CÁLCULO DO RAIO EQUIVALENTE E DA RUGOSIDADE

Após a segmentação e a contagem dos grãos, o SIA gera um histograma da polidispersividade, que indica a frequência dos raios equivalentes. A figura 29 e 30 mostra os histogramas gerados para as imagens depois da segmentação feita através do diagrama de Voronoi.

Figura 29 - Histograma da polidispersividade e das alturas da superfície irradiada com 4mW.

Figura 30 - Histograma da polidispersividade e das alturas da superfície irradiada com 5mW.

Fonte: Grupo de Fotônica - IFSC/USP adaptado pelo autor

Como pode ser notado através da figuras 29 e 30, a superfície irradiada com 4mW apresenta partículas um pouco maiores do que a irradiada com 5mW. Através do histograma da polidispersividade essa variedade no tamanho dos grãos nas duas imagens não fica tão clara. A figura 31 mostra o histograma da polidispersividade das mesmas imagens usando a segmentação watershed IFT. Analisando apenas o histograma é possível perceber a diferença de tamanho dos grãos nas duas imagens. Na figura 31 a nota-se que existe maior frequência de grãos que apresentam raios na faixa de 50 a 60 nm, na figura 30 b os raios mais frequentes aparecem na faixa entre 25 a 35 nm.

Figura 31 - Histograma da polidispersividade usando o watershed IFT: a) Superfície irradiada com 4mW b) Superfície irradiada com 5mW.

Fonte: Próprio Autor.

Utilizando o Matlab, foi possível gerar uma visualização em relevo das imagens (MATHWORKS, 2011). A figura 32 mostra a representação das imagens em relevo.

Figura 32 - Representações das imagens em relevo.

Fonte: Próprio Autor

A quantificação do número de grãos, assim como o seu raio equivalente e altura, presentes na superfície de um material está diretamente ligada a sua rugosidade. Podemos notar pela figura 32 que a imagem A apresenta uma superfície menos rugosa com relação à figura 32 B, é possível perceber claramente que na figura 32 A o número de picos é menor, tornando sua rugosidade RMS mais baixa. Já a figura 32 B apresenta picos mais “pontudos” e em maior quantidade, tais características tornam sua rugosidade RMS maior que a da figura 32 A. A rugosidade RMS de cada imagem pode ser obtida pela equação 5.

O SIA apresenta um módulo capaz de calcular a rugosidade RMS de cada amostra através da imagem gerada pelo AFM. A tabela 7 mostra os valores de rugosidade para amostras irradiadas com diferentes intensidades de laser. Fica claro que à medida que se aumenta a intensidade do laser, mais deformada fica a superfície da amostra e conseqüentemente mais rugosa. Através da figura 33 é mais fácil perceber as deformações nas amostras geradas pelo laser.

Tabela 7- Rugosidade para amostras com intensidade de irradiação diferentes.

Intensidade da irradiação Si 4mW 5mW 6mW 8mW 10mW Rugosidade RMS 2.58 (nm) 5.06 (nm) 5.43 (nm) 8.65 (nm) 32.27 (nm) 39.71 (nm)

Fonte: Próprio Autor.

Figura 33 - Imagens de microscopia de força atômica da amostra varrida a 5 mm/s com 4,0 mW (b), 5,0 mW (c), 6,0 mW (d), 8,0 mW (e) e 10,0 mW (f). Sendo (a) sem microestruturação apenas para

comparação.

5 DISCUSSÃO E ANÁLISE DOS RESULTADOS

Através dos testes realizados foi possível perceber que os diferentes algoritmos de segmentação, o diagrama de Voronoi e o watershed IFT, apresentam uma melhor solução para cada tipo de imagem e tipo de análise. Como foi possível comprovar através dos testes, a segmentação feita através do diagrama de Voronoi apresentou melhores resultados em imagens com grãos mais próximos e em maior quantidade. A causa disso está na distribuição dos centróides marcados na imagem, que depende da distribuição do tamanho dos grãos na amostra. Na dilatação exata cada região irá ser dilatada até que a fronteira de uma região toque a outra região, gerada por outra semente. Quando existe um grão muito grande próximo de um grão muito pequeno o centróide do grão maior está longe do centróide do grão menor, devido ao seu tamanho, porém, a região da partícula menor será dilatada na mesma proporção da região da partícula maior, o que acaba gerando uma disparidade na forma real do grão e a região gerada pela dilatação exata. É possível concluir então, que a geração do diagrama de Voronoi é mais adequada para imagens que apresentam uma amostra com grãos na mesma faixa de tamanho, que estejam o mais próximo possível e preenchendo toda a área da imagem.

A segmentação por diagrama de Voronoi consegue capturar os grãos com alturas mais baixas (mais escuros) devido aos sucessivos cortes. Isso faz com que o algoritmo tenha um resultado muito melhor em relação à contagem dos grãos, se comparado com o watershed IFT. Outra vantagem que pode ser citada em relação ao método diz respeito a sua viabilidade de implementação, o método é relativamente simples de ser entendido e implementado. Uma desvantagem que pode ser mencionada, em relação ao algoritmo foi o poder de processamento exigido pelo método. Por se tratar de um algoritmo que percorre a mesma imagem várias vezes, exige muito poder de processamento e necessita de um tempo razoável para ser realizado.

A principal vantagem da segmentação watershed IFT se refere à criação de regiões segmentadas com maior fidelidade ao formato dos grãos. Como é possível perceber, o algoritmo gera contornos em volta dos grãos (linhas de watershed) respeitando seu formato, diferente do diagrama de Voronoi que apenas usa as sementes para se basear na criação das regiões. O algoritmo mostra ser uma melhor opção quando o que se busca é uma medição de tamanhos de grãos com maior precisão. Porém, o algoritmo não garante um bom resultado para a contagem das partículas. Isso porque o watershed IFT não consegue segmentar perfeitamente os grãos mais baixos, ou seja, mais escuros. O watershed IFT realiza a segmentação sobre o gradiente morfológico da imagem, quando esse gradiente é usado, os grãos mais escuros desaparecem, dificultando a segmentação. Outro ponto onde o watershed não é eficaz, diz respeito à marcação de sementes feita automaticamente. A marcação automática só é bem sucedida se o número de cortes respeitar um certo limite, onde os grãos mais baixos não possam ser encontrados, devido ao motivo explicado anteriormente. Dessa forma, a melhor maneira para determinar as sementes usadas pelo watershed IFT é a marcação manual, onde o próprio usuário indica, a posição de cada semente na imagem. Essa limitação acaba interferindo no resultado final, pois o usuário irá necessitar de muito tempo para realizar a marcação de todas as sementes em uma imagem com uma alta quantidade de grãos. No quesito complexidade de desenvolvimento, a segmentação por watershed IFT apresentou uma implementação muito mais trabalhosa, em relação ao diagrama de Voronoi. Por outro lado o watershed IFT não exige tanto poder de processamento quanto o primeiro método de segmentação, o que consequentemente resulta em um menor tempo de processamento.