida por B ' = {x | x = b, para b B} O complemento do conjunto A dado por

(2.42)

(2.43)

63

AC {x | x A}
A diferena de dois conjuntos A e B, denotada por A B, definida por: A B = {x | x A, x B} = A B C A representao destas operaes so mostradas na Figura 2.10.

(2.44)

(2.45)

(a)

(b)

(c)

(d)

(e)

Figura 2.10 (a) Dois conjuntos A e B, (b) a unio de A e B. (c) A interseco de A e B. (d) O complementar de A. (e) A diferena de A e B[8]

2.5.2.1 Dilatao

A dilatao de um conjunto A por um conjunto de forma conhecida B, que recebe o nome de elemento estruturante, definida como o local de pontos x no qual B acerta (intercepta) A quando suas origens coincidem com x:

64

A B = {x | Bx A }

(2.46)

A dilatao de um conjunto A por B pode ser baseada na seguinte questo: Em quais pontos o elemento estrutural acerta o conjunto?. O conjunto dilatado, denotado por AB, so as posies onde a resposta para a questo afirmativa. Assim, o processo de dilatao o conjunto de todos os pontos x deslocamentos tal que a sobreposio de B e A possui pelo menos um elemento diferente de zero. Em outras palavras, o elemento estruturante desliza sobre a imagem se houver alguma interseo do elemento estruturante com a imagem, o pixel x da imagem correspondente ao ponto central do elemento estruturante ser ativado, caso contrrio ser marcado como irrelevante. A imagem dilatada sempre maior ou igual imagem original. A dilatao permite conectar conjuntos separados e preenche todos os furos que so menores do que o elemento estruturante [20 22]. Um exemplo pode ser visto na Figura 2.11.

(a) (b) (c) FIGURA 2.11 Exemplos de dilatao de um conjunto por dois elementos estruturantes distintos: (a) conjunto original A, (b) elemento estruturante B, (c) resultado da dilatao de A por B, (d) elemento estruturante, (e) resultado da dilatao de A pelo outro elemento estruturante[8]. Continua

65

(d) FIGURA 2.11 Concluso

(e)

O elemento estruturante B pode ser visto como uma mscara de convoluo, embora a dilatao seja baseada em operaes sobre conjuntos, considerando que a convoluo baseada em operaes aritmticas, o processo de mover B sobre sua origem e ento desloca-lo sucessivamente pelo conjunto imagem A anlogo ao processo de convoluo (filtragem) discutido anteriormente, o que oferece vantagens na implementao e torna a compreenso do processo mais intuitiva [8, 17, 20, 21, 22].
2.5.2.2 Eroso

A eroso pode ser vista como a operao oposta da dilatao. A eroso pode ser definida como o conjunto de pontos x, no qual o elemento estruturante B est includo em A quando sua origem est em x: A B = {x | Bx A} (2.47)

Assim como na dilatao, a eroso pode se basear na seguinte pergunta: Em quais posies o elemento estruturante se encaixa no conjunto?. Novamente, a resposta pergunta resultar no conjunto erodido, representado por A B, desta forma a eroso pode ser vista como o conjunto de todos os pontos x nos quais B, transladado por x, est contido em A. Em outras palavras, o pixel x da imagem que corresponde ao ponto central do elemento estruturante ser ativado se o elemento estruturante estiver inteiramente contido na imagem original, caso contrrio, ser marcado como

66

irrelevante. Obtm-se assim, pixels ativos nas posies onde o elemento estruturante se encaixa na imagem. A eroso faz com que a imagem resultante fique menor ou igual imagem original, em todos os casos. Alm disso, faz desaparecer todos os conjuntos inferiores ao elemento estruturante, e aumenta os furos interiores aos conjuntos e permite tambm separar conjuntos que estiverem prximos [20, 21, 22]. Um exemplo da operao de eroso pode ser visto na Figura 2.18.

(a)

(b)

(c)

(d)

(e)

FIGURA 2.12 - Exemplos de eroso de um conjunto por dois elementos estruturantes distintos: (a) conjunto original A, (b) elemento estruturante B, (c) resultado da eroso de A por B, (d) elemento estruturante, (e) resultado da eroso de A pelo outro elemento estruturante[8].

67

Assim como na dilatao, a notao da equao (47) pode ser vista como uma operao de convoluo para facilitar a implementao e a interpretao da operao [8,
17, 20, 21, 22]

2.5.2.3 Abertura e Fechamento Morfolgicos

Dilatao e eroso so usualmente empregadas em pares: a dilatao de uma imagem seguida de uma eroso da imagem dilatada ou uma eroso seguida da dilatao da imagem erodida. Em ambos os casos, o resultado da aplicao sucessiva de operaes de dilatao e eroso a eliminao de detalhes especficos da imagem menores que o elemento estruturante, sem uma distoro geomtrica de detalhes. O resultado destas operaes so imagens no qual o contorno foram filtrados. A operao de abertura suaviza o contorno da imagem, separa regies estreitas e elimina finas protuses. A abertura do conjunto A pelo elemento estruturante B denotada por A o B e definida por: A o B = (A B) B (2.48)

e, em outras palavras quer dizer, que a abertura de A por B , simplesmente, a eroso de A por B, seguida de uma dilatao do resultado por B. A operao de fechamento tambm tende a suavizar sees do contorno, mas ao invs do que faz a abertura, funde regies estreitas prximas, elimina pequenos buracos e preenche pequenos vazios no contorno. O fechamento do conjunto A pelo elemento estruturante B denotado por A B e definido por: A B = (A B) B (2.49)

e, em outras palavras o fechamento do conjunto A por B simplesmente a dilatao de A por B, seguido pela eroso do resultado por B.

68

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

(i)

FIGURA 2.13 Abertura e Fechamento morfolgico. O elemento estruturante o pequeno crculo mostrado na figura (b). A seqncia de (b) a (e) ilustra a operao de abertura da figura representada em (a) pelo elemento estruturante. A seqncia de (f) a (i) ilustra o fechamento morfolgico da mesma figura pelo mesmo elemento estruturante[8].

69

2.5.3 Mtodos de Classificao

Aps a etapa de segmentao de imagens, a imagem passar por processos que tornem possvel a extrao das caractersticas de interesse. Uma das tcnicas mais utilizadas para extrao de caractersticas a tcnica de Connected Component Labeling. Esta tcnica varre a imagem e agrupa seus pixels em componentes baseados na sua conectividade, isto , todos os pixels em um componente conectado possuem valores de intensidade similar e esto, de certo modo, conectados um ao outro. Uma vez determinado todos os grupos, cada pixel marcado com um nvel de cinza ou uma cor, de acordo com o componente identificado [20, 23]. A abordagem mais simples deste mtodo a varredura da imagem repetidamente, de cima para baixo, da esquerda para direita, para determinar a identificao (labeling) mais apropriada entre os pixels assinalados, at que no haja mais mudanas entre uma varredura e outra. A classificao dada a um pixel chamada provisria at a ltima varredura, onde a classificao torna-se definitiva. Para a classificao de um pixel, a vizinhana estudada para que a marcao apropriada do pixel. Se no houver um pixel referente a nenhum objeto, uma marcao provisria assinalada, por outro lado, se houver pixels referentes a objetos na vizinhana, a marcao do pixel ser considerada equivalente sua vizinhana e, uma marcao representativa a todos os pixels equivalentes assinalada. Uma alternativa simples para selecionar os valores das marcaes representativas usar a menor marcao encontrada no grupo de pixels.

70

(a)

(b)

FIGURA 2.14 Exemplo da tcnica de Connected Component Labeling em uma imagem binria, onde cada quadrado representa um pixel e, os quadrados sem marcao tm valor zero. (a) imagem antes da varredura e (b) imagem aps uso da tcnica[20].

As operaes de pr-processamento combinadas com os mtodos de anlise de imagens tornam possvel a medio de diversos elementos microestruturais na imagem, dentre eles podemos citar: (a) nmero de objetos no campo de observao; (b) comprimento de elementos lineares; (c) rea de elementos microestruturais. Os dois ltimos parmetros podem ser medidos pela contagem dos pixels que formam a imagem do dado elemento. H um grande nmero de algoritmos que podem ser usados para aumentar a velocidade das medies, entretanto, a formulao bsica no requer vasta experincia em programao [10, 20, 21]. Medies de comprimento de intercepto esto entre as operaes bsicas realizadas para contagem de objetos em imagem, seja manual ou automaticamente. Um 71

exemplo de algoritmo de contagem de comprimento de intercepto horizontal descrito abaixo: 1. digitalizao da imagem, obtendo uma matriz Aij; 2. operao de limiarizao (Threshold) resultando em uma imagem binria em que os objetos de interesse sejam brancos e o fundo da imagem preto; 3. medio do intercepto horizontal ao de uma linha a uma distncia conhecida, de uma borda do campo de observao: 3.1 selecionar a coluna de ndice i; 3.2 comear pela coluna j = 1; 3.3 encontrar j tal que Aij = 1; encontrar o menor j- tal que j>j+ e Aij = 0; computar a distncia lk = (j--j+); 4. repetir o passo 3.3 at que toda a coluna de pixels seja analisada. Esta operao est descrita na Figura 2.15.

FIGURA 2.15 Seqncia esquemtica da operao durante medio de tamanho de intercepto em uma microestrutura[10].

72

2.6 Sensores Cermicos Baseados em Conduo Inica no Estado Slido

A automao de sistemas industriais, bem como o monitoramento e controle de condies ambientais, tem aumentado o interesse de diversos segmentos industriais e acadmicos para a pesquisa e o desenvolvimentos de materiais que possam atender tais necessidades. Os sensores cermicos a base de zircnia (ZrO2) tm desempenhado um importante papel neste sentido, revelando grande potencialidade devido a sua grande aplicabilidade, como sensores de oxignio [2]. A importncia de cermicas a base de zircnia encontram-se nas propriedades de condutividade inica em temperaturas altas. A incorporao de dopantes, tal como a tria (Y2O3, CeO2), melhoram as propriedades eltricas destes xidos, visto que o carter de conduo inica se d atravs de processos de difuso termicamente ativada de ons de oxignio [4, 5, 7]. Os sensores cermicos de oxignio so, em geral, policristalinos, o que se justifica pois neste tipo de sensor a conduo inica ocorre predominantemente nos contornos de gro. Isto justifica a a importncia da microestrutura nestes sensores, que influenciada pela distribuio de tamanhos de gros e pela quantidade e tamanho de poros [2, 4, 24].
2.6.1 Obteno das Microestruturas Cermicas

Como em grande parte dos produtos cermicos, a matria prima para a fabricao de sensores encontra-se na forma de p. Desta forma, as etapas do processamento so de grande importncia para o controle das propriedades de relevncia da cermica final, tal como resistncia mecnica e propriedades eltricas. O controle da distribuio de tamanhos de partculas dos ps a serem conformados e sinterizados importante no controle do fator de empacotamento atravs da diminuindo dos espaos vazios aps a conformao dos ps na forma de peas [4, 5, 6]. Durante etapa de sinterizao termicamente ativada a cermica conformada se contra devido coalescncia das partculas, aumentando a densidade da amostra, melhorando assim diversas propriedades influenciadas pela presena de poros, tal como 73

condutividade inica e a resistncia mecnica. Aps a prensagem, muitas das partculas do p se tocam entre si. Durante o estgio inicial de sinterizao, so formados pescoos na regio de contato entre partculas adjacentes. Como resultado, um contorno de gro se forma no interior de cada pescoo, e todo o interstcio entre partculas se torna um poro. medida que a sinterizao progride, os poros se tornam menores e mais esfricos, conforme pode ser visto pela Figura 2.16. Este processo se deve pela reduo da energia na fronteira do gro e aumento na energia de superfcie [4, 5].

(a)

(b)

(c)

FIGURA 2.16 Representao esquemtica do processo de coalescncia de gro durante a sinterizao[5].

2.6.2 Condutividade Inica em Cermicas

As propriedades eltricas esto entre as importantes dos materiais cermicos. A condutividade eltrica da cermica, por exemplo, varia em uma ampla faixa, indo desde os componentes mais isolantes para os mais condutores (supercondutores). A conduo eltrica em cermicas pode ocorrer pelo movimento de ons bem como eltrons. Os materiais slidos que apresentam condutividade inica so chamados de condutores iA aplicabilidade destes materiais s possvel devido existncia de sistemas com alta condutividade inica, o caso de sensores qumicos e de gs, eletrlitos slidos e clulas combustveis [4]. Em materiais inicos, tantos os ctions quanto os nions possuem carga eltrica, desta forma, quando aplicado um campo eltrico, estes ons podem migrar ou se

74

difundir atravs de vacncias ou defeitos contidos na estrutura do material, gerando uma corrente de ons. importante ressaltar tambm que, em materiais inicos, a distncia entre as bandas de valncia e de conduo maior do que em metais (em geral acima de 2 eV), que so naturalmente bons condutores, o que torna a conduo na temperatura ambiente muito menor. A Figura 2.18 ilustra a dependncia da condutividade eltrica pela temperatura
[4]

FIGURA 2.17 Dependncia da condutividade eltrica pela temperatura[4].

Em compostos inicos, a incorporao de dopantes na matriz cermica, desde que em propores adequadas, aumenta os coeficientes de condutividade. Isto ocorre devido ao aumento na concentrao de defeitos, sejam vacncias ou ons a mais na rede cristalina, que aumenta o nmero de portadores de carga sem atrapalhar o movimento dos mesmos. A difuso intersticial ocorre mais rapidamente que a difuso de vacncias, pois os tomos intersticiais so menores e ento tem maior mobilidade. Alm disso, h

75

mais posies intersticiais que vacncias na rede, logo, a probabilidade de movimento intersticial maior que a difuso de vacncias [5].

76

CAPTULO 3 MATERIAIS E MTODOS 3.1 Materiais Cermicos Utilizados

A importncia das cermicas base de zircnia para uso como sensor de oxignio encontra-se na sua propriedade de condutor inico de O2 em temperaturas maiores que 700oC. Estes materiais possuem duas importantes aplicaes no monitoramento de O2 na fabricao de aos e no controle da mistura combustvel/O2 nos motores de carros [2]. Os sensores cermicos de oxignio so policristalinos e no porosos e so chamados de eletrlitos slidos cermicos. Nestes materiais, alm da composio qumica, as caractersticas mais importantes so a estrutura cristalina cbica, o tamanho de gros e uma quantidade mnima de poros. A conduo de ons de oxignio ocorre pelas vacncias de oxignio na rede cristalina do material, que so deliberadamente introduzidas na sua estrutura. Este fenmeno de difuso de ons de oxignio termicamente ativado. Nestes materiais a conduo inica dominante intragranular e mais lenta nos contornos de gros. Os poros atuam como barreiras para o movimento dos ons de oxignio. Existe um comprometimento entre as caractersticas de difuso e as propriedades mecnicas destes sensores, o que induz a um controle cuidadoso do tamanho de gros em sua microestrutura. Tal compromisso explica a importncia da distribuio de tamanhos de gros e da minimizao da porosidade para o aumento na condutividade inicas nas cermicas de zircnia gros na minimizao da porosidade [2]. Assim sendo, necessrio que estas cermicas apresentem alta densidade (baixa porosidade), alm de distribuio de tamanhos de gros o mais homognea possvel. Como a matria prima est na forma de p, a preparao destas amostras uma etapa de crucial importncia para obteno das propriedades de interesse na cermica em questo. As cermicas utilizadas neste trabalho foram desenvolvidas e caracterizadas de tese de doutorado realizado no LAS e em conjunto com a Faculdade de Engenharia Qumica de Lorena (EEL-USP) [2].

77

Neste trabalho foram utilizadas as imagens obtidas em MEV das microestruturas destas cermicas de zircnia. Foram selecionadas imagens de microestruturas de cermicas com diferentes composies qumicas e portando com tamanhos diferentes de gros e conseqentemente com valores diferentes de condutividade inica. Na Figura 3.1 so mostradas as microestruturas caractersticas de cermicas de zircnia dopadas com composto de trio e de terras raras, rica em La2O5, utilizadas neste trabalho.

(a) FIGURA 3.1 Microestruturas de cermicas base de zircnia dopadas com composto de trio e de terras raras, em porcentagem de peso de: (a) 15%; (b) 17%; (c) 18,5% e (d) 19%[2]. Continua

78

(b)

(c) FIGURA 3.1 Continuao (Continua) 79

(d) FIGURA 3.1 Concluso

3.2 Mtodos de contagem de gros

A fim de padronizar os testes e medies realizadas a partir da anlise de imagens, a American Society for Testing and Materials (ASTM) from ANSI (American National Standart Institute) desenvolveu normas que facilitam e permitem a reproduo de testes de anlise quantitativa de imagens. Assim sendo, a utilizao destas normas permitem a reprodutibilidade dos testes, bem como asseguram intervalo de confiana para os mesmos [15, 16]. A norma ASTM E 112 96 a norma referente medio de tamanho mdio de gros por contagem manual atravs de imagens, enquanto os mtodos para contagem automtica de gros so descritos na norma ASTM E 1382 - 97. Os mtodos para contagem manual baseiam-se em trs procedimentos bsicos para a estimao do tamanho de gros:

80

Mtodo por comparao: o mtodo de comparao no exige a contagem de gros, interceptos ou interseces, ao contrrio, como o nome sugere e, desde que a estrutura de gros a ser comparada seja equiaxial, realizada uma comparao de estrutura de gros a uma srie de imagens gradeadas na forma quadros ou transparncias, denominadas cartas. Estas cartas so imagens de padres obtidas por diferentes mtodos de ataque superfcie, com tamanhos de gros e aumentos definidos.

Mtodo planimtrico: o mtodo planimtrico envolve a contagem do nmero de gros dentro de uma rea conhecida. O nmero de gros por unidade de rea, NA, usado para determinar o nmero gros por unidade de rea.

Mtodo por contagem de interceptos: o mtodo de contagem de interceptos envolve a contagem do nmero de gros interceptados por uma linha de teste ou o nmero interseces entre a linha de teste e os contornos de gros, por unidade de comprimento da linha de teste. Estas medidas so usadas para calcular o comprimento do intercepto linear mdio, l , que por sua vez usado para determinar o nmero de tamanho de gro ASTM.

Os mtodos de anlise automtica de imagens so altamente dependentes da qualidade do ataque realizado para revelar os contornos de gros, assim sendo, a norma ASTM E 1382-97 ressalta a importncia e os cuidados que devem ser tomados para a revelao da microestrutura da amostra, bem como o tratamento da fotomicrografia atravs do pr-processamento da imagem. Os mtodos de contagem assemelham-se quanto metodologia, consideraes acerca da representatividade da amostra, anlise estatstica e intervalos de confiana, sendo que o mtodo de anlise automtica permite ao usurio realizar um maior nmero de medies.

81

Apesar da importncia e padronizao que as normas ASTM representam, poucos so os trabalhos que a referenciam ou seguem seus critrios, o que dificulta a comparao ou mesmo a validao dos resultados apresentados. Desta forma, a fim de seguir os critrios descritos pelas normas tcnicas, assegurando a preciso, acurcia e reprodutibilidade das medidas, as seguintes orientaes devem ser cumpridas, independente dos mtodos utilizado: a superfcie da amostra a ser estudada deve permitir que no mnimo cinco campos de observao sejam obtidos, com no mnimo 50 gros por campo; o procedimento de polimento deve remover todos os danos e marcas referentes aos processos de corte e desgaste. Toda ranhura e sujeira devem ser retiradas, embora ranhuras menores que 1m sejam toleradas; o procedimento de ataque e revelao dos gros precisa ser escolhido adequadamente de acordo com a amostra a ser estudada; um nmero suficiente de medies devem ser realizadas, em campos diferentes, para que uma mesma amostra tenha representatividade;
3.2.1 Mtodos de Anlise de Imagens por Contagem Manual de Gros

O mtodo de contagem manual utilizado neste trabalho consiste na contagem do nmero de interseces entre os contornos de gros da fotomicrografia com uma malha de linhas paralelas, embora pudessem ser contados os interceptos, que so os segmentos da linha de teste que esto sobre um gro, visto que a idia da contagem a mesma. Este mtodo descrito pela norma ASTM E 112-96(2004e) e, conhecido como procedimento de Heyn ou como mtodo do intercepto linear mdio. Neste mtodo, uma malha composta por linhas paralelas colocada sobre a imagem e as interseces entre contornos de gros e a malha so contadas: conta-se 1 para cada interseco; quando a linha de teste termina exatamente em um contorno de gro e, conta-se 1 quando a interseco ocorrer em um ponto de encontro entre trs ou mais gros [16].

82

Aps fazer a contagem de interseces, calculamos o nmero de interseces por unidade de comprimento da linha de teste, com a seguinte frmula:
Pi LT / M

PL=

(3.1)

onde Pi o nmero de interseces contadas, L o comprimento total das linhas de teste e M a magnificao utilizada. Podemos calcular nmero de interceptos por unidade de comprimento da linha de teste, caso estejamos usando o nmero de interceptos ao invs do nmero de interseces. Assim sendo a frmula seria:
Ni LT /M

N L=

(3.2)

onde Ni o nmero de interceptos contados. Aps o clculo destas medidas, calculamos o intercepto linear mdio ( l ) atravs da frmula:
l= 1 1 = N L PL

(3.3)

Aps a determinao do tamanho de gro de acordo com a norma ASTM possvel inferir sobre tamanho mdio de gro, dimetro mdio de gro. O valor mdio das n determinaes de l , NL ou PL usado para determinar o nmero de gro ASTM, representado pela letra G, usando as equaes da tabela abaixo:

83

TABELA 3.1 - Equaes relacionando os parmetros calculados ao tamanho de gro de acordo com a norma ASTM
Equao
G = 3,321928 log N A 2,954 G = 6,643856 log N L 3,288 G = (6,643856 log(PL )) 3,288

Unidade
N A em mm2 N L em mm-1 PL em mm-1 l em mm

(
(

( ))
( ))

G = 6,643856 log l 3,288 FONTE: ASTM

( ))

Algumas amostras apresentam variabilidades nas grandezas medidas de um campo de medio a outro e, esta variao que torna as medies incertas. Com isso, ainda que se aumentem os nmeros de campos estudados nem sempre a acurcia ser maior, visto que tal procedimento no ajudar a distinguir uma variabilidade natural de uma possvel falta de acurcia na contagem. Desta forma, uma anlise estatstica sobre os resultados de suma importncia para assegurar um intervalo de confiana acerca dos resultados obtidos. Tal discusso ser realizada posteriormente no Captulo 4, que trata dos resultados obtidos.
3.3 Mtodos de anlise de imagens automtica

A determinao do tamanho de gros pode ser feita por diferentes mtodos, conforme j foi dito. A anlise automtica de imagens feita atravs de softwares prprios para anlise de imagens. A partir da anlise automtica de imagens um vasto nmero de gros pode ser analisado em uma nica imagem obtida por microscopia e repetida para outros campos de observao, alm de possibilitar tambm a organizao dos resultados sob a forma de histogramas de freqncia (nmero de ocorrncias X classes limites). Um fator importante est na representatividade da amostra, ou seja, o nmero de amostras e campos de observao devem ser suficientes para que a anlise seja representativa.

84

Nos casos de anlise de imagens atravs de softwares, a preciso e acurcia relativa dos resultados dependem da representatividade das amostras e da preparao das mesmas (tcnica de ataque utilizada e polimento utilizado, por exemplo), visto que tais caractersticas influem na revelao dos gros. O observador tambm deve se atentar realizao de etapas de pr-processamento, tal como filtragens, para que sua interveno no influencie tendenciosamente nas anlises realizadas. Apesar das facilidades em poder realar caractersticas de interesse atravs de softwares, como por exemplo completar contornos de gros quando estes no esto completamente revelados, tais procedimentos devem ser utilizados com cautela.
3.3.1 Softwares de anlise de imagens

Existem vrios softwares disponveis no mercado para anlise de imagens, porm, em geral, eles so muito caros e sua utilizao muito complexa, muitas vezes necessitando de treinamento especfico. Por isto interessante o uso de um software livre que acompanhe um manual de auxlio ao usurio e o estabelecimento de rotinas de anlises que atendam s necessidades dos diversos grupos de pesquisa e sigam as normas tcnicas internacionais
[15, 16]

, desde que suas anlises sejam devidamente

validadas e certificadas pelas normas existentes. Dois softwares de anlise e processamento de imagens, com cdigo-fonte livre foram estudados para a realizao deste trabalho. Alm dos softwares possurem cdigo-fonte livre, existe, em ambos, a possibilidade de desenvolvimento de plugins que se adeqem s necessidades dos usurios. Os dois softwares estudados foram: UTHSCSA Image Tool (desenvolvido pela University of Texas Health Science Center at San Antonio) e Image J (desenvolvido por Wayne Rasband do Research Services Branch, National Institute of Mental Health, Bethesda, Maryland). Um terceiro software foi cogitado, Scion Image, porm foi constatado que este era baseado no software Image J.

85

TABELA 3.2 Comparao entre os softwares de domnio pblico para anlise e processamento de imagens: Image Tool e Image J [25, 26]
Softwares Caracterstica Image Tool Image J

Linguagem em que foi Desenvolvida Requerimentos Sistema do

Borland C++

Java

Windows 95 ou mais recente; 16 MB de memria RAM no mnimo, embora o recomendvel seja 32 MB.

Windows 95 ou mais recente, Mac OS, Mac OS X e Linux;

64 MB de memria RAM, no mnimo, embora o recomendvel seja 256 MB;

Extenses Suportadas

PCX (Paint Brush), BMP (Windows Bitmap) TIF/TIFF (Tagged Image Format ) PNG (Portable Network Graphics) PCT (Macintosh PICT) JPG/JPEG (Joint Photographic Engineers Group)

TIF/TIFF (Tagged Image Format ) BMP (Windows Bitmap) JPG/JPEG (Joint Photographic Engineers Group)

PGM (Portable Grey Map) DICOM (Digital Imaging and Communications in Medicine)

ITS (Image Tool Stack Format)

FITS (Flexible Image Transport System) NIH (Macintosh Image Format) (Continua)

86

TABELA 3.2 - Continuao Linguagem de Script (Macros) Permite a compilao de macros, com extenso DLL, em qualquer linguagem de softwareo; Possui comandos prprios que utilizam funes do prprio software; Permite que o plugin desenvolvido seja alocado no menu conveniente. Filtros e Operaes Conta com as operaes e filtros mais bsicos para processamento e anlise de imagens. Possui grande quantidade de filtros e operaes para processamento e anlise de imagens, permitindo o download e instalao de filtros desenvolvidos por outros usurios participantes de fruns do software; Possui um comando que permite salvar um arquivo de imagem em um arquivo de texto (formato TXT), com coordenadas e intensidade de cada pixel da imagem que no seja do background. (Continua) 87 As macros devem ser realizadas em linguagem JAVA; Possui comandos prprios que utilizam funes do prprio software; Permite que o plugin desenvolvido seja alocado no menu conveniente

TABELA 3.2 Concluso Ajuda ao usurio Possui documentao de ajuda Possui documentao de ajuda Possui grande nmero de fruns de ajuda online Plugins de Anlise de Imagem A mscara da imagem ao ser analisada feita na imagem corrente, no podendo ser salva; Permite que a janela contendo os resultados sejam exportados para um arquivo DAT; Representa graficamente o perfil de nveis de cinza de uma linha desenhada na imagem. Permite salvar a mscara da imagem analisada, ou seja, alm da imagem original, cria uma segunda imagem com os nmeros atribudos pela contagem de gros que pode ser salva; Permite que a janela contendo os resultados (rea, permetro, etc) sejam exportados para um arquivo com formato XLS (Microsoft Excel); Alm de representar graficamente o perfil de nveis de cinza para uma linha traada na imagem, pode fazer a representao de toda a superfcie da imagem em questo (surface plot). Permite a colocao de uma barra de escala dos nveis de cinza da imagem;

88

Devido ao desempenho e s facilidades apresentadas, o software Image J foi escolhido para o desenvolvimento deste trabalho.
3.3.2 O software estatstico R

Para auxiliar na anlise estatstica dos resultados obtidos no estudo da amostra atravs do software de anlise de imagens, foi utilizado o software estatstico R. A principal vantagem e motivao para utilizao deste software est na praticidade de obteno de complexas anlises estatsticas, alm do software ser livre e de fcil utilizao. A linguagem R tida como um software integrado com uma srie de facilidades para anlise de dados, anlise grfica e clculos, permitindo ao usurio acesso aos mais diversos mtodos estatsticos, atravs de pacotes que podem ser instalados conforme a necessidade do usurio. O software est disponvel para plataformas Windows, MacOS, Unix, Linux e FreeBSD, possui vasta documentao de apoio e muitos fruns de discusso, em ingls e portugus [27]. Tendo em vista tais facilidades, a linguagem R ser utilizadas neste trabalho para a obteno da anlise estatstica das amostras aps a anlise automtica de imagens. Atravs de um cdigo fonte relativamente simples, pretende-se calcular a mdia e o desvio padro dos resultados, alm de realizar testes de distribuio, anlise dos quantis da distribuio e plotagem de um histograma de densidade de probabilidade x distribuio de classes, tudo isso para tornar mais fcil a interpretao dos resultados obtidos e facilitar estudos futuros, alm de verificar a normalidade da distribuio de gros.
3.4 Comparao dos resultados por mtodos estatsticos

Aps a obteno dos resultados pelos diferentes mtodos de contagem empregados, manual e automtico, necessria a comparao dos mesmos, para verificar se a diferena observada em cada mtodo significante ou no. Ainda que as normas ASTM assegurem para os dois mtodos reprodutibilidade e intervalos de confiana de 95%, ser realizado o teste de significncia da diferena das mdias [28].

89

3.4.1 Conceitos de estatstica

Ao se tentar chegar s decises, conveniente a formulao de hipteses acerca das populaes de interesse. Estas suposies que podem ser ou no verdadeiras so denominadas hipteses estatsticas. No caso deste trabalho, para efeito de comparao entre os mtodos formularemos a hiptese de que no h diferena entre os mtodos, ou seja, quaisquer diferenas observadas so devido ao acaso, o que caracteriza uma hiptese nula, representada por H0. Uma hiptese que seja diferente da hiptese nula chamada de hiptese alternativa e, representada por H1. Os processos em que se decidem ou no pela aceitao de uma hiptese, neste caso, se as diferenas so ou no significativas, so chamados testes de hipteses ou de significncia [28]. Se uma hiptese for rejeitada quando deveria ser aceita, dizemos que foi cometido um erro do Tipo I, caso contrrio, ou seja, se uma hiptese for aceita quando deveria ser rejeitada, diz-se que foi cometido um erro do Tipo II. Em qualquer um dos casos, ocorre uma deciso errada ou um erro de julgamento. Para que um teste seja eficiente, ele deve ser planejado de forma a minimizar os erros de deciso, ainda que a tentativa de minimizar um tipo de erro pode acarretar no aumento da probabilidade de ocorrncia de outro tipo de erro. Assim sendo, ao testar uma hiptese, a probabilidade mxima de ocorrncia de um erro do Tipo I, denominada nvel de confiana e, frequentemente representada por . Para realizar os testes, consideremos X 1 e X 2 as mdias das grandezas em questo, rea e dimetro de gros por exemplo, obtidas de duas amostras com o nmero de gros analisados N1 e N2 respectivamente, que no caso sero iguais, visto que as fotomicrografias analisadas foram as mesmas para os dois mtodos. Como, teoricamente, no deveria existir diferena entre as mdias populacionais (que seria a mdia da grandeza avaliada para todas as regies da amostra, uma vez que uma fotomicrografia representa apenas uma parte da amostra), visto que ambas tm mesma origem, ou seja, 1 = 2 , e fazendo 1 + 2 , temos que a distribuio amostral da

90

diferena das mdias tem, muito aproximadamente, distribuio normal. Assim, usando a idia de escores reduzidos (z), que medem o desvio em relao mdia, em unidades de desvio padro, podemos testar a significncia de uma diferena observada em um nvel apropriado de significncia. Tal escore dado por:
X1 X 2 X1 X 2

z =

(3.4)

onde,
X 1 X 2 = X 1 - X 2 = 1 - 2 = 0

(3.5)

e,
2 12 2 + N1 N1

X1 X =
2

(3.6)

Na prtica, comum a escolha de um nvel de confiana de 0,05 ou 0,01, embora possam ser usados outros valores. Um nvel de 0,05 ou 5% significa que h 95% de chances de que se tome a deciso acertada, ou ainda que a hiptese rejeitada no nvel de significncia 0,05, o que significa uma probabilidade de erro de 5%. A tabela 3.2 d os valores de z correspondentes a vrios nveis de confiana adotados mais comumente: TABELA 3.3 Valores do limite de confiana para diversos nveis de confiana
Limite de Confiana z 99,73% 99% 98% 96% 95,45% 95% 90% 80% 68,27% 50%

3,00

2,58

2,33

2,05

2,00

1,96

1,645

1,28

1,00

0,6745

FONTE: Spiegel (2004)

91

A Figura 3.2 fornece uma representao esquemtica do teste para uma distribuio normal.

FIGURA 3.2 Representao do teste de hipteses para uma distribuio normal FONTE: Spiegel (2004) Conforme observado na figura, pode-se estar 95% confiante de que, se a hiptese for verdadeira, a distribuio da varivel estar compreendida entre -1,96 e 1,96, visto que a rea compreendida pela curva normal entre estes valores 0,95. Entretanto, se a distribuio estiver fora do intervalo representado, pode-se afirmar que a distribuio difere de modo significativo do que seria esperado daquela hiptese e, seria plausvel rejeit-la. A regio fora do intervalo de -1,96 a 1,96 denominada regio crtica de rejeio da hiptese ou regio de significncia, enquanto a regio compreendida entre o intervalo dita regio de aceitao da hiptese ou regio de no-significncia.

92

CAPTULO 4 RESULTADOS E DISCUSSES

Com o objetivo de facilitar a comparao entre os mtodos para as diferentes amostras, foi elaborada uma tabela que designaria cada amostra, de acordo com sua quantidade de dopante e, sabendo que o aumento foi o mesmo para todas as amostras, 2000 vezes.

TABELA 4.1 Descrio das amostras

Nmero da Amostra Quantidade de dopante (YTR) (% de peso)

Amostra I Amostra II Amostra III Amostra IV

15 17,5 18,5 19

A seguir sero apresentados os resultados obtidos para cada amostra, em cada uma das tcnicas utilizadas e a comparao dos resultados de acordo com o teste estatstico descrito no captulo anterior.
4.1 Resultados obtidos para o mtodo de contagem manual

O mtodo manual foi realizado a partir da contagem da interseco de uma malha composta por 25 linhas paralelas de 144 mm cada, espaadas entre si por 4mm, colocadas em direes aleatrias. Tal procedimento foi repetido 5 vezes para cada micrografia, sendo esta a quantidade mnima recomendada pela norma ASTM, caso os clculos de acurcia relativa no alcanassem os limites recomendados (abaixo de 10%), mais medies devem ser realizadas. A seguir, os resultados so apresentados para cada amostra.

93

TABELA 4.2 Nmero de interseces em cada contagem para cada amostra

Amostra I 1 contagem 2 contagem 3 contagem 4 contagem 5 contagem Amostra II Amostra III Amostra IV

253,5 262 244 276,5 253,5

272,5 265,5 272,5 268 259

243,5 241,5 256 238 254,5

251,5 249 251 256 247,5

A seguir, foi calculado o nmero de interseces por unidade de comprimento da linha de teste, PL, a partir da Frmula 4.1, onde Pi o nmero de interseces contadas, L o comprimento total das linhas de teste e M a magnificao utilizada.:
Pi L/M

PL=

(4.1)

Os resultados so apresentados na tabela 4.3 e so calculados para cada contagem.

TABELA 4.3 Clculo do nmero de interseces por unidade de comprimento da linha de teste
Amostra I 1 contagem 2 contagem 3 contagem 4 contagem 5 contagem Amostra II Amostra III Amostra IV

140,8333333 145,5555556 135,5555556 153,6111111 140,8333333

151,3888889 147,5 151,3888889 148,8888889 143,8888889

135,2777778 134,1666667 142,2222222 132,2222222 141,3888889

139,7222222 138,3333333 139,4444444 142,2222222 137,5

Em seguida a esta etapa, calculado o intercepto linear mdio, l , que dado

1 pelo inverso do nmero de interseces por unidade de comprimento, l= P L

calculada a sua mdia e desvio padro, que so apresentados na Tabela 4.4.

94

TABELA 4.4 Mdia e desvio padro do intercepto linear mdio

Amostra I Mdia (
X

Amostra II

Amostra III

Amostra IV

0,00699 0,00032

0,00673 0,00014

0,00730 0,00023

0,00717 0,00009

Desvio Padro

Os resultados encontrados na etapa anterior so utilizados para o clculo do intervalo de confiana e acurcia relativa a 95%, de acordo com as equaes: 95CI = t n (4.2)

RA =

95CI 100 X

(4.3)

onde CI a abreviao em ingls para Confidence Interval, RA Relative Acuracy, n o nmero de medies realizadas e t representa um multiplicador para um intervalo de confiana de 95% em funo de n. Os valores de t so apresentados na tabela 4.5.

TABELA 4.5 - Multiplicadores para intervalo de confiana de 95% Nmero de Campos 5 6 7 8 9 10 11 12 t 2,776 2,571 2,447 2,365 2,306 2,262 2,228 2,201 Nmero de Campos 13 14 15 16 17 18 19 20 t 2,179 2,160 2,145 2,131 2,120 2,110 2,101 2,093

FONTE: American Standard for Testing Materials (2004)

95

 importante ressalta que se o valor da acurcia relativa for considerado muito elevado para os testes realizados, novas medies devem ser feitas e os clculos repetidos. Em geral, uma acurcia relativa de 10%, ou menor, considerada uma preciso aceitvel. Na tabela 4.6 so apresentados os valores dos intervalos de confiana e da acurcia relativa para cada amostra.

TABELA 4.6 Intervalo de Confiana e Acurcia Relativa a 95% das amostras

Amostra I Intervalo de Confiana Acurcia Relativa a 95% Amostra II Amostra III Amostra IV

0,402 5,747

0,178 2,640

0,294 4,032

0,113 1,582

A partir destes resultados podemos calcular o nmero de gro ASTM atravs da equao 4.4 e com o auxlio da tabela 4.7. Os resultados se encontram na tabela 4.8.
G = 6,643856 log l 3,288

( ))

(4.4)

TABELA 4.7 Nmero de gro ASTM calculado

Amostra I Nmero de Gro ASTM Amostra II Amostra III Amostra IV

11,032

11,142

10,907

10,959

TABELA 4.8 Tabela de valores do tamanho de gros ASTM

Nmero do tamanho de gro

N A , gros/unidade de rea
n/in2 a n/mm2 100X a 1X

A , rea mdia do gro

mm2
0.2581 0,1290

, Dimetro mdio

l , Intercepto Mdio

NL
n/m m
2.21 3,12

m2
258064 129032

mm
0.5080 0,3592

m
508.0 359,2

mm
0.4525 0,3200

m
452.5 320,0

00 0

0.25 0,50

3.88 7,75

(Continua)

96

TABELA 4.8 Concluso 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0 10,5 11,0 11,5 12,0 12,5 13,0 13,5 14,0
0,71 1,00 1,41 2,00 2,83 4,00 5,66 8,00 11,31 16,00 22,63 32,00 45,25 64,00 90,51 128,00 181,02 256,00 362,04 512,00 724,08 1024,00 1448,15 2048,00 2896,31 40,96,00 5792,62 8192,00 10,96 15,50 21,92 31,00 43,84 62,00 87,68 24,00 175,36 248,00 350,73 496,00 701,45 992,00 1402,9 1984,0 2805,9 3968,0 5611,6 7936,0 11223,0 15872,0 22446,4 31744,1 44892,9 63488,1 89785,8 126976,3 0,0912 0,0645 0,0456 0,0323 0,0228 0,0161 0,0114 0,00806 0,00570 0,00403 0,00285 0,00202 0,00143 0,00101 0,00071 0,00050 0,00036 0,00025 0,00018 0,00013 0,000089 0,000063 0,000045 0,000032 0,000022 0,000016 0,000011 0,000008 91239 64516 45620 32258 22810 16129 11405 8065 5703 4032 2851 2016 1426 1008 713 504 356 252 178 126 89,1 63,0 44,6 31,5 22,3 15,8 11,1 7,9 0,3021 0,2540 0,2136 0,1796 0,1510 0,1270 0,1068 0,0898 0,0755 0,0635 0,0534 0,0449 0,0378 0,0318 0,0267 0,0225 0,0189 0,0159 0,0133 0,0112 0,0094 0,0079 0,0067 0,0056 0,0047 0,0040 0,0033 0,0028 302,1 254,0 213,6 179,6 151,0 127,0 106,8 89,8 75,5 63,5 53,4 44,9 37,8 31,8 26,7 22,5 18,9 15,9 13,3 11,2 9,4 7,9 6,7 5,6 4,7 4,0 3,3 2,8 0,2691 0,2263 0,1903 0,1600 0,1345 0,1131 0,0951 0,080 0,0673 0,0566 0,0476 0,0400 0,0336 0,0283 0,0238 0,0200 0,0168 0,0141 0,0119 0,0100 0,0084 0,0071 0,0060 0,0050 0,0042 0,0035 0,0030 0,0025 269,1 226,3 190,3 160,0 134,5 113,1 95,1 80,0 67,3 56,6 47,6 40,0 33,6 28,3 23,8 20,0 16,8 14,1 11,9 10,0 8,4 7,1 5,9 5,0 4,2 3,5 3,0 2,5 3,72 4,42 5,26 6,25 7,43 8,84 10,51 12,50 14,87 17,68 21,02 25,00 29,73 35,36 42,04 50,00 59,46 70,71 84,09 100,0 118,9 141,4 168,2 200,0 237,8 282,8 336,4 400,0

FONTE: American Standard for Testing Materials (2004)

Podemos notar pelos valores da Tabela 4.7 que o nmero de gro ASTM das amostras aproximadamente igual em todos os casos. Seguindo a orientao da norma e arredondando o nmero encontrado pelo uso da frmula, obtemos como nmero de gro ASTM, G igual a 11,0, que representa gros com rea mdia de 63 m2 e, dimetro mdio de 7,9 m. importante ressaltar que a escolha do aumento das micrografias foi escolhido de modo a atender as recomendaes da norma de conter ao menos 50 gro para a realizao da contagem.

97

4.2 Resultados obtidos pelo mtodo de contagem automtica

Os resultados obtidos pelo mtodo de contagem automtica de tamanho de gro dependem das operaes de pr-processamento, explicitadas no captulo anterior, que por sua vez influem no processo de binarizao. Na Figura 4.1 so apresentadas as imagens binarizadas aps a etapa de pr-processamento. Antes de tais operaes, o software foi calibrado a partir de uma imagem com a barra de tamanho utilizada pelo microscpio, seguindo os procedimentos tambm descritos anteriormente.

(a) FIGURA 4.1 Imagens Binarizadas a partir das fotomicrografias originais, apresentadas no captulo 3: (a) Amostra I; (b) Amostra II; (c) Amostra III; (d)Amostra IV. Continua

98

(b)

(c) FIGURA 4.1 Continuao (Continua)

99

(d) FIGURA 4.1 - Concluso Nesta etapa, fica evidente a importncia do tratamento da revelao da microestrutura da amostra e das etapas de pr-processamento da imagem: sem uma boa revelao a etapa de pr-processamento tambm no ter um bom desempenho, forando o usurio a intervir manualmente ou mesmo impossibilitando a anlise de imagens. Na Figura 4.1(a) e (b), pode-se notar que os contornos de gros no ficaram muito bem delineados, devido a dificuldade de um filtro que detectasse as pequenas diferenas dos gradientes de cores dos contornos de gros. Outro detalhe que pode representar dificuldades na segmentao da imagem so as marcas de polimento que podem ficar em amostras que passam por este processo. A partir destas imagens foram efetuadas as medies de rea, permetro e dimetro de Feret (que trata-se do dimetro de uma circunferncia com mesma rea da partcula em questo), gerando uma nova imagem.

100

Para tais medies, foi selecionado no software para que as partculas nas bordas da imagem fossem descartadas, a fim no influenciarem nos clculos estatsticos. A nova imagem gerada, contendo os gros numerados, sendo possvel relacionar o nmero dado ao gro (label) com a sua disposio na imagem. Estas novas imagens podem auxiliar o pesquisador, a localizar as partculas de interesse e suas respectivas informaes, servindo como uma espcie de mapa da amostra. Nestas imagens, fica mais uma vez evidente que a dificuldade em segmentar a imagem podem influenciar negativamente no clculos das propriedades de interesse, visto que em geral os algoritmos de contagem contam os pixels que compe os gros. Tais imagens so apresentadas na Figura 4.2.

(a) FIGURA 4.2 Imagens geradas pela software para realizar a anlise: (a) Amostra I; (b) Amostra II; (c) Amostra III; (d)Amostra IV. Continua

101

(b)

(c) FIGURA 4.2 Continuao (Continua)

102

(d) FIGURA 4.2 Concluso Os resultados obtidos a partir destas imagens foram salvos em um arquivo de extenso DAT, para que pudessem ser exportados para um software de anlise de dados desenvolvido em linguagem R, assim sendo, as anlises estatsticas foram feitas automaticamente. O usurio pode escolher qualquer outro tipo de planilha de processamento de dados, ou mesmo utilizar a opo Sumarize do prprio Image J para obter o valor da mdia das medies e seu desvio padro. Os histogramas referentes distribuio das reas dos gros esto nas Figuras 4.3 a 4.5.

103

(a)

(b) FIGURA 4.3 Histogramas de frequncia para a rea dos gros em cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua

104

(c)

(d) FIGURA 4.3 Concluso

105

Pode-se notar que na Figura 4.3 a maior frequncia em todas as distribuies esto em gros com reas relativamente pequenas entre gros maiores. Tal comportamento na distribuio das reas dos gros justifica um desvio padro alto em relao a estas medidas. O valor to baixo do eixo x nos grficos devido s medidas estarem em mm2, para a converso para m2 basta multiplicar os valores por 10-6. Nas Figuras 4.4 so apresentados os histogramas de densidade de probabilidade plotados juntos de uma curva normal ajustada, enquanto na Figura 4.5 apresenta-se o teste de normalidade para as distribuies de rea dos gros.

(a) FIGURA 4.4 Histograma de frequncias com curva normal ajustada para a rea de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua

106

(b)

(c) FIGURA 4.4 Continuao (Continua)

107

(d) FIGURA 4.4 Concluso

108

(a)

(b) FIGURA 4.5 Teste de Normalidade para a distribuio da rea dos gros de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua

109

(c)

(d) FIGURA 4.5 Concluso

110

Na Figura 4.4, com o auxlio da curva normal, torna-se mais evidente o que podia ser constatado na Figura 4.3: uma maior frequncia de gros com reas menores. Verifica-se porm que, apesar da curva normal no ajustar perfeitamente o histograma, os testes de normalidade da Figura 4.5, expressos pelo grfico e pelo teste algbrico de Shapiro-Wilk, apontam para uma distribuio que no a normal, exigindo o emprego de outros testes estatstico que possam comprovar o carter da distribuio aqui apresentada. Tal concluso pode ser tomada, pois quanto mais prximo de 1 mais a distribuio tende a uma distribuio normal [28]. Estudos referentes distribuio dos permetros dos gros tambm foram realizados. Novamente nestes estudos ocorreram que os valores do desvio padro estavam na mesma ordem de grandeza da medida de interesse. Nas Figuras a seguir, 4.6 a 4.8, so apresentadas as distribuies de tamanho de permetro dos gros e os testes de normalidade, respectivo cada amostra.

(a) FIGURA 4.6 Histogramas de frequncia para o permetro dos gros em cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua

111

(b)

(c) FIGURA 4.6 Continuao (Continua)

112

(d) FIGURA 4.6 Concluso

Nestes histogramas de frequncia podemos notar que as distribuies de classes esto mais prximas de uma curva normal, exceto pelo histograma referente a amostra II. Tal fato pode ser decorrente da dificuldade de segmentao apresentada na fotomicrografia, que comprometeu a qualidade da imagem binarizada e

conseqentemente a anlise de imagens referentes a esta amostra.

113

(a)

(b) FIGURA 4.7 Histograma de frequncias com curva normal ajustada para as distribuies do permetro de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua

114

(c)

(d) FIGURA 4.7 Concluso

115

(a)

(b) FIGURA 4.8 Teste de Normalidade para a distribuio do permetro dos gros de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua.

116

(c)

(d) FIGURA 4.8 Concluso

117

Na Figura 4.7 verificam-se que os ajustes de curvas normais aos histogramas ficaram mais precisos, e isso pode ser verificado pelo teste de normalidade das distribuies, na Figura 4.8, exceto pelo histograma da amostra II, que teve o pior desempenho e um baixo valor para o teste de normalidade. notvel tambm que o valor do desvio padro seja muito prximo do valor da mdia, o que indica grande variabilidade de valores em relao ao valor mdio do permetro. Por ltimo foram extrados dos valores de contagem automtica o valor referente ao dimetro de Feret, que associa o dimetro de uma circunferncia com mesma rea do objeto. Tais medidas esto representadas nas Figuras 4.9 a 4.11.

(a) FIGURA 4.9 Histogramas de frequncia para o dimetro dos gros em cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua.

118

(b)

(c) FIGURA 4.9 Continuao (Continua)

119

(d) FIGURA 4.9 Concluso

120

(a)

(b) FIGURA 4.10 Histograma de frequncias com curva normal ajustada para a distribuio dos dimetros de gros de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua

121

(c)

(d) FIGURA 4.10 Concluso 122

(a) FIGURA 4.11 Teste de Normalidade para a distribuio do dimetro dos gros de cada amostra: (a) Amostra I; (b) Amostra II; (c) Amostra III e (d) Amostra IV. Continua.

123

(b)

(c) FIGURA 4.11 Continuao (Concluso)

124

(d) FIGURA 4.11 Concluso O comportamento das distribuies de dimetros das amostras foi anlogo ao observado para as distribuies de permetros, com a amostra II tendo um desempenho inferior ao das outras amostras.
4.3 Comparao entre os mtodos 4.3.1 Comparao entre os mtodos de contagem manual e automtica

A tabela de tamanho de gros ASTM para contagens manuais s dispem valores de tamanho mdio de rea e dimetro, somente estas duas grandezas podem ser comparadas em relao aos dois mtodos utilizados. Uma importante questo que nesta tabela os valores dados so mdios, no havendo uma distribuio em si, logo no h como utilizar o mtodo de teste de hipteses. A assim os valores encontrados sero comparados de maneira simples, pela comparao entre as mdias obtidas. Ao contrrio da tcnica de contagem manual, na tcnica de contagem automtica, existe uma distribuio de tamanhos, que possibilita o clculo de medidas de disperso. A Tabela

125

4.9 mostra a comparao entre as mdias dos dois mtodos de anlise de imagens para comparar o dimetro (m) TABELA 4.9 Mdia e desvio padro das distribuies de dimetro para as diferentes amostras obtidas por contagem automtica
Amostra I
d Automtico d Manual

Amostra II

Amostra III

Amostra IV

6,8 6,7

5,7 6,7

6,5 6,7

6,8 6,7

possvel notar por esta comparao simples que os resultados esto condizentes um com os outros, visto que apenas na amostra II os resultados tiveram uma diferena de mais de dois dcimos. Porm, a falta de uma quantidade maior de amostras para estudar pode ter prejudicado os resultados. Na Tabela 4.10 so apresentadas as comparaes entre os valores das reas clculados pelas duas tcnicas, com a grandeza, dimetro, em m2. TABELA 4.10 Mdia e desvio padro das distribuies de rea para as diferentes amostras obtidas por contagem automtica
Amostra I
A Automtico AManual

Amostra II

Amostra III

Amostra IV

30 45

20 45

20 45

30 45

4.3.2 Comparao entre os mtodos de contagem realizados no trabalho anterior e no presente trabalho

Aps os clculos realizados por duas tcnicas distintas necessrio responder seguinte pergunta: A diferena entre as medies significativa ou foi meramente devido ao acaso?. Para responder tal pergunta, ser usado o teste de significncia da diferena das mdias.

126

No trabalho desenvolvido de doutoramento realizado no LAS e em conjunto com a Faculdade de Engenharia Qumica de Lorena (EEL-USP) para desenvolver e caracterizar as cermicas aqui estudadas, as cermicas tambm passaram por uma etapa de caracterizao atravs de anlise de imagens
[2]

. Assim um teste de significncia foi

realizado para efetuar a comparao dos resultados obtidos no trabalho de Freitas (2000) e no presente trabalho. Na Tabela 4.13 so apresentas os valores de dimetro mdio e seu respectivo desvio padro para as amostras TABELA 4.13 Mdia e desvio padro das distribuies de dimetro (em m) para as diferentes amostras obtidas por contagem automtica

Amostra I Mdia (
X

Amostra II

Amostra III

Amostra IV

1,39 0,6388

1,48 0,6744

1,47 0,6382

1,47 0,5897

Desvio Padro ()

Admitindo-se que o nmero de gros das amostras seja o mesmo, podemos montar a seguinte tabela de dados: TABELA 4.14 Comparao entre os mtodos manual e automtico para o clculo de dimetro Comparao com a amostra I N

X1 X 2

Comparao com a amostra II 127 0,3587202

-116694

Comparao com a amostra III 124 0,285106

-17,6426

Comparao com a amostra IV 102 0,292049

-18,1476

123 0,309274
-17,4279

Fica evidente, apenas observando a tabela acima, que os valores para determinao dos intervalos de significncia para o escore reduzido, independente do 127

nvel de significncia adotado, esto muito alm dos limites estabelecidos para os principais nveis de confiabilidade. Tal fato revela que as amostras possuem uma grande e significante diferena entre. Uma questo que pode ter influenciado decisivamente nos resultados est ligada segmentao da imagem, ou seja, sua binarizao. Em geral, nesta operao que a imagem perde muito de sua resoluo, dificultando assim a identificao dos contornos de gros e causando erros cumulativos na anlise de imagem. Uma possvel alternativa seria o uso de um software digitalizador, no qual o usurio dever contornar os gros da imagem antes de realizar a anlise quantitativa, de modo que a binarizao tornaria-se muito mais simples e isenta de erros. Outros softwares podem ser utilizados neste sentido desde que permitam abrir uma imagem e desenhar ou colocar vetores sobre a mesma, o caso at mesmo do Microsoft Power Point.

128

CAPTULO 5 CONCLUSES

O presente trabalho tem como objetivo testar e validar um software livre de anlise de imagens, de forma a se tornar uma ferramenta til para pesquisadores e tcnicos que trabalham com microestruturas de materiais, devidamente documentada, alm de comparar os resultados obtido por tal software com a anlise manual de contagem de gros. Com tal intuito, podemos concluir a partir dos resultados apresentados:
-

O software Image J apresentou-se como uma importante ferramenta no tratamento de imagens e anlise quantitativa de imagens, oferecendo muitos recursos como parte de seu pacote padro e outros tantos como plugins e extenses do software, que se adaptam para cada tipo de uso. O fato de possuir mailing list e ser um software de licena livre estimula diversos grupos de discusso e desenvolvimento de novas ferramentas, que aprimoram o software. A documentao existente no site do software de muita ajuda ao usurio, pois explicam bem o uso do software.

Quanto maior a clareza da microestrutura melhores sero os resultados da anlise de imagens. As condies de processamento do material e o tratamento dado para a revelao da microestrutura de uma amostra antes da obteno da fotomicrografia de extrema importncia para a anlise de imagens. Nestas etapas, contornos de gros mal revelados, marcas de tratamentos, gros arrancados por polimento, dentre outros defeitos podem ser influncias deletrias ao tratamento e anlise de imagens.

A utilizao das normas tcnicas para anlise de imagens de suma importncia na utilizao desta tcnica pois garante a reprodutibilidade das condies de medida e certifica o que est sendo realizado. Porm deve-se levar em considerao que as medies pelo mtodo de contagem manual so muito

129

suscetveis a erros e falta de preciso, visto que se trata de critrios subjetivos para a interpretao de contornos de gros. H ainda o fato das medidas de interesse estarem tabeladas, tal como rea e dimetro mdios, sendo que tal fato possa nem sempre estar de acordo com a caracterstica mostrada na imagem da amostra.
-

A calibrao do software deve ser a mais precisa possvel devido propagao de erro que eventualmente venha ocorrer.

Estudos relacionados a mtodos mais eficientes de segmentao de imagens sem perda de caractersticas de forma so importantes para um aprimoramento maior da funcionalidade da tcnica de anlise de imagens.

As diferenas entre os mtodos de contagem utilizados podem ser explicadas pelo pequeno nmero de amostras utilizadas. importante, ainda para efeito de comparao de resultados, a repetio deste estudo em um nmero maior de fotomicrografias da mesma amostram, com campos de observao diferentes. Outra forma para comparao dos resultados seria a utilizao da imagem a ser analisada digitalizada atravs de um outro software, de forma que somente os contornos de gros fiquem na imagem.

O uso de tcnicas estatsticas se apresentaram como uma boa ferramenta para a anlise, comparao e apresentao dos resultados. Finalmente, a fim de complementar este trabalho, sugere-se a realizao de

outras pesquisas que levem em considerao os seguintes assuntos: 1. Estudar mtodos de segmentao de imagens que possibilitem a melhor visualizao dos contornos de gros atravs do software de anlise de imagens. 2. Comparao entre o mtodo de contagem automtica e tcnicas experimentais de contagem de tamanho de gros.

130

 importante ressaltar que os conhecimentos adquiridos neste trabalho de anlise de imagens com o uso de software, obedecendo as normas tcnicas existentes, pode ajudar os pesquisadores a utilizarem e operacionalizar a tcnica de anlise microestrutura de materiais a partir da anlise de imagens.

131

132

REFERNCIAS BIBLIOGRFICAS

[1] KURANAGA, C,; NONO, M. C. A.; SILVA, M. D., MINEIRO, S. L. Influence of microstructure on humidity sensing properties of ZrO2-TiO2 ceramics. In: CONGRESSO DE MICROSCOPIA E MICROANLISE NO MERCOSUL (MICROMAT 2002)., 2002, Curitiba. Anais... Curitiba: SBMM, 2002. v. 1, p. 202-208. [2] FREITAS, D. Desenvolvimento de uma cermica base de zircnia dopada com concentrado de xidos de trio e de terras raras para aplicao em sensores de oxignio, 2000. Tese de Doutorado, DEMAR/FAENQUIL, Lorena, 2000. [3] MINEIRO, S. L.; NONO, M. C. A.; KURANAGA, C.; SILVA, M. D. Humidity sensitive characteristics of ZnO-TiO2-ZrO2. Mater. Sci. Forum, v. 498, p. 293298, 2005. [4] CHIANG, Y. M.; BIRNIE, D. P.; KINGERY, W. D. Physical ceramics principle for ceramic science and engineering. New York: John Wiley & Sons, 1997. [5] CALLISTER, W.D. Cincia e engenharia de materiais: uma introduo. Rio de Janeiro: LTC, 2002. [6] VAN VLACK, L.H. Propriedades dos materiais cermicos. So Paulo: Edgard Blcher, 1973. [7] KINGERY, D.; BOWEN, H. K.; UHLMANN, D. R. Introduction to ceramics. 2. ed. Neu York: Wiley-Interscience, 1976. [8] GONZALEZ, R. C.; WOODS, R. E. Digital image processing. 3. ed. Boston: Addison-Wesley, 1992. [9] MARQUES F, O.; VIEIRA NETO, H. Processamento digital de imagens. Rio de Janeiro. Brassport, 1999. [10] KURZYDOWSKI, K. J.; RALPH, B. The Quantitative description of the microstructure of materials. New York. CRC Press, 1995 [11] DIGENES, A. N.; HOFF, E. A.; FERNANDES, C. P. Grain size measurement by image analysis: An application in the ceramic and in the metallic industries. In: INTERNATIONAL CONGRESS OF MECHANICAL ENGINEERING, 18., 2005, Ouro Preto. Proceedings [ S.l.]: COBEM, 2005. [12] CHIM, R. Grain Sizes of Ceramics by automatic image analysis. Journal of American Ceramic Society, v. 77, n. 2, p. 589-592, 1994

133

[13] CREMONA, M. et al. O.; ALBUQUERQUE, M. P. Grain size distribution analysis in polycrystalline LiF thin films by mathematical morphology techniques on AFM images and X-ray diffraction data. Journal of Microscopy, v. 197, p. 260-267, 2000. [14] HEFLER, J.; HECLER, A.; MAHONEY, E.M.; HARRIS, J. E. Microstructural Characterization of Structural Ceramics Using Image Processing and Analysis. Journal of American Ceramic Society, v. 76, n. 6, p. 1551-1557, 1993 [15] AMERICAN SOCIETY FOR TESTING AND MATERIALS. ASTM E 112(2004e2): Standard Test Methods for Determining Average Grain. West Conshohocken, United States, 2004, 26p. [16] AMERICAN SOCIETY FOR TESTING AND MATERIALS. ASTM E 1382(2004): standard test methods for determining average grain size using semiautomatic and automatic image analysis. West Conshohocken, United States, 2004, 22p. [17] VAN DER HEIJDEN, F. Image based measurement systems. New York: John Wiley & Sons, 1994. [18] MANHEIMER, E. A. Microscopia dos materiais: uma introduo.. Rio de Janeiro: Sociedade Brasileira de Microscopia e Microanlise/ E-papers Servios Editoriais, 2002. [19] GOLDSTEIN, J. I. et al..Scanning electron microscopy and x-ray microanalysis. New York: Plenum Press. 2. ed., 1992. [20] HARALICK, R. M.; SHAPIRO, L. G. Computer and robot vision. Boston: Addison Wesley, 1992. 672p. [21] [21]PARKER, J. R. Algorithms for image processing and computer vision. New York: John Wiley & Sons, 1997. 417p. [22] SOILE, P. Morphological image analysis: principles and applications. New York: Springer, 1999. [23] RAHIMI, A. Fast connected components on images. Disponvel em: <http://xenia.media.mit.edu/~rahimi/connected/>. Acesso em: 22 jun. 2006. [24] LEE, J. H.; MOON, H.; LEE, H. W., KIM, J. KIM, J. D.; YOON, K. H. Quantitative analysis of microstructure and its related electrical property of SOFC anode, NiYSZ cermet. Solid State Ionics, v. 148, p. 15 26, 2002. [25] RASBAND, W. Image J documentation. Disponvel em: <http://rsb.info.nih.gov/ij/docs/index.html>. Acesso em 27 de jan 2007.

134

[26] IMAGE TOOL, Image tool help standard manual. Disponvel em: <http://ddsdx.uthscsa.edu/dig/pub/it/docs/itdocs.zip>. Acesso em 08 nov 2006. [27] VENABLES, W. N.; SMITH, D. M. An introduction to R. notes on R: a programming environment for data analysis and graphics. Disponvel em: <http://www.r-project.org/manuals.html>. Acesso em 10 de jul 2007. [28] SPIEGEL, M. R. Probabilidade e estatstica: coleo Schaum. 2 ed. Rio de Janeiro: Editora. Bookman, 2004. 398p.

135

136

APNDICE A USO DO SOFTWARE IMAGE J

Todas as imagens utilizadas passaram por uma etapa de pr-processamento a fim de que as caractersticas de interesse, no caso os contornos de gros, fossem realados. Deve-se salientar que os procedimentos aqui apresentados podem no ser satisfatrios para outras amostras, chamando a ateno para o fato da considerao acerca da caracterstica que pretende-se estudar e o tratamento a ser empregado, tanto na amostra quanto na anlise de imagem. O filtro Sharpen serve para que o contraste da imagem seja aumentado, realando detalhes na imagem ou em uma rea selecionada, podendo como contratempo realar a presena de rudos tambm. Basicamente este filtro substitu o pixel analisado pela mdia ponderada de sua vizinhaa 3x3. Aps o uso deste filtro, utilizado um filtro para deteco de bordas, baseado nos operadores de Sobel vertical e horizontal, denominado Find Edges. Feito isto, um outro filtro utilizado para suavizar os tons de cinza da imagem, tal filtro trata-se do Gaussian Blur. A etapa seguinte trata-se de binarizar a imagem atravs do comando Make Binary. A binarizao da imagem, ou seja, a transformao de uma imagem de 256 cores (em escalas de cinza) para uma imagem em preto e branco, necessria para a utilizao do pacote de anlise de imagens, que s comporta imagens binarizadas. Para retirar manchas e pequenas imperfeies contidas na imagem, utilizado um filtro morfolgico denominado Fill Holes (Rasband 2007). Como o Image J reconhece os objetos pela cor de seus pixels, necessrio usar uma plugin demo, instalado junto com o software para fazer a inverso de cores. Neste processo nem sempre os contornos de gros ficam bem delineados, s vezes torna-se necessrio, a partir da imagem original, por comparao, apagar ou redesenhar manualmente alguns contornos de gro. Tal alternativa pode ser realizada sem

137

comprometimento da qualidade da anlise, desde que os contornos originais sejam realados, conforme descrito nas normas tcnicas. A calibrao do software deve ser realizada antes que a anlise seja feita. Para isso devemos seguir os seguintes passos: uma imagem contendo a barra de aumento do microscpio deve ser aberta no software. O tamanho da barra de medida tem 4 cm e, o que diferencia cada aumento no o tamanho da barra e sim o valor de referncia para cada aumento. com a ferramenta Straight Line Selection faa um trao exato sobre a barra de tamanho. na barra de menu, no boto Analyze> Set Scale aparecer a seguinte caixa de dilogo:

FIGURA A.1 Caixa de dilogo da ferramenta de calibrao do software Image J[25] Na caixa Distance in Pixels aparecer a distncia relativa quantidade de pixels que o tamanho da barra contm. Na caixa inferior, Known Distance devemos iinformar qual a real distncia representada pela barra. Na prxima caixa de dilogos, Pixel Aspect Ratio devemos informar qual a razo de aspecto da imagem. A prxima caixa trata-se da unidade de medida. Por ltimo, uma das caixas de dilogo trata das questo desta

138

calibrao ser utilizadas para todas as medidas realizadas, ou seja, se esta ser uma escala global. Este procedimento de calibrao deve ser feito sempre que o software iniciado com o intuito de realizar uma anlise quantitativa de imagens. Realizada a calibrao, podemos realizar a anlise de imagens. Para isso seguimos os seguintes passos: na barra de menu, no boto Analyze> Set Measurements. Nesta rea, sero escolhidas quais as medidas sero calculadas pelo software durante a anlise. Nesta caixa podero ser escolhidas tambm quantas casas decimais tero os resultados, se os nmeros associados a cada gro sero apresentados na imagem e se os resultados sero reencaminhados em um arquivo j existente. A caixa de dilogo apresentada mostrada na Figura 3.4.

FIGURA A.2 Caixa de dilogo da funo Set Measurements[25]

139

novamente no boto Analyse da barra de menu, clicar na opo Analyze Particle, outra caixa de dilogo ir se abrir.

FIGURA A.3 Caixa de dilogos da funo Analyze Particle[25]

Nesta caixa o usurio dever escolher a faixa de tamanho de partculas que sero analisadas, de acordo com a calibrao realizada anteriormente, a circularidade destas partculas, onde os resultados sero apresentados: em nenhuma imagem, em uma imagem nova contendo apenas os contornos de interesse (Outlines); em uma nova imagem, contendo os objetos medidos pintados de uma cor diferente (Masks) ou em elipses que melhor se ajustam ao formato dos objetos medidos (Ellipses). A Figura 3.6 representa um exemplo de tais caractersticas. O usurio pode, por exemplo, selecionar nesta caixa de dilogos se os resultados devero ser exibidos em uma nova imagem, onde cada partcula ser denotada por um nmero, ou um label, atravs da opo Display Results, se os resultados provenientes de anlises anteriores dever ser apagados a cada nova anlise (Clear Results), se aps a anlise uma nova janela contendo informaes como a rea total contada, porcentagem da rea total que foi medida, mdia da contagem, entre outros (Sumarize) e se partculas no contorno da imagem deve ser excludas (Exclude on the Edge).

140

(a)

(b)

(c)

(d)

(e)

FIGURA A.4 Exemplo dos tipos de seleo (a) imagem original, (b) Threshold na imagem original, (c) imagem com contornos Outlines, (d) imagem com contornos Masks e (e) imagem com contorno Ellipses[25] Aps as escolhas do mtodo de seleo dos objetos de interesse, basta clicar em OK e a contagem ter incio. importante salientar que o software tem por default fazer a contagem dos objetos escuros presentes na imagem. Tal padro pode ser modificado utilizando a opo de Threshold manual (no menu Image> Adjust> Threshold, ou pelas teclas de atalho CTRL+SHIFT+T), ou seja, o usurio escolhe o limiar de binarizao, ao invs de optar pela opo Make Binary. Conforme dito anteriormente, a opo Display Results permite que dar origem a uma nova imagem, com as partculas assinaladas por um nmero (label). Concluda esta contagem, uma nova janela tambm dever se abrir contendo os

141

resultados da contagem para cada particula, sendo indicada por seu nmero. Tais janelas, tanto a imagem contendo as partculas numeradas como a janela de resultados podem ser salvas: a imagem atravs da barra de opes do prprio software Image J e, a janela de resultados atravs da barra de opes da prpria janela. Recomenda-se que a extenso da imagem seja JPEG, apesar das diversas opes oferecidas, visto que um formato muito utilizado e compatvel com a maioria dos softwares, apesar das perdas de resoluo por compresso prprias do formato. Neste caso, as perdas no so significativas a ponto de influenciar os resultados da anlise de imagens. J os arquivos de resultados recomenda-se que sejam salvos em formato DAT, que permite o usurio export-lo para outros softwares de processamento de dados. Concluda tal etapa, os resultados sero analisados atravs do software estatstico R. O software desenvolvido nesta linguagem relativamente simples e necessita apenas que o software R esteja instalado na mquina, no ocupando muito espao em disco rgido do computador nem sendo um software que exija altos custos computacionais. Tal procedimento necessrio devido a impossibilidade de se gerar um arquivo executvel a partir da linguagem R. A interface inicial do software relativamente simples e de fcil utilizao. O usurio deve abrir o script (cdigo fonte) do software, selecionar todas as linhas de comando e seguir as instrues do software, conforme estas forem aparecendo. A execuo do software rpida, e os arquivos de sada, histograma de distribuio tamanho de gros, histograma de densidade de probabilidade com normal ajustada e teste de normalidade da distribuio, sero salvos na pasta indicada pelo usurio. Nos histogramas sero exibidos os valores de mdia e desvio padro da distribuio de gros, enquanto no teste de normalidade ser exibido o valor referente ao teste de normalidade de ShapiroWillk.

142

APNDICE B CDIGO FONTE DO PROGRAMA EM LINGUAGEM R

########ROTINA PARA ABERTURA DOS ARQUIVOS DE RESULTADO####### require(tcltk) x1=choose.files(filters = Filters["All",]) i=length(x1) nomearq<-vector(mode="character",length=i) dados<-read.table(paste(x1),header=TRUE,sep="",dec=".") class(dados[1,3]) ######################CLCULOS ESTATSTICOS######################## suma<-summary(dados[,3]) sd1<-sd(dados[,3]) quat<-quantile(dados[,3],probs=c(.0,.10,.20,.30,.40,.50,.60,.70,.80,.90,1)) class(quat) quat<-cbind(quat) a<-hist(dados[,3],main="Distribuio do tamanho de Gros",xlab="Permetro",ylab="Frequncia",xlim=c(0,.02),ylim=c(0,25)) media<-mean(dados[,3]) breaks<-a[1] counts<-a[2] density<-a[4] mids<-a[5] ############CAIXA DE DILOGO PARA SALVAR OS ARQUIVOS########### msg=paste("Escolha o diretrio para salvar os arquivos",sep=" ")

143

tkmessageBox(message=msg) dir<-choose.dir() setwd(dir) #####################CRIAO DOS HISTOGRAMAS#################### #SALVANDO FIGURAS nam2<-paste("histograma.jpg",sep="") jpeg(file=nam2,width=1024,height=768,res=300) hist(dados[,3],main="Distribuio do tamanho de Gros",xlab="Permetro (em mm)",ylab="Frequncia",xlim=c(0,.02),ylim=c(0,25)) text(0.015,20,paste("Mdia = ",round(media,5),"\n SD = ",round(sd1,5),sep="")) dev.off()

sha<-shapiro.test(dados[,3])

nam3<-paste("histograma2.jpg",sep="") jpeg(file=nam3,width=1024,height=768,res=300) hist(dados[,3],main="Distribuio do tamanho de Gros",xlab="Permetro",ylab="Frequncia",xlim=c(0,.02),ylim=c(0,25)) hist(dados[,3],freq=F,ylim=c(0,140),xlim=c(0,0.02),main="Distribuio do tamanho de Gros",ylab="Densidade de Probabilidade",xlab="Permetro (em mm)") d = seq(range(dados[,3])[1]3*sd(dados[,3]),range(dados[,3])[2]+3*sd(dados[,3]),0.00001) lines(d,dnorm(d,media,sd(dados[,3]))) text(0.015,140,paste("Mdia = ",round(media,5),"\n SD = ",round(sd1,5),sep="")) dev.off()

nam4<-paste("testeNormalidade.jpg",sep="")

144

jpeg(file=nam4,width=800,height=600,res=300) qqnorm(dados[,3],xlab = "Quantis Tericos", ylab = "Quantis Amostrados",main="Teste de Normalidade (Q-Q Plot)",sub=paste("Shapiro-Wilk teste = ",round(sha[[1]][1],digits=4),sep="")) dev.off()

145

PUBLICAES TCNICO-CIENTFICAS EDITADAS PELO INPE Teses e Dissertaes (TDI) Manuais Tcnicos (MAN)

Teses e Dissertaes apresentadas So publicaes de carter tcnico nos Cursos de Ps-Graduao do que incluem normas, procedimentos, INPE. instrues e orientaes.

Notas Tcnico-Cientficas (NTC)

Incluem resultados preliminares de pesquisa, descrio de equipamentos, descrio e ou documentao de programa de computador, descrio de sistemas e experimentos, apresentao de testes, dados, atlas, e documentao de projetos de engenharia.

Relatrios de Pesquisa (RPQ)

Reportam resultados ou progressos de pesquisas tanto de natureza tcnica quanto cientfica, cujo nvel seja compatvel com o de uma publicao em peridico nacional ou internacional.

Propostas e Relatrios de Projetos (PRP)

Publicaes Didticas (PUD)

So propostas de projetos tcnico- Incluem apostilas, notas de aula e cientficos e relatrios de acompanha- manuais didticos. mento de projetos, atividades e convnios.

Publicaes Seriadas
So os seriados tcnico-cientficos: boletins, peridicos, anurios e anais de eventos (simpsios e congressos). Constam destas publicaes o Internacional Standard Serial Number (ISSN), que um cdigo nico e definitivo para identificao de ttulos de seriados.

Programas de Computador (PDC)

So a seqncia de instrues ou cdigos, expressos em uma linguagem de programao compilada ou interpretada, a ser executada por um computador para alcanar um determinado objetivo. So aceitos tanto programas fonte quanto executveis.

Pr-publicaes (PRE)
Todos os artigos publicados em peridicos, anais e como captulos de livros.