Aula 4

Prévia do material em texto

RECONHECIMENTO 
DE PADRÕES
Marcelo da Silva dos Santos
Segmentação de imagens
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:
  Descrever os aspectos fundamentais da segmentação de imagens.
  Identificar as principais abordagens para segmentação de imagens.
  Demonstrar aplicações da segmentação de imagens.
Introdução
O processamento digital de imagens envolve técnicas que buscam melho-
rar a qualidade visual da imagem para extrair o máximo de informações 
confiáveis. Desde o momento da captação até a interpretação imagem, 
o objetivo é prepará-la, ajustando e realçando suas características para 
que seu uso seja o mais assertivo possível. Nesse processo, encontra-se 
a fase de segmentação da imagem, que consiste em destacar as regiões 
de interesse do analista, aplicando diferentes técnicas, que dependem 
do resultado final esperado.
Neste capítulo, você vai estudar os conceitos básicos de segmentação 
da imagem e processamento de imagens digitais. Vai também conhecer 
os métodos de avaliação por descontinuidade e similaridade de regiões, 
além de algumas das principais atividades que empregam segmentação 
de imagem e visão computacional. 
1 Conceitos de segmentação de imagens 
digitais
O processamento digital de imagens se dá em algumas etapas, entre elas a 
segmentação. É uma etapa importante, pois antecede os processos de clas-
sifi cação e reconhecimento de padrões e pode garantir ou não o sucesso de 
toda a operação. Veja a seguir, resumidamente, a descrição das etapas que 
compreendem a área de processamento de imagens (GONZALEZ; WOODS, 
2015; PEDRINI; SCHWARTZ, 2007).
  Aquisição de imagens: entrada de uma imagem digital e sua discreti-
zação matemática.
  Pré-processamento: são realizados procedimentos de melhoria da ima-
gem, que envolvem realce de detalhes, ajuste de contraste, dentre outras.
  Segmentação: particionar uma imagem em regiões que representam 
áreas de interesse para a classificação.
  Extração de características: simplificação do conjunto de dados identi-
ficado para possibilitar identificação e comparação desses dados com 
mais precisão.
  Classificação: categorização da informação para reconhecer padrões e 
objetos homogêneos que correspondem aos temas de interesse.
  Reconhecimento e interpretação: etapa final, geralmente envolvendo 
componentes de inteligência artificial, que buscam comparar os resul-
tados obtidos com bases de conhecimento, compreender e utilizar esses 
dados de acordo com o domínio do problema e objetivos da aplicação.
A etapa de segmentação visa dividir uma imagem em regiões ou agrupa-
mentos de pixels, a fim de auxiliar a interpretar as informações nela conti-
das (PEDRINI; SCHWARTZ, 2007). Em geral, essa etapa pretende separar 
regiões significativas, que poderão ter relevância para processos posteriores, 
como a identificação dos objetos dessa imagem. Algumas metodologias de 
segmentação utilizam uma única característica para o processo, mas o nú-
mero de filtros pode ser aumentado, cada um destacando uma característica 
procurada. Após destacar essas regiões, a imagem pode então seguir para 
a classificação e a identificação dos elementos. A interpretação semântica 
dessas regiões identificadas finaliza o processo de análise possibilitando 
uma tomada de decisão. Por exemplo, um sistema pode reconhecer o padrão 
em uma imagem de código de barras, separar as regiões e, posteriormente, 
interpretá-las, inferindo o número a que a imagem se refere e ligá-lo a um 
determinado produto, em uma loja, por exemplo. A continuidade, neste caso, 
pode ser a soma do produto ao valor total da compra.
É possível realizar a classificação com base em uma característica extraída. 
No entanto, para incrementar a confiabilidade no resultado, frequentemente 
considera-se um número maior de características da imagem, uma para cada 
elemento que se quer destacar. Na próxima seção, você conhecerá melhor essas 
duas estratégias e algumas metodologias utilizadas por cada uma.
Segmentação de imagens2
2 Abordagens para segmentação de imagens
Os algoritmos de segmentação são geralmente baseados na busca de variâncias 
nas intensidades dos níveis de cinza em uma imagem, identifi cados pelas 
descontinuidades ou pelas similaridades desses níveis. Podemos defi nir esses 
conceitos conforme segue (GONZALEZ; WOODS, 2015).
  Descontinuidade: foco está na identificação de pontos isolados, linhas e 
bordas na imagem (edge detection), ou seja, divide a entrada com base 
em variações bruscas nos níveis de cinza.
  Similaridade: baseia-se em métodos de limiarização, crescimento de 
regiões (region growing) e divisão-e-união de regiões (splitand-merge).
Segmentação por descontinuidade
Na abordagem de segmentação por descontinuidade, a busca pelos objetos 
contidos na imagem é realizada utilizando três características principais: 
pontos, linhas e bordas. As técnicas usadas na segmentação descontínua são 
baseadas principalmente em operações orientadas à vizinhança de pixels. 
Para isso, tais técnicas utilizam o conceito de convolução, empregando fi ltros 
(também denominados máscaras, ou kernel). Os fi ltros são construídos para 
ressaltar a característica que se busca destacar. Você vai conhecer agora um 
pouco mais sobre os principais tipos de segmentação por descontinuidade.
Detecção de pontos
A detecção de pontos isolados pode ser considerada a mais simples das téc-
nicas de identifi cação de regiões de interesse. Nessa abordagem, buscam-se 
pontos onde ocorra uma mudança drástica do valor de cinza de um pixel 
em comparação aos seus vizinhos. Por exemplo, utiliza-se como critério de 
comparação a máscara apresentada na Figura 1, com fi ltro laplaciano, ou de 
passa-alta, utilizado para eliminar sinais de baixa frequência e realçar os de 
alta frequência.
3Segmentação de imagens
Figura 1. Imagem de um filtro laplaciano, ou de passa-alta.
Fonte: Roncero (2005, documento on-line).
Podemos inferir que um ponto será identificado na posição em que a máscara 
estiver posicionada, se:
|R| > T
onde T possui limiar não negativo e R é valor resultante de uma convolu-
ção. Na prática, caso exista um pixel com alto nível de cinza isolado em uma 
região, o filtro passa-alta é usado para detectar esse ponto, aumentando ainda 
mais sua diferença em relação aos seus vizinhos. Sua aplicação então auxilia 
a destacar essa diferença entre esse ponto de seus vizinhos mais próximos.
Detecção de linhas
Também é efetuada por meio de fi ltros de passa-alta que consideram direção, 
ou seja, kernels construídos para realce de linhas nas direções horizontal, 
vertical, ângulos de +45º e −45º, por exemplo. Observe a Figura 2.
Figura 2. Máscaras para detecção de linhas em uma imagem: linhas nas direções horizontal, 
vertical e ângulos de +45º e −45º.
Fonte: Roncero (2005, documento on-line). 
Segmentação de imagens4
É semelhante ao processo realizado por pontos isolados; o principal dife-
rencial é que o procedimento agora deve ser repetido com diferentes kernels, 
um kernel para cada orientação que se deseja realçar.
Detecção de bordas
Em imagens digitais, uma borda é o limite entre duas regiões de níveis de 
cinza diferentes (GONZALEZ; WOODS, 2015). Para identifi cação e realce de 
bordas, também aplica-se o processo de convolução com fi ltros específi cos, 
com o objetivo de realçar as regiões componentes da imagem e, então, avaliar 
se tais objetos são homogêneos e se a transição entre eles pode ser identifi -
cada com base apenas na descontinuidade dos níveis de cinza (aumento ou 
redução abrupta na intensidade de cinza das regiões). No caso dos fi ltros, é 
comum dar preferência para os fi ltros de passa-alta, que destacam áreas de 
alta intensidade de cinza.
Existe uma vasta galeria de técnicas e algoritmos para auxiliar neste tipo 
de detecção. Podemos citar os métodos de Roberts, Prewitt, Sobel, Canny, 
Rothwell, Nalwa, dentre outros, como exemplos de trabalhos que se destacaram 
na tarefade identificar bordas. Veja a seguir alguns dos mais implementados.
  Método de Roberts: calcula as diferenças de níveis de cinza por dife-
renças cruzadas aplicando kernels de 2×2 em sua abordagem.
  Método de Prewitt: diferencia variações nas direções vertical e horizon-
tal. Por utilizar kernels com dimensão 3×3, aumenta significativamente 
o resultado na detecção das bordas em relação à máscara de Roberts.
  Método de Sobel: similar aos anteriores, porém com maiores valores 
próximos ao pixel central. Com esse incremento, a abordagem de Sobel 
apresenta bordas mais destacadas em comparação a outras abordagens.
  Método de Canny: uma das abordagens mais eficientes no processa-
mento de imagens com ruídos ou com bordas com baixa definição, mas 
seu custo computacional é relativamente alto, e os resultados geralmente 
necessitam ser pós-processados para aumentar a clareza.
Como vimos, na maioria dos métodos elencados são utilizados filtros do 
tipo passa-alta em seu processo. Tais filtros tem a função de realçar detalhes 
na imagem, tais como bordas, manchas ou linhas retas e curvas, gerando 
uma “agudização” (sharpering) (GONZALEZ; WOODS, 2015; PEDRINI; 
SCHWARTZ, 2007). Porém, caso a imagem original tenha ruídos, eles tam-
5Segmentação de imagens
bém serão ressaltados durante suas execuções (derivadas), como pode ser 
visto na Figura 3. 
Figura 3. Ruídos em filtragens passa-alta.
Fonte: Sobral (2002, documento on-line).
Note que quanto mais ruído na imagem original, maior é o efeito de distorção 
no resultado após cada derivação. Para minimizar esse problema, é indicado 
utilizar antes um filtro de passa-baixa, que tem a função de suavizar elementos 
da imagem, auxiliando na redução de possíveis ruídos.
Segmentação de imagens6
Alguns tipos de distorções em imagens ocorridos no momento da captura, como 
variações aleatórias no brilho ou cor, são chamados de ruídos (GONZALEZ; WOODS, 
2015; PEDRINI; SCHWARTZ, 2007). Alguns dos exemplos mais conhecidos são o ruído 
gaussiano, salt-and-pepper (pixels brancos e pretos na imagem), speckle, exponencial, 
dentre outros. Veja exemplos na Figura 4.
Segmentação por similaridade
É uma técnica de agrupamento de dados, em que somente as regiões adja-
centes, espacialmente, podem ser agrupadas. Inicialmente, esse processo de 
segmentação rotula cada pixel como uma região distinta. Já a similaridade 
baseia-se nos métodos de limiarização, crescimento de regiões e divisão e 
fusão de regiões (GONZALEZ; WOODS, 2015).
Segmentação por limiarização
Limiares (threshold) são valores empregados em diversos momentos no pro-
cessamento de imagens como um ponto de corte, um limiar que defi ne como 
os valores acima ou abaixo dele serão tratados. Tal limiar determina limites 
7Segmentação de imagens
máximos ou mínimos que uma determinada característica da imagem deve 
assumir para que seja identifi cada na imagem.
A limiarização, também conhecida como binarização, converte os níveis 
de cinza da imagem original, transformando-a em uma imagem binária. Após 
definidos os limiares, os pixels são convertidos e selecionados para cada grupo, 
convertendo a imagem para binária, ou de dois níveis (KULKARNI, 2012). 
Nessa abordagem, o limiar é conhecido como a variável T. Quando o pixel for 
maior que o limiar, ele assume o valor de nível lógico 1 e, quando menor, ele 
assume o valor de nível lógico 0. Uma imagem limiarizada g (x, y) é definida 
na Equação 1 (GONZALEZ; WOODS, 2015):
onde T é o valor do limiar que separa os pixels em duas classes; f (x, y) é 
o valor original da intensidade do pixel e g (x, y) é o valor resultante do pixel 
após a limiarização ter sido realizada. Os pixels tendo valor 1 ou com qualquer 
outro nível de cinza conveniente correspondem aos objetos, enquanto os que 
receberem 0 como valor corresponderão ao fundo da imagem (Figura 5).
Figura 5. Destaque de regiões de interesse aplicando limiares.
Fonte: Cámara-Chávez (2013, documento on-line).
Para imagens com representação RGB, por exemplo, cada canal é repre-
sentado por um histograma correspondente. Devem ser indicados limiares 
específicos para cada um deles, de forma que a faixa de cores indicada venha 
a compor a região segmentada (ÁLVAREZ IGLESIAS, 2008).
Segmentação de imagens8
A limiarização de histogramas é uma técnica de segmentação bastante 
popular, que procura por picos e vales no histograma, mas só obtém bons 
resultados se os picos dominantes no histograma puderem ser corretamente 
reconhecidos, sem ruídos ou variação brusca (SIEBRA, 2013) (Figura 6).
Figura 6. Valores mal ajustados para os limiares podem afetar os resultados.
Fonte: Cámara-Chávez (2013, documento on-line).
O processo conta com um complicador na tarefa de definir valores para 
um limiar ideal para determinados tipos de imagens. Limiares que podem 
fornecer resultados satisfatórios para uma imagem podem não reproduzir o 
mesmo efeito para outra.
Segmentação por crescimento de regiões
O método de segmentação por crescimento de regiões (region growing) con-
siste em localizar grupos de pixels adjacentes com alguma propriedade de 
similaridade. Desse modo, identifi ca regiões formadas por pixels próximos 
e com nível de cinza similar. A partir de um pixel da imagem (conhecido 
como semente), o algoritmo verifi ca seus vizinhos próximos para decidir se 
eles possuem proximidade em seus níveis de cinza, conforme o critério de 
similaridade predefi nido. Caso identifi cada a similaridade, são marcados como 
uma região. Os agrupamentos crescem a partir de novos pixels sementes. 
Observe a Figura 7: (1) imagem original e defi nição da semente; (2) primeira 
identifi cação de similaridade; (3) um a um, os pixels identifi cados se tornam 
sementes e passam pelo processo de identifi cação; (4) depois de identifi cados 
os limites da região, é selecionada uma nova semente em outra posição, e o 
processo reinicia.
9Segmentação de imagens
Figura 7. Agrupamento por regiões.
Fonte: Cámara-Chávez (2013, documento on-line). 
Uma forma melhorada é não começar com pixels, mas com uma região da 
imagem em um conjunto de pequenas regiões. Um teste de uniformidade é 
aplicado a cada região. Se o teste falhar, a região é subdividida em elementos 
menores até que todas regiões fiquem uniformes. Então, as regiões se desen-
volveram de regiões menores. A vantagem de usar pequenas regiões em vez 
de pixels é a redução da sensibilidade ao ruído (GONZALEZ; WOODS, 2015).
Segmentação por divisão e fusão
Esse método de segmentação (splitting and merging) divide o processo de 
identifi cação de crescimento de regiões em duas fases: divisão (split) e fusão 
(merge). A fase de divisão serve como um pré-processamento, em que a imagem 
é particionada em regiões quadradas conforme critérios de homogeneidade 
preestabelecidos e tem o objetivo de minimizar a quantidade de fusões neces-
sárias (HOROWITZ; PAVLIDIS, 1974). Na sequência, é aplicada a técnica de 
crescimento de regiões para unir essas regiões quadradas em regiões maiores, 
que estejam em conformidade com os critérios de homogeneidade. Assim 
como outras técnicas de divisão e conquista, o objetivo é reduzir o tamanho do 
problema inicial e resolvê-lo em partes, reunifi cando-o logo que as pequenas 
partes estiverem resolvidas.
Segmentação de imagens10
Segmentação por agrupamento
A segmentação por agrupamento (clustering) agrupa os pixels em classes 
homogêneas (clusters) de forma que todos os elementos de uma mesma classe 
tenham a maior similaridade possível. Para identifi cação de similaridade, 
podem ser utilizados critérios específi cos, como distância, conectividade, 
intensidade, entre outras, selecionados conforme a característica que se deseja 
realçar (Figura 8).
Figura 8. Segmentação de regiões por agrupamento.
Fonte: Adaptada de Santos (2009).
A segmentação por agrupamento possui diversos algoritmos amplamente 
aplicados, sendo alguns dos mais conhecidos o k-means, fuzzy c-means, 
hierarchical clustering e mixture of gaussians. Algoritmosfuzzy incluem o 
princípio da incerteza na identificação de cada pixel da imagem e sua possível 
pertinência ao grupo. O conceito fuzzy tem o objetivo de incluir, matematica-
mente, conceitos subjetivos, como aproximadamente, em torno de e abaixo de. 
A imprecisão pode ser utilizada para definir um evento e tem sido aplicada 
com sucesso ao processo de segmentação de imagens.
3 Aplicações baseadas em segmentação
No contexto de processamento de imagens, a qualidade dos resultados da 
etapa de segmentação defi ne o sucesso do resultado ou o fracasso de todo o 
processamento. Entre as aplicações mais conhecidas temos sensoriamento 
remoto, análise de imagens médicas, inspeção industrial, identifi cação de 
objetos tridimensionais a partir de imagens 2D, dentre outras. Para isso, téc-
nicas, algoritmos e metodologias foram desenvolvidos para análise de diversos 
11Segmentação de imagens
aspectos das imagens pela coloração (níveis de cinza, RGB) ou estrutural 
(objetos sólidos ou texturizados).
A automatização de tarefas realizadas por meio de funções visuais dos 
seres humanos é uma das principais motivações. O estudo da visão humana, 
como a retina decompõe a imagem em canais de frequência, noção de distância 
e profundidade, dentre outros conceitos, serviu de fonte de inspiração para 
diversas aplicações. Veja a seguir algumas das áreas de aplicação que utilizam 
segmentação de imagem em sua arquitetura.
Análise de imagens médicas
Pode auxiliar na precisão de diagnósticos. A aquisição ocorre a partir de di-
versas fontes (ressonância magnética, tomografi a computadorizada, ultrassom) 
e é utilizada na identifi cação de lesões, tumores e outras e outras patologias, 
medição de volumes de tecido, cirurgia assistida por computador e diversos 
estudos biomecânicos e anatômicos.
Podem ser encontrados como assistentes de cuidados de saúde, sensores 
biométricos, entre outras aplicações. Mesmo não dispensando a interpretação 
por especialistas, podem auxiliar em casos de subjetividade, complexidade 
da imagem e diferenças de interpretação (Figura 9).
Figura 9. a) Imagem de ultrassom da cavidade pélvica de uma paciente e b) resultado da 
utilização de um algoritmo de threshold; c) resultado do operador de Canny.
Fonte: Santos (2009, documento on-line). 
Segmentação de imagens12
Indústria
Há alguma tempo, a automatização de processos envolvendo visão compu-
tacional é uma realidade na indústria. Complexas inspeções de qualidade 
realizadas manualmente por atentos olhos humanos atualmente dão espaço 
para um modelo mais preciso e efi caz. As aplicações são muitas: inspeção 
de acabamento de superfície, avaliação do desgaste de peças e detecção de 
imperfeições na fabricação, classifi cação e separação de produtos, análise de 
cor e textura, controle de qualidade de matérias-primas e produtos, dentre 
outras (Figura 10).
Figura 10. Imagens resultado da técnica multiflash: a) intensidade máxima, b) mapa de 
profundidade e c) bordas detectadas.
Fonte: Morgan (2008, documento on-line).
Análise documental e grafológica
A segmentação também pode ser utilizada para extração de texto e de gráfi cos 
em documentos digitalizados, como artigos e materiais impressos. Aplicações 
que utilizam reconhecimento de caracteres podem ser aplicadas em reconhe-
cimento de endereço postal, análise forense, comparação de assinaturas em 
documentos (Figura 11) e controle de fraudes.
13Segmentação de imagens
Figura 11. Esquema do processo de decisão na verificação de assinaturas off-line baseado 
na visão pericial.
Fonte: Adaptada de Santos (2004).
Sensoriamento remoto
Por meio de imagens adquiridas por satélites, o sensoriamento remoto é capaz 
de auxiliar na identifi cação e na classifi cação de regiões homogêneas com 
diferentes tipos de terrenos, como agrimensura e plantações, fontes de água, 
locais de refl orestamento e desmatamento, desertifi cação, acompanhamento 
da degradação de solo e a ocupação das áreas urbanas, por exemplo. Também 
podem avaliar fenômenos climáticos, topografi a, dentre outras, principal-
mente na agricultura. Observe na Figura 12 um exemplo de classifi cação não 
supervisionada.
Segmentação de imagens14
Figura 12. Classificação não supervisionada.
Fonte: Ambiental Consulting (2014, documento on-line).
Neste capítulo, você conheceu os fundamentos de segmentação de imagens 
e processamento de imagens digitais. Dentre suas atividades, estão o realce 
dos detalhes, a identifi cação de regiões de interesse e a preparação para etapas 
de extração de características e classifi cação. Tais dados servem de entrada 
para aplicações de visão computacional e de inteligência artifi cial, visando 
à automatização de tarefas como diferencial competitivo para empresas e 
trazendo mais efi cácia e padronização nos resultados.
ÁLVAREZ IGLESIAS, J. C. Uma metodologia para caracterização de sínter de minério de ferro: 
microscopia digital e análise de imagens. 2008. Dissertação (Mestrado) – PUC-Rio, Rio 
de Janeiro, 2008. Disponível em: https://www.maxwell.vrac.puc-rio.br/13047/13047_1.
PDF. Acesso em: 25 jul. 2020.
AMBIENTAL CONSULTING. Sensoriamento remoto. São Paulo: SOS Mata Atlântica, 2014. 
Disponível em: https://www.sosma.org.br/wp-content/uploads/2014/05/sensoria-
mento-remoto.pdf. Acesso em: 27 ago. 2020.
CÁMARA-CHÁVEZ, G. Segmentação. Ouro Preto: UFOP, 2013. Disponível em: http://www.
decom.ufop.br/guillermo/BCC326/slides/Processamento%20de%20Imagens%20-%20
Segmentacao.pdf. Acesso em: 27 ago. 2020.
15Segmentação de imagens
GONZALEZ, R. C.; WOODS, R. E. Processamento digital de imagens. 3. ed. São Paulo: 
Pearson, 2015.
HOROWITZ, S. L.; PAVLIDIS, T. Picture segmentation by a directed split-and-merge procedure. 
Copenhagen: [s. n.], 1974.
KULKARNI, N. Color thresholding method for image segmentation of natural images. 
International Journal of Image, Graphics and Signal Processing, 2012. Disponível em: 
https://www.semanticscholar.org/paper/Color-Thresholding-Method-for-Image-
-Segmentation-of-Kulkarni/6601a2fb1e0b9d7b729faa826be33814e9d5201c. Acesso 
em: 27 ago. 2020.
MORGAN, J. Técnicas de segmentação de imagens na geração de programas para máqui-
nas de comando numérico. 2008. Dissertação (Mestrado) – UFSM, Santa Maria, 2008. 
Disponível em: https://repositorio.ufsm.br/bitstream/handle/1/8071/JOLVANIMORGAN.
pdf?sequence=1&isAllowed=y. Acesso em: 27 ago. 2020.
PEDRINI, H.; SCHWARTZ, W. R. Análise de imagens digitais: princípios, algoritmos e apli-
cações. São Paulo: Cengage Learning, 2007.
RONCERO, V. G. Um estudo de segmentação de imagens baseado em um método de 
computação evolucionária. 2005. Dissertação (Mestrado) – Universidade Federal do 
Rio de Janeiro, Rio de Janeiro, 2005. Disponível em: http://www.pee.ufrj.br/index.php/
pt/producao-academica/dissertacoes-de-mestrado/2005-1/2005062702-2005062702/
file. Acesso em: 27 ago. 2020.
SANTOS, C. R. Análise de assinaturas manuscritas baseada nos princípios da grafoscopia. 
2004. Dissertação (Mestrado) – Pontifícia Universidade Católica do Paraná, Curitiba, 
2004. Disponível em: https://www.ppgia.pucpr.br/pt/arquivos/mestrado/disserta-
coes/2004/2004_cesar_roberto_santos.pdf. Acesso em: 27 ago. 2020.
SANTOS, J. A. Reconhecimento semi-automático e vetorização de regiões em imagens 
de sensoriamento remoto. 2009. Dissertação (Mestrado) – Universidade Estadual de 
Campinas, Campinas, 2009. Disponível em: https://www.researchgate.net/publica-
tion/232613343_Reconhecimento_semi-automatico_e_vetorizacao_de_regioes_
em_imagens_de_sensoriamento_remoto. Acesso em: 27 ago. 2020.
SIEBRA, H. A. Segmentação fuzzy de imagens coloridas com características texturais: uma 
aplicação a rochas sedimentares. 2013. Dissertação (Mestrado) – UFRN, Natal, 2013. 
Disponível em: https://repositorio.ufrn.br/jspui/handle/123456789/18687. Acesso em: 
27 ago. 2020.
SOBRAL, J. L. Segmentação de imagem. Braga: Universidade do Minho, 2002. Disponível 
em: http://gec.di.uminho.pt/lesi/vpc0304/Aula07Segmenta%C3%A7%C3%A3o.pdf. 
Acesso em: 27 ago.2020.
Segmentação de imagens16
Leitura recomendada
SOLOMON, C.; BRECKON, T. Fundamentos de processamento digital de imagens: uma 
abordagem prática com exemplos em Matlab. Rio de Janeiro: LTC, 2013.
Os links para sites da web fornecidos neste capítulo foram todos testados, e seu fun-
cionamento foi comprovado no momento da publicação do material. No entanto, a 
rede é extremamente dinâmica; suas páginas estão constantemente mudando de 
local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade 
sobre qualidade, precisão ou integralidade das informações referidas em tais links.
17Segmentação de imagens