SAULO MARTIELLO MASTELINI

MÉTODO AUTOMATIZADO PARA DETERMINAÇÃO DECOR EM CARNE DE FRANGO E NORMALIZAÇÃO DE

EFEITOS DE LUMINOSIDADE

LONDRINAŰPR

2016

SAULO MARTIELLO MASTELINI

MÉTODO AUTOMATIZADO PARA DETERMINAÇÃO DECOR EM CARNE DE FRANGO E NORMALIZAÇÃO DE

EFEITOS DE LUMINOSIDADE

Trabalho de Conclusão de Curso apresentadoao curso de Bacharelado em Ciência da Com-putação da Universidade Estadual de Lon-drina para obtenção do título de Bacharel emCiência da Computação.

Orientador: Prof. Dr. Sylvio Barbon Júnior

LONDRINAŰPR

2016

Saulo Martiello MasteliniMétodo Automatizado para Determinação de Cor em Carne de Frango e Nor-

malização de Efeitos de Luminosidade/ Saulo Martiello Mastelini. Ű LondrinaŰPR,2016-

73 p. : il. (algumas color.) ; 30 cm.

Orientador: Prof. Dr. Sylvio Barbon Júnior

Ű Universidade Estadual de Londrina, 2016.

1. Visão Computacional. 2. Cor. I. Sylvio Barbon Júnior. II. UniversidadeEstadual de Londrina. III. Faculdade de Ciência da Computação. IV. MétodoAutomatizado para Determinação de Cor em Carne de Frango e Normalização deEfeitos de Luminosidade

CDU 02:141:005.7

SAULO MARTIELLO MASTELINI

MÉTODO AUTOMATIZADO PARA DETERMINAÇÃO DECOR EM CARNE DE FRANGO E NORMALIZAÇÃO DE

EFEITOS DE LUMINOSIDADE

Trabalho de Conclusão de Curso apresentadoao curso de Bacharelado em Ciência da Com-putação da Universidade Estadual de Lon-drina para obtenção do título de Bacharel emCiência da Computação.

BANCA EXAMINADORA

Prof. Dr. Sylvio Barbon JúniorUniversidade Estadual de Londrina

Orientador

Prof. Dr. Alan Salvany FelintoUniversidade Estadual de Londrina

Prof. Ms. Ana Paula Ayub da Costa BarbonUniversidade Estadual de Londrina

LondrinaŰPR, 26 de Fevereiro de 2016

Dedico este trabalho à minha família, que

sempre foi o meu suporte e alicerce nesses

anos de desafios, aprendizado e superação.

AGRADECIMENTOS

Gostaria de agradecer primeiramente a Deus, por sempre me guiar e proteger, me

permitindo alcançar minhas conquistas e, além disso, tendo colocado em minha vida as

pessoas que me são tão importantes.

Agora, em âmbito terreno, queria agradecer a toda a minha família por ser meu

alicerce, base e norte. Meu pai, Antonio Edson Mastelini, por sempre me apoiar e me

incentivar a aceitar e encarar minhas fraquezas e medos quando foi preciso. Minha mãe,

Vera Lucia Martiello Mastelini, por ser sempre meu porto seguro e fonte interminável de

conselhos quando precisei (não foram poucas as vezes). Minha irmã, Ana Paula Martiello

Mastelini, que tendo um temperamento tão diferente (e igual) ao meu, sempre esteve ao

meu lado, mostrando que mesmo com idade inferior à minha, é uma pessoa madura e

conselheira. Minha avó, Geni Luzia Vacario Martiello, que nesses quatro anos de lutas

vivendo em Londrina, foi como uma mãe em minha vida, estando sempre presente e me

apoiando.

Gostaria de agradecer o meu orientador Sylvio Barbon Jr. pelo empenho, paciência,

apoio e orientações no projeto de iniciação cientíĄca, estágio e neste trabalho, que aqui

apresento. E também a todos os professores que me instruíram e Ązeram parte da minha

graduação.

Queria dedicar um agradecimento especial aos amigos que me acompanharam du-

rante a minha formação, em especial aos que nestes últimos anos estiveram mais próximos:

Gustavo (Japa), Kenji, Ricardo, Hugo, Kátia, Jonas e a família Shoulders (Minoro, Kido e

Vellone) que me acolheu e esteve comigo em muitos trabalhos e momentos descontraídos

durante esses anos.

Por Ąm, gostaria de agradecer a minha namorada Rafaela Matavelli de Araujo,

que chegou aos Ştrinta e nove do segundo tempoŤ (não chega a ser quarenta e cinco...),

mas mostrou seu apoio, companheirismo e carinho em momentos desaĄadores e difíceis

que encontrei no Ąm da graduação.

“Daria tudo que sei pela metade do que ignoro.”

(René Descartes)

MASTELINI, S. M.. Método Automatizado para Determinação de Cor em Carne

de Frango e Normalização de Efeitos de Luminosidade. 73 p. Trabalho de Con-

clusão de Curso (Bacharelado em Ciência da Computação) Ű Universidade Estadual de

Londrina, LondrinaŰPR, 2016.

RESUMO

A cor é um dos principais atributos percebido nos alimentos pelo consumidor, servindocomo parâmetro de qualidade. Na carne de frango, a cor está relacionada a aspectosrelacionados ao bem-estar animal e outros parâmetros de qualidade (como pH, capacidadede retenção de água, entre outros) e às condições de manejo pré-abate. A abordagemtradicional para avaliação de cor em frango, através do uso do colorímetro, é subjetivae suscetiva a inĆuências de fadiga, iluminação do ambiente e abordagens errôneas deamostragem. A Visão Computacional é uma alternativa para a resolução desses problemas.Este trabalho apresenta o desenvolvimento de um framework para a mensuração de cor emcarne de frango utilizando técnicas de processamento de imagens, Visão Computacionale uma abordagem para normalização de efeitos de iluminação. Um total de 52 amostrasforam utilizadas nos experimentos. A abordagem desenvolvida se mostrou por meio dosresultados obtidos, uma alternativa viável ao uso da abordagem tradicional através docolorímetro, representando as cores medidas no espaço de cor L*a*b*. O Frameworkalcançou um resultado geral de Δ� = 5.2, um valor adequado para aplicações comerciais.Além disso, o CoeĄciente de Determinação (�2) entre a colorímetro e o Framework foi de0.99 para L*, 0.74 para a* e 0.88 para b*. Em detrimento do menor valor de coeĄcientede determinação, o canal a* obteve menor diferença de cores entre o colorímetro e aabordagem proposta.

Palavras-chave: Visão Computacional. Colorímetro. Normalização de Luminosidade.

Qualidade de Alimentos. Carne de Frango.

MASTELINI, S. M.. Automated Method for Poultry Meat Color Determination

and Normalization of Luminosity Efects. 73 p. Final Project (Bachelor of Science

in Computer Science) Ű State University of Londrina, LondrinaŰPR, 2016.

ABSTRACT

Color is one of the main attributes perceived on food by consumer, serving as a qualityparameter. On poultry meat, the color is related to animal welfare aspects, other qualityparameters (like pH, water holding capacity, etc.) and the conditions at the slaughtertime. The tradicional approach for poultry meat color evaluation, through the colorime-ter, is subjetive, susceptible to inĆuences from the environment and erroneous samplingcriterea. Computer Vision is an alternative approach for solving the presented colorime-ter problems. This paper presents the development of a framework for poultry meat colormeasurement, using techniques of image processing, computer vision, and an approach fornormalization of illumination efects. A total of 52 samples were used in experiments. Thedeveloped Framework, through the obtained results, proved to be a viable alternative tothe use of the tradicional approach with colorimeter, representing the measured color inL*a*b* color space. The Framework reaches a general result of Δ� = 5.2, an adequatedvalue for comercials applications. Furthermore, the Determination Coeicient (�2) be-tween colorimeter and Framework was 0.99 for L*, 0.74 for a*, and 0.88 for b* channel.Despite the smaller determination coeicient, the a* channel obtained the smallest colordiference between colorimeter and the proposed approach.

Keywords: Computer Vision. Colorimeter. Luminosity Normalization. Food Quality.

Poultry Meat.

LISTA DE ILUSTRAÇÕES

Figura 1 Ű Representação da vizinhança de 4 pixels [Fonte: autor] . . . . . . . . . 28

Figura 2 Ű Representação da vizinhança de 8 pixels [Fonte: autor] . . . . . . . . . 28

Figura 3 Ű Representação de alguns espaços de cor orientados à Hardware . . . . . 33

Figura 4 Ű Representação de dois espaços de cor orientados à Percepção Humana . 34

Figura 5 Ű Representação do espaço de cor L*a*b* . . . . . . . . . . . . . . . . . . 35

Figura 6 Ű Cubo RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

Figura 7 Ű Exemplo de Imagem obtida nos experimentos . . . . . . . . . . . . . . 44

Figura 8 Ű Visão geral da metodologia desenvolvida [Fonte: autor] . . . . . . . . . 45

Figura 9 Ű Imagem da Amostra após a aplicação de Blur . . . . . . . . . . . . . . 46

Figura 10 Ű Imagem da Amostra após inversão de cores . . . . . . . . . . . . . . . 47

Figura 11 Ű Canal V (HSV) da imagem borrada e invertida . . . . . . . . . . . . . 47

Figura 12 Ű Comparação entre a imagem original e após Normalização de Lumino-

sidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

Figura 13 Ű Resultados em imagens de cada etapa principal do Framework . . . . . 54

Figura 14 Ű Visão geral da metodologia de avaliação utilizada [Fonte: autor] . . . . 56

Figura 15 Ű Diferenças de Cor Normalizadas entre o colorímetro e o Framework . . 57

Figura 16 Ű Comparação entre o tamanho das regiões analisadas e as diferenças de

cor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Figura 17 Ű Imagem 48 com a maior diferença para o canal a* . . . . . . . . . . . . 60

Figura 18 Ű Imagem 38, composta pela Região 1 (segmento superior), 2 (segmento

central) e 3 (segmento inferior), com a maior diferença no canal b* . . 61

Figura 19 Ű Imagem 52, composta pela Região 1 (segmento da esquerda), 2 (seg-

mento do meio) e 3 (segmento da direita), com a menor diferença no

canal b* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Figura 20 Ű Regiões do músculo e estratégias de amostragem . . . . . . . . . . . . . 63

LISTA DE ALGORITMOS

4.1 Aplicação de Ąltro de borramento Gaussiano . . . . . . . . . . . . . . . . . 45

4.2 Extração do canal de brilho do espaço HSV . . . . . . . . . . . . . . . . . 47

4.3 Aplicação da operação de Overlay de camadas na imagem original . . . . . 48

4.4 Primeira etapa da segmentação da carne . . . . . . . . . . . . . . . . . . . 50

4.5 Segunda etapa da segmentação da carne . . . . . . . . . . . . . . . . . . . 51

4.6 Segmentação dos Marcadores Remid . . . . . . . . . . . . . . . . . . . . . 52

4.7 Determinação dos coeĄcientes de calibração de cor . . . . . . . . . . . . . . 52

4.8 Aplicação dos coeĄcientes de calibração de cor . . . . . . . . . . . . . . . . 53

LISTA DE ABREVIATURAS E SIGLAS

CV Computer Vision

CVS Computer Vision System

DFD Dark, Firm, Dry

HSV Hue, Saturation, Value

LANA Laboratório de Análise de Alimentos

PSE Pale, Soft, Exudative

Remid Redes e Mídias Digitais

RGB Red, Green, Blue

ROI Region of Interest

SUMÁRIO

1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1.1 Objetivos e Contribuições . . . . . . . . . . . . . . . . . . . . . . . 25

1.2 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . 25

2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . 27

2.1 Processamento de Imagens Digitais . . . . . . . . . . . . . . . . 27

2.1.1 Escala de Cinza e Imagens Coloridas . . . . . . . . . . . . . . . . 27

2.1.2 Vizinhança de Pixel . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.2 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.3 Segmentação de Objetos . . . . . . . . . . . . . . . . . . . . . . . 29

2.3.1 Crescimento de Região . . . . . . . . . . . . . . . . . . . . . . . . 29

2.3.2 Thresholding (limiarização) . . . . . . . . . . . . . . . . . . . . . 30

2.3.2.1 Segmentação pelo método de Otsu . . . . . . . . . . . . . . . . . . . . 30

2.4 Cor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.4.1 Espaços de Cor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.4.2 Tipos de Espaços de Cor . . . . . . . . . . . . . . . . . . . . . . . 32

2.4.2.1 Espaços de Cor Orientados à Hardware . . . . . . . . . . . . . . . . . . 32

2.4.2.2 Espaços de Cor Orientados à Percepção Humana . . . . . . . . . . . . 33

2.4.2.3 Espaços de Cor Instrumentais . . . . . . . . . . . . . . . . . . . . . . . 34

2.4.3 Espaços de Cor Empregados no Trabalho . . . . . . . . . . . . . 35

2.4.3.1 RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.4.3.2 HSV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2.4.3.3 L*a*b* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . 39

4 MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . 43

4.1 Amostras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.2 Metodologia proposta . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.2.1 Normalização de efeitos de iluminação . . . . . . . . . . . . . . . 45

4.2.2 Segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.2.2.1 Segmentação da Carne . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.2.2.2 Segmentação das Réguas Remid . . . . . . . . . . . . . . . . . . . . . . 52

4.2.3 CoeĄcientes de Correção de Cor e Calibração de Cores . . . . 52

4.2.4 Conversão para L*a*b* . . . . . . . . . . . . . . . . . . . . . . . . 53

4.2.5 Extração de Informações . . . . . . . . . . . . . . . . . . . . . . . 53

4.2.6 Visão Geral do Framework . . . . . . . . . . . . . . . . . . . . . . 53

4.3 Métricas de Avaliação da Cor . . . . . . . . . . . . . . . . . . . . 55

5 RESULTADOS E DISCUSSÃO . . . . . . . . . . . . . . . . . . 57

5.1 Resultados da Mensuração de Cor . . . . . . . . . . . . . . . . . 57

5.2 Análise do componente L* . . . . . . . . . . . . . . . . . . . . . . 58

5.3 Análise do componente a* . . . . . . . . . . . . . . . . . . . . . . 59

5.4 Análise do componente b* . . . . . . . . . . . . . . . . . . . . . . 60

5.5 Validação da abordagem de Normalização de Efeitos de Ilu-

minação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

5.6 A inĆuência da estratégia de amostragem na mensuração da cor 63

6 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

7 CONTRIBUIÇÕES . . . . . . . . . . . . . . . . . . . . . . . . . 67

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

23

1 INTRODUÇÃO

A Visão Computacional e de Máquina engloba o estudo da percepção visual, bem

como as técnicas, métodos e mecanismos que podem ser empregados para a resolução de

problemas a partir da análise de cenas [1]. Um Sistema de Visão Computacional (Computer

Vision System) engloba um série de etapas para a resolução de tarefas com processamento

de imagens digitais, que vão desde a aquisição das imagens até a resposta do sistema [2].

O emprego de Visão Computacional aliada à técnicas de processamento de ima-

gens permite a modelagem de sistemas para tomada de decisões e avaliação de objetos

e/ou processos. Dessa maneira, é possível simular a ação tomada por um ser humano

a partir da interação de seu sistema de visão e cérebro. Para tal, a cena é processada,

visando a extração das regiões de interesse, bem como a eliminação de aspectos ruidosos

ou irrelevantes para o problema em questão [3].

Tendo em posse os elementos de interesse na cena, o uso de um Sistema de Visão

Computacional permite a extração de características não-visuais dos objetos, tais como

tamanho, dados estatísticos, entre outros aspectos. Além disso, a análise realizada é não-

subjetiva, não está sujeita a cansaço ou fatores psicossociais, além de ser rápida e não

exigir a manipulação do objeto de interesse [4, 5].

Com o avanço da tecnologia no decorrer dos anos, os dispositivos de hardware

alcançaram desempenho suĄciente para criação de aplicações com tempos de resposta

próximos ao real, e com custos relativamente baixos. Os dispositivos de aquisição de

imagem digital passaram a possuir alta qualidade representativa, além de serem capazes de

capturar além da faixa visível da luz, outras frequências úteis para análises (infravermelho,

por exemplo). Por essa razão, o emprego de Sistemas de Visão Computacional é uma

alternativa viável para situações que envolvem a avaliação de características visuais de

uma cena ou objeto de estudo [3, 1].

Tomadas de decisão, medidas de classiĄcação e identiĄcação de objetos são reali-

zados a todo tempo pelo ser humano com base em sua percepção visual. Por essa razão,

as possibilidades para a aplicação de Sistemas de Visão Computacional que simulem essas

ações são muito amplas [1].

Nesse âmbito, a classiĄcação de alimentos é uma área de grande relevância, levando

em conta a importância dos alimentos na vida humana. Rotinas para classiĄcação e avali-

ação de produtos estão presentes nas linhas de produção e, muitas vezes são realizadas de

maneira não-automatizada, o que impacta de maneira negativa em termos de velocidade

e subjetividade da análise, fatores que a implantação de um CVS tende a solucionar [4].

A carne é um dos produtos que requer grande controle de qualidade, uma vez

24

que se trata de um produto perecível e, passível de inĆuências do ambiente, condições de

manejo, enfermidades, entre outros aspectos. Além disso, grandes importadores aplicam

regras rigorosas de controle, de modo a garantir a qualidade e procedência do produto

adquirido [5].

O mercado de carnes, como a de frango, movimenta anualmente uma grande quan-

tidade de dinheiro. O Brasil, nesse cenário, está situado como o maior exportador de carne

de frango e o segundo maior produtor (Fonte: ABPA - Associação Brasileira de Proteína

Animal). A carne brasileira alcança 142 países, sendo que gerou ao país, somente no pri-

meiro trimestre de 2015, cerca de 1354, 568 milhões de dólares1. Esses dados reforçam a

importância de medidas de controle de qualidade desse produto.

A avaliação da carne de frango é feita levando em consideração a análise da cor,

entre outros aspectos [6]. Condições de qualidade na carne como PSE (Pale, Soft, Exuda-

tive), DFD (Dark, Firm, Dry) e Normal [7, 8, 9, 10] estão relacionadas com a cor, além de

outros parâmetros como o pH e a capacidade de retenção de água [9, 10, 11, 6]. De fato,

a cor é uma das primeiras características percebidas pelos consumidores nos alimentos,

sendo que geralmente a coloração de um produto é relacionada com aspectos como sabor,

textura, valor nutricional, tempo de armazenamento e grau de satisfação [12].

Frequentemente, a análise de cores é realizada através de uma abordagem instru-

mental, com o emprego de um aparelho conhecido como colorímetro [13, 14, 12, 15, 16],

que a partir de um processo de calibração em um padrão conhecido, mede o valor das

cores a partir do contato de um sensor com a amostra. O colorímetro possui uma fonte

de luz que ao ser emitida entra em contato com a superfície do objeto em análise e é

reĆetida, sendo medida pelo aparelho e, assim gerando um valor de coloração.

Esse tipo de abordagem não cobre toda a superfície da amostra, uma vez que a área

de amostragem do aparelho é uma área circular com cerca de 11 milímetros de diâmetro

[16]. Além disso, existe a possibilidade de amostragem em regiões fora do interesse (como

pele e gordura), ou mesmo escolhas tendenciosas, de maneira a se evitar regiões com

coloração anormal, por exemplo. Vale ressaltar ainda que esse tipo de análise envolve o

contato e manipulação da amostra, ou seja, degradando-a.

Para rotinas de larga escala, como frigoríĄcos, o emprego da abordagem instrumen-

tal acaba tornando o processo de avaliação lento, atrelado a possíveis erros de amostragem,

além de impossibilitar a análise individual de cada amostra. O uso de um CVS pode possi-

bilitar a resolução dos problemas apresentados, uma vez que atinge velocidades próximas

a real, não envolve contato com as amostras, parte de uma análise de toda a superfície

da carne (a nível de pixel), e é aplicável à rotinas de grande escala, além de apresentar

custos reduzidos em relação à aquisição de um colorímetro [5, 4].

1 <http://www.ibge.gov.br/home/estatistica/indicadores/agropecuaria/producaoagropecuaria/abate-leite-couro-ovos_201501_publ_completa.pdf> (Acesso em 29/09/2015)

25

Aplicações na área tem sido desenvolvidas utilizando diferentes tipos de fontes

para a aquisição das imagens e abordagens para obtenção dos valores de cor. Todavia, um

aspecto ainda pendente na área é o tratamento de condições adversas de iluminação no

ambiente. Trabalhos laboratoriais tem sido desenvolvidos utilizando ambientes isolados de

luz externa, bem como com iluminação controlada, buscando o máximo de uniformidade

na incidência de luz sobre a superfície das amostras. Esse tipo de análise obtém resultados

satisfatórios quanto aos valores obtidos, mas ainda não é adequada para ambientes de

produção em larga escala. O desenvolvimento de uma abordagem para Normalização dos

Efeitos de Luminosidade provenientes do ambiente aumenta a aplicabilidade do sistema,

possibilitando sua implantação em ambientes diversos, sem a existência de um controle

rígido da iluminação incidente [5, 4].

1.1 Objetivos e Contribuições

Este trabalho objetivou desenvolver uma metodologia automatizada para a deter-

minação de cor na carne de frango, através do uso de Visão Computacional e técnicas de

processamento de imagens digitais, de modo a apresentar uma alternativa ao uso do colo-

rímetro. O sistema proposto, além de ser automático, apresenta um desempenho próximo

ao tempo real, de modo a permitir sua implantação em ambientes de produção, e deve

separar somente os objetos de interesse na cena para a análise, no caso a carne.

Além disso, o sistema trata efeitos de luminosidade adversos provenientes do am-

biente onde a imagem é adquirida, normalizando e balanceando a luz incidente sobre a

cena capturada, dessa forma oferecendo robustez na análise da cor e, permitindo assim,

sua implantação em locais de produção com iluminação não-controlada.

A partir do momento que a metodologia proposta oferece robustez, um processo

automático, sem contato com as amostras e com velocidade de processamento satisfatória,

esta é adequada para implantação em um ambiente de produção de larga escala, como

um frigoríĄco, sem que haja a necessidade de intervenção de um especialista treinado, que

está sujeito a efeitos do cansaço, bem como situações psicológicas adversas.

1.2 Organização do Trabalho

O Trabalho está organizado da seguinte forma: o Capítulo 2 apresenta a fundamen-

tação teórica necessária para o desenvolvimento do restante do trabalho. No Capítulo 3,

trabalhos relacionados ao problema em questão são apresentados, agindo como base para

o desenvolvimento da solução proposta. O Capítulo 4 apresenta os materiais e métodos

empregados no desenvolvimento da solução para mensuração de cor em carne de frango.

No Capítulo 5 são apresentados e discutidos os resultados alcançados pelo Framework pro-

posto, comparando os valores alcançados com a abordagem tradicional via colorímetro.

26

As considerações Ąnais e a conclusão do trabalho são apresentadas no Capítulo 6 e, as con-

tribuições alcançadas por meio da realização desta pesquisa são apresentadas no Capítulo

7. Por Ąm, são apresentadas as referências bibliográĄcas utilizadas como embasamento do

trabalho desenvolvido.

27

2 FUNDAMENTAÇÃO TEÓRICA

Para a execução desse trabalho, fez-se necessária a compreensão de conceitos cor-

relatos à área de processamento de imagens, Visão Computacional, Percepção de Cores,

Normalização de Efeitos de Luminosidade e análise de qualidade em carne de frango.

Para melhor entendimento, as seções a seguir apresentam um conjunto de técnicas

e conceitos correlatos ao trabalho.

2.1 Processamento de Imagens Digitais

Uma imagem pode ser deĄnida como um função �(�, �), onde � e � são as variáveis

espaciais e � representa a amplitude da função, também chamada de intensidade ou nível

de cinza da imagem no ponto (�, �).

Quando �, � e a amplitude de � são todos discretos e Ąnitos, a imagem é chamada

de imagem digital [3].

A expressão processamento de imagens digitais se refere à manipulação, aplica-

ção de modiĄcações e processamentos diversos em uma imagem digital, através de um

computador.

Uma imagem é formada por um número Ąnito de pontos, cada um com uma loca-

lização e valor particulares; esses pontos são denotados como elementos da imagem/foto

e pixels. O termo Pixel é o mais amplamente utilizado [3].

Quanto à aquisição das imagens, comumente é feita através de sensores RGB, que

estão presentes em câmeras digitais, smartphones, entre outros. Todavia, abordagens di-

ferenciadas podem ser empregadas, como por exemplo, o uso de imagens multi-espectrais,

infravermelho, etc [4].

2.1.1 Escala de Cinza e Imagens Coloridas

Em relação à representação das tonalidades nas imagens, normalmente se tem duas

formas representativas: imagens em tons/escala de cinza e imagens coloridas.

O primeiro grupo é referente à imagens onde as tonalidades são representadas

através da variação tonal de intensidades, que vão geralmente do 0 (preto) até o 255

(branco), abrangendo os valores de cinza intermediários, ou tons de cinza. Imagens podem

conter menor variação tonal, ou seja, menos do que 256 tons de cinza; isso implica em

menor possibilidade de representação de variações de intensidades.

Além de imagens em tons de cinza, uma cena pode ser representada através de

28

cores, as chamadas imagens coloridas. Para tal, geralmente três valores de estímulo tonal

ou valores de tristimulus são empregados para representar a cor [3]. Esses valores estão

relacionados aos espaços de cores que serão descritos mais adiante.

2.1.2 Vizinhança de Pixel

Quanto à localização espacial dos pixels, um conceitos recorrente é o termo vizi-

nhança [3]. Pixels imediatamente adjacentes a um dado pixel em análise são chamados de

pixels vizinhos.

Para um dado pixel �(�, �) em uma imagem bidimensional, onde � e � representam

as coordenadas espaciais do mesmo, são deĄnidos dois tipos de vizinhança: de 4 e 8 pixels.

A vizinhança de 4 pixels é formada pelos pontos imediatamente adjancentes ao

ponto (�, �) na vertical (variação em �) e horizontal (variação em �). Assim, os pontos

levados em consideração na vizinhança são: �(�−1, �), �(�, � −1), �(�+1, �) e �(�, � +1).

A Figura 1 é uma representação da vizinha de 4 pixels. O retângulo central (em

cinza) representa o ponto �(�, �), enquanto que os retângulos em preto são os seus vizinhos.

Figura 1 Ű Representação da vizinhança de 4 pixels [Fonte: autor]

A vizinhança de 8 pixels leva em consideração além dos vizinhos na horizontal e

vertical, os pontos nas diagonais. Dessa forma, as coordenadas levadas em consideração

são: �(� − 1, �), �(� − 1, � − 1), �(�, � − 1), �(� + 1, � − 1), �(� + 1, �), �(� + 1, � + 1),

�(�, � + 1) e �(� − 1, � + 1).

A Figura 2 apresenta uma representação da vizinha de 8 pixels. Os retângulos

pretos representam a vizinhança.

Figura 2 Ű Representação da vizinhança de 8 pixels [Fonte: autor]

29

2.2 Histograma

O histograma [3] de uma imagem digital com níveis de intensidade entre [0, � − 1],

ou seja, � níveis de intensidade; pode ser deĄnido como uma função discreta ℎ(�k) = �k,

onde �k representa o �-ésimo valor de intensidade e, �k representa a quantidade de pixels

na imagem com o valor �k.

É possível normalizar um histograma, dividindo cada um de seus componentes pelo

total de pixels da imagem, denotado pelo produto �� , onde � representa o número de

colunas e � o número de linhas da imagem. Dessa forma, um histograma normalizado

é dado por �(�k) =�k

��, para 0 ≤ � < �. Portanto, �(�k) pode ser interpretado como

a probabilidade de ocorrência no nível de intensidade �k na cena. A soma de todos os

componentes de um histograma normalizado é 1.

O emprego de histogramas é a base para diversas operações espaciais em imagens,

dentre as quais pode-se citar o aumento de contraste, extração de informações estatísticas,

segmentação de objetos, além de compressão de dados.

2.3 Segmentação de Objetos

Um dos principais problemas tratados no processamento de imagens é a separação

de um objeto em uma cena de seu fundo. Esse processo é denominado segmentação.

Quando um dado objeto não possui muitos detalhes em sua superfície, o processo de

segmentação pode ser entendido como a separação de uma imagem em um número de

regiões, cada qual tendo um alto nível de uniformidade em algum parâmetro, tal como cor,

brilho, textura, entre outros [1]. Muitas vezes esse processo não é trivial, sendo inĆuenciado

por aspectos do ambiente ou a própria complexidade dos objetos/fundo na imagem.

Como solução para esse tipo de problema, algumas técnicas tem sido empregadas,

tais como Crescimento de Região e Thresholding (limiarização). Esses dois conceitos serão

abordados a seguir.

2.3.1 Crescimento de Região

Técnica utilizada na segmentação de objetos, consiste em agrupar pixels de uma

dada intensidade, ou outra propriedade de interesse, de forma sucessiva gerando regiões

maiores até que o processo de segmentação esteja completo. Pontos adjacentes com valores

de intensidade muito diferentes não devem ser agrupados; todavia, deve ser permitido o

agrupamento com um certo nível de variação de valores, lidando assim com variações de

iluminação, e propriedades do objeto analisado [1]. Essa técnica tende a ser limitada pela

existência de ruídos e regiões desconexas, além do fato de possuir custo computacional

elevado, uma vez que opera através da ŞexpansãoŤ de vizinhança, acabando por avaliar

30

um dado pixel mais de uma vez.

Mesmo com as limitações envolvidas, a técnica de crescimento de região é larga-

mente empregada, sendo muito útil em operações sobre máscaras binárias.

2.3.2 Thresholding (limiarização)

Quando um objeto, ou mesmo o fundo possui algum valor de intensidade, ou

propriedade uniforme, é possível deĄnir um limiar de intensidade para separação, através

do qual o(s) objeto(s) pode(m) ser separado(s) do fundo [1]. Esse tipo de técnica para

segmentação é chamada de Thresholding.

A partir do valor determinado para limiar, a imagem é binarizada (dois tons ape-

nas, comumente preto e branco). O processo é realizado da seguinte maneira:

Imaginando um cenário com um valor � de limiar, �0 e �f os valores mínimo e

máximo de intensidade, respectivamente, utilizados para a binarização e �(�, �) um pixel

de posição (�, �). Para cada pixel na imagem é feita a análise condicional

ŞSe o valor �(�, �) é menor que �, �(�, �) recebe �0, senão �(�, �) recebe �fŤ.

O desaĄo na área é encontrar um valor adequado de limiar. Para tal tipo de tarefa,

existem diversos tipos de abordagens, sendo que podem ser divididas em três categorias

[2]:

• Threshold global: um único valor aplicado à toda a imagem;

• Threshold local: um valor de limiar é deĄnido para cada pixel;

• Threshold adaptativo: utiliza uma ideia de separação da imagem em sub-regiões e,

para cada uma é determinado um valor de limiar.

Os valores de threshold são determinados através de metodologias variadas, que

envolvem a análise de histogramas (busca de picos e vales na distribuição de intensidade)

e de propriedades estatísticas, tais como variância e entropia.

2.3.2.1 Segmentação pelo método de Otsu

Uma das abordagens mais conhecidas para a deĄnição de um limiar para a seg-

mentação de objetos em cenas é a técnica desenvolvida por Otsu [17]. Trata-se de uma

abordagem global de limiarização, onde todos os valores possíveis de limiar são analisa-

dos (para uma imagem em tons de cinza, por exemplo, todos os � níveis possíveis). A

31

escolha é feita no valor que maximiza as variâncias entre as classes da imagem, a saber:

background (fundo) e foreground (objeto(s)).

Uma vez escolhido, o valor de limiarização é aplicado a toda a imagem.

2.4 Cor

A cor é uma grandeza difícil de ser descrita, pois trata-se de uma sensação percep-

tual atrelada às células fotossensíveis do olho humano e, à representação formada através

do cérebro [12]. É uma resposta perceptual ao espectro visível de luz que é reĆetido ou

emitido por um objeto. Esse sinal ŞinterageŤ com os olhos através da retina e, é transmi-

tido para o cérebro através do nervo óptico, assim inferindo-se a sensação da cor. Dessa

forma, a cor não é uma propriedade intríseca de um objeto, uma vez que a cor se altera

com a mudança da fonte de iluminação de um objeto [18]. De fato, a percepção da cor

é um fenômeno muito complexo, dependente da composição do objeto e a iluminação no

local, além de estar ligada às propriedades dos olhos e cérebro que captam e processam a

cena percebida e, ainda, aos ângulos de visão e iluminação existentes [4].

Independente da característica subjetiva da cor percebida através da visão, surge

a necessidade da deĄnição de um formalismo matemático para a representação da cor, de

forma a permitir sua mensuração e manipulação. Esse formalismo é denominado Espaço

de Cor e, será abordado a seguir.

2.4.1 Espaços de Cor

A visão humana percebe as cores através da variação de sensibilidade à diferentes

comprimentos de onda das células denominadas cones, presentes na retina. Existem três

tipos de células fotorreceptoras (cones), com picos de sensibilidade em comprimentos de

onda curtos (cores ŞazuladasŤ, 420 − 440 nm), médios (cores ŞesverdeadasŤ, 530 − 540

nm) e longos (cores ŞavermelhadasŤ, 560 − 580 nm) [19].

Uma sensação de cor, não importando quão complexa seja, pode ser descrita pelos

olhos através de três componentes de cor. Esses componentes chamados de valores de

ŞtristimulusŤ, estão relacionados aos três tipos de cones existentes na visão humana e a

extensão em que cada tipo é estimulado [4]. Um espaço de cor, também chamado de modelo

de cor ou ainda sistema de cor, representa a deĄnição de um padrão para representação

das cores. De maneira geral, trata-se da deĄnição de um sistema de coordenadas e um

subespaço dentro deste, de modo que uma cor é representada através de um (único) ponto

nesse subespaço [3]. Em um espaço de cor os valores de tristimulus estão relacionados a

cores [4].

Outras grandezas utilizadas para a caracterização da cor são o brilho (Brightness),

a Matiz (Hue) e a Saturação (Saturation). O brilho se relaciona à uma noção acromática

32

de intensidade que não possui uma unidade de medida deĄnida, sendo empregado, por

exemplo, na representação de imagens em tons de cinza. A matiz se relaciona com o

comprimento de onda dominante entre todos que compõem a percepção da cor, ou seja,

a cor dominante. Quando um dado objeto é denominado azul, vermelho, ou de qualquer

outra cor, refere-se à sua matiz. Por Ąm, a saturação está relacionada a pureza da cor, ou

à quantidade de luz branca misturada à matiz. As cores de espectro puro são totalmente

saturadas, enquanto que cores com adição de branco possuem saturação inversamente

proporcional à quantidade de branco adicionada [3].

Composições entre cores, além do uso de componentes como a Matiz, Saturação

e Brilho são empregados em diversos espaços de cor para representação das variadas

colorações. Dependendo da Ąnalidade às quais são aplicados e/ou o modo como as cores

são representadas, os sistemas de cores podem ser categorizados. Essa forma de separação

será comentada a seguir.

2.4.2 Tipos de Espaços de Cor

Alguns espaços de cor foram desenvolvidos de maneira a facilitar a manipulação

das diferentes colorações por humanos, outros são voltados à aplicações cientíĄcas, outros

ainda, voltados à dispositivos ou meios de exibição e processamento de dados. Dependendo

de sua Ąnalidade os modelos de cores podem ser divididos em três categorias, a saber:

espaços Orientados à Hardware, Orientados à Visão (Percepção) Humana e Espaços de

Cor Instrumentais [4]. Cada categoria será descrita nas subseções seguintes.

2.4.2.1 Espaços de Cor Orientados à Hardware

Os espaços de cor orientados à hardware são propostos para tarefas de proces-

samento de hardware, tais como aquisição, armazenamento e exibição de imagens. São

capazes de detectar pequenas variações de coloração e são voltados para aplicações espe-

cíĄcas. Como o espaço orientado à hardware mais popular, o espaço RGB (Red, Green,

Blue), é deĄnido por coordenadas em três eixos (Vermelho, Verde e Azul). Essa é a ma-

neira como câmeras tendem a representar as cenas capturadas, assim como as imagens são

exibidas em telas de televisores, monitores, smartphones e nos projetores. Outros espaços

notáveis nessa categoria são os modelos de cor YIQ (Luminance, In-phase, Quadrature)

e CMY/CMYK (Cyan, Magenta, Yellow, Black), que são empregados principalmente na

transmissão de sinais de televisão e dispositivos de impressão, respectivamente [4]. Para

o espaço CMYK, um valor extra de preto (black) é adicionado, devido à natureza dos

materiais onde as imagens são impressos, bem como os pigmentos utilizados, de forma

que a cor preta não é obtida através de misturas.

Na Figura 3 é apresentada a representação dos espaços RGB (3a) e YIQ (3b) e

CMY (3c).

33

(a) Espaço de Cor RGB (b) Espaço de cor YIQ

(c) Espaço de cor CMY

Figura 3 Ű Representação de alguns espaços de cor orientados à Hardware1

2.4.2.2 Espaços de Cor Orientados à Percepção Humana

Espaços de cor orientados à percepção humana estão relacionados à conceitos como

coloração e tonalidade, que são deĄnidos de forma intuitiva por um artista. De maneira

geral, são baseados nas grandezas Matiz e Saturação, descritas anteriormente, e um com-

ponente de brilho ou iluminação. São exemplos nessa categoria os espaços HSV (Hue,

Saturation, Value), HSB (Hue, Saturation, Brightness), HSI (Hue, Saturation, Intensity)

e HSL (Hue, Saturation, Lightness). Diferentemente dos espaços orientados à Hardware

que utilizam coordenadas cuboidais para a deĄnição das cores, os espaços do tipo ŞHSŤ

(Hue, Saturation) utilizam coordenadas cilíndricas. Uma vez que são desenvolvidos com

base na percepção visual dos olhos humanos, as mensurações de cores são mais intuitivas

ao observador, assim como a variação dos parâmetros dos espaços. No entanto, assim

como a visão humana, não são sensíveis à pequenas variações nas cores [4].

A Figura 4 apresenta uma representação dos espaços HSV (4a) e HSL (4b).

1 Adaptado de [4]

34

(a) Espaço de Cor HSV2 (b) Espaço de cor HSL3

Figura 4 Ű Representação de dois espaços de cor orientados à Percepção Humana

2.4.2.3 Espaços de Cor Instrumentais

Espaços instrumentais são empregados em instrumentos de mensuração de cor.

Muitos dos espaços instrumentais são padronizados pelo CIE (Commission Internationale

d’Eclairage), sob uma série de condições padrão, tais como: iluminantes e observadores

[20].

Diferentemente dos espaços orientados à hardware, que possuem saídas diferentes

dependendo do dispositivo, as cores nos espaços instrumentais possuem as mesmas coor-

denadas independente do dispositivo de saída. O CIE XYZ é um espaço matematicamente

deĄnido e criado pelo CIE em 1931, baseado na percepção Ąsiológica da luz. No espaço

XYZ três funções de correspondência de cores, coletivamente denominadas Observador

Padrão, são relacionados aos cones vermelhos, verdes e azuis dos olhos humanos. Foi cri-

ado para resolver o problema da incapacidade de se estimular apenas um tipo de cone

e o fato de não haver componente para descrever o brilho percebido [21]. Nesse espaço,

o Y representa a iluminação/claridade, enquanto que X e Z são componentes primários

virtuais, que se ŞcomportamŤ como a curva de sensibilidade dos cones vermelhos e azuis

[4].

A variação de cores no espaço XYZ não atua de maneira uniforme e, por essa

razão, dois espaços foram desenvolvidos a partir de transformações não-lineares do espaço

XYZ. Esses espaços são denominados CIE 1976 (L*a*b*), também chamado de CIELAB

e, o CIE 1976 (L*u*v*), ou CIELUV, que são adotados em muitos instrumentos para

mensuração de cor. O espaço de cor L*a*b* é muito utilizado em aplicações para avaliação

2 Disponível em: <https://upload.wikimedia.org/wikipedia/commons/0/00/HSV_color_solid_cone_chroma_gray.png>

3 Disponível em: <https://upload.wikimedia.org/wikipedia/commons/2/2d/HSL_color_solid_dblcone.png>

35

de cor, devido à sua uniformidade na distribuição das cores, ou seja, a distância Euclidiana

entre duas cores diferentes corresponde aproximadamente à diferença de cor percebida pelo

olho humano [4].

A Figura 5 apresenta uma representação do espaço CIE L*a*b*.

Figura 5 Ű Representação do espaço de cor L*a*b*4

2.4.3 Espaços de Cor Empregados no Trabalho

Nesta subseção são descritas, de maneira mais detalhada, as características de três

espaços de cor empregados na metodologia desenvolvida no trabalho. A saber: RGB, HSV,

L*a*b*.

2.4.3.1 RGB

No modelo de cores RGB, cada cor é representada em termos das cores primárias:

Vermelho (Red), Verde (Green) e Azul (Blue). Este modelo é baseado em um sistema

cartesiano, sendo que o subespaço de interesse consiste em um cubo, como demonstra

a Figura 6. As cores primárias estão em três cantos, enquanto que as cores secundárias

(Ciano, Magenta e Amarelo), obtidas a partir de misturas de pares das cores primárias,

estão nos outros três cantos.

4 Disponível em: <http://www.artec-test-equipment.com/content/artec/producten/lab-sphere2.jpg>

36

Figura 6 Ű Representação do Espaço RGB no sistema cartesiano5

Na origem se encontra o preto enquanto que no canto mais distante o valor é

branco. A diagonal entre a cor preta e branca contém os tons de cinza, ou seja, valores

com as três coordenadas iguais.

As outras cores estão contidas dentro do cubo e são representadas por vetores a

partir da origem. Por conveniência os valores das cores/coordenadas estão normalizados

no intervalo de [0, 1] [3].

Uma cena representada no espaço RGB é composta por três imagens: uma para

cada cor primária, sendo que estas são combinadas para a reprodução em dispositivo

qualquer, como um monitor. O número de bits utilizados para representar cada pixel é

denominado pixel depth, ou profundidade de pixel. Tomando-se como exemplo um cenário

onde cada componente RGB é formado por 8 bits, tem-se uma imagem de 24 bits, ou seja,

cada pixel é representado através de 24 bits, com valores que variam de 0 à 255 para cada

componente. Nesse cenário, existe a possibilidade de representação de (28)3 = 16, 777, 216

cores. Em aplicações práticas, tais como cores utilizadas em sites da internet, utiliza-se

um número mais limitado de valores, levando em conta a capacidade de representação da

variação das cores dos dispositivos de saída, bem como a incapacidade de diferenciação

de cores muito semelhantes pelo ser humano [3].

Como comentado anteriormente, o espaço RGB é um dos mais largamente em-

pregados, sendo utilizado em monitores, televisores, câmeras, projetores, entre muitos

outros.

5 Disponível em: <http://zone.ni.com/images/reference/en-XX/help/372916P-01/rgb_cube_localize.gif>

37

2.4.3.2 HSV

Diferentemente do espaço RGB, o modelo HSV separa a cromaticidade dos valores

de intensidade e vivacidade da cor, se aproximando mais da maneira como o ser humano

percebe as cores. De fato, descrever uma cor no sistema HSV tende a ser mais simples do

que se deĄnir porcentagens das cores primárias (Vermelho, Verde e Azul) de maneira a se

formar um dado tom [3].

O espaço de cor HSV é formado pela Matiz (Hue Ű H), a Saturação (Saturation

Ű S) e Valor (Value Ű V). Nesse modelo o valor de H descreve o principal comprimento

de onda da cor, ou seja, a principal coloração percebida. A Saturação deĄne a pureza da

cor ou quantidade de branco adicionado à cor, que de maneira intuitiva pode ser descrita

como a ŞvivacidadeŤ da cor: cores mais vivas possuem menor adição de branco. Por Ąm,

o Valor descreve uma noção acromática de intensidade, que pode ser relacionada com o

brilho [3].

Segundo a representação do modelo, apresentada na Figura 4a, o componente

H pode ser descrito como um ângulo, com domínio entre [0, 2Þ]. A Saturação pode ser

compreendida como a distância radial (a partir do centro) do cone que representa o

sistema HSV, sendo que assume valores entre [0, 1]. O componente de intensidade pode

ser compreendido como o eixo vertical do cone e possui valores pertencentes ao intervalo

[0, 1] [22].

2.4.3.3 L*a*b*

O espaço CIE L*a*b*, como comentado anteriormente é um modelo instrumental,

sendo empregado em análises de coloração diversas. É, também um espaço que independe

de dispositivos, ou seja, independente do hardware no qual é representado, o valor tonal

é o mesmo [4]. É adotado como um padrão internacional para medição de cor [12], sendo

empregado em vários dispositivos para esse Ąm.

O modelo em questão representa de forma separada a cromaticidade e a lumino-

sidade de uma cor. O componente L* (Lightness) representa a luminosidade da cor, e vai

de 0 (preto) até 100 (branco). Os parâmetros a* (que vai do verde, se negativo, até o

vermelho, quando positivo) e b* (do azul, se negativo, até o amarelo, se positivo) são os

componentes cromáticos, e variam entre −120 e 120 [12].

A partir dos componentes desse sistema, representado na Figura 5, é possível se

calcular duas grandezas muito utilizadas na avaliação e mensuração da cor: chroma e o

ângulo de tonalidade (Hue Angle). Sendo que o valor de chroma é obtido a partir da

expressão arctan

⎠

�∗

�∗

⎜

e o Hue Angle é obtido a partir de

�∗2 + �∗2 [12].

39

3 TRABALHOS RELACIONADOS

Estudos relacionados à determinação de cor em carne tem sido realizados utilizando

variadas abordagens para aquisição das imagens, processamento e mensuração da cor.

Em [23] é investigado um procedimento para calibração de um CVS para deter-

minação de cor em presunto. Diversos ajustes na câmera utilizada são realizados, além

de que um ambiente com iluminação controlada é empregado. Para a calibração, ou seja,

adequar as cores obtidas nas imagens com um padrão conhecido, são utilizados os cha-

mados ŞColor CheckersŤ, que consistem em palhetas com diversas cores, cujos valores no

espaço L*a*b* são conhecidos. Os autores destacam que a heterogeneidade do material

analisado inĆuencia nos valores obtidos de cor.

Similarmente, no artigo [24] um modelo para calibração de um CVS e regressão

de valores RGB para L*a*b*, utilizado na avaliação de presuntos, é proposto. Uma taxa

baixa de erro é obtida, todavia, trata-se de um modelo com iluminação controlada e nem

toda a superĄcie da amostra é analisada, determinando uma área central de tamanho Ąxo.

Color Checkers são também empregados para a calibração do sistema.

Nos dois trabalhos apresentados anteriormente, o processo de calibração do sistema

é realizado previamente à aquisição das imagens, uma vez que ambientes controlados foram

empregados, assim, teoricamente não estando sujeitos à variações de condições.

No trabalho apresentado em [25], os autores utilizam a Luminosidade da cor para

buscar uma correlação com a existência da classe de qualidade PSE (Pale, Soft, Exuda-

tive) em carne suína [26]. Esse tipo de situação está relacionada à desagregação de valores

da carne, bem como ao grau negativo de aceitabilidade pelo consumidor. Os componentes

R, G e B do espaço de cor RGB e os componentes V e L, dos espaços HSV e HSL, res-

pectivamente, são empregados para buscar valores de correlação com o componentes L*

(L*a*b*), bem como com valores de pH e condutividade elétrica, obtidos de forma ins-

trumental. Recentemente, em [27], os mesmos autores utilizam os mesmos componentes

citados, de forma a classiĄcar a carne suína em duas classes: PSE e RFN (Red, Firm, Nor-

mal, Non-Exudative). Os valores de pH e L* (obtidos por correlação com os componentes

R, G, B, V e L) são empregados para detecção de PSE em carne suína. Vale ressaltar que

a segmentação das amostras do fundo é feita de maneira empírica e, o processo geral de

avaliação é não-automatizado.

O uso da dimensão fractal na análise da variação de coloração com relação ao

tempo, em carne bovina, é realizado em [28]. Neste trabalho, propõe-se uma análise al-

ternativa à abordagem instrumental e a avaliação de valores médios de coloração, levando

em conta toda a distribuição de cor sob a amostra escolhida. Vale ressaltar que o ambiente

40

utilizado para a análise é não-controlado, todavia nenhuma metodologia para ajuste de

inĆuências de iluminação externa é adotada. Além disso, a porção utilizada para análise

de cada pedaço de carne é pequena, não abrangendo toda a superfície do músculo em

análise, fato justiĄcado pelos autores pela heterogeneidade do material. O método é ca-

paz de descrever a variação da hemoglobina (responsável pela coloração avermelhada da

carne) no decorrer do tempo.

No trabalho desenvolvido em [12], uma análise não automatizada com o emprego

do Photoshop1 é realizada. A mensuração de cor é realizada em carne bovina, suína,

de frango e peru em um ambiente controlado. Para validação utiliza-se além de valores

obtidos com uma abordagem instrumental, uma comparação com técnicos (painelistas)

treinados. O trabalho ressalta que as cores geradas através do CVS estão mais próximas às

cores percebidas pelos painelistas, enquanto que os valores gerados a partir do coloríme-

tro possuem um aspecto mais ŞacinzentadoŤ. O trabalho realiza também uma comparação

entre o índice de penetração nas amostras da luz proveniente do colorímetro e da ilumina-

ção pertencente ao CVS, concluindo que dependendo da espessura da amostra analisada,

a fonte de luz do colorímetro pode ser reĆetida pelo fundo, gerando valores errôneos de

cor. Mais uma vez a heterogeneidade da superfície das carnes é ressaltada, apontando

que esta possui diferentes propriedades reĆexivas para a luz, o que reforça a necessidade

de uma análise por toda sua extensão, e não somente de maneira pontual (metodologia

instrumental).

Uma análise de cor e porcentagem de gordura em ŞSalsichas LucanianasŤ é reali-

zada em [29]. A abordagem é manual e realizada também, em ambiente com iluminação

controlada. Os resultados são comparados com painelistas treinados, sendo que novamente

demonstra-se que um CVS retrata de maneira mais Ąel a percepção da coloração percebida

por um observador humano.

Outro trabalho que ressalta que as cores obtidas a partir do colorímetro são dife-

rentes das percebidas pelo técnicos treinados, em detrimento dos valores gerados por um

CVS, é o estudo realizado em [30]. Neste, um sistema estruturado de iluminação é proje-

tado em ambiente isolado e, várias regressões consolidadas na literatura são empregadas

para obtenção de valores de L*a*b* a partir de RGB.

Até agora, todos os trabalhos apresentados utilizam como fonte de obtenção das

imagens câmeras convencionais (RGB). Uma outra alternativa corrente é o emprego de

sistemas multi-espectrais e hiper-espectrais, onde imagens representando a distribuição

de intensidade em diferentes comprimentos de onda são obtidas, aumentando muito a

fonte de informações para análise. A diferença básica entre sistema multi-espectrais e

hiper-espectrais está na quantidade de bandas, ou comprimentos de onda, analisados. No

primeiro, um certo número de faixas discretas não-necessariamente contíguas são anali-

1 <http://www.adobe.com/products/photoshop.html>

41

sadas; no segundo um maior número de bandas é analisado, sendo que os comprimentos

tomados são contíguos [31].

No trabalho [15] um sistema multi-espectral é empregado para obtenção de valores

em CIELab de carnes bovina, suína, de frango, peru e vitela. São utilizadas regressões

linear, não-linear, baseada em Kernel e esparsa para obtenção dos valores convertidos,

após um processo de extração de características realizado de forma supervisionada. Os

valores obtidos pelos autores alcançam baixo índice de erro em relação a abordagem

instrumental, sendo que é destacado que a predição de valores de luminosidade obtém

níveis mais satisfatórios do que a cromaticidade.

Um ambiente com iluminação controlada, juntamente com um sistema multi-

espectral de imagens é empregado no artigo [16]. O trabalho visa comparar os resultados

obtidos por um Sistema Multi-Espectral de Visão Computacional e o colorímetro. No tra-

balho são utilizados vários tipos de carne frescas e processadas. Uma etapa intermediária

de obtenção de valores no espaço XYZ, para posterior conversão para L*a*b* é realizada.

O estudo destaca as diferenças obtidas entre o Sistema proposto pelos autores e os valores

obtidos através do colorímetro.

Um sistema hiper-espectral é proposto em [32]. O trabalho busca determinar além

da cor, os valores de pH e maciez para carne bovina. O processo de segmentação é empírico

e, de maneira experimental, as melhores faixas para obtenção dos parâmetros buscados

são determinadas pelos autores. Os valores buscados são obtidos através de regressões e

comparados com a abordagem instrumental, alcançando resultados satisfatórios.

Em relação ao emprego de sistemas hiper-espectrais, [32] aponta que esse tipo de

metodologia é atualmente uma abordagem não-viável para rotinas de produção, devido ao

tamanho dos dispositivos necessários, bem como o tempo de análise dos dados. Reforça-se,

ainda, que um dos principais desaĄos para abordagens hiper-espectrais e multi-espectrais

é a determinação dos melhores comprimentos de onda para utilização na análise de carnes.

Ainda buscando embasamento para a realização do trabalho, em [4] é realizado

um estudo sobre o atual estado da arte em metodologias de mensuração de cor em di-

versos tipos de alimentos, através de Visão Computacional. O cenário do uso de Visão

Computacional para avaliação de qualidade em carnes é revisado em [5].

Nos trabalhos encontrados nenhuma metodologia para normalização de efeitos de

luminosidade foi empregada, uma vez que em sua maioria os ambientes eram controlados.

Em alguns casos, quando não havia controle de iluminação incidente, nenhuma aborda-

gem de correção via software foi empregada. Por essa razão, fez-se necessário um estudo

sobre técnicas de Normalização de Brilho e Luminosidade, aplicadas a outras áreas de

desenvolvimento e pesquisa.

Nos trabalhos [33, 34, 35, 36, 37] são apresentadas técnicas para compensação de

42

efeitos de iluminação para aplicações em reconhecimento de faces. Esse foi o primeiro seg-

mento de aplicações para normalização de luminosidade encontrado. Todavia, de maneira

geral, as características originais de intensidade não são mantidas, gerando-se ruído; além

disso, as aplicações trabalham com imagens de baixa resolução, sendo que as operações

desenvolvidas são complexas.

De fato, após buscas foi encontrado um Toolkit [38] para Matlab2 que implementa

várias técnicas de Normalização de Iluminação consolidadas na literatura, voltadas para

reconhecimento facial. Algumas das técnicas citadas anteriormente estão incluídas na

ferramenta. Os testes realizados demonstraram que os resultados para o problema tratado

nesse trabalho não foram satisfatórios, gerando muito ruído, além de apresentarem um

tempo de processamento inviável para rotinas de produção.

Uma aplicação voltada para normalização de efeitos de luminosidade para imagens

textuais é apresentado em [39]. Os resultados são satisfatórios, além do aspecto visual das

imagens resultantes não apresentar ruídos. No entanto as imagens utilizadas no traba-

lho revisado são praticamente monocromáticas, o que não reĆete as características das

imagens de carne de frango.

2 <http://www.mathworks.com/products/matlab/>

43

4 MATERIAIS E MÉTODOS

As seções a seguir descrevem a base de dados empregada no trabalho e a metodo-

logia de análise desenvolvida.

4.1 Amostras

Cinquenta e dois Ąlés de peito de frango (pectoralis major muscle) foram adquiridos

de um varejista local e transportados sob refrigeração para o laboratório de análise de

alimentos (LANA), para realização das análises.

A cor dos músculos, expressa em L*a*b*, foi obtida a partir de 3 medidas conse-

cutivas tomadas em locais aleatórios sobre as amostras. Para tal, um colorímetro Minolta

(CR 400, iluminante padrão D65 e observador a 10◇, Konica-Minolta Sensing Inc., Osaka,

Japão) foi empregado, após ser calibrado em uma placa de calibração padrão de cerâmica.

As imagens foram adquiridas através do sistema Doc L-Pix (Loccus Biotecnologia,

Brasil) que possui iluminação padrão e um sistema de captura de imagens operado via

software (L-PIX IMAGE 7.1). O sistema foi conĄgurado de modo a capturar imagens

com resolução de 1384x1038 pixels, 180 ppi (pixels por polegada), salvando-as no formato

jpeg. As fotos foram obtidas com tempo de exposição de 0.1 s e abertura �/4.5, sendo

que o sensor esteve posicionado à uma distância de cerca de 37 cm das amostras.

Juntamente com as amostras, foram introduzidas na cena duas réguas Remid1

utilizadas posteriormente como fonte de informação para a calibração das cores na ima-

gem. A escolha de utilização de duas réguas (posicionadas de maneira perpendicular, na

horizontal e vertical) foi motivada pela necessidade de captura do máximo de variação

de intensidade de iluminação nas fotos, de modo a obter-se valores de calibração mais

Ądedignos.

Como forma de simular a amostragem em três regiões da carne, separadores plás-

ticos de cor preta foram Ąxados nas amostras, dividindo-as em três áreas, correspondentes

às regiões onde as medições via colorímetro foram realizadas.

Um sensor auxiliar de nível de luminosidade presente em um smartphone foi adi-

cionado à cena, visando oferecer uma fonte extra de informação acerca das condições

de luminosidade no local, todavia, para os experimentos realizados essa informação foi

descartada.

As imagens obtidas não passaram por qualquer ajuste, recorte ou processamento,

1 <http://nitpar.pr.gov.br/catalogo-de-patentes/patente/regua-codiĄcada-para-padronizacao-de-imagens/>

44

sendo submetidas de forma original à metodologia de análise proposta.

O valor da região branca das réguas Remid foi mensurado através do colorímetro,

sendo que estas foram posicionadas sobre um pedaço de papel preto, minimizando assim

o reĆexo do fundo e inĆuências deste no valor das cores medidas. Um valor único de cor

foi determinado a partir da média das medições; a saber: L*a*b*(80.5, 0, −7.5) que cor-

responde ao valor RGB(136, 148, 171). Esse valor, em RGB, foi empregado posteriormente

na correção (calibração) das cores no sistema.

Na Figura 7 um exemplo das imagens utilizadas nos experimentos é apresentado.

Figura 7 Ű Exemplo de Imagem obtida nos experimentos

4.2 Metodologia proposta

A metodologia proposta consiste em, primeiramente, se aplicar um procedimento

de normalização de efeitos de iluminação, para em seguida isolar (segmentar) as regiões

de interesse na cena, que consistem no músculo e nas réguas Remid. Tendo em posse

esses objetos, um procedimento de calibração de cores na imagem é realizado, no qual

coeĄcientes de correção de cor são determinados a partir das réguas e aplicados na imagem

original. Após esse passo se obtém os valores de L*a*b* para cada região da amostra,

extraindo também informações estatísticas relevantes sobre as áreas analisadas.

A Figura 8 apresenta de forma sintética os procedimentos realizados na metodo-

logia proposta.

45

Figura 8 Ű Visão geral da metodologia desenvolvida [Fonte: autor]

A metodologia criada foi totalmente escrita em Matlab, levando em consideração

a agilidade e facilidade de desenvolvimento, além da eĄciência em processamento de ima-

gens. Cada imagem na base de dados foi lida do disco e submetida ao processo descrito

anteriormente.

A seguir, cada etapa da metodologia será detalhada, destacando-se os passos rea-

lizados e comandos em Matlab utilizados.

4.2.1 Normalização de efeitos de iluminação

Antes de se realizar qualquer ação de separação de objetos na cena e medida de

cores, o primeiro passo é aplicar uma técnica de Normalização de efeitos de Iluminação na

imagem. O procedimento desenvolvido visa homogeneizar o aspecto visual da iluminação

incidente na cena. Como pode ser observado na Figura 7, principalmente nas regiões

direita e central da foto, é possível perceber a presença de focos de luz, que afetam

também a porção de carne na cena.

Para realizar essa normalização de percepção da iluminação, parte-se de uma abor-

dagem utilizando uma cópia da mesma imagem analisada, sobre a qual são aplicadas ope-

rações, de forma a obter valores de atenuação ou acentuação (a cada pixel) de intensidade

quando necessário.

Primeiramente, a cópia da imagem é submetida a uma operação de borramento

Gaussiano (Gaussian Blur), utilizando uma porcentagem do tamanho da imagem para a

deĄnição das dimensões do Kernel utilizado na operação. Esse procedimento é ilustrado

no Algoritmo 4.1.

Algoritmo 4.1 Ű Aplicação de Ąltro de borramento Gaussiano

46

1 % Cø p ia da imagem

2 im_dup = im ;

3 % Tamanho do f i l t r o como porcentagem do tamanho da imagem

4 tamanho_fi l tro = f l o o r ( ( s i z e ( im , 1 ) ∗ s i z e ( im , 2 ) ) ∗0 .00002) ;

5 % Cria ção do f i l t r o Gaussiano

6 gauss = f s p e c i a l ( Š gauss ian Š , [ tamanho_fi l t ro tamanho_fi l tro ] , 5 ) ;

7 % Apl ica ção do f i l t r o

8 im_blur = i m f i l t e r ( im_dup , gauss ) ;

Após esse passo a imagem possui o aspecto demonstrado na Figura 9, sendo que

os focos de iluminação foram espalhados, devido ao borramento.

Figura 9 Ű Imagem da Amostra após a aplicação de Blur

A imagem resultante é então invertida através da função imcomplement. Esse pro-

cedimento corresponde a aplicar a operação:

�r = 255 − �b,

onde �r é a imagem resultante e �b é a imagem com Blur.

O aspecto resultante da inversão é demostrado pela Figura 10. Nota-se que devido

ao processo de complemento, ou inversão, as regiões com níveis altos de intensidade pas-

saram a possuir baixos níveis, enquanto que as regiões com baixa intensidade passaram

a possuir altos níveis. Além disso, pelo fato dos focos de iluminação terem sido borrados

atráves da operação de Blur, a aplicação da inversão de intensidade causa um efeito de

gradiente nos focos de iluminação, que partem de uma coloração mais escura no centro

do foco, tornando-se gradativamente mais claros, conforme o raio do foco aumenta.

47

Figura 10 Ű Imagem da Amostra após inversão de cores

Nessa etapa, a imagem processada possui atenuação nas regiões com focos de

iluminação. Todavia, somente a informação de brilho (luminância) é relevante para o

processo de normalização. Por essa razão, o canal de intensidade (V) do espaço HSV é

extraído da imagem invertida, como é demostrado no trecho 4.2.

Algoritmo 4.2 Ű Extração do canal de brilho do espaço HSV

1 % Canal de Br i lho tomado

2 HSV = rgb2hsv ( im_inv ) ;

3 im_des = HSV( : , : , 3 ) ;

Figura 11 Ű Canal V (HSV) da imagem borrada e invertida

48

A Figura 11 apresenta o canal V extraído da imagem borrada e invertida, como já

descrito. Como comentado, os locais anteriormente mais claros tornaram-se regiões mais

escuras e, do mesmo modo, as porções da imagem com tonalidades mais escuras passaram

a ter altos níveis de brilho, como é o caso das regiões pretas e de sombra.

Essa informação de Intensidade de brilho é combinada com a imagem original,

através da equação de Overlay de camadas [40]:

� =�

255×

⎠

� +2 × �

255× (255 − �)

⎜

,

onde � é a camada superior e a camada inferior é �.

Para a aplicação em questão, toma-se como camada superior a representação de

intensidade obtida do espaço HSV, e como camada inferior, a imagem original.

A aplicação da equação de Overlay é ilustrada no Algoritmo 4.3.

Algoritmo 4.3 Ű Aplicação da operação de Overlay de camadas na imagem original

1 % Conversão para ponto f lu tuante ,

2 % de forma a e v i t a r over f l ow de p i x e l .

3 R = double ( im ( : , : , 1 ) ) ;

4 G = double ( im ( : , : , 2 ) ) ;

5 B = double ( im ( : , : , 3 ) ) ;

6 % Apl ica ção da equa ção de Overlay a cada cana l

7 R_eq = uint8 ( (R/255) . ∗ (R+(2∗ im_des /255) .∗(255 −R) ) ) ;

8 G_eq = uint8 ( (G/255) . ∗ (G+(2∗ im_des /255) .∗(255 −G) ) ) ;

9 B_eq = uint8 ( (B/255) . ∗ (B+(2∗ im_des /255) .∗(255 −B) ) ) ;

10 % Imagem r e s u l t a n t e

11 im_eq = cat (3 , R_eq , G_eq , B_eq) ;

A Figura 12 apresenta uma comparação entre a imagem original e a imagem nor-

malizada. Como é possível perceber, após o processamento se obtém uma distribuição

homogênea de iluminação (12b), eliminando-se os focos incidentes de iluminação que po-

dem ser percebidos em 12a.

49

(a) Imagem Original (b) Imagem Normalizada

Figura 12 Ű Comparação entre a imagem original e após Normalização de Luminosidade

4.2.2 Segmentação

Após a normalização de Luminosidade, para o prosseguimento na análise da cor é

necessário se obter as duas Regiões de Interesse (ROI s) na cena, correspondentes à carne

e as Réguas Remid, o que é realizado de forma separada, utilizando como base conversões

de espaços de cor, limiarização e crescimento de região.

Os procedimentos utilizados para a segmentação dos objetos relevantes na cena

serão descritos nas subseções a seguir.

4.2.2.1 Segmentação da Carne

O procedimento para segmentação da carne na cena está pautado no fato de existir

grande contraste entre a coloração do fundo empregado e o músculo propriamente dito.

Todavia, a utilização do espaço RGB, onde as imagens estão originalmente representadas,

não oferece meios facilitados para a determinação de um valor de corte, uma vez que a

manipulação da tonalidade, ou Matiz, é realizada através da combinação de intensidade

de três componentes (R, G e B) e, não existe contraste suĄciente para binarização utili-

zando somente um canal para análise. Por essa razão, a imagem é convertida para uma

representação em HSV, onde se toma o resultado da subtração dos canais V (Valor) e H

(Matiz). Esse abordagem foi motivada pelo fato de que para o componente H a coloração

da carne possui baixa intensidade (um valor próximo a 0), enquanto que para o fundo o

nível de intensidade em H é alto. Esses valores se relacionam ao ângulo que representa a

Matiz da cor. Dessa forma, na subtração, retira-se em V valores de baixa de intensidade

na região da carne, enquanto que para o fundo valores maiores são subtraídos. Esse pro-

cedimento aumenta o contraste entre a região de peito de frango e fundo, permitindo um

processo de limiarização mais efetivo.

50

A imagem resultante apresenta de forma destacada a carne e os marcadores; e

como a carne é o objeto de interesse, pixels onde os valores de cor na imagem original

são maiores que a média de cor no respectivo canal são zerados (valores que tendem ao

branco). Após esse procedimento um valor de limiar é determinado através da técnica

desenvolvida por Otsu [17]. Um Ąltro de mediana é aplicado na imagem antes do processo

de limiarização, de modo a eliminar possíveis ruídos.

O Algoritmo 4.4 apresenta o processo de aplicação do Ąltro de mediana, conversão

para HSV, subtração dos canais V e H, remoção de regiões brancas e a determinação e

aplicação do limiar para binarização.

Algoritmo 4.4 Ű Primeira etapa da segmentação da carne

1 % separa ção dos cana i s

2 R = imdata ( : , : , 1 ) ;

3 G = imdata ( : , : , 2 ) ;

4 B = imdata ( : , : , 3 ) ;

5 % mediana

6 R = med f i l t 2 (R, [ 3 3 ] ) ;

7 G = med f i l t 2 (G, [ 3 3 ] ) ;

8 B = med f i l t 2 (B, [ 3 3 ] ) ;

9 % concatena ção dos cana i s

10 imdata = cat (3 ,R,G,B) ;

11 % convers ão para HSV

12 HSV = rgb2hsv ( imdata ) ;

13 H = HSV( : , : , 1 ) ;

14 V = HSV( : , : , 3 ) ;

15 % c r i a ção da má scara

16 im_mask = V−H;

17 % remoção de branco

18 im_mask(R > mean2(R) & G > mean2(G) & B > mean2(B) ) = 0 ;

19 % l i m i a r i z a ção v ia Otsu

20 t = graythresh ( im_mask) ;

21 im_mask( im_mask < t ) = 0 ;

22 im_mask( im_mask ~= 0) = 255 ;

Até esse ponto, a máscara obtida pode conter pequenas regiões desconexas que não

fazem parte da máscara de carne e, que estão relacionadas a pequenos objetos na cena.

Por essa razão um procedimento de remoção de regiões pequenas com base no tamanho da

imagem é realizado. Cada uma das três regiões separadas nas amostras, nesse momento,

podem conter pixels correspondentes a brilho ou outros aspectos indesejados, como por

exemplo, pedaços de pele. Todavia, a remoção destes das máscaras pode tornar as regiões

51

desconexas, por essa razão se deĄnem três máscaras, correspondentes às áreas separadas

nas amostras. Para tal, um algoritmo de crescimento de região, com base em uma semente

é utilizado. Após o crescimento de uma área, esta é removida da máscara e armazenada

separadamente. Por Ąm, através de um processo de limiarização via proporção de cores na

imagem, se remove da máscara original as regiões indesejadas e, através de uma operação

lógica AND combina-se a máscara Ąnal de carne com cada uma das regiões deĄnidas.

Esses passos estão descritos no Algoritmo 4.5.

Algoritmo 4.5 Ű Segunda etapa da segmentação da carne

1 % remoção de r e g i õ es pequenas da imagem

2 im_mask = bwareaopen ( im_mask , f l o o r ( ( s i z e ( im_mask , 1 ) ∗ s i z e (

im_mask , 2 ) ) ∗0 .003) , 4) ;

3 im_mask2 = im_mask ;

4 % es t ru tu ra para armazenamento

5 areas = ze ro s ( s i z e ( im_mask , 1 ) , s i z e ( im_mask , 2 ) ,3 ) ;

6 f o r i =1:3

7 % semente

8 [ x y ] = f i nd ( im_mask , 1 , Š f i r s t Š ) ;

9 i f ( x > 0)

10 % cresc imento de r e g i ão

11 areas ( : , : , i ) = regionGrowing ( im_mask , x , y ) ;

12 end

13 % remoção de r e g i ão da má scara

14 im_mask = im_mask − areas ( : , : , i ) ;

15 im_mask = bwareaopen ( im_mask , f l o o r ( ( s i z e ( im_mask , 1 ) ∗ s i z e (

im_mask , 2 ) ) ∗0 .003) , 4) ;

16 end

17 % remoção de r e g i õ es i nde s e j ada s

18 im_mask2 (0 . 8 7∗ (G+B) > R) = 0 ;

19 % combina ção da má scara o r i g i n a l com as r e g i õ es obt idas

20 areas ( : , : , 1 ) = l o g i c a l ( a reas ( : , : , 1 ) & im_mask2) ;

21 areas ( : , : , 2 ) = l o g i c a l ( a reas ( : , : , 2 ) & im_mask2) ;

22 areas ( : , : , 3 ) = l o g i c a l ( a reas ( : , : , 3 ) & im_mask2) ;

O uso de uma porcentagem de 0.3% para remoção de regiões pequenas foi deter-

minado de maneira experimental. Além disso, o uso de 0.87% da soma dos canais G e B

como valor para comparação com o canal R, foi determinado após testes.

Com o uso dos procedimentos descritos obtém-se três máscaras, correspondentes

a cada uma das regiões das amostras.

52

4.2.2.2 Segmentação das Réguas Remid

Para obtenção da máscara correspondente à parte branca das réguas na imagem

(que é utilizada para a calibração do sistema), parte-se do pressuposto que a cor branca no

espaço de cor RGB corresponde ao nível máximo de intensidade nos três canais do sistema.

Todavia, devido à propriedades do material que os marcadores são feitos e mesmo das

condições na captação da cena, a cor presente na imagem tende a possuir um certo nível de

acinzentamento, não sendo puramente branca. Por essa razão, no processo de segmentação

leva-se em consideração apenas as maiores áreas da imagem onde os valores de R, G e B

são maiores que as médias de intensidade dos canais correspondentes. Esse processo está

representado no Algoritmo 4.6. Novamente, a escolha da porcentagem para remoção de

pequenas regiões conexas foi determinada de forma experimental.

Algoritmo 4.6 Ű Segmentação dos Marcadores Remid

1 % Binar i za ção com base na mé dia de in t en s idade

2 R(R < mean2(R) ) = 0 ;

3 G(G < mean2(G) ) = 0 ;

4 B(B < mean2(B) ) = 0 ;

5 R(R ~= 0) = 255 ;

6 G(G ~= 0) = 255 ;

7 B(B ~= 0) = 255 ;

8 % Cria ção da má scara bin á r i a

9 mask = R & G & B;

10 % Remoção de r e g i õ es pequenas

11 mask = bwareaopen (mask , f l o o r ( ( s i z e (mask , 1 ) ∗ s i z e (mask , 2 ) ) ∗0 .05 ) )

;

A partir da aplicação dos procedimentos apresentados obtém-se uma máscara cor-

respondente à porção branca dos marcadores Remid.

4.2.3 CoeĄcientes de Correção de Cor e Calibração de Cores

Após o processo de Normalização de Efeitos de Luminosidade, utilizado-se a más-

cara correspondente aos marcadores Remid obtém-se o valor médio de branco nas réguas

presentes na cena. Esse valor é comparado então com a grandeza mensurada através

do colorímetro nos marcadores. CoeĄcientes correspondentes a cada canal RGB são de-

terminados através de uma proporção entre os valores de cor branca comparados. Esse

procedimento é ilustrado no Algoritmo 4.7.

Algoritmo 4.7 Ű Determinação dos coeĄcientes de calibração de cor

1 % Mé dia dos v a l o r e s de branco na r égua

2 media_R = mean2(R( ruler_mask ) ) ;

53

3 media_G = mean2(G( ruler_mask ) ) ;

4 media_B = mean2(B( ruler_mask ) ) ;

5 % C o e f i c i e n t e s de c a l i b r a ção v ia propor ção

6 % Constantes p roven i en t e s da mensura ção das r é guas

7 % via c o l o r í metro

8 coef_R = 136.0/media_R ;

9 coef_G = 148.0/media_G ;

10 coef_B = 171.0/media_B ;

Os coeĄcientes de calibração são aplicados nos canais RGB correspondentes, o que

corresponde a multiplicar cada valor de pixel pelo coeĄciente determinado, acarretando

no aumento ou diminuição de intensidade, de acordo com proporcionalidade entre o valor

de calibração e o existente na cena. Esse procedimento é apresentado no Algoritmo 4.8

Algoritmo 4.8 Ű Aplicação dos coeĄcientes de calibração de cor

1 % Uso da fun ção p i s o para obten ção de va l o r i n t e i r o

2 R = f l o o r (R∗coef_R ) ;

3 G = f l o o r (G∗coef_G ) ;

4 B = f l o o r (B∗coef_B ) ;

4.2.4 Conversão para L*a*b*

A conversão de RGB para L*a*b* é realizada utilizando-se um algoritmo desenvol-

vido porMark Rufon para Matlab [41]. O algoritmo realiza uma conversão RGB - XYZ -

L*a*b* e utiliza o iluminante padrão D65 [42], estando baseado na recomendação BT.709

do ITU-R. A ordem de erro obtida na transformação de RGB para CIELAB e novamente

RGB é de 10⊗5.

4.2.5 Extração de Informações

Tendo em posse a imagem já convertida para o espaço de cor L*a*b* e as máscara

nas quais as três porções da carne estão representadas, informações estatísticas são ex-

traídas de cada região e canal (R, G, B, L*, a* e b*) para análise posterior. Dentre estas,

a média de cor (função nanmean), o desvio padrão de cor (função std2 ) e o tamanho da

região em pixels (função size).

4.2.6 Visão Geral do Framework

A Figura 13 apresenta um resumo geral dos resultados de cada etapa principal do

Framework. A imagem original lida (passo 1) é apresentada na Figura 13a. Após o processo

de Normalização de Luminosidade (passo 2), a imagem resultante do procedimento é

apresentada na Figura 13b. As máscaras das três regiões da amostra de carne (passo 3)

54

são apresentadas nas Figuras 13c, 13d e 13e, sendo que a máscara combinada é mostrada

na Figura 13f. O resultado da segmentação das Réguas Remid (passo 4) presentes na cena

encontra-se na imagem 13g. Após a etapa de Calibração de Cores (passo 5), o resultado

da aplicação da máscara combinada das regiões da amostra está presente na Figura 13h.

Por Ąm, após a conversão de RGB para L*a*b* (passo 6), uma representação gráĄca das

Informações extraídas (passo 7) é apresentada na Figura 13i.

(a) Imagem original (b) Normalização de Iluminação (c) Máscara da Região 1

(d) Máscara da Região 2 (e) Máscara da Região 3 (f) Máscara combinada da carne

(g) Máscara das réguas Remid (h) Máscara aplicada após Cali-

bração de Cores

Regiões

02

04

06

08

01

00

R

G

B

L*

a*

b*

std L*

std a*

std b*

(i) Extração de informações

Figura 13 Ű Resultados em imagens de cada etapa principal do Framework

55

4.3 Métricas de Avaliação da Cor

Um modelo de regressão linear foi utilizado para comparação entre os resultados

obtidos pelo Framework construído e os valores medidos através do colorímetro. Nessa

forma de avaliação, uma adequação ideal entre a média de cor obtida pelo Framework e

os valores do colorímetro corresponde às mesmas coordenadas (�, �) na linha. Grandes

variações entre a localização dos pontos entre os dois modelos indicam uma baixa relação

entre os dados.

O CoeĄciente de Determinação (�2) foi obtido a partir da análise por regressão,

sendo que essa medida representa o quão acurado é o modelo proposto em relação ao

colorímetro. Uma linha reta na regressão linear representa um valor de �2 = 1 e, implica

que o Framework de identiĄcação de cores representa toda a variabilidade dos dados

obtidos a partir do colorímetro.

Para se calcular a área de análise abrangida pelo Framework as réguas Remid pre-

sentes na cena foram usadas como referência, já que possuem um conjunto de marcadores

quadrados com 10��2, permitindo a conversão de número de pixels para ��.

Como forma de avaliação do desempenho do Framework em cada canal de cor

L*a*b*, a diferença normalizada de cor média (Average Normalized Color Difference)

[43] foi utilizada. Estes valores são calculados como a diferença absoluta entre os valores

obtidos através do colorímetro e a abordagem proposta, divididos pelo intervalo máximo

de valores do respectivo canal de cor. Dessa forma, para a análise do canal L*, o valor de

divisão foi 100, enquanto que para os canais a* e b* o valor do divisor foi 200 (intervalo

de valores entre −100 e 100, de acordo com o colorímetro utilizado).

Além disso, a métrica de diferença de cores Δ� [44] foi empregada para avaliação

geral de cores em cada amostra analisada.

Para a validação do método de Normalização de Efeitos de Iluminação desenvol-

vido, uma análise comparativa entre a presença da etapa de correção e sua ausência foi

realizada utilizando o valor de Δ�, a diferença normalizada de cor e o Desvio Padrão do

canal de Iluminação (L*) observado.

A Ągura 14 apresenta a metodologia de avaliação utilizada para comparação do

método desenvolvido. Pelo fato das análises realizadas mostrarem o impacto negativo

da remoção da metodologia de normalização, como será discutido posteriormente, uma

avaliação mais detalhada dos resultados provenientes da remoção da metodologia para

normalização de iluminação incidente foi omitida. A comparação entre os valores obtidos

com a presença e ausência da etapa em questão do Framework será realizada na Seção 5.5.

Como percebido na Ągura, o processo geral de avaliação se inicia com a escolha de uma

amostra de carne (passo 1), a mensuração com colorímetro (descrito na Seção 4.1) desta

(passo 2) e a aquisição da imagem referente à amostra (passo 3). A partir de então dois

56

Ćuxos são realizados, sendo que em um destes a etapa de Normalização de Luminosidade

(passo 4) é omitida. Em ambos os casos as etapas de segmentação (passo 5), Calibração

de Cores (passo 6), Conversão para L*a*b* (passo 7) e Extração de Informações (passo

8) são iguais. Por Ąm, tendo em posse os valores obtidos a partir dos passos 2 e 8, as

métricas referentes à cor são calculadas (passo 9).

Figura 14 Ű Visão geral da metodologia de avaliação utilizada [Fonte: autor]

57

5 RESULTADOS E DISCUSSÃO

O Framework desenvolvido foi aplicado às imagens das amostras coletadas, ge-

rando várias imagens para auxílio na inspeção visual dos passos realizados no algoritmo.

Além disso, arquivos de texto com informações estatísticas sobre a cor medida através

do Framework foram armazenados para posterior análise e avaliação do modelo proposto.

Para cada região das amostras foram extraídas as seguintes grandezas: média de cor em

cada canal dos espaços RGB e L*a*b*, Desvio Padrão dos respectivos canais e o tamanho

em pixels da porção analisada.

5.1 Resultados da Mensuração de Cor

Após a realização dos experimentos o valor geral de diferença de cor (Δ�) [24]

entre o colorímetro e a abordagem proposta foi menor que 5.2, o que segundo [15] é um

resultado aceitável comercialmente. De fato, valores de Δ� menores que 2.2 não podem ser

percebidos pela visão humana [45, 24, 30]. No entanto, esse resultado não é considerado

uma falha da abordagem proposta, devido a vários aspectos relacionados à análise via

colorímetro (área de abrangência, estratégias de amostragens, etc.), sendo que esses fatos

serão discutidos em detalhes na Seção 5.6.

02

46

810

Amostras

Dife

rença d

e C

or

Norm

aliz

ada

Imagem 38Imagem 48

Imagem 52

0 5 10 15 20 25 30 35 40 45 50

Figura 15 Ű Diferenças de Cor Normalizadas entre o colorímetro e o Framework. Diferen-

ças para L* (triângulos), a* (círculos) e b* (quadrados)

A Figura 15 apresenta a comparação das diferenças normalizadas de cor entre o

Framework e o colorímetro. Vale destacar que o componente a* teve a diferença média

58

menor que 0.5%, enquanto que nos canais L* e b* a diferença normalizada média foi

menor que 4%.

Tabela 1 Ű Resumo dos Resultados Gerais

Diferença Norm. �2 àcor colorímetro àcor Framework

L* 3.65 0.99 2.32 1.61

a* 0.46 0.74 0.67 1.43

b* 1.52 0.88 1.29 2.56

A Tabela 1 mostra as diferenças dos atributos de cor (L*, a* e b*) entre o colo-

rímetro e o Framework de identiĄcação de cores. Os resultados mostraram a ocorrência

de variação nesses atributos, sendo que o componente L* acumulou a maior parte da

diferença observada (3.65), seguido pelo componente b* (1.52) e o componente a* (0.46).

No entanto, analisando o coeĄciente de Determinação para o canal L* (0.99), é possível

perceber que os valores de L* obtidos pela abordagem proposta tem um comportamento

similar em relação ao colorímetro, sendo que as diferenças percebidas foram causadas na

etapa de calibração do Framework, mas não compromentem a interpretação Ąnal da cor

em um cenário real. Outro fator que justiĄca um valor mais alto de diferença geral no

componente L* é o valor de desvio padrão para o colorímetro (àcolorímetro): utilizando-se o

mesmo dispositivo de medida de cor e a mesma amostra de carne, o colorímetro resultou

em um valor mais alto de desvio padrão que o Framework. Em [46] foi reportado um

intervalo maior de valores para L* inĆuenciado por diversos fatores. Todos os resultados

obtidos estão de acordo com estudos prévios [46, 47].

Na Figura 16 é apresentada uma comparação entre as diferenças de cor e o tamanho

da região analisada pelo Framework. Para propósito de visualização, o tamanho em pixel

das regiões foi normalizado por 104, uma vez que a discussão está relacionada à inĆuência

do tamanho da região na diferença de cor. Como pode ser percebido através da Figura,

o tamanho da região analisada pelo Framework não inĆuenciou no valor das diferenças

no canal de Luminosidade, já que não existe uma relação explícita entre o aumento do

tamanho das regiões analisadas e as diferenças de intensidade. Essa análise será retomada

em mais detalhes para cada canal do espaço de cor CIELab.

5.2 Análise do componente L*

A diferença média os valores de L* obtidos pelo Framework proposto e pelo colo-

rímetro foi de 3.65, com valor mínimo de 0.01 e 9.94 no máximo. O valor de �2 = 0.99

para o coeĄciente de determinação mostrou uma signiĄcante relação entre ambos os mé-

todos de avaliação de cores. Um valor alto para o coeĄciente de determinação valida a

59

05

10

15

Dife

rença L

*

L*

05

10

15

Dife

rença a

*

a*

05

10

15

Dife

rença b

*

b*

0 20 40 60 80 100 120 140 160

Regiões das amostras ordenadas por diferença de cor

Figura 16 Ű Comparação entre o tamanho das regiões analisadas (linhas com pontos) eas diferenças de cor (triângulos)

abordagem proposta para a mensuração de intensidade no componente L* e, implica em

um comportamento global similar para acréscimo e decréscimo em L*.

Como descrito pela Figura 16, o tamanho da região analisada não inĆuenciou no

valor de diferença de cor entre o colorímetro e o Framework, pois não existe relação

explícita de crescimento entre essas duas grandezas.

5.3 Análise do componente a*

O Framework proposto alcançou um valor de 0.74 para o coeĄciente de deter-

minação (�2) no canal a*. Esse resultado mostra que uma regressão linear não explica

totalmente a relação entre os valores obtidos pelo Framework e a abordagem instrumental

(colorímetro). Dessa forma, é correto aĄrmar que os valores obtidos através do método

proposto não possuem uma relação linear com os valores obtidos através do colorímetro.

No entanto, o canal a* teve a menor diferença de cor dentre todos os componentes, o que

garante a robustez da abordagem proposta.

Na Figura 16 um comportamento similar entre o aumento das diferenças de cor e

o tamanho da regiões analisadas pode ser percebido. Dessa forma, é possível assumir que

a diferença aumentou quando a região analisada apresentou valores de cor heterogêneos.

Dessa forma, o Framework apresenta resultados mais acurados, uma vez que a mensura-

ção via colorímetro não cobre toda a superfície da carne e, assim, não captura todas as

variações de cor na superfície da carne.

60

(a) Imagem 48 (Original) (b) Imagem 48 (Processada)

Figura 17 Ű Imagem 48, composta pela Região 1 (segmento da esquerda), 2 (segmento do

meio) e 3 (segmento da direita), com maior diferença para o canal a*

A diferença normalizada de cor geral para o canal a* foi de 0.46. A maior diferença

foi encontrada na Imagem 48, apresentada na Figura 17a. As diferenças foram 0.98 para

a Região 1, 1.53 para a Região 2, 1.54 para a Região 3 e 1.35 considerando-se a imagem

inteira. A Figura 17b mostra o resultado do processamento da imagem após a remoção de

brilho, ruído e fundo, mantendo-se apenas a região de músculo do frango. Essa amostra

apresenta aspectos de cor vermelho escuro, com variações sobre a superfície da carne.

Essas diferenças podem causar medidas errôneas quando utilizando o colorímetro, devido

à pequena área que é medida pelo dispositivo. Além disso, uma forte reĆexão especular

foi observada na imagem, o que reduziu a área analisada pela abordagem proposta.

A menor diferença entre a abordagem proposta e o colorímetro foi menor que 0.01

para o canal a*.

5.4 Análise do componente b*

O valor de �2 = 0.88 para o canal b* demonstra um comportamento similar

entre os valores do Framework e do colorímetro. Na Figura 16, é possível perceber uma

relação inversa entre a diferença de cor e o tamanho da região analisada: a diferença

normalizada tende a aumentar quando o tamanho da região diminui. Uma explicação

para esse comportamento pode ser relacionada à espessura da amostra, uma vez que as

regiões mais pequenas foram encontradas nas amostras mais Ąnas. Essa observação está

de acordo com fato de o colorímetro possuir uma fonte de luz que penetra cerca de 20

mm na superfície da carne [12]. Dessa forma, durante o processo de amostragem via

61

abordagem instrumental, a espessura da carne resultou na luz proveniente do colorímetro

atingindo o fundo azul e aumentando a diferença de cor. De fato, o Framework gerou cores

mais ŞamareladasŤ para as amostras, enquanto que o colorímetro tendeu a gerar cores mais

ŞazuladasŤ. Vale mencionar que várias amostras na base possuiam uma espessura pequena,

todavia essa propriedade não inĆuenciou na mensuração dos componentes L* e a*.

A diferença normalizada de cor média para o componente b* foi 1.52. A maior dife-

rença encontrada foi na Imagem 38, com diferença absoluta normalizada de cores de 3.10

para a Região 1, 2.29 para a Região 2, 3.00 para a Região 3 e, 2.80 considerando a imagem

inteira. Essa imagem é apresentada na Figura 18a. A Figura 18b apresenta o resultado

do processamento na Imagem 38, após a remoção de brilho, fundo, ruído, mantendo-se

apenas a porção de músculo da imagem. Essa amostra possui uma coloração heterogênea

em sua superfície, com a presença de uma camada de pele que pode ser observada prin-

cipalmente no centro da amostra. É possível perceber também regiões ŞesbranquiçadasŤ

na imagem. Esses fatores inĆuenciaram na abordagem instrumental de análise, enquanto

foram evitados no abordagem do Framework, como pode ser visualizado na imagem da

amostra segmentada apresentada na Figura 18b.

(a) Imagem 38 (Original) (b) Imagem 38 (Processada)

Figura 18 Ű Imagem 38, composta pela Região 1 (segmento superior), 2 (segmento central)

e 3 (segmento inferior), com a maior diferença no canal b*

A Figura 19a apresenta a Imagem 52, que apresentou a menor diferença de cores

para o canal b*.

62

(a) Imagem 52 (Original) (b) Imagem 52 (Processada)

Figura 19 Ű Imagem 52, composta pela Região 1 (segmento da esquerda), 2 (segmento do

meio) e 3 (segmento da direita), com a menor diferença no canal b*

Nessa amostra, as Regiões 1 (0.08), 2 (0.009) e 3 (0.17) possuem uma espessura que

não permite a penetração total da luz, o que evita a inĆuência do fundo na mensuração

da cor. A diferença absoluta normalizada considerando a amostra inteira foi menor que

0.09. Na Figura 19b, a amostra segmentada apresenta uma região homogênea de cor, livre

de gordura e brilho.

5.5 Validação da abordagem de Normalização de Efeitos de Ilu-

minação

A utilização do Framework com a remoção da etapa de Normalização de efeitos

de Iluminação gerou um resultado geral Δ� = 9.57, o que foge dos padrões aceitáveis

em uma aplicação comercial, como descrito anteriormente, em detrimento do resultado de

Δ� = 5.2 obtido com a adição do método de normalização proposto. O valor médio de

diferença de cor normalizada foi de 7.84 com a remoção da metodologia de normalização,

contrastando com o valor de 3.65 anteriormente discutido.

Além disso, o desvio padrão médio do canal L* calculado entre as três Regiões

em cada amostra foi de 1.13 para a versão do Framework sem a Normalização de Ilu-

minação, enquanto que o valor com a inserção do método foi de 0.64. Esses resultados

demonstram uma menor variação nos valores de iluminação, considerando-se cada amos-

tra individualmente, após a adição do método proposto. Dessa forma, é possível concluir

que a metodologia desenvolvida para a Normalização de efeitos de Iluminação tornou a

63

distribuição de valores no componente L* mais uniforme, tendo atenuado os focos de ilu-

minação presentes nas imagens, o que pôde ser percebido também através da inspeção

visual das mesmas.

5.6 A inĆuência da estratégia de amostragem na mensuração da

cor

A área de cobertura do colorímetro está entre 8 ��2 e 11 ��2 [48], aproximada-

mente, enquanto que a menor área coberta pelo Framework após a etapa de segmentação

foi de 29.94 ��2. A maior área abrangida pelo Framework foi de aproximadamente 523.43

��2. Vale ressaltar que cada músculo foi dividido em três regiões, em outras palavras,

os valores de área apresentados correspondem a uma dessas regiões.

A Figura 20 apresenta a imagem de uma amostra de carne e quatro estratégias de

amostragem utilizando o colorímetro. A Figura 20b mostra o resultado após o processo

de segmentação do Framework, aplicado sobre a imagem 20a. É possível perceber que

um estrutura similar de músculo foi mantida para análise de cor, enquanto que regiões

indesejadas foram removidas da imagem, como a gordura. A imagem 20c apresenta uma

amostragem hipotética utilizando a abordagem tradicional com o colorímetro. Para de-

monstrar a importância do treinamento do especialista para a realização da mensuração

das cores, as Ąguras 20d e 20e mostram duas abordagens hipotéticas ruins de amostragem.

Na primeira é possível perceber regiões de gordura e pele, indesejáveis para a mensuração.

Uma outra variação de má amostragem é apresentada na Figura 20e, onde uma abordagem

tendenciosa foi empregada visando alcançar menor desvio padrão e, assim, cores mais uni-

formes. Dessa forma, o Framework proposto evita abordagens errôneas para amostragem,

alcançando resultados mais acurados e reĆetindo as características reais de cor presentes

na superfície da carne.

(a) Original

(b) Amostragem por segmenta-

ção

(c) Amostragem satisfatória

(d) Amostragem insatisfatória (e) Amostragem tendenciosa

Figura 20 Ű Regiões do músculo e estratégias de amostragem

65

6 CONCLUSÃO

Este trabalho apresentou uma metodologia alternativa ao uso do colorímetro para

avaliação de cor em carne de frango utilizando Visão Computacional e técnicas de pro-

cessamento de imagens. Esse tipo de abordagem soluciona a subjetividade da abordagem

tradicional, além de tomar a amostra inteira para avaliação, sem a exigência de contato

com a mesma, evitando assim sua degradação.

Em propostas similares, ambientes fechados e com iluminação controlada foram

empregados, buscando-se um modelo de iluminação uniforme de luz incidente, todavia não

foi realizado qualquer procedimento de ajuste nos efeitos de iluminação na cena captu-

rada, o que implicou em maior rigidez e controle na aquisição das imagens. O Framework

proposto apresenta uma metodologia para Normalização de Efeitos de Iluminação inci-

dente, como focos de iluminação, o que permite a implantação do modelo em um ambiente

com iluminação menos controlada, como é o caso das rotinas de produção.

Os resultados obtidos de forma comparativa com a mensuração via colorímetro

mostraram a viabilidade de utilização do modelo proposto para a avaliação da cor em

carne de frango, uma vez que um valor inferior a 5.2 para a métrica Δ� demostra que o

modelo proposto pode ser utilizado em aplicações comerciais. Além das vantagens de um

CVS já mencionadas, e a abordagem de Normalização de Iluminação, um diferencial no

Framework proposto, o sistema desenvolvido é uma alternativa de menor custo a utilização

do modelo instrumental de avaliação.

Como trabalhos futuros, testes com outras bases de dados podem ser realizados,

variando-se ambientes de aquisição com diferentes modelos de iluminação. Além disso, a

implantação da solução proposta em um frigoríĄco poderia ser realizada, de forma a validar

a viabilidade de aplicação do controle de qualidade durante a rotina de produção. Ainda,

uma variação com a utilização de vídeos na captura das amostras poderia ser desenvolvida,

de maneira que além da Normalização dos Efeitos de Iluminação, os melhores frames

pudessem ser escolhidos, evitando-se assim presença de quantidade excessiva de brilho e

aumentando o tamanho das regiões analisadas.

67

7 CONTRIBUIÇÕES

Parte da técnica desenvolvida nesse trabalho foi empregada no trabalho [49], envi-

ado e apresentado no 11 SLACA (Simpósio Latino Americano de Ciências de Alimentos),

realizado em 2015 na Unicamp em Campinas.

Além disso, este trabalho foi publicado na revista Byosystems Engineering qualis

B2 em Engenharias IV [48].

69

REFERÊNCIAS

[1] DAVIES, E. Computer and Machine Vision: Theory, Algorithms, Practicalities.Elsevier, 2012. (Academic Press). ISBN 9780123869081. Disponível em:<http://books.google.com.br/books?id=AhVjXf2yKtkC>.

[2] CONCI, A. Computação Gráfica - Volume 2. [S.l.]: CAMPUS - GRUPO ELSEVIER,2007. ISBN 8535223290.

[3] GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing (3rd Edition). UpperSaddle River, NJ, USA: Prentice-Hall, Inc., 2006. ISBN 013168728X.

[4] WU, D.; SUN, D.-W. Colour measurements by computer vision for food qualitycontrol Ű a review. Trends in Food Science & Technology, v. 29, n. 1, p. 5Ű20, 2013.ISSN 0924-2244. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0924224412001835>.

[5] JACKMAN, P.; SUN, D.-W.; ALLEN, P. Recent advances in the use of computervision technology in the quality assessment of fresh meats. Trends in Food Science& Technology, v. 22, n. 4, p. 185 Ű 197, 2011. ISSN 0924-2244. Disponível em:<http://www.sciencedirect.com/science/article/pii/S0924224411000094>.

[6] BARBIN, D. F. et al. Prediction of chicken quality attributes by nearinfrared spectroscopy. Food Chemistry, v. 168, n. 0, p. 554 Ű 560, 2015. ISSN0308-8146. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0308814614011492>.

[7] FLETCHER, D. Poultry meat quality. World’s Poultry Science Journal, CambridgeUniv Press, v. 58, n. 02, p. 131Ű145, 2002.

[8] LESIÓW, T.; KIJOWSKI, J. et al. Impact of PSE and DFD meat on poultryprocessing-a review. Polish journal of food and nutrition sciences, POLISHACADEMY OF SCIENCES, v. 12, n. 2, p. 3Ű8, 2003.

[9] BARBUT, S.; ZHANG, L.; MARCONE, M. Efects of pale, normal, and dark chickenbreast meat on microstructure, extractable proteins, and cooking of marinatedĄllets. Poultry Science, Oxford University Press, v. 84, n. 5, p. 797Ű802, 2005.

[10] ZHANG, L.; BARBUT, S. Rheological characteristics of fresh and frozen PSE, normaland DFD chicken breast meat. British Poultry Science, v. 46, n. 6, p. 687Ű693, 2005.PMID: 16428111. Disponível em: <http://dx.doi.org/10.1080/00071660500391516>.

[11] ADZITEY, F.; NURUL, H. Pale soft exudative (PSE) and dark Ąrm dry (DFD)meats: Causes and measures to reduce these incidences-a mini review. InternationalFood Research Journal, v. 18, n. 1, p. 11Ű20, 2011.

[12] GIROLAMI, A. et al. Measurement of meat color using a computer vision system.Meat Science, v. 93, n. 1, p. 111 Ű 118, 2013. ISSN 0309-1740. Disponível em:<http://www.sciencedirect.com/science/article/pii/S030917401200277X>.

70

[13] III, W. T.; YANCEY, J.; APPLE, J. How is the instrumental color of meatmeasured? Meat Science, v. 89, n. 1, p. 1 Ű 5, 2011. ISSN 0309-1740. Disponível em:<http://www.sciencedirect.com/science/article/pii/S0309174010004134>.

[14] WU, D.; SUN, D. Colour measurements by computer vision for food quality controlŰ a review. Trends in Food Science & Technology, v. 29, n. 1, p. 5Ű20, 2013. ISSN0924-2244. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0924224412001835>.

[15] SHARIFZADEH, S. et al. Supervised feature selection for linear and non-linearregression of L*a*b* color from multispectral images of meat. EngineeringApplications of Artificial Intelligence, v. 27, n. 0, p. 211 Ű 227, 2014. ISSN0952-1976. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0952197613001784>.

[16] TRINDERUP, C. H. et al. Comparison of a multispectral vision system and acolorimeter for the assessment of meat color. Meat Science, v. 102, n. 0, p. 1 Ű7, 2015. ISSN 0309-1740. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0309174014004999>.

[17] OTSU, N. A threshold selection method from gray-level histograms. Systems, Manand Cybernetics, IEEE Transactions on, v. 9, n. 1, p. 62Ű66, 1979. ISSN 0018-9472.

[18] MELéNDEZ-MARTíNEZ, A. J.; VICARIO, I. M.; HEREDIA, F. J. Instrumentalmeasurement of orange juice colour: a review. Journal of the Science of Food andAgriculture, John Wiley & Sons, Ltd., v. 85, n. 6, p. 894Ű901, 2005. ISSN 1097-0010.Disponível em: <http://dx.doi.org/10.1002/jsfa.2115>.

[19] HUNT, R. W. G. The reproduction of colour. [S.l.]: John Wiley & Sons, 2005.

[20] ROSSEL, R. V. et al. Colour space models for soil science. Geoderma, Elsevier,v. 133, n. 3, p. 320Ű337, 2006.

[21] HUNT, R. W. G.; POINTER, M. R. Measuring colour. [S.l.]: John Wiley & Sons,2011.

[22] SURAL, S.; QIAN, G.; PRAMANIK, S. Segmentation and histogram generationusing the hsv color space for image retrieval. In: Image Processing. 2002. Proceedings.2002 International Conference on. [S.l.: s.n.], 2002. v. 2, p. IIŰ589ŰIIŰ592 vol.2.ISSN 1522-4880.

[23] VALOUS, N. A. et al. Colour calibration of a laboratory computer vision system forquality evaluation of pre-sliced hams. Meat Science, v. 81, n. 1, p. 132 Ű 141, 2009.ISSN 0309-1740. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0309174008002325>.

[24] JACKMAN, P.; SUN, D.; ELMASRY, G. Robust colour calibration of an imagingsystem using a colour space transform and advanced regression modelling.Meat Science, v. 91, n. 4, p. 402 Ű 407, 2012. ISSN 0309-1740. Disponível em:<http://www.sciencedirect.com/science/article/pii/S0309174012000599>.

71

[25] CHMIEL, M.; SşOWIńSKI, M.; DASIEWICZ, K. Lightness of the color measuredby computer image analysis as a factor for assessing the quality of pork meat.Meat Science, v. 88, n. 3, p. 566 Ű 570, 2011. ISSN 0309-1740. Disponível em:<http://www.sciencedirect.com/science/article/pii/S0309174011000714>.

[26] WAL, P. van der; BOLINK, A.; MERKUS, G. Diferences in quality characteristicsof normal, PSE and DFD pork. Meat Science, v. 24, n. 1, p. 79 Ű 84, 1988. ISSN0309-1740. Disponível em: <http://www.sciencedirect.com/science/article/pii/0309174089900090>.

[27] CHMIEL, M. et al. Use of computer vision system (cvs) for detection ofPSE pork meat obtained from m. semimembranosus. LWT - Food Scienceand Technology, v. 65, p. 532 Ű 536, 2016. ISSN 0023-6438. Disponível em:<http://www.sciencedirect.com/science/article/pii/S0023643815301158>.

[28] QUEVEDO, R. et al. Color changes in the surface of fresh cut meat: A fractalkinetic application. Food Research International, v. 54, n. 2, p. 1430 Ű 1436, 2013.ISSN 0963-9969. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0963996913005449>.

[29] GIROLAMI, A. et al. Image analysis with the computer vision system andthe consumer test in evaluating the appearance of lucanian dry sausage. MeatScience, v. 96, n. 1, p. 610 Ű 616, 2014. ISSN 0309-1740. Disponível em:<http://www.sciencedirect.com/science/article/pii/S0309174013004907>.

[30] TRINDERUP, C. H.; KIM, Y. H. B. Fresh meat color evaluation using a structuredlight imaging system. Food Research International, v. 71, n. 0, p. 100 Ű 107, 2015.ISSN 0963-9969. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0963996915000745>.

[31] CHANG, C.-I. Hyperspectral data exploitation: theory and applications. [S.l.]: JohnWiley & Sons, 2007.

[32] ELMASRY, G.; SUN, D.-W.; ALLEN, P. Near-infrared hyperspectral imagingfor predicting colour, ph and tenderness of fresh beef. Journal of FoodEngineering, v. 110, n. 1, p. 127 Ű 140, 2012. ISSN 0260-8774. Disponível em:<http://www.sciencedirect.com/science/article/pii/S0260877411006388>.

[33] WANG, C.; LI, Y.; WANG, C. An eicient illumination compensation based onplane-Ąt for face recognition. In: Control, Automation, Robotics and Vision, 2008.ICARCV 2008. 10th International Conference on. [S.l.: s.n.], 2008. p. 939Ű943.

[34] AN, G.; WU, J.; RUAN, Q. An illumination normalization model for facerecognition under varied lighting conditions. Pattern Recognition Letters,v. 31, n. 9, p. 1056 Ű 1067, 2010. ISSN 0167-8655. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0167865510000309>.

[35] FAN, C.-N.; ZHANG, F.-Y. Homomorphic Ąltering based illuminationnormalization method for face recognition. Pattern Recognition Letters,v. 32, n. 10, p. 1468 Ű 1479, 2011. ISSN 0167-8655. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0167865511001000>.

72

[36] LIAN, Z.; ER, M. J.; LIANG, Y. A novel eicient local illumination compensationmethod based on DCT in logarithm domain. Pattern Recognition Letters,v. 33, n. 13, p. 1725 Ű 1733, 2012. ISSN 0167-8655. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0167865512001675>.

[37] CHUDE-OLISAH, C. et al. Illumination normalization for edge-based facerecognition using the fusion of rgb normalization and gamma correction. In: Signaland Image Processing Applications (ICSIPA), 2013 IEEE International Conferenceon. [S.l.: s.n.], 2013. p. 412Ű416.

[38] STRUC, V. The INface toolbox v2.0 for illumination invariant face recognition.2010. Disponível em: <http://www.mathworks.com/matlabcentral/Ąleexchange/26523-the-inface-toolbox-v2-0-for-illumination-invariant-face-recognition>.

[39] CHEN, K.-N.; CHEN, C.-H.; CHANG, C.-C. Eicient illumination compensationtechniques for text images. Digital Signal Processing, v. 22, n. 5, p. 726 Ű 733, 2012.ISSN 1051-2004. Disponível em: <http://www.sciencedirect.com/science/article/pii/S1051200412000826>.

[40] The GIMP Documentation Team. Layer Modes – GNU Image ManipulationProgram (Gimp) documentation. 2014. Disponível em: <http://docs.gimp.org/en/gimp-concepts-layer-modes.html>.

[41] RUZON, M. RGB and CIELAB Converters. 2009. Disponível em: <http://robotics.stanford.edu/~ruzon/software/rgblab.html>.

[42] CONNOLLY, C.; FLEISS, T. A study of eiciency and accuracy in thetransformation from RGB to CIELAB color space. Image Processing, IEEETransactions on, v. 6, n. 7, p. 1046Ű1048, 1997. ISSN 1057-7149.

[43] LEóN, K. et al. Color measurement in L*a*b* units from RGB digital images. FoodResearch International, v. 39, n. 10, p. 1084 Ű 1091, 2006. ISSN 0963-9969. PhysicalProperties VI. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0963996906000470>.

[44] VALOUS, N. A. et al. Colour calibration of a laboratory computer vision system forquality evaluation of pre-sliced hams. Meat Science, v. 81, n. 1, p. 132 Ű 141, 2009.ISSN 0309-1740. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0309174008002325>.

[45] VALOUS, N. A. et al. Texture appearance characterization of pre-sliced porkham images using fractal metrics: Fourier analysis dimension and lacunarity. FoodResearch International, v. 42, n. 3, p. 353 Ű 362, 2009. ISSN 0963-9969. Disponívelem: <http://www.sciencedirect.com/science/article/pii/S0963996908002500>.

[46] SMITH, D. P.; NORTHCUTT, J. K. Pale poultry muscle syndrome. PoultryScience, v. 88, n. 7, p. 1493Ű1496, 2009. Disponível em: <http://ps.oxfordjournals.org/content/88/7/1493.abstract>.

[47] MARCHI, M. D. et al. Feasibility of the direct application of near-infraredreĆectance spectroscopy on intact chicken breasts to predict meat color andphysical traits. Poultry Science, v. 90, n. 7, p. 1594Ű1599, 2011. Disponível em:<http://ps.oxfordjournals.org/content/90/7/1594.abstract>.

73

[48] BARBIN, D. F. et al. Digital image analyses as an alternative tool for chickenquality assessment. Biosystems Engineering, v. 144, p. 85 Ű 93, 2016. ISSN1537-5110. Disponível em: <http://www.sciencedirect.com/science/article/pii/S153751101530060X>.

[49] BARBIN, D. et al. Digital image analyses for fast quality assessment of chicken meat.In: SLACA - SIMPóSIO LATINO AMERICANO DE CIêNCIAS DE ALIMENTOS.Anais do 11 SLACA. [S.l.]: Unicamp - Universidade de Campinas, 2015. v. 2.