Pré-Processamento de Imagens Digitais
para Segmentação de Pimentas
Recebido em: 23/10/2018 Aprovado em:
29/10/2018
Silva, P. R. B
1, Galvão Filho, A. R.
1,
Lima, M. F.
1,Coelho, C. J
1 1Escola de Ciências Exatas e da ComputaçãoGrupo de Pesquisa em Computação Científi ca
Pontifícia Universidade Católica de Goiás, Goiânia-GO-Brasil
Resumo: este trabalho apresenta uma metodologia para segmentação de imagens de
pimen-tas com o objetivo evidenciar a região de interesse das imagens, removendo toda a infor-mação desnecessária e proporcionando diminuição da dimensionalidade das imagens. Os resultados obtidos demonstram qualitativamente a efi ciência da segmentação das imagens.
Palavras-chave: Segmentação de Imagens. Reconhecimento de Padrões. Detecção de
Região de Interesse.
Pre-Processing of Digital Images for Peppers Segmentation
Abstract: this work presents a methodology for pepper image segmentation with the
aim of highlighting the region of interest of the images, removing all unnecessary information and providing dimensionality decrease of the images. The obtained results show qualitatively the effi ciency of image segmentation.
Keywords: Image Segmentation. Pattern Recognition. Region of Interest Detection.
1 Introdução
A
classifi cação é um processo que compara propriedades extraídas de um ob-jeto com um conjunto de rótulos. A classe de cada obob-jeto analisado é de-terminada de acordo com a similaridade que as propriedades do objeto possuem com um determinado rótulo [1].No processamento digital de imagens (Digital Image Processing, DTP), o estudo de técnicas de classifi cação de características extraídas de imagens digitais é uma importante área de pesquisa. Pois os resultados destes métodos são a base para várias aplicações ambientais [2, 3] e socioeconômicas [4, 5]. No entanto, classifi car imagens não é uma tarefa tão simples, devido a diversos fatores como a complexidade das imagens em questão [6]. Tais complicações fazem necessário a utilização de metodologias para o tratamento destas imagens. Neste sentido, po-dem ser utilizadas técnicas para remoção de ruídos e/ou informações irrelevantes presentes nas imagens e metodologias que alteram a forma de representação dos dados das imagens, com o objetivo de reduzir a complexidade computacional necessária para classifi car as imagens.
Uma característica amplamente utilizada em análises morfológicas é a seg-mentação. Segmentar uma imagem consiste em separar a imagem em regiões
ISSN 2674-7863 Artigo / Articles
Neste contexto, este trabalho propõe pré-processar um banco de imagens de pimentas contendo amostras de 25 espécies de pimentas. Assim, seria possível destacar as características específi cas de cada pimenta e remover outras características das imagens não úteis para o classifi cador.
2 Materiais e Métodos
A segmentação proposta neste trabalho é dividida em seis etapas: corte das laterais das imagens, sua-vização utilizando fi ltro gaussiano, limiarização, aplicação de fi ltro de preenchimento de buracos, extração da pimenta através da máscara gerada e substituição do fundo preto da imagem por um fundo branco.
Uma imagem pode ser defi nida como uma função f (x,y), onde x e y são coordenadas espaciais em um plano bidimensional e f a intensidade da imagem em um dado ponto (x,y). Imagens no padrão RGB, que baseiam sua representação na forma como o olho humano reconhece as cores, são compostas por 3 ima-gens, cada uma representando uma cor primária. Ou seja, uma imagem para a cor vermelha, uma para a cor verde e uma para a cor azul. A junção das imagens de cada cor primária forma uma imagem colorida [7].
As pimentas não ocupam toda a região das imagens, sendo possível defi nir uma região de corte que diminuirá a dimensão da imagem, proporcionando menor esforço computacional para o processa-mento da imagem e removerá ruídos presentes nos cantos das imagens. O corte nas imagens pode ser visualizado na Figura 1. Este processo também elimina os ruídos das laterais das imagens.
(a)
(b)
Fig. 1. Corte na imagem (a) Imagem original.
(b) Imagem com as laterais esquerda e superior cortadas.
A imagem é suavizada utilizando um fi ltro gaussiano [8], com objetivo de remover bordas prove-nientes de estruturas ruidosas do plano de fundo da imagem. Dado a imagem original sendo representa-da como l(x,y) e o fi ltro gaussiano por H(u,v), a imagem suavizarepresenta-da será obtirepresenta-da pela convolução
(1)
onde e é a variância do fi ltro gaussiano. Este procedimento re-sulta em uma imagem contendo menor presença de ruídos, destacando estruturas de maior volume na imagem [9]. O resultado da aplicação do fi ltro gaussiano pode ser visualizado na fi gura 2(a).
Posteriormente a segmentação do fundo é aplicada na imagem suavizada para gerar uma máscara da região da pimenta na imagem original. Tal segmentação é obtida gerando-se uma nova imagem bina-rizada Bin de acordo com o limiar de binarização T, de modo que se G(x,y) ≤ T então Bin (x,y) = 1 e se
G(x,y) > T então Bin(x,y) =0. Este processo resulta em uma máscara que separa regiões claras (pimenta)
(a)
(b)
Fig. 2. Máscara entre regiões claras e escuras (a) Aplicação do Filtro Gaussiano.
(b) Segmentação de fundo
Assumindo que o objeto de interesse é formado apenas por uma única região da imagem, a ima-gem binária é submetida ao processo de preenchimento de possíveis buracos [10] na máscara, ou seja, remover pixels de fundo no interior da região da pimenta. Tal comportamento pode ser observado na Figura 2(b). O método de preenchimento aqui utilizado é o complemento da operação de reconstrução morfológica por dilatação, resultante de operação morfológica recursiva de dilatações geodésicas da imagem com o elemento estruturante , usando o marcador como ponto de partida [7].
Seja F uma imagem binária de mesmo tamanho de Bin, denominada imagem marcador, cons-truída de modo que F(x,y)=1-Bin(x,y), se (x,y) for um pixel sobre a borda da imagem B, e F(x,y), caso contrário. A dilatação geodésica da imagem Bin de tamanho 1 é denotada por
onde o símbolo é o operador de dilatação, e é a defi nição recursiva da operação, considerando n>1. H é a imagem binária igual a Bin, livre de buracos, obtida pela Equação (2), onde Binc é o complemento da imagem é a operação de reconstrução morfo-lógica por dilatação com k tal que
(2) O resultado da reconstrução morfológica por dilatação é exibido na Figura 4(a).
Com a região da pimenta bem defi nida, podemos eliminar toda a região de fundo que não tem importância para a análise das imagens. Desta vez, a região de corte é delimitada pela região da pi-menta. A metodologia utilizada defi ne as coordenadas do retângulo de corte através de 4píxels da imagem. Estes são o primeiro e o último píxel branco em x (xmenor e xmaior) e o primeiro e o último píxel branco em y (ymenor e ymaior). Sabendo a posição destes píxels, o retângulo de corte é defi nido conforme a fi gura 3. Este é o melhor momento para a obtenção das coordenadas para o corte, porém, a próxima etapa da segmentação precisa que a máscara esteja em seu tamanho original, deixando o corte para depois desta etapa.
f(xmenor, ymenor) f(xmaior, ymenor)
| |
f(xmenor, ymaior) f(xmaior, ymaior)
Fig. 3. Retângulo de corte
Por fi m, é feita a multiplicação píxel-a-píxel da imagem original pela máscara, que resultará em uma imagem com apenas a pimenta e o fundo preto (Figura 4(b)). É feito o corte conforme as coordenadas encontradas anteriormente (Figura 4(c)) e o fundo preto é substituído por um fundo branco (Figura 4(d)).
(c)
(d)
Fig. 4. Multiplicação píxel-a-píxel da imagem original
pela máscara (a) Aplicação de fi ltro de preenchimento de buracos. (b) Multiplicação da máscara binária pela imagem original.
(c) Corte. (d) Substituição do fundo.
3 Resultados e Discussão
As Figuras 5, 6 e 7 expõe alguns exemplos de imagens de pimentas (a) e o resultado da segmen-tação das mesmas (b).
(a)
(b)
Fig. 5. Segmentação da pimenta sete molhos (a) Pimenta Sete Molhos.
(a)
(b)
Figura 6. Segmentação da pimenta de cheiro vermelha (a) Pimenta de Cheiro Vermelha.
(b) Resultado da Segmentação.
(a)
(b)
Fig. 7. Segmentação da pimenta dedo de moça (a) Pimenta Dedo de Moça Amarela
(b) Resultado da Segmentação.
Os cortes realizados nas imagens eliminam os ruídos e diminuem a dimensão das imagens, dei-xando apenas o espaço necessário para conter a pimenta. Proporcionando menor esforço computacional em processamentos futuros e evidenciando a região de interesse das imagens. Outra característica que o corte traz é que ele proporciona uma aproximação da morfologia da pimenta. O fato de as espécies de pimentas possuírem tamanhos variados, pode ser utilizado como indicador para defi nir se uma amostra pertence a uma determinada espécie de pimenta.
Em alguns casos, como na Figura 7 (b), nas regiões com incidência de luminosidade, alguns píxels que compõe a região da pimenta são eliminados. Isto ocorre pelo fato de a vizinhança destes píxels ser composta em sua maioria por píxels brancos, deixando a região muito clara durante o processo de suavi-zação e, consequentemente, sua eliminação na limiarisuavi-zação.
4 Conclusão
A segmentação proporcionou ganho na qualidade da representação das imagens, eliminando ruí-dos e diminuindo a dimensão das imagens. A dimensão de cada imagem após a segmentação é aproxi-mada à região que a pimenta ocupa na imagem, gerando uma aproximação da morfologia da mesma. Tal característica pode ser usada como um dos parâmetros para a classifi cação da espécie da pimenta.
Em trabalhos futuros, pretende-se extrair mais características das pimentas, por exemplo a colora-ção, para compor um vetor de características que serão utilizadas como parâmetros para a classifi cação de pimentas.
1. Pedrini, H.; Schwartz, W. R.: Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações, Thomsom, 2008.
2. França, H.: Metodologia de Identifi cação e Quantifi cação de Áreas Queimadas no Cerrado com Imagens AVHRR/NOAA. 2000. Tese de Doutorado. Universidade de São Paulo.
3. Castillo, R.; Contreras, D.; Freeer, J.; Ruiz, J.; Valenzuela, S.: Supervised pattern recognition techniques for classifi cation of eucalyptus species from leaves nir spectra, J. Chil. Chem. Soc., v. 53, n. 4, p. 1709-1713, 2008.
4. Abulafi a, D.; Cohen, E.: Internet payment system using credit card imaging. U.S. Patent n. 9,305,230, 5 abr. 2016.
5. Bhagavatula, R.; Ur, B.; Lacovino, K.; Kywe, S. M.; Cranor, L. F.; Savvides, M.: Biometric authentication on iphone and android: Usability, perceptions, and infl uences on adoption. In Proc. USEC, 2015.
6. Lu, D.; Weng, Q.: A Suvey on image classifi cation methods and techniques for improving classifi cation performance, International Journal of Remote Sensing, 2007.
7. Gonzalez, R. C.; Woods, R. E.: Processamento de Imagens Digitais, Pearson, 2010.
8. Huertas, A.; Medioni, G.: Detection of intensity changes with subpixel accuracy using Laplacian-Gaussian masks. IEEE Transactions on Pattern Analysis and Machine Intelligence, n. 5, p. 651-664, 1986.
9. Forsyth, D.; Ponce, J.: Computer Vision: A Modern Approach, Prentice Hall, 2002. 10. Dougherty, E.: Mathematical morphology in image processing. CRC press, 1992.
