Processamento de Imagens: Mtodos e Anlises

Mrcio Portes de Albuquerque e Marcelo Portes de Albuquerque mpa@cbpf.br e marcelo@cbpf.br

Centro Brasileiro de Pesquisas Fsicas CBPF/MCT Coordenao de Atividades Tcnicas - CAT Rua Dr. Xavier Sigaud n.150 22290-180 Rio de Janeiro - Brasil

Resumo
Neste artigo procuramos dar uma viso da rea de processamento digital de imagens e suas aplicaes. Abordamos conceitos importantes sobre a representao espacial de um pixel, a medida de distncias, a segmentao de uma imagem e o reconhecimento de formas. Utilizamos situaes reais para exemplificarmos as tcnicas apresentadas. nosso objetivo abordar de forma introdutria e simplificada o tema. Ao final discutimos sobre os diversos pacotes existentes para processamento digital de imagens e apresentamos uma bibliografia til para se aprofundar em processamento de imagens e viso por computador.

I. Introduo
O Processamento de imagens certamente uma rea em crescimento. Diversos temas cientficos so abordados e em alguns casos de carter interdisciplinar. Entre eles podemos citar: a compreenso de imagens, a anlise em multi-resoluo e em multi-frequncia, a anlise estatstica, a codificao e a transmisso de imagens, etc. Mas o que faz do processamento de imagens uma disciplina to particular e complexa ? O que faz com que no tenhamos ainda sistemas de alta performance de reconhecimento de caracteres ou de formas mais complexas ? A resposta a estas questes sero discutidas ao longo deste artigo onde apresentaremos problemas e aplicaes que demandam tcnicas especializadas de processamento de imagens com o intuito de compreender e responder a estas questes. A disciplina Processamento de Imagens vem na realidade do Processamento de Sinais. Os sinais, como as imagens, so na realidades um suporte fsico que carrega no seu interior uma determinada
INFORMAO.

Esta

INFORMAO

pode estar associada a uma medida (neste caso falamos

de um sinal em associao a um fenmeno fsico), ou pode estar associada um nvel cognitivo (neste caso falamos de conhecimento). Processar uma imagem consiste em transform-la sucessivamente com o objetivo de extrair mais facilmente a
INFORMAO

nela presente. Cabe neste momento fazer uma

comparao entre o Processamento de Imagem e rea de Computao Grfica, tcnica que encontramos freqentemente aplicadas atravs de seqncias animadas na televiso ou em filmes de cinema. A Computao Grfica parte de uma
INFORMAO

precisa para obter uma imagem ou um filme.

O Processamento de Imagens parte da imagem (de uma informao inicial que geralmente captada por uma camera) ou de uma seqncia de imagens para obtermos a INFORMAO. Deste ponto de vista o Processamento de Imagens e a Computao Grfica so exatamente mtodos opostos, mas isto no quer dizer que as tcnicas envolvidas em cada caso no possam ser as mesmas ou pelo menos complementares [1, 2 e 3]. evidente que neste sentido processar uma imagem, como feito pelo sistema visual humano (SVH), extremamente complexo [4, 5, 6 e 7]. Realizar as mesmas tarefas que o SVH, com a ajuda de mquinas, exige por antecedncia uma compreenso filosfica do mundo ou dos conhecimentos humanos. Esta caracterstica faz com que o processamento de imagens seja, atualmente, uma disciplina com extrema dependncia do sistema no qual ele est associado, no existindo no entanto uma soluo nica e abrangente para todos os problemas. Da a
NO

existncia,

at o momento, de sistemas de anlise de imagens complexos e que funcionem para todos os casos. A analise quantitativa e a interpretao de imagens representa atualmente um ponto de apoio importante em diversas disciplinas cientficas. Tal o caso por exemplo na cincia dos materiais, na biofsica, na medicina, na fsica da matria condensada, etc. Na realidade a diversidade de aplicaes

do processamento de imagens, est associada diretamente a anlise da

INFORMAO

que falamos

acima. Pois em todas estas disciplinas estamos na realidade em busca de informaes quantitativas que representem um fenmeno estudado. Quando observamos do ponto de vista da tica, uma imagem um conjunto de pontos que convergem para formar um todo, mas podemos dizer de uma maneira mais ampla que uma imagem o suporte para efetuarmos troca de
INFORMAES.

O termo

imagem estava inicialmente associado ao domnio da luz visvel, porm atualmente muito freqente ouvirmos falar de imagens quando uma grande quantidade de dados esto representados sob a forma bidimensional (por exemplo: as imagens acsticas, ssmicas, de satlites, infravermelhas, magnticas etc). Os mtodos recentes de explorao automtica desta informao permitiu o desenvolvimento de tcnicas complexas, que podem ser globalmente classificadas em duas grandes linhas. A primeira est associada a uma
MELHORIA ANLISE

da informao e a segunda representa as tcnicas que permitam obter uma

(do termo em ingls ENHANCEMENT) significativa da imagem. Nos pargrafos posteriores

vamos discutir cada uma destas linhas.

I.1 - Anlise
O termo anlise est relacionada a parte do tratamento onde existe uma descrio da
INFORMAO

presente na imagem. Esta parte chamada de parametrizao e nela que vrias

medidas quantitativas (parmetros) so utilizadas para descrever diferentes informaes dentro de uma imagem. Algumas aplicaes tpicas so: a determinao do nmero de clulas presentes em um tecido biolgico, o clculo das formas dos contornos de uma clula ou ainda a determinao da distribuio de uma populao especfica de um conjunto de clulas. As tcnicas dedicadas a anlise de imagens podem variar significativamente segundo a sua complexidade e a necessidade em tempo de processamento. E nesta rea que vamos encontrar um nvel elevado de complexidade no tratamento da informao. Um exemplo prtico e quando da classificao automtica de clulas doentes dentro de um conjunto de clulas observadas em microscopia. Esta anlise especfica demanda solues dadas pelas tcnicas de CLASSIFICAO
E RENCONHECIMENTO DE FORMAS,

que

discutiremos brevemente posteriormente neste artigo. Neste caso devemos rapidamente medir vrios parmetros, pertinentes ao problema, na imagem, como por exemplo: a superfcie, a forma de cada clula, sua quantidade, o nmero de clulas vizinhas a uma dada clula e a densidade de clulas em uma dada regio. Em seguida comparamos estas medidas com vrias classes de clulas organizadas em uma base de dados, catalogadas anteriormente. Obteremos ento uma classificao das clulas com uma dada probabilidade de serem clulas doentes ou normais.

I.2 - Image Enhancement

O termo enhancement esta associado a melhoria da qualidade de uma imagem, com o objetivo posterior de ser julgado por um observador humano. De uma forma geral ns vamos trabalhar nos nveis de cinza da imagem, transformando-os para aumentar o contraste ou para colocar em evidncia alguma regio de interesse particular. Alguns exemplos deste tipo de tcnica a subtrao da imagem por uma imagem referncia, a utilizao de cores-falsas, a utilizao de filtros espaciais, a correo de deformaes espaciais devido a tica ou devido a uma variao de inomogeneidade da iluminao de fundo. Os sistemas dedicados a melhorar a qualidade da imagem trabalham geralmente muito rpido, pois so construdos em hardware ou firmeware, permitindo rapidamente ao usurio um julgamento sobre vrias imagens processadas, segundo o tipo de tratamento. Esta tcnica

encontrada na maioria dos programas de tratamento de imagens ou fotografias que esto atualmente no mercado, mas com algoritmos implementados em software, para computadores do tipo PC.

I.3 - Sistema Geral de Viso

Um sistema geral de viso, isto , um sistema que deve responder a todas as situaes, como o caso do Sistema Visual Humano, extremamente desenvolvido e complexo. O interesse em se compreender um tal sistema fundamentalmente de orientar a pesquisa de uma mquina de reconhecimento genrica com as mesmas caractersticas do SVH. Atualmente algumas correntes cientficas consideram o crebro humano uma mquina com grande capacidade de explorar as informaes sensoriais. Filosoficamente no se pretende, com estas linhas de pesquisas, retirar as qualidades humanas associadas ao crebro ou aos homens. Mas devemos atentar para alguns pontos fundamentais: os computadores atuais so extremamente eficientes para trabalharem com base de dados, clculos numricos e formais, mas eles no conseguem realizar eficientemente algumas tarefas simples realizadas por animais e seres-humanos. Fica ento uma questo, que parte integrante das linhas de pesquisas modernas em processamento de imagens: Seria realmente o computador a maquina mais adaptada para resolver estes problemas ? Um exemplo prtico o processo de reconhecimento de uma pessoa pelo SVH. O trabalho realizado pelo crebro nos parece muito simples e bastante elementar; porm uma anlise detalhada mostra que o crebro humano capaz, a partir de uma grande quantidade de informaes de luminncia e crominncia (captada pelos olhos) de realizar esta tarefa de reconhecimento em apenas 150ms. Os computadores atuais so na pratica sistemas experimentais que nos ajudam a melhor compreender estas tarefas e consequentemente modeliz-las e reproduz-las.

I.4 - Sistemas Experimentais

Quando o sistema se restringe a sistemas experimentais, isto , ele orientado para a soluo de um problema especfico, a tarefa prtica de uma certa forma simplificada, pois poderemos controlar alguns parmetros que um sistema geral de viso no tem acesso. A dificuldade est no fato de que devemos dar uma descrio objetiva ao problema e para aquelas anlises que so cientficas ainda importante que esta descrio seja quantitativa. O objetivo neste caso desenvolver um sistema de tratamento da informao onde cada fase vai exigir mtodos para retirar da imagem os parmetros que exprimam esta informao. Fica assim evidente que o processamento de imagens, quando associado a sistemas experimentais, bastante dependente do problema a ser resolvido. Neste instante as fases de pr-tratamento (seja na imagem ou fora dela, como por exemplo o controle da iluminao externa) podem ter um peso importante quando queremos aumentar a performance computacional do sistema. Um sistema de processamento de imagens pode ser de uma maneira geral dividido nas seguintes etapas:

ETAPA 1. 2. 3. 4. 5. 6. 7. Tratamento fora da imagem Aquisio da imagem Melhoramento (image enhancement) * Segmentao da informao * Parametrizao * Reconhecimento * Anlise Quantitativa: * Aplicao da ferramenta a outras reas cientficas.

DESCRIO Correo de iluminao, uso de colorantes qumicos, etc. Amostragem, armazenamento e compactao. Pr-tratamento digital da imagem. Extrao dos objetos do fundo da imagem Determinao de grandezas sobre cada objeto: rea, permetro, forma, descrio estrutural, topologia, etc Classificao dos objetos Associao das grandezas ao problema: determinao de funes de correlao espacial ou temporal, anlise de seqncia de imagens, etc.

* - Fases com extrema dependncia ao problema onde o Proc. de Imagens est aplicado. Discutimos at aqui questes importantes e essenciais para a compreenso de um sistema de processamento de imagens quando utilizado como ferramenta para a soluo de um determinado problema. Nos pontos seguintes vamos entrar mais em detalhes nas tcnicas de processamento e em especial discutiremos os elementos principais de um sistema digital de processamento de imagens. Discutiremos tambm as tcnicas e os problemas que podemos encontrar na implementao de sistemas de processamento de imagens: como a discretizao, a medida de distncias em imagens digitais, a conectividade entre pixels etc. Veremos ao final tcnicas de filtragem espacial, segmentao de imagem e reconhecimento de formas.

II - Sistema de Processamento de Imagens

Um sistema de processamento de imagens pode ser dividido em diversos componentes independentes, como mostrados na figura 1.

Figura 1 - Diagrama em blocos de um sistema genrico de processamento de imagens. O retngulo pontilhada indica as partes encontradas atualmente nos sistemas de processamento de imagens comercializados. O poder do processamento esta associado a potencialidade do processador grfico e a capacidade de estocagem de imagens na memria principal. A organizao desta memria pode variar segundo a resoluo ou a necessidade de estocagem de grande quantidades de imagens. Veja o texto para maiores detalhes.

O mdulo de entrada constitudo por uma camera que capta a imagem real de uma cena. Esta camera envia a informao sob a forma de sinal analgico de vdeo, um conversor analgico digital. A imagem ento representada na forma digital. Uma imagem digital discretizada espacialmente (ou seja em x e y) e em luminncia (nveis de cinza). A ttulo de exemplo, uma imagem tpica de 640x480 por 256 nveis-de-cinza tem 307.200 bytes. Alguns exemplos de mdulos de aquisio so: as cameras tubo (Vidicom) ou CCD, os scanners ou ainda alguns sensores dedicados (como sistemas de infravermelho, mapeamento magntico de uma superfcie, sensoriamento de radares, etc). A camera de vdeo o sensor de aquisio de imagem mais freqentemente utilizado. Uma camera de vdeo apresenta caractersticas de sensibilidade, resoluo e funo de transferncia (entre a imagem captada da cena e a intensidade do sinal de vdeo fornecido). Algumas cameras mais sofisticadas permitem ainda controlar o offset ou ganho do sinal de vdeo, possibilitando uma correo do contraste da imagem em tempo real. Em alguns casos podemos encontrar mdulos que permitem o ajuste da iluminao de fundo ou ainda realar os contornos dos objetos atravs da execuo de funes especficas [2].

O sinal de vdeo gerado pelo dispositivo de aquisio convertido em sinal discreto pelo conversor A/D. Este conversor um dispositivo de converso especial para sinais de vdeo, onde a aquisio realizada segundo a padronizao do sinal de vdeo (linha a linha). Aps a converso da imagem pelo mdulo de converso analgica digital, cada intensidade indexa uma tabela de converso. Esta tabela conhecida como "Look-up table" ou simplesmente LUT. As LUTs so na realidade memrias que possibilitam a modificao das intensidades adquiridas por valores pr-programados. Podemos por exemplo configurar uma LUT com uma funo especfica e corrigir, em tempo real, o contraste de uma imagem que esta sendo adquirida pelo ADC. A imagem digital em seguida armazenada em uma memria principal de acesso exclusivo de um processador grfico. Este processador bastante dependente do sistema de processamento de imagens utilizado. Em alguns casos, por questes de custos, ele pode mesmo no existir, deixando todo o processamento para o processador principal no computador de controle.

Neste texto considerarmos somente imagens em nveis de cinza, pois grande parte dos algoritmos de anlise de imagens coloridas so feitas recombinando as componentes de cores e trabalhando com a informao de luminncia somente. No caso de imagens coloridas cada componente da imagem ("Red", "Green" e "Blue") armazenada separadamente na memria principal.

A imagem de sada geralmente reconstruda atravs de conversores digitais /Analgicos (DAC), onde so somados pulsos de sincronizao para gerao do sinal de vdeo. Este formato de sinal bastante utilizado por ser padro adotado por todos os fabricantes de equipamentos de vdeo. Antes de ser reconvertido o sinal pode passar por outra LUT, desta vez a LUT de sada, que uma tabela de indexao dos nveis de cinza na imagem para os nveis de sado enviado ao display grfico. Podemos por exemplo configurar esta tabela com falsas cores e observarmos "on-line" diferentes regies com cores diferentes. A figura 2 apresenta um exemplo da tcnica de "falsas cores" usada em uma imagem de aglomeraes de lquidos magnticos. As clulas observadas na figura correspondem a uma maior densidade do lquido magntico, observada atravs de uma tcnica conhecida como Densimetria. A fonte luminosa envia um feixe de luz atravs do lquido. Cada pixel na imagem digital

representa na realidade uma medida da absoro da luz pelo lquido. Nas regies mais escuras a absoro da luz maior, nas mais claras esta menor. As falsas cores permitem rapidamente relacionar as regies equivalentes (em intensidade luminosa) em diferentes partes da imagem.

Figura 2 - Uso de falsas cores : A imagem da esquerda corresponde a uma estrutura hexagonal de um liquido magntico semi-transparente observada em detalhes. Cada clula apresenta aproximadamente 0.5cm de dimetro. Cada ponto da imagem corresponde a uma medida de absoro da luz. A absoro maior no centro das clulas que nas suas bordas. Numa imagem em nveis de cinza praticamente impossvel identificar as mesmas intensidades (absoro) em diferentes objetos. A imagem da direita corresponde a mesma da esquerda, mas com uma LUT de cores. Cada nvel, ou regies contguas so associadas a diferentes cores, indo do preto ao amarelo, passando pelo vermelho.

III - Pixel e Conectividade.

Um pixel ("picture element" ou "pel") o elemento bsico em uma imagem. A forma mais comum para o pixel a forma retangular ou quadrada. O pixel tambm um elemento de dimenses FINITAS na representao de uma imagem digital. Freqentemente, a organizao de uma imagem sob a forma de uma matriz de pixels feita em uma simetria quadrada, i.e., na forma de um tabuleiro de xadrez. Isto se deve a facilidade de implementao eletrnica, seja dos sistemas de aquisio seja dos sistemas de visualizao de imagens. importante lembrar que este tipo de organizao provoca o aparecimento de dois problemas importantes nas tcnicas de processamento. Em primeiro lugar um pixel no apresenta as mesmas propriedades em todas as direes, i.e., ele anisotrpico. Esta propriedade faz com que um pixel tenha 4 vizinhos de borda e 4 vizinhos de diagonal. Esta propriedade nos fora a definir o tipo de conectividade que vamos trabalhar, ou D4 (onde levamos em considerao apenas os vizinhos de borda) ou em D8 (onde levamos em considerao os vizinhos de borda e os de diagonal). O segundo problema conseqncia direta do primeiro, ou seja as distncias entre um ponto e seus vizinhos no a mesma segundo o tipo de vizinho (ela igual a 1 para vizinhos de borda e

2 para aqueles na diagonal). Alguns tipos de algoritmos que so sensveis a este problema so : as

operaes morfolgicas que usam uma matriz de anlise do tipo 3x3, as operaes de esqueletizao em anlise de formas e principalmente as transformaes de Distncias (na transformao de distncia cada ponto da imagem ao invs de representar uma intensidade luminosa, representa uma distncia de um dado ponto referncia ao ponto calculado). A soluo para este tipo de representao discreta da imagem, a correo dos valores calculados atravs de mscaras (pequenas matrizes) que ajustam ou ponderam estas distncias em funo da direo. O leitor deve atentar para as possveis complicaes em medidas de distncias quando trabalhamos com um pixel que no seja de forma quadrada.

Regio de Interesse
Um conceito importante em processamento de imagens a Regio de Interesse. Entende-se como Regio de Interesse (ROI - "Region Of Interest" ou AOI - "Area Of Interest") a regio definida

automaticamente a partir de parmetros obtidos na prpria imagem (ou por um usurio) onde o processamento estar totalmente concentrado. Podemos, por exemplo, definir uma regio de interesse onde sabemos por antecedncia que a iluminao de fundo constante ou foi corrigida. Normalmente, nas tcnicas de processamento de imagens iremos sempre encontrar problemas no tratamento das bordas da imagem. A criao de regies de interesse faz com que apaream tambm problemas nas bordas das regies de interesse. A soluo deste problema completamente dependente do problema ao qual o processamento de imagens esta associado, i.e., ao que conhecemos e podemos levar em considerao anteriormente ao processamento.

IV - Distncias
Quando trabalhamos com imagens muito freqente medirmos distncias. Em muitos casos usamos a definio clssica de distncia euclidiana entre dois pontos. Porem devido aos problemas apresentados no pargrafo anterior se torna evidente que a simetria quadrada interfere na execuo de alguns algoritmos. Existem diferentes medidas de distncia em funo da conectividade utilizada. Por exemplo se considerarmos dois pontos p(x,y), q(s,t), da figura 3, teremos as seguintes definies de distncia.

Figura 3 - Conexo entre dois pontos p(x,y) e q(s,t). A distncia entre estes dois pontos pode ser determinada de diversas maneiras. Os nmeros 1 e 2 representam os pixels que seriam percorridos somente uma vez nas duas representaes possveis quando samos de p para q. O nmero 3 indica os pixels percorridos pelos dois caminhos.

Distncia Euclidiana : De( p, q ) D4 ou Distncia Manhattan :

= ( x s) 2 + ( y t ) 2 D4( p, q ) = x s + y t . importante lembrar que em

D4 s podemos nos movimentar para a horizontal e para vertical. Os caminhos mostrados pela figura 3 no servem para D4.
D8 ou Distncia Tabuleiro de Xadrez: caminhos representados na figura 3.
Por exemplo, considere a medida do permetro de uma determinada forma, como aquela mostrada na figura 4. Em uma imagem digital o permetro de uma determinada forma corresponde a contagem dos pixels pertencente a borda do objeto. importante lembrar que em alguns casos, antes de realizarmos a medida de distncias devemos antes isolar a forma do resto da image (discutiremos este tpico no capitulo dedicado a Segmentao). Devemos conectar todos os pixels que pertenam ao seu contorno para em seguida podermos medir o seu permetro. Na forma representada na figura 4 estamos supondo j conhecermos todos os pontos que pertenam a sua borda, para em seguida calcularmos o seu permetro.

D8( p , q ) = Max ( x s , y t ) . Veja os dois

Figura 4 - Determinao do permetro de uma forma usando conectividade D8. Aps isolar o objeto do fundo da imagem, devemos identificar os pontos que pertenam ao seu contorno. Escolhemos um ponto inicial ao acaso e em seguida estes pontos devem ser conectados para efetuarmos o clculo do seu comprimento. O leitor deve atentar para o fato de que segundo o tipo de conectividade adotada (D4 ou D8) teremos valores diferentes para o permetro.

V - Filtragem
Em processamento de imagens, os filtros lineares so geralmente descritos atravs de matrizes de "convoluo". No iremos aqui entrar em detalhes de filtros lineares, pois este assunto foge ao escopo deste artigo, mas apenas descrever basicamente alguns pontos importantes em filtragens. Maiores detalhes sobre este assunto pode ser encontrado em [1, 8 e 9]. Um filtro numrico vai influenciar a variao da freqncia espacial em uma imagem. Na freqncia temporal a escala usada geralmente o Hertz (s ), em uma imagem usamos o 1/metro (m ) ou 1/pels (pix ). O termo freqncia espacial anlogo ao termo freqncia temporal e ela descreve a velocidade de modificao de uma luminosidade em uma direo em uma imagem. Na prtica, para realizarmos uma operao de filtragem espacial, devemos escolher uma matriz de dimenso n x n com valores que dependem do filtro que queremos usar, seja ele passa baixa (filtrando as altas freqncias), passa faixa (filtrando uma regio especfica de freqncias espaciais) ou passa alta (filtrando as baixas freqncias). Em uma imagem, as altas freqncias correspondem as modificaes abruptas dos nveis de cinza, i.e., as bordas dos objetos. As baixas freqncias correspondem as variaes suaves dos nveis de cinza. Logo quando queremos evidenciar os contornos de um determinado objeto podemos usar filtros do tipo passa-alta. Em outros casos podemos estar interessado na forma da iluminao de fundo, onde devemos usar filtros passa-baixa para eliminarmos todas as altas freqncias correspondendo a borda dos objetos, e chegar a iluminao de fundo. Resumidamente na figura 5 apresentamos 3 filtros clssicos representados em uma pequena matriz 3x3 e seu efeito numa imagem exemplo (Fig. 5a). Toda as operaes realizadas consistem em gerar uma nova imagem onde cada ponto desta imagem corresponde a uma soma dos produtos termo a termo da matriz 3x3 com imagem original. Por exemplo a aplicao do filtro Mdio (todos os elementos iguais a 1 - Fig. 5b) em uma imagem, eqivale a um imagem final onde cada pixel corresponde a media local, na imagem original, dele com os 8 pixels vizinhos. Veja o seu efeito na figura 5b. Considere agora o efeito do filtro passa-alta da figura 5c. Todas as variaes fortes horizontais, que correspondem as bordas horizontais do objeto, ficaram na imagem final filtrada. No detalhamos aqui os problemas de representao em nmeros inteiro dos nveis de cinza e de operaes em "ponto flutuante", como mdia ou mdias ponderadas. Neste caso os valores da nova imagem devem ser truncados ou renormalizados em funo dos valores mximos e mnimos trabalhados.
-1 -1 -1

1 1 1
(a)

1 1 1
(b)

1 1 1

- 1 -1 -1 0 0 0 +1 +1 +1
(c)

0 -1 0 -1 + 5 -1 0 -1 0
(d)

Figura 5 - Matrizes para Filtragem de uma imagem. (a) - Imagem original. (b) - A imagem eqivale um filtro Mdio (passa-baixas). Os contornos perdem ligeiramente a nitidez. (c) - Filtro de deteco de variaes bruscas no sentido horizontal (Passa-Alta). (d) - Filtro tambm Passa-Alta que melhora o contraste da imagem realando os contornos do objeto.

VI - Segmentao
A segmentao consiste na primeira etapa de processamento da imagem quando consideramos uma anlise do ponto de vista da INFORMAO nela presente. O termo segmentao vem do termo em ingls "image segmentation", criado durante os anos 80 [11]. Esta rea representa at hoje uma linha de pesquisa importante do processamento de imagens, principalmente por ela estar na base de todo o processamento da informao em uma imagem. Segmentar consiste na realidade em dividir a imagem em diferentes regies, que sero posteriormente analisadas por algoritmos especializados em busca de informaes ditas de "alto-nvel". Por exemplo cada pixel na imagem da figura 2 poderia ser segmentadas em duas regies: aqueles pertencentes as clulas e aqueles pertencentes ao fundo da imagem. A imagem obtida neste caso composta por apenas duas regies, por exemplo uma regio branca (fundo) e outra preta (clulas/objeto). Esta imagem, com 2 nveis de cinza, conhecida como Imagem Binria. Devido as grandes facilidades na manipulao deste tipo de imagens, principalmente porque reduzimos significativamente a quantidade de dados, elas so freqentemente utilizadas no processo de tratamento da informao. Existem diversas tcnicas de segmentao de imagens, mas no existe nenhum mtodo nico que seja capaz de segmentar todos os tipos de imagem. Globalmente, uma imagem em nveis de cinza pode ser segmentada de duas maneiras: ou consideramos a semelhana entre os nveis de cinza ou consideramos as sua diferenas. A deteco de um contorno de um objeto, atravs de matrizes do tipo Passa-Alta, um exemplo de tcnicas baseado nas diferenas. Neste caso estamos segmentando as imagens em regies que pertencem a borda do objeto.

VII - Reconhecimento
Reconhecimento a parte do processamento que vai classificar os objetos a partir de informaes encontradas na imagem, geralmente tendo como apoio uma base de conhecimento previamente estabelecida [6]. Esta fase normalmente aplicada aps uma fase de segmentao e

parametrizao da imagem. A fase de parametrizao identifica e calcula parmetros nos objetos segmentados. Um exemplo de parmetros pertinentes a um objeto o seu permetro ou sua rea [12]. A figura 6a apresenta uma imagem onde esto presentes duas classes, facilmente identificadas pelo SVH. Para construir um sistema de deciso que seja capaz de identificar estes dois objetos devemos segmentar a imagem em regies: objeto e fundo. Os objetos da imagem correspondem s reas dos pixels situados na regio escura da imagem. O fundo correspondem aqueles pixels situados nas reas claras da imagem. Esta etapa realizada atravs da criao de uma imagem binria onde classificamos dois nveis, aqueles correspondentes ao objeto e ao fundo. Em seguida devemos atribuir a cada regio contgua de pixels, na rea pr-classificada objeto, um indicador (label) que os identifica, figura 6b. Nestes objetos, definidos ainda por uma rea contgua de pixels, podemos aplicar algoritmos que executem medidas especficas, como rea (A), permetro (P), posio na imagem (xc,yc), nmero de furos, retngulo ou elipse que melhor se adapta a figura, etc. Adotamos aqui dois parmetros especficos para criar um espao de medias, so eles: a relao entre os eixos menor (b) e maior (a) da
ELIPSE

que melhor se aproxima do objeto e o

FATOR DE FORMA

(FF). O

fator de forma um parmetro definido pela equao: FF = P /(4p A) O valor de FF tender para 1 toda vez que a figura se aproximar de um circulo ideal. A figura 6c apresenta este espao de medida para dois tipos de parmetros. Os pontos presentes na figura representam diversos objetos da mesma classe, sendo os apresentados em negrito aqueles da figura 6a. A realizao de medidas, destes parmetros na imagem, pode se tornar imprecisa, principalmente devido ao processo de binarizao da imagem. A qualidade final da imagem binria diretamente dependente da qualidade de iluminao da mesma. Um bom espao de medidas significa na prtica um eficiente sistema de reconhecimento de formas, e este deve ser o mais independente possvel dos erros provenientes da segmentao ou da parametrizao. A figura 6c apresenta uma funo discriminante que permite separar as duas populaes de pontos. No caso de utilizao de mais parmetros para auxiliar a identificao esta funo ser um hiper-plano no espao. importante ressaltar que para diferenciarmos as duas classes da figura 6 poderamos utilizar apenas um dos dois parmetros, reduzindo o espao 2D em um nico eixo. Porem as duas nuvens de pontos passariam a estar muito prximas uma da outra podendo o resultado ser comprometido pela por esta reduo. Devemos ressaltar que espaos de medidas so muito importantes e utilizados em reconhecimento de formas, seja por mtodos clssicos ou aqueles que usam mtodos baseados em Redes Neurais.
2

(a)

(b)

10

12

10

Classe das Canetas

Elipse (a/b)

6 Classe dos Alicates

2 4 5 6 7 8 9 10 11 12

Fator de Forma

(c)
Figura 6 - Uso de espao de medidas no reconhecimento de duas Formas. (a) Imagem original com a presena de duas classes de objetos: canetas e alicate. (b) A imagem foi binarizada e os objetos receberam um identificador (label). (c) Os parmetros so obtidos de cada um dos objetos identificados e o espao de medidas separa as duas classes. Na imagem observamos uma populao de pontos que caracterizam a regio que corresponde a classe. Os trs pontos em destaque identificam os trs objetos da figura original. Veja o texto para maiores detalhes.

VIII - Concluso
Neste artigo discutimos tcnicas bsicas e introdutrias de processamento de imagens e quando foi o caso exemplificando-as diretamente em uma imagem. Devemos lembrar que na prtica o processamento de imagens uma tcnica extremamente dependente do problema que queremos resolver. Muitos dos procedimentos usados em processamento de imagens ou viso por computador podem ser caracterizados de rudimentares ou mesmo artezanais quando comparados ao complexo sistema visual humano, pois sero especficos para cada aplicao. Normalmente as tcnicas de processamento de imagens esto baseadas em mtodos matemticos que permitem descrever quantitativamente imagens das mais diversas origens. Uma imagem pode, de alguma forma, ser descrita independentemente do que ela representa e, a princpio todos os parmetros que tem uma caracterstica bidimensional ou topolgico so convenientes. Em cada objeto definido em um espao 2D ns podemos efetuar medidas de superfcie, permetros, comprimentos, espessura, posio, etc, e em seguida deduzir grandezas estatsticas de uma forma automtica. importante ressaltar que a anlise automtica imprescindvel quando queremos efetuar transformaes sucessivas na imagem.

Informaes sobre equipamentos: O investimento em equipamento de processamento de imagens so ainda muito caros. Um hardware dedicado de processamento de imagens com um bom software de anlise pode custar mais de R$100.000, (e so dificilmente encontrados no Brasil). Alguns fabricantes importantes de sistemas de processamento de imagens so: Data Translation, Matrox e a Hamamatsu. Do ponto de vista do grande pblico 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$3.000, permitindo apenas a aquisio e alguns tratamentos que visam melhorar a qualidade visual da imagem. importante lembrar que existe, para o ambiente Mac-OS e Unix, sistemas de boa qualidade de domnio pblico. Para o Macinstosh o software o NIH-Image do Instituto Americano de Sade ("National

11

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 Mxico, ver http://www.khoros.unm.edu/.

IX - Referencias:
1. 2. 3. 4. 5. "Digital Image Processing" - R.C.Gonzalez / R.Woods - Addison Wesley - 1992. "Video Microscopy" - S. Inou - Plenun Press Nova Iorque - 4
Th

edition 1989

Computao Grfica: Imagem J. Gomes e L.Velho Ed. IMPA 1994 Vision D. Marr Freeman Nova Iorque 1982 Image Analysis and Computer Vision A. Rosenfeld Computer Vision Graphics and Image Processing vol 59, p.367-404 1993

6.

Neural Networks and application tutorial I. Guyon Physics Reports vol207, p.215-259 1991

7.

Ignorance, Myopia and naivet in Computer Vision Systems T.O. Binford e R.C. Jain Computer Vision Graphics and Image Processing vol.53 p.112-117 1991
nd

8. 9.

The Scientist and Engineers Guide to Digital Signal Processing 2

Edition - 1999

Precis danalyse dimages M. Coster e J.L. Chermant Editora do CNRS 1989

10. Fundamentals of Digital Image Processing. A. K. Jain Prentice Hall 1989 11. A survey on image segmentation K.S. Fu e J. K. Mui Pattern Recognition vol. No. 13 p.316 1980.

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

12