4 ANALYSE OG RESULTATER
4.5 K OMPETANSE I PROBLEMLØSNING
A etapa mais complexa e desafiadora do processamento de imagens digitais ´e a segmentac¸ ˜ao da caracter´ıstica desejada, principalmente em condic¸ ˜oes variadas de aquisic¸ ˜ao das imagens (ZHAO et al., 2015). A extrac¸ ˜ao de caracter´ısticas texturais por meio dos filtro de Gabor ´e muito utilizada no processamento de imagens digitais, apresentando um bom desempenho em diversas aplicac¸ ˜oes, como em imagens de sat ´elite (JAIN; SINHA, 2015) e tamb ´em tendo seu uso relatado na detecc¸ ˜ao de padr ˜oes circulares (ZHU; TANG; LU, 2004). Motivando-se no trabalho de Kurtulmus, Lee e Vardar (2011), que faz uso de tais filtros para a detecc¸ ˜ao de laranjas verdes, testes dessa t ´ecnica foram efetuados para avaliac¸ ˜ao de sua capacidade de extrac¸ ˜ao das caracter´ısticas dos frutos.
Esses filtros s ˜ao conhecidos por aplicac¸ ˜oes em duas variantes: o filtro tradicional e o filtro circular de Gabor. A variante tradicional do filtro permite a extrac¸ ˜ao das caracter´ısticas de textura em um determinado ˆangulo, enquanto que a variante circular executa tal tarefa de maneira radial (ZHU; TANG; LU, 2004). Foram avaliados os efeitos do filtro circular (Figura 6) e do filtro tradicional em cinco direc¸ ˜oes (0◦, 45◦, 90◦, 135◦e 180◦) (Figura 7).
Como esperado, os filtros se mostraram bons descritores de textura, evidenci- ando razoavelmente alguns frutos nas imagens. No entanto, uma observac¸ ˜ao mais minuciosa revela que existem diversas regi ˜oes da imagem onde folhas s ˜ao facilmente confundidas com frutos. Isso explica o motivo pelo qual, mesmo utilizando uma tomada de decis ˜ao baseada na maioria de votos entre as t ´ecnicas de limiarizac¸ ˜ao adapta- tiva, banco de filtros de Gabor e filtro circular de Gabor, a quantidade de detecc¸ ˜oes incorretas variou entre 27% e 40%, aproximadamente (KURTULMUS; LEE; VARDAR, 2011). Esses resultados demonstraram que o m ´etodo n ˜ao apresenta o desempenho ne- cess ´ario para uma segmentac¸ ˜ao aceit ´avel dos frutos verdes, levando-o a ser rejeitado
(a)
σ = 0,47
,F = 0,32
(b)σ = 0,56
,F = 0,32
Figura 6. Resultados de duas aplicac¸ ˜oes do filtro circular de Gabor com diferentes valores para o par ˆametro
σ
`a componente brilho do modelo HSV em imagem da copa de uma laranjeirapara os testes de reconhecimento e interpretac¸ ˜ao.
4.2 Extrac¸ ˜ao das caracter´ısticas dos frutos com o uso de imagens de baixo- relevo simulado
Foi poss´ıvel evidenciar os frutos nas imagens das copas das laranjeiras por meio de uma combinac¸ ˜ao das t ´ecnicas de convers ˜ao do modelo de cores, limiarizac¸ ˜ao, suavizac¸ ˜ao gaussiana e de filtragem espacial com as m ´ascaras de Sobel e Laplace. Como pode ser observado na Figura 8, as fotos tomadas em campo apresentam uma grande quantidade de elementos indesej ´aveis que precisam ser identificados e removidos antes dos procedimentos de reconhecimento e contagem dos frutos, como o solo, o c ´eu e as plantas daninhas. Al ´em disso, ´e importante se atentar para a dificuldade de reconhecimento dos frutos na pr ´opria planta, que se confundem muito facilmente com os outros elementos da copa. Nesta sec¸ ˜ao ser ˜ao descritos e ilustrados os passos para a obtenc¸ ˜ao das imagens de baixo relevo simulado que possibilitaram o destacamento dos frutos verdes em diferentes tamanhos.
(a) Imagem original (b)
θ = 0
◦(c)
θ = 45
◦ (d)θ = 90
◦(e)
θ = 135
◦ (f)θ = 180
◦Figura 7. Imagem original e banco de filtros tradicionais de Gabor aplicados `a compo- nente de brilho do modelo HSV em cinco direc¸ ˜oes
Figura 8. Imagem original de uma laranjeira com frutos verdes, tomada com uma c ˆamera digital comum
t ´ecnica preliminar de processamento de imagens, por possibilitar a segmentac¸ ˜ao das cores atrav ´es de uma escala num ´erica. Na agricultura, sua aplicac¸ ˜ao inclui a segmentac¸ ˜ao das plantas do solo em diferentes condic¸ ˜oes de iluminac¸ ˜ao (YANG et al., 2015a), segmentac¸ ˜ao e classificac¸ ˜ao de diversas culturas com plantas verdes do solo e c ´eu (GUIJARRO et al., 2015), classificac¸ ˜ao de fibras coloridas de algod ˜ao (MUSTAFIC; LI, 2015), determinac¸ ˜ao dos par ˆametros de cor de cerejas durante o processo de maturac¸ ˜ao (TAGHADOMI-SABERI et al., 2015), acompanhamento do crescimento do milho (YANG et al., 2015b), al ´em da detecc¸ ˜ao de doenc¸as em plantas (MAHLEIN, 2015).
As fotos das laranjeiras com frutos verdes, obviamente, apresentam essa cor como predominante, o que fez com que o par ˆametro cor (ou matiz) fosse descartado das tentativas de destacamento das caracter´ısticas dos frutos. Assim, os canais H (Hue) e S (Saturation) n ˜ao foram utilizados na extrac¸ ˜ao de suas caracter´ısticas. J ´a o canal V (Value) traz informac¸ ˜oes importantes quanto ao brilho dos frutos, fundamentais
para a criac¸ ˜ao do baixo-relevo simulado, tornando-o o canal selecionado para o in´ıcio dos procedimentos de extrac¸ ˜ao de suas caracter´ısticas (Figura 9).
A equalizac¸ ˜ao do histograma de n´ıveis de cinza ´e tamb ´em muito utilizada no processamento de imagens aplicado `a agricultura. Suas propriedades de aumento de contraste s ˜ao utilizadas na detecc¸ ˜ao de doenc¸as em folhas de algod ˜ao (WARNE; GANORKAR, 2015), por exemplo. Al ´em do mais, a equalizac¸ ˜ao do histograma de n´ıveis de cinza desempenha um papel importante na padronizac¸ ˜ao das condic¸ ˜oes de iluminac¸ ˜ao de imagens tomadas em diferentes condic¸ ˜oes, como no caso deste trabalho. A contagem de copas de plantas com o aux´ılio de um sistema de c ˆamera m ´ovel a c ´eu aberto ´e um exemplo da aplicac¸ ˜ao desta t ´ecnica de correc¸ ˜ao de iluminac¸ ˜ao (NGUYEN et al., 2015). Sua utilizac¸ ˜ao na melhoria de imagens para segmentac¸ ˜ao ´e muito ampla (RANA; CHOPRA, 2015; XU et al., 2015), e j ´a foi relatada em tentativas de segmentac¸ ˜ao de frutos verdes de laranja (KURTULMUS; LEE; VARDAR, 2011). Com as mesmas finalidades desses casos, o resultado de sua aplicac¸ ˜ao na camada de brilho de uma imagem de uma laranjeira pode ser observado na Figura 10.
Alguns algoritmos de filtragem espacial t ˆem como consequ ˆencia de sua aplicac¸ ˜ao o aumento do ru´ıdo da imagem (GONZALEZ; WOODS, 2000). Por ru´ıdo entende-se
(a) Imagem original (b) Camada V do modelo HSV
(a) Camada V do modelo HSV (b) Equalizac¸ ˜ao do histograma de n´ıveis de cinza
Figura 10. Camada de brilho da imagem no modelo de cores HSV antes e ap ´os a equalizac¸ ˜ao do histograma de n´ıveis de cinza
a presenc¸a de pequenos pixels ou conjuntos de pixels alheios `a caracter´ıstica que a imagem representa em determinada regi ˜ao de interesse. Assim, faz-se necess ´aria aplicac¸ ˜ao de m ´etodos com a finalidade de se eliminar ou ao menos reduzir esse efeito negativo. Uma das principais t ´ecnicas utilizadas para esse fim ´e a filtragem gaussi- ana, tamb ´em conhecida como suavizac¸ ˜ao gaussiana. Sua aplicac¸ ˜ao abranda as altas frequ ˆencias da imagem, diminuindo a quantidade de detalhes e gerando um efeito com aspecto de “borramento”.
A suavizac¸ ˜ao gaussiana ´e largamente utilizada no processamento de imagens, incluindo-se nos casos aplicados `a agricultura. Sua aplicac¸ ˜ao pr ´evia `a utilizac¸ ˜ao do filtro de Laplace ´e uma das mais comuns e ´e utilizada na inspec¸ ˜ao de qualidade e avaliac¸ ˜ao de produtos agr´ıcolas e aliment´ıcios atrav ´es de vis ˜ao computacional, identificando defeitos e ocorr ˆencia de les ˜oes por ataque de pragas ou doenc¸as, por exemplo (NA- RENDRA; HAREESHA, 2011; DUBEY; JALAL, 2014; KALMEGH; DHOPTE, 2015a). O filtro gaussiano tamb ´em faz parte do conjunto de t ´ecnicas utilizado para a determinac¸ ˜ao do grau de maturac¸ ˜ao de bananas por meio de imagens (MUSTAFA et al., 2008). Imagens hiperespectrais tamb ´em s ˜ao tratadas utilizando os filtros passa-baixas gaussi-
anos, para a classificac¸ ˜ao e mapeamento de m ´etodos de cultivo agr´ıcola com o uso de imagens de sat ´elite (RAN et al., 2015). A detecc¸ ˜ao e segmentac¸ ˜ao de frutos de manga tamb ´em faz uso da suavizac¸ ˜ao gaussiana no pr ´e-processamento das imagens (KADIR et al., 2015). Levando em considerac¸ ˜ao a aplicac¸ ˜ao da t ´ecnica nesses casos, a sua utilizac¸ ˜ao neste trabalho ´e equivalentemente preliminar, tendo como finalidade somente a eliminac¸ ˜ao de ru´ıdos excessivos que ir ˜ao prejudicar a an ´alise de textura, com o cuidado de n ˜ao serem removidas as altas frequ ˆencias que ser ˜ao respons ´aveis pela diferenciac¸ ˜ao das folhas (Figura 11).
A pr ´oxima etapa de preparac¸ ˜ao das imagens para a extrac¸ ˜ao das caracter´ısticas ´e a an ´alise de textura. Para essa finalidade foram utilizados os filtros de Laplace e Sobel. A an ´alise de textura consiste basicamente na convoluc¸ ˜ao da imagem por uma m ´ascara espacial que ir ´a destacar as caracter´ısticas desejadas considerando-se a vizinhanc¸a dos pixels. Dessa maneira, um pixel ou conjunto de pixels que t ˆem vizinhos com n´ıveis de cinza similares aos seus, representam uma regi ˜ao de textura mais suave (baixa frequ ˆencia) e pixels com vizinhos que apresentam valores de n´ıveis de cinza muito distintos dos seus representam uma regi ˜ao com texturas mais abruptas (altas
(a) Camada V do modelo HSV (b) Suavizac¸ ˜ao gaussiana
Figura 11. Camada de brilho da imagem no modelo de cores HSV com equalizac¸ ˜ao do histograma de n´ıveis de cinza antes e ap ´os a aplicac¸ ˜ao da suavizac¸ ˜ao gaussiana
frequ ˆencias) (GONZALEZ; WOODS, 2000).
Como pode ser observado na Figura 8, os frutos apresentam uma textura mais branda e regular do que as folhas, o que permitiu a sua segmentac¸ ˜ao atrav ´es da an ´alise de textura. O filtro direcional passa-altas de Sobel foi utilizado na direc¸ ˜ao horizontal para a extrac¸ ˜ao da caracter´ıstica de brilho inerente aos frutos (que apresentam formato aproximadamente esf ´erico), caracterizados por um alto brilho na parte vis´ıvel da semi- esfera superior e um baixo brilho na parte vis´ıvel da semi-esfera inferior, j ´a que a fonte de iluminac¸ ˜ao em condic¸ ˜oes de campo (luz solar) ´e sempre de origem superior `a planta.
O filtro de Sobel ´e um filtro de detecc¸ ˜ao de fronteiras e gradiente de intensi- dade, presente no processamento de imagens digitais para soluc¸ ˜ao de problemas agron ˆomicos. ´E utilizado na avaliac¸ ˜ao da qualidade de mac¸ ˜as por vis ˜ao computacional (SADEGAONKAR; WAGH, 2015), na determinac¸ ˜ao de defici ˆencia de nitrog ˆenio em soja (KALMEGH; DHOPTE, 2015b) e na tentativa de extrac¸ ˜ao de les ˜oes complexas em folhas de milho (KELLY et al., 2015). Tamb ´em ´e utilizado na determinac¸ ˜ao do tamanho e do grau de maturac¸ ˜ao de bananas (MUSTAFA et al., 2008), na detecc¸ ˜ao de fronteiras para inspec¸ ˜ao e avaliac¸ ˜ao de produtos agr´ıcolas (NARENDRA; HAREESHA, 2011) e na segmentac¸ ˜ao de solo, plantas daninhas e cultura em imagens de plantac¸ ˜oes (BURGOS-ARTIZZU et al., 2010; DEEPA; HEMALATHA, 2015). Para a extrac¸ ˜ao das carater´ısticas dos frutos das laranjeiras, considerando sua utilizac¸ ˜ao nesses trabalhos, o filtro de Sobel ´e aplicado duas vezes na imagem e uma combinac¸ ˜ao das aplicac¸ ˜oes ir ´a fazer parte da gerac¸ ˜ao da imagem final de baixo-relevo simulado. ´E poss´ıvel se avaliar o efeito das aplicac¸ ˜oes desse filtro nas Figura 12 e Figura 13.
Na Figura 13 comec¸a a ficar mais evidente o efeito desejado. As partes inferiores dos frutos est ˜ao agora apresentando grandes quantidades de pixels com valores baixos (cores mais pr ´oximas ao preto) e as partes superiores apresentam grande quantidade de pixels com valores altos (cores mais pr ´oximas ao branco). No entanto, algumas regi ˜oes da imagem que n ˜ao representam frutos ainda podem ser confundidas, o que faz necess ´aria a aplicac¸ ˜ao de mais algum procedimento para melhorar a diferenciac¸ ˜ao.
(a) Imagem original (b) Aplicac¸ ˜ao do filtro de Sobel Figura 12. Resultado da primeira aplicac¸ ˜ao do filtro direcional passa-altas de Sobel na
horizontal em imagem de uma laranjeira
(a) Imagem original (b) Aplicac¸ ˜ao do filtro de Sobel Figura 13. Resultado da segunda aplicac¸ ˜ao do filtro direcional passa-altas de Sobel na
horizontal em imagem de uma laranjeira
Um outro m ´etodo de filtragem espacial, conhecido como laplaciano da gaussiana, ´e um bom detector de bordas e, por se tratar de um filtro passa-altas, n ˜ao prejudica a extrac¸ ˜ao das caracter´ısticas dos frutos. O efeito esperado dessa filtragem espacial ´e que as folhas, por possu´ırem formato irregular, tamanhos muito distintos e transic¸ ˜oes de intensidade de brilho mais abruptas, sejam salientadas (representadas por n´ıveis de cinza mais altos, ou seja, cores mais pr ´oximas do branco) enquanto que os frutos
permanec¸am com sua representac¸ ˜ao inalterada. A aplicac¸ ˜ao da suavizac¸ ˜ao gaussiana previamente `a filtragem espacial com a m ´ascara de Laplace ´e imprescind´ıvel pois, por se tratar de um operador de derivada de segunda ordem, ele tende a ser muito sens´ıvel e aumentar consideravelmente o n´ıvel de ru´ıdo na imagem (GONZALEZ; WOODS, 2000).
O laplaciano da gaussiana desempenha um papel especial na detecc¸ ˜ao de fronteiras sendo a base de t ´ecnicas avanc¸adas de detecc¸ ˜ao de caracter´ısticas-chave para reconhecimento de objetos em imagens, como a SIFT (Scale-invariant feature transform) e as SURF (Speed-up robust features), capazes de efetuar tal tarefa in- dependendo da orientac¸ ˜ao, tamanho do objeto ou dist ˆancia c ˆamera-objeto em que a imagem foi tomada. Tais t ´ecnicas s ˜ao utilizadas na agricultura para o reconhecimento de esp ´ecies de plantas, por exemplo (KAZEROUNI; SCHLEMPERZ; KUHNERT, 2015).
´
E tamb ´em apontado como o melhor m ´etodo para a classificac¸ ˜ao de ´areas com base em textura com o uso de imagens de sat ´elite (LEWINSKI; ALEKSANDROWICZ; BANASZ- KIEWICZ, 2015) e no reconhecimento de doenc¸as em plantas com base no padr ˜ao das folhas (VISHNU; RAM, 2015). O efeito do laplaciano da gaussiana com a finalidade de detecc¸ ˜ao de bordas tal qual nos trabalhos citados pode ser observado na imagem de uma laranjeira na Figura 14.
Agora, atentando para as Figura 12, 13 e 14, nota-se que o plano de fundo e o solo n ˜ao receberam nenhum tratamento espec´ıfico para a sua separac¸ ˜ao da copa da planta e dos frutos. Para essa finalidade foi utilizada a limiarizac¸ ˜ao, uma t ´ecnica b ´asica do processamento de imagens digitais. A remoc¸ ˜ao das caracter´ısticas inerentes ao solo ocorre atrav ´es desta t ´ecnica aplicada `a camada H (Hue) do modelo de cores HSV. A escala num ´erica de 0 a 255 representa diferentes matizes, possibilitando a identificac¸ ˜ao do solo pela sua cor, que se aproxima de tons marrom-avermelhados. As caracter´ısticas do c ´eu foram removidas com base nos valores excessivos de brilho que este apresenta nas imagens.
(a) Imagem original (b) Laplaciano da gaussiana
Figura 14. Resultado da aplicac¸ ˜ao do filtro passa-altas laplaciano da gaussiana para a evidenciac¸ ˜ao de folhas e outros elementos alheios aos frutos em imagem de uma laranjeira
as t ´ecnicas de limiarizac¸ ˜ao. ´E relatada sua utilizac¸ ˜ao na segmentac¸ ˜ao de ´arvores em imagens de sat ´elite (OZCAN et al., 2015), na detecc¸ ˜ao de doenc¸as em folhas de algod ˜ao (WARNE; GANORKAR, 2015), na identificac¸ ˜ao e contagem de insetos- praga em culturas (MARTIN et al., 2015), na identificac¸ ˜ao de n ´os e entren ´os para a estimativa de biomassa de milho (POTHULA; IGATHINATHANE; KRONBERG, 2015) e na avaliac¸ ˜ao da qualidade de gr ˜aos de arroz (BIRLA; CHAUHAN, 2015). ´E tamb ´em importante na mensurac¸ ˜ao de altura e largura de partes vegetais como folhas, no caso das folhas de pimenteiras b ´etele (NAYAK; DEY; SHARMA, 2015). Da mesma maneira que nesses trabalho, a limiarizac¸ ˜ao desempenho papel primordial para a segmentac¸ ˜ao e remoc¸ ˜ao das caracter´ısticas do c ´eu, do solo e de outros elementos alheios `a planta nas imagens, e os resultados podem ser verificados nas Figura 15 e 16.
A imagem de baixo-relevo simulado ´e agora constru´ıda como uma combinac¸ ˜ao dessas t ´ecnicas descritas. Como pode ser verificado na Figura 17, os frutos s ˜ao destacados como em uma escultura de baixo-relevo, ou seja, com as partes superiores apresentando um alto valor de brilho (n´ıveis de cinza mais altos) e com as partes inferiores mais escuras, j ´a que a fonte de iluminac¸ ˜ao (luz solar) ´e sempre de origem
(a) Imagem original (b) Limiarizac¸ ˜ao (c ´eu)
Figura 15. Limiarizac¸ ˜ao da imagem de uma laranjeira para a remoc¸ ˜ao das carac- ter´ısticas inerentes ao c ´eu captadas pela imagem digital
(a) Imagem original (b) Limiarizac¸ ˜ao (solo e outros elementos) Figura 16. Limiarizac¸ ˜ao da imagem de uma laranjeira para a remoc¸ ˜ao das carac-
ter´ısticas inerentes ao solo e outros elementos alheios `a planta captados pela imagem digital
superior `a planta. Essa imagem gerada automaticamente possibilita a aplicac¸ ˜ao de t ´ecnicas de reconhecimento e interpretac¸ ˜ao para a contagem do n ´umero de frutos vis´ıveis na planta, caracterizando a primeira etapa para um sistema de estimativa de produc¸ ˜ao automatizado. Os resultados da aplicac¸ ˜ao da t ´ecnica em outras imagens podem ser verificados no Ap ˆendice A.
(a) Imagem original (b) Baixo-relevo simulado
Figura 17. Imagem de baixo-relevo simulado de uma laranjeira, evidenciando os frutos verdes com base em an ´alise de textura e brilho. Nesta imagem ficam destacados os frutos pelo efeito de baixo valor de brilho (cor preta) em suas partes inferiores
4.3 Comparac¸ ˜ao do m ´etodo de contagem autom ´atica com o m ´etodo de conta-