segmentação de imagens - limiarização e watershed
TRANSCRIPT
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
1/59
UNIVERSIDADE TECNOLOGICA FEDERAL DO PARANA
DEPARTAMENTO ACADEMICO DE INFORMATICA
CURSO DE BACHARELADO EM SISTEMAS DE INFORMACAO
GUILHERME DA SILVA COSTA
SEGMENTAC AO DE IMAGENS: CONFRONTO ENTRE AS
TECNICAS DE LIMIARIZAC AO E WATERSHED
CURITIBA
2011
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
2/59
GUILHERME DA SILVA COSTA
SEGMENTAC AO DE IMAGENS: CONFRONTO ENTRE AS
TECNICAS DE LIMIARIZAC AO E WATERSHED
Trabalho academico apresentado para a disciplina
de Metodologia de Pesquisa, do Curso de Bachare-
lado em Sistemas de Informacao do Departamento
Academico de Informatica da Universidade Tec-
nologica Federal do Parana.
Orientador: Profo Marlon de Oliveira Vaz
CURITIBA
2011
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
3/59
AGRADECIMENTOS
Levei muito tempo para escrever os agradecimentos desta pesquisa. Trabalho difcil este de
descrever sentimentos em palavras. Nao tem uma equacao, tabela ou grafico para ajudar...
Assim comeco a encarar essa tarefa com o agradecimento especial ao Profo Marlon de
Oliveira Vaz que alem de meu orientador, foi um amigo que ofereceu sua grande inteligencia e
capacidade a servico dessa pesquisa e de meu auxlio.
Minha famlia, e meus amigos todos, em especial a Rosana Rogiski que merece o meu
agradecimento por sua compreensao, paciencia e carinho mesmo nos momentos de stress maior
e nas correcoes no meio da noite.
Agradeco desde ja os professores que ministram esta materia de Metodologia de Pesquisa
da Universidade Tecnologica Federal do Parana, Gustavo Alberto Gimenez Lugo e Marilia
Abrahao Amaral pelos conselhos, dicas, e paciencia para explicar o que e mais correto a se
fazer em determinadas ocasioes.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
4/59
A mente de um homem expandida por uma nova ideia nao consegue
nunca voltaras suas dimensoes originais.(Oliver Wendall Holmes)
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
5/59
RESUMO
. Segmentacao de Imagens: Confronto entre as tecnicas de Limiarizacao e Watershed. 58
f. Curso de Bacharelado em Sistemas de Informacao, Universidade Tecnologica Federal do
Parana. Curitiba, 2011.
A area de processamento de imagens vem crescendo a cada dia. Possui aplicacoes em muitos
ramos da sociedade: programas espaciais, area medica, agricultura, pecuaria, entre outros. Ha
diversas tecnicas desenvolvidas para o melhoramento das imagens, cada qual aplicada a um
escopo diferente, dependendo do tipo de resultado almejado. Tendo em vista a grande quanti-dade de tecnicas de processamento ja desenvolvidas, o presente trabalho de pesquisa e focado
na comparacao de eficiencia entre as tecnicas de segmentacao de Imagens Espaco de Medida
que compreende as tecnicas de Limiarizacao e de Watershed. As duas tecnicas foram aplicadas
a imagens dos bancos de imagens (ARBELAEZ; MARTIN, 2007) e (SOARES, 1998) e os resulta-
dos foram comparados com o obtido em artigos anteriormente publicados. Dessa forma, foi
possvel verificar a aplicabilidade das tecnicas ou quais os motivos que levam ao insucesso das
aplicacoes das tecnicas citadasas imagens selecionadas dentro do escopo estabelecido.
Palavras-chave: Processamento de Imagens, tecnicas, segmentacao, imagens,domnio espaco
e medida, domnio espacial, limiarizacao, watershed
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
6/59
ABSTRACT
. . 58 f. Curso de Bacharelado em Sistemas de Informacao, Universidade Tecnologica Federal
do Parana. Curitiba, 2011.
The area of image processing are growing every day. It has applications in many branches of
society: the space program, medical, agriculture, livestock, among others. There are several
techniques developed for the improvement of images, each applied to a different scope, depen-
ding on the desired result. Given the large amount of processing techniques already developed,
this research work is focused on the comparison of efficiency between the techniques of imagesegmentation space as he understands the techniques of thresholding and Watershed. Both te-
chniques were applied to image banks images (ARBELAEZ; MARTIN, 2007) and (SOARES, 1998)
and the results were compared with those obtained in previously published articles. Thus, it
was possible to verify the applicability of the techniques or the reasons that lead to failure of
the applications of the techniques mentioned selected images within the scope established.
Keywords: Image Processing, techniques, segmentation, image, domain space and measure the
spatial domain, thresholding, watershed
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
7/59
LISTA DE FIGURAS
FIGURA 1 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
FIGURA 2 VISAO DA IMAGEM DIGITAL EM PLANO CARTESIANO . . . . . . . . . 15
FIGURA 3 SEGMENTACAO POR HISTOGRAMA; DARLY G. DE SENA JUNIOR;
2003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
FIGURA 4 SEGMENTACAO POR LIMIARIZACAO; DARLY G. DE SENA JU-
NIOR; 2003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
FIGURA 5 TECNICA DE WATERSHED; BRUNO KLAVA; 2009 . . . . . . . . . . . . . . . . 24
FIGURA 6 EROS
AO E DILATAC AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25FIGURA 7 THE COMPARATIVE RESEARCH ON IMAGE SEGMENTATION AL-
GORITHMS;KANG, W.-X.; YANG, Q.-Q. LIANG, R.-P; 2009 . . . . . . . . . . 33
FIGURA 8 THE COMPARATIVE RESEARCH ON IMAGE SEGMENTATION AL-
GORITHMS;KANG, W.-X.; YANG, Q.-Q. LIANG, R.-P; 2009 . . . . . . . . . . 35
FIGURA 9 SOFTWARES;D.S. LOPES, J.A.C. MARTINS, J.G. CAMPOS E E.B. PI-
RES; 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
FIGURA 10 TUMOR MALIGNO;BANCO DE MAMOGRAFIAS DIGITALIZADAS 41
FIGURA 11 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
FIGURA 12 SEGMENTACAO WATERSHED LIMIAR = 15.5 . . . . . . . . . . . . . . . . . . . . 42
FIGURA 13 SEGMENTACAO WATERSHED LIMIAR = 13.5 . . . . . . . . . . . . . . . . . . . . 43
FIGURA 14 SEGMENTACAO WATERSHED LIMIAR = 17.5 . . . . . . . . . . . . . . . . . . . . 43
FIGURA 15 TUMOR BENIGNO;BANCO DE MAMOGRAFIAS DIGITALIZADAS 43
FIGURA 16 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
FIGURA 17 SEGMENTACAO WATERSHED LIMIAR = 5 . . . . . . . . . . . . . . . . . . . . . . . 44
FIGURA 18 HISTOGRAMA GERADO A PARTIR DA IMAGEM ORIGINAL . . . . . . 45
FIGURA 19 CONTORNO POR WATERSHED; CONTORNO PROPOSTO POR ZHAL;
CONTORNO PROPOSTO PELA BASE DE DADOS BERKLEY . . . . . . . . 46
FIGURA 20 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
FIGURA 21 LIMIARIZACAO EQUILIBRADA LIMIAR = 0.2980 . . . . . . . . . . . . . . . . . 47
FIGURA 22 LIMIARIZACAO COM LIMIAR = 0.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
FIGURA 23 LIMIARIZACAO COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47FIGURA 24 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
FIGURA 25 LIMIARIZACAO EQUILIBRADA LIMIAR = 0.2314 . . . . . . . . . . . . . . . . . 48
FIGURA 26 HISTOGRAMA CATEGORIA NATUREZA . . . . . . . . . . . . . . . . . . . . . . . . . 49
FIGURA 27 LIMIARIZACAO COM LIMIAR = 0.27 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
FIGURA 28 LIMIARIZACAO COM LIMIAR = 0.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
FIGURA 29 IMAGEM ORIGINAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
FIGURA 30 LIMIARIZACAO EQUILIBRADA LIMIAR = 0.4314 . . . . . . . . . . . . . . . . . 50
FIGURA 31 PRESENCA DE OUTROS ELEMENTOS SEGMENTADOS . . . . . . . . . . 50
FIGURA 32 LIMIARIZACAO COM LIMIAR = 0.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
FIGURA 33 LIMIARIZACAO COM LIMIAR = 0.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
FIGURA 34 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
FIGURA 35 FUNCAO PARA SEGMENTACAO DE IMAGENS . . . . . . . . . . . . . . . . . . . 58
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
8/59
LISTA DE TABELAS
TABELA 1 CRONOGRAMA DAS ATIVIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
9/59
SUMARIO
1 INTRODUC AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 OBJETO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Objetivos Especficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121.6 MOTIVACAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1 TECNICAS DE PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 SEGMENTACAO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Metodo de Segmentacao no Domnio Espaco e Medida . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1.1 Segmentacao Por Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1.2 Segmentacao Por Limiarizacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 Metodo de Segmentacao no Domnio Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.2.1 Crescimento de Regioes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.2.2 Watershed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232.2.3 Morfologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.3.1 Erosao e Dilatacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.3.2 Abertura e Fechamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4 SURVEYSDE AVALIAC OES DAS TECNICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5 TECNOLOGIA DE SOFTWARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.1 MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6 RESULTADOS OBTIDOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.1 LIMIARIZACAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.2 WATERSHED . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7 ANALISE DO PROCESSO DE DESENVOLVIMENTO DA PESQUISA . . . . . . . . 527.1 CRONOGRAMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
7.2 BURN DOWN CHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
REFERENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
ANEXO A -- CODIGO FONTE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
10/59
9
1 Introducao
A area de processamento de imagens vem crescendo cada dia mais. Possui aplicacoes
em muitos campos, desde programas espaciais para o mapeamento geografico de planetas ate
aplicacoes em medicina, no melhoramento de contraste e brilho de imagens de raios X utilizadasno diagnostico de diferentes doencas.
O primeiro uso do processamento de imagens de que se tem registro foi no melhoramento
de imagens digitalizadas para jornais, que eram transmitidas entre Londres e Nova York por
meio de cabos submersos em alto mar. Em cada extremidade do cabeamento havia um equipa-
mento de impressao que codificava os dados e os reconstrua. Essa tecnica apresentava alguns
problemas, especialmente na selecao e na distribuicao do nvel de brilho das imagens. Essa
metodologia foi superada com o advento de computadores de grande porte, que tinham suporte
para o processamento digital das imagens e geravam resultados mais satisfatorios (GONZALEZ;
WOODS, 2000).
O processamento de imagens consiste na interpretacao da imagem digital com o auxlio
de um computador. Podemos definir uma imagem como uma funcao f(x,y), onde x e y sao as
coordenadas em um plano cartesiano e identificam os pixels da imagem e fe a amplitude da
funcao. Ao par de coordenadas denominamos de nvel de cinza da imagem. Quando os valores
de (x,y) e a intensidade de f sao finitos, chamamos a imagem de imagem digital (GONZALEZ;
WOODS, 2000).
Cada resultado da funcao f(x,y)e um elemento da imagem, denominado pixel. Uma ima-
gem digital possui um numero finito de elementos e cada ponto corresponde a uma posicao em
um valor escalar ou vetorial. Se a imagem for colorida, o processamento ira trabalhar com o
valor vetorial, obtido pelo uso de tres dimensoes ou parametros (Red, Green, Blue) que cor-
respondem a diferentes combinacoes de intensidades das cores citadas. Contudo, se a imagem
for tratada em tons de cinza o comportamento sera dado, entao, por uma escala vetorial de
dimensao igual a um (FREY, 2003).
Ha muitos metodos utilizados no processamento de imagens, sendo que a escolha adequada
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
11/59
10
e aquela que melhor se adapta ao escopo pre-definido.
Os metodos de processamento abordados neste documento trabalham com imagens em tons
de cinza, pois isso facilita a interpretacao das areas de deteccao de pontos isolados, linhas ebordas da imagem, facilitando a aplicacao das tecnicas, ja que isso torna desnecessario o estudo
comparativo entre as tres dimensoes de intensidades geradas a partir de uma imagem colorida.
1.1 Objeto
O processamento de imagens envolve procedimentos que sao expressos de forma algortmica.
Dessa forma, as imagens podem ser interpretadas porsoftwarese manipuladas por computador
(GONZALEZ; WOODS, 2000).
O presente trabalho se dedica a comparacao do processamento de imagens pela tecnica de
segmentacao simples, que como aponta Wangenheim, possui diferentes subtecnicas, baseadas
no metodo de domnio espacial e no metodo de domnio de espaco e medida (WANGENHEIM,
2009).
O enfoque sera o confronto dos resultados obtidos a partir do modelo de agrupamento por
histograma e Limiarizacao (tecnica de segmentacao baseada em Espaco e Medida) e modelo deWatershed da tecnica de segmentacao baseada no conceito de Domnio Espacial.
1.2 Problema
O processamento de imagense caracterizado por solucoes e metodologias especficas, pois
tecnicas que funcionam bem em uma area podem ter comportamento totalmente oposto em ou-
tra, ja que as diferentes formas de manipulacao das imagens geram resultados dspares. Assim,
a definicao da tecnica mais adequada requer pesquisa e estudo que levem em consideracao os
objetivos pretendidos e gerem imagens adequadas a interpretacao que se faca necessaria (GON-
ZALEZ; WOODS, 2000).
1.3 Objetivos
1.3.1 Objetivo Geral
Confrontar o desempenho das tecnicas Watershed e Limiarizacao na segmentacao de ima-
gens diversas, com o intuito de identificar motivos que levam a escolha de uma das tecnicas em
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
12/59
11
detrimento de outra.
1.3.2 Objetivos Especficos
Utilizando a tecnica de segmentacao de Imagens pelo metodo de Espaco e Medida e pelo
metodo de Domnio Espacial pretende-se:
Identificar diferencas, semelhancas, pontos fortes e fracos das tecnicas de Limiarizacao e
Watershed, referentes aos metodos acima citados, respectivamente;
Implementar os algoritmos das tecnicas de Watershed e Limiarizacao utilizando a ferra-
menta Matlab;
Aplicar as tecnicas de Watershed e Limiarizacao a um conjunto de imagens ja estudadas
por outros autores, confrontando os resultados com os obtidos por eles;
Identificar motivos que sugiram a escolha de uma das tecnicas em relacaoa outra.
1.4 Metodologia
Este projeto sera desenvolvido com base nas seguintes etapas:
1. Estudo dos conceitos basicos do processamento de imagens:
Pesquisar sobre conceitos basicos do processamento.
2. Estudo das tecnicas:
Estudar as diversas tecnicas de processamentos de imagens.
Estudar as tecnicas de processamento de imagem Watershed e Limiarizacao
Definir quando e porque se utilizar determinada tecnica.
3. Analise dos metodos selecionados e realizacao de testes experimentais
4. Interpretacao dos resultados obtidos:
Estudo dos metodos Domnio no Espaco e Medida e Domnio Espacial.
Grau de complexidade da tecnica escolhida dentro do escopo.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
13/59
12
Realizacao de testes experimentais utilizando o software MATLAB voltado para
calculos numericos.
Analise dos resultados utilizando metricas adequadas para comparacao entre tecnicasde segmentacao de imagens.
5. Escrita da monografia
1.5 Justificativa
Aarea de processamento de imagens vem sendo amplamente estudada, devido ao seu grau
complexidade e a enorme gama de aplicacoes possveis, tendo em vista que a sociedade esta
inteiramente conectada e busca-se a praticidade em tudo, entao, nada mais natural que, por
exemplo, o indivduo chegar em um mercado, fotografar um determinado produto e com uma
unica foto ter acessoas informacoes deste, simplificando assim a sua vida.
Nossa sociedade vem acumulando dados. Muitas vezes essas informacoes sao armazena-
das na forma de imagens. A historia da humanidade e muitas vezes contada atraves de registros
historicos no formato de imagens. Assim, recuperar e trabalhar com essas imagens,e, entao,
uma das grandesareas de aplicacao do processamento de imagens, pois a imagem permite co-nectar a informacao com o observador, de forma que elas se transformam em objetos, facilitando
a extracao de dados e a sua manipulacao.
1.6 Motivacao
Reconhecimento de imagens e umaarea ainda em estudo, e tem um campo de aplicacoes
muito abrangente. Reconhecer uma imagem, ou seja, relacionar uma imagem a um significado
e um processo muito complexo. E algo que desenvolvemos a partir das interacoes que temos
com o mundo, e, por isso mesmo, exige conhecimentos previos e envolve crencas sobre o que se
esta sendo analisado e o que se pretende fazer com o resultado do processamento das imagens,
uma vez que eles vao indicar as melhores tecnicas e os metodos mais eficazes a serem aplicados
durante o processo de tratamento das imagens.
Quanto a aplicacoes praticas, pode ser usado para identificar objetos de interesse em um
ambiente complexo, por exemplo, identificar objetos potencialmente perigosos em um aero-
porto, demonstrando, assim, a importancia do estudo do processamento de imagens na area de
computacao.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
14/59
13
Desenvolver um trabalho na area de processamento de imagens envolve primeiramente
compreender alguns conceitos basicos que facilitam o entendimento das tecnicas e metodos uti-
lizados para a manipulacao de imagens. Por isso, o proximo captulo se dedica a apresentacao
desses conceitos e topicos.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
15/59
14
2 Processamento de Imagens
Segundo Albuquerque, (ALBUQUERQUE; ALBUQUERQUE, 2000) o termo Processamento
de Imagens e derivado do Processamento de Sinais. Estes, assim como as imagens, nada
mais sao que informacoes. O ato de processar uma imagem consiste em transformar estasinformacoes em objetos para facilitar a extracao dos dados. Sendo assim, podemos comparar o
Processamento de Imagens com a Computacao Grafica.
O primeiro, parte da imagem geralmente captada por uma camera, que apos passar por
etapas de processamento e transformacao fornece a informacao, de acordo com o representado
na Figura 1. O segundo parte da informacao definida e a transforma em imagens ou filmes.
Portanto, fica evidente que o Processamento de Imagens e a Computacao Grafica sao metodos
ate certo ponto divergentes, mas com um ponto de interseccao comum: as tecnicas pela qual a
imageme processada para a obtencao da informacao.
Figura 1: Processamento de Imagens
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
16/59
15
Quando observamos uma imagem pelo angulo da otica, temos, entao, que a imagem e um
conjunto de pontos que converge para formar a imagem, istoe, a imageme a base para que haja
a troca de informacoes.
O objetivo de muitas tecnicas e promover ao observador uma compreensao da imagem.
Todavia,e necessario um trabalho basico em torno do processo de percepcao visual.
As imagens que as pessoas percebem no dia a dia consistem em luz refletida advinda dos
objetos. Sua natureza basica de f(x, y) pode ser caracterizada pela quantidade de luz incidindo
na cena observada e tambem pela quantidade de luz refletida do objeto.
Para ser adequada ao processamento, a funcao f(x,y) e necessario que a imagem seja di-
gitalizada tanto espacialmente quanto em amplitude,de acordo com o disposto na Figura 2.Esta digitalizacao espacial e chamada de amostragem da imagem e a de amplitude chamada
de quantizacao em nveis de cinza, que sera enfatizada no decorrer do trabalho (GONZALEZ;
WOODS, 2004)
Figura 2: Visao da Imagem Digital em plano cartesiano
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
17/59
16
2.1 Tecnicas de Processamento de Imagens
Na area de deteccao e reconhecimento de imagens nao basta apenas representar a ima-
gem com diferentes cores ou graduacoes, tambeme necessario identificar e estabelecer dife-
rentes regioes na imagem. No processamento das imagens usamos tecnicas para obter essas
informacoes. Uma definicao mais formal e dada por Russ (RUSS, 1998), que afirma que pro-
cessar uma imagem consiste em melhorar a aparencia visual desta para a visao humana ou
prepara-la para analise e mensuracao das caractersticas e estruturas presentes.
As tecnicas dedicadasa analise de imagens podem variar significativamente com relacaoa
complexidade e a necessidade em tempo de processamento. E nesta area que vamos encontrar
um nvel elevado de dificuldade no tratamento da informacao (ALBUQUERQUE; ALBUQUERQUE,
2000).
Pode-se perceber que as tecnicas mais utilizadas no processamento de imagens segundo
artigos relacionados ao tema (DATTA et al., 2008), (INA, 1996), (YU et al., 2006), (RUDEK, 1999)
entre outros, sao: Vetor de Comportamento e a de Segmentacao da Imagem. A segunda tecnica
sera abordada na proxima secao desta monografia.
A tecnica do Vetor de Comportamento utiliza vetores para a representacao das imagens, de
forma que o sistema pode operar com um espaco menor de informacoes, facilitando os metodos
de busca para a comparacao dos ndices nos processos de selecao de segmentos ou pontos
especficos (RUDEK, 1999).
Segundo Zhang, (GONG HONGJIANG ZHANG, 1994), a divisao da imagem em subareas faci-
lita a localizacao das informacoes e esta localizacao pode ser dada pelo vetor de comportamento
V, cujo tamanho e dado por:
V = (M * N) + 1,
no qual M e N representam o numero de divisoes associadasa imagem, fornecendo a quan-
tidade de elementos do vetor de comportamento.
Para que o vetor seja unico e levando em conta que podem haver vetores iguais para imagens
diferentes,e adicionado um elemento que garanta a manutencao dessa consistencia.
A extracao da informacao consiste em uma varredura que analisa os pixels de cada regiao
da imagem. Nas sub-areas existe uma distribuicao da frequencia da variacao da cor.
Com o auxlio de um processo de varredura sobre os bits da imagem,e possvel determinar
os intervalos usados na construcao do vetor. Assim,e feita a contagem das ocorrencias das
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
18/59
17
cores da imagem e a separacao em grupos. O grupo que tiver maior ocorrencia e passado
para o vetor. Apos o preenchimento do vetor e gerado um ndice unico para ele na posicao
previamente gravada, como descrito antes. Uma outra facilidade que a utilizacao de ndices
traz,e a de facilitar a busca da imagem no banco de dados (RUDEK, 2000).
O uso de melhoramentos na imagem se da nesse ponto, quando se trabalha com os vetores
e nao com a imagem, como em outras tecnicas que serao citadas no decorrer desde trabalho.
Para a realizacao da busca dos vetores para posterior recuperacao da imageme necessario
criar outro vetor de comportamento da imagem em amostra, com o ndice unico desse(s) ve-
tor(es) que depois e comparado com os vetores armazenados. A buscae feita com a forma
de uma arvore do tipo top-down. O primeiro elemento a ser comparado e a primeira posicao
desse vetor, depois sao feitas ramificacoes equivalentes, e detectados provaveis candidatos a
serem a resposta. Apos este passo, compara-se as outras posicoes. Caso a imagem nao tenha
a combinacao correta dos vetores presume-se entao que a imagem nao corresponde aquelas
armazenadas (RUDEK, 1999).
2.2 Segmentacao de Imagens
Segundo o dicionario Aurelio (FERREIRA, 2005), segmentare Dividir em segmentos. A
tecnica de segmentacao subdivide uma imagem em regioes ou objetos proporcionais ao tamanho
do problema a ser resolvido, isto e, a segmentacao deve parar quando o objeto de interesse na
aplicacao tiver sido isolado (GONZALEZ; WOODS, 2004).
A segmentacao naoe um processo taoobvio, pois pode interferir na analise da imagem que
e um passo importante no reconhecimento de padroes, o que e uma questao fundamental na
extracao da imagem.
Os algoritmos de segmentacao sao geralmente baseados em duas propriedades basicas de
intensidade de valores: descontinuidade e similaridade. Na primeira, a abordagem consiste em
dividir a imagem com mudancas nos nveis de cinza, para que fique mais facil a interpretacao
dasareas de deteccao de pontos isolados, linhas e bordas da imagem. As abordagens relativas
a segunda propriedade, baseiam-se na limiarizacao, crescimento de regioes, divisao e fusao de
regioes (GONZALEZ; WOODS, 2000).
Por sua vez, os metodos mais comuns empregados na segmentacao podem ser divididos em
tres grupos principais (MEZARIS V.; KOMPATSIARIS, 2003)
Metodos de Segmentacao no Domnio Espaco e Medida.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
19/59
18
Metodos de Segmentacao no Domnio Espacial.
Metodos de Segmentacao no Domnio da Frequencia.
Os dois primeiros grupos serao descritos no decorrer dos proximos itens. O metodo de
segmentacao no domnio da frequenciae um pouco diferente dos outros dois metodos, pois tra-
balha em outro espaco que nao o da imagem propriamente dita, no caso o espaco de frequencia.
Neste metodo, utiliza-se a imagem como um sinal e usufrui-se, entao, das variacoes no espaco
da imagem com frequencias, ou seja, observa-se as texturas de uma imagem com seus aspectos
principais (GONZALEZ; WOODS, 2004).
2.2.1 Metodo de Segmentacao no Domnio Espaco e Medida
No primeiro grupo denominado segmentacao no Domnio Espaco e Medida, a imagem
e considerada um espaco euclidiano que nada mais e que um espaco vetorial real de dimensao
finita, munido de uma funcao de dois vetores que satisfaz determinadas hipoteses iniciais (KREI-
DER et al., 1980) que podem ser definidas por:
Dj (x) = x - mj j = 1, 2, ..., M
Onde: a= (ata)1/2 e a norma euclidiana.
x pertence wi se Di(x) for a menor distancia
De acordo com Gonzaga (GONZAGA, 2007)e o equivalente:
dj (x) = xtmj 12mtjmjj = 1, 2,...,M
x pertence wi se di(x) for o maior valor
Sendo a fronteira de decisao entre as duas classes wi e wj :
dij = di(x) - dj(x) = xt(mimj) 12
(mimj)t(mimj) = 0
n = 2 - uma reta
n = 3 - um plano
n> 3 - um hiperplano
Apos a consideracao da imagem no espaco euclidiano, executa-se uma transformacao linear
para outro espaco vetorial, processa-se a imagem e executa-se a transformacao contraria. Aimageme segmentada no espaco de domnio da propria imagem com o auxilio de tecnicas de
agrupamentos especficas para segmentacao.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
20/59
19
2.2.1.1 Segmentacao Por Histograma
A geracao de histogramas permite a analise de caractersticas especficas de cada imagem,
como a distribuicao das cores. Alem disso, facilita o processo de recuperacao da imagem
quando se utilizam banco de dados.
Quando se separam as cores da imagem e ocorre a contagem das mesmas e obtido entao
o histograma da imagem. Os histogramas definem o conjunto de todas as cores existentes
na imagem. Se duas cores ou mais forem agrupadas, entao elas terao o mesmo lugar no
grafico(GONZALEZ; WOODS, 2007). Segundo Ballard, (SWAIN; BALLARD, 1991), esta funcao
equivalente naoe uma das melhores para o reconhecimento, pois ha muitos intervalos de cores
em que duas cores com intensidades parecidas sao consideradas iguais, e uma cor depende de
onde esta localizada. Assim, o ideal e que as cores consideradas iguais estejam numa mesma
regiao, cuja forma esteja relacionadaas possveis variacoes de rudo e brilho.
O histograma de cores carrega informacoes sobre a distribuicao destas, sendo que seu ponto
negativo e com relacao a localizacao das cores. Alem disso, um histograma que compreende
uma imagem por inteiro e possui regioes pequenas, resulta na perda de detalhes, pois isso
prejudica a producao de picos altos no grafico.
Em suma, existem muitos locais no histograma que nao apresentam nenhum pixel. Zhang
(GONG HONGJIANG ZHANG, 1994) considera neste caso apenas vinte regioes do topo da imagem
como relevantes para serem pixels representativos no histograma.
Por este motivo, neste trabalho, quando aplicada a tecnica de agrupamento por histograma,
para evitar problemas de localizacao das cores, sera realizada a conversao da imagem para es-
cala de cinza, ou seja, a imagem antes colorida que possua um valor vetorial de tres dimensoes
denominadas RGB (Red, Green, Blue), com a transformacao para tons de cinza, o estudo do
comportamento da imagem sera feito numa escala vetorial de uma dimensao (FREY, 2003).Dessa maneira, o histograma tem comportamento tal que quando os pixels s ao representados
no grafico, o eixo X reflete os valores da escala de cinza que a imagem pode assumir e o eixo
Y a frequencia com que estas tonalidades ocorrem, conforme pode ser visualizado na Figura 3,
onde pode ser verificado o grafico de histograma gerado pela imagem em escala de cinza.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
21/59
20
Figura 3: Segmentacao Por Histograma; Darly G. de Sena Junior; 2003
O pico e formado pelos elementos existentes entre os vales e a identificacao e marcacao
deles na imagem original forma os segmentos da imagem. Os histogramas podem ter quatro
comportamentos distintos. Se os picos estiverem mais para a esquerda remete que a imagem
esta escura, se mais para a direita ela se encontra mais clara. Uma vez que os picos estejam
mais nos centros e com o eixo y alto, a imagem esta em um contraste baixo, logo se os picos
no eixo y estiverem baixos, a imagem se encontra em um contraste alto (GONZALEZ; WOODS,
2007).
2.2.1.2 Segmentacao Por Limiarizacao
A limiarizacao outresholding e uma das mais importantes abordagens para a segmentacao
de imagens, devido as suas propriedades intuitivas, simplicidade de implementacao e velocidade
computacional. Logo, tem uma posicao central em aplicacoes de segmentacao de imagens
(GONZALEZ; WOODS, 2007).
Apos ser gerado o histograma da imagem, aplica-se a limiarizacao que analisa os nveis de
cinza analogos da imagem, extraindo os objetos de interesse atraves da selecao de um limiar T
que separa os agrupamentos de nveis de cinza.
Uma imagem limiarizada g(x,y) e definida como:
g(x, y) = 1sef(x, y)T
0sef(x, y) T
(GONZALEZ; WOODS, 2004)
onde f(x,y) corresponde ao nvel de cinza do ponto.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
22/59
21
Os pixels rotulados com 1 correspondem aos objetos e os pixels rotulados com 0 corres-
pondem ao fundo e Te um valor de tom de cinza predefinido denominado limiar.
A segmentacao entaoe efetuada, varrendo-se a imagem, pixel por pixel, identificando se opixel corresponde a um objeto ou fundo da imagem, sempre levando em consideracao se o nvel
de cinza daquele pixele maior ou menor que o limiar T.
A Figura 4 mostra o resultado da funcao descrita acima, obtida com base no histograma da
mesma quando em escala de cinza.
Figura 4: Segmentacao Por Limiarizacao; Darly G. de Sena Junior; 2003
Na pratica, espera-se que a limiarizacao seja perfeita, mas isso depende muito das condicoes
a que a imagem foi exposta, pois como esta t ecnica deriva dos nveis da escala de cinza e um
simples feixe de luz indesejado altera o resultado, espera-se que os ambientes de aplicacao da
tecnica sejam altamente controlados. Podemos ter esse controle em industrias, por exemplo,
onde esta tecnicae aplicada nas inspecoes industriais, onde se tem o controle da iluminacao no
momento da captura da imagem (GONZALEZ; WOODS, 2004).
2.2.2 Metodo de Segmentacao no Domnio Espacial
O conceito de domnio espacial refere-se ao proprio cenario da imagem, e as tecnicas uti-
lizadas nesse metodo constituem-se na manipulacao direta dos pixels na imagem, ou seja, o
metodo de agrupamento no domnio espacial opera diretamente nos pixels das imagens que sao
expressas pela funcao: g(x,y) = T[f(x, y)]
no qual, a funcao f(x,y)e a imagem de entrada e a funcao g(x,y)e o resultado da imagem,
i.e., a imagem processada. O Te um operador que age sobre f definindo os pixels que compoem
uma vizinhanca dada por uma coordenada (x,y) na imagem (GONZALEZ; WOODS, 2000).
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
23/59
22
O foco para definir uma vizinhanca em torno de (x,y) se da usando uma sub-imagem, no
qual o quadrado centrale movido pixel a pixel aplicando o operador para cada posicao (x,y) da
imagem, de forma a obter, entao, a funcao g naquele ponto (GONZALEZ; WOODS, 2004).
O T tambem pode ser da forma mais simples, fazendo com que a funcao g dependa apenas
do valor de f em (x,y), caracterizando assim T uma funcao de transformacao em nveis de cinza
da forma: S = T(r)
Onde s e r sao variaveis que indicam os nveis de cinza nas funcoes g e f em qualquer ponto
da imagem.
Como o realce de qualquer ponto da imagem depende estritamente do nvel de cinza do
ponto, denominamos as tecnicas desta categoria como processamento ponto a ponto (GONZA-
LEZ; WOODS, 2000).
2.2.2.1 Crescimento de Regioes
Assim como na Limiarizacao, na segmentacao orientada a regioes, analisa-se a similaridade
dos nveis de cinza da imagem. O crescimento de regioese um procedimento que agrupa pixels
ou sub-regioes em regioes maiores. Uma das mais usadas e simples abordagens e a agregacao
de pixels, que comeca com a definicao de um par de coordenadas de pontos denominados se-
mentes e, a partir deles, expandem-se as regioes anexando a cada ponto somente aqueles pixels
que possuam propriedades similares (como nvel de cinza, textura ou cor) (GONZALEZ; WOODS,
2000).
Umas das dificuldades inerentes a essa tecnica e a selecao das sementes que representam
a regiao de interesse na imagem, e a selecao das propriedades de inclusao dos pontos quando
ha o crescimento das imagens. Portanto, a selecao das sementes vai depender do problema
a ser processado. Como exemplo da aplicacao dessa tecnica, a literatura cita o Processo deAnalise de Imagem Automatico de Deteccao de Armas escondidas (GESICK CANER SARITAC,
2009) no qual utilizam-se diversas tecnicas de processamento de imagens e uma delas e a de
crescimento de regioes. Neste caso, a semente escolhida e grupo de pixels que corresponde ao
gatilho da arma, ja que normalmente se constitui num padrao invariante nas armas, permitindo
o reconhecimento do objeto a partir do agrupamento das regioes e excluindo falsos positivos
devido a formatos parecidos. Cabe ressaltar que, nesta aplicacao, a simples utilizacao dos algo-
ritmos para o crescimento de regioes nao garantia a correta deteccao de armas, gerando falsos
positivos. A eficiencia do processo foi conquistada a partir do uso combinado deste com os
padroes do gatilho. Dependendo do percentual de correspondencia da imagem digitalizada com
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
24/59
23
os padroes estabelecidos, as imagens sao entao totalmente digitalizadas e comparadas com a
linha de base e de rotacao de uma arma verdadeira, permitindo assim a reducao da percentagem
de falsos positivos.
2.2.2.2 Watershed
O metodo de Watershed consiste basicamente e como o proprio nome ja diz na traducao
para o portugues, um divisor deaguas. Pode ser comparado com uma cadeia de montanhas que
divide aagua da chuva em regioes para onde ela corre (SOILLE, 2003).
Este metodo utiliza o modulo dos gradientes, as variacoes da intensidade luminosa, ou seja,
ele calcula o gradiente para todos os pixels da imagem. Uma montanha possui vales e picos.
Se expandirmos essa metafora para os procedimentos adotados pelo metodo de Watershed,
podemos dizer que esses pontos de interesse sao definidos pelo gradiente: as regioes mais baixas
correspondem ao menor gradiente e as regioes altas seriam as de maior gradiente. O crescimento
de regioes seria, entao, equivalente a inundacoes derivadas de pequenos furos nas regioes de
gradiente menor. Por conseguinte, a inundacao atingira progressivamente os gradientes maiores,
ou seja, todos os pixels da imagem.
Dessa forma, a partir dos limiares da imagem calculam-se as zonas de abrangencia de cadalimiar dentro do proximo. Como a imagem a ser processada foi convertida para nveis de
cinza, somente alguns pixels sao tratados em cada etapa. Dessa maneira, em vez de digitalizar
a imagem inteira para modificar o valor de alguns pixels, um pixel tendo acesso ao outro j a
garante a execucao do procedimento (VINCENT; SOILLE, 1991).
Um problema quanto a utilizacao do Watershed que utilizasse de gradientes e o agrupa-
mento de regioes que possuem o mesmo gradiente mas com homogeneidade diferente, al em de
que a classificacao dos gradientese dada apos a inundacao, dificultando o desempenho do algo-
ritmo do Watershed. Em funcao disso, ha que se tomar especial cuidado quando da utilizacao
dessa tecnica, tendo em vista que ela nao pode ser aplicada para todas as situacoes, uma vez
que estudos e testes de eficacia previos sao imprescindveis (SOILLE, 2003).
A figura 5 exemplifica os passos de execucao do algoritmo de Watershed: em (a), visualiza-
se a construcao dos mnimos e maximos da funcao, obtidos a partir dos diferentes gradientes da
imagem. O item (b), demonstra onicio do processo de inundacao das bacias ja definidas pelo
processo exemplificado em (a). Os passos seguintes, (c), (d) e (e) mostram o crescimento das
regioes inundadas em (b). Por fim, em (f) visualiza-se o resultado final da segmentacao pelo
metodo de Watershed.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
25/59
24
Figura 5: Tecnica de Watershed; Bruno Klava; 2009
2.2.3 Morfologia
A Morfologia Matematica consiste em uma abordagem nao-linear para o processamento
de imagens. Elae definida a partir de um conjunto de transformacoes que auxiliam na analise,
segmentacao e reconhecimento, tendo como base a informacao da geometria desta imagem e daforma dos seus objetos. A linguagem da morfologia noambito do processamento de imagense
dada pela teoria dos conjuntos, que representam a forma dos objetos na imagem.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
26/59
25
Quando se trabalha com imagens binarias, o resultado da juncao de todos os pixels pretos
da imagem e a descricao completa dela, que pode ser representada da forma Z2 , onde cada
elemento do conjunto e um vetor bidimensional cujas coordenadas sao (x,y). Entretanto, as
imagens em escala de cinza tem o comportamento Z3 onde dois componentes referem-se as
coordenadas e o terceiro corresponde a intensidade da escala (GONZALEZ; WOODS, 2007).
2.2.3.1 Erosao e Dilatacao
A erosao e a dilatacao sao operacoes de extrema importancia na morfologia do processa-
mento de imagens, e formam a base para a construcao das transformacoes mais complexas.
Assim, numa cadeia morfologica de processamento de imagens, podemos encontrar um grande
numero de operadores encadeados, todos definidos a partir destas funcoes elementares (GON-
ZALEZ; WOODS, 2004).
A erosao consiste em provocar efeitos de erosao nas partes claras da imagem (altos nveis
de cinza), gerando imagens mais escuras, ou seja, encolhe objetos da imagem onde suas formas
e extensoes sao controladas por um elemento estruturante, como pode ser visualizado na figura
6. Nela o segundo segmentoe resultado da erosao aplicada ao primeiro (GONZALEZ; WOODS,
2007).
Figura 6: Erosao e Dilatacao
A funcao matematica que representa a erosaoe dada A por B, denotado AB, e definida
como:
AB ={x |(B)x A}
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
27/59
26
Onde a erosao de A por B e o conjunto de todos os locais do elemento estruturante e B nao
tem sobreposicao com o fundo (GONZALEZ; WOODS, 2004).
A dilatacao tem por objetivo provocar efeitos de dilatacao das partes escuras da imagem(baixos nveis de cinza), gerando imagens mais claras, isto e, engrossa objetos em uma ima-
gem. O jeito mais facil e especfico de estender essa parte da imagem e usando um elemento
estruturante que geralmentee representado por uma matriz de 0s e 1s, onde, a parte da imagem
em que sera realizado o espessamento esta codificada em 1s (GONZALEZ; WOODS, 2007).
O resultado desse procedimento pode ser visualizado na figura 6: o terceiro elemento da
imageme o resultado da aplicacao da dilatacao no primeiro elemento.
Matematicamente temos a dilatacao expressa como:
A B={z|(B)z A=}
O processo de dilatacao comeca na obtencao da reflexao de B em torno de sua origem,
seguido da translacao dessa reflexao por z. A dilatacao de A por Be entao o conjunto de todos
os deslocamentos z tais que A sobreponham-se em pelo menos um elemento nao nulo.
Uma das aplicacoes para esse tipo de tecnica e num processo desenvolvido pela Embrapa
(BALD M. F; ABREU, 2010), para o calculo do peso dos animais, quee estimado a partir do uso de
imagens digitais, nas quais sao aplicados diversos tratamentos, incluindo a dilatacao e a erosao
para uma melhor definicao da imagem a ser analisada por softwares adequadosa medicao de
peso.
2.2.3.2 Abertura e Fechamento
Uma vez que a erosao reduz a imagem e a dilatacao a expande, a operacao morfologica
de abertura e fechamento consiste no fato que a abertura ira suavizar os contornos e eliminar
rudos de menor porte na imagem, enquanto o fechamento provoca a reacao opostaa abertura,
fundindo as quebras da imagem em pedacos finos, eliminando pequenos buracos e preenchendo
fendas em um contorno (GONZALEZ; WOODS, 2000).
Pode-se, entao, concluir que a aberturae composta por uma erosao seguida de uma dilatacao.
O que acontece e que, apesar de serem operacoes opostas, uma nao desfaz a outra (MARQUES;
NETO, 1999).
O fechamento e o oposto da abertura: uma dilatacao seguida por uma erosao. Algumas
vezes completa uma textura, ou pode unir linhas que estavam proximas mas nao se tocavam
(MARQUES; NETO, 1999).
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
28/59
27
Matematicamente, a abertura de um conjunto A por um elemento estruturante B, implica
A B, que podemos definir como:
A B = (AB) B
Onde representa a abertura, a erosao e a dilatacao. Em outras palavras, a
abertura de A por Be a erosao de A por B seguida de uma dilatacao do resultado obtido por B.
O fechamento do conjunto A pelo estruturante B resulta emA B, e e definido como:
A B = (AB) B
No qual e o fechamento, e a dilatacao e a erosao da imagem.
Assim, podemos dizer que ocorre uma dilatacao de A por B, seguida de uma erosao do re-
sultado pelo mesmo elemento estruturante B. Estas propriedades auxiliam na interpretacao dos
resultados obtidos quando as operacoes de abertura e fechamento sao utilizadas para construir
filtros morfologicos (ROERDINK; MEIJSTER, 2000).
Esse captulo demonstrou que ha muitas formas de se trabalhar com as imagens. Sendo
assim, o proximo captulo se dedica a apontar alguns trabalhos desenvolvidos na area de pro-
cessamento de imagens, que utilizam os metodos e tecnicas descritos no decorrer das ultimas
secoes.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
29/59
28
3 Trabalhos Relacionados
Existem varios trabalhos relacionados com a presente proposta. Neles sao encontradas
aplicacoes que vao desde restauracoes, estudo de doencas em culturas agrcolas ate medicoes
de nucleos de nuvens e deteccao de doencas como o cancer de mama.
Junioret ol(JUNIOR FRANCISCO DE A. DE C. PINTO; TEIXEIRA, 2003), por exemplo, utilizou
a tecnica de limiarizacao para estudar as imagens de plantas de milho atacadas por lagartas.
Nesta pesquisa foram utilizadas imagens de plantas atacadas e nao atacadas, em tres epocas
distintas e sob a influencia de luminosidades diferentes, correspondendo a diferentes dias apos
a infestacao, de forma que foram criados tres grupos com dez imagens cada.
A imagem da planta de milho atacada pela lagarta foi processada em escala de cinza o
que neste caso especficoe fundamental, pois permitira que a palha presente no solo, devido autilizacao do sistema de plantio direto, apareca em tons mais claros que as folhas das plantas vi-
vas, possibilitando a sua diferenciacao e, por conseguinte, a nao interferencia no processamento.
Assim, foi realizada a limiarizacao a partir do histograma das imagens.
A partir do tratamento das imagens por limiarizacao, tornaram-se visveis os estragos causa-
dos pela praga na planta, ja que as folhas nao deterioradas pela lagarta ficaram brancas, em con-
traste com as marcas deixadas pela lagarta que se tornaram pontos negros na imagem. Contudo,
as imagens de plantas atacadas nos estagios mais avancados apresentaram resultados piores em
relacao aos outros estagios, devido ao maior numero de objetos na imagem. Consequentemente,
um maior numero de pixels nas bordas confundindo-se, entao, com a cor de fundo da imagem
(JUNIOR FRANCISCO DE A. DE C. PINTO; TEIXEIRA, 2003).
Visando ainda a qualidade, tem-se a restauracao de documentos historicos, tambem im-
plementada com o uso da limiarizacao (BERTHOLDO, 2007). A maioria das tecnicas utilizadas
para restauracao de documentos historicos noambito computacional tem como foco a retirada
de rudos das imagens causados pela degradacao, de forma a melhorar a legibilidade do docu-
mento.
Uma imagem do documento danificadoe gerada e entao processada para escala de cinza.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
30/59
29
Ao gerar o histograma, percebe-se que ha picos intensos de pixels. Isso se deve as palavras
escritas, ou seja, o texto e mais escuro que o fundo. Logo, ha um destaque nesses pontos no
histograma correspondente.
Vale ressaltar que para que essas observacoes sejam validas, os documentos tem que ser
do tipo textual, onde o fundo e representado por tonalidades claras e o texto por tonalidades
escuras. Com a limiarizacao da imagem, consegue-se suavizar os rudos dela, tornando-as mais
legveis de forma a possibilitar a extracao total do texto, de acordo com o gradiente da imagem
e o limiar definido.
Em suma, a limiarizacaoe capaz de eliminar problemas como rudos, nveis de contraste
e amenizar erros nos caracteres do texto. A aplicacao do metodo possibilita a melhoria na
legibilidade e na qualidade visual dos documentos para a leitura (BERTHOLDO, 2007).
Atualmente, o metodo de segmentacao de imagens por espaco e medida e utilizado em
sistemas de controle de trafego, pois fornecem uma tecnica eficaz para identificacao de pla-
cas automoveis pelas cameras dos radares eletronicos (MONTEIRO, 2002). Com o apoio da
segmentacao de imagense possvel fazer o reconhecimento da posicao da placa e determinar os
caracteres que a compoe.
O processo consiste em, tirada a foto do veculo, manipula-la em uma escala de cinza
para que sejam visveis os caracteres, de modo a separa-los do fundo da imagem. Gerando o
histograma desse processo tem-se os pontos de pico de pixels que correspondem aos caracteres,
e, por conseguinte o limiar que auxiliara na proxima etapa do processamento.
Com o limiar do histograma definido, aplica-se, entao, a tecnica de limiarizacao que con-
verte a imagem para tons de preto e branco. O primeiro grupo de cor corresponde aos caracteres
e o segundo ao fundo da imagem.
Segundo Leonardo Hiss Monteiro (MONTEIRO, 2002), com a obtencao dos caracteres daplaca ja e possvel a aplicacao de uma outra tecnica que cortaria a placa em varios segmentos,
estes definidos por um intervalo vertical de pixels pretos e brancos, para assim permitir a reti-
rada do caracter especfico e compara-lo com as informacoes contidas num banco de dados de
caracteres. Por fim, com os segmentos ja retirados da imagem e devidamente comparados com
os disponveis no banco de dados, sao visualizados os caracteres que compoem a placa de modo
que e possvel a identificacao do dono do automovel (MONTEIRO, 2002).
Baseados na tecnica de Watershed no Domnio Espacial, existem sistemas automatizados
para a medicao da concentracao dos nucleos de condensacao de nuvens por visao computaci-
onal (PINHEIRO; CORTEZ; MOTA, 2011), que captura uma amostragem do ar atmosferico dentro
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
31/59
30
de uma camera de nuvens estaticas. Nestas condicoes, as moleculas de vapor sao condensa-
das produzindo gotculas deagua, que ao atravessarem um feixe de raios laser, que definem o
volume da amostragem, tornam-se visveis e prontas para que seja aplicado o processamento e
aplicacao da tecnica.
A primeira fasee a conversao da imagem em tons de cinza para a contagem automatica do
numero de condensacao. A aplicacao do Watershed consiste em manipular a imagem de modo
que ela se pareca com um relevo topografico, onde cada altura deste relevo e relativo a uma
intensidade de cinza. Ao se promover a inundacao dos vales, a partir de seus mnimos locais
e as construcoes das bordas para evitar o transbordamento, destacam-se as linhas divisoras
de bacias, produzindo desta forma, a segmentacao dos objetos presentes na imagem. Com a
transformada de Watershede possvel, entao, obter a deteccao e a contagem das gotculas de
agua formadas dentro do volume de amostragem. O uso desta tecnica, nesse escopo, e para a
identificacao das gotculas deagua parcialmente sobrepostas no volume da amostragem, e como
na construcao do mnimo local por gotcula, favorece a nao super segmentacao e possibilita a
contagem e identificacao (PINHEIRO; CORTEZ; MOTA, 2011).
Na area medica encontramos o uso da tecnica de Watershed para a deteccao de tumores
mamarios de forma automatizada (HUANG; CHEN, 2004). A utilizacao da tecnica consiste no
uso de uma topografia que, no caso, ja vem convertida para a escala de cinza. A utilizacao
do Watershed segmenta a imagem em varias bacias e as inunda para assim obter a regiao de
interesse. Neste caso, as bacias sao os contornos dos tumores mamarios que na topografia
apareceriam como uma bacia de cor mais acentuada.
A deteccao de tumores mamarios, atualmente,e realizada manualmente pelo medico. Con-
tudo, a segmentacao automatica pode reduzir o tempo necessario para esbocar um contorno
preciso e com alta precisao.
As imagens de ressonancia magnetica tem sido utilizadas como um recurso potente na
deteccao de cardiopatias e analises do funcionamento cardaco. Para (RONDINA, 2001) este
processo de reconhecimento de imagem pode ser automatizado por meio de tecnicas de proces-
samento de imagens.
Na pesquisa feita por (RONDINA, 2001), foi utilizada a tecnica de Watershed para a segmentacao
do ventrculo esquerdo.
O processamento se da em tres passos: pre processamento, segmentacao e pos processa-
mento, o que permite a visualizacao da imagem segmentada. No pre processamento, a imagem
do corte do exame que se deseja segmentar e tratada para nveis de cinza para uma melhor
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
32/59
31
comparacao dos pixels. Na etapa de segmentacao e aplicada a transformada de Watershed que
segmentara a imagem em bacias, reforcando os contornos ao redor da parte do ventrculo es-
querdo que se deseja estudar. Com isso, obter-se-a uma imagem mais ntida, o que auxiliara no
processo de analise das condicoes fsicas doorgao.
A utilizacao da transformada de Watershed possibilita a automatizacao do processo de
deteccao de problemas cardacos, antes feitos manualmente (RONDINA, 2001).
O presente trabalho de pesquisa compromete-se a tracar comparativos entre os resultados
obtidos por outros cientistas com os que serao obtidos com a criacao de algoritmos de autoria
propria.
Para tanto, sera estabelecido um estudo comparativo entre os resultados obtidos por ( C.
LEITE J. S. S., 2011) que utilizou a tecnica de segmentacao de imagens e o trabalho desenvolvido
por (ZGHAL N.S. MASMOUDI, 2010) com a utilizacao da tecnica de Watershed.
No primeiro caso, Leite (C. LEITE J. S. S., 2011) utiliza a tecnica de Limiarizacao para me-
lhorar a visualizacao dos resultados dos exames de mamografia, buscando formas facilitadas
para a deteccao de possveis tumores mamarios a partir do estudo e processamento das imagens
das mamas. Para tanto, ele utiliza imagens de mamografias que apos passarem por um processo
de tratamento de imagens com o uso da Limiarizacao, permite definir as caractersticas dos
tumores percebidos, variando da forma mais regular a forma mais espiculada, cujo significado
medico indica tratar-se de tumores benignos ou malignos, fornecendo tambem, formas de medir
o grau do tumor observado.
As imagens coletadas ja estao em tons de cinza, e portanto, nao precisam ser converti-
das para esse formato, passando diretamente a aplicacao do algoritimo de limiarizacao. A
limiarizacao assume que a imagem se divide em duas classes, o fundo e o objeto procurado.
Assim, o metodo procura encontrar o nvel de limiarizacao otimo que divide a imagem dada
em duas classes. Para tanto, o processo aplicado encontra no histograma o ponto onde ha mais
picos de nveis de cinza da imagem, removendo o lado de maior intensidade ate que este fi-
que em equilbrio. Desta forma, consegue-se eliminar as partes da imagem desnecessarias ao
dignostico, evidenciando e identificando o tumor (C. LEITE J. S. S., 2011).
A tecnica de Watershed, utilizada por Zghal (ZGHAL N.S. MASMOUDI, 2010), consiste na di-
visao de uma imagem em areas homogeneas. O Watershed e definido como o pico de formacao
limite entre duas bacias, operando sobre o gradiente da imagem, de forma que os contornos
sao realcados favorecendo o aparecimento de locais de pontos maximos na imagem. A altitude
da imageme dada pelos nveis de cinza que podem ser analisados pelo histograma da imagem.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
33/59
32
Contudo, em seu trabalho, ela combina a tecnica de watershed com a tecnica de Limiarizacao de
OTSU que consiste em maximizar ou minimizar a variancia de intensidades dos pixels da ima-
gem no processo de Limiarizacao, ou seja, o algoritmo assume que a imagem a ser limiarizada
contem duas classes de pixels (por exemplo, primeiro plano e fundo), entao calcula o limiar
otimo que provoca a melhor separacao entre essas duas classes de modo que a sua propagacao
combinada (intra-classe variancia) seja mnima.
O algoritmo desenvolvido por Zghal (ZGHAL N.S. MASMOUDI, 2010), portanto, envolve as
duas tecnicas citadas. O seu trabalho buscou tecer uma comparacao de seu metodo com com a
tecnica pura do watershed. Ambas sao aplicadas a imagens retiradas no banco de imagens da
Universidade de Berkeley na California (ARBELAEZ; MARTIN, 2007). A intencao da comparacao
e determinar qual das tecnicas e a mais eficiente para segmentar imagens com caractersticas
distintas. O proximo captulo e composto por umsurveyde avaliacoes e comparacoes entre as
tecnicas de processamento de imagem de compoe este trabalho.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
34/59
33
4 Surveysde Avaliacoes das Tecnicas
A segmentacao de imagens e geralmente definida como a base para o processamento de
imagens, e consiste em subdividir a imagem digital em varios pedacos. Em geral, na segmentacao
de imagens, os algoritmos sao baseados em dois princpios basicos: a caracterstica dos pixels eas informacoes das regioes proximas a eles. A maioria dos algoritmos de segmentacao baseia-se
em dois personagens de pixels em nvel de cinza: descontinuidade e similaridade em torno das
bordas na mesma regiao (DONG, 1999). A figura 7 lista as principais categorias de segmentacao,
descrevendo em poucas palavras os diferenciais de cada metodo, conforme pesquisa desenvol-
vida pela Universidade de Columbia.
Figura 7: The Comparative Research on Image Segmentation Algorithms;Kang, W.-X.; Yang,
Q.-Q. Liang, R.-P; 2009
O grupo das tecnicas de segmentacao baseadas em aresta, descritas na primeira divisao da
tabela acimae definido como um conjunto de pixels ligados e associados a diferentes regi oes,
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
35/59
34
onde existem descontinuidades intensas, mudancas no tom de cinza e variedades na textura.
Com base nessa teoria, existem as tecnicas que se utilizam do histograma em escala de cinza de
gradientes de cores para segmentar e processar as imagens. Para esse grupo, a obtencao de um
resultado satisfatorioe dependente do equilbrio entre a deteccao do objeto a ser segmentado e
os rudos presentes na imagem.
Ja o grupo de tecnicas de segmentacao baseadas em regioes (grupo 2 da Figura 7), apoia-se
na mudanca brusca da intensidade da imagem e leva em consideracao os criterios definidos na
limiarizacao. Nesse grupo se encontra a tecnica de limiarizacao(tresholding), a tecnica do cres-
cimento de regioes e o Watershed encontradas na subclasse de Tresholding e Region Operating
e que sao objetos deste estudo.
O terceiro grupo representa o grupo de tecnicas e teorias especiais da segmentacao que
correspondem a tecnicas derivadas de outros campos de conhecimento como Walvelet, que
utiliza uma determinada funcao capaz de decompor e descrever outras funcoes no domnio da
frequencia, de forma a permitir a analise destas funcoes em diferentes escalas de frequencia e de
tempo. Este grupo trabalha com morfologias matematicas, genetica de algoritmos e inteligencia
artificial (KANG; YANG; LIANG, 2009).
A partir destas tecnicas (KANG; YANG; LIANG, 2009), avaliou e comparou cada algoritmo
de segmentacao, cujos resultados foram transformados numa referencia crucial para algoritmos
de segmentacao de imagens.
Baseado em uma uniformidade de regiao, (LIPING; XINBO, 2004) aponta que as tecnicas de
Limiarizacao, Limiarizacao Interativa(manual) e a Limiarizacao de Otsu tem vantagens quando
se trabalha com a uniformidade da imagem e a manutencao da forma dos objetos. Alem disso,
foram avaliados e comparados os desempenhos dos algoritmos em experiencias de segmentacao
de imagens. Os resultados podem ser vistos na Figura 8.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
36/59
35
Figura 8: The Comparative Research on Image Segmentation Algorithms;Kang, W.-X.; Yang,
Q.-Q. Liang, R.-P; 2009
Embora haja uma infinidade de algoritmos de segmentacao concebidos dia apos dia, ne-
nhum deles pode ser aplicado a todos os tipos de imagens e tecnicas de segmentacao real, pois
cada tecnica visa uma determinada aplicacao. O resultado da segmentacao e afetado por muitos
fatores, tais como: homogeneidade das imagens, o personagem de estrutura espacial na conti-
nuidade da imagem, a textura, o conteudo da imagem e o carater visual fsico. O melhor metodo
de segmentacao de imagem a ser aplicadoe aquele que melhor se ajustar as caractersticas e ob-
jetivos que se busca alcancar com o processamento das imagens e, portanto, deve levar em
consideracao todos estes fatores (KANG; YANG; LIANG, 2009).
Vale salientar, tambem, os pontos fortes e fracos da tecnica de Watershed, pertencente ao
grupo 2 de regioes baseadas em segmentacao, de acordo com a Figura 7 . Segundo (KLAVA,
2009) os pontos fortes da tecnica de Watershed envolvem a facil segmentacao de diversos ob-
jetos com suas metricas, contrastes, tamanhos e tambem por ser definida somente no nvel de
precisao de bacias primitivas implicando em eficiencia. Por outro lado, como essa tecnicae vol-tada para atuacao no nvel primario das bacias, onde e possvel uma precisao maior, as particoes
que correspondemas bordas ficam deficitarias, o que nao deveria ocorrer, tendo em vista que
estas sao parte do conjunto das bacias.
Outro problema desta tecnica, relatado por (KLAVA, 2009), foi a possibilidade de fundir
duas regioes, pois ao selecionar a bacia de menor grau comum dos vertices correspondentes,
a tecnica pode acabar fundindo outras regioes gerando uma super segmentacao. Um ponto
que merece bastante atencaoe que naoe possvel especificar diretamente a regiao de interesse,
sendo necessario que o usuario navegue na hierarquia das bacias ate que todas sejam mostradas,
retirando assim a opcao do usuario de escolher onde sera feita a divisao, o que pode gerar o
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
37/59
36
aparecimento de bordas indesejaveis.
Em suma, os resultados da segmentacao podem ser avaliados por dois metodos. O primeiro,
definido como metodo analtico, permite examinar e avaliar diretamente os algoritmos atravesda analise de seus princpios, suposicoes, propriedades, exigencias, utilidade, complexidade,
entre outros itens, nao dependendo de experimentos e podendo ser aplicado sem que o algoritmo
esteja completamente implementado. A aplicacao desse metodoe independente da natureza ou
objetivo da segmentacao. Ja o segundoe o metodo emprico, que permite examinar e avaliar
um algoritmo de forma indireta, atraves da aplicacao de imagens-teste e medicao da qualidade
do resultado da segmentacao. Esse metodo pode ser subdividido em dois tipos: de discrepancia
e de qualidade (TAVARES, 2011).
O tratamento das imagens pode ser feito com a utilizacao de diferentes softwares ou ambi-
entes que serao descritos com mais detalhes no proximo captulo.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
38/59
37
5 Tecnologia de Software
Este captulo tem como finalidade apresentar a ferramenta que sera utilizada nos experi-
mentos, discutindo e analisando os resultados que serao alcancados.
No mercado existem varios softwares que fazem os trabalhos de quantificacoes, amostra-
gens, conversoes, edicoes etc. No entanto, os precos e as plataformas disponveis variam de
acordo com o produto escolhido, entre eles tem-se:
IDL (Interactive Data Language) (KRUSE, 2000).
Khorus. (SANDRI GERALD J.F. BANON, 2000).
Matlab (BARROS RODRIGO CARVALHO SOUZA COSTA, 2007).
Paraview (MORAES G. S., 2005).
ProEikon (BUSTOS MARCELINO P. S. SILVA, 2010).
Scion Image (TAKAHAGI et al., 2005).
Alem de serem usados de forma individual para resolver determinados problemas, devidoas
caractersticas proprias de modelagem, as ferramentas, por compartilharem os mesmos blocos
fundamentais para processamento de imagens, a saber, aquisicao da imagem, processamento
digital da imagem e processamento de malha, podem ser fundidas e utilizadas de forma com-
binada a fim de maximizar os resultados (LOPES J.A.C. MARTINS, 2007), como pode ser visuali-
zado na Figura 9, que detalha caractersticas de cada ambiente de desenvolvimento usados no
processmaento de imagens descritos ao longo desta secao.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
39/59
38
Figura 9: Softwares;D.S. Lopes, J.A.C. Martins, J.G. Campos e E.B. Pires; 2007
5.1 Matlab
O Matlabe uma ferramenta de facil utilizacao. Conta com interfaces amigaveis e possui
ferramentas poderosas para visualizacao de dados, bem de acordo com a filosofia de um labo-
ratorio de dados: facil de experimentar e facil de averiguar.
Oferece a opcao de escrever os codigos por linha de comando, ja tendo incorporado em suas
bibliotecas funcoes especificas para o processamento de imagens. Permite, tambem, que sejam
escritas novas funcoes, em uma linguagem propria, porem muito parecida com a linguagem C
ou FORTRAN.
Como as funcoes de processamento de imagens sao nativas do pacote desta ferramenta,
pode-se optar por nao escrever codigos, e simplesmente manipula-las de acordo com o escopo
definido.
Matlabe um sistema interativo de matrizes que pode ser usado tanto para o ensino de ma-
tematica fundamental quanto para calculos complexos de engenharia. O nomee uma abreviacao
de MATrix LABoratory, e foi originalmente desenvolvido, com a intencao de facilitar o acesso
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
40/59
39
a matrizes, para os projetos LINPACK (Linear System Package) e EISPACK (Eigen System
Package). Hoje, o Matlab incorpora as bibliotecas LAPACK (Linear Algebra Package) e BLAS
(Basic Linear Algebra Subprograms) (GONZALEZ; WOODS, 2004).
O Matlab consegue executar uma sequencia de acoes atraves de arquivos chamados de M-
files, que possuem a extensao *.m. Os M-files sao de dois tipos, os scripts files, que sao
uma sequencia normal de passos do Matlab e os function files, que sao funcoes criadas para
necessidades especficas (GONZALEZ; WOODS, 2007).
Uma forma de utilizar o MatLab para analise e reconhecimento de padroes,e usando SDC
Morphology Toobox for Matlab, quee um pacote para analise e processamento de sinais. Ele
e composto por uma famlia de filtros chamados de operadores morfologicos, que permitem a
restauracao, segmentacao e analise das imagens e sinais de forma quantitativa.
No desenvolvimento deste trabalho, o processamento das imagens para comparacao das
tecnicas de Watershed e Limiarizacao, sera utilizada a ferramenta MatLab, tendo em vista que
esta possui as ferramentas adequadas para a manipulacao das imagens, o que torna a tarefa mais
intuitiva pelas caractersicas funcionais citadas no decorrer desta secao. O resultado obtido com
o processamento das imagense descrito no proximo captulo.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
41/59
40
6 Resultados Obtidos
Nesta etapa, varios testes foram realizados com a finalidade de verificar qual o melhor
metodo para segmentar uma imagem. Para tanto, foram utilizadas imagens de duas bases de
dados (ARBELAEZ; MARTIN, 2007), (SOARES, 1998) tambem utilizadas nos artigos de (ZGHALN.S. MASMOUDI, 2010), (C. LEITE J. S. S., 2011), os quais foram detalhados no captulo 3, secao
Trabalhos Relacionados.
A utilizacao de bases de dados para os testes em segmentacoes de imagens e justificada
pelo fato que imagens sao muito sensveis a variacoes de luminosidade,angulos e modelos de
maquinas por exemplo. Por issoe importante usar um conjunto de imagens o menos suscetvel
a essas variacoes, pois do contrario, a qualidade das imagens poderia prejudicar os resultados.
O banco de imagens de Berkeley (ARBELAEZ; MARTIN, 2007) possui uma serie de ima-gens, algoritmos, conjunto de dados(dataset), Benchmark, com o objetivo de fornecer uma base
emprica para a pesquisa sobre segmentacao de imagem e deteccao de fronteira. O mesmo
se aplica para o banco de imagens de mamografias (SOARES, 1998), que contem um conjunto
de imagens digitalizadas de mamografias, como resultado da colaboracoes entre o Instituto de
Computacao e o Departamento de Radiologia da Universidade Federal Fluminense. O principal
objetivo da disponibilizacao destas imagense facilitar pesquisas e desenvolvimentos ligados a
mamografias de rotina.
As mamografias sao de pacientes diversos e contem tanto tumores diagnosticados como
benignos quanto malignos. Cada imagem foi previamente diagnosticada pelo Departamento de
Radiologia da UFF, Hospital Universitario Antonio Pedro e pelo IRSA - Instituto de Radiologia
s.a.. Estas imagens foram escaneadas por Luciana Marinho Soares em torno de 1200 dpi, e 256
tons de cinza e para que a selecao do tumor fique visvel nesta tecnica, a imagem sofreu por um
processo no qual a imagem em escala de cinza foi transformada em negativo.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
42/59
41
6.1 Limiarizacao
Para os testes de identificacao de tumores pela tecnica de Limiarizacao, Leite (C. LEITE J.
S. S., 2011) subdividiu o processo em dois subtestes. O primeiro utilizando uma imagem de
tumor maligno, como pode ser visto na Figura 10; e o outro com uma imagem de um tumor
benigno que sera melhor detalhado ao longo desta secao.
Com o intuito de estabelecer um parametro de comparacao foi efetuado o tratamento da
imagem por meio da utilizaca odometodo de Watershed, em confronto com o trabalho desenvol-
vido por Leite, que aplicou a Limiarizacao a estas mesmas imagens. O codigo da implementacao
do processamento da imagem por meio das tecnicas de Watershed e Limiarizacao que sera pos-
teriormente utilizada, esta anexo a esta monografia.
Figura 10: Tumor Maligno;Banco de Mamografias Digitalizadas
Utilizando-se da mesma imagem disponvel no banco de imagens (SOARES, 1998), com
o nome de mal5, neste projeto de pesquisa foi aplicada a tecnica de Watershed, que e uma
funcao nativa do Matlab utilizada no codigo dessenvolvido no escopo deste trabalho para o
processamento das imagens. O resultado obtido com a aplicacao do metodo de Watershed e
mostrado nas figuras 11 e 12.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
43/59
42
Figura 11: Imagem Original
Figura 12: Segmentacao Watershed Li-
miar = 15.5
A figura 11 mostra a imagem original retirada do banco de imagens ja citado. Ja na Figura
12e possvel observar o resultado da segmentacao quando aplicado um limiar = 15.5. Neste
caso, nota-se que o tumor maligno foi encontrado. Contudo, ainda aconteceram segmentacoesem regioes sem tumores, gerando, entao, falsos positivos. Istoe devido ao foto de que algoritmo
de Watershed trabalha com gradientes. O tumor esta destacado em uma regiao mais clara,
conforme pode ser observado na Figura 11, onde fica ntido que ainda ha uma diferenca de
gradiente perante o resto da imagem, levando assim a segmentacao dessas regioes.
Como forma de testar as consequencias da aplicacao de diferentes limiares a imagem, a
mesma foi segmentada utilizando os limiares nos valores de 15.5, 13.5 e 17.5, conforme pode
ser visto nas figuras 12, 13 e 14, respectivamente.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
44/59
43
Figura 13: Segmentacao Watershed Li-
miar = 13.5
Figura 14: Segmentacao Watershed Li-
miar = 17.5
Os melhores resultados foram conseguidos com o limiar em 15.5 (Figura 12). Com o valor
do limiar em 13.5, (Figura 13), ocorre uma super segmentacao dasareas ao redor do contorno
do tumor, ao passo que com o limiar em 17.5 (Figura 14), n ao se consegue mais identificar otumor.
Para a segunda bateria de testes foi usada uma imagem do banco de imagens (SOARES,
1998) em que o diagnosticoe de tumor benigno, identificada no banco de imagens com o nome
de bem26. Essa mesma imagem foi utilizada por (C. LEITE J.S. S., 2011) que no processamento
aplicou a tecnica de Limiarizacao e obteve o resultado indicado na Figura 15.
Figura 15: Tumor Benigno;Banco de Mamografias Digitalizadas
Na imagem original utilizada por Leite, (C. LEITE J. S. S., 2011) (Figura 16), neste projeto depesquisa foi aplicado o algoritmo de Watershed, cujo resultado obtido esta indicado na Figura
17.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
45/59
44
Figura 16: Imagem Original
Figura 17: Segmentacao Watershed Li-
miar = 5
Pode-se observar na Figura 17, o algoritmo nao teve eficiencia, pois nao foi capaz de lo-
calizar e segmentar o contorno do tumor. Isso se deve aos diferentes nveis de intensidade da
imagem, ou seja, o algoritmo de Watershed trabalha com a segmentacao calculando o gradiente
para todos os pixels da imagem.
O histograma presente na Figura 18 mostra detalhadamente a variacao dos pixels e do gra-
diente na imagem original, o que explica os motivos pelos quais a tecnica de segmentacao pelo
algoritmo de Watershed nao foi capaz de encontrar o tumor benigno.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
46/59
45
Figura 18: Histograma gerado a partir da imagem original
Em suma, podemos concluir que a tecnica de Watershed aplicada aos tumores malignos e
benignos nao obtiveram resultados suficientemente relevantes para serem colocadosa frente da
tecnica de Limiarizacao utilizada por Leite (C. LEITE J. S. S., 2011), uma vez que o objetivo do
processamento das imagense permitir uma segmentacao automatica que dispense a comparacao
visual da imagem original com a segmentada, de forma que os resultados apresentem o menor
grau possvel de falsos positivos, resultados estes que nao foram encontrados na aplicacao da
tecnica de Watershed.
6.2 Watershed
Zghal (ZGHAL N.S. MASMOUDI, 2010) utiliza-se da tecnica de Watershed para a segmentacao
e deteccao de uma forma melhor de processamento de imagens. Estae aplicadaa imagens retira-
das do banco de imagens (ARBELAEZ; MARTIN, 2007), onde as imagens disponveis ja passaram
por um pre processamento e disponibilizando o melhor resultado encontrado ate entao.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
47/59
46
Para que as comparacoes nao sejam parecidas e com a finalidade de se aperfeicoar a tecnica,
Zhal aplica um algoritmo proprio na imagem. Esse algoritmo consiste na uniao de duas tecnicas:
Watershed e Limiarizacao de OTSU, estaultima consiste num algoritmo de processamento, no
qual assume-se que a imagem possui dois comportamentos. O primeiro seria relativo ao fundo
da imagem, e o segundo corresponderia ao objeto propriamente dito. O metodo procura entao
um nivel otimo da imagem, pesando o histograma, removendo o peso da intensidade ate que
esta se torne mais leve. Repete-se esse processo n vezes ate que o equilbrio (pontootimo) da
imagem seja encontrado. A Figura 19 estabelece um comparativo entre a aplicacao do algoritmo
de Watershed puro, o contorno proposto por Zghal, e o proposto pela base de dados Berkley.
Figura 19: Contorno por Watershed; Contorno Proposto por Zhal; Contorno Proposto pela Base
de Dados Berkley
Utilizando-se da mesma imagem disponvel no banco de dados de Berkley(ARBELAEZ;
MARTIN, 2007), no escopo desta pesquisa foi aplicada a tecnica de Limiarizacao disponvel nas
funcoes nativas do Matlab, a fim de reunir dados que permitam a comparacao e determinacao
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
48/59
47
de qual tecnica foi mais eficiente na segmentacao quando comparados o resultado obtido pela
base de dados de Berkeley, e o resultado obtido com a aplicacao da tecnica de Limiarizacao
proposta por este trabalho.
Como pode ser observado na Figura 19, Zghal utilizou imagens de tr es categorias dife-
rentes: objeto, natureza e animal. A Figura 20 mostra a imagem original da categoria objeto,
disponvel no banco de dados citado sobre a qual foram aplicados os metodos de processamento
ja citados.
Figura 20: Imagem Original
Figura 21: Limiarizacao Equilibrada
Limiar = 0.2980
Com a Limiarizacao equilibrada mostrada na Figura 21, ja e possvel a identificacao doobjeto, no caso, o aviao. Contudo, ainda aparecem rudos no canto inferior esquerdo que podem
ser retirados com um limiar mais baixo conforme mostrado na Figura 22, onde apresenta-se a
imagem gerada com a aplicacao de um limiar = 0.2. Ja a Figura 23 mostra o que acontece
quando se aumenta o limiar. Neste caso, percebe-se uma super segmentacao, o que dificulta a
identificacao do aviao.
Figura 22: Limiarizacao com Limiar =
0.2
Figura 23: Limiarizacao com Limiar =
0.4
Com relacaoa categoria Natureza, foi utilizada a imagem presente na Figura 24. Os resul-
tados obtidos com a aplicacao da Limirizacao com um limiar equilibrado podem ser vistos na
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
49/59
48
Figura 25.
Figura 24: Imagem Original
Figura 25: Limiarizacao Equilibrada
Limiar = 0.2314
Pode-se observar que a Limiarizacao segmentou a floresta. Contudo, a lua que fora seg-
mentada pela tecnica de Watershed aplicada nos testes da base de dados de Berkley (ARBELAEZ;
MARTIN, 2007), e na pesquisa proposta por Zghal (ZGHAL N.S. MASMOUDI, 2010) nao foi en-
contrada. Este fato decorre de que ha pontos na imagem onde a intensidade luminosa e muito
elevada o que corresponde a floresta e a lua. Neste caso, a tecnica assume um limiar ideal,
geralmente encontrado no vale entre estes dois picos e segmenta a imagem em duas classes,
fundo e imagem. A tecnica com limiar otimo assumiu a floresta como imagem e o restantecomo sendo fundo.
A Figura 26 mostra o histograma gerado a partir da imagem original processada.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
50/59
49
Figura 26: Histograma Categoria Natureza
Se aumentarmos o limiar para 0.27 (Figura 27) e 0.4(Figura 28), pode-se observar queno primeiro caso houve a sementacao da lua, porem a imagem sofreu uma alteracao grande
em relacao aos rudos, nao propiciando resultados satisfatorios que justifiquem a aplicacao da
tecnica de Limiarizacao. Em relacao ao segundo limiar, (Figura 29), a imagem obtida apresen-
tou uma super segmentacao, aparecendo entao, apenas a lua, que era um dos picos do histo-
grama. Como o limiar aumentou, o processo de Limiarizacao destacou os pixels mais claro,
que correspondem aos picos mais a direita do histograma visualizado na Figura 26.
Figura 27: Limiarizacao com Limiar =
0.27
Figura 28: Limiarizacao com Limiar =
0.4
Na categoria animal, a imagem original utilizada esta evidenciada na Figura 29. A aplicacao
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
51/59
50
da Limiarizacao para comparacao com a tecnica de Watershed obteve o resultado expresso na
Figura 30.
Figura 29: Imagem Original
Figura 30: Limiarizacao Equilibrada
Limiar = 0.4314
A aplicacao da Limiarizacao, neste caso, nao obteve muito sucesso, pois mesmo aplicando
um limiarotimo,e possvel observar que alem do animal ter aparecido da imagem, que no caso
era o que queramos, encontramos tambem outras partes da imagem, como o reflexo na agua,
capim, nao favorecendo o reconhecimento preciso do animal. Contudo, se compararmos com
a imagem segmentada por Zghal (ZGHAL N.S. MASMOUDI, 2010), Figura 31, e a segmentacao
feita pela base de dados de Berkley (ARBELAEZ; MARTIN, 2007), podemos observar que tambemencontramos estes vestgios citados anteriormente.
Figura 31: Presenca de Outros Elementos Segmentados
Para que a presenca desses elementos seja retirada e necessario que seja aumentado o limiar.
Na Figura 32, apresenta-se o resultado obtido com a aplicacao de um limiar em 0.7. Neste caso,
conseguimos uma segmentacao mais focada no animal e nao nos outros elementos. A figura 33,
por sua vez, mostra o que acontece quando se aumenta o limiar. Neste caso, ocorreu uma perdasignificativa de conteudos da imagem.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
52/59
51
Figura 32: Limiarizacao com Limiar =
0.7
Figura 33: Limiarizacao com Limiar =
0.9
Dessa forma, podemos concluir que e possvel a aplicacao da tecnica de Limiarizacao naimagem da categoria objeto, pois utilizando-se um limiar = 0.2 (Figura 22), obtem-se resul-
tados satisfatorios, indicando que ha um grande potencial para o uso desta tecnica ao inves
da tecnica de Watershed, Watershed Modificada, apresentadas no trabalho de Zghal (ZGHAL
N.S. MASMOUDI, 2010) e Watershed segmentada pelo banco de imagens de Berkley (ARBELAEZ;
MARTIN, 2007).
A imagem da categoria Animal apresentada na Limiarizacaootima, (Figura 30), apresentou
um resultado bem proximo do que fora conseguido por Zghal (ZGHAL N.S. MASMOUDI, 2010) e
pelo banco de imagens de Berkley. Todavia, os testes demonstraram que com uma limiarizacao
maior que a ideal, pode-se obter um resultado ainda melhor, retirando alguns elementos que
apareciam a mais na segmentacao pela tecnica de Watershed.
O ponto negativo desta tecnica e relativaa imagem da categoria natureza, que nao obteve
resultados suficientes a ponto de ser considerada uma melhor segmentacao em relacao aos teste
realizados pela base de dados de Berkley e pelo autor Zghal (ZGHAL N.S. MASMOUDI, 2010). Fi-
cou evidente que, mesmo com um limiarotimo (Figura 25), ou variando este para mais ou para
menos (figuras 27 e 28, respectivamente), a segmentacao nao conseguiu um resultado gratifi-
cante, ora segmentando certas areas, ora nao, mantendo-se assim instavel. Neste caso, a melhor
tecnica para processamento desta imagem, se consideradas as tecnicas abordadas neste traba-
lho de pesquisa,e a descrita por Zghal, que segmentou por Watershed e aplicou em conjunto a
tecnica de Limiarizacao de Otsu, evidenciando ainda mais os contornos que foram previamente
segmentados pela tecnica de Watershed mostrada nos teste da base de dados de Berkley.
-
7/21/2019 Segmentao de Imagens - limiarizao e Watershed
53/59
52
7 Analise do Processo de Desenvolvimento da Pesqui