Aplicações de Processamento de Imagens em Instrumentação

Aplicações de

Processamento de Imagens

em Instrumentação

Clécio De Bom

Centro Federal de Educação Técnológica Celso Suckow da Fonseca

Centro Brasileiro de Pesquisas Físicas

1

– Conceitos Básicos de Processamento

de Imagens

2 – Aplicações desenvolvidas pelo grupo

2.1 – Filtros Não Lineares –

Perona-Malik

2.2 – Detecção de MARFEs

2.3 – Detecção de Arcos Gravitaionais

2.4 – Aplicações em Perfis de Imagens

3 – Perspectivas Futuas

3

Conceitos Básicos de Processamento de Imagens

• Nesta apresentação abordaremos exemplos do uso da imagem digital em instrumentação.

• Uma imagem digital é simplesmente uma imagem que pode ser

armazenada no computador, i.e., uma função discreta de posição (espaço 2D ou 3D, tempo e banda espectral) e níveis de cinza.

• Por exemplo, no caso 2D cada coordenada da imagem contém uma informação de luminância (ou crominância).

Imagem digital da Lena

Ampliação

4

A Imagem Digital

Uma imagem digital pode ser vista como uma

matriz

de

níveis de cinza

(valores de intensidade luminosa ou cor).

Ampliação do zoom (Lena).

94 100 104 119 125 136 143 153 157 158 103 104 106 98 103 119 141 155 159 160 109 136 136 123 95 78 117 149 155 160 110 130 144 149 129 78 97 151 161 158 109 137 178 167 119 78 101 185 188 161 100 143 167 134 87 85 134 216 209 172 104 123 166 161 155 160 205 229 218 181 125 131 172 179 180 208 238 237 228 200 131 148 172 175 188 228 239 238 228 206 161 169 162 163 193 228 230 237 220 199 Valores de intensidade da região do

Formação da Imagem

Sinal

Etapas

no Processamento de Imagens

Pixels

Regiões

Dados

Cena

Captura

Símbolos

Pré-Processamento - Exemplos

Preenchimento

• Filtros Lineares passa-baixas são recomendados para remoção de ruídos

impulsivos (regiões de alta frequência).Detalhes finos (bordas) são suprimidos

no processo.

• Filtros Lineares passa-alta são úteis para detecção de bordas e evidenciação de detalhes finos. Contudo, ruídos espúrios podem surgir no sinal final.

Segmentação

• O processo de Segmentação ou Etiquetamento é o processo

no qual os dados são identificados como objetos.

• O sinal é convertido em símbolo e a seguir ganha um sentido semântico • Exemplo:

Segmentação

• O processo de Segmentação ou Etiquetamento é o processo

no qual os dados são identificados como objetos.

• O sinal é convertido em símbolo e a seguir ganha um sentido semântico • Exemplo:

Segmentação

• O processo de Segmentação ou Etiquetamento é o processo

no qual os dados são identificados como objetos.

• O sinal é convertido em símbolo e a seguir ganha um sentido semântico • Exemplo:

Segmentação

• O processo de Segmentação ou Etiquetamento é o processo

no qual os dados são identificados como objetos.

• O sinal é convertido em símbolo e a seguir ganha um sentido semântico • Exemplo:

E.g. Atributos de texturas

Contrast / Inertia Measures the local variations in the gray-_{level co-occurrence matrix.}

Correlation

Measures the joint probability occurrence of the specified pixel pairs.

Energy

Provides the sum of squared elements in the GLCM. Also known as uniformity or the angular second moment.

Homogeneity

Measures the closeness of the distribution of elements in the GLCM to the GLCM diagonal.

Entropy Heterogeneity Measurement Non-additive

Entropy

Measures of heterogeneity based on Tsallis entropy (q parameter)

Extração de Atributos & Pós-Processamento

Medidas de Campo (Field Features)

• Medidas que se referem ao campo como um todo

• Exemplo:número de objetos, área total de

objetos, fração de área etc.

Medidas de Região (Region Features)

• Medidas que se referem aos objetos independentemente

• Exemplo:área, perímetro, forma, posição etc

• Estas medidas podem ser muito sofisticadas,

permitindo uma nova separação dos objetos em classes de similaridades, em função dos parâmetros medidos.

Reconhecimento de Padrões

Features Pattern Recognition

Class A

Class B

Class C

• O reconhecimento de padrões podem ser feitos por diversos algoritmos • Estes métodos podem ser baseados em machine learning, estatística.. Etc.. • As técnicas podem ser supervisionadas, e.g.

Convolutional Neural Networks, Naive Bayes ou não supervisionadas e.g. K-means, Self Organizing Maps.

• Em geral eles são muito sensíveis ao conjunto de atributos escolhidos,

frequentemente a segmentação e qualidade dos dados pré-processados.

• A determinação de medidas físicas, em geral,

Filtros Não Lineares – Perona-Malik

• Filtros não lineares podem eliminar ruídos sem apagar contornos • Aplicação para detecção de calcificações em Mamografias

(Persechino et al. 2014).

Colaboração no Desenvolvimento de Técnicas de Processamento de Imagens

Para detecção em tempo real de MARFES.

Técnicas de: • Segmentação de Imagens • Reconhecimento de Padrões • Análise de 30K imagens/s (Albuquerque et al. 2012;2013) • Processamento Paralelo

• Desenvolvimento de Hardware - Inovação

EFDA JET - Culham Science Centre Abingdon, Oxfordshire United Kingdom

Arcfinder e Otimização Genética

Após grandes Projetos como Euclid e LSST deverão ser conhecidos ~105 _arcs

(Collett 2015).

E.g. Dark Energy Survey • Mapping ~ 10% sky.

• 300 GBytes per observed night during 5 years

• Observará ~ 300.000.000 galáxias e 20.000 Aglomerados massivos

• Deve observar ~100 Strong lensing systems Neural Network 1 Arc 0 No classification -1 Not Arc (Bom et al. 2016)

2 2 00 m 5 1/4” . . . 11 600 m 1m Tomografia Médica (DICOM) CAIXA 0,5mm 0,5mm 1,25mm 1,5” MEV (µm2₎ 200 imagens 100 imagens 40 µm2 5 1/4_” µCT (TIFF) µCT (TIFF) 0,06 µm, 1 µm, 2 µm, 4 µm, 8 µm 0 T o m o g rafia M é d ica 360 o

Imagens de Petrofísica

Classificação de Texturas

Identificação de Estruturas

• O realce de mamografias com filtros não lineares pode ser um grande

auxiliar para diagnósticos mais seguros, rápidos e mais objetivos. Existe com de aplicabilidade em outras imagens médicas.

• A classificação de fácies e detecção de estruturas através de imagens

se mostra uma técnica promissora para auxiliar profissionais qualificados, mas necessita de mais dados para ser explorada.

• O desenvolvimento de Arcfinder otimizados podem auxiliar

astrofísicos a descobrir centenas ou milhares de sistemas de arcos, permitindo uma melhor compreensão da natureza de questões funcamentais da Cosmologia, como a natureza da matéria escura e sua possível interação.

•

CBPF

• As aplicações de processamento de imagens em instrumentação

ainda é um campo com um grande potencial de aplicações a medida que, com o aumento dos recursos computacionais adquirimos grandes banco de dados em imagens, e.g. Astrofísica, Petrofísica, Exames de Imagens (Medicina) , mídias sociais ...

• Tais bancos de dados podem nos permitir fazer classificações e

modelagens cada vez mais robustas e competivivas, e, eventualmente diminuindo o custo humano empregado em

operações relativamente simples e repetitivas.

CBPF

Aplicações de

Processamento de Imagens

em Instrumentação

Clécio De Bom

Centro Federal de Educação Técnológica Celso Suckow da Fonseca

Centro Brasileiro de Pesquisas Físicas