terça-feira, 23 de agosto de 2011

Processamento Digital de Imagens



Neste artigo procuramos dar uma visão da área de processamento digital de imagens e suas aplicações. Abordamos
conceitos importantes sobre a representação espacial de um pixel, a medida de distâncias, a segmentação de uma
imagem e o reconhecimento de formas. Utilizamos situações reais para exemplificarmos as técnicas apresentadas.
É nosso objetivo abordar de forma introdutória e simplificada o tema. Ao final discutimos sobre os diversos pacotes
existentes para processamento digital de imagens e apresentamos uma bibliografia útil para se aprofundar em
processamento de imagens e visão por computador.

O Processamento de imagens é certamente uma área em crescimento. Diversos temas
científicos são abordados e em alguns casos de caráter interdisciplinar. Entre eles podemos citar: a
compreensão de imagens, a análise em multi-resolução e em multi-frequência, a análise estatística, a
codificação e a transmissão de imagens, etc. Mas o que faz do processamento de imagens uma
disciplina tão particular e complexa ? O que faz com que não tenhamos ainda sistemas de alta
performance de reconhecimento de caracteres ou de formas mais complexas ? A resposta a estas
questões serão discutidas ao longo deste artigo onde apresentaremos problemas e aplicações que
demandam técnicas especializadas de processamento de imagens com o intuito de compreender e
responder a estas questões.
A disciplina “Processamento de Imagens” vem na realidade do Processamento de Sinais. Os
sinais, como as imagens, são na realidades um suporte físico que carrega no seu interior uma
determinada INFORMAÇÃO. Esta INFORMAÇÃO pode estar associada a uma medida (neste caso falamos
de um sinal em associação a um fenômeno físico), ou pode estar associada à um nível cognitivo (neste
caso falamos de conhecimento). Processar uma imagem consiste em transformá-la sucessivamente
com o objetivo de extrair mais facilmente a INFORMAÇÃO nela presente. Cabe neste momento fazer uma
comparação entre o Processamento de Imagem e área de Computação Gráfica, técnica que
encontramos freqüentemente aplicadas através de seqüências animadas na televisão ou em filmes de
cinema. A Computação Gráfica parte de uma INFORMAÇÃO precisa para obter uma imagem ou um filme.
O Processamento de Imagens parte da imagem (de uma informação inicial que é geralmente captada
por uma camera) ou de uma seqüência de imagens para obtermos a “INFORMAÇÃO”. Deste ponto de
vista o Processamento de Imagens e a Computação Gráfica são exatamente métodos opostos, mas
isto não quer dizer que as técnicas envolvidas em cada caso não possam ser as mesmas ou pelo
menos complementares [1, 2 e 3]. É evidente que neste sentido processar uma imagem, como é feito
pelo sistema visual humano (SVH), é extremamente complexo [4, 5, 6 e 7]. Realizar as mesmas tarefas
que o SVH, com a ajuda de máquinas, exige por antecedência uma compreensão “filosófica” do mundo
ou dos conhecimentos humanos. Esta característica faz com que o processamento de imagens seja,
atualmente, uma disciplina com extrema dependência do sistema no qual ele está associado, não
existindo no entanto uma solução única e abrangente para todos os problemas. Daí a NÃO existência,
até o momento, de sistemas de análise de imagens complexos e que funcionem para todos os casos.
A analise quantitativa e a interpretação de imagens representa atualmente um ponto de apoio
importante em diversas disciplinas científicas. Tal é o caso por exemplo na ciência dos materiais, na
biofísica, na medicina, na física da matéria condensada, etc. Na realidade a diversidade de aplicações
2
do processamento de imagens, está associada diretamente a análise da INFORMAÇÃO que falamos
acima. Pois em todas estas disciplinas estamos na realidade em busca de informações quantitativas
que representem um fenômeno estudado. Quando observamos do ponto de vista da ótica, uma
imagem é um conjunto de pontos que convergem para formar um todo, mas podemos dizer de uma
maneira mais ampla que uma imagem é o suporte para efetuarmos troca de INFORMAÇÕES. O termo
imagem estava inicialmente associado ao domínio da luz visível, porém atualmente é muito freqüente
ouvirmos falar de imagens quando uma grande quantidade de dados estão representados sob a forma
bidimensional (por exemplo: as imagens acústicas, sísmicas, de satélites, infravermelhas, magnéticas
etc). Os métodos recentes de exploração automática desta informação permitiu o desenvolvimento de
técnicas complexas, que podem ser globalmente classificadas em duas grandes linhas. A primeira está
associada a uma ANÁLISE da informação e a segunda representa as técnicas que permitam obter uma
MELHORIA (do termo em inglês “ENHANCEMENT”) significativa da imagem. Nos parágrafos posteriores
vamos discutir cada uma destas linhas.
I.1 - Análise
O termo análise está relacionada a parte do tratamento onde existe uma descrição da
INFORMAÇÃO presente na imagem. Esta parte é chamada de parametrização e é nela que várias
medidas quantitativas (parâmetros) são utilizadas para descrever diferentes informações dentro de uma
imagem. Algumas aplicações típicas são: a determinação do número de células presentes em um
tecido biológico, o cálculo das formas dos contornos de uma célula ou ainda a determinação da
distribuição de uma população específica de um conjunto de células. As técnicas dedicadas a análise
de imagens podem variar significativamente segundo a sua complexidade e a necessidade em tempo
de processamento. E nesta área que vamos encontrar um nível elevado de complexidade no
tratamento da informação. Um exemplo prático e quando da classificação automática de células
doentes dentro de um conjunto de células observadas em microscopia. Esta análise específica
demanda soluções dadas pelas técnicas de “CLASSIFICAÇÃO E RENCONHECIMENTO DE FORMAS”, que
discutiremos brevemente posteriormente neste artigo. Neste caso devemos rapidamente medir vários
parâmetros, pertinentes ao problema, na imagem, como por exemplo: a superfície, a forma de cada
célula, sua quantidade, o número de células vizinhas a uma dada célula e a densidade de células em
uma dada região. Em seguida comparamos estas medidas com várias classes de células organizadas
em uma base de dados, catalogadas anteriormente. Obteremos então uma classificação das células
com uma dada probabilidade de serem células 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 nós vamos trabalhar
nos níveis de cinza da imagem, transformando-os para aumentar o contraste ou para colocar em
evidência alguma região de interesse particular. Alguns exemplos deste tipo de técnica é a subtração
da imagem por uma imagem referência, a utilização de cores-falsas, a utilização de filtros espaciais, a
correção de deformações espaciais devido a ótica ou devido a uma variação de inomogeneidade da
iluminação de fundo. Os sistemas dedicados a melhorar a qualidade da imagem trabalham geralmente
muito rápido, pois são construídos em “hardware” ou “firmeware”, permitindo rapidamente ao usuário
um julgamento sobre várias imagens processadas, segundo o tipo de tratamento. Esta técnica é encontrada na maioria dos programas de tratamento de imagens ou fotografias que estão atualmente
no mercado, mas com algoritmos implementados em software, para computadores do tipo PC.

Sistema Geral de Visão

Um sistema geral de visão, isto é, um sistema que deve responder a todas as situações, como
é o caso do Sistema Visual Humano, é extremamente desenvolvido e complexo. O interesse em se
compreender um tal sistema é fundamentalmente de orientar a pesquisa de uma máquina de
reconhecimento genérica com as mesmas características do SVH. Atualmente algumas correntes
científicas consideram o cérebro humano uma máquina com grande capacidade de explorar as
informações sensoriais. Filosoficamente não se pretende, com estas linhas de pesquisas, retirar as
qualidades humanas associadas ao cérebro ou aos homens. Mas devemos atentar para alguns pontos
fundamentais: os computadores atuais são extremamente eficientes para trabalharem com base de
dados, cálculos numéricos e formais, mas eles não conseguem realizar eficientemente algumas tarefas
“simples” realizadas por animais e seres-humanos. Fica então uma questão, que é 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 prático é o processo de
reconhecimento de uma pessoa pelo SVH. O trabalho realizado pelo cérebro nos parece muito simples
e bastante elementar; porém uma análise detalhada mostra que o cérebro humano é capaz, a partir de
uma grande quantidade de informações de luminância e crominância (captada pelos olhos) de realizar
esta tarefa de reconhecimento em apenas 150ms. Os computadores atuais são na pratica sistemas
experimentais que nos ajudam a melhor compreender estas tarefas e consequentemente modelizá-las
e reproduzí-las.
I.4 - Sistemas Experimentais
Quando o sistema se restringe a sistemas experimentais, isto é, ele é orientado para a solução
de um problema específico, a tarefa prática é de uma certa forma simplificada, pois poderemos
controlar alguns parâmetros que um sistema geral de visão não tem acesso. A dificuldade está no fato
de que devemos dar uma descrição objetiva ao problema e para aquelas análises que são científicas é
ainda importante que esta descrição seja quantitativa. O objetivo neste caso é desenvolver um sistema
de tratamento da informação onde cada fase vai exigir métodos para retirar da imagem os parâmetros
que exprimam esta informação. Fica assim evidente que o processamento de imagens, quando
associado a sistemas experimentais, é bastante dependente do problema a ser resolvido. Neste
instante as fases de pré-tratamento (seja na imagem ou fora dela, como por exemplo o controle da
iluminação 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:
Tratamento fora da imagem
Correção de iluminação, uso de colorantes químicos,
etc.
2. Aquisição da imagem Amostragem, armazenamento e compactação.
3. Melhoramento (“image enhancement”) * Pré-tratamento digital da imagem.
4. Segmentação da informação * Extração dos “objetos” do “fundo” da imagem
5. Parametrização *
Determinação de grandezas sobre cada “objeto”:
área, perímetro, forma, descrição estrutural,
topologia, etc
6. Reconhecimento * Classificação dos “objetos”
7.
Análise Quantitativa: *
Aplicação da ferramenta a outras áreas
científicas.
Associação das grandezas ao problema:
determinação de funções de correlação espacial ou
temporal, análise de seqüência de imagens, etc.

Discutimos até aqui questões importantes e essenciais para a compreensão de um sistema de
processamento de imagens quando utilizado como ferramenta para a solução de um determinado
problema. Nos pontos seguintes vamos entrar mais em detalhes nas técnicas de processamento e em
especial discutiremos os elementos principais de um sistema digital de processamento de imagens.
Discutiremos também as técnicas e os problemas que podemos encontrar na implementação de
sistemas de processamento de imagens: como a discretização, a medida de distâncias em imagens
digitais, a conectividade entre pixels etc. Veremos ao final técnicas de filtragem espacial, segmentação
de imagem e reconhecimento de formas.
O módulo de entrada é constituído por uma camera que capta a imagem real de uma cena.
Esta camera envia a informação sob a forma de sinal analógico de vídeo, à um conversor analógico
digital. A imagem é então representada na forma digital. Uma imagem digital é discretizada
espacialmente (ou seja em x e y) e em luminância (níveis de cinza). A título de exemplo, uma imagem
típica de 640x480 por 256 níveis-de-cinza tem 307.200 bytes. Alguns exemplos de módulos de
aquisição são: as cameras à tubo (Vidicom) ou CCD, os scanners ou ainda alguns sensores dedicados
(como sistemas de infravermelho, mapeamento magnético de uma superfície, sensoriamento de
radares, etc). A camera de vídeo é o sensor de aquisição de imagem mais freqüentemente utilizado.
Uma camera de vídeo apresenta características de sensibilidade, resolução e função de transferência
(entre a imagem captada da cena e a intensidade do sinal de vídeo fornecido). Algumas cameras mais
sofisticadas permitem ainda controlar o “offset” ou ganho do sinal de vídeo, possibilitando uma correção
do contraste da imagem em tempo real. Em alguns casos podemos encontrar módulos que permitem o
ajuste da iluminação de fundo ou ainda realçar os contornos dos objetos através da execução de
funções específicas
O sinal de vídeo gerado pelo dispositivo de aquisição é convertido em sinal discreto pelo
conversor A/D. Este conversor é um dispositivo de conversão especial para sinais de vídeo, onde a
aquisição é realizada segundo a padronização do sinal de vídeo (linha a linha). Após a conversão da
imagem pelo módulo de conversão analógica digital, cada intensidade indexa uma tabela de conversão.
Esta tabela é conhecida como "Look-up table" ou simplesmente LUT. As LUTs são na realidade
memórias que possibilitam a modificação das intensidades adquiridas por valores pré-programados.
Podemos por exemplo configurar uma LUT com uma função específica e corrigir, em tempo real, o
contraste de uma imagem que esta sendo adquirida pelo ADC. A imagem digital é em seguida
armazenada em uma memória principal de acesso exclusivo de um processador gráfico. Este
processador é bastante dependente do sistema de processamento de imagens utilizado. Em alguns
casos, por questões de custos, ele pode mesmo não existir, deixando todo o processamento para o
processador principal no computador de controle.
Neste texto considerarmos somente imagens em níveis de cinza, pois grande parte dos
algoritmos de análise de imagens coloridas são feitas recombinando as componentes de cores e
trabalhando com a informação de luminância somente. No caso de imagens coloridas cada
componente da imagem ("Red", "Green" e "Blue") é armazenada separadamente na memória principal.
A imagem de saída é geralmente reconstruída através de conversores digitais /Analógicos
(DAC), onde são somados pulsos de sincronização para geração do sinal de vídeo. Este formato de
sinal é bastante utilizado por ser padrão adotado por todos os fabricantes de equipamentos de vídeo.
Antes de ser reconvertido o sinal pode passar por outra LUT, desta vez a LUT de saída, que é uma
tabela de indexação dos níveis de cinza na imagem para os níveis de saído enviado ao display gráfico.
Podemos por exemplo configurar esta tabela com falsas cores e observarmos "on-line" diferentes
regiões com cores diferentes. A figura 2 apresenta um exemplo da técnica de "falsas cores" usada em
uma imagem de aglomerações de líquidos magnéticos. As células observadas na figura correspondem
a uma maior densidade do líquido magnético, observada através de uma técnica conhecida como
Densimetria. A fonte luminosa envia um feixe de luz através do líquido. Cada pixel na imagem digital
representa na realidade uma medida da absorção da luz pelo líquido. Nas regiões mais escuras a
absorção da luz é maior, nas mais claras esta é menor. As falsas cores permitem rapidamente
relacionar as regiões equivalentes (em intensidade luminosa) em diferentes partes da imagem.
- Uso de falsas cores : A imagem da esquerda corresponde a uma estrutura hexagonal de um
liquido magnético semi-transparente observada em detalhes. Cada célula apresenta aproximadamente 0.5cm de
diâmetro. Cada ponto da imagem corresponde a uma medida de absorção da luz. A absorção é maior no centro das
células que nas suas bordas. Numa imagem em níveis de cinza é praticamente impossível identificar as mesmas
intensidades (absorção) em diferentes objetos. A imagem da direita corresponde a mesma da esquerda, mas com
uma LUT de cores. Cada nível, ou regiões contíguas são associadas a diferentes cores, indo do preto ao amarelo,
passando pelo vermelho.
III - Pixel e Conectividade.
Um pixel ("picture element" ou "pel") é o elemento básico em uma imagem. A forma mais
comum para o pixel é a forma retangular ou quadrada. O pixel é também um elemento de dimensões
FINITAS na representação de uma imagem digital. Freqüentemente, a organização de uma imagem
sob a forma de uma matriz de pixels é feita em uma simetria quadrada, i.e., na forma de um tabuleiro
de xadrez. Isto se deve a facilidade de implementação eletrônica, seja dos sistemas de aquisição seja
dos sistemas de visualização de imagens. É importante lembrar que este tipo de organização provoca o
aparecimento de dois problemas importantes nas técnicas de processamento. Em primeiro lugar um
pixel não apresenta as mesmas propriedades em todas as direções, i.e., ele é anisotrópico. Esta
propriedade faz com que um pixel tenha 4 vizinhos de borda e 4 vizinhos de diagonal. Esta propriedade
nos força a definir o tipo de conectividade que vamos trabalhar, ou D4 (onde levamos em consideração
apenas os vizinhos de borda) ou em D8 (onde levamos em consideração os vizinhos de borda e os de
diagonal). O segundo problema é conseqüência direta do primeiro, ou seja as distâncias entre um
ponto e seus vizinhos não é a mesma segundo o tipo de vizinho (ela é igual a 1 para vizinhos de borda
e 2 para aqueles na diagonal). Alguns tipos de algoritmos que são sensíveis a este problema são : as
operações morfológicas que usam uma matriz de análise do tipo 3x3, as operações de esqueletização
em análise de formas e principalmente as transformações de Distâncias (na transformação de distância
cada ponto da imagem ao invés de representar uma intensidade luminosa, representa uma distância de
um dado ponto referência ao ponto calculado). A solução para este tipo de representação discreta da
imagem, é a correção dos valores calculados através de máscaras (pequenas matrizes) que ajustam ou
ponderam estas distâncias em função da direção. O leitor deve atentar para as possíveis complicações
em medidas de distâncias quando trabalhamos com um pixel que não seja de forma quadrada.
Região de Interesse
Um conceito importante em processamento de imagens é a Região de Interesse. Entende-se
como Região de Interesse (ROI - "Region Of Interest" ou AOI - "Area Of Interest") a região definida automaticamente a partir de parâmetros obtidos na própria imagem (ou por um usuário) onde o
processamento estará totalmente concentrado. Podemos, por exemplo, definir uma região de interesse
onde sabemos por antecedência que a iluminação de fundo é constante ou foi corrigida. Normalmente,
nas técnicas de processamento de imagens iremos sempre encontrar problemas no tratamento das
bordas da imagem. A criação de regiões de interesse faz com que apareçam também problemas nas
bordas das regiões de interesse. A solução deste problema é completamente dependente do problema
ao qual o processamento de imagens esta associado, i.e., ao que conhecemos e podemos levar em
consideração anteriormente ao processamento.
Distâncias
Quando trabalhamos com imagens é muito freqüente medirmos distâncias. Em muitos casos
usamos a definição clássica de distância euclidiana entre dois pontos. Porem devido aos problemas
apresentados no parágrafo anterior se torna evidente que a simetria quadrada interfere na execução de
alguns algoritmos. Existem diferentes medidas de distância em função da conectividade utilizada.
Distância Euclidiana : De p q x ( , ) = ( - s)2 + ( y - t)2
· D4 ou Distância “Manhattan” : D4(p, q) = x - s + y - t . É importante lembrar que em
D4 só podemos nos movimentar para a horizontal e para vertical. Os caminhos mostrados
pela figura 3 não servem para D4.
· D8 ou Distância Tabuleiro de Xadrez: D8( p, q) = Max( x - s , y - t ) . Veja os dois
caminhos representados na figura 3.
Por exemplo, considere a medida do perímetro de uma determinada forma, como aquela
mostrada na figura 4. Em uma imagem digital o perímetro de uma determinada forma corresponde a
contagem dos pixels pertencente a borda do objeto. É importante lembrar que em alguns casos, antes
de realizarmos a medida de distâncias devemos antes isolar a forma do resto da image (discutiremos
este tópico no capitulo dedicado a Segmentação). Devemos conectar todos os pixels que pertençam ao
seu contorno para em seguida podermos medir o seu perímetro. Na forma representada na figura 4
estamos supondo já conhecermos todos os pontos que pertençam a sua borda, para em seguida
calcularmos o seu perímetro.
Filtragem
Em processamento de imagens, os filtros lineares são geralmente descritos através de
matrizes de "convolução". Não 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 numérico vai
influenciar a variação da freqüência espacial em uma imagem. Na freqüência temporal a escala usada
é geralmente o Hertz (s-1), em uma imagem usamos o 1/metro (m-1) ou 1/pels (pix-1). O termo
freqüência espacial é análogo ao termo freqüência temporal e ela descreve a velocidade de
modificação de uma luminosidade em uma direção em uma imagem.
Na prática, para realizarmos uma operação de filtragem espacial, devemos escolher uma
matriz de dimensão n x n com valores que dependem do filtro que queremos usar, seja ele passa baixa
(filtrando as altas freqüências), passa faixa (filtrando uma região específica de freqüências espaciais)
ou passa alta (filtrando as baixas freqüências). Em uma imagem, as altas freqüências correspondem as
modificações abruptas dos níveis de cinza, i.e., as bordas dos objetos. As baixas freqüências
correspondem as variações suaves dos níveis 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 iluminação de fundo, onde devemos usar filtros passa-baixa para
eliminarmos todas as altas freqüências correspondendo a borda dos objetos, e chegar a iluminação de fundo.
Resumidamente na figura 5 apresentamos 3 filtros clássicos representados em uma pequena
matriz 3x3 e seu efeito numa imagem exemplo (Fig. 5a). Toda as operações 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 aplicação do filtro Médio (todos os
elementos iguais a 1 - Fig. 5b) em uma imagem, eqüivale 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 variações fortes
horizontais, que correspondem as bordas horizontais do objeto, ficaram na imagem final filtrada. Não
detalhamos aqui os problemas de representação em números inteiro dos níveis de cinza e de
operações em "ponto flutuante", como média ou médias ponderadas. Neste caso os valores da nova
imagem devem ser truncados ou renormalizados em função dos valores máximos e mínimos
trabalhados.
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 [11]. 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.
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 (FF). O
fator de forma é um parâmetro definido pela equação:
FF = P2/(4p A)
O valor de FF 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.
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$100.000, (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$3.000, 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.


Por Processamento Digital de Imagens (PDI) entende-se a manipulação de uma imagem por computador de modo que a entrada e a saída do processo sejam imagens. O objetivo de se usar processamento digital de imagens é melhorar o aspecto visual de certas feições estruturais para o analista humano e fornecer outros subsídios para a sua interpretação, inclusive gerando produtos que possam ser posteriormente submetidos a outros processamentos (Spring, 1996).

Conforme Silva ,2000, a função primordial do processamento digital de imagens de sensoriamento remoto é a de fornecer ferramentas para facilitar a identificação e a extração da informação contidas nas imagens, para posterior interpretação. Nesse sentido, sistemas dedicados de computação são utilizados para atividades interativas de análise e manipulação das imagens brutas. O resultado desse processo é a produção de outras imagens, estas já contendo informações específicas, extraídas e realçadas a partir das imagens brutas.

A informação de interesse é caracterizada em função das propriedades dos objetos ou padrões que compõem a imagem. Portanto, extrair informação de imagens envolve o reconhecimento de objetos ou padrões. A maior parte dessa atividade requer grande capacidade de cognição por parte do intérprete, devido à complexidade dos processos envolvidos e à falta de algoritmos computacionais precisos o bastante para realizá-lo de forma automática.

O sistema visual humano possui uma notável capacidade de reconhecer padrões. Contudo, ele dificilmente é capaz de processar o enorme volume de informação presente numa imagem. Vários tipos de degradações e distorções, inerentes aos processos de aquisição, transmissão e visualização de imagens, contribuem para limitar ainda mais essa capacidade do olho humano.

O objetivo principal do processamento de imagens é o de remover essas barreiras, inerentes ao sistema visual humano, facilitando a extração de informações a partir de imagens. Nesse contexto, o processamento digital deve ser encarado como um estágio preparatório, embora quase sempre obrigatório, da atividade de interpretação das imagens de sensoriamento remoto.

As formas possíveis de manipulação de imagens são teoricamente infinitas. Entretanto, de um modo geral, podem ser categorizadas em um ou mais procedimentos que incluem quatro tipos abrangentes de operações computacionais (Queiroz 2003):
  1. Retificação e Restauração de Imagens: operações realizadas para minimizar as distorções e degradações dos dados de uma imagem, com a finalidade de criar uma representação mais fiel da cena.

  2. Realçamento de Imagens: procedimentos aplicados aos dados de uma imagem com o objetivo de melhorar efetivamente a visualização da cena, para subseqüente interpretação visual.

  3. Classificação de Imagens: estas operações têm a finalidade de substituir a análise visual dos dados por técnicas quantitativas de análise automática, visando a identificação das regiões presentes na cena.

  4. Combinação de Dados (data merging): procedimentos utilizados para combinar os dados de uma imagem, referente a uma certa área geográfica, com outros conjuntos de dados referenciados geograficamente, para a mesma área.

Nenhum comentário:

Postar um comentário