Processamento Imagens

Processamento Imagens

(Parte 2 de 2)

(a) (b) (c) (d)

Figura 5 - Matrizes para Filtragem de uma imagem. (a) - Imagem original. (b) - A imagem eqüivale à um filtro

Médio (passa-baixas). Os contornos perdem ligeiramente a nitidez. (c) - Filtro de detecção de variações bruscas no sentido horizontal (Passa-Alta). (d) - Filtro também Passa-Alta que melhora o contraste da imagem realçando os contornos do objeto.

VI - Segmentação

A segmentação consiste na primeira etapa de processamento da imagem quando consideramos uma análise do ponto de vista da INFORMAÇÃO nela presente. O termo segmentação vem do termo em inglês "image segmentation", criado durante os anos 80 [1]. Esta área representa até hoje uma linha de pesquisa importante do processamento de imagens, principalmente por ela estar na base de todo o processamento da informação em uma imagem.

Segmentar consiste na realidade em dividir a imagem em diferentes regiões, que serão posteriormente analisadas por algoritmos especializados em busca de informações ditas de "alto-nível". Por exemplo cada pixel na imagem da figura 2 poderia ser segmentadas em duas regiões: aqueles pertencentes as células e aqueles pertencentes ao fundo da imagem. A imagem obtida neste caso é composta por apenas duas regiões, por exemplo uma região branca (fundo) e outra preta (células/objeto). Esta imagem, com 2 níveis de cinza, é conhecida como Imagem Binária. Devido as grandes facilidades na manipulação deste tipo de imagens, principalmente porque reduzimos significativamente a quantidade de dados, elas são freqüentemente utilizadas no processo de tratamento da informação.

Existem diversas técnicas de segmentação de imagens, mas não existe nenhum método único que seja capaz de segmentar todos os tipos de imagem. Globalmente, uma imagem em níveis de cinza pode ser segmentada de duas maneiras: ou consideramos a semelhança entre os níveis de cinza ou consideramos as sua diferenças. A detecção de um contorno de um objeto, através de matrizes do tipo Passa-Alta, é um exemplo de técnicas baseado nas diferenças. Neste caso estamos segmentando as imagens em regiões que pertencem a borda do objeto.

VII - Reconhecimento

Reconhecimento é a parte do processamento que vai classificar os objetos a partir de informações encontradas na imagem, geralmente tendo como apoio uma base de conhecimento previamente estabelecida [6]. Esta fase é normalmente aplicada após uma fase de segmentação e parametrização da imagem. A fase de parametrização identifica e calcula parâmetros nos objetos segmentados. Um exemplo de parâmetros pertinentes a um objeto é o seu perímetro ou sua área [12].

A figura 6a apresenta uma imagem onde estão presentes duas classes, facilmente identificadas pelo SVH. Para construir um sistema de decisão que seja capaz de identificar estes dois objetos devemos segmentar a imagem em regiões: objeto e fundo. Os objetos da imagem correspondem às áreas dos pixels situados na região escura da imagem. O fundo correspondem aqueles pixels situados nas áreas claras da imagem. Esta etapa é realizada através da criação de uma imagem binária onde classificamos dois níveis, aqueles correspondentes ao objeto e ao fundo. Em seguida devemos atribuir a cada região contígua de pixels, na área pré-classificada “objeto”, um indicador (“label”) que os identifica, figura 6b. Nestes objetos, definidos ainda por uma área contígua de pixels, podemos aplicar algoritmos que executem medidas específicas, como área (A), perímetro (P), posição na imagem (xc,yc), número de furos, retângulo ou elipse que melhor se adapta a figura, etc. Adotamos aqui dois parâmetros específicos para criar um espaço de medias, são eles: a relação entre os eixos menor (b) e maior (a) da ELIPSE que melhor se aproxima do objeto e o FATOR DE FORMA (F). O fator de forma é um parâmetro definido pela equação:

O valor de F tenderá para 1 toda vez que a figura se aproximar de um circulo ideal. A figura 6c apresenta este espaço de medida para dois tipos de parâmetros. Os pontos presentes na figura representam diversos objetos da mesma classe, sendo os apresentados em negrito aqueles da figura 6a. A realização de medidas, destes parâmetros na imagem, pode se tornar imprecisa, principalmente devido ao processo de binarização da imagem. A qualidade final da imagem binária é diretamente dependente da qualidade de iluminação da mesma. Um bom espaço de medidas significa na prática um eficiente sistema de reconhecimento de formas, e este deve ser o mais independente possível dos erros provenientes da segmentação ou da parametrização. A figura 6c apresenta uma função discriminante que permite separar as duas populações de pontos. No caso de utilização de mais parâmetros para auxiliar a identificação esta função será um hiper-plano no espaço.

É importante ressaltar que para diferenciarmos as duas classes da figura 6 poderíamos utilizar apenas um dos dois parâmetros, reduzindo o espaço 2D em um único eixo. Porem as duas nuvens de pontos passariam a estar muito próximas uma da outra podendo o resultado ser comprometido pela por esta redução. Devemos ressaltar que espaços de medidas são muito importantes e utilizados em reconhecimento de formas, seja por métodos clássicos ou aqueles que usam métodos baseados em Redes Neurais.

(a) (b)

Classe dos Alicates

Classe das Canetas

Elipse (a/b)

Fator de Forma

(c)

Figura 6 - Uso de “espaço de medidas” no reconhecimento de duas Formas. (a) Imagem original com a presença de duas classes de objetos: canetas e alicate. (b) A imagem foi binarizada e os “objetos” receberam um identificador (“label”). (c) Os parâmetros são obtidos de cada um dos objetos identificados e o espaço de medidas separa as duas classes. Na imagem observamos uma população de pontos que caracterizam a região que corresponde a classe. Os três pontos em destaque identificam os três objetos da figura original. Veja o texto para maiores detalhes.

VIII - Conclusão

Neste artigo discutimos técnicas básicas e introdutórias de processamento de imagens e quando foi o caso exemplificando-as diretamente em uma imagem. Devemos lembrar que na prática o processamento de imagens é uma técnica extremamente dependente do problema que queremos resolver. Muitos dos procedimentos usados em processamento de imagens ou visão por computador podem ser caracterizados de rudimentares ou mesmo artezanais quando comparados ao complexo sistema visual humano, pois serão específicos para cada aplicação.

Normalmente as técnicas de processamento de imagens estão baseadas em métodos matemáticos que permitem descrever quantitativamente imagens das mais diversas origens. Uma imagem pode, de alguma forma, ser descrita independentemente do que ela representa e, a princípio todos os parâmetros que tem uma característica bidimensional ou topológico são convenientes. Em cada objeto definido em um espaço 2D nós podemos efetuar medidas de superfície, perímetros, comprimentos, espessura, posição, etc, e em seguida deduzir grandezas estatísticas de uma forma automática. É importante ressaltar que a análise automática é imprescindível quando queremos efetuar transformações sucessivas na imagem.

Informações sobre equipamentos: O investimento em equipamento de processamento de imagens são ainda muito caros. Um hardware dedicado de processamento de imagens com um bom software de análise pode custar mais de R$100.0, (e são dificilmente encontrados no Brasil). Alguns fabricantes importantes de sistemas de processamento de imagens são: Data Translation, Matrox e a Hamamatsu. Do ponto de vista do grande público podemos encontrar sistemas de processamento de imagens mais simples, mas em geral muito dependente do processador do computador onde esta associado a placa de processamento. Um sistema barato pode custar na faixa de R$3.0, permitindo apenas a aquisição e alguns tratamentos que visam melhorar a qualidade visual da imagem. É importante lembrar que existe, para o ambiente Mac-OS e Unix, sistemas de boa qualidade de domínio público. Para o Macinstosh o software é o NIH-Image do Instituto Americano de Saúde ("National

Institute of Health") ver : ftp anonymous : zippy.nimh.nih.gov (pub/nih-image). Para o Unix existe o sistema Khoros, desenvolvido pela Universidade do Novo México, ver http://www.khoros.unm.edu/.

IX - Referencias:

12. “Visual Language and software development environment for image processing” – J. Rasure,

D.Argiro, T.Sauer e C.Williams – Jour. of Imaging System and Technology – vol.2, p. 183-199 – 1990

(Parte 2 de 2)

Comentários