Escolar Documentos
Profissional Documentos
Cultura Documentos
3
Tcnicas de Processamento Digital de Imagens
Aplicadas rea da Sade.
XIII Escola Regional de Informtica da SBC - Paran
Abstract
The field of Image Processing became a great search and study area. This area aims to
reproduce the human ability in processing and interpreting picture information. This work
aims to present the main modules of a typical Medical Image Processing and Analysis
System: data acquisition, preprocessing, segmentation, feature extraction. The relevant
aspects of each process are given, filtering and segmentation techniques applied to extract
the interested data.
Resumo
3.1. Introduo
O sentido da viso pode ser considerado o meio mais eficiente de que o ser humano dis-
pe para captar as informaes originadas no ambiente que o cerca. Algumas aplicaes
de imagens e alguns tipos de imagens requerem uma interao visual bastante intensa
[Shi87]. A capacidade humana para processar e interpretar imensas quantidades de dados
XIII Escola Regional de Informtica da SBC - Paran 109
Para atender as exigncias do mundo industrial, existe hoje uma diversidade muito
grande de sensores que permitem transformar intensidades luminosas em sinais e
imagens digitais.
Armazenamento da informao
A informao armazenada em uma memria compatvel com o sistema em questo.
Existe uma srie de teorias sobre o funcionamento da memria animal assim como
uma grande quantidade de tipos de memrias no mercado. O principal que o
sistema seja capaz de armazenar as informaes por um determinado perodo de
tempo e de ter acesso de modo eficiente a essas quando necessrio [CDG92].
Processamento da informao
A informao, uma vez recebida e armazenada, processada de acordo com a con-
figurao do sistema. A configurao est determinada pela evoluo do organismo,
assim como por processos de assimilao e/ou adaptao do mesmo. Existem vrias
teorias de compreenso do processamento da informao pelo crebro. Uma abor-
dagem considerar que o crebro leva em conta uma base de dados para efetuar
uma comparao entre a informao recebida e alguns padres de situaes seme-
lhantes armazenados nessa base.
Resposta Nervosa
De uma forma geral, o crebro fornece para a entidade envolvida no processo
(brao, perna, etc...) uma resposta dependente da semelhana encontrada ou no
encontrada e prepara o comportamento adequado. Caso encontrar um padro des-
conhecido ou novo, o crebro tem a faculdade de classific-lo na base de dados e
ento enriquec-la.
Eficincia do processamento
O tempo com que os sistemas orgnicos desempenham o processamento da infor-
mao o suficiente e o necessrio para a sobrevivncia dos organismos. J a
eficincia do processamento artificial impe srias restries ao tempo de resposta
necessrio a muitas aplicaes.
Diversidade do ambiente
Enquanto um filme fotogrfico ou uma mquina fotogrfica digital possui um nico
nvel de sensibilidade, a retina pode adaptar sua sensibilidade em uma vasta gama,
por meio de adaptaes qumicas em seus receptores e pelo fato dos bastonetes
serem especializados para baixas intensidades luminosas (viso scotpica) e os
cones para altas intensidades (viso fotpica). A retina pode tambm adaptar-se
XIII Escola Regional de Informtica da SBC - Paran 111
Em funo dos dados anteriores, podemos constatar que a capacidade dos orga-
nismos em se adaptarem a situaes novas, e s vezes adversas, extremamente
boa quando comparada com os sistemas artificiais. Condies deficientes de ilu-
minao, informao imprecisa ou parcial, deformao da imagem e outros fatores
exigem estruturas de tratamento da informao extremamente confiveis para que
o reconhecimento seja feito adequadamente.
uma memria para as mesmas, um computador que pode ter acesso a essa memria e um
conjunto de ferramentas que permita visualizar o contedo da memria. Ento, o sistema
adquire, processa e visualiza imagens.
Um sistema de viso constitudo de :
Sensores de Viso
Estes fornecem uma projeo da cena de trabalho e realizam a aquisio de ima-
gens. Existem viversas maneiras de gerar imagens, por cmera, mquina fotogr-
fica digital, raio-X, ultrason, infravermelho, scanner, tomografia etc.. s vezes, a
possibilidade de acoplar um sistema de iluminao pode permitir a obteno de im-
agens de melhor contraste e de melhor qualidade, reduzindo assim a quantidade de
processamentos preliminares.
Computador
Este executa os algoritmos de processamento de imagens permitindo flexibilidade
e custos de processamento e de memria relativamente baixos. Os algoritmos so
desenvolvidos para, em condies de iluminao a priori variveis, possibilitar a
escolha da informao adequada nas imagens, a ser interpretada e a partir da qual
sero tomadas as decises.
Aquisio e digitalizao
A imagem do sensor transformada em uma imagem digital sobre a forma de uma
tabela de valores discretos inteiros chamados pixels. A figura 3.1 ilustra um ex-
emplo aquisio de uma imagem ruidosa de duas famlias de clulas, as azuladas e
as que tendem para o marrom-avermelhado.
Pr-processamento
Essa etapa permite corrigir um certo nmero de defeitos e imperfeies aparecidos
114 XIII Escola Regional de Informtica da SBC - Paran
durante a aquisio da imagem, que podem ter como causa caractersticas fsicas
do sistema, as condies deficientes de iluminao, etc... O pr-processamento no
indispensvel, mas, na maioria dos casos, necessrio. A figura 3.1 ilustra um
exemplo de remoo de rudo da imagem adquirida anteriormente.
Segmentao
A meta consiste em dividir uma imagem em partes constitutivas. Em uma im-
agem natural, a segmentao efetuada pela deteco de descontinuidades (con-
tornos) e/ou de similaridades (regies) na imagem. A maioria dos processamentos
baseada na pesquisa dessas entidades que so armazenadas numa forma adequada
(segmentos ou primitivas). A figura 3.1 ilustra um exemplo de extrao das duas
famlias de clulas acima citadas.
Interpretao
a parte mais inteligente do processo de viso por computador: ela representa o
alto nvel e permite obter a compreenso e a descrio final do fenmeno inicial.
Ela faz uso do conhecimento a priori do caso estudado e o conhecimento adquirido
durante as fases precedentes. A figura 3.1 ilustra um exemplo de interpretao de
clulas benignas e malignas.
A restaurao difere de realce pelo fato de que a primeira procura obter a im-
agem real tendo, se possvel, um conhecimento a priori da degradao. Sua nfase
est na modelagem de degradaes e na recuperao de imagem por inverso do processo
de degradao. Sua meta a obteno de uma imagem com entidades restauradas que
diferem o menos possvel daqueles da imagem real.
Os mtodos de realce diferem dos de restaurao pelo fato de que os primeiros so
essencialmente projetados para manipular a imagem a partir das caractersticas psicofsi-
cas do sistema de referncia que a viso humana.
Devido dificuldade de se conhecer de antemo os processos de degradao e
da complexidade computacional da modelagem destas degradaes, faz-se pouco uso de
tcnicas de restaurao. Basicamente, filtrar uma imagem aplicar tcnicas de realce.
As tcnicas de realce de imagens so relacionadas com a expanso de contraste, o re-
alce de bordas e a eliminao do rudo. A maioria das tcnicas de realce de imagens so
heursticas e orientadas para aplicaes especficas. Um critrio de avaliao universal
ainda no existe. O sucesso da aplicao depende do julgamento subjetivo do analista.
Com o realce de uma imagem, objetiva-se a obteno de uma imagem apresentando bom
contraste, contornos ntidos, riqueza de detalhes e pouco rudo. Devido a grande quanti-
dade de tcnicas de realce disponveis na literatura sero apresentadas aqui as mais teis
e promissores no caso de aimegsn mdicas.
116 XIII Escola Regional de Informtica da SBC - Paran
Essa transformao quase linear comprime os intervalos [zmin , a] e [b, zmax ]. Isto
aceitvel quando tem-se poucos nveis de cinza nesses intervalos.
Geralmente, transformaes no lineares podem ser usadas, a nica restrio
que o resultado deve ficar no intervalo [zmin , zmax ].
Uma transformao t 0 () desse tipo pode ser definida: t 0 = [ (zmax zmin )
(t2 t1 ) ](t(z)t1)+
zmin onde: t1 = mint(z) e t2 = maxt(z)
com zmin < z < zmax . t 0 () satisfazendo a condio: zmin < t 0 (z) < zmax .
XIII Escola Regional de Informtica da SBC - Paran 117
onde
M
L(x, y) = k[ ] para 0 < k < 1 (2)
(x, y)
O filtro da mediana [NR78] tem como objetivo substituir o pixel central de uma janela
2
w w pelo k = w 2+1 -simo valor dos nveis de cinza dessa janela arranjados de acordo
com seu valor em ordem crescente. O filtro da mediana representa o filtro no linear mais
fcil de se implementar, permitindo um ganho de qualidade mesmo em casos de imagens
bastante ruidosas. Pode-se verificar que, quando aparecem valores fora do domnio da
ordenao dos valores na vizinhana, a mediana da distribuio no altervel. O que
demonstra que a mediana pouco sensvel ao rudo de tonalidade diferente do contedo
das regies da imagem (figura 3.4-(c)).
Em geral, esse tipo de filtro destri pontos isolados e, s vezes, linhas bem finas.
Mas de forma geral ele respeita as transies. Alm disso, ele eficiente para rudos
do tipo pulso. Se o rudo numa imagem aparece como erro aditivo, aleatrio ou no
correlacionado, os pixels afetados so, pelo filtro da Mediana, corrigidos com a vantagem
de evitar espalhar o efeito do rudo para os pixels vizinhos. Com o aumento do tamanho
da janela, os resultados do filtro da Mediana continuem timos sem perda de nitidez tendo
somente tendncia em eliminar pequenas regies. A figura 3.4 ilustra bem as diferenas
de eficincia entre o filtro da mdia e o da mediana no caso de uma imagem de ressonncia
magntica do crebro contaminada por um rudo sal-pimenta. Enquanto o filtro linear da
mdia 3 3 (figura 3.4-(b)) espalha o rudo, o filtro da mediana 3 3 o elimina.
XIII Escola Regional de Informtica da SBC - Paran 119
a)
Um contorno ou borda uma mudana brusca do nvel de cinza entre duas regies rela-
tivamente homogneas. Qualquer captor introduz uma falta de nitidez mais visvel espe-
cificamente nas bordas das regies que compem a imagem. Bordas representam compo-
nentes de alta freqncia.
XIII Escola Regional de Informtica da SBC - Paran 121
mdulo:
s 2 2
q
2 2 I
||G[P(x, y)]|| = Gx + Gy = + (10)
x y
ngulo:
" #
Gy ( yI )
= arctan = arctan (11)
Gx ( xI )
No caso de uma imagem digital, preciso aproximar as derivadas parciais. Existem
vrios operadores de avaliao das derivadas parciais. Muitos desses operadores so lin-
eares baseados na convoluo discreta. Convoluir uma imagem I(x, y) com uma mscara
1
F(x, y), x [0, M 1] e y [0, N 1] consiste em ( MN ) m=0 n=0 I(m, n)F(x m, yn).
M1 N1
Segundo [Shi], embora o uso do gradiente atravs de seus operadores clssicos seja
largamente utilizado, dois efeitos no desejados so gerados com o clculo, e portanto
considerados como erros. O primeiro efeito intrnseco encontrado com a aplicao do
gradiente em uma imagem a suavizao. O fenmeno de suavizao pode ser obser-
vado como um certo borramento da imagem. Este fenmeno causado pela mscara do
gradiente que leva em considerao os pixel de sua vizinhana. O segundo erro se d
pela diferena observada entre dos resultados obtidos pelo gradiente em sua forma disc-
reta e sua forma contnua. Tal erro resultante da forma de como calculada a derivada
de uma funo discreta e que certamente difere da definio matemtica do gradiente
que considera funes contnuas. Esta segunda fonte de impreciso do gradiente uma
inconsistncia prpria do operador, podendo apenas ser minimizada e no eliminada.
124 XIII Escola Regional de Informtica da SBC - Paran
(a)
(b) (c)
(d) (e)
Figure 3.6. Exemplo de diferenciao de primeira ordem: (a) imagem original, (b)
Gradiente morfolgico por eroso, (c) Mdulo do gradiente pelo operador 1 de
Sobel, (d) Gradiente Gx , (e) Gradiente Gy
( f dil g) ( f ero g)
Gradiente(x) = lim 0 (12)
2
2 2 2 2
I(x, y) I(x, y) I(x, y) I(x, y)
+ = +
u v x y
126 XIII Escola Regional de Informtica da SBC - Paran
3.4.6.1. Laplaciano
Embora o operador Laplaciano definido pela equao 14 seja invariante por rotao, na
prtica, aproximaes matemticas so feitas para que o operador possa ser aplicado ao
processamento de imagens digitais. Tais aproximaes fazem com que o Laplaciano perca
a caracterstica de invarincia rotao. Em outras palavras, se aplicar o Laplaciano sobre
duas arestas idnticas orientadas por ngulos diferentes obter-se- resultados diferentes.
Esta anisotropia nos resultados influi muito em qualquer processamento que envolva o
operador. A anisotropia do Laplaciano um problema bem conhecido.
[KPKPR99] props um modelo geral de clculo de um operador cujo os resultados
de sua aplicao se aproximam ao mximo do comportamento isotrpico do operador
Laplaciano na sua definio.
(1 )/2 (1 )/2
[L( )] = 2(1 + )
(1 )/2 (1 )/2
(a)
(b) (c)
(d) (e)
Figure 3.7. Exemplo de diferenciao de segunda ordem: (a) imagem original, (b)
Laplaciano, (c) Laplaciano otimizado (w = 0.5), (d) LoG: Laplaciano Gaussiano, (e)
DoG: Diferena de Gaussianas
erador Laplaciano. Ambas operaes podem ser realizadas por convoluo da seguinte
maneira:
1 x2 + y2 (x2 +y22 )
LoG = [1 ] e 2
4 2 2
onde x, y representam as linhas e colunas da imagem, e o valor de disperso que
controla o efeito "spread". A figura 3.8 ilustra uma funo LoG com vrios valores de .
Devido a seu formato, a funo chama-se tambm filtro chapu Mexicano. A
figura 3.8-(a) mostra a seo do operador LoG com diferentes valores de . Mais larga
fica a funo, mais largas ficaro as bordas detectadas. A funo permite detectar bordas
mais acentuadas e com mais detalhes. Maiores forem os valores de , maior for a mscara
de convoluo.
(a) (b)
Figure 3.8. (a) Seo do operador LoG com diferentes valores de , (b) Funo
LoG versus funo DoG
O primeira passagem por zero da funo LoG para 2 . Ter uma mscara
de convoluo que contm valores no nulas da funo LoG exige uma largura 3 vezes
maior que a largura do "lobe" central positivo (8.49 ). A deteco de bordas baseada na
funo de suavizao Gaussiana reduz o rudo da imagem, permite reduzir a deteco de
falsas bordas e tambm detectar bordas mais largas. O tamanho da maioria das mscaras
de detetores de bordas raramente ultrapassa 7 7. O formato do operador LoG requer
mscaras mais largas, ao redor de 35 35. O que invabiliza o uso deste operador. No
lugar, usa-se uma aproximao, o operador DoG abaixo descrito:
Realiza-se o operador DoG por convoluo com uma mscara que o resultado
da subtrao de duas mscaras Gaussianas com valores diferentes. A razo 1 /2 1.6
resulta numa boa aproximao do operador LoG. A figura 3.8-(b) compara uma funo
LoG (com = 12.35) com uma funo DoG (com 1 = 10 e 2 = 16).
Uma vantagem do operador DoG reside na sua aptido em especificar a largura de
bordas a serem detectadas por variao dos valores de 1 e 2 . Abaixo so apresentadas
XIII Escola Regional de Informtica da SBC - Paran 129
duas mscaras 7 7 e 9 9 (figura 3.9). A mscara 9 9 gera bordas mais largas que a
mscara 7 7.
As figuras 3.7-(d) e (e) exemplificam os operadores LoG e DoG numa imagem
em nveis de cinza de fibras musculares.
a avaliao dos resultados de forma geral subjetiva, feito pelo olho do pesquisador,
e no objetiva como deveria ser;
Unicidade: uma borda deve provocar uma nica resposta do operador de extrao
Falar de filtragem necessita introduzir o tipo de borda (degrau, aresta, teto etc...)
e de rudo (convolutivo, aditivo, branco, impulsional etc...) processados. As pesquisas e
130 XIII Escola Regional de Informtica da SBC - Paran
concluses de Canny e Deriche basearam-se na borda do tipo degrau, comun nas imagens,
e no rudo branco, fcil de ser modelado.
Seja A a amplitude da borda degrau B(x) afetada pelo rudo branco (x) de mdia
E( (x)) nula e de variana E 2 ( (x)) = 02 . Ento a modelizao da borda B(x) escreve-
se:
B(x) = Ad(x) + (x) (16)
onde
0 se x [, 0]
d(x) = (17)
1 se x ]0, ]
Supe-se que a deteco efetua-se pelo produto de convoluo da borda ruidosa
por uma funo espacial de funo de transferncia h(x), seja:
Z
s(x) = h(x) B(x) = B(x)h(x0 x)dx (18)
O segundo passo consiste em usar a filtragem recursiva. Esta representa uma fer-
ramenta bem conhecida que permite implementar filtros de resposta impulsional infinita
com um baixo custo associado. Deriche mostrou que possvel implementar filtros re-
cursivos de primeira e segunda ordem.
Considera-se o filtro f (x) contnuo e f (n) a funo correspondente amostrada.
A partir da teoria da transformada de Z, pode-se mostrar que a funo f (n) pode ser
decomposta em duas funes de transferncia racionais de filtros estveis, uma positiva
definida para os valores crescentes de n, f + (n), e uma negativa definida para os valores
decrescentes de n, f (n).
O filtro de suavizao de Deriche o seguinte filtro recursivo:
s(x) = k( |x| + 1) |x| (20)
y+ (m) = ax(m 1) b1 y+ (m 1) b2 y+ (m 2)
para m = 1, .., N
y (m) = ax(m + 1) b1 y (m + 1) b2 y (m + 2)
para m = N, .., 1
y(m) = y (m) + y (m)
+
para m = 1, .., N
para m = N, .., 1
y(m) = y (m) + y (m)
+
para m = 1, .., N
Lembra-se que a filosofia usada por Canny e Deriche implementar de forma eficiente
a convoluo, de um sinal bidimensional, I(x, y) a partir de uma reposta impulsional in-
132 XIII Escola Regional de Informtica da SBC - Paran
finita H(x, y) no objetivo da definir derivadas digitais parciais de primeira e segunda or-
dem otimizadas. Os resultados da convoluo de I(x, y) por H(x, y), simbolizada por ,
segundo Canny so:
3.5.1. Introduo
Alguns psiclogos alemes no incio do sculo (K 12 ler, Wertheimer, Kofftka) mostraram
que o ser humano, a nvel da viso, efetua agrupamentos sobre o que ele percebe, basea-
dos na proximidade, na similaridade, e na continuidade. O objetivo da segmentao
obter, a partir de uma imagem, um conjunto de "primitivas" ou "segmentos significativos
que contm a informao semntica relativa imagem. A grande dificuldade da segmen-
tao reside no fato de no se conhecer de antemo o nmero e tipo de estruturas que se
encontram na imagem. Essas estruturas so identificadas a partir da geometria, forma,
topologia, textura, cor ou brilho sendo escolhidas aquelas que possibilitam a melhor iden-
tificao.
A segmentao de imagens objetiva portanto particionar uma imagem em classes.
Haralick [HSZ87] prop 12 as seguintes propriedades para um bom processo de segmen-
tao:
O processo de digitalizao gera uma imagem composta de pixels cujos nveis de cinza
vo de 0 at 255. De forma geral, lida-se com imagens contendo objetos, clulas, texto,
grficos, todo tipo de informao. A partir de agora, chamar-se- o primeiro plano de ob-
jetos (foreground em ingls) as regies de interesse. E de fundo (background em ingls)
todas as outras regies consideradas como no interessantes. Para ilustrar esses conceitos,
considere o exemplo de uma imagem de cromossomos. As informaes importantes con-
stituem a regio do primeiro plano enquanto o resto constitui o segundo plano ou fundo.
bvio que em funo da imagem processada, essa noo de primeiro plano e de fundo
pode mudar.
Quando se busca um nico valor de limiar para toda a imagem, o processo chama-se de
limiarizao global. O modo mais direto para selecionar automaticamente um valor de
limiar de uma imagem atravs de seu histograma. O histograma basicamente uma
tabela que fornece para cada nvel de cinza o nmero de pixels correspondentes. No caso
do primeiro plano ser bem diferenciado em relao ao fundo, o histograma apresentar
distintamente duas classes na forma de dois picos separados por um "vale".
A limiarizao global consiste, no caso de um primeiro plano mais claro que o
fundo, em escolher no histograma um valor T , tal como para cada pixel P(x, y):
primeiro plano se o valor de P(x,y) > T
P(x, y) =
fundo seno
Esse limiar T fica em algum lugar do vale. A figura 3.10 ilustrada a influncia do valor
do limiar sobre a qualidade da limiarizao.
Este processo muitas vezes usado para dissociar o fundo das identidades presentes (clu-
las, objetos, ns de madeira etc.. ). A maior vantagem que o princpio simples e pre-
cisa de pouca memria. Contudo, existem vrias desvantagens em selecionar um limiar
global:
XIII Escola Regional de Informtica da SBC - Paran 135
(a)
para cada abordagem. A Figura 3.11 ilustra dois exemplos de limiarizao global de uma
imagem contendo dois tipos de clulas. O mtodo de Ostu [Ots79] permite binarizar
todas elas enquanto que o mtodo por matriz de co-occorncia de Chanda et al [CM] tem
como vantagem separar apenas um tipo de clula.
3.5.2.4. Multi-limiarizao
(a)
Quando se busca em segmentar mais que duas regies pelo processo de limiariza-
o, o termo usado multi-limiarizao ou ainda limiarizao multi-nvel.
O maior problema da multi-limiarizao reside em saber em quantas classes uma
imagem pode ser particionada. A avaliao do nmero de classes um problema es-
pecfico da multi-limiarizao. Os mtodos de limiarizao global e local partem do pr-
suposto que ter no final somente duas classes. Novamente a literatura fornece vrias
abordagens de multi-limiarizao. Infelizmente a maioria delas precisam de prever de
antemo do nmero de classes [Mar00]. Poucas abordagens so realmente automti-
cas. Vale a pena citar a abordagem automtica de multi-limiarizao de Jui-Cheng Yen
[YCC95] interessante por avaliar automatiamente o nmero de classes usando critrios
robustos.
A Figura 3.13 ilustra, no caso de uma imagem de ressonncia magntica do cre-
bro, as vantagens de usar a abordagem de multi-limiarizao de Jui-Cheng Yen que per-
mite separar cada regio do crebro e localizar o tumor.
138 XIII Escola Regional de Informtica da SBC - Paran
(a)
(b) (c)
(d) (e)
Figure 3.13. Exemplo de multi-limiarizao de Jui-Cheng Yen: (a) imagem origi-
nal, (b) Primeira classe, (c) Segunda classe, (d) Terceira classe, (e) Quarta classe
= tumor
XIII Escola Regional de Informtica da SBC - Paran 139
(a)
(b) (c)
(d) (e)
(f) (g)
Figure 3.14. Contagem automtica de microorganismos de levedura de cerveja:
(a) Imagem original, (b) Limiarizao inicial, (c) Preenchimento, (d) Filtragem,
(e) Distncia de Chamfer 5/7/11, (e) Localizao dos ncleos, (f) Separao au-
tomtica por Watershed
XIII Escola Regional de Informtica da SBC - Paran 141
Depois da imagem ter sido limiarizada pela tcnica de Wellner [Wel93], percebe-se que
certos microorganismos apresentam-se no preenchidos, dificultando o processo de sep-
arao dos mesmos. A partir das bordas fsicas da imagem (marcador), o processo de
Reconstruo morfolgica Binria [Fac96] Binria preenche todo o fundo da imagem
limiarizada invertida (mscara) sem preencher os microorganismos. Invertendo o resul-
tado anterior, gera-se a imagem dos microorganismos no seu formato original totalmente
preenchidos sem ter sofrido qualquer deformao (Figura 3.14-(c)).
separar a matiz azul da matiz marrom (Figuras 3.15-(f) e (g)). E assim diferenciar as
clulas no proliferantes das proliferantes.
(a)
(b) (c)
(d) (e)
(f) (g)
Figure 3.15. Separao de clulas benignas e malignas: (a) Imagem original,
(b) Segmentao inicial, (c) Preenchimento e filtragem, (d) Distncia de Chamfer
5/7/11, (e) Separao automtica por Watershed, (f) Extrao das clulas no
proliferantes, (g) Extrao das clulas proliferantes
XIII Escola Regional de Informtica da SBC - Paran 145
References
[Ber86] J. Bernsen. Dynamic thresholding of gray-level images. Proc. Eighth Intl
Conf. Conf. on Pattern Recognition, Paris, France, pages 12511255, 1986.
[Can83] J. F. Canny. Finding edges and lines in images. Technical report, MIT,
http://www.mit.edu/, 1983.
[CM] B. Chanda and D.D. Majunder. A note on the use of the graylevel co-
ocorrence matrix in threshold selection. Signal Processing.
[CZ99] Qian Chen and Baomin Zhang. Image enhancement based on equal area
dualist sub-image histogram equalization method. IEEE Transactions on
Consumer Eletronics, 45(1):6578, February 1999.
[DCT95] G. Deng, W. Cahill, and G. R. Tobin. The study of logarithmic image pro-
cessing model and its application to image enhancement. IEEE Transactions
on Image Processing, 4(4):506512, April 1995.
[Dou81] J.G. Douglas. The role of human visual models in image processing. Pro-
ceedings of the IEEE, 69(5):552561, May 1981.
[FF87] M.A. Fischler and O. Firschein. lntelligence, the eye, the brain and the
computer. Addison Wesley, 1987.
[HSZ87] R.M Haralick, S.R Sternberg, and X. Zhuang. Image analysis using mathe-
matical morphology. IEEE Transactions On Pattern Analysis and Machine
Intelligence, PAMI 9(4):532550, July 1987.
[J03] Gerson Carlos Bochnia Jnior. Sistema de localizao e contagem au-
tomtica de microorganismos em imagens microscpicas de levedura de
cerveja. Technical report, Pontifcia Universidade Catlica do Paran,
PUCPR, Curitiba-Brasil, 2003.
[KKH00] Joung Youn Kim, Lee Sup Kim, and Seung Ho Hwang. An advanced con-
trast enhancement using partially overlapped sub-block histogram equaliza-
tion. IEEE International Symposium on Circuits and Systems,ISCAS, 1:537
540, May 2000.
[NR78] Y. Nakagawa and A. Rosenfeld. A note on the use of local min and max
operations in digital picture processing. IEEE Transactions on Systems, Man
and Cybernetics, 8, 1978.
[Wel93] P.D Wellner. Adaptative thresholding for the digitaldesk. Technical Report
EPC-1993-110, Rank Xerox Ltd, July 1993.
[YCC95] J.C. Yen, F.J. Chang, and S. Chang. A new criterion for automatica multi-
level thresholding. IEEE Transactions on Image Processing, 4(3):370378,
March 1995.