OTVIO DA FONSECA MARTINS GOMES

Processamento e Anlise de Imagens Aplicados

Caracterizao Automtica de Materiais





Dissertao apresentada ao Departamento de
Cincia de Materiais e Metalurgia da PUC/Rio
como parte dos requisitos para a obteno do
ttulo de Mestre em Cincias da Engenharia
Metalrgica.


Orientador: Sidnei Paciornik

















Departamento de Cincia de Materiais e Metalurgia

Pontifcia Universidade Catlica do Rio de Janeiro


Rio de Janeiro, 25 de setembro de 2001




Agradecimentos


Ao meu orientador, Prof. Sidnei Paciornik, que, alm de brilhante cientista,
tornou-se um estimado amigo e demonstrou muita calma e tranqilidade no
decorrer deste trabalho.
A todo pessoal do Departamento de Cincia de Materiais e Metalurgia
(DCMM) da PUC-Rio.
A toda equipe do nosso Laboratrio de Processamento Digital de Imagens
(LPDI).
minha eterna chefinha, Yannick Nouailhetas, pela permisso de vo
concedida.
Aos velhos amigos da UFRJ, CETEM e CNEN e a todos os novos amigos da
PUC-Rio, em especial a Guilherme Lcio Abelha Mota e Conrado de Souza
Rodrigues, que contriburam para este trabalho.
Ao Image, que, literalmente, se ferrou sozinho pra me proteger, sem o qual este
trabalho no teria sido concludo, pelo menos no por mim.
Technical Ship Engenharia, na pessoa do meu pai, pelo apoio financeiro para
a impresso deste trabalho.
FINEP/MCT, atravs do Programa Recope, e Carl Zeiss do Brasil, pelo
apoio financeiro ao LPDI.

RESUMO
A presente dissertao consiste no estudo de trs casos de caracterizao automtica de
materiais, atravs do emprego de tcnicas de Processamento e Anlise Digital de Imagens
(PADI). Cada caso envolve uma escala diferente (milimtrica, micromtrica e nanomtrica) e
apresenta complexidade em um diferente aspecto de PADI. Deste modo, juntos, estes trs casos
oferecem um panorama abrangente das tcnicas de PADI, assim como de sua aplicao na
caracterizao de materiais.
O primeiro caso (Anlise da Mesoestrutura de Bambus) tem a segmentao como etapa
crtica. Um procedimento, que, primeira vista, parece fcil, demanda uma complexa rotina
recursiva para agrupar regies de esclernquima a fim de reconstruir os conjuntos vasculares.
Contudo, feita a segmentao, a classificao dos conjuntos simples. Amostras de indivduos
diferentes, de mesmas espcies de bambu, apresentaram grande semelhana nas classes dos
conjuntos vasculares predominantes em cada camada do colmo.
J no segundo caso (Classificao Automtica de Grafita em Ferros Fundidos), a
seqncia de PADI substancialmente mais simples. Entretanto, este em um problema de
caracterizao por forma e sua maior dificuldade reside na escolha dos atributos descritores da
forma das partculas de grafita, sendo realizado um extenso estudo para isto. Como resultado,
obteve-se taxas de acerto na classificao prximas a 100%.
O terceiro caso (Anlise Nano-estrutural de um Compsito Resina-Grafite) apresenta
uma abordagem diferente. No h etapa de segmentao e as medidas so feitas diretamente
sobre as imagens originais do material. A caracterizao feita a partir da textura das imagens
(parmetros de Haralick). Os resultados obtidos confirmam a hiptese de que, no processo de
fabricao, as nano-partculas de grafite esto sendo erodidas, gerando uma significativa
quantidade de camadas de carbono dispersas na matriz de resina, o que justifica variaes das
propriedades dieltricas relatadas na literatura.
ABSTRACT
The present dissertation consists of three case studies in automatic materials
characterization through the use of Digital Image Processing and Analysis (DIPA). Each case
involves a different scale (millimeters, microns and nanometers) and presents complexity in a
different aspect of the DIPA sequence. Thus, together, the three case studies cover a broad range
of DIPA techniques and their application to materials characterization.
The first case (Analysis of the Mesostructure of Bamboos) has the segmentation as
critical step. Although simple at first sight, the procedure requires a complex recursive procedure
to cluster sclerenchyma regions to reconstruct the vascular bundles. However, once the
segmentation is successful, the classification of vascular bundles is simple. Samples of different
plants belonging to the same species showed great similarity in the prevailing classes of vascular
bundles in each layer of the culms.
In the second case study (Automatic Classification of Graphite in Cast Iron), the DIPA
sequence is substantially simpler. Nevertheless, this is a shape characterization problem and its
greatest difficulty resides in the choice of appropriate shape parameters to describe the graphite
particles. This required an extensive study. As a result, classification rates close to 100% were
achieved.
The third case study (Nanostructural Analysis of a Resin-Graphite Composite) uses a
different approach. There is no segmentation step and the measurements are made directly on the
original images. The characterization is based on image texture (Haralick parameters). The
results confirm the hypothesis that during the manufacture of the composite material, graphite
nano-particles are eroded leading to a substantial amount of carbon layers dispersed in the resin
matrix. This is compatible with variations in the dieletric properties of the material reported in
the literature.

III

SUMRIO
1 INTRODUO.......................................................................................... 1
2 PROCESSAMENTO E ANLISE DIGITAL DE IMAGENS ................ 4
2.1 Aquisio da imagem...................................................................................................... 8
2.2 Imagem digital ................................................................................................................ 9
2.2.1 Resoluo e Profundidade ..................................................................................... 9
2.2.2 Brilho e Contraste ............................................................................................... 11
2.2.3 Histograma.......................................................................................................... 12
2.3 Pr-processamento......................................................................................................... 14
2.3.1 Operaes Pontuais ............................................................................................. 16
2.3.1.1 Mapeamento linear ................................................................................. 17
2.3.1.2 Mapeamento no-linear .......................................................................... 24
2.3.1.3 Operaes sobre o histograma ................................................................ 26
2.3.2 Operaes entre imagens..................................................................................... 30
2.3.3 Operaes Locais ................................................................................................ 31
2.3.4 Operaes Geomtricas....................................................................................... 38
2.4 Segmentao ................................................................................................................. 39
2.4.1 Limiarizao ....................................................................................................... 40
2.4.2 Segmentao por contornos................................................................................. 45
2.5 Ps-processamento........................................................................................................ 46
2.5.1 Operaes Lgicas .............................................................................................. 47
2.5.2 Operaes Morfolgicas...................................................................................... 49
2.5.3 Separao de objetos que se tocam...................................................................... 59
2.6 Extrao de Atributos .................................................................................................... 60
2.6.1 Medidas de Campo.............................................................................................. 61
2.6.1.1 Contagem de Objetos ............................................................................. 61
2.6.1.2 rea ....................................................................................................... 62
2.6.1.3 Interceptos e Intersees......................................................................... 62
2.6.1.4 Intensidade ............................................................................................. 63
2.6.1.5 Textura................................................................................................... 64
2.6.2 Medidas de Regio.............................................................................................. 70
2.6.2.1 Tamanho ................................................................................................ 70
2.6.2.2 Forma..................................................................................................... 72
2.6.2.3 Posio................................................................................................... 79
2.6.2.4 Intensidade ............................................................................................. 80
2.6.2.5 Textura................................................................................................... 80
2.7 Reconhecimento de Padres e Classificao .................................................................. 81
2.7.1 Classificao Supervisionada .............................................................................. 82
2.7.1.1 Conjunto de treinamento......................................................................... 83
2.7.1.2 Conjunto de caractersticas ..................................................................... 83
2.7.1.3 Classificador .......................................................................................... 84
2.7.1.4 Etapas da classificao supervisionada ................................................... 85

IV

3 ANLISE DA MESOESTRUTURA DE BAMBUS............................... 86
3.1 Introduo ..................................................................................................................... 86
3.2 Mtodos Experimentais ................................................................................................. 90
3.2.1 Treinamento e Validao..................................................................................... 90
3.2.2 Classificao....................................................................................................... 91
3.2.2.1 Segmentao do bambu.......................................................................... 92
3.2.2.2 Escamao do bambu ............................................................................. 96
3.2.2.3 Segmentao dos conjuntos vasculares ................................................... 98
3.2.2.4 Segmentao das regies de esclernquima .......................................... 101
3.2.2.5 Extrao dos atributos .......................................................................... 103
3.2.2.6 Classificao ........................................................................................ 105
3.3 Resultados e Discusses .............................................................................................. 105
4 CLASSIFICAO AUTOMTICA DE GRAFITA EM FERROS
FUNDIDOS............................................................................................. 111
4.1 Introduo ................................................................................................................... 111
4.2 Mtodos Experimentais ............................................................................................... 114
4.2.1 Treinamento e Validao................................................................................... 114
4.2.2 Classificao..................................................................................................... 117
4.3 Resultados e Discusses .............................................................................................. 118
5 ANLISE NANO-ESTRUTURAL DE UM COMPSITO RESINA-
GRAFITE................................................................................................ 129
5.1 Introduo ................................................................................................................... 129
5.2 Mtodos Experimentais ............................................................................................... 131
5.3 Resultados e Discusses .............................................................................................. 134
6 CONCLUSES....................................................................................... 138


V

LISTA DE ILUSTRAES

Figura 1. Seqncia padro de PADI...................................................................................... 5
Figura 2. Um exemplo de problema de PADI: (a) imagem original; (b) imagem das partculas
de grafita (regies); (c) rea de cada partcula; e (d) distribuio das reas. ........... 7
Figura 3. Imagem digital. ....................................................................................................... 8
Figura 4. Resoluo e profundidade. .................................................................................... 10
Figura 5. Brilho e contraste. ................................................................................................. 14
Figura 6. Operao de negativo: (a) funo de mapeamento; (b) imagem original; (c) imagem
negativo; (d) histograma da imagem original; e (e) histograma do negativo......... 18
Figura 7. Exemplo de operao de Normalizao para expanso do contraste....................... 20
Figura 8. Funes de mapeamento logartmica (a) e exponencial (b). ................................... 24
Figura 9. Exemplo de funo de mapeamento linear por partes. ........................................... 25
Figura 10. Equalizao do histograma: (a) imagem original com seu histograma; e (b) imagem
com seu histograma equalizado. .......................................................................... 27
Figura 11. Operaes entre imagens. .................................................................................... 30
Figura 12. Operaes locais. ................................................................................................ 31
Figura 13. Filtros passa-baixa 3x3: (a) mdia; (b) gaussiana. ................................................ 33
Figura 14. Correo de iluminao irregular: (a) imagem original; (b) fundo calculado; e (c)
imagem com iluminao corrigida....................................................................... 35
Figura 15. Filtros passa-alta 3x3: (a) passa-alta bsico; (b) alto reforo. ............................... 35
Figura 16. Operadores cruzados de gradiente de Roberts. ..................................................... 37
Figura 17. Filtro laplaciano 3x3............................................................................................ 38
Figura 18. Operaes geomtricas. ....................................................................................... 39
Figura 19. Exemplo de segmentao: (a) imagem em 256 tons de cinza; (b) imagem binria.
........................................................................................................................... 40
Figura 20. Exemplo de limiarizao bi-modal: (a) imagem original; (b) tom de corte; (c)
imagem binria. .................................................................................................. 41
Figura 21. Exemplo de limiarizao tetra-modal: (a) imagem em 256 tons de cinza; (b) tons
de corte; (c) imagem quaternria. ........................................................................ 42
Figura 22. Comparao entre mtodos limiarizao automtica: (a) imagem em 256 tons de
cinza; (b) corte no ponto de mnimo; (c) corte pelo mtodo de Otsu; (d) imagem
segmentada pelo mtodo dos mnimos; e (e) imagem segmentada pelo mtodo de
Otsu. ................................................................................................................... 44
Figura 23. Comparao entre a segmentao de Otsu e a limiarizao adaptativa: (a) imagem
em 256 tons de cinza; (b) imagem da segmentao de Otsu; e (c) imagem da
limiarizao adaptativa. ....................................................................................... 45
Figura 24. Exemplo de segmentao conjunta por limiarizao e Marr-Hildreth: (a) imagem
em tons de cinza; (b) imagem da limiarizao; (c) imagem da segmentao de
Marr-Hildreth; e (d) interseo entre as imagens (b) e (c). ................................... 46
Figura 25. Operaes lgicas bsicas (NOT, AND e OR)..................................................... 48
Figura 26. Operao lgica XOR. ........................................................................................ 49
Figura 27. Eroso e dilatao. .............................................................................................. 50
Figura 28. Elementos estruturantes 3x3: (a) conectividade 4; (b) conectividade 8................. 51
Figura 29. Extrao de bordas. ............................................................................................. 51
Figura 30. Preenchimento de buracos (hole filling)............................................................... 52
Figura 31. Eliminao de objetos que tocam na borda da imagem (border object killing). .... 52
Figura 32. Extrao de objetos marcados (object marking). .................................................. 53

VI

Figura 33. Eliminao de objetos por rea (scrapping). ........................................................ 53
Figura 34. Comparao entre as operaes de propagao com elemento estruturante
(conectividade 4) e EDM..................................................................................... 54
Figura 35. Mapa de Distncias Euclidianas (EDM). ............................................................. 55
Figura 36. Eroso e dilatao a partir do EDM: (a) imagem binria inicial; (b) complemento
da imagem binria inicial; (c) EDM (com look-up table); (d) EDM do
complemento (com look-up table); (e) eroso (10 passos); e (f) dilatao (10
passos). ............................................................................................................... 56
Figura 37. Abertura e fechamento: (a) imagem binria inicial; (b) abertura (10 passos); e (c)
fechamento (10 passos). ...................................................................................... 57
Figura 38. Eroso derradeira e transformada do eixo medial: (a) imagem binria inicial; (b)
eroso derradeira; e (c) transformada do eixo medial. .......................................... 58
Figura 39. Dilatao derradeira e dilatao derradeira com barreiras: (a) imagem binria
inicial; (b) dilatao derradeira; e (c) dilatao derradeira com barreiras.............. 58
Figura 40. Mtodo dos divisores de guas (watersheds): (a) imagem binria inicial; e (b)
imagem binria com objetos separados................................................................ 59
Figura 41. Conectividade. .................................................................................................... 61
Figura 42. Exemplo de possvel erro de contagem de objetos devido conectividade. .......... 62
Figura 43. (a) interceptos e (b) intersees. .......................................................................... 63
Figura 44. Vetor d................................................................................................................ 67
Figura 45. Objeto exemplo para ilustrar as medidas de tamanho........................................... 70
Figura 46. Medidas de rea: (a) rea; (b) rea preenchida; e (c) rea convexa. ...................... 70
Figura 47. Medidas de permetro: (a) permetro; (b) permetro preenchido; e (c) permetro
convexo. ............................................................................................................. 71
Figura 48. Ferets: (a) feret mnimo; (b) feret mximo; e (c) feret ortogonal ao mximo........ 72
Figura 49. Width. ................................................................................................................. 72
Figura 50. Comparao de fatores adimensionais de forma. ................................................. 77
Figura 51. Assinatura seqencial de contorno....................................................................... 79
Figura 52. Medidas de posio. ............................................................................................ 79
Figura 53. Classificao supervisionada. .............................................................................. 82
Figura 54. Classificao no-supervisionada. ....................................................................... 82
Figura 55. Caractersticas anatmicas do bambu usadas para sua classificao. .................... 87
Figura 56. Seo reta de um colmo de bambu a olho nu (a) e numa lupa (b). ........................ 88
Figura 57. Detalhes da estrutura dos bambus. ....................................................................... 88
Figura 58. Classes de conjuntos vasculares........................................................................... 89
Figura 59. Conjunto de treinamento. .................................................................................... 90
Figura 60. Fluxograma da rotina de classificao de conjuntos vasculares. ........................... 92
Figura 61. Imagem capturada em 256 tons de cinza.............................................................. 93
Figura 62. Expanso da imagem do bambu. ...................................................................... 94
Figura 63. Segmentao grosseira do bambu. ....................................................................... 94
Figura 64. Imagem binria das bordas. ................................................................................. 95
Figura 65. Limpeza da imagem binria das bordas. ........................................................... 95
Figura 66. Unio das bordas. ................................................................................................ 96
Figura 67. Imagem binria do bambu. .................................................................................. 96
Figura 68. Escamao do bambu. ......................................................................................... 98
Figura 69. Um ciclo de segmentao de conjuntos vasculares. ........................................... 100
Figura 70. Resultados dos ciclos de segmentao de conjuntos vasculares.......................... 100

VII

Figura 71. Eliminao dos conjuntos vasculares que tocam as bordas da imagem ou que
possuem rea fora do desvio padro. ................................................................. 101
Figura 72. Segmentao das regies de esclernquima (primeira parte). ............................. 102
Figura 73. Segmentao das regies de esclernquima (segunda parte). ............................. 103
Figura 74. Preparao de imagens fceis de serem medidas................................................ 104
Figura 75. Limpeza para a classificao.......................................................................... 105
Figura 76. Classificao das amostras de bambu da espcie urea. .................................... 106
Figura 77. Classificao das amostras de bambu da espcie Gigante. ................................. 107
Figura 78. Classificao das amostras de bambu da espcie Matake. .................................. 108
Figura 79. Classificao das amostras de bambu da espcie Moso...................................... 109
Figura 80. Imagens de referncia das seis classes de partculas de grafita (ISO-945). ......... 112
Figura 81. Fluxograma da rotina de classificao de ferro fundido. .................................... 114
Figura 82. ngulo interno mdio: (a) imagem binria; (b) imagem pintada com um tom de
cinza k
2
; (c) imagem borrada pelo filtro passa-baixa mdia com kernel de tamanho
k x k; (d) imagem final resultante (com look-up table); e (e) look-up table......... 116
Figura 83. Grande correlao tamanho-forma..................................................................... 120
Figura 84. Diferena entre taxas de acerto globais mdias (%) com e sem o atributo. ......... 122
Figura 85. Taxa de acerto global mxima sem o atributo. ................................................... 122
Figura 86. Influncia da resoluo com conjuntos de atributos com AIM............................ 124
Figura 87. Influncia da resoluo com conjuntos de atributos sem AIM. ........................... 125
Figura 88. Representao pictrica das taxas de acerto....................................................... 126
Figura 89. Classificao das trs amostras de ferro fundido................................................ 127
Figura 90. Imagens de HRTEM de: (a) resina pura; (b) compsito em regio sem nano-
partculas de grafite; e (c) compsito onde aparecem nano-partculas de grafite. 132
Figura 91. Imagens dos mosaicos. ...................................................................................... 133
Figura 92. Aplicao das imagens dos mosaicos sobre uma imagem do compsito............. 133
Figura 93. Influncia do tamanho dos quadrados nos parmetros de Haralick (Uniformidade,
Contraste e Entropia) para resina pura (a) e compsito (b)................................. 134
Figura 94. Histogramas da uniformidade (a), contraste (b) e entropia (c) para resina pura e
compsito entre nano-partculas de grafite (quadrados de 100x100 pixels). ....... 135
Figura 95. Pequenas regies organizadas na matriz, provavelmente carbono. ..................... 136



VIII

LISTA DE TABELAS

Tabela 1. Operadores diferenciais parciais............................................................................ 37
Tabela 2. Parmetros de Haralick......................................................................................... 69
Tabela 3. Fatores Adimensionais de Forma .......................................................................... 76
Tabela 4. Taxas de acerto globais de auto-validao........................................................... 121
Tabela 5. Validao ........................................................................................................... 123
Tabela 6. Taxas de acerto do conjunto de atributos escolhido na auto-validao................. 125
Tabela 7. Influncia do classificador .................................................................................. 126


1

1 Introduo
O Processamento e Anlise Digital de Imagens (PADI) uma ferramenta
relativamente recente que cresce acompanhando o desenvolvimento dos recursos
computacionais. Consiste na utilizao de operaes matemticas para alterar os valores
dos pixels de imagens digitais, modificando-as, para facilitar sua visualizao e/ou para
proceder extrao de dados quantitativos.
A utilizao de PADI abre novas perspectivas para a caracterizao de materiais,
pois permite fazer medidas impossveis de serem realizadas manualmente e confere maior
reprodutibilidade, confiabilidade e velocidade ao processo. Alm disso, possibilita o uso de
tcnicas de reconhecimento de padres e inteligncia artificial para automatizar
procedimentos de classificao.
De fato, quando se pensa na utilizao de tcnicas de PADI para a caracterizao
de materiais, vem mente a automao, de modo que, a partir de uma amostra
adequadamente preparada ou de uma imagem digital desta, aperte-se um boto e o
computador fornea o resultado. Para isto, as rotinas de PADI seguem uma seqncia
padro de etapas, atravs da qual pode-se ir de amostras ou imagens digitais a dados
quantitativos interpretados.
O objetivo da presente dissertao consiste no estudo de trs casos de
caracterizao automtica de materiais, atravs do emprego de tcnicas de PADI. A grosso
modo, pode-se dizer que se trata da caracterizao de trs materiais compsitos, a partir da
anlise quantitativa de sua fase secundria.
Os materiais estudados (bambu, ferro fundido e compsito resina-grafite) so
analisados em diferentes escalas de tamanho, respectivamente, milimtrica, micromtrica e
nanomtrica. Alm disto, cada caso apresenta complexidade em uma etapa diferente da

2

seqncia padro. Deste modo, juntos, estes trs casos oferecem um panorama abrangente
das tcnicas de PADI, assim como de sua aplicao na caracterizao de materiais.
O primeiro caso (Anlise da Mesoestrutura de Bambus) tem a segmentao como
sua etapa crtica. Os objetos a serem medidos e classificados, os conjuntos vasculares, so
objetos complexos formados, cada um, por um conjunto de objetos separados, as regies de
esclernquima. Assim, a segmentao dos conjuntos vasculares realizada atravs do
agrupamento destas regies.
No entanto, h uma grande variabilidade no tamanho, espaamento e forma das
regies de esclernquima. E, deste modo, um procedimento, que, primeira vista, parece
fcil, demanda uma complexa rotina recursiva a fim de se garantir a robustez. Contudo,
feita a segmentao, a etapa de classificao simples, pois os conjuntos vasculares
apresentam-se em 5 classes muito especficas, de modo que os atributos para classific-los
so bvios.
J no segundo caso (Classificao Automtica de Grafita em Ferros Fundidos), a
segmentao fcil. O fato das amostras de ferro fundido no serem atacadas propicia uma
boa distino entre as partculas de grafita (preto) e a matriz (cinza claro), facilitando sua
segmentao por limiarizao. Deste modo, uma rpida segmentao automtica de Otsu
suficiente.
De fato, no que concerne ao processamento e anlise das imagens, esta rotina
bem simples e segue passo a passo a seqncia padro de PADI, utilizando-se
principalmente de operaes simples e corriqueiras. Entretanto, este em um problema de
caracterizao por forma e sua maior dificuldade reside justamente a. Assim, a etapa
crtica a escolha do conjunto de atributos, pois este precisa ser robusto para agrupar a
grande variabilidade de formas apresentada dentro cada classe de grafita e sensvel bastante
para distingir estas classes umas das outras.

3

O terceiro caso (Anlise Nano-estrutural de um Compsito Resina-Grafite)
apresenta uma abordagem diferente, sua rotina de PADI simples, porm peculiar. Por no
haver definio clara de tons de cinza ou contornos discriminando as duas fases do
compsito, sua segmentao no possvel. Assim, no h etapa de segmentao e as
medidas so feitas sobre objetos arbitrrios desenhados, no caso, quadrados de igual
tamanho, que so aplicados como mscaras sobre as imagens do material. O material
caracterizado, a partir das regies marcadas por cada um dos quadrados, atravs de
caractersticas da textura das imagens, utilizando-se os parmetros de Haralick.
Assim, esta dissertao est organizada em seis captulos. O primeiro captulo
consiste desta introduo. O segundo captulo (Processamento e Anlise Digital de
Imagens) pretende-se tornar o embrio de uma futura apostila de PADI, e, neste sentido,
tenta ser abrangente, abordando inclusive, mesmo que de maneira mais sucinta, tcnicas
no diretamente relacionadas aos casos aqui estudados. Os trs captulos seguintes tratam,
cada um, de um dos casos de caracterizao. Por fim, no sexto captulo, apresenta-se uma
concluso geral.


4

2 Processamento e Anlise Digital de Imagens
O Processamento Digital de Imagens (PDI) uma tcnica que se utiliza de
operaes matemticas para alterar os valores dos pixels de uma imagem digital,
modificando-a, para:
(i) facilitar sua visualizao; ou para
(ii) preparar a imagem para ser analisada pelo prprio computador (Anlise
Digital de Imagens).
A Anlise Digital de Imagens (ADI) consiste na extrao e tratamento de dados
quantitativos de imagens digitais. Atravs de ADI pode-se realizar medies mais rpidas,
precisas e acuradas, possibilitando ainda a realizao de medidas impossveis de se
executar manualmente.
Comumente, o termo Processamento Digital de Imagens usado referindo-se
globalmente a ambas as tcnicas, PDI e ADI. Isto , de certo modo, justificvel, j que
geralmente as tcnicas se intercalam, podendo a etapa seguinte do processamento ser
determinada por uma etapa de anlise. Neste trabalho, utiliza-se o termo Processamento e
Anlise Digital de Imagens (PADI) para englobar as duas tcnicas.
Os sistemas de Processamento e Anlise Digital de Imagens, ou, simplesmente,
analisadores de imagem, so basicamente programas de computador que executam, em
imagens digitais, rotinas de procedimentos baseados em operaes matemticas. Tais
rotinas podem ser compiladas em linguagem de programao comum, de modo a gerar
programas especficos independentes, ou implementadas em programas de PADI ou
programas mais genricos de clculos matemticos. Alternativamente, pode-se utilizar uma
soluo combinada, com programas genricos e de PADI e rotinas compiladas.

5

A fim de estruturar o estudo dessas rotinas, os procedimentos de PADI so
discriminados em etapas, de acordo com seu objetivo imediato, formando uma seqncia
padro (Paciornik, 2001). A Figura 1 mostra a seqncia padro de PADI.
Pr-Processamento
Reconhecimento de padres e
Classificao
Regies
Pixels
Dados
Qualitativo
Quantitativo
Formao da imagem
Digitalizao da imagem
Segmentao
Ps-Processamento
Extrao de Atributos

Figura 1. Seqncia padro de PADI.
O fluxograma das etapas da seqncia padro dividido em trs blocos bsicos,
Aquisio, PDI e ADI. O bloco Aquisio tem, como entrada, uma amostra adequadamente
preparada e engloba a formao da imagem e sua digitalizao, fornecendo, como sada,
um arquivo digital de imagem. A partir da, o processo torna-se inteiramente digital. O
bloco PDI (pr-processamento, segmentao e ps-processamento) recebe a imagem
original, sada do bloco Aquisio, e fornece uma imagem processada. O bloco ADI
(extrao de atributos e reconhecimento de padres e classificao) recebe a imagem
processada e fornece dados numricos, constituindo-se na fase quantitativa do processo.
Ao lado do fluxograma, apresentam-se setas que indicam o nvel dos dados sobre
os quais se trabalha. No pr-processamento e na segmentao, opera-se diretamente sobre

6

os pixels da imagem, gerando-se uma imagem com objetos, representados por regies de
pixels contguos de mesmo valor. No ps-processamento e na extrao de atributos,
trabalha-se sobre os objetos, acabando por medi-los. A partir da, na etapa de
reconhecimento de padres e classificao, trabalha-se com estas medidas, gerando-se
dados de mais alto nvel.
Na Figura 2, isto pode ser observado atravs de um exemplo tpico de problema de
PADI. Uma imagem de ferro fundido (Figura 2-a), gerada por microscopia ptica,
segmentada e processada, obtendo-se uma imagem formada por objetos (Figura 2-b), que
representam as partculas de grafita. Ento, so feitas medies nestas partculas, obtendo-
se dados quantitativos (Figura 2-c), que so ento analisados (Figura 2-d).

7




(a) (b)
No. de partculas: 89

Partcula rea (pixel
2
)
1 13
2 337
3 214
4 218
5 13
6 938
7 572
8 18
- - - - - - - - - - - - - - - - - - -
87 15
88 35

89 465


(c) (d)
Figura 2. Um exemplo de problema de PADI: (a) imagem original; (b) imagem das
partculas de grafita (regies); (c) rea de cada partcula; e (d) distribuio das reas.
A seqncia padro uma generalizao. Obviamente, ela no imutvel e seu
grau de flexibilizao denota a complexidade do problema envolvido. Qualquer etapa pode
ser pulada e, na etapa de reconhecimento de padres e classificao, uma anlise pode fazer
o fluxograma retroceder a qualquer outra etapa, at mesmo etapa de formao da imagem,
retro-alimentando o processo de modo a aprimor-lo. De fato, esta retro-alimentao
geralmente ocorre em rotinas automticas de PADI, onde, partindo-se da Aquisio ou do
arquivo digital de imagem, chega-se aos dados quantitativos, no havendo interferncia
humana no decorrer do processo.

8

2.1 Aquisio da imagem
O objetivo do bloco de Aquisio a obteno de uma imagem digital. Uma
imagem digital um arquivo de computador composto basicamente por um cabealho, com
informaes diversas, e uma matriz de nmeros, onde cada um deles identifica a cor ou
intensidade do pixel de posio correspondente na imagem. Assim, esta matriz constitui-se
num mapa que reproduz a imagem pixel a pixel (Figura 3).
245,230,185 216,182,138
231,216,184 214,186,151
pixel

Figura 3. Imagem digital.
A partir de uma amostra adequadamente preparada, um instrumento formador de
imagem gera uma imagem da amostra, que ento capturada por um instrumento de
captura de imagem. A imagem pode ser capturada diretamente de forma digital (arquivo de
computador) ou de forma analgica (fotografia, vdeo, etc.), necessitando, neste caso,
passar por um processo de digitalizao.
Os instrumentos formadores de imagem podem ser os mais variados. No campo da
Cincia de Materiais, os mais utilizados so os microscpios pticos e eletrnicos (MEV,
MET, etc.). Da mesma forma, os instrumentos de captura de imagem associados a eles so
diversos. Os mais comuns ainda so instrumentos analgicos, como cmeras fotogrficas e
cmeras de vdeo, acoplados a digitalizadores de imagens, notadamente scanners e frame
grabbers, que so dispositivos para digitalizao de fotografia e vdeo, respectivamente.

9

Atualmente, as cmeras de vdeo vem sendo substitudas por cmeras digitais, que
apresentam resoluo bem superior. No entanto, quando se trata de alta resoluo, estas
ainda no conseguem superar as cmeras fotogrficas, pois apesar de atingirem resoluo
semelhante, apresentam preos bem mais elevados. Cmeras de vdeo geralmente
apresentam resoluo de 640 x 480 pixels, j, com cmeras fotogrficas e recentemente
com digitais, pode-se atingir resolues de alguns milhares de pixels. Por exemplo, a
cmera digital Zeiss Axiocam HR tem resoluo de 3900 x 3090 pixels (Carl Zeiss, 2001).
2.2 Imagem digital
Antes de se iniciar a discusso das tcnicas de Processamento e Anlise Digital de
Imagem, faz-se necessria uma breve introduo de alguns conceitos sobre a imagem
digital.
2.2.1 Resoluo e Profundidade
O pixel, abreviao de picture element, a unidade bsica da imagem digital. A
resoluo espacial ou simplesmente resoluo consiste no tamanho, na imagem real, que
um pixel da imagem digital representa, ou seja, a resoluo a capacidade mxima de
discriminao de dois pontos na imagem.
A profundidade, quantizao ou resoluo espectral de uma imagem digital
consiste no nmero mximo de nveis de intensidade que esta imagem pode apresentar. A
Figura 4 mostra pictoricamente, por comparao, os conceitos de resoluo e profundidade.
A Figura 4, aqui adaptada de (Paciornik, 2001), apresenta quatro imagens digitais,
com diferentes resolues e profundidades, obtidas a partir da fotografia da Lena,
tradicionalmente utilizada em livros de PADI. Pode-se observar a variao de resoluo
entre as imagens da direita e da esquerda, as da direita tm maior resoluo (512 x 512
pixels) do que as da esquerda (128 x 128 pixels). Da mesma forma, a profundidade varia

10

entra as imagens de cima e as de baixo, as imagens de baixo apresentam maior
profundidade (256 tons de cinza) do que as de cima (4 tons de cinza).
512 x 512 pixels
4 tons de cinza
128 x 128 pixels
4 tons de cinza
128 x 128 pixels
256 tons de cinza
512 x 512 pixels
256 tons de cinza

Figura 4. Resoluo e profundidade.
Em Cincia de Materiais, geralmente, as imagens so de 8 bits, 256 tons de cinza,
pois esta a profundidade que predomina em imagens de microscopia eletrnica, tambm
sendo muito comum em microscopia ptica. Assim, este trabalho trata somente de casos
onde as imagens adquiridas tem esta profundidade.
No entanto, as tcnicas de PADI aqui descritas podem ser generalizadas, tambm
sendo passveis de utilizao em imagens com outros nveis de profundidade, como, por
exemplo, em imagens de 14 bits e em imagens coloridas. Em Cincia de Materiais, as
imagens de 14 bits, ou seja, com 2
14
tons de cinza, so utilizadas em imagens de figuras de
difrao obtidas em MET. J as imagens coloridas so geralmente oriundas de microscopia

11

ptica e so usadas quando as cores so necessrias para se distinguir as feies de
interesse.
As imagens coloridas geralmente utilizadas so imagens de 24 bits, formadas pela
adio de 3 cores primrias com 256 nveis de intensidade (8 bits) para cada uma. Assim,
uma imagem colorida deste tipo constitui-se numa composio de trs imagens com 8 bits
cada, que podem ser tratadas separadamente, com as tcnicas de PADI descritas neste
trabalho, como trs imagens de 256 tons de cinza.
2.2.2 Brilho e Contraste
O brilho e o contraste so caractersticas da imagem que podem ser intuitivamente
percebidas. Uma imagem formada predominantemente por pixels com tons de cinza baixos,
prximos a 0 (preto), percebida como uma imagem escura, ou seja, com baixo brilho. J
uma imagem que contm predominantemente pixels com tons de cinza prximos a 255
(branco) considerada uma imagem clara, com alto brilho. Da mesma forma, uma imagem
que apresenta pixels com uma pequena variao de tons de cinza percebida como uma
imagem com baixo contraste e vice-versa.
Como uma imagem digital uma representao matemtica de uma imagem real,
estas caractersticas intuitivamente percebidas podem ser matematicamente descritas como
mostrado a seguir.
O brilho de uma imagem digital pode ser definido como a mdia dos tons de cinza
de todos os pixels da imagem. Dada uma imagem f(x,y) de dimenso X x Y, seu brilho
definido como:

=
=
1
0
1
0
) , (
1
Y
y
X
x
y x f
n
B .

(1)
onde n o nmero total de pixels da imagem f(x,y), calculado como Y X n = , a partir de
suas dimenses X e Y.

12

O contraste de uma imagem digital pode ser definido como o desvio padro dos
tons de cinza de todos os pixels da imagem

(Weeks, Jr., 1996). Dada uma imagem f(x,y) de
dimenso X x Y, seu contraste definido como:
[ ]

=
=
1
0
1
0
2
) , (
1
Y
y
X
x
B y x f
n
C

(2)
onde B o brilho da imagem f(x,y), calculado de acordo com a Equao (1); e n o nmero
total de pixels ( Y X n = ).
2.2.3 Histograma
O histograma de uma imagem digital constitui-se na representao grfica da
funo distribuio dos tons de cinza de seus pixels. Dada uma imagem f(x,y) de dimenso
X x Y, seu histograma definido pela funo:
n
n
r p
r
= ) (

(3)
onde r representa os tons de cinza, e pode variar de 0 a 255; n
r
o nmero de pixels com o
tom de cinza r; e n o nmero total de pixels da imagem f(x,y).
O histograma um grfico que tem como eixo horizontal a escala de tons de cinza
e cujo eixo vertical representa as probabilidades de ocorrncia dos tons de cinza na
imagem. De fato, o histograma fornece uma descrio global da aparncia da imagem, mas
nada diz sobre seu contedo.
A partir da definio de histograma, pode-se reescrever as Equaes (1) e (2) que
definem, respectivamente, as propriedades de brilho (B) e contraste (C). Assim,

=
=
255
0
) (
r
r p r B ;

(4)
[ ]

=
=
255
0
2
) (
r
r p B r C .

(5)

13

A Figura 5 mostra trs imagens ao lado de seus respectivos histogramas. Trata-se
obviamente da mesma imagem, uma imagem de uma areia, obtida em microscpio ptico,
apresentada aqui com diferentes nveis de brilho e contraste para fins de comparao.
As imagens mostradas na Figura 5-a e na Figura 5-b tm o mesmo nvel de
contraste e diferentes nveis de brilho. Como pode ser visto nestas Figuras, ambos os
histogramas tm a mesma forma e largura, mas o da Figura 5-b est deslocado para a direita
em relao ao da Figura 5-a, ou seja, apresenta maior mdia, o que implica o maior brilho
da imagem da Figura 5-b.
J as imagens da Figura 5-b e Figura 5-c tm o mesmo nvel de brilho e diferentes
nveis de contraste. Como pode-se observar, os histogramas tm forma semelhante e
mesma mdia, porm o histograma da Figura 5-c mais estreito, denotando o menor
contraste desta imagem.

14

(a)



B= 80
C = 31,1

(b)



B = 130
C = 31,1

(c)



B = 130
C = 13,8
Figura 5. Brilho e contraste.
Embora o histograma fornea uma descrio global da imagem que nada diz sobre
seu contedo, sua forma constitui-se em informao crucial para o processamento digital da
imagem (Gonzalez & Woods, 1992).
2.3 Pr-processamento
O pr-processamento a etapa que visa melhorar a imagem, corrigindo defeitos
gerados durante sua aquisio e/ou realando detalhes de interesse especfico.

15

To variados, quanto os mtodos de aquisio de imagem digital e os defeitos
deles decorrentes, so os procedimentos empregados para corrigi-los. Da mesma forma,
muitos podem ser os tipos de detalhes que se deseje realar. Assim, existem diversos
procedimentos caractersticos da etapa de pr-processamento, cada qual especfico para
uma situao. Alguns procedimentos rotineiramente utilizados so: manipulao do brilho;
expanso do contraste; correo de iluminao irregular; reduo de rudo; e realce de
bordas.
Os procedimentos da etapa de pr-processamento podem ser divididos em duas
grandes categorias, procedimentos realizados no domnio do espao real e procedimentos
realizados no domnio das freqncias. O domnio do espao real refere-se a imagem
propriamente dita e os procedimentos nele realizados so baseados na direta manipulao
dos pixels da imagem. J os procedimentos no domnio das freqncias so feitos atravs
da modificao da imagem da transformada de Fourier da imagem original, seguida da
obteno de sua transformada inversa (Gonzalez & Woods, 1992).

Por no necessitarem do
clculo da transformada de Fourier, nem de sua inversa, os procedimentos realizados no
domnio do espao real so, geralmente, menos custosos computacionalmente, tendo assim
a preferncia.
Neste trabalho, so considerados apenas os procedimentos de pr-processamento
no domnio do espao real.
Os procedimentos de pr-processamento no domnio do espao real so realizados
atravs de operaes matemticas que operam diretamente sobre pixels das imagens. Tais
operaes podem ser divididas em quatro tipos principais:
(i) operaes pontuais;
(ii) operaes entre imagens;
(iii) operaes locais; e

16

(iv) operaes geomtricas.
2.3.1 Operaes Pontuais
Operaes pontuais so operaes onde para cada tom de cinza na imagem de
entrada retornado um nico tom de cinza na imagem de sada. As operaes pontuais
podem ser definidas de acordo com a seguinte expresso:
)] , ( [ ) , ( y x f M y x g =

(6)
onde f(x,y) a imagem de entrada, g(x,y) a imagem de sada, (x,y) so as coordenadas dos
pixels nas imagens e M a funo transformao que designa a operao.
Dada uma imagem de entrada f(x,y), a funo transformao M mapeia um tom de
cinza s na imagem de sada g(x,y) para cada tom de cinza r na imagem de entrada f(x,y).
Assim, a funo transformao M chamada funo de mapeamento, fazendo com que as
operaes pontuais sejam conhecidas tambm como operaes de mapeamento.
Cada pixel com tom de cinza r na imagem de entrada f(x,y) recebe o tom de cinza s
na imagem de sada g(x,y), de modo que as operaes pontuais podem ser expressas, de
forma mais simples, como:
) (r M s =

(7)
onde M a funo de mapeamento e r e s representam, respectivamente, os tons de cinza na
imagem de entrada f(x,y) e na imagem de sada g(x,y).
A funo de mapeamento de uma operao pontual pode ser linear ou no-linear.
Uma funo de mapeamento linear modifica o brilho e o contraste de uma imagem, no
alterando muito a forma de seu histograma. Uma manipulao de brilho deste tipo provoca
um deslocamento lateral do histograma e uma manipulao de contraste modifica sua
largura. J as funes de mapeamento no-lineares alteram mais acentuadamente a forma

17

do histograma da imagem, modificando prioritariamente alguma regio do histograma ou
visando dar a ele uma forma determinada.
2.3.1.1 Mapeamento linear
Pode-se generalizar uma funo de mapeamento linear como a expresso de uma
reta:
l r a s + =

(8)
onde a o coeficiente angular e l o coeficiente linear. O coeficiente linear l afeta somente
o brilho da imagem, um valor positivo faz o brilho aumentar, um valor negativo o reduz. O
coeficiente angular a afeta, conjuntamente, o brilho e o contraste da imagem. Um
coeficiente angular com valor maior do que 1, resulta num aumento tanto do brilho quanto
do contraste, do contrrio, caso seu valor seja menor do que 1, ambos, brilho e contraste,
diminuem.
Um exemplo de operao com funo de mapeamento linear a operao de
negativo, que mapeia os tons de cinza claros na imagem de entrada como escuros na
imagem de sada e vice-versa, fornecendo, como imagem de sada, um negativo da imagem
de entrada. Para isto, esta funo tem, como coeficientes angular e linear, respectivamente,
os valores -1 e 255, conforme a expresso:
r 255 s = .

(9)
A Figura 6 mostra a funo de mapeamento (Figura 6-a) da operao de negativo
que, ao agir sobre uma imagem de ferro fundido (Figura 6-b), obtida por microscopia
ptica, gera uma imagem negativo (Figura 6-c) da original. Na Figura 6-d e na Figura 6-e,
podem ser vistos os histogramas destas duas imagens.

18


(a)

(b)


(c)



(d) (e)
Figura 6. Operao de negativo: (a) funo de mapeamento; (b) imagem original; (c)
imagem negativo; (d) histograma da imagem original; e (e) histograma do negativo.
Uma forma mais especfica de funo de mapeamento linear ocorre na operao de
Normalizao, tambm chamada Autoscaling (Weeks, Jr., 1996). Esta operao pontual
composta por uma funo que mapeia a faixa de tons de cinza da imagem de entrada para
uma faixa desejada na imagem de sada. Assim, nesta operao, os coeficientes angular e
linear da funo de mapeamento no so escolhidos diretamente, mas calculados a partir
dessas duas faixas de tons de cinza. Desta forma, a funo de mapeamento de uma
operao de Normalizao definida como:

19

min min
min max
min max
) ( g f r
f f
g g
s +

=

(10)
onde f
min
e f
max
so, respectivamente, o tom de cinza mnimo e mximo na imagem de
entrada f(x,y); g
min
e g
max
designam a faixa de tons de cinza desejada para a imagem de
sada g(x,y), sendo portanto, respectivamente, seu tom de cinza mnimo e mximo.
Como pode ser visto na Equao (10), o coeficiente angular a de uma funo de
Normalizao, aqui chamado fator de escala, calculado como:
min max
min max
f f
g g
a

= .

(11)
Caso o fator de escala, calculado pela Equao (11) para uma determinada operao de
Normalizao em uma determinada imagem, seja menor do que 1, trata-se de uma operao
de reduo do contraste, caso contrrio, uma operao de expanso do contraste.
A Figura 7 mostra um exemplo de operao de Normalizao para expanso do
contraste. Uma imagem de uma areia (Figura 7-a), obtida em microscpio ptico, contendo
tons de cinza compreendidos entre 55 e 225 conforme seu histograma, mapeada para uma
imagem (Figura 7-c) com tons de cinza em toda escala de 0 a 255, como pode ser visto em
seu histograma. A funo de mapeamento desta operao de Normalizao mostrada na
Figura 7-b.

20

(a)



(b)

(c)



Figura 7. Exemplo de operao de Normalizao para expanso do contraste.
Nas funes de mapeamento linear, o coeficiente angular afeta, conjuntamente, o
brilho e o contraste da imagem, enquanto que o coeficiente linear afeta somente seu brilho.
Assim, o contraste funo do coeficiente angular e o brilho funo dos coeficientes
angular e linear:
) (a C C = ;

(12)

21

) , ( l a B B = ;

(13)
onde C' o contraste da imagem de sada; B' o brilho da imagem de sada; e a e l so,
respectivamente, os coeficientes angular e linear da funo de mapeamento.
Visando separar a manipulao do brilho e do contraste em duas variveis
diferentes, a Equao (8) rescrita de acordo com a seguinte expresso (Weeks, Jr., 1996):
) ( ) ( B b B r a s + + =

(14)
onde B o brilho da imagem de entrada; e a o coeficiente angular; e b a varivel de
manipulao do brilho. Assim, tem-se que:
) (a C C = ;

(15)
) (b B B = .

(16)
Estas equaes que definem funes de mapeamento so vlidas somente para s no
domnio de r, ou seja, [0; 255]. Quando a funo de mapeamento calcula s fora deste
domnio, s precisa ser ajustado. Existem diferentes modos de se fazer este ajuste e, ao se
utilizar este tipo de funo, deve-se ter o cuidado de observar de que modo o ajuste est
implementado. O modo de ajuste mais comum consiste em saturar a imagem de sada nos
tons de cinza extremos da escala, igualando s a 0, caso ele seja calculado menor do que 0, e
igualando-o a 255, caso seja calculado maior do que 255, ou seja,
0 s 0 s = ;

(17)
255 s 255 s = .

(18)
A princpio, as variveis a e b da Equao (14) deveriam afetar de forma
independente as propriedades de contraste e brilho, respectivamente. No entanto, devido ao
ajuste para conter s no domnio [0; 255], isto nem sempre acontece. Caso a funo de
mapeamento calcule algum s fora deste domnio, o ajuste far com que as propriedades de
brilho e contraste no possam ser tratadas de maneira independente uma da outra.

22

Para se manipular brilho e contraste separadamente, deve-se garantir que s seja
sempre calculado dentro do domnio [0; 255], para isso, acresce-se algumas condies
Equao (14), de modo que, repetindo-a, tem-se:
) ( ) ( B b B r a s + + = ;

(19)
) 255 (
max min
f b f ;

(20)
max min min max
f B
255 b B
a
f B
255 b B
f B
b B
a
f B
b B

+
.

(21)
Uma outra maneira de se manipular brilho e contraste separadamente se utilizar
um analisador de imagem que opere tambm com imagens de maior profundidade. Deste
modo, ao invs de uma nica operao, poder-se-ia empregar um conjunto de operaes
com funo de mapeamento linear, onde apenas a ltima teria o compromisso de fornecer
uma imagem de sada com s no domnio [0; 255].
De qualquer forma, deve-se sempre lembrar que a escala de tons de cinza nas
imagens de 8 bits composta por valores inteiros no domnio [0; 255]. Assim, caso o
coeficiente angular da funo de mapeamento no seja um nmero inteiro, alguns valores s
iro sofrer arredondamento. Deste modo, quando se manipula o contraste, pode ocorrer
uma pequena distoro no brilho da imagem de sada.
s vezes, interessante manipular o brilho de uma imagem de forma a igual-lo a
um valor determinado, sem se importar com seu contraste. A princpio, esta seria uma
operao simples, realizada atravs de uma funo de mapeamento com a forma da
Equao (19), onde o coeficiente angular a seria unitrio e a varivel b seria calculada
como a diferena entre o valor de brilho B' desejado para a imagem de sada e o brilho B da
imagem de entrada. Deste modo, esta operao seria definida como:
) ( ) ( B b B r a s + + = ;

(22)
1 a = ;

(23)

23

B ' B b = .

(24)
Entretanto, para que no haja saturao, a varivel b tem que estar dentro de um
certo domnio, definido pela Equao (20), no sendo possvel igualar o brilho de uma
imagem a um valor determinado, caso a varivel b, calculada para isso, esteja fora deste
domnio. Ento, pode-se pensar nesta operao como se fosse feita em duas etapas.
Primeiro, faz-se uma reduo do contraste suficiente para estender o domnio da varivel b
para que seu valor calculado pela Equao (24) seja vlido. A, modifica-se o brilho at o
valor desejado atravs de uma operao simples de manipulao de brilho, como mostrado
na Equao (22). Substituindo-se b, de acordo com a Equao (24), esta operao como um
todo pode ser expressa como:
' ) ( B B r a s + = ;

(25)
1 255 ) ' ( 0 ) ' (
max min
= + + a B B f B B f ;

(26)
min
min
'
0 ) ' (
f B
B
a B B f

= < + ;

(27)
B f
B
a B B f

= > +
max
max
' 255
255 ) ' ( .

(28)
No entanto, de acordo com as Equaes (27) e (28), o coeficiente angular da
funo de mapeamento desta operao pode apresentar valores no inteiros. Assim, como
explicado anteriormente, isto pode gerar uma pequena distoro no brilho da imagem de
sada, no se atingindo o valor desejado. Na prtica, isto resolvido dando-se uma
tolerncia de alguns tons de cinza, de forma a igualar o brilho da imagem de sada a um
valor bem prximo do desejado.
Esta operao de igualar o brilho de uma imagem a um valor determinado
utilizada quando se deseja processar vrias imagens com uma mesma rotina ou quando se
quer comparar diversas imagens.

24

2.3.1.2 Mapeamento no-linear
As operaes pontuais com funo de mapeamento no-linear alteram a forma do
histograma da imagem, visando dar a ele uma forma determinada ou modificando
prioritariamente alguma regio especfica na escala de tons de cinza. Existem diversos tipos
de funes de mapeamento no-lineares, as mais comumente utilizadas so as funes
logartmica e exponencial (Weeks, Jr., 1996).
A aplicao de uma operao pontual com funo de mapeamento logartmica
aumenta o contraste das regies escuras da imagem e reduz o contraste das regies claras,
aumentando o brilho da imagem como um todo. Uma funo de mapeamento exponencial
provoca o efeito inverso, reduz o brilho da imagem como um todo, aumenta o contraste das
regies claras e reduz o contraste das regies escuras. Isto pode ser percebido observando-
se a Figura 8.
(a) (b)

Figura 8. Funes de mapeamento logartmica (a) e exponencial (b).
Pode-se definir, para imagens de 256 tons de cinza, uma funo de mapeamento
logartmica e uma exponencial, respectivamente, como:
) 1 ln( 98 , 45 ) ( + = = r r ML s

(29)
1 ) (
98 , 45
= =
r
e r ME s

(30)
0
255
0 255
0
255
0 255

25

onde r e s representam respectivamente os tons de cinza na imagem de entrada e na
imagem de sada; ML a funo de mapeamento logartmica e ME a funo de
mapeamento exponencial. O fator de 45,98 foi calculado para que no haja saturao e para
que toda a escala de tons de cinza seja usada.
Neste caso, as funes foram definidas na base e, mas obviamente, desde que no
haja saturao e que toda a escala de tons de cinza seja abrangida, qualquer base pode ser
utilizada e sua escolha ser determinada pelo problema em questo.
Outro tipo tambm comum de funo de mapeamento no-linear so as funes de
mapeamento lineares por partes. Tais funes so no-lineares como um todo, mas so
formadas por partes que so funes lineares. A Figura 9 mostra um exemplo de funo de
mapeamento linear por partes.
Figura 9. Exemplo de funo de mapeamento linear por partes.
As funes de mapeamento no-lineares e seus objetivos podem ser os mais
variados. No limite, tratando-se de uma escala discreta de tons de cinza, pode-se especificar
um tom de cinza para mapear cada tom de cinza na escala, fazendo-se uma verdadeira
tabela de mapeamento, semelhante a uma look-up table (LUT).
0
255
0 255

26

2.3.1.3 Operaes sobre o histograma
As operaes pontuais sobre o histograma so um caso particular de mapeamento
no-linear, pois a funo de mapeamento neste caso calculada a partir do prprio
histograma da imagem de entrada e, s vezes, tambm de um histograma que se deseja
obter para a imagem de sada. Existem basicamente duas operaes deste tipo, a
equalizao de histograma e a especificao de histograma.
A equalizao de histograma, tambm chamada linearizao de histograma,
modifica os tons de cinza dos pixels na imagem, visando tornar o histograma
uniformemente distribudo, com a forma de uma linha horizontal, de modo que o nmero
de pixels de qualquer tom de cinza seja o mesmo. A especificao de histograma altera a
imagem, buscando dar ao seu histograma uma forma determinada, a partir de um
histograma especificado, cuja forma a que se deseja para o histograma da imagem de
sada.
Por gerar imagens com histogramas uniformes ou com uma forma determinada,
estas operaes so utilizadas principalmente quando se deseja processar automaticamente
vrias imagens com a mesma rotina ou quando se quer comparar diversas imagens. A
vantagem da equalizao de histograma, quando comparada ao ajuste para igualar o brilho,
visto na seo 2.3.1.1 (Mapeamento linear), que a equalizao de histograma uma
operao totalmente automtica, no havendo a necessidade de se estipular um nvel de
brilho. J a especificao de histograma empregada quando a equalizao de histograma e
o ajuste para igualar o brilho no conseguem atingir um resultado satisfatrio.
A operao de equalizao de histograma baseada na utilizao da funo de
distribuio acumulada do histograma como funo de mapeamento. A funo de
distribuio acumulada calcula, para cada tom de cinza r na imagem de entrada, um tom de
cinza s na imagem de sada, de modo que:

27


= =
= = =
r
i
r
i
i
i p
n
n
r M s
0 0
) ( ) (

(31)
onde r e s representam respectivamente os tons de cinza na imagem de entrada e na
imagem de sada; n
i
o nmero de pixels com o tom de cinza i na imagem de entrada; n o
nmero total de pixels da imagem de entrada; e p(i) a funo de distribuio de
probabilidades de tons de cinza i que define o histograma da imagem de entrada.
Na Figura 10, apresenta-se um exemplo de operao de equalizao de
histograma.
(a)




(b)



Figura 10. Equalizao do histograma: (a) imagem original com seu histograma; e (b)
imagem com seu histograma equalizado.
Ao observar a Figura 10, nota-se que esta operao de equalizao de histograma
no produziu uma imagem com histograma uniforme. De fato, isto o que geralmente
acontece. Devido escala de tons de cinza nas imagens de 8 bits ser discreta, composta por
valores inteiros no domnio [0; 255], podem ocorrer arredondamentos no mapeamento,
fazendo com que o histograma da imagem resultante no seja uniforme. Todavia, o

28

histograma da imagem resultante da equalizao tende a apresentar melhor distribuio do
que o histograma da imagem original, como na Figura 10.
A operao de especificao de histograma est um estgio adiante da operao de
equalizao de histograma. Pois, enquanto esta ltima s capaz de gerar imagens cujo
histograma uma aproximao do histograma uniforme, a especificao de histograma
capaz de aproximar o histograma da imagem de sada a uma forma especificada
previamente.
Teoricamente, considerando imagens com uma escala contnua de tons de cinza, a
especificao de histograma consiste em 4 passos:
(i) o clculo da funo de mapeamento (M) da equalizao do histograma da
imagem de entrada:

= =
r
r
di i p r M s
0
) ( ) (

(32)
onde r e s representam respectivamente os tons de cinza na imagem de entrada
e na imagem resultante da equalizao do histograma; e p
r
(i) a funo de
distribuio de probabilidades dos tons de cinza i que define o histograma da
imagem de entrada;
(ii) o clculo da funo de mapeamento (N) da equalizao do histograma
especificado:

= =
t
t
di i p t N u
0
) ( ) (

(33)
onde t e u representam respectivamente os tons de cinza na imagem hipottica
do histograma especificado e na imagem hipottica resultante da equalizao
do histograma especificado; e p
t
(i) a funo de distribuio de
probabilidades dos tons de cinza i que define o histograma especificado;
(iii) o clculo da funo de mapeamento inversa (N
-1
) do histograma especificado:

29

) (
1
u N t

= ;

(34)
(iv) e a substituio da Equao (32) na Equao (34), j que, considerando uma
escala contnua de tons de cinza, dois histogramas equalizados so iguais
( s u = ), assim:
[ ] ) (
1
r M N t

= .

(35)
Resumindo, de acordo com a Equao (35), basta determinar a funo de
mapeamento M e a funo de mapeamento inversa N
-1
para se proceder a especificao de
histograma. O problema deste mtodo para escalas contnuas de tons de cinza reside em se
obter analiticamente a funo inversa N
-1
(Gonzalez & Woods, 1992).
Na prtica, trabalhando-se com imagens com uma escala discreta de tons de cinza,
faz-se estes clculos para cada valor da escala. Assim, a especificao de histograma
consiste em quatro passos:
(i) o clculo dos valores dos tons de cinza s a partir da equalizao do histograma
da imagem de entrada;
(ii) o clculo dos valores dos tons de cinza u a partir da equalizao do histograma
especificado;
(iii) a busca do valor de tom de cinza u que mais se aproxima de cada valor de tom
de cinza s;
(iv) o mapeamento dos tons de cinza r, da imagem de entrada, para os tons de
cinza t, da imagem final resultante, a partir dos os tons de cinza u que se
aproximam dos os tons de cinza s.
A operao de especificao de histograma no chega a gerar uma imagem com o
histograma igual ao especificado. Isto ocorre devido s aproximaes advindas do fato da
escala de tons de cinza ser discreta, como discutido anteriormente para a operao de
equalizao de histograma.

30

2.3.2 Operaes entre imagens
Existem tambm operaes pontuais que envolvem duas ou mais imagens de
entrada, so as chamadas operaes pontuais entre imagens ou, simplesmente, operaes
entre imagens. Um operador matemtico varre as imagens de entrada, sendo aplicado pixel
a pixel, relacionando os pixels correspondentes em cada uma das imagens de entrada, como
ilustrado na Figura 11.

Figura 11. Operaes entre imagens.
Este operador pode ser aritmtico (soma, subtrao, multiplicao e diviso) ou
comparativo (mximo e mnimo), de modo que, as operaes deles derivadas tambm so
conhecidas, respectivamente, como operaes aritmticas e operaes comparativas. No
caso de imagens binrias, imagens que contm somente dois tons, preto (0) e branco (1),
ainda existem as operaes lgicas, que sero abordadas detalhadamente mais adiante, na
seo 2.5 (Ps-processamento).
Assim, as operaes entre imagens podem ser definidas como:
)] , ( ),..., , ( ), , ( [ ) , ( y x f y x f y x f T y x g
n 2 1
=

(36)
onde f
1
(x,y), f
2
(x,y), ..., f
n
(x,y) so as n imagens de entrada; g(x,y) a imagem de sada e T
um operador aritmtico, comparativo ou lgico.

31

Nas operaes aritmticas ainda possvel operar com um escalar, um parmetro
multiplicativo (fator de ganho) ou aditivo (off-set), que aplicado pixel a pixel na imagem
resultante da operao entre as imagens de entrada, assim, as operaes aritmticas so
definidas, de forma mais genrica, como:
{ } )] , ( ),..., , ( ), , ( [ ) , ( y x f y x f y x f T G OS y x g
n 2 1
+ =

(37)
onde OS o off-set; e G o fator de ganho.
Apesar da simplicidade, deve-se ter cuidado na utilizao de operaes
aritmticas, pois, ao se fazer uma operao deste tipo, comum se obter, para a imagem de
sada, pixels com valores de tons de cinza fora da escala (0 a 255), ou seja, valores
negativos ou maiores de que 255. Para resolver isso, os analisadores de imagem geralmente
oferecem pelo menos duas opes, que so:
(i) normalizar a faixa de valores obtidos para a escala original (0 a 255); ou
(ii) saturar nos tons de cinza limites da escala (clipping), ou seja, qualquer valor
calculado abaixo do limite inferior da escala (0) igualado a 0, e qualquer
valor maior que o limite superior (255) igualado a 255.
2.3.3 Operaes Locais
Operaes locais, tambm conhecidas como operaes de vizinhana ou filtros
espaciais, so operaes onde o tom de cinza de um determinado pixel na imagem de sada
funo no apenas de seu tom de cinza na imagem de entrada, mas tambm dos tons de
cinza de seus pixels vizinhos nesta imagem, como ilustrado na Figura 12.

Figura 12. Operaes locais.

32

Este tipo de operao geralmente realizada atravs do clculo de uma mdia
ponderada dos pixels da vizinhana. Cada vizinho tem um peso associado, definido pelos
elementos de uma matriz denominada kernel, que, atravs de seu tamanho, tambm define
a vizinhana. O kernel varre a imagem de entrada, atribuindo, na imagem de sada, o valor
da mdia ponderada a cada pixel de posio correspondente do pixel central do kernel
sobre a imagem de entrada. Trata-se de uma operao de convoluo entre a imagem de
entrada e o kernel, definida como:

= =
+ + =
m
m i
m
m j
j i k j y i x f y x g ) , ( ) , ( ) , ( ;

(38)
1 0 X m x ;

(39)
1 0 Y m y ;

(40)
2
1
=
K
m ;

(41)
*
| ) 1 2 ( + = a a K ;

(42)
onde f (x,y) a imagem de entrada, de dimenso X x Y; g(x,y) a imagem de sada, de
mesma dimenso; e k(i,j) o kernel, de dimenso K x K.
Pelas Equaes (39) e (40), nota-se que o kernel no pode operar sobre os pixels
das extremidades da imagem, suas m primeiras e ltimas linhas e colunas. Apesar disto no
ser geralmente um grande problema, j que as informaes relevantes costumam estar mais
centradas na imagem, deve-se ter cuidado em alguns casos, pois os analisadores de imagem
tratam isto de formas diferentes. Existem quatro opes principais de tratamento desta
questo:
(i) s considerar na imagem de sada os pixels filtrados, obtendo-se ento uma
imagem de sada de menor tamanho, com dimenso ) 2 ( m X x ) 2 ( m Y ,
sendo esta a nica opo que no introduz erro;

33

(ii) replicar os pixels das extremidades para fora da imagem de entrada, gerando
uma imagem intermediria com dimenso ) 2 ( m X + x ) 2 ( m Y + , na qual
ento aplicado o filtro kernel de acordo com a opo (i), gerando-se uma
imagem de sada com dimenso X x Y, como a imagem de entrada;
(iii) atribuir, na imagem de sada, o valor 0 aos pixels no filtrados; ou
(iv) repetir, na imagem de sada, os pixels no filtrados da imagem de entrada.
As operaes locais so muito utilizadas em PADI, pois, a partir da escolha do
kernel adequado, diversos procedimentos podem ser implementados, tais como reduo de
rudo, aguamento de detalhes e deteco de bordas.
Um tipo de filtro empregado para reduo de rudo so os filtros passa-baixa,
assim chamados por privilegiarem a passagem dos componentes de baixa freqncia
espacial, atenuando os de alta freqncia. E, como rudos apresentam alta freqncia
espacial, estes filtros os retm.
A Figura 13 mostra o kernel 3x3 do filtro passa-baixa mdia e do passa-baixa
gaussiano. Os escalares 1/9 e 1/16, multiplicando os kernels, so fatores de escala,
utilizados para que no seja calculado nenhum valor de tom de cinza maior do que 255,
para a imagem de sada. Estes fatores de escala so geralmente calculados como o inverso
da soma dos elementos positivos do kernel.
(a) mdia 3x3: (b) gaussiano 3x3:
1 1 1

1 2 1
1 1 1

2 4 2

9
1

1 1 1

16
1

1 2 1
Figura 13. Filtros passa-baixa 3x3: (a) mdia; (b) gaussiana.
Os filtros passa-baixa so definidos por kernels com elementos positivos. O filtro
mdia assim chamado pois atribui ao pixel filtrado, na imagem de sada, a mdia dos

34

valores de tom de cinza dos pixels da vizinhana, na imagem de entrada. O filtro gaussiana
um filtro mdia ponderada, seu kernel circularmente simtrico e seus elementos variam
de acordo com uma funo gaussiana. Devido ao maior peso no centro de seu kernel, ele
preserva mais a imagem, borrando-a menos do que o filtro mdia.
Um outro filtro utilizado para a reduo de rudo o filtro mediana, que um tipo
diferente de filtro, onde o kernel s define o tamanho da vizinhana. Os pixels da
vizinhana so ordenados em ordem crescente de tom de cinza e o valor mediano, que est
no meio da seqncia, atribudo ao pixel filtrado na imagem de sada. O filtro mediana
geralmente fornece um resultado melhor do que os filtros passa-baixa, pois borra menos a
imagem, preservando melhor as bordas e detalhes finos. Ele especialmente indicado na
reduo de rudo tipo spike, rudo localizado com intensidade muito diferente da
vizinhana (Gonzalez & Woods, 1992).
Alm da reduo de rudo, os filtros passa-baixa so empregados em outros
procedimentos, como, por exemplo, a correo de iluminao irregular, um procedimento
tpico em imagens de microscopia ptica, que consiste na obteno de uma imagem do
fundo e posterior subtrao desta imagem, da original. A imagem do fundo calculada
borrando-se a imagem original atravs da aplicao, repetidas vezes, de um filtro passa-
baixa de kernel bem largo, de tamanho maior do que os possveis objetos na imagem.
Ento, subtrai-se esta imagem calculada do fundo, da imagem original, obtendo-se a
imagem com a iluminao corrigida. A Figura 14 mostra um exemplo deste procedimento.

35






(a) (b) (c)
Figura 14. Correo de iluminao irregular: (a) imagem original; (b) fundo calculado; e (c)
imagem com iluminao corrigida.
interessante salientar que a imagem do fundo tambm pode ser obtida
diretamente na etapa de aquisio e, neste caso, a correo de iluminao irregular
envolveria apenas a operao de subtrao.
Outro procedimento implementado atravs de filtros espaciais o aguamento de
detalhes, que visa realar detalhes finos da imagem. Neste caso, os filtros usados so os
passa-alta, assim denominados por privilegiarem a passagem dos componentes de alta
freqncia espacial, como as bordas. A Figura 15 mostra o kernel 3x3 do filtro passa-alta
bsico e do filtro alto reforo.
(a) passa-alta bsico 3x3: (b) alto reforo 3x3:
1 1 1

1 1 1
1 8 1

1 9a - 1 1

8
1
1 1 1

1 - 9
1
a

1 1 1
Figura 15. Filtros passa-alta 3x3: (a) passa-alta bsico; (b) alto reforo.
Os filtros passa-alta so definidos por kernels com elementos positivos prximo ao
centro e elementos negativos na periferia, de modo que, num kernel passa-alta 3x3, o
elemento central positivo e os demais so negativos.

36

O filtro passa-alta bsico, devido soma nula dos elementos de seu kernel, retorna
valores prximos ou iguais a 0 quando passa por uma regio de baixa freqncia espacial
na imagem de entrada, gerando, assim, uma imagem de sada com bordas aguadas sobre
um fundo escuro.
O filtro alto reforo (high boost) reala as bordas, mas preserva mais a imagem,
pois o parmetro a, quando maior que 1, aumenta o peso no centro do kernel, deixando
passar parcialmente os componentes de baixa freqncia espacial. De fato, a imagem
resultante do alto reforo uma adio da imagem resultante do passa-alta bsico com uma
frao da imagem de entrada, definida pela imagem de entrada multiplicada pelo fator de
ganho (a -1).
No entanto, os filtros passa-alta so muito sensveis a pixels brilhantes
circundados por pixels mais escuros ou vice-versa, tipicamente rudo, no sendo sempre
adequados a deteco de bordas.
As bordas so regies da imagem caracterizadas por uma grande variao de
intensidade em um pequeno intervalo de espao numa certa direo, sendo, portanto,
regies de alta derivada espacial de intensidade. O vetor gradiente normal s bordas em
cada pixel, apontando para a direo de maior derivada espacial, e seu mdulo equivale a
esta derivada mxima. Assim, a deteco de bordas geralmente feita atravs de filtros que
estimam o mdulo do gradiente.
Dada uma imagem f(x,y), o mdulo do gradiente definido como:
y
f
x
f
y
f
x
f

=
2
2
f .

(43)
A Equao (43) indica que uma aproximao do mdulo do gradiente pode ser
calculada pela soma dos mdulos das derivadas parciais em x e y. Deste modo, a imagem
mdulo do gradiente de f(x,y) obtida atravs da soma dos valores absolutos resultantes da

37

aplicao, em f(x,y), de filtros que operem estas derivadas parciais. Existem diversas
implementaes de filtros operadores diferenciais parciais, a Tabela 1 mostra os kernels dos
mais conhecidos.
Tabela 1. Operadores diferenciais parciais
Operador

x

1 0 1 1 1 1
Prewitt
1 0 1 0 0 0

3
1

1 0 1

3
1

1 1 1


1 0 1 1 2 1
Sobel
2 0 2 0 0 0

4
1

1 0 1

4
1

1 2 1


1 0 1 1 2 1
Frei-Chen
2 0 2 0 0 0

+ 2 2
1

1 0 1

+ 2 2
1

1 2 1



Uma outra forma de aproximao do mdulo do gradiente implementada atravs
da soma dos valores absolutos resultantes da aplicao dos operadores cruzados de
gradiente de Roberts, mostrados na Figura 16.
1 0 0 1
0 1 1 0
Figura 16. Operadores cruzados de gradiente de Roberts.
Uma imagem de sada, calculada como o mdulo do gradiente, uma imagem
formada, pixel a pixel, pela mxima derivada local na imagem de entrada. Regies

38

homogneas na imagem de entrada, com pequena ou nenhuma variao de tom de cinza,
tero intensidades prximas ou iguais a 0 na imagem de sada. Enquanto que as bordas
sero to mais brilhantes, quanto mais abruptas e acentuadas forem as diferenas de
intensidade entre as regies que essas bordas separam na imagem de entrada.
Alm dos filtros espaciais j citados, existem muitos outros e ainda podem ser
definidos tantos quanto sejam necessrios, com as mais diversas finalidades. Um
especialmente importante o filtro laplaciano, mostrado na Figura 17.
0 1 0
1 4 1

4
1

0 1 0
Figura 17. Filtro laplaciano 3x3.
O filtro laplaciano, como o nome sugere, simula a segunda derivada. Ele bastante
sensvel a rudo e, por isso, apesar de ser um operador de derivada, dificilmente
empregado para deteco de bordas (Gonzalez & Woods, 1992). Geralmente utilizado
aps a aplicao de um filtro gaussiano, que atenua o rudo, num procedimento de
segmentao, a segmentao Marr-Hildreth, descrita mais adiante na seo 2.4.2
(Segmentao por contornos).
2.3.4 Operaes Geomtricas
As operaes geomtricas so operaes onde a relao de posio entre os pixels
alterada. Consistem em uma transformao espacial, que, caso leve criao de pixels
inexistentes na imagem original, seguida por uma interpolao das intensidades dos
pixels, como ilustrado na Figura 18.

39


Figura 18. Operaes geomtricas.
A operao geomtrica mais comum certamente a reamostragem (resampling),
que consiste numa transformao espacial linear de mudana de escala, definida como:
x S x = ;

(44)
y S y = ;

(45)
onde S o fator de escala.
A reamostragem particularmente til no tratamento de imagens com problema de
baixa resoluo, pois o aumento artificial da resoluo pode melhorar a representao dos
contornos dos objetos, permitindo uma caracterizao mais adequada de sua forma (Livens,
1997).
2.4 Segmentao
A segmentao visa reproduzir digitalmente a tarefa de reconhecer regies de uma
imagem como objetos, um processo cognitivo extremamente sofisticado realizado pela
viso humana. A segmentao divide a imagem em regies e distingue essas regies como
objetos independentes uns dos outros e do fundo. No caso mais simples de diferenciar
objetos de um fundo, a segmentao tem como produto uma imagem binria, onde os
pixels pretos representam o fundo e as regies de pixels brancos contguos so
considerados objetos, ou vice-versa. No entanto, a partir deste ponto, fica institudo que,
neste trabalho, a notao : os pixels pretos (0) so o fundo e as regies de pixels brancos
(1) so os objetos.

40

A Figura 19 mostra um exemplo bem simples de segmentao. Uma imagem de
ferro fundido (Figura 19-a), em 256 tons de cinza, obtida por microscopia ptica,
segmentada, gerando-se uma imagem binria (Figura 19-b), onde as partculas de grafita
(regies de pixels brancos) distinguem-se da matriz (fundo preto).



(a) (b)
Figura 19. Exemplo de segmentao: (a) imagem em 256 tons de cinza; (b) imagem
binria.
A segmentao costuma ser a etapa crtica da seqncia padro de PADI, pois
atravs dela que se reconhece e se identifica os objetos de interesse, sobre os quais ser
feita a anlise.
2.4.1 Limiarizao
Existem diversas tcnicas de segmentao, a mais simples e mais utilizada a
segmentao por faixa tonal, tambm chamada limiarizao ou thresholding. A
limiarizao usa o tom de cinza dos pixels para distingui-los, considerando como objetos,
as regies de pixels contguos com tom de cinza dentro de uma faixa tonal delimitada a
partir de um limiar ou tom de corte. No caso de diferenciar objetos de um fundo, utiliza-se
a limiarizao bi-modal, que discrimina duas fases na imagem, o fundo e os objetos. A
limiarizao bi-modal determinada por um nico tom de corte que separa duas faixas

41

tonais, de modo a gerar uma imagem binria, tornando brancos os pixels com tom de cinza
acima (ou abaixo) do tom de corte e pretos os demais.
A Figura 20 apresenta um exemplo de limiarizao bi-modal. Uma imagem de
minrio (Figura 20-a), gerada em MEV, segmentada por limiarizao bi-modal com o
tom de corte mostrado na Figura 20-b, gerando uma imagem binria (Figura 20-c), onde
distinguem-se os gros de uma fase do restante do minrio e do fundo.



(b)


(a) (c)
Figura 20. Exemplo de limiarizao bi-modal: (a) imagem original; (b) tom de corte; (c)
imagem binria.
Muitas vezes faz-se necessrio discriminar mais de um tipo de objeto na imagem,
no sendo suficiente simplesmente diferenciar objetos de um fundo. Neste caso, a tcnica
da limiarizao tambm aplicvel, pois ela no est restrita a apenas duas fases, podendo
ser utilizada para distinguir quantas fases se queira. a chamada limiarizao multi-modal,
onde para se distinguir n fases, especifica-se (n-1) tons de corte. Cada um destes (n-1) tons
de corte determina o incio de uma faixa tonal, caracterizando portanto uma fase, e uma
fase adicional, geralmente o fundo, definida pelos tons de cinza abaixo do primeiro tom
de corte, totalizando-se n fases.
A Figura 21 mostra um exemplo de limiarizao tetra-modal, que consiste na
limiarizao multi-modal para distinguir quatro fases. De fato, este exemplo utiliza a
mesma imagem do exemplo de limiarizao bi-modal (Figura 20), havendo neste caso, uma

42

sofisticao do problema. A imagem do minrio (Figura 21-a) passa por limiarizao tetra-
modal, a partir dos trs tons de corte mostrados na Figura 21-b, gerando uma imagem
quaternria (Figura 21-c), ou seja, uma imagem com quatro tons. Nesta imagem quaternria
(Figura 21-c), distinguem-se os gros de trs diferentes fases.



(b)


(a) (c)
Figura 21. Exemplo de limiarizao tetra-modal: (a) imagem em 256 tons de cinza; (b) tons
de corte; (c) imagem quaternria.
O ponto mais sensvel da tcnica de limiarizao a escolha dos tons de corte.
Normalmente, esta escolha feita atravs da observao do histograma da imagem, a partir
de onde pode-se mais facilmente escolher os tons de cinza que determinam as fronteiras
entre as fases. Intuitivamente, um operador humano escolhe o ponto de mnimo de cada
vale entre duas classes modais correspondentes a fases no histograma.
Na prtica, determinar o exato tom de cinza de uma fronteira no uma tarefa
simples, a escolha manual no acurada e nem reprodutvel, e, assim, busca-se sempre um
mtodo automtico. O primeiro mtodo automtico implantado reproduz a maneira
intuitiva de escolha, realizando automaticamente a busca dos pontos de mnimo entre as
classes no histograma. No entanto, comum o mtodo dos mnimos apresentar resultados
no satisfatrios, principalmente quando os vales entre as classes so largos e planos ou
muito baixos, o que torna o mtodo muito sensvel a rudos.

43

Um outro mtodo automtico de limiarizao o mtodo da minimizao da
varincia intraclasse, conhecido como segmentao de Otsu (Otsu, 1979). Para a realizao
do clculo do tom de corte, utiliza-se a maximizao da varincia interclasse, que equivale
minimizao da varincia intraclasse, sendo, no entanto, mais facilmente calculada. Deste
modo, a segmentao de Otsu de fcil implementao e extremamente eficiente. Assim,
dentre os diversos mtodos de limiarizao automtica existentes, este o mais comum.
Na Figura 22, faz-se uma comparao entre os dois mtodos de limiarizao
automtica citados. Mostra-se a segmentao de uma mesma imagem pelo mtodo dos
mnimos e pelo mtodo de Otsu, apresentando seu histograma com os respectivos tons de
corte marcados.

44


(a)
(b)


(c)


(d) (e)
Figura 22. Comparao entre mtodos limiarizao automtica: (a) imagem em 256 tons de
cinza; (b) corte no ponto de mnimo; (c) corte pelo mtodo de Otsu; (d) imagem
segmentada pelo mtodo dos mnimos; e (e) imagem segmentada pelo mtodo de Otsu.
O mtodo de Otsu pode ser estendido para mais modos do histograma, mas em
geral os analisadores de imagem no contemplam esta opo. Apesar de ser facilmente
implementado, o mtodo , via de regra, extremamente custoso computacionalmente e se
torna invivel para imagens com mais do que 4 ou 5 modos no histograma.
Uma outra forma automtica de limiarizao a limiarizao adaptativa, que
consiste na aplicao de uma limiarizao automtica, individualmente, a pores da
imagem. Sub-divide a imagem e faz-se a limiarizao automtica em cada sub-diviso,

45

obtendo-se um tom de corte para cada uma. Em seguida, interpola-se estes tons de corte a
fim de se obter um tom de corte especfico para cada pixel da imagem.
A limiarizao adaptativa mais sensvel s variaes locais de intensidade, sendo
portanto menos sensvel a irregularidades de fundo, como problemas de iluminao. No
entanto, um procedimento mais lento e no muito comum em analisadores de imagem.
A Figura 23 faz uma comparao entre a segmentao de Otsu e a limiarizao adaptativa.
Ela mostra uma imagem, com problema de iluminao irregular, segmentada por ambas as
tcnicas.





(a) (b) (c)
Figura 23. Comparao entre a segmentao de Otsu e a limiarizao adaptativa: (a)
imagem em 256 tons de cinza; (b) imagem da segmentao de Otsu; e (c) imagem da
limiarizao adaptativa.
2.4.2 Segmentao por contornos
A segmentao por contornos simula o funcionamento da viso humana, ela
detecta as bordas dos objetos, a partir das quais, constri seus contornos, considerando
como objeto a regio dentro de um contorno. A segmentao por contornos
computacionalmente mais custosa que a limiarizao, devendo, assim, ser usada somente
quando a limiarizao no produz um resultado satisfatrio. Entre as tcnicas de
segmentao por contornos, uma das mais conhecidas e utilizadas a de Marr-Hildreth.

46

A assim denominada segmentao de Marr-Hildreth implementada atravs da
aplicao de dois filtros espaciais. Primeiro borra-se a imagem em tons de cinza com um
filtro gaussiana, para ento se aplicar, nesta imagem borrada, um filtro laplaciano. A partir
da imagem do laplaciano da gaussiana, obtm-se os contornos, que so formados pelos
cruzamentos por zero nessa imagem. Assim, a tcnica de segmentao de Marr-Hildreth
tambm conhecida como o Laplaciano da Gaussiana.
A segmentao de Marr-Hildreth muito sensvel a rudos, por isto costuma
apresentar melhor resultado quando utilizada juntamente com a limiarizao. Procede-se
separadamente segmentao pelas duas tcnicas e combina-se as duas imagens resultantes
atravs da operao lgica de interseo (AND). A Figura 24 mostra um exemplo de
segmentao conjunta por limiarizao e Marr-Hildreth. Trata-se de uma imagem
biolgica, especificamente, clulas de plos estaminais de flores de Tradescantia.

(a) (b) (c) (d)
Figura 24. Exemplo de segmentao conjunta por limiarizao e Marr-Hildreth: (a) imagem
em tons de cinza; (b) imagem da limiarizao; (c) imagem da segmentao de Marr-
Hildreth; e (d) interseo entre as imagens (b) e (c).
2.5 Ps-processamento
Muitas vezes o resultado da segmentao no adequado, sendo necessria, para
se corrigir as imagens binrias resultantes da segmentao, a aplicao de procedimentos de
ps-processamento, como a separao de objetos que se tocam ou o agrupamento de
objetos para formar objetos mais complexos. Tais procedimentos so geralmente
implementados atravs de operaes lgicas e operaes morfolgicas.

47

2.5.1 Operaes Lgicas
As operaes lgicas so operaes pontuais entre imagens binrias, realizadas por
operadores lgicos que varrem as imagens de entrada, operando pixel a pixel, gerando uma
imagem de sada onde cada pixel preservado ou invertido. As trs operaes lgicas
bsicas so o complemento (NOT), a interseo (AND) e a unio (OR), a partir das quais
qualquer outra operao lgica pode ser definida. A Figura 25 mostra, a partir de duas
imagens de entrada (A e B), as trs operaes lgicas bsicas com suas respectivas tabelas-
verdade.
A operao de complemento (NOT), tambm chamada no, inverte todos os
pixels da imagem de entrada, gerando uma imagem de sada que o seu negativo. A
operao de interseo (AND), tambm chamada e, faz a interseo das duas imagens de
entrada, produzindo uma imagem de sada onde so brancos somente os pixels que so
brancos em ambas as imagens de entrada. A operao de unio (OR), tambm chamada
ou, realiza a unio das duas imagens de entrada, produzindo uma imagem de sada onde
so brancos somente os pixels que so brancos em pelo menos uma das imagens de entrada.


48

A B













NOT A A AND B A OR B















A NOT A A B A AND B A B A OR B
0 1 0 0 0 0 0 0
1 0 0 1 0 0 1 1
1 0 0 1 0 1
1 1 1 1 1 1
Figura 25. Operaes lgicas bsicas (NOT, AND e OR).
Outra operao lgica, derivada dessas operaes bsicas, tambm bastante
utilizada, o ou exclusivo (XOR). A operao de ou exclusivo (XOR) gera uma
imagem de sada onde so brancos somente os pixels que so brancos em somente uma das
imagens de entrada. De acordo com a notao estabelecida, tem-se que:
{A XOR B} = {[A OR B] AND [NOT(A AND B)]} (46)
A Figura 26 mostra a operao XOR e a tabela-verdade que a define, a partir das
mesmas duas imagens de entrada (A e B) da Figura 25.

49

A B













A XOR B











A B A XOR B
0 0 0
0 1 1
1 0 1
1 1 0
Figura 26. Operao lgica XOR.
2.5.2 Operaes Morfolgicas
Assim como as operaes lgicas so derivadas de apenas trs operaes lgicas
bsicas (NOT, AND e OR), as operaes morfolgicas tambm tm sua base, sendo
geralmente definidas a partir de duas operaes morfolgicas de propagao, a eroso e a
dilatao.
De maneira semelhante s operaes locais (seo 2.3.3 Operaes Locais), a
eroso e a dilatao so operaes orientadas pela vizinhana. A vizinhana, neste caso,
definida por uma pequena imagem binria, denominada elemento estruturante, que varre a
imagem de entrada, preservando ou invertendo o pixel central da vizinhana, na imagem de
sada, em funo de seus vizinhos.
A eroso e a dilatao so operaes de propagao opostas. Como seus nomes
sugerem, elas, respectivamente, fazem os objetos encolher ou crescer. Na dilatao, para
cada pixel preto na imagem de entrada, se houver pelo menos um vizinho branco, o pixel

50

invertido na imagem de sada. Assim, os objetos crescem em rea, podendo at se unir, e o
fundo e os buracos nos objetos diminuem, sendo at mesmo eliminados. Na eroso, para
cada pixel branco na imagem de entrada, se houver pelo menos um vizinho branco, o pixel
invertido na imagem de sada. De modo que os objetos diminuem ou so eliminados e o
fundo e os buracos crescem.
A Figura 27 mostra a eroso e a dilatao de uma imagem (A), de 10x10 pixels,
por um elemento estruturante (E), de 3x3 pixels.
A E











Eroso


Dilatao
A ? E

A ? E












Figura 27. Eroso e dilatao.
O elemento estruturante (E) da Figura 27 chamado elemento de conectividade 4
(Figura 28-a). Ele define a vizinhana como 3x3, sendo considerados vizinhos do pixel
central somente os 4 pixels adjacentes a ele lateral e verticalmente. Um outro elemento
estruturante, tambm muito utilizado, o elemento de conectividade 8 (Figura 28-b), que
define a vizinhana como 3x3, mas que considera todos os 8 pixels adjacentes como
vizinhos do pixel central. Contudo, podem ser definidos elementos estruturantes das mais
variadas formas e tamanhos, sendo a escolha do mais adequado determinada somente em

51

funo do problema. Nos exemplos que se seguem, como na Figura 27, utilizado o
elemento de conectividade 4.
(a) (b)



Figura 28. Elementos estruturantes 3x3: (a) conectividade 4; (b) conectividade 8.
A partir das operaes lgicas bsicas (NOT, AND e OR) e das operaes
morfolgicas de eroso e dilatao, so definidas outras operaes morfolgicas, simples
porm importantes, como o preenchimento de buracos (hole filling), a eliminao de
objetos que tocam na borda da imagem (border object killing) e a extrao de objetos
marcados (object marking).
Dada uma imagem (A) e um elemento estruturante (E), uma imagem contendo
somente as bordas dos objetos de A pode ser obtida por uma operao morfolgica de
extrao de bordas (Figura 29), definida como:
b(A) = {[NOT (A ? E)] AND A}. (47)
A b(A)












Figura 29. Extrao de bordas.
A partir desta operao de extrao de bordas, pode-se definir a operao
morfolgica de preenchimento de buracos (hole filling), mostrada na Figura 30, e que
realizada de acordo com o seguinte algoritmo:
X
0
= b(Ib) (48)
X
k
= {[X
k-1
AND (NOT A)] ? E}

(49)

52

k
*
(50)
hf(A) = NOT X
k
| (X
k
= X
k-1
)

(51)
onde Ib uma imagem com todos os pixels brancos, de mesma dimenso que A.
A fh(A)












Figura 30. Preenchimento de buracos (hole filling).
Utilizando-se a mesma notao, a operao morfolgica de eliminao de objetos
que tocam na borda da imagem (border object killing) mostrada na Figura 31 e definida
como:
bok(A) = {NOT [hf(NOT A)]} AND A.

(52)
A kbo(A)












Figura 31. Eliminao de objetos que tocam na borda da imagem (border object killing).
Destas operaes morfolgicas derivadas, a mais importante certamente a
extrao de objetos marcados (object marking). De fato, ela pode ser considerada como
uma operao de interseo de mais alto nvel, uma interseo de objetos, como
exemplificado na Figura 32. A partir de duas imagens de entrada (A e B), ela fornece uma
imagem de sada que contm somente os objetos de A que tenham algum pixel branco em
comum com a imagem B, ou seja, somente os objetos marcados por B. A operao
morfolgica de extrao de objetos marcados definida pelo seguinte algoritmo:

53

X
0
= B (53)
X
k
= {[X
k-1
AND A] ? E}

(54)
k
*
(55)
om(A,B) = X
k
| (X
k
= X
k-1
).

(56)
A B om(A,B)














Figura 32. Extrao de objetos marcados (object marking).
Uma outra operao, no propriamente derivada das operaes j citadas, mas que
tambm muito utilizada na etapa de ps-processamento, a eliminao de objetos por
rea (scrapping), que consiste em eliminar, na imagem, os objetos que tenham rea, ou
seja, nmero de pixels, dentro de uma determinada faixa de valores. A Figura 33 mostra a
aplicao desta operao, tendo 20 a 100, como faixa de valoras de rea.
A scrapping(A,20,100)












Figura 33. Eliminao de objetos por rea (scrapping).
Todas essas operaes morfolgicas descritas acima, so definidas a partir das
operaes clssicas de propagao (dilatao e eroso) orientadas a partir de um elemento
estruturante, como mostrado. No entanto, as operaes de propagao, propriamente ditas,
so geralmente feitas de outro modo, pois a repetida aplicao de operaes com elemento
estruturante deforma os objetos, dando-lhes a forma deste elemento. Assim, as operaes
de propagao so feitas a partir do clculo do Mapa de Distncias Euclidianas (Euclidean

54

Distance Map - EDM) (Danielsson, 1980), descrito mais adiante. Apesar de
computacionalmente mais custosas, as operaes baseadas no EDM realizam a propagao
de maneira verdadeiramente radial, afetando menos a forma dos objetos e sendo
independentes de sua rotao na imagem (Russ & Russ, 1989).
A Figura 34 faz a comparao entre as operaes de propagao com elemento
estruturante (conectividade 4) e baseadas no EDM. Ela mostra uma imagem binria com
objetos geomtricos regulares (Figura 34-a) e as imagens binrias resultantes da dilatao
desta imagem com elemento estruturante (Figura 34-b) e atravs do EDM (Figura 34-c).





(a) (b) (c)
Figura 34. Comparao entre as operaes de propagao com elemento estruturante
(conectividade 4) e EDM.
De fato, as operaes morfolgicas baseadas no EDM so mais acuradas.
Entretanto, nas operaes de preenchimento de buracos, eliminao de objetos que tocam a
borda da imagem e extrao de objetos marcados, por s se fazerem propagaes de um
passo, num nico sentido (eroso ou dilatao) e somente para pixels adjacentes, a
utilizao do EDM equivale ao emprego do elemento estruturante, conectividade 8 ou 4,
dependendo da aproximao utilizada no EDM. Desta forma, estas operaes so feitas
orientadas a partir de um elemento estruturante 3x3 (conectividade 8 ou 4), o que bem
mais rpido do que o clculo, a cada iterao, de um novo EDM.

55

A partir de uma imagem binria de entrada, o clculo do EDM gera uma imagem
de sada em tons de cinza, mantendo os pixels do fundo como 0 e atribuindo, a cada pixel
dos objetos, o valor, aproximado ou truncado, da distncia euclidiana deste pixel ao pixel
do fundo mais prximo, como ilustrado na Figura 35.
A EDM(A)
0 1 1 1 0 0 0 0 0 0
1 1 2 1 1 1 1 1 0 0
1 1 1 1 1 2 2 1 1 1
0 1 1 0 1 2 3 2 2 1
0 1 1 0 1 2 3 2 1 1
0 1 1 0 1 2 3 2 1 0
0 1 1 1 1 2 3 2 1 0
0 0 1 1 2 3 3 2 1 0
0 0 0 1 2 2 2 2 1 0
0 0 1 1 1 1 1 1 1 0
Figura 35. Mapa de Distncias Euclidianas (EDM).
Da, as operaes de propagao so feitas atravs da simples limiarizao da
imagem do EDM, como mostrado na Figura 36. Calculando-se a imagem de EDM da
imagem binria em questo e fazendo-se sua limiarizao, com uma faixa tonal de (k + 1) a
255, obtm-se uma eroso de k passos. J a dilatao feita como uma eroso do fundo,
envolvendo assim uma etapa a mais. Atravs do complemento (NOT) da imagem binria,
gera-se a imagem binria do fundo, ento calcula-se sua imagem de EDM e faz-se a
limiarizao desta, com uma faixa tonal de 0 a k, obtendo-se uma dilatao de k passos.

56






(a) (c) (e)




(b) (d) (f)
Figura 36. Eroso e dilatao a partir do EDM: (a) imagem binria inicial; (b) complemento
da imagem binria inicial; (c) EDM (com look-up table); (d) EDM do complemento (com
look-up table); (e) eroso (10 passos); e (f) dilatao (10 passos).
Por si s, as operaes de dilatao e eroso distorcem a imagem, aumentando ou
reduzindo a rea dos objetos, assim, elas so geralmente aplicadas de forma combinada,
como operaes de abertura ou fechamento. Por outro lado, existem situaes onde se
deseja realmente alterar a imagem, visando ressaltar certas caractersticas dos objetos ou da
imagem como um todo, no intuito de realizar medies. Neste sentido, aplicam-se
operaes de propagao extrema, tambm baseadas no clculo do EDM, como a eroso
derradeira, a transformada do eixo medial, a dilatao derradeira e a dilatao derradeira
com barreiras.
A operao de abertura consiste na aplicao sucessiva de eroso e dilatao, uma
abertura de k passos feita atravs de uma eroso de k passos seguida por uma dilatao

57

tambm de k passos. Como resultado, de acordo com o nmero de passos, pequenos objetos
desaparecem e objetos com pennsulas finas so divididos.
A operao de fechamento justamente o inverso, consiste na aplicao sucessiva
de dilatao e eroso. Um fechamento de k passos feito por uma dilatao de k passos
seguida por uma eroso de k passos. Como resultado do fechamento, de acordo com o
nmero de passos, pequenos buracos so preenchidos e objetos prximos so unidos.
A Figura 37 mostra as imagens resultantes das operaes de abertura e fechamento
de uma mesma imagem binria.





(a) (b) (c)
Figura 37. Abertura e fechamento: (a) imagem binria inicial; (b) abertura (10 passos); e (c)
fechamento (10 passos).
A eroso derradeira ou ltima eroso (ultimate erosion) consiste na eroso, passo a
passo, de cada objeto na imagem, at que um prximo passo o eliminaria. J a operao de
transformada do eixo medial (Russ, 1995) corresponde a uma eroso derradeira
condicionada a no remover pixels que dividam os objetos. A Figura 38 mostra as imagens
resultantes destas duas operaes numa mesma imagem binria.

58






(a) (b) (c)
Figura 38. Eroso derradeira e transformada do eixo medial: (a) imagem binria inicial; (b)
eroso derradeira; e (c) transformada do eixo medial.
A dilatao derradeira (ultimate dilation), tambm conhecida como ltima
dilatao e esqueleto skiz, consiste na dilatao dos objetos na imagem, com a condio de
que eles no se unam. Uma variante desta operao a dilatao derradeira com barreiras
(Gomes & Almeida, 2001), onde os objetos se dilatam at o limiar de encontrarem uma
barreira (outro objeto), quando ento, cessam a dilatao em todas as direes, no se
unindo. Assim, por no unirem os objetos que dilatam, estas operaes so muito utilizadas
em procedimentos de ps-processamento para separao de objetos que se tocam. A Figura
39 mostra as imagens resultantes das operaes de dilatao derradeira e dilatao
derradeira com barreiras de uma mesma imagem binria.



(a) (b) (c)
Figura 39. Dilatao derradeira e dilatao derradeira com barreiras: (a) imagem binria
inicial; (b) dilatao derradeira; e (c) dilatao derradeira com barreiras.

59

2.5.3 Separao de objetos que se tocam
Objetos colados ou superpostos so um dos mais corriqueiros problemas de
segmentao. Tal problema precisa ser resolvido antes da etapa de extrao de atributos,
pois, caso contrrio, os objetos no podero ser corretamente identificados, contados e
medidos. Assim, a separao de objetos que se tocam um dos mais importantes tpicos da
etapa de ps-processamento.
A tcnica clssica utilizada para separao de objetos o mtodo dos divisores de
guas (watersheds), que se baseia no crescimento de sementes dos objetos. Calcula-se a
imagem do EDM e procede-se sua limiarizao progressivamente, gerando-se sementes e
agregando pixels a elas, sem permitir que estes agrupamentos se unam. A limiarizao
progride ampliando-se sua faixa de um em um a partir do maior valor de tom de cinza na
imagem (o pixel mais brilhante) at que a faixa v deste valor at 1. O resultado deste
processo uma imagem binria onde linhas de 1 pixel de espessura (os divisores de guas)
dividem os objetos considerados como a unio de vrios, como mostrado na Figura 40.



(a) (b)
Figura 40. Mtodo dos divisores de guas (watersheds): (a) imagem binria inicial; e (b)
imagem binria com objetos separados.
A limiarizao progressiva da imagem do EDM determina que os divisores de
guas so definidos como linhas formadas por pixels com valores de tons de cinza mnimos
locais. Deste modo, o mtodo dos divisores de guas muito sensvel a rudos locais na

60

imagem do EDM, como os gerados por irregularidades nos contornos dos objetos na
imagem binria. Assim, antes das sucessivas limiarizaes, a imagem do EDM geralmente
sofre uma filtragem passa-baixa para atenuar os rudos locais. Com esta filtragem, geram-se
divisores de guas mais bem comportados.
O mtodo dos divisores de guas deve ser usado com cautela, pois comum, para
uma mesma imagem, gerar separaes esprias e manter objetos unidos. O problema em
questo ir determinar o que mais aceitvel: sub ou super separao.
2.6 Extrao de Atributos
Extrao de Atributos a etapa da seqncia padro onde se inicia a anlise da
imagem. Nela so realizadas medidas sobre a imagem segmentada e/ou sobre a imagem em
tons de cinza, extraindo-se atributos caractersticos. Existem dois tipos de medidas,
medidas de campo e medidas de regio.
As medidas de campo so aquelas feitas na imagem, ou campo, como um todo, a
fim de caracteriz-la integralmente. Podem ser feitas tambm em sub-campos da imagem,
caracterizando-os individualmente como imagens diferentes. As medidas de campo so
geralmente divididas em medidas de:
(i) Contagem de Objetos;
(ii) rea;
(iii) Interceptos e Intersees;
(iv) Intensidade; e
(v) Textura.
As medidas de regio so as medidas realizadas sobre os objetos segmentados na
imagem, visando caracteriz-los individualmente. As medidas de regio podem ser
divididas em medidas de:
(i) Tamanho;

61

(ii) Forma;
(iii) Posio;
(iv) Intensidade; e
(v) Textura.
2.6.1 Medidas de Campo
2.6.1.1 Contagem de Objetos
A contagem de objetos em uma imagem provavelmente a medida mais comum
em anlise de imagem. Apesar de ser uma tarefa simples, esta pode no ser uma medida
muito fcil de ser feita manualmente, especialmente se o nmero de objetos for grande. No
entanto, digitalmente, uma das medidas mais fceis de ser realizada. A partir da imagem
segmentada, as regies de pixels contguos com a mesma tonalidade, que correspondem aos
objetos, so contadas.
Contudo esta simplicidade esconde armadilhas que podem gerar erros na
contagem, como a definio de pixel contguo. Os analisadores de imagem geralmente
oferecem duas opes de contiguidade, tambm chamada conectividade, denotadas por 4 e
8. Conectividade 8 significa que todos os 8 pixels adjacentes so considerados contguos, j
conectividade 4 leva em conta somente os 4 pixels adjacentes lateral e verticalmente, no
considerando os 4 pixels diagonalmente adjacentes, como mostrado na Figura 41, onde os
pixels cinzas representam os pixels adjacentes considerados contguos ao pixel central
(branco).



Conectividade 8 Conectividade 4
Figura 41. Conectividade.

62

A Figura 42 apresenta uma pequena imagem, de 10x10 pixels, onde a definio da
conectividade como 8 ou 4 leva a uma contagem de um ou dois objetos, respectivamente. A
escolha de qual conectividade usar vai depender somente do problema em questo.










Figura 42. Exemplo de possvel erro de contagem de objetos devido conectividade.
2.6.1.2 rea
A rea ocupada por objetos uma medida fcil e rpida para o computador, ela
obtida pela simples contagem dos pixels brancos na imagem binria. Dela, derivam-se
outras medidas importantes, tambm facilmente obtidas, como a frao de rea do campo
ocupada por objetos e a rea mdia dos objetos. A frao de rea calculada pela razo
entre o nmero de pixels brancos e o nmero total de pixels, na imagem binria. E a rea
mdia dos objetos calculada pela razo entre a rea e o nmero de objetos.
2.6.1.3 Interceptos e Intersees
Muitas vezes, os conceitos de intercepto e interseo so confundidos. No entanto,
a diferena entre estas medidas clara. Desenhada uma linha de teste sobre uma imagem
segmentada, os interceptos constituem-se nas sobreposies entre esta linha e os objetos na
imagem (Figura 43-a). J as intersees so os pixels comuns entre a linha e os contornos
dos objetos (Figura 43-b), ou seja, so os pixels extremos de cada intercepto.

63




(a) (b)
Figura 43. (a) interceptos e (b) intersees.
Os interceptos e intersees so medidas a partir das quais derivam-se parmetros
estereolgicos, que fogem ao escopo deste trabalho.
2.6.1.4 Intensidade
As medidas de intensidade visam caracterizar a imagem a partir dos tons de cinza
de seus pixels. Assim, diferentemente das anteriores, estas medidas so feitas sobre
imagens em tons de cinza. A partir do histograma da imagem, so calculados parmetros
estatsticos simples descritivos de sua aparncia, tais como brilho e contraste, que so as
medidas de intensidade mais comuns. Como mostrado anteriormente, as propriedades de
brilho e contraste so definidas, respectivamente, como:

=
=
255
0
) (
r
r p r B ;

(57)
[ ]

=
=
255
0
2
) (
r
r p B r C .

(58)
onde r representa os tons de cinza; e p(r) o histograma.
Outras medidas de intensidade so definidas atravs dos momentos do histograma.
Define-se o n-simo momento em torno da mdia como:

64

[ ]

=
=
255
0
) ( ) (
r
n
n
r p B r r .

(59)
O segundo momento (
2
) a varincia, que equivale ao quadrado do contraste. O
terceiro momento uma medida de anti-simetria do histograma, enquanto o quarto uma
medida de seu achatamento ou planaridade. J os momentos de ordem mais alta no so
facilmente relacionados com o formato do histograma, mas fornecem informao
quantitativa adicional sobre a textura da imagem (Gonzalez & Woods, 1992).

De fato, estas medidas de intensidade constituem-se em parmetros simples de
caracterizao da textura em imagens em tons de cinza. Na seo seguinte, discute-se
textura mais detalhadamente.
2.6.1.5 Textura
Neste ponto cabe um parntese. Em Cincia de Materiais, textura entendida
como a orientao preferencial dos cristalitos num material poli-cristalino. J, em PADI,
textura um conceito mais abrangente, sem definio formal, que visa representar as
variaes locais de intensidade dos pixels em uma imagem. Pensando a intensidade dos
pixels como uma terceira dimenso da imagem, a textura pode ser entendida como uma
medida de propriedades como rugosidade, granularidade e regularidade (Russ, 1995).
Por no haver uma definio formal, existem diversas tcnicas de caracterizao
da textura em uma imagem, cada qual mais adequada deteco de um determinado tipo de
caracterstica. A escolha da tcnica a ser utilizada depende somente do problema em
questo.
Em imagens segmentadas, a caracterizao da textura feita atravs de tcnicas
baseadas na anlise estatstica do posicionamento relativo entre os objetos. Tais tcnicas
so geralmente utilizadas na anlise de imagens que apresentam uma segunda fase dispersa,
como incluses ou poros em um material, caracterizando a disperso destes objetos quanto

65

ao seu grau de ordenamento, aleatoriedade e agrupamentos. Em (Shehata, 2000) so
descritas cinco tcnicas usadas para caracterizar a disperso de objetos, a saber:
(i) Variao da Densidade: uma tcnica baseada no clculo da densidade de
objetos por rea em diferentes imagens ou regies de uma mesma imagem;
(ii) Distribuio das Distncias ao Vizinho Mais Prximo: uma tcnica baseada na
distribuio da distncia do centro de gravidade de cada objeto ao de seu
vizinho mais prximo;
(iii) Dilatao e Contagem: uma tcnica baseada na distribuio das distncias de
cada objeto aos seus vizinhos, medidas atravs de sucessivas dilataes e
contagens dos objetos;
(iv) Mosaico de Dirichlet: uma tcnica baseada na construo do mosaico de
Dirichlet a meia distncia entre o centro de gravidade de cada objeto, que
pode ser construdo atravs da operao de dilatao derradeira em uma
imagem contendo somente os centros de gravidade dos objetos; e
(v) Mosaico por Dilatao: uma tcnica baseada na construo de um mosaico,
semelhante ao de Dirichlet, a partir da dilatao derradeira dos objetos, ao
invs de seus centros de gravidade.
Em imagens em tons de cinza, as tcnicas de caracterizao de textura podem ser
divididas em trs classes principais: estatstica, estrutural e de transformada.
As tcnicas estatsticas so as mais antigas tcnicas de caracterizao de textura.
Os parmetros estatsticos de primeira ordem, diretamente calculados a partir do
histograma da imagem, so os mais simples e por isso devem ser sempre os primeiros a
serem testados. Devido a sua simplicidade, tais parmetros podem ser classificados como
medidas de intensidade e, desta forma, esto descritos na seo anterior (Medidas de
Intensidade).

66

Os parmetros estatsticos de segunda ordem, derivados da matriz de co-
ocorrncia de tons de cinza da imagem, apesar de mais complexos, trazem a vantagem de
considerar o posicionamento relativo entre os pixels. (Haralick et al., 1973) props 14
parmetros deste tipo, cada qual quantificando uma caracterstica de textura, como
contraste, homogeneidade e complexidade. Os parmetros de Haralick certamente
constituem-se na mais conhecida tcnica de caracterizao de textura.
As tcnicas estruturais caracterizam a textura a partir de primitivas de textura
(textels) que so ordenadas segundo regras sintticas, formando padres. Tais tcnicas
geralmente s so usadas na anlise de imagens com textura muito regular.
As tcnicas de transformada, baseiam-se no emprego de alguma transformada,
visando obter uma representao da imagem onde determinadas caractersticas da textura
possam ser mais facilmente detectadas. As tcnicas espectrais, baseadas nas propriedades
da transformada de Fourier, so um exemplo disto. Atravs da identificao dos pontos
mais brilhantes na imagem da transformada de Fourier, faz-se a deteco de padres
peridicos na imagem original, j que a posio destes pontos fornece a direo e a
periodicidade espacial dos padres. Mais recentemente, outras transformadas vem sendo
usadas para caracterizar textura, notadamente a transformada de wavelet.
Neste trabalho, a tcnica utilizada para caracterizao de textura foram os
parmetros de Haralick. Assim, a partir deste ponto, dedica-se maior ateno a estes.
Dada uma imagem com resoluo de N
x
pixels na direo horizontal e N
y
pixels na
direo vertical, e quantizada com N
g
tons de cinza, ela pode ser representada como uma
matriz I de dimenso N
y
N
x
, segundo a notao linha-coluna, e cujos elementos sejam os
valores de tom de cinza dos pixels na posio correspondente. Assim, a sua matriz de co-
ocorrncia uma matriz quadrada, de dimenso N
g
N
g
, cujo elemento da linha i e coluna
j, designado p
d
(i,j), corresponde a freqncia de ocorrncia de pares de pixels, com os tons

67

de cinza i e j, separados por uma certa distncia numa dada direo e sentido, que so
determinados por um vetor d. O vetor d definido por suas componentes dx e dy, como
mostrado na Figura 44.

) , ( dy dx = d

Figura 44. Vetor d.
Assim, define-se, como freqncias no-normalizadas (P
d
(i,j)), os nmeros de
ocorrncia de pares de pixels, com os tons de cinza i e j, separados segundo um vetor d,
como:
} ) , ( , ) , ( : )) , ( ), , {(( # ) , ( j n m I i l k I n m l k j i P = = =
d
;

(60)
x y
N N n m l k ) , ( ), , ( ;

(61)
) , ( ) , ( dx l dy k n m + + = ;

(62)
onde # denota o nmero de elementos do conjunto.
A partir da, define-se os elementos (p
d
(i,j)) da matriz de co-ocorrncia, como:
R
j i P
j i p
) , (
) , (
d
d
= ;

(63)
onde R representa o nmero total de pares de pixels (i,j) e pode ser calculado pela seguinte
expresso:
|) | ( |) | ( dy N dx N R
y x
= .

(64)
No entanto, os parmetros de Haralick, como definidos originalmente, so
calculados a partir de matrizes de co-ocorrncia de tons de cinza de pares de pixels
separados por uma certa distncia numa dada direo, independendo do sentido. Assim, tais
dx
dy

68

matrizes de co-ocorrncia so simtricas e designadas por dois vetores opostos, d e d.
Desta forma, as Equaes (62) e (64) tem que ser reescritas:
) , ( ) , ( dx l dy k n m = ;

(65)
|) | ( |) | ( 2 dy N dx N R
y x
= .

(66)
Alm disso, originalmente, consideram apenas o posicionamento relativo entre cada pixel e
seus vizinhos mais prximos, os pixels adjacentes, havendo, portanto, somente quatro
valores possveis (0, 45, 90 e 135) para o ngulo , que designa a direo do vetor d, e
trs valores possveis (-1,0 e 1) para suas componentes dx e dy, de modo que:
) 0 , 1 ( 0 = = d ;

(67)
) 1 , 1 ( 45 = = d ;

(68)
) 1 , 0 ( 90 = = d ;

(69)
) 1 , 1 ( 135 = = d .

(70)
Para que se tornem medidas independentes de rotao, geralmente utilizada a
mdia de cada parmetro nessas quatro direes. A Tabela 2 lista os 14 parmetros de
Haralick.

69

Tabela 2. Parmetros de Haralick
Parmetro Definio
1) Uniformidade

= =
=
g g
N
i
N
j
j i p f
1 1
2
1
)] , ( [

2) Contraste
= =
=
g g
N
i
N
j
j i p j i f
1 1
2
2
) , ( ) (

3) Correlao
y x
N
i
N
j
y x
g g
j i p j i
f

= = 1 1
3
) , (

4) Varincia

= =
=
g g
N
i
N
j
j i p i f
1 1
2
4
) , ( ) (

5) Momento Inverso da Diferena

= =

+
=
g g
N
i
N
j
j i p
j i
f
1 1
2 5
) , (
) ( 1
1

6) Mdia da Soma

=
+
=
g
N
k
y x
k p k f
2
2
6
) (

7) Varincia da Soma

=
+
=
g
N
k
y x
k p f k f
2
2
2
6 7
) ( ) (

8) Entropia da Soma )] ( log[ ) (
2
2
8
k p k p f
y x
N
k
y x
g
+

=
+
=


9) Entropia

= =
=
g g
N
i
N
j
j i p j i p f
1 1
9
)] , ( log[ ) , (

10) Varincia da Diferena
y x
p f

= de varincia
10

11)Entropia da Diferena )] ( log[ ) (
1
0
11
k p k p f
y x
N
k
y x
g

=


12) Medida de Correlao (1)
} , max{
1
9
12
HY HX
HXY f
f

=

13) Medida de Correlao (2) )] 2 ( 2 exp[ 1
9 13
f HXY f =

14) Coeficiente de correlao mxima Q f de valor - auto maior segundo
14
=

Notao:

) , ( ) , ( j i p j i p
d
=

HX e HY so entropias de p
x
e p
y

=
=
g
N
j
x
j i p i p
1
) , ( ) (

=
=
g
N
i
y
j i p j p
1
) , ( ) (

= =
=
g g
N
i
N
j
y x
j p i p j i p HXY
1 1
)] ( ) ( log[ ) , ( 1

k j i
N
i
N
j
y x
g g
j i p k p
= +
= =
+
=
1 1
) , ( ) (

k j i
N
i
N
j
y x
g g
j i p k p
=
= =

=
| |
1 1
) , ( ) (

= =
=
g g
N
i
N
j
y x y x
j p i p j p i p HXY
1 1
)] ( ) ( log[ ) ( ) ( 2

=
g
N
k y x
k p i p
k j p k i p
Q
1
) ( ) (
) , ( ) , (

x
,
y
e
x
,
y
so as mdias e os desvios padres de p
x
e p
y


70


2.6.2 Medidas de Regio
2.6.2.1 Tamanho
As medidas de tamanho constituem-se nas medidas geomtricas bsicas dos
objetos, como sua rea e permetro. A seguir, so apresentadas as principais medidas de
tamanho. A Figura 45 mostra um objeto exemplo a partir do qual as medidas de tamanho
so ilustradas.

Figura 45. Objeto exemplo para ilustrar as medidas de tamanho.
A rea uma medida fcil e rpida para o computador, ela obtida pela simples
contagem dos pixels do objeto na imagem segmentada (Figura 46-a). Uma variante da rea
a rea preenchida (filled area), que, da mesma forma, obtida simplesmente contando-se
os pixels, s que, neste caso, incluindo-se a rea dos buracos do objeto (Figura 46-b).
Uma outra medida a rea convexa (taut string area), que consiste na rea obtida
aps tornar o objeto convexo. Tal medida equivalente rea definida por um elstico
passado em torno do objeto (Figura 46-c).

(a) (b) (c)
Figura 46. Medidas de rea: (a) rea; (b) rea preenchida; e (c) rea convexa.
Diferentemente da rea, o permetro uma medida mais complicada de ser
realizada, pois a pixelizao da imagem implica grandes erros. Uma aproximao do
permetro de um objeto pode ser obtida diretamente de seu contorno. Andando-se sobre o

71

contorno do objeto e contando-se os passos horizontais, verticais e diagonais dados de cada
pixel para o seguinte, calcula-se aproximadamente o permetro pela seguinte expresso:
Nd N P + = ,

(71)
onde N o nmero de passos horizontais ou verticais e Nd o nmero de passos diagonais.
Existem formas mais acuradas, porm mais complexas, de se medir o permetro de
um objeto, reduzindo o impacto da pixelizao. Uma em especial, muito comum em
analisadores de imagem, o permetro Crofton (Friel, 2000).
importante ressaltar que na medida do permetro (Figura 47-a), os permetros
dos buracos do objeto tambm so considerados. E h, ainda, os permetros preenchido
(Figura 47-b) e convexo (Figura 47-c), que so, respectivamente, os equivalentes de
permetro s reas preenchida e convexa.

(a) (b) (c)
Figura 47. Medidas de permetro: (a) permetro; (b) permetro preenchido; e (c) permetro
convexo.
Outras medidas comuns so os aspectos, tambm chamados calibres, Feret
diameters, ou simplesmente ferets. Eles equivalem s projees ou sombras do objeto em
diferentes direes, e, assim, caracterizam suas dimenses externas. Os principais ferets so
o feret mnimo (Figura 48-a), tambm denominado breadth, e o feret mximo (Figura 48-
b). Como ser visto mais adiante, a razo entre eles constitui-se numa boa medida de
alongamento. No entanto, como estes ferets nem sempre so ortogonais entre si, h ainda
um outro importante, o feret ortogonal ao mximo (Figura 48-c). Os ngulos destes ferets
tambm so medidas comumente utilizadas, o ngulo do feret mximo constitui-se numa
medida de orientao do objeto.

72


(a) (b) (c)

Figura 48. Ferets: (a) feret mnimo; (b) feret mximo; e (c) feret ortogonal ao mximo.
O dimetro do maior crculo inscrito, tambm denominado maximum width ou
simplesmente width, uma medida da largura do objeto. Como mostrado na Figura 49,
width calculado, a partir do Mapa de Distncias Euclidianas (EDM) do objeto, como o
dobro de sua intensidade mxima.

Figura 49. Width.
2.6.2.2 Forma
No existe uma definio universal de forma suficientemente genrica para
descrever a forma de qualquer objeto. Intuitivamente, a forma de um objeto descrita por
comparao a outro ou atravs de caractersticas do seu contorno. Assim, em PADI, a
forma de um objeto caracterizada atravs de parmetros que quantificam o afastamento da
forma do objeto em relao a de um modelo terico ou que denotam alguma propriedade
caracterstica de seu contorno.
Tais parmetros so chamados parmetros descritores de forma e, por princpio,
devem ser independentes do tamanho, posio e rotao dos objetos na imagem. Existem
dois tipos principais de parmetros descritores de forma: fatores adimensionais de forma e
medidas de contorno (Gomes & Paciornik, 2001).

73

Os fatores adimensionais de forma so parmetros adimensionais derivados das
medidas geomtricas bsicas (rea, permetro, calibres, etc.). Eles variam geralmente entre
0 e 1, sendo 1 para formas padres, como formas geomtricas regulares, e 0 para formas
irregulares. Tanto as formas padres, quanto o modelos tericos que as definem, podem ser
os mais variados. Assim, pode-se definir inmeros fatores adimensionais de forma.
Tendo o crculo, definido a partir da rea (A) e do permetro (P), como modelo de
forma padro, define-se o fator de forma circular (FFC), como:
2
4
P
A
FFC

=

.

(72)
facilmente notvel que FFC vale 1 para objetos circulares e apresenta valor menor para
objetos com outras formas, pois qualquer outra forma possui maior permetro para a mesma
rea. Por ser fortemente dependente do permetro, o FFC uma medida da suavidade do
contorno.
Caso se deseje um fator de forma circular mais sensvel ao alongamento do objeto
e menos dependente da suavidade de seu contorno, pode-se utilizar a circularidade (FFCc),
que um fator de forma circular calculado a partir da rea e do feret mximo (Fmax), como
mostrado a seguir:
2
4
max F
A
FFCc

.

(73)
Do mesmo modo, FFCc vale 1 para objetos circulares e menos do que 1 para objetos com
outras formas, pois qualquer outra forma, tendo o mesmo feret mximo, possui menor rea.
Muitos outros fatores de forma circular ainda podem ser definidos, visando dosar
as sensibilidades suavidade do contorno e ao alongamento do objeto. Em (Gomes &
Paciornik, 2001), definido o fator de forma circular modificado (FFCm) e, em (Grum &
turm, 1995), proposto um outro, aqui designado FFCg, calculados, respectivamente,
como:

74

max F P
A
FFCm

=
4
;

(74)
3
16
max F P
A
FFCg

.

(75)
A fim de se caracterizar a forma de um objeto a partir do conceito de alongamento,
so utilizados alguns fatores adimensionais de forma mais genricos, que no visam
comparar sua forma a um modelo especfico. Assim, definida a razo de aspectos (RA),
que calculada como a razo entre os ferets mnimo (Fmin) e mximo (Fmax), como
mostrado a seguir:
max F
min F
RA = .

(76)
A RA inversamente proporcional ao alongamento, sendo igual a 0 quando ele tende ao
infinito.
Um fator adimensional de forma sensvel ao alongamento e presena de
ramificaes pode ser definido como uma razo de aspectos modificada (RAm), onde o
feret mnimo (Fmin) substitudo pelo dimetro do maior crculo inscrito, width (W), de
modo que:
max F
W
RAm= .

(77)
A sensibilidade ramificao ainda mais acentuada no fator adimensional de
forma, aqui chamado fator de ramificao (FR), definido como a razo entre width (W) e o
feret mnimo (Fmin), como mostrado a seguir:
min F
W
FR = .

(78)
Aumentando-se a ramificao de um objeto, Fmin cresce mais aceleradamente que W.
fcil perceber que FR tambm sensvel ao encurvamento, pois, apresentando um mesmo
valor de W, formas mais encurvadas possuem um maior Fmin.

75

Tambm comum descrever um objeto como cncavo ou convexo. Para isso,
existem dois fatores adimensionais de forma, a convexidade (Conv) e a solidez (Sol), que
so definidos, respectivamente, como a razo entre o permetro convexo (Pc) e o permetro
(P) e como a razo entre a rea (A) e a rea convexa (Ac), de modo que:
P
Pc
Conv = ;

(79)
Ac
A
Sol = .

(80)
Ambos valem 1 para um objeto convexo e diminuem com a presena de concavidades. A
solidez mais sensvel a presena de ramificaes finas e longas, enquanto a convexidade,
por depender do permetro, mais sensvel suavidade do contorno.
A Tabela 3 lista os principais fatores adimensionais de forma, mostrando suas
definies e caractersticas a que so mais sensveis.

76

Tabela 3. Fatores Adimensionais de Forma
Nome Definio Sensibilidade
Fator de Forma Circular
2
4
P
A
FFC

=


suavidade do contorno
Circularidade
2
4
max F
A
FFCc

alongamento
Fator de Forma Circular Modificado
max F P
A
FFCm

=
4

alongamento e
suavidade do contorno
Fator de Forma Circular de Grum
3
16
max F P
A
FFCg

alongamento e
suavidade do contorno
Razo de Aspectos
max F
min F
RA =

alongamento
Razo de Aspectos Modificada
max F
W
RAm =

alongamento e
ramificao
Fator de Ramificao
min F
W
FR =

ramificao e
encurvamento
Convexidade
P
Pc
Conv =

concavidade e
suavidade do contorno
Solidez
Ac
A
Sol =

concavidade e
ramificaes finas e longas

Na Figura 50, adaptada de (Russ, 1991), pode-se observar a influncia das
propriedades de alongamento e suavidade do contorno em alguns fatores adimensionais de
forma. Nota-se que os objetos esquerda (A, C e E) so facetados, enquanto que os
direita (B, D e F) possuem contornos mais suaves. Assim, o fator de forma circular
apresenta valores prximos a 0,32 para A, C e E, e valores maiores, prximos a 0,47, para
B, D e F. Alm disso, o alongamento dos objetos diminui de cima para baixo, de modo que
h claramente trs nveis de circularidade e razo de aspectos, caractersticos para os pares
A e B; C e D; e E e F.

77

A
C
B
D
F E

A B C D E F
Fator de forma circular 0,31 0,45 0,33 0,47 0,32 0,48
Circularidade 0,26 0,28 0,50 0,50 0,62 0,65
Razo de aspectos 0,28 0,28 0,50 0,50 0,56 0,59

Figura 50. Comparao de fatores adimensionais de forma.
importante ressaltar que os nomes e definies destes fatores adimensionais de
forma variam na literatura (Russ, 1995).
As medidas de contorno, o segundo tipo principal de parmetros descritores de
forma, so funes calculadas a partir da posio e raio (distncia ao centro de gravidade
do objeto) de cada pixel do contorno e de medidas geomtricas bsicas. Elas so
computacionalmente mais complexas que os fatores adimensionais de forma. E, devido a
sua natureza, so geralmente mais sensveis a irregularidades do contorno (Gomes &
Paciornik, 2001).
A partir das posies dos pixels do contorno, define-se a curvatura (C
i
), que um
parmetro que descreve a variao de direo do contorno de um objeto, calculado pixel a
pixel como:
( ) ( )
2
1 1
2
1 1
2 2
+ +
+ =
i i i i i i i
y y y x x x C ,

(81)
onde x
i
e y
i
so as coordenadas do i-simo pixel do contorno. Assim, define-se uma medida
de contorno, a chamada energia de curvatura (EC), como a mdia quadrtica da curvatura
normalizada pela extenso do contorno, o permetro (P), de modo que:

=
=
N
i
i
C
P
EC
1
2
1
,

(82)
onde N representa o nmero de pixels do contorno.

78

A partir dos raios dos pixels do contorno, so definidas outras medidas de
contorno, como o raio mdio ( R ), a varincia dos raios (VR) e a disperso dos raios em
torno da mdia (DR), como mostrado, respectivamente, a seguir:

=
=
N
i
i
R
N
R
1
1
;

(83)
( )
2
1
1

=
=
N
i
i
R R
N
VR ;

(84)
2
R
VR
DR = ;

(85)
onde R
i
o raio do i-simo pixel do contorno, calculado de acordo com a expresso
seguinte:
( ) ( )
2 2
G i G i i
y y x x R + = ,

(86)
onde x
G
e y
G
so as coordenadas do centro de gravidade do objeto.
Em (Gomes & Paciornik, 2001), proposta uma medida de contorno, aqui
designada MCg, definida como:
FFCm R max F
VR
MCg
1
) (
2

= .

(87)
Medidas de contorno mais complexas podem ser definidas a partir de uma tcnica
chamada anlise de assinatura de contorno, que consiste em estender o contorno do objeto,
representando-o como uma funo, para ento analis-la. A assinatura mais comum a
assinatura angular de contorno, que definida como o raio de cada pixel do contorno em
funo de seu ngulo. No entanto, caso os objetos tenham reentrncias, esta funo no ser
unvoca. Ento, deve ser utilizada uma assinatura seqencial, onde a abscissa formada
pela posio seqencial dos pixels ao longo do contorno e a ordenada marca o raio ou o
ngulo de cada pixel do contorno. A Figura 51 mostra a obteno da assinatura seqencial
de contorno de um objeto exemplo, uma partcula de grafita num ferro fundido cinzento.

79

0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
0 20 40 60 80 100 120 140
Pixel
R
a
i
o

Figura 51. Assinatura seqencial de contorno.
Muitos parmetros podem ser extrados da anlise de uma funo de assinatura de
contorno. No entanto, devido a sua natureza, tal funo discreta e peridica, onde o
perodo o prprio nmero de pixels do contorno. Assim, a anlise geralmente realizada
expandindo-se esta funo em srie de Fourier, obtendo-se seus coeficientes, a partir dos
quais so calculados os descritores de Fourier.
2.6.2.3 Posio
A posio de um objeto numa imagem descrita principalmente pelas
coordenadas de seu centro de gravidade e por medidas relativas ao retngulo circunscrito,
como as coordenadas dos pixels mais em cima, mais em baixo, mais a esquerda e mais a
direita do objeto, como mostrado na Figura 52.
Figura 52. Medidas de posio.
A partir das medidas de posio de cada objeto na imagem, pode-se definir
parmetros descritivos da posio relativa entre os objetos. Tais parmetros so
A A
D
B
C

80

considerados medidas de textura em imagens segmentadas e so geralmente utilizados para
caracterizar a disperso dos objetos na imagem. Na seo 2.6.1.5, so listadas algumas
tcnicas de caracterizao da disperso de objetos.
2.6.2.4 Intensidade
As medidas de intensidade de regies visam caracterizar os objetos na imagem a
partir dos tons de cinza de seus pixels, assim, para a realizao destas medidas so
necessrias as imagens segmentada e em tons de cinza. A imagem segmentada funciona
como uma mscara que determina os objetos, delimitando as regies correspondentes na
imagem em tons de cinza, sobre as quais so feitas as medidas de intensidade.
Tais medidas so parmetros estatsticos simples, como os tons de cinza mnimo e
mximo, o tom de cinza mdio (brilho) e o desvio padro dos tons de cinza (contraste). De
fato, so as mesmas medidas de intensidade utilizadas como medidas de campo (seo
2.6.1.4), s que, neste caso, so calculadas separadamente para cada regio da imagem
correspondente a um objeto.
2.6.2.5 Textura
Assim como ocorre com as medidas de intensidade, as medidas de textura de
regies so as mesmas medidas utilizadas como medidas de campo (seo 2.6.1.5).
As tcnicas de caracterizao de textura em imagens segmentadas podem ser
usadas para caracterizar a textura de buracos em regies, como incluses ou poros em um
material.
As tcnicas de caracterizao de textura em imagens em tons de cinza
caracterizam, na imagem em tons de cinza, a textura das regies delimitadas numa imagem
binria, exatamente como no caso das medidas de intensidade.

81

2.7 Reconhecimento de Padres e Classificao
A etapa de reconhecimento de padres e classificao a etapa final da seqncia
padro de PADI. Nela feito o tratamento dos dados quantitativos obtidos na etapa de
extrao de atributos, interpretando-os, de modo a fornecer um resultado de mais alto nvel.
Assim, esta etapa constitui-se numa transformao de informao em conhecimento.
O reconhecimento de padres visa construir uma representao mais simples de
um conjunto de dados, atravs de suas caractersticas mais relevantes, possibilitando sua
diviso em classes. Em PADI, as tcnicas de reconhecimento de padres e classificao
podem ser usadas para classificar os objetos em uma imagem. A partir dos atributos dos
objetos, constri-se um espao de atributos (espao de caractersticas), onde cada objeto
representado por um vetor, formado por seus atributos, que assume a forma de um ponto
neste espao. Ento, a classificao dos objetos feita atravs da anlise do posicionamento
destes pontos no espao de caractersticas.
Existem dois tipos de classificao: supervisionada e no-supervisionada. Na
classificao supervisionada (Figura 53), as classes so definidas por padres conhecidos,
de modo que um objeto atribudo a uma classe de acordo com sua proximidade aos
padres conhecidos de cada classe no espao de caractersticas. J na classificao no-
supervisionada (Figura 54), no h nenhuma informao sobre as classes e a classificao
feita atravs da busca de clusters, agrupamento de pontos prximos, no espao de
caractersticas.

82

0
5
10
15
0 5 10 15
Atributo 1
A
t
r
i
b
u
t
o

2

Figura 53. Classificao supervisionada.
0
5
10
15
0 5 10 15
Atributo 1
A
t
r
i
b
u
t
o

2




0
5
10
15
0 5 10 15
Atributo 1
A
t
r
i
b
u
t
o

2

Figura 54. Classificao no-supervisionada.
Este trabalho considera apenas a classificao supervisionada.
2.7.1 Classificao Supervisionada
A classificao supervisionada atribui uma classe a um objeto desconhecido
atravs de uma medida de similaridade de suas caractersticas com as caractersticas de
objetos padres conhecidos. Assim, classificao supervisionada demanda:
um conjunto de treinamento, conjunto de objetos padres conhecidos,
rotulados, para representar as classes;
um conjunto de caractersticas, conjunto de atributos que define o espao de
caractersticas; e
um classificador, que o algoritmo que realiza as medidas de similaridade.
objeto desconhecido,
provavelmente classe verde

83

2.7.1.1 Conjunto de treinamento
O conjunto de treinamento um conjunto constitudo por objetos padres
conhecidos rotulados (previamente classificados). Ele deve ser grande o suficiente para ter
uma boa estatstica, minimizando o efeito de rudos, e deve apresentar grande variabilidade
dentro de cada classe para representar bem as diversas classes.
2.7.1.2 Conjunto de caractersticas
O conjunto de caractersticas o conjunto de atributos que define o espao de
caractersticas. Deve ser um conjunto de atributos que caracterize bem os objetos,
agrupando os objetos similares e separando os distintos. No entanto, o conjunto de
caractersticas precisa ser robusto para agrupar as diferenas dentro de cada classe e
sensvel bastante para discriminar essas classes. Assim, os atributos do conjunto de
caractersticas so escolhidos visando a separao das classes para possibilitar a
classificao.
Na prtica, raramente um nico atributo suficiente para distinguir duas ou mais
classes, sendo geralmente utilizados vrios atributos. Por outro lado, a adio de mais
atributos ao conjunto de caractersticas no significa sempre uma melhora da classificao.
O aumento da dimensionalidade do espao de caractersticas torna necessrio, a fim de
manter-se uma boa estatstica, o aumento do conjunto de treinamento, o que nem sempre
possvel (Raudys & Jain, 1991). Alm disso, um grande conjunto de caractersticas pode
reduzir a generalidade do sistema de classificao. Deste modo, deve-se utilizar o menor
conjunto de caractersticas possvel, combinando e/ou selecionando atributos dentre os
atributos disponveis.
A tcnica clssica de combinao de atributos a anlise de componentes
principais (PCA), que constri atributos a partir da combinao linear de outros que
maximiza a varincia entre as classes.

84

A seleo dos atributos, para formar o conjunto de caractersticas timo, pode ser
feita atravs da busca exaustiva do conjunto que atinja a melhor taxa de acerto para a
classificao. Na prtica, quando se tem um grande nmero de atributos disponveis, no
factvel o teste de todos os conjuntos possveis, sendo, ento, buscado um conjunto sub-
timo. Neste sentido, a busca do melhor conjunto a partir daqueles atributos que sozinhos
apresentam as melhores taxas de acerto nem sempre d bons resultados. Mtodos de busca
de conjuntos sub-timos fogem do escopo deste trabalho. Diversas referncias podem ser
encontradas na literatura (Kudo & Skalansky, 2000).
2.7.1.3 Classificador
O classificador o algoritmo que mensura a similaridade entre os objetos e entre
estes e as classes. Existem dois tipos principais de classificador: estatstico (no-
paramtrico e paramtrico) e conexionista (redes neurais).
Os classificadores no-paramtricos so os mais simples, eles utilizam uma funo
de distncia para determinar as fronteiras de deciso que dividem o espao de
caractersticas em sub-espaos, discriminando as classes. Os classificadores no-
paramtricos mais comuns so os classificadores de Distncia Euclidiana e de
Mahalanobis.
O classificador de Distncia Euclidiana determina as fronteiras de deciso a partir
das distncias euclidianas entre os centrides de cada classe no espao de caractersticas.
Devido sua natureza radial, este classificador s apresenta bons resultados quando os
clusters, que representam as classes, so convexos. Tal problema minimizado com a
utilizao do classificador de Mahalanobis, pois este leva em considerao a forma dos
clusters.

85

Os classificadores paramtricos discriminam as classes atravs da estimativa de
parmetros da distribuio dos pontos de cada classe no espao de caractersticas, como a
densidade de probabilidade (classificador de Bayes).
As redes neurais so classificadores mais complexos, inspirados na estrutura
neural de organismos inteligentes, que aprendem atravs da experincia.
2.7.1.4 Etapas da classificao supervisionada
Um procedimento de classificao supervisionada consiste em trs etapas:
treinamento, validao e classificao. Treina-se o sistema com os padres do conjunto de
treinamento e faz-se sua validao atravs da classificao de um conjunto de objetos
conhecidos. A partir de ento, o sistema est pronto para a classificao, propriamente dita,
de objetos desconhecidos.
O treinamento prepara o sistema para a classificao. A partir do classificador e do
conjunto de treinamento, so determinadas funes discriminantes, que so as fronteiras de
deciso que dividem o espao de caractersticas em sub-espaos, que representam, cada um,
uma classe.
A validao mede a qualidade do sistema e verifica sua capacidade de
generalizao. realizada atravs do clculo da taxa de acerto da classificao de um
conjunto de objetos conhecidos (conjunto de validao) diferentes dos objetos do conjunto
de treinamento. No entanto, quando o nmero de objetos conhecidos disponveis
pequeno, privilegia-se a formao do conjunto de treinamento, sendo a validao feita
atravs da classificao do prprio conjunto de treinamento (auto-validao), mas, neste
caso, h apenas uma estimativa da qualidade do sistema.


86

3 Anlise da Mesoestrutura de Bambus
3.1 Introduo
Os bambus so plantas encontradas em abundncia nas regies tropicais da sia e
Amrica Latina, sendo largamente utilizadas principalmente pelas suas populaes rurais.
Muitas so as aplicaes dos bambus, dentre as quais destacam-se seu uso como material
de construo (material estrutural, de vedao e mobilirio), como dutos para irrigao e
distribuio de gua e na alimentao (rizoma).
Recentemente, o estudo dos bambus como material estrutural vem exercendo um
interesse crescente entre engenheiros, arquitetos e pesquisadores, pois, alm de ser um
recurso renovvel, os bambus podem propiciar outras vantagens. Utilizado em substituio
ao ao em estruturas de concreto armado, os bambus apresentam menores custo e peso para
uma mesma capacidade de carga. Uma outra linha de pesquisa estuda a introduo de fibras
vegetais, de bambus e outras plantas, no cimento, o que geralmente proporciona maior
ductilidade e maiores resistncia fratura, impacto e compresso.
Apesar da extensa gama de aplicaes dos bambus, a maioria ainda realizada
empiricamente nas reas rurais, havendo conhecimento apenas parcial de caractersticas
fundamentais, como crescimento, reproduo e taxionomia (Rao, 1987). Contudo, uma
utilizao mais cientfica dos bambus, como na indstria da construo civil, depende
substancialmente de sua classificao, pois existem inmeras espcies de bambu, muito
diferentes entre si.
Tradicionalmente, a classificao dos bambus realizada de forma visual com
base em algumas caractersticas anatmicas macroscpicas (pontas dos colmos, bainhas dos
colmos e folhas) e microscpicas (conjuntos vasculares), Figura 55.

87


(a) ponta dos
colmos

(b) bainhas dos colmos

(c) folhas

(d) conjuntos vasculares
Figura 55. Caractersticas anatmicas do bambu usadas para sua classificao.
No entanto, a inspeo visual destas caractersticas anatmicas um procedimento
subjetivo e lento, que no adequado para o uso em grande escala na indstria e que nem
sempre possvel. Assim, este trabalho prope um mtodo automtico, baseado em
tcnicas de PADI, para a caracterizao da mesoestrutura de bambus atravs da anlise de
sees retas de colmos, observadas ao microscpio ptico. Trata-se de um procedimento de
classificao supervisionada para reconhecimento dos tipos dos conjuntos vasculares,
visando a diferenciao entre espcies de bambu.
Observando-se a olho nu (Figura 56-a) uma seo reta de um colmo de bambu,
nota-se que este constitudo de duas fases, de modo que os bambus podem ser
considerados como um material compsito, formado por longas e alinhadas fibras imersas
em uma matriz. No entanto, ao observar-se parte da mesma seo reta atravs de um
microscpio ptico (Figura 56-b), percebe-se que o que a princpio visto como uma fibra
na verdade um conjunto vascular composto por vasos e fibras. A Figura 57 mostra duas
imagens obtidas em MEV, extradas de Liese (Liese, 1987), onde v-se em detalhe estas
estruturas.

88


(a)

(b)
Figura 56. Seo reta de um colmo de bambu a olho nu (a) e numa lupa (b).
esclernquima
vasos
parnquima

Figura 57. Detalhes da estrutura dos bambus.
Os conjuntos vasculares integram os tecidos de conduo e os de resistncia
mecnica. Os vasos tm como funo o transporte de nutrientes da raiz s demais partes da
planta e, como os bambus possuem estrutura bastante esbelta, estes so reforados por um
tecido (esclernquima), composto por micro-fibras de celulose, que responsvel pela

89

resistncia do bambu. J a matriz do compsito bambu formada por um tecido
denominado parnquima, constitudo de lignina.
Segundo Taihui & Wenwei (Taihui & Wenwei, 1987), os conjuntos vasculares
podem ser divididos em sete tipos, de acordo com o modo como as regies de
esclernquima se arranjam em torno dos vasos. Na Figura 58, pode-se ver desenhos
produzidos por Taihui & Wenwei, que mostram estes sete tipos de conjunto vascular.

1. No-diferenciado
2. Semi-diferenciado
3. Double-broken
4. Broken
5. Slender waist
6. Open
7. Semi-open
Figura 58. Classes de conjuntos vasculares.
Dentre estes, os tipos no-diferenciado e semi-diferenciado so comuns a todas as
espcies, ocorrendo nas regies da espessura prximas superfcie externa do colmo dos
bambus. Assim, visando a diferenciao entre espcies de bambu, utilizou-se somente os
demais cinco tipos como classes de conjuntos vasculares. Extraindo-se alguns conjuntos
vasculares dos desenhos de Taihui & Wenwei (Figura 58), foram produzidas cinco imagens
para formar o conjunto de treinamento (Figura 59).

90


Classe I Double-broken

Classe II Broken

Classe III Slender-waist

Classe IV Open

Classe V Semi-open
Figura 59. Conjunto de treinamento.
3.2 Mtodos Experimentais
3.2.1 Treinamento e Validao
A princpio pensou-se em dois atributos, o nmero de regies de esclernquima do
conjunto vascular e a razo entre rea da maior regio de esclernquima e a rea convexa
das regies como um todo.
O primeiro atributo bvio, pois das cinco classes de conjunto vascular, apenas
duas tm o mesmo nmero de regies de esclernquima, open e slender-waist, que possuem
quatro. Alm disso, este um atributo discreto e que s pode assumir quatro valores (2, 4, 5
e 6). Qualquer conjunto vascular que apresente um outro nmero de regies de
esclernquima constitui-se num erro, devendo portanto eliminado.

91

O segundo atributo tem por objetivo justamente a separao das classes open e
slender-waist no espao de caractersticas. Ele foi desenvolvido baseado na observao de
duas caractersticas que so diferentes nestas classes. Os conjuntos vasculares da classe
slender-waist so mais densos, apresentam mais rea de esclernquima por rea de
conjunto vascular. Alm disso, os conjuntos vasculares da classe slender-waist possuem
uma regio de esclernquima com rea bem superior s demais.
Em seguida, notou-se que a soma destes dois atributos formaria um atributo capaz
de classificar sozinho os conjuntos vasculares. Assim, a classificao foi feita empregando
somente este atributo nico (AU):
todo um como regies das convexa rea
regio maior da rea
regies de nmero + = AU .

(88)
O classificador utilizado foi o de Distncia Euclidiana. O conjunto de treinamento
foi composto pelas cinco imagens da Figura 59. E a validao foi feita com o prprio
conjunto de treinamento (auto-validao).
3.2.2 Classificao
Foram retiradas amostras dos colmos de oito indivduos de quatro espcies
diferentes de bambu, vulgarmente conhecidas como urea, Gigante, Matake e Moso,
totalizando oito amostras, duas por espcie. As amostras foram preparadas por lixamento
(lixas n
o
400, 600 e 1000) e polimento (alumina, 6mm). Ento, observou-se as amostras em
uma lupa com 6x de magnificao e suas imagens (1 campo por amostra) foram captadas
por uma cmera de vdeo, ligada a um computador PC atravs de uma placa digitalizadora
de vdeo (frame grabber). As 8 imagens digitais obtidas foram ento processadas e
analisadas com o software KS400 (Carl Zeiss Vision, 1998).
A rotina de processamento e anlise das imagens das sees retas de bambus
complexa, pois os objetos a serem medidos e classificados, os conjuntos vasculares, so

92

objetos formados, no por uma nica regio branca cada, mas por conjuntos de regies
brancas separadas. Assim, a seqncia padro de PADI no a forma mais simples de
representao desta rotina. Ento, seu fluxograma foi organizado em etapas conforme
objetivos mais especficos do problema, como mostrado na Figura 60.
Imagens digitais das amostras
Escamao do bambu
Extrao dos atributos
Classificao
Segmentao dos
conjuntos vasculares
Segmentao das
regies de esclernquima
Segmentao do bambu

Figura 60. Fluxograma da rotina de classificao de conjuntos vasculares.
A seguir, descreve-se em detalhe estas etapas, utilizando como exemplo uma
amostra da espcie Moso.
3.2.2.1 Segmentao do bambu
A primeira etapa da rotina de processamento e anlise das imagens dos bambus a
segmentao do bambu, que consiste em separar o bambu do resto da imagem, o fundo.
Para isso, buscou-se algo existente em todo o bambu e que no h no fundo. Como pode ser
visto na Figura 61, o que basicamente o diferencia o bambu do fundo a alta freqncia
espacial no bambu, formada pelas bordas entre a matriz e o fundo e entre a matriz e as

93

regies de esclernquima. Assim, decidiu-se pela segmentao das bordas, seguida de
operaes de ps-processamento (dilatao entre outras), para uni-las de modo a formar a
imagem binria do bambu.

Figura 61. Imagem capturada em 256 tons de cinza.
Para que as extremidades da imagem no afetem as operaes de dilatao das
bordas, expande-se a imagem em tons de cinza (Figura 62). criada uma imagem
completamente preta (todos os pixels iguais a zero) de tamanho maior que a imagem
original. Ento, a imagem original, em si, colocada em seu centro. O problema que isto
gera alta freqncia espacial no fundo, entre o fundo original e o novo fundo, que
totalmente preto. Assim, antes da expanso da imagem, obtm-se uma imagem
aproximada do fundo original e mede-se seu tom de cinza mdio. A, a fim de minimizar a
freqncia espacial entre o fundo original e o novo, pinta-se o novo fundo da imagem
expandida com o tom de cinza mdio do fundo original, como mostrado na Figura 62.
3 mm

94



Figura 62. Expanso da imagem do bambu.
A imagem aproximada do fundo original obtida atravs de uma segmentao
grosseira do bambu. A partir da imagem em 256 tons de cinza do bambu (Figura 63-a),
procede-se a uma segmentao de Otsu (Figura 63-b) seguida por operaes morfolgicas
(dilatao, hole filling e eroso). Desta forma, gera-se uma imagem binria (Figura 63-c)
cujo negativo uma aproximao do fundo, boa o suficiente para se medir seu tom de cinza
mdio.

(a) (b) (c)
Figura 63. Segmentao grosseira do bambu.
Preparada a imagem expandida (Figura 62), aplica-se um filtro passa-baixa
seguido pelo filtro Sobel e segmenta-se a imagem obtida atravs de uma segmentao
adaptativa, obtendo-se a imagem binria das bordas (Figura 64).

95


Figura 64. Imagem binria das bordas.
Mesmo com uso do passa-baixa, esta imagem binria ainda contm muitos
artefatos no fundo, necessitando assim de uma limpeza. Procede-se a uma segmentao
adaptativa da imagem expandida original, gerando-se uma imagem binria (Figura 65-a).
Sobre esta, so feitas operaes morfolgicas (fechamento, hole filling e scrapping) para
fechar seus buracos, obtendo-se uma outra imagem binria (Figura 65-b), j bem prxima
da imagem binria do bambu, mas que apresenta erros nas bordas entre o bambu o fundo.
Esta imagem serve ento como marcador numa operao de extrao de objetos marcados
(object marking) com a imagem binria das bordas (Figura 64), de modo a gerar uma
imagem binria mais limpa das bordas (Figura 65-c).

(a) (b) (c)
Figura 65. Limpeza da imagem binria das bordas.

96

Ento, a partir desta imagem binria mais limpa das bordas (Figura 65-c), faz-se
uma dilatao lateral radical (Figura 66-a) e preenche-se os buracos restantes atravs de
operaes de fechamento e hole filling (Figura 66-b). Da, procede-se a uma eroso lateral,
de igual tamanho ao da dilatao, de modo a preservar o tamanho original do bambu,
obtendo-se a imagem binria da Figura 66-c. A, corta-se esta imagem para que ela fique do
tamanho original, obtendo-se a imagem binria do bambu (Figura 67).

(a) (b) (c)
Figura 66. Unio das bordas.

Figura 67. Imagem binria do bambu.
3.2.2.2 Escamao do bambu
Obtida a imagem binria do bambu, parte-se para a sua escamao. A diviso do
bambu em camadas necessria, pois os conjuntos vasculares variam em forma e tamanho
atravs de sua espessura. Ento, aps classificar cada conjunto vascular, determina-se a ou

97

as classes de conjunto vascular tpicas de cada camada, caracterizando-se assim a variao
das classes de conjunto vascular atravs da espessura do colmo do bambu.
Foi arbitrado que dividir o colmo do bambu em oito camadas seria o suficiente. As
seis camadas mais internas, as de cima nas imagens, seriam usadas para caracterizar a
variao dos conjuntos vasculares atravs da espessura do colmo do bambu. As duas mais
externas, as de baixo nas imagens, foram ignoradas, pois geralmente contm de modo
predominante conjuntos vasculares dos tipos no-diferenciado e semi-diferenciado, tipos
no considerados na classificao.
Assim, a escamao se inicia com a gerao da imagem de uma grade, formada
por linhas verticais igualmente espaadas (10 pixels). Desta imagem, elimina-se as linhas
que no tocam o bambu e adiciona-se as linhas verticais que passam pelas extremidades
laterais do bambu. A, pinta-se cada linha da grade com o tom de cinza correspondente
ordem em que ela aparece da esquerda para a direita (Figura 68-a), o que necessrio para
manter um registro do ordenamento das linhas, pois adiante estas so ligadas em ordem.
Para facilitar sua visualizao, Figura 68-a foi aplicada uma look-up table.
Ento, aplica-se a imagem binria do bambu, como uma mscara, sobre a imagem
da grade pintada, gerando-se a imagem (Figura 68-b) onde se mede a posio (x, y mnimo
e y mximo) e a ordem (tom de cinza) de cada linha. A partir desses dados, liga-se pontos
intermedirios (a 1/8, 2/8, 3/8, 4/8, 5/8 e 6/8) das linhas verticais, formando as curvas de
corte, com as quais obtm-se a imagem do bambu separado em camadas (Figura 68-c).

98


(a) (b) (c)
Figura 68. Escamao do bambu.
3.2.2.3 Segmentao dos conjuntos vasculares
primeira vista, a segmentao dos conjuntos vasculares parece fcil. Entretanto,
como dito anteriormente, os conjuntos vasculares so objetos complexos, formados, cada
um, por um conjunto de regies brancas separadas, as regies de esclernquima. Assim,
decidiu-se por construir os conjuntos vasculares atravs do agrupamento de regies de
esclernquima, a partir dos vales formados entre estas regies, utilizando-se da
segmentao Valleys do KS400 (Carl Zeiss Vision, 1998). Os vales, no caso,
representam uma medida do espaamento entre as regies, de modo que vales mais
abruptos indicam uma maior proximidade entre duas regies e vales mais suaves denotam
um maior afastamento.
No entanto, h uma grande variabilidade no tamanho, espaamento e forma dos
conjuntos vasculares e regies de esclernquima. E isto acontece no s entre diferentes
espcies de bambu, mas tambm dentro de uma mesma amostra, fazendo-se necessrio o
emprego de um procedimento de segmentao que seja robusto para abarcar toda esta
variabilidade.
Assim, a fim de realizar a segmentao dos conjuntos vasculares atravs do
agrupamento de regies de esclernquima e seus vales, desenvolveu-se um mtodo de

99

segmentao recursiva a partir da segmentao Valleys do KS400 (Carl Zeiss Vision,
1998). O processo anda de modo que:
as variveis da segmentao Valleys e de algumas operaes morfolgicas
so parametrizadas por funes empricas;
as operaes de segmentao so realizadas sucessiva e progressivamente de
acordo com estas funes;
a cada ciclo de segmentao, a imagem resultante avaliada e, caso no una
dois conjuntos vasculares, adicionada s anteriores;
o processo evolui na busca de uma otimizao e pra quando no se consegue
mais agregar novos conjuntos vasculares;
da imagem resultante dos diversos ciclos, elimina-se objetos muito pequenos
ou muito grandes (com rea fora do desvio padro), pois so provavelmente
erros diversos e no conjuntos vasculares;
a imagem resultante avaliada e, caso o tamanho dos conjuntos vasculares no
seja compatvel com o tamanho das regies de esclernquima, o processo
recomea do zero com novas condies iniciais, segundo as mesmas funes.
A seguir, segue-se os passos de um ciclo. A segmentao Valleys gera uma
imagem binria que, depois de passar por uma operao de dilatao, une regies de
esclernquima e vales (Figura 69-a). Algumas destas unies formam anis, cujos interiores
constituem sementes a partir das quais obtm-se os conjuntos vasculares. Assim, faz-se o
negativo desta imagem e elimina-se os objetos que tocam sua borda (border object killing),
obtendo-se a imagem binria das sementes (Figura 69-b).
Realiza-se uma segmentao de Otsu da imagem em tons de cinza do bambu,
gerando-se a imagem da Figura 69-c. Esta imagem serve ento como marcador numa
operao de extrao de objetos marcados (object marking) com a imagem das sementes,

100

de modo a eliminar as sementes que no tocam em regies de esclernquima, que
obviamente no so sementes de conjuntos vasculares. A, faz-se uma dilatao das
sementes e une-se esta imagem imagem da segmentao de Otsu. Ento, aplica-se,
imagem resultante, uma operao de extrao de objetos marcados, utilizando-se como
marcador a imagem das sementes. A imagem assim obtida passa por algumas operaes
morfolgicas (fechamento, hole filling e border object killing), gerando-se a imagem dos
conjuntos vasculares deste ciclo (Figura 69-d).

(a) (b) (c) (d)
Figura 69. Um ciclo de segmentao de conjuntos vasculares.
No caso da amostra que se vem acompanhando, bastaram trs ciclos (Figura 70-a,
b e c) para se segmentar os conjuntos vasculares. Um quarto ciclo geraria erros na
segmentao (Figura 70-d).

(a) (b) (c) (d)
Figura 70. Resultados dos ciclos de segmentao de conjuntos vasculares.

101

Atingido o ponto timo da recurso (Figura 70-c), elimina-se os conjuntos
vasculares que tocam as bordas da imagem, com a operao border object killing,
resultando na imagem da Figura 71-a. Ento, atravs de operaes de scrapping, elimina-se
objetos muito pequenos ou muito grandes (com rea fora do desvio padro), que
provavelmente so erros diversos e no conjuntos vasculares, obtendo-se finalmente a
imagem dos conjuntos vasculares (Figura 71-b).

(a) (b)
Figura 71. Eliminao dos conjuntos vasculares que tocam as bordas da imagem ou que
possuem rea fora do desvio padro.
3.2.2.4 Segmentao das regies de esclernquima
A segmentao das regies de esclernquima comea com a segmentao de Otsu
da imagem em tons de cinza do bambu. A, faz-se a interseo desta imagem (Figura 72-a)
com a imagem dos conjuntos vasculares (Figura 72-b), obtendo-se a imagem da Figura 72-
c. O problema que esta imagem geralmente contm muitos erros, como pequenos objetos
esprios e regies de esclernquima coladas. Os objetos muito pequenos podem ser
facilmente eliminados com uma operao de scrapping, entretanto a separao das regies
de esclernquima coladas demanda um processamento mais complexo.

102


(a) (b) (c)
Figura 72. Segmentao das regies de esclernquima (primeira parte).
A primeira idia para se separar as regies de esclernquima coladas foi usar o
mtodo dos divisores de guas (watersheds), entretanto, neste caso, ele no aplicvel.
Devido irregularidade dos contornos das regies, efeito da m representao dos
contornos causada pela baixa resoluo, o watersheds acaba por dividir regies que no
precisam ser separadas. O emprego de um filtro passa-baixa antes do watersheds tambm
gera muitos erros, pois, devido ao tamanho reduzido de vrias das regies, ele tende a
elimin-las.
Ento, foi utilizada uma variante mais controlvel do watersheds. Tal tcnica,
como descrita na seo 2.5.3 (Separao de objetos que se tocam), consiste na realizao
seguida de trs operaes (eroso, dilatao derradeira e interseo). Faz-se uma eroso de
alguns passos, aplica-se uma dilatao derradeira e procede-se interseo da imagem
assim obtida com a imagem inicial dos objetos, gerando-se uma imagem onde alguns
objetos so separados.
Contudo, apesar do maior controle desta tcnica variante, algumas regies de
esclernquima ainda continuavam sendo erroneamente divididas. Como as regies de
esclernquima so geralmente mais convexas que objetos formados pela unio de duas ou
mais destas regies, estabeleceu-se um limiar. Considerou-se, como regies de
esclernquima, todos os objetos com convexidade acima de 0,75 e solidez acima de 0,60,

103

retirando-os da imagem antes de se proceder separao e retornando-os em seguida. De
maneira similar, objetos pequenos (com rea entre 5 e 25 pixels) devem ser retirados da
imagem e retornados aps o procedimento de separao dos objetos que se tocam.
Assim, a partir da imagem da interseo entre a imagem dos conjuntos vasculares
e a imagem obtida pela segmentao de Otsu (Figura 72-c), faz-se um scrapping para
eliminar objetos muito pequenos, com rea menor ou igual a 5 pixels. Ento, retira-se, da
imagem assim obtida, os objetos pequenos (com rea entre 5 e 25 pixels) e os objetos mais
convexos (com convexidade acima de 0,75 e solidez acima de 0,60). Isto gera trs imagens,
uma somente com os objetos pequenos (Figura 73-a), uma s com os mais convexos
(Figura 73-b) e uma outra onde eles foram excludos (Figura 73-c). Nesta ltima, procede-
se separao de objetos que se tocam, com a tcnica variante do watersheds, utilizando-se
apenas um passo na eroso. A, por fim, a imagem resultante somada imagem dos
objetos pequenos e dos mais convexos, gerando-se a imagem das regies de
esclernquima (Figura 73-d).

(a) (b) (c) (d)
Figura 73. Segmentao das regies de esclernquima (segunda parte).
3.2.2.5 Extrao dos atributos
Como dito anteriormente, os conjuntos vasculares so objetos complexos,
formados, cada um, no por uma nica regio branca, mas por um conjunto de regies

104

brancas separadas, as regies de esclernquima. Assim, para se proceder extrao dos
atributos, faz-se necessria ainda uma etapa de processamento, atravs da qual so
preparadas imagens mais fceis de serem medidas.
Separa-se cada conjunto vascular em uma imagem diferente (Figura 74-a) e faz-se
a interseo de cada uma destas com a imagem das regies de esclernquima, obtendo-se
imagens com as regies de esclernquima de cada conjunto vascular (Figura 74-b). A partir
destas imagens, mede-se o nmero de regies de esclernquima, a rea da maior regio e as
coordenadas do primeiro pixel de cada regio, varrida a imagem da esquerda para a direita,
de cima para baixo. A, para medir a rea convexa das regies como um todo, une-se as
regies a partir do primeiro pixel de cada uma (Figura 74-c) e mede-se a rea convexa deste
objeto assim formado.

(a) (b) (c)
Figura 74. Preparao de imagens fceis de serem medidas.
Ento, a partir destas medidas, calcula-se o atributo nico (AU) usado para a
classificao dos conjuntos vasculares:
todo um como regies das convexa rea
regio maior da rea
regies de nmero + = AU .

(89)
Alm disso, no intuito de, aps a classificao dos conjuntos vasculares,
caracterizar as camadas do bambu, faz-se necessrio determinar a que camada cada
conjunto vascular pertence. Assim, procede-se interseo da imagem de cada conjunto
vascular com a imagem de cada camada, medindo-se as reas de cada um em cada uma.
Ento, atribui-se cada conjunto vascular camada do bambu na qual ele tem maior rea.

105

3.2.2.6 Classificao
Antes da classificao feita uma limpeza na base de dados. Elimina-se os
conjuntos vasculares cujo nmero de regies de esclernquima difere dos valores possveis
(2, 4, 5 e 6) e, tambm, os conjuntos vasculares no pertencentes a uma das seis camadas
mais internas, as de cima nas imagens. Visualmente, a Figura 75 mostra esta limpeza.



(a) (b)
Figura 75. Limpeza para a classificao.
Ento, feita a limpeza, classifica-se cada conjunto vascular segmentado das oito
amostras em estudo.
3.3 Resultados e Discusses
Da Figura 76 Figura 79, so mostrados os resultados da classificao das oito
amostras de bambu.

106









Classe (%) Classe (%)




Camada DB B SW O SO Camada DB B SW O SO
1 0 0 0 100 0 1 0 0 0 100 0
2 0 0 0 100 0 2 0 0 0 100 0
3 0 0 0 100 0 3 0 9 9 82 0
4 0 6 19 63 13 4 0 0 25 63 13
5 0 0 0 0 100 5 0 0 0 14 86
6 0 0 0 0 100 6 0 0 0 0 100
Figura 76. Classificao das amostras de bambu da espcie urea.
3 mm 3 mm

107









Classe (%) Classe (%)




Camada DB B SW O SO Camada DB B SW O SO
1 50 25 0 25 0 1 0 50 25 25 0
2 0 67 33 0 0 2 57 29 0 0 14
3 67 11 0 0 22 3 56 11 22 0 11
4 67 33 0 0 0 4 63 13 13 0 13
5 47 47 7 0 0 5 45 36 0 0 18
6 27 60 13 0 0 6 38 50 13 0 0
Figura 77. Classificao das amostras de bambu da espcie Gigante.
3 mm 3 mm

108









Classe (%) Classe (%)




Camada DB B SW O SO Camada DB B SW O SO
1 0 0 0 100 0 1 0 0 0 100 0
2 0 0 0 100 0 2 0 7 0 93 0
3 0 0 8 92 0 3 0 0 0 100 0
4 0 0 37 53 11 4 0 0 36 36 29
5 0 0 0 0 100 5 0 0 6 0 94
6 0 0 0 0 100 6 0 0 0 0 100
Figura 78. Classificao das amostras de bambu da espcie Matake.
3 mm 3 mm

109









Classe (%) Classe (%)




Camada DB B SW O SO Camada DB B SW O SO
1 0 20 0 80 0 1 0 0 0 100 0
2 0 5 0 95 0 2 0 0 0 100 0
3 0 0 0 100 0 3 0 5 0 89 5
4 0 4 0 83 13 4 0 0 19 56 25
5 0 0 0 6 94 5 0 0 0 0 100
6 0 0 0 0 100 6 0 0 0 0 100
Figura 79. Classificao das amostras de bambu da espcie Moso
A princpio, poder-se-ia pensar que as imagens de referncia do conjunto de
treinamento representam uma limitao ao processo, pois so imagens sintticas com
poucos elementos. No entanto, devido alta especificidade do atributo utilizado, a auto-
validao do classificador forneceu taxas de acerto iguais a 100% para todas as classes e os
resultados obtidos, na classificao das amostras, foram satisfatrios .
A classificao dos conjuntos vasculares consistente com uma anlise visual e as
amostras de uma mesma espcie apresentam grande semelhana nas classes dos conjuntos
vasculares predominantes em cada camada do colmo. Contudo, houve algumas
3 mm 3 mm

110

discordncias, principalmente nas amostras da espcie Gigante, o que provavelmente
devido pequena quantidade de conjuntos vasculares. Assim, a classificao de bambus
desta espcie e de outras, que contenham poucos conjuntos vasculares por camada,
demanda mais campos por seo reta do colmo, de modo a melhorar a estatstica envolvida.
Tudo isso indica a possibilidade do desenvolvimento de um mtodo de
classificao automtica de bambus. Todavia, certamente seria necessria a utilizao de
mais atributos e consequentemente de um conjunto de treinamento com mais elementos, de
preferncia formado a partir de imagens de amostras reais.

111

4 Classificao Automtica de Grafita em Ferros
Fundidos
4.1 Introduo
O ferro fundido pode ser definido como uma liga Fe-C com teor de carbono
aproximadamente acima de 2%, resultando geralmente em carbono livre na forma de
partculas de grafita (Chiaverini, 1988). , portanto, em geral, um material composto por
partculas de grafita dispersas numa matriz metlica.
O ferro fundido apresenta partculas de grafita de diferentes formas, que
influenciam diretamente suas propriedades mecnicas (Colpaert, 1969). A tenacidade
fratura e a ductilidade dependem fortemente da forma das partculas de grafita. Partculas
com formas nodulares melhoram estas propriedades, enquanto que partculas mais
alongadas ou com contornos irregulares as diminuem, por terem pontos de concentrao de
tenso (Van Vlack, 1970). Assim, o ferro fundido classificado segundo as formas de suas
partculas de grafita.
A norma ISO-945 apresenta seis classes para caracterizar as diferentes formas de
partculas de grafita. A Figura 80 mostra as seis imagens de referncia que representam
estas classes.

112

Classe I Lamelar Classe II Crab ou Spiky Classe III Vermicular

Classe IV Nodular irregular Classe V Nodular incerta Classe VI Nodular regular
Figura 80. Imagens de referncia das seis classes de partculas de grafita (ISO-945).
A classe I chamada lamelar, pois as partculas de grafita por ela representadas
apresentam-se sob a forma de lamelas. Na verdade, esta forma lamelar s aparece na
observao de sees planas, pois as lamelas so interligadas, formando colnias que s
podem ser percebidas em 3 dimenses. As partculas de grafita da classe I so
caractersticas do ferro fundido cinzento, assim denominado, devido colorao escura que
apresenta quando seccionado.
As classes IV, V e VI so chamadas, respectivamente, nodular irregular, nodular
incerta e nodular regular ou esferoidal e so as classes de partculas de grafita
correspondentes ao ferro fundido malevel (IV e V) e ao ferro fundido nodular (V e VI). De
fato, o ferro fundido nodular geralmente caracterizado pela presena de pelo menos 80%
de partculas de grafita das classes V e VI, aliada ausncia de partculas das classes I e II

113

(Fargues & Stucky, 1994). Devido sua alta ductilidade, dada pelas partculas de grafita de
forma nodular, o ferro fundido nodular tambm chamado ferro fundido dctil.
A classe III chamada vermicular pois suas partculas de grafita tm aparncia
similar a vermes. A classe III caracterstica do ferro fundido vermicular, que assim
denominado, quando apresenta pelo menos 80% de partculas desta classe, acompanhadas
de partculas das classes V e VI (Carmo & Costa, 1996). A classe III representa partculas
de grafita que tm uma forma intermediria entre as classes I (lamelar) e VI (nodular
regular) e que tambm podem formar colnias como as formadas por partculas da classe I.
Do mesmo modo, o ferro fundido vermicular um intermedirio entre o ferro fundido
cinzento e o nodular, apresentando propriedades trmicas similares as do cinzento e
propriedades mecnicas mais prximas as do nodular (Carmo & Costa, 1996).
A classe II, denominada crab ou spiky por causa de sua forma com ramificaes
salientes semelhantes a pernas de caranguejo, representa uma forma de partculas de grafita
que no corresponde a nenhum tipo especfico de ferro fundido. As partculas de grafita
desta classe aparecem devido degenerao de partculas da classe VI (nodular regular) na
produo de ferros fundidos nodulares quando h certos elementos nocivos ou elementos
nodulizantes em excesso (Hecht, 1995). Partculas de grafita desta classe tambm ocorrem
em ferros fundidos cinzentos hipereutticos rapidamente resfriados (Hecht, 1995).
Tradicionalmente, a classificao do ferro fundido feita de forma visual, atravs
da comparao de amostras observadas ao microscpio ptico com as imagens de
referncia da norma ISO-945 mostradas na Figura 80. Entretanto, a inspeo visual um
procedimento subjetivo e lento, no sendo apropriado para o uso em grande escala na
indstria.
Este trabalho prope um mtodo automtico, baseado em PADI, para classificar
partculas de grafita, em ferros fundidos, de acordo com a norma ISO-945. Trata-se de uma

114

rotina de classificao supervisionada onde as imagens de referncia da norma ISO-945 so
usadas como conjunto de treinamento e o espao de caractersticas formado por um
conjunto de atributos (parmetros descritores de forma e medidas de tamanho).
4.2 Mtodos Experimentais
O classificador foi treinado e testado com diversos conjuntos de atributos, ento,
determinado o melhor conjunto, o classificador foi empregado para classificar amostras de
ferro fundido. A Figura 81 mostra o fluxograma desta rotina, destacando por cores as
etapas do treinamento (verde), validao (cor-de-rosa) e classificao (azul).
Imagens da ISO-945 Imagens das amostras
Amostras de ferro fundido
Extrao de atributos Atributos
Segmentao
Extrao de atributos
Pr-processamento
Ps-processamento
Aquisio
Taxas de acerto
% de cada classe
Treinamento
Validao
Classificao

Figura 81. Fluxograma da rotina de classificao de ferro fundido.
4.2.1 Treinamento e Validao
Foram utilizados 14 atributos, sendo 3 medidas de tamanho e 11 parmetros
descritores de forma (9 fatores adimensionais de forma, 1 medida de contorno e o ngulo
interno mdio), conforme listado a seguir:

115

1. A: rea;
2. Cx: caixa (produto do feret mximo com o feret ortogonal ao mximo);
3. PA: produto de aspectos (produto do feret mximo com o feret mnimo);
4. FFC: fator de forma circular;
5. FFCc: circularidade;
6. FFCm: fator de forma circular modificado;
7. FFCg: fator de forma circular proposto em (Grum & turm, 1995);
8. RA: razo de aspectos;
9. RAm: razo de aspectos modificada;
10. FR: fator de ramificao;
11. Conv: convexidade;
12. Sol: solidez;
13. MCg: medida de contorno proposta em (Gomes & Paciornik, 2001);
14. AIM: ngulo interno mdio, calculado como descrito a seguir.
Pensando-se cada partcula de grafita como um polgono, o atributo AIM uma
aproximao grosseira, rapidamente calculada, de seu ngulo interno mdio. A partir de
uma imagem binria, seja do conjunto de treinamento, seja de uma amostra de ferro
fundido, obtm-se o AIM atravs de um rpido processamento. Pinta-se as partculas na
imagem binria (Figura 82-a) com um tom de cinza k
2
(Figura 82-b), ento aplica-se, na
imagem obtida, um filtro passa-baixa mdia com kernel de tamanho k x k (Figura 82-c). A,
a partir da imagem binria, gera-se uma imagem das bordas das partculas e aplica-se esta,
como uma mscara, imagem gerada pelo filtro mdia. A imagem resultante (Figura 82-d)
destas poucas operaes uma imagem das bordas das partculas, onde cada pixel tem um
tom de cinza grosseiramente proporcional ao ngulo do polgono partcula naquele ponto.

116

Ento, basta medir o tom de cinza mdio dos objetos nesta imagem para se ter o AIM. Neste
trabalho, arbitrariamente, utilizou-se k = 11.





(a) (b) (c)



(d) (e)
Figura 82. ngulo interno mdio: (a) imagem binria; (b) imagem pintada com um tom de
cinza k
2
; (c) imagem borrada pelo filtro passa-baixa mdia com kernel de tamanho k x k;
(d) imagem final resultante (com look-up table); e (e) look-up table.
Estes 14 atributos foram combinados de todas as maneiras possveis, resultando
em 16383 diferentes conjuntos de atributos. Para cada conjunto, extraiu-se os atributos das
imagens de referncia da ISO-945 (conjunto de treinamento) e procedeu-se auto-
validao. Assim, todos os conjuntos foram testados num processo de busca exaustiva do
conjunto timo.
Contudo, a auto-validao fornece apenas uma estimativa da qualidade do sistema.
Assim, testou-se tambm sua capacidade de generalizao e sua estabilidade a variaes de
resoluo.

117

A capacidade de generalizao do sistema foi testada fazendo-se uma verdadeira
validao. Dividiu-se o conjunto de treinamento em dois, metade das partculas de cada
classe nas imagens de referncia formou um novo conjunto de treinamento e a outra metade
um conjunto de validao. No entanto, devido ao pequeno nmero de partculas por classe
e grande variabilidade de forma dentro de cada classe, a escolha das metades influencia
muito no resultado da validao.
Assim, fez-se a seleo de metade das partculas de cada classe de 6 maneiras
diferentes. Varrendo-se as imagens, da esquerda para a direita, de cima para baixo,
selecionou-se as partculas mpares, pares, duas sim/duas no, duas no/duas sim, a metade
de cima e a metade de baixo. Obtendo-se, assim, para cada imagem de referncia, 6
diferentes metades e suas 6 metades complementares, de modo a formar 6 novos conjuntos
de treinamento e 6 conjuntos de validao. Ento, procedeu-se validao, com cada um
destes 6 pares de conjuntos metades e considerou-se, como resultado da validao como
um todo, a mdia das taxas obtidas com os 6 pares.
A influncia da resoluo foi avaliada a partir do treinamento e classificao com
alguns conjuntos de atributos selecionados nas etapas de auto-validao e validao.
Atravs de operaes de reamostragem sobre as imagens de referncia do conjunto de
treinamento, gerou-se oito conjuntos das imagens de referncia, com resolues diferentes,
abaixo e acima da resoluo das imagens inicialmente utilizadas (512x512 pixels). Assim,
treinou-se o sistema com o conjunto de treinamento original e classificou-se cada uma
destas novas imagens, obtendo-se um grfico da taxa de acerto global conseguida, por cada
conjunto de atributo pr-selecionado, em funo da resoluo das imagens classificadas.
4.2.2 Classificao
Foram escolhidas trs amostras caractersticas de ferros fundidos dos tipos
cinzento, malevel e nodular. As amostras foram preparadas (polidas e no atacadas) e

118

observadas no microscpio ptico (100x de magnificao), como no mtodo tradicional, de
acordo com as recomendaes da norma ISO-945. Observou-se 10 campos de cada
amostra, capturando-se suas imagens atravs de uma cmera de vdeo ligada a uma placa
digitalizadora de vdeo (frame grabber) em um computador PC. As 30 imagens digitais
obtidas, 10 de cada amostra, foram ento processadas e analisadas no software KS400 (Carl
Zeiss Vision, 1998).
O processamento e anlise das imagens digitais das amostras seguiu a seqncia
padro de PADI:
correo de iluminao irregular (pr-processamento);
segmentao automtica de Otsu a fim de distingir as partculas de grafita da
matriz;
eliminao de partculas muito pequenas e de partculas que tocam as bordas
da imagem (ps-processamento);
extrao dos atributos do conjunto selecionado; e
classificao.
4.3 Resultados e Discusses
No que concerne ao processamento e anlise de imagem, o mtodo aqui
desenvolvido para classificar ferro fundido bem simples. O treinamento resume-se etapa
de extrao dos atributos e do treinamento em si e a classificao segue a risca a
seqncia padro de PADI, utilizando-se principalmente de operaes simples e
corriqueiras.
O fato das amostras de ferro fundido no serem atacadas propicia uma boa
distino entre as partculas de grafita (preto) e a matriz (cinza claro), facilitando a

119

segmentao por limiarizao, de modo que uma rpida segmentao automtica de Otsu
suficiente.
Aps a segmentao, so aplicadas duas operaes corriqueiras de ps-
processamento, scrapping para eliminar partculas muito pequenas e border object killing
para eliminar partculas que tocam as bordas da imagem. As partculas muito pequenas so
eliminadas por serem provavelmente artefatos oriundos da preparao das amostras. J as
partculas que tocam as bordas da imagem precisam ser eliminadas devido
impossibilidade da correta caracterizao de sua forma e tamanho.
A escolha do conjunto de atributos, que designa o espao de caractersticas, de
fato a principal questo. O conjunto de atributos precisa ser robusto para agrupar a grande
variabilidade de formas apresentada em cada classe e sensvel bastante para distingir estas
classes no espao de caractersticas.
Alm de parmetros descritores de forma, o conjunto de atributos precisa conter
pelo menos uma medida de tamanho, a fim de que, em pelo menos uma dimenso do
espao de caractersticas, haja discriminao por tamanho, compensando a alta correlao
tamanho-forma e o efeito da pixelizao.
Tamanho e forma so propriedades muito correlatadas. A seguir mostra-se um
exemplo disto. Observando-se a imagem de referncia da classe I (Figura 83), pode-se
notar que todas as partculas tm largura (width) semelhante, mas o comprimento, que
neste caso pode ser grosseiramente estimado como a metade do permetro, varia bastante.
Deste modo, verificam-se valores bem distintos para alguns parmetros de forma.

120


Figura 83. Grande correlao tamanho-forma.
O outro fator que corrobora a necessidade de pelo menos uma medida de tamanho
no conjunto de atributos o efeito de degradao na forma das partculas causado pela
digitalizao ou pixelizao das imagens. Quanto maior a resoluo da imagem de um
objeto, mais fiel realidade sua forma, de modo que a degradao inversamente
proporcional ao tamanho. Ou seja, esta uma questo de amostragem, quanto mais pixels
so utilizados para representar o objeto, melhor sua representao.
Assim, dentre os 14 atributos testados, 3 so medidas de tamanho (A, Cx e PA). Os
11 demais, como mostrado anteriormente na seo 3.2.1 (Treinamento e Validao), so
parmetros descritores de forma.
Devido ao pequeno nmero de atributos testatos (14) e de suas conseqentes
combinaes (16383), utilizou-se a busca exaustiva. O nmero de combinaes no
exatamente pequeno, entretanto, devido ao tempo necessrio, para o treinamento e auto-
validao com cada conjunto de atributos, ser menor do que 1 s (em um Pentium III 500
MHz), todas as possibilidades podem ser testadas em pouco mais de 4 horas de
processamento.
A Tabela 4 apresenta um resumo dos resultados da busca exaustiva na auto-
validao.
A linha Mx. sem mostra a taxa de acerto global mxima de auto-validao
obtida com conjuntos de atributos que no contenham os atributos de cada coluna. Esta taxa

121

diz qual o mximo desempenho conseguido sem a adio de determinado atributo no
conjunto, constituindo-se portanto numa medida da qualidade do atributo.
As linhas Md. sem e Md. com trazem as taxas de acerto globais mdias
obtidas sem e com a presena dos atributos nos conjuntos. A linha Dif. Md. mostra a
diferena entre as taxas mdias com e sem. Esta diferena d uma idia do ganho do
sistema com a adio do atributo.
As linhas Mx. com e Mn. com apresentam as taxas de acerto globais
mxima e mnima obtidas com a presena dos atributos nos conjuntos. E a linha S
mostra a taxa de acerto global obtida por cada atributo individualmente.
Ainda sobre a Tabela 4, a coluna Tam. til para se observar a influncia da
presena ou no de medidas de tamanho. Referindo-se a esta coluna, sem significa sem
nenhuma medida de tamanho, com significa com pelo menos uma e s representa as
trs medidas de tamanho (A, Cx e PA) juntas.
Tabela 4. Taxas de acerto globais de auto-validao
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Atributo A Cx PA Tam.* FFC FFCc FFCm FFCg RA RAm FR Conv Sol MCg AIM
Mx. sem 97,65 98,82 98,82 97,65 99,41 99,41 98,82 98,82 99,41 98,82 98,82 97,65 98,82 99,41 96,47
Md. sem 90,93 91,80 91,77 90,40 91,40 91,57 91,45 91,83 91,71 91,30 91,84 91,26 91,73 91,40 89,61
Md.

com 92,94 92,07 92,10 92,16 92,48 92,30 92,43 92,05 92,16 92,57 92,03 92,61 92,14 92,47 94,26
Dif. Md. 2,02 0,27 0,33 1,75 1,08 0,72 0,98 0,22 0,45 1,28 0,19 1,35 0,41 1,06 4,65
Mx.

com 99,41 99,41 99,41 99,41 98,82 98,82 99,41 99,41 98,82 99,41 99,41 99,41 99,41 98,82 99,41
Mn. com 34,71 29,41 29,41 29,41 50,00 70,59 62,94 70,00 62,35 71,76 39,41 36,47 54,71 67,65 52,35
S 34,71 36,47 37,06 52,35 51,18 70,59 62,94 70,00 62,35 71,76 39,41 36,47 54,71 71,18 52,35
*Tam.: medidas de tamanho (sem sem nenhuma, com significa com pelo menos uma e s representa as 3 juntas.

Observando-se as colunas A e Tam., pode-se notar a importncia da presena
de medidas de tamanho no conjunto de atributos. Sem pelo menos uma medida de tamanho,
no caso a rea (A), a taxa de acerto global da auto-validao no vai alm de 97,65%. Alm
disso, a rea (A) apresenta uma diferena entre as taxas mdias (2,02%) bem superior dos
outros parmetros, que giram em torno de 1%, exceo do AIM (4,65%).

122

De fato, o ngulo interno mdio (AIM) o atributo decisivo. Ele apresenta o maior
valor para a diferena entre as mdias (4,65%) e sem ele a taxa de acerto global da auto-
validao no passa de 96,47%. Sua contribuio ao conjunto de atributos fica ainda mais
evidente quando observados os grficos (Figura 84 e Figura 85) extrados da Tabela 4.
A
PA
FFC
FFCm
RAm
FR
Conv
Sol
MCg
FFCg
RA
Cx
FFCc
AIM
0,00
1,00
2,00
3,00
4,00
5,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Atributo
D
i
f
e
r
e
n

a

e
n
t
r
e

a
s

t
a
x
a
s

m

d
i
a
s

(
%
)

c
o
m

e

s
e
m

o

a
t
r
i
b
u
t
o

Figura 84. Diferena entre taxas de acerto globais mdias (%) com e sem o atributo.
A
FFCc RA
Conv
Sol
MCg
AIM
FR
RAm FFCg FFCm
FFC
PA
Cx
95,00
96,00
97,00
98,00
99,00
100,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Atributo
T
a
x
a

d
e

a
c
e
r
t
o

g
l
o
b
a
l

m

x
i
m
a

s
e
m

o

a
t
r
i
b
u
t
o

(
%
)

Figura 85. Taxa de acerto global mxima sem o atributo.
Feita a auto-validao, partiu-se, ento, para a validao com os conjuntos
metades e, em seguida, para o teste de influncia da resoluo. Deste modo, a partir deste
ponto, retirou-se o atributo MCg da anlise, pois, devido a limitaes do ambiente de

123

programao do KS400 (Carl Zeiss Vision, 1998), o clculo deste atributo lento e torna-
se impossvel com o aumento da resoluo.
Assim, pegou-se todos os conjuntos de atributos, excludos os com MCg, que
atingiram uma taxa de acerto global na auto-validao maior do que 97%, e procedeu-se
validao. Destes conjuntos (490), separou-se os 10 que obtiveram as maiores taxas de
acerto global na validao (Tabela 5). Nota-se, observando esta tabela, que as taxas de
acerto so menores do que aquelas obtidas na auto-validao. Contudo, isto j era esperado,
pois a reduo do nmero de partculas no conjunto de treinamento piora a representao
das classes.
Tabela 5. Validao
Conjunto de atributos Auto-validao (%) Validao (%)
A, FFCm, RA, Conv, RAm, AIM 97,06 92,16
A, FFCm, RA, Conv, AIM 98,24 91,94
A, FFCm, Conv, Sol, AIM 97,06 90,55
A, FFC, FFCm, RA, Conv, RAm, AIM 97,65 90,33
A, FFC, FFCm, Conv, FR, RAm, AIM 98,24 90,33
A, PA, FFCm, RA, Conv, RAm, AIM 97,06 89,98
A, FFCm, FFCg, Conv, FR, RAm, AIM 98,24 89,96
A, FFCm, FFCg, RA, Conv, AIM 98,24 89,94
A, FFC, FFCc, RA, Conv, RAm, AIM 97,65 89,93
A, FFCg,Conv, Sol, RAm, AIM 98,24 89,80



Ento, utilizando-se o conjunto de treinamento original, testou-se a estabilidade do
sistema a variaes de resoluo com estes 10 conjuntos de atributos. Os resultados (Figura
86) mostram que, com todos estes 10 conjuntos, a resoluo exerce forte influncia, sendo
o comportamento apresentado muito similar. As curvas dos 10 conjuntos so praticamente
coincidentes e so paralelas curva do atributo AIM sozinho. Assim, apesar do atributo
AIM ser o mais contributivo para a qualidade do sistema, verifica-se que ele muito

124

dependente da resoluo, e, deste modo, acaba por contaminar o conjunto de atributos,
tornando o sistema muito instvel (Figura 86).
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
100,00
128 171 256 341 512 768 1024 1536 2048
Dimetro do campo (pixels)
T
a
x
a

d
e

a
c
e
r
t
o

g
l
o
b
a
l

(
%
)
A, FFCm, RA, Conv, RAm, AIM
A, FFCm, RA, Conv, AIM
A, FFCm, Conv, Sol, AIM
A, FFC, FFCm, RA, Conv, RAm, AIM
A, FFC, FFCm, Conv, FR, RAm, AIM
A, PA, FFCm, RA, Conv, RAm, AIM
A, FFCm, FFCg, Conv, FR, RAm, AIM
A, FFCm, FFCg, RA, Conv, AIM
A, FFC, FFCc, RA, Conv, RAm, AIM
A, FFCg,Conv, Sol, RAm, AIM
AIM

Figura 86. Influncia da resoluo com conjuntos de atributos com AIM.
Fazendo-se o mesmo teste de influncia da resoluo com os 10 melhores
conjuntos de atributos que no contm o AIM (Figura 87), nota-se que realmente o AIM
que introduz esta instabilidade.

125

0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
100,00
128 171 256 341 512 768 1024 1536 2048
Dimetro do campo (pixels)
T
a
x
a

d
e

a
c
e
r
t
o

g
l
o
b
a
l

(
%
)
A,Cx, PA, FFCc, Conv, Sol, FR, RAm
A, Cx, FFC, FFCc, RA, RAm
A, PA, FFC, FFCc, RA, RAm
A, Cx, FFCc, FFCm, RA, RAm
A, PA, FFCc, FFCm, RA, RAm
A, FFC, FFCm, Conv, RAm
A, Cx, FFC, FFCc, RA, Conv, RAm
A, PA, FFC, FFCc, RA, Conv, RAm
A, PA, FFCc, RA, Conv, Sol, RAm

Figura 87. Influncia da resoluo com conjuntos de atributos sem AIM.
Assim, abriu-se mo dos conjuntos de atributos contendo AIM. Ento, escolheu-se,
dentre estes 10 conjuntos sem o AIM, o conjunto {A, PA, FFC, FFCc, RA, RAm}, que
apresentou uma estabilidade um pouco maior a variaes de resoluo e a segunda maior
taxa global na auto-validao (94,7%). A Tabela 6 e sua representao pictrica (Figura 88)
mostram estas taxas.
Tabela 6. Taxas de acerto do conjunto de atributos escolhido na auto-validao.
Classe Taxas de acerto (%)
I 100,0
II 88,89
III 91,07
IV 95,83
V 94,74
VI 100,0
Global 94,71


126


Classe I Lamelar Classe II Crab ou Spiky Classe III Vermicular


Classe IV Nodular irregular Classe V Nodular incerta Classe VI Nodular regular
Figura 88. Representao pictrica das taxas de acerto.
Em todos os testes feitos at aqui e nas classificaes subseqentes utilizado o
classificador de Bayes, pois fez-se a busca exaustiva da auto-validao duas vezes, com
Bayes e com Distncia Euclidiana, e Bayes apresentou melhores taxas de acerto (Tabela 7).
Tabela 7. Influncia do classificador
Taxas de acerto (%) Bayes D. E.
Mnima 29,41 27,06
Mdia 91,40 89,12
Mxima 99,41 98,24

Escolhidos o conjunto de atributos {A, PA, FFC, FFCc, RA, RAm} e o
classificador (Bayes), classificou-se as trs amostras de ferros fundidos. A Figura 89
apresenta, para cada amostra, a imagem de parte de um campo obtido no microscpio
ptico, uma imagem com as partculas pintadas segundo a classificao e uma tabela com
os resultados totais da classificao da amostra.

127

Amostra 1 - Cinzento Amostra 2 - Malevel Amostra 3 - Nodular












Classe # % Classe # % Classe # %
I 584 42,94 I 0 0,00 I 0 0,00
II 180 13,24 II 24 1,43 II 6 0,22
III 463 34,04 III 163 9,72 III 85 3,14
IV 30 2,21 IV 264 15,74 IV 47 1,74
V 95 6,99

V 959 57,19

V 789 29,18
VI 8 0,59

VI 267 15,92

VI 1777 65,72
Total 1360 100,00

Total 1677 100,00

Total 2704 100,00
Figura 89. Classificao das trs amostras de ferro fundido.
Os resultados obtidos so consistentes com uma anlise visual. A amostra 1, um
ferro fundido cinzento, teve como classe predominante, a classe I, 42,94% das partculas de
grafita foram assim classificadas. A amostra 2, um ferro fundido malevel, apresentou mais
de 70% de partculas como classes IV e V, com predominncia evidente da classe V
(57,19%). A amostra 3, um ferro fundido nodular, teve quase 95% das partculas
classificadas como classe V e VI.
A princpio, poder-se-ia pensar que as imagens de referncia da norma ISO 945,
representassem uma grave limitao ao processo por serem imagens sintticas e possurem
um nmero relativamente pequeno de partculas de grafita. Entretanto, elas apresentam
grande variabilidade de formas dentro de uma mesma classe, representando bem cada
30 m 30 m 30 m

128

classe. Deste modo, as imagens de referncia utilizadas constituem um bom conjunto de
treinamento e o limitador do processo realmente a questo da influncia da resoluo.
Os conjuntos de atributos contendo AIM exibem um resultado muito superior na
auto-validao. Assim, para o futuro, pensa-se estudar mais profundamente o atributo AIM,
modificando-o, no intuito de reduzir sua dependncia da resoluo.
Uma outra idia para trabalhos futuros a constituio de um conjunto de
treinamento a partir de imagens de ferros fundidos cuidadosamente preparados.


129

5 Anlise nano-estrutural de um compsito resina-
grafite
5.1 Introduo
O conceito de material compsito geralmente utilizado em aplicaes estruturais.
A mistura ntima de duas ou mais fases com diferentes propriedades mecnicas d origem a
um material cuja performance melhorada de 10 a 100 vezes. Contudo, existem casos em
que a variao nas propriedades bem maior, pois algumas propriedades fsicas, como a
condutividade eltrica, podem variar em muitas ordens de grandeza.
O material compsito aqui estudado, uma resina polimrica com nano-partculas
de grafite dispersas, apresenta esta grande variao nas suas propriedades dieltricas. A
resina tem uma alta resistividade eltrica e o grafite condutor. Assim, a mistura dos dois,
em propores adequadas, gera um material cujas propriedades dieltricas so precisamente
especificadas, podendo variar em muitas ordens de grandeza. Em concentraes que
permitem s nano-partculas de grafite atingirem o limiar de percolao para a conduo,
este material absorve ondas eletromagnticas na faixa de freqncias do Gigahertz. Sendo,
portanto, de grande interesse em aplicaes civis (telefonia celular) e militares (proteo
anti-radar).
Geralmente, um material compsito formado por dois componentes pode ser
modelado como uma mistura binria dos componentes puros. Entretanto, as propriedades
dieltricas do material aqui estudado diferem tremendamente do modelado como uma
combinao de resina pura e grafite puro. De modo que, provavelmente, durante a
produo do compsito, ocorra alguma mudana na estrutura ou propriedades dos
componentes ou, ainda, haja o surgimento de algum fenmeno interfacial.

130

O material compsito em questo obtido atravs da disperso, com um
propelente, de nano-partculas de grafite (20 a 40 nm) na resina lquida. As nano-partculas
de grafite tm a tendncia de se aglomerar em clusters de 160 nm com uma grande fora de
coeso. Assim, no momento da disperso, o propelente injetado de modo a desenvolver
foras de cisalhamento intensas o bastante para suplantar a fora de coeso entre as nano-
partculas, de modo a separ-las.
As nano-partculas de grafite consistem em esferas com estrutura semelhante a
uma cebola, onde as camadas so formadas pelo empilhamento de planos (~100) de tomos
de carbono com distncia inter-planar de 0,37 nm. Contudo, a unio destes planos
mantida somente por foras de Wander Waals, no sendo, portanto, muito forte. Assim, h
a possibilidade de que as foras de cisalhamento, introduzidas para suplantar a fora de
coeso entre as nano-partculas de grafite, sejam grandes o suficiente para arrancar planos
da estrutura da cebola. Deste modo, as nano-partculas ficariam menores e alguns planos
de carbono seriam dissolvidos na matriz de resina. O que certamente afetaria bastante as
propriedades eltricas do material, como por exemplo a condutividade eltrica, que seria
bem aumentada.
Talvez esta seja a explicao para as diferenas encontradas entre as propriedades
dieltricas do material e do modelo binrio. Assim, neste trabalho, prope-se uma
metodologia de anlise quantitativa nano-estrutural, baseada em PADI, para testar esta
hiptese.
A observao do material em escala nanomtrica no fornece distino clara entre
as fases, pois a freqncia espacial dos planos de carbono escondida pela matriz
polimrica no-cristalina. Assim, tcnicas clssicas utilizadas na anlise de imagens de
microscopia de alta resoluo, como a filtragem no espao de Fourier, no podem ser

131

empregadas. Do mesmo modo, por no haver definio clara de tons de cinza ou contornos
discriminando as duas fases, sua segmentao tambm no possvel.
Todavia, a presena de pores de planos de carbono na matriz reduziria
localmente o contraste nas imagens, pois os tons de cinza devem variar menos nos planos.
Da mesma forma, tal presena propiciaria algum ordenamento local, proporcionando uma
maior uniformidade nas imagens e reduzindo sua entropia de configurao. Assim, a
metodologia aqui proposta utiliza a anlise de textura atravs dos chamados parmetros de
Haralick, que so atributos sensveis a estas caractersticas.
A compreenso do significado fsico de alguns parmetros de Haralick no
simples. Alm disto, alguns deles so correlatados, de modo que seu uso simultneo no
contribui para a discriminao. Assim, foram considerados trs parmetros (uniformidade,
contraste e entropia), que so aparentemente descorrelatados e cujo significado fsico indica
que podem contribuir para a discriminao entre resina pura e compsito.
5.2 Mtodos Experimentais
O material estudado foi o compsito resina-grafite anteriormente descrito, com
2,64% em peso de grafite. Ele foi observado em um MET no modo de alta resoluo
(HRTEM), com contraste de fase. As imagens foram capturadas em filme fotogrfico e
digitalizadas em um scanner de tambor de alta resoluo, a 2000 dpi, obtendo-se imagens
de 2048x2048 pixels com uma resoluo final de 0,03 nm/pixel. Assim, foram geradas
imagens de resina pura (Figura 90-a), imagens de compsito em regies sem nano-
partculas de grafite (Figura 90-b) e imagens de compsito onde aparecem nano-partculas
grafite (Figura 90-c). Toda esta etapa de aquisio das imagens foi realizada no Centre de
Matriaux Pierre Marie Fourt da Ecole Nationale Suprieure des Mines de Paris, pela
equipe do Dr. Alain Thorel, com quem este trabalho foi feito em colaborao.

132

(a) (b)




(c)
Figura 90. Imagens de HRTEM de: (a) resina pura; (b) compsito em regio sem nano-
partculas de grafite; e (c) compsito onde aparecem nano-partculas de grafite.
As imagens digitais obtidas foram ento processadas e analisadas com o software
KS400 (Carl Zeiss Vision, 1998). A rotina de processamento e anlise das imagens
simples, porm peculiar. No h etapa de segmentao e as medidas so feitas sobre
objetos arbitrrios desenhados, no caso, quadrados de igual tamanho.
A fim de eliminar o efeito de possveis variaes na iluminao do microscpio
e no processamento dos filmes fotogrficos, as imagens originais so pr-processadas para
10 nm 10 nm
10 nm

133

igualar seu brilho. A partir da, constrem-se duas imagens binrias, complementares entre
si, de mesmas dimenses das imagens do material, formadas por mosaicos de quadrados de
igual tamanho (Figura 91). Tais imagens so aplicadas, como mscaras, s imagens
resultantes do pr-processamento (Figura 92).

Figura 91. Imagens dos mosaicos.


Figura 92. Aplicao das imagens dos mosaicos sobre uma imagem do compsito.
Utilizando-se conectividade em cruz (conectividade-4), os quadrados dos
mosaicos so tidos como objetos independentes. Ento, mede-se, em cada quadrado, os trs
parmetros de Haralick considerados (uniformidade, contraste e entropia). Na verdade, para
que se tornem atributos independentes de rotao, so medidas as mdias de cada
parmetro em quatro direes (0, 45, 90 e 135). Em todas as anlises, os parmetros de
Haralick foram calculados a partir da matriz de co-ocorrncia com a distncia entre pixels
de 1, utilizando-se a quantizao de 16 tons.
Foi avaliada a influncia do tamanho dos quadrados no extrao dos parmetros de
Haralick. Para isto, foram separadas as 9 imagens de resina pura e 9 imagens de compsito

134

em regies sem nano-partculas de grafite. Variou-se o tamanho dos quadrados, em
potncias de 2, de 4x4 a 2048x2048 pixels, e mediu-se os trs parmetros considerados.
Ento, determinado o tamanho ideal de quadrado, foram analisadas 9 imagens de
resina pura e, esperando uma maior variao de propriedades, 44 imagens de compsito em
regies sem nano-partculas de grafite.
5.3 Resultados e Discusses
A influncia do tamanho dos quadrados na extrao dos parmetros de Haralick
pode ser claramente vista na Figura 93. Tanto para a resina pura como para o compsito, o
comportamento foi muito similar. Com o aumento do tamanho dos quadrados, a
uniformidade diminui e a entropia aumenta, enquanto o contraste no afetado. Os valores
assintticos para ambos, uniformidade e entropia, so atingidos entre 64x64 e 128x128
pixels.
0
1
2
3
4
5
6
7
8
4 16 64 256 1024
Tamanho do quadrado (pixels)
V
a
l
o
r

d
o

p
a
r

m
e
t
r
o
x 40
x 4
Uniformidade
Contraste
Entropia


0
1
2
3
4
5
6
7
8
4 16 64 256 1024
Tamanho do quadrado (pixels)
V
a
l
o
r

d
o

p
a
r

m
e
t
r
o
x 40
x 4
Uniformidade
Contraste
Entropia

(a) (b)
Figura 93. Influncia do tamanho dos quadrados nos parmetros de Haralick
(Uniformidade, Contraste e Entropia) para resina pura (a) e compsito (b).
Assim, nas demais anlises, foi utilizado um tamanho de quadrado de 100x100
pixels. Este tamanho est na regio assinttica dos grficos e fornece um total de 400

135

(20x20) quadrados por imagem, permitindo a excluso de alguns pixels nas bordas das
imagens, eliminando possveis defeitos.
Os parmetros utilizados para caracterizar a textura (uniformidade, contraste e
entropia) mostraram proporcionar uma boa discriminao entre resina pura e compsito. A
Figura 94 mostra os histogramas destes trs parmetros obtidos a partir das 9 imagens de
resina pura e das 44 imagens de compsito em regies sem nano-partculas de grafite.
(a) (b)
0%
10%
20%
30%
40%
50%
60%
0,00 0,04 0,08 0,12 0,16 0,20
Uniformidade
P
o
p
u
l
a

o

(
%
)
Resina pura
Compsito


0%
2%
4%
6%
8%
10%
12%
14%
16%
0,0 0,4 0,8 1,2 1,6 2,0 2,4
Contraste
P
o
p
u
l
a

o

(
%
)
Resina pura
Compsito

0%
5%
10%
15%
20%
25%
30%
2,8 3,8 4,8 5,8
Entropia
P
o
p
u
l
a

o

(
%
)
Resina pura
Compsito

(c)
Figura 94. Histogramas da uniformidade (a), contraste (b) e entropia (c) para resina pura e
compsito entre nano-partculas de grafite (quadrados de 100x100 pixels).
Os histogramas mostram claramente as diferenas, a nvel nano-estrutural, entre a
resina pura e compsito. Em uma rpida observao dos histogramas de uniformidade e

136

entropia, nota-se que a resina pura apresenta histogramas mais estreitos, denotando portanto
uma menor variao em suas propriedades.
Parte da populao do compsito tem maior uniformidade do que a resina pura
(picos a 0,09 e 0,15). Por outro lado, parte da populao apresenta valores de uniformidade
muito similares aos da resina pura (pico a 0,04). Isto pode indicar a separao entre regies
com e sem carbono no compsito.
O histograma do contraste mostra grandes variaes para ambos, resina pura e
compsito. Todavia, o compsito apresenta maior populao com valores menores. Como
mencionado anteriormente, isto pode ser explicado pela presena de pequenas camadas de
carbono, que criariam regies com tons de cinza aproximadamente constantes. A Figura 95
mostra algumas destas regies.

Figura 95. Pequenas regies organizadas na matriz, provavelmente carbono.
A entropia claramente mais baixa no compsito, de modo que o material vem a
ser mais organizado, com a presena de pequenas camadas de carbono. Contudo, h um
pico de entropia em 5, aproximadamente coincidente com o pico da resina pura. Isto
consistente com a anlise do histograma da uniformidade, que tambm sugere a separao
entre regies com e sem carbono no compsito.
Assim, tudo leva a crer que o processo de fabricao do compsito realmente est
erodindo as nano-partculas de grafite, gerando uma significativa quantidade de carbono

137

dispersa na matriz de resina. Anlises preliminares de EELS so consistentes com esta
anlise nano-estrutural por textura e confirmam a presena de carbono na matriz de resina.



138

6 Concluses
A grosso modo, pode-se dizer que os trs casos aqui estudados consistem na
caracterizao de um material compsito, a partir da anlise quantitativa de sua fase
secundria. Contudo, do ponto de vista da contribuio trazida pelo Processamento e
Anlise Digital de Imagens (PADI), os trs casos diferem bastante.
O primeiro e o segundo casos, bambu e ferro fundido, consistem basicamente em
ensinar a mquina a reproduzir uma tarefa que , mesmo com limitaes, facilmente
realizada por um ser humano treinado. J, no terceiro caso, o compsito resina-grafite, a
idia usar a mquina para ver algo quase impossvel para ns. Assim, nos dois primeiros,
busca-se eficincia, enquanto que, no terceiro, a procura por eficcia.
Diferem tambm do ponto de vista do problema de PADI envolvido. O primeiro
caso traz tona a questo do reconhecimento de objetos em uma imagem, de como separ-
los uns dos outros e do resto da imagem, reconhecendo-os como entidades individuais. O
segundo caso revela o problema da representao de objetos, de como simplificar objetos,
ao ponto que a mquina possa, no s reconhec-los, mas diferenci-los e identific-los. O
terceiro caso engloba, de uma maneira peculiar, ambas as questes. Trata-se de reconhecer
a presena de objetos na imagem, sem contudo reconhec-los individualmente ou
identific-los. Assim, a presena ou no usada para diferenciar e identificar imagens.
Diferem ainda, na escala de tamanho da anlise do material, de modo que cada
caso envolveu uma diferente tcnica de formao e aquisio de imagens.
Por fim, diferem do ponto de vista das tcnicas de PADI empregadas. Ao longo
destes trs casos, varreu-se todo captulo de reviso, utilizando-se quase a totalidade das
tcnicas ali descritas.
Por tudo isso, juntos, estes trs casos oferecem um panorama abrangente de PADI,
assim como de sua aplicao na caracterizao de materiais.

139

Referncias Bibliogrficas

Carl Zeiss Vision KS400. 1998.
Carl Zeiss www.zeiss.com. 2001.
CARMO, D. J. & COSTA, E. Verificao de parmetros que determinam as propriedades
dos ferro fundido vermicular. CETEF/SENAI, 1996.
CHIAVERINI, V. Aos e Ferros Fundidos. Associao Brasileira de Metalurgia e
Materiais, 6
a
ed., 1988.
COLPAERT, H. Metalografia dos produtos siderrgicos comuns. Ed. Edgard Blucher,
1969.
DANIELSSON, P. E. Euclidean Distance Mapping. Computer Graphics and Image
Processing, v. 14, p. 227-248, 1980.
FARGUES, J. & STUCKY, M. Caractrisation de la forme du graphite l'aide d'un
analyseur d'images. La Revue de Mtallurgie-CIT/Science et Gnie des Matriaux,
p. 267-275, 1994.
FRIEL, J. J. Measurements. In: ASM. Practical Guide to Image Analysis. ASM
International, p. 101-128, 2000.
GOMES, O. F. M. & ALMEIDA, C. E. B. Automao de Anlise de Mutagnese em
Tradescantia. Proceedings of V Regional Congress on Radiation Protection and
Safety,2001.
GOMES, O. F. M. & PACIORNIK, S. Automatic Classification of Graphite in Cast Iron.
Materials Research, submitted for publication, 2001.
GONZALEZ, R. C. & WOODS, R. E. Digital Image Processing. Addison-Wesley, 1992.
GRUM, J. & TURM, R. Computer Supported Recognition of Graphite Particle Forms in
Cast Iron. Acta Stereol, v. 14, n. 1, p. 91-96, 1995.

140

HARALICK, R. M., SHANMUGAM, K. & DINSTEIN, I. Textural Features for Image
Classification. IEEE Transactions on Systems, Man, and Cybernetics, v. SMC-3,
n. 6, p. 610-621, 1973.
HECHT, M. Fonderie-fondeur d'aujourd'hui, n. 147, 1995.
KUDO, M. & SKLANSKY, J. Comparison of algorithms that select features for pattern
classifiers. Pattern Recognition, v. 33, p. 25-41, 2000.
LIESE, W. Anatomy and Properties of Bamboo. Recent Research of Bamboos, p. 196-208,
1987.
LIVENS, S. How to measure the shape of silver halide microcrystals? Proceedings of
Annual Meeting of the Belgian Society for Microscopy,1997.
OTSU, N. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions
on Systems, Man, and Cybernetics, v. SMC-9, n.. 1, p. 62-66, 1979.
PACIORNIK, S. Introduo ao Processamento Digital de Imagens. (www.dcmm.puc-
rio.br/cursos/ipdi/), 2001.
RAO, A. N. Anatomical Studies on Certain Bamboos Growing in Singapore. Recent
Research of Bamboos, p. 209-226, 1987.
RAUDYS, S. J. & JAIN A. K. Small Sample Size Effects in Statistical Pattern Recognition:
Recommendations for Practitioners. IEEE Transactions on Pattern Analysis and
Machine Intelligence, v. 13, n. 3, p. 252-264, 1991.
RUSS, J. C. & RUSS, J. C. Uses of the Euclidean Distance Map for the Measurement of
Features in Images. Journal of Computer-Assisted Microscopy, v. 1, n. 4, p. 343-
375, 1989.
RUSS, J. C. Computer Assisted Microscopy. North Carolina State University, 1988.
RUSS, J. C. The Image Processing Handbook. 2nd. ed. CRC Press, 1995.

141

SHEHATA, M. T. Characterization of Particle Dispersion. In: ASM. Practical Guide to
Image Analysis. ASM International, p. 129-144, 2000.
TAIHUI, W. & WENWEI, C. A Study on the Anatomy of the Vascular Bundles of
Bamboos from China. Recent Research of Bamboos, p. 230-243, 1987.
VAN VLACK, L. H. Princpios de cincia dos materiais. Ed. Edgard Blucher, 1970.
WEEKS, Jr. A. R. Fundamentals of Electronic Image Processing. SPIE / IEEE, 1996.