Microscopia e Caracterização de Estruturas:

“Processamento Digital de Imagens”

Prof. Dr. Luis Rogerio de Oliveira Hein

Bibliografia:
Livros:
BURGER, W., BURGE, M.J. Digital Image Processing: An Algorithmic Introduction using Java, New York: Springer, 2008.
BURGER, W., BURGE, M.J. Principles of Digital Image Processing: Core Algorithms, New York: Springer, 2009.
BURGER, W., BURGE, M.J. Principles of Digital Image Processing: Fundamental Techniques, New York: Springer, 2009.
NIXON, M., AGUADO, A.S. Feature Extraction & Image Processing. 2. ed., San Diego: Academic Press, 2008.
PETROU, M., SEVILA, P.G. Image processing: dealing with texture. New York: Wiley, 2006
WU,Q., MERCHANT, F.A., CASTLEMAN, K. R., Microscope Image Processing. SanDiego: Academic Press, 2008

Artigos:
NAVAS, J., MARTÍN, J. The influence of chromatic components on extended depth of field imaging, Microscopy Research and
Technique, New York, v. 72 n. 5, p. 403-410, 2009
MUHAMMAD, M. S., CHOI, T.-S. A novel method for shape from focus in microscopy using Bezier surface approximation, Microscopy
Research and Technique, New York, v. 73 n. 2, p. 140-151, 2010

Software: NIH ImageJ v. 1.46g

RASBAND, W.S., ImageJ, U. S. National Institutes of Health, Bethesda, Maryland, USA, http://imagej.nih.gov/ij/,
1997-2012.
Ementa do tópico
Imagem digital, resolução e pixels

Histogramas e contraste

Filtros espaciais: convolução, classificação e derivativos

Operações no domínio da frequência

Processamento de imagens coloridas

Segmentação

Morfologia binária

Parâmetros de densidade, dimensionais e morfológicos

“Digital Image Processing” = Processamento Digital de
Imagens ou Processamento de Imagens Digitais?

Processamento Digital de Imagens Processamento de Imagens Digitais

Aquisição da
imagem
Microscopia! Imagem digital
Digitalização

Melhoramento Melhoramento

Segmentação
Segmentação

Análise e
Classificação Análise e
Classificação
Imagens digitais e o processo de digitalização

Amostragem Discretização Arquivamento

• fenômeno físico • conversão em • formatos
• sensores escalas mono ou padronizados
• amostragem policromáticas de • compressão?
espacial e brilho
temporal • resolução de
profundidade

RESOLUÇÃO CONTRASTE
Imagens digitais e o processo de digitalização
 Imagem digital: representação da distribuição de propriedades,
discretizadas em “pixels” organizados espacialmente em um plano.

PIXEL =
picture element =
Elemento de área
da imagem

Exemplos:
Imagens obtidas
por microscopia de
força atômica :
topografia em [µm],
e fase em [V].
 Resolução:
menor distância entre dois pontos nítidos =
propriedade do sistema de imageamento!

Limite atual: ~ 0,034nm (0,34 Å) Limite da Microscopia Óptica: ~130 nm

100 pm 1nm 10 nm 100nm 1 µm 10 µm 100 µm 1 mm 10 mm 100 mm

Microscopia
Microscopia eletrônica ou
óptica Lupa Olho nu
de varredura por sonda convencional

Limite da visão humana: ~150.000 nm

Contraste:
capacidade de se discernir um objeto do fundo da
imagem = propriedade do sistema de imageamento!

sensibilidade • quantização mono

ou policromática
do sistema • sensor

• Teorema de
Shannon (x1/2f)
amostragem • tamanho e
composição
do contraste • supressão de ruídos
• sombreamento

http://www.microscopyu.com/articles/optics/mtfintro.html
“Resolução” espacial de uma imagem digital

DEFINE-SE COMO O NÚMERO DE PIXELS DA

IMAGEM (“M”LINHAS X “N” COLUNAS).

Cuidados:
 tamanho do pixel deve respeitar o Teorema de
Shannon-Nyquist (x1/2f) para evitar sub-amostragem

 razão de aspecto (x/ y) do pixel deve ser unitária

 Interpolações devem ser feitas com o algoritmo adequado

“Resolução” de profundidade de uma imagem digital

Define o número de níveis para a discretização do contraste

total suportado pelo sistema de imageamento, em n bits, da
forma:
 escala monocromática:

Total de níveis de quantização, K = 2n

 escalas policromáticas:

Total de níveis de quantização (RGB)= 2n x2nx2n = 23n

Canais definidos pelo espaço de cores:

RGB, HSB, CMYK, YCbCr, etc
“Tamanho” de uma imagem:
O espaço ocupado por uma imagem sem compressão é calculado em função do
produto das resoluções (profundidade e espacial):

Espaço na memória, em bits = resolução espacial X resolução de profundidade

(E= MxNxn) [bit]

Exemplos:
A) imagem monocromática de 8-bit, em formato VGA (640x480).
E = 640x480x8 = 2457600 bits =307200 bytes = 300 kilobytes

B) imagem RGB de 24-bit, em formato VGA (640x480).

E = 640x480x24 = 7372800 bits =921600 bytes = 900 kilobytes
Histogramas
Distribuição dos pixels de uma imagem pelas classes de intensidade de brilho.
Histogramas definem as condições de contraste!

diferenças entre os valores

máximo e mínimo de brilho
definem o contraste geral da
imagem
 histogramas com pontos de
mínimo identificam populações
distintas de fatores
 sequências de vales e picos
mostram haver fases diferentes
 ausência de vales e picos ocorre
em imagens com distribuição de
texturas
Melhoramento de imagens
Melhoramento de
Imagens

Domínio do Domínio da Processamento

frequência de imagens
espaço (x,y) [(x,y)→(u,v)] coloridas

Operações Operações
pontuais locais ou de
(histogramas) vizinhança

Filtros
Filtros Filtros de
espaciais de
derivativos classificação
convolução
Operações com histogramas para manipulação do contraste
Operações com histogramas para ajuste de contraste são da classe de operações pontuais do
melhoramento de imagens, onde qualquer alteração de brilho do pixel dependerá apenas de sua posição,
independendo da vizinhança.

Estiramento de contraste ou normalização: ampliação linear do contraste.

amenor amaior

amín amáx
amáx  amín
f a   amín  a  amenor  
amaior  amenor

8  bit  : f a   a  amenor  255

amaior  amenor
Operações com histogramas para manipulação do contraste
Operações com histogramas para ajuste de contraste são da classe de operações pontuais do
melhoramento de imagens, onde qualquer alteração de brilho do pixel dependerá apenas de sua posição,
independendo da vizinhança.

Equalização de histogramas: visa aproximar o histograma da imagem

modificada para uma distribuição uniforme das intensidades de brilho.
 K  1
Exemplo: Equalização linear: f eq a    H a .
 M .N 
16000 16000
14000 14000
12000 12000
10000 10000
8000 8000
6000
6000 4000
4000 2000
2000 0

155
1

111
133

177
199
221
243
23
45
67
89
0
111
133
155
177
199
221
243
1
23
45
67
89

400000
400000
300000 300000
200000 200000
100000 100000

0 0

177
111
133
155

199
221
243
1
23
45
67
89
101
121
141
161
181
201
221
241
1
21
41
61
81
Operações com histogramas para manipulação do contraste
Operações com histogramas para ajuste de contraste são da classe de operações pontuais do
melhoramento de imagens, onde qualquer alteração de brilho do pixel dependerá apenas de sua posição,
independendo da vizinhança.

Equalização de histogramas: visa aproximar o histograma da imagem

modificada para uma distribuição uniforme das intensidades de brilho.
i
Exemplo: Equalização quadrática: H i    h j 
j 0
16000
16000
14000
14000
12000
12000
10000
10000
8000
8000
6000
6000
4000
4000
2000
2000
0
0
111
133
155
177
199
221
243
1
23
45
67
89

111
133
155
177
199
221
243
89
23
45
67
350000
350000
300000
300000
250000 250000
200000 200000
150000 150000
100000 100000
50000 50000
0 0
1

101
121
141
161
181
201
221
241
21
41
61
81

177
1

111
133
155

199
221
243
23
45
67
89
Operações com histogramas para manipulação do contraste
Estiramento de contraste X Equalização

imagem original

estiramento de contraste equalização linear equalização quadrática

 Filtros no domínio do espaço:
Transformações usando filtros espaciais no domínio do espaço são da classe de operações locais do
melhoramento de imagens, onde qualquer alteração de brilho do pixel dependerá da vizinhança. Para isso, é
necessária a definição de máscaras (“kernels”) para delimitar a vizinhança e, com isso, a intensidade dos
efeitos da aplicação do filtro.

Filtros espaciais de convolução: DEFINIÇÃO

Uma operação de convolução permite “deslizar” uma máscara ao longo da matriz imagem, somando-se os
produtos dos fatores sobrepostos, da forma:
m 1 n 1
Pi, j   I i, j   K (i, j )   I i  k  1, j  l  1.K k , l 
k 0 l 0

onde Pi, j   i  1, M  m  1; j  1, N  m  1

(M,N) (m,n)
I(i,j) = I00 I01 I02 I03 I04 I05 K(i,j) = K00 K01 K02
I10 I11 I12 I13 I14 I15 K10 K11 K12
I20 I21 I22 I23 I24 I25 K20 K21 K22

I30 I31 I32 I33 I34 I35

Exemplos:
I40 I41 I42 I43 I44 I45 P11  I 00 K 00  I 01K 01  I 02 K 02  I10 K10  I11K11  I12 K12  I 20 K 20  I 21K 21  I 22 K 22
I50 I51 I52 I53 I54 I55 P43  I 32 K 00  I 33 K 01  I 34 K 02  I 42 K10  I 43 K11  I 44 K12  I 52 K 20  I 53 K 21  I 54 K 22
Filtros no domínio do espaço:
Filtros espaciais de convolução:

Exemplo: Filtro da média 3x3 (passa-baixa, supressor de ruídos, isotrópico)

 19 1
9
1
9
P11  I 00 K 00  I 01K 01  I 02 K 02  I10 K10  I11K11  I12 K12  I 20 K 20  I 21K 21  I 22 K 22
K (i, j )   19 1
9
1 
9
 P11 
I 00  I 01  I 02  I10  I11  I12  I 20  I 21  I 22

 19 1 
9
9
1
9

32 33 35 38 39 40 32 33 35 38 39 40
I(i,j) = P(i,j) =
33 99 34 36 38 37 33 41 41 35 36 37
34 32 33 32 33 35 34 40 40 36 40 35
34 32 33 31 58 60 34 33 35 41 47 60
34 32 32 58 57 61 34 33 38 47 56 61
32 34 33 60 59 61 32 34 33 60 59 61
Filtros no domínio do espaço:
Filtros espaciais de convolução:

Filtro da média: efeito da intensidade

original

média 3x3

média 11x11

média 31x31

média 101x101
Filtros no domínio do espaço:
Filtros espaciais de convolução:

Filtro da média: remoção de defeitos de iluminação

(background subtraction)

- =
original média 101x101 Resultado após equalização linear
Filtros no domínio do espaço:
Filtros espaciais de convolução:

Exemplo: Filtro Laplaciano

(passa-alta, medida isotrópica da segunda derivada espacial, realce de bordas ... e ruídos!)
2I 2I
Forma geral no espaço contínuo: Lx, y   2  2
x y
Forma discreta (exemplos 3x3):

0 1 0 
L(i, j )   1  4  1 Li, j   4I i, j   I i 1, j   I i, j 1  I i, j 1  I i 1, j 
 0  1 0 
 1  1  1
L(i, j )   1  8  1 Li, j   8I i, j   I i 1, j 1  I i 1, j   I i 1, j 1  I i, j 1  I i, j 1  I i 1, j 1  I i 1, j   I i 1, j 1
 1  1  1

Pi, j   I i, j  L(i, j )

Filtros espaciais no domínio do espaço:
Filtros espaciais de convolução:

Aplicações: Filtro Laplaciano

 0 1 0   1  1  1
L(i, j )   1  4  1 L(i, j )   1  8  1
 0  1 0   1  1  1
Filtros no domínio do espaço:
Filtros espaciais de convolução:

Exemplo: Filtro Gaussiano

(passa-baixa, isotrópico, supressor de bordas e ruídos)
x2  y2

Forma geral no espaço contínuo: G  x, y   1
e 2 2
2 2

Forma discreta (=1,0; 5x5):

1 4 7 4 1 

1 
4 16 26 16 4
 I i, j 
G i, j   7 26 41 26 7
273  
4 16 26 16 4
1 4 7 4 1

Pi, j   I i, j  G(i, j )

Pi, j 
Filtros no domínio do espaço:
Filtros espaciais de CLASSIFICAÇÃO:
Filtros de classificação envolvem a comparação dinâmica entre os elementos da imagem na posição de
varredura da máscara, substituindo-se o elemento central por um parâmetro estatístico resultante da análise
distribuição das intensidades de brilho. Dentre os parâmetros estatísticos utilizados para a classificação
estão: mediana, moda, variância, máximo e mínimo.

Exemplo: Filtro da Mediana 3x3 (passa-baixa, supressor de ruídos, isotrópico) :

Neste caso, atribui-se a P(i,j) o valor correspondente à mediana da distribuição de intensidades composta por
I(i,j) e seus 8 vizinhos, na matriz 3x3.

32 33 35 38 39 40 32 33 35 38 39 40
I(i,j) = P(i,j) =
33 99 34 36 38 37 33 33 34 35 37 37
34 32 33 32 33 35 34 33 33 33 36 35
34 32 33 31 58 60 34 33 32 33 36 60
34 32 32 58 57 61 34 33 33 57 59 61
32 34 33 60 59 61 32 34 33 60 59 61
Filtros no domínio do espaço:
Filtros espaciais de classificação:

Filtro da mediana: efeito da intensidade

original

mediana
3x3
mediana
11x11
mediana
31x31
mediana
101x101
média
101x101
Filtros no domínio do espaço:
Filtros espaciais de classificação:
Aplicações: Mediana, máximo, mínimo e variância

original

mediana 5x5 máximo 5x5 mínimo 5x5 variância 5x5

Filtros espaciais derivativos
Filtros derivativos de primeira ordem:

Em geral, filtros derivativos de primeira ordem

são de duas categorias:

a) Filtros derivativos unidirecionais:

df ( x) df ( y)
f ( x)  ou f ( y) 
dx dy
b) Gradientes ou operadores de bordas:

 I x, y    I x, y  
2 2

I x, y       
 x   y 
Já os filtros de segunda ordem têm a forma:
 2 f x, y   2 f x, y 
 f x, y  
2

 x
2
2 y
O filtro Laplaciano é um exemplo desta classe.
Filtros espaciais derivativos
Filtros derivativos de primeira ordem: Filtros unidirecionais
Filtros unidirecionais calculam a
diferença de brilho em torno de um
ponto, em uma direção, por  1  1  1
0 0 0
convolução, podendo se apresentar em  
 1 1 1 
oito orientações diferentes:
 1 0 1   1  1 0
 1 0 1   1 0 1
   
 1 0 1  0 1 1 1 0  1
1 0  1 1 1 0  1 0  1
1 0  1 1 0  1  
    1 0  1
1 0  1 0  1  1
 1  1  1 0  1  1
 0 0 0  1 0  1
   
 1 1 1  1 1 0   1 0 1
 1 0 1
 1 1 1   0 1 1  
 0 0 0   1 0 1  1 0 1
   
 1  1  1  1  1 0
Filtros espaciais derivativos
Filtros derivativos de primeira ordem: operadores de bordas

 I x, y    I x, y  
2 2

I x, y       
 x   y 

imagem
Prewitt Sobel Scharr original

 1 0 1 1 1 1   1 0 1  1 2 1   3 0 3  3 10 3
 1 0 1 0 0 0   2 0 2  0 0 0   10 0 10 0 0 0 
        
 1 0 1  1  1  1   1 0 1  1  2  1   3 0 3  3  10  3

x4 x4 x4
Operações no domínio da frequência
 São operações baseadas em transformações das coordenadas
espaciais cartesianas (x e y para espaço e z para o brilho) em
coordenadas de frequências espaciais (u e v como frequências de
ocorrências espaciais do brilho e com a intensidade – amplitude ou
fase – em z). Os operadores mais comuns são: Fourier, Laplace,
Hough, Hartley, Hadamard, Harr, cosseno ...
 A maior vantagem destas operações está na elegância da solução:
reprodução de resultados, corte de componentes específicos,
possibilidade de medições muito precisas, etc.
 Em contrapartida, demanda mais recursos computacionais, maior
dificuldade para ajustes, sua aplicação é menos intuitiva, sua
implantação não é universal para os programas de processamento
digital de imagens.