UNIVERSIDADE
FEDERAL DE
SANTA
CATARINA
PÓS-GRADUAÇÃO
EM
ENGENHARIA
ELÉTRICA
SEGMENTAÇÃO
BINÍVEL
DE
IMAGENS
USANDO
ENTROPIA
DIEUSA
BIDIMENSIONAL
E DISTRIBUIÇÃO
DA ORIENTAÇÃO
DE GRADIENTE DOS
PIXELS
)
.~. \
DISSERTAÇAO
SUBMETIDA
A
UNIVERSIDADE
FEDERAL
DE SANTA CATARINA
PARA OBTENÇAO
DO GRAU
DE
MESTRE
EM
ENGENHARIA
ELÉTRICA
Luiz
Hermano
Costa de
Oliveira
SEGMENTAÇÃO
BINÍVEL
DE
IMAGEM
USANDO
ENTROPIA
DIFUSA BIDIMENSIONAL
E DISTRIBUIÇÃO
DA
ORIENTAÇÃO
DE GRADIENTE DOS
PIXELS
Autor:
LUIZ
I-IERIVIANO
COSTA DE
OLIVEIRA
Esta dissertação foi julgada
adequada
para obtençãodo
título de Mestreem
Engenharia Elétrica,Area
de Concentração Circuitos e Instrumentação Eletrônica, e aprovadaem
suaforma
final peloCurso
de Pós-graduação Engenharia Elétrica da Universidade Federal deSanta Catarina.
Í Qlzu/`..
Prof.
RUI SEARA,
Dr.ORIENTADOR
-
Pr<›f11:fií\R
cAšsANA
DECKER,
D.s¢.COORDENADOR DO
CURSO DE PÓS-GRADUAÇÃO
EM
ENGENHARIA
ELÉTRICABANCA
EXAMINADORA:
`
Ê*/\._à
Prof.
RUI SEARA,
Dr. PRESIDENI
E
Prof.
CARLOS AURELIO
FARIA
DA
ROCHA,
Dr.Prof.
ZÚRN,
Ph.D.ía»
“Quem,
de três milênios,Não
é capaz de se dar conta,Vive na
ignorância,na
sombra,À
mercê
dos dias,do
tempo”.Johann
Wolfgang von Goethe
“O
homem
é amedida
de todas as coisas”.“Dos
Deuses nada
posso dizer de concreto,pois nesse particular são muitas as coisas que ocultam o saber: a obscuridade
do
assunto e a brevidadeda
vidahumana”.
Protágoras (487-420 a.C.)
“
Mas
a vida é triste e solene.Somos
deixadosem
um
mundo
maravilhoso,encontramo-nos aqui
com
outras pessoas,somos
apresentados uns aos outrose
caminhamos
juntos durantealgum
tempo.Depois
nos separamos e desaparecemos,tão rápida e inexplicavelmente quanto surgimos”.
Aos meus
pais, Reinaldo eYolanda
Eu
ainda cresciano
ventre deminha
mãe
e nessa época vocês nãosonhavam
aindaem
me
ver formado,mas
enchiam
seus corações de humildadee
pediam
aDeus
que fosse perfeitoe
que
tivesse saúde.É
difícil lembraronde
vocês não estiveram, assimcomo
é difícil expressara
minha
gratidão por tudo quefizeram
em meu
benefício.Todo
sacrifício e trabalho para que pudesse concluir os estudos.À
minha
esposa ElaineEu
tenho tanto para lhe falar,mas
com
palavras não sei dizer.V1 Í” ^ 'ri ' , ‹ ' ' . .W
wa
nz Xz . _. WAos meus
pais, Reinaldo Moitinho de Oliveira eYolanda
Costa de Oliveira, peloincentivo, apoio, carinho e amor.
À
minha
esposa, Elaine Cristina Rodrigues dos Santos, pelo companheirismo,
amizade
e amor.Ao meu
orientador Prof.Rui
Seara, pe l a persistente e preciosa ori`
entaçao, dedicação
e apoio.
Aos
professores, Carlos Aurélio F.da
Rocha
e Sidnei Noceti Filho, queem
momentos
difíceis deste trabalho,me
deram
um
valioso incentivo.Ao
professorHans Helmut
Züm,
pelas sutis e relevantes contribuições para aredação desta dissertação.
Ao
CNPQ
pelo apoio financeiro, fundamentalna
realização deste trabalho.A
todos osamigos
ecompanheiros
de pesquisado
LINSE,
pela conversa informal e1
pe as preciosas informações técnicas
que
também
contribuiram para a elaboração destetrabalho.
Aos
professores e funcionáriosda
Escola de Engenharia de Lins,em
especial aWail
M.
Pastorelo Filho,Edgar
Paulo Pastorelo, AlbertoEduardo
Fregosi eBianor C. F. Colchesqui, pela
amizade
sincera e por todo apoio e incentivo.E
a todos aquelesque
de a lguma
forma
colaboraram para a realiza ç ão d esteVll " , ~ ‹ . X íãyz zz - r “*Ê@\\ wšéxf
LISTA
DE
GRÁFICOS
--- --RESUMO
- --x xiiABSTRACT
--- -- xiiiCAPÍTULO
1~
INTRODUÇÃO
--- --CAPÍTULO
2-
CONCEITOS
FUNDAMENTAIS
--- -- 2.1 Introdução --- --2.2
Histograma
1D
--- --2.3 Binarização
1D
--- --2.4
Histograma
2D
--- --2.5 Binarização
2D
--- --2.6
Breve
Introdução à Teoria de Lógica Difusa --- --2.6.1
Função “S”
--- -- 2.6.2Função “Z”
--- -- 2.6.3Medidas
de Difusão --- --2.7 Separação Difusa --- -- 2.7.1 Separação Difusa sobre o Histograma
2D
--- --2.8 Entropia --- --
CAPÍTULO
3_
MÉTODOS
DE
REFERÊNCIA
--- -- 3.1 Introdução --- --1 4 44
5 5 7 8 8 9 10 11 12 16 18 183.2
Método
1D
--- -- 3..2.1 Descriçãodo
Algoritmo --- -- 3.3Método
2D
--- -- 3.3.1 Descriçãodo
Algoritmo --- -- 3.4Método
1D
Difuso --- -- 3.4.1 Descriçãodo
Algoritmo --- -- 3.5Método
2D
Difuso --- -- 3.5.1 Descriçãodo
Algoritmo --- -- 3.5.2 Cálculoda
Entropia --- --CAPÍTULO
4-
MÉTQDO
PRoPosTo
--- -- 4.1 Introdução --- --4.2
Breve
Introdução à Detecção de Bordas --- --4.3 Teste Visual para
JND
--- --4.4 Descrição
do
Algoritmo de Detecção de Bordas --- -- 4.5 Binarizaçao atravésdo
Método
Proposto --- --CAPÍTULO
5-
RESULTADOS
EXPERIMENTAIS
--- -- 5.1 Introdução --- -- 5.2 Binarizaçãoda
Imagem “TIFFANY”
--- --5.3
Comentários
sobre os Resultados Obtidos daImagem
Tiffany5.4 Binarização da
Imagem
“LENNA”
--- -- 5.5 Comentários sobre os Resultados Obtidos daImagem
Lema
--- --Vlll 18 18 19
20
21 21 2324
24
27
27
829
3134
35 35 3540
42
46
5.6 Limitações
da
Técnica Proposta --- -- 5.6.1Pseudo
Limiar2D
--- -- 5.6.1.1 Àlteração de Histograma 5.6.2Pseudo
Borda
--- --CAPÍTULO
6-
CONCLUSÕES
--- --REFERÊNCIAS
BIBLIOGRÁFICAS
-----X Í z 'íz ” «ff l:~*.;; tz- .. *” ff: › z;* f 1. ` , z Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig ,wa avi?
2.1 -
Histograma bimodal
e multimodal dos níveis de cinza deuma
imagem
- 52.2 - Histogramas bidimensionais --- -- 6
2.3 -
Histograma
2D
segmentado
pelo vetor limiar (t,s) --- -- 72.4 -
Função “S”
eFunção “Z”
--- -- 92.5 - Separação difusa --- -- 11
2.6 - Separação difusa
2D
--- -- 132.7 -
Função
de pertinência2D
--- -- 153.1 - Variação dos índices de difusão --- -- 23
4.1 - “Just noticeable difference”
(JND)
--- --30
4.2 -
Fluxograma do
algoritmo de detecção de bordas --- -- 335.1 -
Imagem
Tiffanyem
níveis de cinza --- --36
5.2 -
Histograma da
distribuição dos níveis de cinzada
imagem
Tiffany ---- --36
5.3 -
Histograma
2D
da
imagem
Tiffany --- --37
5.4 -
Imagem
binária obtidado
método
1D
[5] --- --37
5.5 -
Imagem
binária obtidado
método
1D
utilizando lógica difusa [15] ---- -- 385.6 -
Imagem
binária obtidado
método
2D
[8] --- -- 385.7 -
Imagem
binária obtida pelométodo
2D
utilizando lógica difusa [20] ----39
5.8 -
Imagem
binária obtida pelométodo
proposto --- -- 395.9 -
Imagem
Lenna
em
níveis de cinza --- --42
5.10 -
Histograma da
distribuição dos níveis de cinzada
imagem Lenna
---- -- 43Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig Fig
5.12 -
Imagem
binária obtida pelométodo
1D
[5] --- --
5.13 -
Imagem
binária obtida pelométodo
ID
utilizando lógica difusa[15] --
5.14 -
Imagem
binária obtida pelométodo
2D
[8] --- --
5.15 -
Imagem
binária obtida pelométodo
2D
utilizando lógica difusa[20] --
5.16 -
Imagem
binária obtida pelométodo
proposto --- --5.17 -
Transformação
típica deum
histograma deimagem
--- --5.18 -
Imagem
“Couple”
original --- --5.19 -
Histograma da
distribuição dos níveis de cinza daimagem
original ----5.20 -
Imagem
binária resultanteda
binarizaçãoda
imagem
original --- --5.21 -
Histograma
alterado --- --5.22 -
Imagem
modificada resultantedo
alargamentodo
histograma --- --5.23 -
Imagem
binária resultanteda
binarização daimagem
modificada ---- --5.24 -
Imagem
“baboon”
original --- --5.25 -
Imagem
binária resultantecom
limiar único para a detecção de borda-5.26 -
Imagem
binária resultantecom
limiares diferentes para a detecção--xii if ' ?‹?§~;Y7}^ v *f «ii fw" nf" 1/ffvfw zu :W '=ê=ê=ê-:~ vi . ; É ' Y 9 . agf, }':¿~ ›\ ;¿z.;F:*××>‹zz>ô>¢,;Êz^§'f‹í~j«;~#~x =,' f °=:~» .z «fev “ ›. -* , , × f z 'rf zmâõf WM É» â‹~ 'K É* ›/ ›‹:$:)É M . . ,š
Segmentação
binível
de
imagens usando
Entropia Difusa Bidimensional
e
Distribuição
da
Orientação de
Gradiente dos
Pixels
Binarização de
imagem
éuma
importante etapaem
muitos sistemas de análise deimagem, onde
se deseja reconhecerou
selecionarum
determinado padrão.Nós
propomos
um
método
de binariazação deimagem
baseado na associação de informações relevantes daimagem,
taiscomo,
distribuição dos níveis de cinza,média
local dos níveis de cinza, eorientação
do
gradiente dos pontosda
imagem.
Para isso,em uma
primeira etapa, édeterminado o limiar
do
par (nível de cinza,média
local) atravésda
máxima
entropia difusano
histograma2D;
em
seguida,um
algoritmo de detecção de bordas é utilizado paraencontrar as bordas
da
imagem
original; então,finalmente
é realizadouma
completabinarização
da
imagem
associando todas essas infonnações.Em
nossas simulaçõesconstatamos
que
o algoritmo proposto permite obteruma
imagem
binária demelhor
qualidade
quando
comparado
àsmais
recentes técnicas encontradasna
literatura,no
entanto,
com
um
custo deuma
maior
complexidade computacional.Palavras chaves:
Segmentação
deimagem;
Imagem
binária;Reconhecimento
de padrões;Xin " , ‹, a 2? ~ , . . . ‹. . , .. ,z z , z fm Ê. . , ;;/ ‹ , 4... t wâä \/‹ ( wvfi
Bilevel
Segmentation
of
Images
using
Two-Dimensional Fuzzy
Entropy
and
Orientation Distribution of
Gradient
Pixels
Thresholding is
an
important step inmost image
analysis systemswhen
We
desireto recognize or extract a selected pattern.
We
propose a threshold technique basedon
anassociation
of
pertinent informationof
the image, such as gray level distribution, local average gray leveland
orientation distribution of gradient pixels. For this end, initially, athreshold is obtained based
on
the two-dimensional (2D) histogram (gray level, localaverage gray level) using the
maximal
fuzzy entropy criterion; next, an edge detectionalgorithm is applied for
finding
the edges of the original image; finally, awhole image
thresholding is achieved, associating the
above
information.By
simulation,we
confirm
that the proposed algorithm leads to a binary
image
with better quality, ascompared
tomost
recent techniques found in the literature, but paying a price of a largercomputational complexity.
Keywords:
Image
thresholding; Binary image;Pattem
recognition;Fuzzy
entropy.« `¬';>^‹f¿‹°;¿ z. z::z~‹,›' /:fix -zâêêz lfz, à ,zé , ›'»ä;.›. ›šz:~‹,»“«â«§z: .>z~ zzlâè zz. =z;› t ‹ .~‹,׬* zs .f .§;~:<:a. -'<â~;,:‹ \ , ':. ,za zzz .\,,;.«'zz ×,‹ê~é.«= ,Á Lú * ,if * "-.5;~'. ' 'øí.'=«›.~» šwi' 1» «ziâës f ‹ rw ;.” ““ f”~;«‹>2z«° 1""'*`§
INTRODUÇÃO
Binarização é
uma
técnica largamente utilizadaem
segmentação deimagem
quando há
interesseem
identificar os diferentescomponentes
homogêneos
deuma
imagem
[l,2,3]. Isto é útil, por exemplo,na
discriminação entre objeto e fundo,em
aplicações
em
que se busca reconheceralgum
padrão procurado(como
exemplo, nóspoderíamos
citar análises de imagens: biomédicas, aonde deseja-se reconheceralgum
tipode bactéria, célula, etc; geológicas,
buscando
separaralgum
tipo de rocha, mineral, etc; industriais, fazendo controle de qualidadecom
baseno
reconhecimento deuma
falha; e militares, tendocomo
objetivo identificarum
alvo militar) [l2].As
bordaspodem
serdetectadas
como
o limite dos diferentes segmentoshomogêneos. Porém,
istotem
valor limitado para
imagens
texturizadas, isto é, aquelas que apresentamcomponentes
não-homogêneos.
Há
dois tipos de separação doscomponentes
homogêneos
deuma
imagem:
binível e multinível.
No
primeiro, assume-se que aimagem
écomposta
por doiscomponentes
(ou classes,ou
grupos,ou
ainda, segmentos), objeto e fundo,que têm
distintamente diferentes distribuições de níveis de cinza. Tenta-se então achar o valor
limiar entre os dois grupos.
Cada
pixelcom
nível de cinzaacima
deum
determinado limiar éassumido
como
objeto (ou fundo) e aquele abaixo éassumido
como
fundo (ouobjeto).
No
multinível, assume-seque
aimagem
écomposta
de várias classes, cadauma
Ç
limiares
que
podem
separar essas classes. Obviamente, a situação multinível éuma
extensãodo
caso binível.Em
nosso trabalho,vamos
abordar a separação binível, a qualdenominaremos
deum
processo de binarização, já que, aimagem
resultante serárepresentada
com
apenas dois valores.Na
separação binível, a distribuição dos níveis de cinza (histograma)tem
normalmente
um
vale entre dois picos (histograma bimodal); cadaum
representa aconcentração de níveis de cinza
da
classe objetoou
fundo.O
objetivo é localizar,eficientemente, o valor
do
vale, o qual separa as duas classes. Nestes casos, soluçõessimples e de baixo custo computacional, de acordo
com
algum
critériocomo
variânciadentro das classes, variância entre classes, variância total,
ou
entropia,podem
serutilizadas,
com
resultados satisfatórios [4,5,6,7].No
entanto, para histogramas multimodais(com
vários vales e picos), é necessário a utilização demétodos mais
complexos
[8,9,l0], e portanto demaior
esforço computacional para se obteruma
boa
separação entre as duas classes.
Recentemente,
têm
sido apresentadosna
literatura,métodos
que utilizam lógica difusa e entropia difusa para a determinaçãodo
limiar.Devido
à natureza difusada
regiãopróxima
ao limiar ótimo, esses métodos, utilizandopouco
esforço computacional,apresentam
bons
resultadosem
imagens
cujo histograma é multimodal [11,12,l3,14,15].As
técnicas de separaçãoque
são baseadas somenteno
nível de cinza, contudo,não
utilizam todas as informações disponíveisna imagem.
O
efeito da informaçãonão
incluída se
toma
aparentequando
a razão sinal/ruído(SNR)
decresce. Assim, espera-seuma
melhora do
desempenho
se a informação espacial sobre a interação entre os pontos échamada
matriz de co-ocorrência para determinar o limiar ótimo; essa matriz representa aprobabilidade de ocorrência entre dois valores de níveis de cinza
quando
os pontoscorrespondentes são separados por
uma
determinada distância.Na
abordagem
proposta,vamos
utilizar a informação espacial(através
da média
local) associada ao nível de cinzado
ponto e às bordas daimagem.
Ambos,
o nivel de cinzaem
cada ponto e amédia
localem
sua vizinhança, sãousados para gerar
um
histograma bidimensional, que representa onúmero
deocorrências
do
par (nível de cinza,média
local).O
ponto demáxima
entropiano
histograma
2D
(bidimensional) determina os limiares para o nível de cinza e para amédia
local
da
imagem.
Simultaneamenteum
outro algoritmo detennina as bordas daimagem
através
do
gradiente local. Assim,um
ponto pertence a urna classe se satisfizer auma
dastrês condições: limiar
do
nível de cinza, limiar damédia
localou
ponto borda; nãosomente uma,
como
nosmétodos
convencionais,nem
duas,como
nosmétodos
queutilizam o histograma 2D.
No
Capítulo 2 são apresentados os conceitos fundamentaisque
serão utilizadosneste trabalho.
No
Capitulo 3 são discutidos osmétodos
que serão utilizadoscomo
referência.
No
Capítulo 4 é apresentado o algoritmo proposto.No
Capítulo 5 têm-se osresultados experimentais, que
mostram
oganho
de qualidade que seobtém
com
aassociação das informações,
como
também
as dificuldades e limitações encontradas e aspropostas para solucioná-las.
E
finalmente,no
Capítulo 6 são apresentadas as conclusões1., 5-; ›_ » 7z¿ '›fi:;‹×,;‹ fm f _z.‹~--¡z¡‹; V .›«;.=¡-, ~«l»‹×¬~‹z¬, ,¡_ . ¬..w I-¿›.T_ M Í ,N .,Á ,. ...¿¿.`_¬,. (tz. ` tH ‹' ` ~ f Y i _ › « , . , \ ‹ Z _ ¢ zw. . « _ . 0 ; . . › «Az › _, n /ze mz, 1; fm /'>”~'§
CONCEITOS
FUNDAMENTAIS
2.1Introdução
Neste capítulo são apresentados os conceitos básicos sobre binarização de
imagem, que
são relevantes para o entendimento deste trabalho. Primeiro,vamos
apresentar o conceito de histograma, que é o
fundamento
básico das técnicas que serãoaqui discutidas.
Em
seguida apresentaremos, os conceitos de binarização1D
(unidimensional), histograma
2D
(bidimensional), binarização2D,
entropia, lógica difusae separação difusa.
2.2
Histograma
1D
Considere
que
f1,f2,...,fL representa a freqüênciado
nível de cinza observado (histograma 1D).A
expressao para a probabilidade (percentual de ocorrência deum
específico nível de cinza), p,-, será :Z[\/je _\
2 2 _ (2.1)
p,.=f,/N
,.=N
, z=l,2,...,L,onde
N
2é o
número
total de pontosna
imagem
eL
e onúmero
de níveis de cinzano
histograma.
A
Fig. 2.1 mostra dois tipos de histogramacomumente
encontrados, oEstogmna
¡ ¡ ¡ A i 1500 iooo 4 \Am
500LM
'~~^K
oo iöo zoo: " _ oo 160 260 Nível de Cinza Nível de cinzaNúmero de pixe s Número de mxe s [\) À ON É É É (D É É
Fig. 2.1 - Histograma bimodal e multimodal dos níveis de cinza de
uma
imagem.2.3 Binarização
1D
Uma
vezque
o valordo
limiar t é obtido da aproximação proposta, nóspodemos
encontrar a
imagem
binária atravésda
seguinte expressão:O,
f(x,y) <
t (2.2)ƒi(x›y)=
1,
f(x,y)2t
onde
f
(x, y) corresponde à intensidadedo
nível de cinza daimagem
no
ponto (x, y) .2.4
Histograma
2D
O
histograma2D
(histograma bidimensional) é definidocomo
a distribuição dopar (nível de cinza,
média
local) de todos os pontos daimagem.
Para encontrá-lo épreciso definir a
média
local dos pontosda imagem. Supondo
uma
imagem
digitalcom
N
×N
pontos eL
níveis de cinza (0,1,2,...,L
-1) sendo representadacomo
função daintensidade
2D
f
(x, y); define-se amédia
local g(x, y) def
(x, y)como
amédia
daintensidade dos seus pontos vizinhos, Eq. (2.3). Esse valor deve ser arredondado, pois a escala de níveis de cinza possui apenas valores inteiros.
W 5 ' n/2 n/2 g‹›‹,y›
=
izZ Z
_f‹z‹+1‹,y+1› " /.-z-H/zlz-zz/2onde
n representa otamanho
da janela utilizada para calcular amédia
local.A
operação demédia
funcionacomo
um
filtro espacial passa-baixas n × n, quetem
como
característica atenuar as altas freqüências, reduzindocom
isso o ruído ealgumas
distorções, pois esses se caracterizam por ter intensidades muito diferentes dosseus pontos vizinhos.
Os
pontos fora da diagonal principalno
histograma 2D,representam os pontos da
imagem
quetêm
igual intensidade de nível de cinzamas
têm
diferentes características espaciais.
A
ordem
deum
histograma2D
é (L,L), cujosvalores pontuais representam o
número
de ocorrências do par(f
(x, y), g(x, y)).O
número
de ocorrências desse par dividido pelonúmero
total de pontos, define aprobabilidade py.1
pzz
=
fz,/Ni
<f,j›=1,2,...,L. (2-4)Assim,
podemos
notar que oscomponentes
afastados da diagonal principal seraopróximos ou
iguais a zero.A
F
ig. 2.2 mostra algunsexemplos
de histogramas 2D.H.istog;rama 2D Histogtmna 2D
Nivelde
emu
Níve¡ de ~
Média local M¿¿¿a1°¢,¡1
-,z z~.azz~,_.~w' =:£›;¡¬«_/ ~ ~z~,~ ,z'f×*‹2$~'"“;~ë~››:¡ "~.,z,.;.× ¬_W¡*›‹¿;f:f'f¿@,¡
,
1.,
š
šš2.5 Binarizaçao
2D
No
processo de binarização2D,
é determinadoum
vetor limiar (t,s)que
divide o histograma2D em
quatro blocos, Fig. 2.3; i.e.,um
bloco de níveis escuros,um
bloco de níveis claros, e dois blocos de ruídos (ou bordas,ou
limites, pois esses blocospossuem
pontos que se caracterizam por terem níveis de cinza escuro (ou claro) para
uma
média
local clara (ou escura)).A
binarização separa então 0 bloco de níveis escuros(classe objeto
ou
fundo), deixando os blocos de ruídos juntocom
0 bloco de níveis claros (classe fundoou
objeto). Issopode
ser expresso por:{l,
f(x,y)
2
tU
g(x,y)2
s (2-5)fu
(x, y,escur0)=
O outros
onde
g(x, y) é amédia
local def
(x, y) definida pela Eq. (2.3). Inversamente, se édesejado extrair a classe de níveis claros, a Eq. (2.5)
pode
ser alterada para:0,
f(×,y)<t
U
g(x,y)<S
(2-6)l, outros
f,S(x, y,claro)
=
{Ú Ú t ]_,.1 Nível ca: cinza
Bloco Escuro S Bloco Claro L-l Média local 'I
;§zz<âfõ;»~›*°»*f›ê".>*fz,"“ 2¿«1K"‹ f?'=*@'°-"°~*`*?5"" “Y"W'¿<' /JP X. MW ‹* «>f~f12:š$Í*ÃÍ›Í; ^ ”äTI'V%'V°`À' L' wifi' = 1 '‹ × :~ .~' . 1 , z, ‹ ‹ =› ”:~‹.,«'‹< «§‹ w */*‹¡«, bm J* '==-* ×~ › *fax ‹‹.;‹'^" wi ›¿z› V1/-/;'‹*<í"'š'šš ' 'íià- *‹€¿'~ '”*<:' zé i §6§,›~§°«§‹ “V ea t
aë
2.6
Breve Introdução
àTeoria
de Lógica
DifusaA
teoria dos conjuntos difusos está baseadana
idéia de representar elementos econjuntos tendo
como
fundamento
uma
relação de pertinência vaga, incerta,ambígua ou
indefinida [l7].
Um
conjunto difuso A,no
espaço observado X, é caracterizado poruma
função depertinência
u
A (x,.),que
associa cada elemento x,« deX
com
um
número
real,u
A (x,.),no
intervalo [0, l].
O
valor deu
A(x,.) indicacom
que grau o elemento x, pertence a A.Generalizando,
um
conjunto difusoA
é definidocomo
uma
coleção de pares ordenados epode
ser expresso pela seguinte notaçao:A
=
{(xi›l1A(x¡))lí=1›2z---›L}A
=
É
l1A(x¡) (27)¡=1 xi
onde
o somatório indica a união de todos os elementos x,-.2.6.1
Função
“S”
A
seleçãoda
função de pertinênciadepende da
aplicação. Neste trabalho,vamos
introduzir as duas funções
que
são utilizadasem
nossos experimentos.Uma
é aFunção-S
âfíãá
WR*
MW A
A
Função-S
é definida por:O
x,.Sa
2~í
aSx_Sb
lflA(x¡)=
S(x¡Êa›b›c)=
(b_a)(c
_a)2 I (28)(xf`c)
l~
bSx¡SC
1 cS
xionde
x, é a variável observada. Aqui, x, é o nível de cinza que varia entre O a 255.Os
parâmetros a, b, e c
determinam
aforma
da Função-S.O
intervalo [a, c] é a região difusa; b é usualmente o pontomédio
desse intervalo,mas
não necessariamente.2.6.2 -
Função
“Z”
A
Função-Z pode
ser obtidada Função-S
pela seguinte relação:Z(x,.;a,b,c)=1-S(x,;a,b,c) (2.9) Função “S” Função “Z” 1 I Ê O 'uz I I I I ø I I I I -__ _-..¡._______ G' Q -______-L___...._- 5:' É `_,¡ ._. I I I I W I II I ..---_--_¡.-__ ___ G* Q .._______I.-_-____.
'f wi
Í$3*P!Ê1!39>?‹š:駚šz?%€š€*Í5ʧšÃ§t§.$§?§‹f%9zÊš%!§;â;â.aa-« szêêzâ .«š*§*
Ma,
2.6.3
Medidas
de
DifusãoUsando
o índice de difusão (ID) introduzido porKaufmann
[17], nóspodemos
determinarcom
que
grau os elementosdo
conjunto difusoA
pertencem ao conjuntoordinário 4.
Na
definição deKaufmarm,
este índice é obtidomedindo
a distância entreA
e 4,
definida
por:2 (2.10)
¬P,.<A>
=
-¿d,‹<A,é›
nkonde
d(A,z_4_) é a distância e n é onúmero
de elementos de A. Parak
=
le 2, nóstemos
oíndice linear e o quadrado, respectivamente. Estas
medidas
são representadas pelaseguintes expressões:
para .k
=
1 , índice de difusão linear:(2.1 1)
*Ifi<A›=;
_ »,.<›‹,»›-»&<›‹.«>|
N
Z[\/]=
para k
=
2 , índice de difusão quadrático:2 (2.12)
WA)
=
-
(»,.<›‹,>~
»i<›‹,››)n ~=
e
né
(x,) é a função de pertinência de ¿l, que é definida por:<¡
to l[\4=0 if n,,(x,.)
<
0.5 (2-13)“fl(x"):
ç " os
2.7
Separação
DifusaComo
a pertinência deum
elementoem
um
conjunto difusopode
ser qualquervalor real entre [0, 1],
um
elementopode
pertencer parcialmente a cada subconjunto daseparação difusa.
Nós
usaremos
um
exemplo
para demonstrar isso.Consideramos
X
=
O,l,2,...,7 ser a escala de intensidade deuma
imagem, onde
Osignifica a intensidade
mais
escura e 7 amais
clara.Uma
separação difusa binívelpode
ser obtida de
X
por dois subconjuntos difusos A, eA
2 ,ou
seja :A
",=0x,
_É~z«_<>ff>_¿+1+¿+¿+¶+@+9+9
"(1123
4 5
67
A
_Êf_i@_9+9+2+9+@+w+¿+¿
2,=,x,
`o123
4
567
onde
um
(x,.) éuma
Função-Z
e uA2 (x,.)é sua correspondente Função-S.A
separação émostrada
na
Fig. 2.5. 1 Difusão 53 Q kh É I I II II ¡_--_______I____--_ w---|--- I I I I II uo---¬--- I I II
I 4>.--- --|-- -- I I I I I v.-- --:-- --- I I II
ot---I----U I II
II *-J Nível de cinzaFig. 2.5 - Separação difusa.
Basicamente,
há
duas tarefas para executarem uma
separação difusa.i) determinação
da
região difusa.A
região difusa é determinada pelo intervalo [a,c] .No
exemplo
acima,usando
aFunção-S
(Função-Z)como
uma
W
§
äfiâ umäii) designação de pertinência.
Os
elementosna
região difusatêm
a incerteza depertencer ao conjunto A,
ou
A2.A
posiçaodo
pontob pode
influenciar adeterminação das pertinências uA|(x,.) e uA2(x,).
Conseqüêntemente,
uma
separação difusapode
ser completamente caracterizadapor
uma
combinação
de a, b, e c.O
ponto de cruzamento daFunção-S
com
a Função-Z,ponto b, determina o ponto de separaçao entre os dois conjuntos
A
, eA
2.2.7.1
Separação
Difusa sobre 0Histograma
2D
Como
descrito anteriormente,uma
separação difusapode
teruma
região deincerteza entre os subconjuntos difusos. Aplicando esta consideração para o histograma
2D
da imagem,
deve haverum
bloco difuso entre o bloco de níveis escuros (BlocoA) e obloco de níveis claros (BlocoB).
Baseado
nos parâmetros a, b e c daFunção-S
(Função-Z), o
BlocoA
édefinido
como
o bloco quecontém
os pontoscom
coordenadas(0,0) até (c,c) , o BlocoB é o bloco
que contém
os pontos de coordenadas (a,a) até(L-l,L-1).
O
bloco de incertezas échamado
bloco difuso (BlocoD), que iniciano
ponto (a,a) e termina
no
ponto (c,c).A
separação difusa é ilustradana
Fig. 2.6.Depois de determinar a região difusa
no
histograma2D
daimagem,
opróximo
passo é determinar a pertinência para cada ponto
do
histograma 2D.Como
os pontosdo
histograma
2D
são classificadosem
dois subconjuntos difusos,devemos
definir duas funções de pertinências para cada par (nível de cinza,média
local).Uma
é para o conjunto difuso claro,que
descrevequão
claro é o ponto, e o outro é para o conjunto,ía \<›\`,_ z_Vz¿¡»z¿i_~2'¢âz¡w,,\ .~_ W¢¿¿,_ i. »¿››zz¡§,¿;í.k¿; zívf ,/X, ãrjiyílø Z- ›>-iq
á mr
([¡,U)~ a z;
N
ível dšcínza f(x,y)_a
(M)
Blocog B1ocoD B1ocoB c (QC) (T-f1J-fl)V
Média local g(x,y)
Fig. 2.6 - Separação difusa 2D.
Um
histograma2D
consiste de todas os possíveis pares de (média local de nível de cinza, nível de cinza).Definindo
dois conjuntosX
e Y,que
representam amédia
local e o nível de cinza, respectivamente, para definir os dois conjuntos difusos claro e escurosobre o histograma
2D,
vamos
antes definir quatro conjuntos difusos, baseados naFunção-S
e a sua correspondente Função-Z,com
parâmetros (a,b,c). Eles são Claro,,Escurox, Claroy, Escuroy;
onde
Claro, e Escuro, são os conjuntos difusos definidos para os elementos deX
e Claroy e Escuroy são os conjuntos difusos definidos para oselementos de Y. Eles são descritos
como
segue:1 - Clarox é
um
conjunto difuso que descreve o quanto é clara a variávelobservada
x
eX
.A
função de pertinênciapamx
é definida poruma
Função-S. Assim:
Clarox
:
Z
l'|'CIaro_\,(x):
ZS(X;Cl,b,C) xeXx
xeX xêÍ¿
W»
n a
2 - Escurox é
um
conjunto difuso que descreve o quanto é escura a variávelobservada
x
eX
.A
função de pertinência uEwm, é definida poruma
Função-Z. Assim:
Escur0,,
=
Z
“EMM”
(X)=
2
Z(x;a,b,c) zex X xêx x3 - Claroy é
um
conjunto difuso que descreve o quanto é clara a variávelobservada
y GY.
A
função de pertinência |.LC,my é definida por urnaF
unção-S. Assim:Clar0y
:
Z
pCIa::(y)=
Z
S(y;:¡,b,c) yêY yel'4 - Escuroy é
um
conjunto difuso que descreve o quanto é escura a variávelobservada
y
eY
_A
função de pertinênciaumumy
é definida por urnaFunção-Z. Assim: y
:
Z
i'lEscumy: ZZ(y;a,b,C)
yeYy
yeYy
Escuro
O
conjunto difuso Claropode
ser obtido pelo produto cartesiano entre os conjuntos Clarox e Claroy, i.e.,Claro
=
Clarox × ClaroyC
X×
Y
A
pertinênciado
conjunto difuso Claropode
ser obtida pela expressão :\ âz ' * ” ae fev wfw , sw ¬ ‹;»,›×.‹ 'W »§.¿ -yâ_<;‹»~â1;jà;›,,»;°ff›*^~?=fsY~...*>f›‹':-' ;:»5= ,sâgfç-,N ‹:'. .íf;_ .×;:¡,9,¿;L'.\,~ ' ×. * er
W
í” »í se » W .. ; _ ~;-,_\@W se-~ se _.,,z«Similarmente, o conjunto difuso Esc
dos conjuntos difuso Escuro] e Escuror :
uro
pode
ser obtido pelo produto cartesianoEscuro
=
Escurox × EscurovC
X
×Y
onde
o conjunto difuso escurotem
a função de pertinência :l'LEscuro(X'›y)
:
il I{.\'‹fur‹›r ×I;`.\'cnrn,, (X-°:
l:`.\'L'ur‹›,, (X),H
Ex-c|:n›,, (As
pertinências dos conjuntos difuso2.15) s Claro e Escuro são mostradas na Fig. 2.7.
Fimção-S Bidimensional
"“T#_`Í.Í1
L-Função›Z Bidimensional
a\
Fig. 2.7 - Função de pertinência 2D.
Note
que os conjuntos Claro e Escuro não são complementaresum
em
relação aooutro, i.e., a
soma
de u(.,um(x,y) paranecessariamente igual a 1,
ou
seja:lJ'(`Iuru (X1
¢
1_
p'I:`.\'cun› (Xtodos (x, y) de
um
histograma2D
não é.
*wêák
W
fiä
fr2.8
Entropia
De
acordocom
a Teoria de Informação [18], a entropia deum
sistema éuma
medida da
quantidade de informação deum
sistema.Consideremos
x, , para í=
l,2,...,L
,ser a possível saída para a fonte
A com
a probabilidade P(x,.).A
entropia é definida por:L (2.16)
H,..,,,fi,zz,<f1,P›
=
-2
P<›‹.›1n‹P<›‹,>>onde
;'[\4~ *e
(x¡):1
O
subscrito “nonfuzzy” é usado para distingüir a entropia “fuzzy”.Um
alto valorde entropia significa
uma
grande quantidade de informação.Podemos
definir a entropia difusa levandoem
consideração a probabilidade e apertinência [l9]. Considere
A
serum
conjunto difusocom
função de pertinência uA(x,),onde
x,-, para i=
1, ..., L, são as possíveis saídas da fonteA
com
a probabilidade P(x,-).A
entropia difusa
do
conjuntoA
é definida por:L (2. 1 7)
Hfi,,,,‹A,P›
=
ul
<x,›P<×i›1n‹P‹x, ›>A
diferença entre a Eq. (2.16) e a Eq. (2.l7) é o termo uA(x¡),que
servecomo
um
peso multiplicativona
Eq. (2. l 7).Assim,
a entropia difusa étambém
chamada
de entropiade pesos.
Nós
vamos
ilustrar através deum
exemplo
numéricocomo
a entropiapode
ser usada paramedir
a quantidade de informação deum
sistema.šã Êânzw
Supondo
dois sistemasA
eB
,ambos
contendo 10 elementos, sendo que 0primeiro
tem
distribuição uniforme, e o segundo,uma
probabilidade unitária, então:P(zz1)
=
P(zz2)=
--.= P(a,0)=
0.1, paraA
P<1›1›=1 e P<1›z›= P<1›z›=~-~= P<1›10›=‹›, para
B
Assim, aplicando a Eq. (2.16) obtém-se:H(A,PA) =
2.3026 eH(B,PB) =
OPode-se então constatar,
que
amáxima
entropia acorre paraum
sistemaâ ( Q
W
wëffl fiíífi*MÉTODOS
DE REFERÊNCIA
3.1Introdução
Podemos
encontrarna
literatura diversosmétodos
de binarização baseadosno
histograma
da
imagem.
Apresentaremos aqui alguns desses métodos.3.2
Método
1D
A
idéia básica dessemétodo
[5], é encontrarum
limiar t,no
histograma 1D, deforma que
a informação avaliada nos conjuntos objeto e fundo, seja maximizada. Essainformação é
medida
atravésda
entropia 1D.Os
passos dessemétodo
sãomostrados a seguir.
3.2.1 Descrição
do
Algoritmo
Supondo
que
o histogramaID
pode
ser divididoem
dois grupos (ou conjuntos),A
e B,que
representam, respectivamente, os conjuntos objeto e o fundoda
imagem
devemos
então encontrarum
valor de nível de cinza que separe eficientemente os dois grupos; esse valor échamado
limiar (t). Paraum
determinado valor t , as entropias para os gruposA
eB
podem
ser definidas, respectivamente, por [5]:W P L (3.2)
Him
=-Em
/<1-P.››1n‹z›,- /(1-P.>› i=1+londe
Pr=ãp¡
ep¡:%
O
critério de discriminação entre o objeto e o fundo, *IJ(t) , é definidocomo
osomatório das duas entropias acima, que após
algumas
manipulações algébricas resulta:\P(t)=ln(P,(l-P,))+H,/P,+(HL-H,)/(1-R)
(3.3)onde
I L
H,
=-Zp,1n‹p,›
eHL=-Zz›,1n‹p.-›
i=l i=l
Para encontrar o limiar é necessário
uma
pesquisa exaustivaem
todos os valoresde nível de cinza.
O
nível de cinzaque
leva àmáxima
entropia, segundo o critériodefinido na
Eq. (3.3), é o valor limiar r . Fixando os níveis de cinzaacima
do
valor limiart igual a 1 e o resto igual a 0, obteremos
uma
imagem
binária.3.3
Método
2D
A
idéia básica dessemétodo
[8], é encontrar os limiares (t,s) ,no
histograma2D,
de
fonna que
a informação avaliada nos conjuntos objeto e fundo, seja maximizada.Essa informação é
medida
atravésda
entropia 2D.Os
passos dessemétodo
são3.3.1 Descrição
do
Algoritmo
ššãít
Supondo
que
o histograma
2D
pode
ser divididoem
dois grupos,A
e B, querepresentam, respectivamente, os conjuntos objeto e o fundo da
imagem,
devemos
entãoencontrar os valores
do
par (nível de cinza,média
local) que separe eficientemente osdois grupos; esses valores são
chamados
limiares (t,s) _ Paraum
determinado par (t,s) ,as entropias para os grupos
A
eB
podem
ser definidas , respectivamente, por [8] :M
_ \ M (34)HA<f,s›=-_
zcp.,/f:..›1n<z›,«,-/Pt) ~. L L (35)Him)
=
-,_Z __Z<p,,/<1-
P,,››1n‹z›,,/<1-
fz»
onde
:[\×1~ :MMlë
P”=
O
critério de discriminação entre o objeto e o fundo, \P(t,s) , é definidocomo
osomatório das duas entropias acima, que após
algumas
manipulações algébricas resulta: *Y(f›S) =1n(P.S(1- 135))+
HU
/ Pz,+
(HLL- HU)
/ (1-
PU) (3-6)onde
l[\4~ É[\4‹~ S* Z[\/1» Í;[V]- 5*
H,,=-
ln(P,¡) eHLL
=
_
1n(1›,~,~)O
algoritmo então dete `rmma
o vetor limiar (t,s) quemaximiza
'~IJ(t,s) .Brink [9]
demonstra que
amaximização da
entropia total [8],pode
não significar, -,mz
3 â
entropia dos conjuntos, objeto e fundo, através
do
critério “maximin”, Eq. (3.7), a qualconduz
aum
melhor
vetor limiar (t,s) . Assim,(3.7)
*IJ(t,s)=max
mínt:0,m,L_1
{HA(t,s),HB(t,s)}s=
O,...,L-l3.4
Método
1D
DifusoO
objetivo desta técnica é usaruma
medida
de difusão para achar o limiarno
histograma de nível de cinza
da
imagem
[15].O
índice de difusão (ID) é calculado paracada valor de nível de cinza
da
região difusa,em
relação ao conjunto objeto e ao conjuntofundo.
O
limiar é encontrado atravésdo
ponto de intersecção das curvas dos índices dedifusao normalizados.
3.4.1 Descrição
do Algoritmo
Deve-se,
em
princípio, definir dois conjuntos difusos de referênciaRA
e RB,que
pertencem aos conjutosA
(objeto) eB
(fundo), respectivamente.Considerando
X
como
o conjunto universo cujo suporte são osnúmeros
{O,1...,L-1} , então
RA
c:X;
RB
C
X;
eAU
B
=
X.
Os
conjuntos de referênciasão associados respectivamente ao intervalos
do
histograma [x L,x 1.] e [x,,x,,]. x J. e x,são os limites, final e inicial, dos níveis de cinza para os conjuntos
RA
e RB,respectivamente. xL e
xH
são os níveis de cinza,menor
e maior,do
histogramada
O
vale entre os conjuntos de referênciapode
ser vistocomo
um
intervalo difuso;nesse intervalo os níveis de cinza
possuem
uma
forte ambigüidade.Em
seguida, baseadono
índice de difusão, cada nível de cinzado
intervalo difuso é atribuído aum
dos doisconjuntos
RA
e RB.O
nível de cinzado
conjunto que apresentarID
(ambigüidade)mínimo
é o selecionado. Para cada conjunto, representando
um
intervalono
histograma, a funçãode pertinência
uA
(x,.)=
Z(x,.;a,b,c) e uB(x,.)=
S(x¡;a,b,c) é calculada, usando aFunção-Z
e Função-S, respectivamente para os conjuntosRA
e RB.Antes
de inicializar a alocação dos níveis de cinzado
intervalo difuso, amedida
de
ID
é normalizada atravésdo
fator de equalização oc , que é definido por:oc
=
“P(RA)/\P(R,,) (3.8)Desse
modo,
certifica-seque
os índices estão relacionados permitindo, assim,uma
comparação
entre eles.Os
passosdo
processo de classificação são efetuados peloalgoritmo descrito a seguir: para i
=
j
até rpasso 1: calcular *PRA (RA
U
{x,.});passo 2: calcular *PRB (RB
U
{x,});passo 3:
Se
*PRB (RBU
{x,})<
oa-*PRA(RAU
{x,.})então x, é incluído
no
conjunto RB; senão x,- é incluídono
conjunto RA;fim
fim
W ø
A
Fig. 3.1 mostra o gráficoda
função *PRA (RAU
{X,~}) z *PRE (RBU
{x,.}) eot -*PRA
(R
AU
{x,.}) , para í=
l,2,...,L- l.O
limiar é detenninado pela intersecção dascurvas dos índices de difusão nomlalizados.
O
conjunto objetoA
écomposto
por todos osníveis de cinza
acima do
ponto de intersecção e o conjunto fundoB
por aqueles abaixo.1.4
Í
4
1 2 zzmzzz zwmzzlâzzóa*rf
fz - vg, (R,o
(z, )) 1.. Índice de Difusão É bo ~¬L«í
"¬~.*,.-›- __9
oú \i/,B (R,o
{z,}) 0.4 I \V,,¿(R,,U
{z,}) 5 0.2~ O "v 0 50 n¡vB11¡m¡ar 100 150 200 255 Nível de CinzaFig. 3.1 - Variação dos índices de difusão.
3.5
Método
2D
DifusoA
idéia básica desta técnica [20], é encontrar a separação difusa ótimaque
divide todos os pontosda
imagem
em
dois subconjuntos difusos (i.e., classes de objeto e classesde fundo),
que maximize
a entropiada imagem.
Essa é asoma
das entropias dos dois¿èM=‹
solução ótima é utilizado
um
algoritmo genético [21], visto queuma
pesquisa exaustivademandaria
muito esforço computacional. Outrosmétodos
de otimizaçãotambém
poderiam
ser utilizados [l0].3.5.1 Descrição
do Algoritmo
O
algoritmo consiste de três passos:i) achar o histograma
2D
da
imagem;
ii) fazer
uma
separação difusa sobre o histograma2D;
iii) calcular a entropia daimagem.
O
passo 1 necessita ser executadosomente
uma
vez, enquanto os passos 2 e 3precisam ser executados iterativamente para cada conjunto (a,b,c).
A
máxima
entropiadetermina o ótimo conjunto (a,b,c) que gera a região difusa (i.e., o intervalo [a,c]).
O
limiar é selecionadocomo
0 ponto de intersecção entre asFunção-S
e Função-Z, pontoesse que apresenta pertinência 0.5.
3.5.2 Cálculo
da
Entropia
Depois do
histograma2D
ser divididoem
classes de objeto e fundo (B1ocoA eBlocoB ) e as pertinências
udam
(x, y) eu
Emm, (x, y) serem determinadas, suas entropiassão calculadas separadamente e a entropia
da
imagem
total é definida por:H(imagem)
=
H(Bloc0A)
+
H(BlocoB)
(3.9)O
bloco escuro Bloco Apode
ser divididoem uma
região não-difusaRE
euma
BlocoA
=
RE
U
R1RE
=
{<x,y›|»zW,‹x,y>
=
1,‹×,y› EBlow»
R1
=
{(X›y)|Hz.zum(X›y) <1,(X,J/) E Bl0f‹`0,z}De
um
modo
semelhante, o bloco Claro, Bloco A, écomposto
deuma
região não-difusa
RW
euma
região difusa R, de acordocom
o valor de pertinênciauzzm(x,y), i~f=¬
Bl0co,,
= RW
U
R2RW
=
{(>f,y)Il1Cz,z,..(><,y)=
1,(x,y) EBl0¢0W}
R2
=
{<x,y>wC,,,,‹x,y› <1,<×,y> G B1‹›c‹›W}H(Bloco,,) é
composto
de duas entropias.Uma
é a entropia não-difusa de RE, aoutra é a entropia difusa de R,.
A
mesma
situação é aplicada para a avaliação deH(BlocoB).
Portanto, as entropias dos Bloco A e Bloc0,, são definidas por:
H(BlocoA)=HD(R1)+H,,_D(RE)
(3.l0)H(BlocoB)=HD(R2)+H,,_D(R,,,)
(3.ll) Aplicando a Eq. (2.l7) para avaliar a entropia difusa de HD(R,) e HD(R2), ea Eq. (2.l6) para avaliar a entropia não-difusa de H,,_,,(RE) e I-I,,_D(RW), nós
obteremos as quatro entropias seguintes:
fx, f,, <2-12›
HD
(R)
1=
_
“
Escuro(xy)
› 1Z
f,,n
Z
f,, (x,y)êR¡ (x,y)êR,(113) fxy fxy H,,_ D E
(R
)=
-
ln (X›)')Z€R5Z
fxyZ
fxy (×,y)eRz (×,›')@Rz f,, f,., <3-14›Hz›(R2)=_
2
HEz~¢zzm(x›y)Z
f
ln2
f
(x,y)êR2 (×›)')€R2| (X›y)€Rz fXy fXyHn_ (R
D W )=
-
ln (×fJ')ZëR›v'Z
fxyZ
fxy (x,y)eRW (x,y)eRWonde
fx), é o elementono
histograma2D
que representa onúmero
de ocorrênciado
par (x,y).As
funções de pertinências uc,am(x, y) eu
EMM
(x, y) são definidas fxnas Eq. (2.14) e (2.15), respectivamete.
Deve
ser notado que a probabilidadeÊ?-
XJ'
i” ..¿, .â 15 N f zm. _¿_,_¿-; Y ^',¢,¿:‹,‹* ›: Í z › ¿¿ 1 r; ' i .«f¿;‹/N-šç, `..,,:‹¿,/,V/,¿,w,,, «.,' 1 V ;¿z¿¿,/.\í:.,z ,› . 1 » z 'z:.í.fÍ~~z~'I”%/×í‹%z”-Í*(”>§'ͧ‹?%%:«ëfÍ: É? »-»1<~; fzífr 323 ¿ zc
MÉTODO
PRoPosTo
4.1Introdução
Neste capítulo será apresentada
uma
descrição completado
método
de binarizaçãode
imagem
proposto. Essemétodo tem
por objetivo associar informações relevantes daimagem,
taiscomo,
distribuição dos níveis de cinza,média
local dos níveis de cinza, eorientação
do
gradiente dos pontosda imagem.
Para isso,em uma
primeira etapa, sãodeterminados os limiares (níveis de cinza,
média
local) através dos procedimentos descritos pelométodo
2D
difuso (ver Capítulo 3);em
seguida,um
algoritmo de detecçãode bordas, que utiliza a distribuição orientada
do
gradiente, encontra as bordas daimagem;
então,finalmente
é realizada a binarizaçãoda
imagem
associando todas essasinformações.
Na
Seção 4.2 é apresentadauma
breve introdução à detecção de bordas.Na
Seção 4.3 é apresentadoum
teste visual (subjetivo) para determinarum
limiar variável, queindica quais são os
mínimos
valores de gradiente, para cada nível de cinza, quepodem
serdiscriminados pelo olho
humano.
Na
Seção 4.4 é feitauma
descriçãodo
algoritmo dedetecção de bordas.
E
por último,na
Seção 4.5 é apresentado o processo de binarizaçãoÊWMÍ šëxzv
í
4.2
Breve
Introdução
àDetecçao de
Bordas
Detecção de bordas é
uma
etapa importanteem
muitos sistemas de análise deimagem, onde
as características das bordas são usadas para representar váriaspropriedades
do
objeto. Atualmente muitosesquemas
de detecção de bordasusam
a informaçãoda
variação da intensidade para identificar bordas [l8].Ha
basicamente duas diferentes abordagens dentro dessa categoria.Uma
é baseadana
derivada de primeiraordem,
na
qualum
ponto é consideradocomo
um
ponto de borda se seu gradiente érelativamente alto.
A
outra faz usoda
derivada segunda, que executa detecção de bordasidentificando os cruzamentos por zero
na
derivada de segundaordem
da
imagem
original.Esses
métodos
são muito sensíveis ao ruídoda
imagem
digital. Assim, para estabilizar aperformance destes procedimentos,
um
filtro passa-baixaspode
ser usado para suavizar aimagem
antesda
aplicaçãodo
operador de gradiente.Neste trabalho, nós utilizamos
um
método
que utiliza a informaçãoda
orientaçãoe a
da magnitude do
gradienteda
imagem
para detecção de bordas [22].Dada
uma
imagem,
primeiro classifica-se a vizinhança de cada pontoem
um
dos seguintes padrões:constante, orientado,
mesclado
ou
texturizado. Pontoscom
vizinhanças constantesou
texturizadas são considerados pontos não-borda.
Um
pontocom
alto gradiente éconsiderado ponto de borda
somente
se as amostrasno
seuentomo
têm
amesma
orientação
(uma
borda direta); nesse caso, ainda é necessário fazerum
teste paradeterminar se o gradiente é
máximo
local. Pontos cuja vizinhançatem
duas orientações4.3 Teste Visual
para
JND
O
primeiro passono
algoritmo de detecção de bordas é determinar seum
blocopode
ser consideradocomo
constanteou
não de acordocom
sua variação de intensidade.É
bem
conhecido que o olhohumano
possui diferentes limiares de distinção sob diversas condiçõesdo
fundo daimagem.
A, “just noticeable difference”(JND)
depende daintensidade
da
luminânciado
fundo, etambém,
em
um
menor
grau da intensidade daluminância circunvizinha. Conseqüentemente,
em
vez de usarum
valor de limiar fixo para aimagem
inteira, usa-seum
limiarque
varia de acordocom
a intensidadedo
fundo.A
JND
é diretamente proporcional à intensidadedo
fundo.No
entanto, estarelação é falsa para o intervalo [x,, xz] (ver Fig. 4.1) de valor
médio
de nível de cinza.O
limiar visual émenor
nesse intervalo emaior
nas regiões claras e escuras.Um
complicador adicional é que a luminância percebidana
tela deum
monitortem
uma
relação não-linear
com
o valorda
intensidade daimagem
digital. Essa relação dependedas características
da
telado
monitor,da
iluminação ambiente eda
sensibilidade doobservador.
A
seguir, é descrito o teste visual apresentadoem
[22].O
teste é realizado selecionando alguns observadores para examinaruma
seqüência de padrões.Cada
padrão écomposto por
um
conjunto ordenado de quadradossobre
um
fundo unifonne.O
fundotem
uma
determinada intensidade I, que difere decada
um
dos padrões.O
observador determina o primeiro quadro que aparece diferentedo
fundo. Se o primeiro quadro visível varia AIem
relação ao fundo, então AI é definidocomo
oJND
para esta intensidade de fundo.Os
resultados obtidos por diversos observadores são mostradosna
Fig. 4.1.As
›‹%
que
o valorJND
varia sensivelmentecom
cadaum.
A
linha contínua foi usadano
algoritmo de detecção de bordas para prover o valor limiar necessário para detenninar se
o ponto pode,
ou
não, ser classificadocomo
constante.Um
modelo
experimental quedescreve
aproximadamente
este efeito édado
por [22]:-0.85I+40
,OSIS4O
JND(1) =
ó ,4o5
15
1000.091-3
,iooélézss
50 . . » .- -.« J_l `. .¡¡. `_JND
-5* ' '*"' \-øI ' \"'o -"› ¬'¬z: `¬' . . 4 ', :,_,.›_....*.-..
'z `_`¡. ‹ . I . -,',*. Q _ . .¬.., .- . ....¡‹' 5 'I .'. * 4.. ... _ ' I... . '.;:.- ' -"-Inf' ' . _ ,_._; I. ..`_ P . ¬ . . . .- .'-. | .L.,.~.'... ..' ,'_. ,I .“.¬.¡.. . I... _ ,;_. _. _.-_:_.. ._ . . 5' . . _ - ° ` `.." 4 ...' 1.1,. . ...'z. z" I... . _ . . . . . . . . . . ,, ~.'.~_.~=:,,: "¡.. *. .' . -~ . . ' . '-1:-:" =:-"-._-< '"
U ¡ 1 E1 x 1, 1:2 255 Nível de cinza4.4 Descrição
do Algoritmo de Detecção de
Bordas
O
fluxograma
do
algoritmo de detecção de bordas proposto é apresentado na Fig. 4.2. Para cada pixel, primeiro avaliamos se o bloco quecontém
esse pixelpode
ser consideradocomo
constante. Para isso,comparamos
a diferençamáxima
absoluta dentrodo
blococom
o valor just noticeable diflerence(JND)
[22] multiplicado por tl (quecontrola a variação
do
limiar JND). Se a diferença émenor
do
que esse valor, então obloco é considerado constante e o pixel é classificado
como
pixel não-borda. Senão, aclassificação
do
blocopode
ser considerada orientada, mescladaou
texturizada. Isso érealizado obtendo-se a
magnitude do
gradiente e a orientação de cada pixeldo
bloco.Determinando-se o
número
de ocorrênciasdo
módulo
do
gradiente para cada orientação, obtém-seum
histogramadenominado
histograma de orientaçãodo
gradiente. Se o histogramatem
um
único picoem uma
determinada orientação, o bloco é consideradocomo
orientado naquele sentido.Se há
doisou
mais picosno
histograma, o blocopode
conter vários fragmentos de linhas
em
diferentes direções,como,
por exemplo,um
cantoou
cruzamento de linhas, e, assim, o bloco é considerado mesclado.Caso
contrário, o bloco terá orientação igualmente distribuídaem
todas as direções, que é a característica de padrões de texturas irregulares.Em
nossas simulações,armazenamos
o valordo
maior picodo
histograma deorientação