SAULO MARTIELLO MASTELINI

MÉTODO AUTOMATIZADO PARA DETERMINAÇÃO DE

COR EM CARNE DE FRANGO E NORMALIZAÇÃO DE
EFEITOS DE LUMINOSIDADE

LONDRINA–PR
2015
 SAULO MARTIELLO MASTELINI

MÉTODO AUTOMATIZADO PARA DETERMINAÇÃO DE

COR EM CARNE DE FRANGO E NORMALIZAÇÃO DE
EFEITOS DE LUMINOSIDADE

Versão Preliminar de Trabalho de Conclusão

de Curso apresentado ao curso de Bachare-
lado em Ciência da Computação da Univer-
sidade Estadual de Londrina para obtenção
do título de Bacharel em Ciência da Compu-
tação.

Orientador: Prof. Dr. Sylvio Barbon Júnior

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.

Orientador: Prof. Dr. Sylvio Barbon Júnior

– Universidade Estadual de Londrina, 2015.

1. Visão Computacional. 2. Cor. I. Sylvio Barbon Júnior. II. Universidade

Estadual de Londrina. III. Faculdade de xxx. IV. Método Automatizado para De-
terminação de Cor em Carne de Frango e Normalização de Efeitos de Luminosidade

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.

Palavras-chave: Visão Computacional. Cor. Normalização de Luminosidade. Qualidade

de Alimentos. Carne de Frango.
MASTELINI, S. M.. Automated Method for Poultry Meat Color Determination
and Normalization of Luminosity Effects. 57 p. Final Project – Draft Version (Ba-
chelor of Science in Computer Science) – State University of Londrina, Londrina–PR,
2015.

ABSTRACT

Abstract text.

Keywords: Computer Vision. Color. Luminosity Normalization. Food Quality. Poultry

Meat.
 LISTA DE ILUSTRAÇÕES

Figura 1 – Representação da vizinhança de 4 pixels . . . . . . . . . . . . . . . . . 28

Figura 2 – Representação da vizinhança de 8 pixels . . . . . . . . . . . . . . . . . 28
Figura 3 – Representação de alguns espaços de cor orientados à Hardware . . . . . 33
Figura 4 – Representação de dois espaços de cor orientados à Percepção Humana. 34
Figura 5 – Representação do espaço de cor L*a*b* . . . . . . . . . . . . . . . . . . 35
Figura 6 – Cubo RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Figura 7 – Exemplo de Imagem obtida nos experimentos. . . . . . . . . . . . . . . 44
Figura 8 – Visão geral da metodologia desenvolvida. . . . . . . . . . . . . . . . . . 45
Figura 9 – Imagem da Amostra após a aplicação de Blur. . . . . . . . . . . . . . . 49
Figura 10 – Imagem da Amostra após inversão de cores. . . . . . . . . . . . . . . . 49
Figura 11 – Canal V (HSV) da imagem borrada e invertida. . . . . . . . . . . . . . 50
Figura 12 – Comparação entre a imagem original e após Normalização de Lumino-
sidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
 LISTA DE TABELAS

Tabela 1 – Cronograma de execução . . . . . . . . . . . . . . . . . . . . . . . . . . 53

 LISTA DE ALGORITMOS

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

CVS Computer Vision System

LANA Laboratório de Análise de Alimentos

Remid Redes e Mídias Digitais

 SUMÁRIO

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

A Visão Computacional e de Máquina engloba o estudo da percepção visual, bem

como as técnicas, métodos e mecanismos que podem ser empregados para a resolução de
problemas a partir da análise de cenas [1]. Um Sistema de Visão Computacional (Computer
Vision System) engloba um série de etapas para a resolução de tarefas com processamento
de imagens digitais, que vão desde a aquisição das imagens até a resposta do sistema [2].
O emprego de Visão Computacional aliada à técnicas de processamento de ima-
gens permite a modelagem de sistemas para tomada de decisões e avaliação de objetos
e/ou processos. Dessa maneira, é possível simular a ação tomada por um ser humano
a partir da interação de seu sistema de visão e cérebro. Para tal, a cena é processada,
visando a extração das regiões de interesse, bem como a eliminação de aspectos ruidosos
ou irrelevantes para o problema em questão.
Tendo em posse os elementos de interesse na cena, o uso de um sistema de visão
computacional permite a extração de características não-visuais dos objetos, tais como
tamanho, dados estatísticos, entre outros aspectos. Além disso, a análise realizada é não-
subjetiva, não está sujeita a cansaço ou fatores psicossociais, além de ser rápida e não
exigir a manipulação do objeto de interesse [3, 4].
Com o avanço da tecnologia no decorrer dos anos, os dispositivos de hardware
alcançaram desempenho suficiente para criação de aplicações com tempos de resposta
próximos ao real, e com custos relativamente baixos. Os dispositivos de aquisição de
imagem digital passaram a possuir alta qualidade representativa, além de serem capazes de
capturar além da faixa visível da luz, outras frequências úteis para análises (infravermelho,
por exemplo). Por essa razão, o emprego de sistemas de visão computacional é uma
alternativa viável para situações que envolvem a avaliação de características visuais de
uma cena ou objeto de estudo.
Tomadas de decisão, medidas de classificação e identificação de objetos são reali-
zados a todo tempo pelo ser humano com base em sua percepção visual. Por essa razão,
as possibilidades para a aplicação de Sistemas de Visão Computacional que simulem essas
ações são muito amplas.
Nesse âmbito, a classificação de alimentos é uma área de grande relevância, levando
em conta a importância dos alimentos na vida humana. Rotinas para classificação e avali-
ação de produtos estão presentes nas linhas de produção e, muitas vezes são realizadas de
maneira não-automatizada, o que impacta de maneira negativa em termos de velocidade
e subjetividade da análise, fatores que a implantação de um CVS tende a solucionar.
A carne é um dos produtos que requer grande controle de qualidade, uma vez
24

que se trata de um produto perecível e, passível de influências do ambiente, condições de

manejo, enfermidades, entre outros aspectos. Além disso, grandes importadores aplicam
regras rigorosas de controle, de modo a garantir a qualidade e procedência do produto
adquirido [4].
O mercado de carnes, como a de Frango, movimenta anualmente uma grande
quantidade de dinheiro. O Brasil nesse cenário está situado como o maior exportador de
carne de Frango e o terceiro maior produtor1 . A carne brasileira alcança 142 países, sendo
que gerou ao país, somente no primeiro trimestre de 2015, cerca de 1354, 568 milhões de
dólares 2 . Esses dados reforçam a importância de medidas de controle de qualidade desse
produto.
A avaliação da carne de frango é feita levando em consideração a análise da cor,
entre outros aspectos [5]. Quadros de PSE [6] (Pale, Soft, Exudative) na carne estão
relacionados com a cor, além de grandezas como o PH e a capacidade de retenção de água
[5, 6]. De fato, a cor é uma das primeiras características percebidas pelos consumidores nos
alimentos, sendo que geralmente a coloração de um produto é relacionada com aspectos
como sabor, textura, valor nutricional, tempo de armazenamento e grau de satisfação [7].
Frequentemente, a análise de cores é realizada através de uma abordagem instru-
mental, com o emprego de um aparelho chamado colorímetro, que a partir de um processo
de calibração em um padrão conhecido, mede o valor das cores a partir do contato de um
sensor com a amostra. O colorímetro possui uma fonte de luz que ao ser emitida entra em
contato com a superfície do objeto em análise e é refletida, sendo medida pelo aparelho
e, assim gerando um valor de coloração.
Esse tipo de abordagem não cobre toda a superfície da amostra, uma vez que a área
de amostragem do aparelho é uma área circular com cerca de 11 milímetros de diâmetro
[8]. Além disso, existe a possibilidade de amostragem em regiões fora do interesse (como
pele e gordura), ou mesmo escolhas tendenciosas, de maneira a se evitar regiões com
coloração anormal, por exemplo. Vale ressaltar ainda, que esse tipo de análise envolve o
contato e manipulação da amostra, ou seja, degradando-a.
Para rotinas de larga escala, como frigoríficos, o emprego da abordagem instrumen-
tal acaba tornando o processo de avaliação lento, atrelado a possíveis erros de amostragem,
além de impossibilitar a análise individual de cada amostra. O uso de um Sistema de Visão
Computacional pode possibilitar a resolução dos problemas apresentados, uma vez que
atinge velocidades próximas a real, não envolve contato com as amostras, parte de uma
análise de toda a superfície da carne (a nível de pixel), e é aplicável à rotinas de grande
escala, além de apresentar custos reduzidos em relação à aquisição de um colorímetro.

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

Aplicações na área tem sido desenvolvidas utilizando diferentes tipos de fontes

para a aquisição das imagens e abordagens para obtenção dos valores de cor. Todavia, um
aspecto ainda pendente na área é o tratamento de condições adversas de iluminação no
ambiente. Trabalhos laboratoriais tem sido desenvolvidos utilizando ambientes isolados de
luz externa, bem como com iluminação controlada, buscando o máximo de uniformidade
na incidência de luz sobre a superfície das amostras. Esse tipo de análise obtém resultados
satisfatórios quanto aos valores obtidos, mas ainda não é adequada para ambientes de
produção em larga escala. O desenvolvimento de uma abordagem para Normalização dos
Efeitos de Luminosidade provenientes do ambiente aumenta a aplicabilidade do sistema,
possibilitando sua implantação em ambientes diversos, sem a existência de um controle
rígido da iluminação incidente.

1.1 Objetivos e Contribuições

Este trabalho objetiva desenvolver uma metodologia automatizada para a deter-

minação de cor em pedaços de carne de frango, através do uso de Visão Computacional
e técnicas de processamento de imagens digitais, de modo a apresentar uma alternativa
ao uso do colorímetro. O sistema proposto, além de ser automático, deve apresentar um
desempenho próximo ao tempo real, de modo a permitir sua implantação em ambientes
de produção, e deve separar somente os objetos de interesse na cena para a análise, no
caso a carne.
Além disso, o sistema deve tratar efeitos de luminosidade adversos provenientes do
ambiente onde a imagem é adquirida, normalizando e balanceando a luz incidente sobre
a cena capturada, dessa forma oferecendo robustez na análise da cor e, permitindo assim,
sua implantação em locais de produção com iluminação não-controlada.
A partir do momento que a metodologia proposta ofereça robustez, um processo
automático, sem contato com as amostras e com velocidade de processamento satisfatória,
esta é adequada para implantação em um ambiente de produção de larga escala, como
um frigorífico, sem que haja a necessidade de intervenção de um especialista treinado, que
está sujeito a efeitos do cansaço, bem como situações psicológicas adversas.

1.2 Organização do Trabalho

O Trabalho está organizado da seguinte forma:

(A TERMINAR DE SE DEFINIR)
 27

2 FUNDAMENTAÇÃO TEÓRICA

Para a execução desse trabalho, fez-se necessário a compreensão de conceitos cor-

relatos à área de processamento de imagens, Visão Computacional, Percepção de Cores,
Normalização de Efeitos de Luminosidade e análise de qualidade em carne de Frango.
Para melhor entendimento, as seções a seguir apresentam um conjunto de técnicas
e conceitos correlatos ao trabalho.

2.1 Processamento de Imagens Digitais

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].

2.1.1 Escala de Cinza e Imagens Coloridas

Em relação à representação das tonalidades nas imagens, normalmente se tem duas

formas representativas: imagens em tons/escala de cinza e imagens coloridas.
O primeiro grupo é referente à imagens onde as tonalidades são representadas
através da variação tonal de intensidades, que vão geralmente do 0 (preto) até o 255
(branco), abrangendo os valores de cinza intermediários, ou tons de cinza. Imagens podem
conter menor variação tonal, ou seja, menos do que 256 tons de cinza; isso implica em
menor possibilidade de representação de variações de intensidades.
Além de imagens em tons de cinza, uma cena pode ser representada através de
28

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.

2.1.2 Vizinhança de Pixel

Quanto à localização espacial dos pixels, um conceitos recorrente é o termo vizi-

nhança. Pixels imediatamente adjacentes a um dado pixel em análise são chamados de
pixels vizinhos.
Para um dado pixel 𝑝(𝑥, 𝑦) em uma imagem bidimensional, onde 𝑥 e 𝑦 representam
as coordenadas espaciais do mesmo, são definidos dois tipos de vizinhança: de 4 e 8 pixels.
A vizinhança de 4 pixels é formada pelos pontos imediatamente adjancentes ao
ponto (𝑥, 𝑦) na vertical (variação em 𝑦) e horizontal (variação em 𝑥). Assim, os pontos
levados em consideração na vizinhança são: 𝑝(𝑥 − 1, 𝑦), 𝑝(𝑥, 𝑦 − 1), 𝑝(𝑥 + 1, 𝑦) e 𝑝(𝑥, 𝑦 + 1).
A figura 1 é uma representação da vizinha de 4 pixels. O retângulo central (em
cinza) representa o ponto 𝑝(𝑥, 𝑦), enquanto que os retângulos em preto são os seus vizinhos.

Figura 1 – Representação da vizinhança de 4 pixels

A vizinhança de 8 pixels leva em consideração além dos vizinhos na horizontal e

vertical, os pontos nas diagonais. Dessa forma, as coordenadas levadas em consideração
são: 𝑝(𝑥 − 1, 𝑦), 𝑝(𝑥 − 1, 𝑦 − 1), 𝑝(𝑥, 𝑦 − 1), 𝑝(𝑥 + 1, 𝑦 − 1), 𝑝(𝑥 + 1, 𝑦) e 𝑝(𝑥, 𝑦 + 1).
A figura 2 apresenta uma representação da vizinha de 8 pixels. Os retângulos pretos
representam a vizinhança.

Figura 2 – Representação da vizinhança de 8 pixels

 29

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.

2.3 Segmentação de Objetos

Um dos principais problemas tratados no processamento de imagens é a separação

de um objeto em uma cena de seu fundo. Esse processo é denominado segmentação.
Quando um dado objeto não possui muitos detalhes em sua superfície, o processo de
segmentação pode ser entendido como a separação de uma imagem em um número de
regiões, cada qual tendo um alto nível de uniformidade em algum parâmetro, tal como cor,
brilho, textura, entre outros [1]. Muitas vezes esse processo não é trivial, sendo influenciado
por aspectos do ambiente ou a própria complexidade dos objetos/fundo na imagem.
Como solução para esse tipo de problema, algumas técnicas tem sido empregadas,
tais como Crescimento de Região e Thresholding (limiarização). Esses dois conceitos serão
abordados a seguir.

2.4 Crescimento de Região

Técnica utilizada na segmentação de objetos, consiste em agrupar pixels de uma

dada intensidade, ou outra propriedade de interesse, de forma sucessiva gerando regiões
maiores até que o processo de segmentação esteja completo. Pontos adjacentes com valores
de intensidade muito diferentes não devem ser agrupados; todavia, deve ser permitido o
agrupamento com um certo nível de variação de valores, lidando assim com variações de
iluminação, e propriedades do objeto analisado [1]. Essa técnica tende a ser limitada pela
existência de ruídos e regiões desconexas, além do fato de possuir custo computacional
30

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.

2.5 Thresholding (limiarização)

Quando um objeto, ou mesmo o fundo possui algum valor de intensidade, ou

propriedade uniforme é possível se definir um limiar de intensidade para separação, através
do qual o(s) objeto(s) pode(m) ser separado(s) do fundo [1]. Esse tipo de técnica para
segmentação é chamada de Thresholding.
A partir do valor determinado para limiar, a imagem é binarizada (dois tons ape-
nas, comumente preto e branco). O processo é realizado da seguinte maneira:
Imaginando um cenário com um valor 𝑡 de limiar, 𝑙0 e 𝑙𝑓 os valores mínimo e
máximo de intensidade, respectivamente, utilizados para a binarização e 𝑝(𝑥, 𝑦) um pixel
de posição (𝑥, 𝑦). Para cada pixel na imagem é feita a análise condicional

“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]:

∙ Threshold global: um único valor aplicado à toda a imagem;

∙ Threshold local: um valor de limiar é definido para cada pixel;

∙ Threshold adaptativo: utiliza uma ideia de separação da imagem em subregiões e,

para cada uma é determinado um valor de limiar.

Os valores de threshold são determinados através de metodologias variadas, que

envolvem a análise de histogramas (busca de picos e vales na distribuição de intensidade)
e de propriedades estatísticas, tais como variância e entropia.

2.5.1 Segmentação pelo método de Otsu

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.

2.6.1 Espaços de Cor

A visão humana percebe as cores através da variação de sensibilidade à diferentes

comprimentos de onda das células denominadas cones, presentes na retina. Existem três
tipos de células fotorreceptoras (cones), com picos de sensibilidade em comprimentos de
onda curtos (cores “azuladas”, 420 − 440 nm), médios (cores “esverdeadas”, 530 − 540
nm) e longos (cores “avermelhadas”, 560 − 580 nm) [12].
Uma sensação de cor, não importando quão complexa seja, pode ser descrita pelos
olhos através de três componentes de cor. Esses componentes chamados de valores de
“tristimulus”, estão relacionados aos três tipos de cones existentes na visão humana e a
extensão em que cada tipo é estimulado [3]. Um espaço de cor, também chamado de modelo
de cor ou ainda sistema de cor representa a definição de um padrão para representação
das cores. De maneira geral, trata-se da definição de um sistema de coordenadas e um
subespaço dentro deste, de modo que uma cor é representada através de um (único) ponto
nesse subespaço [9]. Em um espaço de cor os valores de tristimulus estão relacionados a
cores [3].
32

Outras grandezas utilizadas para a caracterização da cor são o brilho (Brightness),

a Matiz (Hue) e a Saturação (Saturation). O brilho se relaciona à uma noção acromática
de intensidade, que não possui uma unidade de medida definida, sendo empregado, por
exemplo, na representação de imagens em tons de cinza. A matiz se relaciona com o
comprimento de onda dominante entre todos que compõem a percepção da cor, ou seja,
a cor dominante. Quando um dado objeto é denominado azul, vermelho, ou de qualquer
outra cor, refere-se à sua matiz. Por fim, a saturação está relacionada a pureza da cor, ou
à quantidade de luz branca misturada à matiz. As cores de espectro puro são totalmente
saturadas, enquanto que cores com adição de branco possuem saturação inversamente
proporcional à quantidade de branco adicionada [9].
Composições entre cores, além do uso de componentes como a Matiz, Saturação
e Brilho são empregados em diversos espaços de cor para representação das variadas
colorações. Dependendo da finalidade às quais são aplicados e/ou o modo como as cores
são representadas, os sistemas de cores podem ser categorizados. Essa forma forma de
separação será comentada a seguir.

2.6.2 Tipos de Espaços de Cor

Alguns espaços de cor foram desenvolvidos de maneira a facilitar a manipulação

das diferentes colorações por humanos, outros são voltados à aplicações científicas, outros
ainda, voltados à dispositivos ou meios de exibição e processamento de dados. Dependendo
de sua finalidade os modelos de cores podem ser divididos em três categorias, a saber:
espaços Orientados à Hardware, Orientados à Visão (Percepção) Humana e Espaços de
Cor Instrumentais [3]. Cada categoria será descrita nas subseções seguintes.

2.6.2.1 Espaços de Cor Orientados à Hardware

Os espaços de cor orientados à hardware são propostos para tarefas processamento

de hardware, tais como aquisição, armazenamento e exibição de imagens. São capazes
de detectar pequenas variações de coloração e são voltados para aplicações específicas.
Como o espaço orientado à hardware mais popular, o espaço RGB (Red, Green, Blue), é
definido por coordenadas em três eixos (Vermelho, Verde e Azul), essa é a maneira como
câmeras câmeras tendem a representar as cenas capturadas, assim como as imagens são
exibidas em telas de televisores, monitores, smartphones e nos projetores. Outros espaços
notáveis nessa categoria são os modelos de cor YIQ (Luminance, in-phase, quadrature)
e CMY/CMYK (Cyan, Magenta, Yellow, Black), que são empregados principalmente na
transmissão de sinais de televisão e dispositivos de impressão, respectivamente [3]. Para
o espaço CMYK, um valor extra de preto (black) é adicionado, devido à natureza dos
materiais onde as imagens são impressos, bem como os pigmentos utilizados, de forma
que a cor preta não é obtida através de misturas.
 33

Na figura 3 é apresentada a representação dos espaços RGB (3a) e YIQ (3b) e

CMY (3c).

(a) Espaço de Cor RGB (b) Espaço de cor YIQ

(c) Espaço de cor CMY

Figura 3 – Representação de alguns espaços de cor orientados à Hardware1 .

2.6.2.2 Espaços de Cor Orientados à Percepção Humana

Espaços de cor orientados à visão humana estão relacionados à conceitos como

coloração e tonalidade, que são definidos de forma intuitiva por um artista. De maneira
geral, são baseados nas grandezas Matiz e Saturação, descritas anteriormente, e um com-
ponente de brilho ou iluminação. São exemplos nessa categoria os espaços HSV (Hue,
Saturation, Value), HSB (Hue, Saturation, Brightness), HSI (Hue, Saturation, Intensity)
e HSL (Hue, Saturation, Lightness). Diferentemente dos espaços orientados à Hardware,
que utilizam coordenadas cuboidais para a definição das cores, os espaços do tipo “HS”
(Hue, Saturation) utilizam coordenadas cilíndricas. Uma vez que são desenvolvidos com
base na percepção visual dos olhos humanos, as mensurações de cores são mais intuitivas
1
Adaptado de [3]
34

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).

(a) Espaço de Cor HSV2 (b) Espaço de cor HSL3

Figura 4 – Representação de dois espaços de cor orientados à Percepção Humana.

2.6.2.3 Espaços de Cor Instrumentais

Espaços instrumentais são empregados em instrumentos de mensuração de cor.

Muitos dos espaços instrumentais são padronizados pelo CIE (Commission Internationale
d’Eclairage), sob uma série de condições padrão, tais como: iluminantes e observadores
[13].
Diferentemente dos espaços orientados à hardware, que possuem saídas diferentes
dependendo do dispositivo, as cores nos espaços instrumentais possuem as mesmas coor-
denadas independente do dispositivo de saída. O CIE XYZ é um espaço matematicamente
definido criado pelo CIE em 1931, baseado na percepção fisiológica da luz. No espaço XYZ
três funções de correspondência de cores, coletivamente denominadas Observador Padrão,
são relacionados aos cones vermelhos, verdes e azuis dos olhos humanos. Foi criado para
resolver o problema da incapacidade de se estimular apenas um tipo de cone e o fato de
não haver componente para descrever o brilho percebido [14]. Nesse espaço, o Y representa
a iluminação/claridade, enquanto que X e Z são componentes primários virtuais, que se
“comportam” como a curva de sensibilidade dos cones vermelhos e azuis [3].
A variação de cores no espaço XYZ não atua de maneira uniforme e, por essa
razão, dois espaços foram desenvolvidos a partir de transformações não-lineares do espaço
XYZ. Esses espaços são denominados CIE 1976 (L*a*b*), também chamado de CIELAB
2
Disponível em: <https://upload.wikimedia.org/wikipedia/commons/0/00/HSV_color_solid_cone_
chroma_gray.png>
3
Disponível em: <https://upload.wikimedia.org/wikipedia/commons/2/2d/HSL_color_solid_
dblcone.png>
 35

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.

Figura 5 – Representação do espaço de cor L*a*b*4 .

2.6.3 Espaços de Cor Empregados no Trabalho

A seguir são descritas, de maneira mais detalhada, as características de três espaços

de cor empregados na metodologia desenvolvida no trabalho. A saber: RGB, HSV, 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

Figura 6 – Representação do Espaço RGB no sistema cartesiano5 .

Na origem se encontra o preto, enquanto que no canto mais distante da origem, o

valor é branco. A diagonal entre a cor preta e branca contém os tons de cinza, ou seja,
valores as três coordenadas iguais.
As outras cores estão contidas dentro do cubo e, são representadas por vetores a
partir da origem. Por conveniência os valores das cores/coordenadas estão normalizados
no intervalo de [0, 1] [9].
Uma cena representada no espaço RGB é composta por três imagens: uma para
cada cor primária, sendo que estas são combinadas para a reprodução em dispositivo
qualquer, como um monitor. O número de bits utilizados para representar cada pixel é
denominado pixel depth, ou profundidade de pixel. Tomando-se como exemplo um cenário
onde cada componente RGB é formado por 8 bits, tem-se uma imagem de 24 bits, ou seja,
cada pixel é representado através de 24 bits, com valores que variam de 0 à 255 para cada
componente. Nesse cenário, existe a possibilidade de representação de (28 )3 = 16, 777, 216
cores. Em aplicações práticas, tais como cores utilizadas em sites da internet, utiliza-se
um número mais limitado de valores, levando em conta a capacidade de representação de
variação das cores dos dispositivos de saída, bem como a incapacidade de diferenciação
de cores muito semelhantes pelo ser humano [9].
Como comentado anteriormente, o espaço RGB é um dos mais largamente em-
pregados, sendo utilizado em monitores, televisores, câmeras, projetores, entre muitos
outros.

5
Disponível em: <http://zone.ni.com/images/reference/en-XX/help/372916P-01/rgb_cube_localize.
gif>
 37

2.6.3.2 HSV

Diferentemente do espaço RGB, o modelo HSV separa a cromaticidade dos valores

de intensidade e vivacidade da cor, se aproximando mais da maneira como o ser humano
percebe as cores. De fato, descrever uma cor no sistema HSV tende a ser mais simples do
que se definir porcentagens das cores primárias (Vermelho, Verde e Azul) de maneira a se
formar um dado tom [9].
O espaço de cor HSV é formado pela Matiz (Hue – H), a Saturação (Saturation
– S) e Valor (Value – V). Nesse modelo o valor de H descreve o principal comprimento
de onda da cor, ou seja, a principal coloração percebida. A Saturação define a pureza da
cor ou quantidade de branco adicionado à cor, que de maneira intuitiva pode ser descrita
como a “vivacidade” da cor: cores mais vivas possuem menor adição de branco. Por fim,
o Valor descreve uma noção acromática de intensidade, que pode ser relacionada com o
brilho [9].
Segundo a representação do modelo, apresentada na figura 4a, o componente H
pode ser descrito como um ângulo, com domínio entre [0, 2𝜋]. A Saturação pode ser
compreendida como a distância radial (a partir do centro) do cone que representa o
sistema HSV, sendo que assume valores entre [0, 1]. O componente de intensidade pode
ser compreendido como o eixo vertical do cone e possui valores pertencentes ao intervalo
[0, 1] [15].

2.6.3.3 L*a*b*

O espaço CIE L*a*b*, como comentado anteriormente é um modelo instrumental,

sendo empregado em análises de coloração diversas. É, também um espaço que independe
de dispositivos, ou seja, independente do hardware no qual é representado, o valor tonal
é o mesmo [3]. É adotado como um padrão internacional para medição de cor [7], sendo
empregado em vários dispositivos para esse fim.
O modelo em questão representa de forma separada a cromaticidade e a lumino-
sidade de uma cor. O componente L* (Lightness) representa a luminosidade da cor, e vai
de 0 (preto) até 100 (branco). Os parâmetros 𝑎* (que vai do verde, se negativo, até o
vermelho, quando positivo) e 𝑏* (do azul, se negativo, até o amarelo, se positivo) são os
componentes cromáticos, e variam entre −120 e 120 [7].
A partir dos componentes desse sistema, representado na figura 5 é possível se
calcular duas grandezas muito utilizadas na avaliação e mensuração da cor: chroma e o
ângulo de tonalidade
(︃ )︃(Hue Angle). Sendo que o valor de chroma é obtido a partir da
𝑏* √︁
expressão arctan e o Hue Angle é obtido a partir de 𝑎2* + 𝑏2* [7].
𝑎*
 39

3 TRABALHOS RELACIONADOS

Estudos relacionados à determinação de cor em carne tem sido realizados utilizando

variadas abordagens para aquisição das imagens, processamento e mensuração da cor.
Em [16] é investigado um procedimento para calibração de um Sistema de Vi-
são Computacional para determinação de cor em presunto. Diversos ajustes na câmera
utilizada são realizados, além de que um ambiente com iluminação controlada é empre-
gado. Para a calibração, ou seja, adequar as cores obtidas nas imagens com um padrão
conhecido, são utilizados os chamados “Color Checkers”, que consistem em palhetas com
diversas cores, cujos valores no espaço L*a*b* são conhecidos. Os autores destacam que
a heterogeneidade do material analisado influencia nos valores obtidos de cor.
Similarmente, no artigo [17] um modelo para calibração de um CVS e regressão
de valores RGB para L*a*b*, utilizado na avaliação de presuntos, é proposto. Uma taxa
baixa de erro é obtida, todavia, trata-se de um modelo com iluminação controlada e nem
toda a superficie da amostra é analisada, determinando uma área central de tamanho fixo.
Color checkers são também empregados para a calibração do sistema.
Nos dois trabalhos apresentados anteriormente, o processo de calibração do sistema
é realizado previamente à aquisição das imagens, uma vez que ambientes controlados foram
empregados, assim, teoricamente não estando sujeitos à variações de condições.
No trabalho apresentado em [18], os autores utilizam a Luminosidade da cor para
buscar um correlação com quadros de PSE (Pale, Soft, Exudative) em carne suína. Esse
tipo de situação está relacionada à desagregação de valores da carne, bem como ao grau
negativo de aceitabilidade pelo consumidor. Os componentes R, G e B do espaço de cor
RGB e os componentes V e L, dos espaços HSV e HSL, respectivamente, são empregados
para buscar valores de correlação com o componentes L* (L*a*b*), bem como com valores
de PH e condutividade elétrica, obtidos de forma instrumental. Recentemente, em [19], os
mesmos autores utilizam os mesmos componentes citados, de forma a classificar a carne
suína em duas classes: PSE e RFN (red, firm, normal, non-exudative). Os valores de
PH e L* (obtidos por correlação com os componentes R, G, B, V e L) são empregados
para detecção de um quadro de PSE na carne suína. Vale ressaltar, que a segmentação
das amostras do fundo é feita de maneira empírica e, o processo geral de avaliação é
não-automatizado.
O uso da dimensão fractal na análise da variação de coloração com relação ao
tempo, em carne bovina, é realizado em [20]. Neste trabalho, propõe-se uma análise al-
ternativa à abordagem instrumental e a avaliação de valores médios de coloração, levando
em conta toda a distribuição de cor sob a amostra escolhida. Vale ressaltar que o ambiente
40

utilizado para a análise é não-controlado, todavia nenhuma metodologia para ajuste de

influências de iluminação externa é adotada. Além disso, a porção utilizada para análise
de cada pedaço de carne é pequena, não abrangendo toda a superfície do músculo em
análise, fato justificado pelos autores pela heterogeneidade do material. O método é ca-
paz de descrever a variação da hemoglobina (responsável pela coloração avermelhada da
carne) no decorrer do tempo.
No trabalho desenvolvido em [7], uma análise não automatizada com o emprego do
Photoshop1 é realizada. A mensuração de cor é realizada em carne bovina, suína, de frango
e peru em um ambiente controlado. Para validação utiliza-se além de valores obtidos com
uma abordagem instrumental, uma comparação com técnicos (painelistas) treinados. O
trabalho ressalta que as cores geradas através do Sistema de Visão Computacional estão
mais próximas às cores percebidas pelos painelistas, enquanto que os valores gerados a
partir do colorímetro possuem um aspecto mais “acinzentado”. O trabalho realiza tam-
bém uma comparação entre o índice de penetração nas amostras da luz proveniente do
colorímetro e da iluminação pertencente ao CVS, concluindo que dependendo da espes-
sura da amostra analisada, a fonte de luz do colorímetro pode ser refletida pelo fundo,
gerando valores errôneos de cor. Mais uma vez a heterogeneidade da superfície das carnes
é ressaltada, apontando que está possui diferentes propriedades reflexivas para a luz, o
que reforça a necessidade de uma análise por toda sua extensão, e não somente de maneira
pontual (metodologia instrumental).
Uma análise de cor e porcentagem de gordura em “Salsichas Lucanianas” é reali-
zada em [21]. A abordagem é manual e realizada, também, em ambiente com iluminação
controlada. Os resultados são comparados com painelistas treinados, sendo que nova-
mente demonstra-se que um Sistema de Visão Computacional retrata de maneira mais
fiel a percepção da coloração percebida por um observador humano.
Outro trabalho que ressalta que as cores obtidas a partir do colorímetro são dife-
rentes das percebidas pelo técnicos treinadas, em detrimento dos valores gerados por um
CVS, é o estudo realizado em [22]. Neste, um sistema estruturado de iluminação é proje-
tado, em ambiente isolado e, várias regressões consolidadas na literatura são empregadas
para obtenção de valores de L*a*b a partir de RGB.
Até agora, todos os trabalhos apresentados utilizam como fonte de obtenção das
imagens câmeras convencionais (RGB). Uma outra alternativa corrente é o emprego de
sistemas multi-espectrais e hiper-espectrais, onde imagens representando a distribuição
de intensidade em diferentes comprimentos de onda são obtidas, aumentando muito a
fonte de informações para análise. A diferença básica entre sistema multi-espectrais e
hiper-espectrais está na quantidade de bandas, ou comprimentos de onda, analisados: no
primeiro, um certo número de faixas discretas não-necessariamente contíguas são anali-
1
<http://www.adobe.com/products/photoshop.html>
 41

sadas; no segundo um maior número de bandas é analisado, sendo que os comprimentos

tomados são contíguos [23].
No trabalho [24] um sistema multi-espectral é empregado para obtenção de valores
em CIELab de carnes bovina, suína, de frango, peru e vitela. São utilizadas regressões
linear, não-linear, baseada em Kernel e esparsa para obtenção dos valores convertidos,
após um processo de extração de características realizado de forma supervisionada. Os
valores obtidos pelos autores alcançam baixo índice de erro em relação a abordagem
instrumental, sendo que é destacado que a predição de valores de luminosidade obtém
níveis mais satisfatórios do que a cromaticidade.
Um ambiente com iluminação controlada, juntamente com um sistema multi-
espectral de imagens é empregado no artigo [8]. O trabalho visa comparar os resultados
obtidos por um Sistema Multi-Espectral de Visão Computacional e o colorímetro. No tra-
balho são utilizados vários tipos de carne frescas e processadas. Uma etapa intermediária
de obtenção de valores no espaço XYZ, para posterior conversão para L*a*b* é realizada.
O estudo destaca as diferenças obtidas entre o Sistema proposto pelos autores e os valores
obtidos através do colorímetro.
Um sistema hiper-espectral é proposto em [25]. O trabalho busca determinar além
da cor, os valores de PH e maciez para carne bovina. O processo de segmentação é empírico
e, de maneira experimental, as melhores faixas para obtenção dos parâmetros buscados
são determinadas pelos autores. Os valores buscados são obtidos através regressões e
comparados com a abordagem instrumental, alcançando resultados satisfatórios.
Em relação ao emprego de sistemas hiper-espectrais, [25] aponta que esse tipo de
metodologia é atualmente uma abordagem não-viável para rotinas de produção, devido ao
tamanho dos dispositivos necessários, bem como o tempo de análise dos dados. Reforça-se,
ainda, que um dos principais desafios para abordagens hiper-espectrais e multi-espectrais
é a determinação dos melhores comprimentos de onda para utilização na análise de carnes.
Ainda buscando embasamento para a realização do trabalho, em [3] é realizado
um estudo sobre o atual estado da arte em metodologias de mensuração de cor em di-
versos tipos de alimentos, através de Visão Computacional. O cenário do uso de Visão
Computacional para avaliação de qualidade em carnes é revisado em [4].
Nos trabalhos encontrados nenhuma metodologia para normalização de efeitos de
luminosidade foi empregada, uma vez que em sua maioria os ambientes eram controlados.
Em alguns casos, quando não havia controle de iluminação incidente, nenhuma aborda-
gem de correção via software foi empregada. Por essa razão, fez-se necessário um estudo
sobre técnicas de Normalização de Brilho e Luminosidade, aplicadas a outras áreas de
desenvolvimento e pesquisa.
Nos trabalhos [26, 27, 28, 29, 30] são apresentadas técnicas para compensação de
42

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

As seções a seguir descrevem a base de dados empregada no trabalho e a metodo-

logia de análise desenvolvida.

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

sendo submetidas de forma original à metodologia de análise proposta.

O valor da região branca das réguas Remid foi mensurado através do coloríme-
tro, sendo que estas foram posicionadas sobre uma prancheta (aproximadamente 2cm
de espessura) plástica branca, de maneira a se evitar influências do fundo no valor das
cores. Um valor único de cor foi determinado a partir da média das medições; a saber:
𝐿* 𝑎* 𝑏* (90.3, 0, 1.5) que corresponde ao valor 𝑅𝐺𝐵(199, 196, 191). Esse valor, em RGB, foi
empregado posteriormente na correção (calibração) das cores no sistema.
Na figura 7 um exemplo das imagens utilizadas nos experimentos é apresentado.

Figura 7 – Exemplo de Imagem obtida nos experimentos.

4.2 Metodologia proposta

A metodologia proposta consiste em, primeiramente, se isolar (segmentar) as re-

giões de interesse na cena, que consistem do músculo e das réguas Remid. Tendo em posse
esses objetos, um processo de normalização de efeitos de iluminação é realizado, para em
seguida passar por um procedimento de calibração de cores na imagem, no qual coeficien-
tes de correção de cor são determinados a partir das réguas e aplicados a imagem original;
após esse passo se obtém os valores de L*a*b* para cada região da amostra, se extraindo
também informações estatísticas relevantes sobre as áreas analisadas.
A figura 8 apresenta de forma sintética os procedimentos realizados na metodologia
proposta.
 45

Figura 8 – Visão geral da metodologia desenvolvida.

A metodologia criada foi totalmente escrita em Matlab, levando em consideração

a agilidade e facilidade de desenvolvimento, além da eficiência em processamento de ima-
gens. Cada imagem na base de dados foi lida do disco e submetida ao processo descrito
anteriormente. Para a leitura dos arquivos se utilizou a sequência de comandos descrita
no algoritmo 4.1.

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

A seguir, cada etapa da metodologia será detalhada, destacando-se os passos rea-

lizados e comandos em Matlab utilizados.

4.2.1 Segmentação

O primeiro passo na metodologia consiste em se obter as duas Regiões de Interesse

(ROI s), correspondentes à carne e as Réguas Remid, o que é realizado de forma separada,
utilizando como base conversões de espaços de cor, limiarização e crescimento de região.
Os procedimentos utilizados para a segmentação dos objetos relevantes na cena
serão descritos nas subseções a seguir.
 46

4.2.1.1 Segmentação da Carne

O procedimento para segmentação da carne da cena está pautado no fato de existir

grande contraste entre a coloração do fundo empregado e o músculo propriamente dito.
Todavia, a utilização do espaço RGB, onde as imagens estão originalmente representadas,
não oferece meios facilitados para a determinação de um valor de corte, uma vez que a
manipulação da tonalidade, ou Matiz, é realizada através da combinação de intensidade
de três componentes (R, G e B) e, não existe contraste suficiente para binarização utili-
zando somente um canal para análise. Por essa razão, a imagem é convertida para uma
representação em HSV, onde o canal H é tomado e, sobre este, um valor de limiar é deter-
minado, através da técnica desenvolvida por Otsu [10]. Um filtro de mediana é aplicado
na imagem antes do processo de limiarização, de modo a eliminar possíveis ruídos.
O trecho de código 4.2 apresenta o processo de aplicação do filtro de mediana,
conversão para HSV, separação do canal H, determinação e aplicação do limiar para
binarização.

Algoritmo 4.2 – Primeira etapa da segmentação da carne.

1 % s e p a r a ç ão dos c a n a i s
2 R = imdata ( : , : , 1 ) ;
3 G = imdata ( : , : , 2 ) ;
4 B = imdata ( : , : , 3 ) ;
5 % mediana
6 R = m e d f i l t 2 (R, [ 3 3 ] ) ;
7 G = m e d f i l t 2 (G, [ 3 3 ] ) ;
8 B = m e d f i l t 2 (B , [ 3 3 ] ) ;
9 % c o n c a t e n a ç ão dos c a n a i s
10 imdata = c a t ( 3 ,R,G, B) ;
11 % c o n v e r s ão para HSV
12 HSV = rgb2hsv ( imdata ) ;
13 H = HSV ( : , : , 1 ) ;
14 S = HSV ( : , : , 2 ) ;
15 V = HSV ( : , : , 3 ) ;
16 % c r i a ç ão da má s c a r a
17 mask = imdata ( : , : , 1 ) ;
18 % limiar
19 otsuH = g r a y t h r e s h (H) ;
20 % b i n a r i z a ç ão
21 mask (H > otsuH ) = 0 ;
22 mask ( mask ~= 0 ) = 2 5 5 ;
 47

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.

Algoritmo 4.3 – Segunda etapa da segmentação da carne.

1 % remo ç ão de r e g i õ e s pequenas da imagem
2 mask = bwareaopen ( im_mask , f l o o r ( ( s i z e ( mask , 1 ) * s i z e ( mask , 2 ) )
*0.003) , 4) ;
3 % l i m i a r de s a t u r a ç ão e remo ç ão de p i x e l s pouco s a t u r a d o s
4 otsuS = g r a y t h r e s h ( S ( mask ) ) ;
5 mask ( S < otsuS ) = 0 ;

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.

4.2.1.2 Segmentação das Réguas Remid

Para obtenção da máscara correspondente à parte branca das réguas na imagem

(que é utilizada para a calibração do sistema), parte-se do pressuposto que a cor branca no
espaço de cor RGB corresponde ao nível máximo de intensidade nos três canais do sistema.
Todavia, devido à propriedades do material que os marcadores são feitos e mesmo das
condições na captação da cena, a cor presente não imagem tende a ter uma cor com certo
nível de acinzentamento, não sendo puramente branca. Por essa razão, no processo de
segmentação leva-se em consideração apenas as maiores áreas da imagem onde os valores
de R, G e B são maiores que as médias de intensidade dos canais correspondentes. Esse
processo está representado no trecho de código 4.4. Novamente, a escolha da porcentagem
para remoção de pequenas regiões conexas foi determinada de forma experimental.

Algoritmo 4.4 – Segmentação dos Marcadores Remid.

1 % B i n a r i z a ç ão com base na mé d i a de i n t e n s i d a d e
2 R(R < mean2 (R) ) = 0;
3 G(G < mean2 (G) ) = 0;
4 B(B < mean2 (B) ) = 0;
5 R(R ~= 0 ) = 2 5 5 ;
6 G(G ~= 0 ) = 2 5 5 ;
7 B(B ~= 0 ) = 2 5 5 ;
 48

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 ) )
;

A partir da aplicação dos procedimentos apresentados obtém uma máscara corres-

pondente à porção branca dos marcadores Remid.

4.2.1.3 Normalização de efeitos de iluminação

O procedimento desenvolvido visa homogeneizar o aspecto visual da iluminação

incidente na cena. Como pode ser observado na figura 7, principalmente nas regiões direita
e central da foto, é possível perceber a presença de focos de luz, que afetam também a
porção de carne na cena.
Para realizar essa normalização de percepção da iluminação, parte-se de uma abor-
dagem utilizando uma cópia da mesma imagem analisada, sobre a qual se aplica operações,
de forma a obter valores de atenuação ou acentuação (a cada pixel) de intensidade quando
necessário.
Primeiramente, a cópia da imagem é submetida a uma operação de borramento
Gaussiano (Gaussian Blur), utilizando uma porcentagem do tamanho da imagem para a
definição das dimensões do Kernel utilizado na operação. Esse procedimento é ilustrado
no trecho de código 4.5.

Algoritmo 4.5 – Aplicação de filtro de borramento Gaussiano.

1 % Cǿ p i a da imagem
2 im_dup = im ;
3 % Tamanho do f i l t r o como porcentagem do tamanho da imagem
4 t a m a n h o _ f i l t r o = f l o o r ( ( s i z e ( im , 1 ) * s i z e ( im , 2 ) ) * 0 . 0 0 0 0 2 ) ;
5 % C r i a ç ão do f i l t r o Gaussiano
6 gauss = f s p e c i a l ( ’ gaussian ’ , [ tamanho_filtro tamanho_filtro ] , 5 ) ;
7 % A p l i c a ç ão do f i l t r o
8 im_blur = i m f i l t e r ( im_dup , g a u s s ) ;

Após esse passo a imagem possui o aspecto demonstrado na figura 9, sendo que os
focos de iluminação foram espalhados, devido ao borramento.
 49

Figura 9 – Imagem da Amostra após a aplicação de Blur.

A imagem resultante é então invertida através da função imcomplement. Esse pro-

cedimento corresponde a aplicar a operação:

𝐼𝑟 = 255 − 𝐼𝑏 ,

onde 𝐼𝑟 é a imagem resultante e 𝐼𝑏 é a imagem com Blur.

O aspecto resultante da inversão é demostrado pela figura 10. Nota-se que devido
ao processo de complemento, ou inversão, as regiões com níveis altos de intensidade pas-
saram a possuir baixos níveis, enquanto que as regiões com baixa intensidade passaram a
possuir altos níveis.

Figura 10 – Imagem da Amostra após inversão de cores.

 50

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.

Algoritmo 4.6 – Extração do canal de brilho do espaço HSV.

1 % Canal de B r i l h o tomado
2 HSV = rgb2hsv ( im_inv ) ;
3 im_des = HSV ( : , : , 3 ) ;

A figura 11 apresenta o canal V, extraído da imagem borrada e invertida, como já

descrito.

Figura 11 – Canal V (HSV) da imagem borrada e invertida.

Essa informação de Intensidade de brilho é combinada com a imagem original,

através da equação de Overlay de camadas [33]:

𝐼 2×𝑀
(︃ )︃
𝐸= × 𝐼+ × (255 − 𝐼) ,
255 255

onde 𝑀 é a camada superior e a camada inferior é 𝐼.

Para a aplicação em questão, toma-se como camada superior a representação de
intensidade obtida do espaço HSV, e como camada inferior, a imagem original.
A aplicação da equação de Overlay é ilustrada no trecho de código 4.7.

Algoritmo 4.7 – Aplicação da operação de Overlay de camadas na imagem original.

1 % Convers ão para ponto f l u t u a n t e ,
 51

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) ;

A figura 12 apresenta uma comparação entre a imagem original e a imagem nor-

malizada. Como é possível perceber, após o processamento se obtém uma distribuição
homogênea de iluminação (12b), eliminando-se os focos incidentes de iluminação que po-
dem ser percebidos em 12a.

(a) Imagem Original (b) Imagem Normalizada

Figura 12 – Comparação entre a imagem original e após Normalização de Luminosidade.

4.2.1.4 Coeficientes de Correção de Cor e Calibração de Cores

Após o processo de Normalização de Efeitos de Luminosidade, utilizado-se a más-

cara correspondente aos marcadores Remid obtém-se o valor médio de branco nas réguas
presentes na cena. Esse valor é comparado então com a grandeza mensurada através
do colorímetro nos marcadores. Coeficientes correspondentes à cada canal RGB são de-
terminados através de uma proporção entre os valores de cor branca comparados. Esse
procedimento é ilustrado no trecho de código 4.8.

Algoritmo 4.8 – Determinação dos coeficientes de calibração de cor.

1 % Mé d i a dos v a l o r e s de branco na r é gua
2 media_R = mean2 (R( ruler_mask ) ) ;
 52

3 media_G = mean2 (G( ruler_mask ) ) ;

4 media_B = mean2 (B( ruler_mask ) ) ;
5 % C o e f i c i e n t e s de c a l i b r a ç ão v i a propor ç ão
6 % C o n s t a n t e s p r o v e n i e n t e s da mensura ç ão das r é guas
7 % v i a c o l o r í metro
8 coef_R = 1 9 9 . 0 / media_R ;
9 coef_G = 1 9 6 . 0 / media_G ;
10 coef_B = 1 9 1 . 0 / media_B ;

Os coeficientes de calibração são aplicados nos canais RGB correspondentes, o que

corresponde a multiplicar cada valor de pixel pelo coeficiente determinado, acarretando o
aumento ou diminuição de intensidade, de acordo com proporcionalidade entre o valor de
calibração e o existente na cena. Esse procedimento é apresentado no a código fonte 4.9

Algoritmo 4.9 – Aplicação dos coeficientes de calibração de cor.

1 % Uso da fun ç ão p i s o para obten ç ão de v a l o r i n t e i r o
2 R = f l o o r (R* coef_R ) ;
3 G = f l o o r (G*coef_G ) ;
4 B = f l o o r (B* coef_B ) ;

4.2.1.5 Conversão para L*a*b*

A conversão de RGB para L*a*b é realizada utilizando-se um algoritmo desenvol-

vido porMark Rufon para Matlab [34]. O algoritmo utiliza o iluminante padrão D65 e, está
baseado na recomendação BT.709 do ITU-R. A ordem de erro obtida na transformação
de RGB para CIELAB e novamente RGB é de 10− 5.

4.2.1.6 Extração de Informações

Tendo em posse a imagem já convertida para o espaço de cor L*a*b e a máscara

na qual as três porções da carne estão divididas, informações estatísticas são extraídas de
cada região e canal (R, G, B, L*, a* e b*), para análise posterior. Dentre estas, a média
de cor (função nanmean), o desvio padrão de cor (função std2 ) e o tamanho da região em
pixels (função size).
O isolamento de cada área de interesse da amostra é realizado através de um
crescimento de região na máscara da carne, levando em consideração uma semente (ponto
de partida) obtida através da função find do Matlab. Uma vez que cada região é isolada
e dela extraídas as informações descritas anteriormente, a área em questão é removida da
máscara.
 53

5 PRÓXIMOS PASSOS

A seguir, são apresentados os passos necessários para a conclusão deste trabalho,

demonstrando também um cronograma esperado de execução, como forma de organização
de tarefas.

1. Realização de Testes;

2. Correção de Problemas;

3. Validação do Método e Avaliação de Resultados;

4. Conclusão da Escrita do Relatório Final.

Outubro Novembro Dezembro Janeiro

Testes x x
Correção x x
Validação x x
Escrita x x

Tabela 1 – Cronograma de execução

 55

REFERÊNCIAS

[1] DAVIES, E. Computer and Machine Vision: Theory, Algorithms, Practicalities.

Elsevier, 2012. (Academic Press). ISBN 9780123869081. Disponível em:
<http://books.google.com.br/books?id=AhVjXf2yKtkC>.

[2] CONCI, A. Computação Gráfica - Volume 2. [S.l.]: CAMPUS - GRUPO ELSEVIER,

2007. ISBN 8535223290.

[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>.

[5] BARBIN, D. F. et al. Prediction of chicken quality attributes by near infrared

spectroscopy. Food Chemistry, v. 168, p. 554 – 560, 2015. ISSN 0308-8146. Disponível
em: <http://www.sciencedirect.com/science/article/pii/S0308814614011492>.

[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>.

[8] TRINDERUP, C. H. et al. Comparison of a multispectral vision system and a

colorimeter for the assessment of meat color. Meat Science, v. 102, n. 0, p. 1 –
7, 2015. ISSN 0309-1740. Disponível em: <http://www.sciencedirect.com/science/
article/pii/S0309174014004999>.

[9] GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing (3rd Edition). Upper
Saddle River, NJ, USA: Prentice-Hall, Inc., 2006. ISBN 013168728X.

[10] OTSU, N. A threshold selection method from gray-level histograms. Systems,

Man and Cybernetics, IEEE Transactions on, v. 9, n. 1, p. 62–66, Jan 1979. ISSN
0018-9472.

[11] MELéNDEZ-MARTíNEZ, A. J.; VICARIO, I. M.; HEREDIA, F. J. Instrumental

measurement of orange juice colour: a review. Journal of the Science of Food and
Agriculture, John Wiley & Sons, Ltd., v. 85, n. 6, p. 894–901, 2005. ISSN 1097-0010.
Disponível em: <http://dx.doi.org/10.1002/jsfa.2115>.

[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>.

[17] JACKMAN, P.; SUN, D.-W.; ELMASRY, G. Robust colour calibration of an

imaging system using a colour space transform and advanced regression modelling.
Meat Science, v. 91, n. 4, p. 402 – 407, 2012. ISSN 0309-1740. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0309174012000599>.

[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

0952-1976. Disponível em: <http://www.sciencedirect.com/science/article/pii/

S0952197613001784>.

[25] ELMASRY, G.; SUN, D.-W.; ALLEN, P. Near-infrared hyperspectral imaging

for predicting colour, ph and tenderness of fresh beef. Journal of Food
Engineering, v. 110, n. 1, p. 127 – 140, 2012. ISSN 0260-8774. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0260877411006388>.

[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>.

[28] FAN, C.-N.; ZHANG, F.-Y. Homomorphic filtering based illumination

normalization method for face recognition. Pattern Recognition Letters,
v. 32, n. 10, p. 1468 – 1479, 2011. ISSN 0167-8655. Disponível em: <http:
//www.sciencedirect.com/science/article/pii/S0167865511001000>.

[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>.

[30] CHUDE-OLISAH, C. et al. Illumination normalization for edge-based face

recognition using the fusion of rgb normalization and gamma correction. In: Signal
and Image Processing Applications (ICSIPA), 2013 IEEE International Conference
on. [S.l.: s.n.], 2013. p. 412–416.

[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>.