Escolar Documentos
Profissional Documentos
Cultura Documentos
So Carlos
2009
com
amor,
admirao
gratido
pela
Agradecimentos
Ao Prof. Dr. Adilson Gonzaga, pela amizade e que nos anos de convivncia, muito me
ensinou, contribuindo para meu crescimento cientfico e intelectual.
Escola de Engenharia de So Carlos, pela oportunidade de realizao do curso de psgraduao nvel de doutorado.
Resumo
SEVERINO JR, O. Mistura de cores: Uma nova abordagem para processamento de cores
e sua aplicao na segmentao de imagens. 2009. 121 f. Tese (Doutorado) Escola de
Engenharia de So Carlos, Universidade de So Paulo, So Carlos, 2009.
Inspirado nas tcnicas utilizadas por pintores que sobrepem camadas de tintas de diversos
matizes na gerao de uma tela artstica e tambm observando-se a distribuio da quantidade
dos cones na retina do olho humano na interpretao destas cores, este trabalho prope uma
tcnica de processamento de imagens baseada na mistura de cores. Trata-se de um mtodo de
quantizao de cores esttico que expressa a proporo das cores preto, azul, verde, ciano,
vermelho, magenta, amarelo e branco obtida pela representao binria da cor que compe os
pixels de uma imagem RGB com 8 bits por canal. O histograma da mistura denominado de
Misturograma e gera planos que interceptam o espao RGB, definindo o espao de cor HSM
(Hue, Saturation and Mixture). A posio destes planos dentro do cubo RGB modelada por
meio da distribuio dos cones sensveis aos comprimentos de onda curta (Short), mdia
(Middle) e longa (Long) consideradas para a retina humana. Para demonstrar a aplicabilidade
do espao de cor HSM, proposta, neste trabalho, a segmentao dos pixels de uma imagem
digital em pele humana ou no pele com o uso dessa nova abordagem. Para anlise de
desempenho da mistura de cores foi implementado um mtodo tradicional no espao de cor
RGB e tambm usando uma distribuio gaussiana nos espaos de cores HSV e HSM. Os
resultados obtidos demonstram o potencial da tcnica que emprega a mistura de cores para a
segmentao de imagens digitais coloridas. Verificou-se tambm que, baseando-se apenas na
camada mais significativa da mistura de cores, gera-se a imagem esboo de uma imagem
facial denominada Esboo da Face. Os resultados obtidos comprovam o bom desempenho do
Esboo da Face em aplicaes CBIR.
Palavras chaves: Misturograma, espao de cor HSM, quantizao de cor, segmentao de pele
humana, processamento de imagens coloridas.
Abstract
SEVERINO JR, O. Colors Mixture: A new approach for color processing and its
application in image segmentation. 2009. 121 p. Dr. Thesis Escola de Engenharia de So
Carlos, Universidade de So Paulo, So Carlos, 2009.
Inspired on the techniques used by painters to overlap layers of various hues of paint to create
oil paintings, and also on observations of the distribution of cones in human retina for the
interpretation of these colors, this thesis proposes an image processing technique based on
color mixing. This is a static color quantization method that expresses the mixture of black,
blue, green, cyan, red, magenta, yellow and white colors quantified by the binary weight of
the color that makes up the pixels of an RGB image with 8 bits per channel. The mixture
histogram, called a Mixturegram, generates planes that intersect the RGB color space,
defining the HSM (Hue, Saturation and Mixture) color space. The position of these planes
inside the RGB cube is modeled by the distribution of cones sensitive to the short (S), middle
(M) and long (L) wave lengths of the human retina. To demonstrate the applicability of the
HSM color space, this thesis proposes the segmentation of the pixels of a digital image of
human skin or non-skin using this new approach. The performance of the color mixture is
analyzed by implementing a traditional method in the RGB color space and by a Gaussian
distribution in the HSV and HSM color spaces. The results demonstrate the potential of the
proposed technique for color image segmentation. It was also noted that, based only on the
most significant layer of the colors mixture, it is possible generates the face sketch image. The
results show the performance of the face sketch image in CBIR applications.
Keywords: Mixturogram, HSM color space, color quantization, human skin segmentation,
color images processing.
Lista de Figuras
Figura 2.14: Exemplos das curvas FMR(t) e FNMR(t) e os pontos de erro: ERR, Zero FNMR e
Zero FMR............................................................................................................ 55
Figura 2.15: Curva ROC segundo a abordagem utilizada pela Biometria. .............................. 55
Figura 2.16: Representao de uma matriz de confuso. ......................................................... 56
Figura 3.1: Evoluo dos passos realizados para a pintura de uma tela artstica. (RIBEIRO,
2005) ................................................................................................................... 60
Figura 3.2: Decomposio do quadro do druida nas camadas Ki. ........................................... 63
Figura 3.3: Representao de uma cor C = (109,146,137) composta pela mistura das cores:
verde, ciano, vermelho e magenta. ..................................................................... 68
Figura 3.4: Aplicao da mistura de cores. a) imagem Original. b) imagem quantizada pelo
valor da mistura de cores. ................................................................................... 70
Figura 3.5: Misturograma (Histograma normalizado) das cores quantizadas pelo valor da
mistura da Figura ................................................................................................ 71
Figura 3.6: Interseco do plano m com o vrtice azul do cubo RGB. ................................... 74
Figura 3.7: Projeo de no plano BG. ............................................................................ 76
Figura 3.8: Interseco do plano m com o vrtice verde do cubo RGB. ............................... 76
Figura 3.9: Interseco do plano m com o vrtice ciano do cubo RGB. ................................. 78
Figura 3.10: Interseco do plano m com o vrtice vermelho do cubo RGB. ........................ 79
Figura 3.11: Interseco do plano m com o vrtice magenta do cubo RGB. ......................... 80
Figura 3.12: Interseco do plano m com o vrtice amarelo do cubo RGB. .......................... 82
Figura 3.13: Planos de interseco do espao HSM nos vrtices azul, verde, ciano, vermelho,
magenta e amarelo do cubo RGB. ...................................................................... 84
Figura 3.14: Definio do plano da mistura de cores que intercepta o cubo RGB. ................. 84
Figura 4.1: Definio da regio de pele no espao RGB. (BRAND; MASON, 2000) ............ 91
Figura 4.2: Amostras de pele segmentadas manualmente dos bancos AR e FERET. ............. 92
Figura 4.3: Representao da distribuio dos pontos de pele nos espaos HSM e HSV. a)
Figura 4.4: Representao da distribuio dos pontos de pele obtidos pela distncia de
Mahalanobis (cor branca) e por amostragem (cor preta) nos espaos HSM e
Figura 4.5: Imagem obtida pela mistura de cores utilizando-se apenas a camada K7. a) imagem
original. ............................................................................................................... 97
Figura 4.6: Exemplo da imagem esboo da face. a) Imagem original. b) Imagem do esboo da
face. ..................................................................................................................... 98
Figura 4.7: Exemplos de imagens esboo da faces segmentadas a partir do banco AR pela
mistura de cores. .................................................................................................. 99
Figura 4.8: Segmentao da regio de pele humana. a) Imagem original. b) Imagem
segmentada pelo classificador no paramtrico de Peer no RGB. c) Imagem
segmentada pelo classificador paramtrico gaussiano no HSV. d) Imagem
segmentada pelo classificador
Lista de Tabelas
Lista de Abreviaturas
AR:
CBIR:
CIE:
CMY:
FERET:
FMNR:
FMR:
HLS:
HSM:
HSV:
Hue Saturation Value : Matiz Saturao Valor - modelo de cor que emprega os
conceitos qualitativos de matiz, luz e tonalidade.
PCA:
RGB:
Red Green Blue - modelo de cor concebido com base nos dispositivos grficos
com trs cores primrias: vermelho, verde e azul
ROC:
RP:
YCbCr:
Sumrio
1 Introduo .......................................................................................................................... 25
2 Processamento de Imagens Coloridas .............................................................................. 29
2.1
Introduo .................................................................................................................. 29
2.2
Modelos de cor........................................................................................................... 34
2.2.2
2.2.2
2.2.3
Modelo CMY.................................................................................................... 38
2.2.4
2.2.6
2.3
2.4
2.4.1
2.4.2
2.5
Introduo .................................................................................................................. 59
3.2
3.2.1
3.2.2
3.3
3.4
3.4.1
3.4.1
3.5
Introduo .................................................................................................................. 89
4.3.1
4.3.2
Resultados ................................................................................................................. 98
Contribuies........................................................................................................... 110
5.2
25
Captulo 1
Introduo
26
em relao aos cones sensveis luz na regio do verde, tal que, para dois cones sensveis
luz na regio do vermelho existe um cone sensvel luz na regio do verde.
A diferena entre as respostas dos trs tipos de cones permite interpretar diferentes
comprimentos de onda que corresponde a diferentes cores. Esta interpretao conhecida
como Teoria dos Trs Estmulos.
Tomando por base a Teoria dos Trs Estmulos supe-se que qualquer modelo de cor
dever possuir trs parmetros. O problema essencial da modelagem da cor est na definio
de que grandezas devem ser associadas a cada um dos trs parmetros.
A pintura de uma tela artstica, no entanto, no realizada em uma nica etapa.
Durante a evoluo de uma pintura artstica, uma nova camada de pigmentos de cores
misturada s camadas anteriores e, como consequncia, novos tons vo surgindo. Esse
processo se repete at que as tonalidades desejadas sejam alcanadas.
1.1
Objetivos
Observando o processo efetuado por artistas na pintura de uma tela e, na distribuio dos
cones sensveis luz na regio do vermelho e do verde e, na teoria dos trs estmulos que
define um modelo de cor com trs parmetros, prope-se neste trabalho: i) o desenvolvimento
da mistura de cores que define o espao de cor HSM, ii) a proposta de um mtodo para
segmentar a regio de pele humana atravs do valor da mistura de cores e iii) a obteno da
imagem esboo da face para a descrio global de uma imagem facial.
27
1.2
Materiais e Mtodos
1.3
Organizao do Trabalho
28
paramtrico gaussiano implementados nos espaos de cores HSV e HSM. Neste captulo
tambm abordada a obteno da imagem Esboo da Face.
No captulo 5 so apresentados as concluses e trabalhos futuros.
29
Captulo 2
Processamento de Imagens Coloridas
2.1
Introduo
Segundo Sharma (2003), a cor essencialmente um conceito subjetivo do ser humano, pois
consiste na interpretao que o sistema sensorial e o crebro do aos diferentes comprimentos
de onda da luz recebida.
O estudo da luz e da cor deve ser iniciado pela Fsica elementar, uma vez que a luz
uma onda eletromagntica. A Fsica define que todas as ondas eletromagnticas se propagam
no vcuo com a mesma velocidade c com o valor de 3x108 m/s (velocidade da luz) e,
sabendo-se a frequncia de uma onda eletromagntica (f), pode-se determinar o comprimento
de onda () desta radiao, usando a equao = c/f.
Desta forma, podem-se exemplificar as ondas eletromagnticas de maior importncia
nas pesquisas e nas aplicaes prticas, em funo do comprimento de onda: Raios-X (faixa
de 5 pm at 1 nm), raios ultravioletas (faixa de 1 at 400 nm), o espectro de luz visvel (faixa
de 400 at 700 nm), raios infravermelhos (faixa de 700 nm at 1 mm) e faixas de
radiofrequncia que variam de 20 cm at 105 m, Figura 2.1, (GOMES; VELHO, 1998).
30
O espectro de luz visvel pode assumir diversas cores (desde o violeta at o vermelho),
em funo do comprimento de onda.
A percepo de cor pelo olho humano pode ser esquematizada pela Figura 2.2. De
forma resumida, os raios luminosos incidem na crnea, sendo ento refratados. Os raios
refratados incidem sobre o cristalino que tem por objetivo projet-los na retina. Na retina
encontram-se dois tipos de fotoreceptores, os cones e os bastonetes, que convertem a
intensidade e a cor da luz recebida em impulsos nervosos. Estes impulsos so enviados ao
crebro atravs do nervo tico e ento se tem a percepo de uma imagem.
31
Em Morris (2000), verifica-se que existe uma proporo (2:1) para distribuio dos
cones sensveis ao comprimento de onda longo (Long) em relao aos cones sensveis ao
comprimento de onda mdio (Meddle) na retina, ou seja, para cada dois cones sensveis a
faixa do vermelho existe um cone sensvel a faixa do verde.
32
Visualizando o espectro eletromagntico (Figura 2.1) a literatura define o termo cores
espectrais como sendo as cores que correspondem a comprimentos de onda bem determinados
do espectro da luz visvel. Mas a observao do espectro da luz visvel mostra que nele no se
encontram todas as cores visveis, porque existe uma gama de cores que habitualmente
definimos entre o azul e o vermelho (por ex. o magenta) que esto ausentes do espectro da luz
visvel, pois equivaleria a ligar comprimentos de onda menores (azuis) aos maiores
(vermelhos) sem passar pelos comprimentos de onda intermedirios (verdes e amarelos).
Tambm a cor branca no uma cor do espectro da luz visvel porque no corresponde a
nenhum comprimento de onda preciso, pois resulta da deteco simultnea da radiao visvel
em muitos comprimentos de onda, com uma intensidade mais ou menos uniforme. Portanto,
esses exemplos mostram que existem mais cores visveis do que cores espectrais.
A existncia de uma quantidade maior de cores visveis do que espectrais explicada
pelo processo de formao de cores. Existem dois processos de formao de cores: o aditivo e
o subtrativo.
No processo aditivo, duas fontes luminosas de cores diferentes so projetadas em duas
regies, como ilustrado na Figura 2.4. Na rea de interseo destas regies h a formao de
uma nova cor constituda pela adio dessas duas cores. O processo aditivo usado
largamente nas televises comerciais, monitores de vdeo e cmeras digitais.
33
O processo de formao de cores subtrativo baseia-se no uso de filtros ou corantes que
tm por objetivo filtrar determinados comprimentos de onda. A Figura 2.5 exemplifica o
processo. Ao emitir uma luz branca (que possui todos os comprimentos de onda) sobre um
filtro verde que filtra todos os comprimentos de onda deixando s passar o comprimento de
onda relativo a cor verde, produzindo assim o verde. Na utilizao de corantes o processo o
mesmo, s que so usados pigmentos que absorvem e refletem alguns comprimentos de
onda. Esse processo utilizado em eslaides (SHARMA, 2003).
34
2.2
Modelos de cor
O modelo RGB (Red, Green e Blue) um modelo de cor desenvolvido com base nos
dispositivos grficos que apresentam as trs cores primrias: vermelho, verde e azul. Este
modelo descreve as cores como o resultado da adio das trs cores primrias, com uma
intensidade que pode variar entre 0 e 1. O valor 1 corresponde intensidade mxima com que
a cor pode ser apresentada no dispositivo grfico e o valor 0 intensidade mnima. A cor
branca resultante da adio simultnea das trs cores primrias com intensidade mxima. A
cor preta obtida quando todas as cores primrias apresentam intensidade mnima
Como o modelo RGB est associado s superfcies emissoras de luz, este modelo
universalmente empregado nos equipamentos que manipulam a emisso de luz, tais como os
monitores de vdeo, os televisores em cores, as cmeras fotogrficas e as filmadoras.
35
As cores deste modelo definem um subespao de cor em que 0 (R,G,B) 1
representado por um cubo de aresta unitria. Na Figura 2.6 apresentado o espao de cor
RGB, onde:
Vermelho = (1,0,0)
Verde = (0,1,0)
Azul = (0,0,1)
Preto = (0,0,0)
36
amarelo) e, a adio da cor complementar respectiva cor primria resultar sempre na cor
branca (GOMES; VELHO, 1998), ou seja:
Os tons de cinza correspondem aos pontos situados sobre a diagonal principal do cubo,
no qual as trs componentes apresentam a mesma intensidade (x, x, x) com 0 x 1, no
espao RGB.
Tradicionalmente, as implementaes do modelo RGB nos sistemas grficos
empregam valores inteiros entre 0 e 255 para exprimir o valor da intensidade de cada
componente em vez de valores reais normalizados entre 0 e 1. Esta tradio ainda se deve ao
fato que o processamento de valores inteiros era muito mais rpido do que o processamento
de valores reais nos primeiros sistemas grficos, alm do emprego de valores inteiros ser mais
simples de escrever e apreender do que a representao com valores reais fracionrios.
37
A transformao entre o modelo CIE XYZ e o modelo RGB (HUNT, 1991) dado
pelas equaes 1 e 2:
(1)
(2)
0,430574
M = 0,222015
0,020183
0,178325
0,706655 0,071330
0,129553 0,939180
0,341550
(3)
38
O modelo CMY (Cyan Magenta Yellow) um modelo baseado nas cores complementares:
ciano, magenta e amarelo (FIELD, 1988). Este modelo baseia-se no fenmeno que ocorre
quando a luz branca incide em superfcies que podem absorver, refletir ou refratar a luz de
forma desigual. A luz correspondente aos de comprimentos de onda no absorvidos , em
geral, refletida. Assim, quando a luz natural incide numa superfcie que absorve os
comprimentos de onda na zona do vermelho, a luz refletida no possuir quaisquer
componentes nessa gama e ser constituda por apenas as cores verdes e cores azuis, ou seja,
o olho humano detectar a superfcie percebendo a cor ciano. Esta subtrao (por absoro) da
luz em determinados comprimentos de onda a razo pela qual o modelo CMY tambm
designado por modelo subtrativo da cor, em oposio ao modelo RGB que um modelo
aditivo da cor (Figura 2.8).
39
A transformao entre o modelo CMY e o modelo RGB (FIELD, 1988) dado pelas
equaes 4 e 5.
1
1
1
1
1
1
(4)
(5)
O modelo HSL (Hue, Saturation e Lightness) um modelo mais intuitivo, se comparado aos
modelos RGB e CMY. Com estes parmetros, o modelo HSL aproxima-se muito do modelo
que emprega os conceitos qualitativos de matiz, luz e tonalidade. O parmetro H indica a
matiz ou a cor. O parmetro S indica a saturao de uma cor. O parmetro L corresponde
intensidade da cor e varia entre intensidade nula, ou seja, preto e intensidade mxima, o
branco (Figura 2.9).
40
H =
360
BG
B>G
(6)
[( R G) + ( R B)]
2
= cos 1
1/ 2
2
( R G ) + ( R B )(G B)
S = 1
3
[min( R, G, B)]
( R + G + B)
1
L = ( R + G + B)
3
(7)
(8)
(9)
41
(0 o H 120 o )
B = I (1 S )
(10)
S cos H
R = I 1 +
o
cos(60 H )
(11)
G = 3I ( R + B )
(120 o H 240 o )
(12)
(13)
H = H 120 o
R = I (1 S )
S cos H
G = I 1 +
o
cos(60 H )
B = 3I ( R + G )
(240 o H 360 o )
(14)
(15)
(16)
(17)
H = H 240 o
G = I (1 S )
S cos H
B = I 1 +
o
cos(60 H )
R = 3 I (G + B )
(18)
(19)
(20)
42
Os modelos de cor YIQ e YCbCr (Figura 2.10) foram criados para permitir que as emisses
dos sistemas de televiso em cores fossem compatveis com os receptores preto e branco. O
sistema NTSC foi criado em 1953 e emprega o modelo YIQ. Os sistemas SECAM (Squence
Electronique Couleur Avec Mmoire) e PAL (Phase Alternating Line), de 1961, empregam o
modelo YCbCr. Os dois modelos so muito semelhantes e so baseados na separao dos
sinais de cor RGB em um sinal de luminosidade, ou luminncia (Y), e dois sinais de
cromaticidade ou diferena de cor correspondentes s componentes: azul e vermelha. Desta
forma, o sinal da televiso em cores transmite a luminncia da mesma forma que o sinal da
televiso em preto e branco e, portanto, os receptores preto e branco podem receber as
emisses da televiso em cores (SPROSON, 1983).
43
A transformao entre do RGB para o YIQ mostrada nas equaes 21-23:
0,299
M = 0,596
0,212
0,114
- 0,275 - 0,321
- 0,523 0,311
(21)
(22)
0,587
(23)
0,299
M = - 0,169
0,5
2.3
0,114
- 0,331
0,5
- 0,419 - 0,0813
(24)
(25)
0,587
(26)
Em uma imagem digital colorida definida no formato True Color, a cor de cada pixel
formada pelo menos por 24 bits gerando, mais de 16 milhes ( 2 24 ) de diferentes cores no
espao de cor RGB, enquanto em uma imagem em nveis de cinza, a cor de cada pixel da
44
imagem formada por 8 bits, ou seja, 256 ( 28 ) diferentes cores, o que indica uma reduo de
65.536 vezes o nmero de cores.
A reduo do nmero de cores de uma imagem uma tarefa importante para a representao,
segmentao e compresso de imagens coloridas. O processo de reduo do nmero de cores
representados em um espao de cor denomina-se quantizao do espao de cor. H dois tipos
de quantizao: a esttica, que faz uso de paletas de cores pr-definidas e a dinmica, que
utiliza agrupamentos e ou segmentao espacial. Formalmente, seja C um espao de cores
ento um subespao de C denominado espao de quantizao. Uma funo Q que mapeia
cada cor de C para um elemento em P denominada quantizadora (Q : C P ) , e
definida pela equao 27.
P = c1 , c2 , L , cn
ci C , n << C
(27)
Liu e Yang (1994) propuseram uma funo para efetuar a segmentao de imagens
coloridas que no requeria nenhum conjunto de parmetros definidos pelo usurio, ou
valores de threshold para definir caractersticas como tamanho, forma ou
homogeneidade de regies. Essa funo incorporaria, de forma direta ou indireta, trs
45
dos quatro critrios heursticos sugeridos por Haralick e Shapiro (1985): i) a regio
deve ser uniforme e homognea, ii) o interior da regio deve ser simples, ou seja,
possuir a menor quantidade possvel de buracos e iii) regies adjacentes devem
apresentar
valores
significantemente
diferentes
para
as
caractersticas
de
uniformidade;
Mehtre et al. (1995) definiram de forma heurstica uma pequena tabela de referncia
de cores do espao RGB. Essa tabela referencia aproximadamente quase todas as cores
das imagens que constituam a aplicao, de forma que a cor de cada pixel de cada
imagem definida pela referncia da tabela mais prxima da cor. Entretanto, quando o
conjunto de imagens da aplicao crescia demasiadamente, era utilizado o algoritmo
de Jaynes (1982) para maximizar o nmero de cores da tabela de referncia. Essa
maximizao estabelecia que cada cor referenciada pela tabela deveria possuir a
mesma probabilidade de ocorrncia em toda sua aplicao;
Ito et al. (1995) particionaram o espao de cor HLS com auxlio da lgica Fuzzy, de tal
modo que a cor era representada pelas funes de pertinncias: Lightness baseada no
histograma de cor do canal L entre as cores preto, cinza e branco e, Hue baseado no
histograma de cor do canal H entre as cores azul, ciano, verde, amarelo, vermelho e
magenta. Se, a saturao de um pixel da imagem fosse abaixo de um valor de
threshold, o valor do Hue do pixel seria ignorado;
46
O sistema QBIC (HAFNER et al, 1995) permite calcular um histograma com K cores
do espao de cor RGB, onde K possui valor inicial igual a 64, mas pode ser redefinido
pelo usurio. Inicialmente, cada eixo do espao de cor RGB particionado em 16
nveis obtendo 4096 clulas. Todas as cores que pertencessem a cada clula so
convertidas no espao de cor modificado de Munsel (MIYAHA; YOSHIDA, 1988). A
partir da as coordenadas do centro de cada clula so calculadas. Depois, so
calculadas as K mnimas somas dos quadrados das coordenadas das clulas. Vailaya
et al. (1998) aplicou uma partio similar no espao de cores HSV;
Pass et al. (1996) e Mitra et al. (1997) utilizaram somente os bits mais significativos
(geralmente os dois primeiros) de cada canal do espao de cor RGB para reduzir
severamente o nmero de cores da imagem;
47
48
sequncia, utilizaram PCA e a rede neural de Kohonen com a finalidade de definirem a
cor de cada classe de caractersticas;
Liapis e Tziritas (2004) utilizam o espao de cor CIELAB, por ser considerado
perceptualmente uniforme. Descartam o lightness representado pela componente L e
calculam os histogramas (1-D) com 232 bins da componente A e com 233 bins da
componente B. Por meio da utilizao da distribuio gaussiana, calcula-se a mdia e
a varincia das coordenadas das cores da imagem;
Sirisathitkul et al. (2004) utilizaram o espao de cor RGB para efetuar uma diviso
hierrquica do mapa de cores. Em princpio, criaram um histograma (3D) com os 24
bits da cor de cada pixel de uma imagem que serviria como espao de cor a ser
quantizado. A partir da, ordenaram as cores do histograma de forma que, a primeira
cor possusse a maior varincia quanto distribuio de cores. Os autores definiram
essas cores ordenadas como a primeira clula do mtodo de quantizao, em seguida
dividiram a clula em duas, com a finalidade de balancear a soma da distncia entre as
cores adjacentes e a freqncia de distribuio das memas, que pertenciam clula.
Essa diviso foi realizada em todas as clulas existentes e criadas at o momento da
obteno do balanceamento. A cor representante de cada clula foi calculada pelo
centride da clula;
49
algoritmo multi-escala clustering, entretanto tentavam manter a distoro das cores
quantizadas em um nvel aceitvel;
Um resumo dos diferentes mtodos de quantizao de cores pode ser visto na Tabela 1.
2.4
50
Tabela 1: Mtodos de Quantizao de cores
Escopo
Mtodo
Bits mais significativos
Agrupamento (clusters) do
espao de cor
Referncia de cores
Dinmico Segmentao da imagem
Trabalhos
Pass et al. (1996)
Mitra et al. (1997)
Syeda-Mahmood (1992)
Hafner et al. (1995)
Ito et al. (1995)
Smith e Chang (1995)
Gong et al. (1996)
Gagliardi e Schetini (1997)
Sclaroff et al. (1997)
Vailaya et al. (1998)
Liapis e Tziritas (2004)
Qiu et al. (2004)
Fun e Wong (2008)
Xiang (1997)
Ciocca e Schettini (1999)
Papamarkos et al. (2002)
Sirisathitkul et al. (2004)
Kim e Kehtarnavaz (2005)
Papamarkos e Atsalakis (2006)
Mehtre et al. (1995)
Liu e Yang (1994)
Suzuki e Furukawa (2007)
51
A formulao do problema pode ser feita da seguinte maneira (MALTONI, 2003): seja
M o modelo da caracterstica armazenada no sistema e A a amostra a ser observada.
Apresentam-se, ento, as seguintes hipteses:
e as seguintes decises:
D0 : impostor;
D1 : genuno.
52
tcnicas obtm valores que so analisados pelo sistema de deciso, por meio de um valor de
um limiar (threshold) t, para que se possa optar por D0 ou D1 , dado pela equao 28.
t D1
s( A, M )
< t D0
(28)
Tipo II: falsa rejeio ocorre quando o sistema de classificao decide por D0
mesmo que H 1 seja verdadeiro.
Seja FMR (False Match Rate) a probabilidade de ocorrer o erro do Tipo I e FMNR
(False Non-Match Rate) a probabilidade de ocorrer o erro do Tipo II, calcula-se:
FMR = P( D1 H 0 = true) ;
FNMR = P( Do H 1 = true) .
53
Figura 2.12: FMR e FNMR calculados para um threshold t sobre os valores das distribuies de genunos e
impostores.
Pelo fato das funes FMR e FNMR serem calculadas sobre um threshold t, devem ser
referenciadas como FMR(t) e FNMR(t). Na Figura 2.13, verifica-se que, ao se diminuir o
valor de t, o sistema de classificao torna-se mais tolerante s variaes e rudos
aumentando, dessa forma, o valor da FMR(t) e permitindo a aceitao de impostores,
enquanto ao se aumentar o valor de t, o classificador torna-se mais rgido s variaes e
rudos, assim, aumenta o valor da FNMR(t) e pode ocorrer a rejeio de genunos.
De acordo com as distribuies expressas nas curvas da Figura 2.13-b, podem-se
verificar trs fatores de erros relevantes para os classificadores (ver Figura 2.14):
EER (Equal-ErrorRate), que denota a mesma taxa de erro para FMR(t) e FNMR(t);
Zero FNMR, que denota o ponto no qual no ocorre falsa rejeio (FNMR);
Zero FMR, que denota o ponto no qual no ocorre falsa aceitao (FMR).
54
Ao se analisar os trs erros ilustrados na Figura 14, obtm-se a curva ROC que
expressa a curva dada pelos pontos de FMR(t) e FNMR(t), para vrios valores do threshold t.
A Figura 2.15 ilustra uma Curva ROC onde se destacam:
As aplicaes forenses denotadas pelo ponto Zero FNMR, que torna o classificador
mais tolerante s variaes e rudos e, desta forma, permite a aceitao de
impostores;
As aplicaes comerciais denotadas pelo ponto ERR, que possuem valores iguais
para FMR(t) e FNMR(t);
As aplicaes de alta segurana denotadas pelo ponto Zero FMR, que torna o
classificador mais rgido s variaes e rudos aumentando e, desta forma,
possibilita a ocorrncia da rejeio de genunos.
55
Figura 2.14: Exemplos das curvas FMR(t) e FNMR(t) e os pontos de erro: ERR, Zero FNMR e Zero FMR.
56
A matriz de confuso, ou matriz de erro, uma matriz quadrada de nmeros que expressam a
quantidade de unidades amostrais associada a uma dada categoria durante o processo de
classificao efetuado e categoria real s quais pertencem essas unidades (ROSENFIELD;
FITZPATRICK, 1986). Desta forma, a matriz de confuso de uma hiptese h, oferece uma
medida efetiva do modelo de classificao ao mostrar o nmero de classificaes corretas
versus as classificaes preditas para cada classe, sobre um conjunto de teste T, dada pela
equao 29.
M (C , C ) = h( x) = C j , ( x, y ) T , y = Ci
i j
Classe
C1
C2
M
Cr
classificada
como C1
M (C1 , C1 )
M ( C 2 , C1 )
M
M ( C r , C1 )
classificada
como C 2
M ( C1 , C 2 )
M (C 2 , C 2 )
M
M (C r , C 2 )
(29)
L
L
L
M
L
classificada
como C r
M ( C1 , C r )
M (C 2 , C r )
M
M (C r , C r )
A Figura 2.16 ilustra que o nmero de acertos para cada classe se localiza na diagonal
principal M (Ci , Ci ) da matriz, enquanto os demais elementos M (Ci , C j ) , para i j ,
representam erros na classificao.
Um dos parmetros mais utilizados e mais eficientes na determinao da exatido da
classificao o coeficiente de concordncia Kappa, que obtido por meio da matriz de
confuso (CONGALTON; GREEN, 1993). O coeficiente Kappa (K), calculado a partir da
57
equao 30 (BISHOP; et. al., 1975), sendo que N representa o nmero de observaes (pontos
amostrais), enquanto r representa o nmero de linhas da matriz confuso.
r
r
N xii xi x j
i =1
K = i =1
r
N 2 xi x j
i =1
xii
M (C i , C j )
(30)
(31)
xi = M (C i , C j )
(32)
j =1
x j = M (C i , C j )
(33)
i =1
M (C , C
TECi =
j =1
) M (C i , Ci )
(34)
M (C , C
i
j =1
EG =
x
i =1
ii
(35)
58
2.5
Consideraes Finais
Neste captulo foi apresentado que na retina existem dois tipos de fotoreceptores: os cones e
os bastonetes. Os bastonetes proporcionam a deteco das formas dos objetos, enquanto os
cones so sensveis luz na regio do vermelho, do verde e do azul. A diferena entre as
respostas dos trs tipos de cones (vermelho, verde e azul) permite interpretar diferentes
comprimentos de onda que correspondem a cores diferentes. Essa interpretao conhecida
como Teoria dos Trs Estmulos. Tomando por base a Teoria dos Trs Estmulos, a
caracterstica essencial na modelagem da cor est na definio de como essas trs grandezas
devem ser associadas. Essa associao origina a existncia de vrios modelos de cor.
59
Captulo 3
Mistura de Cores
3.1
Introduo
Segundo Morris (2000), a noo de cor, nas artes visuais, encontra-se ligada aos pigmentos
das tintas utilizadas e aos termos cor pura, pastel, sombreado e tom. O sombreado o
resultado da adio de um pigmento negro a um pigmento de cor pura, sendo que o pigmento
negro retira a luminosidade do pigmento puro. A cor pastel o resultado da adio de um
pigmento branco a um pigmento puro que leva diminuio da saturao do pigmento puro.
O tom resulta da adio simultnea de um pigmento negro mais um pigmento branco mais um
pigmento puro, o que resulta na reduo da saturao e da luminosidade do pigmento puro.
Sendo assim, a definio de cor num sistema de artes visuais dada pela especificao dos
pigmentos de cores puras, dos brancos e dos negros, para que os tons pretendidos sejam
obtidos.
A pintura de uma tela artstica no realizada numa nica etapa. Na Figura 3.1
verificam-se os passos efetuados para a pintura de uma tela artstica de um druida (RIBEIRO,
2005).
60
No primeiro passo esboado o druida com um lpis dermograph azul direto na tela e,
aps o esboo, aplica-se uma camada fina e transparente de um fixador, no segundo passo foi
aplicada a cor sombra queimada e reforado os contornos. Com a finalidade de estabelecer as
regies claras e escuras, aplica-se uma camada transparente de carmim, misturado com
sombra queimada e diludos numa mistura de terebintina, secante de cobalto e leo de linhaa.
No terceiro passo, inicia-se a pintura do rosto. No quarto passo, pinta-se o fundo do quadro e
no quinto define-se o cabelo, a barba e a roupa. No ltimo passo, aplica-se uma pelcula da
mistura de carmim e verniz para alterar a matiz das cores e dar um efeito pintura final da
tela. Durante a evoluo dos passos, uma nova camada de pigmentos de cores misturada s
camadas anteriores e, como consequncia, novos tons vo surgindo. Esse processo se repete
at que as tonalidades desejadas sejam alcanadas.
Figura 3.1: Evoluo dos passos realizados para a pintura de uma tela artstica. (RIBEIRO, 2005)
61
3.2
C = ( R 7 R 6 R 5 R 4 R3 R 2 R1 R 0 ,
G 7 G 6 G 5 G 4 G 3 G 2 G1 G 0 ,
(36)
B 7 B 6 B 5 B 4 B3 B 2 B1 B 0 )
62
de 0 (00000000) a 255 (11111111). Dado que cada componente possui 8 bits, pode-se
tambm definir oito camadas K i , dada pela equao 37.
(37)
Ki define a i-sima camada binria da cor do pixel. Nota-se que cada camada Ki define
as cores dos pigmentos puros (vermelho, verde e azul), dos pigmentos complementares
(ciano, magenta e amarelo), e do branco e do negro, de forma que:
que compe a
63
64
DeVries (1946), Rushton e Baker (1964), Cicerone e Nerger (1989), Pokorny et al. (1991),
Yamaguchi et al. (1997), Hagstrom et al. (1998), Brainard et al. (1999), Deeb et al. (2000),
Kremeres et al. (2000), Otake e Cicerone (2000), Carroll et al. (2002) e Gunther e Dobkins
(2002) tm, por meio de medidas indiretas, sugerido que em mdia existem mais cones do
tipo R do que cones do tipo G na retina humana.
Hofer et al. (2005) caracterizaram arranjos de cones sensveis aos comprimentos de
onda curto, mdio e longo em oito mosaicos da fvea humana, determinando que os seres
humanos com viso normal apresentam a proporo 1,1:1 at 16,5:1 de cones de comprimento
longo (faixa sensvel luz na regio do vermelho) em relao aos de comprimento mdio
(faixa sensvel luz na regio do verde).
Baseado nos estudos de Hofer et. all., 2005, este trabalho prope o modelo de mistura
da quantidade das cores primrias em cada camada de acordo com a equao 38,
considerando-se que a retina humana, na captura das cores, possui maior quantidade de cones
para a cor vermelha, seguida pela cor verde e menos cones para a cor azul. O modelo da
equao 38 adota uma distribuio de pesos binrios visando a implementao digital. Definese, assim, o valor numrico NK da cor de cada camada, obtido pelo valor decimal dos bits que
a compe.
Pode-se dizer que o valor de NK modela uma retina artificial no que se refere
distribuio de sensores para R, G e B.
e assim,
2# ! $ 2 ! $ 2% ! ,
'(( ) 0, * ,7
(38)
65
Como cada elemento de cor considerado um nmero de 8 bits, seu valor binrio
convertido para seu valor decimal obtido multiplicando-se dgito a dgito por um peso Pi na
base 2, tal que:
+! 2! , ) 0, * ,7
(39)
,+ - +! 2. 1
!0%
(40)
2!
!
,+
+ - ! 1
(41)
(42)
66
28 1
28 1
28 1
28 1
28 1
28 1
28 1
= 0,1255 ;
= 0,0314 ;
= 0,2510 ;
= 0,0627 ;
= 0,5020 ;
= 0,0157 ;
= 0,0078 ;
67
28 1
= 0,0039 .
109
146
137
/ 4 5 6 7 # % / 4 5 6 7 # % / 4 5 6 7 # / %
Tabela 3: Representao dos clculos Ki, NKi e Ni da cor C = (109, 146, 137).
i
7
6
5
4
3
2
1
0
89
2/ , / , / 3
24 , 4 , 4 3
25 , 5 , 5 3
26 , 6 , 6 3
27 , 7 , 7 3
2# , # , # 3
2 , , 3
2% , % , % 3
:9
;9
<9
=89
=9
0,5020
0,2510
0,1255
0,0627
0,0314
0,0157
0,0078
0,0039
Cor
68
Figura 3.3: Representao de uma cor C = (109,146,137) composta pela mistura das cores: verde, ciano,
vermelho e magenta.
Pode-se abstrair que para se obter a cor mostrada na Figura 3.3, o artista deve utilizar
na primeira camada, 0,39% de tinta magenta, na segunda 0,78% de verde, na terceira 1,57%
de vermelho, na quarta deve aplicar mais 3,14% de magenta, na quinta camada mais 6,27% de
pigmento verde, na sexta 12,55% de vermelho, na stima aumentar o vermelho para mais
25,10% de pigmento e finalmente passar 50,20% de ciano na ltima camada.
claro que o raciocnio indutivo no equivale prtica, mas apenas a uma maneira de
comparar o valor da mistura de cores sua inspirao.
Como o valor da mistura diretamente derivado do RGB, tambm aditivo. A cor
final da mistura pode ser dada pela soma da contribuio da cor representada em cada
camada, ou seja, pela soma do valor numrico de cada camada NK multiplicado pelo seu
respectivo peso normalizado N. Assim, define-se o valor da mistura v como mostra a equao
43.
69
/
Ou seja,
2!
-24! $ 2! $ 1! 3 .
2 1
!0%
-
!0%
!
(43)
(44)
3.3
Quantizao de cores
para 0 v < 1 7
70
Assim, a cor C = (109, 146, 137) possui v = 3,3923 que equivale a v = 3 representando
a cor ciano.
Na Figura 3.4-a apresentada uma imagem do banco de faces AR (MARTINEZ;
BENAVENTE, 1998) no formato RGB com 24 bits e na Figura 3.4-b, a mesma imagem,
quantizada em 8 cores (preto, azul, ciano, verde, vermelho, magenta, amarelo e branco) pelo
valor v da mistura de cores da imagem.
Figura 3.4: Aplicao da mistura de cores. a) imagem Original. b) imagem quantizada pelo valor da mistura de
cores.
71
Figura 3.5: Misturograma (Histograma normalizado) das cores quantizadas pelo valor da mistura da Figura
3.4-b.
72
oito cores reduz drasticamente o tempo de processamento das imagens. Os mtodos
tradicionais de quantizao de cores procuram manter a qualidade visual das imagens em
detrimento a uma maior facilidade para o processamento visando segmentao de partes das
imagens.
3.4
Ou seja
4 $ 2 $ 1
, '(( 20 A A 2553, 20 A A 2553 B 20 A A 2553
255
(45)
(46)
(47)
73
7
(48)
Como o valor da mistura define planos que interceptam o espao de cores RGB e cada
plano possui um valor nico para as cores nele contida, prope-se denominar HSM (Hue,
Saturation e Mixture) o espao de cores do valor da mistura e utiliz-lo como ferramenta em
algoritmos de processamento de imagens que levem em conta as caractersticas de cores
observadas pelo sistema visual humano.
Para se calcular os valores h (hue) e s (saturation) do espao HSM deve-se analisar a forma
geomtrica da interseco do plano m com o cubo RGB nos seus vrtices que correspondem
s cores azul, verde, ciano, vermelho, magenta e amarelo. A interseco do plano m com os
vrtices correspondentes s cores preto e branco representa um ponto. Utilizam-se os
valores de (0 R 1), (0 G 1) e (0 B 1) para calcular h e s e, a equao 49 para
calcular o valor de m.
4 $ 2 $
, '(( 20 A A 13, 20 A A 13 B 20 A A 13
7
(49)
74
3.4.1.1
O plano do valor da mistura definido por 17 intercepta o cubo RGB nos pontos =
(0, 0, 1), = (0, 0.5, 0) e = (0.25, 0, 0) e define um tringulo (Figura 3.6). Isso ocorre
para 0 A A 17.
Seja P = (R, G, B) um ponto que pertence a interseco do plano m com o cubo RGB,
tem-se que:
FFFFFFFFFFG
>3E4 , , @, seja H
FG I3E
, 4E
, 4E
K o vetor unitrio
41
41
41
FFFFFFFFFFG
com mesma direo e mesmo sentido de
,
FFFFFFG 2 , , 3,
G +
75
o ngulo formado pelos vetores H
FG e G , tal que:
cos O
H
FG G
QH
FGQQGQ
(50)
Ou seja,
3E
2 3 4E
2 3 4E
2 3
41
41
41
O cos R
T
S2 3# $ 2 3# $ 2 3#
Sendo que (Figura 3.7)
V O,
U
V 2X O,
WB A Z
WB Y
(51)
(52)
/
#
[
V
2X
(53)
, 0]
(54)
76
3.4.1.2
O plano do valor da mistura definido por 27 intercepta o cubo RGB nos pontos =
(0, 1, 0), = (0, 0.5, 1), = (0.25, 0, 1) e = (0.5, 0, 0) e define um trapzio (Figura
3.8). Isso ocorre para 17 a A 27.
77
Seja P = (R, G, B) um ponto que pertence a interseco do plano m com o cubo RGB,
tem-se que:
/
6
, 0, 0],
FFFFFFFFFFG
h o ngulo formado pelos vetores FFFFFFG
+ e
(equaes 51-53),
\0,
/
\0,
\
, 0],
/
#
/
6
, 1],
, 0, 1],
3.4.1.3
Q+Q
Q Q
(55)
O plano do valor da mistura definido por 37 intercepta o cubo RGB nos pontos
78
Seja P = (R, G, B) um ponto que pertence a interseco do plano m com o cubo RGB,
tem-se que:
M representa o ponto da diagonal principal do cubo onde R = G = B = m
\
/
6
, 0, 0],
FFFFFFFFFFG
h o ngulo formado pelos vetores FFFFFFG
+ e
(equao 51-53),
\0,
\
\
/
#
/
6
/#
6
, 1],
, 0, 1],
, 1, 0],
79
3.4.1.4
O plano do valor da mistura definido por 47 intercepta o cubo RGB nos pontos
= (0.25, 1, 1), = (0.75, 0, 1), = (0.5, 1, 0) e = (1, 0, 0) e define um
Seja P = (R, G, B) um ponto que pertence a interseco do plano m com o cubo RGB,
tem-se que:
/
6
, 0, 0],
FFFFFFFFFFG
h o ngulo formado pelos vetores FFFFFFG
+ e
(equao 51-53),
\
\
\
/7
6
/
6
/#
6
, 1, 1],
, 0, 1],
, 1, 0],
80
(56)
3.4.1.5
Q+Q
S2 3# $ 2 3# $ 2 3#
#
Q Q
b\7 ] $ 20 3# $ 20 3#
4
(57)
O plano do valor da mistura definido por 57 intercepta o cubo RGB nos pontos
= (1, 0, 1), = (0.5, 1, 1), = (1, 0.5, 0) e = (0.75, 1, 0) e define um trapzio
(Figura 3.11). Observa-se esse fato para 47 a A 57.
81
Seja P = (R, G, B) um ponto que pertence a interseco do plano m com o cubo RGB,
tem-se que:
],
/6 /6
7
FFFFFFFFFFG
21 , 24 433 , 24 433 3,seja
, 4E
, 4E
K o vetor unitrio com mesma direo e mesmo
H
FG I3E
41
41
41
,
sentido de FFFFFFFFFFG
FFFFFFFFFFG
h o ngulo formado pelos vetores FFFFFFG
+ e
(equao 51-53),
\
\1,
\
/7
6
/6
#
/#
6
, 1, 1],
, 0],
, 1, 0]
Q Q Y Q Q e
Q Q Y Q Q
Q Q Y Q Q,
3.4.1.6
(58)
O plano do valor da mistura definido por 67 intercepta o cubo RGB nos pontos
= (1, 0.5, 1), = (0.75, 1, 1) e = (1, 1, 0) e define um tringulo (Figura 3.12). Isso
ocorre para 57 a A 67
82
Seja P = (R, G, B) um ponto que pertence a interseco do plano m com o cubo RGB,
tem-se que:
],
/6 /6
7
FFFFFFFFFFG
FFFFFFG e
h o ngulo formado pelos vetores +
(equao 51-53),
\
/7
\ 1,
\1,
/5
/6
#
, 1, 1],
, 1],
, 0]
Q+Q
Q Q
(59)
83
Para os valores 67 a A 1, tem-se que:
],
/6 /6
7
FFFFFFFFFFG
h o ngulo formado pelos vetores FFFFFFG
+ e
(equao 51-53),
\
/7
\ 1,
, 1, 1],
/5
#
, 1],
21, 1, 7 63
Q+Q
Q Q
(60)
A Figura 3.13 ilustra a forma geomtrica do espao HSM de acordo com os planos
67.
84
Figura 3.13: Planos de interseco do espao HSM nos vrtices azul, verde, ciano, vermelho, magenta e amarelo
do cubo RGB.
converso
de
HSM
para
RGB
utiliza
os
valores
Figura 3.14: Definio do plano da mistura de cores que intercepta o cubo RGB.
85
Tem-se que:
O 2X[
, 4E
Ko
na converso de RGB para HSM, verificou-se que H
FG I3E
, 4E
41
41
41
vetor unitrio com mesma direo e mesmo sentido de FFFFFFFFFFG
,
FFFFFFG 2 , , 3,
G +
o ngulo formado pelos vetores H
FG e G , tal que:
cos O
H
FG G
QH
FGQQGQ
ou seja
3
4
4
2 3
2 3
2 3
41
41
41
cos
1W
(61)
tal que
3 4 4 41W cos O $ 5 0
(62)
FFFFFFG e W, ou seja
e+
(63)
(64)
86
41
WghW2[3 $
3.5
4
S861W # 21 cos# 2[33
861
11 9 41WghW2[3
2
(65)
(66)
(67)
Consideraes Finais
Neste captulo foi proposta uma nova metodologia denominada mistura de cores que
baseada na noo de cores em artes visuais. Essa nova metodologia fundamentada na
distribuio dos cones sensveis ao comprimento de onda na faixa do vermelho ser maior do
que a distribuio dos cones sensvel ao comprimento de onda na faixa do verde, que por
sua vez maior do que a distribuio de cones sensvel ao comprimento de onda na faixa do
azul que foi implementada pela definio binria de cada camada que define a cor. O plano
de interseco do RGB com a mistura de cores definido pelo valor da mistura v que define o
espao de cor HSM onde a caracterstica essencial na modelagem da cor est na definio do
matiz, da saturao e do valor da mistura. A mistura de cores pode, tambm, ser utilizada
como um mtodo esttico de quantizao de cores que permite descrever uma imagem de
87
maneira global e represent-la com um nmero reduzido de cores (preto, azul, verde, ciano,
vermelho, magenta, amarelo e branco) que permite definir um histograma de cores
denominado Misturograma. O algoritmo da mistura de cores como um mtodo de quantizao
de cor paralelizvel, pois trabalha diretamente no nvel do bit, todas as camadas
podem
88
89
Captulo 4
Uso da Mistura de Cores na
Segmentao de Imagens de Pele
Humana e o Esboo da Face
4.1
Introduo
A pele humana constituda por diferentes pigmentos. Segundo Domenech e Bolivar (1965)
levando-se em conta, como carter fundamental, a cor da pele, pode-se definir grandes
grupos, ou troncos tnicos.
90
Na literatura de Viso Computacional a deteco da cor da pele freqentemente
utilizada como uma fase de segmentao, em sistemas biomtricos, para o reconhecimento de
pessoas pela face (KAKUMANU; MAKROGIANNIS; BOURBAKIS, 2007). Verifica-se,
tambm, que Chellapa et al. (1995), Hjelmas e Low (2001), Yang et al. (2002) e Zhao et al.
(2003) acrescentam outras caractersticas como a textura.
O modelo de cor RGB tem sido usado para a modelagem e a deteco de regies de
pele humana (YANG; LU; WAIBEL, 1998) (YANG; AHUJA, 1999). Verifica-se a
popularidade do seu uso nos trabalhos realizados por Kim et al. (1998), Yang et al. (1998),
Wang e Sung (1999), Yang e Ahuja (1999), Bergasa et al. (2000), Schwerdt e Crowley
(2000), Brown et al. (2001), Caetano e Barone (2001), Oliver et al. (2001), Soriano et al.
(2003), Strring et al. (2003), Sebe et al. (2004).
Inspirado na maneira como os pintores utilizam-se de camadas de tinta para atingir a
cor ideal em suas obras, foi desenvolvida a metodologia chamada mistura de cores, conforme
detalhada no Captulo 3. Esta metodologia agora explorada quanto a sua capacidade e
desempenho na segmentao da regio de pele humana em imagens digitais.
Considerando-se o valor da mistura de cores v, pixels da regio de pele so amostrados
e projetados nos planos HSM e HSV.
Para a implementao do HSM utilizou-se a software MatLab verso 7 (R14) no
sistema operacional Windows XP e, para a amostragem dos pixels da regio de pele, foram
utilizados os bancos de faces humanas AR (MARTINEZ; BENAVENTE, 1998) com imagens
RGB com 8 bits por canal e resoluo espacial de 576 x 768 pixels por imagem e a base
FERET (PHILLIPS et al.,2000) com imagens RGB, tambm de 8 bits por canal e resoluo
espacial de 768 x 512 pixels por imagem.
91
Brand e Mason (2000) estabeleceram a regio de pele no espao RGB pelo mtodo de
amostragem, conforme mostra a figura 4.1. Nota-se que a regio situada prxima a diagonal
principal do cubo RGB que corresponde ao nvel de cinza. Em nosso trabalho, a regio de
pele foi determinada por um banco de amostras de pixels de pele humana com 5264 imagens
dos bancos de faces AR e FERET, que foram segmentadas, de forma manual, com a
utilizao do software grfico Adobe Photoshop CS3 (verso 10.0), conforme mostra a figura
4.2.
Definido o banco de amostras, calcularam-se os valores RGB, HSM (equaes 49-60)
e HSV (GONZALEZ; WOODS; EDDINS, 2004) de cada pixel que compe cada imagem do
banco. Na figura 4.3 pode-se ver a distribuio dos pontos de pele (cor preta) amostrados.
.
Figura 4.1: Definio da regio de pele no espao RGB. (BRAND; MASON, 2000)
92
93
Figura 4.3: Representao da distribuio dos pontos de pele nos espaos HSM e HSV. a) 0,39. b)
0,49. c) 0,59. d) 0,69. e) 0,79.
94
Y 95 B Y 40 B Y 20 B max2, , 3 min2, , 3 Y 15 B
| | Y 15 B Y B Y
(68)
(69)
95
treinamento de dados, utiliza-se o mtodo paramtrico que dependente da forma da
distribuio da cor da pele humana na modelagem.
Menser & Wien (2000) implementaram um classificador paramtrico gaussiano para
classificao de pele humana definido por:
'2g 'BpB3
1
2r st 3u t vw 2r st 3
#
B
2X|q |#
(70)
1
xq - gz
y
z0
1
|
q
->gz xq @>gz xq @
y1
z0
(71)
(72)
onde, Terrillon et al. (2000) utilizaram a distncia de Mahalanobis que faz uso do vetor mdia
s e da matriz de covarincia s dos pontos que compem uma distribuio para verificar
se dado um ponto ele pertence ou no distribuio, (equao 73).
}q 2g3 2g xq 3| q 2g xq 3
(73)
distncia }q A 4,5 nos planos perpendiculares a v nos valores 0,03 A A 1. Na Figura 4.4
96
verificam-se a distribuio dos pontos de pele humana obtidos pela distncia de Mahalanobis,
apresentada na cor branca e a distribuio dos pontos de pele humana obtidos no processo de
amostragem, representada pela cor preta, dos classificadores paramtricos gaussianos
aplicados nos espaos HSM e HSV.
Figura 4.4: Representao da distribuio dos pontos de pele obtidos pela distncia de Mahalanobis (cor branca)
e por amostragem (cor preta) nos espaos HSM e HSV. a) 0,39. b) 0,49. c) 0,59.
d) 0,69. e) 0,79.
97
No processo de quantizao em oito cores (preto, azul, verde, ciano, vermelho, magenta,
amarelo e branco), visto no captulo 3, as camadas Ki da imagem equivalem s cores
separadas cuja mistura gera a cor final quantificada em oito camadas e a influncia de cada
camada no aspecto final da imagem proporcional a +! , ou seja, ao peso da camada.
Observando a imagem da camada K7 na Figura 3.2 e a proposta de quantizao de cores de
Pass et al. (1996) e Mitra et al. (1997) que utilizaram somente os bits mais significativos de
cada canal do espao de cor RGB, decidiu-se, ento, investigar a capacidade de segmentao
da mistura de cores utilizando apenas a imagem obtida na camada mais significativa da cor,
ou seja, a camada K7 que corresponde ao bit mais significativo da representao binria da cor
de cada pixel da imagem. Na Figura 4.5 apresentado um exemplo de uma imagem obtida
pela camada K7 utilizando a mistura de cores.
Figura 4.5: Imagem obtida pela mistura de cores utilizando-se apenas a camada K7. a) imagem original.
b) imagem obtida pela camada K7.
98
Na Figura 4.6 pode-se notar que a regio da face, correspondente ao cabelo,
sobrancelhas e olhos, torna-se facilmente identificadas pela cor preta. Segmentou-se a
imagem original com os pixels que apresentavam o valor Ki=(0,0,0), que define a cor preta,
na camada K7 na mistura de cores. A imagem obtida desse processo denominou-se, neste
trabalho, imagem Esboo da Face (Figura 4.6). A Figura 4.7 ilustra outros exemplos de
imagens esboo da face segmentadas a partir do banco de faces AR (SEVERINO JR,
GONZAGA; 2006a).
Figura 4.6: Exemplo da imagem esboo da face. a) Imagem original. b) Imagem do esboo da face.
4.4
Resultados
99
Figura 4.7: Exemplos de imagens esboo da face segmentadas a partir do banco AR pela mistura de cores.
100
Para verificar o desempenho dos classificadores da regio de pele humana foi definido um
banco de teste de imagens faciais, formado por 381 imagens do banco AR e 882 imagens
FERET totalizando 1263 imagens. Inicialmente, as imagens do banco de teste foram
segmentadas manualmente, para criar o ground truth, com a utilizao do software grfico
Adobe Photoshop CS3 (verso 10.0). Aps, as imagens do banco de teste foram segmentadas
pelo mtodo no paramtrico de Peer (equaes 68-69) no RGB, pelo mtodo gaussiano
paramtrico implementado no HSM utilizando a distncia de Mahalanobis }q A 5 (equao
73) como parmetro e pelo mtodo gaussiano paramtrico implementado no HSV utilizando,
tambm, a distncia de Mahalanobis }q A 4,5 (equao 73) como parmetro. As imagens
segmentadas pelos classificadores foram comparadas com as imagens obtidas de forma
manual de acordo com os critrios definidos na tabela 4 abordados por Congalton e Green
(1993).
Tabela 4: Resultados obtidos pelos classificadores paramtricos e no paramtricos
Taxa de
acerto da
classe pele
Taxa de
acerto da
classe no
pele
Taxa de Falsa
Rejeio
(false
negative)
Taxa de Falsa
Aceitao
(false positive)
paramtrico no HSM
98,1%
93,5%
1,9%
6,5%
paramtrico no HSV
97,6%
65,1%
2,4%
34,9%
no paramtrico no RGB
70,7%
91,7%
29,3%
8,3%
Classificador
Na Tabela 4 pode ser visto o desempenho dos classificadores quanto a suas exatides
globais e o ndice de concordncia Kappa (BISHOP; et. al., 1975), enquanto na Figura 4.8 so
ilustrados exemplos das imagens segmentadas por trs classificadores.
101
Tabela 5: ndices de desempenho dos classificadores paramtricos e no paramtricos.
Classificador
Taxa de
acerto da
classe pele
Taxa de
acerto da
classe no
pele
Exatido
Global
ndice
concordncia
Kappa
paramtrico no HSM
98,1%
93,5%
94,8%
0,87
paramtrico no HSV
97,6%
65,1%
74,1%
0,49
no paramtrico no RGB
70,7%
91,7%
86,2%
0,64
102
no RGB, superior a 20,7 e 12,1 respectivamente, em relao ao classificador paramtrico
gaussiano no HSV, obtendo um ndice de concordncia Kappa de 0,87 e 0,64 para os
classificadores paramtrico gaussiano no HSM e no paramtrico no RGB,
respectivamente, e ndice de 0,49 para o classificador paramtrico gaussiano no HSV.
Figura 4.8: Segmentao da regio de pele humana. a) Imagem original. b) Imagem segmentada pelo
classificador no paramtrico de Peer no RGB. c) Imagem segmentada pelo classificador paramtrico gaussiano
no HSV. d) Imagem segmentada pelo classificador paramtrico gaussiano no HSM. e) Imagem segmentada
manualmente para criar o ground truth.
103
Concordncia
Pobre
0 0,20
Ligeira
0,21 0,40
Considervel
0,41 0,60
Moderada
0,61 0,80
Substancial
0,81 1
Excelente
trs imagens da pessoa com diferentes expresses faciais, com as identificaes -2,-3
e -4;
trs imagens da pessoa com diferentes focos de iluminaes (do lado direito da face,
do lado esquerdo da face e em toda face), com as identificaes -5,-6 e-7.
104
Figura 4.9: As imagens m-001-1, m-001-2, m-001-3, m-001-4, m-001-5, m-001-6 e m-001-7 referentes a classe
masculina (m) 001 do banco AR.
105
1 Eatpa
O
M L M
O
M
1
1
7
a 32,1 L a32, 36 a 32,1 L
a1834
a1840
L a1834
, 36
,1
,1
O
M L M
M
840
834
834
a 32,1 L a32,36 a 32,1
a11,1 a17,1
M M
a17, 36 a11, 36 a17, 36
M M L M
1 7
7
a32
, 36
a 32,1 a32,1
M M
1 7
a
32, 36 a32, 36
M
a1834
a 840
,1 1,1
M M
840
840
L a1, 36 a1834
, 36
a1, 36
O
M M L M
834 840
840
L a 32, 36 a32
,1
a 32,1
M M
834 840
a
32, 36 a 32, 36
2 Etapa
a11,1
M
1
a1, 36
M
1
a 32,1
M
1
a
32, 36
a17,1
7
1, 36
a1834
,1
834
1, 36
M
a
7
32 , 1
834
32 , 1
M
L a
7
32 , 36
M
L a
834
32 , 36
a1840
,1
M
L a1840
c
L c1, 1152
, 36
1,1
O
M
M M
840
L a 32,1 1152, 1 L c1152, 1152
M
840
L a 32,36
L
3 Etapa
c1, 1 L c1, 1152 1, 1 L
v1, 1 L c1, 1152 p1, 1 L p1, 100
0
O
M
O
M
O
M
O
M
M
M
e M
M
c
1152, 1 L c1152, 1152 0 L 1152 , 1152 v1152, 1 L c1152, 1152 p1152 , 1 L p1152, 100
Figura 4.10: Etapas para a construo da matriz de projeo do subespao PCA.
106
O
M M
M
a1
'
1
32,1 L a 32, 36 p100,1
a 11,1
M
L p1' , 1152 a 11,32 vc11,1
O
M M M
1 vc1
'
L p100
, 1152 a 32 ,1
100,1
M
1
a 32,36
Figura 4.11: Obteno do vetor caracterstica da imagem m-001-1 do banco de imagens originais.
107
Figura 4.12: Grfico de desempenho do banco com 840 imagens apresentando diferentes expresses faciais e
mudanas de iluminao.
Tabela 7: Dados obtidos nos sistemas CBIR imagem original e imagem esboo da face.
Busca
primeira mais
prxima
duas mais
prximas
trs mais
prximas
quatro mais
prximas
cinco mais
prximas
seis mais
prximas
sete mais
prximas
Revocao
Preciso
(imagem original)
Preciso
(imagem esboo da face)
0,1429
1,0
1,0
0,2793
0,9708
0,9774
0,4041
0,9306
0,9429
0,5172
0,8792
0,9051
0,6189
0,8176
0,8664
0,7097
0,7554
0,8280
0,7787
0,6910
0,7787
108
4.5
Consideraes Finais
Neste captulo foi apresentada a modelagem de trs mtodos para segmentao da regio de
pele humana. O primeiro, modelado no espao RGB, foi definido de forma no paramtrica
que apresenta como vantagens ser rpido quanto ao uso e independente da forma da
distribuio da cor de pele no modelo utilizado; entretanto, no capaz de interpolar ou
generalizar o conjunto de treinamento de dados. O segundo, desenvolvido no espao HSM,
faz uso de uma distribuio gaussiana e da distncia de Mahalanobis. O terceiro, desenvolvido
no espao HSV, tambm, faz uso de uma distribuio gaussiana e da distncia de
Mahalanobis. Foi mostrada, tambm, a obteno da imagem do esboo da face obtida pelos
pixels com o valor Ki=(0,0,0) na camada K7 da mistura de cores. Demonstrou-se o potencial
da mistura de cores aplicada na classificao de um pixel como pele humana e no pele
humana em imagens faciais digitais e verificou-se que a imagem do esboo da face constitui
uma nova ferramenta na descrio global de uma imagem digital e na constituio de vetores
caractersticas.
109
Captulo 5
Concluses
Este trabalho prope uma nova abordagem para o processamento de imagens coloridas. A
maneira como os pintores executam suas obras inspiram a proposta da mistura de cores.
Considerando que a retina humana para a percepo das cores possui uma distribuio maior
de cones sensveis a cor vermelha, uma distribuio menor para a cor verde e possuindo uma
pequena distribuio para a cor azul, a mistura de cores foi desenvolvida utilizando os bits, do
mais significativo ao menos significativo dos trs canais de cores do espao de cor RGB,
como formantes de oito camadas de cores, que ao serem misturados em propores que
dependem da posio do bit, geram a cor final de cada pixel.
Com esta nova abordagem foi possvel demonstrar que a mistura de cores pode ser
aplicada no processamento de imagens coloridas. A aplicao imediata, devido ao aspecto da
gerao por camadas, na quantizao das cores de uma imagem. A quantizao permite
descrever uma imagem de maneira global representando-a com um nmero de oito cores
(preto, azul, verde, ciano, vermelho, magenta, amarelo e branco).
Baseando-se na definio do matiz e da saturao da mistura de cores foi proposta a
modelagem de um novo espao de cor denominado HSM que apresenta como caracterstica a
percepo de cor pelo ser humano.
Na aplicao da segmentao da regio de pele de imagens faciais os resultados
obtidos comprovam o ganho de desempenho do uso do modelo de cor proposto HSM. Este
desempenho foi comprovado pela implementao de um mtodo paramtrico gaussiano no
110
HSM utilizando a distncia de Mahalanobis como parmetro, quando comparado ao mesmo
mtodo implementado no HSV e a outro mtodo no paramtrico implementado no RGB.
Com o uso pelos pixels com o valor Ki=(0,0,0) na camada K7 da mistura de cores foi
proposta a obteno da imagem denominada de esboo da face. A utilizao da imagem
esboo da face em aplicaes CBIR demonstrou o ganho de desempenho na recuperao de
imagens. Dessa forma, o uso da imagem esboo da face como caracterstica apresenta-se
como uma ferramenta de grande valia em aplicaes CBIR.
5.1
Contribuies
a obteno da imagem esboo da face como uma nova caracterstica a ser abordada
em aplicaes CBIR.
111
5.2
Trabalhos Futuros
112
113
Referncias Bibliogrficas
AHLBERG, J. A system for face localization and facial feature extraction. Tech. Rep. LiTHISY-R-2172, Linkoping University, 1999.
BAEK, K.; BARTLETT, M. S.; DRAPER, B. A. Recognizing faces with PCA and ICA.
Computer Vision and Image Understand, v. 91, p. 115-137, 2003.
BISHOP, Y.; FIENBERG, S.; HOLLAND, P. Discrete multivariate analysis: theory and
practive. Cambridge, Estados Unidos: MIT, 1975.
BROWN, D.; CRAW, I.; LEWTHWAITE, J. A SOM based approach to skin detection with
application in real time systems. In: BRITISH MACHINE VISION CONFERENCE
(BMVC01), 2001.
CAETANO, T. S.; BARONE, D. A. C. A probabilistic model for the human skin-color. In:
PROCEEDINGS OF 11TH INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS
AND PROCESSING (ICIAP01), p. 279283, 2001.
114
CARROLL, J.; NEITZ M.; NEITZ, J. Estimates of L:M cone ratio from ERG flicker
photometry and genetics. Journal Vision, n. 2, p. 531542, 2002.
CHELLAPPA, R.; WILSON, C.; SIROHEY, S. Human and machine recognition of faces: a
survey. In: PROCEEDIGNS OF IEEE, v. 8, n. 5. p. 705740, 1995.
COX, I. J., et al. PicHunter: Bayesian Relevance Feedback for Image Retrieval. In:
PROCEEDINGS OF 13TH INTERNATIONAL CONFERENCE ON PATTERN
RECOGNITION (ICPR96), p. 361-369, 1996.
DOMENECH, J. M. T., BOLIVAR, A. P. Atlas das Raas Humanas. Rio de Janeiro, IberoAmericano Ltda, 1965.
FIELD, G. G. Color and Its Reproduction. Graphics Arts Technical Foundation: 1988.
FUN, C. M.; WONG, C. F. Image retrieval using a novel color quantization approach. In:
9TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING (ICSP 2008), p. 773776, 2008.
115
GAGLIARDI, I.; SCHETTINI, R. A Method for the Automatic Indexing of Color Images for
Effective Image Retrieval.. The New Review of Hypermedia and Multimedia. v. 3, p. 201224, 1997.
GONG, Y.; CHUAN, C. H.; XIAOYI, G. Image Indexing and Retrieval using Color
Histograms. Multimedia Tools and Applications, v. 2, p. 133-156, 1996.
HAFNER, J., et al. Efficient Color Histogram Indexing for Quadratic from Distance
Functions. IEEE Transactions Pattern Analysis and Machine Intelligence, v. 17, p. 729736, 1995.
HAGSTROM, S. A.; NEITZ, J.; NEITZ, M. Variations in cone populations for red-green
color vision examined by analysis of mRNA. Neuro Report, n. 9, p. 19631967, 1998.
HOFER, H.; CARROLL, J.; NEITZ, J.; NEITZ, M.; WILLIAMS, D. R. Organization of the
Human Trichromatic Cone Mosaic. In: THE JOURNAL OF NEUROSCIENCE, October 19,
v. 25, n. 42, p. 9669 9679, 2005.
116
ITO, N., et al. Fuzzy Logic Based Non-Parametric Color Image Segmentation with Optional
Block Processing. Association of Computing Machinery, p. 119-126, 1995.
JORDAO, L.; PERRONE, M.; COSTEIRA, J.; SANTOS-VICTOR, J. Active face and feature
tracking. In PROCEEDINGS OF THE 10TH INTERNATIONAL CONFERENCE ON
IMAGE ANALYSIS AND PROCESSING, p. 572577, 1999.
KIM, S. H.; KIM, N. K.; AHN, S. C.; KIM, H. G. Object oriented face detection using range
and color information. In: PROCEEDINGS OF THE 3RD INTERNATIONAL
CONFERENCE ON AUTOMATIC FACE AND GESTURE RECOGNITION (AFGR 98),
1998.
scene-adaptive
color
quantization.
KREMERS, J.; SCHOLL, H. P. N.; KNAU, H.; BERENDSCHOT, T. T. J. M.; USUI, T.;
SHARPE, L. T. L/M cone ratios in human trichromats assessed by psychophysics,
electroretinography, and retinal densitometry, In: JOURNAL OF THE OPTICAL SOCIETY
OF AMERICA A: OPTICS, IMAGE SCIENCE, AND VISION, n. 17, p. 517526, 2000.
LIAPIS, S.; TZIRITAS, G. Color and Texture Image Retrieval using Chromaticity
Histograms and Wavelet Frames. IEEE Transactions on Multimedia, v. 6, n. 5, p. 676-686,
2004.
MALTONI, D.; et al. Handbook of Fingerprint Recognition. New York: Springer, 2003.
117
MEHTRE, B. M., et al. Color Matching for Image Retrieval. Pattern Recognition Letters, v.
16, p. 325-311, 1995.
MENSER, B.; WIEN, M. Segmentation and tracking of facial regions in color image
sequences. In PROCEEDINGS OF SPIE VISUAL COMMUNICATIONS AND IMAGE
PROCESSING, p. 731740, 2000.
MITRA, M.; HUANG J.; KUMAR, S. R. Combining Supervised Learning with Color
Correlograms for Content-Based Image Retrieval. In: PROCEEDINGS OF FIFTH ACM
MULTIMEDIA CONFERENCE, 1997.
OLIVER, N.; PENTLAND, A.; BERARD, F. Lafter: lips and face real time tracker. In: IEEE
COMPUTER VISION AND PATTERN RECOGNITION (CVPR 97), 1997.
OTAKE, S.; CICERONE, C. M. L and M cone relative numerosity and redgreen opponency
from fovea to midperiphery in the human retina. In: JOURNAL OF THE OPTICAL
SOCIETY OF AMERICA A: OPTICS, IMAGE SCIENCE, AND VISION, n. 17, 2000, pp.
615 627.
118
PASS, G.; ZABIH, R.; MILLER, J. Comparing Images Using Color Coherence Vectors. In:
PROCEEDINGS OF FOURTH ACM MULTIMEDIA CONFERENCE, 1996.
PHILLIPS, P. J.; MOON, H.; RAUSS, P. J.; RIZVI, S. The FERET evaluation methodology
for face recognition algorithms. IEEE Transactions on Pattern Analysis and Machine
Intelligence, v. 22, n. 10, 2000.
QIU, G.; FENG, X.; FANG, J. Compressing Histogram Representations for Automatic
Colour Photo Categorization. Pattern Recognition, v. 37, p. 2177-2193, 2004.
SCHWERDT, K.; CROWELY, J. L. Robust face tracking using color. In: PROCEEDINGS
OF THE 3RD INTERNATIONAL CONFERENCE ON AUTOMATIC FACE AND
GESTURE RECOGNITION (AFGR 00), 2000.
SEBE, N.; COHEN, T.; HUANG, T. S.; GEVERS, T. Skin detection, a Bayesian network
approach. In: INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR),
2004.
119
SEVERINO JR, Osvaldo, GONZAGA, A. Auto-esboo e Auto-pele pelo Misturograma. In: II
Workshop de Viso Computacional (WVC2006). So Carlos, 2006a, p. 81 86.
SHARMA, G. Digital Color Image Handbook. New York: CRC Press LLC, 2003.
SMITH, J. R.; CHANG, S. F. Single Color Extraction and Image Query. In: PROCEEDINGS
OF THE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, 1995.
SMEULDERS, A. W. M. et al. Content-Based Image Retrieval at the End of the Early Years.
IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 22, n. 12, p. 13491380, 2000.
SPROSON, W. N. Color Science in Television and Display Systems. Adam Hilger Ltda:
1983.
120
SUZUKI, J.; FURUKAWA, I. Required Number of Quantization Bits for CIE XYZ Signals
Applied to Various Transforms in Digital Cinema Systems. In: IEICE TRANSACTIONS ON
FUNDAMENTALS OF ELECTRONICS, COMMUNICATIONS AND COMPUTER
SCIENCES, p. 1072-1084, 2007.
VAILAYA, A.; JAIN, A.; ZHANG, H. J. On Image Classification: Cities Images vs.
Landscapes. Pattern Recognition, v. 31, p. 1921-1935, 1998.
WANG, J. G.; SUNG, E. Frontal-view face detection and facial feature extraction using color
and morphological operations. Pattern Recognition Letters, v. 20, p. 10531068, 1999.
YANG, J.; LU, W.; WAIBEL, A. Skin-color modeling and adaptation. In: 3RD ASIAN
CONFERENCE ON COMPUTER VISION (ACCV'98) , 1998.
YANG, M. H.; AHUJA, N. Gaussian Mixture model for human skin color and its application
in image and video databases. In: PROCEEDINGS OF SPIE: CONFERENCE ON
STORAGE AND RETRIEVAL FOR IMAGE AND VIDEO DATABASES, v. 36, n. 56, p.
458466, 1999.
YANG, M. H.; KRIEGMAN, D. J.; AHUJA, N. Detecting faces in images: a survey. IEEE
Transactions on Pattern Analysis and Machine Intelligence, v. 24, n. 1, p. 3458, Mach
Intell, 2002.
YAMAGUCHI, T.; MOTULSKY, A. G.; DEEB, S. S. Visual pigment gene structure and
expression in the human retinae, Human Molecular Genetics., n. 6, 1997, pp. 981990.
121