Nas últimas duas semanas estive em férias (por isso alguns comentários só tiveram resposta ontem). Passei uma semana em um hotel-fazenda sem sinal da vivo (isolamento total para relaxar…) e na outra semana fui ao Paraguai, ensinar Processamento de imagens. Isso mesmo: a Faculdade Politécnica da UNA – Universidad Nacional de Asunción promoveu um evento que eles chamaram de Escola de Processamento de Imagens, e nos convidou.

A trabalho

Dois professores do LaCA e eu fomos falar aos alunos de graduação e pós-graduação de vários cursos sobre alguns tópicos em imagens. Porque lá eles estão bem interessados em desenvolver este e outros temas, como parte do investimento que estão fazendo em melhorar a educação superior no país. Dentro da UNA se vê obras por toda a parte – o crescimento é a olhos vistos.

Para uma plateia interessadíssima, falamos sobre Sensoriamento Remoto, Reconhecimento de Padrões e Imagens na Medicina (ente último tema ficou comigo, pela minha experiência com a Animati. Parabéns a todos, mas principalmente ao professor Horacio Legal, pela organização impecável do evento.

A comparação entre a nossa situação e a deles foi tema inevitável de conversas de intervalo, e assim eu soube que eles também tem essa mistura entre analógico e digital na radiologia, característico de quem quer fazer a transição mais não tem grana para trocar tudo de uma vez. No campo da patologia, uma surpresa: lá eles têm uma integração entre pesquisadores e laboratórios de análise clínica que eu sonho em ter aqui mas ainda não encontrei!

A passeio

Em uma tarde, passeamos pelo centro histórico do Paraguai. Ele foi todo reformado para a comemoração dos 200 anos da independência do país, e tem toda uma área nova para museus que ainda está no início das obras. Acompanhados do professor Christian Shaerer, que cresceu naquela vizinhança, conhecemos um pouco da história do Paraguai, da visão de quem viveu a história.

Muito obrigada aos novos amigos – que vocês possam nos visitar em breve também!

Análise da área foliar no ImageJ

Foto da folha: repare no fundo branco feito com papel apoiado na prancheta, e a escala desenhada a lápis na parte de cima - esses cuidados são essenciais!

Tratando e analisando o dano na folha

1. Abra o programa, em seguida a foto no menu File clique em Open e escolha o diretório onde está salva sua foto e selecione-a.
2. No menu Analyze clique em Set mesurements
3. Habilite apenas as opções: Area, Min & max gray value, Area fraction na primeira coluna e Mean gray value, Perimeter e Median na segunda coluna. Em baixo Decimal places (0-9) coloque 1 (uma casa decimal). Clique OK.
4. Clique na janela da foto. Agora a brincadeira começa.
5. Determine a medida conhecida (no caso 4cm ou 40mm tracejada a lápis na folha branca de fundo) com a ferramenta Straight (é uma linha reta entre o arco de ângulo e o coração) na barra de ferramentas abaixo do menu.
6. Use a lupa, Magnifying glass (clique com botão esquerdo do mouse para aproximar, clique com botão direito afasta, ou use as teclas correspondente a + e -). Dê um zoom na medida desenhada e passe a linha sobre ela. Pronto?
7. Agora volte no menu novamente em Analyze. Clique Set scale…, vai abrir uma janela: em Known distance digite 40 (para milímetros ou 4 para centímetros), em Unit of leight digite mm (milímetros, ou cm para centímetros). Habilite a opção Global scale. Você verá a resolução da equação que transforma pixels em unidades de medida logo abaixo em Scale: “um número” pixels/mm. Clique OK. (Mais informações sobre essa parte aqui.)
8. Volte para a janela da foto e comece a retirar tudo o que não for folha como sombras, dedos, pecíolo, tudo… com a ferramenta Freehand sections que é o coração, a ferramenta de corte, contornando a área que deve ser retirada. Depois vá no menu Edit e clique em Fill, isso vai preencher a área que você seccionou na foto com a cor branca. Ótimo. Lembre-se que se precisar de outras cores para preencher as secções que você selecionou use a ferramenta Color picker, que parece (ou realmente é) um conta-gotas, e clique sobre a cor desejada. Volte o conta-gotas para a cor branca, você pode precisar.
9. Agora contorne a folha da planta com a mesma Freehand section e volte no menu Edit. Clique em Clear outside. Sobrou só a folha na foto? Excelente! Então salve o arquivo: no menu File vá em Save as… e escolha o formato que deseja salvar. Eu gosto do PNG porque a foto não perde informações eletrônicas quando é salvada mais vezes (ao contrário do formato JPG). Salvou?
10. Agora preencha os danos foliares de cores mais escuras como áreas e pontuações negras. Em algumas fotos de menor qualidade, será necessário o preenchimento de todos os danos foliares, mesmo os de cor mais clara, para que o threshold pegue tudo certinho. Use as ferramentas de corte como a Freehand sections e as de preenchimento como o Paintbrush tool (o pincelzinho) e preencha onde há danos na folha. Lembre-se que você pode determinar a espessura do pincel, o Paintbrush tool clicando no ícone com o botão direito do mouse. Eu gosto da espessura de 5 pixels (digite 5 na opção e clique OK). O Paintbrush tool é melhor para danos que parecem pontuações e danos menores, e o Freehand sections é melhor para grandes áreas enegrecidas e apodrecidas. Lembre-se de usar a lupa sempre que necessário. Deu certo? Agora vai!
11. No menu Image tem a opção Type que habilita você a transformar a imagem em formatos de cores ou escala de cinza. Precisamos da escala de cinza, então clique na opção 8-bit. Você verá que a foto tomou cores acinzentadas. Isso é bom, pois o Threshold direto na imagem colorida dá muita dor de cabeça.
12. Agora volte no menu Image, vá em Adjust e clique em Threshold. Uma janelinha abre com uma área de gráfico, duas barras de rolagem, duas caixas de seleção multi-opcional e uma opção de habilitação. Nessas duas caixas certifique-se de que a primeira esteja escrito Default (já vem assim, não precisa mexer) e na outra esteja escrito Red. Deixe a opção Dark Background desmarcada, não há necessidade de ter um fundo escuro. Ajuste o gradiente de Threshold com a barra de rolagem inferior de acordo com a folha da planta e clique em Apply. Do lado direito dessa barra tem um numero. Decore-o para não precisar achar o Threshold correto de novo (eu sempre coloco esse numero no excel junto com os outros dados, que virão a seguir; sempre uso múltiplos de 5 pra ajudar a lembrar). A área da folha tá vermelha? Ótimo! É assim mesmo.
13. Achou que não ficou muito bom? A área deixou de pegar algumas partes da folha e/ou pegou partes que não eram folha? Então clique em Reset e faça algumas alterações na foto, como retirar essas áreas mais escuras que o Threshold pegou ou escurecer algumas partes claras da folha qual o sol ou o flash (ou qualquer outra coisa) refletiu: use novamente a ferramenta freehand sections e circule a área que está te atrapalhando, vá no menu Image e em Adjust, depois clique em Brightness/contrast, abrirá uma janela, vá mexendo na barra de rolagem (eu gosto de mexer só na barra de rolagem que está escrito brightness embaixo) até esta área escurecer (não se assuste se a folha toda escurecer) e clique em Apply. Ou Reset se você quer fazer de novo.
14. Aí sim, volte no Threshold e acerte novamente a área da folha clique em Apply. Você verá que sua folha ficou preta e o fundo branco. Excelente! Isso é que é binarizar uma foto. É assim que o programa acha a área foliar.
15. Agora volte no menu Analyze e procure por Analize particles… Abrirá uma janelinha com um monte de trem, ignore tudo, menos as opções que estão na parte inferior da janela: certifique-se que somente Display results, Clear results e Summarize estejam habilitadas. Clique OK. Ignore a janelinha Summary. Você verá a janelinha Results que mostra as medias que o Threshold pegou com o numero da media, a área da folha, mean, max e min, perímetro e porcentagem da área. Clicando sobre esse resultado você pode copiá-lo numa planilha de excel, então faça isso. Lembre-se de quando for fazer a planilha coloque duas linhas para cada folha da planta Eu gosto de por os resultados desse primeiro momento na linha de baixo.

Para fotos com duas ou mais folhas é bom usar a opção Show: Outlines, que enumera as folhas em outra janela (não vê numero nenhum? Experimente usar a lupa), assim você não se perde na tabela das medidas na janela Results.
Parece difícil, mas não é não.

Analisando a folha inteira, sem danos, ou seja, a área total da folha.

1. Você pode simplesmente copiar seu resultado do primeiro passo (acima), voltar à foto e preencher os buracos, quando a folha não tem dano marginal. Vá no menu Process, depois em Binary e clique em Fill holes. Pronto. Volte em Analyze, Analize particles… e clique OK. O programa pergunta se você quer salvar a ultima análise, se você já salvou esses dados no excel então clique em No. Agora, na janela Results tem os dados com a área da folha inteira. Copie esses dados no excel, na linha de cima.
2. Se tiver dano marginal e você os retirou para a primeira análise, nada tema! Se você salvou a foto em PNG é só abri-la no menu File e Open. Lembra que você selecionou a opção Global scale no Set scale, quando você foi ajustar a escala milímetros? Ótimo então você não precisa reajustar a escala, se é a mesma foto. É só colocar a foto na escala de cinza (Image>Type>8-bit), ajustar o Threshold (Image>Adjust>Threshold) e rodar os resultados (Analyze>Analyze particles).

Pronto! Repita o processo para cada foto e no final você tem uma bela tabela no excel com os dados da sua folha! Use o excel também ao seu favor, faça as contas lá também.

Tem jeito de ficar mais fácil? Tem sim! Utilize teclas de atalho, algumas funções no programa já têm. Para aquelas que não tem e você usa muito vá no menu Plugins, Shortcut, Create shortcut e divirta-se! Eu uso o teclado numérico em cima das letras pra isso: 6 para Set scale, 7 para 8-bit, 8 para Threshold, 9 para Analyze particles e 0 para Fill holes.

Você não precisa mais chutar o dano foliar da sua planta pelo olhômetro ou usar o diabo do papel milimetrado. O ImageJ é gratuito, use a abuse!

Os Ecólogos também podem usar o poder dos softwares!

Bom proveito!

Créditos

O texto e as imagens originais foram enviados por Eduardo M. S. Borges-Filho, do Laboratório de Ecologia do Comportamento e de Interações na UFU.
Muito obrigada, Eduardo!

O Carlos tem um problema interessante sobre análise de solda que, apesar de simples, não vai encontrar nenhum software que o resolva de forma direta. No ImageJ vou mostrar um caminho com ferramentas de seleção manual e threshold.

A imagem

Este é um perfil de solda, e precisamos medir a quantidade de material que penetrou sob a superfície inicial. O bom é que o fundo é escuro e o material de solda é bem claro, assim não teremos problemas de segmentação.

Recebi esta imagem em JPG, por isso a primeira coisa é transformar para 8 bits… você sabe o que os programas fazem quando você pega uma imagem em tons de cinza e salva em JPG? Eles criam mais duas bandas, cópias da original, para depois compactar perdendo parte dos dados. Você acaba com uma imagem de informações repetidas e de menor qualidade. Então para quê fazer isso? Tá, eu sei, a maioria das pessoas não sabe disso… por isso continuam fazendo. Tem até câmeras que fazem isso por padrão! Mas isso é só um desabafo, vamos à solução do problema.

Passo a passo

Depois de converter para tons de cinza (8bits, por exemplo: Image –> Type –> 8-bit)…

Primeiro vou calcular a área do material de solda, que vamos chamar de “Área Total”:

1. Use o threshold em Image –> Adjust –> Threshold, e cuide para eliminar o máximo de outros objetos, sem destruir a área que queremos calcular.O resultado é a área de interesse, mais alguns pontinhos, e a escala.
2. Para tirar os pontinhos vamos usar Fechamento. No ImageJ a única forma de ter controle dos parâmetros do fechamento é usando as opções. Abra o diálogo em Process –> Binary –> Options… No diálogo, há dois parâmetros numéricos que você pode mudar. Faça uma tentativa (dica: para eliminar pontinhos use números baixos), mude o “Do:” para “Close” e marque a opção “preview”. Na imagem você verá o resultado previsto, e pode mudar os parâmetros até ficar contente com o resultado, então clique OK.
3. A escala não sai fácil, então o melhor é cortar a imagem excluindo a escala. Podia até ter feito isso antes de começar: Clique no botão que tem um retângulo (ferramenta de seleção em retângulo), desenhe sobre a imagem uma área que inclua o que queremos medir e corte em Image –> Crop
4. Um cuidado que precisamos tomar com o ImageJ: normalmente preto vale 0 e branco vale 255, mas no ImageJ isso não funciona assim, então coloque o cursor sobre a área branca e olhe a barra de status: o valor que estiver lá é o que temos que procurar na tabela do próximo passo.
5. Agora que o que consideramos “Área total” está em branco e todo o resto está em preto, vamos em Analyze –> Histogram, que vai abrir uma janela de histograma, que não importa. Clique em “List” e procure, na tabela que vai aparecer, o registro com o número que você leu no passo anterior, que corresponde ao branco. O resultado é 71.251 pixels.

Agora a “Área penetrada”:

1. Comece novamente com a imagem original (transformada para 8bits).
2. Corte a área que interessa, deixando de fora a escala, desta vez.
3. Agora vem a parte delicada: Considerando que a linha da superfície original era reta, podemos estimar onde ela estava, traçando uma linha de um extremo a outro da solda. Vamos usar a ferramenta de seleção em polígono, para desenhar um polígono que inclui a parte da solda que não penetro na superfície original, como na figura.
4. Use Edit –> Fill para pintar o polígono de preto, descartando a área que não queremos medir.
5. Agora sequimos a mesma sequencia anterior, prestando atenção para não perder as linhas finas na operação “Close”. Neste caso, como eu não consegui apagar todos os pontos brancos usando “close”, me preocupei somente com os que ficaram mais próximos da área de interesse, depois apaguei os outros desenhando um polígono em torno deles e usando a função “Fill” com ono passo anterior.
6. O valor da área penetrada estará na linha de mesmo valor em que obtivemos a área total da tabela do histograma. Desta vez o resultado é 22.245 pixels

Resultado

A relação entre a área que penetrou e a área total é a resposta que procuramos: 22.245 / 71.251 = 0,3122.
Ou em porcentagem: 31,22 %

Como é uma relação entre duas grandezas do mesmo valor, não há unidade – por isso não precisamos da escala neste caso. Não faria diferença fazer este cálculo em centímetros quadrados, milímetros quadrados ou qualquer outra unidade – só daria mais trabalho.

É isso. Não gosto destas soluções muito manuais, mas esta é uma das situações em que automatizar daria uma complexidade muito maior do que parece. Concluir que o limite do material original é o prolongamento das superfícies laterais intactas é algo que seres humanos fazem quase sem pensar, mas não as máquinas. Levar o software a concluir isso por ele mesmo exigiria muitas fórmulas matemáticas!

Até mais!

A imagem

Vamos simular uma imagem usando peças de lego como pixels. A imagem ao lado tem a minha simulação – usei a imagem em tons de cinza para não fazer confusão. Esta imagem tem 4 tons de cinza (numerados de 0 a 3 na segunda imagem), e é composta por 16 blocos de lego (pixels).

O bloco mais escuro tem valor zero (porque representa a ausência de luz), e o mais claro tem o valor mais alto. Esta escala de intensidade é padrão na maioria dos programas que tratam de processamento de imagens.

O histograma

Na estatística, um histograma é uma representação gráfica da distribuição de frequências de uma massa de medições.

A “massa de medições” é o que estamos medindo: a intensidade de cada pixel (ou de cada ploco de lego): o primeiro (de cima para baixo, da esquerda para a direita, mede 3; o segundo mede 3 também, e assim até chegar ao último, que mede 2. Temos 16 medições – uma para cada bloco (pixel).

Distribuição de frequência é a quantidade de vezes (frequência) em que cada valor medido aparece: o zero aparece duas vezes, o um aparece 3 vezes.

Assim, o histograma será uma representação gráfica de quantas vezes cada valor de pixel aparece: e fazer isso com o lego nem exige contas: é só fazer uma pilha de blocos para cada cor (intensidade), em ordem, começando pelo zero.

Agora com 110880 pixels

Para qualquer imagem em tons de cinza o princípio é o mesmo. Em geral, as imagens captadas por câmeras comuns, e aquelas que circulam na internet são coloridas, e vamos falar delas depois. As imagens mais comuns em tons de cinza têm 8 bits por pixel, isto significa que mostram 256 níveis de cinza, ao invés dos 4 com que trabalhamos acima.

Isto produz um histograma com 256 barras, onde são “empilhados” todos os pixels de mesmo valor, em ordem, começando pelo zero, que é o pixel mais escuro.

Repare que o meu cursor está sobre uma das sementes, e a barra de status mostra que este pixel tem valor 35 (procure pelo círculo azul). No histograma, este valor compõem o primeiro pico do histograma. Como temos uma imagem com mais tons de cinza que a primeira, os objetos não têm uma cor única: cada semente possui nuances provocados pela iluminação e por rugosidades na sua superfície. É por isso que o histograma cresce e decresce suavemente para formar cada pico.

O segundo pico (ou moda) do histograma representa a parte mais clara da imagem – neste caso, o fundo.

As imagens coloridas…

As imagens coloridas possuem 3 bandas (vamos considerar apenas imagens RGB para não complicar), cada uma com 256 tons de cinza. A primeira representa o vermelho, a segunda o verde e a terceira o azul.

No Anima, apresentamos os histogramas das 3 bandas sobrepostas – outros programas usam um gráfico para cada e uns poucos somam os histogramas. Coloquei o cursor sobre uma semente, para que a barra de status mostre os valores de cada banda em um pixel.

Agora, no que a intensidade de cada banda contribui para a cor final da imagem? Para responder isso precisamos falar do espectro eletromagnético e do modelo RGB – isso fica para a próxima!

Créditos

As imagens são minhas, mas tive ajuda da Mônica (3 anos) para montar a simulação de blocos de lego .

O autor do trabalho á Diego Martins – ele pesquisou e desenvolveu o método durante a conclusão da graduação, em 2007. Como trabalhos de graduação não entram no banco de teses e dissertações, colocamos o arquivo no site do Anima, na página de Produção Científica.

Sobre o método de captação da imagem

A câmera de Debye-Scherrer e outras variações do método dos pós são largamente usados, especialmente em metalurgia e geologia. Os principais méritos deste método são (1) a pequena quantidade de amostra necessária (menos de 0,1mg pode ser usado), (2) a cobertura praticamente completa das reflexões produzidas pela amostra e (3) a relativa simplicidade que o aparato e a técnica requerem [KLUG].
Na câmera de Debye-Scherrer o espectro de difração do material é marcado em um filme fotográfico, disposto ao longo de uma câmera cilíndrica. Deste filme podemos extrair dois tipos de informação, a saber, as posições angulares dos máximos de difração, relacionadas com os espaços interplanares das reflexões, e as intensidades relativas destas linhas, que estão relacionadas com a composição da amostra.

O importante aqui é saber que esta câmera produz uma imagem assim:

Estas linhas mais claras são o que precisamos medir, as suas intensidades estão relacionadas à composição química do material.

A medição

Tradicionalmente, usa-se marcar um retângulo na região de interesse, e medir com uma ferramenta chamada de “profile”. Ela está presente em muitos programas de processamento de imagem, inclusive no ImageJ.

O problema é que o “profile” desconsidera a curvatura das linhas, gerando um resultado aproximado, mas não o melhor que se pode obter.

O método implemetado no Anima foi construido para considerar a curvatura das linhas, medindo as intensidades com mais precisão.

Como se faz…

Se você ainda não conhece o Anima, acesse a última versão em Webstart aqui.

Se tudo correu bem, o programa pediu permissão, se instalou e já abriu. Se não, envie uma mensagem para mim (queremos corrigir os problemas que aparecerem!).

Usei a mesma imagem do post para os printscreens que você vai encontrar a seguir:

Primeiro abri a imagem e selecionei marcando a caixa de seleção da miniatura (o Anima funciona assim porque foi projetado para trabalhar imagens em lotes).

Depois selecionei Debye-Scherrer Diffractogram no menu Análise. O método abre uma segunda janela com a imagem e dois círculos coloridos. Ajuste o tamanho para ver a imagem toda na janela.

Agora vem o trabalho manual: você precisa mover os pontos nas extremidades das linhas para encontrar o centro e a curvatura da elipse que coincide com o formato das linhas.

Quando ficar contente com o resultado, clique OK.

O resultado é um gráfico conhecido como difratograma, que representa a composição química do objeto que foi analisado. Este resultado também aparece em formato de tabela (à direita) e pode ser salvo em um arquivo texto, para importar na planilha eletrônica que preferir.

Referências

Diego Schmaedech Martins. IMPLEMENTAÇÃO DE UM MÉTODO DE ANÁLISE DE IMAGENS PARA INTEGRAÇÃO DA INTENSIDADE DE RAIOS X ESPALHADOS EM UMA CÂMERA DE DEBYE-SCHERRER.
Trabalho de Graduação, UFSM, 2007. Download: tg-schmaedech.pdf

O tutorial de hoje vai mostrar uma ferramenta que está presente no MFB_ImageJ, e que ajuda a contar células (claro, pode ser usado para outras coisas também…)

Uma imagem

A imagem foi obtida em http://www.flickr.com/photos/prep4md/2653982732/in/photostream/ e está em domínio público.

Repare como as células se sobrepõem, dificultando a segmentação automática. Neste caso, dependendo do número de imagens a analisar, não vale a pena nem tentar automatizar – é melhor achar uma forma de contar mesmo. Aí o software pode ajudar disponibilizando uma interface em que ninguém perca a conta, ou fique em dúvida se já contou ou não uma determinada célula. É isto de Cell Counter faz!

MFB_ImageJ e o plugin Cell Counter

O MBF_ImageJ é uma distribuição do ImageJ, com um conjunto de plugins específico para Microscopia. Ele é mantido pela McMaster Biophotonics Facility, do Canadá. (Instruções de instalação aqui.)

O plugin Cell Counter já vem instalado nesta distribuição, é de autoria de Kurt De Vos, da
University of Sheffield, Academic Neurology. Me parece que a versão mais atual do plugins ainda não foi colocada no MFB, mas vou usar a versão de lá assim mesmo, já que neste momento só estrou interessada nas funções básicas.

Como fazer

Primeiro abra a sua imagem (se ela for muito grande, e você for capaz de ver as células com uma resolução menor, vale à pena diminuir a imagem (use Image –> Scale para fazer isso).

Então ligue o plugin, no menu Plugins –> Particle Analysis –> Cell Counter.

A sua imagem vai aparecer dentro de uma nova janela, com alguns botões abaixo da imagem, e uma janela vazia “Results” vai aparecer na tela também.

O plugin permite que você conte células diferentes na mesma imagem, mostrando resultados por tipo e totais. Por isso, antes de começar a contar é preciso selecionar um tipo (eles são nomedos por cores para facilitar). Eu escolhi o vermelho e contei todas as células com este, porque acho que elas são todas do mesmo tipo.

Para contar, é só dar um click sobre cada célula na imagem. Os quadradinhos vão ficando no lugar para marcar as que você já contou, e a janela Results vai mostrando o resultado parcial, assim:

Quando terminar, se quiser pode resumir os resultados clicando no botão Results, abaixo da imagem. Mas isso não faz muita diferença já que seus resultados finas vão estar na última linha da tabela. Falando em tabela, você pode exportá-la em formato .xls, se precisar (no menu da janela Results, clique em File –> Salvar)

Também dá para salvar a imagem com os quadradinhos sobre ela: use o menu da janela principal do programa, e salve normalmente como faria com qualquer imagem.

Que tal? Facilita a vida?

Até mais!

Esta foi uma das imagens cedidas por Jorge Alves (a quem fiquei devendo algumas respostas ainda antes de sair de férias). Vamos a uma delas: como se usa a escala pré-definida no ImageJ, ou em qualquer outro programa parecido?

A imagem tem aumento de 1000 vezes (essa informação é fácil de obter porque só depende da lente que está sendo usada), então a escala é… bom, depende. Depende principalmente do tamanho dos pixels captados pelo sensor da câmera. O procedimento mais comum nestes casos é usar uma lâmina com uma escala impressa e fotografá-la com a mesma câmera, configurada da mesma forma, e com a mesma lente que se fotografa as amostras.

Tendo as duas imagens, fica simples calcular a escala. Vou usar o ImageJ só porque falo dele toda hora, mas outros programas que usam escala também tem procedimentos parecidos:

Em 5 passos

1. Abra as imagens com que você vai trabalhar: a do tecido, célula ou algo assim; e a da escala;

2. Agora abra a informação de escala (no ImageJ: Anialyze –> Set Scale…) certifique-se de que não haja nenhuma escala definida, ou que ela seja: No ImageJ, use a distância em pixels e a distância conhecida iguais a zero.

3. Use uma ferramenta de medição de distância para medir, na régua, a maior distância conhecida que você tiver. Aqui neste caso, eu sei que cada tracinho é um milímetro, então vou desenhar a minha linha por 12 milímetros e ver quantos pixels ela tem: 1380 pixels de comprimento.

4. De posse desta medida, abra o diálogo de escala novamente. Digite as informações como na figura – é importante marcar a caixa “Global” para indicar que todas as imagens terão aquela escala. Se você não fizer isso o programa usa aquela escala apenas para imagem em foco (a da escala) e as que interessam ficam sem escala. Eu escolhi ter a escala em milímetros, mas se quiser usá-la em micrômetros é só informar o valor em micrômetros que corresponde a 12 milímetros… (neste caso, claro).

Diálogo de Escala

5. Pronto! Agora qualquer medida sobre qualquer imagem vai sair em milímetros, na escala correta.

Medindo

Resultados das medidas

Se quiser que os resultados apareçam tabelados assim, a cada linha que desenhar clique em Analyze –> Measure. As medidas da tabela dá para salvar e usar em uma planilha.

Esta é a forma mais fácil de medir larguras e distâncias na imagem se você tem poucas medidas a fazer (e poucas imagens para medir). Não há preocupação com métodos de segmentação e de como o programa vai identificar os pontos corretos. É tudo visual e simples.

Até mais!

A Imagem

Esta imagem é minha. Tirei esta foto no quintal de um ótimo restaurante nos Caminhos de Pedra, em Bento Gonçalves.

Não sei a espécie, se alguém souber, me conte nos comentários…

A borboleta tem cores parecidas com as do tronco da árvore em que está, mas a maior parte do corpo dela é de um marrom mais escuro e menos amarelado do que a árvore.

A imagem original (bem maior que esta) está no Flickr.

Segmentação

Segmentação por Mean-shift (30;25).

Fiz algumas tentativas com crescimento de regiões, mas percebi que são ficou muito bom – As áreas mais claras da asa realmente atrapalhavam. Então lembrei que o plugin de Mean-shift que tenho instalado permite ajustar a influência do componente espacial, e achei que isso ajudaria.

Depois de algumas tentativas chequei a este resultado (usando Spacial Radius = 30 e Color Distance = 25).

Como Mean-shift demora, parei de tentar ajustar e fui ver como fica o resultado final.

Usei threshold: a banda verde da imagem segmentada formou duas modas razoavelmente distintas, então ficou fácil escolher o nivel de threshold.

Sobre este resultado, apliquei alguns fechamentos e obtive algo bem parecido com a forma da minha borboleta!

Segmentação por Treshold (esquerda) e fechamentos (direita).

Se o objetivo for medir o comprimento de uma asa a outra, este resultado já é suficiente! E dá para conseguir resultados melhores com um pouco mais de estudo e insistência…

Até mais!

A Imagem

Esta imagem foi obtida a partir de uma lâminda de ácinos prostáticos em microscópio ótico. Os ácinos são as estruturas delimitadas pelas bordas arroxeadas, e vamos precisar contá-las, medir a área interna e total de cada uma delas.

Repare no detalhe das linhas brancas quebrando as bordas. Este vai ser um grande problema…

Também não há uma escala nesta imagem, por que o método de captação do laboratório usa uma escala pré-definida, ou seja, eles fotografaram uma escala usando cada um dos aumentos do microscópio, e então é possível fazer a correspondência com as imagens que serão estudadas. Mas atenção: esta método só funciona quando se usa sempre a mesma câmera!

Primeira tentativa

Para amenizar o problema das linhas brancas, escolhi um filtro de mediana de tamanho 5. Foi o tamanho máximo que consegui usar sem destruir os limites das bordas.

Depois escolhi a banda verde, que mostrou maior contraste entre os elementos, e apliquei um threshold por média. Como o resultado foram bordas intermitentes, apliquei fechamento morfológico em 6 iterações, para tentar fechar as bordas. O que aconteceu na realidade foi que acabei fundindo as bordas adjacentes entre si, obtendo as áreas internas dos ácinos, e mais alguns artefatos pequenos.

Apliquei o Analyze Particles nesta última imagem e o programa foi capaz de detectar todas as áreas internas de ácinos que não ficaram cortadas pela borda da imagem. Ainda assim um dos ácinos (mais ou menos no centro do quadrante inferior esquerdo) é menor do que um dos artefatos da segmentação, então descartar por tamanho não resolve o problema, mas pode ser que descartar por tamanho e circularidade resolva.

Mesmo sendo possível medir a área interna, esta estratégia não me dá nenhuma chance de medir o tamanho total dos ácinos (área interna + borda), já que funde as bordas de ácinos adjacentes.

Outros métodos investigados

Crescimento de regiões e Mean-shift esbarraram no mesmo problema: as linhas brancas quebrando as bordas. Usar outros filtros de desfocar no lugar do filtro de mediana também não melhorou o resultado final.

A imagem ao lado foi obtida com o Gimp, usando uma detecção de bordas e sobrepondo o resultado à imagem original com uma operação de diferença. O resultado é interessante, mas ainda não resolve o problema.

Também procurei algumas demonstrações de contornos ativos, mas não encontrei nada que pudesse usar.

Caminhos…

Uma forma de analisar o problema seria partir da forma como nós, seres humanos conseguimos ver o contorno dos ácinos nesta imagem. Nós “sabemos” que eles são formados por uma área interna e uma borda. Então, para cada área interna (mais fácil de diferenciar), sabemos que há uma borda, com espessura mais ou menos homogênea e curvas suaves.

Isto implica em usar características estruturais, partindo de um objeto para encontrar outro. O problema com esta solução é que não há nada pronto – é preciso implementar. E só vai ser possível testar depois de gastar um bom tempo implementando…

Se o problema em questão envolve processar apenas algumas imagens (20, 30, ou até um pouco mais) pode ser que pintar a área total de cada ácino à mão seja um método aceitável. Tudo depende dos objetivos a longo prazo.

Se alguém tiver alguma ideia diferente por favor use os comentários!

Até mais!

Para mostrar um pouco do Anima, revisitei o primeiro tutorial deste blog: Como contar objetos. O resultado coloquei num vídeo.

A interface ainda tem seus defeitos (como o fato dos diálogos não abrirem onde querem, às vezes fora da janela principal), mas estamos trabalhando nisso também.

O importante neste projeto é que está sendo construído como uma plataforma de testes e desenvolvimento, isto é, arquitetura de software favorecendo a extensão.

Por enquanto, é um software mais para desenvolvedores, e “beta-testers”, mas pretendemos facilitar as coisas para o usuário comum, com dicas e informações na interface. Alguns alunos do LaCA já estão utilizando o Anima para implementar seus projetos de pesquisa e as novas ferramentas estão por vir.