5 EXTRAÇÃO DE FEIÇÕES EM IMAGENS DIGITAIS
5.2 VETORIZAÇÃO AUTOMÁTICA
Existem diversas áreas de aplicação onde utiliza-se o processamento de imagens como: a Cartografia, a Medicina, a Engenharia, a Meteorologia, além de visão computacional e aplicações militares, que dependem de um operador humano para que as informações possam ser extraídas de imagens digitais. A busca pela automação de processos é
102 A convolução de uma imagem f (x, y) com uma outra imagem h (x, y) gera uma terceira imagem g (x, y),
estando os valores de x e y compreendidos no intervalo (0, M -1) e (0, N-1), sendo M e N, respectivamente, a quantidade de linhas e colunas dessa imagem (CONCI; AZEVEDO; LETA, 2008).
constante na pesquisa, tendo em vista que geralmente acarreta redução de custos, menor tempo de resposta e obtenção de resultados mais confiáveis.
O processamento (digital) de imagens (digitais) envolve etapas realizadas por algoritmos, em que a maioria das rotinas pode ser automatizada por meio da implementação de
software. De acordo com Kulkarni (1994), no processo de extração de feições,
transforma-se um vetor de observação em um vetor de feições empregando-se algoritmos. Para tanto, feições como forma, cor, textura e relacionamentos especiais são utilizados, sendo que a escolha do algoritmo dependerá da natureza da imagem.
Para Gonzales e Woods (2010), a primeira etapa do processo de extração automática de feições é o pré-processamento, cuja função é melhorar a imagem, aumentando, assim, a probabilidade de sucesso nas etapas posteriores. Esse pré-processamento tipicamente envolve operações para diminuição de ruídos e realce de contrastes. O próximo passo é o da segmentação, em que a imagem é dividida em partes ou objetos constituintes, sendo uma das etapas mais difíceis e, quando bem sucedida, favorece substancialmente o processamento.
Os processos tradicionais para a extração automática seguem uma sequência composta por cinco etapas distintas, propostas por Paine e Lodwick103 (1989) apud Artero (1999), conforme disposto a seguir:
suavização (smoothing);
detecção de bordas (edge detection); limiarização (thresholding);
afinamento de bordas (thinning); e conexão (linking).
5.2.1 Suavização (smoothing)
Seu objetivo é reduzir as variações exageradas que produzem bordas falsas na imagem, ou seja, a redução de ruídos. Os filtros utilizados para suavização, geralmente, causam o efeito de borramento da imagem removendo pequenos detalhes e diminuindo, portanto, as definições de bordas (GONZALES; WOODS, 2010).
103 PAINE, S. H.; LODWICK, G. D. Edge Detection and Processing of Remotely Sensed Digital Images,
A preservação das bordas é fundamental no processo de vetorização automática de imagens e, portanto, devem-se utilizar filtros de suavização que as preservem ao máximo. Um dos métodos indicados é a utilização de filtragem pela mediana (Figura 92), que se trata de um método de suavização não–linear, reduzindo os ruídos sem borrar as bordas (SONKA et al., apud DEMARQUI, 2007).
Figura 92 – Filtro pela mediana
Fonte: CONCI; AZEVEDO; LETA, 2008.
Ainda segundo Gonzales e Woods (2010), o nível de cinza de cada pixel é substituído pela mediana dos níveis de cinza na vizinhança daquele pixel. Assim, a principal função dessa filtragem é forçar pontos com intensidades distintas a assemelharem-se a seus vizinhos.
5.2.2 Detecção de bordas
As bordas são regiões da imagem onde ocorre uma abrupta variação no nível de cinza no
pixel em relação a seus vizinhos. A borda representando uma feição possui dois atributos
(magnitude e direção), podendo ser descritos pelo gradiente do pixel nas direções x e y. De acordo com Gonzalez e Woods (2010), o gradiente (∇f) de uma imagem f (x, y) na posição (x, y) é expresso pela seguinte função:
Operadores de detecção de bordas identificam pontos de intensidade da imagem onde a derivada é um ponto de máximo ou mínimo (Figura 93). Quando a segunda derivada apresenta uma passagem por zero (zero-crossing) existe uma descontinuidade na imagem.
Figura 93 – Pixeis da imagem (a); perfil de uma linha horizontal (b); ponto de máximo ou de mínimo –1a derivada (c); zero-crossing – 2a derivada (d)
Fonte: GONZALES; WOODS, 2010.
Os operadores mais utilizados na detecção de bordas são os de Sobel, Prewitt, Nevata e Babu. Uma grande limitação desses operadores é a ineficiência quando aplicados em áreas com alto nível de ruído, pois esse ruído produz uma variação aleatória nos valores dos níveis de cinza dos pixeis, dificultando que a borda ideal seja encontrada (ARTERO, 1999). Segundo Conci e colaboradores (2008), o operador de Sobel possui a vantagem de atenuar os ruídos e suavizar a imagem.
5.2.3 Limiarização (theresholding)
A limiarização de imagens é um recurso de segmentação indicado para aplicações em que existe a necessidade de identificação e extração de feições em imagens. Segundo Gonzales e Woods (2010), é uma forma de agrupamento de regiões homogêneas, sendo capaz de fornecer automaticamente um limiar, para o qual todos os pixeis com valor de brilho inferior devam ser eliminados. No caso mais simples, fundo e objeto da imagem possuem uma tonalidade bem diferente, sendo possível estabelecer um limiar entre as duas tonalidades. Uma ferramenta auxiliar usual é o histograma da imagem, permitindo localizar o melhor valor de limiar para imagem.
De acordo com Conci e colaboradores (2008), o principal problema da limiarização é selecionar um tom de cinza que proporcione a melhor segmentação (Figura 94),
normalmente envolvendo várias tentativas. De forma geral, são características importantes na escolha do valor de corte automático, a intensidade, o tamanho e a fração da imagem ocupada pelos objetos, como, também, o número de diferentes tipos que aparecem na imagem. A escolha do processo de segmentação pode afetar consideravelmente a extração de informações da imagem.
Figura 94 – Comparação de limiarização de imagem: valor 80 (a); valor 150 (b)
Fonte: CONCI; AZEVEDO; LETA, 2008. 5.2.4 Afinamento de bordas
Terminada a etapa de limiarização, as bordas continuam apresentando espessura maior do que um pixel. Na etapa de afinamento devem ser mantidos somente os pixeis que melhor representam as feições. As técnicas mais conhecidas que realizam o afinamento são as operações morfológicas e obtenção do esqueleto (skeletomization). O problema nessas operações é que apresentam resultados satisfatórios apenas em imagens binárias onde todos os pixeis possuem valores entre zero e um, que se resumem em cor de fundo e cor de objeto.
Para imagens onde os pixeis apresentam tonalidade de brilho com valor proporcional à proximidade em relação à borda faz-se necessária a técnica “Suspensão Não–Máxima”,
que realiza a eliminação dos pixeis de menor magnitude, perpendicularmente à direção da borda, preservando somente o pixel de maior magnitude.
A Figura 95 apresenta o esquema de operações de afinamento utilizando oito elementos.
Figura 95 – Etapas de afinamento utilizando oito elementos estruturantes (B1 – B7)
Fonte: MARQUES; VIEIRA, 1999.
5.2.5 Conexão (linking)
Nessa etapa, o operador deve localizar todos os pixeis pertencentes a uma borda e agrupá-los de maneira que formem uma única feição. O método mais conhecido é a Transformada de Hough, técnica para reconhecimento de padrões em imagens digitais de linhas retas e outros tipos de feições, sendo capaz de identificar linhas retas em bordas que tenham sofrido algum tipo de quebra.