Escolar Documentos
Profissional Documentos
Cultura Documentos
LONDRINA–PR
2015
SAULO MARTIELLO MASTELINI
LONDRINA–PR
2015
Saulo Martiello Mastelini
Método Automatizado para Determinação de Cor em Carne de Frango e Nor-
malização de Efeitos de Luminosidade/ Saulo Martiello Mastelini. – Londrina–PR,
2015-
57 p. : il. (algumas color.) ; 30 cm.
CDU 02:141:005.7
Dedicatória
AGRADECIMENTOS
Texto de agradecimento.
“Texto epígrafe.”
MASTELINI, S. M.. Método Automatizado para Determinação de Cor em Carne
de Frango e Normalização de Efeitos de Luminosidade. 57 p. Trabalho de Con-
clusão de Curso – Versão Preliminar (Bacharelado em Ciência da Computação) – Univer-
sidade Estadual de Londrina, Londrina–PR, 2015.
RESUMO
Texto do Resumo.
ABSTRACT
Abstract text.
4.1 Iteração sobre todos os arquivos de uma dada pasta e leitura das imagens. 45
4.2 Primeira etapa da segmentação da carne. . . . . . . . . . . . . . . . . . . . 46
4.3 Segunda etapa da segmentação da carne. . . . . . . . . . . . . . . . . . . . 47
4.4 Segmentação dos Marcadores Remid. . . . . . . . . . . . . . . . . . . . . . 47
4.5 Aplicação de filtro de borramento Gaussiano. . . . . . . . . . . . . . . . . . 48
4.6 Extração do canal de brilho do espaço HSV. . . . . . . . . . . . . . . . . . 50
4.7 Aplicação da operação de Overlay de camadas na imagem original. . . . . . 50
4.8 Determinação dos coeficientes de calibração de cor. . . . . . . . . . . . . . 51
4.9 Aplicação dos coeficientes de calibração de cor. . . . . . . . . . . . . . . . . 52
LISTA DE ABREVIATURAS E SIGLAS
CV Computer Vision
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.1 Objetivos e Contribuições . . . . . . . . . . . . . . . . . . . . . . . 25
1.2 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . 25
2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . 27
2.1 Processamento de Imagens Digitais . . . . . . . . . . . . . . . . 27
2.1.1 Escala de Cinza e Imagens Coloridas . . . . . . . . . . . . . . . . 27
2.1.2 Vizinhança de Pixel . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3 Segmentação de Objetos . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 Crescimento de Região . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Thresholding (limiarização) . . . . . . . . . . . . . . . . . . . . . 30
2.5.1 Segmentação pelo método de Otsu . . . . . . . . . . . . . . . . . 30
2.6 Cor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6.1 Espaços de Cor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6.2 Tipos de Espaços de Cor . . . . . . . . . . . . . . . . . . . . . . . 32
2.6.2.1 Espaços de Cor Orientados à Hardware . . . . . . . . . . . . . . . . . . 32
2.6.2.2 Espaços de Cor Orientados à Percepção Humana . . . . . . . . . . . . 33
2.6.2.3 Espaços de Cor Instrumentais . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.3 Espaços de Cor Empregados no Trabalho . . . . . . . . . . . . . 35
2.6.3.1 RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.6.3.2 HSV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.6.3.3 L*a*b* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . 39
4 MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . 43
4.1 Amostras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Metodologia proposta . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.1 Segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2.1.1 Segmentação da Carne . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.1.2 Segmentação das Réguas Remid . . . . . . . . . . . . . . . . . . . . . . 47
4.2.1.3 Normalização de efeitos de iluminação . . . . . . . . . . . . . . . . . . 48
4.2.1.4 Coeficientes de Correção de Cor e Calibração de Cores . . . . . . . . . 51
4.2.1.5 Conversão para L*a*b* . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2.1.6 Extração de Informações . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5 PRÓXIMOS PASSOS . . . . . . . . . . . . . . . . . . . . . . . . 53
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
23
1 INTRODUÇÃO
1
<http://www.agricultura.gov.br/animal/especies/aves> (Acesso em 25/03/2015)
2
<http://www.ibge.gov.br/home/estatistica/indicadores/agropecuaria/producaoagropecuaria/
abate-leite-couro-ovos_201501_publ_completa.pdf> (Acesso em 29/09/2015)
25
2 FUNDAMENTAÇÃO TEÓRICA
Uma imagem pode ser definida como um função 𝑓 (𝑥, 𝑦), onde 𝑥 e 𝑦 são as variáveis
espaciais e 𝑓 representa a amplitude da função, também chamada de intensidade ou nível
de cinza da imagem no ponto (𝑥, 𝑦).
Quando 𝑥, 𝑦 e a amplitude de 𝑓 são todos discretos e finitos, a imagem é chamada
de imagem digital [9].
A expressão processamento de imagens digitais se refere à manipulação, aplica-
ção de modificações e processamentos diversos em uma imagem digital, através de um
computador.
Uma imagem é formada por um número finito de pontos, cada um com uma loca-
lização e valor particulares; esses pontos são denotados como elementos da imagem/foto
e pixels. O termo Pixel é o mais amplamente utilizado [9].
Quanto à aquisição das imagens, comumente é feita através sensores RGB, que
estão presentes em câmeras digitais, smartphones, entre outros. Todavia, abordagens di-
ferenciadas podem ser empregadas, como por exemplo, o uso de imagens multi-espectrais,
infravermelho, etc [3].
cores, as chamadas imagens coloridas. Para tal, geralmente três valores de estímulo tonal
ou valores de tristimulus são empregados para representar a cor [9]. Esses valores estão
relacionados aos espaços de cores que serão descritos mais adiante.
2.2 Histograma
O histograma de uma imagem digital com níveis de intensidade entre [0, 𝐿 − 1],
ou seja, 𝐿 níveis de intensidade; pode ser definido como uma função discreta ℎ(𝑔𝑘 ) = 𝑛𝑘 ,
onde 𝑔𝑘 representa o 𝑘-ésimo valor de intensidade e, 𝑛𝑘 representa a quantidade de pixels
na imagem com o valor 𝑔𝑘 .
É possível normalizar um histograma, dividindo cada um de seus componentes pelo
total de pixels da imagem, denotado pelo produto 𝑀 𝑁 , onde 𝑀 representa o número de
colunas e 𝑁 o número de linhas da imagem. Dessa forma, um histograma normalizado
𝑛𝑘
é dado por 𝑝(𝑔𝑘 ) = , para 0 ≤ 𝑘 < 𝐿. Portanto, 𝑝(𝑔𝑘 ) pode ser interpretado como
𝑀𝑁
a probabilidade de ocorrência no nível de intensidade 𝑔𝑘 na cena. A soma de todos os
componentes de um histograma normalizado é 1.
O emprego de histogramas é a base para diversas operações espaciais em imagens,
dentre as quais pode-se citar o aumento de contraste, extração de informações estatísticas,
segmentação de objetos, além de compressão de dados.
elevado, uma vez que opera através da “expansão” de vizinhança, acabando por avaliar
um dado pixel mais de uma vez.
Mesmo com as limitações envolvidas, a técnica de crescimento de região é larga-
mente empregada, sendo muito útil em operações sobre máscaras binárias.
“Se o valor 𝑝(𝑥, 𝑦) é menor que 𝑡, 𝑝(𝑥, 𝑦) recebe 𝑙0 , senão 𝑝(𝑥, 𝑦) recebe 𝑙𝑓 ”.
O desafio na área é encontrar um valor adequado de limiar. Para tal tipo de tarefa,
existem diversos tipos de abordagens, sendo que podem ser divididas em três categorias
[2]:
Uma das abordagens mais conhecidas para a definição de um limiar para a seg-
mentação de objetos em cenas é a técnica desenvolvida por Otsu [10]. Trata-se de uma
abordagem global de limiarização, onde todos os valores possíveis de limiar são analisados
31
(para uma imagem em tons de cinza, por exemplo, todos os 𝐿 níveis possíveis). A escolha
é feita no valor que maximiza a variâncias entre as classes da imagem, a saber: background
(fundo) e foreground (objeto(s)).
Uma vez escolhido, o valor de limiarização é aplicado a toda a imagem.
2.6 Cor
A cor é uma grandeza difícil de ser ser descrita, pois trate-se de uma sensação
perceptual atrelada às células fotossensíveis do olho humano e, à representação formada
através do cérebro [7]. É uma resposta perceptual ao espectro visível de luz que é refletido
ou emitido por um objeto. Esse sinal “interage” com os olhos através da retina e, é
transmitido para o cérebro através do nervo óptico, assim inferindo-se a sensação da cor.
Dessa forma, a cor não uma propriedade intríseca de um objeto, uma vez que a cor se
altera com a mudança da fonte de iluminação de um objeto [11]. De fato, a percepção da
cor é um fenômeno muito complexo, dependente da composição do objeto e a iluminação
no local, além de estar ligada às propriedades dos olhos e cérebro que captam e processam
a cena percebida e, ainda, os ângulos de visão e iluminação existentes [3].
Independente da característica subjetiva da cor, percebida através da visão, surge
a necessidade da definição de um formalismo matemático para a representação da cor, de
forma à permitir sua mensuração e manipulação. Esse formalismo é denominado Espaço
de Cor e, será abordado a seguir.
ao observador, assim como a variação dos parâmetros dos espaços. No entanto, assim
como a visão humana, não são sensíveis à pequenas variações nas cores [3].
A figura 4 apresenta uma representação dos espaços HSV (4a) e HSL (4b).
e, o CIE 1976 (L*u*v*), ou CIELUV, que são adotados em muitos instrumentos para
mensuração de cor. O espaço de cor L*a*b é muito utilizado em aplicações para avaliação
de cor, devido à sua uniformidade na distribuição das cores, ou seja, a distância Euclidiana
entre duas cores diferentes corresponde aproximadamente à diferença de cor percebida pelo
olho humano [3].
A figura 5 apresenta uma representação do espaço CIE L*a*b.
2.6.3.1 RGB
No modelo de cores RGB, cada cor é representada em termos das cores primárias:
Vermelho (Red), Verde (Green) e Azul (Blue). Este modelo é baseado em um sistema
cartesiano, sendo que o subespaço de interesse consiste em um cubo, como demonstra
a figura 6. As cores primárias estão em três cantos, enquanto que as cores secundárias
(Ciano, Magenta e Amarelo), obtidas a partir de misturas de pares das cores primárias,
estão nos outros três cantos.
4
Disponível em: <http://www.artec-test-equipment.com/content/artec/producten/lab-sphere2.jpg>
36
5
Disponível em: <http://zone.ni.com/images/reference/en-XX/help/372916P-01/rgb_cube_localize.
gif>
37
2.6.3.2 HSV
2.6.3.3 L*a*b*
3 TRABALHOS RELACIONADOS
efeitos de iluminação para aplicações em reconhecimento de faces. Esse foi o primeiro seg-
mento de aplicações para normalização de luminosidade encontrado. Todavia, de maneira
geral, as características originais de intensidade não são mantidas, gerando-se ruído; além
disso, as aplicações trabalham com imagens de baixa resolução, sendo que as operações
desenvolvidas são complexas.
De fato, após buscas foi encontrado um Toolkit [31] para Matlab2 que implementa
várias técnicas de Normalização de Iluminação, consolidadas na literatura, voltadas para
reconhecimento facial. Algumas das técnicas citadas anteriormente estão incluídas na
ferramenta. Os testes realizados demonstraram que os resultados para o problema tratado
nesse trabalho não foram satisfatórios, gerando muito ruído, além de apresentarem um
tempo de processamento inviável para rotinas de produção.
Uma aplicação voltada para normalização de efeitos de luminosidade para imagens
textuais é apresentado em [32]. Os resultados são satisfatórios, além do aspecto visual das
imagens resultantes não apresentar ruídos. No entanto as imagens utilizadas no traba-
lho revisado são praticamente monocromáticas, o que não reflete as características das
imagens de carne de frango.
2
<http://www.mathworks.com/products/matlab/>
43
4 MATERIAIS E MÉTODOS
4.1 Amostras
Quarenta e quatro filés de peito de frango (pectoralis major muscle) foram adqui-
ridos de um varejista local e transportados sob refrigeração para o laboratório de análise
de alimentos (LANA), para realização das análises.
A cor dos músculos, expressa em L*a*b, foi obtida a partir de 3 medidas consecu-
tivas tomadas em locais aleatórios sobre as amostras. Para tal, um colorímetro Minolta
(CR 400, iluminante padrão D65 e observador a 10∘ , Konica-Minolta Sensing Inc., Osaka,
Japão) foi empregado, após ser calibrado em uma placa de calibração padrão de cerâmica.
As imagens foram adquiridas através do sistema Doc L-Pix (Loccus Biotecnologia,
Brasil) que possui iluminação padrão e um sistema de captura de imagens operado via
software (L-PIX IMAGE 7.1). O sistema foi configurado de modo a capturar imagens
com resolução de 1384x1038 pixels, 180 ppi (pixels por polegada), salvando-as no formato
jpeg. As fotos foram obtidas com tempo de exposição de 0.1𝑠 e abertura 𝑓 /4.5, sendo que
o sensor esteve posicionado à uma distância de cerca de 37𝑐𝑚 das amostras.
Juntamente com as amostras, foram introduzidas na cena duas réguas Remid 1
utilizadas posteriormente como fonte de informação para a calibração das cores na ima-
gem. A escolha de utilização de duas réguas (posicionadas de maneira perpendicular, na
horizontal e vertical) foi motivada pela necessidade de captura do máximo de variação
de intensidade de iluminação nas fotos, de modo a obter-se valores de calibração mais
fidedignos.
Como forma de se simular a amostragem em três regiões da carne, separadores
plásticos de cor preta foram fixados nas amostras, dividindo-as em três áreas, correspon-
dentes às regiões onde as medições via colorímetro foram realizadas.
Um sensor auxiliar de nível de luminosidade presente em um smartphone foi adi-
cionado à cena, visando oferecer uma fonte extra de informação acerca das condições
de luminosidade no local, todavia, para os experimentos realizados essa informação foi
descartada.
As imagens obtidas não passaram por qualquer ajuste, recorte ou processamento,
1
<http://nitpar.pr.gov.br/catalogo-de-patentes/patente/regua-codificada-para-padronizacao-de-imagens/
>
44
Algoritmo 4.1 – Iteração sobre todos os arquivos de uma dada pasta e leitura das imagens.
1 base = d i r ( ’ . . / s r c / ’ ) ;
2 % i t e r a s o b r e t o d o s a r q u i v o s c o n t i d o s na p a s t a " s r c / "
3 f o r i =1 : l e n g t h ( base )
4 i f ( i >= 3 )
5 f i l e n a m e = s t r c a t ( ’ . . / s r c / ’ , base ( i ) . name ) ;
6 %l e i t u r a da imagem
7 imdata = imread ( f i l e n a m e ) ;
8 % . . . Outros p r o c e d i m e n t o s r e a l i z a d o s
9 end
10 end
4.2.1 Segmentação
Até esse ponto, a máscara obtida pode conter pequenas regiões desconexas que
não fazem parte da máscara de carne e, que estão relacionadas a pequenos objetos na
cena. Além disso, pixels pouco saturados correspondentes a áreas brancas e/ou de brilho
podem estar presentes na máscara. Por essa razão um procedimento de remoção de regiões
pequenas com base no tamanho da imagem e, uma limiarização (via Otsu) no canal de
Saturação da região da máscara é realizado. Esses passos estão descritos no algoritmo 4.3.
O uso de uma porcentagem de 0.3% para remoção de regiões pequenas foi deter-
minado de maneira experimental.
Com o uso dos procedimentos descritos obtém-se uma máscara correspondente a
porção de carne de frango na imagem.
8 % C r i a ç ão da má s c a r a bi n á r i a
9 mask = R & G & B ;
10 % Remoç ão de r e g i õ e s pequenas
11 mask = bwareaopen ( mask , f l o o r ( ( s i z e ( mask , 1 ) * s i z e ( mask , 2 ) ) * 0 . 0 5 ) )
;
Após esse passo a imagem possui o aspecto demonstrado na figura 9, sendo que os
focos de iluminação foram espalhados, devido ao borramento.
49
𝐼𝑟 = 255 − 𝐼𝑏 ,
Nessa etapa, a imagem processada possui atenuação nas regiões com focos de
iluminação. Todavia, somente a informação de brilho (luminância) é relevante para o
processo de normalização. Por essa razão, o canal de intensidade (V) do espaço HSV é
extraído da imagem invertida, como é demostrado no trecho 4.6.
𝐼 2×𝑀
(︃ )︃
𝐸= × 𝐼+ × (255 − 𝐼) ,
255 255
2 % de forma a e v i t a r o v e r f l o w de p i x e l .
3 R = double ( im ( : , : , 1 ) ) ;
4 G = do uble ( im ( : , : , 2 ) ) ;
5 B = d ouble ( im ( : , : , 3 ) ) ;
6 % A p l i c a ç ão da equa ç ão de Overlay a cada c a n a l
7 R_eq = u i n t 8 ( (R/255) . * (R+(2*im_des /255) .*(255 −R) ) ) ;
8 G_eq = u i n t 8 ( (G/255) . * (G+(2*im_des /255) .*(255 −G) ) ) ;
9 B_eq = u i n t 8 ( (B/255) . * (B+(2*im_des /255) .*(255 −B) ) ) ;
10 % Imagem r e s u l t a n t e
11 im_eq = c a t ( 3 , R_eq , G_eq , B_eq) ;
5 PRÓXIMOS PASSOS
1. Realização de Testes;
2. Correção de Problemas;
REFERÊNCIAS
[3] WU, D.; SUN, D.-W. Colour measurements by computer vision for food quality
control – a review. Trends in Food Science & Technology, v. 29, n. 1, p. 5–20, 2013.
ISSN 0924-2244. Disponível em: <http://www.sciencedirect.com/science/article/
pii/S0924224412001835>.
[4] JACKMAN, P.; SUN, D.-W.; ALLEN, P. Recent advances in the use of computer
vision technology in the quality assessment of fresh meats. Trends in Food Science
& Technology, v. 22, n. 4, p. 185 – 197, 2011. ISSN 0924-2244. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0924224411000094>.
[6] ZHANG, L.; BARBUT, S. Rheological characteristics of fresh and frozen pse, normal
and dfd chicken breast meat. British Poultry Science, v. 46, n. 6, p. 687–693, 2005.
PMID: 16428111. Disponível em: <http://dx.doi.org/10.1080/00071660500391516>.
[7] GIROLAMI, A. et al. Measurement of meat color using a computer vision system.
Meat Science, v. 93, n. 1, p. 111 – 118, 2013. ISSN 0309-1740. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S030917401200277X>.
[9] GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing (3rd Edition). Upper
Saddle River, NJ, USA: Prentice-Hall, Inc., 2006. ISBN 013168728X.
[12] HUNT, R. W. G. The reproduction of colour. [S.l.]: John Wiley & Sons, 2005.
56
[13] ROSSEL, R. V. et al. Colour space models for soil science. Geoderma, Elsevier,
v. 133, n. 3, p. 320–337, 2006.
[14] HUNT, R. W. G.; POINTER, M. R. Measuring colour. [S.l.]: John Wiley & Sons,
2011.
[15] SURAL, S.; QIAN, G.; PRAMANIK, S. Segmentation and histogram generation
using the hsv color space for image retrieval. In: Image Processing. 2002. Proceedings.
2002 International Conference on. [S.l.: s.n.], 2002. v. 2, p. II–589–II–592 vol.2.
ISSN 1522-4880.
[16] VALOUS, N. A. et al. Colour calibration of a laboratory computer vision system for
quality evaluation of pre-sliced hams. Meat Science, v. 81, n. 1, p. 132 – 141, 2009.
ISSN 0309-1740. Disponível em: <http://www.sciencedirect.com/science/article/
pii/S0309174008002325>.
[18] CHMIEL, M.; SłOWIńSKI, M.; DASIEWICZ, K. Lightness of the color measured
by computer image analysis as a factor for assessing the quality of pork meat.
Meat Science, v. 88, n. 3, p. 566 – 570, 2011. ISSN 0309-1740. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0309174011000714>.
[19] CHMIEL, M. et al. Use of computer vision system (cvs) for detection of
PSE pork meat obtained from m. semimembranosus. LWT - Food Science
and Technology, v. 65, p. 532 – 536, 2016. ISSN 0023-6438. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0023643815301158>.
[20] QUEVEDO, R. et al. Color changes in the surface of fresh cut meat: A fractal
kinetic application. Food Research International, v. 54, n. 2, p. 1430 – 1436, 2013.
ISSN 0963-9969. Disponível em: <http://www.sciencedirect.com/science/article/
pii/S0963996913005449>.
[21] GIROLAMI, A. et al. Image analysis with the computer vision system and
the consumer test in evaluating the appearance of lucanian dry sausage. Meat
Science, v. 96, n. 1, p. 610 – 616, 2014. ISSN 0309-1740. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0309174013004907>.
[22] TRINDERUP, C. H.; KIM, Y. H. B. Fresh meat color evaluation using a structured
light imaging system. Food Research International, v. 71, n. 0, p. 100 – 107, 2015.
ISSN 0963-9969. Disponível em: <http://www.sciencedirect.com/science/article/
pii/S0963996915000745>.
[23] CHANG, C.-I. Hyperspectral data exploitation: theory and applications. [S.l.]: John
Wiley & Sons, 2007.
[24] SHARIFZADEH, S. et al. Supervised feature selection for linear and non-linear
regression of L*a*b* color from multispectral images of meat. Engineering
Applications of Artificial Intelligence, v. 27, n. 0, p. 211 – 227, 2014. ISSN
57
[26] WANG, C.; LI, Y.; WANG, C. An efficient illumination compensation based on
plane-fit for face recognition. In: Control, Automation, Robotics and Vision, 2008.
ICARCV 2008. 10th International Conference on. [S.l.: s.n.], 2008. p. 939–943.
[27] AN, G.; WU, J.; RUAN, Q. An illumination normalization model for face
recognition under varied lighting conditions. Pattern Recognition Letters,
v. 31, n. 9, p. 1056 – 1067, 2010. ISSN 0167-8655. Disponível em: <http:
//www.sciencedirect.com/science/article/pii/S0167865510000309>.
[29] LIAN, Z.; ER, M. J.; LIANG, Y. A novel efficient local illumination compensation
method based on DCT in logarithm domain. Pattern Recognition Letters,
v. 33, n. 13, p. 1725 – 1733, 2012. ISSN 0167-8655. Disponível em: <http:
//www.sciencedirect.com/science/article/pii/S0167865512001675>.
[31] STRUC, V. The INface toolbox v2.0 for illumination invariant face recognition.
2010. Disponível em: <http://www.mathworks.com/matlabcentral/fileexchange/
26523-the-inface-toolbox-v2-0-for-illumination-invariant-face-recognition>.
[32] CHEN, K.-N.; CHEN, C.-H.; CHANG, C.-C. Efficient illumination compensation
techniques for text images. Digital Signal Processing, v. 22, n. 5, p. 726 – 733, 2012.
ISSN 1051-2004. Disponível em: <http://www.sciencedirect.com/science/article/
pii/S1051200412000826>.
[33] The GIMP Documentation Team. Layer Modes – GNU Image Manipulation
Program (Gimp) documentation. 2014. Disponível em: <http://docs.gimp.org/en/
gimp-concepts-layer-modes.html>.
[34] RUZON, M. RGB and CIELAB Converters. 2009. Disponível em: <http:
//robotics.stanford.edu/~ruzon/software/rgblab.html>.