GABRIEL FILLIPE CENTINI CAMPOS RECONHECIMENTO DE MARMOREIO DE CARNE BASEADO EM SEGMENTAÇÃO DE IMAGENS

Transcrição

1 GABRIEL FILLIPE CENTINI CAMPOS RECONHECIMENTO DE MARMOREIO DE CARNE BASEADO EM SEGMENTAÇÃO DE IMAGENS LONDRINA PR 2014

2 GABRIEL FILLIPE CENTINI CAMPOS RECONHECIMENTO DE MARMOREIO DE CARNE BASEADO EM SEGMENTAÇÃO DE IMAGENS Versão Preliminar de Trabalho de Conclusão de Curso apresentado ao curso de Bacharelado em Ciência da Computação da Universidade Estadual de Londrina para obtenção do título de Bacharel em Ciência da Computação. Orientador: Prof. Dr. Sylvio Barbon Júnior LONDRINA PR 2014

3 Gabriel Fillipe Centini Campos Reconhecimento de marmoreio de carne baseado em segmentação de imagens/ Gabriel Fillipe Centini Campos. Londrina PR, p. : il. (algumas color.) ; 30 cm. Orientador: Prof. Dr. Sylvio Barbon Júnior Universidade Estadual de Londrina, Palavra-chave1. 2. Palavra-chave2. I. Orientador. II. Universidade xxx. III. Faculdade de xxx. IV. Título CDU 02:141:005.7

4 GABRIEL FILLIPE CENTINI CAMPOS RECONHECIMENTO DE MARMOREIO DE CARNE BASEADO EM SEGMENTAÇÃO DE IMAGENS Versão Preliminar de Trabalho de Conclusão de Curso apresentado ao curso de Bacharelado em Ciência da Computação da Universidade Estadual de Londrina para obtenção do título de Bacharel em Ciência da Computação. BANCA EXAMINADORA Prof. Dr. Sylvio Barbon Júnior Universidade Estadual de Londrina Orientador Prof. Dr. Segundo Membro da Banca Universidade/Instituição do Segundo Membro da Banca Prof. Msc. Terceiro Membro da Banca Universidade/Instituição do Terceiro Membro da Banca Londrina PR, 24 de novembrode 2014 LONDRINA PR 2014

5 dedicatória

6 Agradecimentos. AGRADECIMENTOS

7 frase de efeito.

8 CAMPOS, G. F. C.. Reconhecimento de marmoreio de carne baseado em segmentação de imagens. 21 p. Trabalho de Conclusão de Curso (Graduação) Versão Preliminar. Bacharelado em Ciência da Computação Universidade Estadual de Londrina, RESUMO resumo. Palavras-chave: segmentação de imagens. qualidade de carne. processamento de imagens.

9 CAMPOS, G. F. C.. Marbling meat recognition based on Image Segmentation. 21 p. Final Project (Undergraduation) Draft Version. Bachelor of Science in Computer Science State University of Londrina, ABSTRACT abstract. Keywords: latex. abntex. text editoration.

10 LISTA DE ILUSTRAÇÕES Figura 1 Uma foto em diferentes espaços de cor Figura 2 Remoção do fundo por threshold baseado em histograma Figura 3 Histograma do canal azul de uma imagem Figura 4 Clusterização pelo algoritmo k-means Figura 5 Ajustes sobre a base de dados Figura 6 Falso positivo gerado por pixels vermelho escuro Figura 7 Remoção de brilho e de pixels vermelho escuro Figura 8 Etapas do método de segmentação

11 LISTA DE TABELAS

12 SUMÁRIO 1 INTRODUÇÃO Objetivos e Contribuições Organização do Trabalho FUNDAMENTAÇÃO TEÓRICA Trabalhos Correlatos Conceitos Segmentação de imagens Espaços de cor Crescimento de região Thresholding Histograma Clusterização DESENVOLVIMENTO Aquisição da Base de Dados Descrição do Método Resultados Referências

13 12 1 INTRODUÇÃO A qualidade da carne pode ser prevista por alguns fatores, dentre eles a cor, textura e o nível de marmoreio [1]. Estas análises são utilizadas em vários países [2] e muitas vezes são feitas visualmente por especialistas humanos, essa abordagem subjetiva pode causar uma falta de precisão, confiabilidade e padronização na avaliação. O desenvolvimento de métodos computacionais que realizem essas análises é importante para laboratórios, pesquisadores e até mesmo consumidores de carne, proporcionando-lhes avaliações mais concretas sobre a qualidade da carne. 1.1 Objetivos e Contribuições O objetivo deste trabalho de conclusão de curso é apresentar um estudo sobre segmentação de marmoreio em imagens de carne, mostrando soluções presentes na literatura e propondo uma nova solução. Com o a abordagem proposta pretende-se solucionar problemas deixados em aberto por outros métodos e adequar o algoritmo à realidade da carne brasileira. É possível também que os problemas resolvidos durante o trabalho contribuam em outras aplicações de segmentação de imagens. 1.2 Organização do Trabalho No capítulo 2 são apresentados os conceitos básicos para a compreensão do trabalho, bem como um levantamento de alguns trabalhos relacionados com a proposta. No capítulo 3 é apresentada a descrição do método desenvolvido, as melhorias propostas em relação ao método de comparação, testes, avaliação e resultados.

14 13 2 FUNDAMENTAÇÃO TEÓRICA 2.1 Trabalhos Correlatos A cor, o marmoreio e a textura são usados em vários países para analisar a qualidade da carne [2]. Existem métodos computacionais que realizam essa análise, porém necessitam de intervenção humana em algumas partes do processo de segmentação do marmoreio e do músculo, como os trabalhos [2] e [3]. A necessidade de intervenção humana no processo de segmentação, além de não garantir um padrão, diminui sua praticidade em uma plataforma móvel, portanto é necessário um método completamente automático que realize essa análise. O trabalho [4] propõe um algoritmo automático adaptado à segmentação do músculo e da gordura presentes na carne, obtendo um resultado significativo se comparado à métodos que utilizam intervenção humana, porém ainda enfrenta alguns problemas de precisão causados principalmente pelo reflexo da luz na carne, além de utilizar várias etapas baseadas em valores empíricos. 2.2 Conceitos O campo do processamento digital de imagens se refere ao processamento de imagens por um computador digital. Uma imagem digital é composta de um número finito de elementos, cada um com localização e valor específicos. Esses elementos são chamados de pixels [5]. Diversas técnicas de processamento de imagens serão combinadas na criação do método de segmentação de imagens proposto neste trabalho. Conceitos e técnicas importantes para o decorrer do trabalho são definidas abaixo Segmentação de imagens A segmentação de uma imagem consiste na identificação e isolamento de uma região de interesse [4], sendo sua automatização uma das tarefas mais difíceis no campo do processamento digital de imagens [6] Espaços de cor Um espaço de cor (ou modelo de cor) é uma especificação de um sistema de coordenadas e um subestação dentro desse sistema no qual cada cor é representada por um único ponto. Seu objetivo é facilitar a especificação das cores em alguma forma padronizada, amplamente aceita. Em termos do processamento digital de imagens, os modelos

15 Capítulo 2. Fundamentação Teórica 14 mais utilizados são o RGB (vermelho, verde e azul), CMY (ciano, magenta e amarelo) e o HSI (matiz, saturação e intensidade). Existem também o HSV (matiz saturação e brilho), e o HSL (matiz, saturação e luminosidade). A principal vantagem do HSI é separar as informações de cor e de escala de cinza da imagem, sendo mais adequado para muitas das técnicas do processamento de imagens em níveis de cinza [5]. Na Figura 1 é apresentada uma imagem em quadro diferentes modelos de cor, sendo eles RGB (a), HSV (b), HSL (c) e HSI (d) respectivamente. Figura 1 Uma foto em diferentes espaços de cor Crescimento de região Crescimento de regiões é um processo interativo de agrupamento de pixels ou regiões com predicados comuns. Regiões homogêneas em relação ao predicado e adjacentes no espaço são agrupadas. O processo de segmentação se inicia a partir de uma semente (pixel ou conjunto de pixels escolhido da região de interesse) e se estende analisando o predicado dos pixels vizinhos. A agregação das regiões é feita quando o critério de similaridade ou de decisão do predicado for verdadeiro [7] Thresholding O thresholding, também conhecido como limiarização é uma técnica utilizada para segmentar imagens em tons de cinza. Consiste em encontrar um valor (limiar) que agrupe os pixels da imagem em dois grupos, os que possuem nível de cinza abaixo do limiar e os

16 Capítulo 2. Fundamentação Teórica 15 que possuem nível de cinza acima do limiar [7]. Na Figura 2 é exemplificada a remoção do fundo (b) de uma imagem no espaço de cor HLS (a) utilizando a técnica de thresholding, baseado na utilização do histograma. Figura 2 Remoção do fundo por threshold baseado em histograma Histograma O histograma (Figura 3) de uma imagem consiste em um gráfico cartesiano no qual o eixo horizontal reflete os valores das tonalidades de cinza que a imagem pode assumir, enquanto o eixo vertical apresenta a freqüência na qual essas tonalidades ocorrem. A limiarização muitas vezes baseia-se na utilização do histograma [7]. Figura 3 Histograma do canal azul de uma imagem

17 Capítulo 2. Fundamentação Teórica Clusterização O agrupamento dinâmico de dados (clusterização) consiste na criação de grupos de amostras com base nas suas características, utilizando alguma função de medida de distância para agrupar dados semelhantes. Além do campo do processamento digital de imagens, os algoritmos de clusterização são usados nas áreas de inteligência artificial, reconhecimento de padrões, mineração de dados, biologia, psicologia e marketing. O k-means é um dos algoritmos mais simples que resolvem o problema de agrupamento dinâmico de dados [8]. Na Figura 4 está exemplificada a clusterização de uma imagem em três centros, sendo (a) a imagem original e (b) a imagem clusterizada. Figura 4 Clusterização pelo algoritmo k-means

18 17 3 DESENVOLVIMENTO 3.1 Aquisição da Base de Dados A aquisição foi realizada durante um experimento do Laboratório... (nome), onde foram abatidos 47 animais. As imagens foram adquiridas utilizando uma câmera Nikon D7000 utilizando apenas iluminação ambiente e configurações automáticas. Foi utilizado um papel cartão azul como fundo, para facilitar a remoção do mesmo. Após a aquisição, todas as imagens foram recortadas e ajustadas manualmente para a resolução 1550x1700, sendo armazenadas nos formatos bmp e png. a Figura 5 mostra uma imagem da base de dados antes (a) e depois (b) dos ajustes. Figura 5 Ajustes sobre a base de dados 3.2 Descrição do Método O método desenvolvido neste trabalho é uma proposta de melhoria ao método apresentado em [4]. O principal problema deixado em aberto pelo autor foi o reflexo da luz na superfície da carne. Outro problema foi encontrado ao testar o método sobre a nossa base de dados: o algoritmo k-means, utilizado em uma das etapas, associou pixels vermelho escuro aos pixels pretos do background, gerando falsos positivos de gordura no final da execução. Na Figura 6 observa-se esse problema, (a) representa a imagem original e (b) a imagem após execução do k-means, que não associou os pixels vermelho escuro ao mesmo cluster do restante da carne. Outras características observadas foram

19 Capítulo 3. Desenvolvimento 18 Figura 6 Falso positivo gerado por pixels vermelho escuro que o método utilizava duas etapas com valores de threshold completamente empíricos (remoção do background e DoubleGreen). O método é dividido em duas grandes partes, sendo a segunda parte dependente de um ajuste populacional do brilho das amostras, para facilitar o encontro de um threshold universal. Essas características tornam o método pouco viável para possíveis futuras aplicações em por exemplo, dispositivos móveis. O valor empírico de threshold para remoção do fundo foi substituído por um valor baseado no histograma da imagem. Esse valor é dado pelo índice da primeira derivada nula ou positiva à direita do máximo global do histograma, ou seja, o fim da descida do pico do histograma, que representa os pixels azuis do fundo da imagem. Por hora, a etapa do DoubleGreen foi removida do algoritmo. Nas próximas etapas do trabalho será estudado a necessassidade ou não de etapas que a substituam. Para remover os pixels vermelho escuro, foi utilizado uma conta simples sobre os valores RGB do pixel. Foi considerado carne e removido da imagem da gordura, cada pixel cujo valor no canal vermelho fossse maior que a soma dos canais azul e verde. Para a remoção do brilho, além de retirar as regiões pequenas como realizado em [4], foi considerado brilho cada pixel onde o valor do canal azul é maior que o valor de pelo menos um dos canais azul ou verde. A Figura 7 mostra a remoção dos pixels vermelho escuro e do brilho por essa etapa do método, sendo (a) a imagem da gordura antes da remoção e (b) a imagem da gordura após a remoção. A sequência completa de etapas do método de segmentacão proposto é apresentada no diagrama da Figura 8.

20 Capítulo 3. Desenvolvimento 19 Figura 7 Remoção de brilho e de pixels vermelho escuro Figura 8 Etapas do método de segmentação 3.3 Resultados Para que a avaliação dos métodos não fosse apenas visual, foi confeccionado um modelo ouro para medir os resultados. Utilizando um software de manipulação de imagens, todas as regiões de gordura de todas as amostras foram marcadas com a supervisão de

21 Capítulo 3. Desenvolvimento 20 um especialista. Com as marcações concluídas, é possível implementar testes automáticos com os resultados dos dois métodos. Os resultados da primeira versão do método proposto apresentaram que o mesmo foi eficiente na remoção do fundo com o novo threshold gerado pelo histograma. Também foi eficiente em identificar pixels vermelho escuro de carne na imagem da gordura. A remoção do brilho através do novo método ocorreu, porém, com o auxilio da retirada da etapa DoubleGreen, gerou um aumento de falsos negativos. A próxima etapa do trabalho consiste em modificar os critérios para indentificação e remoção do brilho, bem como estudar a necessidade uma etapa que substitua o DoubleGreen, diminuindo a presença de falsos negativos.

22 21 REFERÊNCIAS 1 JACKMAN, P. et al. Correlation of consumer assessment of longissimus dorsi beef palatability with image colour, marbling and surface texture features. Meat Science, v. 84, n. 3, p , ISSN Disponível em: < 2 JACKMAN, P. et al. Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homogenous carcass treatment. Pattern Recognition, v. 42, n. 5, p , ISSN Disponível em: < 3 CHEN, K.; QIN, C. Segmentation of beef marbling based on vision threshold. Computers and Electronics in Agriculture, v. 62, n. 2, p , ISSN Disponível em: < S >. 4 JACKMAN, P.; SUN, D.; ALLEN, P. Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm. Meat Science, v. 83, n. 2, p , ISSN Disponível em: < article/pii/s >. 5 GONZALEZ, R. C.; WOODS, R. E. Processamento Digital De Imagens. ADDISON WESLEY BRA, ISBN Disponível em: <http: //books.google.com.br/books?id=r5f0rgaacaaj>. 6 GUNASEKARAN, S. Computer vision technology for food quality assurance. Trends in Food Science & Technology, v. 7, n. 8, p , ISSN Disponível em: < 7 AZEVEDO, E.; CONCI, A. Computação gráfica: teoria e prática. Elsevier, ISBN Disponível em: < Y1mhBAAACAAJ>. 8 VELMURUGAN, T. Performance based analysis between k-means and fuzzy c-means clustering algorithms for connection oriented telecommunication data. Applied Soft Computing, v. 19, n. 0, p , ISSN Disponível em: <