Mlisa: Sistema de Análise de Imagens de Tomografia Computadorizadas do tórax para Android., Teses de Engenharia de Software. Universidade Federal de Alagoas (UFAL)
jBarrosl
jBarrosl

Mlisa: Sistema de Análise de Imagens de Tomografia Computadorizadas do tórax para Android., Teses de Engenharia de Software. Universidade Federal de Alagoas (UFAL)

45 páginas
56Número de visitas
Descrição
Trabalho de conclusão de curso submetida ao corpo docente da Coordenação do Programa de Graduação em Engenharia de Computação da Universidade Federal do Ceará como parte dos requisitos necessários para obtenção do gra...
20 pontos
Pontos de download necessários para baixar
este documento
Baixar o documento
Pré-visualização3 páginas / 45
Esta é apenas uma pré-visualização
3 mostrados em 45 páginas
Baixar o documento
Esta é apenas uma pré-visualização
3 mostrados em 45 páginas
Baixar o documento
Esta é apenas uma pré-visualização
3 mostrados em 45 páginas
Baixar o documento
Esta é apenas uma pré-visualização
3 mostrados em 45 páginas
Baixar o documento

UNIVERSIDADE FEDERAL DO CEARÁ

PROGRAMA DE GRADUAÇÃO EM ENGENHARIA DE COMPUTAÇÃO

Danilo da Nóbrega Silveira

MLISA: SISTEMA DE ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADAS DO TÓRAX PARA

ANDROID.

FORTALEZA – CEARÁ November de 16

Danilo da Nóbrega Silveira

MLISA: SISTEMA DE ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADAS DO TÓRAX PARA

ANDROID.

MONOGRAFIA

Trabalho de conclusão de curso submetida ao corpo docente da Coordenação do Programa de Graduação em Engenharia de Computação da Universidade Federal do Ceará como parte dos requisitos necessários para obtenção do grau bacharel em ENGENHARIA DE COMPUTAÇÃO.

Prof. Ricardo Jardel Nunes da Silveira (Orientador)

Edson Cavalcanti Neto (Co-orientador)

FORTALEZA – CEARÁ 2016

2

DANILO DA NÓBREGA SILVEIRA

MLISA: SISTEMA DE ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADAS DO TÓRAX PARA ANDROID

Trabalho de conclusão de curso, apresentado a Universidade Federal do Ceará, como parte das exigências para a obtenção do título de bacharel em Engenharia de Computação.

Aprovada em: ___ /___/ ___.

BANCA EXAMINADORA

________________________________________ Prof. Ricardo Jardel Nunes Da Silveira

(Orientador) Universidade Federal do Ceará (UFC)

________________________________________ Prof. Jarbas Aryel Nunes Da Silveira

Universidade Federal do Ceará (UFC)

________________________________________ Prof. Paulo Cesar Cortez

Universidade Federal do Ceará (UFC)

Resumo

om o aumento de casos de cânceres no mundo, o grande desafio é o diagnostico

precoce. Constata-se que a etapa de segmentação é essencial para o auxilio do

diagnóstico médico correto e preciso, visto que esta etapa delimita a área a ser

examinada em imagens de Tomografia Computadorizada (TC) que deve ser analisada pelo

sistema ou pelo médico especialista. O presente trabalho, apresenta uma segmentação de

imagens médicas para dispositivos móveis em especial para Tablet para auxiliar os médicos.

Até a conclusão deste trabalho, não foi encontrado nenhum sistema de segmentação de

imagens medicas para dispositivos móveis.

C No contexto este trabalho, descreve-se o desenvolvimento do sistema MLISA para o sistema

operacional Android que visa fazer a segmentação de um exame de TC. Para a segmentação

foi utilizada a técnica de Limiarização onde pode-se destacar o pulmão. Os resultados

obtidos comprovam que o sistema apresenta uma resposta bastante próxima do esperado,

cerca de 98% de acerto, quando comparada com outro sistema existente para PC.

Palavras-chaves: Exames Médicos, Segmentação, Android, MLISA, Dispositivos Móveis, Tomografia Computadorizada, Limiarização

1 Abstract ith the increase in cases of cancer worldwide, the challenge is early diagnosis.

It appears that the segmentation is essential to aid the correct and accurate

medical diagnosis, since this step marks the area to be examined on computed

tomography images (CT) to be analyzed by the system or by the specialist doctor.

W This work presents a segmentation of medical images for especially mobile to tablet to

assist doctors. Until the completion of this work, medical image segmentation system for

mobile devices was not found.

In the context of this work, we describe the development of MLISA system for the

Android operating system that aims to make the segmentation of a CT scan. For segmentation

was used Thresholding technique where we can highlight the lung. The results show that the

system has a very close to the expected response, about 98% accuracy compared with other

available system for PC.

Keywords: Medical Exams, segmentation, Android, MLISA, Mobile Devices, Computed Tomography, Thresholding

Dedico este trabalho a Deus, meus pais Ana Maria e Winston,

aos meus irmãos Denilson e Deisyanne e à minha namorada

Germana, por todo amor, carinho ao longo da minha formação.

Agradecimentos

Agradeço primeiramente aos meus pais, responsáveis diretos por todas as

minhas conquistas, por terem sempre deixado claro a importância do estudo no crescimento

enquanto ser humano e profissional, pelo apoio incondicional e pela compreensão nos

momentos de ausência.

A meus amigos e familiares por me apoiarem e me compreenderem nos

momentos que não pude esta junto a eles.

A Deus por me dá forças, inteligência, saúde e tranquilidade durante todo o meu

curso.

Aos meus colegas e amigos do LESC, por todas as contribuições a esse e a outros

trabalhos, toda a vez que eu tive necessidade.

A minha namorada Germana, por me incentivar, me apoiar e sempre está ao

meu lado quando precisei nos momentos de glorias e de dificuldades, pelo amor e

companheirismo.

Ao professor Ricardo Jardel e ao mestre Edson Cavalcanti, por aceitar ser meu

orientador e fornecer uma significativa contribuição para este trabalho.

“Tente uma, duas, três vezes e se possível tente a quarta, a quinta e quantas vezes for necessário. Só não desista nas primeiras tentativas, a persistência é amiga da conquista. Se você quer chegar a onde a maioria não chega, faça o que a maioria não faz. “ (Bill Gates)

2 Lista de Figuras

3 Lista de Tabelas

4 Lista de Siglas

APK Android Package

CP Câncer de Pulmão

DICOM Comunicação de Imagens Digitais em Medicina (Digital Imaging and

Communications in Medicine)

IDE Integrated Drive Eletronics

IM Imagem Manipulada

IO Imagem Original

IV Imagem de Visualização

LISA Lung Image System Analysis

MLISA Mobile Lung Image System Analysis

PDI Processamento Digital de Imagens

PET tomografia de emissão de pósitrons

RGB Vermelho Verde Azul (Red-Green-Blue)

SDK Software Development Kit

SO sistema Operacional

TC Tomografias Computadorizada

TCAR Tomografia computadorizada de alta resolução

UH Unidades Hounsfield

USB Universal Serial Bus.

Sumário 1Abstract ...........................................................................................................................5

2Lista de Figuras..................................................................................................................9

3Lista de Tabelas...............................................................................................................10

4Lista de Siglas..................................................................................................................11

5Introdução......................................................................................................................13 5.1 Objetivos...............................................................................................................................15 5.2 Organização deste Trabalho..................................................................................................16

6 .......................................................................................................................................17 6.1Imagens Médicas....................................................................................................................17 6.2Processamento de Imagens Digitais.......................................................................................19

1.1.1Segmentação.......................................................................................................................21 6.3Sistemas Embarcados ............................................................................................................24

1.1.2Sistema Operacional............................................................................................................25

7 .......................................................................................................................................26 7.1Arquitetura proposta..............................................................................................................26 7.2Ferramentas Utilizadas...........................................................................................................27

2.1.1Software...............................................................................................................................27 2.1.2Hardware.............................................................................................................................29

7.3Descrição do Software............................................................................................................29 2.1.3Aquisição de Imagens..........................................................................................................30 2.1.4Ordenação...........................................................................................................................30 2.1.5Pré-processamento..............................................................................................................31 2.1.6Segmentação.......................................................................................................................31

8.1Software ................................................................................................................................34 8.2Comparação de Resultados ...................................................................................................38

10Conclusões e Trabalhos Futuros.....................................................................................42 10.1Conclusões............................................................................................................................42 10.2Trabalhos futuros.................................................................................................................42

11Referências Bibliográficas..............................................................................................44

Capítulo 1 5Introdução

É de fundamental importância para a saúde pública realizar diagnósticos

precoces e mais precisos com o objetivo de detectar os estágios reais do câncer, em

particular os pulmonares.

O câncer de pulmão é o tumor mais comum, apresentando um aumento de 2%

por ano, ou seja, todo ano aumenta o número de casos neste percentual, com uma maior

incidência em pessoas com mais de 60 anos. (INCA, 2013)

O câncer é a segunda principal causa de morte, estando atrás apenas das

doenças cardiovasculares. O número de casos de mortes pelo câncer de pulmão no mundo

em 2013 foi de 1.639.645 casos, sendo destes 1.154.629 em homens e 485.017 em

mulheres. (Tillmann & Jonas, 2015)

Devido à dificuldade de diagnóstico precoce, pelo menos dois terços dos

pacientes já estão com a doença avançada no momento do diagnóstico, seja local ou

disseminada para outros órgãos.

No Brasil, dados apontam que o câncer de pulmão (CP) é o que mais mata entre

homens e mulheres no ano de 2013. A taxa de mortalidade por CP entre os homens era de

16,12 mortes/100 mil e entre as mulheres de 8,6 mortes/100 mil (INCA, 2013).

Pacientes detectados com tumor no estagio 1 são considerados curados em 92%

dos casos (IELCAP, 2015). O CP é o responsável por 12,3% de todos os novos casos de câncer

no mundo. No contexto, é de fundamental importância para a saúde pública determinar de

forma precoce diagnósticos mais precisos para detectar em que estado se encontram as

doenças pulmonares.

De acordo com o estágio e com o tipo, o CP pode ser tratado com cirurgia, sendo

estas: quimioterapia, radioterapia ou pela combinação destas técnicas de tratamento. Nos

casos de pacientes com CP de células não-pequenas e restrito apenas ao pulmão, a melhor

13

forma de representar o controle da doença é a cirurgia, onde somente em 20% dos casos

diagnosticados são passiveis deste tratamento. Existem três tipos fundamentais de cirurgia,

que são Ressecção em cunha ou segmentectomia, Lobectomia e Pneumectomia.

(A.C.Camargo Cancer Center, 2015)

A forma cirúrgica mais empregada para tratamento de CP é a Lobectomia. Hoje,

admite-se o uso de cirurgias menores (segmentectomia) para a ressecção de pequenos

tumores de tamanhos menores que 2 cm e restrito ao pulmão. (A.C.Camargo Cancer Center,

2015)

Com isto, para planejar e realizar a cirurgia são utilizadas imagens de

Tomografias Computadorizada (TC). O exame de TC consiste em um método de

representação de imagens no sentido axial, sagital ou coronal em que o valor de cada pixel

da imagem corresponde ao coeficiente de atenuação dos raios X, expresso em Unidades

Hounsfield (UH), incidente no tecido do órgão desejado. Por gerar imagens no sentido

transversal, a TC realiza a amostragem, por exemplo do tecido pulmonar, em seções (fatias)

com espessura de 0,2 a 1,5 mm e a densidade pulmonar nos exames de TC pode variar em

média de -1000 a +200 UH (MADANI, KEYZER, & GEVENOIS, 2001).

Considerando um sistema de Visão Computacional na área de pneumologia com

base em Tomografia Computadorizada (TC) do tórax, constata-se que a etapa de

segmentação é essencial para o auxilio do diagnóstico médico correto e preciso, visto que

esta etapa delimita a área das imagens de TC que deve ser analisada pelo sistema ou pelo

médico especialista.

No mercado atual, existe um software desenvolvido pela Universidade Federal

do Ceará que realiza a segmentação de imagens de TC, o Lung Image System Analysis (LISA).

O LISA é sistema de visão computacional destinado a manipulação e extração de

dados quantitativos de imagens de TC do tórax. Através das técnicas de processamento

digital de imagens disponíveis no LISA, é possível realizar a segmentação automática dos

pulmões em uma série de imagens médicas no formato DICOM. (Valente, et al., 2013)

Atualmente, este processamento de imagens é feito por computadores. Com o

avanço da tecnologia e com o crescente uso dos dispositivos moveis, abre-se uma área de

estudo neste ramo para processamento de imagens nestes dispositivos.

Os dispositivos móveis dominam o mundo tecnológico e a cada dia inovam com

hardwares mais potentes e aplicativos mais uteis. Os usuários estão adequando suas rotinas

14

em prol da praticidade oferecida por esses dispositivos.

A população brasileira é de 204 milhões onde, destes, 54% são usuários da

internet. No entanto o relatório nos mostra que existe mais celular do que pessoas no país

276 milhões. E ainda há uma tendência de estes números ainda subirem, pois de janeiro de

2014 ao mesmo período de 2015 ouve um crescimento de 15% no número de usuários de

dispositivos móveis. Os dados foram divulgados em 2015 um relatório Digital, Social e

Mobile, que mostra as estatísticas de 2014 do uso da internet no Brasil. (Social, 2014)

Hoje, os dispositivos móveis possuem como base importante o seu sistema

Operacional (SO), tendo como os principais o Android, o iOS e o Windows Phone. O SO

Android domina o mercado mundial estando em 82,8% dos dispositivos em 2015.

(International Data Corporation - IDC, 2015)

No Brasil, 90% dos dispositivos moveis vendidos possuem o SO Android. O baixo

custo de um aparelho com este sistema o torna o preferido entre os brasileiros. (JANA,

EMARKETER, & INTERMODAL, 2015)

Desta forma, este trabalho utiliza como foco o SO Android devido ser o mais

utilizado no mundo e sua praticidade. Este SO é desenvolvido pela Google, sendo baseado

em Linux e de código aberto. Tem como principal linguagem de desenvolvimento de

aplicativos o JAVA com Android SDK.

5.1 Objetivos O trabalho em questão visa realizar a implementação de um aplicativo de segmentação de

tomografia computadorizada para dispositivos Android aumentando assim a mobilidade para

o médico melhorando a usabilidade.

Durante o desenvolvimento deste trabalho outros objetivos específicos devem ser

alcançados:

i. Criar de uma base de dados com imagens para testar o aplicativo;

ii. Abrir imagens do formato DICOM (Digital Imaging and Communications in

Medicine ou Comunicação de Imagens Digitais em Medicina) em um dispositivo

móvel;

iii. Realçar imagens para a sua manipulação; e

iv. Segmentar uma parte do exame;

15

5.2 Organização deste Trabalho Este trabalho esta dividido em capítulos. No Capitulo 2 é realizado uma breve

revisão sobre os principais conceitos utilizados no decorrer do desenvolvimento deste

trabalho. Inicialmente este capitulo fala sobre Imagens Médicas e suas características,

depois é apresentado uma visão geral sobre Processamento de Imagens, e por fim é

realizado uma revisão sobre dispositivos móveis.

No Capítulo 3 é explanada a metodologia de desenvolvimento do projeto. É

realizada uma breve apresentação da arquitetura proposta para o projeto e posteriormente

são apresentadas as ferramentas utilizadas. Por fim é apresentado a metodologia utilizada

para a segmentação das imagens médicas.

No Capítulo 4 é apresentado os resultados obtidos com o trabalho e é realizado

uma análise desses resultados.

Por fim, no Capítulo 5, é apresentado uma conclusão sobre o trabalho e

previsões de trabalhos futuros.

16

Capítulo 2 6

1 Fundamentação teórica Nesta sessão será realizado a fundamentação teórica para a construção do referido

trabalho, explicando as características das imagens medicas em particular as imagens

adquiridas por tomografia computacional do tórax, processamento digital de imagem,

linguagem de programação JAVA.

6.1 Imagens Médicas A imageologia médica possui como objetivo a avaliação médica de tecidos e

funções do corpo humano, normais ou não (causados por doenças ou acidentes), obtidas por

meio de imagens. Estas imagens médicas, de um órgão ou parte específica do corpo, são

adquiridas por meio de exames clínicos. Esses exames também são realizados para obter

informações sobre estudos anatômicos e estruturas funcionais com o objetivo de pesquisa,

realizando uma comparação entre um paciente sadio e outro um com alguma patologia.

Imagem médica é um processo de coleta de informações sobre uma estrutura

fisiológica específica – um órgão ou tecido – usando propriedades e características

predefinidas que são representados em forma de uma imagem. Por exemplo, raio-X, TC ou

mamografia, a densidade do tecido é a propriedade característica que é representada na

forma de imagem, com o objetivo de ilustrar a estrutura anatômica. A informação sobre a

densidade do tecido da estrutura anatômica é obtida medindo a atenuação da energia do

raio-X quando ele é transmitido através do corpo. O processo básico de formação da

imagem requer uma fonte e receptor de energia para obter informações sobre o objeto que

é mostrado na forma de imagem (DHAWAN, HUANG, & KIM, 2008).

A TC é uma maneira de usar raios-X para obter fotos ou imagens em fatias finas

através da parte do corpo que o médico está analisando.

Quando o tomógrafo de TC foi inventado, eles obtiveram uma fatia por vez e era

bastante lento se comparado com as maquinas de hoje. A maioria dos tomógrafos modernos

17

obtêm mais de uma fatia por vez. Podendo variar de 4 a 320 fatias e até 640 fatias para as

maquinas mais recentes. Isto é referido como “multi-fatias” ou “multi-detector”. (McKenzie

& Goergen, 2015)

A tomografia de emissão de pósitrons (PET) é um exame diagnóstico que serve

para o seu médico obter informações sobre as atividades metabólicas do seu organismo.

Essas imagens são registradas em um padrão que é denominado DICOM (Cho, Jones, &

Singh, 1993). O padrão DICOM, Digital Imaging and Communications in Medicine, teve sua

primeira publicação em 1993 e revolucionou a pratica da radiologia, permitindo a

substituição do filme de raio-X por um fluxo de trabalho totalmente digital, no qual são

fornecidas todas as ferramentas necessárias para o diagnostico preciso e processamento de

dados de imagens médicas.

A imagem digital resultante da TC é apresentada em forma de uma uma matriz

bidimensional em que cada elemento desta matriz, o pixel, possui um valor numérico,

expresso em unidades Hounsfield (UH). Este numero TC está ligado ao coeficiente linear

médio de atenuação do elemento do objeto, o voxel, que ele representa.

O coeficiente de atenuação é definido por

(1)

onde é o coeficiente linear de atenuação médio, de um voxel, de um tecido do corpo e o é

o coeficiente linear de atenuação da água.

A imagem de TC normalmente é obtida em escala de 16 bits, mas na prática os

valores obtidos estão entre -3000 a 1000UH. Para os pulmões, as suas estruturas se

encontram na faixa de -1000 a 100UH (SLUIMER, PROKOP, & GINNEKEN, 2005)

Para os pulmões a faixa do voxel pode ser apresentado da seguinte forma, para

imagens de ate 2 milímetros de espessura, também chamado de Tomografia

computadorizada de alta resolução (TCAR), segundo Gevenois e Yernault (1995):

 2000 a -100 UH em áreas não aeradas;

 -100 a -500 UH em áreas pouco aeradas;

 -500 a -950 UH em áreas geralmente aeradas; e

 -950 a -1100 UH em áreas hiperaeradas

E para imagens com mais de 6 milímetros de espessura tem-se:

 -500 a -900 UH em áreas geralmente aeradas;

18

 -900 a -1000 UH em áreas hiperaeradas; e

 Para as outras regiões os valores se mantem

É ilustrado na Figura 1 (b) a representação das faixas de densidades da Figura 1 (a) na forma

de cores, em que o verde representa as regiões hiperaeradas, a azul as normalmente aeradas,

as amarelas as pouco aeradas e as não aeradas as vermelhas.

Figura 1: Imagem de TC onde (a) imagem original e (b) representação pelas faixas de densidade

6.2 Processamento de Imagens Digitais Os passos fundamentais para processamento digital de imagens (PDI) são

divididos em seis etapas: aquisição das imagens, pré-processamento, segmentação, extração

de atributos, identificação e relatórios/ banco de dados.

A aquisição de imagens é o primeiro processo que consiste na obtenção da

imagem, já o pré-processamento consiste em realçar a imagem e retirar falhas e

imperfeições. A segmentação é responsável por selecionar partes da imagem, objetos de

interesse (Gonzalez, Woods, & Richard E., 2009). Em seguida, a região de interesse é usada

para obtenção de atributos, que serão utilizados para reconhecimento através de um

sistema de classificação. Por ultimo, com as análises e informações adquiridas é gerado um

relatório ou são armazenados para futuros estudos. Na figura 2, podemos observar as etapas

de um sistema típico de Visão Computacional.

19

Figura 2: Etapas de um sistema típico de Visão Computacional

A imagem digital podem ser representada como uma matriz de pixels M x N, em

que o valor da intensidade ou nível de cinza de cada pixel pode ser obtida pela função

bidimensional f(x,y), no qual os valores de x e y representam a posição do ponto no plano

cartesiano, no qual o x e y assumem o valor máximo respectivamente de M e N. (Gonzalez,

Woods, & Richard E., 2009)

Imagens digitais se dividem em quatro tipos: imagens binárias, imagem em tons

de cinza, imagem em RGB (Red-Green-Blue) e imagem indexada.

Imagem binária é uma imagem simples em preto e branco (Figura 3 (a)). Uma

imagem em tons de cinza cada pixel possui um valor de cinza que varia, se for de oito bits, de

0 (preto) a 255 (branco) (Figura 3 (b)). Já na imagem em RGB cada pixel recebe um valor de

cor, que é obtida a partir da intensidade do vermelho, verde e azul com um armazenamento

de vinte e quatro bits como observado na Figura 3 (c). Por fim a imagem indexada cada pixel

possui um valor de um índice de cor em um mapa de cores como ilustrado na Figura 3 (d).

20

Figura 3:Exemplo de quatro tipos de imagens, a)imagem binária, b)imagem em tons de cinza, c) imagem em RGB, d)imagem indexada.

1.1.1 Segmentação

Este processo consiste em dividir a imagem em regiões de interesse com

objetivos especifico. Entende-se por região um conjunto de pixels adjacentes que

apresentam uniformidade com base em alguma propriedade.

O processo de segmentação se destaca como etapa fundamental na obtenção de

informações qualitativas e quantitativas de tais regiões. Os algoritmos tradicionais de

segmentação baseiam-se em dois princípios: descontinuidade, que detecta a mudança

21

abruptas de tons de cinza, e o da similaridade, que realiza o agregamento de pixels que

guardam semelhanças com os vizinhos. (Gonzalez, Woods, & Richard E., 2009)

1.1.1.1 Segmentação por Descontinuidade Os objetos que podem ser localizados por técnicas baseada em descontinuidades

são de três tipos: pontos, linhas e bordas. Tais técnicas são definidas por uma operação

orientada à vizinhança. As lógicas aritméticas orientadas a vizinhança utilizam o conceito de

convolução com máscaras. (Neves & Pelaes, 2001)

Dentre as formas de detectar as bordas de objetos em imagens, destaca-se a

utilização de operadores gradiente, podendo-se citar os operadores de Roberts, Prewitt e

Sobel. Uma pratica comum é aproximar o gradiente do valor absoluto:

(2)

Para uma imagem digital f(x,y), o módulo do gradiente pode ser aproximado por

operadores 3x3 ou mascaras de convolução. Na Tabela 1 é ilustrado exemplos das máscaras

usando os operadores citados.

Operador Vertical ( Horizontal ( Roberts Prewitt

Sobel Tabela 1: Operadores 3x3 utilizados para estumar a amplitude do gradiente através da borda.

É possível observar na Figura 4 a segmentação de imagem por descontinuidade

usando o operador Prewitt.

Figura 4: a)Imagem Original, b) Imagem segmentada por Prewitt

1.1.1.2 Segmentação por Similaridade

22

As técnicas de segmentação por similaridade baseiam-se em extração de objetos

com características próximo de um valor pré-definido ou uma propriedade. Neste método se

destacam as técnicas de Limiarização e Crescimento de Região.

 Limiarização

A operação de Limiarização pode ser descrita como uma técnica de

processamento de imagens na qual recebe como entrada uma imagem f(x,y), que possuem

N níveis de cinza e produz uma imagem g(x,y) na saída chamada imagem limiarizada, cujo os

níveis de cinza são menores que N. A limiarização é dada por g(x,y) que apresenta 2 níveis de

cinza, sendo:

(3)

em que os pixels que receberam o valor de 1 correspondem aos objetos e os que receberam

0 correspondem ao fundo e são os valores do nível de cinza escolhido para serem o limiar.

Podemos observar na Figura 5a uma imagem original e na Figura 5b o resultado da

limiarização.

(a) (b) Figura 5: Na esquerda apresenta a imagem original e na direita a imagem aplicado o Limiar de 30

 Crescimento de regiões

O crescimento de região consiste em um procedimento de agrupamento de

pixels ou sub-regiões em regiões maiores com base em critérios predefinidos de

crescimento. A abordagem básica é iniciar através de uma região denominada de semente e

a partir da mesma identificar os vizinhos e analisar os critérios para realizar o crescimento da

região. (Gonzalez, Woods, & Richard E., 2009)

Tendo R como uma região de Npixels vizinhos de um pixel com tom de cinza y.

Define-se a média da região e a dispersão .

(4)

e

23

(5)

Um pixel é agregado à região se o critério dado pela equação 6 for satisfeito, em

que Z é o pixel a ser testado. Um valor muito alto de T indica que o pixel representado por Z

não deve ser associado à região R.

(6)

6.3 Sistemas Embarcados

Um sistema embarcado é um sistema no qual a CPU é completamente dedicada

ao sistema que controla. Realiza um conjunto de tarefas pré-definidas, geralmente com

requisitos específicos, e por ser dedicada pode-se otimizar o projeto reduzindo tamanho,

recursos computacionais e custo do produto. Sistemas embarcados são desenvolvidos para

uma tarefa específica (Barros, 2010).

Sistema embarcado controla muitos dos dispositivos comuns do dia a dia. Vem

se tornando onipresentes no mundo de hoje e pode ser encontrado em um simples cartão

de credito e debito até em um sofisticado controle de orientação de um míssil de um

cruzeiro (Paul, 2010).

Processadores embarcados estão divididos em duas categorias:

microcontroladores e microprocessadores.

Atualmente existem diversas aplicações em áreas diferentes que usam sistemas

embarcados, a seguir alguns exemplos:

 Em automóveis no sistema de ignição e sistema de freios;

 Vídeo games, telefones celulares, televisões e outros;

 Roteadores, Hubs; e

 Impressoras, scanners, faz;

Sistemas embarcados operam forçadamente com recursos de memória e

processamentos limitados e necessitam prover serviços em curto espaço de tempo, são

esses confinamentos de memória, velocidade e tempo que ditam a escolha do SO de tempo

real mais indicado para tal aplicação (Barros, 2010).

Sistemas embarcados possuem sistemas operacionais previstos para

funcionarem em maquinas pequenas, possuem uma autonomia reduzida. Logo, uma

24

característica essencial desses sistemas é a sua gestão avançada de energia e sua capacidade

de funcionarem com recursos limitados.

1.1.2 Sistema Operacional

A plataforma Android é um SO baseado em Java que é executado no kernel 2.6

do Linux. Os aplicativos no Android são desenvolvidos utilizando a linguagem Java e podem

ser facilmente portados. Android também inclui aceleração 3D em motor gráfico (baseado

no suporte de hardware) (Pacheco Junior & Castro, 2012).

 Framework de Aplicações

A arquitetura deste framework foi desenvolvida para simplificar a reutilização

dos componentes. Desta forma qualquer desenvolvedor pode construir um aplicativo e

disponibilizar suas “capacidades”, permitindo que elas sejam utilizadas por outros

programas (Pacheco Junior & Castro, 2012).

O sistema inclui um conjunto de bibliotecas usadas por diversos componentes do

Android, que podem ser de mídia, para trabalhar com arquivos de áudio e vídeo, gráficas,

para a exibição de conteúdo tanto 2D como 3D, de banco de dados, para acesso e suporte

ao banco de dados relacional SQLite, para visão computacional tem a Opencv.

Cada aplicação do Android roda em seu próprio processo e cada processo é uma

instância da máquina virtual Dalvik, criada para que o dispositivo possa rodar múltiplas

máquinas virtuais eficientemente. Os arquivos são executados no formato Dalvik Executable

(.dex) e são otimizados para consumo de memória mínimo. Os arquivos são criados por um

compilador Java, que converte o resultado no formato .dex (Pacheco Junior & Castro, 2012).

25

Até o momento nenhum comentário
Esta é apenas uma pré-visualização
3 mostrados em 45 páginas
Baixar o documento