You are on page 1of 9

MEIOS POROSOS

2018/1
UFSC – Campus Joinville
Joinville – Santa Catarina
COLIPE 2014/2
Análise de Imagens com ImageJ
esso de LigaçõesGiovani
Permanentes
Silveira de Magalhães Martins, giovani.martins@t2f.ufsc.br

UFSC – Campus Joinville


Joinville – Santa
1. ANÁLISE Catarina
DA IMAGEM “ARENITO”

a) Transforme a imagem em tons de cinza com qualidade 𝑛 =8;

Ajustou-se a imagem para tipo 8 bits em escalas de cinza, conforme Figura 1.

Figura 1 – Arenito 8 bits

Fonte: O Autor (2018).

1
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina

b) Determine a resolução e ajuste a escala (calibração do ImageJ).

Para realizar a calibração adequada consultou-se o “User Guide” do ImageJ, o qual


recomenda utilizar fatores de escala inteiros e a marcação da opção “Average when downsizing”.
Desta forma, optou-se por manter a escala 1, mantendo os padrões originais da imagem (904x678
pixels).

c) Qual é o efeito do filtro baseado na Mediana (Process->Filters->Median) sobre o


histograma da imagem?

O intuito da função Filters>Median é reduzir o ruído na imagem ativa, substituindo cada pixel
pela mediana dos valores de pixels vizinhos. Para efeito de teste, definiu-se primeiramente um raio
de aplicação do filtro de 2 pixels, e posteriormente 4, como ilustra a Figura 2.

Figura 2 – Histogramas com alteração no raio de aplicação do filtro de mediana.


Filtro: 2 pixels Filtro: 4 pixels

Fonte: O Autor (2018).

Nota-se que tanto a média como o valor de maior ocorrência, não apresentaram variações
significativas. Entretanto, o desvio padrão começa a apresentar redução significativa. Quando
aumentado muito este raio, a imagem começa a apresentar muito ruído, prejudicando análises visuais,
como demonstra a Figura 3.

2
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina

Figura 3 – Aumento do raio de aplicação do filtro para 10.

Fonte: O Autor (2018).

Desta forma, deve-se atentar para correta seleção dos raios de aplicação do filtro.

d) Usando o método de binarização visual (manual), varie o limite de corte e determine a


porosidade para cada caso e comente as diferenças:

Utilizou-se a ferramenta Threshhold para definir interativamente valores de limite inferior e


superior, segmentando imagens em escala de cinza em recursos de interesse e plano de fundo. Na
Tabela 1 são exibidas imagens binarizadas com diferentes limites de Threshold e, consequentemente,
diferentes porosidades.
Observa-se pela tabela, que para valores muito baixos de porosidade não é possível distinguir
os contornos dos grãos, muito os canais entre eles. Conforme aproxima-se de 50% os grãos estão
visivelmente bem definidos, os canais entre eles estão bem definidos, e os pequenos espaços porosos
no meio dos grãos tomam forma. A partir de 60% em diante, os pequenos espaços porosos no meio
dos grãos começam a perder forma, bem como alguns contornos de grãos maiores. Desta forma,
visualmente, constata-se que a porosidade da rocha de arenito em questão é de aproximadamente
56%. Faz-se necessário ressaltar que a análise visual pode gerar imprecisões, podendo apresentar
margem de erro alta.

3
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina

Tabela 1 – Comportamento das imagens binarizadas com a variação dos limites de


Threshold
20% 30%

40% 50%

56% 60%

70% 80%

Fonte: O Autor (2018).


4
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina

2. ANÁLISE DA IMAGEM “FRATURAS”

a) Utilize o filtro Non-local means para eliminar o ruído. Qual é o efeito dos parâmetros Sigma
e Smoothing Factor sobre o histograma?

O parâmetro sigma reduz o ruído da imagem, deixando as regiões do sólido e do poro com as
cores mais homogêneas. Consultando o “User Guide”, é possível entender que este parâmetro denota
raio de decaimento do desvio padrão, fazendo com que os pixels das bordas tenham maior peso sobre
os de dentro da imagem. Assim, ao suavizar com sigmas muito elevados, a saída será dominada pelos
pixels da borda e especialmente pelos pixels do canto. Desta forma, o desvio padrão do histograma
reduz drasticamente com o aumento deste parâmetro.
O parâmetro smoothing fator é utilizado para suavizar a imagem, para isto, deve-se utilizar
valores maiores que 1. Entretanto, o aumento deste fator acaba desfocando a imagem, substituindo
cada pixel pela média da sua vizinha 3x3. Por isso, aconselha-se mantê-lo igual a 1, preservando a
nitidez e boa interpretação da imagem.

Tabela 2 - Variação do sigma e comportamento do histograma


Sigma = 0; Utilziação Non-local means Sigma = 15

Fonte: O Autor (2018).

5
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina

b) Binarize a imagem usando o método visual (manual) e o método de Otsu (automático).


Comente as diferenças.

A grande dificuldade de se utilizar o método manual, é a precisão. No intervalo de 22 a 26%


de porosidade, se torna dificil avaliar as pequenas alterações que ocorrem na imagem. Ao recorrer ao
método automático, o próprio software devolve uma resposta, que se apresentou dentro do intervalo
avaliado acima com um tempo de resposta muito mais rápido, visto que não houve necessidade de
regulagem manual nos limites threshold, como ilustra a figura abaixo.

Tabela 3 – Comparação Método Manual e Automático


Método Manual

Método Otsu (Automático)

Fonte: O Autor (2018).

6
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina

c) Determine a porosidade e distribuição de tamanho de grãos para ambos os casos do item


(b):

Como pode ser visto na Tabela 3, a porosidade pelo método manual deu aproximadamente
24,07%, enquanto no método de Otsu resultou em 25,07%.
Para determinar a distribuição de tamanho de grãos, foi necessário ajustar o ImageJ para
milímetros, com a função Set Scale. Posteriormente, realizou-se a análise de distribuição de grãos
com a função Analyze Particules, resultando na Figura 4.

Figura 4 – Aumento do raio de aplicação do filtro para 10.

Fonte: O Autor (2018).

Para análise da quantidade de grãos, foi selecionada a opção de binning automático,


onde é utilizada uma largura de bin otimizada. Repetiu-se o processo para ambos os casos do item
(b), gerando as distribuições apresentadas nas Figuras 5 e 6.

7
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina

Figura 5 – Distribuição de grãos usando o método manual

80
70
NÚMERO DE OCORRÊNCIAS

60
50
40
30
20
10
0

TAMANHO DE GRÃO (MM²)

Fonte: O Autor (2018).

Figura 6 – Distribuição de Grãos usando o método Otsu


100
90
NÚMERO DE OCORRÊNCIAS

80
70
60
50
40
30
20
10
0

TAMANHO DE GRAO (MM²)

Fonte: O Autor (2018).

8
Tópicos Especiais em Fenômenos de Transporte II, Meios Porosos 2018/1, Joinville – Santa Catarina

d) Qual é o tamanho de grão mais provável? Uma distribuição Gaussiana (Normal) se ajusta
bem aos dados obtidos?

O tamanho de grão mais provável para o método manual é de 1.629mm², enquanto para o
método de Otsu 0,5107mm². Se analisarmos o comportamento da distribuição de grão, pode-se
perceber – principalmente no método Otsu – que ele se assemelha ao comportamento da distribuição
gaussiana.
O próprio ImageJ tem funções de interpretação de dados de grão com a função Gaussiana (curve
fitting), que se apresenta como um método iterativo, procedimento de “tentativa e erro”, no qual os
parâmetros do modelo de ajuste são ajustados de forma sistemática até que a equação ajuste os dados
o mais próximo possível. O “User Guide” mostra os passos que o software realiza para obter os
resultados:
1) Fazendo as primeiras estimativas de todos os parâmetros não lineares;
2) Calcular o modelo, comparando-o com o conjunto de dados e calculando um erro de ajuste;
3) Se o erro de ajuste for grande, o CurveFitter alterará sistematicamente os parâmetros e
retornará ao passo 2). O loop pára quando a precisão de ajuste é alcançada, o que em casos
difíceis nunca acontece. No último caso, o procedimento termina após um número imposto de
iterações ou reinicia.