Universidade Federal do Cear

Departamento de Engenharia de Teleinformtica

Programa Graduao em Engenharia de Teleinformtica

Identicao e Localizao de Pontos

Crticos em Imagens Digitais

Alex Torquato Souza Carneiro

Fortaleza  Cear
Dezembro 2007

Universidade Federal do Cear

Departamento de Engenharia de Eltrica
Programa de Ps Graduao em Engenharia de Teleinformtica

Identicao e Localizao de Pontos

Crticos em Imagens Digitais
Autor
Alex Torquato Souza Carneiro

Orientador
Prof. Dr. Paulo Csar Cortez

Co-orientador
Msc. Rodrigo Carvalho Souza Costa

Proposta de Monograa apresentada

Coordenao do Curso de Graduao
em

Engenharia

de

Teleinformtica

da Universidade Federal do Cear

como

parte

dos

requisitos

para

obteno do ttulo de Engenheiro de

Teleinformtica.
Fortaleza  Cear
Dezembro 2007

Alex Torquato Souza Carneiro

Identicao e Localizao de Pontos Crticos em Imagens Digitais

Esta Monograa foi julgada adequada para a obteno do ttulo de Engenheiro

de Teleinformtica e aprovada em sua forma nal pela Coordenao do Curso
de Graduao em Engenharia de Teleinformtica do Centro de Tecnologia da
Universidade Federal do Cear

Alex Torquato Souza Carneiro

Comisso Examinadora:

Prof. Dr. Paulo Csar Cortez

Orientador

Eng. Msc. Rodrigo Carvalho Sousa Costa

Co-orientador

Prof. Dr. Joo Cesr de Moura Mota

Universidade Federal do Cear

Prof. Msc. Auzir Ripardo de Alexandria

Centro Federal de Educao Tecnolgica do
Cear
Fortaleza, 4 de dezembro de 2007

Resumo

localizao de pontos crticos, caractersticos a um objeto particular, abre

vrias oportunidades de aplicaes, como por exemplo em: reconhecimento,

localizao e identicao do objeto presente na cena, reconhecimento de

caractersticas sutis presentes no objeto, dentre outras. Nesta monograa, proposta
uma abordagem que faz uso da imagem como obtida, dispensando tcnicas de
segmentao e extrao de contorno presentes em algoritmos de localizao de pontos
crticos tradicionais. Com relao s tcnicas ans usadas: converso entre espaos
de cores, gradientes, transformada Wavelet e limiarizao, todas so conhecidas
da literatura e de fcil utilizao. Um aspecto importante desta monograa sua
prpria elaborao, em que foram usados ambiente e ferramentas de software livre,
de modo que no houve nenhum gasto alm do hardware e ainda podia contar-se
com o apoio da comunidade mundial de software livre como colaboradores para o
desenvolvimento das atividades relacionadas.
Os resultados obtidos na localizao dos pontos crticos foram promissores,
visto que as imagens de teste, apesar de algumas serem complexas, tiveram os
pontos localizados de acordo com o esperado segundo anlise visual (qualitativa).
Em anlises, como neste trabalho, torna-se difcil obter um parmetro quantitativo
para avaliao dos resultados.

Palavras-chaves: Processamento Digital de Imagens, Gradiente de Imagens

Digitais, Transformada Wavelet, Pontos Crticos, Software Livre.

Abstract

he localization of critical points that identies a particular object opens up

several opportunities for applications, for example in recognition, localization

and identication of the object in the image, recognition of subtle features in the
object, among others. In this monograph, it is proposed an approach that makes use
of the image as it is obtained, without use techniques for segmentation and extraction
of contour presents in traditional algorithms. With respect to the techniques used
in this work: conversion between spaces of colors, gradients, wavelet transform and
threshold, all are known from literature and easy to use. An important aspect of this
monograph is its own development, in that environment and tools were used to free
software, so there has been no spending beyond the hardware and could still account
with the support of the world community of free software for the development of
related activities.
The results obtained on the location of critical points were promising, because
the images of test, despite some are complex, the points were located in accordance
with the expected second visual analysis (qualitative). In analysis as in this work
is dicult to obtain a quantitative parameter to evaluate the results.

Keywords: Digital Image Processing, Digital Image Gradient, Wavelet Transform,

Critical Points, Free Software.

Dedico esta monograa comunidade de Software Livre e minha famlia.

Agradecimentos

Agradeo primeiramente a Deus por me dar condies de realizar todas as

atividades durante a minha graduao.
A minha famlia por sempre me dar condies de estudar e crescer prossional
e socialmente, em especial aos meus pais, irm e namorada por sempre estarem ao
meu lado.
Aos amigos e colegas que estiveram comigo e me apoiaram.
Aos companheiros do Laboratrio de Teleinformtica onde realizei as minhas
atividades desde 2005: Prof.s Guilherme e Cortez, Isaque, Gustavo, Jos Maria,
Samy, Auzuir, Daniel Colao, Jos Arimatia Jr., Jonh, Victor Hugo, Robson
Siqueira, Rodrigos Costa e Freitas, Fbio, Franco, Fred, Raquel, Cincinato, Kim e
Antonio Carlos; amigos is e pacientes que me ajudaram em todas as necessidades.
Aos demais alunos dos cursos de graduao e ps-graduao em Engenharia de
Teleinformtica que conviveram comigo nos ltimos 4 anos.

Todo homem, por natureza, quer saber.

Aristteles

Sumrio

Lista de Figuras

Lista de Siglas

xi

1 Introduo

1.1

Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Organizao da Monograa . . . . . . . . . . . . . . . . . . . . . . .

2 Ferramentas e Mtodos

2.1

Representao de Imagens . . . . . . . . . . . . . . . . . . . . . . . .

2.2

Imagens Digitais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.1

Aplicaes Utilizando Processamento de Imagens . . . . . . .

Gradientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.1

Gradiente de Campos Escalares . . . . . . . . . . . . . . . . .

2.3.2

Gradiente em Imagens Digitais . . . . . . . . . . . . . . . . .

2.3.3

Tipos de Gradientes para Imagens . . . . . . . . . . . . . . . . 13

2.3

2.4

Transformada Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.1

Anlise de Fourier

. . . . . . . . . . . . . . . . . . . . . . . . 15

2.4.2

Decomposio Wavelet . . . . . . . . . . . . . . . . . . . . . . 18

2.4.3

Transformada Wavelet 2D . . . . . . . . . . . . . . . . . . . . 19

2.4.4

Transformada Wavelet Haar . . . . . . . . . . . . . . . . . . . 20

2.4.5

Transformada Wavelet Daubechies . . . . . . . . . . . . . . . 22

vi

2.5

Pontos Crticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.1

Tcnicas de Localizao de Pontos Crticos . . . . . . . . . . . 23

3 Metodologia
3.1

Ambiente de Desenvolvimento . . . . . . . . . . . . . . . . . . . . . . 29
3.1.1

3.2

29

Imagens Utilizadas . . . . . . . . . . . . . . . . . . . . . . . . 30

Mtodo Proposto para Deteco de Pontos Crticos . . . . . . . . . . 32

4 Resultados

36

4.1

Comparao entre Mtodos de Gradiente . . . . . . . . . . . . . . . . 36

4.2

Comparao entre Transformadas Wavelets . . . . . . . . . . . . . . . 39

4.3

Localizao de Pontos Crticos . . . . . . . . . . . . . . . . . . . . . . 45

5 Concluses e Perspectivas Futuras

5.1

51

Perspectivas Futuras . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

Referncias Bibliogrcas

54

vii

Lista de Figuras

2.1

olho de animal (eqino). . . . . . . . . . . . . . . . . . . . . . . . . .

2.2

sistema de viso articial. . . . . . . . . . . . . . . . . . . . . . . . .

2.3

pixels dispostos em malha quadrada. . . . . . . . . . . . . . . . . . .

2.4

imagem representada em nveis de cinza. . . . . . . . . . . . . . . . .

2.5

imagem representada em cores. . . . . . . . . . . . . . . . . . . . . .

2.6

campo escalar descrito pela Equao 2.3. . . . . . . . . . . . . . . . .

2.7

campo vetorial descrito pela Equao 2.4. . . . . . . . . . . . . . . . .

2.8

imagem original (demonstrativo do ambiente grco KDE). . . . . . . 13

2.9

componente do gradiente horizontal por a) Prewitt e b) Sobel. . . . . 14

2.10 componente do gradiente vertical por a) Prewitt e b) Sobel. . . . . . . 14

2.11 grco descrito pelas Equaes a) 2.15 e b) 2.16. . . . . . . . . . . . . 16
2.12 Transformada de Fourier das Equaes a) 2.15 e b) 2.16. . . . . . . . 17
2.13 exemplo de re-escala do sinal x(t) = et cos(t) em 3 nveis . . . . . . 19
2.14 imagem original.

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.15 caractersticas extradas da imagem na Figura 2.14 pelas Wavelets.

. 21

2.16 a) funo de reescala e b) funo me da Transformada Wavelet Haar. 21

2.17 a) funo de reescala e b) funo me da Transformada Wavelet Db4. 22
2.18 a) funo de reescala e b) funo me da Transformada Wavelet Db6. 24
2.19 a) funo de reescala e b) funo me da Transformada Wavelet Db8. 24
2.20 pontos crticos em a) um quadrado, b) losango e c) retas concorrentes. 24
2.21 uxograma para localizao de pontos crticos . . . . . . . . . . . . . 25

viii

2.22 possveis formas de conectividades. . . . . . . . . . . . . . . . . . . . 26

2.23 possveis formas de conectividades. . . . . . . . . . . . . . . . . . . . 26
2.24 possveis formas de conectividades. . . . . . . . . . . . . . . . . . . . 27
2.25 imagens usadas no algoritmo de conectividade. . . . . . . . . . . . . . 27
2.26 pontos crticos localizados pelo algoritmo de conectividade. . . . . . . 28
3.1

computador usado na elaborao da monograa. . . . . . . . . . . . . 30

3.2

imagem de baixa complexidade a) quadrado e b) retas coordenadas. . 31

3.3

imagem de complexidade moderada a) quadrado e b) retas coordenadas. 31

3.4

imagem de alta complexidade a) peixe e b) Tux, mascote do Linux. . 32

3.5

imagem de alta complexidade a) mesa e b) tomograa computadorizada de seco do trax

3.6

esquema geral do processamento envolvido na localizao de pontos crticos. 33

3.7

a) imagem original e b) imagens geradas pela Transformada Wavelet Haar. 34

3.8

imagem de detalhes da imagem da Figura 3.7. . . . . . . . . . . . . . 34

3.9

histograma da imagem de detalhes (Figura 3.8). . . . . . . . . . . . . 35

4.1

imagens de detalhes da Figura 3.2(a). . . . . . . . . . . . . . . . . . . 36

4.2

imagens de detalhes da Figura 3.2(b). . . . . . . . . . . . . . . . . . . 37

4.3

imagens de detalhes da Figura 3.3(a). . . . . . . . . . . . . . . . . . . 37

4.4

imagens de detalhes da Figura 3.3(b). . . . . . . . . . . . . . . . . . . 37

4.5

imagens de detalhes da Figura 3.4(a). . . . . . . . . . . . . . . . . . . 37

4.6

imagens de detalhes da Figura 3.4(b). . . . . . . . . . . . . . . . . . . 38

4.7

imagens de detalhes da Figura 3.5(a). . . . . . . . . . . . . . . . . . . 38

4.8

imagens de detalhes da Figura 3.5(b). . . . . . . . . . . . . . . . . . . 38

4.9

imagens de detalhes da Figura 3.2(a). . . . . . . . . . . . . . . . . . . 39

4.10 imagens de detalhes da Figura 3.2(b). . . . . . . . . . . . . . . . . . . 40

4.11 imagens de detalhes da Figura 3.3(a). . . . . . . . . . . . . . . . . . . 40
4.12 imagens de detalhes da Figura 3.3(b). . . . . . . . . . . . . . . . . . . 41
4.13 imagens de detalhes da Figura 3.4(a). . . . . . . . . . . . . . . . . . . 41
4.14 imagens de detalhes da Figura 3.4(b). . . . . . . . . . . . . . . . . . . 42
4.15 imagens de detalhes da Figura 3.5(a). . . . . . . . . . . . . . . . . . . 43
4.16 imagens de detalhes da Figura 3.5(b). . . . . . . . . . . . . . . . . . . 44
ix

4.17 pontos crticos localizados na Figura 3.2(a). . . . . . . . . . . . . . . 45

4.18 pontos crticos localizados na Figura 3.2(b). . . . . . . . . . . . . . . 46
4.19 pontos crticos localizados na Figura 3.3(a). . . . . . . . . . . . . . . 46
4.20 pontos crticos localizados na Figura 3.3(b). . . . . . . . . . . . . . . 47
4.21 pontos crticos localizados na Figura 3.4(a). . . . . . . . . . . . . . . 47
4.22 pontos crticos localizados na Figura 3.4(b). . . . . . . . . . . . . . . 48
4.23 pontos crticos localizados na Figura 3.5(a). . . . . . . . . . . . . . . 49
4.24 pontos crticos localizados na Figura 3.5(b). . . . . . . . . . . . . . . 50

Lista de Siglas

KDE

K Desktop Environment

GNU

GNU is Not Unix

RGB

Red Green Blue

CMY

Cian Magenta Yellow

YCbCr

Luma Chroma Blue and Red

HSV

Hue Saturation Value

Db

Daubechies

DDR2

Double Data Rating 2

RAM

Random Access Memory

xi

Captulo

Introduo
s pontos crticos podem representar os objetos presentes em uma cena (na

imagem) e as suas formas. Existem diferentes tipos de pontos crticos, entre

eles os chamados cantos, os quais representam um sub-conjunto dos pontos crticos.

Os cantos podem representar caractersticas do objeto em anlise.
Algumas das aplicaes mais tradicionais em que usa-se pontos crticos so
reconhecimento de padres e rastreamento, em que os pontos so usados para
identicar e localizar o objeto de interesse.

1.1 Motivao
O uso de cmeras representa atualmente uma das formas de sensoriamento
e aquisio de informaes com maior potencial de aplicaes e inovaes, cujas
imagens contm informaes importantes sobre os objetos presentes; destacando-se
as bordas e os cantos, os quais formam um sub-conjunto dos pontos crticos.
partir dos pontos crticos possvel fazer o reconhecimento de objetos
existentes na imagem original fazendo uso de tcnicas de reconhecimento de
padres, como, por exemplo, classicadores baseados em redes neurais.

No

trabalho desenvolvido por Gomes (2006) fez-se o uso de Transformadas Wavelet para
localizao de objetos, sendo esta uma das principais motivaes desta monograa.
Outra aplicao interessante que depende da localizao de pontos crticos
consiste na utilizao de algoritmos de rastreamento, de modo que a abordagem
proposta permitiria o desenvolvimento de uma aplicao com potencial de ser
adotada em vrias situaes.

1.2. Objetivos

1.2 Objetivos
Esta monograa tem como principal objetivo o desenvolvimento de um sistema,
em plataforma GNU/Linux (livre), para a identicao e localizao de pontos
crticos em imagens digitais.
Como objetivos especcos, almeja-se:

I elaborar uma tcnica completa para localizao dos pontos crticos desde a
captura da imagem at a denio das coordenadas dos pontos desejados;

I permitir que o algoritmo apresentado possa ser usado aplicaes que envolvam
processamento digital de imagens, de acordo com a necessidade relativa
sensibilidade na identicao de um ponto como crtico;

I implementar o sistema (software ) em plataforma GNU/Linux fazendo uso

apenas de ferramentas de software livre na elaborao dos algoritmos para
simulaes e anlise dos resultados obtidos.

1.3 Organizao da Monograa

Esta monograa est organizada em 5 Captulos. O Captulo 2 apresenta os
fundamentos tericos e ferramentas matemticas utilizadas. O Captulo 3 apresenta
e descreve a plataforma de desenvolvimento (hardware e software ), o algoritmo
proposto e sua metodologia. O Captulo 4 apresenta e avalia os resultados obtidos
e o Captulo 5 faz as consideraes nais e as perspectivas de trabalhos futuros.

Captulo

Ferramentas e Mtodos

processamento digital de imagens a rea do conhecimento que trata da

modelagem matemtica, anlise, projeto e implementao em software e em

hardware de sistemas digitais voltados ao tratamento de informao pictorial com o

propsito de torn-la mais adequada interpretao por seres humanos ou mquinas,
ou ainda para obter maior ecincia de armazenamento e transmisso (GONZALEZ;
WOODS, 2002).
Este captulo descrever o estado da arte das tcnicas de deteco de pontos

crticos em uma imagem digital e as ferramentas necessrias para desenvolver este

tipo de aplicao.

2.1 Representao de Imagens

Imagens so formadas a partir da percepo da luz como estmulos dos rgos
foto-sensitivos (olhos) dos animais, Figura 2.1. As estruturas visuais dos animais
encontram-se dentre as mais complexas e de maior relevncia para a adaptao
do animal em seu ambiente. Estudos ainda da dcada de 90 indicam a presena
de recursos existentes no sistema visual especializados em realizar operaes
no-lineares. Alguns desses recursos incluem a localizao de cantos ou ns de
linha (MOTA, 1999).
Os animais tm os olhos como a principal interface de comunicao com o meio
em que encontram-se, assim podendo procurar por indivduos da mesma espcie,
alimentos (vegetais ou caa, para animais herbvoros ou carnvoros, respectivamente)
ou abrigo contra os perigos existentes.

2.1. Representao de Imagens

Figura 2.1: olho de animal (eqino).

Inicialmente, as imagens foram concebidas para a representao de ambientes,
objetos, seres vivos, dentre outros.
Baseando-se no que existe na natureza h milhes de anos, hoje existem sistemas
de viso articial, em que dispositivos foto-sensitivos captam a luz emitida pelo
ambiente, gerando imagens a partir desta e possibilitam que sejam realizados
processamentos para aplicaes especcas.
Com o advento dos computadores digitais, tornou-se muito conveniente ter as
imagens digitalizadas para que pudessem ser processadas e analisadas por estes.
Assim so criados os sistemas de viso computacional. Na Figura 2.2 mostrado
um sistema de viso computacional tpico baseado no sistema visual humano.

Figura 2.2: sistema de viso articial.

Os sistemas articiais de viso, conforme apresentado, fazem uso de imagens
digitalizadas que consistem em matrizes de elementos escalares ou vetores a depender

2.2. Imagens Digitais

do tipo de imagem.

2.2 Imagens Digitais

Uma imagem I pode ser denida como uma funo vetorial I : A B , em que

A e B so dois conjuntos nitos, em que A Z2 e B Zn , n N0 .

Em imagens planas, um elemento a A denido como a posio de um
determinado pixel (picture element ) na imagem, sendo dado por:

a = (x, y)

x.

(2.1)

Um elemento b B n , tal que n = 1, um escalar cujo valor p (pixel ) na posio

Dene-se ento pixel como o elemento bsico da imagem, cuja posio (a) possui

um valor de intensidade (p) a ela associado (GONZALEZ; WOODS, 2002), conforme

mostrado na Figura 2.3.

Figura 2.3: pixels dispostos em malha quadrada.

Desta forma, uma imagem digital pode ser considerada como sendo uma matriz
(ou grid ) cujos ndices de linhas (x) e de colunas (y ) identicam um ponto na
imagem, e p o correspondente valor do elemento da matriz o qual identica o nvel
de intensidade naquele ponto (x,y ).
As imagens podem ser classicadas de acordo com a dimenso do valor associado
a cada pixel da imagem. Conforme citado, quando p um vetor uni-dimensional,

2.2. Imagens Digitais

ou seja um escalar (p B com B Z)), a imagem considerada como

monocromtica, exemplicada pela Figura 2.4. Os valores de p indicam nveis

de cinza.

Figura 2.4: imagem representada em nveis de cinza.

Contudo, quando n 2, b um vetor multi-dimensional (b B com B Zn ),
em que n o nmero de dimenses e a imagem representada como imagem

colorida, representada pela Figura 2.5.

Figura 2.5: imagem representada em cores.

Uma imagem colorida representa a cor em cada pixel da imagem baseado em

2.3. Gradientes

um padro de cor que facilita a interpretao do formato de cores. Os formatos de

cores mais conhecidos so (GONZALEZ; WOODS, 2002):

I RGB: descrito atravs das cores primrias (vermelho, verde e azul);

I CMY: muitos dispositivos de impresso utilizam este padro atravs da
deposio dos pigmentos ou cores secundrias no papel;

I YCrCb: descreve a cor baseada na luminncia (Y) e em termos de pigmentao

vermelha (Cr) e azul (Cb), muito utilizado em transmisso e codicao de
vdeo (TV, video componente e Color Stream );

I HSV: descreve a cor baseado na intensidade de cor (H), saturao (S) e brilho
(V);
As componentes do vetor b em imagens coloridas expressam a intensidade p do
pixel, tambm os seus formentos de cores.

2.2.1 Aplicaes Utilizando Processamento de Imagens

As dinies das imagens descritas acima so teis para a utilizao de tcnicas
de processamento digital de imagens e viso computacional (GONZALEZ; WOODS,
2002); as quais so importantes em aplicaes tais como:

I superviso de processos industriais, principalmente em ambientes insalubres;

I anlise de imagens mdicas visando o auxlio ao diagnstico;
I sensoriamento e localizao de objetos (GOMES, 2006);
I reconhecimento de padres em objetos e ambientes;
I monitoramento residencial ou corporativo, para identicao de indivduos e
segurana.

2.3 Gradientes
No contexto do processamento de imagens, o estudo dos vetores gradientes tm
como efeito mais signicativo a avaliao e o realce dos detalhes, tais como bordas,
porque suas componentes representam taxas de variaes dos elementos de imagem
e relao e variao de posio do pixel.

2.3. Gradientes

2.3.1 Gradiente de Campos Escalares

Um campo escalar denido como uma funo f que tem como domnio um
espao vetorial Rn e como contra-domnio um espao escalar R (APOSTOL, 1998).
O gradiente de um campo escalar do tipo f : Rn R denido por:

f (x1 , x2 . . . , xn ) =

f
f
f
~a1 +
~a2 + . . . +
~an
x1
x2
xn

(2.2)

em que ~ai o vetor unitrio na direo xi .

Para exemplicar a informao apresentada, toma-se o seguinte campo escalar

f : R2 R, denido como:
f (x1 , x2 ) = x21 + x22 ,

(2.3)

em que este campo mostrado ilustrado na Figura 2.6.

Figura 2.6: campo escalar descrito pela Equao 2.3.

O campo escalar usado como exemplo tem sua denio feita por uma expresso
analtica em R2 , podendo ento ser denido o seu gradiente analiticamente,
aplicando as tcnicas de derivao parcial utilizando a Equao 2.2, resultando na
Equao 2.4:

f (x1 , x2 ) =

f
f
~a1 +
~a2 = 2 (x1~a1 + x2~a2 )
x1
x2

(2.4)

O campo vetorial obtido atravs desta equao representado na Figura 2.7.

2.3. Gradientes

Figura 2.7: campo vetorial descrito pela Equao 2.4.

Um

campo

gradiente

possui

as

seguintes

propriedades

(LARSON;

HOSTETLER; EDWARDS, 1998):

I quando f = 0, ento D~u f = 0, ~u, em que D~u f a derivada de f na direo

de ~u;

I f determina a direo de maior crescimento de f ;

I f determina a direo de maior decrescimento de f ;
Conclui-se ento que, para campos escalares f : R2 R :

I o conjunto de pontos de vetores de gradiente so nulos representa pontos de

rea plana;

I o conjunto de pontos de valores de gradiente so mais elevados indica zona de

maior aclividade ou declividade (transio entre nveis).

2.3.2 Gradiente em Imagens Digitais

Em um sinal discreto unidimensional f [n], em que n Z, a derivada de 1a
ordem (taxa de variao da funo) implementada numericamente conforme a
equao (MANOLAKIS, 2007):

f 0 [n] =

f [n] f [n 1]
,
n

(2.5)

10

2.3. Gradientes

em que n = n (n 1) = 1, desta forma a expresso nal obtida para a derivada

dada por:

f 0 [n] = f [n] f [n 1].

(2.6)

Esta forma conveniente quando o sinal usa interpolao de primeira ordem,

contudo, pela Srie de Taylor (LEITHOLD, 2002), quanto maior a ordem da
interpolao, menor o erro de aproximao.
Por exemplo, seja uma funo discreta f [n] = a n + b, substituindo esta funo
na Equao 2.6, tem-se:

f 0 [n] = f [n] f [n 1] = (a n + b) [a (n 1) + b]
f 0 [n] = a n + b a n + a b
f 0 [n] = a
Observa-se que o resultado obtido o mesmo para uma funo contnua f (x) =

a x + b, em que f 0 (x) = a.
Em seguida mostrado outro exemplo, seja uma funo discreta f [n] = a n2 +

b n + c, substituindo esta funo na Equao 2.6, tem-se:

f 0 [n] = f [n] f [n 1] = a n2 + b n + c a (n 1)2 + b (n 1) + c

f 0 [n] = a n2 + b n + c a n2 2 n a + a + b n b + c
f 0 [n] = 2 a n a + b.
Neste caso, ocorre um erro entre a expresso obtida e o equivalente para a funo
contnua f (x) = a x2 + b x + c, em que f 0 (x) = 2 a x + b.
0
Finalizando, observa-se
ento quea derivada numrica f [n] pode ser vista como

produto escalar do vetor

f [u]
f [u 1]

com o vetor:

1
h=
,
1

11

2.3. Gradientes

1
ou seja f 0 [n] = [f [u] f [u 1]]
.
1
Pode-se ainda enunciar f 0 [n] como resultado de uma operao de convoluo
de entrada f [n] em um sistema h[n] composto de duas componentes: h[0] = 1 e

h[1] = 1.
O uso da mdia aritmtica f0 [n] entre as derivadas anterior (f10 [n] = f [n] f [n

1]) e posterior (f20 [n] = f [n + 1] f [n]) a posio n, fornece uma preciso maior
representao discreta da derivada da funo em relao ao seu valor contnuo.
Desta forma, f0 [n] pode ser representada por:

f 0 [n] + f20 [n]

f0 [n] = 1
,
2

(2.7)

resolvendo a Equao 2.7 obtm-se:

f [n + 1] f [n 1]
f0 [n] =
2

(2.8)

As funes crescentes ou decrescentes no trecho avaliado apresentam resultados

numricos melhor correlacionados com a derivada mdia entre os pontos
imediatamente vizinhos a n. Vizinhos mais distantes tendem a no representar
correlao forte com a aquele em n, o que poderia levar a uma ponderao mais
fraca naqueles pontos na composio de uma mdia ponderada. Por outro lado,
variaes rpidas da funo em torno de n podem levar a uma derivada mdia nula,
o que provoca um erro importante na direo da funo em torno de n.
Seja o exemplo de clculo da derivada mdia com a funo discreta f [n] = an+b.
Substituindo esta funo na Equao 2.8, temos que:

f 0 [n] =

[a (n + 1) + b] [a (n 1) + b]
f [n 1] f [n + 1]
=

2
2
f 0 [n] =

an+a+ban+ab

2
f 0 [n] = a

Observa-se que o resultado obtido o mesmo para a derivada da funo contnua

f (x) = a x + b. Em seguida mostrado outro exemplo, em que a funo discreta

12

2.3. Gradientes

f [n] = a n2 + b n + c, derivada a partir da Equao 2.8, temos que:

a (n + 1)2 + b (n + 1) + c a (n 1)2 + b (n 1) + c
f [n + 1] f [n 1]
f [n] =
=

2
2
0

f 0 [n] =

[a n2 + 2 n a + a + b n + b + c] [a n2 2 n a + a + b n b + c]

2
4an+2b
f 0 [n] =
= 2 n + b.
2

Observa-se, assim, que os valores das derivadas obtidos, discreta e contnua, so

iguais.
Analisando como convoluo, com a nova abordagem, a derivada obtida ao
se convolver o sinal original f [n] com a resposta ao impulso h[n], escrito na forma
vetorial:

h=
0

(2.9)

Considerando agora os sinais bi-dimensionais (imagens), levando em conta a

denio de gradiente apresentada, a aplicao do gradiente em uma imagem
consiste na aplicao da derivada em cada eixo da mesma.
Fazendo uso da denio de pixel, descrita pela Equao 2.1 e da denio
proposta por Mlsa e Rodrigues (2005), o gradiente de uma imagem I pode ser
obtido pela convoluo a seguir:

I (x, y) = I (x, y) [Hx (x, y) ~ax + Hy (x, y) ~ay ]

(2.10)

em que 0 0 indica o operador convoluo, I(x, y) representa um ponto genrico

da imagem, representa o operador gradiente, ~ax e ~ay referem-se a cada uma
das imagens geradas pela aplicao do gradiente, repectivamente, as componentes
horizontal e vertical e Hx (x, y) e Hy (x, y) so as matrizes que convolvem com
a imagem, gerando, respectivamente, as componentes horizontal e vertical do
gradiente da imagem. Esta equao est de acordo com a metodologia de clculo de
derivadas apresentada anteriormente.

13

2.3. Gradientes

As matrizes Hx (x, y) e Hy (x, y) postas com dimenso 3x3, pois assim:

I obtm uma melhor aproximao, conforme foi mostrado anteriormente;

I possibilitam a inuncia dos pixels vizinhos no clculo do gradiente, assim
aumentando a correlao entre os pixels da imagem resultante.

2.3.3 Tipos de Gradientes para Imagens

Os tipos de gradiente adotados nesta monograa so Prewitt e Sobel
(GONZALEZ; WOODS, 2002; MLSA; RODRIGUES, 2005).

As matrizes que

convolvem com a imagem so dadas por:

Sobel

Prewitt

1 0

Hx =
2 0

1 0

1 0

Hx =
1 0

1 0

2
1
1

Hy =
0
0
0

1 2 1

1
1
1

Hy =
0
0
0

1 1 1

A seguir so apresentados os resultados da aplicao do gradiente em uma

imagem (Figura 2.8), as imagens exibidas representam a intensidade do valor do
gradiente obtido.

Figura 2.8: imagem original (demonstrativo do ambiente grco KDE).

14

2.4. Transformada Wavelet

(a)

(b)

Figura 2.9: componente do gradiente horizontal por a) Prewitt e b) Sobel.

(a)

(b)

Figura 2.10: componente do gradiente vertical por a) Prewitt e b) Sobel.

2.4 Transformada Wavelet

A Transformada Wavelet uma ferramenta de anlise espao-freqncia que tem
sido intensamente estudada durante as ltimas dcadas (COSTA, 2006).
No incio, a Transformada Wavelet era usada apenas na matemtica, porm, em
poucos anos, esta demonstrou um grande potencial de aplicabilidade em diversos
campos do conhecimento (VIDAKOVIC; MUELLER, 2003).
Muitos dos avanos obtidos nestes estudos foram desenvolvidos devido
cooperao de Ingrid Daubechies e Stephane Mallat. Daubechies (1988) desenvolveu
uma famlia de wavelets com base compacta (compact support ) e Mallat (MALLAT,
1989) ps a Transformada Wavelet no conceito de decomposio multi-resoluo
de sinais, alm da implementao da transformada rpida baseada em conceitos de
ltragem (COSTA, 2006).

15

2.4. Transformada Wavelet

A denio matemtica dos coecientes da Transformada Wavelet de uma funo

f (x) dada por:

Z
cj0 [k] =

f (x) j0 ,k dx

(2.11)

f (x) j,k dx

(2.12)

<D >

Z
dj [k] =
<D >

em que a Equao 2.11 apresenta a propriedade de reescala da Transformada

Wavelet e a Equao 2.12 apresenta a propriedade de extrao de detalhes.

O termo j0 presente nas Equaes 2.11 e 2.13 representa a reescala inicial da
composio Wavelet (COSTA, 2006). Nesta monograa usada apenas a informao
relativa aos detalhes.
De modo inverso, a funo original pode ser obtida por (VIDAKOVIC;
MUELLER, 2003):

f (x) =

cj0 [k] j0 ,k (x) +

X
X
j=j0

cj0 [k] j0 ,k (x)

(2.13)

Observa-se que a Transformada Wavelet de um sinal semelhante a

Transformada de Fourier, porm a primeira aplicada localmente no sinal.
A aplicao local da Transformada Wavelet caracteriza-se pelos os ncleos da
transformada j0 ,k , e j,k serem denidos em um intervalo nito.

2.4.1 Anlise de Fourier

A Transformada de Fourier de uma funo f (t) dada por (MANOLAKIS,
2007):

Z
f (t) ejt dt

F () =

(2.14)

Uma caracterstica importante da Transformada de Fourier sua anlise global

do sinal, de forma que sinais denidos por expresses diferentes em intervalos
diferentes tm a mesma Transformada de Fourier quando os intervalos so trocados.
Um exemplo mostrado nas Figuras 2.11(a) a 2.12(b). Na Figura 2.11(a) ilustra

16

2.4. Transformada Wavelet

o grco descrito por:

sin(w1 t), 0 < t < t0

f (t) =
sin(w2 t), t0 < t < 2t0

0, t < 0 ou t > 2t
0

(2.15)

em que w1 > w2 . Na Figura 2.12(a) ilustrado o grco descrito por:

sin(w2 t), 0 < t < t0

f (t) =
sin(w1 t), t0 < t < 2t0

0, t < 0 ou t > 2t
0

(2.16)

em que w1 < w2 .
Pode-se observar pelas Figuras 2.11(b) e 2.12(b) que as Transformadas de Fourier
obtidas so iguais, apesar da diferena entre as Equaes 2.15 e 2.16. Este fato
mostra que a Transformada de Fourier no extrai informaes temporais do sinal.

(a)

(b)

Figura 2.11: grco descrito pelas Equaes a) 2.15 e b) 2.16.

Para o caso mostrado, a diferena quadrtica mdia (entre as duas
Transformadas de Fourier) de 9,207e-30. Tendo em vista que estes resultados foram
obtidos em simulaes numricas, este pequeno erro evidencia que os espectros so
iguais.
Justicando a observao: sejam g1 (t) e g2 (t) duas funes peridicas, de perodo
divisor (t0 ) , sendo que ejt0 = 1.
Vale ressaltar que a Transformada de Fourier de uma funo peridica pode ser

17

2.4. Transformada Wavelet

(a)

(b)

Figura 2.12: Transformada de Fourier das Equaes a) 2.15 e b) 2.16.

calculada levando em considerao apenas um intervalo mltiplo inteiro do perodo
da funo.

g1 (t), 0 < t < t0

f (t) =
g2 (t), t0 < t < 2t0

0, t < 0 ou t > 2t
0
Z

Z2t0
jt

F () =

f (t)e

dt =

Zt0
f (t)e

jt

dt =

Z2t0
g1 (t)e

|0

jt

{z

g2 (t)ejt dt

dt +
t0

G1 ()

Z2t0
H() =

g2 (t)e
t0

j(tt0 )

g (t t )e
|2 {z 0}

dt =
0

Zt0

Zt0
jt

{z
H()

jt0

g2 (t)ejt dt

dt = e|{z}

g2 (t)

|0

{z
G2 ()

F () = G1 () + G2 ().
Para:

g1 (t), 0 < t < t0

f (t) =
g2 (t), t0 < t < 2t0

0, t < 0 ou t > 2t
0

18

2.4. Transformada Wavelet

Z2t0
jt

F () =

f (t)e

dt =

Z2t0

Zt0
f (t)e

jt

dt =

g2 (t)e
|0

jt

{z

g1 (t)ejt dt

dt +
t0

{z

G2 ()

Z2t0

Zt0
g1 (t)ejt dt =

H() =
t0

H()

Zt0
g1 (t)ejt dt

jt0
g (t t )ej(tt0 ) dt = e|{z}
|1 {z 0}
0

g1 (t)

|0

{z

G1 ()

F () = G2 () + G1 ().
Assim mostrando que a Transformada de Fourier no extrai informaes
temporais do sinal.

2.4.2 Decomposio Wavelet

Uma funo (x), denida em um domnio nito Dx e passvel de ser um ncleo
da Transformada Wavelet se esta obedecer as propriedades apresentadas a seguir
(GONZALEZ; WOODS, 2002; VIDAKOVIC; MUELLER, 2003):

Z
| (x)|2 dx <

(2.17)

Dx

Z
(x) dx = 0

(2.18)

<D >

A Equao 2.17 mostra que a funo (x) limitada e a Equao 2.18 mostra
que a mdia temporal de (x) nula.
Outra caracterstica freqente com relao as funes do ncleo da Transformada

Wavelet que estas so reais e ortonormais (MLSA; RODRIGUES, 2005).

Uma vez denido que (x) pode ser um ncleo de uma Transformada Wavelet,
esta funo dever percorrer todo o domnio do sinal f (x) em questo e dever
ser capaz de identicar informaes no tempo e na freqncia. Para atender estas
exigncias, dene-se uma nova funo j,k (x):

j,k (x) = 2j/2 2j x k

(2.19)

19

2.4. Transformada Wavelet

em que os termos j e k realizam, respectivamente, as funes de re-escala

(dilatao e compresso) e translao de (x).
Com relao a re-escala da decomposio Wavelet, esta pode ser interpretada
como um algoritmo piramidal (GONZALEZ; WOODS, 2002), em que o sinal original
a base da pirmide e cada nvel da decomposio um nvel da pirmide, conforme
mostrado na Figura 2.13.

Figura 2.13: exemplo de re-escala do sinal x(t) = et cos(t) em 3 nveis

A mesma anlise pode ser extendida para 2 dimenses.

2.4.3 Transformada Wavelet 2D

Uma determinada Transformada Wavelet 2D obtida por uma extenso da
equivalente 1D. A aplicao da Transformada Wavelet 2D necessita de 4 funes de
2 variveis, considerando-se a propriedade de separabilidade de variveis, dadas a
seguir(GONZALEZ; WOODS, 2002):

(x, y) = (x)(y).

H (x, y) = (x)(y)

V (x, y) = (x)(y)

(x, y) = (x)(y)
D

(2.20)

(2.21)

Em que a equao 2.20 representa a propriedade de reescala e as demais

(Equao 2.21) tm a caracterstica de extrair informaes relativas a detalhes da

20

2.4. Transformada Wavelet

imagem original, em que H (x, y) fornece detalhes horizontais, V (x, y) fornece

detalhes verticais e D (x, y) fornece detalhes diagonais, nas Figuras 2.14 e 2.15 so
ilustradas a imagem original e os resultados da aplicao da Transformada Wavelet.

Figura 2.14: imagem original.

Existem diversas funes que satisfazem as restries necessrias para serem

Wavelets. Dentre elas destacam-se: Haar e Daubechies, sendo estas formadas por
uma famlia de funes.

2.4.4 Transformada Wavelet Haar

A Transformada Wavelet Haar foi a primeira a ser estudada e a mais comum
em aplicaes, principalmente envolvendo imagens. As funes que compem a
Transformada Wavelet Haar so descritas nas equaes a seguir:

(x) =

p/0 < x < 1

0 caso contrario

1 p/0 < x < 0.5

(x) =
1 p/0.5 < x < 1

0 caso contrario

(2.22)

(2.23)

observado nas equaes apresentadas, que a re-escala do sinal de entrada

21

2.4. Transformada Wavelet

(a) aproximao

(b) detalhes verticais

(c) detalhes horizontais

(d) detalhes diagonais

Figura 2.15: caractersticas extradas da imagem na Figura 2.14 pelas Wavelets.

pela funo (x) (funo de reescala) pode ser interpretada como a mdia do sinal
no intervalo. A parte seguinte, proporcionada pela funo (x) (funo me),
interpretada como a diferena entre a mdia da primeira metade do intervalo e a
segunda metade do intervalo (LIMA, 2003).
Na Figura 2.16 so apresentas as funes de reescala e me da Transformada

Wavelet Haar:

(a)

(b)

Figura 2.16: a) funo de reescala e b) funo me da Transformada Wavelet Haar.

22

2.5. Pontos Crticos

2.4.5 Transformada Wavelet Daubechies

As funes que compem as Transformadas Wavelets Daubechies foram
estudadas por Ingrid Daubechies, sendo fortes disseminadoras do uso e estudo das

Wavelets. As funes que determinam as Transformadas Wavelets Daubechies e

N

possuem as seguintes caractersticas:

Z
(x) dx = 1

(2.24)

xlN (x) dx = 0, l [0, 1, . . . , N ]

(2.25)

xlN (x) dx = 0, l [0, 1, . . . , N ]

(2.26)

A Transformada Wavelet Haar corresponde Transformada Wavelet Daubechies

de ordem 1. As Figuras 2.17(a) 2.19(b) apresentam, respectivamente, a funo de
reescala e a funo me da Transformada Wavelet Daubechies 4 (Db4), 6 (Db6) e 8
(Db8).

(a)

(b)

Figura 2.17: a) funo de reescala e b) funo me da Transformada Wavelet Db4.

2.5 Pontos Crticos

Os pontos crticos so denidos no trabalho de (ALEXANDROV, 2004) como
pontos da imagem que apresentam curvatura acentuada, assim como no trabalho de
(JNIOR, 2007). Nesta seo, os pontos crticos so apresentados como pontos que
apresentam caractersticas peculiaridades .

2.5. Pontos Crticos

23

Na Figura 2.20 so mostrados os pontos crticos de trs formas elementares

presentes em imagens binrias em que estes foram localizados manualmente:
Nas situaes apresentadas, os pontos so considerados crticos se representarem
cantos (ponto com mudana brusca na curvatura) ou cruzamentos de retas.

2.5.1 Tcnicas de Localizao de Pontos Crticos

A aplicao de uma tcnica de localizao de pontos crticos proposto por Jnior
(2007) segue os passos descritos na Figura 2.21.
O algoritmo de localizao dos pontos crticos inicia o processo aps o
pr-processamento com a segmentao da imagem. A partir da imagem segmentada,
o contorno parametrizado calculado e a partir da funo dos picos de curvatura
so localizados os cantos (JNIOR, 2007).
Um outro mtodo tradicional da literatura, proposto por Alexandrov (2004)
realiza a deteco de pontos crticos de formas baseados na conectividade de pontos
da imagem segmentada, que so utilizadas como base para o reconhecimento de
caracteres (OCR - Optical Character Recognition ).
O mtodo da conectividade analisa a imagem segmentada atravs de uma janela
de dimenso 3x3 procurando por um padro pr-estabelecido.
Nas Figuras 2.22(a) 2.24(p) admite-se que o objeto segmentado corresponda
aos pontos brancos e o fundo corresponda aos pontos pretos. Outro aspecto do texto
original que este lida apenas com os padres apresentados nas Figuras 2.22 e 2.23.
Observa-se que a possibilidade de pontos muito alta, tendo em vista que so
apresentados apenas padres em matrizes 3x3. Para ilustrar a tcnica citada, so
apresentadas nas Figuras 2.25(a) 2.25(c), a imagens de objetos segmentados e nas
Figuras 2.26(a) 2.26(c) os pontos crticos encontrados.
Nas Figuras 2.26(a) 2.26(c) foram usados na busca os padres relativos as
Figuras 2.22(a) a 2.22(d) e 2.23(d) 2.24(g).
A Figura 2.26(a) mostra que na Figura 2.25(a) foram encontrados os 4 pontos
crticos. Contudo, A Figura 2.26(b) mostra que na Figura 2.25(b) no foi encontrado
nenhum ponto crtico e na imagem da seco da caixa torxica foram encontrados
muitos pontos.
Este resultado mostra que este mtodo necessita da previso de todos os tipos de

24

2.5. Pontos Crticos

(a)

(b)

Figura 2.18: a) funo de reescala e b) funo me da Transformada Wavelet Db6.

(a)

(b)

Figura 2.19: a) funo de reescala e b) funo me da Transformada Wavelet Db8.

(a)

(b)

(c)

Figura 2.20: pontos crticos em a) um quadrado, b) losango e c) retas concorrentes.

2.5. Pontos Crticos

25

Figura 2.21: uxograma para localizao de pontos crticos

pontos crticos possveis em uma imagem. A abordagem por conectividade tem como
limitadores o conhecimento a priori dos pontos crticos e o custo computacional, visto
que o algoritmo consiste na aplicao de convolues entre a imagem original e os
padres procurados.
No uso de matrizes 3x3, seriam possveis 512 combinaes o que inviabiliza essa
abordagem para localizao de pontos crticos relativos a padres cujas matrizes so
de ordens superiores. O uso de matrizes de ordem baixa pode produzir falsos pontos
crticos devido ao rudo presente na imagem (como apresentado na Figura 2.26(c)).

26

2.5. Pontos Crticos

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

Figura 2.22: possveis formas de conectividades.

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

Figura 2.23: possveis formas de conectividades.

27

2.5. Pontos Crticos

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

(i)

(j)

(k)

(l)

(m)

(n)

(o)

(p)

Figura 2.24: possveis formas de conectividades.

(a) quadrado

(b) losango

(c)
tomograa
computadorizada de seco da
caixa torxica

Figura 2.25: imagens usadas no algoritmo de conectividade.

28

2.5. Pontos Crticos

(a) pontos
quadrado

localizados

no (b) pontos
losango

localizados

no (c) pontos localizados na

tomograa computadorizada
de seco da caixa torxica

Figura 2.26: pontos crticos localizados pelo algoritmo de conectividade.

Captulo

Metodologia

este captulo descrito a metodologia proposta para realizar a localizao de

pontos crticos em imagens digitais. Inicialmente descrito o ambiente de

desenvolvimento, na Seo 3.1.1 so descritas as imagens para testes dos algoritmos

desenvolvidos. Por m, a Seo 3.2 descreve o algoritmo proposto para deteco de
pontos crticos em imagens em nveis de cinza e colorido.

3.1 Ambiente de Desenvolvimento

A implementao e execusso dos algoritmos e elaborao desta monograa
foi realizada usando um notebook (Figura 3.1) Acer modelo Aspire 3100
(http://www.acer.com/), o qual apresenta um processador AMDr Semprom
1.8GHz, 256KB L2 Cache (http://www.amd.com/) e 512MB de memria RAM
DDR2.
O sistema operacional utilizado foi o GNU/Linux (http://www.linux.org/),
distribuio Ubuntu 7.10 - The Gutsy Gibbon (http://www.ubuntu.org/).

As

simulaes computacionais foram feitas no Scilab 4.0 (http://www.scilab.org/)

utilizando as toolboxes Scilab Imaging and Video Package - SVIP 0.4.3
(http://sivp.sourceforge.net/)

Scilab

Wavelets

Toolbox

SWT

0.1.0

(http://scwt.sourceforge.net/). O SVIP foi utilizado para aquisio e processamento

de imagens e o SWT foi utilizado para anlises Wavelets.
Em alguns momentos foi necessrio usar aplicativos de anlise e processamento
de imagens mais renados, nestes casos foram usado o GNU Image Manipulation

Program - GIMP 2.2.13 (http://www.gimp.org/).

Os uxogramas foram

30

3.1. Ambiente de Desenvolvimento

Figura 3.1: computador usado na elaborao da monograa.

desenvolvidos com o Kivio 1.6.2 (http://www.koce.org/kivio/).

3.1.1 Imagens Utilizadas

Nesta seo so apresentas as imagens digitais utilizadas durante o
desenvolvimento desta monograa.

As diferentes imagens so utilizadas para

vericar o desempenho do algoritmo em diversas condies de complexidade. Foram

escolhidas trs tipos de imagens dependendo do seu nvel de complexidade (simples,
moderada ou complexa).
As imagens simples so ilustradas na Figura 3.2.

Estas imagens foram

produzidas sinteticamente e possuem baixa complexidade atravs do alto contraste

entre os objetos, em que os cantos so formados pelo encontro de retas horizontais
e verticais.
As imagens de complexidade moderada so imagens sintticas mostradas na
Figura 3.3. Estas guras possuem alto contraste, em que os cantos so formados
pelo encontro de retas diagonais.
As imagens complexas so mostradas na Figura 3.4. Estas guras so imagens
reais, obtidas na internet, com excesso da radiograa do trax que foi proveniente
de um projeto de mestrado em processamento digital de imagens mdicas. Sua
complexidade encontra-se na colorao das imagens e, principalmente, nos contornos
irregulares.

31

3.1. Ambiente de Desenvolvimento

(a)

(b)

Figura 3.2: imagem de baixa complexidade a) quadrado e b) retas coordenadas.

(a)

(b)

Figura 3.3: imagem de complexidade moderada a) quadrado e b) retas coordenadas.

32

3.2. Mtodo Proposto para Deteco de Pontos Crticos

(a)

(b)

Figura 3.4: imagem de alta complexidade a) peixe e b) Tux, mascote do Linux.

(a)

(b)

Figura 3.5: imagem de alta complexidade a) mesa e b) tomograa computadorizada de

seco do trax.

3.2 Mtodo Proposto para Deteco de Pontos Crticos

Neste trabalho proposto o algoritmo ilustrado na Figura 3.6.
O algoritmo inicia atravs da aquisio da imagem.

Em seguida, esta

convertida para nveis de cinza, caso esta seja originalmente colorida.

A partir da imagem em nveis de cinza calculado o mdulo do gradiente
da imagem a partir das componentes do gradiente da mesma, em que uma das
componentes possuem os detalhes verticais e a outra possui os detalhes horizontais
da imagem original, conforme descrito na Seo 2.3.3.
Em seguida, a Transformada Wavelet aplicada sobre o mdulo do gradiente.
A aplicao da Transformada Wavelet gera 4 (quatro) imagens, conforme descrito
na Seo 2.4.3 e ilustrado nas Figuras 3.7(a) e 3.7(b).

33

3.2. Mtodo Proposto para Deteco de Pontos Crticos

Figura 3.6: esquema geral do processamento envolvido na localizao de pontos crticos.

A partir dos coecientes de detalhes (partes da direita e inferiores da Figura
3.7(b)) so combinadas da seguinte forma:
n(CIm )

Imdetalhes =

(3.1)

Si (CIm ) i

i=1

em que:

I n(CIm ) o nmero de elementos do conjunto CIm ;

I CIm = {ImA , ImB , ImC , ImD };
1

I Si (CIm ) i denota a soma do produto interno elevado a

1
i

dos elementos de todos

os sub-conjuntos de CIm com i elementos;

A combinao das imagens tem como objetivo obter a maior quantidade possvel
de informao sobre os detalhes da imagem, ilustrada na Figura 3.8.
Descrio dos termos pertencentes a Equao 3.1:

34

3.2. Mtodo Proposto para Deteco de Pontos Crticos

(a)

(b)

Figura 3.7: a) imagem original e b) imagens geradas pela Transformada Wavelet Haar.
I ImA a imagem relativa aos detalhes verticais;
I ImB a imagem relativa aos detalhes horizontais;
I ImC a imagem relativa aos detalhes diagonais;
I ImD a imagem relativa aos detalhes diagonais obtida pela aplicao a
Transformada Wavelet na imagem do mdulo do gradiente rotacionada de
90 graus.

Figura 3.8: imagem de detalhes da imagem da Figura 3.7.

A partir da imagem de detalhes calculado o seu histograma, apresentado na
Figura 3.9.
Atravs de uma anlise manual feita a deteco dos pontos crticos da imagem
aplicando uma limiarizao da imagem de detalhes.
Observa-se que a obteno dos resultados so independentes do nvel de

3.2. Mtodo Proposto para Deteco de Pontos Crticos

35

Figura 3.9: histograma da imagem de detalhes (Figura 3.8).

sensibilidade1 , ou seja, o usurio da tcnica proposta tem a liberdade de escolher o
nvel de sensibilidade do algoritmo.
A automatizao na escolha do limiar possvel quando uma aplicao for
especicada, pois assim possvel determinar o nvel de sensibilidade que o algoritmo
deve ter.
A seguir so listadas algumas sugestes de formas para escolha do nvel de
sensibilidade:

I Emprica, aps a denio o valor do limiar constante;

I Uso de tcnicas estatsticas, tais como redes neurais ou algoritmos genticos;
I Uso de funes que incorporem elementos de iluminao e rudo presentes.

1 Nvel

de sensibilidade tido como o valor escolhido como limiar para a imagem de detalhes, de
modo que quanto menor o nvel de sensibilidade mais pecular o ponto precisa ser para o algoritmo
t-lo como crtico

Captulo

Resultados

este captulo so descritos os resultados obtidos em cada uma das etapas do

mtodo proposto descrito na Seo 3.2.

Inicialmente realizada a comparao entre os resultados obtidos utilizando os

dois detectores de bordas estudados (Prewitt e Sobel ). Em seguida so mostrados
as comparao da Transformada Wavelet utilizada para formao da imagem de
detalhes.
Por m, realizado a comparao dos resultados obtidos na deteco de cantos.

4.1 Comparao entre Mtodos de Gradiente

Nesta seo so apresentados os resultados relativos aos detalhes obtidos atravs
da combinao dos coecientes de detalhes de algumas imagens utilizando a
Transformada Wavelet Haar.

(a) resultado obtido pelo (b) resultado obtido pelo

gradiente de Prewitt
gradiente de Sobel

Figura 4.1: imagens de detalhes da Figura 3.2(a).

Para as imagens usadas nesta monograa, a combinao que mostrou-se mais

4.1. Comparao entre Mtodos de Gradiente

(a) resultado obtido pelo (b) resultado obtido pelo

gradiente de Prewitt
gradiente de Sobel

Figura 4.2: imagens de detalhes da Figura 3.2(b).

(a) resultado obtido pelo (b) resultado obtido pelo

gradiente de Prewitt
gradiente de Sobel

Figura 4.3: imagens de detalhes da Figura 3.3(a).

(a) resultado obtido pelo (b) resultado obtido pelo

gradiente de Prewitt
gradiente de Sobel

Figura 4.4: imagens de detalhes da Figura 3.3(b).

(a) resultado obtido pelo (b) resultado obtido pelo

gradiente de Prewitt
gradiente de Sobel

Figura 4.5: imagens de detalhes da Figura 3.4(a).

37

4.1. Comparao entre Mtodos de Gradiente

(a) resultado obtido pelo (b) resultado obtido pelo

gradiente de Prewitt
gradiente de Sobel

Figura 4.6: imagens de detalhes da Figura 3.4(b).

(a) resultado obtido pelo (b) resultado obtido pelo

gradiente de Prewitt
gradiente de Sobel

Figura 4.7: imagens de detalhes da Figura 3.5(a).

(a) resultado obtido pelo (b) resultado obtido pelo

gradiente de Prewitt
gradiente de Sobel

Figura 4.8: imagens de detalhes da Figura 3.5(b).

38

4.2. Comparao entre Transformadas Wavelets

39

eciente o gradiente de Sobel, isto porque, nas imagens sintticas e binrias

(principalmente) percebe-se que as bordas e cantos cam mais evidenciados.

4.2 Comparao entre Transformadas Wavelets

Devido ao bom desempenho do gradiente de Sobel, este ser usado nesta seo
para mostrar a comparao dos resultados obtidos para a formao da imagem de
detalhes utilizando diferentes implementaes da Transformada Wavelet (Haar, db4,
db6 e db8). Os resultados so mostrados nas Figuras 4.9 4.16.

(a) resultado obtido pela (b) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Haar
Db4

(c) resultado obtido pela (d) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Db6
Db8

Figura 4.9: imagens de detalhes da Figura 3.2(a).

Observando-se as Figuras 4.9 a 4.16, fcil perceber que a aplicao da
Transformada Wavelet Haar mostrou-se mais sensvel s bordas do que as demais,
evitando borramento nas imagens obtidas. Outra observao que quanto maior a
ordem da Transformada Wavelet Daubechies, maior o borramento.
A Transformada Wavelet Haar aparenta ter maior uniformidade com relao
aos pontos, possibilitando uma limiarizao mais direta, enquanto que as demais
Transformadas Wavelet Daubechies apresentam regies de transio mais largas,
conforme apresentado nas Figuras 2.16, 2.17, 2.18 e 2.19 onde foram abordadas as
caractersticas das Transformadas Wavelet.

4.2. Comparao entre Transformadas Wavelets

(a) resultado obtido pela (b) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Haar
Db4

(c) resultado obtido pela (d) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Db6
Db8

Figura 4.10: imagens de detalhes da Figura 3.2(b).

(a) resultado obtido pela (b) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Haar
Db4

(c) resultado obtido pela (d) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Db6
Db8

Figura 4.11: imagens de detalhes da Figura 3.3(a).

40

4.2. Comparao entre Transformadas Wavelets

(a) resultado obtido pela (b) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Haar
Db4

(c) resultado obtido pela (d) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Db6
Db8

Figura 4.12: imagens de detalhes da Figura 3.3(b).

(a) resultado obtido pela (b) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Haar
Db4

(c) resultado obtido pela (d) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Db6
Db8

Figura 4.13: imagens de detalhes da Figura 3.4(a).

41

4.2. Comparao entre Transformadas Wavelets

(a) resultado obtido pela (b) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Haar
Db4

(c) resultado obtido pela (d) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Db6
Db8

Figura 4.14: imagens de detalhes da Figura 3.4(b).

42

4.2. Comparao entre Transformadas Wavelets

(a) resultado obtido pela (b) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Haar
Db4

(c) resultado obtido pela (d) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Db6
Db8

Figura 4.15: imagens de detalhes da Figura 3.5(a).

43

4.2. Comparao entre Transformadas Wavelets

(a) resultado obtido pela (b) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Haar
Db4

(c) resultado obtido pela (d) resultado obtido pela

Transformada
Wavelet Transformada
Wavelet
Db6
Db8

Figura 4.16: imagens de detalhes da Figura 3.5(b).

44

4.3. Localizao de Pontos Crticos

45

4.3 Localizao de Pontos Crticos

Nesta seo so mostrados os diferentes tipos de pontos crticos localizados
utilizando o mtodo proposto (Figura 3.6).

(a) pontos
localizados (b) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Haar
Wavelet Db4

(c) pontos
localizados (d) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Db6
Wavelet Db8

Figura 4.17: pontos crticos localizados na Figura 3.2(a).

Para as imagens usadas nesta monograa, a combinao que mostrou-se mais
eciente o gradiente de Sobel seguido da a Transformada Wavelet Haar, isto
porque, nas imagens sintticas e binrias (principalmente), observado que os
pontos crticos, que so facilmente percebidos visualmente, so localizados com
melhor exatido, atribui-se este resultado a descontinuidade da funo me da
Transformada Wavelet Haar, a qual no percebida nas funes das Transformadas

Wavelet Daubechies.

4.3. Localizao de Pontos Crticos

(a) pontos
localizados (b) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Haar
Wavelet Db4

(c) pontos
localizados (d) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Db6
Wavelet Db8

Figura 4.18: pontos crticos localizados na Figura 3.2(b).

(a) pontos
localizados (b) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Haar
Wavelet Db4

(c) pontos
localizados (d) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Db6
Wavelet Db8

Figura 4.19: pontos crticos localizados na Figura 3.3(a).

46

4.3. Localizao de Pontos Crticos

(a) pontos
localizados (b) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Haar
Wavelet Db4

(c) pontos
localizados (d) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Db6
Wavelet Db8

Figura 4.20: pontos crticos localizados na Figura 3.3(b).

(a) pontos
localizados (b) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Haar
Wavelet Db4

(c) pontos
localizados (d) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Db6
Wavelet Db8

Figura 4.21: pontos crticos localizados na Figura 3.4(a).

47

4.3. Localizao de Pontos Crticos

(a) pontos
localizados (b) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Haar
Wavelet Db4

(c) pontos
localizados (d) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Db6
Wavelet Db8

Figura 4.22: pontos crticos localizados na Figura 3.4(b).

48

4.3. Localizao de Pontos Crticos

(a) pontos
localizados (b) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Haar
Wavelet Db4

(c) pontos
localizados (d) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Db6
Wavelet Db8

Figura 4.23: pontos crticos localizados na Figura 3.5(a).

49

4.3. Localizao de Pontos Crticos

(a) pontos
localizados (b) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Haar
Wavelet Db4

(c) pontos
localizados (d) pontos localizados
com
a
Transformada com
a
Transformada
Wavelet Db6
Wavelet Db8

Figura 4.24: pontos crticos localizados na Figura 3.5(b).

50

Captulo

Concluses e Perspectivas Futuras

esta monograa apresentado um mtodo de identicao e localizao de

pontos crticos em imagens digitais, atravs de um conjunto de algoritmos

baseado no realce e extrao dos detalhes presentes na imagem.

A metodologia proposta eciente pois no demanda custo computacional que
possa comprometer uma aplicao em tempo real, sendo este tipo de sistema uma
aplicao promissora para o mtodo proposto.
Percebe-se que o algoritmo, conforme concebido, no de total eccia; pois
alguns detalhes so muito dependentes da estimativa do parmetro de limiarizao
que feito aps a aplicao da Transformada Wavelet ou, como no caso de retas
diagonais, ocorre confuso entre contorno com curvatura suave e pontos crticos.

5.1 Perspectivas Futuras

Seguem sugestes de atividades futuras, baseadas na presente monograa:

I realizar anlises quantitativas de desempenho e eccia do algoritmo;

I elaborar mtodos de automatizar o nvel de sensibilidade;
I aplicao conjunta de algoritmos de rastreamento para ns de monitoramento;
I uso de classicadores para reconhecimento de objetos presentes na imagem;
I uso de tcnicas de reconhecimento de padres para identicar caractersticas
relativas aos pontos crticos dos objetos presentes na imagem;

5.1. Perspectivas Futuras

52

I desenvolvimento de um algoritmo para classicar os pontos crticos, de modo

que isto possa identicar caractersticas sutis de objetos;

I implementar os mtodos em linguagens de mdio e alto nveis (por exemplo

C/C++, Java e Python).

Referncias Bibliogrcas

ALEXANDROV, V. Using critical points in contours for segmentation os touching

characters. In: International Coference On Computer Systems. [S.l.: s.n.], 2004.
APOSTOL, T. M. Clculo. [S.l.: s.n.], 1998.
COSTA, R. C. S. Inspeo Automtica de Laranjas Destinadas Produo de

Suco, Utilizando Tcnicas de Processamento Digital de Imagens. 77 p. Monograa

(Graduao)  CEFET-CE, Fortaleza, set 2006.
DAUBECHIES, I. Orthonormal bases of compactly supported wavelets. Comm.

Pure Appl. Math., v. 41, n. 7, p. 909996, mar 1988.

GOMES, J. P. Reconhecimento Automtico de Alvos em Imagens SAR. Dissertao
(mestrado)  Instituto Tecnolgico da Aeronutica, So Jos dos Campos, SP,
Brasil, 2006.
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 2nd. ed. New Jersey:
Prentice Hall, 2002. ISBN 0-201-18075-8.
JNIOR, I. C. de P. Abordagem Wavelet para Deteco de Cantos em Formas.
Dissertao (mestrado)  Universidade Federal do Cear, Fortaleza, CE, 2007.
LARSON, R. E. et al. Clculo y Geometra Analtica. 6. ed. [S.l.]: Mc Graw Hill,
1998.
LEITHOLD, L. Clculo com Geometria Analtica. 3. ed. [S.l.]: Harbra, 2002.
LIMA, P. C. de. Wavelets: Uma introduo. ICEX - UFMG, p. 25, 2003.

53

Referncias Bibliogrcas

54

MALLAT, S. G. A theory for multiresolution signal decomposition: The wavelet

representation. IEEE Transactions on Pattern Analysis and Machine Inteligence,
v. 11, n. 7, p. 674693, jul 1989.
MANOLAKIS, J. G. P. e D. G. Digital Signal Processing. [S.l.]: Prentice Hall, 2007.
MLSA, P. A.; RODRIGUES, J. J. Handbook of Image & Video Processing. [S.l.]:
University of Texas at Austin, 2005.
MOTA, C. Processamento Geomtrico de Imagens. Tese (doutorado)  Instituto
Nacional de Matemtica Pura e Aplicada, 1999.
VIDAKOVIC, B.; MUELLER, P. Wavelets for Kids. [S.l.], 2003.