Você está na página 1de 43

An alise dos ltros n ao-lineares

Leyza Elmeri Baldo Dorini , Anderson de Rezende Rocha

Unicamp Disciplina de Introduc a o ao Processamento de Imagens Digitais

leyza@inf.unochapeco.rct-sc.br - anderson.rocha@ic.unicamp.br

Resumo. Este trabalho apresenta as conclus o a es obtidas sobre a avaliac o de quatro ltros espaciais n a a seletiva, o-lineares, sendo eles o ltro da vizinhanc o ltro de Nagao, o ltro da ordem K e o ltro dos K vizinhos mais pr o ximos. Inicialmente, apresenta-se alguns conceitos sobre ltros espaciais, bem como uma breve apresentac a o de cada um dos ltros abordados. Depois descreve-se a metodologia utilizada (medidas de erro utilizada, tipos e par a metros de teste, entre outros) e ent ao s ao apresentadas as conclus o es parciais do trabalho, ou seja, individualmente por gura, por tipo de ru do, por degradac a o de bordas, entre outros. Para tal s a o apresentadas tabelas com todos os dados gerados e tamb em gr acos destes dados para facilitar a visualizac a ao o. Finalmente s apresentadas as concluso es nais.

o 1. Introduc a
Segundo Gonzalez;Woods(2000) uma imagem e uma func a o bidimensional de luz f(x,y), onde x e y denotam coordenadas espaciais e o valor de f em qualquer ponto (x,y) da importante observar que imagem e proporcional a ` intensidade de brilho naquele ponto. E este trabalho tratar a especicamente de imagens em tons de cinza. Uma imagem digital pode ser denida como sendo uma imagem que foi discretizada em termos de coordenadas espaciais e valor da intensidade no ponto. Sendo assim, uma imagem pode ser vista como uma matriz, onde as coordenadas x e y identicariam a linha e coluna e o valor no ponto indicaria o n vel de cinza (brilho) correspondente. Cada elemento desta matriz e denominado pixel (picture element). De acordo com Rosenfeld;Kak(1982), o processamento de imagens possui como processos principais a digitalizac a o, codicac a o, realce, restaurac a o, segmentac a o e descric a o. Dentro do item realce encontra-se o processo de suavizac a o, o qual visa tornar os pixels da imagem mais homog eneos (uniformes) em relac a o a ` sua vizinhanc a (um pixel com um valor n ao-homog eneo pode representar ru do na imagem). Este trabalho se limitar a a trabalhar com suavizac a o no dom nio espacial, que est a baseada no deslocamento de m ascaras (moving windows) pela imagem. Um exemplo e apresentado na Figura 1 a seguir, onde h a uma m ascara de dimens ao 3x3 e no formato de um quadrado (denominada box shape). O elemento que est a na posic a o (x,y) receber a um novo valor que ser a calculado a partir dos demais elementos da m ascara (que neste caso variam de x-1 a x+1 e de y-1 a y+1).

do funcionamento de uma m ascara Figure 1: Ilustrac ao [9]

Entretanto, a ltragem espacial trabalha com ltros lineares e n ao-lineares. Os primeiros baseiam-se nos conceitos que especicam que a func a o de tranfer encia e o impulso ou func a o de espalhamento pontual de um sistema linear s ao tranformadas inversas de Fourier uma da outra (GONZALEZ;WOODS, 2000, p. 134). Estes ltros apresentam como principal desvantagem a degradac a o de bordas. Um exemplo de ltro linear seria o ltro da m edia. Por outro lado, os ltros n ao-lineares operam diretamente com os pixels da imagem, alterando-os de acordo com alguma relac a o existente entre ele e sua vizinhanc a (a vizinhanc a e tida como os elementos dentro de uma regi ao com formato e tamanho pr edeterminados). Os ltros implementados/analisados neste trabalho s ao todos ltros n aolineares. A diferenc a (no que diz respeito a ` forma de utilizac a o das m ascaras) entre os ltros n aolineares e os lineares e que, enquanto os primeiros se baseiam nos valores dos pixels pertencentes a ` vizinhanc a do pixel cetral, a ltragem linear utiliza uma m ascara com coecientes. Neste u ltimo caso, o resultado (resposta) de uma m ascara ser a onde representa o n vel de cinza na posic a o e o coeciente da m ascara (GONZALEZ;WOODS, 2000). Em ambos os casos a utilizac a o de m ascaras causar a problemas com as bordas, sendo que se fossem colocadas em um limite da imagem, iriam precisar utilizar valores que n ao estavam denidos na imagem para c alculo do novo ponto central. Sendo assim, e necess ario que sejam restringidos os limites de aplicac a o da m ascara. No trabalho em quest ao foi atribu do valor zero aos pontos que n ao puderam ser calculados (desta forma, a borda cou preta).

2. Algoritmos implementados
Os algoritmos implementados foram os seguintes: 2.1. Filtro da m edia com os k vizinhos mais pr oximos Enquanto o ltro da m edia utiliza todos os elementos da m ascara para c alculo, causando degradac a o de bordas, este ltro busca selecionar elementos que pertencem ao mesmo

objeto, atrav es de uma escolha adequada do tamanho da janela e de quantos elementos ser ao selecionados. Para que sejam selecionados quais ser ao os k elementos participantes, e utilizada a diferenc a absoluta entre cada ponto da m ascara e o ponto central (desta forma os pontos mais pr oximos do valor central ser ao selecionados, e eles t em uma probabilidade maior de pertencer ao mesmo objeto). Segundo Niblack (1986) um valor t pico de k e seis para janelas de dimens ao 3x3. Em resumo, como o ltro da m edia trabalha bem apenas em regi oes homog eneas, buscou-se um aprimoramento que operasse de forma adequada em regi oes com transic o es. Como exemplo, o tro procura considerar como elementos candidatos a participar da m edia apenas aqueles que estivessem do mesmo lado da borda que o elemento central (ARECO, 1995). 2.2. Filtro da ordem K A id eia deste ltro e ordenar de forma ascendente uma lista de elementos que fazem parte da vizinhanc a de um determinado pixel (que ter a seu valor modicado) e ent ao selecionar um valor de uma posic a o particular nesta lista para ser utilizado como o novo valor para o pixel central. Se o elemento selecionado for o primeiro, o c alculo corresponder a ao ltro m nimo, o qual enfatiza regi oes mais escuras, correspondendo a ` operac a o de eros ao. Caso seja escolhido o u ltimo elemento, ser a equivalente ao ltro do m aximo, que enfatiza os pontos com mais brilho na imagem, tornando-a mais clara (corresponde a ` operac a o de dilatac a o) (NONLINEAR, s.d.). O ltro da mediana se baseia no fato de que se um ponto que e ru do est a presente entre os elementos da m ascara, na ordenac a o ele se localizar a nas primeiras ou u ltimas posic o es, e desta forma n ao ser a selecionado para substituir o valor do pixel central (os pontos de cinza de uma regi ao tendem a ter uma similaridade e desta forma pontos discrepantes t em uma grande possibilidade de serem ru do). De acordo com Nonlinear(s.d.); Cooper(2004); Ekstrom(1984), em comparac a o ao ltro da m edia, o ltro da mediana e eciente na remoc a o de ru do do tipo impulsivo (salt and pepper noise), al em de n ao afetar muito os contornos (podendo desta forma ser aplicado iterativamente sem causar tanta degradac a o). Uma desvantagem e que pode degradar objetos com v ertices muito agudos. Isto porque como o ru do do tipo impulsivo muda completamente os valores de cinza, e muito pouco prov avel que um destes valores seja o valor da mediana na vizinhanc a espec ca. Uma ilustrac a o simples e dada abaixo em um ltro da mediana 1x3, denominado .

Como esperado, o ltro da mediana elimina valores discrepantes. As outras duas estruturas de valores de cinza (uma rampa monotonicamente crescente e um contorno entre dois planaltos de valores de cinza contantes) s ao preservadas. Desta forma,

o ltro da mediana elimina de forma ecaz ru do impulsivo sem borrar de forma signi cativa a imagem. O ru do gaussiano e eliminado com menos eci encia (J AHNE, 1993). E relevante considerar, no entanto, os casos em que o valor discrepante dos demais pode de fato ser parte do sinal, e desta forma, enquanto em alguns casos a mediana ir a realizar efetivamente a supress ao do ru do, em outros ele ir a causar supress ao do pr oprio sinal (PRATT, 1991); (LINDLEY, 1991). Para uma janela de tamanho MxM, com M mpar, o valor da mediana de valores pode ser obtido por

comparac o es aritm eticas. Para uma janela de tamanho 3x3, por exemplo, cada pixel pode ser processado pelo ltro da mediana com 30 comparac o es aritm eticas (EKSTROM, 1984). Como o tro da mediana e computacionalmente intensivo (o n umero de operac o es cresce exponencialmente de acordo com o tamanho da janela), Pratt (1984) prop os um operador computacionalmente mais simples, denominado ltro da pseudomediana. Este ltro e descrito com mais detalhes em Pratt (1984). O ltro da mediana e considerado o ltro n ao linear mais f acil de se implementar, permitindo um ganho de qualidade mesmo em casos de imagens com bastante ru do (BRITTO, s.d.).

2.3. Filtro de Nagao Este ltro, proposto por Nagao e Matsuyama (1979) procura a vizinhanc a do ponto central que e classicada como mais homog enea, utilizando-se para tal classicac a o o c alculo da vari ancia (o uso da vari ancia se deve ao fato que regi oes com bordas bem denidas tendem a ter uma vari ancia alta, e desta forma n ao devem ser classicadas). O pixel central e substitu do pelo valor da m edia da vizinhanc a com menor vari ancia. As vizinhanc as s ao denidas a partir da denic a o de nove m ascaras distintas (ilustradas na Figura 2(a)), sendo elas um quadrado, quatro pent agonos e quatro hex agonos. Para gerar as m ascaras e realizada uma rotac a o de uma barra alongada em torno do pixel central de uma janela de dimens ao 5x5, mais a denic a o da m ascara quadrada no centro da janela. Uma ilustrac a o e apresentada na Figura 2(b)(ARECO, 1995). Entretanto, o ltro de Nagao e computacionalmente intensivo. Nove m ascaras devem ser calculadas para determinar a vizinhanc a mais homog enea. Al em disso, o formato da m ascara para selec a o dos pixels vizinhos varia. tudo isso contribui para a complexidade do c alculo (HUNG, s.d ).

(a)

(b)

Figure 2: Mascaras utilizadas pelo ltro de Nagao (HUNG, s.d.); (ARECO, 1995)

2.4. Vizinhanc a Seletiva Este algoritmo utiliza cinco m ascaras quadradas 3x3 sobrepostas em uma janela 5X5, de tal forma que o pixel central sempre participa das m ascaras. Calcula-se a homogeneidade de cada vizinhanc a (atrav es do c alculo da vari ancia - que foi a opc a o utilizada no trabalho - ou da soma das diferenc as absolutas), e substitui-se o pixel central pela m edia dos elementos da vizinhanc a mais homog enea. Ressalta-se que cada m ascara 3x3 e considerada uma vizinhanc a. De acordo com Areco (1995), a vizinhanc a selecionada geralmente pertence a ` mesma regi ao que cont em o ponto central da janela 5x5. Desta forma, o pixel ter a seu valor substitu do pela m edia de uma regi ao homog enea, resultando na atenuac a o do ru do.

3. Metodologia Utilizada
Para a realizac a o dos testes foram utilizadas duas imagens. A primeira delas e uma imagem sint etica, denominada circulo, e a outra e uma imagem natural (possui mais detalhes) denominada chess. A primeira, que possui dimens ao de 173x171 pixels, foi escolhida por ser simples, possuir regi oes homog eneas ( e constitu da por um c rculo com tons de cinza pr oximos a 50 sobre fundo em tom de cinza em torno de 150) e ter bordas em todas as direc o es. A imagem chess possui dimens ao de 181x146, com tons de cinza variando de 0 a 255. Em cada imagem foram aplicados os ru dos gaussiano (com ) e implusivo (com 6% de pontos brancos em 4% da imagem). Estes ndices foram escolhidos de tal forma que o RMS (este conceito ser a abordado a seguir ) entre as imagens com ru do e a original casse pr oximo, com o intuito de facilitar a comparac a o. As Figuras 3 e 4 apresentam as imagens originais e estas ap os a aplicac a o dos dois tipos de ru do.

(a)

(b)

(c)

Figure 3: Imagem c rculo - (a)original, (b)ru do gaussiano), (c)ru do impulsivo

(a)

(b)

(c)

Figure 4: Imagem chess - (a)original, (b)ru do gaussiano), (c)ru do impulsivo

O RMS da imagens com ru do em relac a o a ` imagem original e apresentado a seguir na Tabela 1: Imagem Ru do Gaussiano Ru do Impulsivo chess 19 23 circulo 19 22
a ` imagem original Table 1: RMS da imagem com ru do em relac ao

Quando se trata do caso unidimensional, pode-se avaliar a ec acia de um ltro atrav es de medidas de erro derivadas da teoria de processamento digital de sinais. No caso bidimensional, tamb em se pode ter uma avaliac a o subjetiva, ou seja, vericar-se visualmente o resultado ap os a aplicac a o do ltro (ARECO, 1995). A avaliac a o subjetiva dos ltros foi realizada atrav es da aplicac a o de ru do em imagens e posterior avaliac a o visual do resultado da sua ltragem utilizando os quatro algoritmos descritos anteriormente. Alguns dos itens que podem ser facilmente identicados atrav es da avaliac a o visual s ao a degradac a o das bordas e a presenc a de ru dos na imagem ltrada (indicando a pouca capacidade de ltragem do algoritmo em quest ao). Tendo em vista que esta avaliac a o e dependente de diferentes fatores e pode variar conforme o observador, e necess ario que tamb em seja realizada uma avaliac a o utilizando m etodos estat sticos. Dentre os m etodos que podem ser utilizados est ao o desvio padr ao, o Erro M edio Quadr atico (RMS) e a sinalizac a o sinal/ru do (SNR). Cada um tem suas pr oprias caracter sticas (o desvio padr ao, por exemplo, deve ser utilizado em a reas homog eneas da

imagem, pois a intenc a o e medir o poder de eliminac a o dos elementos que s ao ru do, e desta forma n ao deve-se ter interfer encia de bordas). Como estes m etodos apresentam restric o es na avaliac a o de imagens que possuem muitos detalhes (como uma imagem natural, por exemplo), foi utilizada uma abordagem diferente neste caso. Procurou-se classicar os pontos da imagem como sendo de alta ou baixa atividade espacial, utilizando-se para tal um procedimento baseado nas m ascaras direcionais de Prewitt. Para determinar a atividade espacial de determinado ponto, a soma da sa da das m ascaras foi comparada a um limiar (para denic a o deste, foram realizados testes emp ricos). Com o intuito de identicar a degradac a o de bordas, a imagem original foi nublada e ent ao aplicou-se as m ascaras de Prewitt novamente (com a limiarizac a o) gerando duas m ascaras bin arias, apresentadas a seguir na Figura 5. Com a nublagem da imagem, e poss vel identicar n ao somente os pontos de alta atividade espacial, mas tamb em uma vizinhanc a desta a rea.

(a)

(b)

Figure 5: Imagem chess - (a)regioes de alta atividade espacial, (b)regioes de baixa atividade espacial

Os m etodos utilizados no trabalho foram: desvio padr ao: e uma medida de dispers ao, e baseia-se nos desvios em torno da considerado um indicador de variabilidade bastante est m edia aritm etica. E avel. A f ormula b asica e expressa como:

A f ormula est a utilizando a divis ao por n-1 porque no caso espec co deste trabalho estar a se utilizando apenas uma amostra de dados, conforme ser a exposto posteriormente. erro m edio quadr atico (RMS - Root Mean Square): seja a representac a o edia de uma imagem de entrada e seja a imagem processada. O erro raiz m quadr atica, e a raiz quadrada da m edia do quadrado das diferenc as entre duas imagens, e e dado por:

em que M e o n umero de linhas das imagens e N o n umero de colunas. Al em do RMS geral (aplicado em todos os pontos da imagem), vericou-se

tamb em o RMS das regi oes de alta e baixa atividade espacial, denominados RMS High e RMS Low, respectivamente. Nestes dois u ltimos casos, utilizou-se as m ascaras apresentadas anteriormente na Figura 5 para ativac a o do c alculo do erro, sendo que os pontos da imagem da qual est a se calculando o RMS ser ao inclu dos no c alculo do erro somente se o ponto respectivo na m ascara de ativac a o tiver valor diferente de zero. Devido a ` utilizac a o de m ascaras, as bordas foram desconsideradas no c alculo do RMS. Para a imagem circulo, o procedimento de teste consistiu na aplicac a o iterativa (dez vezes) dos quatro ltros apresentados, e c alculo do RMS (geral) e do desvio padr ao para cada imagem. Conforme exposto anteriormente, o desvio padr ao deve ser utilizado em a reas homog eneas da imagem. Desta forma, para caracterizar o ndice de homogeneidade foi selecionada uma a rea da gura que n ao tivesse a interfer encia das bordas. No caso espec co deste trabalho foi selecionada uma a rea de dimens ao 32x32, com in cio nas coordenadas 50x50. Como a imagem chess possui detalhes, foi escolhida para identicar o efeito de degradac a o ap os a aplicac a o iterativa dos ltros. Foram realizadas cinco iterac o es para cada um dos ltros j a mencionados. Para esta imagem, foram calculados o RMS geral, o RMS High e o RMS Low. Os par ametros utilizados para teste foram os seguintes: Algoritmo Tamanho da Janela nagao 5x5 vizinhanc a seletiva 5x5 ordem k 3x3 k vizinhos 3x3 Outros k=5 k=6

iterativa dos algoritmos Table 2: Parametros utilizados para teste na aplicac ao

Nos algoritmos da ordem k e k vizinhos mais pr oximos optou-se por utilizar uma janela de dimens ao 3x3 e k = 5 e k = 6 (respectivamente) porque a intenc a o era avaliar o desempenho do ltro quando aplicado iterativamente. Para avaliar o comportamento do algoritmo para diferentes tamanhos de janela e diferentes valores de k (para os algoritmos que exigem este par amentro) foi realizado mais um tipo de teste. Al em de variar estes par amentros tamb em variou-se o n vel de ru do aplicado na imagem. As tabelas a seguir apresentam os diferentes par ametros e n veis de ru do utilizados. Ru do gaussiano RMS em relac a o a ` imagem original 10 9 25 23 55 46 70 57 100 74
Table 3: Diferentes n veis de ru do gaussiano utilizados para teste

Ru do impulsivo RMS em relac a o a ` imagem original 1,1 12 6,4 24 20,15 49 20,20 55 30,40 77
Table 4: Diferentes n veis de ru do impulsivo utilizados para teste

Algoritmo Tamanho da Janela nagao 5x5 vizinhanc a seletiva 5x5 ordem k 3x3 7x7 7x7 k vizinhos 3x3 7x7 7x7

Outros k = 4, 6 e 8 k = 6, 20 e 45 k = 10, 60 e 110 k = 4, 6 e 8 k = 10, 25 e 40 k = 10, 60 e 110

para diferentes n Table 5: Parametros utilizados para teste na aplicac ao veis de ru do

A seguir ser ao apresentados os gr acos indicando o erro m edio quadr atico para cada um dos algoritmos desenvolvidos, para os dois tipos de ru do. A escala utilizada para o eixo vertical e relativa ao RMS da imagem em relac a o a ` original, e para o eixo horizontal representa a iterac a o (considerou-se os dados at a a terceira iterac a o). Foi realizada uma normalizac a o com o intuito de comparar o desempenho do algoritmo no tratamento das duas imagens, bem como para tratar diferentes tipos de ru do (conforme exposto, o gaussiano e o impulsivo). Desta forma, o valor 0.5 representa uma reduc a o de 50% do RMS original. Ap os cada conjunto de gr acos e apresentada uma conclus ao parcial sobre o desempenho dos algoritmos. As conclus oes denitivas ser ao apresentadas no nal deste trabalho.

4. Gr acos

do RMS por tipo de ru Figure 6: Imagem chess - Filtro de Nagao - Comparac ao do

do RMS por Figure 7: Imagem chess - Filtro da vizinhanc a seletiva - Comparac ao tipo de ru do

do RMS por Figure 8: Imagem chess - Filtro da ordem k com k = 5 - Comparac ao tipo de ru do

Figure 9: Imagem chess - Filtro dos k vizinhos mais proximos com k = 6 do RMS por tipo de ru Comparac ao do

Conforme pode ser observado, todos os ltros trataram melhor o ru do impulsivo. Devido a ` abordadem utilizada pelos ltros n ao-lineares (buscar a m edia de uma regi ao pr e-determinada ou ent ao pegar o valor do meio como e o caso do ltro da mediana), o ru do impulsivo e realmente tratado mais ecientemente (isto se deve ao fato de que enquanto o ru do impulsivo insere valores limite na imagem (0 ou 255) o ru do gaussiano mistura os tons de cinza existentes). Para esta imagem, com os valores de erro especicados, o ltro que melhor tratou o ru do gaussiano foi o ltro dos k vizinhos mais pr oximos (que alcanc ou RMS = 9 e se manteve na faixa de 9 a 11 em todas as iterac o es). J a para o ru do impulsivo o ltro da ordem k (com k = 5, equivalente ao ltro da mediana) alcanc ou o menor valor de RMS (os RMSs obtidos foram 5, 8, 11, 14, 16). No entanto, o ltro dos k vizinhos mais pr oximos se manteve mais contante (RMS = 6, 7, 9, 10, 11), possuindo um RMS m nimo muito pr oximo ao do ltro de ordem k.

do RMS por tipo de Figure 10: Imagem circulo - Filtro dse Nagao - Comparac ao ru do

do RMS Figure 11: Imagem circulo - Filtro da vizinhanc a seletiva - Comparac ao por tipo de ru do

do RMS Figure 12: Imagem c rculo - Filtro da ordem k com k = 6 - Comparac ao por tipo de ru do

Figure 13: Imagem circulo - Filtro dos k vizinhos mais proximos com k = 6 do RMS por tipo de ru Comparac ao do

Observa-se que assim como para a imagem chess, os ltros foram mais ecientes no tratamento do ru do impulsivo. A justicativa dada e a mesma. Os ltros que apresentaram melhor desempenho para esta imagem foram o ltro de Nagao (com RMS m nimo = 5) para o ru do impulsivo, e o ltro da Vizinhanc a Seletiva (com RMS m nimo = 5) para o ru do gaussiano. O ltro que obteve o pior desempenho neste caso foi o da ordem k, sendo que embora tenha removido de maneira eciente o ru do, ocasionou uma grande deformac a o nas bordas do c rculo (para o caso do ru do gaussiano, o ltro chegou a alcanc ar o RMS inicial de 19 na d ecima iterac a o). Este u ltimo fato pode ser observado na Figura 35 (d) (p. 36) onde j a na quinta iterac a o o c rculo comec a a se tranformar em algo pr oximo de um hex agono. Agora, com o intuito de comparar como os ltros trataram o mesmo tipo de ru do para imagens diferentes, ser a apresentada uma comparac a o neste sentido.

do RMS entre duas Figure 14: Ru do gaussiano - Filtro de Nagao - Comparac ao imagens

do RMS entre duas Figure 15: Ru do impulsivo - Filtro de Nagao - Comparac ao imagens

do RMS Figure 16: Ru do gaussiano - Filtro da vizinhanc a seletiva - Comparac ao entre duas imagens

do RMS Figure 17: Ru do impulsivo - Filtro da vizinhanc a seletiva - Comparac ao entre duas imagens

do RMS Figure 18: Ru do gaussiano - Filtro da ordem k com k = 5 - Comparac ao entre duas imagens

do RMS Figure 19: Ru do impulsivo - Filtro da ordem k com k = 5 - Comparac ao entre duas imagens

Figure 20: Ru do gaussiano - Filtro dos k vizinhos mais pr oximos com k = 6 do RMS entre duas imagens Comparac ao

Figure 21: Ru do impulsivo - Filtro dos k vizinhos mais pr oximos com k = 6 do RMS entre duas imagens Comparac ao

Os ltros de forma geral foram mais ecientes para a imagem c rculo, o que j a era previsto. Isto porque por ser uma imagem sint etica, ela possui regi oes com tons de cinza muito pr oximos (ou at e mesmo iguais), fato este que aliado a ` s caracter sticas dos ltros implementados (trabalhar com os valores da vizinhanc a) tornava o resultado previs vel. Au nica excec a o foi o ltro da ordem k (conforme exposto, o valor utilizado para k foi 5, representando assim o ltro da mediana), obteve valores de RMS semelhantes para as duas imagens.

Figure 22: Imagem chess - Ru do gaussiano - Filtro de Nagao - RMS geral, RMS High e RMS Low

Figure 23: Imagem chess - Ru do impulsivo - Filtro de Nagao - RMS geral, RMS High e RMS Low

O ltro de Nagao apresentou um comportamento muito semelhante no tratamento dos dois tipos de ru do. Um fato interessante e que o RMS High (que representa as altas freq ue ncias) n ao diminui do seu valor inicial em nenhum caso (se mant em constante apenas na primeira iterac a o do ru do impulsivo). O RMS Low, por sua vez diminui de forma intensiva na primeira iterac a o e depois tende a car constante. Sendo assim, conclui-se que deve-se aplicar este ltro apenas uma vez, sendo que a partir da segunda iterac a o os tr es tipos de RMS tendem a crescer. Apresentou um RMS High melhor para o ru do gaussiano e um RMS Low melhor para o ru do impulsivo, o que leva a concluir que degrada menos as bordas quando est a tratando o ru do gaussiano. O RMS geral apresentou valores semelhantes para os dois tipos de ru do.

Figure 24: Imagem chess - Ru do gaussiano - Filtro da vizinhanc a seletiva - RMS geral, RMS High e RMS Low

Figure 25: Imagem chess - Ru do impulsivo - Filtro da vizinhanc a seletiva - RMS geral, RMS High e RMS Low

Este ltro apresentou basicamente o mesmo comportamento que o ltro de Nagao. O RMS geral, o RMS Low e o RMS High apresentaram seus menores valores na primeira iterac a o, levando a ` armac a o de que a realizac a o de mais de uma iterac a o n ao e aconselh avel (pelos mesmos motivos descritos no ltro anterior). Al em disso, tamb em degradou menos as bordas quando tratava o ru do gaussiano (apresentou valores menores de RMS High para o ru do gaussiano e valores menores de RMS Low para o ru do impulsivo). O RMS geral apresentou valores muito pr oximos.

Figure 26: Imagem chess - Ru do gaussiano - Filtro da ordem k com k = 5 - RMS geral, RMS High e RMS Low

Figure 27: Imagem chess - Ru do impulsivo - Filtro da ordem k com k = 5 - RMS geral, RMS High e RMS Low

O ltro da ordem k (representando o ltro da mediana devido ao valor de k) apresentou um resultado muito superior na ltragem da imagem com ru do impulsivo, comprovando a sucinta fundamentac a o te orica apresentada na subsec a o 2.2. No entanto, assim como nos dois ltros anteriores os menores ndices de RMS (para os tr es tipos) foram obtidos na primeira iterac a o.

Figure 28: Imagem chess - Ru do gaussiano - Filtro dos k vizinhos mais pr oximos com k = 6 - RMS geral, RMS High e RMS Low

Figure 29: Imagem chess - Ru do impulsivo - Filtro dos k vizinhos mais pr oximos com k = 6 - RMS geral, RMS High e RMS Low

Conforme pode-se constatar atrav es da observac a o do primeiro gr aco, quando trabalha com ru do gaussiano, o erro m edio quadr atico tende a se estabilizar, inclusive o RMS High. Isto leva a conrmar que a estrat egia de tentar selecionar apenas os elementos que pertencem ao mesmo objeto (ao inv es de fazer a m edia com todos os elementos da vizinhanc a como faz o ltro da m edia) realmente traz o resultado esperado (menos degradac a o de bordas). Mas isso desde que sejam escolhidos valores adequados do tamanho da janela e da quantidade de elementos (vizinhos) que ser ao inclu dos no c alculo. Foram utilizados os valores de k = 6 e a janela de dimens ao 3x3 devido ao fato de estes valores estarem sugeridos na literatura (como em Niblack(1986), por exemplo). Entretanto, quando se trabalha com ru do impulsivo o RMS tende a crescer ap os a primeira iterac a o.

5. Tabelas
A seguir ser ao apresentadas as tabelas com os dados obtidos a partir dos testes realizados. Como algumas destas tabelas foram convertidas em gr acos (apresentados anteriormente), ser ao discutidos apenas alguns dados. Aplicac a o NG 0 19 1 14 2 15 3 16 4 16 5 16 VS 19 12 14 15 15 16 OK KV 19 19 12 10 14 9 17 10 19 11 21 11

Table 6: Erro Medio Quadratico - Imagem chess - Ru do gaussiano

Aplicac a o NG 0 15 1 7 2 6 3 6 4 6 5 6

VS 15 6 6 6 6 6

OK VS 15 15 8 7 8 6 9 6 9 6 10 7

Table 7: Erro Medio Quadratico Low - Imagem chess - Ru do gaussiano

Aplicac a o NG 0 10 1 12 2 13 3 14 4 14 5 15

VS 10 10 12 14 14 14

OK VS 10 10 9 7 11 7 14 8 16 8 19 9

Table 8: Tabela x - Erro Medio Quadratico High - Imagem chess - Ru do gaussiano

Aplicac a o NG 0 23 1 13 2 15 3 15 4 16 5 16

VS 23 12 14 15 16 16

OK KV 23 23 5 6 8 7 11 9 14 10 16 11

Table 9: Erro Medio Quadratico - Imagem chess - Ru do Impulsivo

Aplicac a o NG 0 21 1 4 2 4 3 4 4 4 5 5

VS 21 4 4 4 5 5

OK VS 21 21 2 3 3 4 4 5 4 6 5 6

Table 10: Erro Medio Quadratico Low - Imagem chess - Ru do impulsivo

Aplicac a o NG 0 12 1 12 2 14 3 15 4 15 5 15

VS 12 11 13 14 15 15

OK VS 12 12 4 5 7 6 10 7 13 8 15 9

Table 11: Erro Medio Quadratico High - Imagem chess - Ru do impulsivo

Aplicac a o NG 0 19 1 8 2 6 3 6 4 6 5 6 6 6 7 6 8 6 9 6 10 6

VS 19 7 6 5 5 5 5 5 5 5 5

OK VS 19 19 11 9 12 7 13 7 14 7 15 7 16 7 17 7 17 7 18 7 19 7

Table 12: Erro Medio Quadratico - Imagem circulo - Ru do gaussiano

Aplicac a o NG 0 22 1 5 2 4 3 4 4 4 5 4 6 4 7 4 8 4 9 4 10 4

VS 22 5 5 5 5 5 5 5 5 5 5

OK VS 22 22 6 5 7 5 9 5 10 5 11 5 12 5 13 5 14 5 14 5 15 5

Table 13: Erro Medio Quadratico - Imagem circulo - Ru do gaussiano

Iterac a o 0 1 2 3 4 5 6 7 8 9

VS 19 8 5 5 5 5 5 5 5 5

NG OK 19 19 7 8 5 6 4 5 4 5 4 4 4 4 4 4 4 3 4 3

KV 19 8 6 5 5 4 4 4 3 3

Table 14: Imagem circulo - desvio padrao - ru do gaussiano

Iterac a o 0 1 2 3 4 5 6 7 8 9

VS 26 3 0 0 0 0 0 0 0 0

NG OK 26 26 3 2 1 2 1 2 0 2 0 1 0 1 1 1 0 1 0 1

KV 26 2 0 0 1 0 0 0 0 0

Table 15: Imagem circulo - desvio padrao - ru do impulsivo

Conforme exposto anteriormente, o desvio padr ao deve ser utilizado em a reas homog eneas da imagem. Sendo assim, os valores de desvio padr ao s ao referentes a ` apenas uma a rea da gura (neste caso, uma a rea de dimens ao 32X32 com in cio nas coordenadas 50,50), n ao envolvendo bordas. Pelos dados obtidos, percebe-se novamente a maior ec acia dos ltros em relac a o ao tratamento de ru do impulsivo, sendo que praticamente todos os ltros obtiveram o valor de desvio padr ao igual a zero. importante ressaltar que o desvio padr E ao tem como intenc a o medir o poder de eliminac a o dos elementos que s ao ru do, n ao considerando o efeito do ltro sobre as bordas. Esta observac a o ca clara quando observa-se a Figura 35(d)(p. 36), que embora tenha resultado em um desvio padr ao igual a 1, trasformou o c rculo em um hex agono ( e um caso extremo... os outros ltros n ao tiveram este efeito).

N vel do ru do Tamanho da janela 10 3

11

25

11

55

11

70

11

100

11

K RMS 4 7 6 6 8 9 10 8 25 8 40 11 10 8 60 9 110 22 4 15 6 11 8 12 10 19 25 14 40 13 10 20 60 14 110 22 4 30 6 22 8 20 10 39 25 28 40 19 10 42 60 30 110 24 4 36 6 26 8 24 10 48 25 35 40 21 10 51 60 37 110 26 4 48 6 35 8 33 10 64 25 47 40 27 10 68 60 49 110 30

Table 16: Erro Medio Quadratico - Imagem chess - Diferentes n veis de ru do gaussiano - Filtro K Vizinhos

N vel do ru do Tamanho da janela 1,1 3

11

6,4

11

20,15

11

20,20

11

30,40

11

K RMS 4 6 6 5 8 10 10 7 25 8 40 12 10 7 60 10 110 22 4 7 6 6 8 13 10 11 25 10 40 12 10 16 60 12 110 23 4 16 6 13 8 23 10 29 25 18 40 16 10 40 60 22 110 25 4 21 6 17 8 26 10 37 25 22 40 18 10 47 60 26 110 27 4 38 6 30 8 37 10 60 25 36 40 27 10 70 60 40 110 33

Table 17: Erro Medio Quadratico - Imagem chess - Diferentes n veis de ru do impulsivo - Filtro K Vizinhos

N vel do ru do Tamanho da janela 10 3

11

25

11

55

11

70

11

100

11

K RMS 4 6 6 20 8 32 6 47 20 18 45 54 10 64 60 16 110 66 4 11 6 24 8 48 6 51 20 18 45 63 10 70 60 18 110 72 4 22 6 41 8 84 6 66 20 23 45 91 10 81 60 24 110 93 4 27 6 49 8 99 6 71 20 26 45 104 10 87 60 26 110 105 4 37 6 66 8 126 6 85 20 31 45 128 10 99 60 28 110 127

Table 18: Erro Medio Quadratico - Imagem chess - Diferentes n veis de ru do gaussiano - Filtro Ordem k

N vel do ru do Tamanho da janela 1,1 3

11

6,4

11

20,15

11

20,20

11

100

11

K RMS 4 4 6 20 8 27 6 48 20 20 45 52 10 64 60 16 110 65 4 5 6 20 8 35 6 49 20 21 45 52 10 66 60 16 110 65 4 10 6 19 8 83 6 78 20 24 45 61 10 106 60 21 110 67 4 13 6 19 8 92 6 94 20 27 45 70 10 110 60 24 110 68 4 28 6 37 8 128 6 112 20 35 45 136 10 111 60 30 110 123

Table 19: Erro Medio Quadratico - Imagem chess - Diferentes n veis de ru do impulsivo - Filtro Ordem k

N vel do ru do ( 10 25 55 70 100

) NG 11 15 25 29 36

VS 12 13 21 24 30

Table 20: Erro Medio Quadratico - Imagem chess - Diferentes n veis de ru do gaussiano

N vel do ru do NG VS 1,1 11 10 6,4 13 12 20,15 19 19 20,20 22 22 30,40 32 31


Table 21: Erro Medio Quadratico - Imagem chess - Diferentes n veis de ru do impulsivo

A seguir ser ao apresentados as conclus oes obtidas da an alise do comportamento dos ltros para diferentes tipos de ru do e tamb em utilizando diferentes par ametros no caso espec co dos ltros dos k vizinhos mais pr oximos e da ordem k. Foi realizada apenas uma iterac a o para cada tipo de ltro. importante ressaltar que para estes par E ametros foi calculado apenas o RMS geral e apenas para a imagem chess. Os dados das tabelas 16 a 21 indicam os seguintes itens:

o rudo impulsivo e tratado de maneira mais ecaz em todos os casos; nos ltros de Nagao e da vizinhanc a seletiva quanto maior o n vel de ru do maior

o RMS calculado. Isto era um resultado previs vel, sendo que o tamanho da janela continua sendo o mesmo para todos os casos (isto e , como o u nico par ametro alterado e o n vel do erro, o RMS tende a ser maior); para o ltro de ordem k, o k- esimo elemento que melhor apresentou resultados em todos os casos e o elemento do meio, representando desta forma o ltro da mediana. Isto porque o princ pio de funcionamento do ltro da mediana realmente representa a melhor escolha de k, sendo e muito pouco prov avel que um ru do seja selecionado para substituic a o do pixel central. Esta caracter stica foi abordada sucintamente na sec a o 2.2; no ltro de ordem k, quando o tamanho da janela e o n vel de ru do aumentam, o RMS tende a car com valores mais baixos. No entanto a quantidade de c alculos realizada e muito superior. Desta forma, embora o RMS obtido seja menor, vale a pena utilizar tamanhos maiores de janela apenas se a aplicac a o exigir o melhor desempenho poss vel (como, por exemplo, em uma aplicac a o que busca identicar c elulas com anomalias em imagens m edicas); o ltro dos k vizinhos mais pr oximos n ao apresentou um comportamento padr ao de tal forma que se possa armar o valor de k para tamanhos de janela maiores que tr es (considerando que para janelas de dimens ao 3x3 o valor de k sugerido pela literatura e 6). No entanto, observou-se que quanto maior o tamanho das janelas,

maior foi o valor do RMS (em praticamente todos os casos). Prefere-se no entanto n ao armar nada de forma geral (sendo que para tal seriam necess arios estudos mais aprofundados), mas sim apenas que para a imagem chess, com os valores de ru do determinados, n ao se justicaria a adoc a o de um tamanho de janela maior que 3x3. Al em do valor do RMS ser crescente, a quantidade de c alculos tamb em e superior.

o dos ltros 6. Imagens ap os a aplicac a


Embora tenham sido geradas uma grande quantidade de imagens, optou-se por apresentar apenas algumas delas. Para a imagem chess, para a qual foram realizadas cinco iterac o es de cada ltro, ser ao apresentadas as imagens resultantes da primeira e segunda iterac o es. Mesmo que os dados n ao estejam presentes nas tabelas anteriores, optou-se por mostrar as imagens geradas pelo ltro da ordem k com k igual a 2 e k igual a 8, representando as operac o es de eros ao e dilatac a o, respectivamente, com o intuito de vecar visualmente o efeito destas ltragens. As Figuras 30 e 31 apresentam, respectivamente, a primeira e segunda iterac a o para a ltragem da imagem com ru do gaussiano, e as Figuras 32 e 33 a primeira e segunda iterac a o para ltragem da imagem com ru do impulsivo. Para a imagem c rculo foram realizadas dez iterac o es, e optou-se por mostrar as imagens resultantes ap os a primeira e quinta iterac o es. As Figuras (34 e 35) e (36 e 37) apresentam a primeira e quinta iterac a o dos ltros para as imagens com ru do gaussiano e impulsivo, respectivamente.

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

(i)

Figure 30: Imagem chess - (a)Ru do Gaussiano, (b)Vizinhanc a seletiva, (c)Nagao, (d)Ordem k (k = 2, 5 e 8 ) e (e)K vizinhos (k = 4, 6, e 8). Primeira aplicac ao

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

(i)

Figure 31: Imagem chess - (a)Ru do Gaussiano, (b)Vizinhanc a seletiva, (c)Nagao, (d)Ordem k (k = 2, 5 e 8 ) e (e)K vizinhos (k = 4, 6, e 8). Segunda aplicac ao

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

(i)

Figure 32: Imagem chess - (a)Ru do Impulsivo, (b)Vizinhanc a seletiva, (c)Nagao, (d)Ordem k (k = 2, 5 e 8 ) e (e)K vizinhos (k = 4, 6, e 8). Primeira aplicac ao

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

(i)

Figure 33: Imagem chess - (a)Ru do Impulsivo, (b)Vizinhanc a seletiva, (c)Nagao, (d)Ordem k (k = 2, 5 e 8 ) e (e)K vizinhos (k = 4, 6, e 8). Segunda aplicac ao

(a)

(b)

(c)

(d)

(g)

Figure 34: Imagem circulo - (a)Ru do Gaussiano, (b)Vizinhanc a seletiva, (c)Nagao, (d)Ordem k (k = 5) e (e)K vizinhos (k = 6). Primeira aplicac ao

(a)

(b)

(c)

(d)

(g)

Figure 35: Imagem circulo - (a)Ru do Gaussiano, (b)Vizinhanc a seletiva, (c)Nagao, (d)Ordem k (k = 5) e (e)K vizinhos (k = 6). Quinta aplicac ao

(a)

(b)

(c)

(d)

(g)

Figure 36: Imagem circulo - (a)Ru do Impulsivo, (b)Vizinhanc a seletiva, (c)Nagao, (d)Ordem k (k = 5) e (e)K vizinhos (k = 6). Primeira aplicac ao

(a)

(b)

(c)

(d)

(g)

Figure 37: Imagem circulo - (a)Ru do Impulsivo, (b)Vizinhanc a seletiva, (c)Nagao, (d)Ordem k (k = 5) e (e)K vizinhos (k = 6). Quinta aplicac ao

es sobre a implementac o 7. Considerac o a


Tendo em vista que a exposic a o de cada um dos c odigos-fonte tornaria-se muito extensa, optou-se por apresentar uma esp ecie de algoritmo com os principais passos realizados. Os c odigos-fonte est ao disponibilizados em anexo, e est ao devidamente comentados. O primeiro algoritmo discutido ser a o ltro da vizinhanc a seletiva: vizinhancaSeletiva(imagemEntrada, imagemSaida) imprimir informacoesImagem na imagemEntrada encontrar janela 5x5 na janela 5x5 encontrar subjanelas 3x3 calcular vari ancias das subjanelas na imagemSaida pixel central = m edia da subjanela com menor vari ancia nagao(imagemEntrada, imagemSaida) imprimir informacoesImagem na imagemEntrada encontrar janela 5x5 na janela 5x5 encontrar 9 subjanelas 3x3 calcular vari ancia da subjanela central excluir pontos (para formar os hex agonos e os pent agonos) calcular vari ancias da subjanelas sem os pontos exclu dos na imagemSaida pixel central = m edia da subjanela com menor vari ancia

ordemK(imagemEntrada, imagemSaida, tamanhoJanela, k- esimoElemento) imprimir informacoesImagem na imagemEntrada encontrar janela de dimens ao tamanhoJanela na janela de dimens ao tamanhoJanela ordenar os elementos em ordem crescente na imagemSaida pixel central = k- esimoElemento da lista ordenada kvizinhos(imagemEntrada, imagemSaida, tamanhoJanela, qtdeElementosSelecionar) imprimir informacoesImagem na imagemEntrada encontrar janela de dimens ao tamanhoJanela encontrar os k elementos mais pr oximos do elemento central calcular a m edia dos k elementos selecionados na imagemSaida substituir o pixel central pela m edia dos k elementos selecionados rms(imagemEntrada, imagemProcessada, tamanhoJanela) imprimir informacoesImagem somar a diferenc a entre cada pixel da imagemEntrada em relac ao ` a imagemProcessada, exceto as bordas (calculadas atrav es do tamanho da janela) calcular o erro ra z m edia quadr atica imprimir valor rms rms2(imagemEntrada, imagemProcessada, imagemBinaria tamanhoJanela) imprimir informacoesImagem se valor no ponto da imagem bin aria e diferente de zero somar a diferenc a entre cada pixel da imagemEntrada em relac ao ` a imagemProcessada, exceto as bordas (calculadas atrav es do tamanho da janela) calcular o erro ra z m edia quadr atica imprimir valor rms

desvioP(imagemEntrada) imprimir informacoesImagem na imagem selecionar janela de dimensao 32x32 iniciando nas coordenadas (50,50) calcular o desvio padr ao desta janela imprimir valor do desvio padr ao prewitt2(imagemEntrada, imagemSaida) imprimir informacoesImagem na imagem definir operador para a vertical definir operador para a horizontal aplicar operadores na imagem somar a sa da da aplicac ao dos operadores se a soma for maior que um limiar ponto recebe valor 255 senao ponto recebe valor 0 gravar imagemSaida

8. Conclus oes
Durante a apresentac a o dos dados, tanto em forma de gr acos quanto de tabelas, os principais resultados j a foram abordados. Desta forma, esta conclus ao se limitar a a apresentar uma s ntese destas conclus oes parciais. Um dos fatos observados e que todos os ltros trataram mais ecientemente o ru do do tipo impulsivo. Acredita-se que isto se deve a dois itens principais: a caracter stica do ru do e a caracter stica do funcionamento dos ltros espaciais n ao-lineares. Isto porque ao mesmo tempo que o ru do impulsivo insere valores limite em pixels da imagem, os ltros n ao-lineares buscam encontrar um valor que tenha uma certa relac a o de homogeneidade (m edia dos elementos da vizinhanc a, por exemplo) para substituir o valor do pixel central. E e de fato muito pouco prov avel que um valor ru do atenda a este requisito. De acordo com J ahne (1993), os ltros lineares e que s ao mais ecientes no tratamento do ru do gaussiano (pois que estes ltros n ao eliminam pixels que tiveram seus valores distorcidos, que e o que ocorre com o ru do impulsivo). Os ltros de forma geral foram mais ecientes para a imagem c rculo, do que para a imagem chess, o que j a era previsto. Isto porque por ser uma imagem sint etica, ela possui regi oes com tons de cinza muito pr oximos (ou at e mesmo iguais), fato este que aliado a `s caracter sticas dos ltros implementados tornava o resultado previs vel. A u nica excec a o foi o ltro da ordem k, o qual obteve valores de RMS semelhantes para as duas imagens. Em relac a o ao RMS (geral, High e Low), observou-se que em praticamente todos casos os ltros obtiveram o valor m nimo j a na primeira iterac a o. Na aplicac a o iterativa dos ltros, o principal contribuinte para o RMS geral foi o RMS High, que refere-se ao erro em relac a o a ` s regi oes de alta freq ue ncia. Isto leva a concluir que mesmo degradando menos as bordas que os ltros lineares, os ltros n ao-lineares apresentam como diculdade a preservac a o de bordas. No entanto, e fato que alguns algoritmos apresentaram um o timo desempenho na reduc a o do ru do e ao mesmo tempo na preservac a o das bordas, como foi o caso dos algoritmos da ordem k e dos k vizinhos mais pr oximos no tratamento do ru do impulsivo na imagem chess (obtiveram um RMS High m nimo de 4 e 5, respectivamente). O c alculo do desvio padr ao em uma amostra da imagem c rculo demonstrou novamente a maior ec acia dos ltros no tratamento do ru do impulsivo, sendo que todos os ltros alcanc aram o desvio padr ao igual a zero (exceto o da ordem k que atingiu desvio padr ao m nimo de um). Ressalta-se, no entanto, que as bordas n ao foram consideradas nesta an alise espec ca. Nos testes realizados com diferentes par ametros (n veis de ru do, tamanho da janela e valor de k, quando poss vel) as duas principais conclus oes obtidas foram:

para o ltro de ordem k, o k- esimo elemento que melhor apresentou resultados

em todos os casos e o elemento do meio, representando desta forma o ltro da mediana; no ltro de ordem k, quando o tamanho da janela e o n vel de ru do aumentam, o RMS tende a car com valores mais baixos. No entanto a quantidade de c alculos realizada e muito superior. E necess ario uma avaliac a o da aplicac a o em quest ao para decidir se o custo computacional vale a pena; o ltro dos k vizinhos mais pr oximos n ao apresentou um comportamento padr ao de tal forma que se possa determinar o valor de k (para janelas com dimens ao

maior que 3x3); no entanto, observou-se que quanto maior o tamanho das janelas, maior foi o valor do RMS (em praticamente todos os casos). Prefere-se no entanto n ao armar nada de forma geral (sendo que como n ao foi encontrado material referente ao assunto na literatura, seriam necess arios estudos mais aprofundados para a conclus ao), mas sim apenas que para a imagem chess, com os valores de ru do determinados, n ao se justicaria a adoc a o de um tamanho de janela maior que 3x3. Al em do valor do RMS ser crescente, a quantidade de c alculos tamb em e superior.

Finalmente, com base nos testes realizados, pode-se armar que:

para a imagem chess, o ltro que melhor tratou o rudo gaussiano foi o dos k

vizinhos mais pr oximos. Para o ru do impulsivo, o ltro da ordem k atingiu o menor RMS (5), por em durante as aplicac o es iterativas o ltro dos k vizinhos mais pr oximos se apresentou mais constante (enquanto este u ltimo apresentou um RMS de 11 na quinta iterac a o, o primeiro apresentou RMS igual a 16). As mesmas classicac o es foram apresentadas na an alise do RMS High; na imagem c rculo, o ru do gaussiano foi tratado mais ecientemente pelo ltro da vizinhanc a seletiva. Entretanto, os algoritmos de Nagao e dos k vizinhos mais pr oximos tiveram um RMS muito semelhante ao primeiro (vizinhanc a seletiva cou com RMS em torno de 5, Nagao em torno de 6 e k vizinhos em torno de 7). Em relac a o ao ru do impulsivo, o ltro de Nagao cou com RMS em 4 (exceto na primeira aplicac a o que cou com 5), o da ordem k em 5 (todos os casos) e o dos k vizinhos entre 5 e 6. Embora o ltro de Nagao seja o melhor classicado, e importante analisar que os outros dois foram pr oximos a ele.

importante ressaltar que as conclus E oes deste trabalho foram baseadas quando poss vel na literatura dispon vel. No demais, baseou-se nos testes realizados com as duas imagens especicadas. Neste u ltimo caso, as conlus oes poderiam em casos espec cos ser diferentes, como por exemplo, se fossem escolhidas outras imagens para teste.

9. Refer encias
ARECO, Eduardo Roberto. Comparac a o de Algoritmos de Suavizac a o Espacial utilizando o ambiente KHOROS. Dispon vel em www.npdi.dcc.ufmg.br/orientacoes/mestrado/dissertacao.pdf BRITTO, Alceu de Souza; et. al. . T ecnicas em processamento e an alise de documentos manuscritos. Dispon vel em ... EKSTROM, Michael P.Digital Image Processing Techniques. Orlando. Academic Press:1984. GONZALEZ, Rafael C; WOODS, Richard E. Processamento de imagens Digitais. S ao Paulo. Edgard Blucher: 2000. HUNG, Robin; YARKHAN, Asim. Parallel Processing for Multispectral Image Smoothing Filters. Dispon vel em http://wwwjics.cs.utk.edu/research/hung.html JAHNE, Bernd. Digital Image Processing: concepts, algorithms and scientic applications. Berlim. Springer-Verlag: 1993. LINDLEY, Craig A.. Practical Image Processing in C. John Wiley & Sons:1991. NIBLACK, Wayne. An Introduction to Digital Image Processing. Prentice Hall: 1986 PRATT, Wlliam K. Digital Image Processing. New York. John Wiley & Sons[6]: 1991. QUENOT G.; COUTELLE C.; SEROT J.; ZAVIDOVIQUE C. Implementing Image Processing Application on a Real-Time Architecture. Dispon vel em wwwclips.imag.fr/mrim/georges.quenot/ articles/camp93.ps The Cooper Union. Median and Rank-Order Filters . EE000 MATLAB Seminar23, Marc o de 2004. Dispon vel em http://www.ee.cooper.edu/courses/course pages/Current/EE000/lecturenotes/week08.pdf Non-Linear Filters. Dispon vel em http://www.s2.chalmers.se/undergraduate/courses/ess060/PDFdocuments/ForPrinter/Notes/NonLinearFilters.pdf