2006 ERI2006 Capitulo No 3

Captulo
3
Tcnicas de Processamento Digital de Imagens
Aplicadas rea da Sade.
XIII Escola Regional de Informtica da SBC - Paran
Prof. Dr. Jacques Facon

PUCPR-Pontifcia Universidade Catlica do 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
Este meta-artigo, no mbito de projetos multidisciplinares, objetiva mostrar como a rea

de Processamento Digital de Imagens, por sua versatilidade e abrangncia, pode ser un
grande aliado rea de Sade para solucionar desafios socio-mdicos. Do ponto de
visto genrico, a rea de Processamento Digital de Imagens tem como meta reproduzir,
de forma computacional, a capacidade humana de processar e interpretar informaes
picturais. Este meta-artigo tem como objetivo apresentar processos chaves envolvidos no
Processamento Digital de Imagens Mdicas. So descritas as tcnicas de filtragem e de
segmentao necessrias extrao da informao de interesse.
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
de natureza visual motivou e ainda motiva o desenvolvimento de tcnicas e dispositivos,

de modo a extender esta sua capacidade e sensibilidade ainda mais. O conhecimento de
como reage o sistema visual humano e de algumas tcnicas disponveis para melhor ad-
equar a imagem aplicao so importantes para poder explorar mais eficientemente os
recursos de sistemas de processamento de imagens [FF87]. A utilizao da imagem na
forma digital torna possvel o seu processamento computacional, aumentando sua quali-
dade.
3.2. A viso humana

3.2.1. Introduo
O sistema visual humano refere-se ao complexo sistema biolgico que permite ao homem
a interpretao da radiao eletromagntica do espectro visvel. Este abrange as ope-
raes fisiolgicas do olho humano, seu processo de converso desta radiao em sinais
neuronais e operaes de processamento de baixo, mdio e alto nvel que ocorrem em
diversas reas do crebro.
Emisso de sinais luminosos por reflexo da luz

Os raios luminosos, provenientes de fontes externas, so refletidos pelas superfcies
dos objetos, dando assim, origem a sinais que vo de encontro ao sistema visual.
Recepo dos sinais luminosos pelo sistema visual

Para que esses sinais sejam recebidos adequadamente, so necessrios ajustes de
foco e de luminosidade, assim como a existncia de uma superfcie sensvel luz.
Num sistema orgnico, o cristalino, o tamanho da pupila e a retina, respectivamente,
fazem o papel requerido. De modo anlogo ao de uma cmara fotogrfica que fo-
caliza a luz no plano do filme, a luz oriunda de uma cena focalizada pelo cristalino
do olho, formando uma imagem em receptores discretos de luz sobre a superfcie
da retina, clulas nervosas denominadas cones e bastonetes [Dou81].
J em um sistema artificial, temos um conjunto de lentes, um mecanismo de movi-
mentao das mesmas, um diafragma e uma superfcie sensvel que depende do
sistema em utilizao.
Transformao dos sinais luminosos pela superfcie sensvel

A retina composta por clulas nervosas sensveis intensidade e ao comprimento
de onda da luz. Essas clulas transformam as respectivas informaes em sinais ner-
vosos, os quais so remetidos ao crebro pelo nervo ptico. A resoluo de detalhes
finos est principalmente ligada ao fato de que vrios cones podem estar conectado
a uma nica terminao nervosa. A grande rea de distribuio dos bastonetes na
retina e o fato de que vrios destes esto conectados a uma nica terminao ner-
vosa reduz a quantidade de detalhes discernveis por estes receptores. Os cones
so extremamente sensveis a cores e esto concentrados em uma pequena regio
central, enquanto que o restante da retina consiste numa mescla de cones e bas-
tonetes. Portanto, o olho possui amostragem espacial e caractersticas de resoluo
no lineares.
110 XIII Escola Regional de Informtica da SBC - Paran
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.
3.2.2. Caractersticas do sistema visual humano

Assimilao da informao
O nmero e a natureza de padres que os sistemas visuais orgnicos so capazes
de processar fazendo a devida assimilao e adaptao contnua do sistema ex-
tremamente elevada. O atual conhecimento cientfico e tcnolgico no permite
tal desempenho e uma escolha com perda significativa de informao em geral
efetuada.
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
a variaes locais que ocorrem numa imagem, mudando o limiar de sensibilidade

de clulas receptoras individuais. J um filme ou uma mquina fotogrfica digital
no tem essa flexibilidade.
A habilidade do olho em discriminar entre vrios nveis de brilho uma conside-
rao importante para a apresentao dos resultados do processamento de imagens.
A faixa dos nveis de intensidade luminosa ao qual o sistema visual humano pode
se adaptar da ordem de 1000.
H tambm considervel evidncia experimental de que o brilho subjetivo, que o
brilho percebido pelo sistema visual humano, seja uma funo logartmica da inten-
sidade da luz incidente no olho. Para o sistema visual humano poder operar sobre
toda a faixa de intensidades, ocorre uma mudana da sua sensibilidade global, um
fenmeno conhecido como adaptao de brilho. No caso de uma cena complexa, o
sistema visual no se adapta a um nvel nico de intensidade, mas sim a um nvel
mdio que depende das propriedades desta cena. medida que o olho a percorre,
o nvel de adaptao instantneo flutua em torno desta mdia. De modo a obter
uma visualizao suave para o olho, para uma grande classe de tipos de imagem,
normalmente necessria uma gama com mais de 100 nveis de intensidades.
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.
3.3. Concepo de um sistema de viso artificial

3.3.1. Introduo
Os sistemas de viso artificial visam, com o auxlio do conhecimento de diversas reas
(biologia, medicina, comunicao visual, eletrnica, matemtica, mecnica fina), obter
um conjunto de tcnicas e metodologias que possam dar suporte ao desenvolvimento de
teorias e produtos suficientemente eficientes e confiveis para aplicaes prticas. Cita-se,
como exemplo, a automatizao dos processos de controle de qualidade, a identificao e
o reconhecimento de tumores, a identificao e classificao de produtos e a explorao
de ambientes diversos.
O processamento e a anlise de imagens uma cincia que permite modificar,
analisar e manipular imagens digitais, originalmente contnuas, a partir de um computa-
dor. Os algoritmos de processamento de imagens so procedimentos passo-a-passo para
otimizar as operaes de tratamento de imagens. A estao de processamento de imagens
deve fornecer trs facilidades: os meios de digitaliz-las, de visualiz-las e de manipul-
las [MV89].
Estas consideraes supem que o sistema seja dotado de ferramentas que permi-
tam atingir esses objetivos. Um sistema genrico mnimo de processamento de imagens
constitudo de captores de viso, de uma parte para aquisio-digitalizao de imagens,
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.
Hardware de Digitalizao de Imagens

Este tem como alvo colocar a imagem do sensor na memria. O mdulo de aquisio
permite escrever de modo eficiente na memria que pode ser lida pelo computador
e pelo mdulo de visualizao. O mdulo de digitalizao transforma as imagens
contnuas em imagens digitais. O alvo dessa transformao quantificar a quali-
dade, o contraste, as diferenas de cores da cena. O digitalizador cria uma imagem
digitalizada, representada por uma matriz de nmeros, cujos elementos so chama-
dos pixels. Devido evoluo do mundo industrial, a grande maioria dos sensores
transformam diretamente intensidades luminosas em sinais e imagens digitais.
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.
3.3.2. Arquitetura de um sistema de viso artificial

O processamento e a anlise de imagens uma ferramenta multidiciplinar e se presta
utilizao para fins diversos. Os processamentos mudam muito em funo da rea de
trabalho. Os tratamentos variam sobre as imagens segundo:
A natureza das imagens

A natureza das imagens provm das reas como medicina, do meio industrial ou
de laboratrio, onde as entidades encontradas e informaes contidas so muito
diversas.
A qualidade das imagens

Os requisitos de qualidade de uma imagem variam de acordo com a aplicao. A
resoluo, que o grau de detalhes discernveis em uma imagem, muito depen-
dente das dimenses da matriz da imagem, do nmero de nveis de cinza de cada
pixel e do intervalo entre imagens (no caso de uma sequncia de imagens). Ca-
ractersticas como o nmero e distribuio dos detalhes e a presena de reas com
variao gradual de brilho influem no grau subjetivo atribudo qualidade da im-

agem. As condies de iluminao do ambiente estudado influenciam a qualidade
das informaes disponveis (regies, contornos, detalhes, contrastes etc...).
O conhecimento inicial do meio de estudo
Ter um conhecimento inicial de uma cena elemento importante no processo de
anlise. No meio industrial, o conhecimento inicial quase sempre existente permite
uma anlise mais dirigida para uma soluo rpida. Em casos onde o conhecimento
inicial fraco, como no caso de imagens adquiridas por satlites, o processo de
anlise deve ser ento mais completo e mais rico para suprir a falta de conheci-
mento.
Figure 3.1. Estrutura funcional de um sistema de viso artificial
Modernamente, as tcnicas de processamento e anlise de imagens podem ser

classificadas em trs nveis distintos: baixo, mdio e alto [Duf86] [Mar82]. Percebe-
se que ocorre uma reduo progressiva da quantidade de informaes manipuladas,
medida que se passa por nveis crescentes de abstrao. No processamento de baixo
nvel, os dados de entrada so pixels da imagem original e os dados de sada representam
propriedades da imagem, na forma de valores numricos associados a cada pixel. No
processamento de nvel mdio este conjunto de valores produz como resultado uma lista
de caractersticas. O processamento de alto nvel produz, a partir destas caractersticas,
uma interpretao do contedo da imagem. Estas especificaes supem uma diversifi-
cao dos processamentos. Uma estrutura funcional de um sistema de processamento e
anlise de imagens pode ser descrito [Mar82] [Ros88] da seguinte forma (figura 3.1):
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
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.
3.4. Realce de imagens

3.4.1. Introduo
A captura de imagens, mesmo realizado com o mximo de cuidado, um processo que
introduz uma srie de degradaes provenientes:
Do prprio processo de digitalizao: qualquer que seja a maneira empregada para

digitalizar uma imagem (scanner, mquina fotogrfica, cmera etc...), este sofre um
processo de amostragem tanto das coordenadas espaciais quanto da intensidade. A
conseqncia disto que a qualidade da imagem, mesmo se for imperceptvel ao
olho nu, sempre pior que a da cena original;
Do equipamento usado para a digitalizao: qualquer que seja este, degradaes
diversas so geradas que podem ser classificadas como espaciais, pontuais ou uma
combinao de ambas. Por exemplo, a ausncia de foco, aberraes e/ou defeitos do
sistema ptico, criam degradaes espaciais que agem na imagem de maneira a afe-
tar sua resoluo, deixando as transies entre regies da imagem difusas. Por outro
lado, a luz dispersa, os reflexos de luz, os sombreamentos das lentes so exemplos
que podem causar degradaes pontuais do tipo rudo aditivo ou multiplicativo, que
distorcem os nveis de cinza, mas no nublam a imagem;
Das condies s vezes precrias no momento da aquisio das imagens ou das
limitaes impostas pela situao: imagens mdicas de ultrasonografia, por exem-
plo, so tradicionalmente imagens aquidiridas em condies limitadas. Um outro
exemplo a acquisio de imagens contendo partes metlicas que geram reflexos.
De falhas humanas: um exemplo disto o posicionamento oumovimento inade-
quado do paciente no momento da gerao das imagens.
As imagens monocromticas so, de forma geral, representadas matematicamente

por uma funo f , onde o valor f (x, y) uma medida do nvel de cinza ou intensidade no
ponto P(x, y). A imagem digital uma imagem que sofreu um processo de digitalizao
(ou ainda amostragem ou discretizao) tanto das coordenadas espaciais quanto da inten-
sidade, onde a digitalizao das coordenadas espaciais refere-se amostragem da imagem
e a digitalizao da intensidade refere-se quantificao dos nveis de cinza. Uma im-
agem qualquer sofre sempre degradaes diversas. As degradaes a combater podem
ser classificadas como espaciais, pontuais ou uma combinao de ambas. Degradaes
espaciais agem na imagem de maneira a afetar sua resoluo, deixando as transies entre
regies da imagem difusas. Exemplos disto so: a ausncia de foco, aberraes do sis-
tema ptico, o movimento de entidades da imagem, etc.. Por outro lado, as degradaes
pontuais, como por exemplo, rudo aditivo ou multiplicativo, distorcem os nveis de cinza
mas no nublam a imagem. A luz dispersa, os reflexos de luz, o sombreamento das lentes
so exemplos que podem causar degradaes pontuais.
Portanto, qualquer sistema de processamento e anlise de imagens deve dispor
de ferramentas que possam reverter o processo de degradao de maneira a resgatar o
mximo de qualidade do documento. As tcnicas de melhoria da qualidade de imagens
podem ser divididas em duas famlias:
tcnicas de restaurao : a restaurao procura obter a imagem original, tendo

se possvel, um conhecimento a priori da degradao. Sua nfase est na mode-
lagem de degradaes e na recuperao de imagem por inverso do processo de
degradao;
tcnicas de realce: quando no possvel de antemo dispor do processo de degra-
dao ou os padres de degradao no podem ser avaliados.
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.
3.4.2. Cuidados iniciais

Como j citado anteriormente, a acquisio de imagens com partes metlicas exige cuida-
dos especiais. s vezes, necessrio o uso de uma estrutura especial. Um exemplo disto
a acquisio de imagens de placas de circuito impresso. A figura 3.2 ilustra um ex-
emplo de como se pode ser concebido um sistema simples, barato e eficiente que permita
acquirir uma imagem de boa qualidade de placa de circuito impresso.
(a) (c) (d)

Figure 3.2. Exemplo de acquisio de imagem de placa de circuito impresso:
(a) Exemplo de sistema dedicado de acquisio, (b) Imagem obtida sem sistema
adequado, (c) Imagem obtida com um sistema adequado
3.4.3. Aprimoramento de contraste

3.4.3.1. Modificao de contraste
Para compensar os efeitos do sensor, necessrio aumentar a dinmica. Uma modificao

do contraste uma aplicao t() tal como: z0 = t(z) onde zmin < z, z0 < zmax .
Aumentar o contraste, com z [a, b] [zmin , zmax ] z0 = [ (zmax zmin )
(ba) ](z a) + zmin
Uma outra possibilidade quando a maioria dos nveis de cinza esto entre a e b :

zmin se z<a
0 (zmax zmin )
z = [ (ba) ](z a) + zmin se a < z < b

zmax se b<z
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 .
3.4.3.2. Equalizao de histograma
A equalizao de histograma mtodo interessante por sua economia em termos de

memria usada, por seu tempo de processamento reduzido e por ser simples e eficiente.
O histograma da imagem reformulado em um histograma diferente, que possui a pro-
priedade de distribuio uniforme objetivando assim a melhoria do contraste da imagem.
Existe na literatura vrios algoritmos de equalizao de histograma [CZ99] [DCT95]
[KKH00] [Kim97] [Kim96].
O processo clssico de equalizao de histograma pode ser formulado da seguinte
maneira:
f (Xk ) = X0 + (XL1 X0 )C(Xk ),
onde Xi , L e C(Xk ) representam respectivamente o nvel de cinza i, o nmero de nveis de
cinza, e C(Xk ) = kj=0 P(X j ), P(X j ) sendo a probabilidade do nvel de cinza j.
A Figura 3.3 exemplifica dois processos de equalizao de histograma de uma
imagem de ventrculo esquerdo em imagem ecocardiogrfica. Este tipo de imagem se
caracteriza por ser geralmente de baixo contraste. Na Figura 3.3 so exemplicadas a
equalizao tradicional e a equalizao logartmica baseada no modelo LIP [DCT95].
(a) (c) (d)

Figure 3.3. Exemplo de equalizao de histograma: (a)imagem original, (b)
Equalizao tradicional, (c) Equalizao logartmica baseada no modelo LIP
3.4.3.3. Aprimoramento Local
O mtodo precedente de equalizao global porque a intensidade de cada pixel mo-

dificada em funo da distribuio dos nveis de cinza da imagem inteira. Para conservar
certos detalhes, recorre-se s transformaes ditas locais que agem sobre as vizinhanas
dos pixels. Existem duas maneiras de criar uma transformao local. A primeira con-
siste em a equalizao de histograma localmente em janelas que dividem a imagem ou
deslizam sobre a mesma. O algoritmo POSHE um exemplo disto [KKH00].
Uma maneira modificao local, no baseada sobre a noo de histograma, a

seguinte transformao:
g(x, y) = L(x, y)[ f (x, y) m(x, y)] + m(x, y) (1)
onde
M
L(x, y) = k[ ] para 0 < k < 1 (2)
(x, y)
onde m(x, y) e (x, y) so, respectivamente, a mdia e a varincia das intensidades em

uma vizinhana de (x, y), M a mdia geral e k uma constante. O termo L(x, y) amplia as
variaes locais, m(x, y) somado na expresso da nova intensidade para restituir a mdia
local.
3.4.4. Reduo de rudo

Devido ao aspecto digital das imagens, os filtros lineares baseados no produto de con-
voluo discreta (do tipo filtro da mdia) no so eficientes para reduzir o rudo numa
imagem. Com os filtros lineares, o rudo aditivo, aleatrio ou no correlacionado no
eliminado mas somente espalhado afetando os pixels vizinhos. Os filtros no lineares
representam as tcnicas mais eficientes de reduo de rudo, como por exemplo, o filtro
da mediana, o filtro de Nagao-Matsuyama e os filtros morfolgicos.
3.4.4.1. Filtro da mediana
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.
a)
(b) (c) (d) (e)

Figure 3.4. Exemplos de filtragem de uma imagem contaminada por rudo sal
pimenta: (a) Imagem original ruidosa,(b) filtro da mdia, (c) filtro da mediana, (d)
filtro morfolgico seqencial ,(e) filtro de Nagao-Matsuyama recursivo
3.4.4.2. Filtros morfolgicos
A morfologia matemtica, elaborada inicialmente por Georges Matheron e Jean Serra

[Ser82], concentra seu esforo no estudo da estrutura geomtrica das entidades presentes
numa imagem. O princpio bsico da morfologia matemtica consiste em extrair uma
informao relativa geometria e topologia de um conjunto desconhecido de uma im-
agem pela transformao a partir de um outro conjunto completamente definido chamado
elemento estruturante. O formato e o tamanho do elemento estruturante possibilita testar
e quantificar de que maneira este "est ou no est contido" na imagem. A morfologia
matemtica oferece uma ampla gama de operadores de processamento de imagens, o que
lhe confere uma grande flexibilidade. Uma vantagem da morfologia matemtica que a
grande maioria de seus operadores baseiam-se em poucos operadores bsicos. Existe 4
operadores morfolgicos bsicos:
Eroso: A eroso de uma imagem f por um elemento estruturante g por definio

[Ser82] (pgina 443):
erog ( f (x)) = Min{ f (y) g(x y) : y E} (3)
onde a eroso no definida num ponto onde o elemento estruturante no est
abaixo do sinal f .
Dilatao: A dilatao de uma imagem f por um elemento estruturante g por

definio [Ser82] (pgina 443):
dilg ( f (x)) = Max{ f (y) + g(x y) : y E} (4)
Abertura: As propriedades de iteratividade da eroso e da dilatao em nveis de

cinza permitem criar novos operadores. A abertura de uma imagem f por um el-
emento estruturante g consiste em erodir f por g (transposto de g) e em seguida
dilatar o conjunto erodido por g:
abeg ( f ) = dilg (erog ( f )) (5)
Fechamento: O fechamento a operao dual da abertura. O fechamento de uma

imagem f por um elemento estruturante g consiste em dilatar f por g (transposto
de g) e em seguida erodir o conjunto dilatado por g:
fecg ( f ) = erog (dilg ( f )) (6)
A figura 3.4-(d) exemplifica um processamento morfolgico chamado filtro mor-

folgico seqencial abertura-fechamento com um elemento estruturante 3 3 cruz que
ilustra a eficincia na eliminao de rudo no caso de uma imagem de ressonncia mag-
ntica do crebro contamina por um rudo sal-pimenta.
3.4.4.3. Filtro de Nagao-Matsuyama
Nagao e Matsuyama [NM79] propuseram um mtodo eficiente de aprimoramente de ni-

tidez baseado em 9 mscaras, das quais 8 so assimtricas. So avaliados 9 mdias e 9
desvios padres. O princpio desse filtro substituir o pixel central P(x, y) da vizinhana
por um novo pixel cujo valor a mdia da mscara que fornece o menor desvio padro,
seja ainda a menor varincia. Uma verso recursiva deste filtro, que converge automati-
camente numa filtragem tima, pode ser implementada. Esse filtro no se comporta bem
com imagens ruidosas. Ele pode suprimir alguns pontos isolados mas tem tendncia a re-
forar o rudo, caso a imagem for muito ruidosa. Mas a fora deset filtro reside no realce
das transies e da nitidez da imagem. Isto apesar de um esforo computacional elevado.
A figura 3.4-(e) ilustra a eficincia em termos de aprimoramento de nitidez deste filtro no
caso de uma imagem de ressonncia magntica do crebro onde o rudo foi previamente
eliminado.
3.4.5. Realce de contornos ou bordas

3.4.5.1. Introduo
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.
Realar contornos consiste em localizar e enfatizar pixels nessas mudanas brus-

cas de nveis de cinza. O mtodo mais comun de realce das bordas consiste em usar um
operador de diferenciao que vai amplificar as altas freqncias. No deve-se esquecer
que o rudo tambm um componente de alta freqncia. Portanto, um tratamento preli-
minar faz-se sempre necessrio quando a imagem ruidosa para evitar que a diferenciao
amplifique ao mesmo tempo o rudo e as bordas.
H uma grande variedade de mtodos disponveis na literatura para realar con-
tornos. A bibliografia muito frtil neste assunto. A seguir apresenta-se as mais clssicas
e tambm as mais promissoras
3.4.5.2. Operador de Diferenciao de Primeira Ordem
Uma das tcnicas de deteco de bordas mais populares a abordagem de diferenciao

local. Um operador de diferenciao baseado na noo de derivada. Uma imagem
I(x, y) uma seqncia de regies homogneas de tamanhos diversos e de fronteiras, en-
contros de vrias regies, marcando transies entre elas. Do ponto de vista matemtico,
um regio apresenta derivadas fracas e uma fronteira derivadas elevadas. A abordagem
de deteco de bordas que ser apresentada aqui segue o princpio da derivao. Sero
tambm propostos tipos diferentes de operadores que aproximam derivadas digitais.
Um critrio primordial na elaborao de operadores de diferenciao tentar con-
struir operadores que sejam invariantes por translao, rotao e mudana de escala. Um
operador O() dito invariante pela transformao t() se e somente se aplicar o operador
depois da transformao produz o mesmo resultado que realizar a transformao depois
de ter aplicado o operador, seja t[O(I)] = O[t(I)].
A transformao mais problemtica a rotao Uma rotao pode ser definida da

seguinte maneira:

u = x cos + y sin
(7)
v = x sin + y cos
onde (x, y) e (u, v) representam respectivamente as coordenadas antes e depois da rotao.
As derivadas parciais de primeira ordem de uma imagem I(x, y) podem ser formu-
ladas da seguinte maneira:
(
I(x,y) I(x,y) I(x,y)
x = u cos + v sin (8)
I(x,y) I(x,y) I(x,y)
y = u sin + v cos
Estas equaes mostram que as derivadas parciais de primeira ordem so invari-

antes por translao e mudana de escala, porm, no so invariantes por rotao. Entre-
tanto, se utilizar derivadas de segunda ordem (Laplaciano), a invarincia verificada:
I(x, y) 2 I(x, y) 2 I(x, y) 2 I(x, y) 2

( ) +( ) =( ) +( )
u v x y
3.4.5.3. Gradiente clssico
Objetiva-se maneiras de definir derivadas parciais de primeira ordem digitais. Sabe-se

que a derivada em uma direo qualquer funo das derivadas parciais nas direes x
e y. Pode-se determinar, num ponto dado P(x, y), a direo 0 onde a derivada de I(x, y)
atinge um mximo. Considerando que o novo sistema de referncia (P(x, y), u, v) cen-
trado no ponto P(x, y), e que os eixos deste sistema so obtidos por rotao dos eixos de
referncia (x, y) em relao ao ngulo , tem-se:

u = x cos + y sin
(9)
v = x sin + y cos
onde (x, y) e (u, v) representam respectivamente as coordenadas antes e depois da rotao

.
I(x,y)
Derivando I(x, y)/ u em relao a , tem-se: u = 0 = I(x,y)
x sin +
I(x,y)
/ y cos =0
Se 0 representa a direo do mximo da derivada de I(x, y), ento 0 dado por:
0 = arctan( I(x,y)/ y)
I(x,y)/ x . 0 + tambm uma soluo. Pode-se verificar que em uma
direo, tem-se um mximo, na outra um mnimo.
( 1
cos 0 = (1 + tan2 ) 2
1
sin 0 = (1 tan2 ) 2
O valor mximo de I(x, y)/ u obtido pela equao:

s
I(x, y) I(x, y) I(x, y) 2 I(x, y) 2
cos 0 + sin 0 = +
x y x y
Figure 3.5. Interpretao das informaes extradas pelo gradiente
O vetor desta amplitude na direo chama-se vetor GRADIENTE G no ponto

P(x, y) da imagem I(x, y). Esse vetor G expressa ao mesmo tempo a maior variao e a
direo da maior variao da descontinuidade no ponto (figura 3.5) e caracterizado por
seu mdulo e seu ngulo :
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
Os operadores que do uma boa aproximao levam 8-vizinhana. Por exemplo

o operador de Prewitt, de Sobel etc... O Operador 1 de Sobel caracteriza-se por:

1 0 1

[Gx ] = 2 0 2
1 0 1

1 2 1

[Gy ] = 0 0 0

1 2 1
A construo da imagem gradiente pelos operadores de Prewitt e de Sobel segue

o mesmo mecanismo. A operao consiste em deslizar sobre toda a imagem uma janela
do tamanho da mscara. Num pixel dado, os valores da mscara so multiplicados pe-
los valores dos nveis de cinza dos pontos correspondentes vizinhos desse pixel. A soma
dessas multiplicaes representa o valor do operador aplicado ao pixel central dessa viz-
inhana. As figuras 3.6-(c), (d) e (e) ilustram respectivamente o mdulo do Gradiente e
os Gradientes Gx e Gy numa imagem em nveis de cinza de fibras musculares.
3.4.5.4. Gradiente otimizado
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.
(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
O algoritmo proposto por [Shi] considera que, para aprimorar os resultados do

gradiente, mais importante reduzir a inconsistncia prpria do operador do que o efeito
intrnseco de suavizao. A soluo numrica obtida no caso do gradiente 33 ilustrada
a seguir:
0.112737 0 0.112737

[Gxotimizado ] = 0.274526 0 0.274526
0.112737 0 0.112737
A soluo no caso do gradiente 5 5 mostrada a seguir. Neste caso a suavizao

da imagem ocorre em conjunto com a otimizao.

0.003776 0.010199 0 0.010199 0.003776

0.026786 0.070844 0 0.070844 0.026786

[Gxotimizado ] = 0.046548 0.122572 0 0.122572 0.046548
0.026786 0.070844 0 0.070844 0.026786

0.003776 0.010199 0 0.010199 0.003776
3.4.5.5. Gradiente Morfolgico
A morfologia matemtica tambm possibilita a gerao do gradiente e do laplaciano. Do

ponto de visto digital, o gradiente morfolgico pode ser definido das seguintes maneiras:
Gradiente morfolgico por eroso: O gradiente morfolgico por eroso gradgero de

uma imagem f (x) por um elemento estruturante g gradgero ( f ) = f erog ( f )
Gradiente morfolgico por dilatao: O gradiente morfolgico por dilatao gradgdil

de uma imagem f (x) por um elemento estruturante g gradgdil ( f ) = dilg ( f ) f
Gradiente morfolgico por eroso-dilatao: [Beu77] props uma avaliao do

gradiente morfolgico a partir de eroso e da dilatao efetuadas a partir de um
elemento estruturante disco de raio unitrio:
( f dil g) ( f ero g)
Gradiente(x) = lim 0 (12)
2
De maneira prtica, possvel implementar este Gradiente morfolgico da seguinte

maneira:
gradgerodil ( f ) = dilg ( f ) erog ( f ) (13)
A figura 3.6-(b) exemplifica o Gradiente morfolgico por eroso-dilatao a partir

de um elemento estruturante 3x3 em cruz numa imagem em nveis de cinza de fibras
musculares.
3.4.6. Operador de Diferenciao de Segunda Ordem

Em muitas aplicaes, a largura da borda no uma preocupao. Em outras, como em
viso computacional, muito importante. Os operadores de gradiente discutidos anteri-
ormente trazem desvantagens. A primeira delas que eles produzem bordas de vrios
pixels de largura. Portanto fica difcil localizar os centros destas bordas. Isto especial-
mente verdadeiro para bordas com variao suave. Se torna necessrio empregar tcnicas
de afinamento (thinning) para reduzir a largura das bordas para um pixel.
Idealmente, um detetor de bordas deveria indicar as bordas em seu centro. Neste
sentido, detetores de bordas por derivadas de segunda ordem produzem uma melhor lo-
calizao das bordas.
A segunda desvantagem, j mencionada anteriormente, que as derivadas parciais

de primeira ordem no so invariantes por rotao. Esta invarincia somente verificada
no caso de derivadas de segunda ordem:
2 2 2 2
I(x, y) I(x, y) I(x, y) I(x, y)
+ = +
u v x y
3.4.6.1. Laplaciano
O Laplaciano representa o exemplo clssico de derivadas de segunda ordem:

2 I(x, y) 2 I(x, y)
2 I(x, y) = L[I(x, y)] = + (14)
x2 y2
A verso digital do Laplaciano mais clssica definida da seguinte maneira:

2 I(x, y) = I(x + 1, y) + I(x 1, y) + I(x, y + 1) + I(x, y 1) 4I(x, y)
O que, de forma prtica, expressa-se pela seguinte mscara:

0 1 0

[L] = 0 4 0

0 1 0
A construo da imagem laplaciana segue o mesmo mecanismo que o usado pelo

Gradiente. A figura 3.7-(b) exemplifica o Laplaciano numa imagem em nveis de cinza
de fibras musculares.
3.4.6.2. Laplaciano otimizado
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
Embora no seja possvel construir um Laplaciano simples que reduz totalmente

o problema de anisotropia, [KPKPR99], a partir deste modelo geral, mostrou que uma
mxima reduo da anisotropia atingida com o valor de = 0.5.

0.25 0.5 0.25

[Lotimizado ] = 0.5 3 0.5
0.25 0.5 0.25
A figura 3.7-(b) exemplifica o Laplaciano otimizado numa imagem em nveis de

cinza de fibras musculares.
(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
3.4.6.3. Laplaciano Morfolgico
O Laplaciano morfolgico Laplac de uma imagem f (x) por um elemento estruturante g

pode ser definido da seguinte maneira:
1
Laplacg ( f ) = (dilg ( f ) + erog ( f ) 2 f ) (15)
2
3.4.7. Operador de Determinao de passagens por zero (zero crossings)

O mtodo de deteco das passagens por zero a partir de um limiar consiste em convoluir
a imagem com uma janela 3 3 e buscando valores mxima e mnima nela. Se a diferena
entre valores mxima e mnima ultrapassa um certo limiar, uma borda foi detectada. O
nmero de bordas aumenta na medida que o valor do limiar diminui.
O operador de derivada de segunda ordem menos sensvel ao rudo o operador

Laplaciano Gaussiano LoG. Este detector realiza uma suavizao antes de aplicar o op-
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:
(x2 +y2 ) (x2 +y2 )

212 222
e e
DoG =
212 222
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
Figure 3.9. Operador DoG mscara 7 7 e mscara 9 9
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.
3.4.7.1. Filtros recursivos de Canny e Deriche
As tcnicas comuns de deteco de bordas apresentadas anteriormente apresentam uma

serie de defeitos:
os operadores clssicos de deteco de bordas amplificam o rudo;
os operadores clssicos de deteco de bordas tem, s vezes, dificuldades em detec-

tar bordas verdadeiras e tambm geram falsos contornos;
a espessura das bordas obtidas pelos operadores clssicos raramente de um pixel

de largura;
a avaliao dos resultados de forma geral subjetiva, feito pelo olho do pesquisador,
e no objetiva como deveria ser;
a avaliao dos resultados feita conforme o tipo e o nmero de imagens proces-

sadas que so, de forma geral, limitados.
Portanto, faz-se necessrio definir critrios de desenvolvimento de um detetor de

bordas mais eficiente. Canny [Can83] e Deriche [Der87] estabeleceram e desenvolveram
operadores otimizados de suavizao, e de deteco de borda. Pode-se enumerar trs
condies que caracterizam um bom detector de bordas:
Deteco: o operador deve fornecer uma resposta na vizinhana da borda
Localizao: a borda deve ser localizada com preciso
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
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)

A soluo encontrada por Deriche [Der87] foi, em um primeiro passo, definir o

filtro infinito timo em [, +]. Deriche demonstrou que o filtro otimizado de suaviza-
o e deteco de bordas pode escrever-se:
h(x) = a3 |x| sin wx (19)
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)
A implementao faz-se da seguinte forma:

y+ (m) = a0 x(m) + a1 x(m 1) b1 y+ (m 1) b2 y+ (m 2) para m = 1, ..., N
y (m) = a2 x(m + 1) + a3 x(m + 2) b1 y (m + 1) b2 y (m + 2) para m = N, ..., 1
y(m) = y+ (m) + y (m) para m = 1, ..., N
onde os coeficientes so:
(1 )2

k = 1+2 2

a0 = k;

a1 = k( 1)
a2 = k( + 1)

= k 2

a3

= 2

b1

b2 = 2
O filtro de derivao de primeira ordem (Gradiente) de Deriche o seguinte filtro

recursivo:
d(x) = sx |x| (21)
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
onde os coeficientes so: 2

s = (1 )

a = s

b1
= 2
b2 = 2
O filtro de derivao de segunda ordem (Laplaciano) de Deriche o seguinte filtro

recursivo:
l(x) = (1 k |x|) |x| (22)
y+ (m) = a0 x(m) + a1 x(m 1) b1 y+ (m 1) b2 y+ (m 2)

para m = 1, .., N
y (m) = a2 x(m + 1) + a3 x(m + 2) b1 y (m + 1) b2 y (m + 2)

para m = N, .., 1
y(m) = y (m) + y (m)
+
para m = 1, .., N
onde os coeficientes so: 2

(1 )

k = 2

a0 = 1;

a1 = (1 + k )
a2 = (1 k )

a3 = 2

b1 = 2

b = 2
2
3.4.7.2. Aplicao dos filtros
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-
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:
Derivao de primeira ordem:

Gx (x, y) = I(x, y) H 0 (x) H(y)
Gy (x, y) = I(x, y) H 0 (y) H(x)
Derivao de segunda ordem:
L(x, y) = I(x, y) H 00 (x) H(y) + I(x, y) H 00 (y) H(x) (23)
Aplicando os resultados de Deriche, tm-se:
Derivao de primeira ordem:

Gx (x, y) = I(x, y) s(y) d(x)
Gy (x, y) = I(x, y) s(x) d(y)
Derivao de segunda ordem:
L(x, y) = I(x) s(y) l(y) + I(x) s(x) l(y) (24)
3.4.7.3. Resultados do filtros recursivos de Canny e Deriche
Os operadores de deteco de bordas de Canny e Deriche so atualmente considerados

como os melhores em:
detectar bordas verdadeiras e no gerar falsos contornos;
gerar bordas de um pixel de largura;
avaliar de forma objetiva os resultados obtidos.
As maiores desvantagens desta abordagem so a complexidade computacional

exigida e os tempos de processamento elevados.
3.5. Segmentao de imagens

Aps ter descrito os mecanismos de correo de imperfeies, de deficienia de ilumi-
nao, de eliminao de rudo e de aprimoramento de nitidez, a prxima etapa consiste
em ensinar o computador em extrair as extruturas e conjuntos baseando-se em noes de
descontinuidade e de similaridade.
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:
As classes devem ser mutuamente exclusivas;
Cada classe uniforme e homognea com respeito a alguma caracterstica como o

nvel de cinza ou textura parecida;
Classes adjacentes devem ter valores significativamente diferentes com respeito

caracterstica segmentada.
A etapa de segmentao de imagens presente em qualquer projeto de proces-

samento de imagens onde se deve decidir da existncia, da localizao e dos tipos de
estruturas procuradas. Pela grande variedade de "primitivas" ou segmentos significativos"
que contm as informaes semnticas, e pelas inumerveis aplicaes, a etapa de seg-
mentao talvez seja um dos maiores desafios da rea de processamento e anlise de
imagens.
As abordagens existentes na literatura para solucionar este desafio so mltiplas.
Porem as primitivas usadas so poucos e basicamente ditas naturais", levam noo de
regio, de contorno, de textura ou ainda a uma noo mista. Essa ltima prefervel, mas
mais complicada porque a passagem regio-textura-contorno ou contorno-regio-textura
mais fcil em teoria que na prtica. Muitas vezes, uma noo unilateral escolhida em
razo dos tempos de execuo mais curtos.
Como ser visto a seguir, no existe um mtodo simples que seja bom para todos os tipos
de imagens, e nem todos os mtodos so igualmente bons para um tipo particular de
imagem.
Sero apresentadas a seguir algumas das metodologias mais significativas de seg-
mentao de imagens, aqui descritas em funo do tipo de primitiva empregada. e/ou do
mecanismo matemtico empregado.
3.5.2. Limiarizao e multi-limiarizao

3.5.2.1. Introduo
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.
O princpio da binarizao ou ainda chamado de limiarizao consiste em separar

o primeiro plano do fundo. O objetivo da binarizao marcar os pixels que pertencem s
verdadeiras regies de primeiro plano com um valor simples (ON) e as regies de fundo
(segundo plano) com uma intensidade diferente (OFF). E assim gerar o que se chama de
imagem binria que uma imagem preto-branca apresentando somente duas classes, o
primeiro plano de cor preta sobre o fundo de cor branca ou o contrrio (figura 3.10).
Por ser de princpio muito simples, a segmentao por limiarizao provavelmente uma
das tcnicas de segmentao por regio mais tradicionais e populares. Sero apresentadas
a seguir as trs abordagens de limiarizao, a limiarizao global, a limiarizao local
adaptativa e a multi limiarizao.
3.5.2.2. Limiarizao global
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:
A primeira que as imagens nem sempre contm intensidades de primeiro e se-

gundo planos bem diferenciados. Para muitas aplicaes, devido a problemas de
iluminao e de falta de qualidade da imagem, um nico valor de limiar no per-
mite resultar numa limiarizao de boa qualidade. bom relembrar que a qualidade
da imagem funo do fator de refletncia e do fator de iluminao. Esse ltimo
influencia fortemente a natureza dos picos do histograma. No caso de uma ilumi-
nao no uniforme sobre toda a cena, a separao dos picos e o estabelecimento
do limiar ficam muito mais difceis e muito empricos.
A segunda que, especialmente para uma imagem de componentes de primeiro
plano esparsos, tais como a maioria das imagens grficas, o pico representando
estas intensidades ser muito menor do que o pico das intensidades de segundo
plano (fundo). Esta diferena freqentemente torna difcil encontrar o vale entre
estes dois picos.
(a)
(b) (c) (d) (e)

Figure 3.10. Influna do valor do limiar sobre a qualidade da limiarizao: (a)
imagem original, (b) histograma, (c) limiarizao com valor baixo, (d) limiarizao
com valor alto, (e) limiarizao com valor adequado
As dificulades encontradas no processo de limiarizao global motivou muitas

pesquisas (acessar o site internet [Fac01] para conhecer os principais algoritmos). Um
levantamento feito recentemente mostra que existem pelo menos 200 publicaes sobre o
assunto. O que inviabiliza apresent-las aqui. Basicamente a grande maioria das tcnicas
busca particionar a imagem em duas classes, maximizando a varincia inter-classes e
minimizando a varincia intra-classes. Isto faz-se empregando funes critrio especficas
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.
(a) (b) (c)

Figure 3.11. Exemplos de limiarizao global: (a) imagem original, (b) limiariza-
o de Ostu , (c) limiarizao de Chanda et al
3.5.2.3. Limiarizao local adaptativa
Devido a complexidade em selecionar um limiar global, definir valores diferentes de li-

miar para regies diferentes da imagem atravs do uso de uma janela deslizante provou
ser uma abordagem interessante. Este tipo de limiarizao chamado de limiarizao
adaptativa ou ainda limiarizao local.
O problema principal com qualquer tcnica de limiarizao local a escolha do
tamanho da janela. O tamanho escolhido deve ser grande o suficiente para garantir que o
nmero de pixels de fundo (segundo plano) includos sejam tambm grandes o suficiente
para obter uma boa estimativa do valor da mdia, mas no to grande como a mdia sobre
as intensidades de segundo plano (fundo) no uniformes. A literatura fornece vrias abor-
dagens. A Figura 3.12 ilustra a influena do tamanho da janela no mtodo de limiarizao
local de Bernsen [Ber86] no caso de uma imagem de retina.
3.5.2.4. Multi-limiarizao
Dependendo do contedo da imagem, simplesmente particion-la em somente duas classes,

o primeiro plano e o fundo, acarreta uma grande perda de informao. Considere o e-
xemplo de uma imagem de ressonncia magntica do crebro (figura 3.13-(a)). Nela
encontram-se muitas informaes valiosas e relevantes como, por exemplo, a regio da
parte ssea do crnio, o lquido cefaloraquidiano, a massa banca, a massa cinzenta e o
tumor. Este tipo de imagem, complexa e rica em informaes no pode ser simplesmente
reduzida em duas classes.
(a)
(b) (c) (d)

Figure 3.12. Influna do tamanho da janela sobre a qualidade da limiarizao
local de Bernsen: (a) imagem original, (b) limiarizao com janela =5, (c) limi-
arizao com janela =35, (d) limiarizao com janela = 65
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.
(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
3.5.2.5. Escolha de um mtodo de limiarizao
Se a escolha de um mtodo de limiarizao possvel, o processo de multi-limiarizao

com certeza o mais indicado para se realizar uma segmentao apurada. Caso no for pos-
svel, no se pode nunca esperar resultados perfeitos dos mtodos de limiarizao global e
local. Dependendo da qualidade da imagem, pode haver buracos nas linhas, bordas romp-
idas na regio limtrofes e regies de pixels estranhas, fundos complexos. A suposio
de que os resultados do processamento no sero perfeitos geralmente verdadeiro como
outros mtodos de processamento da imagem em geral.
O procedimento recomendado processar tanto quanto possvel cada passo, mas

adiar decises que no necessitam ser executadas at passos recentes, para evitar erros
irreparveis. O adiamento, quando possvel, um princpio apropriado para todos os pas-
sos da anlise de imagens (exceto, claro, a interpretao que o ltimo).
Vrios mtodos de limiarizao global e local e de multi-limiarizao foram a-

presentados nesta seo. Nenhum mtodo melhor para todos os tipos de imagens e
aplicaes. Para problemas mais simples, onde as caractersticas da imagem no variam
muito dentro dela ou entre diferentes imagens, os mtodos mais simples so suficientes.
Para problemas mais difceis envolvendo rudo ou caractersticas mutveis, mtodos mais
complexos geralmente so requeridos.
3.6. Descrio de aplicaes reais

A seguir sero descritas aplicaes reais na rea de sade onde ser mostrada de que
maneira podem ser aplicadas as ferramentas de Processamento e Anlise de Imagens an-
teriormente explicadas e outras disponveis em outras bibiografias. O leitor poder na
ocasio avaliar o grau de aplicabilidade dessas ferramentas para auxiliar computacional-
mente especialistas dessas reas.
3.6.1. Exemplo 1: Contagem automtica de microorganismos de levedura de cerveja

Atualmente, uma grande parte dos resduos industriais so jogados em rios e mares. Por
acarretar impactos ambientais graves, tais atitudes devem ser controladas e at proibidas.
Uma primeira maneira de evit-las consiste em analisar a gua de rios e mares
depois da rejeio desses resduos, podendo-se assim estabelecer os riscos ambientais e
sade das pessoas quanto a presena de determinados microorganismos. Uma segunda
maneira pode consistir em analisar os resduos industriais antes de sua rejeio na gua de
rios e nos mares de tal modo em poder avaliar o seu poder nocivo e evitar o seu despejo.
Considera-se essa segunda alternativa como sendo de suma importncia na definio de
atitudes ambientais corretas.
No caso da anlise dos resduos de levedura de cerveja, o procedimento tradi-
cional em laboratrios especializados consiste em contar o nmero de microorganismos
presentes nas amostras de gua. A partir da contagem, pode-se estabelecer se o per-
centual causar desequilbrio ao ambiente. Todo este processo realizado por bilogos
ou especialistas em microbiologia que possuem um grande conhecimento sobre microor-

ganismos, sendo assim, podem analisar e estabelecer a nocividade da presena de mi-
croorganismos.
(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
O processo de contagem de microorganismos de levedura de cerveja presentes na

gua atualmente realizado de forma manual. O bilogo ou especialista em microbiolo-
gia efetua uma contagem manual em um nmero elevado de amostras de gua, analisando
cada uma delas atravs da lente de um microscpio. Assim, em funo desse nmero, ele
pode deduzir e descobrir o nvel de nocividade da gua com a presena dos microorgan-
ismos. Este processo manual demonstra-se ser repetitivo, portanto cansativo e sujeito
falhas humanas e subjetividade do especialista.
Ser apresentado um sistema computacional de localizao e de contagem au-

tomtica de microorganismos de levedura de cerveja [J03].
3.6.1.1. Extrao dos microorganismos
Devido presena de rudos e complexidade do fundo das imagens, a localizao de mi-

croorganismos de levedura de cerveja exige vrios processamentos: Os microorganismos
so limiarizados (ou ainda binarizados) de maneira a diferenci-los mais facilmente do
fundo ruidoso. Por produzir os mesmos resultados para imagens com iluminao varivel
como para imagens igualmente iluminadas, aplicou-se a tcnica de limiarizao adap-
tativa de Wellner [Wel93] com o parmetro de porcentagem 5. Desta maneira (Figura
3.14-(b)), gera-se uma imagem binria onde os microorganismos aparecem em preto num
fundo branco e onde a maioria das variaes tonais desaparece.
3.6.1.2. Preenchimento do interior dos microorganismos
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)).
3.6.1.3. Filtragem dos microorganismos
Devido complexidade do fundo, aparecem resduos que podem comprometer o processo

de contagem. Um processo de filtragem faz-se necessrio. Uma seqncia de eroso e
dilatao binrias [Fac96] aplicada sobre a imagem para eliminar tais artefatos. Resulta-
se em uma imagem binria contendo somente os microorganismos no seu formato original
(Figura 3.14-(d)).
3.6.1.4. Separao automtica dos microorganismos
A imagem binria anteriormente obtida contm todos os microorganismos presentes na

imagem original. Porm, pelo fato de vrios microorganismos ficarem conectados, a
contagem precisa no ainda possvel. Separar os microorganismos conectados faz-se

absolutamente necessrio, e exige vrios processamentos:
Etapa 1: Faz uso de um transformao de distncia que computa numa imagem

binria a distncia dos pixels dos microorganismos em relao ao pixel do fundo
mais prximo. Usou-se a abordagem de Chamfer 5/7/11 [Bor84] [Bor86] que
permite uma boa aproximao da distncia euclidiana num tempo de processamento
adequado para este tipo de aplicao (Figura 3.14-(e)).
Etapa 2: Aplica-se a tcnica de Reconstruo morfolgica em nveis de cinza com
a imagem Distncia de Chamfer 5/7/11 diminuda de 1 nvel de cinza como mar-
cador e a imagem de Distncia de Chamfer 5/7/11 original, como mscara [Fac96].
Etapa 3: A obteno dos ncleos computacionais dos microorganismos faz-se por
subtrao entre a imagem resultante da Distncia de Chamfer 5/7/11 original e a
imagem Resultante da Reconstruo morfolgica em nveis de cinza. A imagem
resultante da subtrao gera uma imagem que contm os ncleos computacionais
dos microorganismos (Figura 3.14-(f)).
Etapa 4: Teoricamente, cada microorganismo representado por seu ncleo com-
putacional. Este va servir a rotular o microorganismo que ele representa. Portanto
dois microorganismos "justapostos" ou "colados" um ao outro sero diferenciados
por seus ncleos. Permitindo assim a separao de ambos. A separao dos mi-
croorganismos faz-se pela tcnica de Watershed de Beucher-Meyer [BM93] que
cria um rtulo diferente para cada microorganismo (Figura 3.14-(g)). A contagem
automtica consiste em simplesmente levantar o nmero de rtulos gerados.
3.6.2. Exemplo 2: Avaliao da proliferao celular baseada em Pcna-Ciclina por

anlise morfolgica aplicada a linfomas malignos no-Hodgkin
A proposta do presente trabalho a de automatizar um processo de anlise microscpica
de clulas de tumores malignos do sistema linftico por meio de procedimentos de Pro-
cessamento Digital de Imagens. E mais especificamente, realizar a contagem automtica
de subpopulaes celulares de coloraes distintas, a saber, azul e marrom.
intensa a atividade prolifeativa celular em tumores malignos. Durante o ciclo
celular, podem ser identificadas molculas, especialmente protenas, cujo nvel ou ativi-
dade variam de acordo com determinada fase deste mesmo ciclo. Ciclinas so um grupo
de protenas ( proliferating cell nuclear antigens - PCNA ), que se acumulam progressiva-
mente durante a interfase e desaparecem ao final da mitose.
A reao qumica provocada pela interao antgeno-anticorpo faz com que as
clulas proliferantes adquiram uma colorao especfica. No caso especfico da utilizao
do anticorpo contra a PCNA/ciclina, os ncleos proliferantes apresentam uma colorao
marrom, alm de, em alguns casos, tamanho ligeiramente maior que os demais, que apre-
sentam colorao azul.
O mtodo clssico de avaliao da proliferao celular consiste em se obter sua
taxa de proliferao, razo entre o nmero de clulas proliferantes (marcadas) e o nmero
total de clulas.
Executado manualmente, este mtodo consiste em se deslizar aleatoriamente a

objetiva do microscpio sobre a lmina com o corte histolgico preparado, de forma a
efetuar a contagem.
A anlise microscpica de cortes histolgicos para fins de morfometria e quantifi-
cao, feita pelo mtodo tradicional, , de maneira geral, lenta, repetitiva, no acurada
subjetiva, cansativa e portanto sujeita a erros humanos.
Mtodos "in situ", que se baseiam na quantificao da atividade proliferativa nos
prprios cortes histolgicos, em virtude de suas limitaes - quantificao manual, falta
de padronizao nos mtodos de avaliao, alm de ausncia de correlao com outros
dados prognsticos - sugerem a utilizao de mtodos computacionais, mais precisamente
de anlise de imagens para possibilitar quantificao automtica.
Prope-se desenvolver um sistema citomtrico que possibilite uma contagem mais
rpida e precisa a partir de uma metodologia de anlise automtica de imagens para avali-
ao do ndice de proliferao celular em linfomas malignos, baseado no mtodo imuno-
histoqumico que utiliza o anticorpo monoclonal anti-PCNA-ciclina, utilizando critrios
de segmentao de imagens por cor e ferramentas de morfologia matemtica [Web97].
Partindo-se de uma imagem adquirida de uma lmina, corada com o anticorpo
monoclonal anti-PCNA-Ciclina, em que se podem observar duas famlias de clulas, as
azuladas e as que pendem para o marrom-avermelhado, pode-se colocar o objetivo do
mtodo em questo: obter a taxa de proliferao celular, como sendo o nmero total de
clulas proliferantes (ou marrons) sobre o nmero total de clulas (proliferantes - marrons
- mais no-proliferantes - azuis) (Figura 3.15-(a)).
A segmentao inicial entre o fundo e os objetos de interesse baseia-se no com-
ponente de intensidade I do espao HSI. A mdia das intensidades dos pixels revela-se
como um bom parmetro de limiarizacco para a segmentao, como pode ser observado
na Figura 3.15-(b). Uma vez que o fundo mais claro que as clulas, valores maiores que
o limiar de intensidade mdia so de fundo, caso contrrio, so de objetos de interesse.
Depois da separacco das clulas do resto da imagem, certas clulas apresentam-
se no preenchidas, o que poder no futuro dificultar o recnhecimento das mesmas. A
partir das bordas fsicas da imagem (marcador), o processo de Reconstruo morfolgica
Binria [Fac96] preenche todo o fundo da imagem limiarizada invertida (mscara) sem
preencher os microorganismos. Invertendo o resultado anterior, gera-se a imagem das
clulas no seu formato original totalmente preenchidas sem deformao. Os resduos
de fundo so eliminados por processos morfolgicos Binrios (reconstruo e eroso e
dilatao) (Figura 3.15-(c)).
A separao automtica das clulas faz-se usando o mesmo mecanismo anterior-
mente apresentado. Primeiramente gerando uma imagem distncia pela abordagem de
Chamfer 5/7/11, depois localizando os ncleos computacionais por reconstruo mor-
folgica em nveis de cinza (Figura 3.15-(d)) e por fim rotulando das clulas por Water-
shed (Figura 3.15-(e)).
Tendo as clulas sido rotuladas, e, portanto, reconhecidas univocamente, passa-
se, agora, sua "rotulao" em termos de cor. Usou-se as matizes I do modelo HSI para
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
References
[Ber86] J. Bernsen. Dynamic thresholding of gray-level images. Proc. Eighth Intl
Conf. Conf. on Pattern Recognition, Paris, France, pages 12511255, 1986.
[Beu77] S. Beucher. Random process simulation on the texture analyser. Lecture

Notes in Biomathematics, 23, 1977.
[BM93] S. Beucher and F. Meyer. The morphological approach to segmentation:the

watershed transformation. Mathematical Morphology in Image Processing,
1993.
[Bor84] G. Borgefors. Distance transformation in arbitrary dimensions. Computer

Vision Graphics Image Processing, 27:321345, 1984.
[Bor86] G. Borgefors. Distance transformation in digital image. Computer Vision

Graphics Image Processing, 34:344371, 1986.
[Can83] J. F. Canny. Finding edges and lines in images. Technical report, MIT,
http://www.mit.edu/, 1983.
[CDG92] B. Costa, L. Darsa, and J.M. Gomes. Image metamorphosis. V Simpsio

Brasileiro de Computao Grfica e Processamento de Imagens, pages 19
27, 1992.
[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.
[Der87] R. Deriche. Optimal edge detection using recursive filtering. International

Journal of Computer Vision, 1987.
[Dou81] J.G. Douglas. The role of human visual models in image processing. Pro-
ceedings of the IEEE, 69(5):552561, May 1981.
[Duf86] M. J. B. Duff. Intermediate-level Image Processing. Academic Press, 1986.
[Fac96] Jacques Facon. Morfologia Matemtica: Teoria e Exemplos. J. Facon Edi-

tor, Curitiba-PR, 1996.
[Fac01] Jacques Facon. Repositrio de algoritmos de segmen-

tao por binarizao. Technical report, Pontifcia Univer-
sidade Catlica do Paran, PUCPR, Curitiba-Brasil, htt p :
//www.ppgia.pucpr.br/f acon/IndexPrincipalBrBinarizacao.htm, 2001.
[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.
[Kim96] Yeong-Taeg Kim. Contrast enhancement using brightness preserving bi-

histogram equalization. IEEE, pages 18, 1996.
[Kim97] Yeong-Taeg Kim. Quantized bi-histogram equalization. IEEE, pages 14,

1997.
[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.
[KPKPR99] B Kangar-Parsi, B. Kangar-Parsi, and A. Rosenfeld. Optimally isotropic

laplacian operator. IEEE Transactions on Image Processing, 10(8):1467
1472, October 1999.
[Mar82] D. Marr. Vision. Freeman, 1982.
[Mar00] P.R. Martins. Segmentao de Histogramas Multimodias: Simulaes,

Implementaes e Aplicao em Cheques Bancrios Brasileiros. Master
Thesis- PUCPR-Curitiba-Brazil, November 2000.
[MV89] N.D.A. Mascarenhas and F.D.R. Velasco Velasco. Processamento Digital de

Imagens. 2a edio. IV Escola Brasileiro-Argentina de Informtica, Termas

de Rio Hondo, Argentina, 1989.
[NM79] M. Nagao and T. Matsuyama. Edge preserving smoothing. Computer

Graphics and Image Processing, 13:394407, 1979.
[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.
[Ots79] N. Otsu. A threshold selection method from gray-level histograms. IEEE

Transations on Systems, Man and Cybernetics, SMC 9(1):6266, April
1979.
[Ros88] A. Rosenfeld. Computer vision: Basic principles. Proceedings of the IEEE,

76(8):863868, August 1988.
[Ser82] J. Serra. Image Analysis and Mathematical Morphology. Academic Press,

London, 1982.
[Shi] Ando Shigeru. Consistent gradient operators. IEEE Transactions on Pattern

Analysis and Machine Intelligence.
[Shi87] Y. Shirai. Three Dimensional Computer Vision. Springer-Verlag, 1987.
[Web97] Andra Weber. Avaliao da proliferao celular baseada em

pcna-ciclina por anlise morfolgica aplicada a linfomas ma-
lignos no-hodgkin. Technical report, Centro Federal de Edu-
cao Tecnolgica do Paran, CEFETPR, Curitiba-Brasil, htt p :
//www.ppgia.pucpr.br/f acon/IndexPrincipalBrTeses.htm, 1997.
[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.
Jacques Facon Professor e Pesquisador no Pro-

grama de Ps-Graduao em Informtica Aplicada (PPGIA)
da Pontifcia Universidade Catlica do Paran (PUCPR).
Formou-se como doutor em Processamento e Anlise
de Imagens pela Universit de Technologie de Compigne na
Frana em 1987.
Suas reas atuais de interesse incluem processamento
de imagens, morfologia matemtica, reconhecimento de
padres e viso computacional.

2006 ERI2006 Capitulo No 3

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2006 ERI2006 Capitulo No 3

Enviado por

Direitos autorais:

Formatos disponíveis

Captulo

Prof. Dr. Jacques Facon

Este meta-artigo, no mbito de projetos multidisciplinares, objetiva mostrar como a rea

de natureza visual motivou e ainda motiva o desenvolvimento de tcnicas e dispositivos,

3.2. A viso humana

Emisso de sinais luminosos por reflexo da luz

Recepo dos sinais luminosos pelo sistema visual

Transformao dos sinais luminosos pela superfcie sensvel

3.2.2. Caractersticas do sistema visual humano

a variaes locais que ocorrem numa imagem, mudando o limiar de sensibilidade

3.3. Concepo de um sistema de viso artificial

Hardware de Digitalizao de Imagens

3.3.2. Arquitetura de um sistema de viso artificial

A natureza das imagens

A qualidade das imagens

variao gradual de brilho influem no grau subjetivo atribudo qualidade da im-

Figure 3.1. Estrutura funcional de um sistema de viso artificial

Modernamente, as tcnicas de processamento e anlise de imagens podem ser

3.4. Realce de imagens

Do prprio processo de digitalizao: qualquer que seja a maneira empregada para

As imagens monocromticas so, de forma geral, representadas matematicamente

tcnicas de restaurao : a restaurao procura obter a imagem original, tendo

3.4.2. Cuidados iniciais

(a) (c) (d)

3.4.3. Aprimoramento de contraste

Para compensar os efeitos do sensor, necessrio aumentar a dinmica. Uma modificao

3.4.3.2. Equalizao de histograma

A equalizao de histograma mtodo interessante por sua economia em termos de

(a) (c) (d)

3.4.3.3. Aprimoramento Local

O mtodo precedente de equalizao global porque a intensidade de cada pixel mo-

Uma maneira modificao local, no baseada sobre a noo de histograma, a

g(x, y) = L(x, y)[ f (x, y) m(x, y)] + m(x, y) (1)

onde m(x, y) e (x, y) so, respectivamente, a mdia e a varincia das intensidades em

3.4.4. Reduo de rudo

3.4.4.1. Filtro da mediana

(b) (c) (d) (e)

3.4.4.2. Filtros morfolgicos

A morfologia matemtica, elaborada inicialmente por Georges Matheron e Jean Serra

Eroso: A eroso de uma imagem f por um elemento estruturante g por definio

Dilatao: A dilatao de uma imagem f por um elemento estruturante g por

dilg ( f (x)) = Max{ f (y) + g(x y) : y E} (4)

Abertura: As propriedades de iteratividade da eroso e da dilatao em nveis de

abeg ( f ) = dilg (erog ( f )) (5)

Fechamento: O fechamento a operao dual da abertura. O fechamento de uma

fecg ( f ) = erog (dilg ( f )) (6)

A figura 3.4-(d) exemplifica um processamento morfolgico chamado filtro mor-

3.4.4.3. Filtro de Nagao-Matsuyama

Nagao e Matsuyama [NM79] propuseram um mtodo eficiente de aprimoramente de ni-

3.4.5. Realce de contornos ou bordas

Realar contornos consiste em localizar e enfatizar pixels nessas mudanas brus-

3.4.5.2. Operador de Diferenciao de Primeira Ordem

Uma das tcnicas de deteco de bordas mais populares a abordagem de diferenciao

A transformao mais problemtica a rotao Uma rotao pode ser definida da

Estas equaes mostram que as derivadas parciais de primeira ordem so invari-

I(x, y) 2 I(x, y) 2 I(x, y) 2 I(x, y) 2

3.4.5.3. Gradiente clssico

Objetiva-se maneiras de definir derivadas parciais de primeira ordem digitais. Sabe-se

onde (x, y) e (u, v) representam respectivamente as coordenadas antes e depois da rotao

O valor mximo de I(x, y)/ u obtido pela equao:

Figure 3.5. Interpretao das informaes extradas pelo gradiente

O vetor desta amplitude na direo chama-se vetor GRADIENTE G no ponto

Os operadores que do uma boa aproximao levam 8-vizinhana. Por exemplo